Förutsäga när dina kunder kommer att köpa nästa W/LuckyTemplates

Tänk om du kunde veta när dina kunder sannolikt kommer att göra sitt nästa köp med hjälp av prediktiv analys i LuckyTemplates? Du kan se hela videon av denna handledning längst ner på den här bloggen.

Genom att använda prediktiv analysteknik kan vi försöka förutsäga när dina kunder förväntas köpa dina produkter och tjänster.

Naturligtvis kommer det att finnas lite arbete inuti LuckyTemplates för att få allt detta att fungera. Men det kommer bara att visa upp de otroliga och kraftfulla analytiska LuckyTemplates-funktionerna som är tillgängliga för dig när du använder DAX-formler korrekt.

Med LuckyTemplates kan du införliva olika formler och datamodelleringstekniker för att extrahera några mycket meningsfulla insikter.

I det här inlägget kommer vi att diskutera några prediktiva insiktsidéer. Detta är något som är mycket genomförbart ur ett DAX-perspektiv. Sedan ska vi diskutera hur vi kan använda data för att förutsäga kundbeteende. I slutändan kan detta påverka vårt finansiella resultat positivt.

Innehållsförteckning

• Använda historiska data för att förutsäga kundbeteende
• Vad du kan göra med historiska data
• 1. Fastställande av sista transaktionsdatum
• 2. Bestämma dagarna sedan senaste köp
• 3. Fastställande av genomsnittliga dagar mellan köp
• 4. Bestämma dagarna över genomsnittet
• 5. Bestämma lönsamheten hos en kund
  • Slutsats

Använda historiska data för att förutsäga kundbeteende

Innan vi går in i vår diskussion, låt oss ta en titt på de historiska data som tillhandahålls av tabellen över kundbeteende.

På toppen ser du fälten Kundnamn , Totala transaktionsdagar , Datum för senaste köp , Dagar sedan senaste köp , Genomsnittliga dagar mellan köp , Dagar över genomsnittet och Total försäljning .

Genom att använda prediktiv analys i LuckyTemplates kan vi gå tillbaka i tiden och se när kunder faktiskt har köpt. Vi kan också se hur många gånger en person har gjort transaktioner med oss.

Baserat på tidsramen de köpte, hur sannolikt är det att de kommer att återköpa någon gång inom en snar framtid?

Resultaten från svaret på denna fråga är en värdefull insikt.

Vad du kan göra med historiska data

Enkel prediktiv analys i LuckyTemplates kommer inte att vara 100 % korrekt och det finns många krångligheter kring vad som kan hända, men tänk på hur du kan använda denna insikt.

Om en kund i genomsnitt har köpt något av oss 15 gånger under de senaste två åren och de har gjort detta var 40:e eller 50:e dag, kan du göra lite marknadsföring, ringa ett säljsamtal eller se till att de ser en annons online för att uppmana dem att vidta åtgärder.

Det finns så många bra sätt att du kan använda denna insikt. Även om det inte kommer att bli perfekt kommer det att ge dig en förståelse för en kunds köpbeslut och du kan komma med en marknadsplan utifrån dessa beslut.

1. Fastställande av sista transaktionsdatum

Så låt oss gå igenom hur jag gjorde det. Jag ska börja med det faktiska sista inköpsdatumet. Låt oss titta på formeln.

2. Bestämma dagarna sedan senaste köp

Nästa sak att göra är att räkna ut dagarna sedan det senaste köpet. Hur många dagar är det sedan det senaste köpet? Vilket är det senaste transaktionsdatumet i min datamängd? Jag räknar ut det med den här enkla formeln.

Utifrån dessa uppgifter kan vi avgöra när kunden senast köpte från oss. Det är intressant och användbart eftersom du vill veta när kunden senast köpte från dig och sedan jämföra det med den genomsnittliga tidsramen mellan köpen.

När du väl har det riktmärket är det så du kan upptäcka kundtrender. I det här fallet har kunden Gregory Jackson köpt var 61:e dag.

Men han har inte köpt något på 451 dagar så det är något helt klart fel där. Du kan använda denna information för att göra ändringar i dina marknadsföringsstrategier för att uppmana den här kunden att bli aktiv igen.

3. Fastställande av genomsnittliga dagar mellan köp

Så det här är den stora delen av denna analys: hur räknar vi ut de genomsnittliga dagarna mellan köpen? Även om det är en kombination av många saker kan det vara enklare än du tror.

Du kan få en lika bra projektion, och den kanske inte är perfekt, men lika bra, genom att visualisera den här formeln.

Så allt jag gjorde var att jag gick in och för varje enskild kund räknade jag ut när var deras senaste köp kontra när var deras första köp , och sedan dividerade jag dem med det totala antalet dagar som de gjorde transaktioner.

Så tänk på det. Så för varje kund kommer vi att ta reda på när var det första köpet de gjorde, när var det senaste köpet de gjorde och sedan hur många dagar de faktiskt gjorde transaktioner med oss.

Uppenbarligen är det inte perfekt, men det kommer att ge dig en uppskattning av genomsnittliga dagar och inköp. När någon kommer till dig regelbundet, kommer den att visa dig de genomsnittliga dagarna mellan köpen på ett logiskt sätt.

4. Bestämma dagarna över genomsnittet

Sedan skapade jag ett annat mått som visar att om en kund är över sina beräknade genomsnittliga dagar, kommer det att visa mig hur många dagar de faktiskt är över. Detta är vad  kolumnen Dagar över genomsnittet visar.

Mitt sinne exploderar med vad du kan göra med den här figuren. Låt oss säga att du är en onlineåterförsäljare, du räknar ut att en kund kommer till dig var 30:e dag.

Så fram till det datumet kan du skicka ut lite e-postmarknadsföring till dem, eller så kan du göra några annonser på Facebook. Detta är en verkligt, verkligt bra insikt som du kan använda för att förbättra kundbehållningsgraden.

Ett annat exempel är just den här kunden. Den genomsnittliga tiden mellan köpen är 98 dagar, medan deras senaste köp gjordes för 48 dagar sedan.

Under dagarna fram till denna kunds nästa köp kan du skicka ut lite marknadsföringsmaterial för att påminna dem om ditt företag.

5. Bestämma lönsamheten hos en kund

Ett annat mått vi kan använda är dina kunders lönsamhet. Användakolumnen kan du kontrollera vilka som är dina bästa kunder.

Du kan också avgöra om det i hög grad skulle påverka ditt företag om du förlorade en viss kund. Om du använder exemplet i tabellen nedan, kommer det inte att ha någon större inverkan att förlora Gregory Jackson som kund eftersom du bara tjänade $3 222 i försäljning från honom.

Däremot vill man behålla Joshua Romero eftersom han har varit en väldigt bra kund hittills. Du kan formulera en marknadsföringsplan och sedan nå ut till honom.

Du kan identifiera de kunder som är mest lönsamma för ditt företag och avgöra om de köper som de borde vara. Kolumnerna Total försäljning och Dagar över genomsnittet visar hur du identifierar dessa två siffror i realtid.

Slutsats

Så jag ska avsluta med denna insikt. Möjligheten att integrera avancerad prediktiv analys i LuckyTemplates är kraftfull och kan tillföra mycket värde till din organisation.

Att till exempel kunna göra framtida affärsförutsägelser kan göra din affärsverksamhet mer effektiv och låta dig få en konkurrensfördel gentemot dina konkurrenter.

Ta dig tid att granska den här videon och lär dig en teknik som du kan använda för att förutsäga framtida affärsscenarier.

Om du vill lära dig mer om några av de mest avancerade analysteknikerna i LuckyTemplates, kolla in länken nedan från.

Lycka till med dessa tekniker