Dasar-dasar Model Analisis Prediktif Uplift - dummies

Jadi, bagaimana Anda tahu bahwa pelanggan yang Anda targetkan menggunakan analisis prediktif tidak akan membeli? Untuk memperjelas pertanyaan ini, Anda dapat mengemukakannya kembali dengan beberapa cara yang berbeda:

• Bagaimana Anda tahu pelanggan tidak akan membeli bahkan jika dia tidak mendapatkan kontak pemasaran dari Anda?

• Bagaimana Anda tahu bahwa apa yang Anda kirim kepada pelanggan memengaruhinya untuk melakukan pembelian?

Beberapa pemodel mengklaim bahwa masalah dengan pemodelan respons adalah sebagai berikut:

• Anda mengambil sebagian dari pelanggan Anda yang telah Anda perkirakan akan memiliki ketertarikan pada produk atau layanan.

• Anda menyia-nyiakan dolar pemasaran untuk pelanggan yang tidak memerlukan pengaruh ekstra untuk berkonversi.

• Anda mungkin mengurangi marjin bersih Anda karena diskon yang Anda gunakan untuk menarik pelanggan untuk membeli mungkin tidak perlu dilakukan.

• Anda mungkin mengurangi kepuasan pelanggan karena beberapa pelanggan tidak ingin (terus-menerus) dihubungi.

• Anda salah mengambil kredit untuk tanggapan dalam evaluasi model Anda.

Pemodelan agregat , juga disebut pemodelan tegakan sejati dan antara lain, bertujuan untuk menjawab kritik tersebut dengan memprediksi pelanggan mana yang hanya hanya mengkonversi jika dihubungi

Pemodelan agregat bekerja dengan memisahkan pelanggan menjadi empat kelompok:

Persuadables:

Pelanggan yang dapat dibujuk untuk membeli - namun hanya akan membeli jika dihubungi.

• Hal-hal yang pasti: Pelanggan yang akan membeli, apapun kontaknya.

• Penyebab Hilang: Pelanggan yang tidak mau membeli, apapun kontaknya.

• Jangan Ganggu: Pelanggan yang tidak boleh Anda hubungi. Menghubungi mereka dapat menyebabkan respons negatif seperti memprovokasi mereka untuk membatalkan berlangganan, mengembalikan produk, atau meminta penyesuaian harga.

• Pemodelan agregat hanya menargetkan Persuadables. Kedengarannya menjanjikan, namun model peningkatan telah terbukti jauh lebih sulit diciptakan daripada model respons. Inilah alasannya: Ini umumnya memerlukan ukuran sampel yang lebih besar daripada untuk pemodelan respons, karena telah menyegmentasikan sampel menjadi empat kelompok dan hanya menggunakan kelompok Persuadables. Kemudian harus dipecah lagi untuk mengukur keefektifan model.

Kelompok ini berpotensi jauh lebih kecil daripada ukuran target untuk pemodelan respons. Dengan ukuran dan kompleksitas yang lebih kecil, usaha dan biaya operasi mungkin tidak membenarkan penggunaan pemodelan responsaks.

• Sulit untuk menyegmentasikan pelanggan dengan sempurna ke dalam empat kelompok yang berbeda, sama sulitnya mengukur keakuratan segmentasi.

  Sulit mengukur keberhasilan model seperti itu karena mencoba mengukur perubahan perilaku pelanggan, bukan tindakan nyata apakah pelanggan membeli setelah menerima kontak.

• Untuk mengukur perilaku pelanggan secara akurat, Anda akan (berlaku) harus mengkloningnya dan membagi klon identik menjadi beberapa kelompok. Yang pertama (kelompok perlakuan) akan menerima; yang kedua (kelompok kontrol) tidak mau. Menyisihkan skenario sci-fi seperti itu, Anda harus membuat beberapa konsesi terhadap kenyataan dan menggunakan beberapa metode alternatif (lebih sulit) untuk mendapatkan perkiraan keberhasilan model yang bermanfaat.

• Bahkan dengan kesulitan ini, beberapa pemodel berpendapat bahwa pemodelan uplift memberi dampak pemasaran yang sesungguhnya. Mereka menganggapnya lebih efisien daripada pemodelan respons karena tidak termasuk Sure Things dalam penargetan (yang meningkatkan tingkat tanggapan secara artifisial). Oleh karena itu, mereka merasa pemodelan uplift adalah pilihan untuk pemasaran sasaran dengan menggunakan analisis prediktif.

  Pemodelan agregat masih merupakan teknik yang relatif baru dalam pemasaran sasaran. Lebih banyak perusahaan mulai menggunakannya dan telah menemukan kesuksesan menggunakannya dalam retensi pelanggan, kampanye pemasaran, dan bahkan kampanye kepresidenan mereka.

Beberapa pakar mengkredit pemodelan uplift untuk kampanye presiden Obama tahun 2012 yang menang. Analis data kampanye menggunakan pemodelan uplift untuk menargetkan pemilih yang kemungkinan besar akan terpengaruh oleh kontak. Mereka menggunakan pesan pribadi melalui beberapa saluran kontak: media sosial, televisi, surat langsung, dan telepon. Mereka memusatkan usaha mereka untuk meyakinkan kelompok Persuadables. Mereka banyak berinvestasi dalam strategi ini; rupanya itu terbayar lunas.