Bidragsanalys

Contribute Analysis avslöjar dolda mönster i era data för att förklara statistiska avvikelser och identifiera korrelationer bakom oväntade kundaktiviteter, obundna värden och plötsliga toppar eller dalar för valda mätvärden över konvergerande målgruppssegment.

Något hände. Varför? Din rapport om avvikelseidentifiering visar en ovanlig topp i beställningarna och du vill veta varför. Vad hände med det vanliga? Vem svarar på vilken kampanj eller hänskjutning? Var det något som blev viralt? Vilka faktorer har bidragit till avvikelsen? Och kanske viktigast av allt: Hur kan jag samla in viktig information om min kund och upprepa det här resultatet? (Om en nedgång i ett mätvärde eller uppgång i ett negativt mätvärde inträffar, hur kan jag undvika det i framtiden?)

Med bidragsanalys kan ni omedelbart utvärdera era data för att få svar på varför en avvikelse inträffade. Den bryter ned bidragen till en avvikelse på några sekunder i vad som tidigare tog veckor, ger mönster för målgruppssegment och hjälper er att utveckla en berättelse för kundinteraktioner. Ni kan använda Contribute Analysis strategiskt för att identifiera och samla in meningsfulla associationer för att utveckla nya målgruppssegment, eller använda den taktiskt för att identifiera obunden eller bedräglig aktivitet som utlöser en varning.

Anomaly Detection identifierar datatoppar och extrema statistiska dips baserat på valda mätvärden och valda målgruppssegment. Den sätter en historisk standard baserat på en utbildningsperiod och kartlägger sedan extrema förskjutningar som korrelerar med specifika händelser. Den kan rapportera en kraftig ökning av ett positivt ordermått eller en ökning av ett negativt Bounces-mått, eller en ökning av båda, och samla in statistiskt relevanta datapunkter som ska utvärderas med hjälp av bidragsanalys. När en statistisk avvikelse har identifierats kan ni med hjälp av bidragsanalys gå igenom och utvärdera relevanta marknadsförings- och kampanjvariabler för alla avvikande datapunkter. Den kör avancerade algoritmer och maskininlärningsprocesser för att utvärdera associationer som bidragit till en betydande topp eller dip. Beräkningarna visas sedan i interaktiva visualiseringar som utformats för att ge dig varierande perspektiv för att hjälpa dig att svara på varför något hände och vad du ska göra åt det.

Med bidragsanalys kan ni ta fram en berättelse som beskriver varför en avvikelse inträffade och hur ni ska reagera på den, samla in relevanta mätvärden och identifiera dolda punkter som ger er en övergripande anledning till målgruppsinteraktioner och trender kring kundernas intressen. Ibland är en avvikelse lätt att se och korrigera, som en felaktig order på 2 000 kajaker. Ibland är det komplicerat, till exempel att identifiera en ny trend under en tidsperiod i en region som bara reagerar på en viss riktad kampanj. Genom att samla artiklar för olika mått och deras associationer får ni en övergripande uppfattning om hur er målgrupp interagerar och bidrar till att skapa kontext för avvikande datapunkter.

Här är några exempel:

  • Identifiera potentialen för återmarknadsföring genom att övervaka förändringar i produktefterfrågan.
  • Förbättra kundupplevelsen genom att reagera på specifika målgruppsintressen.
  • Identifiera bedrägliga order tidigt som en rapport utanför ramarna.
  • Protect är du inte intresserad av företagsinformation genom att identifiera högt antal användare och nedladdningar.
  • Övervaka åtgärder som att rapportera saknade javascript-taggar.

Efter en omfattande analys av en avvikelse genereras en bidragssammanfattning för de vanligaste artiklarna ordnade efter totalförekomster och postens procentandel av bidragande värden. Med ett normaliserat bidragsresultat kan du enkelt jämföra, kontrastera och associera med andra viktiga dimensionsobjekt.