Catálogo de modelos de la mesa de trabajo de inteligencia de Oracle Unity Customer Data Platform

Modelo de puntuación de clientes potenciales de cuenta

El modelo de puntuación de leads de cuentas es un modelo predictivo de ciencia de datos listo para usar que puntúa las cuentas B2B según su probabilidad de conversión utilizando su perfil, ingresos, datos de comportamiento y patrón de interacción. Las puntuaciones identifican la propensión de las cuentas a realizar compras.

Ventajas

• Cultiva de forma proactiva las cuentas adecuadas con mayores probabilidades de conversión.
• Aumente la eficacia de las iniciativas de marketing basado en cuentas (ABM).
• Aumente el número de leads cualificados para marketing (MQL) y las tasas de conversión.

Casos de uso en la industria

• Fabricación: Una empresa de fabricación global puede utilizar los modelos predictivos de puntuación de clientes potenciales de cuentas y contactos de Oracle Unity para estimar y puntuar la probabilidad de una conversión de ventas en función de patrones de perfil e interacción.
• Tecnología: Una empresa tecnológica puede aprovechar la puntuación predictiva de cuentas para acelerar las iniciativas de ABM identificando qué contactos de una cuenta determinada tienen la mayor probabilidad de conversión y, a continuación, añadirlos de forma proactiva a campañas y programas de contacto.

Modelo de puntuación de clientes potenciales de contacto

El modelo de puntuación de leads de contacto es un modelo predictivo de ciencia de datos listo para usar que puntúa a los contactos según su probabilidad de conversión utilizando su perfil, ingresos, datos de comportamiento y patrón de interacción.

El modelo genera valores de puntuación de clientes potenciales con marcas de tiempo de puntuación de clientes potenciales para cada contacto. Ayuda a determinar qué contactos están activos en los distintos niveles del embudo de ventas y su potencial de compra, lo que le permite dirigirse con precisión a segmentos de clientes y alinear eficazmente las estrategias de ventas y marketing.

Ventajas

• Cultive proactivamente los contactos con mayores probabilidades de conversión.
• Aumente la cantidad de leads calificados por marketing (MQL) y las tasas de conversión.

Casos de uso en la industria

• Tecnología: Una empresa de software empresarial puede aprovechar este modelo para acelerar las iniciativas de ventas identificando qué contactos de una cuenta determinada tienen la mayor probabilidad de conversión y, luego, incorporarlos de forma proactiva a programas de contacto.

Modelo de valor del tiempo de vida de cliente

El modelo de valor del ciclo de vida del cliente (CLV) es un modelo de ciencia de datos listo para usar que estima el valor de un cliente durante un período específico. Esta predicción se basa en múltiples puntos de contacto, incluidos los datos del perfil del cliente, el historial de transacciones anteriores y el valor monetario y la frecuencia de la transacción.

Los usuarios de negocio pueden personalizar el modelo CLV para asignar a sus clientes tres, seis o doce meses de valor de vida del cliente.

Ventajas

• Presupueste los gastos de marketing de forma más eficaz al adquirir, retener y atender a los clientes.
• Identifique y céntrese más en los clientes de alto valor para aumentar la retención de clientes e incrementar los ingresos.

Casos de uso en la industria

• Bienes de consumo envasados: una empresa de venta online de productos cosméticos utiliza el modelo de valor del ciclo de vida del cliente para calcular el valor de un cliente con el paso del tiempo en función de su perfil y los patrones de transacciones. Crean una campaña para un nuevo producto de cuidado de la piel de gama alta dirigido a los clientes que han comprado menos de dos productos de cuidado de la piel en los últimos seis meses y gastado más de 200 dólares.
• Automoción: Un fabricante de automóviles aprovecha el modelo de CLV para identificar los rangos de gasto de los clientes y adaptar ofertas de vehículos que se ajusten a esos rangos.
• Retail: Un supermercado ejecuta el modelo CLV para identificar a los clientes con un alto valor de ciclo de vida para la marca e incluirlos en una campaña para promocionar su nuevo programa de fidelización.

Modelos de atribución de ingresos de campaña

Los modelos de atribución de ingresos de campañas son modelos de ciencia de datos listos para usar que le ayudan a determinar el éxito de las campañas mediante el análisis de los puntos de contacto que generan ventas y conversiones. Existen dos tipos de modelos de atribución de ingresos de campañas.

• El modelo de atribución de ingresos de campaña mide la eficacia de las campañas asignando un valor monetario a cada una.
• El modelo de atribución de campañas sin ingresos mide la efectividad de las campañas asignando un valor de atribución porcentual a cada campaña. El modelo calcula un porcentaje de atribución como el valor porcentual de las conversiones de campañas sobre el total de conversiones para cada campaña individual.

Cada modelo considera todos los puntos de contacto que contribuyeron a la conversión de la campaña.

Ventajas

• Comprenda la atribución más allá de los resultados basados en ingresos.
• Tome decisiones basadas en análisis de datos objetivos en lugar de elecciones subjetivas.
• Comprenda qué eventos generan las conversiones más efectivas y determine dónde invertir el presupuesto y mejorar el ROI.

Casos de uso en la industria

• Comercio minorista: Un minorista puede utilizar el modelo de atribución de campañas para comprender mejor los recorridos multicanal y obtener información sobre qué canal ayuda a generar más conversiones.
• Tecnología: Una empresa de tecnología SaaS puede aprovechar el modelo de atribución de campañas para comprender mejor las campañas de múltiples puntos de contacto y qué contenido, canales y esfuerzos de campaña influyeron más en el cierre de ingresos.

Modelo de actualidad, frecuencia y valor monetario

El modelo de recencia, frecuencia y valor monetario (RFM) es un modelo de ciencia de datos listo para usar que genera puntuaciones numéricas de recencia, frecuencia y valores monetarios en función de los datos de eventos y transacciones. Con ella, puedes segmentar a los clientes en distintos perfiles y dirigirte a ellos con los mensajes más relevantes.

El modelo RFM utiliza las siguientes características para medir la interacción y el comportamiento de compra:

• Recencia: la transacción más reciente del cliente.
• Frecuencia: Con qué frecuencia realiza una transacción el cliente.
• Valor monetario: tamaño/valor total de la transacción del cliente.

Cada característica está representada por una puntuación entre uno y cinco: uno es el valor menos reciente, menos frecuente o de compra más bajo, y cinco es el valor más reciente, más frecuente o de compra más alto.

El modelo utiliza las siguientes personas para indicar el valor de cada cliente.

• Perdidos: usuarios más débiles, con una mínima actividad observada a lo largo del tiempo.
• En riesgo: usuarios que empiezan a mostrar inactividad y un comportamiento de compra de nivel bajo.
• Recuperables: suscriptores con un mayor historial de inactividad. Aún recuperable.
• Prometedores: usuarios con valor y recencia media.
• Nuevos: usuarios recientes con un alto ratio de compromiso valorado.
• Campeón: Lo mejor de lo mejor. Sus usuarios más recientes con la tasa más alta de interacción de alto valor.

Ventajas

• Utilice personas RFM para dirigirse a sus clientes con los mensajes y ofertas más relevantes según el valor relativo del cliente. Esta mejora en la interacción con los clientes puede aumentar las tasas de respuesta, la satisfacción del cliente, la retención de clientes y el valor del ciclo de vida del cliente.

Casos de uso en la industria

• Retail: Un minorista puede mejorar la segmentación, la personalización y la conversión general aprovechando el modelo RFM para identificar y segmentar audiencias (de alto valor, prometedoras, en riesgo, perdidas, etc.) para diversas campañas festivas en función de sus interacciones anteriores.

Volver al principio

Modelo de propensión a la pérdida de clientes

El modelo de propensión al abandono es un modelo de ciencia de datos listo para usar que puntúa y mide la probabilidad de abandono de un cliente en función de sus patrones transaccionales y de comportamiento.

Identifica a los clientes con mayor probabilidad de abandono, lo que proporciona a los profesionales de marketing información sobre qué clientes podrían ser destinatarios de campañas o mensajes específicos para retenerlos.

Ventajas

• El modelo le permite identificar de forma proactiva audiencias y segmentos (incluidos los clientes de alto valor) en riesgo de abandono. Los equipos de marketing y publicidad pueden activar campañas de recuperación para estos clientes con mensajes relevantes para mejorar la tasa de retención de clientes.

Casos de uso en la industria

• Comunicaciones: un proveedor de servicios de telecomunicaciones puede remitir automáticamente una promoción especial a clientes que pudieran estar pensando en pasarse a otro proveedor.

Modelo de propensión a la interacción

El modelo de propensión a la interacción mide la probabilidad de que un cliente interactúe con los correos electrónicos (abrir, hacer clic, suscribirse o cancelar la suscripción) en función de sus interacciones anteriores.

Ventajas

• Mejore la segmentación del correo electrónico y la interacción con las campañas.
• Aumente con precisión los puntos de contacto de la campaña centrándose en las audiencias con mayor probabilidad de interactuar y excluyendo aquellas que podrían estar saturadas.

Modelo de propensión de producto

Este modelo listo para usar predice la probabilidad de que los clientes compren un producto específico en función de las interacciones históricas y los datos de perfil del cliente.

El modelo le permite identificar qué clientes tienen más probabilidades de comprar un producto específico al consultar la puntuación de propensión de las combinaciones de cliente y producto.

Beneficios

• Utilice los presupuestos de marketing de forma más eficaz dirigiéndose a combinaciones de clientes y productos con alta propensión.

Obtenga información valiosa que, de otro modo, no estaría disponible para su empresa y mejore la toma de decisiones.

Casos de uso en la industria

• Comercio minorista: Un minorista puede aprovechar el modelo de propensión de productos para ayudar a identificar las ofertas de productos adecuadas para clientes recién captados, con el fin de mejorar la conversión y la adquisición de clientes.
• Telecomunicaciones: una empresa de comunicaciones móviles puede aprovechar el modelo de propensión de productos para ayudar a orientar a los clientes hacia actualizaciones de nuevos teléfonos, hardware y servicios.

Modelo de propensión a la recompra

El modelo de propensión a la recompra evalúa la probabilidad de que los clientes vuelvan a comprar productos específicos. Las puntuaciones de propensión a la recompra se calculan en función de las transacciones anteriores de los clientes y de los datos demográficos y de comportamiento.

Ventajas

• Aproveche las puntuaciones de propensión a recompra en audiencias creadas en Oracle Unity Customer Data Platform para optimizar campañas de interacción multicanal y dirigirse a los clientes con mayor probabilidad de volver a comprar un producto.

Volver al principio

Modelo de siguiente mejor acción

El modelo de siguiente mejor acción es un modelo de ciencia de datos listo para usar que predice las necesidades de los clientes y recomienda las acciones más relevantes para cada cliente en función de los patrones de ventas y transacciones.

El modelo utiliza datos del perfil del cliente, interacción del cliente, datos del catálogo de productos y compras para generar las cinco acciones recomendadas principales para el cliente. Puede utilizar estas recomendaciones para determinar la acción más relevante para un cliente específico.

Beneficios

• Aumente las tasas de conversión interactuando con los clientes de la forma adecuada, con la siguiente mejor acción en el recorrido del cliente.

Casos de uso en la industria

• Automoción: una marca global de automóviles puede utilizar los modelos de siguiente mejor acción (NBA) y siguiente mejor oferta (NBO) de Unity para recomendar las acciones y ofertas más relevantes para cada cliente en función de los patrones de ventas y transacciones.
• Servicios financieros: Una empresa de servicios financieros puede utilizar los modelos de siguiente mejor acción y siguiente mejor oferta para identificar audiencias con probabilidad de conversión ante nuevas ofertas de productos financieros, como una cuenta de inversión, una línea de crédito o una hipoteca, y personalizar las experiencias de sus clientes en todos los canales según esa recomendación.
• Viajes y hotelería: Una línea de cruceros puede utilizar los modelos NBO y NBA para identificar qué oferta enviar a un cliente para ayudarlo a reservar su próximo viaje o estadía.

Modelo de siguiente mejor oferta

El modelo de mejor oferta siguiente de Oracle Unity es un modelo de ciencia de datos listo para usar que predice las necesidades de los clientes y recomienda las ofertas más relevantes para cada cliente en función de los patrones de ventas y transacciones.

El modelo utiliza datos del perfil del cliente, interacción con el cliente, catálogo de productos y compras para generar recomendaciones. Permite a los usuarios elegir entre las principales recomendaciones de ofertas vinculadas a diversos productos o servicios. Los usuarios pueden utilizar estas recomendaciones para determinar las ofertas más relevantes que enviar a clientes específicos.

Ventajas

• Aumente su tasa de conversión aprovechando el modelo de siguiente mejor oferta para interactuar con sus clientes con el contenido o la oferta más relevantes.

Casos de uso en la industria

• Automoción: una marca global de automóviles puede utilizar los modelos de siguiente mejor acción (NBA) y siguiente mejor oferta (NBO) para recomendar las acciones y ofertas más relevantes para cada cliente en función de los patrones de ventas y transacciones.
• Servicios financieros: Un proveedor de servicios financieros puede usar los modelos de siguiente mejor acción y siguiente mejor oferta para identificar audiencias con probabilidad de conversión ante nuevas ofertas de productos financieros, como una cuenta de inversión, una línea de crédito o una hipoteca, y personalizar las experiencias de sus clientes en todos los canales en función de esa recomendación.
• Viajes y hotelería: Una cadena hotelera puede usar los modelos de NBO y NBA para identificar qué oferta enviar a un cliente a fin de ayudarlo a reservar su próximo viaje o estadía.

Modelo de siguiente mejor promoción

El modelo de siguiente mejor promoción es un modelo de ciencia de datos listo para usar que utiliza las compras históricas de productos de los clientes para determinar el precio que un cliente está dispuesto a pagar por un producto específico. Aprovechar este modelo le permite personalizar de forma inteligente los precios de los productos para sus clientes.

Ventajas

• El modelo de siguiente mejor promoción permite precios personalizados de productos, lo que genera mayores tasas de conversión, ingresos totales y valor medio del pedido.

Casos de uso en la industria

• Salud: Una empresa del sector de la salud puede utilizar el modelo de la siguiente mejor promoción para ajustar los precios de un nuevo producto de ayuda para el sueño en función de las compras realizadas anteriormente por clientes individuales.
• Seguros: Una marca de seguros puede aprovechar el modelo de la siguiente mejor promoción para ofrecer precios personalizados para paquetes de seguros complementarios, mejorar las tasas de conversión y ayudar a los clientes a combinar productos y ahorrar.

Volver al principio

Modelo de recomendación de campañas

El modelo de recomendación de campañas es un modelo de ciencia de datos listo para usar que identifica la campaña más eficaz que se debe enviar a cada cliente en función de su interacción previa y las tendencias de conversión en distintas campañas.

El modelo utiliza varios plazos (tres meses, un año y tres años) para clasificar las campañas B2C recurrentes y puntuales de cada cliente en cualquier instancia según la probabilidad de conversión.

Ventajas

• Mejore la conversión y el ROI de sus campañas al predecir de forma inteligente qué campañas son óptimas para los clientes en función de las tendencias recientes de interacción y conversión.

Casos de uso en la industria

• Atención médica: Una organización de atención médica puede aprovechar el modelo para identificar qué futuras campañas digitales de interacción con pacientes son adecuadas para cada paciente en función de las conversiones e interacciones anteriores.
• Retail: Un minorista puede usar el modelo para mejorar la conversión de campañas y el valor del ciclo de vida del cliente al colocar audiencias en campañas con las que es más probable que interactúen en función de su historial de interacción y conversión.

Modelo de recomendación de canales

Este modelo de ciencia de datos listo para usar recomienda el mejor canal de marketing para los clientes en función de los datos históricos de interacciones.

El modelo de recomendación de canales clasifica los canales de interacción de cada cliente en cualquier instancia en función de la probabilidad de conversiones. Obtendrá información sobre qué canales generan ingresos y podrá encontrar oportunidades para aumentar los ingresos distribuyendo la inversión entre los canales con altas tasas de conversión.

Se evalúan los siguientes canales:

• Correo electrónico
• SMS
• Transferencia
• Internet

Ventajas

• Mejore la conversión utilizando el mejor canal previsto para dirigirse a los perfiles de cliente mientras avanzan por el embudo de ventas.

Casos de uso en la industria

• Utilidades: una compañía eléctrica puede usar el modelo para determinar si el correo electrónico, los SMS, las notificaciones push o la web son la mejor opción para comunicarse con clientes específicos durante las horas punta y valle.

Modelo de segmentación de fatiga

Este modelo de ciencia de datos listo para usar clasifica a los clientes en diferentes niveles de fatiga de mensajes según su perfil y sus niveles de interacción.

El modelo de segmentación por fatiga ayuda a evitar la fatiga del cliente al ofrecer información sobre el número de campañas y mensajes que se deben enviar a cada perfil de cliente.

Mide la fatiga de mensajes de cada perfil de cliente en función de la interacción del cliente, el historial de campañas recibidas y abiertas y, lo más importante, la persona del perfil de cliente. Determine y controle el número óptimo de mensajes que se deben enviar a cada perfil de cliente para evitar la saturación.

Ventajas

• Diferencie de forma inteligente a los clientes que están activos y listos para interactuar de aquellos que están fatigados.
• Obtenga información para controlar el alcance de las campañas para cada cliente en función de sus niveles de fatiga.
• Aumenta la interacción y/o las conversiones, y reduce los abandonos.

Casos de uso en la industria

• Fabricación: Un fabricante de paneles solares utiliza el modelo para clasificar a los clientes en diferentes niveles de fatiga teniendo en cuenta sus perfiles y sus niveles de interacción. Esto les permite ajustar el volumen de comunicaciones a sus cuentas objetivo.
• Tecnología: Una empresa de tecnología B2B aprovecha el modelo para identificar clientes potenciales que deben eliminarse de las iniciativas de campañas ABM de alto contacto y volver a incorporarse a campañas generales multicanal.

Modelo de optimización del tiempo de envío

El modelo de optimización de la hora de envío es un modelo de ciencia de datos listo para usar que determina la hora óptima para enviar correos electrónicos de campañas a los clientes en función del comportamiento anterior con el correo electrónico.

Por ejemplo, el modelo activaría el envío de correos electrónicos de campaña antes de que los clientes suelan revisar sus bandejas de entrada. Como resultado, el mensaje aparecería en la parte superior de la bandeja de entrada del cliente, lo que garantiza que el correo electrónico tenga más probabilidades de ser visto y abierto.

Beneficios

• Aumente la interacción y la conversión de los clientes optimizando las campañas para dirigirse a ellos en los momentos en que es más probable que vean, abran, lean o presten atención a los correos electrónicos.
• Envía correos electrónicos justo antes de que un cliente suela revisar su bandeja de entrada, lo que aumenta la probabilidad de que tus correos se vean y se abran.

Casos de uso en la industria

• Retail: Un minorista de moda puede aumentar la probabilidad de interacción y conversión de los clientes en nuevas campañas aprovechando el modelo para mejorar los tiempos de entrega de campañas en todos los canales.
• Viajes y hotelería: Un complejo turístico puede garantizar que sus correos electrónicos semanales con ofertas de vacaciones a bajo precio se envíen a los clientes cuando sea más probable que interactúen con el contenido.

Volver al principio