点击上方“AI公园”,关注公众号,选择加“星标“或“置顶”
作者:praveen govindaraj
编译:ronghuaiyang
导读
营销是一个非常细致的行为,有非常多的环节,每个环节有不同的预测模型可以使用,今天给大家介绍相关的13个模型。
预测分析是一个热门话题,我们经常被问到营销人员如何利用预测与客户建立更有利可图的关系。
在这篇文章中,我将给你一个概述,你可以使用13个预测模型来增加收入并让你的客户满意。
营销人员应该了解三种类型的预测模型:
聚类模型(分群)
倾向模型(预测)
推荐(协同过滤)
聚类模型
聚类是预测分析术语,用于客户的细分。使用聚类,你可以通过算法,而不是营销人员,来创建客户的细分。可以把聚类看作是自动的客户分群。算法能够根据比人类多得多的变量来细分客户。两个客群在30个或更多的客户维度上存在差异是很正常的。我们称这些维度为客群DNA。请看下面的例子,一些因素可能组成一个客群的DNA。
长期高价值频繁的买家以及高价值,少量订单( 首次购买的量很大)的买家
这些指标可以用来分群:
Average orders(平均订单数)
Total orders(总订单数)
Days between orders(订单之间的间隔天数)
Total items(总物品数量)
First order revenues(第一个订单的收入)
Product in first order(第一个订单的产品)
Orders in clearance sale(清仓甩卖时候的订单数)
例子和代码:https://www.kaggle.com/fabiendaniel/customer-segmentation
预测模型1:行为聚类
行为聚类告诉你人们在购买时的行为:他们是使用web站点还是呼叫中心?他们是打折上瘾吗?他们多久买一次?他们花了多少钱?在他们再次购买之前,他们会间隔多少时间?这种算法有助于在联系客户时设定正确的基调。例如,那些经常购买但订单量不大的顾客可能会对“当你消费100美元或更多时,可以获得双倍奖励积分”这样的提议反应良好。
预测模型2:基于商品的聚类 (也叫作基于商品类别的聚类)
基于产品的聚类算法可以发现人们购买的产品的不同分组。参见下面基于类别(或产品)的分群或聚类的例子。你可以看到,一个细分市场的消费者只买毛衣,而另一个细分市场的消费者会买不同类型的运动服、运动服、泳衣和手表,但绝不会买童装、贴身内衣或珠宝。在决定向这些细分市场的客户发送哪些产品报价或电子邮件内容时,这是非常有用的信息。
预测模型3:基于品牌的聚类
基于品牌的聚类告诉你人们喜欢什么品牌。现在你知道该向某些客户推销哪些特定品牌了。当一个品牌发布新产品时,你知道谁可能会感兴趣。
如果你拥有零售电子商店的客户购买信息,你可以发现客户总是购买特定品牌的产品,你可以有针对性的提供这些特定品牌产品的折扣以及新品发布。
模型4:预测终生价值
算法可以在顾客自己意识到这一点之前很久就预测出顾客会在你这花多少钱。在客户进行第一次购买时,你可能知道的不仅仅是他们最初的交易记录:例如,你可能有电子邮件和web的参与数据,以及人口和地理信息。通过将客户与之前的许多客户进行比较,你可以非常准确地预测他们未来的终生价值。
这些信息非常有价值,因为它可以让你做出基于价值的营销决策。例如,在那些能产生最高预期终生价值的客户的购买渠道和活动上投入更多是有意义的。
模型5:预测钱包的份额
通过预测钱包的份额,你可以估计出一个人的所有类别的消费中你目前已经占有的百分比。例如,如果一个顾客在食品杂货上花了100美元,这是他们某一年食品杂货支出的10%还是90% ?了解了这一点,你就可以看到在你现有的客户群中,未来的收入潜力在哪里,并设计活动来获取这些收入。
模型6:参与倾向性
参与倾向模型预测了客户点击你的电子邮件链接的可能性。有了这些信息,你可以决定不发送电子邮件到某个“低可能性点击”的人群。
模型7:退订倾向性
“退订倾向”模型预测客户在某个时间点从你的电子邮件列表中退订的可能性。有了这些信息,你可以优化发送电子邮件的频率。对于“高可能性退订”的人群,你应该减少发送频率,而对于“低可能性退订”的人群,你可以增加电子邮件发送频率。我们在最近一篇关于“如何找到邮件频率的最佳位置”的文章中谈到了这一点。你也可以决定使用不同的渠道(如直邮或Facebook)来接触“极有可能退订”的客户。
模型8:转化倾向性
转化倾向性模型可以预测客户接受你的优惠的可能性。例如,这个模式可用于直销邮件活动,因为直销函件邮件的营销成本很高。在这种情况下,你只希望将优惠发送给具有高转化倾向的客户。
模型9:购买倾向性
购买倾向性模型告诉你哪些客户已经准备好进行购买:因此你可以找到目标客户。此外,一旦你知道谁已经准备好了,谁还没有准备好,你就可以在你的推荐中提供正确的内容。那些可能购买的客户不需要很高的折扣,而那些不太可能购买的客户可能需要一个更激进的优惠,从而为你带来额外的收入。
模型10:流失倾向性
“客户流失倾向模型”会告诉你哪些活跃的客户处于风险之中,这样你就知道哪些高价值、高风险的客户应该放在你的观察名单上,并主动接触他们。
例子:客户反馈(任何方式 —— 网络、电话、电子邮件或个人访问)将被视为倾向模型的度量标准。如今,在NLP的帮助下,人们可以从社交媒体的网络日记和聊天记录中追踪积极情绪和消极情绪。
通常情况下,倾向模型可以结合起来做出活动决策。例如,你可能想要为有高可能性流失和高预期终身价值的客户做客户回拉活动。
来自Kaggle的代码:https://www.kaggle.com/pavanraj159/telecom-customer-churn-prediction
模型11:Up sell推荐
Up sell通常是在购买时向客户推荐的,比如在网上、电话或店内结账时。超级巨无霸的麦当劳餐就是一个典型的例子,但是在所有的行业都能找到这样的例子。你可以推荐一个更高端的版本的产品或同一个产品的系列产品包,价格上更加优惠。
Up sell推荐通常与特定的SKU相关:每个产品都有推荐的Up sell的产品。
模型12:交叉销售推荐
交叉销售的建议也在购买时提出。然而,交叉销售建议不是建议购买某个特定产品的更大或更好的版本,而是建议购买通常与该特定产品一起购买的其他产品。建议可以这样写:“购买这个的客户也倾向于购买……”,如果客户决定跟随你的交叉销售组合,你可以提供适当的折扣。交叉销售推荐也倾向于与特定的SKU绑定:每个产品都有与之交叉销售的推荐的产品。交叉销售的最大风险是我们不应该对客户进行过度销售,这样用户体验会不好。
我们应该挑选顾客真正需要的产品。推荐算法和关联规则有助于提出正确的客户可能需要跟随购买的产品。
比如在用户购买手机的时候,销售屏幕保护膜,手机壳以及手机袋,推荐购买新手机时为手机投保等。
模型13:下一个销售的推荐
下一个销售推荐通常是在客户已经从你这里购买了产品之后,例如可以包含在确认电子邮件中。最佳的下一个销售建议是针对每个客户的,并考虑到更多的客户数据,比如他们最近的交易。在数据驱动的市场营销中有一个下一个销售的例子:一家家装店发现,做了桌子的人往往不久后就会在市场上买烤架,于是设计了一个程序来利用这一知识。
结论:
预测分析模型是很好的,但它们最终是无用的,除非你能把它们与你的日常营销活动联系起来。这让我想到了预测分析的第一条规则:始终确保你的预测分析平台与你的营销执行系统直接集成,比如你的电子邮件服务提供商、网站、呼叫中心或POS系统。
打造完善的营销分析平台。这里的许多模型都与其他模型有反馈回路。设计时应该小心处理。
最好从一个模型开始,聚类和倾向模型是很好的开始。在不久的将来,我将添加更多的细节到转换倾向模型以及购买倾向模型。
下面有个GitHub链接,可以帮助做客户销售交易数据的分析,覆盖了一些用户分析指标:
销售额预测 — 季节自动回归综合移动平均Sales Forecast — Seasonal Auto Regressive Integrated & Moving Average
客户分群 — 基于最近的购买和客户的平均销售来留存客户
基于最近频率监测(RMF)的客户细分,K表示聚类和silhouette
链接:https://github.com/Praveengovianalytics/Customer_Analytics_Intelligence
—END—
英文原文:https://towardsdatascience.com/models-which-makes-money-makes-your-customers-happy-42cce52fefb6
请长按或扫描二维码关注本公众号
喜欢的话,请给我个好看吧!