Verwenden Sie keine “Offline-Augen” in einer Online-Welt!

NACHRICHTEN / DATEN

Dies gilt insbesondere, wenn es darum geht, zu wissen, welches data am wichtigsten ist, um die Verbraucher zu verstehen. Es geht weniger darum, WER sie sind und WAS sie getan haben, sondern viel mehr darum, WIE sie sich verhalten haben. Die Art und Weise, wie sich Verbraucher auf einer Online-Plattform verhalten, sagt mehr über ihre Kaufbereitschaft aus als andere Faktoren. Marken müssen dies data erfassen, was viele nicht tun.

Dies gilt insbesondere, wenn es darum geht, zu wissen, welches data am wichtigsten ist, um die Verbraucher zu verstehen. Es geht weniger darum, WER sie sind und WAS sie getan haben, sondern viel mehr darum, WIE sie sich verhalten haben. Die Art und Weise, wie sich Verbraucher auf einer Online-Plattform verhalten, sagt mehr über ihre Kaufbereitschaft aus als andere Faktoren. Marken müssen dies data erfassen, was viele nicht tun.

Laut einer Prognose von IHS werden die chinesischen Verbraucherausgaben in den nächsten zehn Jahren mit einer durchschnittlichen jährlichen Rate von real 7,7 Prozent wachsen und damit zu einem wichtigen Motor der globalen Verbrauchernachfrage und des weltweiten Wachstums werden. Die chinesischen Verbraucher haben in den letzten Jahren immer mehr ihrer Einkäufe ins Internet verlagert, was China zu einem der am weitesten entwickelten E-Commerce-Märkte der Welt macht. Da Chinas aufstrebende Mittelschicht qualitativ hochwertige Produkte und Dienstleistungen verlangt, ergreifen viele Online-Händler Maßnahmen, um diese sehr umkämpfte Verbrauchergruppe besser zu verstehen und somit besser anzusprechen. Offensichtlich kommt es auf data an, aber welches data ist eigentlich wertvoller?

Anhand einer aktuellen Fallstudie kann Artefact etwas Licht in diese Frage bringen. Wenn Sie online einkaufen (für Dienstleistungen oder Produkte), erfassen Marken und Plattformen data über diese Verbraucher. Indem wir ein auf maschinellem Lernen basierendes Modell trainierten, um vorherzusagen, ob ein Kunde viel Geld ausgibt, haben wir alle Arten von data über Verbraucher kombiniert und organisiert. Es stellt sich heraus, dass die Art von data, die den stärksten Einfluss auf die Kaufneigung hat, nicht WAS sie getan haben, nicht WER sie sind, sondern WIE sie sich auf der Online-Plattform verhalten haben. Die Frage lautet nun: Wie viel data erfassen Sie über das WIE Ihrer Kunden beim Kauf Ihres Produkts?

Fallstudie: Ein Online-Reisedienstleister, der ein Modell für maschinelles Lernen einsetzt

Eine Plattform für Auslandsreisen, die lokale Fahrer und Reiseführer an chinesische Reisende vermittelt, bietet alle Arten von Reisedienstleistungen an, z. B. Abholung am Flughafen, Anmietung eines Autos, Bestellung eines lokalen Reiseführers usw. Das Problem, mit dem sie konfrontiert waren, war, dass nicht viele Kunden bereit waren, für ihren Premium-Service zu bezahlen. Das Unternehmen hofft, mit Hilfe der gesammelten data zu erkennen, wer seine potenziellen Premium-Kunden sind, und diese dann proaktiv anzusprechen.

Um die Wahrscheinlichkeit vorherzusagen, dass ein Kunde für den Premium-Service bezahlt, haben wir zunächst zahlreiche Merkmale extrahiert. Diese Merkmale können in 3 Clustern organisiert werden:

1. WHO sind die Kunden? Dazu gehören das Alter, das Geschlecht, die Provinz, die Stadt usw. des Kunden.
2. WAS haben sie getan? Dazu gehören Informationen darüber, was sie gekauft haben, ob sie eine Bestellung storniert haben, die Anzahl der Bestellungen insgesamt usw.
3. WIE haben sich die Verbraucher verhalten? Zu diesem Cluster gehören Informationen über die Gesamtzeit, die auf der Plattform verbracht wurde, die Geschwindigkeit, mit der sie sich durch die App geklickt haben, die Anzahl der verschiedenen Klicks, ob ein Kommentar hinterlassen wurde oder nicht usw.

Die meisten verfügbaren Funktionen bezogen sich darauf, WAS die Kunden taten (was der Ausgangspunkt jeder data-Erfassung ist). Aber wenn man sich die Bedeutung der Variablen ansieht, hatte das WIE der Verbraucher sich verhält den stärksten Einfluss darauf, dass sie schließlich Premiumdienste kaufen: 62% der Vorhersagbarkeit wurden durch diese Merkmale bestimmt, während sie nur 35% ausmachten.

Darüber hinaus haben wir mit Hilfe von Kundenrezensionen aus früheren data eine Gefühlsanalyse durchgeführt, um die Merkmale der Rezensionen zu extrahieren. Anhand dieser Bewertungen können wir schnell feststellen, wo es etwas zu verbessern gilt. Sie kann auch für personalisierte targeting verwendet werden, insbesondere für diejenigen, die eine schlechte Erfahrung gemacht haben, aber immer noch das Potenzial haben, Kunden zu werden.

Fazit

Um besser zu verstehen, wie Kunden ihre Kaufentscheidungen treffen, haben wir in vielen Fällen beobachtet, dass der wichtigste Faktor die Varianz im Kundenverhalten ist, und nicht die Aktionen und demografischen Daten. Mit reichhaltigem Verhalten data, abgeleiteten Funktionen und fortschrittlichen Analysen können Händler leicht die Kunden identifizieren und ansprechen, die wahrscheinlich zu Premium-Abonnenten werden. Die gute Nachricht ist, dass Marken im E-Commerce im Vergleich zum Offline-Handel viel mehr data über das Verbraucherverhalten sehen können. Aber Sie sollten es besser vorhersehen.

Zusammenfassend lässt sich sagen, dass Sie in einer Online-Welt keine “Offline-Augen” verwenden sollten. Das gilt auch, wenn es um data geht.