如何預測客戶下一步想要什麼 – PromptCloud

現在，無論行業和市場如何，客戶都會受到來自所有媒體平台的大量廣告以及通用營銷電子郵件的轟炸。 這對客戶的信任水平造成了影響，同時也使他們對大多數（如果不是全部）此類通信視而不見。 這標誌著通用非定向營銷的終結，儘管這在許多公司仍在實踐中。 隨著周圍的所有噪音，非定向營銷根本不再起作用。 特別是考慮到千禧一代對廣告的關注時間僅為 5 秒。

現在無需擔心，因為所有企業都可以訪問其消費者及其偏好的結構化和組織良好的數據，以及監控社交媒體以獲取其品牌可能希望了解的實時對話的能力。 這種數據金礦可以使企業能夠提供量身定制的營銷活動和優惠，這些活動太好了，不容忽視。

在這方面進行更多銷售的關鍵策略之一是 NBO 或 Next Best Offer。 亞馬遜早期採用推薦引擎來驅動購物者根據他們的頁面訪問、搜索和過去的訂單進行下單，可以認為是 NBO 的起源。

其次，Best Offer 流程​​和技術對於獲得可持續的競爭優勢並將響應率提高到通用廣告系列的 10 倍至關重要。

以下是推薦引擎的一些流行實現：

LinkedIn： “你可能感興趣的工作”

亞馬遜： “購買此商品的客戶也購買了”

Facebook： “你可能認識的人”

Netflix： “您可能會喜歡的其他電影”

既然我們已經確定了 NBO 系統對於試圖在這個嘈雜的營銷世界中產生影響的企業來說是多麼重要，那麼讓我們看看如何在您的業務中應用它。

首先也是最重要的先決條件是推薦引擎，它使用協同過濾技術來生成針對不同用戶的推薦。 讓我們更多地探索推薦引擎。

推薦引擎：它們是如何工作的

推薦引擎有 3 種主要類型，它們的工作方式各不相同。 選擇正確的類型完全取決於您的業務模式和需求。

1.協同過濾：

在這個推薦引擎模型中，推薦是基於買家過去的購買。 如果用戶購買了特定產品，則針對他/她的產品推薦將來自購買該特定產品的所有其他人的購買行為。

例如，如果您購買了 Apple iPhone 7，系統將查看其他購買 iPhone 7 的用戶的購買歷史記錄。假設大多數購買 iPhone 7 的人在購買後不久也訂購了特定類型的保護殼。 這最終會導致系統向新買家推薦相同的保護套。

當可用數據量很大時，協作過濾是一種非常有效的方法。 但是，如果沒有足夠的數據，這些建議可能缺乏相關性並且不會給出預期的結果。 如果您擁有龐大的用戶群，則可以使用協同過濾來自信地構建您的推薦引擎。

2. 基於內容的過濾：

在基於內容的過濾模型中，每個項目都有特定的關鍵字和屬性。 根據用戶偏好，推薦引擎為用戶分配這些屬性的權重。 為了跟踪這一點，為每個用戶製作了一個配置文件，其中存儲了他們對各種屬性的好惡。 推薦引擎可以將用戶配置文件與產品屬性進行匹配，從而生成相關推薦。

這種方法不是很有效，因為將屬性附加到項目是具有挑戰性的，並且缺乏細粒度的細節會使建議變得模糊和無關緊要。 基於內容的過濾模型的另一個限制是系統在推薦不同類型的產品方面效率不高。 例如，如果用戶訂購了某種類型的書籍，系統可能能夠推薦類似的書籍，但不能推薦遊戲、電影或其他產品類型。

3.混合模型：

從名稱可以預見，混合模型將這兩個模型結合在一起，形成了一個強大而精確的推薦引擎。 可以通過將基於內容的功能添加到協作模型（反之亦然）、組合兩個單獨的模型或構建自定義模型來構建混合模型。 Netflix是混合模型的流行採用者，他們的推薦的相關性足以讓我們走這條路。

當這兩種方法結合起來時，您可以獲得兩種方法的好處，並且每種方法的局限性都可以由另一種方法來彌補。 創建一個結合兩種模型質量的定制模型需要無可挑剔的數據科學和編程技能。

測量引擎的影響

既然您已經為您的業務模型實施了正確的推薦引擎，那麼衡量其對您的底線的影響至關重要，例如增加收入、減少客戶流失和改善用戶體驗。

要評估影響，您應該問自己一些基本問題：

1. 這些建議對用戶需求的微調程度如何，或者它們是否非常廣泛？
2. 響應建議是否會影響用戶操作？
3. 用戶是否願意接受這些建議並發現它們有用？

無論是技術上還是財務上，構建推薦引擎對您的企業來說都是一筆可觀的投資。 但是，如果以明確定義的目標以正確的方式實施，它可以將您的業務提升到一個新的水平。

結論

NBO 顯然是一種具有巨大潛力的策略，建造 NBO 的投資會在很短的時間內得到回報。 忽視它最終可能會讓你的客戶流失給那些聰明到可以構建推薦系統的競爭對手。 由於客戶現在受到來自各地的營銷活動的轟炸，他們不會關注不相關的活動，這就是推薦引擎的用武之地。雖然推薦引擎一切都很好，但您的推薦的相關性將決定結果你可以從中得到。