Catálogo de modelos de área de trabajo de inteligencia de Oracle Unity Customer Data Platform

Modelo de puntuación de oportunidad potencial de cuenta

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

Benefits

• Nutrir de forma proactiva las cuentas correctas con mayores posibilidades de conversión.
• Aumente la eficacia de los esfuerzos de marketing basado en cuentas (ABM).
• Aumente el número de oportunidades potenciales calificadas para marketing (MQL) y las tasas de conversión.

Casos de uso en la industria

• Fabricación: una compañía de fabricación global puede utilizar los modelos predictivos, de oportunidades potenciales de cuenta y de puntuación de 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 los esfuerzos de ABM identificando qué contactos de una cuenta determinada tienen las mayores posibilidades de conversión y, a continuación, agregarlos de forma proactiva a campañas y programas de divulgación.

Modelo de puntuación de oportunidad potencial de contacto

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

El modelo genera valores de puntuación de oportunidad potencial con registros de hora de puntuación de oportunidad potencial para cada contacto. Ayuda a determinar los contactos que están activos en diferentes niveles del embudo de ventas y su potencial para realizar compras, lo que le permite dirigirse con precisión a los segmentos de clientes y alinear eficazmente las estrategias de ventas y marketing.

Benefits

• Nutrir contactos de forma proactiva con mayores posibilidades de conversión.
• Aumente el número de oportunidades potenciales calificadas para marketing (MQL) y las tasas de conversión.

Casos de uso en la industria

• Tecnología: una compañía de software empresarial puede aprovechar este modelo para acelerar los esfuerzos de ventas identificando qué contactos de una cuenta determinada tienen las mayores posibilidades de conversión y, a continuación, agregarlos de forma proactiva a los programas de divulgación.

Modelo de valor de vida del cliente

El modelo de valor de tiempo de vida del cliente (CLV) es un modelo de ciencia de datos listo para usar que estima el valor de un cliente en un período de tiempo específico. Esta predicción se basa en varios 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 de CLV para ofrecer a sus clientes un valor de tres, seis o doce meses de vida útil.

Benefits

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

Casos de uso en la industria

• Bienes de consumo envasados: una empresa de cosméticos en línea utiliza el modelo de valor del tiempo de vida del cliente para estimar el valor de un cliente con el 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 clientes que han comprado menos de dos productos de cuidado de la piel en los últimos seis meses y gastado más de $ 200.
• Automoción: un fabricante de automóviles aprovecha el modelo CLV para identificar los rangos de gastos de los clientes y adaptar las ofertas para los automóviles que se encuentran dentro de esos rangos de gastos.
• Comercio minorista: una tienda de comestibles ejecuta el modelo de valor de tiempo de vida de cliente para identificar a los clientes que tienen un valor de vida útil alto con la marca para 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 campaña 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 conducen a ventas y conversiones. Hay dos tipos de modelos de atribución de ingresos de campaña.

• El modelo de atribución de campaña de ingresos mide la eficacia de las campañas asignando un valor monetario a cada campaña.
• El modelo de atribución de campaña sin ingresos mide la eficacia de las campañas asignando un valor de atribución porcentual a cada campaña. El modelo calcula un porcentaje de atribución como un valor porcentual de las campañas convertidas en conversiones totales para cada campaña individual.

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

Benefits

• Comprenda la atribución más allá de la producción basada en ingresos.
• Tomar decisiones basadas en análisis de datos objetivos en lugar de opciones subjetivas.
• Comprenda qué eventos generan las conversiones más efectivas y determine dónde gastar el presupuesto y mejorar el ROI.

Casos de uso en la industria

• Minorista: un minorista puede utilizar el modelo de atribución de campaña para ayudar a comprender mejor los recorridos multicanal y obtener información sobre qué canal está ayudando a impulsar la mayoría de las conversiones.
• Tecnología: una empresa de tecnología SaaS puede aprovechar el modelo de atribución de campañas para ayudar a comprender mejor las campañas multitáctiles y qué contenido, canales y esfuerzos de campaña fueron los más influyentes para cerrar ingresos.

Modelo de recencia, frecuencia y moneda

El modelo de recencia, frecuencia y monetario (RFM) es un modelo de ciencia de datos listo para usar que genera puntuaciones numéricas para valores de recencia, frecuencia y monetarios basados en datos de eventos y transacciones. Con él, puedes separar a los clientes en varias personas y luego dirigirlos a los mensajes más relevantes.

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

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

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

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

• Perdidos: los usuarios más débiles, con una mínima actividad observada a lo largo del tiempo.
• En riesgo: mánager que muestran los inicios de inactividad y un comportamiento de compra bajo.
• No se puede perder: suscriptores que tienen una mayor huella de inactividad. Todavía salvable.
• Promisión: mánager con valor y recencia media.
• Nuevo: usuarios recientes con un alto ratio de compromiso valorado.
• Champion: lo mejor de lo mejor. Sus usuarios más comprometidos con la tasa más alta de compromiso.

Benefits

• Utiliza personas RFM para dirigirte a tus clientes con los mensajes y ofertas más relevantes en función del valor relativo del cliente. Esta interacción mejorada con el cliente puede aumentar las tasas de respuesta, la satisfacción del cliente, la retención de clientes y el valor del tiempo de vida del cliente.

Casos de uso en la industria

• Comercio minorista: un minorista puede mejorar la definición de objetivos, la personalización y la conversión general aprovechando el modelo de RFM para identificar y segmentar públicos (alto valor, prometedor, en riesgo, perdidos, etc.) para varias campañas navideñas en función de sus interacciones anteriores.

Vuelve al comienzo

Modelo de propensión a la baja

El modelo de propensión a la baja es un modelo de ciencia de datos listo para usar que puntúa y mide la probabilidad de una baja de clientes en función de sus patrones transaccionales y de comportamiento.

Identifica a los clientes con más probabilidades de abandono, lo que brinda a los responsables de marketing información sobre qué clientes pueden querer ser objetivo con campañas o mensajes específicos para retenerlos.

Benefits

• El modelo le permite identificar de forma proactiva las audiencias y los 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 telecomunicaciones puede enviar automáticamente una promoción especial a clientes que puedan estar pensando en cambiar 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 correos electrónicos (abrir, hacer clic, suscribirse o cancelar la suscripción) en función de sus interacciones anteriores.

Benefits

• Mejora la definición de objetivos del correo electrónico y el compromiso de la campaña.
• Aumenta con precisión los puntos de contacto de la campaña centrándote en las audiencias con más probabilidades de atraer y eliminar audiencias que puedan estar fatigadas.

Modelo de propensión al 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 del perfil del cliente.

El modelo le permite identificar qué clientes tienen más probabilidades de comprar un producto específico mirando la puntuación de propensión para las combinaciones de clientes y productos.

Benefits

• Gaste los presupuestos de marketing de forma más eficaz centrándose en las combinaciones de clientes y productos de alta propensión.

Obtén insights que de otro modo no estarían disponibles para tu empresa para mejorar la toma de decisiones.

Casos de uso en la industria

• Comercio minorista: un minorista puede aprovechar el modelo de propensión del producto para ayudar a identificar las ofertas de productos adecuadas para los clientes recién comprometidos a fin de mejorar la conversión y la adquisición de clientes.
• Telecomunicaciones: una empresa de comunicaciones móviles puede aprovechar el modelo de propensión del producto para ayudar a guiar a los clientes a nuevas actualizaciones de teléfonos, hardware y servicios.

Modelo de propensión a recompra

El modelo de propensión a la recompra mide 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 de clientes anteriores y los datos demográficos y de comportamiento.

Benefits

• Aproveche las puntuaciones de propensión de recompra con respecto al público creado en Oracle Unity Customer Data Platform para optimizar las campañas de interacción entre canales y los clientes objetivo con más probabilidades de recomprar un producto.

Vuelve al comienzo

Siguiente mejor modelo de acción

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

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

Benefits

• Aumente las tasas de conversión interactuando con los clientes de la manera correcta, 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 la siguiente mejor acción (NBA) y la 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 compañía de servicios financieros puede utilizar la siguiente mejor acción y los siguientes modelos de mejores ofertas para identificar audiencias que probablemente se conviertan en 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 hostelería: una línea de cruceros puede utilizar los modelos NBO y NBA para identificar qué oferta enviar a un cliente para ayudarles a reservar su próximo viaje o estancia.

Siguiente mejor modelo de oferta

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

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

Benefits

• Aumenta tu tasa de conversión aprovechando el siguiente mejor modelo de oferta para interactuar con tus clientes con el contenido u oferta más relevante.

Casos de uso en la industria

• Automoción: una marca global de automóviles puede utilizar los modelos de la siguiente mejor acción (NBA) y la 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 utilizar la siguiente mejor acción y los siguientes modelos de mejores ofertas para identificar audiencias que probablemente se conviertan en 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 hostelería: una cadena hotelera puede utilizar los modelos NBO y NBA para identificar qué oferta enviar a un cliente para ayudarles a reservar su próximo viaje o estancia.

Siguiente mejor modelo de promoción

El siguiente mejor modelo de 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 en particular. Aprovechar este modelo le permite personalizar de forma inteligente los precios de los productos para sus clientes.

Benefits

• El siguiente mejor modelo de promoción permite la fijación de precios personalizada de los productos, lo que aumenta las tasas de conversión, los ingresos totales y el valor medio de las órdenes.

Casos de uso en la industria

• Sanidad: una empresa del sector salud puede utilizar el siguiente mejor modelo de promoción para mejorar 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 siguiente mejor modelo de promoción para ofrecer precios personalizados para paquetes de seguros complementarios a fin de mejorar las tasas de conversión y ayudar a los clientes a agrupar y ahorrar.

Vuelve al comienzo

Modelo de recomendador de campaña

El modelo de recomendación de campaña es un modelo de ciencia de datos listo para usar que identifica la campaña más eficaz que se enviará a cada cliente en función de las tendencias de interacción y conversión anteriores del cliente en diferentes campañas.

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

Benefits

• Mejora la conversión y el ROI de tus campañas prediciendo 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

• Asistencia sanitaria: una organización sanitaria puede aprovechar el modelo para identificar qué futuras campañas digitales de interacción con el paciente son adecuadas para cada paciente en función de la conversión y la interacción pasadas.
• Comercio minorista: un minorista puede utilizar el modelo para mejorar la conversión de campañas y el valor del tiempo de vida del cliente colocando audiencias en campañas con las que es más probable que interactúen en función del historial de interacciones y conversiones anteriores.

Modelo de fuente de recomendación de canal

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

El modelo de recomendador de canal clasifica los canales de interacción para cada cliente en cualquier instancia en función de la probabilidad de conversiones. Puede obtener información sobre los canales que generan ingresos y encontrar oportunidades para aumentar los ingresos mediante la distribución de gastos entre canales con altas tasas de conversión.

Se evalúan los siguientes canales:

• Correo electrónico
• SMS
• Transferencia
• Internet

Benefits

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

Casos de uso en la industria

• Servicios públicos: una empresa eléctrica puede utilizar el modelo para determinar si el correo electrónico, los SMS, la transferencia o la web son la mejor opción para comunicarse con clientes específicos durante las horas punta de energía.

Modelo de segmentación de saturación

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

El modelo de segmentación por fatiga ayuda a prevenir 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 del mensaje de cada perfil de cliente en función del compromiso del cliente, el historial de campañas recibidas y abiertas y, lo que es más importante, la persona del perfil de cliente. Determina y controla el número óptimo de mensajes que se enviarán a cada perfil de cliente para evitar la fatiga.

Benefits

• Diferencie de forma inteligente a los clientes activos y listos para interactuar con los que están fatigados.
• Obtén insights para ayudarte a controlar el alcance de la campaña para cada cliente en función de sus niveles de fatiga.
• Aumenta el compromiso 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 en función de su perfil y sus niveles de interacción. De esta manera, puede 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 los esfuerzos de campaña de ABM de alto contacto y volver a incluirse en las campañas generales multicanal.

Modelo de optimización de hora de envío

El modelo de optimización del tiempo de envío es un modelo de ciencia de datos listo para usar que determina el momento óptimo para enviar correos electrónicos de campaña a los clientes en función del comportamiento del correo electrónico anterior.

Por ejemplo, el modelo dispararía el envío de correos electrónicos de campaña antes de que los clientes normalmente revisen sus bandejas de entrada. Como resultado, el mensaje aparecerá en la parte superior de la bandeja de entrada del cliente, lo que garantiza que es más probable que se vea y abra el correo electrónico.

Benefits

• Aumente el compromiso y la conversión del cliente optimizando la campaña dirigiéndose a los clientes en los momentos en que es más probable que vean, abran, lean o reconozcan correos electrónicos.
• Envía correos electrónicos justo antes de que un cliente verifique su bandeja de entrada, lo que aumenta la probabilidad de que tus correos electrónicos sean vistos y abiertos.

Casos de uso en la industria

• Comercio minorista: un minorista de moda puede aumentar la probabilidad de interacción y conversión del cliente en nuevas campañas aprovechando el modelo para mejorar los tiempos de entrega de campañas en todos los canales.
• Viajes y hostelería: un resort puede garantizar que sus correos electrónicos semanales de ofertas de vacaciones de bajo precio se envíen a los clientes cuando tengan más probabilidades de interactuar con el contenido.

Vuelve al comienzo