Close

outubro 4, 2017

Análise Preditiva: o que os profissionais de marketing devem saber?

Análise preditiva é o uso de dados, algoritmos estatísticos e técnicas de machine learning para identificar a probabilidade de resultados futuros com base em dados históricos. É composta por modelos preditivos que analisam o desempenho passado para estimar a probabilidade de um cliente ter um comportamento específico.

O que a análise preditiva pode fazer?

Um relatório de 2014 do TDWI descobriu que a análise preditiva é utilizada basicamente para realizar cinco tarefas:

  • Identificar tendências
  • Entender os clientes
  • Melhorar o desempenho dos negócios
  • Promover a tomada de decisão estratégica
  • Prever o comportamento

Porém, exsitem três tipos de análise preditiva que podem ser aplicadas no marketing:

  • Clustering models (segmentação)
  • Propensity models (predição)
  • Collaborative filtering (recomendação)

Clustering models

Os algoritmos criam os segmentos de clientes com base no comportamento dos usuários. Cria-se segmentos de forma automatizada quando os usuários passam a ter um comportamento semelhante. Pense em cluster como auto-segmentação. Existem alguns tipos de clusters:

Behavioral clustering

É o agrupamento conforme o comportamento durante a compra. Pode-se criar clusters de comportamento integrando diferentes fontes de dados: quais os pontos de contato dos clientes? Quais são as promoções que estes participam? Qual a frequência de compra? Qual o ticket médio? Os algoritmos podem colaborar para definir o timing correto para enviar mensagens de marketing, bem como qual mensagem é mais relevante para cada cliente.

Product based clustering

Dentro dos segmentos é possível levantar dados estatísticos de quais produtos esses clientes compram. É possível verificar quais produtos são comprados em cada época do ano, quais categorias são ignoradas e quais cores são preferidas. Estas informações podem definir quais produtos serão enviados nos e-mails ou na personalização da vitrine definindo quais produtos serão apresentados na home do site para cada cliente.

Propensity models

Os Modelos de Propensão servem para analisar a probabilidade de um usuário realizar uma ação futura com base no comportamento anterior de outros usuários. Esse modelo é o mais utilizado por profissionais de marketing, pois colabora na projeção de ROI e de faturamento com base nos dados anteriores. Os clusters de clientes são parte integrante do modelo de propensão.

Predicted lifetime value

Com base no histórico de muitos outros clientes, é possível prever quanto um cliente vai gastar a partir da sua primeira compra. É possível dividir o LTV (lifetime value) por canais de aquisição, pois o comportamento de compra de clientes originários de redes sociais é muito diferente de clientes adquiridos por ações de inbound marketing. Os modelos de propensão permitem tomar decisões de marketing, como prioridade de investimentos.

Predicted share of wallet

Este modelo prevê a participação de um determinado produto no orçamento do consumidor. Em outras palavras, share of wallet significa o percentual de participação de um produto na carteira do consumidor que está reservada para determinada categoria. Por exemplo, se um cliente gasta R$ 1.500,00 por ano com calçados, é possível prever potencial de receita dentro de sua base de clientes existente e criar campanhas para captar essa receita.

Propensity to engage

Este modelo prevê a probabilidade de um cliente clicar em seus links de e-mail (por exemplo). Com esta informação, você pode decidir não enviar um e-mail a um certo cliente com baixa probabilidade de clicar em determinada campanha.

Propensity to unsubscribe

Este modelo prevê a chance de um cliente de abandonar a sua lista de e-mail (por exemplo) em qualquer período. Armado com esta informação você pode otimizar a frequência de e-mail. Você pode diminuir a frequência de envio para o segmento “alta probabilidade de se decadastrar” ou ainda escolher se comunicar com ele por outro canal.

Propensity to convert

Este modelo prevê a probabilidade de um cliente aceitar sua oferta. Este modelo pode ser usado para campanhas de mala direta, onde o custo de comercialização é alta, por exemplo.

Propensity to buy

Este modelo prevê se os clientes estão prontos para fazer a compra. Muito utilizado em atividade de inbound sales, trata-se de quando um cliente está pronto para realizar uma compra com base na ações realizadas anteriormente. Pode ser tratado dentro do funil de vendas, e no estágio avançado não é necessário uma oferta agressiva. Aqueles que estão propensos a comprar não vão precisar de descontos elevados, enquanto que os clientes que não estão propensos a comprar podem precisar de uma oferta mais agressiva, assim, trazendo-lhe a receita incremental.

Propensity to churn

Este modelo determina a probabilidade de perder o cliente na compra, também informa quais clientes ativos estão em risco, para colocar em sua lista de observação ou para disparar uma campanha de win-back. Muitas vezes, os modelos de propensão podem ser combinados. Por exemplo, você pode querer reconquistar um cliente que tem uma alta probabilidade de churn e um alto valor de compra.

Collaborative filtering

Filtragem colaborativa é o termo de marketing comumente utilizado para modelos de recomendação. Analisa-se dados de transações de outras compras e recomenda-se produtos com mais probabilidade de venda.

Up Sell Recommendations

Essas recomendações são normalmente feitas para os clientes no momento da compra. Pode-se recomendar produtos para aumentar o ticket médio no momento da compra.

Cross Sell Recommendations

Calcula a probabilidade, olhando para o histórico de todas as pessoas que compraram este produto, de comprar outro produto adicional (relacionado). Este modelo é muito mais efetivo quando cruzado com outros modelos de análise preditiva.

Next Sell Recommendations

Essas recomendações são normalmente feitas depois que um cliente já comprou um produto, e você pode, por exemplo, incluir no e-mail de confirmação. Essas recomendações de venda são específicas para cada cliente, por isso é preciso levar em conta todos os dados de compra e navegação, e não apenas a sua transação mais recente. É possível oferecer produtos logo após a compra e adicionar ao pedido de forma automática.

 

The following two tabs change content below.
Érico Scorpioni

Érico Scorpioni

Diretor Executivo da CheckStore, entusiasta do e-commerce em constante busca pela eficiência operacional em um mercado cada vez mais competitivo.

Deixe uma resposta