Wie Verwenden von gemeinsamen Kunden Traits in Data Driven-Marketing
Die Starkstrom der Datenanalyse in datengesteuerten Marketing kommt wirklich ins Spiel, wenn man auf einmal Blick auf mehrere Züge beginnen. Dies ist bekannt als multivariate Analyse
Menu
Wie nützlich Gruppen von Kunden in datengesteuerten Marketing zu finden
Blick auf mehrere Kunden Züge auf einmal ist nicht einfach. Für eine Sache, wird es schnell kompliziert. Und die Zahl der Kunden, die mehrere Merkmale gemeinsam haben wird schnell klein.
Sie können eine Menge von Kunden in ihren 20ern haben, eine Menge, die Kinder haben, eine Menge, die verheiratet sind, und eine Menge mit einem Einkommen zwischen $ 40-50K. Aber wenn Sie Ihre Datenbank für die Kunden suchen, die haben alle dieser Züge, werden Sie an schockiert, wie wenig Sie.
Dies ist ein allgemeines Problem mit Kundendaten im Umgang oder fast aller Daten für diese Angelegenheit. Wenn Sie konzentrieren sich auf Kunden zusammen, basierend auf den Werten von bestimmten Variablen Gruppierung, beenden Sie mit einer großen Anzahl von sehr kleinen Gruppen auf.
Im Marketing wollen Sie Gruppen zu identifizieren, oder Segmente, der Kunden mit einem Auge in Richtung ihrer gemeinsamen Bedürfnisse und Vorlieben. Die Aufteilung Ihrer Kunden in Gruppen auf diese Weise ist bekannt als Segmentierung. Weil Ihre Segmente auf die Kundenbedürfnisse ausgerichtet sind, sie müssen nicht notwendigerweise vollständig einheitlich. Die Kunden in einem Segment brauchen nicht Ausstecher Kopien voneinander zu sein.
Da Kundensegmente das Ergebnis von ein paar ziemlich fortschrittliche Analytik sind, ist es oft nicht klar, wie die Segmente definiert sind. Es kann in der Tat ein ziemlich komplizierter Prozess sein, um zu entscheiden, welches Segment ein Kunde gehört in. Lassen Sie diese auf Ihre technischen Leute.
Konzentrieren Sie sich stattdessen auf, was die Segmente tatsächlich aussehen. Mit anderen Worten, konzentrieren sich diese Kundengruppen auf die Beschreibung. Was haben sie gemeinsam und wie unterscheiden sich die Gruppen voneinander?
Ein Kundensegment, die auf fast allen Unternehmen üblich ist, ist die hochaffine Kunden. Dies sind Kunden, die sehr loyal sind, um Ihre Marke. Dieses hochaffine Segment wird durch die Analyse der Vergangenheit Kaufdaten identifiziert. Aber dieses Segment ist in der Regel bei weitem nicht einheitlich in Bezug auf Alter, Lebensphase und andere demographische Daten. Die hochaffinen Publikum für Kinderspielzeug umfasst sowohl die Eltern und Großeltern, zum Beispiel.
Wie ein um in Daten getrieben Marketing machen
Schließlich wollen Sie wissen, wer wahrscheinlich auf eine bestimmte Marketing-Kampagne zu reagieren ist. Viele statistische Techniken können Sie mit diesem Ziel helfen. Wiederum erfordern diese Techniken etwas Vorwissen der Datenanalyse, die zu Ihren Aussenseiter überlassen werden sollte. Aber ein paar Dinge sind bemerkenswert.
Eine statistisch abgeleitete Vorhersage wird als bekannt Predictive Modell-. In Datenbank-Marketing, sind solche Modelle in der Regel verwendet, Antworten auf eine Kampagne zur Vorhersage und sind daher aufgerufen Antwortmodelle. Für die Entwicklung eines solchen Modells, müssen Sie Antwortdaten aus früheren Kampagnen zu haben.
Häufig ist es nicht ersichtlich, warum oder wie das Modell seine Vorhersage macht. Diese Rätselhaftigkeit ist typisch für Vorhersagemodelle.
An einem gewissen Punkt in Ihrem Leben haben Sie wahrscheinlich einen Brief von Ihrem Kreditkartenunternehmen hat sage Ihnen, dass Ihr Zinssatz gestiegen ist, oder Sie brauchen, um eine jährliche Gebühr zu bezahlen. Diese Briefe können lästig sein.
Es ist dieser Satz, der sagt, # 147-Aktion kann aufgrund einer der folgenden sein # 148- Es dann auf ein paar Dinge wie verspätete Zahlungen oder hohe Salden zur Liste geht, viele oder alle davon gelten nicht für Sie.
Was ist hier los ist, dass die Kreditkarten-Unternehmen Sie ist nicht erforderlich, nur zu sagen, dass sie einnehmen # 147-negativen Wirkung, # 148- aber warum. Das Problem ist, dass der wahre Grund, warum sie schädliche Maßnahmen ergreifen, um ein statistisches Modell zurückzuführen ist, wie ein Kredit-Score. Und es ist nicht einfach, genau zu klären, warum ein solches Modell Partitur ging nach oben oder unten.
Sie können sicher verstehen, welche Variablen das Modell ist. Sie können in der Regel, welche am wichtigsten sind zu verstehen. Aber wenn alles zusammen geworfen wird, dann ist es am besten, nur das Modell können Sie sagen, was sie denkt.