Catalogue de modèles de workbench d'intelligence d'Oracle Unity Customer Data Platform

Modèle de scoring des pistes de compte

Le modèle d'évaluation des leads de compte est un modèle de science des données prédictif et prêt à l'emploi qui évalue les comptes B2B sur leur probabilité de conversion à l'aide de leur profil, de leurs revenus, de leurs données de comportement et de leur modèle d'engagement. Les scores identifient la propension des comptes à effectuer des achats.

Bénéfices

• Développez de manière proactive les bons comptes avec des chances de conversion plus élevées.
• Améliorer l'efficacité des efforts de marketing des comptes stratégiques.
• Augmentez le nombre de leads qualifiés pour le marketing (MQL) et les taux de conversion.

Solutions sectorielles

• Fabrication : Une entreprise de fabrication mondiale peut utiliser les modèles de notation prédictive, de lead de compte et de contact d'Oracle Unity pour estimer et évaluer la probabilité de conversion d'une vente en fonction du profil et de l'engagement.
• Technologie : Une entreprise technologique peut tirer parti de la notation prédictive des comptes pour accélérer les efforts de marketing des comptes stratégiques en identifiant les contacts d'un compte donné qui ont le plus de chances d'être convertis, puis en les ajoutant de manière proactive aux campagnes et aux programmes de sensibilisation.

Modèle de scoring des pistes des contacts

Le modèle d'évaluation des leads des contacts est un modèle de science des données prédictif et prêt à l'emploi qui évalue les contacts sur leur probabilité de conversion à l'aide de leur profil, de leurs revenus, de leurs données de comportement et de leur modèle d'engagement.

Le modèle génère des valeurs de score de lead avec des horodatages de score de lead pour chaque contact. Il permet de déterminer les contacts actifs à différents niveaux de l'entonnoir des ventes et leur potentiel d'achat, ce qui vous permet de cibler précisément les segments de clientèle et d'aligner efficacement les stratégies de vente et de marketing.

Bénéfices

• Favorisez les contacts de manière proactive avec des chances de conversion plus élevées.
• Augmentez le nombre de leads qualifiés pour le marketing (MQL) et les taux de conversion.

Solutions sectorielles

• Technologie : Une société de logiciels d'entreprise peut tirer parti de ce modèle pour accélérer les efforts de vente en identifiant les contacts d'un compte donné qui ont le plus de chances d'être convertis, puis en les ajoutant de manière proactive à des programmes de sensibilisation.

Modèle de valeur du cycle de vie des clients

Le modèle de valeur vie client (CLV) est un modèle de science des données prêt à l'emploi qui estime la valeur d'un client sur une période spécifique. Cette prévision est basée 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 professionnels peuvent personnaliser le modèle CLV pour donner à leurs clients trois, six ou douze mois de valeur à vie.

Bénéfices

• Budgétez plus efficacement les dépenses marketing lors de l'acquisition, de la fidélisation et du service aux clients.
• Identifiez et concentrez-vous davantage sur les clients à forte valeur ajoutée pour augmenter la fidélisation des clients et augmenter les revenus.

Solutions sectorielles

• Biens de consommation : Une entreprise de cosmétiques 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 de transaction. Ils créent une campagne pour un nouveau produit de soins de la peau haut de gamme ciblant les clients qui ont acheté moins de deux produits de soins de la peau au cours des six derniers mois et dépensé plus de 200 $.
• Automobile : un constructeur automobile s'appuie sur le modèle CLV pour identifier les gammes de dépenses des clients et personnaliser les offres pour les voitures comprises dans ces gammes de dépenses.
• Vente au détail : Une épicerie exécute le modèle CLV pour identifier les clients qui ont une valeur à vie élevée avec la marque à inclure dans une campagne de promotion de leur nouveau programme de fidélité.

Modèles d'attribution des revenus de campagne

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

• Le modèle d'attribution de campagne de revenus mesure l'efficacité des campagnes en affectant une valeur monétaire à chaque campagne.
• Le modèle d'attribution de campagne sans revenu mesure l'efficacité des campagnes en affectant une valeur de pourcentage d'attribution à chaque campagne. Le modèle calcule un pourcentage d'attribution sous la forme d'une valeur en pourcentage des campagnes converties en conversions totales pour chaque campagne.

Chaque modèle tient compte de tous les points de contact qui ont contribué à la conversion de la campagne.

Bénéfices

• Comprendre l'attribution au-delà de la production basée sur les revenus.
• Prenez des décisions basées sur une analyse objective des données plutôt que sur des choix subjectifs.
• Comprendre quels événements génèrent les conversions les plus efficaces et déterminer où dépenser le budget et améliorer le retour sur investissement.

Solutions sectorielles

• Vente au détail : un détaillant peut utiliser le modèle d'attribution de campagne pour mieux comprendre les parcours multicanaux et obtenir des informations sur le canal qui contribue à générer le plus de conversions.
• Technologie : Une entreprise technologique SaaS peut tirer parti du modèle d'attribution de campagne pour mieux comprendre les campagnes multitouch et le contenu, les canaux et les efforts de campagne qui ont le plus influencé la clôture des revenus.

Récence, fréquence et modèle monétaire

Le modèle de récence, de fréquence et monétaire (RFM) est un modèle de science des données prêt à l'emploi qui génère des scores numériques pour la récence, la fréquence et les valeurs monétaires en fonction des données d'événement et de transaction. Avec elle, vous pouvez séparer les 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 : Fréquence à laquelle le client effectue une transaction.
• Monétaire : taille/valeur totale de la transaction du client.

Chaque caractéristique est représentée par un score compris entre un et cinq : l'une est la valeur d'achat la moins récente, la moins fréquente ou la plus basse et cinq est 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.
• Pas à perdre : Abonnés dont l'inactivité est plus forte. Toujours récupérable.
• Promotion : Clients avec une récence et une valeur moyenne.
• Nouveau : Clients les plus récents ayant un taux d'engagement élevé.
• Champion : le meilleur des meilleurs. Vos clients les plus récents ayant le taux d'engagement à forte valeur ajoutée le plus élevé.

Bénéfices

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

Solutions sectorielles

• Vente au détail : un détaillant peut améliorer le ciblage, la personnalisation et la conversion globale en tirant parti du modèle RFM pour identifier et segmenter les audiences (valeur élevée, prometteuse, à risque, perdue, etc.) pour diverses campagnes de vacances en fonction de ses interactions passées.

Retour au début

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 modèles transactionnels et comportementaux.

Il identifie les clients les plus susceptibles d'attrition, en donnant aux professionnels du marketing des informations sur les clients susceptibles d'être ciblés avec des campagnes ou des messages spécifiques pour les fidéliser.

Bénéfices

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

Solutions sectorielles

• 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 pour un client d'interagir avec des e-mails (ouvrir, cliquer, s'abonner ou se désabonner) en fonction de ses interactions passées.

Bénéfices

• Améliorez le ciblage des e-mails et l'engagement des campagnes.
• Augmentez précisément les points de contact des campagnes en vous concentrant sur les audiences les plus susceptibles d'engager et de supprimer les audiences qui peuvent être fatiguées.

Modèle de propension du 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 de clients et de produits.

Bénéfices

• Dépensez vos budgets marketing plus efficacement en ciblant des combinaisons client et produit à forte propension.

Obtenez des informations qui ne seraient pas autrement disponibles pour votre entreprise pour une prise de décision améliorée.

Solutions sectorielles

• Vente au détail : un détaillant peut tirer parti du modèle de propension des produits pour identifier les offres de produits appropriées pour les clients nouvellement engagés afin d'améliorer la conversion et l'acquisition de clients.
• Télécommunications : Une entreprise de communications mobiles peut tirer parti du modèle de propension du produit pour aider les clients à effectuer de nouvelles mises à niveau de téléphone, de matériel et de services.

Modèle de propension au rachat

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

Bénéfices

• Tirez parti des scores de propension aux rachats par rapport aux audiences créées dans Oracle Unity Customer Data Platform pour optimiser les campagnes d'engagement multicanal et cibler les clients les plus susceptibles de racheter un produit.

Retour en haut de la page

Meilleur modèle d'action suivant

Le meilleur modèle d'action suivant 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 modèles de vente et de transaction.

Le modèle utilise les données de profil client, l'engagement client, les données de catalogue de 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.

Bénéfices

• Augmentez les taux de conversion en interagissant avec les clients de la bonne manière, avec la meilleure action suivante sur le parcours des clients.

Solutions sectorielles

• Automobile : Une marque automobile mondiale peut utiliser les modèles de la prochaine meilleure action (NBA) et de la prochaine meilleure offre (NBO) d'Unity pour recommander les actions et offres les plus pertinentes pour chaque client en fonction de modèles de vente et de transaction.
• Services financiers : une entreprise de services financiers peut utiliser les modèles de meilleure action et de meilleure offre suivants pour identifier les audiences susceptibles de se convertir en nouvelles offres de produits financiers, telles qu'un compte d'investissement, une marge de crédit ou une hypothèque, et personnaliser l'expérience de ses clients sur tous les canaux en fonction de cette recommandation.
• Voyages et hospitalité : Une compagnie de croisière peut utiliser les modèles NBO et NBA pour identifier l'offre d'envoyer un client pour l'aider à réserver son prochain voyage ou séjour.

Modèle de meilleure offre suivant

Le prochain modèle de meilleure offre d'Oracle Unity est un modèle de data science prêt à l'emploi qui prédit les besoins des clients et recommande les offres les plus pertinentes pour chaque client en fonction des modèles 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. Il permet aux utilisateurs de choisir parmi les meilleures recommandations sur les offres liées à divers produits ou services. Les utilisateurs peuvent utiliser ces recommandations pour déterminer les offres les plus pertinentes à envoyer à des clients spécifiques.

Bénéfices

• Augmentez votre taux de conversion en utilisant le modèle de meilleure offre suivant pour interagir avec vos clients avec le contenu ou l'offre le plus pertinent.

Solutions sectorielles

• Automobile : Une marque automobile mondiale peut utiliser les modèles de la prochaine meilleure action (NBA) et de la prochaine meilleure offre (NBO) pour recommander les actions et offres les plus pertinentes pour chaque client en fonction de modèles de vente et de transaction.
• Services financiers : un fournisseur de services financiers peut utiliser les modèles de meilleure action et de meilleure offre suivants pour identifier les audiences susceptibles de se convertir en nouvelles offres de produits financiers, telles qu'un compte d'investissement, une marge de crédit ou un prêt hypothécaire, et personnaliser l'expérience de ses clients sur tous les canaux en fonction de cette recommandation.
• Voyages et hospitalité : Une chaîne hôtelière peut utiliser les modèles NBO et NBA pour identifier l'offre d'envoyer un client pour l'aider à réserver son prochain voyage ou séjour.

Meilleur modèle de promotion suivant

Le meilleur modèle de promotion suivant 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. Tirer parti de ce modèle vous permet de personnaliser intelligemment la tarification des produits pour vos clients.

Bénéfices

• Le meilleur modèle de promotion suivant permet une tarification personnalisée des produits, ce qui permet d'augmenter les taux de conversion, le chiffre d'affaires total et la valeur moyenne des commandes.

Solutions sectorielles

• Services de santé : Une société de santé peut utiliser le prochain meilleur modèle de promotion pour affiner sa tarification pour un nouveau produit d'aide au sommeil en fonction des achats effectués par des clients individuels.
• Assurance : une marque d'assurance peut tirer parti du prochain meilleur modèle de promotion pour offrir des tarifs personnalisés pour les forfaits d'assurance complémentaires afin d'améliorer les taux de conversion et d'aider les clients à regrouper et à économiser.

Retour en haut de la page

Modèle de recommandation de campagne

Le modèle de recommandation de campagne est un modèle de science des données prêt à l'emploi qui identifie la campagne la plus efficace à envoyer pour chaque client en fonction des tendances d'engagement et de conversion passées du client dans différentes campagnes.

Le modèle utilise différents délais (trois mois, un an et trois ans) pour classer les campagnes B2C récurrentes et ponctuelles pour chaque client, dans n'importe quel cas, en fonction de la probabilité de conversions.

Bénéfices

• Améliorez la conversion et le retour sur investissement de vos campagnes en prédisant intelligemment quelles campagnes sont optimales pour les clients en fonction des tendances récentes en matière d'engagement et de conversion.

Solutions sectorielles

• Santé : une organisation de santé peut tirer parti du modèle pour identifier les futures campagnes numériques d'engagement des patients adaptées à chaque patient en fonction de la conversion et de l'engagement passés.
• Vente au détail : 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 il est le plus susceptible d'interagir en fonction de l'historique des interactions et des conversions passées.

Modèle de recommandation de canal

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

Le modèle de recommandation de canal 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 des revenus et pouvez trouver des opportunités d'augmenter les revenus en répartissant les dépenses entre les canaux avec des taux de conversion élevés.

Les canaux suivants sont évalués :

• E-mail
• SMS
• Envoi
• Web

Bénéfices

• Améliorez la conversion en utilisant le meilleur canal prévu pour cibler les profils clients pendant qu'ils passent par l'entonnoir des ventes.

Solutions sectorielles

• Services publics : Un fournisseur d'énergie électrique peut utiliser le modèle pour déterminer s'il est préférable de communiquer par e-mail, SMS, push ou Web avec des clients spécifiques pendant les heures creuses et les heures creuses.

Modèle de segmentation de fatigue

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

Le modèle de segmentation en fatigue permet d'éviter la fatigue des clients en fournissant des informations sur le nombre de campagnes et de messages à envoyer à chaque profil client.

Il mesure la fatigue des messages de chaque profil client en fonction de l'engagement du client, de l'historique des campagnes reçues et ouvertes et, surtout, du profil du client. Vous déterminez et contrôlez le nombre optimal de messages à envoyer à chaque profil client pour éviter la fatigue.

Bénéfices

• Différenciez intelligemment les clients actifs et prêts à interagir avec ceux qui sont fatigués.
• Obtenez des informations pour vous aider à contrôler la portée de la campagne pour chaque client en fonction de ses niveaux de fatigue.
• Augmentez l'engagement et/ou les conversions et réduisez les abandons.

Solutions sectorielles

• 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 tire parti du modèle pour identifier les clients potentiels qui doivent être retirés des efforts de campagne ABM à forte interaction et replacés dans des campagnes multicanales générales.

Modèle d'optimisation de l'heure d'envoi

Le modèle d'optimisation du temps d'envoi est un modèle de science des données prêt à l'emploi qui détermine le temps optimal pour envoyer des courriels de campagne aux clients en fonction du comportement des courriels passés.

Par exemple, le modèle déclencherait l'envoi de courriels de campagne avant que les clients ne vérifient généralement leurs boîtes de réception. Par conséquent, le message apparaît en haut de la boîte de réception du client, ce qui garantit que l'e-mail est le plus susceptible d'être vu et ouvert.

Bénéfices

• Augmentez l'engagement et la conversion des clients en optimisant la campagne en ciblant les clients au moment où ils sont les plus susceptibles de voir, d'ouvrir, de lire ou d'accuser réception des courriels.
• Envoyez des e-mails juste avant qu'un client ne vérifie généralement sa boîte de réception, ce qui augmente la probabilité que vos e-mails soient affichés et ouverts.

Solutions sectorielles

• Vente au détail : un détaillant de mode peut augmenter la probabilité d'engagement et de conversion des clients sur de nouvelles campagnes en tirant parti du modèle pour améliorer les délais de livraison des campagnes sur tous les canaux.
• Voyages et hospitalité : un complexe hôtelier peut s'assurer que ses courriels hebdomadaires d'offres de vacances à bas prix sont envoyés aux clients lorsqu'ils sont les plus susceptibles d'interagir avec le contenu.

Retour au début