Ricard Bonastre, CEO de Lead Ratings e ex CEO de Emagister, recomenda dúas películas ao comezo da súa charla: Brexit e The great hack . Máis tarde, fálanos de como mellorar o noso funil de vendas co marketing predictivo.
Modelo preditivo: datos e intelixencia artificial
O funil vs. o funil preditivo. Un funil tradicional suscita preguntas ou incertezas: a que usuarios trato primeiro? Trátoos a todos? Vou perder este cliente e cando?
Cun modelo preditivo baseado en datos e intelixencia artificial Listas de fax podemos ofrecer solucións a todas estas cuestións con cualificación do público, puntuación de leads, churn rate, valor de vida do cliente ou segmentación preditiva.
Puntuación de liderado
Exemplo: a web do Banco Sabadell anima aos usuarios a contactar co centro de atención telefónica para determinar se son bos clientes para unha hipoteca ou non. Isto crea unha carga de traballo para todos os usuarios non cualificados. É un problema porque non priorizamos os máis probables. Fariamos isto a través dun modelo de puntuación predictiva de clientes potenciales para tratar os clientes potenciales antes ou mellor segundo a súa probabilidade de conversión. É escalable.
Cualificación do público
Outro exemplo: ÚNETE. Como capturar clientes potenciales similares aos que teñen unha conversión máis alta? O modelo de cualificación do público integrado con Analytics e Facebook permítenos identificar cales son os perfís de usuarios que teñen unha alta probabilidade de conversión.
Cálculo do valor do cliente
Lealdade: Natzir Turrado aparece na pantalla. A maioría do comercio electrónico céntrase na adquisición e non tanto na fidelización. Podemos saber cantas veces me comprará este usuario? Podo analizar o comportamento do usuario e calcular o valor do ciclo de vida do cliente, no período que se quere analizar. Un algoritmo pode predecir calquera cousa que poida observar. Se lle damos os datos, pode facelo.
Cálculo da taxa de abandono
Club de abono: La Vanguardia. Como podo saber cales son os usuarios que corren máis risco de cancelar a subscrición? O modelo de taxa de abandono permítenos medir a probabilidade de descenso en 30 días . Segmenta os usuarios con alto risco e tamén podemos centrarnos nos que aportarían un maior valor. Detrás do marketing predictivo está o feito de que o usuario demanda personalización. Estamos fartos de que sempre nos traten igual.
Modelo de rescate de clientes
Imaginarium ten unha enorme base de datos, pero non é unha compra recorrente, nin sequera mensual. Tes moitos usuarios inactivos. A quen enviamos o catálogo? Podemos analizar toda a base de datos e buscar persoas cunha análise histórica a longo prazo . É un modelo para empresas que non teñen unha alta recorrencia. Como sei que me volverán comprar xoguetes? Son incertezas sobre o funil de conversión. Non todo se trata de capturar. Debemos explotar a base de datos. Cun modelo de rescate de clientes de alto valor podemos segmentar clientes máis rendibles.A partir dunha palabra clave , temos unha intención de busca . O equipo de Google Brain presentou a intelixencia artificial dirixida ás buscas por voz que interpreta a necesidade real detrás dunha palabra clave . Cando coñecemos as entidades, todo é máis fácil de entender. Podemos probar a API de Linguaxe Natural de Google gratuitamente, é accesible na nube.
Que necesito para aplicalo con éxito?
Tecnoloxía: os algoritmos pódense ensamblar mediante API.
Pero sobre todo, saber que imos facer coa predición. O proxecto falla cando o buy phone number laboratory cliente non sabe que facer co modelo preditivo.
Se os datos son consistentes, os proxectos funcionan. Pero moitas veces non se aplican ben.
Non procesa todo. Busca KPIs máis sinxelos que garantan a satisfacción do usuario e busca a través dun índice de busca. Hai resultados moi exitosos e outros non funcionan tan ben. A verdade é que a palabra clave está morta : Google céntrase na intención de busca. A investigación de palabras clave é cada vez menos necesaria. Google xa sabe para que palabras clave hai que posicionar unha páxina.
Debemos cambiar de mentalidade: hai que pensar na web e facelo no produto e no usuario.
Hai que traballar a semántica a partir do produto : que resolve este produto, que necesidades resolve para o usuario, que contido responde ás intencións de busca e xerar ese contido específico. Deste xeito xa teremos o contido axeitado e só teremos que identificar a palabra clave exacta dese contido.
que é o que o usuario quere resolver. Por este motivo, moitos sitios web sofren grandes reveses: Google adoitaba buscar textos que coincidían cunha palabra clave , pero agora non o fai. Google identifica a intención real do usuario e busca solucións aos nosos problemas . Antes atopaba textos, agora atopa solucións ás nosas necesidades.
Se non sabemos que facer cun modelo preditivo, é mellor vivir na ao lists ignorancia. Decide onde vas a predicir e a capacidade de acción desa predición.
Datos. Non funciona con pequenas empresas, aínda que non é big data.
Tuitear
Compartir
Pin
Compartir
Contido propiedade de Human Level Communications
O contido deste sitio web está protexido por dereitos de autor e é propiedade de © 2001-2024 Human Level Communications.
