关于客户维系分析

2017-08-19 11:03:06 来源: 未知
  客户维系是一个企业成功的关键驱动因素。防止顾客离开的一个方法是优化客户维系。客户维系被定义为创建重复购买顾客和提高未来盈利能力的一个业务活动。
  维系营销的目标
  作为营销人员,有几个目标或结果我们想要优化。维系营销的目标至少是保持/维系现有的客户。而在很长一段时间里维系客户是很重要的,维系营销的其他目标聚焦于增长和扩大这些关系,通过向上/交叉销售,转化率和建议的数量进行衡量。
  所以,营销人员的目标需要密切关注各种衡量的结果。本文将以一个指标为例,有必要指出这5步过程可以应用到任何营销指标上。
  分析维系营销数据
  在数字化世界中,企业跟踪大量的客户数据,包括他们的态度、产品使用,和忠诚行为(如,继续作为客户,提供建议,更多的购买)。在维系营销的工作上,企业正试图利用所有这些不同类型的数据描绘出对顾客的洞察。

  因此,维系营销必然是大量的努力,要求企业合并分析这些数据。虽然有特定技术业务可以应用于他们的数据,他们都在建立更综合的方法从数据中提取洞察。企业遵循以下五个简单的步骤,使用分析来提高他们的业务流程,包括他们的营销维系工作
  1. 制定一个问题,或问题的陈述。
  2. 生成可测试的假设,预感,或有根据的猜测。
  3. 收集/生成数据来理解问题中的现象。数据可以通过实验生成;当我们不能进行真正的实验时,数据可以通过观测获得。
  4. 分析数据来测试假设/直觉得出结论。
  5. 基于这个结论沟通,让有关方感兴趣或采取行动(如,改变流程)。此外,结果可以帮助你改善假设进行进一步的测试
  上面的步骤可能看起来很熟悉,因为他们代表了科学的方法。科学的方法被证明是从用数据发现洞察的方法。应用科学的方法帮助诚实面对自己,最小化得出错误结论的可能。
  通过遵循数据的引导,商界领袖使用他们的数据来理解业务如何工作的真相。通过试验和错误,营销人员使用科学的方法来揭示客户留下或离开的原因和驱动这些关系的根本过程。

  让我们详细看看每一个步骤。
  1. 制定问题
  在分析数据之前,你需要知道你想从数据中要什么。你想知道什么?你想解决什么问题?如果你知道客户流失率很高,你可能会考虑制定问题,更好地理解客户离开的原因。在制定问题时记住你的业务目标。
  通过提出具体的,与业务相关的问题,你得到的答案将有助于改善公司的经营。对于维系营销人员,他们制定的问题必然是与识别像流失率和转化率等这样变量相关。
重要的是问题的陈述是由有良好的商业和营销智慧的高管提出或审核。商业和营销上的专业知识将确保所问的问题与业务需求相关。建立正确的问题语句将指导每个后续步骤的决定并增加使用数据来提高维系营销工作的成功机会。
  尽管营销人员可能会制定自己的问题或问题陈述,针对他们特殊的业务情况,对所有的营销专业人士还是有一些常见的营销问题的。我最关注的问题是:
  我能做些什么来提高转化率?
  2. 生成假设直觉
  建立问题的陈述后,下一步是试着生成假设,直觉或有根据的猜测。一个假设本质上代表预计将发生什么。假设可以预测的形式表达,如“如果我做了A,那么B将会发生”或这样表达:“A与B有关”。
  在问题陈述的基础上,会有以下的可测试的假设:
  H1:带有红色召集行动(CTA)标记(相比一个蓝色标记)的邮件可以导致更高的转化率。
  发现这个假设的答案将帮助营销人员构建营销活动,提高转化率。
  3. 收集生成数据
  在这一步中,收集的数据用于确定假说是正确的。营销人员可以使用两种方法中的一个来收集数据:实验或观察。在实验方法中,营销人员控制一个变量的水平来研究其对其它结果的影响(如:转换,更新)。在观测方法中,营销人员不控制任何变量的水平;他们简单地使用可用的数据来测试他们的假设。
  用现在的例子,营销人员设计了一项研究,看看她的预测结果如何。营销人员用实验方法,通过创建两个营销邮件,它们只是在召集行动(CTA)标记的颜色(红色和蓝色)上不同,并跟踪各自的转化率。
  4. 分析数据得出结论
  营销人员收集数据后,分析测试他们的假设。维系营销使用不同的分析进行数据分析,包括描述性分析和预测分析。描述性分析是用来显示世界的当前状态。预测分析是用来预测未来事件或新指标(其他数据)。预测分析本质上是考察不同指标之间的关系。
  描述性分析通常用于帮助营销人员总结关键指标,像现在的维系率以及排列产品功能使用频率的等级。虽然有用,描述性分析却不能帮助找到假设的答案。营销人员依靠预测分析提供这些答案。对于上述的例子,营销人员将使用预测分析计算一个红色的CTA标记对转化率(如,使用t测试)的影响程度,以及每个产品使用指标与客户维系/更新的强/弱关系(如,使用回归分析)
  当数据堆积如山时:转向机器学习
  当营销人员整合所有不同的数据仓库时,他们通常被需要管理和分析的变量所击败。即使他们有经验丰富的数据科学家,数据科学家仍然很难手动快速筛选大量的数据来寻找最优的预测模型。相反,创建最好的维系预测模型,营销人员要依赖于机器学习的力量,快速、准确地发现潜在客户留下或离开的理由。
  基于数学、概率统计,机器学习发现变量之间的联系,帮助优化重要组织的结果,在这种情况下维系。机器学习简单的使用历史数据建立客户维系的预测模型。这些模型被应用于新的客户数据预测未来。机器学习的迭代属性,算法不断学习,消化的数据越多,他们的表现也越好。再加上今天的处理能力,这些算法与人类相比,可以更快地提供客户的洞察。
  5. 采取行动沟通的结果
  在这一步中,营销人员可以两方面使用研究结果。首先,他们可以与机构中的其他人交流结果。其次,他们可以自己采取行动改变营销流程,改善结果(维系、转换更新)。在维系营销分析的这一阶段采用规范的分析。规范的分析涉及到数量结果和人类判断两者的结合。
  我们的营销人员发现红色CTA标记导致更高的转化率(相比蓝色),针对这一发现的结果,她采取行动,改变所有CTA标记为红色。可以进行额外的分析来确定由于颜色发生改变对于维系率的提升。
  要注意的是,分析的结果不是在这个阶段就结束了。营销人员常常使用他们的分析结果来设置新的假设。他们可能会发现新的信息,引出其他的问题。基本上,一个研究的结果可以作为背景知识去研究新的/未来维系营销的项目。分析结果提出更好的问题导致更好的答案。
  维系营销分析工作并不是一次性的努力。最好是将维系营销分析作为不断提高维系的努力,即可通过实施新的市场规程又或调整现有营销过程。