交叉行销的负效应 (The Dark Side of the Cross Selling)

煮酒正熟

小木 发表于 2013-12-22 19:19
0 k: \. b% `, t: K提个问题。
5 @! d4 I2 U; N* M; X4 ~顶楼说了，促销一般在续约之前的三个月发出。这“三个月”有什么原因没有？是基于以前的研究还 ...

" y* p3 }3 J# h' V& J) `! A  x9 v+ X三个月不是拍脑袋来的，而是基于市场信息而来的。但这并不代表这个做法就一定正确。依据同样的市场信息，不同的人 (或者相同的人在不同时期) 很可能做出完全不同的战役设计来，关键看你对市场信息的解读和使用是否正确。

7 U9 N- U0 c9 n我们的市场调研结果表明，这种小公司从获得保险产品信息到最终决定买哪家的保险，间隔大约是2~3个月。我们这个“三个月”就是这么来的。提前三个月貌似给了客户合理的时间来了解我们的牙齿保险多么多么优越 (我们的牙保确实很好)，可问题是这个东西是个双刃剑 --- 如果客户对我们的医保已经很不满了，就算你的牙保再好，他也不会去仔细了解了，你牙保促销一到，反而激出了他积累几个月的怨气：Okay that's enough!  I've had it enough!

: L" ~) u3 y5 H" ?要知道，牙保的premium只有医保的1/15，这可真是捡了芝麻丢了西瓜
3 b, T8 a. K: f6 Z

code_abc

如果“睡狗”理论成立的话，那么不仅仅是促销邮件其他事件也可能把他们弄醒，能否找到不续约用户在续约前几个月和你们公司发生交易的数据，然后和续约用户做一个对比。也许这样能证明或证伪这个观点。

煮酒正熟

code_abc 发表于 2013-12-22 22:15
如果“睡狗”理论成立的话，那么不仅仅是促销邮件其他事件也可能把他们弄醒，能否找到不续约用户在续约前几 ...

商业用户与一般消费者存在一个关键性差异 --- 一般消费者，购买商品或服务的决策人与消费人是同一个人，而商业用户，决策者与消费者不是同一个人。我们的客户实际上是小公司的业主，而不是他的雇员们，而我们产品的消费者，才是他们的雇员。可惜，他们的雇员看病后对我们的医保质量和coverage满意或是不满意或是很愤怒，具体在什么时间发生这种情绪变化，这个数据我们是拿不到的。

煮酒正熟

小木 发表于 2013-12-22 19:19
4 D! J6 M, o  o9 @提个问题。
顶楼说了，促销一般在续约之前的三个月发出。这“三个月”有什么原因没有？是基于以前的研究还 ...

小木说的这些，我们早已做过了 --- 我们现在做战役用的模型，就是在我接手这摊之前就已经建好的，用了快一年了，我一直严密关注，表现还是不错的。我们也曾想过建一个更好的模型，就是上面提到的 uplifting model，两个模型一起上，同时观察半年，看哪个表现更优，但营销部不敢做主，呈报给市场销售部 (因为钱是他们出)，结果没批，我们也只好作罢。理论上，应该上那个新模型；就算它并不比老模型优秀，至少也是个尝试。但如果要两个模型一起上，印度那帮孩子是不要指望能把战役 coding 做对的，只能由我来做，只是我要管的事情太多，很难集中精力写这么复杂的 code.  所以听说没批后，老博士不太开心，我倒是暗自松了口气

* x; U! _% V" P: ~1 \3 e小木下面贴的那个健身会员的案例挺有意思的

沉宝

煮酒正熟 发表于 2013-12-23 00:41
这个“睡狗”现象不太常见，尤其是在一手交钱一手拿货的世界里，根本就不存在(即使存在也很难找到直接证 ...

% Q0 I) d1 v2 a" k  s9 q1 W煮酒：在你们那行业里一般给新客户多大的优惠？比如说行规是第一年premium半价，那么“睡狗”现象就比较好解释了。因为这样的话即使你们公司比同行好上20%，理论上那些客户在不同的保险公司之间跳来跳去也比一直跟着你们公司强。之所以dental cross sell战役中的睡狗相对更多一些，是因为1)医疗保险不是你们公司的强项，相对于同行你们的优势不明显或根本没有优势可言；2)相对于牙齿保险，医疗保险是大头。别的公司只要用小优惠就可以撬动客户。换句话说，尽管客户知道你们的牙齿保险好，一旦要他们在保险组合中进行选择（唤醒睡狗），他们会更看重医疗保险。

老马丁

, W4 M) l! f% M

煮酒正熟 发表于 2013-12-23 00:41
6 F2 B# p; W9 \% H: \这个“睡狗”现象不太常见，尤其是在一手交钱一手拿货的世界里，根本就不存在(即使存在也很难找到直接证 ...

8 U* X: C. a* y
又看了一遍老酒的全部帖子，说说理解和感想。
" V* N. j! _3 l+ U
两个实验。第一个实验，续约促销，结果是正效果
第二个实验，交叉促销，结果是副效果


( q9 h; S% W% n$ |0 I5 h解释：睡狗比率在两个实验中的不同。
我觉得这个解释比较存疑。随机抽样应该保证睡狗比例在两个实验中大致相当。如果这些效果在统计意义上很小，那么也不必为此烦恼。
. U7 L: j, B7 r% V
老酒关于睡狗产生的机制是非常有道理的。这个促销相当于一个attention trigger，让客户有时间去其他保险公司询价。我觉得两个实验的差别，如果有的话，恰恰和促销内容相关。 续约促销有个惰性养成问题，如果价差不大，客户就不想折腾了。而牙医保险是全新的，同时可以和基本险形成bundle, 这样看起来saving就很多了，跳槽的概率会更大。
2 I7 Y- I" Z( o. g
, a5 ?/ d# t/ S( A2 ?/ Y下一步应该找出睡狗，建立一个睡狗识别模型。弄个logisitic 模型，分别应用在续约促销和交叉促销中, 看看两个实验里的不续约公司有什么共同因素，比如说，人数，行业，tenure时间等。

夏翁

老马丁 发表于 2013-12-28 12:00
又看了一遍老酒的全部帖子，说说理解和感想。

2 f1 ^( y7 Y" }: Y两个实验。第一个实验，续约促销，结果是正效果

没仔细看睡狗定义，我大概就是其中一条，给大拿们添点数据。。。哈哈哈。。。
8 Q; y# u# ?2 L
话说我跟着我的保险公司有二十年了吧，撞车失窃好些起，赔偿够爽，估计在我这里还赔着钱呢，所以看看账单小涨也就由它了。上个月突发奇想，想知道其它公司的保价，花了一上午才问了两个公司，一个月付多两百，一个几乎贵一倍，咋舌之余不禁侥幸，原来咱的公司如此善解人意，继续睡狗，继续睡狗。。。哈哈哈。。。

一休哥

煮酒正熟 发表于 2013-12-23 09:51
三个月不是拍脑袋来的，而是基于市场信息而来的。但这并不代表这个做法就一定正确。依据同样的市场信息， ...

5 ^. G; t% n  L; T有趣的问题。我们一客户做campaign是用RFM先segment一番的，总体response rate有时候control是比test高，但从细分的segment里看，有的segment总是高response的。

# v& f' Z6 x1 V  v" x1 Q0 ?这是零售相关行业，recency和frequency比较高，也是显著因子，具体到保险行业我倒觉得RFM不一定适用。

到处停留的叶子

北宸 发表于 2013-12-22 03:06
& D/ u- e; M* Z  g" [- h. J  l0 q. q看到煮酒寫的這四組顧客特徵，想到用年費維持服務收入，比方說 健身中心 ，我們是不是可以用下面的行為將 ...

好奇北宸你是哪一类？ ^_^  新年有新计划么？
2 V9 D9 N) X. E3 S
7 o$ q8 M2 h' d6 R
嗯，看下来我觉得你这里的第三类和老酒的分类还是稍有不同的。。。这些客户可能抱怨，不过从根本上来说他们保留不保留这个会员，并不是由这些抱怨的原因决定的。

褐色的火车

煮酒正熟 发表于 2013-12-21 01:33
" E% f. G1 J+ g4 C! F注意饮食卫生.
0 k& M4 f5 h/ Z
. C# j$ x; q2 f5 C% D1 oyes, but how?

1 I: ]  _% L# V& p5 J$ j: Z住在国际连锁酒店里
喝国际牌子的矿泉水
& s# f( j* s/ I6 ]! M吃在酒店里，不要点沙拉
刷牙用瓶装水
# Y/ J, f1 Q. b
+ G8 M: Q1 x( l8 g在一定接近一个月还增肥的经验分享。

褐色的火车

煮酒正熟 发表于 2013-12-23 00:11
呵呵，我这部分统计学知识不足，无法判断用t-statistics来测试是对是错。现在都是用工具，方便是方便，就 ...

TTest 是应用在连续变量的。 Continuous
0 X' X/ K2 `% Q# [! Z
+ Y, w2 m' n4 kChi-Sq 是用在非连续变量的。 Discrete
7 v# }6 L$ ?* b7 G. Q& o
% `! B, g( \! f/ I8 o6 T按照你的描述，是应该用Chi-Sq 的，因为你的结果只有两种，YES, OR NO（ 或者Stay or Leave).
; O' @' I: n0 |0 I/ |3 n
6 r- A( _' p- K6 F- Y; `$ Ep值要算的话，也是可以手动算的，比较麻烦。 一般软件都会自动算的。
  n! [: Q1 ?* {3 P  p/ [0 a
那个信心水平其实意义没有那么大的。 一般选择90% 或者 95% （软件一般缺省是95%），两者之间的数值差异没啥特别的意义，一般是先选定可接受的信心水平（因为和可能要承担的风险相关），然后在此基础上，算出P值，然后来判断是否显著。

$ o0 m8 V- p0 U, J, W9 A& L3 ^) y

ctt1984111

# M0 Y2 s5 C( k7 L8 t1 Y, k
两种办法作proportion test， 一种前面已经提过用Chi-square test，而且已经用R给出了答案：p-value = 0.5731。这种方法除了在R里面用chisq.test()，也可以用prop.test()：

a: prop.test(x=c(5173,930),n=c(6841,1217))     (p-value = 0.5731)
( A  }' ]- r, q* ?- ^3 x: n' R) O' q或者
b: prop.test(x=c(5173,930),n=c(6841,1217),correct=F)                 (p-value = 0.5487)

a与chisq.test()完全相同
& |4 s+ d2 B% S, m
而b其实就是Z test（Z test用来比较sample proportion, 而T test用以比较sample mean），那Z test怎么用R来做呢？
, u  _7 T) `% u) |$ @
> p=(5173+930)/(6841+1217)
4 a( K) W. x1 w4 R> z=(5173/6841-930/1217)/sqrt(p*(1-p)*((1/6841)+(1/1217)))
> 2*pnorm(z)
[1] 0.5486768
+ V3 ~5 H  i- ?/ b
最后就是Z test得到的p-value，跟b的结果一模一样。公式大家可以google：Z test.

* F5 g, z: `  U* H" N结论是无论用哪种方法，无论是在90%还是95%的confidence level，无论是one tail还是two tail（我这里只做了two tail，one tail稍微改一改就可以得到），null hypothesis（proportion相等）都无法推翻，所以楼主认为可能存在的“睡狗”现象不能通过统计test证实，只能说交叉销售没有起到促进销售的作用。