Catálogo de modelos do workbench de inteligência da Oracle Unity Customer Data Platform

Modelo de pontuação de leads da conta

O modelo de pontuação de leads de conta é um modelo preditivo de ciência de dados pronto para uso que pontua contas B2B com base na probabilidade de conversão, usando perfil, receita, dados de comportamento e padrão de engajamento. As pontuações identificam a propensão das contas a fazer compras.

Benefícios

• Cultive proativamente as contas certas com maiores chances de conversão.
• Aumente a eficácia dos esforços de marketing baseado em contas (ABM).
• Aumente o número de leads qualificados por marketing (MQLs) e as taxas de conversão.

Casos de uso do setor

• Manufatura: Uma empresa global de manufatura pode usar os modelos preditivos de pontuação de leads de conta e de contatos do Oracle Unity para estimar e pontuar a probabilidade de conversão de uma venda com base em padrões de perfil e engajamento.
• Tecnologia: Uma empresa de tecnologia pode aproveitar a pontuação preditiva de contas para acelerar as iniciativas de ABM, identificando quais contatos em uma determinada conta têm a maior chance de conversão e, em seguida, adicioná-los proativamente a campanhas e programas de contato.

Modelo de pontuação de leads de contato

O modelo de pontuação de leads de contato é um modelo preditivo de ciência de dados pronto para uso que pontua contatos com base na probabilidade de conversão, usando seu perfil, receita, dados comportamentais e padrão de engajamento.

O modelo gera valores de pontuação de lead com carimbos de data/hora da pontuação de lead para cada contato. Ela ajuda a identificar os contatos ativos em diferentes níveis do funil de vendas e seu potencial de realizar compras, permitindo segmentar clientes com precisão e alinhar com eficácia as estratégias de vendas e marketing.

Benefícios

• Cultive proativamente contatos com maiores chances de conversão.
• Aumente o número de leads qualificados pelo marketing (MQLs) e as taxas de conversão.

Casos de uso do setor

• Tecnologia: Uma empresa de software empresarial pode aproveitar esse modelo para acelerar os esforços de vendas, identificando quais contatos em uma determinada conta têm maior chance de conversão e, em seguida, adicioná-los proativamente a programas de contato.

Modelo de valor da vida útil do cliente

O modelo de valor do tempo de vida do cliente (CLV) é um modelo de ciência de dados pronto para uso que estima o valor de um cliente em um período específico. Essa previsão é baseada em vários pontos de contato, incluindo dados de perfil do cliente, histórico de transações anteriores e o valor monetário e a frequência da transação.

Os usuários de negócios podem personalizar o modelo de CLV para atribuir aos seus clientes três, seis ou doze meses de valor do ciclo de vida.

Benefícios

• Planeje o orçamento das despesas de marketing de forma mais eficaz ao adquirir, reter e atender clientes.
• Identifique e concentre-se mais em clientes de alto valor para aumentar a retenção de clientes e impulsionar a receita.

Casos de uso do setor

• Bens de consumo: Uma empresa de cosméticos online usa o modelo de valor do ciclo de vida do cliente para estimar o valor de um cliente ao longo do tempo com base em seu perfil e padrões de transação. Eles criam uma campanha para um novo produto de cuidados com a pele de alta qualidade, direcionada aos clientes que compraram menos de dois produtos de cuidados com a pele nos últimos seis meses e gastaram mais de US$ 200.
• Automotivo: Uma fabricante automotiva aproveita o modelo de CLV para identificar faixas de gastos dos clientes e personalizar ofertas de carros que estejam dentro dessas faixas de gastos.
• Varejo: Uma mercearia executa o modelo de CLV para identificar clientes que têm alto valor vitalício com a marca para incluir em uma campanha de promoção de seu novo programa de fidelidade.

Modelos de atribuição de receita da campanha

Os modelos de atribuição de receita de campanha são modelos de ciência de dados prontos para uso que ajudam você a determinar o sucesso das campanhas analisando os pontos de contato que levam a vendas e conversões. Existem dois tipos de modelos de atribuição de receita de campanha.

• O modelo de atribuição de campanha de receita mede a eficácia das campanhas atribuindo um valor monetário a cada campanha.
• O modelo de atribuição de campanhas sem receita mede a eficácia das campanhas atribuindo um valor percentual de atribuição a cada campanha. O modelo calcula uma porcentagem de atribuição como o valor percentual das campanhas convertidas em relação ao total de conversões de cada campanha individual.

Cada modelo considera todos os pontos de contato que contribuíram para a conversão da campanha.

Benefícios

• Entenda a atribuição além dos resultados baseados em receita.
• Tome decisões com base em análises de dados objetivas, em vez de escolhas subjetivas.
• Entenda quais eventos geram as conversões mais eficazes e determine onde investir o orçamento para melhorar o ROI.

Casos de uso do setor

• Varejo: Um varejista pode usar o modelo de atribuição de campanha para compreender melhor as jornadas multicanal e obter insights sobre qual canal está ajudando a gerar mais conversões.
• Tecnologia: Uma empresa de tecnologia SaaS pode aproveitar o modelo de atribuição de campanhas para ajudar a entender melhor campanhas multitoque e quais conteúdos, canais e esforços de campanha tiveram maior influência no fechamento da receita.

Modelo de recência, frequência e valor monetário

O modelo de recência, frequência e valor monetário (RFM) é um modelo de ciência de dados pronto para uso que gera pontuações numéricas para recência, frequência e valores monetários com base em dados de eventos e transações. Com isso, você pode segmentar os clientes em diferentes personas e, em seguida, direcionar a eles as mensagens mais relevantes.

O modelo RFM usa as seguintes características para medir o engajamento e o comportamento de compra:

• Recência: a transação mais recente do cliente.
• Frequência: com que frequência o cliente realiza uma transação.
• Monetário: tamanho/valor total da transação do cliente.

Cada característica é representada por uma pontuação entre um e cinco: um é o valor de compra menos recente, menos frequente ou mais baixo, e cinco é o valor de compra mais recente, mais frequente ou mais alto.

O modelo usa as seguintes personas para indicar o valor de cada cliente.

• Perdidos: os seus engajadores mais fracos, com mínima atividade durante o período observado.
• De risco: engajadores que demonstram traços inicias de inatividade e baixo comportamento de compra.
• Não pode perder: assinantes que têm um escopo mais forte de inatividade. Ainda pode ser recuperado.
• Promissores: engajadores com idade e valor médios.
• Novos: engajadores recentes com uma taxa forte de engajamento valioso.
• Campeão: O melhor entre os melhores. Seus engajadores mais recentes com a maior taxa de engajamento de alto valor.

Benefícios

• Use personas RFM para direcionar seus clientes com as mensagens e ofertas mais relevantes com base no valor relativo do cliente. Esse engajamento aprimorado dos clientes pode aumentar as taxas de resposta, a satisfação do cliente, a retenção de clientes e o valor do tempo de vida do cliente.

Casos de uso do setor

• Varejo: um varejista pode melhorar a segmentação, a personalização e a conversão geral ao aproveitar o modelo RFM para identificar e segmentar públicos-alvo (alto valor, promissores, em risco, perdidos etc.) para várias campanhas de fim de ano com base em suas interações anteriores.

Voltar ao início

Modelo de propensão ao churn

O modelo de propensão ao churn é um modelo de ciência de dados pronto para uso que pontua e mede a probabilidade de churn de um cliente com base em seus padrões transacionais e comportamentais.

Ele identifica os clientes com maior probabilidade de cancelamento, oferecendo aos profissionais de marketing insights sobre quais clientes podem ser segmentados com campanhas ou mensagens específicas para retê-los.

Benefícios

• O modelo permite identificar proativamente públicos-alvo e segmentos (incluindo clientes de alto valor) em risco de churn. As equipes de marketing e publicidade podem, então, acionar campanhas de reconquista para esses clientes com mensagens relevantes para melhorar a taxa de retenção de clientes.

Casos de uso do setor

• Comunicações: Um provedor de telecomunicações pode enviar automaticamente uma promoção especial para clientes que possam estar pensando em mudar para um provedor diferente.

Modelo de propensão ao engajamento

O modelo de propensão ao engajamento mede a probabilidade de um cliente interagir com e-mails (abrir, clicar, assinar ou cancelar a assinatura) com base em suas interações anteriores.

Benefícios

• Melhore a segmentação de emails e o engajamento das campanhas.
• Aumente com precisão os pontos de contato da campanha concentrando-se nos públicos com maior probabilidade de engajamento e removendo os públicos que possam estar saturados.

Modelo de propensão de produto

Este modelo pronto para uso prevê a probabilidade de os clientes comprarem um produto específico com base em interações históricas e dados do perfil do cliente.

O modelo permite identificar quais clientes têm maior probabilidade de comprar um produto específico analisando a pontuação de propensão para combinações de clientes e produtos.

Benefícios

• Use os orçamentos de marketing com mais eficiência ao direcionar combinações de clientes e produtos com alta propensão.

Obtenha insights que, de outra forma, não estariam disponíveis para sua empresa, aprimorando a tomada de decisões.

Casos de Uso do Setor

• Varejo: Um varejista pode aproveitar o modelo de propensão a produtos para ajudar a identificar as ofertas de produtos certas para clientes recém-engajados, a fim de melhorar a conversão e a aquisição de clientes.
• Telecomunicações: Uma empresa de comunicações móveis pode usar o modelo de propensão de produtos para ajudar a orientar os clientes sobre upgrades para novos telefones, hardware e serviços.

Modelo de propensão à recompra

O modelo de propensão à recompra avalia a probabilidade de os clientes recomprarem produtos específicos. As pontuações de propensão à recompra são calculadas com base em transações anteriores dos clientes e em dados demográficos e comportamentais.

Benefícios

• Use pontuações de propensão à recompra em públicos criados na Oracle Unity Customer Data Platform para otimizar campanhas de engajamento entre canais e segmentar clientes com maior probabilidade de recomprar um produto.

Voltar ao início

Modelo de próxima melhor ação

O modelo de próxima melhor ação é um modelo de ciência de dados pronto para uso que prevê as necessidades dos clientes e recomenda as ações mais relevantes para cada cliente com base em padrões de vendas e transações.

O modelo usa dados de perfil do cliente, engajamento do cliente, dados do catálogo de produtos e compras para gerar as cinco principais ações recomendadas para o cliente. Você pode usar estas recomendações para determinar a ação mais relevante para um cliente específico.

Benefícios

• Aumente as taxas de conversão envolvendo os clientes da maneira certa, com a próxima melhor ação na jornada dos clientes.

Casos de uso do setor

• Automotivo: Uma marca de automóveis global pode usar os modelos de próxima melhor ação (NBA) e próxima melhor oferta (NBO) do Unity para recomendar as ações e ofertas mais relevantes para cada cliente com base em padrões de vendas e transações.
• Serviços financeiros: Uma empresa de serviços financeiros pode usar os modelos de próxima melhor ação e próxima melhor oferta para identificar públicos com maior probabilidade de conversão em novas ofertas de produtos financeiros, como uma conta de investimento, linha de crédito ou financiamento imobiliário, e personalizar as experiências de seus clientes em todos os canais com base nessa recomendação.
• Viagens e hotelaria: Uma empresa de cruzeiros pode usar os modelos de NBO e NBA para identificar qual oferta enviar a um cliente para ajudá-lo a reservar sua próxima viagem ou estadia.

Modelo de próxima melhor oferta

O modelo de próxima melhor oferta do Oracle Unity é um modelo de ciência de dados pronto para uso que prevê as necessidades dos clientes e recomenda as ofertas mais relevantes para cada cliente com base em padrões de vendas e transações.

O modelo usa dados de perfil do cliente, engajamento do cliente, catálogo de produtos e compras para gerar recomendações. Ele permite que os usuários escolham entre as principais recomendações de ofertas vinculadas a vários produtos ou serviços. Os usuários podem usar essas recomendações para determinar as ofertas mais relevantes a serem enviadas a clientes específicos.

Benefícios

• Aumente sua taxa de conversão aproveitando o modelo de próxima melhor oferta para interagir com seus clientes usando o conteúdo ou a oferta mais relevante.

Casos de uso do setor

• Automotivo: Uma marca de automóveis global pode usar os modelos de próxima melhor ação (NBA) e próxima melhor oferta (NBO) para recomendar as ações e ofertas mais relevantes para cada cliente com base em padrões de vendas e transações.
• Serviços financeiros: Um provedor de serviços financeiros pode usar os modelos de próxima melhor ação e próxima melhor oferta para identificar públicos-alvo com probabilidade de conversão em novas ofertas de produtos financeiros, como uma conta de investimento, linha de crédito ou hipoteca, e personalizar as experiências dos clientes em todos os canais com base nessa recomendação.
• Viagens e hotelaria: Uma rede de hotéis pode usar os modelos NBO e NBA para identificar qual oferta enviar a um cliente para ajudá-lo a reservar sua próxima viagem ou estadia.

Modelo de próxima melhor promoção

O modelo de próxima melhor promoção é um modelo de ciência de dados pronto para uso que utiliza o histórico de compras de produtos dos clientes para determinar o preço que um cliente está disposto a pagar por um determinado produto. Aproveitar esse modelo permite que você personalize de forma inteligente os preços dos produtos para seus clientes.

Benefícios

• O modelo de próxima melhor promoção permite a precificação personalizada de produtos, o que leva a taxas de conversão, receita total e valor médio do pedido mais altos.

Casos de uso do setor

• Saúde: Uma empresa de saúde pode usar o modelo de próxima melhor promoção para ajustar o preço de um novo produto de auxílio ao sono com base em compras anteriores de clientes individuais.
• Seguros: Uma marca de seguros pode aproveitar o modelo de próxima melhor promoção para oferecer preços personalizados para pacotes de seguros adicionais, melhorar as taxas de conversão e ajudar os clientes a combinar serviços e economizar.

Voltar ao início

Modelo de recomendação de campanha

O modelo recomendador de campanhas é um modelo de ciência de dados pronto para uso que identifica a campanha mais eficaz a ser enviada para cada cliente com base no engajamento anterior do cliente e nas tendências de conversão em diferentes campanhas.

O modelo usa vários períodos (três meses, um ano e três anos) para classificar campanhas B2C recorrentes e pontuais para cada cliente em qualquer instância com base na probabilidade de conversões.

Benefícios

• Melhore a conversão e o ROI de suas campanhas prevendo de forma inteligente quais campanhas são ideais para os clientes com base no engajamento recente e nas tendências de conversão.

Casos de uso do setor

• Saúde: uma organização de saúde pode aproveitar o modelo para identificar quais campanhas digitais futuras de engajamento de pacientes são adequadas para cada paciente com base em conversões e engajamentos anteriores.
• Varejo: Um varejista pode usar o modelo para melhorar a conversão de campanhas e o valor do ciclo de vida do cliente, inserindo públicos-alvo em campanhas com as quais eles têm maior probabilidade de interagir com base no histórico de engajamento e conversão.

Modelo de recomendação de canal

Este modelo de ciência de dados pronto para uso recomenda o melhor canal de marketing para os clientes com base nos dados históricos de interações.

O modelo de recomendação de canais classifica os canais de engajamento para cada cliente em qualquer instância com base na probabilidade de conversões. Você obtém insights sobre quais canais geram receita e pode encontrar oportunidades para aumentar a receita distribuindo os gastos entre canais com altas taxas de conversão.

Os seguintes canais são avaliados:

• Email
• SMS
• Envie
• Web

Benefícios

• Melhore a conversão usando o melhor canal previsto para direcionar perfis de clientes enquanto eles avançam pelo funil de vendas.

Casos de uso do setor

• Serviços públicos: Uma provedora de eletricidade pode usar o modelo para determinar se email, SMS, push ou Web é o melhor canal para se comunicar com clientes específicos durante os horários de pico e fora de pico de energia.

Modelo de segmentação por fadiga

Este modelo de ciência de dados pronto para uso classifica os clientes em diferentes níveis de fadiga de mensagens com base em seu perfil e níveis de engajamento.

O modelo de segmentação por fadiga ajuda a evitar a fadiga do cliente ao oferecer insights sobre o número de campanhas e mensagens que precisam ser enviadas a cada perfil de cliente.

Ele mede a fadiga de mensagens de cada perfil de cliente com base no engajamento do cliente, no histórico de campanhas recebidas e abertas e, mais importante, na persona do perfil do cliente. Você determina e controla o número ideal de mensagens a serem enviadas para cada perfil de cliente para evitar fadiga.

Benefícios

• Diferencie de forma inteligente os clientes que estão ativos e prontos para interagir daqueles que estão fatigados.
• Obtenha insights para ajudar a controlar o alcance da campanha para cada cliente com base em seus níveis de fadiga.
• Aumente o engajamento e/ou as conversões e reduza as desistências.

Casos de uso do setor

• Manufatura: Um fabricante de painéis solares usa o modelo para classificar os clientes em diferentes níveis de fadiga com base em seus perfis e níveis de engajamento. Isso permite ajustar o volume de comunicações para suas contas segmentadas.
• Tecnologia: Uma empresa de tecnologia B2B usa o modelo para identificar clientes em potencial que devem ser removidos dos esforços de campanha ABM de alto contato e recolocados em campanhas gerais entre canais.

Modelo de otimização da hora de envio

O modelo de otimização de horário de envio é um modelo de ciência de dados pronto para uso que determina o horário ideal para enviar emails de campanha aos clientes com base no comportamento anterior em relação a emails.

Por exemplo, o modelo acionaria o envio de e-mails de campanha antes do horário em que os clientes normalmente verificam suas caixas de entrada. Como resultado, a mensagem apareceria no topo da caixa de entrada do cliente, garantindo que o email tenha maior probabilidade de ser visto e aberto.

Benefícios

• Aumente o engajamento e a conversão dos clientes otimizando campanhas ao direcioná-las aos clientes nos momentos em que eles têm maior probabilidade de ver, abrir, ler ou reconhecer e-mails.
• Envie emails pouco antes do momento em que um cliente normalmente verifica a caixa de entrada, aumentando a probabilidade de que seus emails sejam visualizados e abertos.

Casos de uso do setor

• Varejo: Um varejista de moda pode aumentar a probabilidade de engajamento e conversão dos clientes em novas campanhas ao aproveitar o modelo para melhorar os tempos de entrega das campanhas em todos os canais.
• Viagens e hospitalidade: Um resort pode garantir que seus e-mails semanais com ofertas de férias a preços baixos sejam enviados aos clientes quando eles tiverem maior probabilidade de interagir com o conteúdo.

Voltar ao início