Một công ty có thể tối ưu hóa chiến dịch tiếp thị của mình bằng cách tận dụng các phân tích nâng cao để tối đa hóa lợi tức đầu tư (ROI). Ví dụ: một công ty có thể bắt đầu với một chiến dịch thử nghiệm quy mô nhỏ với một tập hợp con khách hàng tiềm năng và sử dụng phân tích nâng cao để dự đoán cách khách hàng phản hồi. Sau đó, công ty có thể sử dụng thông tin chi tiết từ thí điểm để phát triển một chiến dịch được nhắm mục tiêu nhiều hơn và tăng chuyển đổi và ROI.
Mục tiêu là để hiểu và dự đoán hồ sơ của khách hàng, những người có nhiều khả năng mua sản phẩm được tiếp thị dựa trên một chiến dịch thí điểm quy mô nhỏ. Khi công ty có cái nhìn sâu sắc này, chiến dịch tiếp thị sẽ chỉ nhắm mục tiêu đến những khách hàng có xác suất chuyển đổi cao nhất, tăng lợi tức đầu tư. Bước đầu tiên, chúng tôi có thể thực hiện khám phá dữ liệu đơn giản để hiểu rõ hơn về mối liên hệ hiện có giữa các biến khác nhau như thu nhập, giáo dục, lịch sử mua hàng trong quá khứ và tỷ lệ phản hồi giữa các khách hàng thí điểm.
Các biểu đồ đơn giản hiển thị phân phối phản hồi giữa các hồ sơ khách hàng khác nhau, chẳng hạn như biểu đồ về giáo dục và tình trạng hôn nhân ở trên, cung cấp cho chúng tôi cái nhìn sâu sắc ở mức độ cao về ai tích cực và ai đang phản ứng tiêu cực với chiến dịch của chúng tôi. Để hiểu rõ hơn về cách mỗi đặc điểm của khách hàng được liên kết với kết quả phản hồi của họ, chúng tôi có thể thực hiện phân tích tương quan để ước tính mối liên hệ giữa phản hồi và tất cả các đặc điểm khác.
Phân tích tương quan cho thấy những hiểu biết thú vị, ví dụ: NumCatalogPurchase (số lần mua hàng được thực hiện bằng danh mục) có mối tương quan tích cực cao nhất với tỷ lệ phản hồi. Trong khi đó, Recency (số ngày kể từ lần mua cuối cùng) có mối tương quan nghịch lớn nhất. Hơn nữa, chúng ta có thể thấy rằng tỷ lệ phản hồi cũng được thúc đẩy tích cực bởi MntMeatProducts (số tiền chi cho các sản phẩm thịt trong 2 năm qua) và MntWines (số tiền chi cho rượu vang trong 2 năm qua) trong số các yếu tố khác và được thúc đẩy tiêu cực bởi Dt_Customer_year (ngày đăng ký của khách hàng với công ty) và Teenhome (số lượng thanh thiếu niên trong hộ gia đình của khách hàng) trong số những người khác (Hình 2).
Bước tiếp theo sẽ là thực hiện phân khúc khách hàng để hiểu rõ hơn về sự tương đồng giữa khách hàng và đặc điểm nào làm cho mỗi nhóm trở nên độc đáo, cho phép chúng tôi cải thiện việc nhắm mục tiêu của mình. Phân tích phân cụm (Hình 3) cho thấy rõ 3 nhóm chính dựa trên kết quả thí điểm. Phân đoạn dựa trên Deep Learning của chúng tôi cũng tự động tạo ra lời giải thích cho từng nhóm (Hình 3 biểu đồ dưới).
Phân khúc khách hàng cho thấy cụm 0 (màu xanh) có tổng cộng 577 khách hàng từ chiến dịch thí điểm, trong đó chỉ có 171 khách hàng phản hồi tích cực với chiến dịch tiếp thị, chiếm 29,6%. Mặt khác, cụm 1 (màu cam) và cụm 2 (màu xanh lá cây) có tỷ lệ phản hồi thấp hơn nhiều: cụm 1 = 9,0%, 86 phản hồi tích cực trên tổng số 953; và cụm 2 = 10,8%, 77 phản hồi tích cực trong số 710. Do đó, một phân tích phân khúc mạnh mẽ phát hiện ra những hiểu biết có thể hành động cho phép công ty cải thiện ROI cho chiến dịch tiếp thị chính bằng cách chỉ nhắm mục tiêu khách hàng tương tự như nhóm có hiệu suất cao (cụm 0 (màu xanh) trong Hình 3) dựa trên kết quả thí điểm.
Bước tiếp theo, chúng tôi có thể tận dụng kết quả thí điểm để dự đoán chính xác khách hàng nào trong danh sách tiếp thị của chúng tôi rất có thể sẽ chấp nhận đề nghị của chúng tôi. Điều này sẽ cho phép công ty thu hẹp danh sách khách hàng và tăng tỷ lệ chuyển đổi đáng kể. Hình 4 cho thấy cách chúng tôi có thể dễ dàng sử dụng tất cả các số liệu từ dữ liệu thí điểm để dự đoán phản hồi cho khách hàng mới (danh sách không được sử dụng trong thí điểm). Tất cả những gì chúng ta cần làm là chọn các phân tích thích hợp (Phân loại), biến mục tiêu (Phản hồi) và các biến được sử dụng để dự đoán mục tiêu.
Máy học tự động (AutoML) của chúng tôi sẽ đào tạo một số mô hình ML về dữ liệu chiến dịch thử nghiệm và sau đó sử dụng mô hình tốt nhất để dự đoán khách hàng nào trong danh sách chiến dịch tiếp thị của chúng tôi có nhiều khả năng chấp nhận ưu đãi hơn nếu công ty nhắm mục tiêu đến họ. Dự đoán cũng tạo ra các số liệu hiệu suất mô hình khác nhau để cho thấy kết quả tốt như thế nào và thông số nào quan trọng đối với dự đoán và theo thứ tự nào (Hình 5).
Sau khi thực hiện phân tích tương quan, phân khúc và phân loại, công ty đã có những hiểu biết sâu sắc về các nhóm khách hàng và các đặc điểm liên quan để cho phép chúng tôi nhắm mục tiêu chính xác các khách hàng tiềm năng, những người có nhiều khả năng phản hồi tích cực hơn với chiến dịch tiếp thị. Những hiểu biết có thể hành động này sẽ tiết kiệm nguồn lực đáng kể cho công ty và tăng ROI tiếp thị.
Bộ dữ liệu bao gồm 2240 dữ liệu khách hàng và phản hồi của họ đối với chiến dịch tiếp thị được thực hiện bởi một công ty bán lẻ với mục tiêu hiểu và dự đoán hành vi của khách hàng để tối đa hóa lợi tức đầu tư vào chiến dịch tiếp thị.
Được chấp nhậnCmp1: 1 nếu khách hàng chấp nhận ưu đãi trong chiến dịch thứ 1, 0 nếu không
Đã chấp nhậnCmp2: 1 nếu khách hàng chấp nhận ưu đãi trong chiến dịch thứ 2, 0 nếu không
Đã chấp nhậnCmp3: 1 nếu khách hàng chấp nhận ưu đãi trong chiến dịch thứ 3, 0 nếu không
Được chấp nhậnCmp4: 1 nếu khách hàng chấp nhận ưu đãi trong chiến dịch thứ 4, 0 nếu không
Chấp nhậnCmp5: 1 nếu khách hàng chấp nhận đề nghị trong chiến dịch thứ 5, 0 nếu không
Phản hồi: 1 nếu khách hàng chấp nhận ưu đãi trong chiến dịch cuối cùng, 0 nếu không
ResponseWithMissingValues: Cùng một biến với Response nhưng với một số giá trị bị thiếu cho một dự đoán
Khiếu nại: 1 nếu khách hàng phàn nàn trong 2 năm qua
DtCustomer: Ngày đăng ký của khách hàng với công ty
Trình độ học vấn: trình độ học vấn của khách hàng
Hôn nhân: tình trạng hôn nhân của khách hàng
Kidhome: số lượng trẻ nhỏ trong hộ gia đình của khách hàng
Teenhome: số lượng thanh thiếu niên trong hộ gia đình của khách hàng
Thu nhập: thu nhập hộ gia đình hàng năm của khách hàng
MntFishProducts: số tiền chi cho các sản phẩm cá trong 2 năm qua
MntMeatProducts: số tiền chi cho các sản phẩm thịt trong 2 năm qua
MntFruits: số tiền chi cho trái cây trong 2 năm qua
MntSweetProducts: số tiền chi cho các sản phẩm ngọt trong 2 năm qua
MntWines: số tiền chi cho rượu vang trong 2 năm qua
MntGoldProds: số tiền chi cho các sản phẩm vàng trong 2 năm qua
MntDealsPurchases: số lần mua hàng được thực hiện với chiết khấu
MntCatalogPurchases: số lần mua hàng được thực hiện bằng danh mục
MntStorePurchases: số lần mua hàng được thực hiện trực tiếp tại các cửa hàng
MntWebPurchases: số lần mua hàng được thực hiện thông qua trang web của công ty
MntWebVisitsMonth: số lượt truy cập vào trang web của công ty trong tháng trước
Lần gần đây nhất: số ngày kể từ lần mua cuối cùng