Como usar Grandes variações de marketing Data Driven
Você vai correr em situações onde seus dados orientado distribuição de marketing parece continuar para sempre. dados de renda é assim. A grande maioria das famílias têm renda em um intervalo bastante estreito. O percentual de domicílios que ganham menos de um milhão de dólares é responsável por quase todos. Não importa o quão alto você vai, US $ 10 milhões, $ 100 milhões, até US $ 500 milhões, você ainda não ter sido responsável por cada agregado familiar.
Esta situação é comumente chamado de longo-atados distribuição. Estas distribuições fazem médias extremamente enganosa. A razão é que forma como os dados lá longe na distribuição contribui muito mais para a média do que os dados na parte inferior.
Um cálculo simples vai ilustrar este ponto. Suponha que você tem 100 pessoas fazendo $ 50K e uma pessoa que faz $ 10 milhões. Isto dá um total de $ 15 milhões. Que sai a uma renda média de pouco mais de US $ 148.500. Isso é três vezes mais do que ninguém realmente faz. E esta declaração falsa está sendo causado por um ponto de dados.
A distribuição de cauda longa é um exemplo onde a ignorar dados é uma boa idéia. Ao realizar a análise sobre esses tipos de distribuições, está tudo certo para jogar fora os pontos de dados extremos, chamada discrepantes. Se você não quer jogá-los completamente, em seguida, pelo menos, limitar-los em algum nível razoável para que eles não turvar as obras.
Você verá que muito largas distribuições surgem frequentemente em olhar para os dados comportamentais. Olhando para alguns dados passe anual para uma empresa de entretenimento, algumas pessoas usaram o passe apenas uma vez. A grande maioria usou menos de dez vezes, mas havia passes que foram usados mais de 200 vezes.
Em situações como essa, é impossível representar graficamente toda a distribuição de uma forma significativa. Se você agrupar os dados em intervalos de largura, você não vê a variação significativa na parte inferior.
A melhor alternativa é limitar a distribuição em algum valor bastante cedo e criar um criar uma barra de # 147-tudo # 148-.
Agora você pode ver que há realmente uma distribuição bi-modal na extremidade inferior. Muitos clientes usam seu passe apenas uma vez, e há um outro pico centrado em torno de cinco usos.
A bolha à direita não é realmente uma bolha. Ao continuar a representar graficamente para fora toda a distribuição seria continuar por várias páginas e nenhuma página teria mais do que um punhado de clientes representados nele. Mas esta não-muito-a-bolha dá-lhe uma sensação de quantos clientes estão usando seus passes muito.
Esta distribuição sugere que, se você fosse esta empresa de entretenimento, você tem duas oportunidades de marketing diferentes. Em primeiro lugar, você gostaria de obter os clientes de uso único para voltar. Você precisaria descobrir por que essas pessoas não estão retornando e tentar superar essas barreiras. Em segundo lugar, você quer maximizar suas receitas a partir do segundo grupo.
Você pode fazer isso por meio da comunicação de eventos especiais ou mantê-los informados do que é novo. Os clientes de alto uso provavelmente não precisa de muita atenção database marketing adicional.
Neste exemplo, você já identificou três grupos distintos de clientes. E você fez que, olhando para apenas uma variável. Agora você pode aprofundar os dados sobre cada grupo separadamente e desenvolver campanhas de marketing para abordar cada um.
Compreender como os dados varia entre os seus clientes ou ao longo do tempo ajuda a identificar oportunidades de marketing. Ele permite que você agrupe seus clientes em conjunto de maneira significativa.