Grunnleggende om Uplift Predictive Analytics Modeller - Dummies

Så hvordan vet du at kunden du målrettet med å bruke prediktiv analyse ikke ville ha kjøpt i det hele tatt? For å klargjøre dette spørsmålet, kan du omstille det på flere forskjellige måter:

• Hvordan vet du at kunden ikke ville ha kjøpt selv om hun ikke fikk markedsføringskontakten fra deg?

• Hvordan vet du at det du sendte til kunden, påvirket henne til å gjøre kjøpet?

Noen modellere hevder at problemene med responsmodellering er som følger:

• Du tar en delmengde av dine kunder som du har spådd, vil ha noen interesse for produktet eller tjenesten allerede.

• Du sliter bort markedsføringsdollar på kunder som ikke trenger den ekstra innflytelsen å konvertere.

• Du kan redusere nettomarginene dine fordi rabattene du bruker for å lokke kunden til å kjøpe, kan være unødvendige.

• Du kan redusere kundetilfredsheten din fordi noen kunder ikke vil bli (stadig) kontaktet.

• Du tar feil for svaret i evalueringen av modellen.

Uplift modellering , også kalt sant løftemodellering og nettmodellering , har som mål å svare på denne kritikken ved å forutsi hvilke kunder som vil bare konverter hvis kontaktet.

Uplift modellering fungerer ved å skille kunder inn i fire grupper:

• Overbevisninger: Kunder som kan overtales til å kjøpe - men vil bare kjøpe hvis kontaktet.

• Sure Things: Kunder som vil kjøpe, uansett kontakt.

• Mistet årsaker: Kunder som ikke vil kjøpe, uansett kontakt.

• Forstyrrer ikke: Kunder som du ikke bør kontakte. Å kontakte dem kan føre til negativ respons som å provokere dem for å kansellere et abonnement, returnere et produkt, eller be om prisjustering.

Uplift-modellering retter seg bare mot Persuadables. Det høres lovende ut, men en løftemodell har vist seg å være vanskeligere å lage enn en responsmodell. Det er derfor:

• Det krever vanligvis en større prøvestørrelse enn for responsmodellering, siden den har segmentert prøven i fire grupper og bruker bare gruppen Persuadables. Det må da deles opp for å måle modellens effektivitet.

  Denne gruppen vil potensielt være mye mindre enn målestørrelsen for responsmodellering. Med en mindre målestørrelse og kompleksitet, kan imidlertid driftsinnsatsen og kostnaden ikke rettferdiggjøre bruk over responsmodellering.

• Det er vanskelig å segmentere kundene perfekt inn i de fire forskjellige gruppene, akkurat som det er vanskelig å måle nøyaktigheten av segmenteringen.

• Det er vanskelig å måle suksessen til en slik modell fordi den forsøker å måle endring i kundens oppførsel, ikke konkret handling av om kunden kjøpte etter å ha mottatt kontakt.

  For å måle en enkelt kundes oppførsel nøyaktig, ville du (i realiteten) klone henne og dele de samme klonene i grupper. Den første (behandlede gruppen) vil motta; den andre (kontrollgruppen) ville ikke. Ved å sette bort slike sci-fi-scenarier må du gjøre noen innrømmelser til virkeligheten og bruke noen alternative (vanskeligere) metoder for å få et nyttig estimat av modellens suksess.

Selv med disse vanskelighetene, hevder noen modellere at oppløftingsmodellering gir ekte markedsføringspåvirkning. De anser det for mer effektivt enn responsmodellering, fordi det ikke inkluderer de sikre sakene i målrettingen (som kunstig oppblåser responsrater). Derfor føler de at opplismodellering er valget for målmarkedsføring ved hjelp av prediktiv analyse.

Uplift modellering er fortsatt en relativt ny teknikk i målmarkedsføring. Flere bedrifter begynner å bruke det og har funnet suksess ved å bruke det i deres kundeoppbevaring, markedsføringskampanjer og til og med presidentkampanjer.

Noen pundits krediterer opphevningsmodellering for presidentobamas presidentkampanjevinner i 2012. Kampanjens dataanalytiker brukte opplodningsmodellering til sterkt målvollere som mest sannsynlig ble påvirket av kontakt. De brukte personlige meldinger via flere kontaktområder: sosial media, tv, direktemelding og telefon. De konsentrerte seg for å overtale gruppen Persuadables. De investerte tungt i denne strategien; tilsynelatende det lønnet seg.