Personalisierte E-Mail-Kampagnen: Nutzung der Webdaten der Kunden zur Information des personalisierten Marketings.<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Ich arbeite gerade an einem Projekt mit Kollegen in meiner Organisation an einem "Customer Journey Project", das kurz nach den Ergebnissen meiner aktuellen Arbeit gestartet wird. Das Ziel dieses Projekts ist es, jeden Kunden auf einer Reise basierend auf unseren Programmen in unsere E-Mail-Liste aufzunehmen. Wir haben vier Hauptreisen entwickelt, die auf den Programmen basieren, die sie in der Vergangenheit besucht haben, und auf ihrem Verhalten online mit Bezug auf Wunschliste, Warenkorbaktivitäten, Zitate, Bestellungen, Web-Login, Anrufprotokolldaten, Seitenaufrufen und Klicks , Stichwortsuche auf unserer Website usw. Die von uns formulierten Reisen basieren auf den von uns angebotenen Programmen, und jeder Kunde wird in jeder Reise nach seinen "abgeleiteten Programmpräferenzen" platziert. Die Reisen sind:
1 Zielreise (z. B. Alaska, Kalifornien, Mittelamerika, Südatlantik, Westeuropa, Europa, Asien usw.). Die Zielreise wird außerdem in Primärstaat, Primärland, Primärregion und Primärkontinent unterteilt.
2 Lebensstilreise (ex. unabhängige Reisende, intergenerationelle Reisende, Service Learning Reisende, Living & Learning Reisende, Physical Interest Travel (Easy vs. Herausfordernde Programme).
3. Zinsreise (Ex. Vogelbeobachtung, Radfahren, Kunsthandwerk, Musik, Feiertage und Feste, Sport, Wandern / Wandern usw.).
4 Programmlinienfahrt (Bsp. Inländische Programminteressen, Internationale Programminteressen, Afloat-Programminteressen (Schiffe, Kreuzfahrtschiffe, Abzeichen, Flussboote usw.).
Daher ist es meine Aufgabe, mit einer breiten Palette von Datensätzen eine Liste von "empfohlenen" Reisen für jeden Kunden zu erstellen, die vom E-Mail-Kampagnen-Team verwendet werden, um Kunden auf der Grundlage meiner Analyse über eine bestimmte Reisebasis anzusprechen.
Der erste Teil dieses Prozesses ist unkompliziert, dh es werden die verfügbaren Daten und die daraus abgeleiteten Daten verwendet, um anhand der Variablen eine Bewertung für jeden Kundenstamm anhand der Variablen zu berechnen. Am Ende des Tages habe ich ein tabellarisches Ergebnis, das die E-Mail-Adresse jedes Kunden, die Programme, die er besucht hat oder die er angeklickt oder besucht hat, auf der Grundlage seiner Seitenaufrufe und seiner Wunschliste sowie einer Reihe anderer Elemente anzeigt als prognostische Gesamtpunktzahl / Rangpunktzahl sowie die Programmlinie und die anderen drei oben aufgeführten Reisen.
Daher ist es angesichts des Ergebnisses wahrscheinlicher, dass sich jeder Kunde an mehr als einer der oben aufgeführten Reisen beteiligt oder aktiv ist. Daher möchte ich in der Lage sein, die dominanteste Reise für jeden Kunden auszuwählen (Datenbasis) und dabei zu empfehlen, mit welcher Reise er per E-Mail befördert werden soll. Gibt es eine einfache Möglichkeit, dies in JMP zu tun?
Betreff: Personalisierte E-Mail-Kampagnen: Nutzung der Webdaten der Kunden zur Information des personalisierten Marketing.Vielen Dank peter.bartell@jmp.com
Betreff: Personalisierte E-Mail-Kampagnen: Nutzung der Webdaten der Kunden zur Information des personalisierten Marketing.Ich denke, dass das Clustering einige Einblicke und eine Reihe anderer JMP-Angebote bietet. Danke für deine Eingaben.
Betreff: Personalisierte E-Mail-Kampagnen: Nutzung der Webdaten der Kunden zur Information des personalisierten Marketing.Jenkins: Clustering ist sicherlich eine der multivariaten Erkundungsdatenanalysemethoden, die Einblicke liefern kann. Bei Projekten wie Ihrem wirft die Küchenspüle (oder in deren Nähe) die Daten an und bewegt sich mit, wenn Sie Einsicht gewinnen. Einige Pfade tragen Früchte, andere weniger. Ein Kollege von mir sagte einmal gern: "Manchmal ist das Wissen, dass ein" nicht "ist, genauso informativ wie das Wissen, dass ein" ist ".
Betreff: Personalisierte E-Mail-Kampagnen: Nutzung der Webdaten der Kunden zur Information des personalisierten Marketing.Die von Ihnen aufgeführten Prozesse sind genau die, die ich gerade mache. Ich frage mich, ob Clustering ihre Gruppenreisen auf die Interessenwünsche der Kunden stützen könnte.
Betreff: Personalisierte E-Mail-Kampagnen: Nutzung der Webdaten der Kunden zur Information des personalisierten Marketing.Jenkins: Für den Anfang ist dies ein typisches, aber ziemlich komplexes Projekt, das viele Wendungen und Wendungen erfordert. Ich schlage vor, einem klassischen Workflow für Data Mining / Predictive Modeling zu folgen, der die folgenden Hauptkomponenten umfasst: JMP und JMP Pro, wenn Sie über JMP Pro verfügen, kann sicherlich noch eine Rolle spielen.
1 Erläutern Sie das Geschäftsproblem ... es sieht so aus, als hätte Ihr Team dies von Ihrem ursprünglichen Beitrag durchdacht.
2 Finden / sammeln Sie relevante Daten ... nicht nur Daten, auf die Sie auch zugreifen können ... sondern Daten, die benötigt werden ... für Antworten und Faktoren.
3. Durchsuchen Sie die Daten auf Relevanz, Qualität, Unordnung, fehlende Werte usw. JMP kann hier bei den Plattformen Column und Modeling Utilities helfen. Entscheiden Sie, wie Sie mit problematischen Variablen / Beobachtungen umgehen. Überlegen Sie, wie Sie mit der Kreuzvalidierung bei der Modellierung umgehen. Fügen Sie dem Datensatz möglicherweise eine Validierungskonstruktvariable hinzu.
4 Durchsuchen Sie die Daten nach Korrelationen, wo ist die Mitte, wie verteilt ist sie, Form, etwas Ungewöhnliches ... In diesem Bereich spielen mehrere JMP-Plattformen von Graph Builder, Distribution, Fit Y nach X, Multivariate (und allen darin enthaltenen Teilplattformen).
5 Beginnen Sie mit dem Erstellen und Auswerten von Modellen ... OLS, Logistic (für kategoriale Antworten), PLS, generalisierte Regressionsunterplattformen, GLM und andere könnten hier eine Rolle spielen. Wenn Sie über JMP Pro verfügen, bewerten Sie Ihre Modelle in der Modellvergleichsplattform.
6 Teilen Sie Ihre Ergebnisse mit. Möglicherweise verwenden Sie den umfangreichen Export in MS-Anwendungen wie Word oder PowerPoint oder die Schnittstelle HTML5 mit Daten.
7. Testen Sie eine Lösung, um die Modellierungsarbeit zu überprüfen.
8 Praktisches Problem lösen? Wenn ja, feiere es ... nein, kreise zurück, um herauszufinden, warum.
Viel Glück ... wünschte, ich wäre da, um dir zu helfen
