Ostajapersoona on tuttu työkalu markkinoinnin johtamisen apuna. Suurten kielimallien ja koneoppimisen avulla dataan perustuvien persoonien rakentaminen onnistuu aikaisempaa tehokkaammin.
Mitä ostajapersoona tarkoittaa?
Ostajapersoonat kuvaavat yrityksen kannalta ideaalisia ostajia. Ostajapersoonan esitys auttaa johtamaan markkinointia oikeaan suuntaan, viestimään oikeille kohderyhmille oikealla tavalla.
Persoonat perustuvat asiakastutkimukseen, laadulliseen ja määrälliseen dataan. Itse persoonat ovat fiktiivisiä, mutta tiivistävät analyysin tulokset helposti lähestyttävään muotoon.
- Markkinointiviestinnän kohdentaminen.Ymmärtämällä kohderyhmän erityistarpeita ja toiveita yritykset voivat luoda räätälöityjä viestejä, jotka resonoivat paremmin kohderyhmän kanssa. Silloin viestit tehoavat paremmin oikeaan kohderyhmään.
- Tuotekehitys. Ostajapersoonat auttavat tunnistamaan asiakaskunnan erityistarpeita. Se ohjaa tuotekehitystä luomaan ratkaisuja, jotka todella vastaavat kysyntään.
- Asiakaskokemuksen parantaminen. Yritykset voivat suunnitella ja toteuttaa parempia asiakaskokemuksia. Se lisää asiakastyytyväisyyttä ja -uskollisuutta.
- Myyntistrategian optimointi. Ostajapersoonien avulla myyntitiimit voivat ymmärtää paremmin parhaiden asiakkaiden tarpeita ja haasteita.
- Sisältömarkkinointi. Ostajapersoonat ohjaavat sisällöntuotantoa tuottamaan kiinnostavaa ja hyödyllistä sisältöä.
- Markkinoiden segmentointi. Ostajapersoonat auttavat ymmärtämään eri asiakasryhmiä. Ideaalisten asiakkaiden lisäksi persoonien määrittely voi auttaa tunnistamaan myös vähemmän arvokkaat asiakasryhmät.
Ostajapersoonat siis auttavat ymmärtämään asiakkaita ja kohderyhmiä aikaisempaa paremmin. Se taas auttaa viestimään, innovoimaan ja palvelemaan asiakkaita aikaisempaa paremmin. Sen vuoksi persoonamäärittely on keskeinen osa markkinoinnin, myynnin, tuotekehityksen ja asiakaspalvelun strategiaa.
Persoonamäärittely
Hyödylliset persoonat perustuvat dataan, joka kuvaa todellisia asiakkaita. Mitä enemmän dataa on käytössä, sen parempia persoonista tulee — yksittäisten haastattelujen perusteella ei vielä päästä pitkälle.
Itse olen käyttänyt nelivaiheista prosessia:
- Kvantitatiivisen datan hankinta
- Klusterointi koneoppimisen avulla
- Persoonien rikastaminen laadullisella datalla
- Persoonien rakentaminen generatiivisen tekoälyn avulla
Menetelmän vaiheet pysyvät samana, vaikka käytettävä data vaihteleekin. Generatiivisen AI:n käyttöönotto on helpottanut vaiheita 3-4, vaihe 2 on toteutettu jo pitkään koneoppimisen avulla.
1. Kvantitatiivinen datan hankinta
Kvantitatiivinen data on parasta hakea CRM:stä, webanalytiikka on vasta toissijainen lähde.
Erään verkkokaupan CRM:n avulla kerättiin asiakkaita kuvaava taulukko, jossa asiakasta kuvasivat esimerkiksi seuraavat tiedot:
- Ostotapahtumien määrä
- Myynnit euroina koko ajalta
- Palautukset
- Tietoa ostetuista tuotteista (miesten/naisten/lasten vaatteita jne.)
- Tietoa asiakkaan viimeaikaisesta aktiivisuudesta
Käytettyjä muuttujia oli noin 15.
2. Klusterointi koneoppimisen avulla
Seuraavassa vaiheessa asiakkaat ryhmitellään klusterointialgoritmin avulla ostokäyttäytymisen perusteella toisiaan muistuttaviksi ryhmiksi.
Tarkoitukseen sopivia algoritmeja on useita. Kvantitatiivisen datan perusteella tapahtuvaan klusterointiin sopii esimerkiksi K-Means-algoritmi. Algoritmi rakentaa halutun määrän ryhmiä, jotka ovat mahdollisimman lähellä toisiaan. Ryhmien määrää muokkaamalla syntyy aina erilaisia persoonia.
Osa ryhmistä edustaa yritykselle hyviä tai erinomaisia asiakkaita. Yhtä lailla datasta voi erottua ”huonoja” asiakkaita, jotka esimerkiksi palauttavat suuren osan tilaamistaan tuotteista.
Klusterit voidaan tämän jälkeen tiivistää tunnusluvuiksi, jotka kuvaavat niihin kuuluvien asiakkaiden kannattavuutta ja ostokäyttäytymistä.
3. Persoonien rikastaminen laadullisella datalla
Kolmannessa vaiheessa klustereita rikastetaan laadullisella datalla. Eri klustereihin kuuluville asiakkaille lähetetään kysely, jonka perusteella saamme lisää tietoa asiakkaista ja heidän ostotottumuksistaan.
Toisinaan tarjolla on jo valmiiksi kerättyä asiakaspalautetta, jota voidaan käyttää samaan tarkoitukseen. B2B-asiakkaista taas saattaa olla valmista laadullista dataa CRM:n muistiinpanoissa, palaverimuistioissa ja nykyään myös etäpalavereista tekoälyn avulla generoiduissa transkriptioissa ja yhteenvedoissa.
Tämän jälkeen meillä on:
- ostohistoriaan perustuvat klusterit
- kyselyyn perustuvaa laadullista tietoa klustereiden jäsenistä
Seuraavassa vaiheessa klusterit muunnetaan persooniksi.
4. Persoonien rakentaminen generatiivisen tekoälyn avulla
Laadullisen datan analyysi käsityönä on työlästä. Nyt generatiivinen tekoäly mahdollistaa yhteenvetojen luomisen laadullisesta aineistosta entistä helpommin. Laadullisen yhteenvedon tarkoitus on kuvata klusteriin kuuluvia asiakkaita.
Seuraavaksi generatiivista tekoälyä käytetään lopullisten persoonien luomiseksi. Tässä tarvitaan kokeilua ja keskustelua työkalun kanssa; syntyvä tulos ei ole deterministinen, ja kielimallit tuottavat helposti erilaisia persoonakuvauksia taustalla olevan datan avulla.
Lopuksi luotu persoona viimeistellään luomalla hänestä kuvia esimerkiksi Midjourneyn avulla. Tulevaisuudessa voimme myös generoida persoonasta videot, jossa kukin persoona esittelee itseään ja kokemuksiaan.
Persoonien käyttö
Persoonien hyödyllisyys riippuu pitkälti siitä, kuinka persoonia käytetään markkinoinnin johtamiseen ja toteuttamiseen. PowerPoint-kalvoihin unohtuneet persoonat eivät vielä auta lisäämään myyntiä.
Usein persoonaharjoitukset kuitenkin unohtuvat. Vain harvoin niitä käytetään systemaattisesti esimerkiksi sosiaalisen median postausten perustana. Persoonat on aktivoitava, niitä on käytettävä markkinoinnin tukena.
Pidän todennäköisenä, että generatiivisen tekoälyn käyttöönotto markkinointiviestinnän työkaluna tulee lisäämään persoonien käyttökelpoisuutta ja käyttöä.
Pidän todennäköisenä, että generatiivisen tekoälyn käyttöönotto markkinointiviestinnän työkaluna tulee lisäämään persoonien käyttökelpoisuutta ja käyttöä.
Tähän on yksinkertainen syy: generatiivinen tekoäly tuottaa kiinnostavampaa sisältöä ja sisältöideoita, kun sitä ohjataan määrittelemällä kohdeyleisö. Koneoppimisen ja generatiivisen tekoälyn luomat persoonat sopivat tähän erinomaisesti.
Kiinnostuitko aiheesta? Ota meihin yhteyttä niin kerromme mielellämme lisää!
Artikkelit samasta aiheesta
Digianalytiikan käyttäjätunnisteet paljastavat pitkätkin ostopolut
Käyttäjätunnisteet (user ids) auttavat seuraamaan pitkiä ostopolkuja, kun käyttäjät saadaan välillä kirjautumaan sisään tai antamaan sähköpostiosoitteensa. Tässä artikkelissa kerromme, miten käyttäjätunnisteita hyödyntämällä eri markkinointikanavien hyödyistä saadaan luotettavampaa tietoa kuin analytiikan perusasennuksella.
Mitä on evästeetön analytiikka?
Evästeetön web-analytiikka auttaa raportoimaan ja analysoimaan kattavammin sivuston käyttöä: sen avulla saat kerätä dataa myös käyttäjistä, jotka eivät hyväksy evästeitä evästebannerissa.
Mitä markkinoijan tulee tietää evästeistä?
Näin sopeudut 3. osapuolen evästeiden poistumiseen ja 1. osapuolen evästeisiin kohdistuviin rajoituksiin.
Kiinnostuitko tästä aiheesta?
Soita meille 020 788 8120 tai täytä alla oleva lomake niin jatketaan juttua!