Forudsigelse af, hvornår dine kunder vil købe næste m/LuckyTemplates

Hvad hvis du kunne vide, hvornår dine kunder sandsynligvis vil foretage deres næste køb ved hjælp af prædiktiv analyse i LuckyTemplates? Du kan se den fulde video af denne tutorial nederst på denne blog.

Ved at bruge prædiktive analyseteknikker kan vi forsøge at forudsige, hvornår dine kunder forventes at købe dine produkter og tjenester.

Selvfølgelig vil der være lidt arbejde inde i LuckyTemplates for at få alt dette til at fungere. Men det vil blot vise de utrolige og kraftfulde LuckyTemplates analytiske funktioner, der er tilgængelige for dig, når du bruger DAX-formler korrekt.

Med LuckyTemplates kan du inkorporere forskellige formler og datamodelleringsteknikker for at udtrække nogle meget meningsfulde indsigter.

I dette indlæg vil vi diskutere nogle prædiktive indsigtsideer. Dette er noget, der er meget muligt fra et DAX-perspektiv. Derefter vil vi diskutere, hvordan vi kan bruge dataene til at forudsige kundeadfærd. I sidste ende kan dette påvirke vores økonomiske bundlinje positivt.

Indholdsfortegnelse

• Brug af historiske data til at forudsige kundeadfærd
• Hvad du kan gøre med historiske data
• 1. Bestemmelse af sidste transaktionsdato
• 2. Bestemmelse af dage siden sidste køb
• 3. Bestemmelse af det gennemsnitlige antal dage mellem køb
• 4. Bestemmelse af dage over gennemsnittet
• 5. Bestemmelse af en kundes rentabilitet
  • Konklusion

Brug af historiske data til at forudsige kundeadfærd

Før vi dykker ind i vores diskussion, lad os tage et kig på de historiske data leveret af kundeadfærdstabellen.

Øverst kan du se felterne Kundenavn , Samlede transaktionsdage , Dato for sidste køb , Dage siden sidste køb , Gennemsnitlige dage mellem køb , Dage over gennemsnit og Samlet salg .

Ved at bruge prædiktiv analyse i LuckyTemplates kan vi se tilbage i tiden og se, hvornår kunderne rent faktisk har købt. Vi kan også se, hvor mange gange en person har handlet med os.

Baseret på den tidsramme, de købte, hvor sandsynligt er det, at de vil genkøbe på noget tidspunkt i den nærmeste fremtid?

Resultaterne fra svaret på dette spørgsmål er en værdifuld indsigt.

Hvad du kan gøre med historiske data

Simpel forudsigelig analyse i LuckyTemplates vil ikke være 100 % nøjagtig, og der er mange forviklinger omkring, hvad der kunne ske, men tænk på, hvordan du kan bruge denne indsigt.

Hvis en kunde i gennemsnit har købt noget hos os 15 gange i løbet af de sidste 2 år, og de har gjort dette hver 40. eller 50. dag, kan du lave noget markedsføring, foretage et salgsopkald eller sørge for, at de ser en annonce online for at bede dem til at handle.

Der er så mange gode måder, hvorpå du kan bruge denne indsigt. Selvom det ikke bliver perfekt, vil det give dig en forståelse af en kundes købsbeslutninger, og du kan komme med en marketingplan baseret på disse beslutninger.

1. Bestemmelse af sidste transaktionsdato

Så lad os gå igennem, hvordan jeg gjorde det. Jeg vil starte med den faktiske sidste købsdato. Lad os se på formlen.

2. Bestemmelse af dage siden sidste køb

Den næste ting at gøre er at regne ud dagene siden sidste køb. Hvad er antallet af dage siden sidste køb? Hvad er den sidste faktiske transaktionsdato i mit datasæt? Jeg finder det bare ud af denne simple formel.

Ud fra disse data kan vi bestemme, hvornår kunden sidst har købt hos os. Det er interessant og nyttigt, fordi du vil vide, hvornår kunden sidst har købt hos dig, og derefter sammenligne det med den gennemsnitlige tidsramme mellem køb.

Når du har det benchmark, er det sådan, du kan opdage kundetendenser. I dette tilfælde har kunden Gregory Jackson købt hver 61. dag.

Men han har ikke købt noget i 451 dage, så der er noget helt klart galt der. Du kan bruge disse data til at foretage ændringer i dine marketingstrategier for at bede denne kunde om at blive aktiv igen.

3. Bestemmelse af det gennemsnitlige antal dage mellem køb

Så dette er den store del af denne analyse: hvordan regner vi de gennemsnitlige dage ud mellem køb? Selvom det er en kombination af mange ting, kan det være enklere, end du tror.

Du kan få lige så god en projektion, og den er måske ikke perfekt, men lige så god, ved at visualisere denne formel.

Så alt, hvad jeg gjorde, var, at jeg gik ind, og for hver enkelt kunde regnede jeg ud, hvornår var deres sidste køb i forhold til , hvornår var deres første køb , og så dividerede jeg dem med det samlede antal dage , som de handlede.

Så tænk over det. Så for hver kunde vil vi finde ud af, hvornår var det første køb, de foretog , hvornår var det sidste køb, de foretog , og hvor mange dage de faktisk handlede med os.

Det er naturligvis ikke perfekt, men det vil give dig et skøn over de gennemsnitlige dage og indkøb. Når nogen kommer til dig med jævne mellemrum, så vil det vise dig de gennemsnitlige dage mellem køb på en logisk måde.

4. Bestemmelse af dage over gennemsnittet

Så lavede jeg et andet mål, som viser, at hvis en kunde er over deres estimerede gennemsnitlige dage, vil det vise mig, hvor mange dage de faktisk er overstået. Dette er, hvad  kolonnen Dage over gennemsnittet viser.

Mit sind eksploderer med, hvad du kunne gøre med denne figur. Lad os sige, at du er en online forhandler, du regner ud, at en kunde kommer til dig hver 30. dag.

Så frem til den dato kan du sende nogle e-mail-marketing til dem, eller du kan lave nogle annoncer på Facebook. Dette er en virkelig, virkelig god indsigt, som du kan bruge til at forbedre kundefastholdelsesraten.

Et andet eksempel er netop denne kunde her. Den gennemsnitlige tid mellem køb er 98 dage, mens deres sidste køb blev foretaget for 48 dage siden.

I dagene op til denne kundes næste køb, kan du sende noget marketingmateriale ud for at minde dem om din virksomhed.

5. Bestemmelse af en kundes rentabilitet

Et andet mål, vi kan bruge, er dine kunders lønsomhed. Brugerkolonne, kan du tjekke, hvilke der er dine bedste kunder.

Du kan også afgøre, om det ville have stor indflydelse på din virksomhed, hvis du mistede en bestemt kunde. Hvis du bruger eksemplet i tabellen nedenfor, vil det ikke have stor indflydelse at miste Gregory Jackson som kunde, fordi du kun tjente $3.222 i salg fra ham.

På den anden side vil du gerne beholde Joshua Romero, fordi han har været en meget god kunde indtil videre. Du kan formulere en marketingplan og derefter kontakte ham.

Du kan identificere de kunder, der er mest rentable for din virksomhed, og afgøre, om de køber, som de skal være. Kolonnerne Samlet salg og Dage over gennemsnittet viser dig, hvordan du identificerer disse to tal i realtid.

Konklusion

Så jeg vil runde tingene af med denne indsigt. Evnen til at integrere avanceret forudsigende analyse i LuckyTemplates er kraftfuld og kan tilføje en masse værdi til din organisation.

For eksempel kan det at være i stand til at lave fremtidige forretningsforudsigelser gøre din virksomhed mere effektiv og give dig mulighed for at opnå en konkurrencefordel i forhold til dine konkurrenter.

Tag dig tid til at gennemgå denne video og lær en teknik, du kan anvende til at forudsige fremtidige forretningsscenarier.

Hvis du vil lære mere om nogle af de mest avancerede analyseteknikker i LuckyTemplates, så tjek linket nedenfor fra.

Held og lykke med disse teknikker