幸运飞艇

申请试用
登录
cc
成功案例-预测营销云
新零售/电商
银行
保险
新零售/电商
解决传统零售业寻求转型及新零售行业运营效果最大化问题,提供线下向线上转型、传统行业智能化及线下业务的智能用户运营方案。
申请试用
产品介绍
行业背景
线上零售业发展迅猛,占比增大
年复合增长率超100%,市场空间巨大
传统零售线下转线上
全渠道数字化
智能用户运营
目前新零售与传统零售业普遍利润呈下降趋势,传统零售业流量被线上堵截,实体和人工成本居高不下,营收陷入瓶颈:用户运营低效、用户粘性低、复购率低、转化率低,急需数字化运营意识。在“人工智能+大数据”的时代背景下,新零售行业未来发展趋向以实体门店、电子商务、移动互联网为核心,通过“AI与优化”实现多终端数据源的共融互通,线上线下全渠道的智能用户运营。
未来AI方向的科技赋能,将会促进新零售O2O购物场景的深度融合,实现预测性营销和精细化运营,助力新零售企业打造“高效率”的一体化无缝购物体验。
展开行业图表
新零售用户运营流程及痛点
面临问题
解决方案
智能用户运营解决方案
数据中心
分析中心
画像中心
AI算法中心
自动化营销中心
?
运营面临的问题
数据整理和分析依赖于人工,需数据团队手动分析,给出运营指导和运营结果分析,没有智能系统支持,效率较低。
Datatist解决方案
多维度的顾客分析与营销活动分析​,通过营销要素分析等灵活的 BI分析,实时智能洞察,从数据中快速发现并解决核心问题,指导运营优化,加快效率。
?
运营面临的问题
数据整理和分析依赖于人工,需数据团队手动分析,给出运营指导和运营结果分析,没有智能系统支持,效率较低。
Datatist解决方案
多维度的顾客分析与营销活动分析​,通过营销要素分析等灵活的 BI分析,实时智能洞察,从数据中快速发现并解决核心问题,指导运营优化,加快效率。
?
运营面临的问题
顾客画像不精准,只有简单的基础信息类标签,缺失高级标签,导致运营活动顾客分群定位不精准,运营成本巨大。
Datatist解决方案
顾客数据整合与标签化管理,补充数据统计画像和AI预测高级画像,完善标签体系。精准筛选人群,协助运营中心定位最优对象,以降本增效、提升转化。
?
运营面临的问题
运营决策基于经验为主,运营的对象凭经验或者随机标签筛选,决策不智能,缺乏优化理论、缺乏科学的方法论指导。
Datatist解决方案
数百个AI 机器器学习算法与科学的方法论相辅相成,提供智能决策,找出最佳运营对象(渠道/时间/策略/人群等),实现预测性营销,并针对用户运营过程中的各个关键步骤环节,提升核心运营指标。
用AI复购预测模型,帮助该零食品牌下单率提升20.57
?
运营面临的问题
营销不能自动化,多为手工操作,效率低下,没有形成自动化的解决方案。
Datatist解决方案
触发式营销,运营活动发送和管理更自动化,只要符合条件即会触动活动发送,形成自动化的解决方案。
如:会员优惠券到账通知、收藏商品降价通知、商品促销活动通知等自动化的营销沟通。
A/B 测试
?
运营面临的问题
对活动影响因素不做定量预估,无AB测试思路
Datatist解决方案
对运营活动的影响因素(内容、策略、人群、渠道、产品等)进行A/B测试、分析和反复优化。结合实际的业务目标,优化出最佳活动运营效果
十一期间,通过A/B测试分析,对比抽奖 vs满减 vs 积分;不同支付平台;不同内容设计;不同发送时间及不同推送渠道的效果
转化率从0.3%提高到3%,提高10倍创造价值
创造价值
1000万用户x2.7%x100元=2700万元
闭环优化
?
运营面临的问题
数据是数据,运营是运营,数据不能智能驱动运营优化,数据到运营无法形成闭环,不能系统化的取得稳定有效的运用效果,运营效果不能循环优化
Datatist解决方案
将数据和运营打通,数据自动驱动运营,运营结果自动反馈,持续优化运营效果,形成闭环一站式运营解决方案
数据驱动运营·智能优化运营效果
一体化
?
运营面临的问题
数据平台和运营平台不在同一个平台,数据的来回拉取效率低,采集困难,且存在安全隐患;多个终端的用户行为无法同时追踪;缺少AI赋能,数据不能智能驱动用户运营;没有可以一站式、闭环、循环优化的智能用户运营平台
Datatist解决方案
全平台一站式便捷管理,集全渠道数据采集、多终端用户行为跟踪和分析、云服务大数据中台搭建、全生命周期管理、A/B测试、AI智能运营最优决策、运营效果追踪以及循环优化等为一体
客户美誉
某B2C生鲜服务商
CIO
全面数据运营优化方案,使业绩增长数倍
目前用到的性能效果俱佳的产品,我们的业绩已经增长了数倍,提供的数据运营培训对我们帮助也很大,服务态度好,专业程度高,需求可以及时跟进并且快速解决。
产品介绍
人均GMV
增长3倍
用户留存率
提高2.8倍
成功案例
新零售/电商
查看案例
银行
查看案例
保险
查看案例
银行行业
协助银行业为用户提供创新的金融服务,精准预测推荐产品,提高用户活跃度及转化率。提供服务于银行业新老用户活跃度、价值度等运营目标的智能用户运营方案。
申请试用
产品介绍
行业背景
银行业需探索更深入的数字化重塑,大数据与人工智能的科技应用,将为银行业带来的新的变革与转机,科技赋能可以有效降低运营成本,加速银行业数字化创新转型的步伐。
打造全新运营模式
发展新业务增长点
智能运营转型
当今银行业重视社交网络营销及熟客营销,但大多数银行未构建线上用户运营机制,无法满足用户的个性化需求,随着网络入口的增多,用户随之更为分散,数字营销的难度不断加大,流量红利趋向“消失殆尽”。对于陷入数字化创新转型窘境的银行业而言,确保持续盈利的姿态势必困难重重。
毕马威某项报告显示:2018年二季度银行业净利润增速较2017年度,较为缓慢。
*适用范围:五大行及储蓄银行总行、全国性股份制银行总行、城商行总行、农商行总行等。
展开行业图表
银行行业运营痛点
?
运营面临的问题
用户基数较大,但大多数银行却未构建线上运营机制。
渠道覆盖范围广、流量大,但营销渠道管理分散,响应慢,成本高。
开发依托科技部门,IT成本耗资巨大。
运营流程断点,从营销-培育-转化-跟进-分析-再营销的流程存在断点。
缺少科学的运营方法论管理,缺少跟踪监测的数据,营销执行相对分散。
获客难、转化难,产品同质性严重,转化路径深,转化变量多,营销周期长。
智能用户运营解决方案
《某全国性股份制银行》
某全国性股份制银行是中国改革开放中最早成立的新兴商业银行之一,也是中国最早参与国内外金融市场融资的商业银行,近年来,该行坚定了进一步推进零售业务转型的立场,携手DATATIST共同推动以公、零售和金融市场业务为重心的银行智能运营结构体系。
2018年的报告显示,该行集团零售银行业务实现营业净收入500多亿元,同比上年增长5%,占营业净收入的34.6%,这主要得益于:
银行数字化运营中台体系构建
市场运营构建立体式流量来源
内容运营构建常规内容库承接流量
产品运营跨渠道的协同与融合,全渠道运营
用户运营精细化分层分群,差异化经营
长尾用户运营:价值度运营、活跃度运营
银行互联网平台的个性化运营
“引流-获客-价值转化”的一体化运营闭环
为该行构建的数字化运营中台,运用了我们科学的运营理论及科学的方法论,有数百种AI预测模型作为技术支撑,自动化进行符合该银行业务场景的全渠道运营,最终可以达到提高其零售银行业务增长的效果。
AI赋能个性化运营,降低用户流失率
该行信用卡中心已经初步完成多渠道互联网化,我们通过大数据技术采集和融合互联网行为数据和交易数据挖掘用户消费习惯,构建了Ai驱动的个性化推荐系统来达到个性化和智能化运营目的。
个性化的访问落地页可以有效降低用户流失率20%,运营途径为个性化推荐、交叉销售或捆绑销售,比如通过关联规则、相似度算法等为客户推荐感兴趣的金融产品和服务。
模式效果:开户转化率提升3.36倍
长尾用户运营,促进长尾客户的价值提升
相比头部客户,长尾客户的有较低的留存率和较高的流失率,因此在运营中更注重提高客户的留存(尤其是新客户的留存)和对流失客户的唤醒。
银行的长尾客户是低频用户,活跃度不高,可以利用AI预测模型通过对长尾客户的持续运营,将长尾客户升级到头部客户,方法有很多,比如:绑定工资卡提升账户活跃度、刺激客户申请信用额度、建立客户奖励机制和会员制、区分长尾客户的当前价值和未来价值(CVP模型)等。
我们通过对客户的线上线下的行为和交易数据的分析,进行完整的客户画像,并根据画像特征建立相应的AI模型,逐步实现:
增加新用户人数
增加客户层级的正向迁移
增加客户层级的负向前移
减少客户流失
长尾客户的价值提升
模式效果:活跃转化率提升4.79倍
A/B测试,提高运营效果
在每次的运营活动中,设计A/B测试流程,通过对比持续优化营销时间、目标人群、触达渠道、推送内容等运营策略。
开展多轮活动,循环优化活动效果
根据运营目标,选取评价营销效果的主从指标;主指标评价活动是否实现预期目标,从指标指导持续优化的方向,不只做短期或者一次性的活动,多用长期的市场营销活动,持续多轮
产品价值
提高转化率
降低运营成本
加速数字转型
行业客户
成功案例
新零售/电商
查看案例
银行
查看案例
保险
查看案例
保险行业
帮助保险企业精细化运营,AI交叉推荐保险产品;提供多平台数据采集整合、用户及产品分析、用户生命周期管理、核心转化预测、自动化运营效果追踪等,闭环一站式智能用户运营方案。
申请试用
产品介绍
行业背景
在中国市场,85%的财险市场和71%的寿险市场仍牢牢掌握在前十大保险公司手中。大型保险公司的分公司大多未构建良性的线下客户运营机制,缺少对现有客户数据的“二次开发”,在提升利润空间的发展上存在局限性。
提高交易额
创造盈利机会
智能运营转型
人工智能及大数据技术的应用对保险业产生巨大影响,目前在分销和承保领域表现尤为明显。保险行业价值链已发生变化,随着AI技术向整个保险行业的逐步渗透,不少保险公司的重点纷纷转移到基于平台的模型,寻求通过平台实现保险行业智能运营转型及业务链拓展的解决方案。
2018年保险业年度总投资额为57亿美元,行业发展势头猛劲。同时在中国市场,85%的财险市场和71%的寿险市场仍牢牢掌握在前十大保险公司手中(源自麦肯锡)。而虽然保险业大部分市场份额都被大型保险公司所分割占据,但大型保险公司也存在一定的问题,最明显的是:大型保险公司的分公司大多未构建良性的线下客户运营机制,缺少对现有客户数据的“二次开发”,在提升利润空间的发展上存在局限性。
展开行业图表
保险行业运营痛点
?
运营面临的问题
保险业分公司自有数据源单一,只存有线下客户数据;
缺乏对数据的洞察分析,数据对运营没有起到积极作用;
不能满足客户的多样需求,需全面了解客户,提供个性化的线下场景运营方案;
无法结合市场发展状态,智能预判产品的交叉推荐,以有效提升运营转化效率;
需加大熟客营销力度(提升复购率),还在用传统老方式维护客户,成本偏高,复购率较低
智能用户运营解决方案
《某大型保险企业分公司案例》
大型保险公司的互联网行为数据管理权限通常在总部,而分公司仅保留线下客户的数据库,数据源很单一,同时保险分公司对线下客户数据认知也不够敏感,不懂得如何通过现有数据去洞察商机。
某大型保险企业分公司存在同样问题,想通过挖掘数据的潜在价值、降低运营成本、提升客户交易总额,经过严格的筛选后,选择采用我们预测营销云线下智能版。
根据该保险分公司的业务目标,我们进行POC方案设计,对接保险分公司线下客户数据,规则化存储与标签化处理,包括其:客户、保额、生日、性别、车型等数据,从线下数据中挖掘潜在价值与商机,用于客户分析建模。
我们为其搭建了AI交叉推荐预测模型,精准预测出已购买车险客户中更可能购买健康险的客户,经验证模型效果显著,其中模型筛选的10%的客户,交叉购买转化率提升了3.9倍。
这家保险分公司通过两种方法进行车险与健康险的交叉推荐。按保险分公司原始方法进行:需要50位客服进行一年的电话销售,除去客服的人工成本及保险的运营成本,结果是负盈利,原始方法令其得不偿失。
按照我们的智能方法进行交叉推荐,对客户数据进行AI预测模型筛选,可以为保险分公司达成的净年盈利约15万,预计为其全国1000家分公司增收约1.5亿元,为其集团增收约1.12亿元。
数据表明,我们的产品将为客户带来的价值巨大,即使只有线下客户数据,也能通过AI模型预测出最佳运营策略,同时,大型保险分公司客户需要转变对线下数据的看法,培养数据挖掘和智能运营意识,甄别运用新技术、新平台增加盈利机会、获取高额回报。
原始客服方法
50位客服进行一年的电话销售,除去客服的人工成本及保险的运营成本,结果是负盈利
Datatist AI模型预测
预测出最可能购买保险的人群,只触达经过模型筛选的20%,就能达50%的效果
一家分公司净年盈利约15万;预计为其全国1000家分公司增收约1.5亿元,为其集团增收约1.12亿元。
产品价值
提高转化率
降低运营成本
加速数字转型
行业客户
成功案例
新零售/电商
查看案例
银行
查看案例
保险
查看案例
申请试用
产品介绍
关注我们
微信订阅号
微信服务号
微信客服
总部地址:上海市徐汇区宜山路333号汇鑫国际1号楼803
分部地址:北京/广州/美国硅谷/加拿大
联系电话:400-800-1355 周一至周五 9:00-18:00
版权所有©幸运飞艇有限公司 Copyright©Datatist,Inc