Klienci stanowią bardzo zróżnicowane grupy o odmiennych potrzebach i zwyczajach. Niektóre kryteria podziału są proste i stosowane w marketingu od dawna. Przykładowo, dzieli się klientów ze względu na płeć i wiek. Takie proste podziały są jednak często niewystarczające w kontekście celów biznesowych. Im więcej wiadomo o konsumentach, im więcej informacji na ich temat gromadzą przedsiębiorstwa, tym bardziej wyrafinowane i dokładne kryteria tworzenia segmentów można stosować.
Wraz z rosnącą liczbą zmiennych jakie trzeba brać pod uwagę rośnie pracochłonność i poziom skomplikowania procesu segmentacji. Problemy te mogą być jednak rozwiązane przy pomocy metod machine learning. Algorytmy klastrujące, mogą analizować klientów pod kątem dziesiątek a nawet setek cech i wyróżnić naturalne segmenty (skupienia).
Segmentacja tego rodzaju może mieć charakter behawioralny, czyli uwzględniać przede wszystkim zachowania klientów (tak zakupowe, jak i inne rejestrowane przez firmę). Dzięki temu możliwe jest uzyskanie bardziej klarownych i biznesowo użytecznych segmentów w porównaniu z prostą segmentacją, opartą o demografię, stosowaną wciąż w wielu organizacjach. Zrozumienie cech charakteryzujących klientów należących do poszczególnych segmentów behawioralnych, pomaga zarówno w podejmowaniu strategicznych decyzji jak i odpowiednim różnicowaniu oferty i komunikacji marketingowej, która dzięki temu może być bardziej adekwatna i skuteczna.
Ogromną zaletą rozwiązań opartych o analizę danych i uczenie maszynowe jest skalowalność i możliwość ich zastosowania nawet dla bardzo dużych baz klientów (idących w miliony). Dzięki temu możliwe jest przypisanie każdego znanego firmie klienta, do odpowiedniego segmentu behawioralnego. Na tej podstawie można podejmować działania odpowiednio dostosowane do profilu segmentu.
