Книга: Маркетинг, основанный на данных. 15 показателей, которые должен знать каждый

Сроки превыше всего: примеры маркетинга, основанного на событиях

Грамотное маркетинговое предложение, направленное нужным клиентам, может оказать на них серьезное воздействие. Модели предрасположенности, анализ потребительской корзины и дерево решений – инструменты, позволяющие провести гиперсегментацию и таргетинг. Однако главное начинается тогда, когда вы совмещаете аналитическое таргетирование и временну?ю привязку: клиент, у которого только что сломалась стиральная машина, будет куда более восприимчив (согласно измерениям уровня отклика и прибыльности) к предложениям о покупке нового аппарата, чем другой потенциальный клиент, только что купивший стиральную машину. Приведенные ниже кейсы наглядно покажут, как можно значительно улучшить свои результаты с помощью грамотно внедренного маркетинга, основанного на событиях.

Отступление: регрессия или дерево решений

Регрессионному анализу уделяется очень много внимания на программах MBA, посвященных методам принятия решений. Почему я о них умалчиваю? Суть регрессии состоит в выстраивании линейной модели для предсказания продаж – например, как производной функции от маркетинга и других входных параметров. Это отличный инструмент, если у вас есть много «чистых» данных и при этом вам несложно дать интерпретацию большому количеству переменных. Однако нехватка данных или их сильный разброс опасны для регрессии. Фактически в подобных случаях приходится отбрасывать значительную долю информации. В этом смысле деревья решений более гибкие, и их можно создавать и при недостаточности данных, и при большом их разбросе. Помимо прочего, регрессия предполагает наличие простой линейной модели, элементы которой не коррелируют между собой. Деревья же можно считать «непараметрическими». Данные четко не следуют математическому распределению, поэтому можно выделить степень взаимодействия между различными переменными и выбрать те из них, по которым лучше всего строить дерево, – то есть преодолеть две основные проблемы, присущие таким прогнозным моделям, как регрессия.

Разумеется, ограничения есть и у деревьев. Дерево может быть эффективным для анализа тестового набора данных, однако при введении нового набора данных смысл и логика теряются. Чтобы решить эту проблему, нужно провести некоторое количество тестов (с небольшими и крупными массивами данных). С этой задачей справляются многие алгоритмы создания деревьев. Вторая проблема в том, что результатом дерева становится ступенчатая функция – да или нет, высокие или низкие значения какой-то переменной, – а это значительно снижает достоверность прогноза. Регрессия – непрерывный процесс (что можно считать ее преимуществом), а большие деревья фактически подчиняются линейным функциям. Иными словами, если дерево можно разбить на достаточно большое количество уровней, оно способно отображать непрерывную функцию – в частности, именно поэтому дерево решений отлично подходит для анализа больших массивов данных.

Я не утверждаю, что регрессия – плохой метод. В сущности, она отлично подошла Meredith для маркетинга на основе модели предрасположенности с использованием электронной почты (причем оказалась гораздо более эффективной, чем дерево решений). Однако у дерева решений есть целый ряд преимуществ. Главное из них в том, что вам не нужны идеально «очищенные» данные, а результаты более наглядны для любого маркетера.

Оглавление книги

Оглавление статьи/книги

Генерация: 1.845. Запросов К БД/Cache: 3 / 1
поделиться
Вверх Вниз