Katalog der Oracle Unity Customer Data Platform Intelligence Workbench-Modelle

Account-Leadbewertungsmodell

Das Account-Leadbewertungsmodell ist ein prädiktives, einsatzbereites Data-Science-Modell, das B2B Accounts anhand ihres Profils, Umsatzes, Verhaltensdaten und Engagementmusters auf ihre Konvertierungswahrscheinlichkeit bewertet. Die Scores geben die Neigung für Konten an, Einkäufe zu tätigen.

Vorteile

• Pflegen Sie proaktiv die richtigen Konten mit höheren Conversion-Chancen.
• Erhöhen Sie die Effektivität von Account-based Marketing (ABM)-Bemühungen.
• Erhöhen Sie die Anzahl der Marketing-qualifizierten Leads (MQLs) und Konversionsraten.

Branchen-Anwendungsfälle

• Fertigung: Ein globales Fertigungsunternehmen kann die Vorhersage-, Account-Lead- und Contact Scoring-Modelle von Oracle Unity verwenden, um die Wahrscheinlichkeit eines Verkaufs auf der Grundlage von Profil- und Engagement-Mustern einzuschätzen und abzuschätzen.
• Technologie: Ein Technologieunternehmen kann die vorausschauende Accountbewertung nutzen, um die ABM-Bemühungen zu beschleunigen, indem es ermittelt, welche Kontakte in einem bestimmten Account die höchsten Conversion-Chancen haben, und sie dann proaktiv zu Kampagnen und Outreach-Programmen hinzufügt.

Kontakt-Leadbewertungsmodell

Das Lead-Bewertungsmodell für Personen ist ein prädiktives, einsatzbereites Data-Science-Modell, das Kontakte anhand ihres Profils, ihres Umsatzes, ihrer Verhaltensdaten und ihres Engagementmusters auf ihre Konvertierungswahrscheinlichkeit bewertet.

Das Modell generiert Leadscorewerte mit Zeitstempeln für Leadscores für jeden Kontakt. Es hilft, die Kontakte zu bestimmen, die auf verschiedenen Ebenen des Verkaufstrichers aktiv sind, und ihr Potenzial, Einkäufe zu tätigen, sodass Sie Kundensegmente genau ansprechen und Vertriebs- und Marketingstrategien effektiv aufeinander abstimmen können.

Vorteile

• Kontakte mit höheren Konversionschancen proaktiv pflegen.
• Erhöhen Sie die Anzahl der Marketing-qualifizierten Leads (MQLs) und Konversionsraten.

Branchen-Anwendungsfälle

• Technologie: Ein Unternehmen für Unternehmenssoftware kann dieses Modell nutzen, um die Vertriebsbemühungen zu beschleunigen, indem es ermittelt, welche Kontakte in einem bestimmten Account die höchsten Konvertierungschancen haben, und sie dann proaktiv zu Outreach-Programmen hinzufügt.

Customer Lifetime Value-Modell

Das Customer Lifetime Value-(CLV-)Modell ist ein einsatzbereites Data-Science-Modell, das den Wert eines Kunden über einen bestimmten Zeitraum schätzt. Diese Vorhersage basiert auf mehreren Kontaktpunkten, einschließlich Kundenprofildaten, vergangener Transaktionshistorie sowie dem monetären Wert und der Häufigkeit der Transaktion.

Geschäftsanwender können das CLV-Modell anpassen, um ihren Kunden einen Wert von drei, sechs oder zwölf Monaten für die Lebensdauer zu bieten.

Vorteile

• Budgetieren Sie Marketingausgaben effektiver, wenn Sie Kunden gewinnen, binden und bedienen.
• Identifizieren und konzentrieren Sie sich mehr auf hochwertige Kunden, um die Kundenbindung zu erhöhen und den Umsatz zu steigern.

Branchen-Anwendungsfälle

• Consumer Packaged Goods: Ein Online-Kosmetikunternehmen verwendet das Customer Lifetime Value Modell von Unity, um den Wert eines Kunden in der Zeit auf die Grundlage von Profil- und Transaktionsmustern zu schätzen. Sie könnten eine Kampagne für ein neues High-End-Hautpflegeprodukt erstellen, das auf Kunden abzielt, die in den letzten sechs Monaten weniger als zwei Hautpflegeprodukte gekauft und mehr als $200 ausgegeben haben.
• Automobilindustrie: Ein Automobilhersteller nutzt das CLV-Modell, um Kundenausgabenbereiche zu identifizieren und Angebote für Autos anzupassen, die innerhalb dieser Ausgabenbereiche liegen.
• Einzelhandel: Ein Lebensmittelgeschäft führt das CLV-Modell aus, um Kunden zu identifizieren, die einen hohen Lifetime Value mit der Marke haben, die in eine Kampagne aufgenommen werden sollen, um ihr neues Treueprogramm zu bewerben.

Zuordnungsmodelle der Kampagneneinnahmen

Die Kampagnenumsatzzuordnungsmodelle sind einsatzbereite Data-Science-Modelle, mit denen Sie den Erfolg von Kampagnen ermitteln können, indem Sie die Kontaktpunkte analysieren, die zu Verkäufen und Conversions führen. Es gibt zwei Typen von Kampagnenumsatzzuordnungsmodellen.

• Das Umsatzkampagnenzuordnungsmodell misst die Effektivität von Kampagnen, indem jeder Kampagne ein monetärer Wert zugewiesen wird.
• Das Attributionsmodell für umsatzfreie Kampagnen misst die Effektivität von Kampagnen, indem jeder Kampagne ein prozentualer Attributionswert zugewiesen wird. Das Modell berechnet einen Attributionsprozentsatz als Prozentsatz der Kampagnen, die in Gesamtkonvertierungen für jede einzelne Kampagne konvertiert wurden.

Jedes Modell berücksichtigt alle Touchpoints, die zur Konvertierung der Kampagne beigetragen haben.

Vorteile

• Verstehen Sie die Zuordnung über die umsatzbasierte Ausgabe hinaus.
• Treffen Sie Entscheidungen basierend auf der objektiven Datenanalyse und nicht auf subjektiven Entscheidungen.
• Verstehen Sie, welche Ereignisse die effektivsten Konvertierungen generieren, und bestimmen Sie, wo Sie das Budget ausgeben und den ROI verbessern.

Branchen-Anwendungsfälle

• Einzelhandel: Ein Einzelhändler kann das Kampagnenzuordnungsmodell verwenden, um Multichannel-Journeys besser zu verstehen und Einblicke in den Kanal zu erhalten, über den die meisten Conversions erzielt werden.
• Technologie: Ein Technologieunternehmen von SaaS kann das Kampagnenzuordnungsmodell nutzen, um Multitouch-Kampagnen besser zu verstehen und zu ermitteln, welche Inhalte, Kanäle und Kampagnenbemühungen am einflussreichsten für den Umsatzabschluss waren.

Aktualität, Häufigkeit und monetäres Modell

Das RFM-Modell (Recency, Frequency, Money) ist ein einsatzbereites Data-Science-Modell, das numerische Scores für Aktualität, Häufigkeit und monetäre Werte basierend auf Ereignis- und Transaktionsdaten generiert. Damit können Sie Kunden in verschiedene Personas unterteilen und sie dann mit dem relevantesten Messaging ansprechen.

Das RFM-Modell verwendet die folgenden Eigenschaften, um das Engagement und das Kaufverhalten zu messen:

• Aktualität: Die letzte Transaktion des Kunden.
• Häufigkeit: Wie oft macht der Kunde eine Transaktion?
• Monetär: Größe/Gesamtwert der Transaktion des Kunden.

Jedes Merkmal wird durch eine Punktzahl zwischen eins und fünf dargestellt: eines ist der am wenigsten aktuelle, am wenigsten häufige oder am niedrigsten Kaufwert und fünf ist der neueste, häufigste oder höchste Kaufwert.

Das Modell verwendet die folgenden Personas, um den Wert jedes Kunden anzugeben.

• Verloren: Ihr schwächstes Engagement und minimale Aktivität im beobachteten Zeitraum.
• Risiko: Engager, die den Beginn der Inaktivität und wenig ausgehendes Kaufverhalten anzeigen.
• Kann nicht verlieren: Abonnenten, die einen stärkeren Footprint in Inaktivität haben. Noch heilbar.
• Versprechend: Engager mit durchschnittlicher Recency und Wertniveau.
• Neu: Neuere Engagements mit einer starken Rate wertvoller Interaktionen.
• Champion: Das Beste vom Besten. Ihre jüngsten Mitarbeiter waren kürzlich aktiv und zeigten das intensivste und wertvollste Engagement.

Vorteile

• Verwenden Sie RFM-Personas, um Ihre Kunden mit den relevantesten Nachrichten und Angeboten basierend auf dem relativen Kundenwert anzusprechen. Diese verbesserte Kundenbindung kann die Reaktionsraten, die Kundenzufriedenheit, die Kundenbindung und den Customer Lifetime Value erhöhen.

Branchen-Anwendungsfälle

• Einzelhandel: Ein Einzelhändler kann die Zielgruppenselektion, Personalisierung und Gesamtkonvertierung verbessern, indem er das RFM-Modell nutzt, um Zielgruppen (hoher Wert, Zusage, gefährdet, verloren usw.) für verschiedene Feiertagskampagnen basierend auf ihren früheren Interaktionen zu identifizieren und zu segmentieren.

Zurück zum Anfang

Modell der Abwanderungsneigung

Das Modell zur Abwanderungsneigung ist ein einsatzbereites Data-Science-Modell, das die Wahrscheinlichkeit einer Kundenabwanderung basierend auf ihren Transaktions- und Verhaltensmuster bewertet und misst.

Es identifiziert die Kunden, die mit größerer Wahrscheinlichkeit abwandern, und gibt Marketingspezialisten Einblick, welche Kunden mit bestimmten Kampagnen oder Nachrichten angesprochen werden sollen, um sie zu behalten.

Vorteile

• Mit dem Modell können Sie Zielgruppen und Segmente (einschließlich hochwertiger Kunden) mit Abwanderungsrisiko proaktiv identifizieren. Marketing- und Werbeteams können dann mit relevantem Messaging Win-Back-Kampagnen für diese Kunden auslösen, um die Kundenbindungsrate zu verbessern.

Branchen-Anwendungsfälle

• Kommunikation: Ein Telekommunikationsanbieter kann automatisch ein besonderes Angebot an Kunden senden, welche über eine Wechsel zu einem anderen Anbieter nachdenken.

Modell der Engagementneigung

Das Modell zur Engagementneigung misst die Wahrscheinlichkeit, dass ein Kunde mit E-Mails interagiert (öffnen, klicken, abonnieren oder sich abmelden), basierend auf seinen früheren Interaktionen.

Vorteile

• Verbessern Sie das E-Mail-Targeting und die Kampagnenbindung.
• Erhöhen Sie die Kontaktpunkte für Kampagnen genau, indem Sie sich auf die Zielgruppen konzentrieren, die am ehesten Zielgruppen ansprechen und entfernen, die erschöpft sein könnten.

Produktneigungsmodell

Dieses einsatzbereite Modell prognostiziert die Wahrscheinlichkeit, dass Kunden ein bestimmtes Produkt kaufen, basierend auf historischen Interaktionen und Kundenprofildaten.

Mit dem Modell können Sie ermitteln, welche Kunden am ehesten ein bestimmtes Produkt kaufen, indem Sie sich den Neigungsscore für Kunden- und Produktkombinationen ansehen.

Vorteile

• Verbringen Sie Marketingbudgets effektiver, indem Sie Kunden- und Produktkombinationen mit hoher Neigung ansprechen.

Gewinnen Sie Einblicke, die Ihrem Unternehmen sonst nicht zur Verfügung stehen würden, um die Entscheidungsfindung zu verbessern.

Branchen-Anwendungsfälle

• Einzelhandel: Ein Einzelhändler kann das Produktneigungsmodell nutzen, um die richtigen Produktangebote für neu engagierte Kunden zu identifizieren und so die Conversion und Kundenakquise zu verbessern.
• Telekommunikation: Ein Mobilfunkunternehmen kann das Produktneigungsmodell nutzen, um Kunden bei neuen Telefon-, Hardware- und Serviceupgrades zu unterstützen.

Neigungsmodell für Rückkauf

Das Neigungsmodell für den Rückkauf misst die Wahrscheinlichkeit, dass Kunden bestimmte Produkte zurückkaufen. Neigungsscores für den Weiterverkauf werden auf der Grundlage früherer Kundentransaktionen sowie demografischer und Verhaltensdaten berechnet.

Vorteile

• Nutzen Sie Neigungsscores für den Weiterverkauf gegenüber Zielgruppen, die in der Oracle Unity Customer Data Platform erstellt wurden, um kanalübergreifende Engagementkampagnen zu optimieren und Kunden anzusprechen, die am ehesten ein Produkt erneut kaufen.

Zurück zum Anfang

Optimale Folgeaktion

Das nächstbeste Aktionsmodell ist ein einsatzbereites Data-Science-Modell, das die Kundenanforderungen vorhersagt und die relevantesten Aktionen für jeden Kunden basierend auf Vertriebs- und Transaktionsmustern empfiehlt.

Das Modell verwendet Kundenprofildaten, Kundenbindung, Produktkatalogdaten und Käufe, um die fünf wichtigsten empfohlenen Aktionen für den Kunden zu generieren. Anhand dieser Empfehlungen können Sie die relevanteste Aktion für einen bestimmten Kunden bestimmen.

Vorteile

• Steigern Sie die Konversionsraten, indem Sie mit Kunden auf die richtige Weise interagieren und die nächste, beste Aktion auf der Customer Journey durchführen.

Branchen-Anwendungsfälle

• Automobilindustrie: Eine globale Automarke kann die Next Best action-(NBA-) und Next Best Offer-(NBO-)Modelle von Unity nutzen, um die relevanten Maßnahmen und Angebote für jeden Kunden basierend auf Vertriebs- und Transaktionsmustern zu empfehlen.
• Finanzdienstleistungen: Ein Finanzdienstleistungsunternehmen kann die nächstbeste Aktion und die nächstbesten Angebotsmodelle verwenden, um Zielgruppen zu identifizieren, die wahrscheinlich neue Angebote für Finanzprodukte wie ein Anlagekonto, eine Kreditlinie oder eine Hypothek konvertieren, und die Erfahrungen seiner Kunden kanalübergreifend basierend auf dieser Empfehlung zu personalisieren.
• Reisen und Gastgewerbe: Eine Kreuzfahrtgesellschaft kann die NBO- und NBA-Modelle verwenden, um zu ermitteln, welches Angebot ein Kunde sendet, um ihm bei der Buchung seiner nächsten Reise oder seines nächsten Aufenthalts zu helfen.

Nächstes bestes Angebotsmodell

Das nächstbeste Angebotsmodell von Oracle Unity ist ein einsatzbereites Data-Science-Modell, das die Kundenanforderungen vorhersagt und basierend auf Vertriebs- und Transaktionsmustern die relevantesten Angebote für jeden Kunden empfiehlt.

Das Modell verwendet Kundenprofil-, Kundenbindungs-, Produktkatalog- und Kaufdaten, um Empfehlungen zu generieren. Es ermöglicht Benutzern, aus Top-Empfehlungen zu Angeboten zu wählen, die an verschiedene Produkte oder Dienstleistungen gebunden sind. Benutzer können diese Empfehlungen verwenden, um die relevantesten Angebote zu ermitteln, die an bestimmte Kunden gesendet werden.

Vorteile

• Erhöhen Sie Ihre Conversion-Rate, indem Sie das nächstbeste Angebotsmodell nutzen, um mit Ihren Kunden mit den relevantesten Inhalten oder Angeboten in Kontakt zu treten.

Branchen-Anwendungsfälle

• Automobilindustrie: Eine globale Automarke kann die Next Best Action-(NBA-) und Next Best Offer-(NBO-)Modelle nutzen, um die relevanten Maßnahmen und Angebote für jeden Kunden basierend auf Vertriebs- und Transaktionsmustern zu empfehlen.
• Finanzdienstleistungen: Ein Finanzdienstleister kann die nächstbeste Aktion und die nächstbesten Angebotsmodelle verwenden, um Zielgruppen zu identifizieren, die wahrscheinlich neue Angebote für Finanzprodukte wie ein Anlagekonto, eine Kreditlinie oder eine Hypothek konvertieren, und die Erfahrungen seiner Kunden kanalübergreifend basierend auf dieser Empfehlung zu personalisieren.
• Reisen und Gastgewerbe: Eine Hotelkette kann die NBO- und NBA-Modelle verwenden, um zu identifizieren, welches Angebot ein Kunde sendet, um ihm bei der Buchung seiner nächsten Reise oder seines nächsten Aufenthalts zu helfen.

Nächstes bestes Promotionmodell

Das nächstbeste Promotionmodell ist ein einsatzbereites Data-Science-Modell, das die historischen Produktkäufe der Kunden verwendet, um den Preis zu bestimmen, den ein Kunde für ein bestimmtes Produkt zahlen möchte. Durch die Nutzung dieses Modells können Sie die Preisgestaltung von Produkten für Ihre Kunden intelligent personalisieren.

Vorteile

• Das nächstbeste Promotionmodell ermöglicht eine personalisierte Preisgestaltung von Produkten, was zu höheren Konversionsraten, Gesamtumsatz und durchschnittlichem Auftragswert führt.

Branchen-Anwendungsfälle

• Gesundheitswesen: Ein Gesundheitsunternehmen kann das Next Best Promotionsmodell verwenden, um seine Preise für ein neues Schlafhilfeprodukt basierend auf früheren Einkäufen einzelner Kunden anzupassen.
• Versicherung: Eine Versicherungsmarke kann das nächstbeste Promotionmodell nutzen, um personalisierte Preise für Add-on-Versicherungspakete bereitzustellen, um die Konversionsraten zu verbessern und Kunden beim Bündeln und Speichern zu unterstützen.

Zurück zum Anfang

Kampagnenempfehlungsmodell

Das Kampagnenempfehlungsmodell ist ein einsatzbereites Data-Science-Modell, das die effektivste Kampagne identifiziert, die für jeden Kunden gesendet werden soll, basierend auf den vergangenen Engagement- und Conversion-Trends des Kunden über verschiedene Kampagnen hinweg.

Das Modell verwendet verschiedene Zeitrahmen (drei Monate, ein Jahr und drei Jahre), um wiederkehrende und einmalige B2C-Kampagnen für jeden Kunden in jeder Instanz basierend auf der Wahrscheinlichkeit von Konvertierungen einzustufen.

Vorteile

• Verbessern Sie die Conversion und den ROI Ihrer Kampagnen, indem Sie intelligent vorhersagen, welche Kampagnen für Kunden optimal sind, basierend auf aktuellen Engagement- und Conversion-Trends.

Branchen-Anwendungsfälle

• Gesundheitswesen: Eine Gesundheitsorganisation kann das Modell nutzen, um zu ermitteln, welche zukünftigen digitalen Kampagnen zur Patientenbindung für jeden Patienten geeignet sind, basierend auf der Konversion und dem Engagement der Vergangenheit.
• Einzelhandel: Ein Einzelhändler kann das Modell verwenden, um die Kampagnenkonvertierung und den Customer Lifetime Value zu verbessern, indem er Zielgruppen in Kampagnen platziert, mit denen sie am ehesten interagieren, basierend auf der vergangenen Engagement- und Konvertierungshistorie.

Kanalempfehlungsmodell

Dieses einsatzbereite Data-Science-Modell empfiehlt den besten Marketingkanal für Kunden basierend auf historischen Interaktionsdaten.

Das Channel Recommender-Modell stuft Engagementkanäle für jeden Kunden in jeder Instanz basierend auf der Wahrscheinlichkeit von Conversions ein. Sie erhalten Einblicke, welche Kanäle den Umsatz steigern, und können Möglichkeiten zur Umsatzsteigerung finden, indem Sie Ausgaben über Kanäle mit hohen Konversionsraten verteilen.

Folgende Kanäle werden bewertet:

• E-Mail
• SMS
• Übertragung
• Internet

Vorteile

• Verbessern Sie die Conversion, indem Sie den am besten vorhergesagten Kanal nutzen, um Kundenprofile anzusprechen, während sie den Verkaufstrichter durchlaufen.

Branchen-Anwendungsfälle

• Versorgungsunternehmen: Ein Stromversorger kann mit dem Modell feststellen, ob E-Mail, SMS, Push oder Internet am besten geeignet sind und mit bestimmten Kunden während Spitzen- und Schwachlaststunden zu kommunizieren.

Modell für Werbesättigungssegmentierung

Dieses einsatzbereite Data Science-Modell klassifiziert Kunden basierend auf ihrem Profil und ihrem Engagement in unterschiedliche Ebenen der Nachrichtenermüdung.

Das Ermüdungssegmentierungsmodell hilft dabei, die Kundenermüdung zu verhindern, indem es Einblicke in die Anzahl der Kampagnen und Nachrichten bietet, die an jedes Kundenprofil gesendet werden müssen.

Es misst die Nachrichtenermüdung jedes Kundenprofils basierend auf dem Engagement des Kunden, der Historie der empfangenen und geöffneten Kampagnen und vor allem der Persona des Kundenprofils. Sie bestimmen und steuern die optimale Anzahl von Nachrichten, die an jedes Kundenprofil gesendet werden, um Ermüdung zu vermeiden.

Vorteile

• Heben Sie Kunden, die aktiv sind und bereit sind, sich von Kunden zu unterscheiden, die müde sind.
• Erhalten Sie Einblicke, mit denen Sie die Kampagnenansprache für jeden Kunden basierend auf dessen Ermüdungsgrad kontrollieren können.
• Erhöhen Sie das Engagement und/oder die Konversionen und verringern Sie die Ausfälle.

Branchen-Anwendungsfälle

• Fertigung: Ein Hersteller für Solarmodulen verwendet das Modell, um Kunden auf der Grundlage ihres Profils und ihres Engagements in verschiedene Sättigungsgrade einzuteilen. Auf diese Weise kann der Hersteller den Umfang der Mitteilungen an seine Zielkunden anpassen.
• Technologie: Ein Technologieunternehmen von B2B nutzt das Modell, um potenzielle Kunden zu identifizieren, die aus den Bemühungen um High-Touch-ABM-Kampagnen entfernt und wieder in allgemeine kanalübergreifende Kampagnen aufgenommen werden sollten.

Modell zur Sendezeitoptimierung

Das Modell zur Sendezeitoptimierung ist ein einsatzbereites Data-Science-Modell, das den optimalen Zeitpunkt für das Senden von Kampagnen-E-Mails an Kunden basierend auf dem bisherigen E-Mail-Verhalten bestimmt.

Beispiel: Das Modell löst das Senden von Kampagnen-E-Mails aus, bevor Kunden in der Regel ihre Posteingänge prüfen. Infolgedessen wird die Nachricht oben im Posteingang des Kunden angezeigt, um sicherzustellen, dass die E-Mail am ehesten angezeigt und geöffnet wird.

Vorteile

• Steigern Sie die Kundenbindung und -konvertierung, indem Sie die Kampagne optimieren, indem Sie Kunden zu den Zeiten ansprechen, in denen sie am ehesten E-Mails sehen, öffnen, lesen oder bestätigen.
• Senden Sie E-Mails, bevor ein Kunde in der Regel seinen Posteingang überprüft, was die Wahrscheinlichkeit erhöht, dass Ihre E-Mails angezeigt und geöffnet werden.

Branchen-Anwendungsfälle

• Einzelhandel: Ein Modehändler kann die Wahrscheinlichkeit einer Kundenbindung und -konvertierung bei neuen Kampagnen erhöhen, indem er das Modell nutzt, um die Kampagnenlieferzeiten über alle Kanäle hinweg zu verbessern.
• Reisen und Gastgewerbe: Ein Resort kann sicherstellen, dass seine wöchentlichen E-Mails mit Urlaubsangeboten mit niedrigem Preis an Kunden gesendet werden, wenn sie am ehesten mit den Inhalten interagieren.

Zurück zum Anfang