Siete elementos del marketing de precisión de datos

Cuando se trata de marketing de precisión de big data, primero debemos mencionar los retratos personalizados de los usuarios. Para cada tipo de entidad de datos, descomponemos aún más las dimensiones de datos que se pueden implementar, caracterizamos cada una de sus características y las reunimos para formar un retrato de multitud.

01 Retrato de usuario

El retrato de usuario es un modelo de usuario etiquetado abstraído de los atributos sociales, hábitos de vida, comportamiento de consumo y otra información del usuario. En concreto, incluye las siguientes dimensiones:

Características fijas de los usuarios: sexo, edad, región, nivel educativo, fecha de nacimiento, ocupación, signo zodiacal.

Características de interés del usuario: pasatiempos, uso de aplicaciones, sitios web, navegación/recopilación/comentario de contenido, preferencias de marca y preferencias de producto.

Características sociales del usuario: hábitos de vida, matrimonio, preferencias de canales sociales/de información, creencias religiosas, composición familiar.

Características de consumo del usuario: situación de ingresos, nivel de poder adquisitivo, tipos de productos, preferencias de canales de compra, frecuencia de compra.

Características dinámicas del usuario: cómo generar retratos precisos de los usuarios según la hora actual, las necesidades, los lugares a donde ir, las empresas circundantes, las personas circundantes y las noticias se pueden dividir aproximadamente en tres pasos.

1. Recopilar y limpiar datos: utilizar lo conocido para predecir lo desconocido.

Primero, domina las fuentes de datos complejas. Incluye datos de usuario, diversos datos de actividad, suscripciones de correo electrónico, bases de datos en línea o fuera de línea e información de servicio al cliente. Esta es una base de datos acumulativa; lo más básico aquí es cómo recopilar datos de comportamiento del usuario del sitio web // APP. Por ejemplo, cuando inicia sesión en un sitio web, su cookie permanecerá en su navegador. Cuando un usuario toca una acción, hace clic en una ubicación, botón, me gusta, comentarios, fans o ruta de acceso, puede identificar y registrar todo su comportamiento de navegación y luego analizar continuamente las palabras clave y páginas navegadas para analizar su/ sus necesidades a corto plazo y sus intereses a largo plazo. También pueden obtener una comprensión muy clara del trabajo, los pasatiempos, las calificaciones académicas y otros aspectos de cada uno analizando su círculo de amigos, que es más completo y real que un formulario completado por un individuo.

Utilizamos datos conocidos para encontrar pistas y extraer materiales continuamente, lo que no solo puede consolidar a los miembros antiguos, sino también analizar clientes desconocidos y las necesidades para desarrollar aún más el mercado.

2. Agrupación de usuarios: etiquetas de clasificación.

El análisis descriptivo es el método estadístico analítico más básico. La estadística descriptiva se divide en dos partes: descripción de datos y estadística de indicadores. Descripción de los datos: se utiliza para describir la situación básica de los datos, incluido el número total, el alcance y la fuente de los datos. Estadísticas de métricas: Distribuciones de modelos, comparaciones y métricas predictivas. A menudo hay aquí algunos modelos matemáticos para la extracción de datos, como modelos de análisis de tasa de respuesta, modelos de tendencias del cliente, etc. Este tipo de agrupación utiliza un gráfico de elevación para indicarle qué tipo de contacto con el cliente y valor de conversión es mayor mediante la puntuación.

En la etapa de análisis, los datos se convertirán en un índice de impacto y luego se podrá realizar un marketing de precisión "uno a uno". Por ejemplo, a un cliente nacido en la década de 1980 le gusta pedir comida a las 10 de la mañana, volver a casa a cocinar a las 6 de la tarde y comer comida japonesa cerca los fines de semana. Después de la recolección y conversión, se generarán algunas etiquetas, incluidas "posteriores a los 80", "comida fresca", "comida" y "comida japonesa", que se colocarán en los consumidores.

3. Desarrollar estrategias: optimizar y reajustar.

Con los retratos de los usuarios, podemos comprender claramente las necesidades. En la práctica, podemos gestionar las relaciones con los clientes en profundidad e incluso encontrar oportunidades para difundir el boca a boca. Por ejemplo, en el ejemplo anterior, si hay cupones de descuento para alimentos frescos y las últimas recomendaciones de un restaurante japonés, los especialistas en marketing enviarán con precisión información relevante adecuada para el producto a los teléfonos móviles de los consumidores, enviarán información de recomendación para diferentes productos y aprobarán encuestas de satisfacción en; al mismo tiempo Confirme con el código de seguimiento para comprender el comportamiento y las preferencias del cliente de manera oportuna.

Además de la agrupación de clientes, los especialistas en marketing también observan la tasa de crecimiento y la tasa de éxito en diferentes etapas, y comparan el antes y el después para confirmar si la estrategia y la dirección comerciales generales son correctas si el efecto no es bueno; qué estrategias se deben utilizar para afrontarlo. Prueba y error repetidos, ajusta el modelo y logra la optimización del ciclo.

El propósito de esta etapa es extraer valor, luego realizar un marketing preciso de acuerdo con las necesidades del cliente y, finalmente, realizar un seguimiento de los comentarios de los clientes para completar la optimización de circuito cerrado.

Comenzamos con la integración e importación de datos, resumimos datos, analizamos y extraemos datos. Existen algunas diferencias entre el análisis de datos y la minería. El objetivo del análisis de datos es observar los datos y hacer estadísticas simples para ver por qué el KPI sube y baja.

La minería de datos consiste en estudiar datos desde la perspectiva de detalles y modelos, y descubrir patrones de conocimiento a partir de conjuntos de aprendizaje y conjuntos de entrenamiento. Además de algunos software comerciales SAS y WEKA, que son potentes software de análisis y minería de datos, aquí se recomiendan R y Python, porque SAS y SPSS son costosos y difíciles de crear API de nivel de servicio y páginas, mientras que Python y R tienen bibliotecas ricas. que se puede utilizar de forma similar a los módulos WEKA que interactúan perfectamente con otras API y programas. Aquí es necesario estar familiarizado con las bases de datos.

02 Audiencia de segmentación de datos

Hay un ejemplo mencionado en el libro "Marketing disruptivo" que se puede citar. Pensemos en una pregunta: si planea recopilar 200 cuestionarios válidos, según experiencias pasadas, ¿cuántos cuestionarios necesita enviar para lograr este objetivo? ¿Cuánto presupuesto y tiempo se espera que se requiera para su implementación?

El método anterior era el siguiente: la tasa de respuesta de los cuestionarios online rondaba el 5%. Para garantizar que se reciban 200 cuestionarios, se debe enviar 20 veces el número de cuestionarios, es decir, se deben enviar 4000 cuestionarios. Si puede recuperarse en un mes, es un buen desempeño.

Pero las cosas son diferentes ahora. Dentro de las 3 horas posteriores a la realización de un análisis de big data, podrá lograr fácilmente los siguientes objetivos:

Seleccionar con precisión el 1 % de los clientes VIP.

Se enviaron un total de 390 cuestionarios y todos fueron devueltos.

El 35% de los cuestionarios se recogerán dentro de las 3 horas posteriores al envío por correo.

En cinco días, se devolvieron el 86 % de los cuestionarios que superaban el número objetivo.

El tiempo y el presupuesto necesarios son un 10% menores que antes.

¿Cómo logró esto una recuperación del 35% dentro de las 3 horas posteriores al envío del cuestionario? Esto se debe a que los datos se han personalizado uno a uno. Utilizando los datos, se puede concluir que cuando sea más probable que el Sr. A abra el correo electrónico, enviará el cuestionario en ese momento.

Por ejemplo, algunas personas abrirán su buzón de camino al trabajo, pero si son conductores no tendrán tiempo de rellenar las respuestas. Las personas que toman el transporte público jugarán con sus móviles. de camino al trabajo, por lo que la probabilidad de completar las respuestas es alta. Estos son los beneficios de la segmentación de datos.

03 Prueba previa

La previsión le permite centrarse en un pequeño grupo de clientes, pero este grupo puede representar a la mayoría de los compradores potenciales de un producto específico.

Cuando recopilamos y analizamos retratos de usuarios, podemos lograr un marketing de precisión. Esta es la aplicación más directa y valiosa. Los anunciantes pueden utilizar etiquetas de usuario para publicar anuncios para los usuarios a los que desean llegar. En este caso, pueden mejorar integralmente el ROI a través de estrategias de marketing multicanal, análisis de marketing, optimización de marketing y optimización de marketing integral a través del sistema back-end CRM/cadena de suministro mencionado anteriormente.

Hablemos primero de los cambios en la era del marketing. La mayoría de las empresas tradicionales todavía están estancadas en la era del "Marketing 1.0", centrándose en productos para satisfacer las necesidades tradicionales de los consumidores. Han entrado en el "Marketing 2.0", con el valor social y la marca como su misión, y no pueden satisfacer de manera completa y precisa las necesidades individuales. En la era de los datos del Marketing 3.0, necesitamos personalizar a cada consumidor, realizar marketing personalizado e incluso calcular con precisión las tasas de conversión de transacciones para mejorar el retorno de la inversión.

El marketing bajo big data ha subvertido la clásica teoría de las 4P del marketing: producto, precio, plaza y promoción, y la ha sustituido por las nuevas 4P: personas, rendimiento, proceso y predicción. En la era del big data, las fronteras de la competencia en las regiones fuera de línea hace tiempo que desaparecieron. Mejor que la capacidad de un pronosticador temprano de utilizar big data para predecir el momento de la próxima compra a partir de los datos reales de las transacciones de los clientes. La palabra clave en la era del Marketing 3.0 es “predicción”.

El marketing predictivo permite centrarse en un pequeño grupo de clientes, pero este grupo de clientes puede representar a la mayoría de los compradores potenciales de un producto específico. Tome la imagen de arriba como ejemplo. Puede orientar su campaña de marketing a 200.000 clientes potenciales o existentes, lo que incluye a la mayoría de los compradores de un producto específico (40.000 personas). También puede optimizar su gasto asignando una parte de su presupuesto para atraer a un segmento más pequeño de sus clientes (digamos, el 20 % de sus clientes) en lugar de toda su base de clientes.

En el pasado, podríamos haber considerado los datos de forma pasiva, pero el marketing predictivo enfatiza el valor de la toma de decisiones, como el tiempo para comprar. Lo que desea ver no es la fecha de su última compra, sino la hora de su próxima compra, la probabilidad de supervivencia futura y, en última instancia, el valor de vida del cliente (CLV). El marketing predictivo ha dado lugar a un nuevo enfoque de marketing basado en datos y centrado en el cliente. El objetivo es ayudar a las empresas a completar la transformación de centrarse en productos o canales a centrarse en el cliente.

04 Recomendación precisa

El mayor valor del big data no es el postanálisis, sino la predicción y la recomendación.

Permítanme tomar el comercio electrónico como ejemplo. La "recomendación precisa" se ha convertido en la función central del big data que está cambiando la industria minorista. Tomemos como ejemplo el sitio web de ropa Stitch Fix. En términos de mecanismo de recomendación personalizado, la mayoría de los sitios web de pedidos de ropa adoptan un modelo en el que los usuarios envían datos sobre la forma y el estilo del cuerpo y los editores hacen recomendaciones manuales. Lo que hace diferente a Stitch Fix es que también incorpora recomendaciones de algoritmos de máquina. Estos clientes proporcionan proporciones corporales, datos subjetivos y verifican registros de ventas para extraer el modelo de recomendación de ropa único de cada persona. Este marketing uno a uno es el mejor servicio.

La integración de datos ha cambiado el modelo de marketing de las empresas. Ahora la experiencia no se acumula en las personas, sino que las recomendaciones se hacen basándose íntegramente en datos del comportamiento del consumidor. En el futuro, los vendedores ya no serán sólo vendedores, sino que podrán recomendar productos basándose en predicciones de datos profesionales e interacciones amigables y humanizadas, pasando a ser ventas consultivas.

05 Herramientas Técnicas

Existen varias opciones para las capacidades técnicas del marketing predictivo:

1. Utilizar la plataforma de trabajo de análisis predictivo y luego ingresar el modelo. de alguna manera en herramientas de gestión de campañas;

2. Subcontratar campañas predictivas basadas en análisis a proveedores de servicios de marketing

3. Evaluar y comprar soluciones de marketing predictivo como Predictive Marketing Cloud y Multi; -Herramienta de gestión de campañas de canal.

Pero no importa de qué manera, debemos identificar tres capacidades básicas:

1) Conectar datos de clientes de diferentes fuentes, incluidos online y offline, para prepararnos para la predicción y el análisis de datos <; /p>

2) Analizar los datos de los clientes, utilizar el sistema y personalizar modelos predictivos, y realizar análisis avanzados.

3) Comience en el momento adecuado, con el cliente adecuado, en el escenario correcto. comportamiento y posiblemente venta cruzada entre diferentes sistemas de marketing.

06 Modelo de Predicción

El estándar de la industria para predecir la probabilidad de compra del cliente es el modelo RFM (último consumo R, frecuencia de consumo F, cantidad de consumo M), pero la aplicación de este modelo es Limited, que es esencialmente una solución tentativa sin base estadística ni predictiva. "Los logros pasados ​​no garantizan el rendimiento futuro." RFM sólo se centra en el pasado y no compara el comportamiento actual del cliente con el comportamiento de otros clientes. Esto hace que sea imposible identificar clientes de alto valor antes de comprar un producto.

Los modelos predictivos en los que nos centramos son aquellos que tienen mayor impacto en el valor del cliente en el menor tiempo. Las siguientes son algunas otras referencias del modelo:

El modelo de propensión a la participación predice la probabilidad de que un cliente participe en una marca. La definición de participación puede ser diversa, como asistir a un evento, abrir un correo electrónico y hacer clic. para visitar una página. Este modelo puede determinar la frecuencia de transmisión de EDM. Y predecir tendencias, si habrá aumento o disminución de la actividad.

El modelo de billetera predice el gasto máximo posible para cada cliente, definido como el gasto anual máximo de un solo cliente para comprar un producto. Luego, si analizamos el modelo de crecimiento, si el mercado objetivo total actual es relativamente pequeño, pero puede ser grande en el futuro, necesitamos encontrar estos mercados.

Los modelos de optimización de precios son estructuras que maximizan las ventas, el volumen o los beneficios. Fijación de precios para cada cliente mediante modelos de optimización de precios. En este caso, es necesario desarrollar diferentes modelos para los productos que desea, o desarrollar un modelo general y predecible de sensibilidad al precio del cliente para determinar qué oferta tendrá el mayor impacto en los clientes.

El modelo de recomendación de palabras clave puede predecir cuánto le gusta a un cliente un determinado contenido en función del comportamiento en línea del cliente y su historial de compras, y predecir qué puntos calientes y artículos populares le interesan. Los especialistas en marketing utilizan esta predicción para decidir temas de marketing de contenidos para clientes específicos.

Modelo de agregación predictiva, el modelo de agregación predictiva consiste en predecir a qué categoría pertenecerá el cliente.

07Aplicación de la IA en marketing

La inteligencia artificial fue particularmente popular el año pasado, especialmente el rápido desarrollo del aprendizaje profundo, como la visión artificial, el reconocimiento de idiomas y la IA de juegos. La gente comenzó a entrar en pánico. Si la inteligencia artificial puede hacerse cargo de los trabajos humanos. Personalmente tengo un gran interés por las nuevas tecnologías y soy muy optimista sobre la relación entre las nuevas tecnologías, los datos y la realidad.

Cuando pagaba en tiendas minoristas extranjeras, me preguntaban: "¿Tiene una tarjeta de compras?" Cuando dije que no había cajero, rápidamente me aconsejaron que lo abriera gratis y había descuentos. Solo necesito ingresar mi número de teléfono móvil y dirección de correo electrónico y luego puedo crear campañas de marketing para mis registros de compras. La siguiente vez que entré me pidieron que indicara mi número de teléfono para identificación del consumidor. En ese momento pensé que sería más conveniente hacer reconocimiento facial y podría pagarlo con solo deslizar el dedo por la cara.

También hubo un experimento con este escenario el año pasado. Ant Financial ha desarrollado un robot biométrico llamado Mike Mark, que se dice que ha superado la capacidad del ojo humano para reconocer rostros. También está la compra en realidad virtual, Amazon Go, la tienda sin cajero lanzada por Amazon, que logra una experiencia de compra a través del reconocimiento de gestos, el Internet de las cosas y la posterior extracción de datos.

Para el campo del marketing, existen principalmente tres tecnologías de marketing predictivo:

1. Tecnología de aprendizaje no supervisado.

La tecnología de aprendizaje no supervisado puede predecir resultados sin identificar patrones ocultos claros. en datos. Por ejemplo, la búsqueda de grupos de interés dentro de un grupo de clientes, tal vez esquiando o corriendo largas distancias, a menudo se incluye en un algoritmo de agrupamiento para revelar los verdaderos clientes potenciales en el conjunto de datos. El llamado clustering consiste en descubrir automáticamente atributos importantes del cliente y clasificarlos en consecuencia.

2. Tecnología de aprendizaje supervisado

Entrene la máquina a través de casos, aprenda a identificar datos y obtenga resultados objetivo. Generalmente se trata de una predicción dada la información de entrada, como la predicción del valor de vida de un cliente, la probabilidad de que el cliente interactúe con la marca y la probabilidad de realizar una compra futura.

3. Fortalecer las habilidades de aprendizaje.

Esto consiste en utilizar patrones latentes en los datos para predecir con precisión los resultados de selección óptimos, como qué productos deberían ofrecerse para la promoción de un determinado usuario. Esto es diferente del aprendizaje supervisado. Los algoritmos de aprendizaje por refuerzo requieren más que solo entrenamiento de entrada y salida. El proceso de aprendizaje se completa mediante prueba y error.

Desde una perspectiva técnica, el modelo de recomendación utiliza modelos algorítmicos como el filtrado colaborativo y las redes bayesianas. Jeff Dean, jefe del equipo de Google Brain, considera que el aprendizaje por refuerzo es una de las direcciones de investigación de IA más prometedoras. Recientemente, el equipo de inteligencia artificial de Google, DeepMind, publicó un artículo llamado "Aprendizaje por refuerzo".

Según palabras del equipo, se llama capacidad de "aprender a aprender", o capacidad de generalizar para resolver problemas similares relacionados. Además del aprendizaje por refuerzo, también es aprendizaje por transferencia. Transferir aprendizaje consiste en transferir un modelo general a datos pequeños para personalizarlo, y también puede producir efectos en nuevos campos, similar a la analogía humana.

El aprendizaje por refuerzo y el aprendizaje por transferencia también pueden utilizar datos pequeños, lo cual me parece muy interesante. La creación de IA a través de la IA también puede permitir que parte del trabajo de los científicos de datos sea implementado por máquinas.