Максимальное повышение конверсии потенциальных клиентов и эффективности маркетинга с помощью расширенной аналитики - в контексте автомобильной отрасли

Сегодня основной проблемой для организаций является реагирование на нужных клиентов и обращение к ним в нужное время с использованием различных точек соприкосновения для улучшения качества обслуживания клиентов и повышения их лояльности. Возможность определить правильный целевой сегмент и правильные предложения решений для рекламной кампании является общей бизнес-целью во всех отраслях, таких как производство, телекоммуникации, BFSI, розничная торговля и т. Д.

Бизнес-факторы - Advanced Analytics Framework

Производители транспортных средств и поставщики услуг изо всех сил пытаются определить правильное сочетание клиентов для каждого семейства / типа транспортного средства (внедорожник, седан, MUV и т. оптимизировать сочетание продуктов и услуг и дизайн кампании. Расширенная аналитика на основе больших данных и передовые методы машинного обучения позволяют организациям понять клиента, чем когда-либо прежде, и найти ответы на следующие бизнес-проблемы:

1) Каковы целевые клиенты с высокой склонностью к покупке для лучшей конверсии, чтобы сделать продвижение / кампанию эффективной?

2) Каковы движущие силы эффективной и результативной кампании?

3) Каков правильный ассортимент продукции для определенного сегмента клиентов?

С развитием новой эры «больших данных» организации наводняются полезными данными в форме структурированных, неструктурированных и частично структурированных, собранных в различных точках взаимодействия, чтобы иметь полное представление о клиенте. Используя эти данные о точках взаимодействия с клиентами, можно создать настраиваемое решение расширенной аналитики, которое принесет пользу всей экосистеме маркетинга и функции CRM.

Рис. 1. Размах аналитических решений для маркетинга и цепочки создания стоимости CRM.

По мере роста зрелости и сложности аналитики организации могут разрабатывать правильную стратегию привлечения, удержания и взаимоотношений клиентов путем точного определения правильного целевого сегмента для рекламной кампании, правильного сочетания каналов для достижения нужного продукта / услуги в нужное время по правильной цене. точки. Повышение эффективности маркетинговой функции, подкрепленное аналитическими данными и прогностическими моделями, помогло организации добиться большего увеличения доходов ($) / продаж (объема) с меньшими затратами, сокращением ресурсов, рабочей силы и т. Д.

Краткое изложение тематического исследования

Клиент: крупный автомобильный гигант с преобладающим присутствием в Северной Америке и Европе.

Бизнес-потребность: на основе следующих доступных элементов данных команда маркетинга и взаимодействия с кампаниями хочет определить и нацелить нужного клиента (наиболее вероятно) с помощью правильных предложений продуктов, чтобы увеличить продажи и повысить эффективность кампании (снизить среднюю стоимость привлечения клиентов).

1) Старые данные о потенциальных клиентах: состоят из сведений о клиентах, демографических данных и личных интересов клиентов, которые интересовались автомобилями.

2) Старые данные о продажах: - Состоит из клиентов, которые приобрели автомобиль ((Лиды, преобразованные из данных о старых потенциальных покупателях), сведения о приобретенных автомобилях и список функций.

3) Данные о новых потенциальных клиентах: состоят из новых клиентов (новых клиентов, которым еще предстоит принять решение), которые интересовались автомобилем, их демографическими и личными интересами.

Производная аналитическая структура проблем и решений:

1) Модель предрасположенности к покупке: путем расчета показателя Вероятность покупки для новых потенциальных клиентов, чтобы оптимизировать конверсию потенциальных клиентов путем разработки индивидуальной стратегии кампании для различных сегментов оценки. Обычно здесь широко применяется метод двоичной классификации (логистическая регрессия, SVM, дерево решений и т. Д.).

Уравнение модели:

Y = (Перехват) + (* IV1) + (* IV2) + (* IV3) + ……. + (* IVn)

Вероятность покупки = exp (Y) / (1 + exp (Y))

2) Система рекомендаций по продуктам: это классическая задача полиномиальной классификации, построение модели нескольких классов (полиномиальная логистическая регрессия, CHAID, случайный Форрест и т. Д.) Для построения оценки вероятности для каждого класса и выбора класса, имеющего максимальное значение вероятности. А также другие методы рекомендаций. (Совместная фильтрация, фильтрация на основе содержимого и т. Д.).

Рис.2: Модель полиномиальной классификации и система рекомендаций по продуктам

Подход к решению:

Склонность к покупке прогнозной модели: -. Это классическая модель бинарной классификации, использующая старые функции данных о лидах и отображение флага покупки (если есть покупка, то 1 или 0) со старым клиентом из старых данных о продажах. У нас было общее количество покупок для 4300 клиентов из 20000 потенциальных клиентов (коэффициент событий - 21,5%). После классификации используются методы, и окончательная модель представляет собой усредненную ансамблевую модель всех моделей для повышения точности и уменьшения дисперсии (переобучения). Затем модель применялась к новым данным о потенциальных клиентах, чтобы вычислить вероятность покупки для каждого нового клиента и прогноза класса («Купить» или «Нет покупки»).

1) Логистическая регрессия

2) Древовидные модели

3) SVM

4) Случайный Форрест

5) Адаптивное усиление

(Я расскажу о технике построения индивидуальных моделей в отдельном посте.)

Рис. 3: Склонность к покупке модельной основы

Характеристики модели: У нас есть четыре критерия качества соответствия модели: A) AUC ROC (Площадь под рабочей кривой приемника), B) Совокупный подъем / усиление (профиль совокупной точности), C) Общая точность (общая правильная классификация / общее количество случаев), D) Чувствительность (Истинно Положительный / Фактический Положительный). Хотя нижеприведенное не является исчерпывающим, это некоторые результаты производительности модели по данным проверки вне выборки (5000 клиентов).

Рис. 4: Сравнение производительности модели - показатели, диаграмма совокупного подъема и AUC-ROC

Из лифта и ROC ясно видно, что почти все модели достаточно хорошо справились со своей задачей по дифференциации (ранжирование) вероятного покупателя от не покупателя. Почти все модели имеют совокупную оценку подъемной силы более 2,5 в верхнем дециле (10% от общей популяции), что означает, что данная модель оценки в 2,5 раза лучше, чем случайная модель в этом диапазоне оценок.

Система рекомендаций по продуктам: Из старой выборки данных о продажах мы обнаружили, что в общей сложности было куплено 430 автомобилей следующих четырех классов. Используя эти исторические данные с использованием других демографических характеристик и интересов клиентов, мы построили полиномиальные модели классификации для прогнозирования вероятного класса новых потенциальных клиентов.

1) Спорт

2) Следующее поколение

3) 200S

4) Седан

Были построены следующие четыре типа моделей, и окончательная оценка вероятности представляет собой средний набор из них для повышения точности прогнозов и уменьшения дисперсии.

1) Полиномиальная логистическая регрессия

2) ЧЭЙД

3) Случайный лес

4) Повышение градиента (GBM)

Рис.5: Полиномиальная классификация Построение модели и показатели производительности

Практическая информация и создание ценности для бизнеса: исходя из результатов модели склонности, наш клиент получает важное значение, некоторые из практических идей принимают корректирующие меры, чтобы настроить стратегию своей кампании и больше сосредоточиться на клиентах, имеющих максимальную вероятность покупки транспортного средства. Также для выявления потенциальных клиентов, которые имеют меньшую склонность к покупке заранее, есть возможность запустить индивидуальное продвижение (бонусные баллы, снижение цены и т. Д.) Для этого сегмента, чтобы максимизировать коэффициент конверсии.

Рис.6: Анализ модели склонности

Из приведенного выше рейтинга бизнес получает четкое представление о склонности к покупке для каждого сегмента своих клиентов. На основе диаграммы совокупного дохода маркетинговая команда может сформировать стратегию относительно того, на кого нацелить кампанию, чтобы максимизировать ее рентабельность. Из диаграммы совокупного прироста видно, что, ориентируясь только на 20% лучших потенциальных клиентов, отдел продаж может достичь более 80% общего объема продаж и достичь довольно высокой рентабельности инвестиций в 400%. Если вы хотите привлечь 95% от общего числа покупателей, он должен сосредоточиться на первых 40% потенциальных клиентов, исходя из оценки предрасположенности, чтобы достичь рентабельности инвестиций 240%.

Теперь естественно спросить, каковы финансовые последствия всех этих моделей и идей, чтобы иметь возможность решить, в чем ценность этого решения. Ниже приводится иллюстративный расчет финансовой выгоды с использованием некоторых упрощающих допущений, хотя в реальном бизнесе подход может быть немного более сложным.

Если у нашего партнера всего 50000 лидов (запрос) в месяц, а средняя стоимость связи (телефон, почта, прямой визит и т. Д.) Составляет 2 доллара США /, то, не имея модели склонности, команда по работе с клиентами должна нацелить все лиды с помощью вероятность конвертации 0,22. Так что здесь стоимость маркетинга составляет 100000 $ с ок. 11000 (0,22 × 50000) продаж. Теперь с этой моделью склонности с таргетингом только на верхних 20% (10000), верхних 40% (20000) и 45% (22500) потенциальных клиентов приводят к 8800 (80% истинной покупки), 10450 (95% истинной покупки) и 10945 (99,5% реальной покупки) продажи автомобилей. Хотя последние два числа очень близки к общему истинному показателю продаж, в первом случае имеется существенная экономия в размере 60000 долларов США в месяц (30000 × 2) и 55000 долларов США в месяц (27500 × 2) в маркетинговом бюджете. Это сокращение маркетингового бюджета можно использовать для запуска индивидуализированной кампании для увеличения коэффициента конверсии. Теперь маркетинговая команда должна оптимизировать показатель склонности к отсечению, чтобы ориентироваться на большее / меньшее количество клиентов, чтобы найти компромисс между сокращением маркетингового бюджета и увеличением объема продаж.

Кроме того, эти модели помогут СБУ по маркетингу понять взаимосвязь (линейную / нелинейную) между различными независимыми переменными (характеристиками и действиями клиентов) и темпами продаж автомобилей, что, в свою очередь, дает представление о драйвере продаж или важных характеристиках. , которые отличают вероятных покупателей от непокупателей. Понимая эти движущие силы и точные отношения, команда клиентов может предложить различные стратегии кампании для разных сегментов клиентов и определить комбинацию функций (правило принятия решения) для покупателей.

Рис.7: Анализ модели склонности - фактор, влияющий на продажи и правило принятия решения о покупке

Алгоритм полиномиальной классификации помог команде продвижения создать автоматизированную систему рекомендаций с правильными рекомендациями по автомобилю, подходящими для каждого клиента.

Рис. 8. Автоматизированная система рекомендаций по продуктам.

Кроме того, он дает представление об основных характеристиках покупателя (поведенческих атрибутах) для каждого класса продукта, чтобы команда продвижения могла лучше понять соответствующую целевую аудиторию.

Впереди: в тематическом исследовании продемонстрировано использование инфраструктуры расширенной аналитики для решения очень распространенной бизнес-проблемы для маркетологов с использованием внутренних данных (база данных клиентов, данные предпродаж и продаж и т. Д.) И данных маркетинговых исследований (данные анкет и опросов). Развитие технологии больших данных и взрывной рост терабайтов данных дает возможность использовать другие источники данных, особенно для использования пространства социальных сетей, таких как Facebook, Twitter и т. д., чтобы получать информацию о клиентах в режиме реального времени.

Существует множество возможностей для интеграции этих элементов неструктурированных данных и применения новейших методов, таких как расширенный анализ текста, НЛП и т. Д., Чтобы узнать мнение отдельных клиентов о продуктах / услугах и принять более обоснованное решение. Это сделает стратегию кампании более эффективной и точной.