|
BI软件在云计算时代，越发的受人重视。客户智能的实践以过去数据为驱动确定和交付洞察并预测未来的客户行为。要做到有效，客户智能必须结合原始事务和行为数据生成派生的措施。 零售专家有领域的专业知识，可以最好的设计出客户智能旨在解决的问题。他们建议派生的属性将在品牌和公司的营销活动两方面提供价值。数据精通者对这些想法编程并将它们存储在一个合适的数据库，这往往导致零售商大大增加数据存储要求。然而，数据只有正确存储和访问到才能用于创建解决方案或关键营销决策。无法访问的数据意味着无用的数据和浪费机会。 然后预测建模和数据科学家需要使用存储的数据建立模型，实现这些零售专家最初设定的业务目标。预测模型在历史数据和随后的结果之间找到的关系，可以预测短期和长期的客户行为。这个凳子腿的目的是回答问题，如购物者什么时候可能进行下一个购买以及购买的价值。有时，这些关系非常复杂，只有机器学习技术才能找到他们。 一个真实世界的例子，设想一个零售商希望恰当地给那些似乎要离开品牌的高价值，忠诚的顾客传递消息。从存储数据中构建的预测模型可以确定哪些购物者可能会七天内再次购买，让零售商把他们真正变成忠实的顾客。预测模型也显示是否某些消费者不太可能在七天内购买，但具有较高的平均订单价值。对于这些消费者，零售商可以提供一个让顾客回到品牌的动机。在这两种情况下，预测消费者可能会做什么是理解如何最好地完成对话的关键。 展望未来，零售商需要大数据增强营销决策，使用来自客户智能的洞察进行预测分析。每个零售商的数据团队必须考虑业务方方面面的元素，包括零售专家、数据精通者和预测建模。这些要素将在大数据的时代带给零售商成功。 |
|
|
