Catálogo de modelos de workbench de inteligência do Oracle Unity Customer Data Platform

Modelo de pontuação de lead da conta

O modelo de pontuação de leads da conta é um modelo de ciência de dados preditivo e pronto para uso que pontua as contas do B2B na probabilidade de conversão usando seu perfil, receita, dados de comportamento e padrão de engajamento. As pontuações identificam a propensão das contas a fazer compras.

Benefícios

• Cultive proativamente as contas certas com maiores chances de conversão.
• Aumente a eficácia dos esforços de marketing baseado em contas (ABM).
• Aumente o número de leads qualificados para marketing (MQLs) e as taxas de conversão.

Casos de uso do setor

• Fabricação: Uma empresa de manufatura global pode usar os modelos de pontuação preditiva, de lead de conta e de contato do Oracle Unity para estimar e pontuar a probabilidade de uma conversão de venda com base no perfil e no padrão de engajamento.
• Tecnologia: Uma empresa de tecnologia pode aproveitar a pontuação de conta preditiva para acelerar os esforços de ABM, identificando quais contatos em uma determinada conta têm a maior chance de conversão e, em seguida, adicioná-los proativamente a campanhas e programas de divulgação.

Modelo de pontuação de lead do contato

O modelo de pontuação de leads de contato é um modelo de ciência de dados preditivo e pronto para uso que pontua os contatos na probabilidade de conversão usando seu perfil, receita, dados de comportamento e padrão de engajamento.

O modelo gera valores de pontuação de lead com timestamps de pontuação de lead para cada contato. Ele ajuda a determinar os contatos que estão ativos em diferentes níveis do funil de vendas e seu potencial para fazer compras, permitindo que você alinhe com precisão os segmentos de clientes e alinhe efetivamente as estratégias de vendas e marketing.

Benefícios

• Promova contatos proativamente com maiores chances de conversão.
• Aumente o número de leads qualificados para marketing (MQLs) e as taxas de conversão.

Casos de uso do setor

• Tecnologia: uma empresa de software de negócios pode aproveitar esse modelo para acelerar os esforços de vendas, identificando quais contatos em uma determinada conta têm a maior chance de conversão e, em seguida, adicioná-los proativamente a programas de divulgação.

Modelo de valor de vida útil do cliente

O modelo de valor da vida útil do cliente (CLV) é um modelo de ciência de dados pronto para uso que estima o valor de um cliente em um período específico. Essa previsão é baseada em vários pontos de contato, incluindo dados de perfil do cliente, histórico de transações anteriores e valor monetário e frequência da transação.

Os usuários corporativos podem personalizar o modelo CLV para dar aos seus clientes três, seis ou doze meses de valor vitalício.

Benefícios

• Faça o orçamento das despesas de marketing com mais eficiência ao adquirir, reter e atender clientes.
• Identifique e concentre-se mais em clientes de alto valor para aumentar a retenção de clientes e aumentar a receita.

Casos de uso do setor

• Bens embalados pelo consumidor: uma empresa on-line de cosméticos usa o modelo de valor da vida útil do cliente para estimar o valor de um cliente ao longo do tempo com base em seu perfil e padrões de transação. Eles criam uma campanha para um novo produto de cuidados com a pele de ponta direcionado a clientes que compraram menos de dois produtos para cuidados com a pele nos últimos seis meses e gastaram mais de US$ 200.
• Automotivo: um fabricante automotivo aproveita o modelo CLV para identificar intervalos de gastos do cliente e personalizar ofertas para carros que estejam dentro desses intervalos de gastos.
• Varejo: Uma mercearia executa o modelo CLV para identificar clientes que têm alto valor de vida útil com a marca a ser incluída em uma campanha para promover seu novo programa de fidelidade.

Modelos de atribuição de receita da campanha

Os modelos de atribuição de receita da campanha são modelos de ciência de dados prontos para uso que ajudam a determinar o sucesso das campanhas, analisando os pontos de contato que levam a vendas e conversões. Há dois tipos de modelos de atribuição de receita da campanha.

• O modelo de atribuição de campanha de receita mede a eficácia das campanhas, atribuindo um valor monetário a cada campanha.
• O modelo de atribuição de campanha sem receita mede a eficácia das campanhas, atribuindo um valor de atribuição percentual a cada campanha. O modelo calcula uma porcentagem de atribuição como um valor percentual de campanhas convertidas em conversões totais para cada campanha individual.

Cada modelo considera todos os pontos de contato que contribuíram para a conversão da campanha.

Benefícios

• Entenda a atribuição além da saída baseada em receita.
• Tome decisões com base na análise objetiva de dados em vez de escolhas subjetivas.
• Entenda quais eventos geram as conversões mais eficazes e determine onde gastar o orçamento e melhore o ROI.

Casos de uso do setor

• Varejo: um varejista pode usar o modelo de atribuição de campanha para ajudar a entender melhor as jornadas multicanais e obter informações sobre qual canal está ajudando a gerar mais conversões.
• Tecnologia: Uma empresa de tecnologia SaaS pode aproveitar o modelo de atribuição de campanha para ajudar a entender melhor as campanhas multitoque e quais conteúdos, canais e esforços de campanha foram os mais influentes para o fechamento da receita.

Recência, frequência e modelo monetário

O modelo de recência, frequência e monetário (RFM) é um modelo de ciência de dados pronto para uso que gera pontuações numéricas para valores de recência, frequência e monetários com base em dados de eventos e transações. Com ele, você pode segregar os clientes em várias personas e, em seguida, direcioná-los com as mensagens mais relevantes.

O modelo de RFM usa as seguintes características para medir o comportamento de engajamento e compra:

• Recente: a transação mais recente do cliente.
• Frequência: Com que frequência o cliente faz uma transação.
• Monetário: Tamanho/valor total da transação do cliente.

Cada característica é representada por uma pontuação entre um e cinco: um é o valor de compra menos recente, menos frequente ou mais baixo e cinco é o valor de compra mais recente, mais frequente ou mais alto.

O modelo usa as seguintes personas para indicar o valor de cada cliente.

• Perdido: Seus engajadores mais fracos, com atividade mínima no período observado.
• Em risco: Participantes que mostram os inícios da inatividade e o baixo comportamento da compra.
• Não é possível perder: Assinantes que têm uma pegada mais forte em inatividade. Ainda é salvável.
• Promessa: Engajadores com média de idade e valor.
• Novo: Participantes recentes com uma forte taxa de engajamento valorizado.
• Champion: O melhor dos melhores. Seus engajadores mais recentes com a maior taxa de engajamento de alto valor.

Benefícios

• Use personas de RFM para direcionar seus clientes com mensagens e ofertas mais relevantes com base no valor relativo do cliente. Esse envolvimento aprimorado do cliente pode aumentar as taxas de resposta, a satisfação do cliente, a retenção de clientes e o valor da vida útil do cliente.

Casos de uso do setor

• Varejo: um varejista pode melhorar o direcionamento, a personalização e a conversão geral, aproveitando o modelo de RFM para identificar e segmentar públicos (alto valor, promissor, em risco, perdido etc.) para várias campanhas de feriados com base em suas interações anteriores.

Voltar ao início

Modelo de propensão ao cancelamento

O modelo de propensão à rotatividade é um modelo de ciência de dados pronto para uso que pontua e mede a probabilidade de uma rotatividade de clientes com base em seus padrões transacionais e comportamentais.

Ele identifica os clientes mais propensos à rotatividade, fornecendo aos profissionais de marketing informações sobre quais clientes podem querer ser direcionados com campanhas ou mensagens específicas para retê-los.

Benefícios

• O modelo permite identificar proativamente públicos e segmentos (incluindo clientes de alto valor) em risco de rotatividade. As equipes de marketing e publicidade podem, então, acionar campanhas de retorno para esses clientes com mensagens relevantes para melhorar a taxa de retenção de clientes.

Casos de uso do setor

• Comunicações: Um provedor de telecomunicações pode enviar automaticamente uma promoção especial para clientes que possam estar pensando em mudar para outro provedor.

Modelo de propensão ao engajamento

O modelo de propensão ao engajamento mede a probabilidade de um cliente se envolver com emails (abrir, clicar, assinar ou cancelar a assinatura) com base em suas interações passadas.

Benefícios

• Melhore a segmentação por email e o envolvimento da campanha.
• Aumente com precisão os pontos de contato da campanha, concentrando-se no público com maior probabilidade de envolver e remover o público que pode estar cansado.

Modelo de propensão do produto

Esse modelo pronto para uso prevê a probabilidade de os clientes comprarem um produto específico com base em interações históricas e dados de perfil do cliente.

O modelo permite identificar quais clientes têm maior probabilidade de comprar um produto específico, observando a pontuação de propensão para combinações de clientes e produtos.

Benefícios

• Gaste orçamentos de marketing de forma mais eficaz, visando combinações de clientes e produtos de alta propensão.

Obtenha insights que de outra forma não estariam disponíveis para sua empresa para uma melhor tomada de decisões.

Casos de uso do setor

• Varejo: um varejista pode aproveitar o modelo de propensão do produto para ajudar a identificar as ofertas de produtos certas para clientes recém-envolvidos a fim de melhorar a conversão e a aquisição de clientes.
• Telecomunicações: uma empresa de comunicações móveis pode aproveitar o modelo de propensão ao produto para ajudar a orientar os clientes para novas atualizações de telefone, hardware e serviços.

Modelo de propensão de recompra

O modelo de propensão de recompra mede a probabilidade de os clientes recomprarem produtos específicos. As pontuações de propensão de recompra são calculadas com base em transações anteriores de clientes e dados demográficos e comportamentais.

Benefícios

• Aproveite as pontuações de propensão de recompra em relação aos públicos criados na Oracle Unity Customer Data Platform para otimizar campanhas de engajamento entre canais e direcionar os clientes que têm maior probabilidade de recomprar um produto.

Voltar ao início

Próximo melhor modelo de ação

O próximo melhor modelo de ação é um modelo de ciência de dados pronto para uso que prevê as necessidades do cliente e recomenda as ações mais relevantes para cada cliente com base nos padrões de vendas e transações.

O modelo usa dados de perfil do cliente, engajamento do cliente, dados do catálogo de produtos e compras para gerar as cinco principais ações recomendadas para o cliente. Você pode usar essas recomendações para determinar a ação mais relevante para um cliente específico.

Benefícios

• Aumente as taxas de conversão, envolvendo-se com os clientes da maneira certa, com a próxima e melhor ação na jornada dos clientes.

Casos de uso do setor

• Automotivo: Uma marca de carro global pode usar o próximo modelo de melhor ação (NBA) e o próximo modelo de melhor oferta (NBO) da Unity para recomendar as ações e ofertas mais relevantes para cada cliente com base em padrões de vendas e transação.
• Serviços financeiros: uma empresa de serviços financeiros pode usar a próxima melhor ação e os próximos modelos de melhor oferta para identificar públicos que provavelmente serão convertidos em novas ofertas de produtos financeiros, como uma conta de investimento, linha de crédito ou hipoteca, e personalizar as experiências de seus clientes em todos os canais com base nessa recomendação.
• Viagem e hospitalidade: uma linha de cruzeiro pode usar os modelos da NBO e da NBA para identificar qual oferta enviar a um cliente para ajudá-lo a reservar sua próxima viagem ou estadia.

Próximo modelo de melhor oferta

O próximo modelo de melhor oferta do Oracle Unity é um modelo de ciência de dados pronto para uso que prevê as necessidades dos clientes e recomenda as ofertas mais relevantes para cada cliente com base em padrões de vendas e transações.

O modelo usa o perfil do cliente, o envolvimento do cliente, o catálogo de produtos e os dados de compras para gerar recomendações. Ele permite que os usuários escolham entre as principais recomendações em ofertas vinculadas a vários produtos ou serviços. Os usuários podem usar essas recomendações para determinar as ofertas mais relevantes a serem enviadas a clientes específicos.

Benefícios

• Aumente sua taxa de conversão aproveitando o próximo modelo de melhor oferta para se envolver com seus clientes com o conteúdo ou a oferta mais relevante.

Casos de uso do setor

• Automotivo: Uma marca global de carros pode usar o próximo modelo de melhor ação (NBA) e o próximo modelo de melhor oferta (NBO) para recomendar as ações e ofertas mais relevantes para cada cliente com base em padrões de vendas e transação.
• Serviços financeiros: um provedor de serviços financeiros pode usar a próxima melhor ação e os próximos modelos de melhor oferta para identificar públicos que provavelmente serão convertidos em novas ofertas de produtos financeiros, como uma conta de investimento, uma linha de crédito ou uma hipoteca, e personalizar as experiências de seus clientes nos canais com base nessa recomendação.
• Viagem e hospitalidade: uma cadeia de hotéis pode usar os modelos da NBO e da NBA para identificar qual oferta enviar a um cliente para ajudá-lo a reservar sua próxima viagem ou estadia.

Próximo melhor modelo de promoção

O próximo melhor modelo de promoção é um modelo de ciência de dados pronto para uso que usa o histórico de compras de produtos dos clientes para determinar o preço que um cliente está disposto a pagar por um determinado produto. O uso desse modelo permite que você personalize de forma inteligente os preços dos produtos para seus clientes.

Benefícios

• O próximo melhor modelo de promoção permite preços personalizados de produtos, o que leva a taxas de conversão mais altas, receita total e valor médio do pedido.

Casos de uso do setor

• Assistência Médica: Uma empresa do setor de saúde pode utilizar o próximo melhor modelo de promoção para ajustar seus preços para um novo produto sleep aid com base em compras anteriores feitas por clientes individuais.
• Seguro: uma marca de seguro pode aproveitar o próximo melhor modelo de promoção para oferecer preços personalizados para pacotes de seguro complementares para melhorar as taxas de conversão e ajudar os clientes a empacotar e economizar.

Voltar ao início

Modelo de recomendação da campanha

O modelo de recomendação de campanha é um modelo de ciência de dados pronto para uso que identifica a campanha mais eficaz a ser enviada para cada cliente com base nas tendências passadas de engajamento e conversão do cliente em diferentes campanhas.

O modelo usa vários prazos (três meses, um ano e três anos) para classificar campanhas B2C recorrentes e únicas para cada cliente em qualquer instância com base na probabilidade de conversões.

Benefícios

• Melhore a conversão e o ROI de suas campanhas, prevendo de forma inteligente quais campanhas são ideais para os clientes com base nas tendências recentes de engajamento e conversão.

Casos de uso do setor

• Assistência Médica: Uma organização de assistência médica pode aproveitar o modelo para identificar quais campanhas digitais futuras de engajamento do paciente são adequadas para cada paciente com base na conversão e no envolvimento anteriores.
• Varejo: um varejista pode usar o modelo para melhorar a conversão da campanha e o valor da vida útil do cliente, colocando o público em campanhas com as quais é mais provável que ele se envolva com base no histórico de engajamento e conversão anteriores.

Modelo de recomendação de canal

Esse modelo de ciência de dados pronto para uso recomenda o melhor canal de marketing para clientes com base em dados históricos de interações.

O modelo de recomendação de canal classifica os canais de engajamento de cada cliente em qualquer instância com base na probabilidade de conversões. Você obtém insights sobre quais canais geram receita e pode encontrar oportunidades para aumentar a receita distribuindo gastos entre canais com altas taxas de conversão.

São avaliados os seguintes canais:

• Email
• SMS
• Envie
• Web

Benefícios

• Melhore a conversão usando o canal mais bem previsto para segmentar perfis de clientes enquanto eles estão se movendo pelo funil de vendas.

Casos de uso do setor

• Serviços Públicos: Um utilitário elétrico pode usar o modelo para determinar se o e-mail, SMS, push ou web é melhor para se comunicar com clientes específicos durante as horas de energia no pico e fora do pico.

Modelo de segmentação de fadiga

Esse modelo de ciência de dados pronto para uso classifica os clientes em diferentes níveis de fadiga de mensagens com base em seu perfil e níveis de engajamento.

O modelo de segmentação de fadiga ajuda a evitar a fadiga do cliente, oferecendo insights sobre o número de campanhas e mensagens que precisam ser enviadas para cada perfil de cliente.

Ele mede a fadiga de mensagens de cada perfil de cliente com base no engajamento do cliente, no histórico de campanhas recebidas e abertas e, o mais importante, na persona do perfil do cliente. Você determina e controla o número ideal de mensagens a serem enviadas para cada perfil de cliente para evitar fadiga.

Benefícios

• Diferencie de forma inteligente os clientes que estão ativos e prontos para se envolver daqueles que estão cansados.
• Obtenha insights para ajudá-lo a controlar o alcance da campanha para cada cliente com base em seus níveis de fadiga.
• Aumente o engajamento e/ou conversões e diminua as desistências.

Casos de uso do setor

• Fabricação: Um fabricante do painel solar usa o modelo para classificar os clientes em níveis diferentes de fadiga com base no perfil e nos níveis do envolvimento. Isso permite ajustar o volume de comunicações para suas contas segmentadas.
• Tecnologia: Uma empresa de tecnologia B2B aproveita o modelo para identificar clientes em potencial que devem ser removidos dos esforços de campanha ABM de alto contato e colocados de volta em campanhas gerais entre canais.

Modelo de otimização de tempo de envio

O modelo de otimização de tempo de envio é um modelo de ciência de dados pronto para uso que determina o tempo ideal para enviar e-mails de campanha aos clientes com base no comportamento de e-mails anteriores.

Por exemplo, o modelo acionaria o envio de e-mails de campanha antes que os clientes normalmente verificassem suas caixas de entrada. Como resultado, a mensagem aparece na parte superior da caixa de entrada do cliente, garantindo que o email seja mais provável de ser visto e aberto.

Benefícios

• Aumente o engajamento e a conversão do cliente otimizando a campanha, direcionando os clientes nos momentos em que eles têm maior probabilidade de ver, abrir, ler ou reconhecer emails.
• Envie emails pouco antes de um cliente normalmente verificar sua caixa de entrada, aumentando a probabilidade de seus emails serem visualizados e abertos.

Casos de uso do setor

• Varejo: um varejista de moda pode aumentar a probabilidade de engajamento e conversão do cliente em novas campanhas, aproveitando o modelo para melhorar os tempos de entrega da campanha em todos os canais.
• Viagem e hospitalidade: um resort pode garantir que seus e-mails semanais de ofertas de férias de baixo preço sejam enviados aos clientes quando eles tiverem maior probabilidade de se envolver com o conteúdo.

Voltar ao início