Pazarlamada çoğu tahmine dayalı analitik çalışması, kimsenin kullanmadığı sayılar üretir. CRM içinde bir müşteri kaybı puanı belirir, bir eğilim modeli her gece çalışır, bir panel gelecek çeyrek için tahmin aralığı gösterir ve ekip aynı kararları almaya devam eder. Herhangi bir şey inşa etmeden önce tartışmaya değer soru şudur: Tahmin yüksek veya düşük geldiğinde hangi karar değişecek ve bu değişikliği yapma yetkisi kimde? Her iki soruya da cevap veremiyorsanız, yaptığınız proje veri bilimi kostümü giymiş bir raporlama egzersizinden ibarettir.
İyi haber şu ki, pazarlamada faydalı tahminler nadiren karmaşıktır. Hesaplarımızda işe yarayan modeller gösterişsizdir: bir edinim teklifi tavanı belirleyecek kadar doğru bir müşteri yaşam boyu değeri tahmini veya bir kurtarma listesini sıralayacak kadar doğru bir müşteri kaybı olasılığı. Bunların hiçbirinin kusursuz olması gerekmez. Yönsel olarak doğru olmaları ve karar verme süresinden önce hazır olmaları gerekir; bu, çoğu ekibin varsaydığından çok daha düşük bir çıta, ancak operasyonel olarak ulaşılması çok daha zor bir hedeftir.
Yaptıklarınızı değiştiren dört tahmin
Edinim aşamasındaki tahmini müşteri değeri ile başlayın, çünkü bu en yaygın ücretli medya hatasını düzeltir: her dönüşüm için aynı tutarı teklif etmek. Erken sinyaller, üç kez satın alma olasılığı olan bir müşteriyi bir kez satın alma olasılığı olan birinden ayırdığında, ilki için daha fazla ödeme yapabilir ve ikincisi için fazla ödeme yapmayı reddetmelisiniz. Bu tek değişiklik, genellikle yanında gerçekleştirilen herhangi bir hedef kitle veya kreatif çalışmasından daha fazla karma verimliliği artırır.
- Teklif tavanlarını ve karşılama yolculuğu derinliğini belirlemek için kullanılan, kayıt anındaki tahmini yaşam boyu değer.
- Herkese e-posta göndermek yerine sınırlı bir kurtarma listesini sıralamak için kullanılan müşteri kaybı veya ayrılma olasılığı.
- Metni yazmak için değil, gönderilecek üç e-postadan hangisine karar vermek için kullanılan bir sonraki en iyi kategori.
- Bu hafta stokta kalmayacak ürün gruplarında harcamayı durdurmak için kullanılan, SKU ve bölge bazlı talep.
- Zaten satın alacak olan müşterilere teklif vermemek için kullanılan, indirime beklenen yanıt.
Sonuncusu, gördüğü ilgiden daha fazlasını hak ediyor. Sıradan eğilim modelleri kimin satın alma olasılığının yüksek olduğunu belirler, bu da ekiplerin indirime ihtiyacı olmayan kişilere indirim göndermesine yol açar. Aslında istediğiniz şey artıştır (uplift): bir uygulamanın yarattığı fark. Bu, kontrol grupları ve biraz daha fazla özen gerektirir; kâr marjını büyüten bir promosyon ile onu sessizce eriten bir promosyon arasındaki fark budur.
Gerçekten hangi verilere ihtiyacınız var?
Satıcıların ima ettiğinden daha azına ve sahip olduğunuzdan daha temizine. Çoğu tüketici işletmesi için tarihler ve değerlerle birlikte işlem geçmişi, temel edinim kaynağı ve bir avuç etkileşim etkinliği, ulaşılabilir doğruluğun çoğunu size sağlayacaktır. Ekiplerin kaybettiği nokta bütünlüktür: mükerrer müşteri kayıtları, gelire yansımayan iadeler, eğitim setinde bırakılan test siparişleri ve altı ay önce yapılan, bir etkinliğin ne anlama geldiğini sessizce değiştiren bir takip değişikliği.
Herhangi bir tahmine dayalı analitik pazarlama projesinin ilk iki haftasını model seçiminden ziyade bu denetime ayırın. Yetersiz hacimden ziyade güvenilmez gelir verileri nedeniyle daha fazla projeyi rafa kaldırdık. Kaba bir kural: Geçen çeyreğin raporlanan gelirini ham tablodan küçük bir sapma payıyla yeniden üretemiyorsanız, ondan herhangi bir şeyi tahmin etmeye hazır değilsiniz demektir.
Doğruluk, yanlış ana metriktir
Yüzde doksan doğru olan bir müşteri kaybı modeli kulağa mükemmel gelir ancak değersiz olabilir; çünkü müşterilerin sadece yüzde beşi kaybediliyorsa, kimsenin kaybedilmeyeceğini tahmin etmek yüzde doksan beş skor verir. Önemli olan, sıralanmış listenin en üst diliminin rastgele bir dilimden anlamlı derecede daha fazla kaybeden içerip içermediği ve bu artışın müdahale maliyetini haklı çıkaracak kadar büyük olup olmadığıdır.
Kalibrasyon da aynı derecede önemlidir. Model yüzde otuz diyorsa, bu müşterilerin kabaca yüzde otuzu kaybedilmelidir. Kalibre edilmemiş puanlar sıralama için iyidir ancak bütçeleme için tehlikelidir; ekipler rutin olarak ham bir puanı ortalama sipariş değeriyle çarparak hiçbir temeli olmayan bir risk altındaki gelir rakamı üretir. Herhangi bir sayı analitik ekibinden çıkmadan önce kalibrasyonu kontrol edin.
Modelden önce döngüyü kurun
Tahminin eylem noktasına nasıl ulaşacağına önceden karar verin. Birinin her Pazartesi bir elektronik tabloya aktardığı depo tablosundaki bir puan, üç hafta kullanılacak ve sonra unutulacaktır. Satış ekibinin zaten baktığı CRM alanına geri yazılan veya reklam platformuna bir değer sinyali olarak gönderilen bir puan, kimseye bir maliyeti olmadığı için süresiz olarak kullanılır.
İlk günden itibaren bozulma için plan yapın. İşletme değiştiğinde modeller sapar: yeni bir fiyatlandırma kademesi, farklı bir edinim kanalı karması, bir arz kısıtlaması. Tahmin edilen sonuçları gerçekleşen sonuçlarla aylık olarak karşılaştıran ve herkes henüz sakinken üzerinde anlaştığınız bir eşiği aştığında yeniden oluşturmayı tetikleyen bir izleme rutini belirleyin. Bu olmadan, modeller görünmez bir şekilde bozulur ve ekibin tüm tahminlere olan güveni de onlarla birlikte azalır.
Beklentileri dürüst tutmak
Tahminler aralıklardır ve bunları tek sayılar olarak sunmak yanlış türde bir hesap verebilirliği davet eder. Aralığı verin, varsayımları belirtin ve modelin göremediklerini açıkça söyleyin: rakip promosyonları, makro şoklar, kanal politikası değişikliği. Bu şekilde ele alındığında, tahmine dayalı analitik pazarlama periyodik bir hayal kırıklığı yerine planlamanın normal bir parçası haline gelir ve tartışmalar sayıya inanıp inanmamaktan, onunla ne yapılacağına kayar; ki olması gereken yer de burasıdır.
Okumaya devam edin: Yapay Zekâ Optimizasyonu
İlgili hizmet: AI Optimizasyonu