Armstrong One ja ennustava analytiikka

Armstrong Onen 24 markkinoinnin konseptin takana on laaja kirjo analyyttisiä malleja. Jokaisella konseptilla on oma käyttötarkoituksensa, jonka mukaan kaikki mallinnuselementit on mietitty yksityiskohtia myöten. Ennustavien mallien lisäksi Houston Analyticsin analyyttiset prosessit huomioivat datan rajaukset, triggeröinnit, poistosäännöt sekä ajastukset. Kaikki tämä toimii automaattisesti.

Mallien kompleksisuus vaihtelee perinteisistä scoraus-pohjaisista malleista aina churn- ja assosiaatiomallien yhdistelmiin. Joillakin konsepteissa on pidättäydytty perusmenetelmissä, kun taas suurimmassa osassa koko käyttäytymisdata murskataan. Näin haetaan erilaiset kulutusprofiilit huomioivia ostoassosiaatioita. Useimmat mallit ovat itseoppivia eli malli parantaa itse itseään ajan kuluessa: ennusteet tarkentuvat, kun malli oppii asiakaskunnasta. Mallit eivät siis vanhene. Lisäksi Houston Analyticsin tiimi tekee jatkuvaa tuotekehitystä, mikä edelleen parantaa mallien toimivuutta.

Suurin joukko ennustavista malleista kuuluu ns. assosiaatiomallien ryhmään. Näistä yleisimmät algoritmit ovat nimeltään Apiori, Carma ja Sequence. Nämä mallit ovat omalla tehokkuusalueellaan juuri retail-maailmassa. Kun perinteinen ja yksinkertainen digimarkkinoinnissakin käytetty pelkkä looginen päättelysääntö on useasti ”tuotetta X ostaneet ostivat myös tuotetta Y”, Armstrongin edistykselliset algoritmit hakevat optimaalisia suhteita huomattavasti laajakatseisemmin käyttäen mittareina esimerkiksi millaisen liftin mikäkin tuote antaa millekin tuotteelle. Menetelmällä voidaan tunnistaa käyttöyhteys, ristiinosto-, substituutti- ja komplementtituotteita.

Toinen yleinen malliperhe on luokittelumallit. Niiden avulla voidaan esimerkiksi logistisella regressiolla ja puumalleilla ennustaa, millä todennäköisyydellä jokin asia tapahtuu. Nämä tekniikat yhdessä aikasarjamallin kanssa on implementoitu esimerkiksi churn-malleihin: ennustetaan siis asiakkaan käyttäytymisen perusteella, hiipuuko asiakkuus ajan x kuluttua. Samaa tekniikkaa voidaan käyttää vaikkapa arpajaisiin osallistuvien ihmisten tunnistamiseen.

Jotta merkittävät assosiaatiot voidaan tunnistaa, kaikki mallit opetetaan sopivilla segmenteillä. Kaikkia malleja sovelletaan kuitenkin aina yksilötasolle. Lopputuloksena kohdistussäännöissä vaikuttavat optimoidussa suhteessa asiakkaan oma kulutustyyli mutta myös muiden asiakkaiden ostokäytös.