Basisprincipes van Uplift Predictive Analytics-modellen - dummies

Dus hoe weet je dat de klant die je wilde gebruiken met behulp van voorspellende analyses, toch niet zou hebben gekocht? Om deze vraag te verduidelijken, kunt u deze op verschillende manieren opnieuw formuleren:

• Hoe weet u dat de klant niet zou hebben gekocht, zelfs als zij het marketingcontact niet van u heeft ontvangen?

• Hoe weet u dat wat u naar de klant stuurde haar heeft beïnvloed om de aankoop te doen?

Sommige modelbouwers beweren dat de problemen met responsmodellering als volgt zijn:

• U neemt een subset van uw klanten waarvan u hebt voorspeld dat ze al enige interesse in het product of de service hebben.

• U verspilt marketingdollars aan klanten die de extra invloed niet nodig hebben om te converteren.

• Mogelijk verlaagt u uw nettomarge omdat de kortingen die u gebruikt om de klant te verleiden tot kopen mogelijk niet nodig zijn.

• U kunt uw klanttevredenheid verminderen, omdat sommige klanten niet (voortdurend) gecontacteerd willen worden.

• U neemt ten onrechte de eer op voor het antwoord in uw evaluatie van het model.

Uplift-modellering , ook wel echte liftmodellering en netto-modellering genoemd, is bedoeld om die kritiek te beantwoorden door te voorspellen welke klanten alleen zullen zijn converteren als gecontacteerd.

Uplift-modellering werkt door klanten in vier groepen onder te verdelen:

• Persuadables: Klanten die kunnen worden overgehaald om te kopen - maar alleen kopen indien gecontacteerd.

• Sure Things: Klanten die zullen kopen, ongeacht het contact.

• Verloren oorzaken: klanten die niet zullen kopen, ongeacht het contact.

• Do Not Disturbs: klanten met wie u geen contact kunt opnemen. Contact opnemen met hen kan een negatief antwoord veroorzaken, zoals het oproepen van een abonnement, het retourneren van een product of een prijsaanpassing.

Uplift-modellering is alleen gericht op de Persuadables. Dat klinkt veelbelovend, maar een opdrijvend model is veel moeilijker te maken gebleken dan een responsmodel. Dit is waarom:

• Het vereist over het algemeen een grotere steekproefomvang dan voor responsmodellering, omdat het segment in vier groepen is gesegmenteerd en alleen de groep Persuadables gebruikt. Vervolgens moet het verder worden opgesplitst om de effectiviteit van het model te meten.

  Deze groep is mogelijk veel kleiner dan de doelgrootte voor responsmodellering. Met een kleinere doelgrootte en complexiteit kunnen de operationele inspanningen en kosten het gebruik echter niet rechtvaardigen met betrekking tot responsmodellering.

• Het is moeilijk om de klanten perfect te segmenteren in die vier verschillende groepen, net zoals het moeilijk is om de nauwkeurigheid van de segmentatie te meten.

• Het is moeilijk om het succes van een dergelijk model te meten, omdat het probeert de verandering in het gedrag van een klant te meten, niet de concrete actie van het feit of de klant heeft gekocht nadat hij contact heeft gehad.

  Als u het gedrag van een klant nauwkeurig wilt meten, moet u (in feite) haar klonen en de identieke klonen in groepen splitsen. De eerste (behandelde groep) zou de; de tweede (controlegroep) zou dat niet doen. Als je zulke sci-fi-scenario's opzij zet, moet je een aantal concessies doen aan de realiteit en een aantal alternatieve (moeilijkere) methoden gebruiken om een ​​bruikbare schatting te krijgen van het succes van het model.

Zelfs met deze problemen stellen sommige modelers dat uplift-modellering echte marketingimpact oplevert. Ze beschouwen het als efficiënter dan responsmodellering omdat het niet de Sure Things in de targeting omvat (die de responspercentages kunstmatig opblaast). Om die reden voelen ze zich verheugd modelleren is de keuze voor doelmarketing met behulp van voorspellende analyses.

Uplift-modellering is nog steeds een relatief nieuwe techniek in doelmarketing. Meer bedrijven beginnen het te gebruiken en hebben succes gevonden door het te gebruiken in hun klantenbehoud, marketingcampagnes en zelfs presidentiële campagnes.

Sommige experts zijn verheugd over het modelleren van president Obama's 2012 overwinning in de presidentsverkiezingen. De data-analist van de campagne gebruikte uplift-modellering voor sterk getargeteerde kiezers die het meest waarschijnlijk werden beïnvloed door contact. Ze gebruikten gepersonaliseerde berichten via verschillende contactkanalen: sociale media, televisie, direct mail en telefoon. Ze concentreerden hun inspanningen om de groep Persuadables te overtuigen. Ze investeerden zwaar in deze strategie; blijkbaar heeft het zijn vruchten afgeworpen.