如何利用历史数据提高营销成功率

我们在《 怎样利用历史数据做商业预测 》(以下简称前文) 一文中介绍了如何使用历史数据进行商业预测的过程。不同的商业需求,还会有些各自的特殊性,本文将介绍如何使用预测技术来提升营销成功率。

1. 准备历史数据

在营销场景中,要预测的目标是客户的购买行为,需要搜集一些可能会影响购买行为的信息字段,比如客户的年龄、学历、工作、收入、家庭结构、生活习惯、购物偏好,以及产品的特点、促销力度等信息,收集到的相关信息越多,预测效果也会越好。

另外,我们还可以根据业务特点,分地区、分客群进行预测,比如纽约的房价和中南部城市的房价完全不一样。再比如,汽车的销售,男性客户通常会关注性能,女性客户则更关注外观,还有高端客户和中低端客户的需求特点也会大相径庭。很多时候区分客户群体的分析预测,要比全体直接预测效果要更好,更有针对性。

如果是分地区、分客群的预测,那么对应的宽表也要多准备几张,比如分 3 个客群,宽表就要对应准备 3 张。

2. 建立模型

按前文所述即可,如果有多个客群,那就需要建立多个模型。

3. 预测客户购买清单

用前文的方法,可以实现预测,然后按照预测的概率结果从高到低排序,找前面概率较高的顾客来进行营销活动就可以了。排在前面的顾客的营销成功率更高。

4. Lift 指数

营销场景中,除了用通用的 AUC 指标来看准确率之外,还有一个很实用的评估方法称为 Lift 曲线。Lift 表示提升指数,它的值为使用和不使用预测模型获得的结果之间的比率。如下图所示。

横坐标表示将预测概率从高到底排序取数,10,20……分别表示概率排名前 10%,20%……的客户,纵坐标表示在排名阶段对应的提升指数。例如某种产品它的基准购买率为 1.5%,也就是说不采用模型的传统营销,平均每 100 个人里会有 1.5 个人会购买该产品。然后建立模型后,通过图中的 Lift 曲线可知,排名前 5% 的数据提升度为 14.4,即平均在 100 人里会有 1.5*14.4=21.5 个人购买产品。也就是说对概率排名前 5% 的客户进行营销,要比传统营销,成功率可提高 14.4 倍。随着横坐标用户百分比的增加,lift 值呈递减趋势,对应客户的含金量也在降低,当降低到某个段就没太大营销的意义了。例如图中对于排名约前 15% 的客户来说,lift 值都大于 1,也就是说对前 15% 的客户进行营销,成功率要高于随机选择客户。我们可以根据这个 Lift 曲线来决定选择概率排名前多少比例的客户去做营销。Lift 曲线越陡,说明模型筛选优质客户的能力越好,如图中的 Lift 曲线就是一个还不错的模型,能够帮助我们更有效的找到目标客户,以最低的成本找到最容易成交的客户。

5. 多产品组合购买清单

如果销售产品只有一种或少数几种,到步骤 4 就完成了。

如果销售产品种类很多,比如十几种,甚至上百种,还可以通过挖掘客户的兴趣爱好,向其推荐产品组合,来进一步提高营销成功率和营销价值。比如,银行会有几十种金融产品需要营销,家电公司会有各种家电产品需要销售,超市或电商需要售卖的产品多种多样,保险公司有各种不同种类的保险需要营销……。

历史上很经典的啤酒和尿布的案例,就是通过挖掘数据规律将两个看似无关联的产品组合销售,使得尿布和啤酒的销量双双增加。再比如,银行的金融产品种类很多,我们可以通过挖掘用户的购买偏好,将购买概率较高的几种产品进行组合销售。

产品组合购买清单的预测也非常简单,YModel 中有现成的功能模块。具体操作如下:

(1) 在步骤 1,准备多目标的宽表,将预测产品所需的历史信息和目标变量做到一张宽表里,如下图 y1,y2,y3……表示每种产品是否购买的历史数据,即多目标。

(2) 在步骤 2 中配置目标变量时,将单目标变量改为多目标变量,如图所示。YModel 会自动地根据用户喜好进行产品组合。

其他的操作步骤和单产品都是相同的,预测完成后会出现类似下图的预测结果:

左侧第一列是产品组合的内容,第二列是用户购买该组合的概率,同样将结果导出后就生成了产品组合购买清单,然后可以对前面概率较高的客户进行营销。需要注意的是对于组合概率是没有 Lift 曲线的,取排名前多少的客户就视情况而定了(通常这个数一定会多于单产品的客户数)。

以下是广告时间

对润乾产品感兴趣的小伙伴,一定要知道软件还能这样卖哟性价比还不过瘾? 欢迎加入好多乾计划。
这里可以低价购买软件产品,让已经亲民的价格更加便宜!
这里可以销售产品获取佣金,赚满钱包成为土豪不再是梦!
这里还可以推荐分享抢红包,每次都是好几块钱的巨款哟!
来吧,现在就加入,拿起手机扫码,开始乾包之旅



嗯,还不太了解好多乾?
猛戳这里
玩转好多乾