Catalogue de modèles de workbench d'intelligence d'Oracle Unity Customer Data Platform

Modèle de scoring des leads pour les comptes

Le modèle de scoring des leads pour les comptes est un modèle de science des données prédictif et prêt à l'emploi qui évalue la probabilité de conversion des comptes B2B à l'aide de leur profil, de leurs revenus, de leurs données de comportement et de leur modèle d'engagement. Les scores identifient la propension des comptes à effectuer des achats.

Avantages

• Soutenir de manière proactive les comptes appropriés présentant des chances de conversion supérieures.
• Augmenter l'efficacité des efforts de marketing basé sur les comptes (ABM).
• Augmenter le nombre de leads qualifiés par le marketing (MQL) et les taux de conversion.

Cas d'utilisation dans différents secteurs

• Services manufacturiers : Une entreprise de fabrication internationale peut utiliser les modèles de scoring prédictif, de lead de compte et de contact d'Oracle Unity pour estimer et évaluer la probabilité de conversion d'une vente en fonction du profil et de l'engagement.
• Technologie : une entreprise technologique peut tirer parti du scoring prédictif de compte pour accélérer les efforts d'ABM, en identifiant les contacts d'un compte donné ayant les meilleures chances de conversion, puis en les ajoutant de manière proactive aux campagnes et aux programmes de sensibilisation.

Modèle de scoring des leads pour les contacts

Le modèle de scoring des leads pour les contacts est un modèle de science des données prédictif et prêt à l'emploi qui évalue la probabilité de conversion des contacts à l'aide de leur profil, de leurs revenus, de leurs données de comportement et de leur modèle d'engagement.

Le modèle génère des valeurs de score de lead avec des horodatages pour chaque contact. Il permet de déterminer les contacts actifs à différents niveaux de l'entonnoir des ventes et leur potentiel d'achat, ce qui vous permet de cibler précisément les segments de clientèle et d'aligner efficacement les stratégies de vente et de marketing.

Avantages

• Nourrir de manière proactive les contacts avec de meilleures chances de conversion.
• Augmenter le nombre de leads qualifiés par le marketing (MQL) et les taux de conversion.

Cas d'utilisation dans différents secteurs

• Technologie : une société de logiciels d'entreprise peut tirer parti de ce modèle pour accélérer les efforts de vente, en identifiant les contacts d'un compte donné ayant les meilleures chances de conversion, puis en les ajoutant de manière proactive aux programmes de sensibilisation.

Modèle de valeur vie client

Le modèle de valeur vie client (CLV) est un modèle de science des données prêt à l'emploi, qui estime la valeur d'un client sur une période spécifique. Cette prédiction est basée sur plusieurs points de contact, notamment les données de profil client, l'historique des transactions passées, ainsi que la valeur monétaire et la fréquence de la transaction.

Les utilisateurs professionnels peuvent personnaliser le modèle de valeur vie client pour offrir à leurs clients trois, six ou douze mois de valeur à vie.

Avantages

• Établissez des budgets de marketing plus efficaces lors de l'acquisition, de la fidélisation et du service des clients.
• Identifiez les clients à forte valeur ajoutée et concentrez-vous davantage sur eux, afin de renforcer leur fidélisation et d'augmenter les revenus.

Cas d'utilisation dans différents secteurs

• Biens de consommation emballés : Une entreprise en ligne de cosmétiques utilise le modèle de valeur vie client pour estimer l'évolution de la valeur d'un client dans le temps, en fonction de son profil et de ses habitudes de transactions. Elle crée une campagne pour un nouveau produit de soins de la peau haut de gamme, destiné aux clients qui ont acheté moins de deux produits de soins de la peau au cours des six derniers mois et ont dépensé plus de 200 $.
• Automobile : un constructeur automobile tire parti du modèle de valeur vie client pour identifier les plages de dépenses des clients et personnaliser les offres dédiées aux voitures comprises dans ces plages de dépenses.
• Vente au détail : une épicerie exécute le modèle de valeur vie client pour identifier les clients qui ont une valeur à vie élevée avec la marque, à inclure dans une campagne pour promouvoir son nouveau programme de fidélité.

Modèles d'attribution du revenu de la campagne

Les modèles d'attribution du revenu de la campagne sont des modèles de science des données prêts à l'emploi, qui vous aident à déterminer le succès des campagnes en analysant les points de contact menant aux ventes et aux conversions. Il existe deux types de modèles d'attribution du revenu de la campagne.

• Le modèle d'attribution des campagnes de revenu mesure l'efficacité des campagnes en affectant une valeur monétaire à chaque campagne.
• Le modèle d'attribution de campagne hors revenu mesure l'efficacité des campagnes en affectant une valeur d'attribution en pourcentage à chaque campagne. Le modèle calcule un pourcentage d'attribution sous la forme d'une valeur en pourcentage des campagnes converties en conversions totales pour chaque campagne.

Chaque modèle tient compte de tous les points de contact qui ont contribué à la conversion de la campagne.

Avantages

• Comprendre l'attribution au-delà des résultats basés sur le revenu.
• Prendre des décisions basées sur une analyse objective des données plutôt que sur des choix subjectifs.
• Identifier les événements qui génèrent les conversions les plus efficaces, déterminer où dépenser le budget et améliorer le retour sur investissement.

Cas d'utilisation dans différents secteurs

• Vente au détail : un détaillant peut utiliser le modèle d'attribution de campagne pour mieux comprendre les parcours multicanaux et obtenir des informations sur le canal qui contribue à générer le plus de conversions.
• Technologie : une entreprise technologique SaaS peut tirer parti du modèle d'attribution des campagnes pour mieux comprendre les campagnes multi-touch et quels contenus, canaux et efforts de campagne ont été les plus influents pour conclure des revenus.

Modèle de récence, de fréquence et monétaire

Le modèle de récence, de fréquence et monétaire (RFM) est un modèle de science des données prêt à l'emploi qui génère des scores numériques pour la récence, la fréquence et les valeurs monétaires en fonction des données d'événement et de transaction. Il vous permet de séparer les clients en différentes typologies, puis les cibler avec les messages les plus pertinents.

Le modèle RFM utilise les caractéristiques suivantes pour mesurer le comportement d'engagement et d'achat :

• Récence : transaction la plus récente du client.
• Fréquence : fréquence à laquelle le client effectue une transaction.
• Monétaire : taille/valeur totale de la transaction du client.

Chaque caractéristique est représentée par un score compris entre un et cinq : l'une est la valeur d'achat la moins récente, la moins fréquente ou la plus faible et cinq est la valeur d'achat la plus récente, la plus fréquente ou la plus élevée.

Le modèle utilise les typologies suivantes pour indiquer la valeur de chaque client.

• Perdus : clients dont l'activité est la plus faible dans la période observée.
• À risque : Destinataires présentant les débuts d'inactivité et un comportement d'achat faible.
• À ne pas perdre : abonnés avec une inactivité élevée. Toujours récupérables.
• Prometteurs : clients avec une récence et une valeur moyennes.
• Nouveaux : clients récents ayant un niveau d'engagement élevé.
• Champions : les meilleurs. Vos interactions les plus récentes avec le taux d'engagement le plus élevé.

Avantages

• Utilisez les typologies RFM pour cibler vos clients avec les messages et les offres les plus pertinents en fonction de la valeur client relative. Cette amélioration de l'engagement client peut augmenter les taux de réponse, la satisfaction client, la fidélisation des clients et la valeur vie client.

Cas d'utilisation dans différents secteurs

• Vente au détail : un détaillant peut améliorer le ciblage, la personnalisation et la conversion globale en tirant parti du modèle RFM pour identifier et segmenter les audiences (valeur élevée, prometteuse, à risque, perdue, etc.) pour diverses campagnes de vacances en fonction de leurs interactions passées.

Haut de la page

Modèle de propension à l'attrition

Le modèle de propension à l'attrition est un modèle de science des données prêt à l'emploi qui évalue et mesure la probabilité d'attrition d'un client en fonction de ses modèles transactionnels et comportementaux.

Il identifie les clients les plus susceptibles d'attrition. Les professionnels du marketing reçoivent des informations sur les clients qu'ils pourraient conserver en les ciblant avec des campagnes ou des messages spécifiques.

Avantages

• Ce modèle vous permet d'identifier de manière proactive les audiences et les segments (y compris les clients à forte valeur ajoutée) à risque d'attrition. Les équipes marketing et publicitaires peuvent ensuite déclencher des campagnes de reconquête pour ces clients avec des messages pertinents pour améliorer le taux de fidélisation des clients.

Cas d'utilisation dans différents secteurs

• Communications : un fournisseur de télécommunications peut automatiquement envoyer une promotion spéciale aux clients qui envisagent peut-être de changer de fournisseur.

Modèle de propension à l'engagement

Le modèle de propension à l'engagement mesure la probabilité qu'un client interagisse avec des e-mails (ouvrir, cliquer, s'abonner ou se désabonner) en fonction de ses interactions passées.

Avantages

• Améliorez le ciblage des e-mails et l'engagement des campagnes.
• Augmentez précisément les points de contact des campagnes en vous concentrant sur les audiences les plus susceptibles d'effectuer un engagement et de supprimer les audiences qui peuvent être lassées.

Modèle de propension du produit

Ce modèle prêt à l'emploi prédit la probabilité que les clients achètent un produit spécifique en fonction de l'historique des interactions et des données de profil client.

Le modèle vous permet d'identifier les clients les plus susceptibles d'acheter un produit spécifique en examinant le score de propension pour les combinaisons de clients et de produits.

Avantages

• Dépenser les budgets marketing plus efficacement en ciblant des combinaisons de clients et de produits à forte propension.

Obtenir des informations qui ne seraient autrement pas disponibles pour votre entreprise afin d'améliorer la prise de décision.

Cas d'utilisation dans différents secteurs

• Vente au détail : un détaillant peut tirer parti du modèle de propension du produit pour aider à identifier les bonnes offres de produits pour les clients nouvellement engagés afin d'améliorer la conversion et l'acquisition de clients.
• Télécommunications : une entreprise de communications mobiles peut tirer parti du modèle de propension du produit pour aider les clients à effectuer de nouvelles mises à niveau de téléphone, de matériel et de services.

Modèle de propension au rachat

Le modèle de propension au rachat mesure la probabilité que des clients rachètent des produits spécifiques. Les scores de propension au rachat sont calculés en fonction des transactions passées des clients, ainsi que des données démographiques et comportementales.

Avantages

• Tirez parti des scores de propension au rachat par rapport aux audiences créées dans Oracle Unity Customer Data Platform pour optimiser les campagnes d'interaction sur tous les canaux et cibler les clients les plus susceptibles de racheter un produit.

Haut de la page

Modèle de meilleure action suivante

Le modèle de meilleure action suivante est un modèle de science des données prêt à l'emploi qui prédit les besoins des clients et recommande les actions les plus pertinentes pour chaque client en fonction des modèles de vente et de transaction.

Le modèle utilise les données de profil client, l'engagement client, les données de catalogue de produits et les achats pour générer les cinq actions recommandées principales pour le client. Vous pouvez utiliser ces recommandations pour déterminer l'action la plus pertinente pour un client spécifique.

Avantages

• Augmentez les taux de conversion en interagissant avec les clients de la bonne manière, avec la meilleure action suivante sur le parcours des clients.

Cas d'utilisation dans différents secteurs

• Automobile : une marque automobile mondiale peut utiliser le modèle de meilleure action suivante (NBA, Next Best Action) et de meilleure offre suivante (NBO, Next Best Offer) pour recommander les actions et les offres les plus pertinentes pour chaque client en fonction de ses habitudes d'achat et de transactions.
• Services financiers : une entreprise de services financiers peut utiliser es modèles de meilleure action suivante et de meilleure offre suivante pour identifier les audiences susceptibles d'effectuer une conversion sur les nouvelles offres de produits financiers, comme un compte d'investissement, une ligne de crédit ou un prêt hypothécaire. Elle peut aussi personnaliser l'expérience de ses clients sur tous les canaux en fonction de cette recommandation.
• Voyages et hôtellerie : une compagnie de croisière peut utiliser les modèles NBO et NBA pour identifier l'offre à envoyer à un client, afin de l'aider à réserver son prochain voyage ou séjour.

Modèle de meilleure offre suivante

Le modèle de meilleure offre suivante d'Oracle Unity est un modèle de science des données prêt à l'emploi, qui prédit les besoins des clients et recommande les offres les plus pertinentes pour chaque client en fonction des modèles de vente et de transaction.

Le modèle utilise les données de profil client, d'engagement client, de catalogue de produits et d'achats pour générer des recommandations. Il permet aux utilisateurs de choisir parmi les meilleures recommandations sur les offres liées à divers produits ou services. Les utilisateurs peuvent utiliser ces recommandations pour déterminer les offres les plus pertinentes à envoyer à des clients spécifiques.

Avantages

• Augmentez votre taux de conversion en tirant parti du modèle de meilleure offre suivante pour interagir avec vos clients avec le contenu ou l'offre le plus pertinent.

Cas d'utilisation dans différents secteurs

• Automobile : une marque automobile mondiale peut utiliser le modèle de meilleure action suivante (NBA, Next Best Action) et de meilleure offre suivante (NBO, Next Best Offer) pour recommander les actions et les offres les plus pertinentes pour chaque client en fonction de ses habitudes d'achat et de transactions.
• Services financiers : un fournisseur de services financiers peut utiliser es modèles de meilleure action suivante et de meilleure offre suivante pour identifier les audiences susceptibles d'effectuer une conversion sur les nouvelles offres de produits financiers, comme un compte d'investissement, une ligne de crédit ou un prêt hypothécaire. Elle peut aussi personnaliser l'expérience de ses clients sur tous les canaux en fonction de cette recommandation.
• Voyages et hôtellerie : une chaîne d'hôtels peut utiliser les modèles NBO et NBA pour identifier l'offre à envoyer à un client, afin de l'aider à réserver son prochain voyage ou séjour.

Modèle de meilleure promotion suivante

Le modèle de meilleure promotion suivante est un modèle de science des données prêt à l'emploi qui utilise l'historique des achats de produits des clients pour déterminer le prix qu'un client est prêt à payer pour un produit particulier. Tirer parti de ce modèle vous permet de personnaliser intelligemment la tarification des produits pour vos clients.

Avantages

• Le modèle de meilleure promotion suivante permet d'appliquer une tarification personnalisée des produits, ce qui entraîne des taux de conversion, un chiffre d'affaires total et une valeur de commande moyenne supérieurs.

Cas d'utilisation dans différents secteurs

• Santé : une société de soins de santé peut utiliser le modèle de meilleure promotion suivante d'Unity pour affiner sa tarification pour un nouveau produit d'aide au sommeil, en fonction des achats effectués par certains clients.
• Assurance : une marque d'assurance peut tirer parti du modèle de meilleure promotion suivante pour fournir une tarification personnalisée pour les packages d'assurance complémentaires afin d'améliorer les taux de conversion et d'aider les clients à regrouper leurs contrats et à réaliser des économies.

Haut de la page

Modèle de recommandation de campagne

Le modèle de recommandation de campagne est un modèle de science des données prêt à l'emploi qui identifie la campagne la plus efficace à envoyer pour chaque client en fonction des tendances d'engagement et de conversion passées du client dans différentes campagnes.

Le modèle utilise différents délais (trois mois, un an et trois ans) pour classer les campagnes B2C récurrentes et ponctuelles pour chaque client, quel que soit le cas, en fonction de la probabilité de conversions.

Avantages

• Améliorez la conversion et le retour sur investissement de vos campagnes en prédisant intelligemment quelles campagnes sont optimales pour les clients en fonction des tendances récentes en matière d'engagement et de conversion.

Cas d'utilisation dans différents secteurs

• Santé : un organisme de santé peut tirer parti du modèle pour identifier les futures campagnes digitales d'engagement des patients qui conviennent à chaque patient en fonction de la conversion et de l'engagement passés.
• Vente au détail : un détaillant peut utiliser le modèle pour améliorer la conversion des campagnes et la valeur vie client en plaçant des audiences dans les campagnes avec lesquelles il est le plus susceptible d'interagir en fonction de l'engagement passé et de l'historique des conversions.

Modèle de recommandation de canal

Ce modèle de science des données prêt à l'emploi recommande le meilleur canal marketing pour les clients en fonction des données d'interactions historiques.

Le modèle de recommandation de canal classe les canaux d'engagement pour chaque client, quelle que soit leur instance, en fonction de la probabilité de conversions. Vous obtenez des informations sur les canaux qui génèrent des revenus et pouvez trouver des opportunités d'augmenter les revenus en répartissant les dépenses entre les canaux avec des taux de conversion élevés.

Les canaux suivants sont évalués :

• E-mail
• SMS
• Push
• Web

Avantages

• Améliorez la conversion en utilisant le meilleur canal prédit pour cibler les profils clients lors de leur évolution dans l'entonnoir des ventes.

Cas d'utilisation dans différents secteurs

• Services publics : un fournisseur d'électricité peut utiliser le modèle pour déterminer s'il est préférable d'utiliser les e-mails, les SMS, les notifications push ou le site Web pour communiquer avec des clients spécifiques au cours des heures creuses et pleines.

Modèle de segmentation de lassitude

Ce modèle de science des données prêt à l'emploi classe les clients en différents niveaux de lassitude par rapport aux messages, en fonction de leur profil et de leur niveau d'engagement.

Le modèle de segmentation de lassitude aide à prévenir la lassitude des clients en offrant des informations sur le nombre de campagnes et de messages à envoyer à chaque profil client.

Il mesure la lassitude face aux messages de chaque profil client en fonction de l'engagement du client, de l'historique des campagnes reçues et ouvertes et, plus important encore, de la typologie du profil client. Vous déterminez et contrôlez le nombre optimal de messages à envoyer à chaque profil client pour éviter toute lassitude.

Avantages

• Différenciez intelligemment les clients actifs et prêts à interagir de ceux qui éprouvent de la lassitude.
• Obtenez des informations pour vous aider à contrôler la portée de la campagne pour chaque client en fonction de son niveau de lassitude.
• Augmentez l'engagement et/ou les conversions et réduisez les abandons.

Cas d'utilisation dans différents secteurs

• Services manufacturiers : un constructeur de panneaux solaires utilise le modèle pour classer les clients en fonction de leurs niveaux de lassitude, à base de leur profil et des niveaux d'engagement. Il peut ainsi ajuster le volume des communications pour les comptes ciblés.
• Technologie : une entreprise de technologie B2B tire parti du modèle pour identifier les clients potentiels qui devraient être retirés des efforts de campagne ABM à forte interaction et réintégrés dans des campagnes multicanales générales.

Modèle d'optimisation de l'heure d'envoi

Le modèle d'optimisation de l'heure d'envoi est un modèle de science des données prêt à l'emploi qui détermine l'heure optimale pour envoyer des e-mails de campagne aux clients, en fonction du comportement face aux e-mails passés.

Par exemple, le modèle déclenche l'envoi d'e-mails de campagne avant l'heure où les clients vérifient généralement leur boîte de réception. Par conséquent, le message apparaît en haut de la boîte de réception du client, ce qui garantit que l'e-mail est le plus susceptible d'être vu et ouvert.

Avantages

• Augmentez l'engagement et la conversion des clients en optimisant la campagne en ciblant les clients au moment où ils sont les plus susceptibles de voir, d'ouvrir, de lire ou d'accuser réception des e-mails.
• Envoyez des e-mails juste avant l'heure où un client vérifie généralement sa boîte de réception, ce qui augmente la probabilité que vos e-mails soient vus et ouverts.

Cas d'utilisation dans différents secteurs

• Vente au détail : un détaillant de mode peut augmenter la probabilité d'engagement et de conversion des clients sur de nouvelles campagnes en tirant parti du modèle pour améliorer les délais de livraison des campagnes sur tous les canaux.
• Voyages et hôtellerie : un complexe hôtelier peut s'assurer que ses e-mails hebdomadaires d'offres de vacances à bas prix sont envoyés aux clients lorsqu'ils sont les plus susceptibles d'interagir avec le contenu.

Haut de la page