如何为规范分析做好准备并提高你的领导成功

需求一代

由:

作为营销人员,我们谈论分析和铅一代所有的时间。但是“领先一代”到底是什么意思呢?在未来的几年里,规范性分析将如何引导潜在客户的生成?

潜在客户的产生是“为了发展销售渠道而激发和捕获人们对产品或服务的兴趣的过程。”根据其.这是销售供应链的第一步。没有线索,我们就没货可卖了。

客户产生通常分为两类:入站和出站。入站通过通常围绕的策略组合来吸引客户社交媒体和网站广告。出站是指寻找可能对特定产品或服务感兴趣的潜在客户的行为。

在本博客中,我们将重点分析与外发客户生成策略相关的分析。

攀登分析成熟度阶梯

为了创建成功的客户培养策略,公司需要分析从以前的活动中收集的数据。希望从数据中获得更多见解的组织可能会考虑将描述性分析作为起点。进入这一阶段的公司通常依靠直觉、竖井数据源和手动数据输入操作。在这个阶段成熟需要退出不同的数据源,增加数据治理实践,并自动化报告。这些实践提高了数据的可靠性,并提供了对过去性能的更好理解。

当公司可以利用描述性分析来预测未来的表现时,他们就到达了下一个层次,预测分析。长期以来,企业一直试图根据外部因素和过去的业绩预测自己的业绩,但现在更容易将过去的业绩数据与外部变量进行快速比较。

然而,做出一个好的预测并不意味着做出一个好的决定。预测通常意味着根据收集到的数据找到一个量作为另一个变量的函数。一旦做出了预测,公司通常会根据来自描述性和预测性数据源的证据做出决策。一个好的决策需要考虑事实和数据与系统不合理或未知的方面。

那么,企业应该怎么做呢?规范性分析技术旨在回答这个问题。要达到规范分析的成熟度,需要深思熟虑的、有纪律的性能数据收集、可靠的预测和不断改进的规范算法。它还需要一种致力于数据驱动实践的公司文化。

规范性分析可以通过可预测的干预来改进业务流程,这些干预被跟踪并反馈到规范性引擎中;它可以使用编程设计树来缩短员工入职时间,以指导和通知新员工,它还可以让客户通过优化算法利用公司的专业知识。规定性分析也可以帮助确定新的潜在客户生成活动的最佳前进路径。

准备使用规范性分析

说明性分析依赖于描述性和预测性数据集的质量和准确性。如果您的公司是新成立的,或者从您的线索中获得的“成功”数量很少,那么您可能面临数据不平衡或数据稀缺。要解决数据稀缺和数据不平衡的问题,你有以下几种选择:

1.得到更多的数据

说起来容易做起来难。很少有公司能够访问从自己组织之外的活动生成的大量数据。因此,获取更多的数据意味着等待数据被收集或从第三方购买数据。

当我的公司刚成立时,我们的团队跟踪第三方应用产生的每笔交易,并将它们存储在一个结构化的数据库中。即使我们不确定如何使用这些数据,我们仍然知道它是有价值的。存储数据很便宜,我们知道我们可能需要指将来的某物

2.使用不同的指标

对于潜在客户的产生,这意味着使用标识符而不是“销售vs .无销售”来确定数据的分类。例如,您可以使用“销售规模”、“退货业务”或“交互数量”作为分类方法。

我们探索了许多不同的度量标准,并试图确定它们之间的关联方式。我们不断地检查、挑战和询问我们的数据,以了解哪些属性和指标对我们最有帮助。

3.重新取样数据

重新采样数据可以提供不同的分布,但这假设您正在从一个大型数据集中提取数据。如果你没有足够的数据,这通常不是一个选择。

我们以前遇到过这个问题。有时,我们抽取的样本人口是偶然不平衡的,而不是因为总体人口实际上不平衡。但如果我们取不同的样本总体,有时会得到更好的分布。

4.使用一个服务

一个越来越有效的选择是利用第三方服务,它拥有更多的数据、各种指标和经过测试的场景。在潜在客户产生的情况下,这意味着多个客户、潜在客户、行业和产品。我们的团队使用机器学习技术就像主成分分析以及分类和回归决策树,以了解哪种消息传递为客户的人口统计数据和产品产生了期望的结果。

一旦您使用了其中的一个或多个策略来解决任何数据问题,您就可以开始试验不同的规定性算法,从线性回归到决策树或神经网络。无论您选择哪条路线,都可能引导您找到解释数据的新方法,从而获得成功外销客户生成策略。

你是否在潜在客户策略中使用了规定性分析?请在评论中告诉我。