Database Marketing - à la recherche de la signification statistique

Le but du marketing de base de données est d'accroître l'efficacité du marketing & value durée de vie du client, avec l'utilisation intelligente des données du client. Dans l'exemple, les données clients utilisent pour trouver des groupes de clients, ce qui donnerait de réponse élevés aux offres, afin de les aborder directement.

Base de données marketing est basé sur des renseignements relatifs aux clients à:

• le comportement des internautes

• Profil de la clientèle et données démographiques

Fondées exclusivement sur des informations comportementales, on peut classer les clients en RFM (récence - fréquence - monétaire) ou de cellules RF. L'objectif est d'identifier les groupes de clients ayant des taux élevés de réponse attendus. RFM différentes cellules sont censées fournir significativement différents taux de réponse attendus (en particulier celles liées à la clientèle la plus récente). Le plus important, la différence est statistiquement attendues, la valeur la plus élevée d'affaires potentiel de cette rendements groupement. Afin d'appliquer RFM, on n'a pas besoin des compétences statistiques. Par conséquent, cette approche est moins coûteuse, car il est plus simple et ne requiert que des informations client de comportement.

Les modèles prédictifs basés sur des données comportementales et démographiques à la fois, peut surpasser des groupements client basé uniquement sur des données comportementales (comme RFM).

Afin de développer un tel modèle, on a besoin d'utiliser les données comportementales et démographiques d'un ensemble de clients, qui ont été surveillés vis-à-vis de leurs réponses à une offre spécifique. L'ensemble des clients est divisé en deux sous-ensembles de l'égalité (ou comparable) Taille et types similaires de clients (en respect avec le profil et comportement): un kit de test (ou train miniature série) et un ensemble de validation.
Le modèle doit être développé dans l'ensemble de test et validées à l'ensemble de validation. Un algorithme de modélisation peut être appliquée (par exemple l'analyse de régression logistique), contre l'ensemble des données d'essais, afin d'identifier les variables qui influencent sensiblement »la probabilité de répondre à une offre" (qui est la variable dépendante). La validation du modèle suit. Cela suppose d'identifier la plupart des intervenants réels dans l'ensemble de validation, étant donné que ces clients sont connus. Après avoir été validé, le modèle peut être utilisé dans une campagne d'essais.

Divers obstacles mai apparaissent au cours de ce processus de modélisation:

• Il n'y pas de mai capture des réactions des clients aux offres précédentes, donc pas de données pour modéliser de suite.

• Si le modèle ne valide pas suffisamment contre le groupe de validation, puis le modèle de mai est un échec. Cette mai signifie que les facteurs qui affectent de manière significative le comportement des clients, ne sont pas capturés parmi les données disponibles ou ne sont pas utilisées dans le modèle.

• De nombreuses bases de données clients détiennent info comportement des clients, mais limitée des données démographiques sur les clients. Des listes avec la démographie des consommateurs (offerte par beaucoup aux Etats-Unis), peut être utilisé pour enrichir les données client à la démographie.

Un modèle validé peut être appliqué sur la base de données clients ensemble, d'identifier un groupe de clients avec forte propension à répondre positivement à une offre similaire. Ayant produit cette liste de la clientèle, l'étape suivante est de lancer une campagne d'essais afin de vérifier la réponse attendue et d'analyser de nouveau les résultats. Toute tentative de mener une campagne entièrement soufflé sans test préalable, mai conduire à un échec, puisque les conditions du marché changent constamment.