Cómo usar los rasgos de clientes combinada de datos de marketing orientado
La potencia de servicio pesado de análisis de datos en los datos de comercialización impulsado realmente entra en juego cuando se empieza a observar rasgos múltiples a la vez. Esto se conoce como analisis multivariable.
¿Cómo encontrar agrupaciones útiles de los clientes en la comercialización basada en los datos
Mirando a través de rasgos múltiples 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.
Es posible que tenga una gran cantidad de clientes en sus 20 años, una gran cantidad que tienen hijos, mucho que están casados, y mucho con ingresos entre $ 40-50K. Pero si se busca su base de datos para los clientes que tienen todas de estos rasgos, usted se sorprenderá de lo que encuentre unos pocos.
Este es un problema universal en el tratamiento de los datos del cliente, o casi todos los datos para el caso. Cuando se enfoca en la agrupación de clientes juntos sobre la base de los valores de las variables particulares, se termina con un gran número de grupos muy pequeños.
En la comercialización, desea identificar grupos o segmentos, de los clientes con la vista 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 en un segmento no necesitan ser copias hechas en serie el uno del otro.
Debido a que los segmentos de clientes son el resultado de unos análisis muy avanzada, a menudo no está claro cómo se definen los segmentos. De hecho, puede ser un proceso bastante complicado para decidir qué segmento pertenece a un cliente en. Deja esto a sus gente técnica.
Video: Marketing: Orientación de la Empresa al Cliente. Sergio Bernués
Concentrarse en lo que los segmentos parecen realmente. En otras palabras, se centran en la descripción de estos grupos de clientes. ¿Qué tienen en común y cómo los grupos se diferencian el uno del otro?
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 leales a su marca. Este segmento de alta afinidad se identifica mediante el análisis de datos de compra anteriores. Pero este segmento es generalmente lejos de ser uniforme con respecto a la edad, lifestage, y otros datos demográficos. El público de alta afinidad por los juguetes de los niños incluye ambos padres y abuelos, por ejemplo.
Video: Programa Integral de Satisfacción al Cliente
Cómo hacer predicciones en los datos de marketing 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 dignos de mención.
Video: Tu equipo, orientado al cliente
Una predicción estadísticamente derivada se conoce como una profético modelo. En el marketing de base de datos, tales modelos se utilizan generalmente para predecir la respuesta a una campaña y por lo tanto se llaman modelos de respuesta. Para desarrollar un modelo de este tipo, es necesario tener los datos de respuesta de campañas anteriores.
A menudo no es obvio por qué o cómo el modelo está haciendo su predicción. Este misterio es típico de los modelos predictivos.
Video: Philips coloca a los clientes en el centro de su empresa
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 subido o que 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” A continuación, pasa a enumerar un montón de cosas como retrasos en los pagos o saldos altos, muchos o todos de los cuales no se aplican a usted.
¿Qué está pasando aquí es que se requiere que la compañía de tarjetas de crédito para decirle no sólo que están tomando “acción adversa”, sino por qué. El problema es que la verdadera razón por la que están tomando acción adversa se debe a un modelo estadístico, como por ejemplo una cuenta de crédito. Y no es fácil de resolver exactamente por qué tales 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 las más importantes. Pero una vez que todo se tira juntos, lo mejor es dejar que el modelo que diga lo que piensa.