Catalogue des modèles du workbench d’intelligence d’Oracle Unity Customer Data Platform

Modèle de scoring des leads pour les comptes

Le modèle de scoring des leads de compte est un modèle de data science prédictif prêt à l’emploi qui attribue un score aux comptes B2B selon leur probabilité de conversion, en utilisant leurs données de profil, de chiffre d’affaires et de comportement, ainsi que leur modèle d’engagement. Les scores identifient la propension des comptes à effectuer des achats.

Avantages

• Entretenez proactivement les relations avec les comptes pertinents présentant les meilleures chances de conversion.
• Augmentez l’efficacité de vos initiatives de marketing basé sur les comptes (ABM).
• Augmentez le nombre de leads qualifiés par le marketing (MQL) et les taux de conversion.

Cas d’utilisation du secteur d’activité

• Industrie manufacturière : Une entreprise manufacturière internationale peut utiliser les modèles prédictifs de scoring des comptes, des leads et des contacts d’Oracle Unity pour estimer et évaluer la probabilité de conversion d’une vente en fonction du profil et des modèles d’engagement.
• Technologie : Une entreprise technologique peut tirer parti du scoring prédictif des comptes pour accélérer ses initiatives ABM en identifiant les contacts d’un compte donné qui présentent la plus forte probabilité de conversion, puis en les ajoutant de manière proactive aux campagnes et aux programmes de prise de contact.

Modèle de scoring des leads pour les contacts

Le modèle de scoring des leads de contact est un modèle prédictif de data science prêt à l’emploi qui attribue un score aux contacts en fonction de leur probabilité de conversion, à partir de leur profil, de leur chiffre d’affaires, de leurs données comportementales et de leur schéma d’engagement.

Le modèle génère des valeurs de score de lead avec des horodatages de score de lead pour chaque contact. Elle permet d’identifier les contacts actifs aux différents niveaux du tunnel de vente ainsi que leur potentiel d’achat, afin de cibler précisément les segments de clientèle et d’aligner efficacement les stratégies commerciales et marketing.

Avantages

• Entretenez de manière proactive les contacts les plus susceptibles de se convertir.
• Augmentez le nombre de leads qualifiés par le marketing (MQL) et les taux de conversion.

Cas d’utilisation du secteur d’activité

• Technologie : Un éditeur de logiciels d’entreprise peut exploiter ce modèle pour accélérer ses efforts de vente en identifiant les contacts d’un compte donné qui présentent la plus forte probabilité de conversion, puis en les ajoutant de manière proactive aux programmes de prospection.

Modèle de valeur à vie du client

Le modèle de valeur vie client (CLV) est un modèle de data science prêt à l’emploi qui estime la valeur d’un client sur une période donnée. Cette prédiction repose sur plusieurs points de contact, notamment les données de profil client, l’historique des transactions passées, ainsi que la valeur monétaire et la fréquence de la transaction.

Les utilisateurs métier peuvent personnaliser le modèle CLV afin d’attribuer à leurs clients une valeur vie client sur trois, six ou douze mois.

Avantages

• Budgétisez plus efficacement les dépenses marketing liées à l’acquisition, à la fidélisation et au service des clients.
• Identifiez les clients à forte valeur ajoutée et concentrez davantage vos efforts sur eux afin d’améliorer la fidélisation client et d’augmenter le chiffre d’affaires.

Cas d’utilisation du secteur d’activité

• Produits de grande consommation : Une entreprise de cosmétique en ligne utilise le modèle de valeur vie client pour estimer la valeur d’un client au fil du temps en fonction de son profil et de ses habitudes d’achat. Ils créent une campagne pour un nouveau produit de soin haut de gamme ciblant les clients qui ont acheté moins de deux produits de soin au cours des six derniers mois et dépensé plus de 200 $.
• Automobile : Un constructeur automobile exploite le modèle CLV pour identifier les fourchettes de dépenses des clients et personnaliser les offres de voitures correspondant à ces fourchettes.
• Commerce de détail : Une épicerie exécute le modèle CLV pour identifier les clients présentant une valeur vie client élevée pour la marque, afin de les inclure dans une campagne de promotion de son nouveau programme de fidélité.

Modèles d’attribution du revenu de la campagne

Les modèles d’attribution des revenus de campagne sont des modèles de science des données prêts à l’emploi qui vous aident à déterminer le succès des campagnes en analysant les points de contact qui génèrent des ventes et des conversions. Il existe deux types de modèles d’attribution des revenus de campagne.

• Le modèle d’attribution des revenus des campagnes mesure l’efficacité des campagnes en attribuant une valeur monétaire à chaque campagne.
• Le modèle d’attribution des campagnes hors chiffre d’affaires mesure l’efficacité des campagnes en attribuant une valeur d’attribution en pourcentage à chaque campagne. Le modèle calcule un pourcentage d’attribution sous forme de valeur en pourcentage des campagnes converties par rapport au total des conversions pour chaque campagne individuelle.

Chaque modèle prend en compte tous les points de contact ayant contribué à la conversion de la campagne.

Avantages

• Comprenez l’attribution au-delà des résultats basés sur le chiffre d’affaires.
• Prenez des décisions fondées sur l’analyse objective des données plutôt que sur des choix subjectifs.
• Identifiez les événements qui génèrent les conversions les plus efficaces et déterminez où allouer le budget pour améliorer le retour sur investissement.

Cas d’utilisation du secteur d’activité

• Distribution : Un distributeur peut utiliser le modèle d’attribution de campagne pour mieux comprendre les parcours multicanaux et identifier le canal qui contribue le plus aux conversions.
• Technologie : Une entreprise technologique SaaS peut exploiter le modèle d’attribution des campagnes pour mieux comprendre les campagnes multitouch et déterminer quels contenus, canaux et efforts de campagne ont eu le plus d’influence sur la conclusion de revenus.

Modèle de récence, fréquence et valeur monétaire

Le modèle de récence, fréquence et montant (RFM) est un modèle de science des données prêt à l’emploi qui génère des scores numériques pour les valeurs de récence, de fréquence et de montant à partir des données d’événements et de transactions. Avec cette solution, vous pouvez segmenter vos clients en différents personas, puis les cibler avec les messages les plus pertinents.

Le modèle RFM utilise les caractéristiques suivantes pour mesurer l’engagement et le comportement d’achat :

• Récence : transaction la plus récente du client.
• Fréquence : à quelle fréquence le client effectue-t-il une transaction.
• Monétaire : taille/valeur totale de la transaction du client.

Chaque caractéristique est représentée par un score compris entre un et cinq : un correspond à la valeur d’achat la moins récente, la moins fréquente ou la plus faible, et cinq à la valeur d’achat la plus récente, la plus fréquente ou la plus élevée.

Le modèle utilise les personas suivants pour indiquer la valeur de chaque client.

• Perdus : Clients dont l'activité est minimale dans la période observée.
• A risque : Destinataires présentant des débuts d'inactivité et un comportement d'achat faible.
• À ne pas perdre : Abonnés présentant une forte inactivité. Encore récupérable.
• Prometteurs : Clients avec une récence et une valeur moyenne.
• Nouveaux : Clients récemment engagés présentant un taux élevé d’engagement à forte valeur.
• Champion : Le meilleur des meilleurs. Vos clients les plus récents ayant le niveau d'engagement et le taux d'achat le plus élevé.

Avantages

• Utilisez des personas RFM pour cibler vos clients avec les messages et offres les plus pertinents en fonction de leur valeur client relative. Cet engagement client amélioré peut augmenter les taux de réponse, la satisfaction client, la fidélisation client et la valeur vie client.

Cas d’utilisation du secteur d’activité

• Commerce de détail : Un distributeur peut améliorer le ciblage, la personnalisation et la conversion globale en exploitant le modèle RFM pour identifier et segmenter les audiences (à forte valeur, prometteuses, à risque, perdues, etc.) pour diverses campagnes de fêtes en fonction de leurs interactions passées.

Haut de la page

Modèle de propension à l’attrition

Le modèle de propension à l’attrition est un modèle de science des données prêt à l’emploi qui évalue et mesure la probabilité d’attrition d’un client en fonction de ses schémas transactionnels et comportementaux.

Elle identifie les clients les plus susceptibles de se désengager, offrant aux spécialistes marketing des informations sur les clients à cibler avec des campagnes ou des messages spécifiques afin de les fidéliser.

Avantages

• Le modèle vous permet d’identifier de manière proactive les audiences et les segments (y compris les clients à forte valeur) présentant un risque d’attrition. Les équipes marketing et publicitaires peuvent alors déclencher des campagnes de reconquête pour ces clients avec des messages pertinents afin d’améliorer le taux de fidélisation client.

Cas d’utilisation du secteur d’activité

• Communications : Un fournisseur de télécommunications peut automatiquement envoyer une promotion spéciale aux clients qui envisagent peut-être de choisir un autre fournisseur.

Modèle de propension à l’engagement

Le modèle de propension à l’engagement mesure la probabilité qu’un client interagisse avec les e-mails (ouverture, clic, abonnement ou désabonnement) en fonction de ses interactions passées.

Avantages

• Améliorez le ciblage des e-mails et l’engagement des campagnes.
• Augmentez avec précision les points de contact de vos campagnes en ciblant les audiences les plus susceptibles d’interagir et en excluant celles qui risquent d’être saturées.

Modèle de propension produit

Ce modèle prêt à l’emploi prédit la probabilité que les clients achètent un produit spécifique en fonction des interactions historiques et des données de profil client.

Le modèle vous permet d’identifier les clients les plus susceptibles d’acheter un produit spécifique en examinant le score de propension pour les combinaisons client-produit.

Avantages

• Optimisez vos budgets marketing en ciblant les combinaisons client-produit à forte propension.

Obtenez des informations exploitables auxquelles votre entreprise n’aurait pas accès autrement afin d’améliorer la prise de décision.

Cas d’utilisation du secteur d’activité

• Commerce de détail : Un détaillant peut exploiter le modèle de propension produit pour identifier les offres de produits adaptées aux nouveaux clients engagés, afin d’améliorer la conversion et l’acquisition client.
• Télécommunications : Une entreprise de communications mobiles peut tirer parti du modèle de propension produit pour orienter les clients vers de nouveaux téléphones, matériels et mises à niveau de services.

Modèle de propension au réachat

Le modèle de propension au rachat évalue la probabilité que les clients rachètent des produits spécifiques. Les scores de propension au rachat sont calculés en fonction des transactions passées des clients, ainsi que des données démographiques et comportementales.

Avantages

• Exploitez les scores de propension au rachat auprès des audiences créées dans Oracle Unity Customer Data Platform afin d’optimiser les campagnes d’engagement cross-canal et de cibler les clients les plus susceptibles de racheter un produit.

Haut de la page

Modèle de meilleure action suivante

Le modèle de meilleure action suivante est un modèle de science des données prêt à l’emploi qui prédit les besoins des clients et recommande les actions les plus pertinentes pour chaque client en fonction des tendances de vente et de transaction.

Le modèle utilise les données de profil client, l’engagement client, les données du catalogue produits et les achats pour générer les cinq principales actions recommandées pour le client. Vous pouvez utiliser ces recommandations pour déterminer l’action la plus pertinente pour un client spécifique.

Avantages

• Augmentez les taux de conversion en interagissant avec les clients de la bonne manière, avec la meilleure action suivante tout au long du parcours client.

Cas d’utilisation du secteur d’activité

• Automobile : Une marque automobile mondiale peut utiliser les modèles Next Best Action (NBA) et Next Best Offer (NBO) d'Unity pour recommander les actions et les offres les plus pertinentes pour chaque client en fonction des habitudes de vente et de transaction.
• Services financiers : Une société de services financiers peut utiliser les modèles de meilleure action suivante et de meilleure offre suivante pour identifier les audiences susceptibles de répondre favorablement à de nouvelles offres de produits financiers, tels qu’un compte d’investissement, une ligne de crédit ou un prêt immobilier, et personnaliser l’expérience de ses clients sur l’ensemble des canaux en fonction de cette recommandation.
• Voyage et hôtellerie : Une compagnie de croisière peut utiliser les modèles NBO et NBA pour identifier l’offre à envoyer à un client afin de l’aider à réserver son prochain voyage ou séjour.

Modèle de meilleure offre suivante

Le modèle de meilleure offre suivante d’Oracle Unity est un modèle de science des données prêt à l’emploi qui prédit les besoins des clients et recommande les offres les plus pertinentes pour chaque client en fonction des tendances de vente et de transaction.

Le modèle utilise les données de profil client, d’engagement client, de catalogue de produits et d’achats pour générer des recommandations. Elle permet aux utilisateurs de choisir parmi les meilleures recommandations d’offres liées à différents produits ou services. Les utilisateurs peuvent utiliser ces recommandations pour déterminer les offres les plus pertinentes à envoyer à des clients spécifiques.

Avantages

• Augmentez votre taux de conversion en exploitant le modèle de meilleure offre suivante pour interagir avec vos clients au moyen du contenu ou de l’offre les plus pertinents.

Cas d’utilisation du secteur d’activité

• Automobile : Une marque automobile mondiale peut utiliser les modèles de meilleure action suivante (NBA) et de meilleure offre suivante (NBO) pour recommander les actions et offres les plus pertinentes pour chaque client en fonction des schémas de vente et de transaction.
• Services financiers : Un fournisseur de services financiers peut utiliser les modèles de meilleure action suivante et de meilleure offre suivante pour identifier les audiences susceptibles de répondre favorablement à de nouvelles offres de produits financiers, tels qu’un compte d’investissement, une ligne de crédit ou un prêt hypothécaire, et personnaliser l’expérience de ses clients sur l’ensemble des canaux en fonction de cette recommandation.
• Voyages et hôtellerie : Une chaîne hôtelière peut utiliser les modèles NBO et NBA pour identifier l’offre à envoyer à un client afin de l’aider à réserver son prochain voyage ou séjour.

Modèle de meilleure promotion suivante

Le modèle de prochaine meilleure promotion est un modèle de science des données prêt à l’emploi qui utilise l’historique des achats de produits des clients pour déterminer le prix qu’un client est prêt à payer pour un produit particulier. L’exploitation de ce modèle vous permet de personnaliser intelligemment la tarification des produits pour vos clients.

Avantages

• Le modèle de meilleure promotion suivante permet une tarification personnalisée des produits, ce qui entraîne des taux de conversion, un chiffre d’affaires total et un panier moyen plus élevés.

Cas d’utilisation du secteur d’activité

• Services de santé : Une société de santé peut utiliser le modèle de prochaine meilleure promotion pour affiner sa tarification pour un nouveau produit d'aide au sommeil en fonction des achats réalisés par des clients individuels.
• Assurance : Une marque d’assurance peut exploiter le modèle de la meilleure promotion suivante pour proposer une tarification personnalisée des formules d’assurance complémentaires, afin d’améliorer les taux de conversion et d’aider les clients à regrouper leurs contrats et à réaliser des économies.

Haut de la page

Modèle de recommandation de campagne

Le modèle de recommandation de campagnes est un modèle de science des données prêt à l’emploi qui identifie la campagne la plus efficace à envoyer à chaque client, en fonction de son engagement passé et des tendances de conversion observées dans différentes campagnes.

Le modèle utilise différentes périodes (trois mois, un an et trois ans) pour classer les campagnes B2C récurrentes et ponctuelles pour chaque client dans n’importe quelle instance, en fonction de la probabilité de conversions.

Avantages

• Améliorez la conversion et le ROI de vos campagnes en prédisant intelligemment quelles campagnes sont optimales pour les clients en fonction des tendances récentes d’engagement et de conversion.

Cas d’utilisation du secteur d’activité

• Santé : Une organisation de santé peut exploiter le modèle pour déterminer quelles futures campagnes numériques d’engagement des patients conviennent à chaque patient, en fonction des conversions et de l’engagement passés.
• Retail : Un détaillant peut utiliser le modèle pour améliorer la conversion des campagnes et la valeur vie client en plaçant les audiences dans les campagnes avec lesquelles elles sont les plus susceptibles d’interagir, sur la base de leur historique d’engagement et de conversion.

Modèle de recommandation de canal

Ce modèle de science des données prêt à l’emploi recommande le meilleur canal marketing pour les clients en fonction des données d’interactions historiques.

Le modèle de recommandation de canaux classe les canaux d’engagement pour chaque client dans n’importe quelle instance en fonction de la probabilité de conversions. Vous obtenez des informations sur les canaux qui génèrent du chiffre d’affaires et pouvez identifier des opportunités d’augmentation du chiffre d’affaires en répartissant les dépenses entre les canaux présentant des taux de conversion élevés.

Les canaux suivants sont évalués :

• E-mail
• SMS
• Envoi
• Web

Avantages

• Améliorez la conversion en utilisant le meilleur canal prédit pour cibler les profils clients lorsqu’ils progressent dans l’entonnoir de vente.

Cas d’utilisation du secteur d’activité

• Exploitants de services collectifs : Un fournisseur d'électricité peut utiliser le modèle pour déterminer s'il est préférable de communiquer avec des clients spécifiques par e-mail, SMS, notification push ou Web pendant les heures de pointe et les heures creuses.

Modèle de segmentation de la fatigue

Ce modèle de science des données prêt à l’emploi classe les clients selon différents niveaux de fatigue des messages, en fonction de leur profil et de leurs niveaux d’engagement.

Le modèle de segmentation de la fatigue aide à prévenir la lassitude des clients en fournissant des informations sur le nombre de campagnes et de messages à envoyer à chaque profil client.

Elle mesure la fatigue liée aux messages de chaque profil client en fonction de l’engagement du client, de l’historique des campagnes reçues et ouvertes et, surtout, de la persona du profil client. Vous déterminez et contrôlez le nombre optimal de messages à envoyer à chaque profil client afin d’éviter la lassitude.

Avantages

• Différenciez intelligemment les clients actifs et prêts à interagir de ceux qui sont lassés.
• Obtenez des informations pour vous aider à contrôler les sollicitations de campagne auprès de chaque client en fonction de son niveau de fatigue.
• Augmentez l’engagement et/ou les conversions, et réduisez les abandons.

Cas d’utilisation du secteur d’activité

• Fabrication : Un fabricant de panneaux solaires utilise le modèle pour classer les clients en différents niveaux de fatigue en fonction de leur profil et de leurs niveaux d'engagement. Il peut ainsi ajuster le volume des communications pour les comptes ciblés.
• Technologie : Une entreprise technologique B2B exploite le modèle pour identifier les clients potentiels qui doivent être retirés des campagnes ABM à forte interaction et réintégrés aux campagnes cross-canal générales.

Modèle d'optimisation de l'heure d'envoi

Le modèle d’optimisation de l’heure d’envoi est un modèle de science des données prêt à l’emploi qui détermine l’heure optimale d’envoi des e-mails de campagne aux clients en fonction de leur comportement passé vis-à-vis des e-mails.

Par exemple, le modèle déclencherait l’envoi d’e-mails de campagne avant que les clients ne consultent généralement leur boîte de réception. Ainsi, le message apparaîtrait en haut de la boîte de réception du client, garantissant ainsi que l’e-mail a toutes les chances d’être vu et ouvert.

Avantages

• Augmentez l’engagement et la conversion des clients en optimisant vos campagnes afin de cibler les clients aux moments où ils sont le plus susceptibles de voir, d’ouvrir, de lire ou de prendre connaissance des e-mails.
• Envoyez des e-mails juste avant le moment où un client consulte généralement sa boîte de réception, afin d’augmenter la probabilité que vos e-mails soient vus et ouverts.

Cas d’utilisation du secteur d’activité

• Retail : un détaillant de mode peut augmenter la probabilité d’engagement et de conversion des clients lors de nouvelles campagnes en exploitant le modèle pour améliorer les délais de diffusion des campagnes sur l’ensemble des canaux.
• Voyage et hôtellerie : Un complexe touristique peut s’assurer que ses e-mails hebdomadaires d’offres de vacances à bas prix sont envoyés aux clients au moment où ils sont les plus susceptibles d’interagir avec le contenu.

Haut de la page