Cómo utilizar los rasgos de clientes combinados en los datos de marketing orientado

La potencia de servicio pesado de análisis de datos en los datos de comercialización impulsado realmente entra en juego cuando usted comienza a buscar en múltiples rasgos a la vez. Esto se conoce como análisis multivariable

¿Cómo encontrar agrupaciones útiles de los clientes en la comercialización de datos impulsada

Mirando a través de múltiples rasgos de los clientes a la vez no es fácil. Por un lado, se complica rápidamente. Y el número de clientes que comparten varios rasgos en común se pone pequeña rápidamente.

Usted puede tener una gran cantidad de clientes en sus 20 años, una gran cantidad que tienen los niños, un montón que están casados, y mucho con ingresos entre $ 40-50K. Pero si usted busca en su base de datos para los clientes que tienen todas de estos rasgos, usted se sorprenderá de cuán pocos que encuentre.

Este es un problema universal en el tratamiento de los datos del cliente, o casi ningún dato para esa materia. Cuando te enfocas en la agrupación de clientes juntos sobre la base de los valores de las variables particulares, usted termina con un gran número de grupos muy pequeños.

En marketing, desea identificar grupos o segmentos, de los clientes con la mirada puesta en sus necesidades y preferencias comunes. Dividiendo sus clientes en grupos de esta manera se conoce como segmentación. Debido a que sus segmentos se centran en las necesidades del cliente, que no necesariamente tienen que ser completamente uniforme. Los clientes de un segmento no necesitan ser copias hechas en serie de uno al otro.

Debido a que los segmentos de clientes son el resultado de unos análisis muy avanzados, a menudo no está claro cómo se definen los segmentos. De hecho, puede ser un proceso bastante complicado decidir qué segmento pertenece a un cliente en. Deja esto a tus padres técnicos.

Concentrarse en lo que los segmentos en realidad parecen. En otras palabras, se centran en la descripción de estos grupos de clientes. ¿Qué tienen en común y cómo los grupos se diferencian unos de otros?

Un segmento de clientes que es común a casi todas las empresas es el cliente de alta afinidad. Estos son los clientes que son muy fieles a su marca. Este segmento de alta afinidad se identifica a través del análisis de los datos de compra pasados. Pero este segmento es generalmente lejos de ser uniforme con respecto a la edad, etapa de la vida, y otros datos demográficos. El público de alta afinidad por los juguetes de los niños incluye tanto los padres como los abuelos, por ejemplo.

Cómo hacer predicciones en la comercialización de datos impulsada

En última instancia, usted quiere saber que es probable que respondan a una campaña de comercialización determinada. Muchas técnicas estadísticas pueden ayudarle con este objetivo. Una vez más, estas técnicas requieren algún conocimiento previo de análisis de datos, lo que se debe dejar a su friki. Pero un par de cosas son dignas de mención.

Una predicción derivada estadísticamente se conoce como una profético modelo. En la comercialización de base de datos, tales modelos se utilizan generalmente para predecir respuestas a una campaña y por lo tanto se llaman modelos de respuesta. Desarrollar un modelo de este tipo, es necesario tener datos de respuesta de campañas anteriores.

Con frecuencia no es obvio por qué o cómo el modelo está haciendo su predicción. Este misterio es típico de los modelos predictivos.

En algún momento de su vida es probable que haya recibido una carta de su compañía de tarjeta de crédito que le dice que su tasa de interés ha aumentado o se deberá comenzar a pagar una cuota anual. Estas cartas pueden ser molestos.

Es la frase que dice: " Esta acción puede ser debido a una de las siguientes " Se pasa luego a enumerar un montón de cosas como el retraso en los pagos o saldos altos, muchos o todos de los cuales no se aplican a usted.

¿Qué está pasando aquí es que la compañía de tarjetas de crédito se requiere para contar no sólo que están tomando " acción adversa, " pero porque. El problema es que la verdadera razón de que están tomando acción adversa se debe a un modelo estadístico, tal como una cuenta de crédito. Y no es fácil de resolver exactamente por qué tal la puntuación de un modelo se fue arriba o hacia abajo.

Por supuesto que puede entender las variables que el modelo está utilizando. Generalmente, usted puede entender cuáles son los más importantes. Pero una vez que todo se tira juntos, lo mejor es dejar que el modelo que usted diga lo que piensa.