Chapter: Prediktiv analys i Klaviyo · 17:28
Prediktiv analys i Klaviyo: Använda beteendedata för att välja rätt tidpunkt och riktade e-postutskick
Klaviyos prediktiva analys genererar fyra poäng per kontakt – förväntat beställningsdatum, kundens livstidsvärde, risken för kundbortfall och tiden mellan beställningar – som marknadsförare som arbetar med kundbehållning använder för att avgöra vem som ska få vilket e-postmeddelande och exakt när. Modellerna uppdateras kontinuerligt i takt med att kundernas beteende förändras, vilket förvandlar en statisk kontaktlista till en dynamisk översikt över avsikter och risker. För varumärken som skickar livscykelbaserade e-postmeddelanden i stor skala är dessa poäng skillnaden mellan att gissa på frekvensen och att agera utifrån signaler.
En lingvists syn på varför prediktiva modeller är viktiga
Anna Sophie Christensen, chef för e-postmarknadsföring och kundlojalitet på FABO samt Klaviyo-ambassadör, spårar sitt analytiska sinne tillbaka till spanska verbkonjugationer. ”Man har ett verb och kan böja det på tusen olika sätt beroende på vilken mening det ingår i”, förklarar hon. Reglerna och dynamiken i den komplexiteten fascinerade henne verkligen, och hon ser den fascinationen som utgångspunkten för det analytiska tankesättet som hon nu tillämpar inom e-postmarknadsföring.
Denna synvinkel är viktig eftersom Klaviyos verktyg för prediktiv analys i grunden handlar om regler och dynamik. Plattformens maskininlärning uppskattar varje kontakts nästa beställningsdatum, framtida intäktsbidrag och sannolikheten för att kunden ska lämna tjänsten. Dessa förutsägelser har samma strukturella form som Anna Sophie fann övertygande i spanska: Kontextberoende, skiktade och endast användbara om man förstår vad modellen faktiskt gör.
Hennes utbildningsbakgrund omfattar en kandidat- och en masterexamen med inriktning på både företagsansvar (CSR) och företagskommunikation, inklusive tekniskt arbete med att bygga upp en kursplattform. Det är just denna kombination av analytisk noggrannhet, kommunikationsskicklighet och teknisk kompetens som gör att hennes syn på Klaviyos prediktiva funktioner är djupgående snarare än ytlig.
Vad Klaviyos prediktiva analys egentligen bygger på
Klaviyo’s predictive analytics genererar fyra nyckeltal för varje kontakt, vilka alla uppdateras dynamiskt i takt med att kundens beteende förändras:
- Förväntat beställningsdatum: En uppskattning av när en kund troligtvis kommer att göra sitt nästa köp, baserad på tidigare köpfrekvens och senaste signaler om engagemang.
- Kundens livstidsvärde (CLV): En framåtblickande uppskattning av de intäkter som en kund förväntas generera under hela kundrelationens livstid.
- Riskpoäng för kundbortfall: Sannolikheten för att en kund inte kommer att köpa något igen, beräknad utifrån beteendesignaler såsom avbrutna besök, minskat engagemang i e-postutskick och allt längre intervall mellan köp.
- Genomsnittlig tid mellan beställningar: Den förväntade intervallen mellan en kunds köp, som används för att fastställa rätt tidsfönster för påfyllningspåminnelser, återvinningskampanjer och e-postmeddelanden om lagerförberedelser.
Det som gör dessa poäng användbara i arbetet med att behålla kunder är att de flyttar fokus från frågan ”vem finns med på listan?” till ”i vilket skede befinner sig just den här kunden, och vad innebär det för vad vi ska skicka härnäst?”. Anna Sophies arbete på FABO handlar just om detta: Livscykelsteget som den styrande logiken, med prediktiva signaler som indata.
Prediktiv AI kontra generativ AI i Klaviyo
Klaviyo använder nu ”AI” som ett samlingsbegrepp för två mycket olika funktioner, och att blanda ihop dem leder till felaktiga utvärderingsfrågor.
Prediktiv AI (ämnet för den här artikeln) analyserar historiska data och beteendedata för att förutsäga ett specifikt utfall för en specifik kontakt: När denne kommer att beställa nästa gång, vilket värde denne kommer att ha över tid och hur stor sannolikheten är att denne kommer att lämna företaget. Systemet ger ett tal eller ett datum som resultat. Det genererar inte något som kunden kan läsa.
Generativ AI-teknik i Klaviyo (ämnesrader, utformning av e-posttexter, bildskapande med Image Remix) skapar nytt innehåll utifrån en uppmaning. Den känner inte till en specifik kontakts förväntade beställningsdatum eller avhoppningsrisk, såvida inte dessa uppgifter uttryckligen anges i uppmaningen.
De två har olika uppgifter. Prediktiva poäng avgör vem som ska få ett e-postmeddelande och när. Generativa verktyg hjälper till att utforma innehållet i det e-postmeddelandet. En process för att hantera risken för kundbortfall, som utlöses av en prediktiv poäng, kan använda generativ AI för att utforma texten för att vinna tillbaka kunden, men utlösningslogiken och textutformningen är separata system som löser olika problem. Team som utvärderar ”Klaviyo AI” bör fråga sig vilken av de två funktionerna en viss funktion faktiskt tillhandahåller, eftersom leverantörernas marknadsföring ofta betecknar båda som ”AI-driven” utan att skilja mellan dem.
Att bygga segment utifrån prediktiva poäng
Prediktiva poäng visar sitt värde först när de blir segment som flöden och kampanjer kan rikta in sig på. Klaviyo stöder prediktiva analysvärden som segmentvillkor, och fyra mönster står för den största delen av arbetet med att behålla kunder:
- Förväntas avhoppa. Filtrera fram kontakter vars riskpoäng för avhopp överstiger ett tröskelvärde och vars senaste beställning ligger utanför kontots genomsnittliga återbeställningsperiod. Detta segment matas in i ett kvarhållningsflöde innan kunden medvetet har beslutat sig för att lämna.
- Snart dags för en beställning. Filtrera efter förväntat datum för nästa beställning inom de kommande 3–7 dagarna. Användbart som en diskret påminnelse eller en uppmaning att fylla på lagret snarare än som en rabatt, eftersom modellen redan förväntar sig ett köp.
- Högt beräknat CLV, lågt engagemang. Genom att jämföra kundens livstidsvärde med e-postengagemanget kan man identifiera värdefulla kunder som gradvis tappar intresset – en grupp som är värd att prioritera framför breda återvinningskampanjer.
- Förseningar i förhållande till kundens egen rytm. Genom att jämföra tidsintervallet sedan senaste beställningen med kundens egen genomsnittliga tid mellan beställningar kan man upptäcka avvikelser i förhållande till kundens normala beteende.
Det praktiska upplägget: Prediktiva egenskaper blir segmentkriterier, tillhörighet till ett segment utlöser ett flöde och flödets meddelanden stämmer överens med anledningen till att kontakten kvalificerades. En kontakt som segmenterats utifrån avhoppningsrisk bör inte få samma meddelande som en kontakt som segmenterats utifrån förutsagt orderdatum. Genom att kombinera prediktiva egenskaper (till exempel hög CLV och stigande avhoppningsrisk) får man tydligare segment än vad någon enskild poäng ger.
Varför timing är den verkliga nyckeln
Vid massutskick av e-post behandlas en kund som inte varit aktiv på 12 månader på exakt samma sätt som en kund som gjorde ett köp igår. Prediktiv analys bryter detta mönster genom att anpassa tidpunkten efter det individuella beteendet istället för en gemensam kampanjkalender.
McKinsey’s 2021 research on personalization visade att 76 % av konsumenterna är mer benägna att handla från varumärken som använder sig av personalisering, och att företag som genomför personalisering i stor skala kan öka sina intäkter med 5 till 15 %. Detta gäller dock endast när valet av tidpunkt ingår i personaliseringen. Ett relevant e-postmeddelande som skickas vid fel tidpunkt i kundens köpprocess ger fortfarande sämre resultat.
Det förutsagda beställningsdatumet möjliggör det som står i centrum för Anna Sophies arbete på FABO: Flöden som aktiveras utifrån var varje kund befinner sig i sin köpcykel, snarare än var varumärket befinner sig i sin innehållskalender. En kund som förväntas köpa inom 48 timmar behöver kanske ingen marknadsföringspåminnelse alls. En kund vars risk för att lämna företaget har överskridit en betydande tröskel behöver något helt annat – och förmodligen något mer konkret än en rabatt.
Denna distinktion är viktig eftersom den förändrar innebörden av vad som kallas ett ”bra e-postmeddelande”. Valet av tidpunkt är lika mycket ett kreativt beslut som ett tekniskt. Anna Sophies analytiska instinkt – som hon har utvecklat genom år av arbete med system där sammanhanget avgör formen – gör att hon kan använda prediktiva resultat som underlag för den faktiska flödesdesignen, istället för att betrakta dem som ytliga mätvärden i en översiktspanel.
Avgångsrisk som indikator på kundlojalitet
Riskbedömningen av kundbortfall förändrar strategin för kundbehållning på ett avgörande sätt. Istället för att genomföra kvartalsvisa återvinningskampanjer riktade mot ett statiskt segment av ”tappade kunder” kan team som använder prediktiv analys agera tidigare – när modellen upptäcker avvikelser i beteendet innan kunden tekniskt sett har lämnat företaget.
Salesforce’s State of the Connected Customer (2023) visade att 88 % av kunderna anser att den upplevelse ett företag erbjuder är lika viktig som dess produkter. För kundbehållningsteam innebär detta en ny syn på återvinnande av kunder: Det handlar mer om relevans än om rabatter. Kunden tappade intresset eftersom något inte fungerade. Tidiga tecken på kundbortfall ger kundbehållningsteamen tillräckligt med tid för att faktiskt diagnostisera orsaken – istället för att erbjuda 10 % rabatt till någon som slutade bry sig för flera månader sedan.
Anna Sophies fokus på FABO när det gäller utlösningslogik, tidsplanering och livscykelstadier stämmer väl överens med detta: Små beslut om när ett flöde ska aktiveras och vad det ska innehålla ackumuleras med tiden. Prediktiva poäng utgör datagrunden för att fatta dessa beslut medvetet istället för automatiskt.
Beteendedata utöver e-postlistan
En av de viktigaste datakällorna för Klaviyos prediktiva modeller är beteendedata som täcker hela besöket: Vilka produkter en kund har tittat på, hur ofta hen återkommer och vad hen lägger i varukorgen utan att köpa. Enbart köphistoriken ger modellen en ofullständig bild. Mer detaljerade beteendesignaler gör prognoserna mer träffsäkra.
Det är här plattformsintegrationer spelar en avgörande roll i praktiken. Hello Retail vidarebefordrar beteendesignaler – produktvisningar, sökfrågor, interaktioner med rekommendationer – direkt till Klaviyo, vilket gör att prediktiva modeller får sammanhang på sessionsnivå som sträcker sig bortom datumet för den senaste beställningen. För butiker som använder båda plattformarna innebär det att de förutsagda beställningsdatumen och CLV-värdena baseras på mer omfattande data, vilket gör de livscykelbeslut som dessa värden ligger till grund för mer tillförlitliga.
Epsilon’s research on personalization visade att 80 % av konsumenterna är mer benägna att köpa när varumärken erbjuder personanpassade upplevelser. Denna typ av personalisering förutsätter att man har en fullständig bild av kundens beteende, inte bara transaktionshistoriken. Integrationslagret är det som gör denna kontext tillgänglig för de prediktiva modeller som styr flödena.
Instinkten bakom verktyget
Det som gör Anna Sophies synsätt värdefullt är att hon betraktar Klaviyos prediktiva funktioner som en praktiker som förstår varför modellen fungerar, inte bara hur man aktiverar den. Analogin med de spanska verben stämmer: Reglerna är intressanta eftersom de är kontextberoende. Ett förutsagt beställningsdatum är bara användbart om flödet bakom det tar hänsyn till vad den tidpunkten faktiskt signalerar om kunden. En riskpoäng för kundbortfall är bara användbar om det kvarhållningsflöde som den utlöser har något konkret att erbjuda.
Prediktiv analys i Klaviyo skapar förutsättningar för bättre e-post. Instinkten att utnyttja dessa förutsättningar på rätt sätt – att förstå vad modellen upptäcker och varför, samt att utforma flöden som svarar på den signalen på ett lämpligt sätt – är fortfarande marknadsförarens uppgift. Det är inom detta område som Anna Sophie arbetar, och det är anledningen till att hennes syn på dessa funktioner är värd att följa.
Se hela avsnittet av ”Conversations” med Anna Sophie Christensen: E-postmarknadsföring – mer än bara massutskick.


