Jak tworzyć persony klientów na podstawie danych? Przykład sklepu internetowego (Case study)

Persony klientów są jednym z najczęściej wykorzystywanych narzędzi w projektowaniu produktów, usług i doświadczeń. Pomagają zespołom marketingowym, sprzedażowym i produktowym spojrzeć na firmę z perspektywy odbiorcy, a nie wyłącznie procesów, kanałów i wewnętrznych struktur organizacyjnych.

Problem polega na tym, że wiele person powstaje przede wszystkim na podstawie opinii.

Podczas warsztatu uczestnicy próbują odpowiedzieć na pytania:

• kim jest nasz klient,
• czego potrzebuje,
• co jest dla niego ważne,
• dlaczego wybiera określony produkt,
• co może go zniechęcić do zakupu.

Takie podejście jest wartościowe, ale ma istotne ograniczenie. Persona może odzwierciedlać sposób, w jaki organizacja wyobraża sobie klienta, a nie to, jak klient rzeczywiście się zachowuje.

Dlatego w projekcie realizowanym dla  AGD, sklepu e-commerce oferującego sprzęt AGD, połączyliśmy podejście Customer Experience z analityką danych i metodami Data Science.

Naszym celem nie było stworzenie kolejnych atrakcyjnych opisów klientów. Chcieliśmy zidentyfikować rzeczywiste wzorce zachowań, pogrupować klientów na podstawie danych, a następnie przekształcić wyniki analiz w persony, które mogą być wykorzystywane w marketingu, sprzedaży, rozwoju produktów i działaniach retencyjnych.

W ten sposób persona przestała być jedynie profilem opisowym. Stała się narzędziem wspierającym podejmowanie decyzji.

Dlaczego klasyczne persony często nie wystarczają?

Klasyczna persona zawiera zazwyczaj imię, zdjęcie, wiek, sytuację rodzinną, potrzeby, cele, frustracje i preferowane kanały kontaktu.

Możemy więc przeczytać, że:

Anna ma 38 lat, mieszka w dużym mieście, ceni wygodę, porównuje ceny i oczekuje szybkiej dostawy.

Brzmi wiarygodnie. Nie wiemy jednak, z czego wynikają te informacje.

Czy Anna rzeczywiście porównuje ceny?
Jak często to robi?
Jak długo podejmuje decyzję?
Czy reaguje na promocje?
Czy kupuje produkty premium?
Czy wraca do sklepu?
Czy porzuca koszyk częściej niż inni klienci?
Czy kontaktuje się z obsługą przed zakupem?
Czy po zakupie zwraca produkt?

Bez odpowiedzi na te pytania persona może być inspirująca, ale pozostaje trudna do wykorzystania w działaniach operacyjnych.

Data Science pozwala odwrócić ten proces.

Nie zaczynamy od wymyślonego opisu klienta. Najpierw analizujemy rzeczywiste zachowania, identyfikujemy powtarzające się wzorce i tworzymy segmenty. Dopiero później nadajemy im ludzką, zrozumiałą formę.

Proces można przedstawić następująco:

dane → wzorce zachowań → segmenty klientów → persony → decyzje biznesowe

Wyzwanie biznesowe sklepu AGD

Sklep internetowy Ekspert AGD obsługuje klientów znajdujących się na różnych etapach procesu zakupowego.

Jedni dokładnie wiedzą, jakiego produktu szukają. Inni dopiero poznają dostępne możliwości. Część klientów podejmuje decyzję głównie na podstawie ceny, inni porównują parametry techniczne, markę, dostępność, warunki dostawy lub poziom wsparcia.

Dla jednego klienta najważniejsza może być cena pralki. Dla innego — termin dostawy, wniesienie, montaż albo możliwość uzyskania porady przed zakupem.

Traktowanie wszystkich tych osób w taki sam sposób prowadzi do uproszczeń. Ta sama komunikacja, ten sam rodzaj promocji i jednakowy proces sprzedażowy nie odpowiadają na różne potrzeby klientów.

Punktem wyjścia projektu było więc pytanie:

Czy na podstawie dostępnych danych możemy rozpoznać charakterystyczne grupy klientów i lepiej dopasować do nich działania marketingowe, sprzedażowe oraz doświadczenie zakupowe?

Odpowiedź wymagała połączenia trzech perspektyw:

1. Data Science, aby wykryć wzorce niewidoczne podczas zwykłego przeglądania raportów.
2. Customer Experience, aby zrozumieć znaczenie tych wzorców dla klienta.
3. Wiedzy biznesowej, aby przełożyć wyniki na konkretne działania.

Etap pierwszy: określenie celu biznesowego

Profesjonalna segmentacja nie powinna zaczynać się od wyboru algorytmu.

Powinna zaczynać się od decyzji, do czego organizacja chce wykorzystać wyniki.

Można bowiem stworzyć wiele różnych segmentacji tej samej bazy klientów. Jedna będzie przydatna do planowania kampanii marketingowych, inna do przewidywania odejść, a jeszcze inna do rozwoju oferty lub optymalizacji obsługi.

W przypadku sklepu e-commerce możliwe cele obejmują między innymi:

• poprawę współczynnika konwersji,
• zwiększenie wartości koszyka,
• wzrost liczby ponownych zakupów,
• lepsze dopasowanie komunikacji,
• rozpoznanie klientów wrażliwych cenowo,
• identyfikację klientów o wysokim potencjale,
• ograniczenie rezygnacji,
• rozwój sprzedaży uzupełniającej,
• dostosowanie treści i rekomendacji produktowych.

Na początku projektu ustaliliśmy więc, jakie decyzje mają być podejmowane na podstawie person.

To ważna różnica. Nie tworzyliśmy person „do prezentacji”. Projektowaliśmy je jako narzędzie pracy.

Etap drugi: przygotowanie danych o klientach

W projektach Data Science jakość analizy zależy bezpośrednio od jakości danych.

Zanim można rozpocząć segmentację, dane muszą zostać oczyszczone, uporządkowane i połączone. W praktyce jest to często jeden z najbardziej wymagających etapów całego projektu.

W przypadku e-commerce analizie mogą podlegać między innymi:

• historia zakupów,
• wartość zamówień,
• liczba zamówień,
• częstotliwość zakupów,
• czas od ostatniej transakcji,
• kupowane kategorie,
• udział produktów promocyjnych,
• sposób płatności,
• forma dostawy,
• porzucone koszyki,
• zwroty i anulacje,
• reakcje na kampanie,
• korzystanie z rabatów,
• zachowania na stronie,
• urządzenia i kanały wykorzystywane podczas zakupów,
• kontakt z obsługą klienta.

Same dane transakcyjne nie są jednak jeszcze gotowym materiałem analitycznym.

Trzeba je przekształcić w zmienne opisujące zachowania klienta.

Etap trzeci: feature engineering, czyli zamiana danych w wiedzę

Jedną z najważniejszych kompetencji w Data Science jest feature engineering — projektowanie zmiennych, które pozwalają modelom dostrzec istotne zależności.

Pojedyncza transakcja mówi niewiele. Znacznie więcej można dowiedzieć się, analizując zachowania klienta w dłuższym okresie.

Dla każdego klienta można stworzyć zestaw cech, takich jak:

• liczba zrealizowanych zamówień,
• średnia wartość koszyka,
• maksymalna wartość zamówienia,
• liczba dni od ostatniego zakupu,
• długość relacji ze sklepem,
• częstotliwość zakupów,
• przeciętny czas między zamówieniami,
• udział zakupów promocyjnych,
• skłonność do korzystania z kodów rabatowych,
• liczba przeglądanych produktów przed zakupem,
• liczba porzuconych koszyków,
• udział zwrotów,
• preferowane kategorie produktowe,
• aktywność w kanałach cyfrowych,
• reakcje na komunikację marketingową.

Część z tych danych opisuje wartość klienta. Inne wskazują na sposób podejmowania decyzji, wrażliwość cenową, poziom zaangażowania lub ryzyko odejścia.

Na tym etapie dane zaczynają odzwierciedlać nie tylko to, co klient kupił, ale również jak kupuje.

Etap czwarty: segmentacja z wykorzystaniem Data Science

Po przygotowaniu zmiennych rozpoczęliśmy poszukiwanie grup klientów o podobnych zachowaniach.

W analizach tego typu można wykorzystać między innymi:

• K-Means,
• klasteryzację hierarchiczną,
• DBSCAN,
• Gaussian Mixture Models,
• metody redukcji wymiarów, takie jak PCA lub UMAP.

Nie chodzi jednak o to, aby wybrać najbardziej zaawansowany algorytm. Najlepszy model to taki, który jednocześnie:

• poprawnie rozpoznaje podobieństwa w danych,
• tworzy stabilne grupy,
• pozwala wyjaśnić różnice pomiędzy segmentami,
• prowadzi do praktycznych decyzji biznesowych.

Algorytm analizuje klientów bez przypisywania im z góry określonych etykiet. Szuka osób, które zachowują się w podobny sposób.

Może więc odkryć grupę klientów, którzy:

• dokonują zakupów stosunkowo rzadko,
• długo porównują produkty,
• korzystają z promocji,
• wybierają dostawę zależnie od jej ceny,
• reagują na przypomnienia,
• mają duży potencjał zakupowy, ale niską lojalność.

Może również wykryć klientów, którzy:

• kupują szybko,
• wybierają produkty z wyższej półki,
• rzadko korzystają z rabatów,
• cenią dostępność i sprawną realizację,
• wracają do sklepu po kolejne produkty.

Takie grupy nie powstają na podstawie intuicji. Wynikają z podobieństw widocznych w danych.

Etap piąty: ocena jakości segmentacji

Samo uruchomienie algorytmu nie kończy analizy.

Model może utworzyć pięć, siedem albo kilkanaście segmentów. Nie oznacza to jednak, że każdy podział będzie użyteczny.

Dlatego ocenialiśmy między innymi:

• spójność klientów wewnątrz segmentu,
• różnice między segmentami,
• liczebność grup,
• stabilność wyników,
• możliwość interpretacji,
• potencjalną wartość biznesową segmentu,
• możliwość przypisania klienta do segmentu w codziennych działaniach.

To jeden z kluczowych momentów projektu.

Segmentacja może być statystycznie poprawna, a jednocześnie całkowicie niepraktyczna. Jeżeli zespół marketingowy lub sprzedażowy nie rozumie różnic pomiędzy grupami, trudno będzie z wyników korzystać.

Dlatego jakość segmentacji ocenia się zarówno za pomocą miar analitycznych, jak i wiedzy o biznesie oraz zachowaniach klientów.

Etap szósty: od segmentu danych do persony

Algorytm tworzy segment, ale nie tworzy jeszcze persony.

Wynikiem analizy może być grupa opisana w następujący sposób:

• wysoki udział produktów kupowanych w promocji,
• ponadprzeciętna liczba odwiedzin przed transakcją,
• długi czas pomiędzy pierwszą wizytą a zakupem,
• wysoki poziom porzuceń koszyka,
• częste korzystanie z kodów rabatowych,
• relatywnie niska lojalność,
• duża reakcja na kampanie cenowe.

Jest to wartościowy profil analityczny, ale dla wielu pracowników pozostaje abstrakcyjny.

Dlatego kolejnym krokiem było przełożenie cech segmentu na język zrozumiały dla organizacji.

Taka grupa może zostać opisana jako:

Uważny Łowca Okazji

To klient, który nie podejmuje decyzji natychmiast. Porównuje dostępne opcje, wraca do oglądanych produktów i zwraca uwagę na różnice cenowe. Promocja może przyspieszyć zakup, ale nie każda obniżka będzie wystarczająca. Klient oczekuje jednocześnie przekonującego uzasadnienia wyboru.

Charakterystyczne zachowania:

• porównuje kilka produktów,
• odwiedza sklep wielokrotnie przed zakupem,
• korzysta z promocji lub kodów rabatowych,
• zwraca uwagę na łączny koszt zakupu i dostawy,
• może odłożyć decyzję, jeśli nie widzi wyraźnej korzyści.

Potrzeby:

• łatwe porównywanie parametrów,
• czytelna prezentacja oszczędności,
• wiarygodne opinie,
• informacja o historii lub czasie trwania promocji,
• ograniczenie ryzyka dokonania niewłaściwego wyboru.

Możliwe działania:

• przypomnienie o oglądanym produkcie,
• komunikacja pokazująca różnice między modelami,
• spersonalizowana oferta,
• alert o zmianie ceny,
• rekomendacje produktów w podobnym budżecie.

Dane wskazują zachowanie. Persona pomaga zrozumieć jego znaczenie.

Przykładowe persony oparte na zachowaniach klientów

W zależności od wyników analizy w sklepie internetowym ze sprzętem AGD mogą pojawić się między innymi następujące typy zachowań.

1. Zdecydowany Realizator Potrzeby

Wie, czego szuka, korzysta z wyszukiwarki lub przechodzi bezpośrednio do określonej kategorii. Nie potrzebuje wielu komunikatów marketingowych. Oczekuje dostępności, jasnych warunków i sprawnej realizacji.

Najważniejsze czynniki:

• dostępność produktu,
• szybka dostawa,
• przejrzysty proces zamówienia,
• jasna informacja o usługach dodatkowych.

2. Analityczny Porównujący

Poświęca dużo czasu na analizę. Porównuje parametry, modele, marki i opinie. Nie zawsze wybiera najtańszy produkt, ale potrzebuje uzasadnienia, dlaczego określony model jest lepszym wyborem.

Najważniejsze czynniki:

• porównywarka produktów,
• czytelne parametry techniczne,
• poradniki,
• recenzje i opinie,
• możliwość kontaktu z ekspertem.

3. Uważny Łowca Okazji

Jest wrażliwy na cenę i aktywnie poszukuje promocji. Może wracać do produktu kilka razy i czekać na korzystniejszy moment zakupu.

Najważniejsze czynniki:

• promocje,
• rabaty,
• bezpłatna dostawa,
• czytelne pokazanie korzyści cenowej,
• powiadomienia o zmianach cen.

4. Klient Premium Nastawiony na Wygodę

Cena nie jest jedynym ani najważniejszym kryterium. Klient oczekuje wysokiej jakości produktu i obsługi. Znaczenie mają dla niego dostawa, montaż, wniesienie, odbiór starego sprzętu i bezpieczeństwo transakcji.

Najważniejsze czynniki:

• kompleksowa obsługa,
• usługi dodatkowe,
• dostępność produktów premium,
• sprawny kontakt,
• opieka po zakupie.

5. Klient Jednorazowej Potrzeby

Pojawia się w sklepie w związku z konkretną sytuacją, na przykład awarią urządzenia lub przeprowadzką. Może dokonać wartościowego zakupu, ale bez odpowiedniej komunikacji nie wróci po kolejne produkty.

Najważniejsze czynniki:

• szybkie rozwiązanie problemu,
• wsparcie w wyborze,
• termin realizacji,
• działania rozwijające dalszą relację.

Nazwy i charakterystyki person powinny zawsze wynikać z rzeczywistych segmentów. Powyższe przykłady pokazują sposób interpretacji danych, ale nie ujawniają poufnych wyników analizy przeprowadzonej dla Ekspert AGD.

Jak zweryfikować persony utworzone na podstawie danych?

Dane behawioralne pokazują, co klient zrobił. Nie zawsze wyjaśniają jednak, dlaczego to zrobił.

Dlatego najlepsze projekty łączą analizę ilościową z badaniami jakościowymi.

Po zidentyfikowaniu segmentów można przeprowadzić:

• wywiady z przedstawicielami grup,
• badania ankietowe,
• testy użyteczności,
• analizę rozmów z obsługą,
• badania Customer Journey,
• analizę opinii i komentarzy klientów.

Jeżeli dane wskazują, że określony segment często porzuca koszyk, wywiad może pomóc zrozumieć przyczynę.

Powodem może być:

• koszt dostawy,
• brak preferowanej metody płatności,
• obawa o termin realizacji,
• niewystarczająca informacja o produkcie,
• brak usługi wniesienia,
• konieczność konsultacji z inną osobą,
• potrzeba dalszego porównywania.

Dzięki temu persona łączy dwa rodzaje wiedzy:

dane pokazują zachowanie, a badania wyjaśniają jego kontekst.

Co można zrobić z personami opartymi na Data Science?

Największa wartość projektu pojawia się nie w momencie przygotowania opisów person, lecz wtedy, gdy organizacja zaczyna wykorzystywać je w codziennych decyzjach.

1. Projektować lepsze produkty i usługi

Persony pomagają ocenić, dla kogo projektowana jest dana funkcja i jaki problem rozwiązuje.

Dla Analitycznego Porównującego istotna może być rozbudowana porównywarka produktów. Dla Klienta Premium większą wartość może mieć prosty wybór pakietu usług dodatkowych.

Zamiast projektować sklep dla „przeciętnego użytkownika”, można projektować konkretne rozwiązania dla rozpoznanych sposobów podejmowania decyzji.

2. Personalizować komunikację marketingową

Różne grupy klientów reagują na inne argumenty.

Komunikat „najniższa cena” może być skuteczny dla klientów wrażliwych cenowo, ale niekoniecznie dla klientów premium. Dla nich lepszym argumentem może być jakość, wygoda, gwarancja lub kompleksowa obsługa.

Persony umożliwiają dopasowanie:

• treści wiadomości,
• rodzaju promocji,
• momentu wysyłki,
• rekomendacji produktowych,
• kanału komunikacji,
• częstotliwości kontaktu.

3. Przewidywać zachowania klientów

Po zbudowaniu segmentów można rozwijać modele predykcyjne.

Mogą one określać między innymi:

• prawdopodobieństwo zakupu,
• ryzyko odejścia,
• skłonność do skorzystania z promocji,
• prawdopodobieństwo porzucenia koszyka,
• potencjalną wartość klienta,
• prawdopodobieństwo ponownego zakupu,
• kategorię kolejnego produktu,
• najlepszy moment kontaktu.

Segmentacja odpowiada na pytanie:

Jak zachowują się podobni klienci?

Model predykcyjny odpowiada natomiast:

Co najprawdopodobniej zrobi konkretny klient?

4. Wspierać działania sprzedażowe

Wiedza o personie może wpływać na sposób prezentowania oferty.

Klientowi porównującemu warto pomóc zrozumieć różnice pomiędzy produktami. Klientowi nastawionemu na wygodę można zaproponować dostawę, montaż lub rozszerzoną ochronę. Klientowi wrażliwemu cenowo można pokazać alternatywę w podobnym budżecie.

Dzięki temu sprzedaż nie polega wyłącznie na prezentacji produktu. Staje się dopasowaniem rozwiązania do sposobu podejmowania decyzji.

5. Rozwijać cross-selling i next best offer

Zakup urządzenia często tworzy możliwość zaoferowania produktów lub usług uzupełniających.

Nie każdy klient powinien jednak otrzymać tę samą rekomendację.

Na podstawie historii zachowań można określić:

• jakie produkty są często kupowane razem,
• które grupy klientów są zainteresowane usługami dodatkowymi,
• jaka oferta jest najlepiej dopasowana do danego segmentu,
• kiedy należy ją przedstawić,
• w jakim kanale klient najczęściej na nią reaguje.

W ten sposób persona może stać się częścią mechanizmu Next Best Offer lub Next Best Action.

6. Prowadzić skuteczniejsze działania retencyjne

Nie każdy klient zagrożony odejściem powinien otrzymać rabat.

Dla części klientów problemem może być cena. Dla innych brak odpowiedniej informacji, negatywne doświadczenie z dostawą, trudność w obsłudze sklepu lub niedopasowana komunikacja.

Połączenie persony z modelem ryzyka odejścia pozwala wybrać właściwą reakcję.

Może to być:

• oferta specjalna,
• przypomnienie,
• kontakt konsultanta,
• poradnik,
• rekomendacja,
• pomoc w wyborze,
• usprawnienie obsługi problemu,
• zaproszenie do programu lojalnościowego.

Retencja staje się wtedy działaniem dopasowanym do przyczyny, a nie masową kampanią rabatową.

Od person statycznych do person dynamicznych

Tradycyjna persona powstaje raz, trafia do prezentacji lub na plakat i często przez kilka lat pozostaje niezmieniona.

Tymczasem zachowania klientów się zmieniają.

Klient, który wcześniej kierował się głównie ceną, może z czasem zacząć wybierać wygodę. Nowy klient może stać się klientem lojalnym. Osoba dokonująca pojedynczego zakupu może rozpocząć wyposażanie całego mieszkania.

Dlatego persony oparte na danych powinny być regularnie aktualizowane.

W bardziej dojrzałym modelu klient może być przypisywany do segmentu automatycznie na podstawie najnowszych zachowań. Organizacja obserwuje wtedy nie tylko liczbę klientów w poszczególnych grupach, ale również przechodzenie pomiędzy segmentami.

To pozwala zadawać nowe pytania:

• Ilu klientów rozwija relację z marką?
• Ilu przechodzi do segmentu o wyższej wartości?
• Które doświadczenia zwiększają lojalność?
• Po jakich zdarzeniach rośnie ryzyko odejścia?
• Jakie działania najczęściej prowadzą do kolejnego zakupu?

Persona nie jest już statycznym opisem. Staje się częścią systemu zarządzania doświadczeniami klientów.

Rola sztucznej inteligencji w tworzeniu person

Generatywna sztuczna inteligencja może wspierać interpretację wyników, ale nie powinna zastępować analizy danych.

Model językowy może pomóc:

• podsumować charakterystykę segmentu,
• zaproponować nazwę persony,
• uporządkować potrzeby i bariery,
• przygotować przykładowe komunikaty,
• stworzyć scenariusze Customer Journey,
• opracować hipotezy działań marketingowych,
• przygotować warianty ofert,
• zasymulować reakcje na określone doświadczenia.

AI nie powinno jednak samodzielnie wymyślać person bez dostępu do wiarygodnych danych.

Najlepszy rezultat daje połączenie:

• modeli analitycznych,
• danych behawioralnych,
• wiedzy eksperckiej,
• badań jakościowych,
• generatywnej AI.

Algorytmy pomagają rozpoznać wzorce. Ludzie nadają im znaczenie. Sztuczna inteligencja pomaga szybciej przełożyć wiedzę na komunikację i działania.

Najważniejsze wyzwania projektu

Budowa person z Data Science nie polega wyłącznie na uruchomieniu modelu klasteryzacji.

Największe wyzwania dotyczą zazwyczaj pięciu obszarów.

Jakość danych

Niepełne, niespójne lub zdublowane rekordy mogą prowadzić do błędnych wniosków.

Dobór zmiennych

Algorytm zauważa jedynie to, co zostanie opisane w danych. Źle dobrane zmienne mogą stworzyć segmenty poprawne matematycznie, ale pozbawione wartości biznesowej.

Interpretacja

Segment nie staje się automatycznie personą. Potrzebna jest umiejętność połączenia analityki z wiedzą o kliencie.

Operacjonalizacja

Persona musi być możliwa do rozpoznania w systemach i wykorzystania w procesach marketingowych, sprzedażowych lub produktowych.

Wdrożenie organizacyjne

Nawet najlepszy model nie przyniesie efektu, jeśli pracownicy nie rozumieją, jak korzystać z jego wyników.

Dlatego projekt łączy strategiczne i kreatywne umiejętności z kompetencjami analitycznymi, technologicznymi i badawczymi.

Co zmienił projekt dla e-sklepu?

Najważniejszym efektem analizy było stworzenie podstaw do bardziej precyzyjnego rozumienia klientów sklepu internetowego.

Zamiast opisywać klientów wyłącznie przez pryzmat podstawowych cech lub pojedynczych zakupów, mogliśmy spojrzeć na:

• sposób podejmowania decyzji,
• poziom zaangażowania,
• relację z ceną i promocjami,
• wartość klienta,
• skłonność do powrotu,
• ryzyko utraty relacji,
• reakcje na działania sklepu.

Powstałe segmenty i persony mogą wspierać między innymi:

• rozwój komunikacji,
• personalizację ofert,
• rekomendacje produktowe,
• planowanie działań retencyjnych,
• optymalizację Customer Journey,
• projektowanie nowych funkcji sklepu,
• rozwój modeli predykcyjnych.

Ze względu na poufny charakter projektu nie prezentujemy szczegółowych danych, parametrów modeli ani wyników poszczególnych segmentów. Pokazujemy natomiast metodykę, która pozwala przejść od rozproszonych danych do wiedzy możliwej do zastosowania w biznesie.

Persona nie jest celem. Jest narzędziem podejmowania decyzji

Największym błędem jest uznanie przygotowania person za koniec projektu.

Sama karta persony nie zwiększy sprzedaży, nie poprawi retencji i nie stworzy lepszego produktu.

Wartość pojawia się dopiero wtedy, gdy na podstawie person organizacja podejmuje inne decyzje:

• pokazuje klientowi bardziej trafną ofertę,
• upraszcza istotny dla niego etap zakupu,
• wybiera właściwy moment kontaktu,
• rozpoznaje ryzyko odejścia,
• rozwija potrzebną funkcję,
• zmienia sposób prezentowania produktu,
• usuwa barierę w Customer Journey.

Dlatego profesjonalna persona powinna odpowiadać nie tylko na pytanie:

Kim jest klient?

Powinna również pomagać odpowiedzieć:

Co powinniśmy zrobić inaczej?

Podsumowanie

Dane same w sobie są jedynie zapisem zdarzeń.

Algorytmy potrafią znaleźć w nich podobieństwa, zależności i powtarzające się wzorce. Nie zawsze potrafią jednak wyjaśnić ich znaczenie dla klienta i organizacji.

Z kolei klasyczne metody Customer Experience pomagają zrozumieć potrzeby, emocje i kontekst, ale bez danych mogą opierać się na zbyt małej liczbie obserwacji lub subiektywnych założeniach.

Największa wartość powstaje poprzez połączenie obu perspektyw.

W projekcie dla Ekspert AGD wykorzystaliśmy analizę danych do rozpoznania charakterystycznych zachowań klientów sklepu e-commerce, a następnie przełożyliśmy wyniki na segmenty i persony możliwe do wykorzystania w praktyce.

Dzięki temu persona nie była wymyśloną historią o kliencie.

Była interpretacją rzeczywistych zachowań.

A to zmienia jej rolę: z materiału warsztatowego w narzędzie wspierające rozwój produktów, sprzedaż, marketing, personalizację i retencję.

Profesjonalne persony łączą dane z kontekstem, analitykę z empatią oraz wiedzę o klientach z decyzjami biznesowymi.