Cadenas de Markov de Tiempo Discreto – Identificando Trayectorias Ganadoras de Clientes en una Campaña de Devolución de Dinero

Identificación de Trayectorias Ganadoras de Clientes en una Campaña de Devolución de Dinero con Cadenas de Markov de Tiempo Discreto

Modelando las interacciones de los clientes en una campaña digital como cadenas de Markov de tiempo discreto

Generado por IA

La medición y atribución son temas ampliamente discutidos dentro de la comunidad de ciencia de datos. Y justo cuando estábamos logrando avances científicos en la práctica, hubo interrupciones debido a políticas que amenazaban con eliminar las cookies y el rastreo. En tiempos recientes, una técnica de modelado olvidada llamada Modelado de Mezcla de Marketing (MMM) ha vuelto a ganar impulso. Funciona en todos los canales digitales y offline con una precisión razonable. Sin embargo, cuando se trata de campañas exclusivamente digitales donde no se utilizan cookies, hay una técnica superior que se puede aplicar. Discutiremos eso en detalle en este artículo.

Comprender y optimizar los puntos de contacto con los clientes puede ayudar a los científicos de datos a hacer recomendaciones que aumenten la lealtad, retención y los ingresos.

Comprensión del problema

En este artículo de VoAGI, ayudamos a la empresa fintech Flex a refinar su público objetivo para la campaña de renovación. Ahora, vamos a ayudarles con su campaña de cashback. Flex recompensa a sus titulares de tarjetas de crédito por comprar en supermercados, gasolineras, restaurantes y suscripciones de streaming. Las recompensas se entregan como cashback de hasta el 5% directamente en la billetera y se pueden aplicar al próximo pago de la factura. Sin embargo, para ser elegible para esto, los clientes deben activar la oferta en la aplicación una vez por trimestre.

La campaña cubre solo canales digitales como correo electrónico, SMS y notificaciones de la aplicación, y tiene como objetivo aumentar la tasa de activación de los cashbacks. ¿Son rentables estas ofertas para Flex? La respuesta es sí. Incentivan a los clientes a gastar en comercios elegibles y estos comercios, a su vez, pagan un margen pequeño a Flex.

Se nos ha encomendado medir la efectividad de cada canal digital:1. ¿Cuánto contribuyó cada canal a las activaciones?2. ¿Cuál es la tasa de activación de cada canal?3. ¿Qué canal fue el más efectivo?4. ¿Varía la tasa de activación del canal según el tipo de compra?5. ¿Qué canal redujo la duración de los viajes de los clientes hasta la activación?

We will continue to update Zepes; if you have any questions or suggestions, please contact us!

Share:

Was this article helpful?

93 out of 132 found this helpful

Discover more

Inteligencia Artificial

Investigadores cultivan matrices precisas de nanoLEDs

Una nueva técnica produce nanocristales de perovskita justo donde se necesitan, para que los materiales extremadament...

Aprendizaje Automático

¿Qué son los Modelos de Lenguaje Grandes (LLMs)? Aplicaciones y Tipos de LLMs

Los programas informáticos llamados modelos de lenguaje grandes proporcionan opciones novedosas para analizar y crear...

Investigación

Un sistema robótico de cuatro patas para jugar al fútbol en diversos terrenos.

DribbleBot puede maniobrar un balón de fútbol en terrenos como arena, grava, barro y nieve, utilizando el aprendizaje...

Inteligencia Artificial

Cómo ayudar a los estudiantes de secundaria a prepararse para el auge de la inteligencia artificial

Un programa de verano de una semana tiene como objetivo fomentar una comprensión más profunda de los enfoques de apre...

Inteligencia Artificial

Esta investigación de IA proveniente de China presenta GS-SLAM un enfoque novedoso para mejorar el mapeo y la localización en 3D.

Investigadores del Laboratorio de Inteligencia Artificial de Shanghai, la Universidad de Fudan, la Universidad Polité...