Video: Sertab Erener - Emre Yücelen İle Stüdyo Sohbetleri #10 2024
Så hur vet du att kunden du riktade mot med hjälp av prediktiv analys inte skulle ha köpt? För att klargöra denna fråga kan du ändra det på ett par olika sätt:
-
Hur vet du att kunden inte skulle ha köpt, även om hon inte fick marknadsföringskontakten från dig?
-
Hur vet du att det du skickade till kunden påverkat henne att göra inköpet?
Vissa modeller berättar att problemen med svarmodellering är följande:
-
Du tar en delmängd av dina kunder som du förutspådde kommer att ha något intresse för produkten eller tjänsten redan.
-
Du slösar bort marknadsandelar på kunder som inte behöver extra inflytande att konvertera.
-
Du kan minska dina nettomarginaler eftersom rabatterna du använder för att locka kunden att köpa kan vara onödiga.
-
Du kan minska din kundtillfredsställelse eftersom vissa kunder inte vill kontaktas (ständigt).
-
Du tar felaktigt hänsyn till svaret i din utvärdering av modellen.
uppgraderingsmodellering , även kallad True Lift Modeling och Net Modeling , syftar till att svara på den kritiken genom att förutsäga vilka kunder som bara konvertera om kontaktas.
Uppladdningsmodellering fungerar genom att separera kunderna i fyra grupper:
-
Persuadables: Kunder som kan övertalas att köpa - men kommer bara att köpa om de kontaktas.
-
Sure Things: Kunder som köper, oavsett kontakt.
-
Förlorade orsaker: Kunder som inte köper, oavsett kontakt.
-
Förstår inte: Kunder som du inte borde kontakta. Att kontakta dem kan ge ett negativt svar som att provocera dem att avbryta en prenumeration, returnera en produkt eller begära en prisjustering.
Upplösenmodellering riktar sig bara till Persuadables. Det låter lovande, men en upplyftningsmodell har visat sig mycket svårare att skapa än en svarmodell. Det är därför:
-
Det kräver generellt en större samplingsstorlek än för svarmodellering, eftersom den har segmenterat provet i fyra grupper och använder endast gruppen Persuadables. Det måste sedan delas upp för att mäta modellens effektivitet.
Denna grupp kommer eventuellt att vara mycket mindre än målstorleken för svarmodellering. Med en mindre målstorlek och komplexitet kan dock driftsansträngningen och kostnaden inte motivera användningen över responsmodellering.
-
Det är svårt att segmentera kunderna helt och hållet i de fyra olika grupperna, precis som det är svårt att mäta segmentets noggrannhet.
-
Det är svårt att mäta framgången för en sådan modell eftersom det försöker mäta förändring i kundens beteende, inte konkreta åtgärder om kunden köpte efter att ha fått kontakt.
För att noggrant mäta en kunds beteende skulle du (i praktiken) klona henne och dela upp de identiska klonerna i grupper. Den första (behandlade gruppen) skulle få den andra (kontrollgruppen) skulle inte. Att lägga undan sådana sci-fi-scenarier måste du göra några medgivanden till verkligheten och använda några alternativa (svårare) metoder för att få en användbar uppskattning av modellens framgång.
Även med dessa svårigheter hävdar vissa modeller att uppladdningsmodellering ger sann marknadsföringseffekt. De anser att det är mer effektivt än responsmodellering, eftersom det inte innehåller de säkra sakerna i inriktningen (som artificiellt blåser upp svarsfrekvenserna). Därför känner de upplyftningsmodellering valet för målmarknadsföring med hjälp av predictive analytics.
Upplyftningsmodellering är fortfarande en relativt ny teknik inom målmarknadsföring. Fler företag börjar använda det och har funnit framgång genom att använda dem i sina kundbevarande, marknadsföringskampanjer och till och med presidentkampanjer.
Vissa pundits krediterar upplyftningsmodellering för president Obamas presidentvalskampanj 2012. Kampanjens dataanalyser använde upplösenmodellering till starkt riktade väljare som mest sannolikt påverkades av kontakt. De använde personliga meddelanden via flera kontaktgrupper: sociala medier, tv, direktpost och telefon. De koncentrerade sina ansträngningar för att övertala gruppen av Persuadables. De satsade kraftigt i denna strategi; tydligen betalade det sig.
