Analisi di marketing predittiva

L’analisi di marketing è stata storicamente una disciplina autoptica: dashboard che spiegano cosa è già successo, rivisti in riunioni di circa un quarto che non possono essere modificate. La previsione fa avanzare gli stessi dati. Invece di imparare ad aprile che la coorte di febbraio ha sfornato, si impara a febbraio quali clienti stanno andando alla deriva mentre c'è ancora tempo per intervenire. Il meccanismo per questo è ora accessibile ai normali team di marketing; ciò che rimane scarso è la disciplina per implementarlo onestamente. Questa guida copre dove la previsione paga, cosa richiede e come evitare le modalità di guasto che trasformano i modelli in decorazioni costose.

Le previsioni che vale la pena fare

Non tutte le previsioni valgono la pena di essere costruite. Dare priorità alle previsioni che cambiano una decisione che controlli effettivamente.

Predizioni a livello di cliente

Churn rischio di marcare i conti di bandiere il cui modello di comportamento assomiglia a quelli dei vecchi abbandoni, abbastanza presto per la conservazione gioca a contare. La propensione all'acquisto e alla conversione classifica i lead e i clienti in base alla probabilità di agire, consentendo all'attenzione delle vendite e ai budget di incentivazione di fluire dove cambiano i risultati. La previsione del valore a vita stima il valore a lungo termine vicino all'inizio di una relazione, correggendo l'errore cronico di spendere troppo su clienti facili da acquisire e rapidi da lasciare. I modelli Next-Best-Action suggeriscono quale offerta o contenuto si adatta allo stato attuale di ogni persona. Tutti e quattro condividono la stessa logica: i modelli che hanno preceduto un risultato in passato identificano chi si avvicina ora.

Pronostici di campagna e di mercato

La previsione della domanda modella il budget, il coordinamento dell'inventario e i tempi delle campagne. La previsione delle prestazioni dei contenuti, la stima dell'impegno dai modelli storici per argomento, formato e tempistica, aiuta a dare priorità a un backlog di produzione. Stima della modellizzazione della risposta al budget in cui la prossima unità di spesa produce il maggior ritorno sui canali. Queste previsioni sono più approssimative di quelle a livello di cliente, ma anche l'accuratezza direzionale migliora l'allocazione delle risorse rispetto ai pregiudizi di abitudine e di recency.

Il test decisionale

Prima di costruire qualsiasi modello, nomina la decisione che cambierà, chi prenderà quella decisione e cosa faranno in modo diverso a diversi valori di previsione. Una previsione senza proprietario e nessun playbook è un report e i report non hanno bisogno di apprendimento automatico.

La preparazione dei dati viene prima della modellazione

Ogni progetto predittivo eredita la qualità del suo record storico, e la maggior parte delle delusioni risale qui piuttosto che agli algoritmi.

Storia, copertura e coerenza

La previsione ha bisogno di risultati passati sufficienti per imparare: abbastanza clienti sfornati, abbastanza contatti convertiti, abbastanza cicli di campagne, compresi quelli stagionali. Ha bisogno di definizioni coerenti nel tempo, perché se "cliente attivo" è stato ridefinito l'anno scorso, il modello impara un cambiamento fantasma. E ha bisogno di copertura: se il comportamento chiave accade nei sistemi che non si catturano, il modello sta leggendo una storia parziale. Eseguire un controllo dei dati rispetto alla previsione specifica prima di impegnarsi in uno strumento o una timeline.

Guardare per perdite e pregiudizi nel record

Due killer silenziosi: perdite, in cui i dati di allenamento includono accidentalmente informazioni non disponibili al momento della previsione, producendo modelli che testano brillantemente e falliscono dal vivo; e pregiudizi storici, in cui il modello impara le tue abitudini di targeting passate piuttosto che la realtà dei clienti, se solo commercializzato in una regione, il modello prevederà diligentemente che la regione converte meglio. Entrambi richiedono una revisione umana scettica di ciò che il modello ha effettivamente imparato.

Privacy per design

Valutare i clienti solo con i dati raccolti con il consenso appropriato per lo scopo, onorare gli opt-out all'interno della pipeline ed escludere attributi sensibili e i loro proxy. La profilazione si colloca esattamente all'interno della moderna regolamentazione della privacy nei principali mercati e il costo di progettazione della conformità è inferiore al momento della progettazione.

Scegli spiegabile prima intelligente

Quando due modelli si comportano in modo simile, prendere quello il cui ragionamento può essere ispezionato. I modelli spiegabili guadagnano più velocemente la fiducia con gli stakeholder, i problemi di dati di superficie più velocemente, perché è visibile un'assurda funzionalità superiore e ti tengono sul lato giusto delle normative che garantiscono ai clienti i diritti sulle decisioni automatizzate. Il premio di precisione di un modello opaco è spesso più piccolo di quanto sembri una volta conteggiata la deriva e la manutenzione del mondo reale, mentre i costi di non essere in grado di rispondere al perché ha segnato questo account in questo modo si ripetono per sempre. Le previsioni di marketing raramente hanno bisogno di sofisticazione di frontiera; devono essere abbastanza giuste, stabili e difendibili in una riunione.

Validazione: il livello di onestà

La differenza tra l'analisi predittiva e l'astrologia costosa è la disciplina di convalida.

Test sui dati che il modello non ha mai visto

Tenere una fetta di tempo o campione cliente dalla formazione e misurare le prestazioni lì, perché in forma sui dati di formazione dimostra la memorizzazione, non lungimiranza. Preferisce le sostenze a tempo per i problemi di marketing, poiché la vera domanda è sempre se i modelli del passato persistono nel futuro e insistono a vedere questa valutazione anche dai fornitori, non solo le affermazioni di precisione sulle loro diapositive.

Confronta con la linea di base ingenua

Ogni modello deve battere l'alternativa stupida: prevedere il numero dell'anno scorso, supponendo che i clienti attuali si comportino come clienti medi, classificando i lead per recenza. Se un modello sofisticato batte le regole ingenue solo marginalmente, la regola semplice potrebbe essere la scelta operativa migliore, più economica, spiegabile e robusta. Conoscere la tua baseline inocula anche la squadra contro il vendor theater.

Monitorare le performance live per sempre

I modelli decadono quando il comportamento, i prodotti e i mercati cambiano. Monitora continuamente il preditto-versus-reale, avvisa alla deriva e pianifica la riqualificazione. Un modello di churn addestrato prima di un importante cambiamento di prezzo è prevedere un'azienda che non esiste più. Assegnare un proprietario nominato per ogni modello di produzione; i modelli non di proprietà marciscono silenziosamente mentre le decisioni continuano a fidarsi di loro.

Evitare di auto-realizzare e auto-sconfiggere i loop

Agire sulle previsioni cambia i dati che allenano le previsioni future e i cicli di feedback si interrompono in entrambi i modi. Mantenere aggressivamente ogni rischio di abbandono segnalato significa che il tuo prossimo modello si allena su clienti il cui comportamento i tuoi interventi sono alterati; inseguire solo lead ad alta propensione significa non imparare mai se quelli ignorati si sarebbero convertiti. Proteggere il sistema di apprendimento deliberatamente: mantenere piccoli holdout randomizzati che ricevono il trattamento predefinito, occasionalmente servire segmenti al di fuori della raccomandazione del modello, e gli interventi di registro accanto ai risultati in modo che il prossimo ciclo di allenamento in grado di distinguere l'accuratezza del modello dagli effetti delle azioni. La disciplina si sente dispendiosa nel piccolo ed è ciò che mantiene l'intero sistema onesto nel grande.

Trasformare i punteggi in operazioni

La previsione crea valore solo nel momento in cui qualcuno agisce in modo diverso a causa di esso.

Costruire playbook per banda di previsione

Definire cosa succede a ogni livello di punteggio prima del lancio: l'alto rischio di abbandono innesca una sequenza di ritenzione e, per i conti di alto valore, un check-in umano; percorsi ad alta propensione alle vendite entro ore; segmenti a bassa propensione vengono nutriti a basso costo piuttosto che inseguire costoso. Il playbook trasforma una colonna del cruscotto in un comportamento del sistema e la sua scrittura espone previsioni su cui nessuno agirebbe comunque.

Dai un contributo alle decisioni dei canali quotidiani

La previsione dovrebbe modellare l'esecuzione di routine, non solo campagne speciali. La domanda prevista sposta il calendario dei contenuti; le prestazioni previste riordinano il backlog di pubblicazione; l'analisi del modello di coinvolgimento regola i tempi e i formati di pubblicazione. Le piattaforme sociali sono un laboratorio naturale per questo ciclo perché il feedback è veloce: le intuizioni su ciò che risuona possono fluire nella coda della prossima settimana in un programmatore come SocialBlaze, rendendo il ciclo di predic-act-learn un'abitudine settimanale piuttosto che un progetto trimestrale.

Mantenere gli esseri umani oltre il ciclo per azioni consequenziali

Lascia che l'automazione agisca su previsioni a basso rischio a volume, ma mantieni la revisione umana ovunque un'azione sia costosa, visibile o difficile da invertire, il trattamento dei principali account, gli impegni pubblici, le decisioni sui prezzi. La previsione è probabilistica per natura; il modello di solito è giusto è esattamente il motivo per cui qualcuno deve prendere i casi in cui è sicuro di sbagliare.

Decidere la domanda buy-versus-build pragmaticamente

La maggior parte dei team di marketing non dovrebbe costruire modelli da zero. Le funzionalità predittive ora vengono spedite all'interno delle piattaforme che già esegui, gli strumenti di posta elettronica che segnano i tempi di invio e di zangolatura, i lead di punteggio dei CRM, le tendenze di previsione delle suite di analisi e queste opzioni incorporate vengono pre-integrate con la superficie di attivazione, che è la maggior parte della battaglia. Riserva modelli personalizzati per le previsioni centrali per la tua economia in cui gli strumenti incorporati non sono sufficienti e lo staff correttamente quando lo fai. La domanda giusta non è quale approccio sia più sofisticato, ma che ottiene un punteggio convalidato in un playbook operativo più veloce, perché l'ascensore proviene dalla recitazione, non dalla modellazione.

Costruire la pratica, non solo un modello

Le squadre che sostengono il vantaggio predittivo lo trattano come una capacità con la cultura intorno ad esso.

Iniziare stretto e banca una vittoria

Scegli una previsione con economia chiara, dati disponibili e un proprietario operativo disponibile, punteggio churn e priorità di piombo sono le prime vittorie comuni ed eseguila alla fine: modello, convalida, playbook, sollevamento misurato contro un gruppo di controllo. Una vittoria documentata finanzia la roadmap e converte gli scettici meglio di qualsiasi strategia.

Insegnare all'organizzazione a leggere le probabilità

Un punteggio dell’ottanta per cento significa che due su dieci previsioni mancano, e la leadership deve sentire che inquadrare prima della prima mancanza, non dopo. Le squadre parlano fluentemente dell’incertezza e usano i modelli in modo appropriato; le squadre hanno venduto in modo sicuro oscillando tra la fede cieca e l’abbandono totale al primo errore. Segnalare l'ascensore e gli intervalli, non solo le stime dei punti, e celebrare il confronto tra gruppi di controllo come il vero tabellone dei punteggi.

L’analisi predittiva del marketing riguarda meno gli algoritmi che la postura: decidere di agire sul futuro si può stimare piuttosto che sul passato che si può tabulare. Scegli le previsioni associate a decisioni reali, rispetta il lavoro dei dati, convalida le basi di partenza ingenue e invia i punteggi nei playbook con i proprietari. Il vantaggio di compounding va alle squadre che eseguono questo ciclo ogni settimana.