Wie für Beziehungen in Ihren Daten driven-Marketing-Look

Die Kundendaten werden in datengesteuerten Marketing miteinander verknüpft. Es mag auf den ersten Blick scheinen, dass Alter und Einkommen sind zwei völlig unterschiedliche Aspekte eines Kunden. Aber eine Beziehung entsteht, wenn Sie in Ihrer Datenbank als Ganzes betrachten. Sie werden feststellen, dass, da die Kunden Alter, ihre Einkommen sind in der Regel auch zu gehen.

Diese Tendenz für zwei Züge eine gemeinsame Tendenz zu teilen ist bekannt als Korrelation. Solche Tendenzen können stark oder schwach oder gar nicht vorhanden sein. Volks Höhen sehr stark mit ihrer Mütter korreliert werden könnten. Aber sie sind wahrscheinlich nicht ganz so stark korreliert mit ihrer Urgroßmütter ". Sie haben wahrscheinlich gar nichts mit welchem ​​Tag des Jahres zu tun, sie sind von Geburt an.

Diese Tendenzen können auch positiv oder negativ sein. Volksgesamtverschuldung neigt, wenn sie älter zu gehen und Hypotheken und andere Darlehen auszahlen. Dies ist ein Beispiel für eine negative Korrelation.

Ursache und Wirkung in Daten getrieben Marketing

Die Existenz einer statistischen Tendenz nicht, von selbst, bedeuten, dass eine Sache in irgendeiner Weise eine andere verursacht. Es besteht eine Korrelation zwischen der Anzahl von Feuerzeugen, die eine Person und ihr Risiko für Lungenkrebs kauft. Aber es ist die Zigaretten sie auch kaufen, nicht die Feuerzeuge, dass diese Tendenz erklärt. Die Verbindung zwischen Feuerzeuge und Lungenkrebs als bekannt Scheinkorrelation.

Es war ein Marketing-Programm in einer Bank, die entworfen wurde, Einlagen in CD-Konten zu erhöhen. Die Marketing-Team der Bank damit begonnen, die Ergebnisse dieses Programms zu analysieren, nachdem es auf dem Markt für eine Weile gewesen. Zunächst stellten sie fest, dass die Anzahl der CDs seit dem Programm verkauft war in Markt deutlich gesprungen war. Tolle Neuigkeiten! Die Kampagne arbeitete.

Aber als sie versuchten, den Gewinn zu berechnen, die von dieser wundervollen Kampagne erzeugt worden war, lief sie zu einem Problem. Trotz der Tatsache, dass sie alle diese neuen Konten wurden geöffnet wird, die Gesamtdollarvolumen sich nicht viel verändert hatte.

um ein wenig Nach dem Graben, entdeckten sie, dass hatte die CD-Kampagne, das Filialnetz um ein Incentive-Programm an Ort und Stelle für Sager setzen zu unterstützen. Dieses Programm, das nicht überraschend, belohnte sie für CD-Konten zu öffnen. Aber die Belohnungen wurden auf der Anzahl der Konten basieren sie geöffnet.

Das Team ging zurück durch die Daten und sah zu den Kunden, die neue CD-Konten zu öffnen waren. Es stellt sich heraus, dass dies überhaupt nicht Neugeschäft. Vielmehr war das Volumen auslaufender CDs durch, die über in neue Konten gerollt wurden. Die Sager rollten sie einfach über in mehrere neue Konten. A $ 20.000 CD wurde in vier $ 5.000 Konten überrollt.

Ihre anfängliche Begeisterung über den Erfolg unserer Marketing-Programm erwies sich als unbegründet. Sie hatten die falsche Korrelation zwischen unserer Marketing-Kampagne und die neuen Konten für Ursache und Wirkung verwechselt. Die eigentliche Ursache war der Kassierer-Incentive-Programm.

Sie müssen sich über zuschreibt Ursache und Wirkung zu Korrelationen vorsichtig sein. Dies gilt insbesondere, wenn Sie den Erfolg Ihrer Marketing-Kampagnen sind zu bewerten. Der beste Weg, dies zu tun ist Ihre Marketing-Kampagnen auf die gleiche Art und Weise zu gestalten, dass wissenschaftliche Experimente konzipiert sind.

Unechte Korrelationen in Daten getrieben Marketing nützlich sein

Unechte oder nicht, können Sie die Vorteile der statistischen Tendenzen nehmen Sie die Kraft Ihrer Marketing-Datenbank zu verbessern. Sie werden in Situationen führen, wo Sie wissen oder vermuten, dass ein bestimmter Kunde Charakterzug zum Verständnis des Kundenverhaltens im Mittelpunkt steht. Das Problem ist, dass Sie nicht diese Eigenschaft in Ihrer Datenbank führen.

Hier ist, wo Korrelationen kommen in. Sie können sehr gut haben eine Variable in der Datenbank, die ist korreliert mit dem Merkmal Sie interessiert sind, eine so genannte Proxy-Variable. Umfrageforschung deckt oft diese Art von Korrelationen. Es gibt auch eine große demografische Forschung in der Öffentlichkeit - Volkszählungsdaten, zum Beispiel -, die Verbindungen zwischen den Variablen analysiert.

eine Variable mit einem anderen, korrelierte Variable durch Ersetzen - genannt Stellvertreter Variable - Sie im Wesentlichen die Verwendung von Informationen machen können, die Sie nicht wirklich haben. Der Proxy-Variable wird sicherlich nicht die gleiche sein, wie eigentlich die Informationen, die Sie wollen. Aber einen Proxy-Variable zu finden, die mit dem Merkmal stark korreliert ist der Sie interessiert ist die nächste beste Sache.

In der leichteren Vergleich Zigarette Beispiel ist es klar, dass, indem sie auf den Verkauf von Feuerzeuge Lungenkrebsrate zu reduzieren versuchen, fehlgeleitet ist. Die Feuerzeuge sind nicht die Ursache des Problems. Aber wenn alles, was Sie wollen, ist identifizieren Menschen, die mit einem Risiko von Lungenkrebs sind, dann leichter Käufe würde eine vernünftige Proxy machen.