1700431536
网络数据可以帮助将所有业务进行彻底改善。
1700431537
1700431539
2.3.2 流失模型
1700431540
1700431541
在电信行业，企业付出了很多时间和精力来创建、增强和完善“流失”模型。流失模型指出了那些最有可能注销账户的顾客，从而可以及早采取措施以防止这些客户流失。对于行业来说，流失是一个非常严重的问题，会使大量的资金处在危险中。这些模型对于账目的底线有很大的影响。
1700431542
1700431543
管理客户流失一直是，而且以后仍将是，理解客户使用情况和收益的关键。想象一下，如果今天能把网络数据用于适当的环境中，将会造成多么巨大的改观。Smith夫人是101电信运营商的顾客，她在Google搜索栏里输入了“我如何取消与101电信运营商的合约？”。然后她从一个链接进入到了101电信运营商的合约取消政策网页。想象一下，与其他数据相比，这个用户数据对于流失模型以及采取进一步的有效措施是多么的及时和重要。
1700431544
1700431545
很难想象取消合约意愿的指向标要比了解Smith夫人调研取消合约以及完成取消请求的最终过程更加重要。或许分析专家已经看到了她使用率的降低，或许他们还没有看到。通常需要几周或几个月的时间才能发现使用模式的改变。然而，通过收集Smith夫人的网络行为，101电信运营商可以更快地采取措施以避免失去Smith夫人这个顾客。
1700431546
1700431547
如果不能在早期就发现那些正在研究取消合约选项的顾客，那么就意味着直到客户心意已决，并且另外一个对手已经赢得了他们的业务时，我们才开始想办法把客户夺回来。大多数这样的情景都已经为时过晚，丢失的客户已经无法再被挽回。
1700431548
1700431550
2.3.3 响应模型
1700431551
1700431552
很多模型用来帮助预测当要求顾客对某项请求进行响应时，他们可能做出的选择。这些模型通常会试图预测哪些顾客会购买或接受某项服务，或者点击某个电子邮件链接。这样的模型通常使用一种叫做逻辑回归分析的技术。这些模型通常被称为响应模型或倾向模型。我们刚刚提到的流失模型也属于这一类模型。区别在于，流失模型的目的是为了预测负面的行为（流失）而不是正面的行为（购买或响应）。
1700431553
1700431554
当使用响应模型或倾向模型时，会将所有顾客根据其采取行动的可能性进行打分和评级。然后，根据评级的结果生成不同的群组，以对不同群组内的顾客采取不同的措施。理论上讲，每个顾客的分值是唯一的。但在实际中，由于这些模型中只有少数几个变量，因此最终可能会有很多顾客的分值是相同或几乎相同的。对于那些不经常高消费的顾客，情况尤其如此。在这种情况下，很多分值非常低并且很相近的顾客最终会被划入同一个很大的群体中。
1700431555
1700431556
网络数据可以极大地帮助区分顾客，尤其是对于那些不常购物的或分值很低的顾客，可以根据他们的网络数据将他们的分值进行大幅地提升。让我们来看一个具体的例子，我们首先利用一个变量很少的响应模型对4个顾客进行打分。由于这些顾客对模型中每个变量的取值都相同，因此它们最终的分值完全相同。这些分值都是假想的，因此不必担心它们是被如何计算出来的。这4个顾客的档案如下所示。
1700431557
1700431558
■ 上一次购买在90天之内。
1700431559
1700431560
■ 上一年总共消费6次。
1700431561
1700431562
■ 总共花费了200～300美元。
1700431563
1700431564
■ 拥有住房者，预计家庭收入为100000～150000美元。
1700431565
1700431566
■ 忠诚计划的会员。
1700431567
1700431568
■ 上一年所购买特色产品的目录。
1700431569
1700431570
在这个例子中，所有的顾客都得到了完全相等的分值，并且看起来响应的可能性也是相同的。假设他们的分值都是0.62，任何基于这个模型的营销项目都会将这4个顾客同等对待。毕竟，基于以上的这些信息是无法将他们进行区分的，他们看起来完全一样！
1700431571
1700431572
现在，利用网络数据，让我们来看一下情况发生了什么样的明显改变。看一下网络数据如何为我们提供强大的新信息。
1700431573
1700431574
■ 顾客1从未访问过你的网站，因此他的分值降低到了0.54。
1700431575
1700431576
■ 顾客2上个月浏览过你们提供的产品，因此他的分值提高到了0.67。
1700431577
1700431578
■ 顾客3上个月浏览过你们提供的特色产品，因此他的分值提高到了0.78。
1700431579
1700431580
■ 顾客4上一周浏览过你们提供的特色产品3次，有一次将其放入购物车，然后取消，但是后来又再次浏览了该商品，因此他的分值提高到了0.86。
1700431581
1700431582
即使顾客尚未达成购买意愿，网络行为仍可以让我们明确顾客当前的兴趣，从而可以对顾客进行更好地打分，并将其严格进行区分，这在以前是根本无法区分开的。现在，将这4个顾客的例子延伸到不同渠道、几百万顾客上，你将看到巨大的改观。
1700431583
1700431584
当被问到利用网络数据所带来的价值时，一个来自多渠道美国专业零售商的市场总监这样回答，“这就像是在印钞票！”好消息是，不管有没有网络数据，都很容易建立起验证模型，这些模型要验证在任意给定情况下，业绩是否得到了改进。事实上，这种对企业环境造成影响的测试不会带来任何风险。
1700431585
[
上一页 ]
[ :1.700431536e+09 ]
[
下一页 ]