Como usar traços de clientes combinada em marketing Data Driven

O poder de pesados ​​de análise de dados em dados de marketing dirigidos realmente entra em jogo quando você começar a olhar para características múltiplas de uma só vez. Isto é conhecido como análise multivariada

.

Como encontrar agrupamentos úteis de clientes em marketing orientado dados

Olhando através de múltiplos traços de clientes de uma só vez não é fácil. Por um lado, fica complicado rapidamente. E o número de clientes que compartilham várias características em comum se torna pequeno rapidamente.

Você pode ter um monte de clientes em seus 20 anos, um monte que têm filhos, um monte que são casados, e um lote com renda entre US $ 40-50K. Mas se você procurar seu banco de dados para os clientes que têm todos dessas características, você vai ficar chocado com a forma como alguns que você encontrar.

Este é um problema universal para lidar com os dados do cliente, ou quase todos os dados para esse assunto. Quando você se concentrar em agrupar os clientes em conjunto com base nos valores de variáveis ​​específicas, você acaba com um grande número de grupos muito pequenos.

Em termos de marketing, que pretende identificar grupos ou segmentos, dos clientes com um olho para as suas necessidades e preferências comuns. Dividindo seus clientes em grupos desta maneira é conhecida como segmentação. Porque seus segmentos estão focados nas necessidades dos clientes, eles não necessariamente precisam estar completamente uniforme. Os clientes em um segmento não precisa ser cortador de biscoito cópias uns dos outros.

Porque segmentos de clientes são o resultado de algumas análises muito avançados, que muitas vezes não está claro como os segmentos são definidos. Ele pode de fato ser um processo bastante complicado para decidir qual segmento o cliente pertence. Deixe isso para seus pais técnicos.

Concentre-se no que os segmentos realmente parecido. Em outras palavras, o foco em descrever esses grupos de clientes. O que eles têm em comum e como é que os grupos diferem um do outro?

Um segmento de clientes que é comum a quase todas as empresas é o cliente de alta afinidade. Estes são os clientes que são muito fiéis à sua marca. Este segmento de alta afinidade é identificado através da análise de dados de compra do passado. Mas este segmento é geralmente longe de ser uniforme no que diz respeito à idade, o estádio de vida, e outros dados demográficos. O público de alta afinidade para brinquedos infantis inclui ambos os pais e avós, por exemplo.

Como fazer previsões em marketing orientados a dados

Finalmente você quer saber quem é susceptível de responder a uma determinada campanha de marketing. Muitas técnicas estatísticas podem ajudá-lo com esse objetivo. Mais uma vez, estas técnicas requerem algum conhecimento prévio de análise de dados, que deve ser deixada para seu totó. Mas algumas coisas são dignos de nota.

Uma previsão estatisticamente derivados é conhecido como um profético modelo. Na comercialização de banco de dados, tais modelos são geralmente utilizados para prever as respostas a uma campanha e, portanto, são chamados modelos de resposta. Para desenvolver tal modelo, você precisa ter dados de resposta de campanhas anteriores.

É muitas vezes não é óbvio por que ou como o modelo está fazendo sua previsão. Este mistério é típico de modelos preditivos.

Em algum momento de sua vida você provavelmente já recebeu uma carta de sua empresa de cartão de crédito dizendo que sua taxa de juros subiu ou que você precisa para começar a pagar uma taxa anual. Estas cartas podem ser irritantes.

É aquela frase que diz: # 147 Esta ação pode ser devido a um dos seguintes # 148- Ele então passa a listar um monte de coisas como pagamentos em atraso ou saldos elevados, muitos ou todos dos quais não se aplicam a você.

O que está acontecendo aqui é que a empresa de cartão de crédito é exigido para lhe dizer não só que eles estão tomando # Ação 147 adversa, # 148- mas por que. O problema é que a verdadeira razão que eles estão a tomar medidas adverso é devido a um modelo estatístico, como uma pontuação de crédito. E não é fácil de resolver exatamente porque tais pontuação de um modelo fui para cima ou para baixo.

Você pode certamente entender quais variáveis ​​do modelo está usando. Geralmente, é possível entender quais são as mais importantes. Mas uma vez que tudo é jogado juntos, é melhor deixar apenas o modelo de dizer o que pensa.