Campañas de correo electrónico personalizadas: utilizar los datos web de los clientes para informar sobre el marketing personalizado.<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Actualmente estoy trabajando en un proyecto con colegas de mi organización en un "Proyecto de viaje del cliente", que se iniciará poco después de los resultados de mi trabajo actual. El objetivo de este proyecto es colocar a cada cliente en nuestra lista de correo electrónico en un viaje basado en nuestros programas. Hemos desarrollado cuatro viajes principales basados en los programas a los que han asistido en el pasado y también en función de sus comportamientos en línea con referencia a los datos de la lista de deseos, actividades del carrito de compras, citas, pedidos, inicio de sesión en la web, datos del registro de llamadas, páginas vistas, clics. , búsqueda de palabras clave en nuestro sitio web, etc. Los viajes que formulamos se basan en los programas que ofrecemos y cada cliente tiene su lugar en cada viaje basado en sus "preferencias de programas inferidos". Los viajes son:
1. Viaje de destino (por ejemplo, Alaska, California, América Central, Atlántico Sur, Europa Occidental, Europa, Asia, etc.). El viaje de destino se subdivide en estado primario, país primario, región primaria y continente primario).
2. Viaje de estilo de vida (ej. viajeros independientes, viajeros intergeneracionales, viajeros que aprenden en servicio, viajeros que viven y aprenden, viajes de interés físico (Easy vs. Programas desafiantes).
3. Viaje de interés (ej. Observación de aves, ciclismo, manualidades, música, vacaciones y festivales, deportes, senderismo, etc.).
4. Programa Line Journey (Ex. Intereses de programas nacionales, intereses de programas internacionales, intereses de programas a flote (barcos, cruceros, insignias, embarcaciones fluviales, etc.).
Por lo tanto, al usar una amplia gama de conjuntos de datos, mi tarea es elaborar una lista de viajes "recomendados" para cada cliente que el equipo de la campaña de correo electrónico utilizará para dirigirse a los clientes a través de un viaje específico basado en el resultado de mi análisis.
La primera parte de este proceso es sencilla, es decir, utilizando los datos disponibles y los derivados para calcular una puntuación para cada base de clientes en las variables por programa. Al final del día, tendré una hoja de cálculo como resultado, que muestra la dirección de correo electrónico de cada cliente, los programas a los que han asistido o que pueden haber hecho clic o visitar en función de las vistas de sus páginas y la lista de deseos, así como muchas otras cosas. como su puntaje predictivo general / puntaje clasificado, así como la línea del programa, y los otros tres viajes mencionados anteriormente.
Por lo tanto, y dado el resultado, es más probable que cada cliente participe o tenga actividad en más de uno de los viajes mencionados anteriormente. Por lo tanto, quiero poder seleccionar el viaje más dominante para cada cliente (basado en los datos) y, en ese proceso, recomendar qué viaje deben promocionarse por correo electrónico. ¿Hay una manera fácil de hacer esto en JMP?
Re: Campañas de correo electrónico personalizadas: Utilización de los datos web de los clientes para informar el marketing personalizado.Gracias peter.bartell@jmp.com
Re: Campañas de correo electrónico personalizadas: Utilización de los datos web de los clientes para informar el marketing personalizado.Creo que la agrupación en clúster puede mostrar algunas ideas y un montón de otras ofertas de JMP. Gracias por sus entradas.
Re: Campañas de correo electrónico personalizadas: Utilización de los datos web de los clientes para informar el marketing personalizado.Jenkins: la agrupación en clústeres es, sin duda, uno de los métodos de análisis de datos de exploración multivariable que pueden ofrecer cierta información. Con proyectos como el suyo, a menudo arroja el fregadero de la cocina (o cerca de él) a los datos y avanza a medida que obtiene información. Algunos caminos darán fruto, otros no tanto. Pero como un colega mío una vez le gustaba decir: "A veces, saber" no es "es tan informativo como saber" es ".
Re: Campañas de correo electrónico personalizadas: Utilización de los datos web de los clientes para informar el marketing personalizado.Los procesos que enumeró es exactamente lo que estoy haciendo actualmente. Me pregunto si la agrupación podría basar sus viajes grupales en las preferencias de interés de los clientes.
Re: Campañas de correo electrónico personalizadas: Utilización de los datos web de los clientes para informar el marketing personalizado.Jenkins: Para empezar, este es un proyecto típico, pero bastante complejo, que puede dar muchos giros y vueltas. Sugiero seguir un flujo de trabajo clásico de minería de datos / modelado predictivo que tiene los siguientes componentes principales ... de los cuales JMP y si tiene JMP Pro, mejor aún, ciertamente puede desempeñar un papel.
1. Articule el problema de negocios ... parece que a partir de su publicación original, su equipo lo ha pensado.
2. Busque / recopile datos relevantes ... no solo datos a los que tiene acceso también ... sino datos necesarios ... para respuestas y factores.
3. Explore los datos en busca de relevancia, calidad, desorden, faltantes, etc. JMP puede ayudar aquí con las plataformas Column y Utilidades de modelado. Decide cómo manejarás las variables / observaciones problemáticas. Piense en cómo manejará la validación cruzada en el modelado ... tal vez agregue una variable de construcción de validación al conjunto de datos.
4. Explore los datos para las correlaciones, dónde está el medio, qué tan disperso está, la forma, cualquier cosa inusual ... múltiples plataformas JMP juegan en este espacio desde Graph Builder, Distribution, Fit Y by X, Multivariate (y todas las subplataformas en él).
5. Comience a crear y evaluar modelos ... OLS, Logística (para respuestas categóricas), PLS, subplataformas de Regresión generalizada, GLM y otros podrían desempeñar un papel aquí. Si tiene JMP Pro, evalúe sus modelos en la plataforma de comparación de modelos.
6. Comunique sus hallazgos, tal vez utilizando la exportación en masa a aplicaciones de MS como Word o PowerPoint, o la interfaz HTML5 con datos.
7. Probar una solución para verificar el trabajo de modelado.
8. ¿Resuelve problema práctico? Si es así, fíjate ... no, regresa para averiguar por qué.
Buena suerte ... ojalá estuviera allí para ayudarte
