随着Subscription商业模式的快速发展，亚马逊，星巴克和丝芙兰等几家本土电子商务公司正在采用这种订阅模式。机器学习可以通过提供预测性见解来帮助订阅电子商务企业的营销人员。ReSci（保留科学）新的生命周期营销产品Subscription Cortex旨在利用AI的力量为营销人员服务。这篇博客文章提供了各种机器学习方法，并试图回答营销人员的重要问题。

Q1）订阅主要评分：哪些收购/潜在客户是好的，哪些是坏的？

订阅业务通常花费大量资金从社交媒体，推荐计划，免费增值模式等获取用户。如果用户不至少维持其订阅至少几个周期，则可能对其可持续增长造成极大的不利影响。公司。

从机器学习的角度来看，识别好用户和坏用户非常适合二进制分类算法。根据注册时有关我们用户的所有可用信息，分类器模型可以了解哪些功能与长期客户相关联，哪些与流失相关（有关非订阅业务的模拟的更详细说明，请参阅我们的帖子WPP）。例如，假设我们有两个用户：住在洛杉矶的31岁的Jennifer是通过iPhone通过谷歌广告获得的。詹妮弗可能是一个高意图订户。另一方面，年龄不详并居住在纽约的Derek是通过Facebook通过Facebook收购的，可能是一个低意向用户（见图1.1）。



这种采集分割可以是部署或测试各种策略的有效方式（见图1.2）。了解哪些地点，注册来源和角色是您的现金奶牛是建立强大商业模式的基础之一。



Q2）订阅取消预测：哪些订户即将取消？

大多数营销人员都认为赢回被取消的订户有多难以及相关成本有多高。对用户进行预警即将取消订阅是现代营销人员工具包的重要优势。营销可以是主动的而不是被动的。订阅暂停或取消会降低用户的生命周期价值并导致收入突然下降。

你如何对“风险”用户进行预警？用户在线行为，订阅参数和用户的产品响应可用于确定他们在订阅周期中的表现。在ReSci，我们目前正在跟踪大约80个用户功能。这些功能将传递到自定义群集模型中，以识别可用于定位营销活动的“风险”群组。此外，它们还每天更新，并对用户的每个操作做出反应。



Q3）订阅CLV：各种角色的终身价值是多少？

我们之前的博客文章详细讲述了机器学习如何用于预测给定用户的终身支出或未来支出。

一旦建立了预测Q3）订阅CLV：各种角色的终身价值是多少？

我们之前的博客文章详细讲述了机器学习如何用于预测给定用户的终身支出或未来支出。

一旦建立了预测系统，分析具有高或低CLV的采集源，位置和人口统计数据非常重要。ReSci的Cortex提供高，低CLV段的完整360°视图（图1.4），并每天更新。系统，分析具有高或低CLV的采集源，位置和人口统计数据非常重要。ReSci的Cortex提供高，低CLV段的完整360°视图（图1.4），并每天更新。



CLV预测的新应用是利用高CLV细分来创建“相似”的Facebook观众。这可以带来更好的客户获取和降低成本，从而为用户实现更高的终身价值。结果是更好的收购导致更高的保留率和更长的订阅周期。



Q4）参与度评分：哪些订阅者是订婚者与被动者？



订户通常是被动的或参与的。从上面的示例中，您可以了解这些订户的一些特征。

机器学习可用于将用户划分为上述类别。下面显示的特征可以在分类器中使用以获得2个分段。

电邮活动
页面访问
会话持续时间
浏览行为
实验结果表明，与被动用户相比，参与用户的响应速度提高了3倍。

结论

机器学习可以成为营销人员的主动助手，增加他们对订户的理解。智能分段与策略相结合可以有助于减少客户流失并提高用户的生命周期价值。此博客文章介绍了我们为订阅业务的营销人员专门制作的新产品的某些方面。 所以，让我们停止猜测，开始利用机器学习并开始使用Subscription Cortex！