Waarom u vandaag uw pre- en postaankoopgegevens zou moeten koppelen?

In de kredietsector - waar ik voor het eerst mijn tanden zet in marketing en analyse - is het typisch dat klanten die de algemene voorwaarden lezen voordat ze op de knop 'Toepassen' drukken, minder risicovol zijn. Door minder riskant, bedoel ik minder kans op in gebreke blijven van hun lening.

Voor de kredietinstelling is dit een grote deal. Allereerst moeten ze beslissen of ze deze lener wel of niet goedkeuren. Ten tweede moeten ze beslissen welke kredietlijn ze willen verlengen, tegen welk rentepercentage. Dat, in combinatie met hun inschatting van het risico van de kredietnemer, dicteert kapitaalvereisten. Op geaggregeerd niveau spreken we hier miljarden dollars. Dit alles wordt gedreven door een paar klikken en scrollen gebeurtenissen over de vraag of een persoon termen leest of niet.

Dus wat is mijn punt? Welnu, zorg ervoor dat u 5 minuten de tijd neemt om de voorwaarden te lezen (of te doen alsof lezen) bij het aanvragen van een creditcard.

Maar het belangrijkste is dat het aankoopgedrag sterk gecorreleerd kan zijn met het gedrag na aanschaf en echt grote verschillen kan maken.

Het probleem: er zijn maar heel weinig startups die beide kanten verbinden

De meeste bedrijven in een vroege fase hebben moeite met het opzetten van de analyseperiode. Ze gebruiken ze niet correct of ze hebben het gewoon fout .

Maar op een bepaald moment zal een bedrijf zijn act samenstellen en een goede trechter opzetten, meestal met behulp van een kant-en-klare tool zoals Google Analytics of Mixpanel, en hopelijk A / B-testen starten en optimaliseren voor de conversieratio. Helaas is dat meestal waar het stopt.

En hoewel deze hulpprogramma's geweldig zijn, bieden ze meestal geen manier om het aankoopgedrag vóór en na de aankoop te koppelen. De volgende zijn twee zeer reële en zeer vaak voorkomende gevallen waarbij het niet lukken van het koppelen van deze gegevens uw bedrijf veel geld kan kosten.

Voorbeeld 1: u besteedt teveel aan betaalde acquisities

Laten we aannemen dat je groei laat zien voor een startup die net begint te trekken. Na een hele reeks excel finagling kom je tot de conclusie dat elke klant na jaar één $ 28 waard is. U besluit dat u een breakeven van 1 jaar wilt targeten (dit is een heel debat op zich dat we kunnen opslaan voor een andere post).

Na een maand testen en bijstellen, denk je dat je 4 bruikbare kanalen hebt, want ze zijn allemaal $ 28 of lager. Dit zijn hun kosten om te verwerven (CAC), uitgesplitst per kanaal :

Een jaar verder, plot je je gecumuleerde LTV-curve, en blijkt je eerste schatting juist te zijn, je 1-jaars LTV is in feite ongeveer $ 28.

Alles ziet er goed uit toch?

• Adwords - uw duurste kanaal - breekt zelfs, en u weet dat u dat eenvoudig kunt optimaliseren en / of uw biedingen kunt aanpassen als dat nodig is.
• Facebook en Twitter liggen beide onder je CPA met $ 2, wat ruimte suggereert om een ​​klein beetje meer te bieden
• Je goedkope SXSW Gimmicks leverden de laagste CAC op, dus bereid je je voor op toerned-fests in het hele land.

Alles lijkt goed - toch?

Maar stel dat we besluiten om deze LTV-curven per kanaal te verbreken en zoiets als dit te zien:

Dit vertelt een heel ander verhaal

• Facebook-klanten verpletteren het met een LTV van $ 38 voor een jaar, in vergelijking met een CAC van $ 26. U kunt het zich veroorloven om meer uit te geven!
• Adwords-klanten zijn redelijk dichtbij in de buurt van breakeven, dus je biedt waarschijnlijk wel goed. Hoewel het lijkt alsof LTV toeneemt, in een redelijk lineair tempo, kunt u uw uitgaven zelfs een beetje verhogen
• Twitter-klanten LTV plateaus voor $ 24, onder uw kosten per acquisitie. Je hebt zeker geen breakeven van 1 jaar geraakt en je mag nooit break-even
• Je SXSW-trucjes waren eigenlijk een complete mislukking. Ze liepen rond maand 9 neer met een LTV van $ 20 en zullen waarschijnlijk nooit gelijk eindigen.

Al met al lijkt het alsof het goed gaat met je, als je het per kanaal opsplitst, mis je een aantal kanalen en te veel geld aan anderen.

Als u nooit pre-purchase gegevens (de bron van de klant) verbindt met activiteiten na aankoop (de bestedingen van de klanten), weet u nooit dat twee van uw kanalen gebreken vertonen en een die u mist.

Dit is een redelijk eenvoudig voorbeeld en ik heb erover gediscussieerd om het zelfs op te nemen omdat ik het gevoel heb dat de meeste mensen dit concept intuïtief begrijpen. Ik ken echter maar heel weinig bedrijven, met name consumentenbedrijven die geen standaard CRM gebruiken.

Als dit voorbeeld te simpel was, laten we een meer genuanceerd voorbeeld bekijken.

Voorbeeld 2: voorspellende kracht verliezen

Toen we afgelopen lente onze Series A-financieringsronde hadden gehouden, was ik geïnteresseerd in het vergroten van het behoud.

Gelukkig kende ik een collega Techstars, genaamd Data Robot , waarmee mensen zoals ik (niet-gegevenswetenschappers) vrij gemakkelijk algoritmen voor het leren van machines kunnen maken.

Om uw model te bouwen, uploadt u gewoon een tabelvormig CSV-bestand dat de variabele bevat waarvan u de uitvoer wilt voorspellen en welke variabelen waarvan u denkt dat ze met elkaar verband houden.

In mijn geval was de voorspelde uitvoer of de persoon de afgelopen maand was geannuleerd en mijn invoer was van alles: partijgrootte, prijs, gemiddelde score, NPS-score, locatie, leadbron, of ze zich via onze app hebben aangesloten of online en soorten activiteitsmetingen.

Data Robot bouwt vervolgens een aantal modellen voor machinaal leren voor u en beveelt het beste gebruik aan op basis van verschillende meetwaarden. Het maakt ook een univariate analyse van uw dataset en laat zien welke variabelen de grootste rol spelen in de outputs. Ik zal hier niet te diep ingaan op de details, maar het is een best coole tool.

Blijkt dat de gegevens die we hadden verzameld eigenlijk een goede hoeveelheid voorspellende kracht hadden.

Bij het maken van dit model heb ik een paar dingen geleerd:

1. Je weet nooit welke factoren er toe doen - blijkt dat mensen die "street" spellen versus afkorting "st" meer kans hebben om te karnen ... raar. Zorg ervoor dat je alles verzamelt wat mogelijk is.
2. Je hebt geen ginormale dataset nodig om met behulp van voorspellende analyses te beginnen - ik dacht altijd dat je op Pinterest-schaal moest zijn om gegevenswetenschap te kunnen garanderen. Toch waren we daar, nauwelijks een serie A-stagebedrijf, dat modellen maakte die een echte impact hadden.
3. Data Robot is echt ontzettend gaaf - serieus, je zou het eens moeten proberen. 'S Nachts maakte een man die in de stats-klasse sliep een echt machine-leermodel

Maar ... de grootste les die ik heb geleerd, was waar dit hele artikel over ging: het aankoopgedrag bleek een van de grootste voorspellers van churn te zijn. Op dit moment moest ik de twee partijen samen hakken en daardoor veel pre-purchase gegevens missen. Het was dit moment toen ik me realiseerde dat we de investering moesten doen om gegevens voorafgaand aan de aankoop en na de aankoop samen te voegen.

Retentie is niet het enige dat u voorspellende analyses kunt gebruiken om te voorspellen - afhankelijk van uw bedrijf wilt u misschien het upsell-potentieel, gratis proefversies of zelfs ondersteuningslast modelleren. En er is een grote kans dat de pre-purchase gegevens waardevol zullen zijn - zorg er dus voor dat u deze verzamelt en koppelt.

Hoe u uw gegevens kunt koppelen in een bruikbare vorm

Eerst moet je je realiseren hoe belangrijk het is en besluiten om de investering te doen. Als je in een vroeg stadium bent, denk je misschien niet dat het de investering waard is, omdat je volume zo laag is. Maar zodra u grip krijgt, raakt dat punt sneller dan u denkt, dus maak een planning wanneer u de investering doet.

We besloten te investeren in een oplossing genaamd Fivetran . Dit is een ongelooflijke tool die gegevens van externe bronnen zoals Google Analytics, Mixpanel, Salesforce, Zendesk en uw eigen databases synchroniseert en deze mooi en netjes in een Redshift-database plaatst. Van daaruit kunnen we de bronnen en toegang koppelen via SQL-code of via Tableau. Het belangrijkste is dat u van tevoren beschikt over de databasekolommen om al deze datasets samen te voegen.

Wat u ook doet, zorg ervoor dat u uw gegevens vóór en na de aankoop samenvoegt, anders krijgt u er op een dag spijt van.

Hoe hebben uw pre-purchase-gegevens u geholpen te groeien? Laat het me weten in de reacties!