Analisis prediktif sebagai alat untuk meningkatkan efisiensi pemasaran

Kemampuan yang berkembang untuk mengumpulkan dan menyimpan data telah memberikan bisnis dengan kemampuan yang ditingkatkan untuk analisis retrospektif dan real-time. Sekarang kita dapat melacak pola dan menarik kesimpulan tentang kegagalan agar tidak menginjak penggaruk yang sama. Atau kita dapat mengidentifikasi solusi yang paling sukses dan mengulangi kesuksesan kita.

Analisis prediktif selalu lebih efektif daripada analisis retrospektif atau real-time dalam jangka panjang, seperti halnya pencegahan lebih efektif daripada perawatan medis mendesak. Analisis retrospektif pada dasarnya adalah otopsi — analisis kesalahan yang tidak dapat dibatalkan. Analisis waktu nyata adalah ambulans yang merespons di sini dan saat ini, dan analisis prediktif adalah obat pencegahan yang menyelamatkan Anda dari penyakit sejak awal.

Seperti yang dikatakan Thomas Davenport, tidak ada yang memiliki kemampuan untuk mengumpulkan dan menganalisis data dari masa depan. Tapi kami memiliki kesempatan untuk memprediksi masa depan menggunakan data dari masa lalu. Ini disebut analitik prediktif, dan faktanya, banyak perusahaan sudah menggunakannya. Anda dapat menggunakan data dari masa lalu untuk:

1. menghitung nilai seumur hidup pelanggan (CLV). Indikator ini akan membantu Anda memahami nilai apa yang akan diberikan klien kepada perusahaan Anda sepanjang hidup mereka, termasuk penghasilan di masa mendatang.
   
2. mengembangkan rekomendasi optimal berdasarkan data perilaku pengguna dari situs web Anda.
   
3. memprediksi produk atau layanan apa yang kemungkinan akan dibeli pelanggan di masa depan.
   
4. memprediksi pergantian pelanggan.
   
5. mengembangkan rencana dan perkiraan penjualan pada kuartal / enam bulan / tahun berikutnya.

Semua ini adalah bentuk sederhana dari analitik prediktif. Mari kita lihat metode analitik prediktif yang populer.

Kita dapat mengidentifikasi tahapan pemodelan prediktif berikut:

• Pengumpulan data primer
• Pembentukan model statistik
• Peramalan
• Memeriksa / merevisi model saat data tambahan tersedia

Model prediktif menganalisis perilaku masa lalu pengguna untuk menilai kemungkinan bahwa mereka akan menunjukkan perilaku tertentu di masa depan. Jenis analisis ini juga melibatkan model yang menemukan pola halus dalam data, seperti untuk mendeteksi penipuan.

Seringkali, model prediktif membuat penghitungan segera saat pengguna melewati corong konversi dalam perjalanan untuk melakukan tindakan konversi — misalnya, untuk menilai kemungkinan pengguna mencapai sasaran. Dengan data yang akurat tentang kemungkinan transisi dari satu langkah dalam corong ke yang lain, bisnis dapat mengelola dengan lebih baik faktor-faktor yang mencegah atau membantu pengguna berpindah melalui corong dan dapat lebih akurat menggambarkan pola perilaku berbagai kategori pelanggan.

Rata-rata pengguna memiliki sekitar 50 aplikasi di smartphone mereka. Masing-masing dari mereka menerima, mentransmisikan, dan menghasilkan data. Data ini disimpan dalam layanan yang berbeda dan dalam format yang berbeda. Meskipun pada pandangan pertama ini mungkin tampak seperti faktor positif bagi pemasar, bekerja secara efektif dengan volume data terstruktur dan tidak terstruktur seperti itu adalah masalah.

Mari kita lihat beberapa contoh perusahaan yang telah berhasil menerapkan hasil analitik prediktif.

… untuk merekomendasikan produk dan layanan kepada pengguna berdasarkan perilaku mereka di masa lalu. Menurut beberapa laporan, rekomendasi semacam itu menghasilkan hingga 30% dari penjualan Amazon. Selain itu, Amazon memiliki rencana untuk mengembangkan alat yang, berdasarkan perkiraan, akan mengirimkan produk ke zona di mana pesanan diharapkan bahkan sebelum pesanan ditempatkan di situs, mengurangi waktu pengiriman barang ke pelanggan.

Tim Macy memanfaatkan analisis prediktif untuk pemasaran langsung yang lebih akurat. Selama tiga bulan, perusahaan meningkatkan penjualan online dari 8% menjadi 12% dengan menangkap data kategori produk yang dijelajahi oleh pengguna dan mengirimkan email yang dipersonalisasi sesuai dengan itu.

… untuk menargetkan pelanggan potensial, menarik prospek, dan menutup transaksi. Mereka mengidentifikasi pelanggan potensial paling berharga yang siap melakukan pembelian. Kemudian perwakilan penjualan menghubungi pelanggan potensial ini secara langsung dan mengarahkan mereka melalui proses penjualan untuk menemukan penawaran yang paling sesuai.

StitchFix adalah pengecer lain dengan model penjualan berbasis perkiraan yang unik.
Saat mendaftar dengan StitchFix, pengguna menyelesaikan survei tentang gaya mereka. Kemudian model analitik prediktif diterapkan untuk menawarkan kepada pelanggan pakaian yang kemungkinan besar mereka inginkan. Jika pelanggan tidak menyukai pakaian yang mereka terima, mereka dapat mengembalikannya dengan pengiriman kembali gratis.

… dan secara preventif memberikan informasi yang diperlukan tentang cara menyimpannya. AI Sprint memprediksi apa yang diinginkan pelanggan dan memberi mereka penawaran saat mereka berada pada risiko tertinggi untuk meninggalkan perusahaan. Sejak memperkenalkan sistem AI ini, tingkat churn Sprint telah anjlok, dan pelanggan telah memberi perusahaan peringkat yang sangat baik untuk layanan yang dipersonalisasi dan penawaran yang ditargetkan. Seperti yang Anda lihat, memperkirakan churn pelanggan adalah tugas yang layak untuk analitik prediktif di antara bisnis SaaS dan e-commerce.

Berikut daftar metrik paling populer dalam lingkup analitik prediktif:

1. Rasio arus keluar klien (tingkat churn)
   
2. Perkiraan rencana penjualan
   
3. Nilai seumur hidup pelanggan
   

Memperkenalkan analitik prediktif tidak mungkin dilakukan tanpa kerja sama dari departemen pemasaran dan analitik, memahami tujuan penelitian dan menetapkan urutan dalam data. Melakukan analitik prediktif berjalan sebagai berikut:

1. Tentukan hipotesis Anda
   
2. Kumpulkan data secara internal dan eksternal untuk membangun model
   
3. Tentukan metrik untuk mengukur keakuratan model Anda
   
4. Gunakan layanan yang sudah jadi atau kembangkan sendiri:
   1. Bangun MVP
      
   2. Latih model dalam hal kurangnya parameter akurasi untuk mencapai versi kerja yang stabil
      
   3. Buat antarmuka atau laporan
      
   4. Perbarui atau latih kembali model untuk memenuhi persyaratan baru
      

Pada tahap pengumpulan data, pastikan Anda telah menyiapkan analitik ujung ke ujung, karena tanpanya, menerapkan analitik prediktif biasanya tidak efektif.

Persentase keputusan bisnis berdasarkan analitik pemasaran mencapai puncaknya pada awal 2019 (mengingat data dari enam tahun terakhir) menurut laporan Survei CMO: Musim Semi 2019 oleh Deloitte. Menurut sebuah studi oleh MarketsandMarkets, pasar untuk analisis prediktif akan tumbuh dari $4 miliar menjadi lebih dari $12 miliar pada tahun 2022

Ketertarikan pada analitik pemasaran secara umum — dan khususnya analitik prediktif — mendorong perusahaan untuk mengembangkan solusi dan layanan yang mudah digunakan yang membuat analitik prediktif lebih mudah diakses untuk bisnis.

Berikut adalah beberapa layanan tersebut:

• Produk OWOX BI yang membantu perusahaan mencapai tujuan pemasaran dan tumbuh 22% lebih cepat dari rata-rata pasar.
  
• Pemimpin dalam peringkat musim semi dan musim panas 2019 oleh G2 Crowd dalam kategori “Perangkat lunak pemasaran – analitik” dan “Perangkat lunak untuk analitik dalam e-niaga.”
  
• Mengirimkan perkiraan tentang penerapan rencana pemasaran Anda langsung ke email Anda.
  

OWOX BI:

• Menggabungkan data pemasaran dari berbagai sumber, sehingga tersedia untuk analisis di Google BigQuery.
  
• Menentukan nilai setiap langkah pengguna menggunakan model atribusi berbasis corongnya sendiri.
  
• Secara otomatis membuat laporan untuk menganalisis efektivitas pemasaran.
  
• Menunjukkan bagaimana rencana penjualan Anda akan diterapkan, apa area pertumbuhan dan kelemahan Anda, dan bagaimana pangsa pasar Anda berubah.
  

Anda dapat mencoba OWOX BI sekarang menggunakan masa percobaan gratis:

Anda dapat mempelajari lebih lanjut tentang OWOX BI di artikel kami tentang cara memprediksi area pertumbuhan dan risiko dalam rencana pemasaran berdasarkan data.

Model prediktif yang ditawarkan oleh Infer akan membantu Anda menggabungkan semua sumber data untuk mendapatkan gambaran lengkap tentang posisi prospek Anda di saluran penjualan. Infer melacak sinyal dari sumber online dan database publik, lalu membuat model prediktif berdasarkan akun utama sebelumnya dan aturan yang Anda tetapkan. Data yang diperoleh oleh Infer akan berguna bagi pemasar dan spesialis penjualan baik untuk menemukan prospek yang kemungkinan besar akan berubah menjadi pelanggan di masa mendatang maupun untuk mengoptimalkan saluran penjualan secara keseluruhan.

Radius menyediakan beberapa layanan analisis data dengan fokus pada pemasaran B2B prediktif. Fitur utama meliputi:

• Radius Customer Exchange (RCX), yang membandingkan profil perusahaan Anda dengan perusahaan lain yang memiliki audiens yang sama, memberi Anda kesempatan untuk bekerja sama dan membuat daftar pemasaran Anda sendiri.
  
• Radius Connect: Mengirimkan data prediktif ke Salesforce.
  

Platform Radius juga membantu pemasar bertukar data antar departemen dan menemukan akun baru di database internal. Seperti Infer, Radius adalah sistem berbasis cloud.

Berdasarkan aturan pemodelan prediktif, BOARD bekerja dalam antarmuka adaptif dengan dasbor waktu nyata.

Ini berarti Anda dapat memodelkan berbagai skenario dan menganalisis kemungkinan hasil tanpa harus membuat model baru setiap kali.

BOARD dilengkapi dengan beberapa konektor bawaan, sehingga Anda dapat mengekstrak data dari hampir semua sumber — sistem ERP Anda, database cloud, OLAP cube, dan bahkan file datar. Anda juga dapat mengubah perkiraan Anda menjadi aplikasi khusus menggunakan alat BOARD.

TIBCO Data Science adalah produk yang relatif baru, diumumkan pada September 2018. Dibuat sebagai platform tunggal, TIBCO Data Science menggabungkan kemampuan layanan generasi sebelumnya dari TIBCO: TIBCO Statistica, Spotfire Data Science, Spotfire Statistics Services, dan TERR.

Layanan Ilmu Data membantu organisasi berinovasi dan memecahkan masalah kompleks dengan lebih cepat, dengan cepat mengubah perkiraan menjadi solusi optimal.

SAS memiliki 33% pangsa pasar analitik prediktif dan pengalaman 40 tahun; mereka memberi pengguna kemampuan analisis data tingkat lanjut berdasarkan banyak editor visual. Fungsi utama SAS Advanced Analytics didasarkan pada grafik, peta proses otomatis, kode yang disematkan, dan aturan waktu otomatis.

Menurut ulasan pengguna, SAS Advanced Analytics melakukan pekerjaan yang sangat baik dalam memprediksi dan menganalisis pergerakan keseluruhan dan dapat memproses kumpulan data besar dengan relatif cepat. SAS menyediakan demo gratis dari produknya dan basis pengetahuan untuk membantu Anda mulai bekerja dengan mereka.

Perangkat lunak ini memungkinkan Anda untuk mengotomatiskan pembuatan laporan berdasarkan interval waktu. Anda dapat mengimpor kumpulan data Anda sendiri dan mengekspornya ke program lain berkat lebih dari 60 integrasi bawaan.

Ekstensi memberikan fleksibilitas yang lebih besar (deteksi anomali, pengolah kata, penambangan web), tetapi mungkin tidak termasuk dalam harga berlangganan dasar

Meskipun RapidMiner dibuat untuk ilmuwan data, mudah untuk menginstal dan memulai.

IBM SPSS menggunakan pemodelan data dan analitik berdasarkan statistik. Perangkat lunak ini bekerja dengan data terstruktur dan tidak terstruktur. Ini tersedia di cloud, secara lokal, atau melalui penerapan hibrid untuk memenuhi persyaratan keamanan dan mobilitas apa pun.

Anda dapat menggunakan data yang ada untuk membuat model prediktif di editor visual SPSS dan dasbor pemodelan. Dukungan premium untuk data tidak terstruktur mencakup teknologi linguistik dan pemrosesan bahasa alami, sehingga Anda dapat menyertakan data dari jaringan sosial dan sumber berbasis teks lainnya dalam model Anda.

SAP HANA menyediakan database dan aplikasi secara lokal atau di cloud. Perangkat lunak ini mengurangi waktu yang diperlukan untuk membuat model dengan konektor tambahan untuk kumpulan data eksternal yang besar dan visualisasi intuitif.

Anda juga dapat menghubungkan perpustakaan analitik prediktif (PAL) ke SAP HANA untuk mendapatkan wawasan tambahan dari kumpulan data besar. Untuk industri yang berpusat pada klien, perangkat lunak ini menawarkan analisis data teks dan media sosial untuk memprediksi perilaku pelanggan di masa depan dan merekomendasikan produk berdasarkan perilaku masa lalu.

SAP HANA kompatibel dengan bahasa pemrograman R, jadi Anda tidak perlu mempelajari bahasa baru untuk mengonfigurasi kueri Anda. Saat sistem Anda mengintegrasikan data internal yang cukup, model prediktif secara otomatis memberikan wawasan baru.

Analisis prediktif dalam pemasaran adalah alat ilmu data yang kuat yang kemampuannya tidak dapat dicakup dalam satu artikel. Beri tahu kami di komentar aspek analitik prediktif mana yang ingin Anda pelajari lebih lanjut di artikel kami berikutnya.

Sebagai pengingat, berikut adalah tiga perintah analitik prediktif:

• Mulailah dengan dasar-dasar: periksa kualitas data Anda dan kumpulkan secara otomatis untuk menghilangkan kesalahan manusia. Kualitas model terlatih Anda bergantung pada kualitas data pelatihan Anda.
  
• Jangan pernah jauh dari tujuan penelitian Anda, karena bukan prosesnya yang penting, tetapi hasilnya.
  
• Perhatikan persyaratan akurasi. Ingatlah bahwa hasil perkiraan Anda hanya dapat divalidasi dengan mengukur seberapa akurat model yang telah terbukti saat diterapkan pada data Anda.
  

Pemodelan Prediktif
Pentingnya Analisis Prediktif untuk Toko E-niaga
Panduan Komprehensif Untuk Analisis Prediktif
10 Alat Analisis Prediktif Teratas, Berdasarkan Kategori
Memprediksi Pendapatan Menggunakan Analisis Prediktif: Studi Kasus Interaktif
Dasar Analisis Prediktif
24 PERANGKAT LUNAK GRATIS ANALISIS PREDIKTIF TOP
20 Perangkat Lunak Analisis Prediktif Terbaik 2019
Alat Analisis Prediktif
Perangkat Lunak Analisis Prediktif
Pemodelan Prediktif
Alat Analisis Prediktif
Wawasan Untuk Bertindak — Kali Ini Nyata
7 Cara Amazon Menggunakan Big Data untuk Menguntit Anda (AMZN)
Amazon Ingin Menggunakan Analisis Prediktif untuk Menawarkan Pengiriman Antisipatif
Retensi Pelanggan: Macy's Menggunakan Analisis Prediktif untuk Meningkatkan Belanja Pelanggan
Analisis Prediktif pada tahun 2019: Apa yang Mungkin, Siapa yang Melakukannya, dan Bagaimana
Cara Menggunakan Analisis Prediktif untuk Kinerja Pemasaran yang Lebih Baik
Memprediksi Pendapatan Menggunakan Analisis Prediktif: Studi Kasus Interaktif
Mengungkap Analisis Prediktif