Catalogo modelli workbench di intelligence di Oracle Unity Customer Data Platform

Modello di punteggio dei lead account

Il modello di punteggio dei lead dell'account è un modello di data science predittivo e pronto all'uso che assegna punteggi agli account B2B sulla probabilità di conversione utilizzando il profilo, i ricavi, i dati sul comportamento e il pattern di coinvolgimento. I punteggi identificano la propensione dei conti a effettuare acquisti.

Benefici

• Coltiva in modo proattivo gli account giusti con maggiori possibilità di conversione.
• Aumentare l'efficacia degli sforzi di account-based marketing (ABM).
• Aumenta il numero di lead qualificati per il marketing (MQL) e i tassi di conversione.

Casi d'uso di settore

• Produzione: una società manifatturiera globale può utilizzare i modelli Predictive Account e Contact Scoring di Oracle Unity per stimare e valutare la probabilità di conversione di una vendita in base ai modelli di profilo e coinvolgimento.
• Tecnologia: un'azienda tecnologica può sfruttare il punteggio degli account predittivi per accelerare gli sforzi ABM identificando quali contatti in un determinato account hanno le maggiori possibilità di conversione e quindi aggiungerli in modo proattivo a campagne e programmi di sensibilizzazione.

Modello di punteggio dei lead del contatto

Il modello di punteggio dei lead dei contatti è un modello di data science predittivo e pronto all'uso che valuta i contatti in base alla probabilità di conversione utilizzando il profilo, i ricavi, i dati sul comportamento e il pattern di coinvolgimento.

Il modello genera valori di punteggio lead con indicatori orari di punteggio lead per ogni contatto. Aiuta a determinare i contatti che sono attivi in diversi livelli del funnel di vendita e il loro potenziale per effettuare acquisti, consentendo di indirizzare con precisione i segmenti di clienti e allineare efficacemente le strategie di vendita e marketing.

Benefici

• Coltiva in modo proattivo i contatti con maggiori possibilità di conversione.
• Aumenta il numero di lead qualificati per il marketing (MQL) e i tassi di conversione.

Casi d'uso di settore

• Tecnologia: un'azienda di software aziendali può sfruttare questo modello per accelerare gli sforzi di vendita identificando quali contatti in un determinato account hanno le maggiori possibilità di conversione e quindi aggiungerli in modo proattivo ai programmi di sensibilizzazione.

Modello del Customer Lifetime Value

Il modello CLV (Customer Lifetime Value) è un modello di data science pronto all'uso che stima il valore di un cliente in un periodo di tempo specifico. Questa previsione si basa su più punti di contatto, inclusi i dati del profilo del cliente, la cronologia delle transazioni passate e il valore monetario e la frequenza della transazione.

Gli utenti business possono personalizzare il modello CLV per offrire ai propri clienti tre, sei o dodici mesi di vita utile.

Benefici

• Budget le spese di marketing in modo più efficace quando acquisisci, fidelizza e servi i clienti.
• Identifica e concentrati di più sui clienti di alto valore per aumentare la fidelizzazione dei clienti e aumentare i ricavi.

Casi d'uso di settore

• Beni di consumo (CPG, consumer packaged goods): un'azienda di cosmetici online utilizza il modello Customer Lifetime Value di un cliente per stimare l'importo di un cliente nel tempo in base ai pattern di profilo e transazioni. Creano una campagna per un nuovo prodotto ad alta gamma destinato ai clienti che hanno acquistato meno di due prodotti per il trattamento della pelle negli ultimi sei mesi e che hanno speso oltre 200 dollari.
• Settore automobilistico: un produttore automobilistico utilizza il modello CLV per identificare le fasce di spesa dei clienti e personalizzare le offerte per le auto che rientrano in tali fasce di spesa.
• Retail: un negozio di alimentari esegue il modello CLV per identificare i clienti che hanno un elevato valore nel ciclo di vita con il brand da includere in una campagna per promuovere il loro nuovo programma di fidelizzazione.

Modelli di attribuzione dei ricavi delle campagne

I modelli di attribuzione dei ricavi delle campagne sono modelli di data science pronti all'uso che consentono di determinare il successo delle campagne analizzando i punti di contatto che portano a vendite e conversioni. Esistono due tipi di modelli di attribuzione dei ricavi della campagna.

• Il modello di attribuzione della campagna ricavi misura l'efficacia delle campagne assegnando un valore monetario a ogni campagna.
• Il modello di attribuzione campagna non ricavi misura l'efficacia delle campagne assegnando un valore di attribuzione percentuale a ogni campagna. Il modello calcola una percentuale di attribuzione come valore percentuale delle campagne convertite in conversioni totali per ogni singola campagna.

Ogni modello considera tutti i punti di contatto che hanno contribuito alla conversione della campagna.

Benefici

• Comprendi l'attribuzione oltre all'output basato sui ricavi.
• Prendi decisioni basate sull'analisi dei dati oggettiva anziché su scelte soggettive.
• Scopri quali eventi generano le conversioni più efficaci e determina dove spendere il budget e migliorare il ROI.

Casi d'uso di settore

• Retail: un retailer può utilizzare il modello di attribuzione della campagna per comprendere meglio i percorsi multicanale e ottenere insight su quale canale sta aiutando a generare il maggior numero di conversioni.
• Tecnologia: un'azienda tecnologica SaaS può utilizzare il modello di attribuzione della campagna per comprendere meglio le campagne multi-touch e quali contenuti, canali e iniziative della campagna hanno avuto la maggiore influenza sulla chiusura dei ricavi.

Modello di recenza, frequenza e moneta

Il modello RFM (Recency, Frequency, and Monetary) è un modello di data science pronto all'uso che genera punteggi numerici per recenza, frequenza e valori monetari basati su dati di eventi e transazioni. Con esso, puoi separare i clienti in varie figure e poi indirizzarli con i messaggi più pertinenti.

Il modello RFM utilizza le seguenti caratteristiche per misurare il coinvolgimento e il comportamento di acquisto:

• Recenza: la transazione più recente del cliente.
• Frequenza: quanto spesso il cliente effettua una transazione.
• Monetario: dimensione/valore totale della transazione del cliente.

Ogni caratteristica è rappresentata da un punteggio compreso tra uno e cinque: uno è il valore di acquisto meno recente, meno frequente o più basso e cinque è il valore di acquisto più recente, più frequente o più alto.

Il modello utilizza le seguenti figure per indicare il valore di ogni cliente.

• Persi: gli addetti coinvolti in modo più debole, con attività minima nel periodo di tempo osservato.
• A rischio: persone coinvolte che mostrano segni iniziali di inattività e comportamenti di acquisto ridotti.
• Non perdere: sottoscrittori con un forte impronta di inattività. Ancora salvabile.
• Promettenti: persone con recenza e valore medi.
• Novità: persone coinvolte recentemente con un forte tasso di coinvolgimento di valore.
• Campione: il meglio del meglio. Le persone coinvolte più recenti con un forte tasso di coinvolgimento di valore.

Benefici

• Utilizza le personas RFM per indirizzare i clienti con i messaggi e le offerte più pertinenti in base al valore relativo del cliente. Questo miglioramento del coinvolgimento dei clienti può aumentare i tassi di risposta, la soddisfazione dei clienti, la fidelizzazione dei clienti e il customer lifetime value.

Casi d'uso di settore

• Retail: un retailer può migliorare la targetizzazione, la personalizzazione e la conversione complessiva sfruttando il modello RFM per identificare e segmentare i segmenti di pubblico (alto valore, promettenti, a rischio, persi, ecc.) per varie campagne di ferie in base alle interazioni passate.

Torna all'inizio

Modello di propensione all'abbandono

Il modello di propensione all'abbandono è un modello di data science pronto all'uso che valuta e misura la probabilità di abbandono di un cliente in base ai suoi modelli transazionali e comportamentali.

Identifica i clienti con maggiori probabilità di abbandono, offrendo agli esperti di marketing insight su quali clienti potrebbero voler essere presi di mira con campagne o messaggi specifici per fidelizzarli.

Benefici

• Il modello consente di identificare in modo proattivo segmenti di pubblico e segmenti (inclusi clienti di alto valore) a rischio di abbandono. I team di marketing e pubblicità possono quindi attivare campagne win-back per questi clienti con messaggi pertinenti per migliorare il tasso di fidelizzazione dei clienti.

Casi d'uso di settore

• Comunicazioni: un fornitore di telecomunicazioni può inviare automaticamente una promozione speciale ai clienti che potrebbero pensare di passare a un altro provider.

Modello di propensione all'impegno

Il modello di propensione al coinvolgimento misura la probabilità di un cliente di interagire con le e-mail (aperte, clic, sottoscritte o annullate l'iscrizione) in base alle interazioni passate.

Benefici

• Migliora il targeting delle e-mail e il coinvolgimento delle campagne.
• Aumenta in modo accurato i punti di contatto delle campagne concentrandosi sul pubblico con maggiori probabilità di coinvolgere e rimuovere il pubblico che potrebbe essere affaticato.

Modello di propensione al prodotto

Questo modello pronto all'uso prevede la probabilità che i clienti acquistino un prodotto specifico in base alle interazioni cronologiche e ai dati del profilo del cliente.

Il modello consente di identificare quali clienti hanno maggiori probabilità di acquistare un prodotto specifico esaminando il punteggio di propensione per le combinazioni di clienti e prodotti.

Benefici

• Spendi i budget di marketing in modo più efficace mirando a combinazioni di clienti e prodotti ad alta propensione.

Ottieni insight che altrimenti non sarebbero disponibili per la tua azienda per migliorare il processo decisionale.

Casi d'uso di settore

• Retail: un retailer può sfruttare il modello di propensione al prodotto per identificare le offerte di prodotti giuste per i clienti appena coinvolti e migliorare la conversione e l'acquisizione dei clienti.
• Telecomunicazioni: un'azienda di comunicazioni mobili può sfruttare il modello di propensione al prodotto per guidare i clienti verso nuovi aggiornamenti di telefoni, hardware e servizi.

Modello propensione al riacquisto

Il modello di propensione al riacquisto misura la probabilità che i clienti riacquistino prodotti specifici. I punteggi di propensione al riacquisto vengono calcolati in base alle transazioni dei clienti passate e ai dati demografici e comportamentali.

Benefici

• Sfrutta i punteggi di propensione al riacquisto rispetto ai segmenti di pubblico creati in Oracle Unity Customer Data Platform per ottimizzare le campagne di coinvolgimento multicanale e individuare i clienti che hanno maggiori probabilità di riacquistare un prodotto.

Torna all'inizio

Prossima migliore azione

Il prossimo modello di azione migliore è un modello di data science pronto all'uso che prevede le esigenze dei clienti e consiglia le azioni più pertinenti per ogni cliente in base ai modelli di vendita e transazione.

Il modello utilizza i dati del profilo cliente, il coinvolgimento dei clienti, i dati del catalogo prodotti e gli acquisti per generare le prime cinque azioni consigliate per il cliente. È possibile utilizzare questi suggerimenti per determinare l'azione più pertinente per un cliente specifico.

Benefici

• Aumenta i tassi di conversione interagendo con i clienti nel modo giusto, con la prossima azione migliore sul percorso del cliente.

Casi d'uso di settore

• Settore automobilistico: un brand automobilistico a livello globale può utilizzare i modelli Next Best Action (NBA) e Next Best Offer di Unity per consigliare le azioni e l'offerta più pertinenti per ogni cliente in base ai pattern di vendite e transazioni.
• Servizi finanziari: un'azienda di servizi finanziari può utilizzare la migliore azione successiva e i modelli di offerta migliori successivi per identificare i segmenti di pubblico che potrebbero convertirsi in nuove offerte per prodotti finanziari, come un conto di investimento, una linea di credito o un mutuo, e personalizzare le esperienze dei clienti in tutti i canali in base a tale raccomandazione.
• Viaggi e ospitalità: una linea da crociera può utilizzare i modelli NBO e NBA per identificare quale offerta inviare a un cliente per aiutarlo a prenotare il suo prossimo viaggio o soggiorno.

Prossima migliore offerta

Il prossimo modello di migliore offerta di Oracle Unity è un modello di data science pronto all'uso che prevede le esigenze dei clienti e consiglia le offerte più pertinenti per ogni cliente in base ai modelli di vendita e transazione.

Il modello utilizza il profilo del cliente, il coinvolgimento del cliente, il catalogo dei prodotti e i dati sugli acquisti per generare suggerimenti. Consente agli utenti di scegliere tra le migliori raccomandazioni sulle offerte legate a vari prodotti o servizi. Gli utenti possono utilizzare questi suggerimenti per determinare le offerte più pertinenti da inviare a clienti specifici.

Benefici

• Aumenta il tuo tasso di conversione sfruttando il prossimo modello di offerta migliore per interagire con i tuoi clienti con i contenuti o le offerte più pertinenti.

Casi d'uso di settore

• Settore automobilistico: un brand automobilistico a livello globale può utilizzare il modello Next Best Action (NBA) e Next Best Offer di Unity per consigliare le azioni e l'offerta più pertinente a ogni cliente in base ai pattern di vendite e transazioni.
• Servizi finanziari: un fornitore di servizi finanziari può utilizzare la migliore azione successiva e i modelli di migliore offerta successivi per identificare il pubblico che è probabile che converta in nuove offerte per prodotti finanziari, come un conto di investimento, una linea di credito o un mutuo, e personalizzare le esperienze dei clienti in tutti i canali in base a tale raccomandazione.
• Viaggi e ospitalità: una catena di hotel può utilizzare i modelli NBO e NBA per identificare quale offerta inviare a un cliente per aiutarlo a prenotare il suo prossimo viaggio o soggiorno.

Prossima migliore modello promozione

Il prossimo modello di promozione migliore è un modello di data science pronto all'uso che utilizza gli acquisti cronologici di prodotti dei clienti per determinare il prezzo che un cliente è disposto a pagare per un determinato prodotto. Sfruttando questo modello, puoi personalizzare in modo intelligente i prezzi dei prodotti per i tuoi clienti.

Benefici

• Il prossimo miglior modello di promozione consente prezzi personalizzati dei prodotti che portano a tassi di conversione più elevati, ricavi totali e valore medio dell'ordine.

Casi d'uso di settore

• Sanità: un'azienda del settore sanitario può utilizzare la soluzione Next Best Promotion di Unity per perfezionare i prezzi di un nuovo prodotto d'ausilio per il sonno in base all'acquisto effettuato in passato dai singoli clienti.
• Assicurazioni: un marchio assicurativo può sfruttare il miglior modello di promozione successivo per fornire prezzi personalizzati per pacchetti assicurativi aggiuntivi per migliorare i tassi di conversione e aiutare i clienti a raggruppare e risparmiare.

Torna all'inizio

Modello di raccomandazione campagna

Il modello di raccomandazione della campagna è un modello di data science pronto all'uso che identifica la campagna più efficace da inviare per ogni cliente in base ai trend passati di coinvolgimento e conversione del cliente in diverse campagne.

Il modello utilizza vari intervalli di tempo (tre mesi, un anno e tre anni) per classificare le campagne B2C ricorrenti e una tantum per ogni cliente in qualsiasi caso in base alla probabilità di conversioni.

Benefici

• Migliora la conversione e il ROI delle tue campagne prevedendo in modo intelligente quali campagne sono ottimali per i clienti in base ai recenti trend di coinvolgimento e conversione.

Casi d'uso di settore

• Sanità: un'organizzazione sanitaria può sfruttare il modello per identificare quali future campagne digitali di coinvolgimento dei pazienti sono giuste per ogni paziente in base alla conversione e al coinvolgimento passati.
• Retail: un retailer può utilizzare il modello per migliorare la conversione delle campagne e il customer lifetime value inserendo il pubblico nelle campagne con cui è più probabile che interagisca in base al coinvolgimento e alla cronologia delle conversioni passati.

Modello consigliatore canale

Questo modello di data science pronto all'uso consiglia il miglior canale di marketing per i clienti in base ai dati cronologici delle interazioni.

Il modello di consigliatore di canale classifica i canali di coinvolgimento per ogni cliente in qualsiasi caso in base alla probabilità di conversioni. Ottieni insight su quali canali generano ricavi e puoi trovare opportunità per aumentare i ricavi distribuendo le spese su canali con tassi di conversione elevati.

Vengono valutati i seguenti canali:

• E-mail
• SMS
• Applica
• Web

Benefici

• Migliora la conversione utilizzando il canale previsto migliore per individuare i profili dei clienti mentre passano attraverso il funnel di vendita.

Casi d'uso di settore

• Servizi pubblici: un fornitore di energia elettrica può utilizzare il modello per capire se e‑mail, SMS, notifiche push o Web rappresenta la soluzione migliore per comunicare le ore di punta e non per il consumo di energie a clienti specifici utilizzando il Channel Recommender.

Modello di segmentazione della fatica

Questo modello di data science pronto all'uso classifica i clienti in diversi livelli di affaticamento dei messaggi in base ai loro livelli di profilo e coinvolgimento.

Il modello di segmentazione dell'affaticamento aiuta a prevenire l'affaticamento dei clienti offrendo insight sul numero di campagne e messaggi che devono essere inviati a ogni profilo del cliente.

Misura l'affaticamento dei messaggi di ogni profilo del cliente in base al coinvolgimento del cliente, alla cronologia delle campagne ricevute e aperte e, soprattutto, alla persona del profilo del cliente. Determina e controlla il numero ottimale di messaggi da inviare a ciascun profilo cliente per evitare affaticamenti.

Benefici

• Differenzia in modo intelligente i clienti che sono attivi e pronti a impegnarsi da quelli che sono affaticati.
• Ottieni insight per aiutarti a controllare il coinvolgimento delle campagne per ogni cliente in base ai loro livelli di affaticamento.
• Aumenta il coinvolgimento e/o le conversioni e riduci i dropout.

Casi d'uso di settore

• Produzione: un produttore di pannello solare può utilizzare il modello Fatigue Segmentazione per classificare i clienti in diversi livelli d'affaticamento in base ai loro profili e al loro livello di coinvolgimento. Ciò gli permette di adattare il volume di comunicazioni agli account target.
• Tecnologia: un'azienda tecnologica B2B utilizza il modello per identificare i potenziali clienti che dovrebbero essere rimossi dagli sforzi delle campagne ABM ad alto contatto e reinseriti nelle campagne multicanale generali.

Modello di ottimizzazione ora di invio

Il modello di ottimizzazione dell'ora di invio è un modello di data science pronto all'uso che determina il momento ottimale per inviare e-mail campagna ai clienti in base al comportamento e-mail passato.

Ad esempio, il modello attiverà l'invio di e-mail campagna prima che i clienti in genere controllino le loro caselle di posta in arrivo. Di conseguenza, il messaggio verrà visualizzato nella parte superiore della casella di posta in entrata del cliente, assicurando che l'e-mail sia più probabile che venga visualizzata e aperta.

Benefici

• Aumenta il coinvolgimento e la conversione dei clienti ottimizzando la campagna targetizzando i clienti nei momenti in cui è più probabile che vedano, aprano, leggano o riconoscano le e-mail.
• Inviare e-mail poco prima che un cliente controlli in genere la propria casella di posta, aumentando la probabilità che le e-mail vengano visualizzate e aperte.

Casi d'uso di settore

• Retail: un fashion retailer può aumentare la probabilità di coinvolgimento e conversione dei clienti su nuove campagne utilizzando il modello per migliorare i tempi di consegna delle campagne su tutti i canali.
• Viaggi e ospitalità: un resort può garantire che le e-mail settimanali sulle offerte di ferie a basso prezzo vengano inviate ai clienti quando è più probabile che interagiscano con i contenuti.

Torna all'inizio