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
1700431587
2.3.4 顾客分类
1700431588
1700431589
网络数据使得很多全新的分析方法成为可能。其中一种是根据顾客的典型浏览模式将他们进行分类。比起传统的基于人口和销售的分类，这种分类提供了一个关于顾客的全新视角。另外，这种分类也可以产生独特的见解和行动。
1700431590
1700431591
考虑一个名字为梦想者的基于浏览行为的分类。梦想者们重复地将某件商品放入他们的购物车，然后又取消。梦想者总是多次添加和取消同一件商品。对于某些昂贵的商品，例如，电视或者电脑，这种情况尤为常见。不难找出哪些人进行了这样的重复操作。而一旦他们被发现了，你可以做些什么呢？
1700431592
1700431593
一个可取的方法是看一下这些顾客正在取消哪些商品。也许某个顾客正在看一个非常昂贵的高清电视。你在过去已经发现这个顾客经常挑选价格过高的商品，在重复选择和取消很多次之后，却最终购买了另一件稍微便宜一些的商品。那么，给他发一封电子邮件，并告诉他那些具备大多数相同特征但稍微便宜一些的产品，或许可以帮助他迅速下定决心完成购买。
1700431594
1700431595
从网络数据中崛起的新分析
1700431596
1700431597
有很多种数据源都可以用于顾客分类。销售、人口统计、问卷反馈只是其中几种。现在，还可以根据浏览行为对顾客进行分类。从中可以了解顾客的购物风格和思考过程，并为你的分类准则提供一个非常重要的、额外的维度。
1700431598
1700431599
另外一种方法也随处可见。对顾客取消购物车商品的统计信息稍加调整，便可用于对顾客进行分类。在企业看来，购物车中的商品被取消通常意味着失败。然而，通过查看浏览历史，可以确认有10件被取消的商品是由于某个顾客定期重复地取消很多商品导致的。因此，其取消商品的次数可以降低，而且所有对这件商品的取消都可以看作同一次取消。这使得对商品取消有了更加清楚的认识。将这类顾客的统计数据调整后，平均的取消率要比开始时更低一些。不仅新的数字看起来更漂亮，而且它们也是对现实更加真实的反映。
[
上一页 ]
[ :1.70043155e+09 ]
[
下一页 ]