Uplift (pârghie în franceză) se referă la o generație de modele statistice utilizate în marketingul cantitativ pentru a detecta populațiile de consumatori sensibili la o ofertă comercială. Pentru operațiuni de marketing direcționate, ridicarea ajută la identificarea grupurilor de persoane care sunt susceptibile de a răspunde pozitiv la o solicitare de marketing. În acest fel, această tehnică face posibilă reducerea numărului de mesaje comerciale trimise și, prin urmare, a costului publicității. Este atât o îmbunătățire a tehnicilor clasice de marketing, cât și o completare a tehnicilor de extragere a datelor : scorul de înclinație și scorul anti-uzură, regresii și arbori de decizie .
În general, modelul de înălțare este o modalitate de a prezice, cu o anumită rată de eroare, impactul unei acțiuni asupra comportamentului cuiva. De exemplu, metoda face posibilă cunoașterea probabilității unei schimbări a comportamentului de cumpărare al unui grup de persoane după o campanie de marketing direct. Este o tehnică de căutare a datelor nou aplicat în serviciile financiare, de telecomunicații și industria de retail marketing direct pentru activitățile de up-sell de suplimentare de vânzări ( cross-sell ) pentru a putinei și loialitate .
Când vrem să înțelegem ce acțiuni de marketing pentru a păstra clienții deja dobândiți sunt cele mai eficiente și în ce circumstanțe, trasabilitatea operațiunilor de marketing este esențială. Sistemele de abonament, cardurile de loialitate, mijloacele de plată, codurile de cupoane sunt instrumentele pentru urmărirea clienților și măsurarea eficienței operațiunilor de loialitate.
Aceste sisteme de trasabilitate măsoară în special proporția consumului „natural” nesolicitat și / sau rezultat din operațiuni comerciale anterioare.
Un model înălțător este potrivit pentru optimizarea costurilor și a rentabilității campaniilor de marketing pentru loialitate pentru o gamă de produse care pot fi consumate sau subscrise în mod natural (fără solicitare comercială) și în prezența trasabilității comportamentului. Modelul de ridicare maximizează consumul suplimentar generat de procesarea comercială comparativ cu consumul natural fără prelucrare. În plus, un model de înălțare oferă cele mai bune rezultate atunci când canalele de contact pot fi intruzive și implică un risc de nemulțumire a persoanelor contactate (efect boomerang negativ): contact comercial printr-un call center, SMS, newsletter și e-mail comercial similar cu spamul cu valuri de dezabonări ale clienților.
Ridicarea este utilizată în principal în domeniul telecomunicațiilor și mass-media pentru vânzarea încrucișată a abonamentelor de telefon / internet / televiziune și a campaniilor anti- churn , în finanțarea cu amănuntul pentru campaniile de marketing pentru vânzarea de produse bancare sau de televiziune . " campanii de prevenire a uzurii vizând creșterea duratei de viață sau a valorii clienților, campanii de reînnoire pentru produse de asigurare sau de credit și distribuție în masă pentru campanii promoționale și de fidelizare pentru deținătorii de carduri.
Managerii de marketing din organizații mențin unul sau mai multe eșantioane (mici) de clienți „grup de control” care nu sunt incluși în operațiunile comerciale. Eșantionul de control face parte din bune practici de măsurare și direcționare a marketingului. Face posibilă măsurarea eficienței acțiunilor de marketing în relație, detectarea posibilelor efecte negative ale acestora și îmbunătățirea direcționării.
Prezența unui eșantion de control („placebo”) de mărime suficientă și distribuit aleatoriu permite măsurarea și direcționarea ridicării.
Trecând cele două măsuri de consum cu și fără tratament, putem identifica schematic patru categorii de clienți. În primul rând, persoanele care reacționează negativ la un tratament de marketing sunt numite refractare . Acțiunea comercială generează un efect negativ bumerang pe acest segment, care merge împotriva efectului dorit. Acești oameni nu cumpără pentru că li s-a cerut să facă o achiziție. Apoi putem defini cauzele învățate care sunt grupuri de oameni loiali care consumă indiferent de circumstanțe și acțiuni de afaceri. Cele cauze pierdute consumă puțin, oricare ar fi făcut eforturi comerciale. În cele din urmă, grupurile care pot fi influențate răspund pozitiv tranzacției comerciale.
Efortul de marketing trebuie să se concentreze asupra singurilor clienți care pot fi influențați. Eforturile de loialitate nu au niciun impact sau chiar un impact negativ pentru celelalte trei categorii. Operațiunea de marketing care favorizează vizarea valorii clienților foarte receptivi maximizează rentabilitatea investiției.
Un prim model poate estima probabilitatea consumului pe baza unui istoric al clienților supuși unei acțiuni: PCT = Prob (Consum | tratament). Un al doilea model este construit pe istoricul clienților care nu au fost supuși unei activități de fidelizare: PCN = Prob (Consum | fără tratament).
Ridicarea este diferența dintre aceste două probabilități (Ridicarea = PCT-PCN). Poate fi exprimat ca diferențial în rata de vizită, rata de abonament, rata de cumpărare, rata de uzură sau chiar suma medie consumată. Dacă, de exemplu, pentru un grup vizat de clienți, consumul mediu postoperare valorează 220 EUR atunci când sunt procesate și 200 EUR când nu sunt procesate, creșterea valorează 20 EUR.
Un scor ridicat de direcționare este creat prin exploatarea informațiilor despre clienți disponibile (notate X) în amonte de tranzacția comercială: scor U = Prob (Consum | X; tratament) - Prob (Consum | X; fără tratament)
Cu toate acestea, abordarea înălțătoare a celor două modele funcționează destul de prost în practică. Există două motive pentru aceste dificultăți:
În primul rând, amplitudinile dintre consumul natural și creșterea consumului suplimentar generat de operațiunea comercială nu sunt, în general, comparabile. De exemplu, putem observa o creștere suplimentară a consumului de 20 € pentru un consum natural de 200 €. În această ipoteză a unei creșteri semnificative, dar marginală în comparație cu consumul natural, modelele statistice clasice detectează într-adevăr principalele semnale de variabilitate ale consumului natural. Ei detectează semnalul ascendent ascendent mult mai puțin bine sau deloc (10%). Abordarea de estimare a ridicării de către cele două modele, una construită pe populațiile tratate (generând 220 EUR) și cealaltă netratată (generând 200 EUR), tinde, prin urmare, să anuleze analiza specifică a ridicării, concentrându-se pe consumul natural.
Apoi, obiectivul abordării de către cele două modele nu este direct corelat cu ridicarea. Nu există niciun motiv să credem că principalii factori de variabilitate ai Uplift sunt aceiași cu cei ai consumului natural. Sensibilitatea la acțiunea de marketing (= ridicare) nu are niciun motiv să fie legată de loialitatea clienților, în special pentru canalele intruzive (e-mail, SMS etc.).
Problema ridicării în marketing este similară cu cea a epidemiologiei. Epidemiologul compară frecvența unei boli la un grup de persoane expuse unui tratament medicamentos, comparativ cu cea a unui grup de persoane care nu sunt expuse sau expuse unui placebo.
Lo propune modelarea ridicării pentru operațiunile de fidelizare a cardului de fidelitate prin adăugarea unui termen de interacțiune la fiecare dintre variabilele explicative. Se potrivește unei regresii statistice folosind aceste interacțiuni. Pentru utilizarea modelului și calculul predicției ridicării, acesta scade consumurile calculate între modelul cu variabilă de procesare egală cu 1 și modelul cu variabilă de procesare egală cu 0.
O abordare originală a segmentării ridicării folosind arbori de decizie a fost inițiată de Surry și Radcliffe în 1999.
Ridicarea nu este măsurabilă pentru o persoană activată în timpul tranzacției comerciale. Pe de altă parte, în prezența unui grup de control, ridicarea este măsurabilă în funcție de grupul de indivizi. Surry și Radcliffe propun compararea subgrupurilor de indivizi activi cu aceleași subgrupuri neactivate ale eșantionului de control.
Aceștia adoptă o metodologie de construcție a copacilor binari utilizând următoarea secvență:
Tehnica este consolidată prin producerea mai multor variante ale acestui arbore. Obiectivul este de a găsi un compromis bun între performanța de identificare ridicată și reproductibilitatea (robustețea) calculelor. Mai multe game de modele sunt construite pe baza a1 rezultatele aleatorii de probe de validare / construcție. O a doua gamă de parametri face posibilă realizarea de variante de modelare pe mărimea segmentelor terminale (frunza arborelui) ( a2 ). Tehnica bootstrap (pungi) este utilizată pentru a construi a3 copaci separați. Fiecare dintre acești arbori este definit dintr-un sub-eșantion bootstrap N / a3 (cu N = dimensiunea totală a eșantioanelor tratate și de control). Ridicarea unei persoane este media ridicărilor calculate pe aceste a3 segmente terminale. În cele din urmă, este stabilită o pădure de arbori de decizie cuprinzând a1 * a2 * a3 modele diferite și face posibilă evaluarea variantelor de modelare a1 * a2 . Arbitrajul dintre diferiții arbori se face folosind criteriul Qini, o transpunere a indicatorului Gini adaptat metodei de ridicare. Alegem arborele cu cel mai bun Qini.
Se pare că modelele înălțătoare trebuie actualizate mai des decât altele. Au nevoie de grupuri de verificări ale calității și uneori sunt dificil de interpretat