Noções básicas de Uplift Predictive Analytics Models

Então, como você sabe que o cliente que você alvejado usando análise preditiva não teria comprado de qualquer maneira? Para esclarecer esta questão, pode reformulá-lo de duas maneiras diferentes:

  • Como você sabe que o cliente não teria comprado, mesmo que ela não conseguiu o contato de marketing de você?

  • Como você sabe que o que você enviou para o cliente a influenciou para fazer a compra?

Alguns modeladores afirmam que os problemas com a modelagem de resposta são os seguintes:

  • Você está tendo um subconjunto de seus clientes quem você previstos terão algum interesse no produto ou serviço já.

  • Você está desperdiçando dólares de marketing em clientes que não precisam da influência extra para converter.

  • Você pode estar diminuindo suas margens líquidas porque os descontos que você está usando para atrair o cliente a comprar pode ser desnecessário.

  • Você pode estar reduzindo a sua satisfação do cliente, porque alguns clientes não querem ser (constantemente) contatados.


  • Você está levando incorretamente crédito para a resposta em sua avaliação do modelo.

modelagem Uplift, também chamado modelagem elevador verdadeira e modelagem net entre outros termos, pretende responder a essas críticas por prever quais clientes vai converter, se contactado.

Elevar trabalhos de modelagem, separando os clientes em quatro grupos:

  • Persuadables: Clientes que podem ser persuadidos a comprar - mas só vai comprar se contactado.

  • Coisas certa: Os clientes que vão comprar, independentemente do contato.

  • Causas perdidas: Os clientes que não vão comprar, independentemente do contato.

  • Não Disturbs: Clientes a quem você não deve contato. Contato com eles pode causar uma resposta negativa como provocá-los para cancelar uma assinatura, devolver um produto, ou pedir um ajuste de preço.

modelagem Uplift tem como alvo apenas as Persuadables. Isso parece promissor, mas um modelo de elevação provou muito mais difícil do que para criar um modelo de resposta. Aqui está o porquê:

  • É geralmente requer uma amostra de tamanho maior do que para a modelação de resposta, uma vez que tem segmentado a amostra em quatro grupos e utiliza apenas o grupo de Persuadables. Em seguida, ele tem de ser ainda mais divididas para medir a eficácia do modelo.

    Este grupo será potencialmente muito menor do que o tamanho alvo para modelar a resposta. Com um tamanho alvo menor e complexidade, no entanto, o esforço de operação e custo não pode justificar o uso através de modelagem resposta.

  • É difícil segmentar os clientes perfeitamente com esses quatro grupos distintos, assim como é difícil medir a precisão da segmentação.

  • É difícil medir o sucesso de um modelo tal, porque ele está tentando medir mudança no comportamento de um cliente, não a ação concreta de se o cliente comprou depois de receber contato.

    Para medir o comportamento de um único cliente com precisão, você (em vigor) tem que clonar ela e dividir os clones idênticos em grupos. O primeiro (grupo tratado) receberia o advertisement- o segundo (grupo controle) não. Deixando de lado tais cenários de ficção científica, você tem que fazer algumas concessões à realidade e empregar alguns métodos alternativos (mais difíceis) para obter uma estimativa útil do sucesso do modelo.

Mesmo com essas dificuldades, alguns modeladores argumentam que a modelagem elevação fornece o impacto de marketing verdadeiro. Eles consideram-se mais eficiente do que a modelagem de resposta, porque ele não inclui as coisas certas na segmentação (que infla artificialmente as taxas de resposta). Por essa razão, eles se sentem modelagem de elevação é a escolha para o marketing de destino usando análise preditiva.

modelagem Uplift ainda é uma técnica relativamente nova no marketing de destino. Mais empresas estão começando a usá-lo e tiveram sucesso usando-o em sua retenção de clientes, campanhas de marketing, e até mesmo campanhas presidenciais.

Alguns especialistas estão creditando modelagem de elevação para win campanha presidencial do presidente Obama 2012. analista de dados da campanha usaram um modelo de elevação para atingir fortemente os eleitores que estavam mais susceptíveis de serem influenciados pelo contacto. Eles usaram mensagens personalizadas através de diversos canais de contato: mídia social, televisão, mala direta, e telefone. Eles concentraram seus esforços para persuadir o grupo de Persuadables. Eles investiram pesadamente nesta estratégia- aparentemente valeu a pena.

» » » » Noções básicas de Uplift Predictive Analytics Models