测试
全部博文（931）
分类： 架构设计与优化
2019-10-17 11:46:56
这个系列的第一篇文章 SAP Marketing Cloud功能简述(一) : Contacts和Profiles，我向大家介绍了SAP Marketing Cloud里的Contacts和Profiles，本文继续介绍SAP Marketing Cloud里围绕Target Group这个概念的一些相关场景和功能。
在Segmentation Modeling中支持以各种标签细分用户群，如商品ID、交互方式、地区、性别、生日、姓名等。数据经过统计以图形化等形式呈现。进行用户细分的方式简单方便，通过勾选或者点击等操作可以轻松实现。
借助Predictive Studio，业务分析师可以创建预测模型。预测模型使用算法和历史数据计算提供客户未来行为分析的评分。
场景示例：负责产品A营销的业务人员Emma想要通过一个手机营销活动，达成该产品200单的销量。
创建和使用预测模型的流程概览：
(1) 在Predictive Studio中，创建预测模型、选择预测场景，以及定义场景所需的详细信息。
(2) 为预测模型创建一个或多个模型拟合。
(3) 使用历史数据训练模型。
(4) 检查模型拟合的质量，选择最佳模型拟合并激活预测模型。
(5) 最佳模型拟合可用于计算预测评分。
(6) 在Segmentation中，基于活动的预测模型创建目标组。
(7) 在Campaigns中，针对target group运行营销活动。
(8) 在Predictive Studio中，度量营销活动的成功情况以查看未来优化活动模型的方法。
下面是具体步骤介绍。
Predictive Studio页面中展示当前已有的预测模型，我们可以选择重新创建一个。
在前面提到的场景下，预测场景Scenario应该选择Consumer Buying Propensity.
进行以下设定：
Training Set: 训练集的目标组(不能超过100万成员）
Target Object: 产品A
Target Variable: 购买
Time Frame for Analysis: 指定对训练集的分析期间
Number of Responses: 训练集中购买产品A的成员数(训练集中一定要有部分人购买了产品A)
Number of Members: 训练集中成员数
Applicable Scope: 指定训练集有效的区域
设定完毕后选择save.
首先进行内部训练模型拟合。在Model Fits部分，我们可以创建模型拟合。
在模型拟合页面，我们选择与模型相关的Predictors，然后点击Start Model Training开始训练。
模型训练结束会显示如下结果，显示内容的含义分别为：
Predictive Power: 属于[0,1]，指示模型拟合质量，越大越好。
Predictive Confidence: 属于[0,1]，指示预测置信度，越大越好。我们认为大于0.95为可靠。
Initial No. of Predictors：起作用的预测其列表中的条目数。
No. of Selected Predictors：所选预测器数量。
No. of Kept Predictors：保留的起作用的预测器数量。
柱状图表示每个起作用的predictor所起作用的百分比。
除了使用SAP提供的标准预测分析模型，我们还可以上载外部训练模型拟合。需要在创建新模型拟合时，选择Logistic Regression.
在模拟拟合详细信息页面底部，点击导入模型进行导入。注意：只能导入xml格式文件。
如果模型导入成功，洛伦兹曲线会使用训练集计算且曲线会在“预测模型”图表中显示。
我们可以多创建几个Model Fit，选取其中拟合效果最好的。衡量拟合效果的标准如下：
Quality Coefficient: 即质量系数（也称为基尼系数），取值[-1,1]，与随机线和模型曲线之间的面积成正比，表示模型拟合的质量。
洛伦兹曲线：即下图，将拟合质量可视化。
选择拟合最好的Model Fit进行Activate，被激活的模型会显示Active.
可以根据图形化界面双击某个国家对用户进行细分:
选择Buying Propensity，找到我们提前设置好的模型，在Predicted Expected Responses一栏填入我们期望的订单数200， Selected Contacts会显示目标组大小。选择Keep，确定Selected Contacts为目标组。
至此即可基于我们细分出的结果创建Target Group. 营销人员Emma可以利用这个Target Group来进行智能高效的精准营销活动。
可以看到Target Group的信息，点击Release之后，才可用于Campaign中。
设立Score标准，补充用户画像，作为用户细分的依据。
Score Builder首页显示现有的Scores，这些Model仅能查看，不能修改。
点击查看Score详情，可以查看Score使用的Rule Model，在Segmentation Modeling中所属的文件夹，以及可以使用该Score的应用。
在Score Builder首页点击Create Score可以创建新的Score.
点击加号，创建Rule Model, 一个Score可以有多个Rule Model, 后者支持多种不同Rule的组合设定。Rule为if then形式，不同规则用"and"或者"or"连接。相比单纯在Segmentation Modeling中用标签来细分受众，Rule Model提供了多种属性按不同权重来综合衡量的可能。
将其他Target Group和Time Frame等信息填写完毕后，保存并激活。至此，Score的创建就完成了。
名为Best Email Sending Time的Score Rule，自动统计了整个客户在每个时间段内状态为Active的用户数。
我们可以选择活跃用户最多的时间段，点击Keep，再次细分受众。创建Target Group的过程同上。
除了以上提到的方法，我们还可以根据用户行为对用户进行细分。一旦用户做出这些行为，那么就加入了我们的Target Group。这种类型的Target Group会自动触发营销活动的开启。
这类行为包含：Abandoned shopping cart/App installed/Email opened/Email not Opened/Click through/No click through等等。
这类自动触发的营销活动，在创建Campaign时需要在User Interaction中设定Trigger Type，也就是设定触发营销活动的用户行为。这样当用户做出这些操作时，系统就会自动做出反应。例如当用户废弃购物车时，向用户发送邮件，提醒用户购物车中的商品，能够在一定程度上提高网上商城的盈利。
在Sentiment Engagement功能中进行用户的情绪互动分析时，我们可以根据用户的行为表现来设定Target Group。首先创建一个新的Target Group，然后向其中添加个体用户。
根据筛选条件显示符合条件的情绪互动，我们可以在用户的Post处进行勾选，导入之前创建的Target Group.
因为需要一个个添加用户，所以这个方法适合小范围的营销活动。
由于数据问题，以下两张图为官网截图。以下展示了某段时间内经过8个联系点的热门程度排前80%的退货旅程。
根据已筛选和分析的客户旅程数据，选择想要的部分来构建Target Group。
这个系列的下一篇文章，会介绍SAP Marketing Cloud的Content和Campaign功能，谢谢关注。
要获取更多Jerry的原创文章，请关注公众号"汪子熙":
