予測分析は、未来を垣間見ることができるだけでなく、新たな機会を切り開く戦略的インサイトへのアクセスも提供します。ここでは、予測分析を活用する5つの方法と、データに対する考え方を変える方法をご紹介します。
適格なリード
Forresterの調査によると、予測分析はリード管理において主に3つのユースケースを生み出しています。具体的には以下のとおりです。
- 予測スコアリング: この手法では、リードがマーケティング活動にどのように反応しているか、そしてその情報に基づいて行動を起こす可能性はどの程度かを分析します。これにより、どのリードにリソースを集中させるべきか、またどのリードからリソースを回すべきかをより迅速に特定できます。
- 識別モデル: このユースケースは、リードと過去に行動を起こした顧客を比較することに重点を置いたアプローチです。これにより、過去の行動に基づいて最も有望なリードにリソースを集中させることができるだけでなく、これまで認識していなかった新たな市場を特定することもできます。
- パーソナライゼーション： どのリードがどのような行動を取る可能性が最も高いかを予測するだけでなく、同じデータを用いて、どのリードがどのような種類のメッセージに最も反応するかを判断することもできます。この高度なセグメンテーションにより、リードを単にグループ分けするだけでなく、より深く掘り下げて、よりパーソナライズされたメッセージを送信することが可能になります。
その顕著な例の 1 つがハーバード ビジネス レビューで取り上げられ、ハーレー ダビッドソンのディーラーが Albert という AI を使用して販売リード数を 2930% 増加させた方法が詳しく紹介されました。
AIはCRMデータを分析して、過去の購入者の特性と行動を特定しました。そして、それらの特性に基づいて顧客をマイクロセグメントに分割しました。そして、各セグメントごとに、見出し、ビジュアル、その他の要素の様々な組み合わせをテストし、どの組み合わせが最も効果的かを判断しました。
リードクオリフィケーションの価値は、データの価値と量に大きく依存します。統計モデルがどれほど優れていても、顧客について理解するために必要な情報にアクセスできなければ、その能力は非常に限られてしまいます。
デジタル空間では、特に CRM を使用していない場合は、予測分析を開始するのに最適な方法は、Google アナリティクスと Google BigQuery の統合であることはほぼ間違いありません。
顧客行動のモデリング
リードの選別とコンバージョンは予測分析の最も明白なユースケースであり、おそらく最初に検討する価値のあるものですが、この新興技術のマーケティングへの応用はこれだけではありません。しかし、事実上あらゆる用途において、顧客モデリングがその中核を成すことになります。
顧客モデリングは、クラスター モデル、傾向モデル、協調フィルタリングの 3 つの基本的なタイプに分けられます。
クラスターモデル
クラスタリングとは、多くの変数に基づいて顧客をグループに分割する方法です。クラスターモデルは、様々な属性間の相関関係を探し、特定の種類の属性が集積する傾向のある均衡点を特定します。従来のセグメンテーションと比較して、クラスタリングの特徴は、使用される変数の数の多さです。クラスターでは30個以上の変数が使用されることが多く、これは顧客を手動で分割する場合、あるいは顧客自身が手動で分割する場合でさえ、はるかに多くの変数を必要とします。
クラスターには次の 3 つの形式があります。
- 製品クラスター: カタログ内の他の商品を無視して、特定の種類の商品のみを購入する傾向がある顧客のクラスターです。
- ブランドクラスター：これらの顧客は特定のブランドから購入する傾向がある
- 行動クラスター: 少量の注文を行う頻繁な購入者や、チェックアウト カートよりもコール センターを好む顧客など、特定の一連の行動を持つ顧客のセグメントです。
これらのクラスターについて認識しておくべき重要な点は、たとえ限られた情報であっても、人々がどのクラスターに属するかを予測できるということです。特定のブランドの商品を1つ購入した場合、ブランドクラスターは、単に同じブランドの他の商品をすべて提供するという分かりやすい推奨ではなく、その人が興味を持つ可能性のある他のブランドを予測することができます。
傾向モデル
傾向モデルとは、他の行動や属性との相関関係に基づいて、顧客行動の将来予測を行うモデルです。これは回帰分析や機械学習を用いて実現できます。優れた傾向モデルは、相関関係を原因と混同しないよう、可能な限り多くの変数をコントロールします。
傾向モデルの例をいくつか示します。
- 離脱傾向: 対策を講じなければ離脱する可能性が高いが、そうでなければ価値の高い顧客である可能性がある。
- 購読解除の傾向: このようなモデルを使用すると、受信者が購読解除する可能性と、起こりうる肯定的な結果を比較検討しながら、適切なメールの頻度を決定することができます。
- 生涯価値: 顧客の生涯価値をモデル化すると、生涯価値の高い顧客を獲得したり、生涯価値を高める行動を促したりできるため、戦略的なマーケティング上の意思決定に役立ちます。
その他の傾向モデルには、顧客の生涯価値のどの程度まで到達しているか、また顧客がコンバージョンまたは購入する可能性はどの程度かなどを予測することが含まれます。
協調フィルタリング
Amazonの「この商品を気に入ったお客様は、こちらも気に入っている」というレコメンデーションを見たことがあるなら、これがどのようなモデルかお分かりでしょう。一見すると、協調フィルタリングは商品ベースのクラスターモデルに似ているように思えるかもしれませんが、協調フィルタリングとは少し異なります。協調フィルタリングは、顧客を購入する可能性の高い商品の種類でグループ分けするのではなく、全体的な行動に基づいてレコメンデーションを作成します。
言い換えれば、これはユーザーの製品の好みに関するものではなく、製品がユーザーに引き起こす傾向のある行動に関するものです。
協調フィルタには次の 3 つの種類があります。
- アップセルの推奨。これは、販売前に製品の上位バージョンを推奨するものです。
- クロスセルの推奨。これも販売前に提案されるもので、最初の商品と同時に購入されることが多い商品を推奨します。
- フォローアップレコメンデーション。これは、商品が切れた後に買い替えたり、テーブルを購入した後に食器を買ったりするなど、以前の商品を購入してから一定期間後に購入する傾向がある商品に関するレコメンデーションです。
適切な製品を適切な市場に結びつける
顧客モデリングから逆算することで、これまで気づいていなかった製品の市場を特定することが可能になります。このユースケースの活用例をいくつかご紹介します。
- クラスターモデルに参照元を組み込みましょう。これにより、どのトラフィックソースがどの種類の製品、ブランド、または行動と相関しているかを特定できます。これにより、これらの製品やブランドの新しい市場をすぐに特定できます。
- 顧客生涯価値傾向モデルに紹介元を組み込む。これにより、ROIがどの程度になるかが大まかにわかるため、どの地域にマーケティングリソースをより多く投入すべきか判断できるようになります。
- トラフィックソースとアップセル、クロスセル、フォローアップの推奨事項の成功との相関関係を探ります。
- キーワードと顧客モデルの相関関係を調べる
- 特定の種類の製品の購入を強く予測する属性を分析し、まだターゲットにしていない属性を共有する可能性のある他の市場についてブレインストーミングします。
- 利用できるデータが限られている高パフォーマンスの外れ値を調査し、それらの市場での拡大が適切な選択肢であるかどうかを調査します。
適切なユーザーを適切なコンテンツに結びつける
顧客モデルを活用して見込み客とコンテンツを結びつけ、目標達成を促進する方法は数多くありますが、その中には分かりやすいものもあれば、そうでないものもあります。以下にいくつか例を挙げます。
- 適切なクラスターに基づいて製品やブランドに関連するコンテンツをマッチングする
- 傾向モデルが購入する可能性が最も高いと予測した場合、ユーザーをコンバージョンコピーに一致させる
- 傾向スコアを向上させるコンテンツをユーザーに推奨する
- アップセルやクロスセルへの反応を高めるコンテンツをユーザーに推奨する
- 特定のトラフィック ソースごとに高い傾向スコアを生成する傾向があるコンテンツにトラフィック ソースを一致させます。
ご覧のとおり、ここで採用できるアプローチの数は急速に増えていきます。モデルを最大限に活用する方法を戦略的に考え、最大限に活用しましょう。
戦略的マーケティングの洞察を発見する
一部の予測分析ツールはマーケティングプロセスを自動的に合理化し、結果を生成できますが (Albert が Harley Davidson で行ったように)、人間の意思決定がプロセスにおいて依然として非常に重要な役割を果たしていることを覚えておくことが重要です。
予測分析や関連するAIツールがしばしば失敗する理由は、データに「過剰適合」してしまう傾向にあります。局所的な最大値や最小値にとらわれてしまい、新たな領域への飛躍ができなくなるのです。
このような罠から抜け出し、これらのツールを最大限に活用するには、予測分析モデル内から戦略的な洞察を見つける必要があります。
例えば、特定のコンテンツが見込み客の傾向スコアを高める傾向があることがわかったとします。導入済みの自動化機能を活用して、ユーザーへのマーケティング方法をカスタマイズし、そのコンテンツへと誘導することができます。しかし、予測分析では、そのコンテンツに適した、まだ試していない他のトラフィックソースが存在するかどうかはわかりません。経験とブレインストーミング能力を活用することで、そのコンテンツの潜在的な市場を特定し、モデルに入力することで、露出によって状況がどのように変化するかを確認できます。
このようなモデルを扱う際の目標は、常にこのような洞察を見つけ出し、結果が期待通りかどうかをテストすることです。モデルが自動操縦で動作する場合、モデルだけでは新たな機会を発見することはできません。
_____
by マニッシュ・ドゥダレジア
出典： 検索エンジンウォッチ
