Como usar traços de clientes combinados em dados orientado de marketing
O poder de pesados de análise de dados em dados de marketing dirigidos realmente entra em jogo quando você começar a olhar para características múltiplas de uma só vez. Isto é conhecido como análise multivariada
Conteúdo
Como encontrar agrupamentos úteis de clientes em marketing orientado dados
Olhando através de múltiplos traços de clientes de uma só vez não é fácil. Por um lado, fica complicado rapidamente. E o número de clientes que compartilham várias características em comum se torna pequeno rapidamente.
Você pode ter um monte de clientes em seus 20 anos, um monte que têm filhos, um monte que são casados, e muito com rendimentos entre $ 40-50K. Mas se você procurar seu banco de dados para os clientes que têm todos dessas características, você vai ficar chocado com a forma como alguns que você encontrar.
Este é um problema universal para lidar com os dados do cliente, ou quase todos os dados para esse assunto. Quando você se concentrar em agrupar os clientes em conjunto com base nos valores de variáveis específicas, você acaba com um grande número de grupos muito pequenos.
Video: Updated SCP Mobile Task Force List
Em termos de marketing, que pretende identificar grupos ou segmentos, de clientes com um olho para as suas necessidades e preferências comuns. Dividindo seus clientes em grupos desta maneira é conhecida como segmentação. Porque seus segmentos estão focados nas necessidades dos clientes, eles não necessariamente precisam ser completamente uniforme. Os clientes em um segmento não precisa ser cortador de biscoitos cópias uns dos outros.
Porque segmentos de clientes são o resultado de algumas análises muito avançados, que muitas vezes não está claro como os segmentos são definidos. Ele pode de fato ser um processo bastante complicado para decidir qual segmento de um cliente pertence. Deixe isso para seus pais técnicos.
Concentre-se no que os segmentos realmente parecido. Em outras palavras, o foco em descrever esses grupos de clientes. O que eles têm em comum e como é que os grupos diferem um do outro?
Um segmento de clientes que é comum a quase todas as empresas é o cliente de alta afinidade. Estes são os clientes que são muito fiéis à sua marca. Este segmento de alta afinidade é identificado através da análise de dados de compras anteriores. Mas este segmento é geralmente longe de ser uniforme em relação à idade, o estádio de vida, e outros dados demográficos. O público de alta afinidade para brinquedos infantis inclui ambos os pais e avós, por exemplo.
Como fazer previsões em marketing de dados impulsionada
Finalmente você quer saber quem é susceptível de responder a uma determinada campanha de marketing. Muitas técnicas estatísticas podem ajudá-lo com esse objetivo. Mais uma vez, estas técnicas requerem algum conhecimento prévio de análise de dados, que deve ser deixada para o seu geek. Mas algumas coisas são dignos de nota.
Uma previsão estatisticamente derivados é conhecido como um profético modelo. Em termos de marketing de banco de dados, tais modelos são geralmente usados para prever as respostas a uma campanha e, portanto, são chamados modelos de resposta. Para desenvolver tal modelo, você precisa ter os dados de resposta de campanhas anteriores.
É muitas vezes não é óbvio por que ou como o modelo está fazendo sua previsão. Este mistério é típico de modelos preditivos.
Video: Sinais de Pontuação - PROFESSOR LEO
Em algum momento de sua vida você provavelmente já recebeu uma carta de sua empresa de cartão de crédito dizendo que sua taxa de juros subiu ou que você precisa para começar a pagar uma taxa anual. Estas cartas podem ser irritantes.
É aquela frase que diz: “Esta ação pode ser devido a um dos seguintes” Em seguida, ele passa a listar um monte de coisas como pagamentos em atraso ou saldos elevados, muitos ou todos dos quais não se aplicam a você.
Video: Пол Кемп-Робертсон: Биткойн. Пот. Tide. Будущее за валютой брендов
O que está acontecendo aqui é que a empresa de cartão de crédito é exigido para lhe dizer não só que eles estão a tomar “ação adversa”, mas porquê. O problema é que a verdadeira razão que eles estão tomando ação adversa é devido a um modelo estatístico, como uma pontuação de crédito. E não é fácil de resolver exatamente porque tais pontuação de um modelo passou cima ou para baixo.
Você pode certamente entender quais variáveis do modelo está usando. Normalmente você pode entender quais são as mais importantes. Mas uma vez que tudo é jogado juntos, é melhor deixar apenas o modelo de dizer o que pensa.