Segmentering i praksis

  • View
    87

  • Download
    6

Embed Size (px)

Text of Segmentering i praksis

1. Praktisk segmentering Morgeninspiration 4. feb. - 2015 Jens Hjerrild Poder 2. Det lyder bekymrende og svrt Uha. Hvad nu hvis jeg laver det forkert? Uha. Og mske ogs DYRT 3. Medieforskerne bliver jo skidesure 4. Jeg vil gerne give jer en praktisk playbook ANGST 5. Hvilken slags segmentering 1 6. Hvem er I & hvad skaber vrdi? Ehandel? (opsalg og mersalg) Abonnementsforretning? (lead opsamling, churn-reduction, win-back, relevans) Business to Business site? (lead opsamling, win-over forlb, relevans) Medlemsorganisation? (tilfredshed via relevans, personlig service) 7. Lidt magiske vrktjer 8. Basalt set en sorteringsmaskine til din internet trak Genkender dine brugere fra mails Stte tags p via adfrd Stte automatiske hndelser op Woopra et vrktj vi er glade for 9. + ID SITE 10. Sprgeskema undersgelser 11. Online-testen 12. Landingsside med Whitepaper Mine ti bedste segmenteringstips Udfyld navn, rma, tlf & email Sign up til vores nyhedsbrev for at downloade 13. S nu har vi noget at handle p Telefonopkald Win-over forlb af emails Tilpasse site og email udsendelse Give en rabat for at vinde tilbage 14. Segmenter p 1 15. Et frende open source e-handelsplatform Forberedt til integration med content, da det er integreret med verdens strste CMS: Wordpress Wordpress CMS uovertrufne brugervenlighed Best Value for Money 16. Vi er i et marked hvor kampen om kunden er stadigt hrdere Sgemaskinerne giver kunderne transparent indsigt i hvor de kan f produktet billigst Knivskarp konkurrence p search marketing Mngden af konkurrenter er overvldende"Stigende problem: Dyre & illoyale kunder 17. Clerk: Amazon in a Box Software as a service: Markedsledende automatik Vi husker hvad brugeren har lavet og kan ud fra det: Tilbyde relevante produkter p forsiden Tilbyde relevante produkter p produktside Relevante produkter i sge-resultater Tilbyde relevante ere produkter ved i-kurv-lgning Sende personlige emails Ordrer solgt med Clerk har 45% flere varer i kurven og en 37% strre ordrevrdi Clerk gede Unisports omstning fra anbefalinger med 140% i en split-test mod deres foregende leverandr CLERK 18. Prediction engines og maskinlring Vrktjer som anvendes i" intelligente personaliserede content- services som feks. Netix. Kobler brugerens adfrd Med andre brugeres adfrd Viden om indholdet Opdager det ting som kunne vre relevante Prediction IO 19. Prediction er Viden om mig! Viden om content! Viden: andres brug! Hvad er set! Hvor lnge! Ratings afgivet! Relevant! Genre! Ngleord! Relateret! Hvad er set! Hvor lnge! Ratings afgivet!Automatisering og maskinlring! 20. Vrdi af prediction Aktivering og genbrug af evergreen indhold Oplevelse af personlig relevans for brugeren 21. Pointer 22. Segmentering br ikke kun handle om at sortere 23. Det handler isr ogs om Vide, hvad der skabe vrdi for jer Genkende tegn p at brugerne gerne vil noget som I ogs gerne vil Stte det p formel og automatisere det 24. Det behver ikke vre hovedkanalen 25. Sprgsml og fri leg