Comment chercher relations dans votre guidé par les données de marketing

Les données client sont interdépendantes dans les données marketing axée. Il peut sembler à première vue que l'âge et le revenu représentent deux aspects complètement différents d'un client. Mais une relation émerge lorsque vous regardez à travers votre base de données dans son ensemble. Vous verrez que les clients âge, leurs revenus ont tendance à monter ainsi.

Sommaire

Cette tendance à deux traits de partager une tendance commune est connue comme corrélation. Ces tendances peuvent être fort ou faible ou inexistante. Les hauteurs de gens pourraient être très fortement corrélés avec leurs mères. Mais ils ne sont probablement pas tout à fait si fortement corrélés avec leurs grand-mères ». Ils ont probablement rien à voir avec ce jour de l'année où ils sont nés.

Ces tendances peuvent également être positif ou négatif. La dette totale de la population a tendance à aller vers le bas à mesure qu'ils vieillissent et rembourser hypothécaires et autres prêts. Ceci est un exemple d'un corrélation négative.

Cause et effet dans les données entraîné la commercialisation

L'existence d'une tendance statistique ne fait pas, par elle-même, implique qu'une chose en aucune façon en cause un autre. Il existe une corrélation entre le nombre de briquets qu'une personne achète et leur risque de cancer du poumon. Mais ce sont les cigarettes qu'ils achètent aussi, pas les briquets, qui explique cette tendance. La connexion entre les briquets et le cancer du poumon est connu comme un fausse corrélation.




Il y avait un programme de marketing dans une banque qui a été conçu pour augmenter les dépôts dans les comptes de CD. L'équipe marketing de la banque a commencé à analyser les résultats de ce programme après avoir été sur le marché pendant un certain temps. Initialement, ils ont noté que le nombre de CD vendus depuis le programme était en marché avait augmenté considérablement. Bonne nouvelle! La campagne a été travaillé.

Mais quand ils ont essayé de calculer le profit qui avait été généré par cette merveilleuse campagne, ils se heurtèrent à un problème. Malgré le fait qu'ils ont été l'ouverture de tous ces nouveaux comptes, le volume global du dollar avait pas beaucoup changé.

Après avoir creusé un peu autour, ils ont découvert que dans le but de soutenir la campagne de CD, le réseau d'agences avait mis un programme incitatif en place pour scrutateurs. Ce programme, sans surprise, les a récompensés pour l'ouverture de comptes de CD. Mais les récompenses étaient basées sur le nombre de comptes ouverts ils.

L'équipe est allée en arrière à travers les données et regarda les clients qui ont été ouverture de nouveaux comptes de CD. Il se trouve que ce ne fut pas du tout nouvelle entreprise. Plutôt, le volume était due à CD expirant qui ont été transférés directement dans les nouveaux comptes. Les scrutateurs ont été simplement rouler sur plusieurs nouveaux comptes. A 20 000 $ CD était basculé dans quatre de 5000 $ des comptes.

Leur enthousiasme initial sur le succès de notre programme de marketing avéré être injustifiée. Ils avaient pris la fausse corrélation entre notre campagne de marketing et les nouveaux comptes de cause à effet. La cause réelle était le programme diseuse de bonne incitation.

Vous devez être prudent à propos de l'attribution de cause à effet à des corrélations. Cela est particulièrement vrai lorsque vous êtes évaluer le succès de vos campagnes de marketing. La meilleure façon de le faire est de concevoir vos campagnes de marketing de la même manière que les expériences scientifiques sont conçus.

Fausses corrélations peuvent être utiles dans le marketing guidé par les données

Fausse ou non, vous pouvez profiter de tendances statistiques pour améliorer la puissance de votre base de données marketing. Vous allez courir dans des situations où vous savez ou soupçonnez qu'un trait de client particulier est centrale pour comprendre le comportement des clients. Le problème est que vous ne portez pas ce trait dans votre base de données.

Voici où corrélations entrent en jeu. Vous pouvez très bien avoir une variable dans votre base de données est corrélée avec le caractère que vous êtes intéressé, appelé une variable proxy. La recherche par sondage révèle souvent ce genre de corrélations. Il ya aussi un grand nombre de recherches démographiques dans le domaine public - les données de recensement, par exemple - qui analyse les connexions entre les variables.

En remplaçant une variable avec un autre, variable corrélée - appelée procuration variables - vous pouvez essentiellement faire usage des informations que vous ne fait avoir. La variable de substitution ne sera certainement pas la même que celle ayant fait l'information que vous voulez. Mais trouver une variable proxy qui est fortement corrélé avec le trait qui vous intéresse est la meilleure chose suivante.

Dans le contre exemple briquet de cigarette, il est clair que de tenter de réduire les taux de cancer du poumon en ciblant la vente de briquets est erronée. Les briquets sont pas la source du problème. Mais si tout ce que vous voulez est de identifier les gens qui sont à risque de cancer du poumon, puis achats légers feraient une approximation raisonnable.


» » » » Comment chercher relations dans votre guidé par les données de marketing