Wie breit Variationen in Data Driven Marketing nutzen
Sie werden auf Situationen führen, wo Ihre Daten Marketing Vertrieb getrieben immer weiter zu gehen scheint. Die Einkommensdaten ist wie folgt. Die überwiegende Mehrheit der Haushalte verfügen über ein Einkommen in einem ziemlich engen Bereich. Der Anteil der Haushalte, die weniger als eine Million Dollar für fast jeden. Egal, wie hoch Sie gehen, $ 10 Millionen, $ 100.000.000, sogar $ 500 Millionen, werden Sie noch nicht für jeden einzelnen Haushalt ausmachten.
Diese Situation ist allgemein als ein lange-tailed Verteilung. Diese Verteilungen machen Durchschnitte extrem irreführend. Der Grund dafür ist, dass die Daten Ausweg dort in der Verteilung trägt viel mehr zum Durchschnitt als Daten an der Unterseite.
Eine einfache Rechnung wird diesen Punkt zu illustrieren. Angenommen, Sie 100 Personen haben $ 50K und 1 Person, die $ 10.000.000 zu machen. Daraus ergibt sich eine Gesamtzahl von 15 Millionen US $. Das kommt zu einem durchschnittlichen Einkommen von knapp über $ 148.500. Das ist dreimal so viel wie jemand wirklich macht. Und diese falsche Darstellung wird durch einen Datenpunkt verursacht.
Ein long-tailed Verteilung ist ein Fall, in dem Daten zu ignorieren ist eine gute Idee. Bei Durchführung von Analysen auf diese Art von Distributionen, dann ist es in Ordnung, die extreme Datenpunkte zu werfen, die so genannte Ausreißer. Wenn Sie möchten, um sie nicht vollständig werfen, dann zumindest sie bei einer vernünftigen Level-Cap, so dass sie die Werke nicht matschig werden.
Sie werden feststellen, dass sehr breite Verteilungen auf Verhaltensdaten bei der Suche häufig auftreten können. Mit Blick auf einige Jahreskarte Daten für ein Entertainment-Unternehmen, verwendet einige Leute nur einmal den Pass ab. Die überwiegende Mehrheit verwendet es weniger als das Zehnfache, aber es gab übergibt, der weit über 200 mal verwendet.
In Situationen wie das, es ist unmöglich, die gesamte Verteilung in einer sinnvollen Art und Weise grafisch darzustellen. Wenn Sie Gruppe die Daten in weiten Bereichen, sehen Sie nicht die sinnvolle Veränderung an der Unterseite.
Die bessere Alternative ist, die Verteilung zu einem bestimmten ziemlich früh Wert zu begrenzen und ein erstellen eine Bar schaffen für # 147-alles andere # 148-.
Jetzt können Sie sehen, dass es am unteren Ende tatsächlich eine bimodale Verteilung ist. Viele Kunden nutzen ihren Pass nur einmal, und es gibt eine andere Spitze um fünf Anwendungen zentriert.
Die Blase auf der rechten Seite ist nicht wirklich eine Blase. Durch die Fortsetzung der gesamte Verteilung grafisch darzustellen, um es für mehrere Seiten weitergehen würde und keine Seite würde mehr als eine Handvoll Kunden auf ihr vertreten haben. Aber das ist nicht-wirklich-a-Blase gibt Ihnen ein Gefühl dafür, wie viele Kunden ihre Pässe viel verwenden.
Diese Verteilung deutet darauf hin, dass, wenn Sie dieses Entertainment-Unternehmen waren, zwei verschiedene Vermarktungsmöglichkeiten haben würde. Zunächst möchten Sie die Einweg-Kunden zu kommen zurück zu bekommen möchten. Sie müssten, warum nicht zurückkehren, werden diese Leute, um herauszufinden, und versuchen, diese Barrieren zu überwinden. Zweitens würden Sie möchten, dass Ihre Einnahmen aus der zweiten Gruppe zu maximieren.
Sie könnten dies tun, indem spezielle Veranstaltungen zu kommunizieren oder sie informiert zu halten, was neu ist. Die High-Einsatz Kunden wahrscheinlich nicht brauchen eine Menge zusätzlicher Datenbank-Marketing Aufmerksamkeit.
In diesem Beispiel haben Sie drei verschiedene Gruppen von Kunden identifiziert. Und Sie haben, dass nur eine Variable, indem Sie getan. Jetzt können Sie graben tiefer in die Daten über jede Gruppe getrennt und Marketing-Kampagnen entwickeln, um jeden ansprechen.
die Möglichkeit, Daten zu verstehen variiert bei Ihren Kunden oder im Laufe der Zeit hilft Ihnen, Marketing-Möglichkeiten zu identifizieren. Es ermöglicht Ihnen, Ihre Kunden zusammen auf sinnvolle Weise.