Video: Biblical Series I: Introduction to the Idea of God 2025
Woher wissen Sie, dass der Kunde, den Sie mit Predictive Analytics angesprochen haben, sowieso nicht gekauft hätte? Um diese Frage zu klären, können Sie es auf verschiedene Arten wiedergeben:
-
Woher wissen Sie, dass der Kunde nicht gekauft hätte, selbst wenn er den Marketingkontakt nicht von Ihnen erhalten hätte?
-
Woher wissen Sie, dass das, was Sie an den Kunden gesendet haben, sie beeinflusst hat?
Einige Modellierer geben an, dass die Probleme mit der Antwortmodellierung wie folgt sind:
-
Sie nehmen eine Untergruppe Ihrer Kunden, die bereits ein bestimmtes Interesse an dem Produkt oder der Dienstleistung vorhergesagt haben.
-
Sie verschwenden Marketing-Dollar an Kunden, die nicht den zusätzlichen Einfluss für die Konvertierung benötigen.
-
Sie können Ihre Nettomargen verringern, weil die Rabatte, die Sie verwenden, um den Kunden zum Kauf zu verleiten, unnötig sein können.
-
Sie können Ihre Kundenzufriedenheit reduzieren, weil einige Kunden nicht (ständig) kontaktiert werden möchten.
-
Sie übernehmen falsch die Antwort in Ihrer Bewertung des Modells.
Upliftmodellierung , auch Trimmmodellierung und Netmodellierung genannt, zielt darauf ab, diese Kritik zu beantworten, indem vorhergesagt wird, welche Kunden nur konvertieren, wenn kontaktiert.
Uplift-Modellierung funktioniert, indem die Kunden in vier Gruppen eingeteilt werden:
-
Persuadables: Kunden, die zum Kauf überredet werden können - aber nur kaufen, wenn sie kontaktiert werden.
-
Sure Things: Kunden, die unabhängig vom Kontakt kaufen werden.
-
Verlorene Ursachen: Kunden, die nicht kaufen, unabhängig vom Kontakt.
-
Do not Disturbs: Kunden, mit denen Sie sich nicht in Verbindung setzen sollten. Wenn Sie sie kontaktieren, kann dies negative Reaktionen hervorrufen, wie zum Beispiel die Provokation, ein Abonnement zu kündigen, ein Produkt zurückzugeben oder eine Preisanpassung zu beantragen.
Uplift-Modellierung zielt nur auf die Persuadables ab. Das klingt vielversprechend, aber ein Auftriebsmodell hat sich als schwieriger erwiesen als ein Reaktionsmodell. Hier ist der Grund:
-
Es erfordert im Allgemeinen eine größere Stichprobengröße als bei der Antwortmodellierung, da es die Stichprobe in vier Gruppen unterteilt und nur die Gruppe der Persuadables verwendet. Es muss dann weiter aufgespalten werden, um die Effektivität des Modells zu messen.
Diese Gruppe ist möglicherweise viel kleiner als die Zielgröße für die Antwortmodellierung. Mit einer kleineren Zielgröße und -komplexität rechtfertigen jedoch der Betriebsaufwand und die Betriebskosten möglicherweise nicht die Verwendung von Antwortmodellen.
-
Es ist schwierig, die Kunden perfekt in diese vier verschiedenen Gruppen zu segmentieren, genauso wie es schwierig ist, die Genauigkeit der Segmentierung zu messen.
-
Es ist schwierig, den Erfolg eines solchen Modells zu messen, weil es versucht, Veränderungen im Verhalten eines Kunden zu messen, und nicht die konkrete Handlung, ob der Kunde nach dem Erhalt eines Kontakts gekauft hat.
Um das Verhalten eines einzelnen Kunden genau zu messen, müssten Sie es (tatsächlich) klonen und die identischen Klone in Gruppen aufteilen. Die erste (behandelte Gruppe) würde die erhalten; die zweite (Kontrollgruppe) würde nicht. Wenn Sie solche Science-Fiction-Szenarien beiseite lassen, müssen Sie einige Zugeständnisse an die Realität machen und alternative (schwierigere) Methoden anwenden, um eine nützliche Einschätzung des Erfolgs des Modells zu erhalten.
Selbst bei diesen Schwierigkeiten argumentieren einige Modellierer, dass die Modellierung von Aufstiegen wirkliche Marketingauswirkungen bietet. Sie halten es für effizienter als die Antwortmodellierung, da sie die Sure Things nicht in das Targeting einbezieht (wodurch die Antwortquoten künstlich erhöht werden). Aus diesem Grund glauben sie, dass Uplift-Modellierung die Wahl für das Target-Marketing mit Predictive Analytics ist.
Uplift-Modellierung ist immer noch eine relativ neue Technik im Zielmarketing. Mehr Unternehmen nutzen es bereits und haben Erfolg bei der Kundenbindung, bei Marketingkampagnen und sogar bei Präsidentenkampagnen.
Einige Experten schätzen die Anhebung des Modells für den Wahlsieg von Präsident Obama im Präsidentschaftswahlkampf 2012. Der Datenanalytiker der Kampagne nutzte die Modellierung des Auftriebs, um die Wähler, die am ehesten von Kontakten beeinflusst wurden, gezielt anzusprechen. Sie benutzten personalisierte Nachrichten über verschiedene Kontaktkanäle: soziale Medien, Fernsehen, Direktwerbung und Telefon. Sie konzentrierten ihre Bemühungen darauf, die Gruppe der Persuadables zu überzeugen. Sie haben viel in diese Strategie investiert. anscheinend hat es sich ausgezahlt.
