Concetti base di Uplift Predictive Analytics Models - dummies

Quindi, come fai a sapere che il cliente che hai scelto come target con l'analisi predittiva non l'avrebbe comunque acquistato? Per chiarire questa domanda, puoi riformularla in un paio di modi diversi:

• Come fai a sapere che il cliente non avrebbe acquistato, anche se non ha ricevuto il contatto di marketing da te?

• Come sai che ciò che hai inviato al cliente l'ha influenzata per effettuare l'acquisto?

Alcuni modellatori sostengono che i problemi con la modellazione delle risposte sono i seguenti:

• Stai prendendo un sottoinsieme dei tuoi clienti che hai previsto avranno già un certo interesse per il prodotto o il servizio.

• Stai sprecando dollari di marketing per i clienti che non hanno bisogno di un'influenza extra per la conversione.

• Potresti diminuire i tuoi margini netti perché gli sconti che stai utilizzando per invogliare il cliente ad acquistare potrebbero non essere necessari.

• Potresti ridurre la soddisfazione del cliente perché alcuni clienti non vogliono essere (costantemente) contattati.

• Ti stai erroneamente prendendo in considerazione la risposta nella tua valutazione del modello.

La modellazione di sollevamento , detta anche modeling vero sollevamento e modellazione netta , tra gli altri termini, mira a rispondere a tali critiche prevedendo quali clienti avranno solo convertire se contattato.

La modellizzazione dell'uplift funziona separando i clienti in quattro gruppi:

• Persuadables: Clienti che possono essere persuasi ad acquistare - ma compreranno solo se contattati.

• Certo: Clienti che compreranno, indipendentemente dal contatto.

• Cause perse: Clienti che non compreranno, indipendentemente dal contatto.

• Non disturbare: Clienti che non dovresti contattare. Contattarli potrebbe causare una risposta negativa come provocarli per cancellare un abbonamento, restituire un prodotto o chiedere un adeguamento del prezzo.

La modellazione di sollevamento si rivolge solo ai persuasivi. Sembra promettente, ma un modello di sollevamento è risultato molto più difficile da creare rispetto a un modello di risposta. Ecco perché:

• In genere richiede una dimensione di campionamento più ampia rispetto alla modellazione di risposta, poiché ha segmentato il campione in quattro gruppi e utilizza solo il gruppo di Persuadables. Deve quindi essere ulteriormente suddiviso per misurare l'efficacia del modello.

  Questo gruppo sarà potenzialmente molto più piccolo della dimensione di destinazione per la modellazione di risposta. Con una dimensione e una complessità del target più piccole, tuttavia, lo sforzo e il costo operativo potrebbero non giustificare l'uso sulla modellazione della risposta.

• È difficile segmentare perfettamente i clienti in questi quattro gruppi distinti, così come è difficile misurare l'accuratezza della segmentazione.

• È difficile misurare il successo di un modello di questo tipo perché sta tentando di misurare il cambiamento nel comportamento di un cliente, non l'azione concreta del fatto che il cliente abbia acquistato dopo aver ricevuto un contatto.

  Per misurare con precisione il comportamento di un singolo cliente, dovresti (in effetti) doverla clonare e dividere i cloni identici in gruppi. Il primo (gruppo trattato) riceverà il; il secondo (gruppo di controllo) non lo farebbe. Mettendo da parte questi scenari di fantascienza, devi fare alcune concessioni alla realtà e impiegare alcuni metodi alternativi (più difficili) per ottenere una stima utile del successo del modello.

Anche con queste difficoltà, alcuni modellisti sostengono che la modellistica di sollevamento fornisce un vero impatto sul marketing. Lo considerano più efficiente della modellazione di risposta perché non include le Sure Things nel targeting (che gonfia artificialmente i tassi di risposta). Per questo motivo, sentono che la modellizzazione è la scelta per il marketing di destinazione utilizzando l'analisi predittiva.

La modellistica di sollevamento è ancora una tecnica relativamente nuova nel marketing di destinazione. Più aziende stanno iniziando a usarlo e hanno trovato il successo utilizzandolo nella loro fidelizzazione dei clienti, campagne di marketing e persino campagne presidenziali.

Alcuni esperti stanno accreditando la modellizzazione del rialzo per la vittoria della campagna presidenziale del presidente Obama nel 2012. L'analista dei dati della campagna ha utilizzato la modellizzazione del sollevamento per indirizzare gli elettori con maggiore probabilità di essere influenzati dal contatto. Hanno usato messaggi personalizzati attraverso diversi canali di contatto: social media, televisione, direct mail e telefono. Concentrarono i loro sforzi per persuadere il gruppo di Persuadables. Hanno investito molto in questa strategia; a quanto pare ha pagato.