Прогностическая аналитика дает представление о будущем, а также доступ к стратегическим знаниям, которые могут открыть новые возможности. Вот четыре способа использования предсказательной аналитики и способы изменения способа представления данных.

Потенциальные клиенты

Существует три основных варианта использовать предсказательную аналитику в B2B:

Предиктивный подсчет: этот метод позволяет предсказать поведение потенциальных клиентов на сайте, на основе их прошлых действий. Данный метод позволяет определить на каких аспектах стоит сфокусировать большее количество ресурсов, а какие не стоят внимания.

Модели идентификации: этот вариант использования опирается на сравнение действий лида с действиями, которые он совершил в прошлом. При этом вы можете перенаправить ресурсы тем потенциальным клиентам, которые наиболее перспективны на основе предыдущих действий, которые они предприняли, а также определить новые рынки, о которых вы ранее не знали.

Персонализация. В согласии с прогнозированием того, какие из потенциальных клиентов, скорее всего, будут принимать какие-либо действия, одни и те же данные могут быть использованы для определения того, какие лиды лучше всего реагируют на типы сообщений. Эта расширенная форма сегментации может анализировать вещи глубже, чем просто разделение на подгруппы групп - вместо этого они отправляют гораздо более персонализированные сообщения.

Моделирование поведения клиентов

Моделирование поведения клиентов - основное направление в предсказательной аналитики, но далеко не единственное маркетинговое применение этой технологии. Моделирование клиентов можно разделить на три основных типа: модели кластеров, модели склонности и совместная фильтрация.

Кластерные модели

Кластеризация - это способ сегментирования клиентов в группы на основе многих переменных. Кластерная модель коррелирует различные атрибуты и идентифицирует ряд равновесий, в которых некоторые типы атрибутов имеют тенденцию накапливаться. То, что делает кластеризацию особенной, по сравнению с традиционной сегментацией, - это огромное количество переменных. Кластеры часто используют 30 переменных или более, гораздо больше, чем это было бы возможно, если бы вы вручную сегментировали клиентов или даже если они были вручную сегментированы.

Кластеры бывают трех форм:

Кластеры продуктов: это кластеры клиентов, которые склонны покупать только определенные типы продуктов, игнорируя другие вещи в вашем каталоге;

Брендовые кластеры: эти клиенты, как правило, покупают товары у определенных брендов;

Поведенческие кластеры: это сегменты клиентов с определенной линией поведения, например, частые покупатели, которые совершают небольшие заказы, или клиенты, которые предпочитают колл-центр онлайн-покупке.

Важно отметить, что эти кластеры позволяют прогнозировать, к каким кластерам относятся люди, даже с ограниченной информацией. Если клиент покупает один продукт с определенным брендом, ваш бренд-кластер может предсказать, какие бренды еще могут заинтересовать лида, а не просто, более очевидную рекомендацию, предлагать все остальные товары одного и того же бренда.

Модели склонности

Модель склонности - это модель, которая дает прогнозы на будущее о поведении клиентов на основе корреляции с другими формами поведения и атрибутами. Это может быть выполнено с использованием регрессионного анализа или машинного обучения.

Совместная фильтрация

Если вы видели рекомендации в интернет магазинах: “люди, которым понравился этот продукт, также понравились…”, вы догадываетесь, какой это тип модели. На первый взгляд совместная фильтрация похожа на кластерные модели (на основе продуктов), но все-таки различия присутствуют. Вместо того, чтобы группировать клиентов по типам продуктов, которые они, вероятно, будут покупать, фильтры совместного использования делают рекомендации, основанные на совокупном поведении. Другими словами, это меньше касается пользовательских настроек продукта, а больше поведения, которое продукты обычно вызывают у пользователей.

Существует три типа фильтров совместной работы:

Рекомендации по продажам. Рекомендации перед продажей продукта, более высокого уровня.

Рекомендации по перекрестной продаже. Рекомендации до продажи продукта, который часто покупается одновременно с первоначальным.

Последующие рекомендации. Рекомендации для продуктов, которые люди, как правило, покупают после покупки предыдущего продукта, например, заменяя продукт, который заканчивается, или покупая посуду после покупки стола.

Подключение правильного продукта к нужному рынку

Работая в обратном направлении от моделирования клиентов, можно определить новые рынки для продукции. Вот лишь несколько примеров того, как можно использовать этот вариант:

Включите источники трафика в модели кластера. Это позволит определить, какие источники трафика коррелируются с определенными типами продуктов, брендов или моделями поведения. Благодаря этому можно определить новый рынок для этих продуктов или брендов.

Включите источники трафика в свои модели склонности к стоимости жизни. Это позволит определить, куда необходимо инвестировать больше маркетинговых ресурсов, так как можно предугадать рентабельность инвестиций.

Подключение корректных пользователей к нужному контенту

Существует несколько способов, которыми можно использовать модели клиентов, например:

Сопоставление контента, связанного с продуктами или брендами, на основе соответствующих кластеров

Согласование пользователей с копией конверсии, когда модели склонности прогнозируют, что они, скорее всего, будут покупать.

Рекомендация для пользователей, улучшающая их показатели склонности.

Рекомендация для пользователей, которые повышают вероятность того, что они будут хорошо реагировать на продажу .

Обнаружение стратегических маркетинговых идей

Хотя некоторые интеллектуальные аналитические инструменты могут автоматически оптимизировать ваш маркетинговый процесс и генерировать результаты, важно помнить, что человеческие решения по-прежнему играют очень важную роль в этом процессе.

Там, где предсказательная аналитика и связанные с ней инструменты ИИ часто терпят неудачу, есть склонность «перегружать» данные. Они могут застревать в локальных максимумах и минимумах, неспособны совершить переход на новый уровень.

Работа с предсказательной аналитикой всегда должна заключаться в том, чтобы найти идеи и решения, которые приведут к конверсиям и совершенствовать их, если ваши модели работают на автопилоте, то никаких новых возможностей обнаружено не будет.