Catalogo dei modelli del workbench di intelligence di Oracle Unity Customer Data Platform

Modello di punteggio dei lead dell'account

Il modello di lead scoring degli account è un modello predittivo di data science pronto all'uso che assegna un punteggio agli account B2B in base alla loro probabilità di conversione utilizzando profilo, ricavi, dati comportamentali e pattern di engagement. I punteggi identificano la propensione degli account a effettuare acquisti.

Vantaggi

• Coltiva in modo proattivo gli account giusti con maggiori probabilità di conversione.
• Aumenta l'efficacia delle iniziative di account-based marketing (ABM).
• Aumenta il numero di lead qualificati per il marketing (MQL) e i tassi di conversione.

Casi d'uso del settore

• Produzione: Un'azienda manifatturiera globale può utilizzare i modelli predittivi di account lead e contact scoring di Oracle Unity per stimare e valutare la probabilità di conversione di una vendita in base ai pattern di profilo e coinvolgimento.
• Tecnologia: un'azienda tecnologica può sfruttare il punteggio predittivo degli account per accelerare le iniziative ABM identificando quali contatti in un determinato account hanno le maggiori probabilità di conversione e aggiungendoli quindi in modo proattivo a campagne e programmi di outreach.

Modello di punteggio dei lead dei contatti

Il modello di scoring dei lead dei contatti è un modello predittivo di data science pronto all'uso che assegna un punteggio ai contatti in base alla loro probabilità di conversione, utilizzando profilo, ricavi, dati comportamentali e pattern di engagement.

Il modello genera valori di punteggio lead con timestamp del punteggio lead per ogni contatto. Aiuta a individuare i contatti attivi nei diversi livelli del funnel di vendita e il loro potenziale di acquisto, consentendoti di indirizzare con precisione i segmenti di clienti e allineare efficacemente le strategie di vendita e marketing.

Vantaggi

• Coltiva in modo proattivo i contatti con maggiori probabilità di conversione.
• Aumenta il numero di lead qualificati dal marketing (MQL) e i tassi di conversione.

Casi d'uso del settore

• Tecnologia: Un'azienda di software aziendale può sfruttare questo modello per accelerare le attività di vendita identificando quali contatti in un determinato account hanno le maggiori probabilità di conversione e quindi aggiungerli in modo proattivo ai programmi di outreach.

Modello di valore durata adesione cliente

Il modello di customer lifetime value (CLV) è un modello di data science pronto all’uso che stima il valore di un cliente in un determinato periodo di tempo. Questa previsione si basa su molteplici punti di contatto, inclusi i dati del profilo cliente, la cronologia delle transazioni passate e il valore monetario e la frequenza della transazione.

Gli utenti aziendali possono personalizzare il modello CLV per attribuire ai propri clienti un valore del ciclo di vita su tre, sei o dodici mesi.

Vantaggi

• Definisci il budget delle spese di marketing in modo più efficace durante l'acquisizione, la fidelizzazione e l'assistenza ai clienti.
• Identifica e concentrati maggiormente sui clienti ad alto valore per aumentare la fidelizzazione dei clienti e incrementare i ricavi.

Casi d'uso del settore

• Beni di largo consumo: Un'azienda di cosmetici online utilizza il modello Customer Lifetime Value per stimare il valore di un cliente nel tempo in base ai pattern del profilo e delle transazioni. Creano una campagna per un nuovo prodotto di alta gamma per la cura della pelle destinato ai clienti che hanno acquistato meno di due prodotti per la cura della pelle negli ultimi sei mesi e hanno speso più di 200 dollari.
• Settore automobilistico: Un produttore automobilistico sfrutta il modello CLV per identificare le fasce di spesa dei clienti e personalizzare le offerte per auto che rientrano in tali fasce di spesa.
• Retail: Un negozio di alimentari esegue il modello CLV per identificare i clienti con un elevato lifetime value per il brand da includere in una campagna per promuovere il nuovo programma fedeltà.

Modelli di attribuzione dei ricavi della campagna

I modelli di attribuzione dei ricavi delle campagne sono modelli di data science pronti all'uso che aiutano a determinare il successo delle campagne analizzando i punti di contatto che portano a vendite e conversioni. Esistono due tipi di modelli di attribuzione dei ricavi delle campagne.

• Il modello di attribuzione dei ricavi delle campagne misura l'efficacia delle campagne assegnando un valore monetario a ciascuna campagna.
• Il modello di attribuzione delle campagne senza ricavi misura l'efficacia delle campagne assegnando a ciascuna campagna un valore percentuale di attribuzione. Il modello calcola una percentuale di attribuzione come valore percentuale delle campagne convertite rispetto alle conversioni totali per ogni singola campagna.

Ogni modello prende in considerazione tutti i punti di contatto che hanno contribuito alla conversione della campagna.

Vantaggi

• Comprendi l'attribuzione al di là dei risultati basati sui ricavi.
• Prendi decisioni basate sull'analisi oggettiva dei dati anziché su scelte soggettive.
• Comprendi quali eventi generano le conversioni più efficaci e determina dove investire il budget e migliorare il ROI.

Casi d'uso del settore

• Retail: Un retailer può utilizzare il modello di attribuzione delle campagne per comprendere meglio i percorsi multicanale e ottenere informazioni su quale canale contribuisce maggiormente a generare conversioni.
• Tecnologia: un'azienda tecnologica SaaS può sfruttare il modello di attribuzione delle campagne per comprendere meglio le campagne multi-touch e quali contenuti, canali e iniziative di campagna hanno influito maggiormente sulla chiusura dei ricavi.

Modello di recenza, frequenza e valore monetario

Il modello recency, frequency e monetary (RFM) è un modello di data science pronto all'uso che genera punteggi numerici per recency, frequency e valori monetari in base ai dati di eventi e transazioni. Con essa, puoi segmentare i clienti in diversi profili tipo e quindi coinvolgerli con i messaggi più pertinenti.

Il modello RFM utilizza le seguenti caratteristiche per misurare il coinvolgimento e il comportamento di acquisto:

• Recenza: la transazione più recente del cliente.
• Frequenza: con quale frequenza il cliente effettua una transazione.
• Monetario: entità/valore totale della transazione del cliente.

Ogni caratteristica è rappresentata da un punteggio compreso tra uno e cinque: uno indica il valore meno recente, meno frequente o il valore di acquisto più basso, mentre cinque indica il valore più recente, più frequente o il valore di acquisto più alto.

Il modello utilizza le seguenti personas per indicare il valore di ciascun cliente.

• Persi: persone coinvolte in modo più debole, con attività minima nel periodo di tempo osservato.
• A rischio: persone coinvolte che mostrano segni iniziali di inattività e un comportamento di acquisto ridotto.
• Da non perdere: sottoscrittori con una forte impronta di inattività. Ancora recuperabile.
• Promettenti: persone coinvolte con recenza e valore medi.
• Nuovi: persone coinvolte recentemente con un forte tasso di coinvolgimento di valore.
• Campione: Il meglio del meglio. Le persone coinvolte più di recente con il più alto tasso di coinvolgimenti di valore.

Vantaggi

• Utilizza le personas RFM per raggiungere i tuoi clienti con i messaggi e le offerte più pertinenti in base al valore relativo del cliente. Questo maggiore coinvolgimento dei clienti può aumentare i tassi di risposta, la soddisfazione dei clienti, la fidelizzazione dei clienti e il valore del ciclo di vita del cliente.

Casi d'uso del settore

• Retail: Un retailer può migliorare targeting, personalizzazione e conversioni complessive sfruttando il modello RFM per identificare e segmentare i segmenti di pubblico (ad alto valore, promettenti, a rischio, persi, ecc.) per varie campagne festive in base alle interazioni passate.

Torna all'inizio

Modello di propensione all’abbandono

Il modello di propensione all’abbandono è un modello di data science pronto all’uso che assegna un punteggio e misura la probabilità di abbandono di un cliente in base ai suoi pattern transazionali e comportamentali.

Identifica i clienti con maggiori probabilità di abbandono, offrendo ai marketer informazioni su quali clienti potrebbero essere raggiunti con campagne o messaggi specifici per fidelizzarli.

Vantaggi

• Il modello consente di identificare in modo proattivo audience e segmenti (inclusi i clienti ad alto valore) a rischio di abbandono. I team di marketing e pubblicità possono quindi attivare campagne di riconquista per questi clienti con messaggi pertinenti per migliorare il tasso di fidelizzazione dei clienti.

Casi d'uso del settore

• Comunicazioni: Un fornitore di telecomunicazioni può inviare automaticamente una promozione speciale ai clienti che potrebbero pensare di passare a un altro provider.

Modello di propensione all'engagement

Il modello di propensione all'engagement misura la probabilità che un cliente interagisca con le email (apertura, clic, iscrizione o annullamento dell'iscrizione) in base alle sue interazioni passate.

Vantaggi

• Migliora il targeting delle e-mail e il coinvolgimento nelle campagne.
• Aumenta con precisione i punti di contatto delle campagne concentrandoti sui segmenti di pubblico più propensi all'interazione ed escludendo quelli che potrebbero essere saturi.

Modello di propensione al prodotto

Questo modello pronto all'uso prevede la probabilità che i clienti acquistino un prodotto specifico in base alle interazioni storiche e ai dati del profilo cliente.

Il modello consente di identificare quali clienti hanno maggiori probabilità di acquistare un prodotto specifico esaminando il punteggio di propensione per le combinazioni di clienti e prodotti.

Vantaggi

• Ottimizza i budget di marketing rivolgendoti alle combinazioni cliente-prodotto ad alta propensione.

Ottieni insight che altrimenti non sarebbero disponibili per la tua azienda, per migliorare il processo decisionale.

Casi d'uso del settore

• Retail: Un retailer può sfruttare il modello di propensione al prodotto per identificare le offerte di prodotto più adatte per i clienti appena coinvolti, migliorando conversione e acquisizione clienti.
• Telecomunicazioni: un'azienda di comunicazioni mobili può sfruttare il modello di propensione al prodotto per indirizzare i clienti verso l'acquisto di nuovi telefoni, hardware e servizi aggiornati.

Modello di propensione al riacquisto

Il modello di propensione al riacquisto misura la probabilità che i clienti riacquistino prodotti specifici. I punteggi di propensione al riacquisto vengono calcolati in base alle transazioni precedenti dei clienti e ai dati demografici e comportamentali.

Vantaggi

• Sfrutta i punteggi di propensione al riacquisto rispetto ai segmenti di pubblico creati in Oracle Unity Customer Data Platform per ottimizzare le campagne di engagement cross-channel e raggiungere i clienti con maggiori probabilità di riacquistare un prodotto.

Torna all'inizio

Modello per la migliore azione successiva

Il modello della migliore azione successiva è un modello di data science pronto all’uso che prevede le esigenze dei clienti e consiglia le azioni più rilevanti per ogni cliente in base ai modelli di vendita e transazione.

Il modello utilizza i dati del profilo cliente, il coinvolgimento del cliente, i dati del catalogo prodotti e gli acquisti per generare le cinque azioni consigliate principali per il cliente. Puoi utilizzare questi suggerimenti per determinare l’azione più rilevante per un cliente specifico.

Vantaggi

• Aumenta i tassi di conversione coinvolgendo i clienti nel modo giusto, con la migliore azione successiva nel percorso dei clienti.

Casi d'uso del settore

• Settore automobilistico: Un brand di auto a livello globale può utilizzare i modelli next best action (NBA) e next best offer (NBO) di Unity per consigliare le azioni e le offerte più pertinenti a ogni cliente in base ai pattern di vendite e transazioni.
• Servizi finanziari: un’azienda di servizi finanziari può utilizzare i modelli di next best action e next best offer per identificare i segmenti di pubblico con maggiori probabilità di conversione su nuove offerte di prodotti finanziari, come un conto di investimento, una linea di credito o un mutuo, e personalizzare le esperienze dei propri clienti su tutti i canali in base a tale raccomandazione.
• Viaggi e ospitalità: una compagnia di crociere può utilizzare i modelli NBO e NBA per identificare quale offerta inviare a un cliente per aiutarlo a prenotare il prossimo viaggio o soggiorno.

Modello di prossima migliore offerta

Il modello next best offer di Oracle Unity è un modello di data science pronto all’uso che prevede le esigenze dei clienti e consiglia le offerte più rilevanti per ogni cliente in base ai modelli di vendita e transazione.

Il modello utilizza i dati del profilo cliente, dell’engagement del cliente, del catalogo prodotti e degli acquisti per generare raccomandazioni. Consente agli utenti di scegliere tra le principali raccomandazioni sulle offerte associate a vari prodotti o servizi. Gli utenti possono usare questi suggerimenti per determinare le offerte più pertinenti da inviare a clienti specifici.

Vantaggi

• Aumenta il tasso di conversione sfruttando il modello Next Best Offer per coinvolgere i tuoi clienti con il contenuto o l’offerta più pertinente.

Casi d'uso del settore

• Settore automobilistico: Un brand di auto a livello globale può utilizzare i modelli next best action (NBA) e next best offer (NBO) per consigliare le azioni e le offerte più pertinenti a ogni cliente in base ai pattern di vendite e transazioni.
• Servizi finanziari: Un fornitore di servizi finanziari può utilizzare i modelli di next best action e next best offer per identificare i segmenti di pubblico con maggiori probabilità di conversione su nuove offerte di prodotti finanziari, come un conto di investimento, una linea di credito o un mutuo, e personalizzare le esperienze dei clienti su tutti i canali in base a tale raccomandazione.
• Viaggi e ospitalità: una catena alberghiera può utilizzare i modelli NBO e NBA per identificare quale offerta inviare a un cliente per aiutarlo a prenotare il prossimo viaggio o soggiorno.

Modello di prossima migliore promozione

Il modello di promozione più efficace successiva è un modello di data science pronto all’uso che utilizza gli acquisti storici di prodotti da parte dei clienti per determinare il prezzo che un cliente è disposto a pagare per un determinato prodotto. L'utilizzo di questo modello ti consente di personalizzare in modo intelligente i prezzi dei prodotti per i tuoi clienti.

Vantaggi

• Il modello di next best promotion consente un pricing personalizzato dei prodotti, aumentando i tassi di conversione, il fatturato totale e il valore medio degli ordini.

Casi d'uso del settore

• Sanità: Un'azienda del settore sanitario può utilizzare il modello Next Best Promotion per perfezionare i prezzi di un nuovo prodotto di ausilio per il sonno in base agli acquisti effettuati in passato dai singoli clienti.
• Assicurazioni: un brand assicurativo può sfruttare il modello della migliore promozione successiva per offrire prezzi personalizzati per pacchetti assicurativi aggiuntivi, migliorare i tassi di conversione e aiutare i clienti a combinare più prodotti e risparmiare.

Torna all'inizio

Modello di raccomandazione delle campagne

Il modello di raccomandazione delle campagne è un modello di data science pronto all'uso che identifica la campagna più efficace da inviare a ogni cliente in base al coinvolgimento passato del cliente e alle tendenze di conversione nelle diverse campagne.

Il modello utilizza diversi intervalli di tempo (tre mesi, un anno e tre anni) per classificare le campagne B2C ricorrenti e una tantum per ogni cliente in qualsiasi istanza in base alla probabilità di conversione.

Vantaggi

• Migliora la conversione e il ROI delle tue campagne prevedendo in modo intelligente quali campagne sono ottimali per i clienti in base alle tendenze recenti di coinvolgimento e conversione.

Casi d'uso del settore

• Healthcare: Un'organizzazione sanitaria può sfruttare il modello per identificare quali future campagne digitali di coinvolgimento dei pazienti sono più adatte a ciascun paziente in base alle conversioni e alle interazioni precedenti.
• Retail: Un retailer può utilizzare il modello per migliorare la conversione delle campagne e il valore del ciclo di vita del cliente inserendo i segmenti di pubblico nelle campagne con cui hanno maggiori probabilità di interagire in base allo storico di engagement e conversione.

Modello di raccomandazione dei canali

Questo modello di data science pronto all'uso consiglia il miglior canale di marketing per i clienti in base ai dati storici sulle interazioni.

Il modello di raccomandazione dei canali classifica i canali di engagement per ogni cliente in qualsiasi istanza in base alla probabilità di conversione. Ottieni informazioni dettagliate su quali canali generano ricavi e puoi individuare opportunità per aumentare i ricavi distribuendo la spesa tra i canali con tassi di conversione elevati.

Vengono valutati i seguenti canali:

• E-mail
• SMS
• Applica
• Web

Vantaggi

• Aumenta le conversioni utilizzando il miglior canale previsto per raggiungere i profili dei clienti mentre avanzano nel funnel di vendita.

Casi d'uso del settore

• Servizi pubblici: Un fornitore di energia elettrica può utilizzare il modello per determinare se e-mail, SMS, notifiche push o Web rappresentano la scelta migliore per comunicare con clienti specifici durante le ore di punta e non di consumo energetico.

Modello di segmentazione per l’affaticamento

Questo modello di data science pronto all'uso classifica i clienti in diversi livelli di affaticamento da messaggi in base al loro profilo e ai livelli di coinvolgimento.

Il modello di segmentazione della saturazione aiuta a prevenire l’affaticamento dei clienti offrendo insight sul numero di campagne e messaggi da inviare a ciascun profilo cliente.

Misura la saturazione dei messaggi per ogni profilo cliente in base al coinvolgimento del cliente, allo storico delle campagne ricevute e aperte e, soprattutto, alla persona del profilo cliente. Determini e controlli il numero ottimale di messaggi da inviare a ciascun profilo cliente per evitare la saturazione.

Vantaggi

• Distingui in modo intelligente i clienti attivi e pronti a interagire da quelli sovraesposti.
• Ottieni insight per controllare le attività di contatto delle campagne per ogni cliente in base ai suoi livelli di affaticamento.
• Aumenta il coinvolgimento e/o le conversioni e riduci gli abbandoni.

Casi d'uso del settore

• Produzione: Un produttore di pannelli solari utilizza il modello per classificare i clienti in diversi livelli di spossatezza in base al loro profilo e ai livelli di coinvolgimento. Ciò gli permette di adattare il volume di comunicazioni agli account target.
• Tecnologia: un'azienda tecnologica B2B sfrutta il modello per identificare i potenziali clienti da rimuovere dalle campagne ABM ad alto contatto e reinserire nelle campagne cross-channel generali.

Modello di ottimizzazione dell'ora di invio

Il modello di ottimizzazione dell’orario di invio è un modello di data science pronto all’uso che determina l’orario ottimale per inviare email di campagna ai clienti in base al comportamento email passato.

Ad esempio, il modello attiverebbe l’invio delle email della campagna prima che i clienti controllino solitamente la propria casella di posta. Di conseguenza, il messaggio comparirebbe in cima alla posta in arrivo del cliente, garantendo una maggiore probabilità che l’email venga vista e aperta.

Vantaggi

• Aumenta il coinvolgimento dei clienti e le conversioni ottimizzando le campagne e raggiungendo i clienti nei momenti in cui è più probabile che vedano, aprano, leggano o interagiscano con le email.
• Invia email poco prima che un cliente controlli abitualmente la propria casella di posta, aumentando la probabilità che vengano visualizzate e aperte.

Casi d'uso del settore

• Retail: un rivenditore di moda può aumentare la probabilità di engagement e conversione dei clienti su nuove campagne sfruttando il modello per migliorare i tempi di delivery delle campagne sui vari canali.
• Viaggi e hospitality: un resort può garantire che le email settimanali con offerte vacanze a prezzi convenienti vengano inviate ai clienti nel momento in cui è più probabile che interagiscano con il contenuto.

Torna all'inizio