Como olhar para relacionamentos em seus dados Driven Marketing

dados dos clientes são inter-relacionados de dados marketing orientado. Pode parecer à primeira vista que idade e renda representam dois aspectos completamente diferentes de um cliente. Mas um relacionamento surge quando você olha através de seu banco de dados como um todo. Você verá que os clientes idade, seus rendimentos tendem a subir também.

Esta tendência para dois traços para compartilhar uma tendência comum é conhecido como correlação. Tais tendências pode ser forte ou fraco ou inexistente. alturas das pessoas pode ser muito fortemente correlacionada com suas mães ". Mas eles provavelmente não são tão fortemente correlacionada com os seus bisavós. Eles provavelmente têm absolutamente nada a ver com o dia do ano em que nasceram por diante.

Estas tendências também podem ser positivo ou negativo. dívida total das pessoas tende a ir para baixo à medida que envelhecem e pagar hipotecas e outros empréstimos. Este é um exemplo de um correlação negativa.

Causa e efeito em marketing orientados a dados

A existência de uma tendência estatisticamente não assegura, por si, implica que uma coisa, de qualquer maneira faz com que outro. Existe uma correlação entre o número de isqueiros que uma pessoa compra e seu risco de câncer de pulmão. Mas são os cigarros eles também comprar, e não os isqueiros, que explica essa tendência. A ligação entre os isqueiros e o cancro do pulmão é conhecido como um correlação espúria.

Houve um programa de marketing em um banco que foi projetado para aumentar depósitos em contas de CD. equipe de marketing do banco começou a analisar os resultados desse programa depois de ter sido no mercado por um tempo. Inicialmente, eles notaram que o número de CDs vendidos desde que o programa estava no mercado tinha saltado significativamente. Ótimas notícias! A campanha foi trabalhar.

Mas quando eles tentaram calcular o lucro que tinha sido gerado por esta maravilhosa campanha, se depararam com um problema. Apesar do fato de que eles estavam abrindo todas estas novas contas, o volume global do dólar não tinha mudado muito.

Depois de cavar um pouco, eles descobriram que, a fim de apoiar a campanha CD, a rede de agências tinha colocado um programa de incentivo em vigor para escrutinadores. Este programa, não surpreendentemente, recompensou-os para abertura de contas de CD. Mas as recompensas foram com base no número de contas que abriu.

A equipe voltou através dos dados e olhou para os clientes que foram abertura de novas contas de CD. Acontece que este não era novo negócio em tudo. Em vez disso, o volume foi devido a CDs que expiram que estavam sendo rolada em novas contas. Os escrutinadores foram simplesmente rolando-os sobre em várias novas contas. Um CD $ 20.000 estava sendo rolou em quatro $ 5.000 contas.

A excitação inicial sobre o sucesso do nosso programa de marketing acabou por ser injustificada. Eles haviam confundido a correlação espúria entre a nossa campanha de marketing e as novas contas para causa e efeito. A causa real foi o programa de caixa de incentivo.

Você precisa ser cuidadoso sobre a atribuição de causa e efeito para correlações. Isto é especialmente verdadeiro quando você está avaliando o sucesso de suas campanhas de marketing. A melhor maneira de fazer isso é criar suas campanhas de marketing da mesma forma que os experimentos científicos são projetados.

correlações espúrias pode ser útil em marketing orientado dados

Espúrio ou não, você pode tirar vantagem das tendências estatísticos para aumentar o poder de seu banco de dados de marketing. Você vai correr em situações onde você sabe ou suspeita que um determinado traço do cliente é fundamental para compreender o comportamento do cliente. O problema é que você não levar essa característica em seu banco de dados.

Aqui é onde correlações entre. Você pode muito bem ter uma variável no seu banco de dados que é correlacionada com a característica que está interessado, chamada de variável proxy. pesquisa de opinião muitas vezes descobre esses tipos de correlações. Há também uma grande quantidade de pesquisas demográficas no domínio público - dados do censo, por exemplo - que analisa as conexões entre as variáveis.

Ao substituir uma variável com uma variável diferente, correlacionado - chamada procuração variável - você pode essencialmente fazer uso de informação que você realmente não tem. A variável do proxy certamente não será o mesmo que, na verdade, ter a informação que deseja. Mas encontrar uma variável proxy que está altamente correlacionada com a característica que nos interessa é a próxima melhor coisa.

No mais leve em relação exemplo cigarro, é claro que a tentativa de reduzir as taxas de câncer de pulmão, visando a venda de isqueiros é equivocada. Os isqueiros não são a fonte do problema. Mas se tudo que você quer é identificar as pessoas que estão em risco de câncer de pulmão, em seguida, compras mais leves faria um proxy razoável.