Tiga cara menggunakan analitik prediktif untuk mengembangkan bisnis Anda
Diterbitkan: 2019-12-03Ringkasan 30 detik:
- Pemodelan prediktif perilaku pelanggan membantu mendidik kampanye untuk mendorong loyalitas atau menghasilkan prospek.
- Pemodelan kualifikasi prospek membantu tim penjualan fokus pada pelanggan yang paling mungkin untuk membeli/menutup transaksi.
- Keduanya bersama-sama membantu keuangan memahami CLV dan mendidik seluruh organisasi tentang biaya akuisisi pelanggan yang dapat diterima untuk mendorong ROI yang ditargetkan.
Bola kristal—sering dibicarakan dalam istilah folkloric, tetapi tidak pernah tersedia saat Anda membutuhkannya—telah memasuki ranah kemungkinan. Di dunia kita yang aktif, di mana interaksi digital hadir hampir setiap saat dalam kehidupan individu, kita sebagai pemasar kini memiliki alat untuk mengintip masa depan menggunakan data–bukan kristal–untuk melihat ke depan ke mana arah bisnis kita.
Analitik prediktif–proses menggunakan data baru dan historis untuk memperkirakan hasil, aktivitas, perilaku, dan tren basis konsumen kami–adalah kunci yang membuat bisnis yang sukses, yah, sukses.
Perusahaan yang siap untuk pertumbuhan di pasar yang sangat kompetitif saat ini menggunakan analitik prediktif untuk mendapatkan pemahaman yang mendalam tentang basis pelanggan untuk memaksimalkan pendapatan, efektivitas anggaran pemasaran, dan, tentu saja, keuntungan.
Jadi, bagaimana Anda dapat membuka manfaat analitik prediktif untuk bisnis Anda? Mari kita lihat beberapa alat prediktif utama dan bagaimana alat tersebut dapat digunakan untuk membantu bisnis Anda:
1) Pemodelan prediktif perilaku pelanggan
Menggunakan poin data yang diperoleh dari kampanye sebelumnya (khususnya, data yang membantu kami memahami apa yang berhasil dan apa yang tidak), ditambah semua informasi demografis yang diketahui tentang basis pelanggan Anda, Anda dapat membangun model prediktif untuk menarik korelasi untuk menghubungkan perilaku dan demografi masa lalu.
Model ini berusaha untuk menilai setiap pelanggan sesuai dengan kemungkinan mereka untuk membeli produk tertentu, dan memproyeksikan kapan dan bagaimana cara terbaik untuk mendekati individu ini.
Di alam liar, Anda mungkin telah melihat taktik seperti produk yang disarankan ditawarkan kepada Anda selama checkout pembelian online Anda. Ini adalah contoh bagaimana model ini bekerja dalam eksekusi.
2) Kualifikasi dan prioritas lead
Mengejar prospek yang kemungkinan tidak akan menghasilkan konversi bisa mahal. Menerapkan analitik prediktif ke pemodelan prospek dapat memberi Anda lebih banyak "bang" untuk uang investasi prospek Anda. Ini menggunakan algoritme untuk menilai prospek berdasarkan minat yang diketahui, otoritas untuk membeli, kebutuhan, urgensi, dan dana yang tersedia.
Algoritme – menggunakan informasi publik dan kepemilikan – menganalisis, membandingkan, dan membedakan pelanggan yang berkonversi dengan mereka yang tidak, dan kemudian menemukan “kesamaan” di antara prospek yang masuk.
Semakin tinggi skor, semakin berkualitas memimpin. Prospek dengan skor tertinggi harus diarahkan ke penjualan atau ditawarkan insentif langsung untuk berkonversi; skor sedang layak mendapatkan kampanye tetes; skor rendah ... lupakan saja.
3) Penargetan dan segmentasi pelanggan
Di antara penggunaan analitik prediktif yang paling umum, penargetan dan segmentasi pelanggan mengambil tiga bentuk dasar:
- Analisis afinitas mengacu pada proses pengelompokan/segmentasi basis pelanggan menurut atribut yang mereka miliki bersama, memfasilitasi penargetan “menyesuaikan”;
- Pemodelan respons melihat stimulus masa lalu yang disajikan kepada pelanggan, serta respons yang dihasilkan (dikonversi atau tidak) untuk memprediksi kemungkinan pendekatan tertentu untuk mendapatkan respons positif;
- Tingkat gesekan (atau analisis churn) memberikan gambaran tentang persentase pelanggan yang hilang selama periode waktu tertentu, serta biaya peluang/potensi pendapatan yang hilang dengan kepergian mereka.
Dengan sengaja menggunakan alat analisis prediktif ini (dan lainnya), bisnis kemudian dapat memprediksi Nilai Seumur Hidup Pelanggan (CLV). Pengukuran ini melihat beberapa aspek perilaku historis untuk mengidentifikasi:
- pelanggan yang paling menguntungkan dari waktu ke waktu,
- tren pengeluaran akuisisi seputar aktivitas mana yang menghasilkan ROI terbaik, dan
- jenis pelanggan yang setia (sifat retensi).
Model ini kemudian menambahkan perkiraan retensi yang diharapkan ke persamaan sebagai sarana untuk memperkirakan nilai masa depan. Setelah Anda memahami CLV, Anda dapat mengukur biaya akuisisi dan anggaran pemasaran Anda dengan tepat untuk mencapai ROI yang diinginkan.
Satu catatan terakhir
Saat menerapkan analitik prediktif, sangat penting untuk menguji pendekatan Anda secara A/B untuk menginformasikan hasil Anda. Dikenal sebagai inferensi biasa, pengujian A/B dari audiens target yang sama memungkinkan kami menyimpulkan MENGAPA di balik APA yang dilakukan pelanggan.
Dengan langkah-langkah dan pengukuran ini, Anda telah mendapatkan peran Anda sebagai peramal – mengawasi Organisasi Analisis Prediktif yang sebenarnya. Ini adalah kapal yang ketat, di mana pemasaran, penjualan, operasi, dan keuangan bekerja bersama-sama, terus-menerus memberikan umpan balik ke dalam lingkaran "analisis-hasil-data".
Akhirnya, masa depan analitik prediktif bertumpu pada etika. Ya etika. Alih-alih "menyelinap ke" teknologi orang untuk mengikuti perilaku mereka dan mengganggu pola pembelian mereka untuk meningkatkan pangsa pasar, masa depan analitik prediktif adalah melibatkan konsumen sehingga mereka BERBAGI preferensi mereka.
Itulah yang membuat Nike mengakuisisi AI Platform Company Celect yang berbasis di Boston. Dengan menyematkan algoritme prediktif di situs web dan aplikasi mereka sendiri, Nike akan dapat memprediksi model mana yang lebih menarik, di mana konsumen ingin membelinya, dan kapan mereka akan membelinya.
Ingat, semuanya dimulai dengan artikulasi yang jelas dari strategi bisnis. Dengan semua pihak sejalan, chip harus berada di tempatnya:
- pemodelan prediktif perilaku pelanggan membantu mendidik kampanye untuk mendorong loyalitas atau menghasilkan prospek;
- pemodelan kualifikasi memimpin membantu tim penjualan fokus pada pelanggan yang paling mungkin untuk membeli/menutup transaksi;
- keduanya bersama-sama membantu keuangan memahami CLV dan mendidik seluruh organisasi tentang biaya akuisisi pelanggan yang dapat diterima untuk mendorong ROI yang ditargetkan.
Jika Anda tidak memprediksi, Anda kalah.
Adriana Lynch adalah CMO dengan Chief Outsiders , sebuah perusahaan CMO fraksional terkemuka yang berfokus pada pertumbuhan perusahaan menengah. Dia bekerja dengan perusahaan untuk membedakan, mendorong loyalitas pelanggan, dan membuka pertumbuhan yang menguntungkan.