Żeby serwis www mógł pełnić rolę aktywnego handlowca, musisz wyposażyć go w model statystyczny, który pozwoli skutecznie przewidzieć jego potrzeby.
Wzorce & predyktywne modele
Model predyktywny, wzorce behawioralne – takie pojęcia mogą być dla wielu zniechęcające, ale jeżeli pozbyć się hermetycznego słownika, można stosunkowo prosto wyobrazić sobie taki system, a potem zaprojektować go i wdrożyć.
Analiza na przykładzie sklepu
Wyobraź sobie, że posiadasz bazę 100 000 ludzi, a każdy rekord ma e-mail, imię, wiek, płeć, dochody, miejsce zamieszkania – tak wiem, to zaczyna być bardzo rzadki przypadek ale na potrzeby przykładu zadziała idealnie – dodajmy do tego jeszcze wykształcenie i branżę.
Posiadasz sklep internetowy. Twoim celem jest „przepuszczenie” jak największej ilości ludzie przez sklep od wejścia na stronę główną po koszyk i dokonanie zakupu. Chcesz, by jak najwięcej osób zdecydowało się na zakup.
W tym celu projektujesz bardzo atrakcyjny mailing i kierujesz personalizowanie maile z unikalnym, jednorazowym kodem zakupowym. Kod zakupowy pozwoli każdemu użytkownikowi zakupić wszystkie towary w super atrakcyjnej cenie – ustawiasz ją na poziomie minimalnym, takim by nie ponieść straty albo przynajmniej znacząco ją ograniczyć. Kod jest ważny przez 1 miesiąc, żeby dać szansę jak największej ilości ludzi na to, by mogli się zdecydować przejść cały proces zakupowy. Jest jedna zasada, aby otrzymać te super zniżki trzeba zakupić minimalnie 3-5 rzeczy.
Robisz to wszytko po to, żeby zdobyć dane o tym, co kupują ludzie w naszym sklepie.
Mailing rusza. Ze 100 000 bazy w ciągu jednego miesiąca wchodzi na stronę np. 30 000 ludzi. Konwersja na zakup wynosi np. 10 procent, a więc około 3000 ludzi robi zakupy i dokonuje płatności.
Zysk z akcji pozornie zerowy ale tak naprawdę właśnie zdobyłeś unikalne dane do tego, by stworzyć model predyktywny i przekształcić zwykły sklep internetowy w aktywnie sprzedający sklep internetowy – w handlowca.
Mamy dane
Powyższa część była najprostsza. Teraz czeka Cię żmudna analiza danych. Czego szukamy? Szukamy powiązań, korelacji między cechami niezależnymi (wiek, zarobki, miejsce zamieszkania), a cechami zależnymi (to co ktoś kupił).
Jakich szukamy zależności
Pozornie można by podzielić całą bazę danych na segmenty i szukać wzorców w tych segmentach. Było to jednak błąd. Należy znaleźć ludzi, kupujących podobne grupy produktów i na podstawie tego stworzyć segmenty. Takie segmenty mogą być z początku niejasne np. kobiety, mężczyźni, w różnym wieku – żadnego wzorca. Jednak zazwyczaj jeden lub więcej cech będzie wspólnych np. wykształcenie i miejsce zamieszkania. Kiedy odnajdziesz te segmenty, jesteś w stanie stworzyć model predyktywny dla swojego sklepu.
Następnym razem gdy wejdzie do twojego sklepu ktoś z określonego miejsca zamieszkania i wykształcenia, jesteś mu w stanie od razu zaproponować kategorie produktów, które mogą go najbardziej interesować. Następnie w chwili dokonania zakupu, zaproponować mu produkty które były nie tyle kupowane przez innych klientów (czyli jeżeli większość klientów kupując telefon komórkowy kupuje także kartę pamięci) ale kupowane przez podobnych jemu (czyli np. każdy z nich kupując telefon kupował także futerał). Dzięki temu trafność oferty będzie jeszcze większa.
Cykl odświeżania modelu predyktywnego
Jednak ludzie się zmieniają, modele starzeją. To co należy zrobić to zapętlić całą procedurę. Idealnie jeżeli udałoby się stworzyć automatyczny algorytm, który raz na pewien czas aktualizuje wszystkie dane niezależne i zależne i modyfikuje model predyktywny.
W takim wypadku tworzymy samo-uczący się algorytm, który na podstawie danych buduje swoja wiedzę o preferencjach klientów.
Jak widać z powyższego przykładu, całość wydaje się niezwykle prosta. Diabeł jednak tkwi w szczegółach egzekucji oraz szczegółowości baz danych. W powyższym przykładzie założyliśmy bowiem, że mamy bardzo szczegółową i prawdziwą bazę danych użytkowników.
Odesłanie
Wszystkich zainteresowanych tą tematyką, mogę odesłać do książki Arthur M. Hughes „Strategic Database Marketing”.