Catalogue de modèles de workbench d'intelligence d'Oracle Unity Customer Data Platform

Modèle de scoring des leads pour les comptes

Le modèle de notation des leads de compte est un modèle de science des données prédictif et prêt à l'emploi qui évalue les comptes B2B sur leur probabilité de conversion à l'aide de leur profil, de leurs revenus, de leurs données de comportement et de leur modèle d'engagement. Les scores identifient la propension des comptes à effectuer des achats.

Bénéfices

• Assurer de manière proactive les bons comptes avec des chances de conversion plus élevées.
• Augmenter l'efficacité des efforts de marketing basé sur les comptes (ABM).
• Augmentez le nombre de leads qualifiés par le marketing (MQL) et les taux de conversion.

Cas d'utilisation du secteur

• Fabrication : Une entreprise de fabrication internationale peut utiliser les modèles de notation prédictive, de lead de compte et de contact d'Oracle Unity pour estimer et évaluer la probabilité de conversion d'une vente en fonction du profil et de l'engagement.
• Technologie : une entreprise technologique peut tirer parti de la notation prédictive des comptes pour accélérer les efforts d'ABM en identifiant les contacts d'un compte donné ayant les meilleures chances de conversion, puis en les ajoutant de manière proactive aux campagnes et aux programmes de sensibilisation.

Modèle de scoring des leads des contacts

Le modèle de notation des leads de contact est un modèle de science des données prédictif et prêt à l'emploi qui évalue les contacts sur leur probabilité de conversion à l'aide de leur profil, de leurs revenus, de leurs données de comportement et de leur modèle d'engagement.

Le modèle génère des valeurs de score de piste avec des horodatages de score de piste pour chaque interlocuteur. Il permet de déterminer les contacts actifs à différents niveaux de l'entonnoir des ventes et leur potentiel d'achat, ce qui vous permet de cibler précisément les segments de clientèle et d'aligner efficacement les stratégies de vente et de marketing.

Bénéfices

• Nourrir de manière proactive les contacts avec de meilleures chances de conversion.
• Augmentez le nombre de leads qualifiés par le marketing (MQL) et les taux de conversion.

Cas d'utilisation du secteur

• Technologie : une société de logiciels d'entreprise peut tirer parti de ce modèle pour accélérer les efforts de vente en identifiant les contacts d'un compte donné ayant les meilleures chances de conversion, puis en les ajoutant de manière proactive aux programmes de sensibilisation.

Modèle de valeur vie client

Le modèle de valeur vie client (CLV) est un modèle de data science prêt à l'emploi qui estime la valeur d'un client sur une période spécifique. Cette prédiction est basée sur plusieurs points de contact, notamment les données de profil client, l'historique des transactions passées, ainsi que la valeur monétaire et la fréquence de la transaction.

Les utilisateurs professionnels peuvent personnaliser le modèle CLV pour offrir à leurs clients trois, six ou douze mois de valeur à vie.

Bénéfices

• Établissez des budgets de marketing plus efficaces lors de l'acquisition, de la fidélisation et du service des clients.
• Identifiez et concentrez-vous davantage sur les clients à forte valeur ajoutée pour augmenter la fidélisation des clients et augmenter les revenus.

Cas d'utilisation du secteur

• Biens de consommation emballés : Une entreprise en ligne de cosmétiques utilise le modèle Customer Lifetime Value pour estimer l'évolution de la valeur d'un client dans le temps, en fonction de leur profil et de leurs habitudes de transaction. Ils créent une campagne pour un nouveau produit de soins de la peau haut de gamme destiné aux clients qui ont acheté moins de deux produits de soins de la peau au cours des six derniers mois et ont dépensé plus de 200 $.
• Automobile : un constructeur automobile tire parti du modèle CLV pour identifier les plages de dépenses des clients et personnaliser les offres pour les voitures comprises dans ces plages de dépenses.
• Vente au détail : une épicerie exécute le modèle CLV pour identifier les clients qui ont une valeur à vie élevée avec la marque à inclure dans une campagne pour promouvoir leur nouveau programme de fidélité.

Modèles d'attribution du revenu de la campagne

Les modèles d'attribution des revenus des campagnes sont des modèles de data science prêts à l'emploi qui vous aident à déterminer le succès des campagnes en analysant les points de contact menant aux ventes et aux conversions. Il existe deux types de modèle d'attribution des revenus de campagne.

• Le modèle d'attribution des campagnes de revenus mesure l'efficacité des campagnes en affectant une valeur monétaire à chaque campagne.
• Le modèle d'attribution de campagne hors revenu mesure l'efficacité des campagnes en affectant une valeur d'attribution en pourcentage à chaque campagne. Le modèle calcule un pourcentage d'attribution sous la forme d'une valeur en pourcentage des campagnes converties en conversions totales pour chaque campagne.

Chaque modèle tient compte de tous les points de contact qui ont contribué à la conversion de la campagne.

Bénéfices

• Comprendre l'attribution au-delà de la production basée sur le revenu.
• Prendre des décisions basées sur une analyse objective des données plutôt que sur des choix subjectifs.
• Identifiez les événements qui génèrent les conversions les plus efficaces, déterminez où dépenser le budget et améliorez le retour sur investissement.

Cas d'utilisation du secteur

• Vente au détail : un détaillant peut utiliser le modèle d'attribution de campagne pour mieux comprendre les parcours multicanaux et obtenir des informations sur le canal qui contribue à générer le plus de conversions.
• Technologie : une entreprise technologique SaaS peut tirer parti du modèle d'attribution des campagnes pour mieux comprendre les campagnes multi-touch et quels contenus, canaux et efforts de campagne ont été les plus influents pour conclure des revenus.

Récence, fréquence et modèle monétaire

Le modèle de récence, de fréquence et monétaire (RFM) est un modèle de science des données prêt à l'emploi qui génère des scores numériques pour la récence, la fréquence et les valeurs monétaires en fonction des données d'événement et de transaction. Avec elle, vous pouvez séparer les clients en différents personas, puis les cibler avec les messages les plus pertinents.

Le modèle RFM utilise les caractéristiques suivantes pour mesurer le comportement d'engagement et d'achat :

• Récence : transaction la plus récente du client.
• Fréquence : fréquence à laquelle le client effectue une transaction.
• Monétaire : Taille/valeur totale de la transaction du client.

Chaque caractéristique est représentée par un score compris entre un et cinq : l'une est la valeur d'achat la moins récente, la moins fréquente ou la plus faible et cinq est la valeur d'achat la plus récente, la plus fréquente ou la plus élevée.

Le modèle utilise les personas suivants pour indiquer la valeur de chaque client.

• Perdus : clients dont l'activité est minimale dans la période observée.
• A risque : Destinataires présentant les débuts d'inactivité et un comportement d'achat faible.
• Ne peut pas perdre : Abonnés avec inactivité élevée. Toujours récupérable.
• Prometteur : Clients avec une récence et une valeur moyenne.
• Nouveau : Clients récents ayant le niveau d'engagement et le taux d'achat le plus élevé
• Champion : le meilleur des meilleurs. Vos interactions les plus récentes avec le taux d'engagement le plus élevé.

Bénéfices

• Utilisez les personas RFM pour cibler vos clients avec les messages et les offres les plus pertinents en fonction de la valeur client relative. Cette amélioration de l'engagement client peut augmenter les taux de réponse, la satisfaction client, la fidélisation des clients et la valeur vie client.

Cas d'utilisation du secteur

• Vente au détail : un détaillant peut améliorer le ciblage, la personnalisation et la conversion globale en tirant parti du modèle RFM pour identifier et segmenter les audiences (valeur élevée, prometteuse, à risque, perdue, etc.) pour diverses campagnes de vacances en fonction de leurs interactions passées.

Haut de la page

Modèle de propension au désabonnement

Le modèle de propension à l'attrition est un modèle de science des données prêt à l'emploi qui évalue et mesure la probabilité d'attrition d'un client en fonction de ses modèles transactionnels et comportementaux.

Il identifie les clients les plus susceptibles d'attriper, ce qui donne aux professionnels du marketing des informations sur les clients qui peuvent vouloir être ciblés avec des campagnes ou des messages spécifiques pour les conserver.

Bénéfices

• Ce modèle vous permet d'identifier de manière proactive les audiences et les segments (y compris les clients à forte valeur ajoutée) à risque d'attrition. Les équipes marketing et publicitaires peuvent ensuite déclencher des campagnes de reconquête pour ces clients avec des messages pertinents pour améliorer le taux de fidélisation des clients.

Cas d'utilisation du secteur

• Communications : Un fournisseur de télécommunications peut automatiquement envoyer une promotion spéciale aux clients qui envisagent peut-être de changer de fournisseur.

Modèle de propension à l'engagement

Le modèle de propension à l'engagement mesure la probabilité d'un client d'interagir avec des courriels (ouvrir, cliquer, s'abonner ou se désabonner) en fonction de ses interactions passées.

Bénéfices

• Améliorez le ciblage des courriels et l'engagement des campagnes.
• Augmentez précisément les points de contact des campagnes en se concentrant sur les audiences les plus susceptibles d'engager et de supprimer les audiences qui peuvent être fatiguées.

Modèle de propension du produit

Ce modèle prêt à l'emploi prédit la probabilité que les clients achètent un produit spécifique en fonction de l'historique des interactions et des données de profil client.

Le modèle vous permet d'identifier les clients les plus susceptibles d'acheter un produit spécifique en examinant le score de propension pour les combinaisons de clients et de produits.

Bénéfices

• Dépenser les budgets marketing plus efficacement en ciblant des combinaisons de clients et de produits à forte propension.

Obtenez des informations qui ne seraient autrement pas disponibles pour votre entreprise afin d'améliorer la prise de décision.

Cas d'utilisation du secteur

• Vente au détail : un détaillant peut tirer parti du modèle de propension du produit pour aider à identifier les bonnes offres de produits pour les clients nouvellement engagés afin d'améliorer la conversion et l'acquisition de clients.
• Télécommunications : une entreprise de communications mobiles peut tirer parti du modèle de propension du produit pour aider les clients à effectuer de nouvelles mises à niveau de téléphone, de matériel et de services.

Modèle de propension au rachat

Le modèle de propension au rachat mesure la probabilité que des clients rachètent des produits spécifiques. Les scores de propension au rachat sont calculés en fonction des transactions passées des clients et des données démographiques et comportementales.

Bénéfices

• Tirez parti des scores de propension au rachat par rapport aux audiences créées dans Oracle Unity Customer Data Platform pour optimiser les campagnes d'interaction sur tous les canaux et cibler les clients les plus susceptibles de racheter un produit.

Haut de la page

Meilleur modèle d'action suivant

Le meilleur modèle d'action suivant est un modèle de science des données prêt à l'emploi qui prédit les besoins des clients et recommande les actions les plus pertinentes pour chaque client en fonction des modèles de vente et de transaction.

Le modèle utilise les données de profil client, l'engagement client, les données de catalogue de produits et les achats pour générer les cinq actions recommandées principales pour le client. Vous pouvez utiliser ces recommandations pour déterminer l'action la plus pertinente pour un client spécifique.

Bénéfices

• Augmentez les taux de conversion en interagissant avec les clients de la bonne manière, avec la meilleure action suivante sur le parcours des clients.

Cas d'utilisation du secteur

• Automobile : une marque automobile mondiale peut utiliser les modèles Next Best Action (NBA) et Next Best Offer (NBO) d'Unity pour recommander Les actions et les offres les plus pertinentes pour chaque client en fonction des habitudes d'achat et de sa transaction.
• Services financiers : une entreprise de services financiers peut utiliser la meilleure action suivante et les meilleurs modèles d'offre suivants pour identifier les audiences susceptibles de convertir les nouvelles offres de produits financiers, tels qu'un compte d'investissement, une ligne de crédit ou un prêt hypothécaire, et personnaliser l'expérience de ses clients sur tous les canaux en fonction de cette recommandation.
• Voyages et hospitalité : une compagnie de croisière peut utiliser les modèles NBO et NBA pour identifier l'offre à envoyer à un client afin de l'aider à réserver son prochain voyage ou séjour.

Meilleur modèle d'offre suivant

Le prochain modèle de meilleure offre d'Oracle Unity est un modèle de data science prêt à l'emploi qui prédit les besoins des clients et recommande les offres les plus pertinentes pour chaque client en fonction des modèles de vente et de transaction.

Le modèle utilise les données de profil client, d'engagement client, de catalogue de produits et d'achats pour générer des recommandations. Il permet aux utilisateurs de choisir parmi les meilleures recommandations sur les offres liées à divers produits ou services. Les utilisateurs peuvent utiliser ces recommandations pour déterminer les offres les plus pertinentes à envoyer à des clients spécifiques.

Bénéfices

• Augmentez votre taux de conversion en tirant parti du modèle de meilleure offre suivant pour interagir avec vos clients avec le contenu ou l'offre le plus pertinent.

Cas d'utilisation du secteur

• Automobile : une marque automobile mondiale peut utiliser le modèle Next Best Action (NBA) et Next Best Offer (NBO) pour recommander Les actions et les offres les plus pertinentes pour chaque client en fonction des habitudes d'achat et de sa transaction.
• Services financiers : un fournisseur de services financiers peut utiliser la meilleure action suivante et les meilleurs modèles d'offre suivants pour identifier les audiences susceptibles de convertir les nouvelles offres de produits financiers, tels qu'un compte d'investissement, une ligne de crédit ou un prêt hypothécaire, et personnaliser l'expérience de ses clients sur tous les canaux en fonction de cette recommandation.
• Voyages et hospitalité : une chaîne hôtelière peut utiliser les modèles NBO et NBA pour identifier l'offre à envoyer à un client afin de l'aider à réserver son prochain voyage ou séjour.

Meilleur modèle de promotion suivant

Le prochain meilleur modèle de promotion est un modèle de data science prêt à l'emploi qui utilise les achats de produits historiques des clients pour déterminer le prix qu'un client est prêt à payer pour un produit particulier. Tirer parti de ce modèle vous permet de personnaliser intelligemment la tarification des produits pour vos clients.

Bénéfices

• Le meilleur modèle de promotion suivant permet une tarification personnalisée des produits, ce qui entraîne des taux de conversion plus élevés, un chiffre d'affaires total et une valeur de commande moyenne.

Cas d'utilisation du secteur

• Santé : Une société de soins de Santé peut utiliser la formule Next Best Promotion d'Unity pour affiner sa tarification pour un nouveau produit d'aide au sommeil en fonction des achats effectués par certains clients individuels.
• Assurance : une marque d'assurance peut tirer parti du meilleur modèle de promotion suivant pour fournir une tarification personnalisée pour les packages d'assurance complémentaires afin d'améliorer les taux de conversion et d'aider les clients à regrouper et à économiser.

Haut de la page

Modèle de recommandation de campagne

Le modèle de recommandation de campagne est un modèle de science des données prêt à l'emploi qui identifie la campagne la plus efficace à envoyer pour chaque client en fonction des tendances d'engagement et de conversion passées du client dans différentes campagnes.

Le modèle utilise différents délais (trois mois, un an et trois ans) pour classer les campagnes B2C récurrentes et ponctuelles pour chaque client, quel que soit le cas, en fonction de la probabilité de conversions.

Bénéfices

• Améliorez la conversion et le retour sur investissement de vos campagnes en prédisant intelligemment quelles campagnes sont optimales pour les clients en fonction des tendances récentes en matière d'engagement et de conversion.

Cas d'utilisation du secteur

• Santé : Un organisme de santé peut tirer parti du modèle pour identifier les futures campagnes digitales d'engagement des patients qui conviennent à chaque patient en fonction de la conversion et de l'engagement passés.
• Vente au détail : Un détaillant peut utiliser le modèle pour améliorer la conversion des campagnes et la valeur vie client en plaçant des audiences dans les campagnes avec lesquelles il est le plus susceptible d'interagir en fonction de l'engagement passé et de l'historique des conversions.

Modèle de recommandation de canal

Ce modèle de data science prêt à l'emploi recommande le meilleur canal marketing pour les clients en fonction des données d'interactions historiques.

Le modèle de recommandation de canal classe les canaux d'engagement pour chaque client, quelle que soit leur instance, en fonction de la probabilité de conversions. Vous obtenez des informations sur les canaux qui génèrent des revenus et pouvez trouver des opportunités d'augmenter les revenus en répartissant les dépenses entre les canaux avec des taux de conversion élevés.

Les canaux suivants sont évalués :

• E-mail
• SMS
• Envoi
• Web

Bénéfices

• Améliorez la conversion en utilisant le canal le mieux prédit pour cibler les profils clients tout en passant par l'entonnoir des ventes.

Cas d'utilisation du secteur

• Services publics : un fournisseur d'électricité peut utiliser le modèle pour déterminer s'il est préférable d'utiliser par e-mail, SMS, push ou son site Web au sujet des heures de pointe et des heures creusées avec des clients spécifiques à l'aide de.

Modèle de segmentation de fatigue

Ce modèle de data science prêt à l'emploi classe les clients en différents niveaux de saturation des messages en fonction de leur profil et de leur niveau d'engagement.

Le modèle de segmentation en fatigue aide à prévenir la fatigue des clients en offrant des informations sur le nombre de campagnes et de messages à envoyer à chaque profil client.

Il mesure la saturation des messages de chaque profil client en fonction de l'engagement du client, de l'historique des campagnes reçues et ouvertes et, plus important encore, de la personnalité du profil client. Vous déterminez et contrôlez le nombre optimal de messages à envoyer à chaque profil client pour éviter toute saturation.

Bénéfices

• Différenciez intelligemment les clients actifs et prêts à interagir avec ceux qui sont fatigués.
• Obtenez des informations pour vous aider à contrôler la portée de la campagne pour chaque client en fonction de son niveau de fatigue.
• Augmentez l'engagement et/ou les conversions et réduisez les abandons.

Cas d'utilisation du secteur

• Fabrication : Un constructeur de panneaux solaires utilise le modèle pour classer les clients en fonction de leurs niveaux de fatigue à base de leur profil et des niveaux d'engagement. Il peut ainsi ajuster le volume des communications pour les comptes ciblés.
• Technologie : une entreprise technologique B2B tire parti du modèle pour identifier les clients potentiels qui devraient être retirés des efforts de campagne ABM à forte interaction et réintégrés dans des campagnes multicanales générales.

Modèle d'optimisation de l'heure d'envoi

Le modèle d'optimisation du temps d'envoi est un modèle de science des données prêt à l'emploi qui détermine le temps optimal pour envoyer des courriels de campagne aux clients en fonction du comportement des courriels passés.

Par exemple, le modèle déclenche l'envoi de courriels de campagne avant que les clients ne vérifient généralement leurs boîtes de réception. Par conséquent, le message apparaît en haut de la boîte de réception du client, ce qui garantit que l'e-mail est le plus susceptible d'être vu et ouvert.

Bénéfices

• Augmentez l'engagement et la conversion des clients en optimisant la campagne en ciblant les clients au moment où ils sont les plus susceptibles de voir, d'ouvrir, de lire ou d'accuser réception des courriels.
• Envoyez des courriels juste avant qu'un client ne vérifie généralement sa boîte de réception, ce qui augmente la probabilité que vos courriels soient consultés et ouverts.

Cas d'utilisation du secteur

• Vente au détail : un détaillant de mode peut augmenter la probabilité d'engagement et de conversion des clients sur de nouvelles campagnes en tirant parti du modèle pour améliorer les délais de livraison des campagnes sur tous les canaux.
• Voyages et hôtellerie : un complexe hôtelier peut s'assurer que ses courriels hebdomadaires d'offres de vacances à bas prix sont envoyés aux clients lorsqu'ils sont les plus susceptibles d'interagir avec le contenu.

Haut de la page