Temelde predictive modelling müşterilerin gelecekteki davranışlarını geçmiş davranış datalarına göre analiz ederek bir çıkarımda bulunmasıdır.
Çok basit bir örnek vermek gerekirse, online bir bebek ürünleri satan mağazanız var. Müşteriniz sisteme giriş yapıyor. Çocuğuna 1 yaş için bebek bezi alıyor. Siz bu müşterinize 1 sene sonra 2 yaş için bebek bezi reklamlarını gösterebilir, bebeğin ihtiyacına göre reklam yapabilirsiniz.
Pareto yasasına göre çıktıların %80’i, girdilerin %20’sinden ; sonuçların %80’inin nedenlerin %20’sinden kaynaklanacağı fikrinden doğan ve ekonomi literatüründe 80/20 kuralı olarak ifade edilen Pareto yasasını e-ticarete uyarladığımızda gelirimizin %80’i müşteri kitlemizin %20’sinden gelebilir.
Tabi bu oran birebir doğru olmayabilir fakat yaklaşım olarak mikro segmentlere yapacağımız iletişimlerde bize oldukça önemli bir çıkış noktası sağlar. Predictive analizde en önemli modellerden biri CLV (Customer Lifetime Value). Müşteri ilk satın almasını gerçekleştirdikten sonra şirketimizde bulunan tüm araçların entegre bir şekilde datalarını tek bir yerde toplamasıyla ve takibiyle; belirli süre sonra e-mail, push, dijital reklamlara verdiği tepkilerin hatta demografik ve coğrafi bilgilerle müşterinin bir sonraki hareketi tam olarak tahmin edilemese de ürün satın alma olasılığı yüksek gibi bir listede yer verilebilir.
Modellemedeki en önemli ikinci kısım müşterinin geçmiş alışveriş datalarından cüzdanını tahmin etmek.
Geçmiş satın alma davranışları ve güncel pazarlama araştırmaları ile birleştirince hiç de zor değil. Müşteriye göndermiş olduğunuz push ya da e-maillerden indirim odaklı olanları her seferinde açan (discount affinity), 11.11, Black Friday iletişimlerine son derece engage olmuş müşteri kitlesini o pazardaki ortalama o ürünün değiştirme süresi ile eşleştirdiğimizde ortaya anlamlı bir kitle çıkacaktır. Bir de bu müşterinin offline daki ayak izlerini online da takip edersek bu ortaya çıkan kontrol grubunun normal mass kitleye göre 7-8x conversion sahip olması hiç şaşırtıcı olmaz.
Hep satın alma ihtimali yüksek olma müşterileri konuştuk. Peki ya bize elveda etmek üzere olan kullanıclar?
Call-center dataları, tüketici anketleri, site ziyaretleri, mailinizi açma oranları bunların hepsi aslında churned olmaya yaklaşan müşteri için entegre bir şekilde tutulup analiz edilmesi gereken datalardır. Hala çoğu şirkette bu çarklar birbirinden ayrı şekilde dönüyor. Unutmayalım çarklar ne kadar hızlı dönerse dönsün birbirine bağlı olmazsa hedefteki çarkı hareket ettiremez. O yüzden CRM, Servis, Satış ve Dijital dataların birbirleri ile entegre olması oldukça önemlidir.