Oracle Unity Customer Data Platform Intelligence Workbench-Modellkatalog

Account-Leadbewertungsmodell

Das Lead-Scoring-Modell für Accounts ist ein prädiktives, sofort einsatzbereites Data-Science-Modell, das B2B-Accounts anhand ihres Profils, Umsatzes, Verhaltensdaten und Interaktionsmusters hinsichtlich ihrer Conversion-Wahrscheinlichkeit bewertet. Die Scores geben die Kaufwahrscheinlichkeit von Accounts an.

Vorteile

• Pflegen Sie proaktiv die richtigen Accounts mit höheren Conversion-Chancen.
• Steigern Sie die Effektivität Ihrer Account-Based-Marketing (ABM)-Maßnahmen.
• Steigern Sie die Anzahl der marketingqualifizierten Leads (MQLs) und die Conversion Rates.

Anwendungsfälle für die Industrie

• Fertigung: Ein globales Fertigungsunternehmen kann die Predictive Account Lead- und Contact Scoring-Modelle von Oracle Unity verwenden, um die Wahrscheinlichkeit eines Verkaufsabschlusses auf der Grundlage von Profil- und Engagement-Mustern einzuschätzen und zu bewerten.
• Technologie: Ein Technologieunternehmen kann Predictive Account Scoring nutzen, um ABM-Initiativen zu beschleunigen, indem es ermittelt, welche Kontakte in einem bestimmten Account die höchste Conversion-Wahrscheinlichkeit haben, und sie anschließend proaktiv zu Kampagnen und Outreach-Programmen hinzufügt.

Kontakt-Leadbewertungsmodell

Das Contact-Lead-Scoring-Modell ist ein prädiktives, sofort einsatzbereites Data-Science-Modell, das Kontakte anhand ihres Profils, Umsatzes, Verhaltensdaten und Interaktionsmusters nach ihrer Konvertierungswahrscheinlichkeit bewertet.

Das Modell generiert Lead-Score-Werte mit Lead-Score-Zeitstempeln für jeden Kontakt. Sie hilft dabei, die Kontakte zu ermitteln, die in verschiedenen Phasen des Sales Funnel aktiv sind, sowie deren Kaufpotenzial zu bestimmen. So können Sie Kundensegmente präzise ansprechen und Vertriebs- und Marketingstrategien effektiv aufeinander abstimmen.

Vorteile

• Pflegen Sie proaktiv Kontakte mit höheren Konversionschancen.
• Steigern Sie die Anzahl der Marketing Qualified Leads (MQLs) und die Conversion-Raten.

Anwendungsfälle für die Branche

• Technologie: Ein Anbieter von Unternehmenssoftware kann dieses Modell nutzen, um Vertriebsaktivitäten zu beschleunigen, indem er ermittelt, welche Kontakte in einem bestimmten Account die höchste Conversion-Wahrscheinlichkeit haben, und sie anschließend proaktiv zu Outreach-Programmen hinzufügt.

Customer-Lifetime-Value-Modell

Das Customer-Lifetime-Value-Modell (CLV) ist ein sofort einsatzbereites Data-Science-Modell, das den Wert eines Kunden über einen bestimmten Zeitraum schätzt. Diese Prognose basiert auf mehreren Touchpoints, darunter Kundenprofildaten, bisherige Transaktionshistorie sowie der Geldwert und die Häufigkeit der Transaktion.

Business-Anwender können das CLV-Modell anpassen, um ihren Kunden einen Customer Lifetime Value für drei, sechs oder zwölf Monate zuzuordnen.

Vorteile

• Planen Sie Marketingausgaben effektiver, wenn Sie Kunden gewinnen, binden und betreuen.
• Identifizieren Sie besonders wertvolle Kunden und konzentrieren Sie sich stärker auf sie, um die Kundenbindung zu erhöhen und den Umsatz zu steigern.

Anwendungsfälle für die Industrie

• Konsumgüter: Ein Online-Kosmetikunternehmen verwendet das Customer-Lifetime-Value-Modell, um den Wert eines Kunden im Laufe der Zeit auf der Grundlage seines Profils und seiner Transaktionsmuster zu schätzen. Sie erstellen eine Kampagne für ein neues High-End-Hautpflegeprodukt, die auf Kunden abzielt, die in den letzten sechs Monaten weniger als zwei Hautpflegeprodukte gekauft und mehr als 200 USD ausgegeben haben.
• Automobilindustrie: Ein Automobilhersteller nutzt das CLV-Modell, um Ausgabenspannen von Kunden zu ermitteln und Angebote für Fahrzeuge innerhalb dieser Ausgabenspannen zuzuschneiden.
• Einzelhandel: Ein Lebensmittelhändler nutzt das CLV-Modell, um Kunden mit hohem Lifetime Value für die Marke zu identifizieren und sie in eine Kampagne zur Bewerbung seines neuen Treueprogramms aufzunehmen.

Modelle zur Zuordnung der Kampagneneinnahmen

Die Modelle zur Zuordnung von Kampagnenumsätzen sind sofort einsatzbereite Data-Science-Modelle, mit denen Sie den Erfolg von Kampagnen ermitteln können, indem Sie die Touchpoints analysieren, die zu Verkäufen und Conversions führen. Es gibt zwei Arten von Attributionsmodellen für Kampagnenumsätze.

• Das Umsatz-Kampagnenattributionsmodell misst die Effektivität von Kampagnen, indem jeder Kampagne ein monetärer Wert zugewiesen wird.
• Das Attributionsmodell für Kampagnen ohne Umsatzbezug misst die Effektivität von Kampagnen, indem es jeder Kampagne einen prozentualen Attributionswert zuweist. Das Modell berechnet für jede einzelne Kampagne einen Attributionsprozentsatz als prozentualen Anteil der durch die Kampagne erzielten Conversions an den Gesamt-Conversions.

Jedes Modell berücksichtigt alle Touchpoints, die zur Konversion der Kampagne beigetragen haben.

Vorteile

• Verstehen Sie die Attribution über umsatzbasierte Ergebnisse hinaus.
• Treffen Sie Entscheidungen auf der Grundlage objektiver Datenanalysen statt subjektiver Einschätzungen.
• Erfahren Sie, welche Events die effektivsten Conversions generieren, und ermitteln Sie, wo Sie Budget einsetzen und den ROI verbessern können.

Anwendungsfälle für die Branche

• Einzelhandel: Ein Einzelhändler kann das Kampagnen-Attributionsmodell nutzen, um Multichannel-Journeys besser zu verstehen und Einblicke zu gewinnen, welcher Kanal die meisten Conversions fördert.
• Technologie: Ein SaaS-Technologieunternehmen kann das Kampagnenattributionsmodell nutzen, um Multi-Touch-Kampagnen besser zu verstehen und zu ermitteln, welche Inhalte, Kanäle und Kampagnenaktivitäten den größten Einfluss auf den Umsatzabschluss hatten.

Recency-, Frequency- und Monetary-Modell

Das Recency-, Frequency- und Monetary-(RFM-)Modell ist ein einsatzbereites Data-Science-Modell, das auf Basis von Ereignis- und Transaktionsdaten numerische Scores für Aktualität, Häufigkeit und monetäre Werte generiert. Damit können Sie Kunden in verschiedene Personas segmentieren und sie anschließend mit den relevantesten Botschaften gezielt ansprechen.

Das RFM-Modell verwendet die folgenden Merkmale, um Engagement und Kaufverhalten zu messen:

• Aktualität: Die jüngste Transaktion des Kunden.
• Häufigkeit: Wie oft tätigt der Kunde eine Transaktion.
• Monetär: Höhe/Gesamtwert der Kundentransaktion.

Jedes Merkmal wird durch einen Wert zwischen eins und fünf dargestellt: Eins steht für den am längsten zurückliegenden, am wenigsten häufigen oder niedrigsten Kaufwert, fünf für den aktuellsten, häufigsten oder höchsten Kaufwert.

Das Modell verwendet die folgenden Personas, um den Wert jedes Kunden anzugeben.

• Verloren: geringstes Engagement und minimale Aktivität im beobachteten Zeitraum.
• Gefährdet: beginnende Inaktivität und wenig ausgeprägtes Kaufverhalten.
• Reaktivierbar: Abonnenten mit ausgeprägter Inaktivität. Noch zu retten.
• Vielversprechend: durchschnittliches Recency- und Wertniveau.
• Neu: kürzlich aktiv mit intensivem und wertvollem Engagement.
• Champion: Das Beste vom Besten. Ihre zuletzt aktiven Personen mit der höchsten Rate an hochwertigem Engagement.

Vorteile

• Verwenden Sie RFM-Personas, um Ihre Kunden basierend auf dem relativen Kundenwert mit den relevantesten Botschaften und Angeboten anzusprechen. Diese verbesserte Kundeninteraktion kann die Antwortraten, die Kundenzufriedenheit, die Kundenbindung und den Customer Lifetime Value steigern.

Anwendungsfälle für die Industrie

• Einzelhandel: Ein Einzelhändler kann Targeting, Personalisierung und die allgemeine Conversion verbessern, indem er das RFM-Modell nutzt, um Zielgruppen (hochwertig, vielversprechend, gefährdet, verloren usw.) basierend auf ihren bisherigen Interaktionen für verschiedene Feiertagskampagnen zu identifizieren und zu segmentieren.

Zurück zum Anfang

Modell zur Abwanderungswahrscheinlichkeit

Das Modell zur Abwanderungsneigung ist ein einsatzbereites Data-Science-Modell, das die Wahrscheinlichkeit einer Kundenabwanderung basierend auf Transaktions- und Verhaltensmustern bewertet und misst.

Es identifiziert die Kunden, bei denen eine Abwanderung wahrscheinlicher ist, und gibt Marketern Einblicke, welche Kunden möglicherweise mit bestimmten Kampagnen oder Botschaften gezielt angesprochen werden sollten, um sie zu binden.

Vorteile

• Das Modell ermöglicht es Ihnen, abwanderungsgefährdete Zielgruppen und Segmente (einschließlich besonders wertvoller Kunden) proaktiv zu identifizieren. Marketing- und Werbeteams können dann Win-Back-Kampagnen für diese Kunden mit relevanten Botschaften auslösen, um die Kundenbindungsrate zu verbessern.

Anwendungsfälle für die Industrie

• Kommunikation: Ein Telekommunikationsanbieter kann automatisch eine Sonderaktion an Kunden senden, die möglicherweise über einen Wechsel zu einem anderen Anbieter nachdenken.

Engagement-Neigungsmodell

Das Interaktionsneigungsmodell misst anhand früherer Interaktionen die Wahrscheinlichkeit, mit der ein Kunde mit E-Mails interagiert (öffnen, klicken, abonnieren oder abbestellen).

Vorteile

• Verbessern Sie das E-Mail-Targeting und das Kampagnen-Engagement.
• Erhöhen Sie präzise die Kontaktpunkte Ihrer Kampagnen, indem Sie sich auf die Zielgruppen konzentrieren, die am ehesten interagieren, und Zielgruppen ausschließen, die möglicherweise übersättigt sind.

Produktneigungsmodell

Dieses einsatzbereite Modell prognostiziert die Wahrscheinlichkeit, mit der Kunden ein bestimmtes Produkt kaufen, basierend auf historischen Interaktionen und Kundenprofildaten.

Mit dem Modell können Sie anhand des Propensity Scores für Kunden- und Produktkombinationen ermitteln, welche Kunden ein bestimmtes Produkt am wahrscheinlichsten kaufen.

Vorteile

• Setzen Sie Marketingbudgets effektiver ein, indem Sie Kunden- und Produktkombinationen mit hoher Kaufwahrscheinlichkeit gezielt ansprechen.

Gewinnen Sie Erkenntnisse, die Ihrem Unternehmen andernfalls nicht zur Verfügung stünden, um fundiertere Entscheidungen zu treffen.

Anwendungsfälle für die Branche

• Einzelhandel: Ein Einzelhändler kann das Produktaffinitätsmodell nutzen, um die passenden Produktangebote für neu gewonnene Kunden zu ermitteln und so die Konversion und Kundengewinnung zu verbessern.
• Telekommunikation: Ein Mobilfunkanbieter kann das Produktaffinitätsmodell nutzen, um Kunden gezielt zu Upgrades für neue Smartphones, Hardware und Services zu führen.

Modell zur Wiederkaufneigung

Das Modell für die Wiederkaufneigung bewertet die Wahrscheinlichkeit, dass Kunden bestimmte Produkte erneut kaufen. Scores für die Wiederkaufneigung werden auf Grundlage früherer Kundentransaktionen sowie demografischer und verhaltensbezogener Daten berechnet.

Vorteile

• Nutzen Sie Wiederkaufwahrscheinlichkeitswerte für in der Oracle Unity Customer Data Platform erstellte Zielgruppen, um kanalübergreifende Engagement-Kampagnen zu optimieren und Kunden anzusprechen, die mit höchster Wahrscheinlichkeit ein Produkt erneut kaufen.

Zurück zum Anfang

Next Best Action-Modell

Das Next-Best-Action-Modell ist ein einsatzbereites Data-Science-Modell, das Kundenbedürfnisse prognostiziert und auf Basis von Vertriebs- und Transaktionsmustern die relevantesten Aktionen für jeden Kunden empfiehlt.

Das Modell nutzt Kundenprofildaten, Kundeninteraktionen, Produktkatalogdaten und Käufe, um die fünf wichtigsten empfohlenen Aktionen für den Kunden zu generieren. Anhand dieser Empfehlungen können Sie die relevanteste Maßnahme für einen bestimmten Kunden ermitteln.

Vorteile

• Steigern Sie die Konversionsraten, indem Sie Kunden auf die richtige Weise ansprechen – mit der nächstbesten Aktion entlang der Customer Journey.

Anwendungsfälle für die Branche

• Automobilindustrie: Eine globale Automarke kann die Next Best Action (NBA)- und Next Best Offer (NBO)-Modelle von Unity nutzen, um die relevantesten Maßnahmen und Angebote für jeden Kunden basierend auf Vertriebs- und Transaktionsmustern zu empfehlen.
• Finanzdienstleistungen: Ein Finanzdienstleistungsunternehmen kann die Modelle für Next Best Action und Next Best Offer nutzen, um Zielgruppen zu identifizieren, die mit hoher Wahrscheinlichkeit auf neue Angebote für Finanzprodukte wie ein Anlagekonto, eine Kreditlinie oder eine Hypothek reagieren, und die Kundenerlebnisse kanalübergreifend auf Basis dieser Empfehlung personalisieren.
• Reise- und Gastgewerbe: Eine Kreuzfahrtgesellschaft kann die NBO- und NBA-Modelle verwenden, um zu ermitteln, welches Angebot sie einem Kunden senden sollte, damit er seine nächste Reise oder seinen nächsten Aufenthalt bucht.

Modell für Empfehlungen für Folgeangebote

Das Next-Best-Offer-Modell von Oracle Unity ist ein sofort einsatzbereites Data-Science-Modell, das Kundenbedürfnisse prognostiziert und auf Basis von Vertriebs- und Transaktionsmustern die relevantesten Angebote für jeden Kunden empfiehlt.

Das Modell verwendet Kundenprofile, Kundeninteraktionen, Produktkatalog- und Kaufdaten, um Empfehlungen zu generieren. Benutzer können damit aus Top-Empfehlungen für Angebote auswählen, die mit verschiedenen Produkten oder Services verknüpft sind. Benutzer können diese Empfehlungen nutzen, um die relevantesten Angebote für bestimmte Kunden zu ermitteln.

Vorteile

• Steigern Sie Ihre Conversion-Rate, indem Sie das Next-Best-Offer-Modell nutzen, um Ihre Kunden mit den relevantesten Inhalten oder Angeboten anzusprechen.

Anwendungsfälle für die Branche

• Automobilindustrie: Eine globale Automarke kann die Next Best Action (NBA)- und Next Best Offer (NBO)-Modelle nutzen, um die relevantesten Maßnahmen und Angebote für jeden Kunden basierend auf Vertriebs- und Transaktionsmustern zu empfehlen.
• Finanzdienstleistungen: Ein Finanzdienstleister kann die Modelle für Next Best Action und Next Best Offer nutzen, um Zielgruppen zu identifizieren, die mit hoher Wahrscheinlichkeit auf neue Angebote für Finanzprodukte wie ein Anlagekonto, einen Kreditrahmen oder eine Hypothek reagieren, und die Kundenerlebnisse über alle Kanäle hinweg auf Basis dieser Empfehlung personalisieren.
• Reisen und Gastgewerbe: Eine Hotelkette kann NBO- und NBA-Modelle verwenden, um zu ermitteln, welches Angebot an einen Kunden gesendet werden sollte, damit er seine nächste Reise oder seinen nächsten Aufenthalt bucht.

Modell für die nächste beste Promotion

Das Next-Best-Promotion-Modell ist ein einsatzbereites Data-Science-Modell, das historische Produktkäufe von Kunden nutzt, um den Preis zu ermitteln, den ein Kunde für ein bestimmtes Produkt zu zahlen bereit ist. Durch die Nutzung dieses Modells können Sie die Preisgestaltung von Produkten für Ihre Kunden intelligent personalisieren.

Vorteile

• Das Next-Best-Promotion-Modell ermöglicht eine personalisierte Preisgestaltung für Produkte, was zu höheren Konversionsraten, höherem Gesamtumsatz und einem höheren durchschnittlichen Bestellwert führt.

Anwendungsfälle für die Branche

• Gesundheitswesen: Ein Gesundheitsunternehmen kann das Next Best Promotion-Modell verwenden, um seine Preise für ein neues Schlafhilfeprodukt basierend auf früheren Einkäufen einzelner Kunden zu optimieren.
• Versicherung: Eine Versicherungsmarke kann das Next-Best-Promotion-Modell nutzen, um personalisierte Preise für Zusatzversicherungspakete bereitzustellen, die Konversionsraten zu verbessern und Kunden dabei zu helfen, Pakete zu bündeln und zu sparen.

Zurück zum Anfang

Kampagnenempfehlungsmodell

Das Kampagnenempfehlungsmodell ist ein sofort einsatzbereites Data-Science-Modell, das basierend auf dem bisherigen Engagement und den Conversion-Trends eines Kunden über verschiedene Kampagnen hinweg die effektivste Kampagne für jeden Kunden ermittelt.

Das Modell verwendet verschiedene Zeiträume (drei Monate, ein Jahr und drei Jahre), um wiederkehrende und einmalige B2C-Kampagnen für jeden Kunden in jeder Instanz basierend auf der Wahrscheinlichkeit von Conversions zu bewerten.

Vorteile

• Verbessern Sie die Conversion und den ROI Ihrer Kampagnen, indem Sie intelligent vorhersagen, welche Kampagnen basierend auf aktuellen Interaktions- und Conversion-Trends für Kunden optimal sind.

Anwendungsfälle für die Branche

• Gesundheitswesen: Eine Organisation im Gesundheitswesen kann das Modell nutzen, um basierend auf früheren Conversions und Interaktionen zu ermitteln, welche zukünftigen digitalen Kampagnen zur Patienteneinbindung für die einzelnen Patienten geeignet sind.
• Einzelhandel: Ein Einzelhändler kann das Modell nutzen, um die Kampagnen-Conversion und den Customer Lifetime Value zu verbessern, indem Zielgruppen basierend auf bisherigem Engagement und Conversion-Verlauf in Kampagnen platziert werden, mit denen sie am wahrscheinlichsten interagieren.

Channel-Empfehlungsmodell

Dieses sofort einsatzbereite Data-Science-Modell empfiehlt basierend auf historischen Interaktionsdaten den besten Marketingkanal für Kunden.

Das Kanalempfehlungsmodell bewertet Interaktionskanäle für jeden Kunden in jeder Instanz basierend auf der Wahrscheinlichkeit von Conversions. Sie erhalten Einblicke, welche Kanäle Umsatz generieren, und können Chancen zur Umsatzsteigerung identifizieren, indem Sie Ausgaben auf Kanäle mit hohen Konversionsraten verteilen.

Die folgenden Kanäle werden bewertet:

• E-Mail
• SMS
• Übertragung
• Internet

Vorteile

• Verbessern Sie die Conversion, indem Sie den am besten prognostizierten Kanal nutzen, um Kundenprofile anzusprechen, während sie den Sales Funnel durchlaufen.

Anwendungsfälle für die Branche

• Versorgungsunternehmen: Ein Stromversorger kann das Modell nutzen, um zu ermitteln, ob E-Mail, SMS, Push-Benachrichtigung oder Web am besten geeignet ist, um während Spitzen- und Nebenlastzeiten mit bestimmten Kunden zu kommunizieren.

Segmentierungsmodell für Ermüdung

Dieses einsatzbereite Data-Science-Modell klassifiziert Kunden basierend auf ihrem Profil und ihrem Engagement-Level in verschiedene Stufen der Nachrichtenmüdigkeit.

Das Modell zur Müdigkeitssegmentierung hilft, Kundenmüdigkeit zu vermeiden, indem es Einblicke in die Anzahl der Kampagnen und Nachrichten bietet, die an jedes Kundenprofil gesendet werden müssen.

Sie misst die Nachrichtenmüdigkeit jedes Kundenprofils basierend auf dem Engagement des Kunden, dem Verlauf der empfangenen und geöffneten Kampagnen und vor allem der Persona des Kundenprofils. Sie bestimmen und steuern die optimale Anzahl von Nachrichten, die an jedes Kundenprofil gesendet werden, um Kontaktmüdigkeit zu vermeiden.

Vorteile

• Unterscheiden Sie intelligent zwischen Kunden, die aktiv und bereit zur Interaktion sind, und solchen, die übersättigt sind.
• Gewinnen Sie Erkenntnisse, die Ihnen helfen, die Kampagnenansprache für jeden Kunden auf Grundlage seiner Ermüdungsgrade zu steuern.
• Steigern Sie das Engagement und/oder die Konversionen und reduzieren Sie Abbrüche.

Anwendungsfälle für die Industrie

• Fertigung: Ein Hersteller von Solarmodulen verwendet das Modell, um Kunden auf der Grundlage ihres Profils und ihres Engagements in verschiedene Sättigungsstufen einzuteilen. Auf diese Weise kann der Hersteller den Umfang der Mitteilungen an seine Zielkunden anpassen.
• Technologie: Ein B2B-Technologieunternehmen nutzt das Modell, um potenzielle Kunden zu identifizieren, die aus High-Touch-ABM-Kampagnenmaßnahmen entfernt und wieder in allgemeine kanalübergreifende Kampagnen aufgenommen werden sollten.

Sendezeitoptimierungsmodell

Das Modell zur Optimierung der Versandzeit ist ein einsatzbereites Data-Science-Modell, das anhand des bisherigen E-Mail-Verhaltens den optimalen Zeitpunkt für den Versand von Kampagnen-E-Mails an Kunden ermittelt.

Beispielsweise würde das Modell den Versand von Kampagnen-E-Mails auslösen, bevor Kunden typischerweise ihre Posteingänge prüfen. Dadurch würde die Nachricht ganz oben im Posteingang des Kunden erscheinen, sodass die E-Mail mit hoher Wahrscheinlichkeit gesehen und geöffnet wird.

Vorteile

• Steigern Sie Kundeninteraktion und Conversion, indem Sie Kampagnen optimieren und Kunden zu den Zeitpunkten ansprechen, zu denen sie E-Mails am wahrscheinlichsten sehen, öffnen, lesen oder bestätigen.
• Senden Sie E-Mails genau kurz bevor ein Kunde typischerweise seinen Posteingang prüft, und erhöhen Sie so die Wahrscheinlichkeit, dass Ihre E-Mails gesehen und geöffnet werden.

Anwendungsfälle für die Branche

• Einzelhandel: Ein Modehändler kann die Wahrscheinlichkeit von Kundeninteraktion und Conversion bei neuen Kampagnen erhöhen, indem er das Modell nutzt, um die Auslieferungszeiten von Kampagnen kanalübergreifend zu verbessern.
• Reisen und Gastgewerbe: Ein Resort kann sicherstellen, dass seine wöchentlichen E-Mails mit günstigen Urlaubsangeboten dann an Kunden gesendet werden, wenn diese am ehesten mit den Inhalten interagieren.

Zurück zum Anfang