Cómo buscar relaciones en su comercialización basada en los datos

Los datos del cliente se interrelaciona en los datos de marketing impulsadas. Puede parecer a primera vista que la edad y los ingresos representan dos aspectos completamente diferentes de un cliente. Pero una relación surge cuando se mira a través de su base de datos en su conjunto. Usted encontrará que a medida que la edad los clientes, sus ingresos tienden a ir para arriba también.

Esta tendencia para dos caracteres para compartir una tendencia común es conocido como correlación. Estas tendencias pueden ser fuertes o débiles o inexistentes. Alturas de las personas podrían estar fuertemente correlacionadas con sus madres. Pero probablemente no son tan fuertemente correlacionados con sus bisabuelas. Es probable que tengan nada que ver con lo que los días del año en que nacieron sucesivamente.

Estas tendencias también pueden ser positivos o negativos. La deuda total de la gente tiende a bajar a medida que envejecen y pagar las hipotecas y otros préstamos. Este es un ejemplo de una correlación negativa.

Causa y efecto en la comercialización de datos impulsada

La existencia de una tendencia estadística no lo hace, por sí misma, implica que una cosa en modo alguno es causa de otro. Existe una correlación entre el número de encendedores de cigarrillos que una persona compra y su riesgo de cáncer de pulmón. Pero son los cigarrillos también compran, no los encendedores, que explica esta tendencia. La conexión entre los encendedores y el cáncer de pulmón se conoce como una correlación espuria.

Hubo un programa de marketing de un banco que fue diseñado para aumentar los depósitos en cuentas de CD. Equipo de marketing del banco comenzó a analizar los resultados de ese programa después de que había estado en el mercado por un tiempo. Inicialmente, señalaron que el número de CDs vendidos desde que el programa fue en el mercado había subido significativamente. ¡Una gran noticia! La campaña estaba trabajando.

Pero cuando trataron de calcular el beneficio que se había generado por esta maravillosa campaña, se encontraron con un problema. A pesar de que estaban abriendo todas estas nuevas cuentas, el volumen total en dólares no había cambiado mucho.

Después de cavar un poco, descubrieron que con el fin de apoyar la campaña de CD, la red de oficinas había puesto un programa de incentivos en su lugar por los cajeros. Este programa, como es lógico, los recompensó para la apertura de cuentas de CD. Pero las recompensas se basan en el número de cuentas que se abrieron.

El equipo regresó a través de los datos y la miró a los clientes que se abrían nuevas cuentas de CD. Resulta que esto no era nuevo negocio en absoluto. Por el contrario, el volumen se debió a CDs vencimiento que se estaban volcó en nuevas cuentas. Los escrutadores fueron simplemente rodando sobre ellos en múltiples cuentas nuevas. A $ 20.000 CD estaba siendo rodó en cuatro $ 5.000 cuentas.

Su entusiasmo inicial sobre el éxito de nuestro programa de marketing resultó ser injustificado. Ellos habían confundido la correlación espuria entre nuestra campaña de marketing y las nuevas cuentas de causa y efecto. La causa real fue el programa de incentivos cajero.

¡Tienes que ser cuidadoso con la atribución de causa y efecto de las correlaciones. Esto es especialmente cierto cuando usted está evaluando el éxito de sus campañas de marketing. La mejor manera de hacer esto es el diseño de sus campañas de marketing de la misma manera que los experimentos científicos se han diseñado.

Correlaciones espurias pueden ser útiles en la comercialización de datos impulsada

Espurias o no, usted puede tomar ventaja de las tendencias estadísticas para mejorar el poder de su base de datos de marketing. Usted se encontrará con situaciones en las que usted sabe o sospecha que un rasgo determinado cliente es fundamental para comprender el comportamiento del cliente. El problema es que usted no lleva ese rasgo en su base de datos.

Aquí es donde entran en correlaciones. Usted puede muy bien tener una variable en su base de datos que es correlacionada con el rasgo le interesa, llamada una variable proxy. Investigación Encuesta menudo descubre este tipo de correlaciones. También hay una gran cantidad de investigación demográfica en el dominio público - los datos del censo, por ejemplo - que analiza las conexiones entre las variables.

Mediante la sustitución de una variable con una variable diferente, correlacionada - llamado apoderado variables - que esencialmente puede hacer uso de la información que en realidad no tienen. La variable proxy de duda no será la misma que en realidad tener la información que desea. Pero encontrar una variable proxy que está altamente correlacionado con el rasgo que le interesa es la segunda mejor opción.

En el ejemplo de encendedor de cigarrillos frente, está claro que el intento de reducir las tasas de cáncer de pulmón por la orientación de la venta de los encendedores es equivocada. Los encendedores no son la fuente del problema. Pero si lo que quieres es identificar las personas que están en riesgo de cáncer de pulmón, entonces compras más ligeros harían una aproximación razonable.