Cinco maneiras de usar análises preditivas

A análise preditiva oferece uma visão do futuro, além de acesso a insights estratégicos que podem abrir novas oportunidades. Aqui estão cinco maneiras de usar a análise preditiva e como você pode mudar sua forma de pensar sobre dados.

Leads de qualificação

Segundo pesquisa da Forrester, a análise preditiva identificou três principais casos de uso para lidar com leads. Especificamente:

1. Pontuação preditiva: Este método analisa como os leads estão respondendo às suas ações de marketing e qual a probabilidade de eles tomarem uma ação com base nessas informações. Dessa forma, você pode identificar mais rapidamente em quais leads concentrar mais recursos e de quais direcionar recursos.
2. Modelos de identificação: Este caso de uso é uma abordagem que se concentra em comparar leads com clientes que já realizaram ações no passado. Dessa forma, você pode direcionar recursos para os leads mais promissores com base em suas ações anteriores, além de identificar novos mercados que você desconhecia.
3. Personalização: Em conjunto com a previsão de quais leads têm maior probabilidade de realizar quais ações, os mesmos dados podem ser usados ​​para determinar quais leads respondem melhor a quais tipos de mensagens. Essa forma avançada de segmentação pode ir além da simples divisão de leads em grupos, enviando mensagens muito mais personalizadas.

Um exemplo notável disso foi abordado na Harvard Business Review, detalhando como uma concessionária Harley Davidson aumentou suas oportunidades de vendas em 2930% usando uma inteligência artificial chamada Albert.

A IA processou dados de CRM para identificar características e comportamentos de compradores anteriores. Em seguida, dividiu-os em microsegmentos com base nessas características. Para cada segmento, testou diferentes combinações de títulos, recursos visuais e outros elementos para determinar qual funcionava melhor.

O valor da sua qualificação de leads depende muito do valor e da quantidade dos seus dados. Por melhores que sejam seus modelos estatísticos, suas capacidades ainda são muito limitadas sem acesso às informações necessárias para conhecer seus clientes.

No ambiente digital – especialmente se você não estiver usando um CRM – o melhor ponto de partida para análises preditivas será quase certamente a integração do Google Analytics com o Google BigQuery.

Modelagem do comportamento do cliente

Embora a qualificação e conversão de leads seja o caso de uso mais óbvio para a análise preditiva, e provavelmente aquele que vale a pena investigar primeiro, está longe de ser a única aplicação de marketing dessa tecnologia emergente. Mas praticamente qualquer uso terá a modelagem de clientes como elemento central.

É possível dividir a modelagem de clientes em três tipos básicos: modelos de cluster, modelos de propensão e filtragem colaborativa.

Modelos de cluster

O agrupamento (clustering) é uma forma de segmentar clientes em grupos com base em diversas variáveis. Um modelo de agrupamento busca correlações entre vários atributos e identifica uma série de equilíbrios nos quais certos tipos de atributos tendem a se acumular. O que torna o agrupamento especial, em comparação com a segmentação tradicional, é a enorme quantidade de variáveis ​​envolvidas. Os agrupamentos geralmente utilizam 30 variáveis ​​ou mais, muito mais do que seria possível se você estivesse segmentando os clientes manualmente, ou mesmo se eles próprios estivessem se segmentando manualmente.

Os agrupamentos podem assumir três formas:

1. Grupos de produtos: São grupos de clientes que tendem a comprar apenas tipos específicos de produtos, ignorando outros itens do seu catálogo.
2. Grupos de marcas: Esses clientes tendem a comprar de uma coleção específica de marcas.
3. Grupos comportamentais: São segmentos de clientes com um conjunto específico de comportamentos, como compradores frequentes que fazem pedidos pequenos ou clientes que preferem a central de atendimento telefônico ao carrinho de compras.

O importante a reconhecer sobre esses agrupamentos é que eles permitem prever a qual grupo as pessoas pertencem – mesmo com informações limitadas. Se elas compram um produto de uma marca específica, o agrupamento de marcas pode prever quais outras marcas podem interessá-las, em vez de simplesmente recomendar todos os outros produtos da mesma marca, o que seria mais óbvio.

Modelos de propensão

Um modelo de propensão é aquele que faz previsões futuras sobre o comportamento do cliente com base em correlações com outros comportamentos e atributos. Isso pode ser feito usando análise de regressão ou aprendizado de máquina. Um bom modelo de propensão controla o máximo de variáveis ​​possível para que as correlações não sejam confundidas com causas.

Aqui estão alguns exemplos de modelos de propensão:

• Propensão à rotatividade: São clientes que provavelmente irão embora se você não tomar nenhuma providência, mas que, de outra forma, poderiam ser de alto valor.
• Propensão ao cancelamento de inscrição: Um modelo como este permite determinar a frequência adequada de envio de e-mails, ponderando a probabilidade de um destinatário cancelar a inscrição em relação a qualquer resultado positivo possível.
• Valor vitalício do cliente: Modelar o valor vitalício de um cliente pode ajudar você a tomar decisões estratégicas de marketing se isso levar a clientes com maior valor vitalício ou a comportamentos que prolonguem esse valor.

Outros modelos de propensão incluem prever em que ponto do ciclo de vida do cliente você se encontra e qual a probabilidade dessa pessoa converter ou comprar.

Filtragem colaborativa

Se você já viu as recomendações da Amazon do tipo "clientes que gostaram deste produto também gostaram de...", sabe que tipo de modelo é esse. À primeira vista, a filtragem colaborativa pode parecer semelhante aos modelos de agrupamento baseados em produtos, mas ela é um pouco diferente. Em vez de agrupar os clientes pelos tipos de produtos que provavelmente comprarão, os filtros colaborativos fazem recomendações com base no comportamento agregado.

Em outras palavras, trata-se menos das preferências do usuário em relação ao produto e mais dos comportamentos que os produtos tendem a provocar nos usuários.

Existem três tipos de filtros colaborativos:

1. Recomendações de venda adicional. São recomendações para uma versão superior de um produto antes da compra ser efetuada.
2. Recomendações de venda cruzada. Também oferecidas antes da venda ser concretizada, trata-se de uma recomendação de um produto que geralmente é comprado ao mesmo tempo que o produto inicial.
3. Recomendações de acompanhamento. São recomendações de produtos que as pessoas costumam comprar um certo período após a compra de um produto anterior, como substituir um produto que acabou ou comprar louça depois de comprar uma mesa.

Conectar o produto certo ao mercado certo

Partindo da modelagem de clientes, é possível identificar mercados para seus produtos que você talvez desconheça. Aqui estão alguns exemplos de como esse caso de uso pode se concretizar:

• Incorpore fontes de referência em seus modelos de cluster. Isso permitirá que você identifique quais fontes de tráfego se correlacionam com quais tipos de produtos, marcas ou comportamentos. A partir disso, você poderá identificar imediatamente um novo mercado para esses produtos ou marcas.
• Incorpore as fontes de referência em seus modelos de propensão ao valor vitalício do cliente. Isso permitirá que você determine em quais locais investir mais recursos de marketing, já que terá uma ideia aproximada do retorno sobre o investimento (ROI).
• Procure correlações entre as fontes de tráfego e o sucesso com vendas adicionais, vendas cruzadas e recomendações de acompanhamento.
• Procure correlações entre palavras-chave e seus modelos de clientes.
• Analise os atributos que são fortes indicadores de compra de tipos específicos de produtos e faça um brainstorming de outros mercados que possam compartilhar esses atributos e que você ainda não tenha considerado.
• Investigar casos atípicos de alto desempenho onde os dados disponíveis são limitados e avaliar se a expansão nesses mercados é uma boa opção.

Conectar os usuários certos ao conteúdo certo.

Existem diversas maneiras de você aproveitar seus modelos de clientes para conectar potenciais clientes ao conteúdo de forma a alcançar seus objetivos, algumas mais óbvias do que outras. Aqui estão alguns exemplos:

• Conteúdo correspondente relacionado a produtos ou marcas com base nos agrupamentos apropriados.
• Identificar usuários com textos de conversão relevantes quando os modelos de propensão preveem que eles têm maior probabilidade de comprar.
• Recomendar conteúdo aos usuários que melhore seus índices de propensão.
• Recomendar conteúdo aos usuários que aumente a probabilidade de eles responderem positivamente a uma oferta de venda adicional ou cruzada.
• Associar as fontes de tráfego ao conteúdo que tende a gerar altas pontuações de propensão para cada fonte de tráfego específica.

Como você pode ver, o número de abordagens que você pode adotar aqui aumenta bastante. Pense estrategicamente sobre a melhor forma de utilizar seus modelos e tirar o máximo proveito deles.

Descobrindo insights estratégicos de marketing

Embora algumas ferramentas de análise preditiva possam otimizar automaticamente seu processo de marketing e gerar resultados (como Albert fez para a Harley Davidson), é importante lembrar que as decisões humanas ainda desempenham um papel fundamental no processo.

Onde a análise preditiva e as ferramentas de IA relacionadas frequentemente falham é na propensão ao "ajuste excessivo" dos dados. Elas podem ficar presas em máximos e mínimos locais, incapazes de dar o salto para novos horizontes.

Para escapar de armadilhas como essas e tirar o máximo proveito dessas ferramentas em geral, é preciso encontrar insights estratégicos dentro de seus modelos de análise preditiva.

Por exemplo, imagine que você descubra que um conteúdo específico tende a aumentar a probabilidade de seus clientes potenciais serem contatados; qualquer automação que você já tenha implementado pode ser aplicada para personalizar a forma como seus usuários são impactados pelo marketing e direcioná-los para esse conteúdo. Mas o que a análise preditiva não consegue dizer é se existem outras fontes de tráfego que você ainda não explorou e que seriam adequadas para esse conteúdo. Usando sua experiência e capacidade de brainstorming, você pode identificar outros mercados potenciais para esse conteúdo, integrá-los ao seu modelo e observar como a exposição altera os resultados.

Seu objetivo ao trabalhar com esse tipo de modelo deve ser sempre encontrar insights como esses e testá-los para verificar se os resultados são os esperados. Se o seu modelo funcionar no piloto automático, ele não descobrirá novas oportunidades sozinho.

_____

by Manish Dudharejia

Fonte: searchenginewatch.com