预测分析能够帮助我们窥见未来，并提供战略洞察，从而开拓新的机遇。以下列举了五种运用预测分析的方法，以及如何改变你对数据的固有认知。
合格线索
根据 Forrester 的研究，预测分析已发现处理销售线索的三种主要应用场景。具体而言：
- 预测得分： 这种方法分析潜在客户对您的营销活动的反应，以及他们根据这些信息采取行动的可能性。通过这种方式，您可以更快地确定应该将更多资源集中在哪些潜在客户身上，以及应该减少对哪些潜在客户的资源投入。
- 识别模型： 此用例采用的方法侧重于将潜在客户与过去已采取行动的客户进行比较。通过这种方式，您可以将资源集中投入到那些根据其过往行为最有潜力的潜在客户身上，同时还能发现您之前未曾意识到的新市场。
- 个性化： 除了预测哪些潜在客户最有可能采取哪些行动之外，同样的数据还可以用于确定哪些潜在客户对哪些类型的消息最有反应。这种高级细分方法比简单地将潜在客户分成几组更深入——它可以向他们发送更加个性化的消息。
哈佛商业评论曾报道过一个突出的例子，详细介绍了一家哈雷戴维森经销商如何使用名为 Albert 的人工智能将销售线索增加了 2930%。
人工智能系统分析了客户关系管理（CRM）数据，识别出以往买家的特征和行为。然后，它根据这些特征将他们划分成若干个细分群体。对于每个细分群体，人工智能系统测试了不同的标题、图片和其他元素组合，以确定哪种组合最适合该群体。
潜在客户资格评估的价值高度依赖于数据的价值和数量。无论您的统计模型多么出色，如果无法获取了解客户所需的信息，它们的能力仍然非常有限。
在数字领域——尤其是在你没有使用客户关系管理系统 (CRM) 的情况下——开展预测分析的最佳起点几乎肯定是将 Google Analytics 和 Google BigQuery 集成起来。
客户行为建模
虽然线索资格审查和转化是预测分析最显而易见的应用场景，也可能是最值得优先研究的，但这远非这项新兴技术在营销领域的唯一应用。不过，几乎所有应用的核心都是客户建模。
您可以将客户建模分为三种基本类型：聚类模型、倾向模型和协同过滤。
聚类模型
聚类分析是一种基于多个变量将客户划分成不同群体的方法。聚类模型会寻找各种属性之间的相关性，并识别出某些属性倾向于聚集的若干均衡点。与传统细分方法相比，聚类分析的独特之处在于其涉及的变量数量庞大。聚类分析通常会使用 30 个或更多变量，远远超过手动细分客户，甚至超过客户自行细分所能处理的变量数量。
集群有三种形式：
- 产品集群：这些客户群体倾向于只购买特定类型的产品，而忽略您产品目录中的其他商品。
- 品牌集群：这类顾客倾向于购买特定品牌组合的产品。
- 行为集群：这些是具有特定行为组合的客户群体，例如经常购买小额订单的客户，或者更喜欢呼叫中心而不是购物车的客户。
了解这些聚类的关键在于，即使信息有限，它们也能预测人们属于哪个聚类。例如，如果他们购买了某个特定品牌的某件产品，你的品牌聚类可以预测他们可能对哪些其他品牌感兴趣，而不仅仅是简单地推荐该品牌的所有其他产品。
倾向模型
倾向性模型是指基于与其他行为和属性的相关性来预测客户未来行为的模型。这可以通过回归分析或机器学习来实现。一个好的倾向性模型会尽可能多地控制变量，以避免将相关性误认为是因果关系。
以下是一些倾向性模型的例子：
- 流失倾向：这些客户如果您不采取行动，他们很可能会流失，但除此之外，他们可能具有很高的价值。
- 退订倾向：这样的模型可以帮助您确定合适的邮件发送频率，权衡收件人退订的可能性和任何可能的积极影响。
- 终身价值：对客户终身价值进行建模可以帮助您制定战略营销决策，因为它可以帮助您找到终身价值更高的客户，或者引导客户采取能够延长终身价值的行为。
其他倾向模型包括预测某人的终身价值处于哪个阶段，以及他们转化或购买的可能性有多大。
协同过滤
如果你见过亚马逊的“喜欢这款产品的顾客也喜欢……”推荐，你就知道这是什么类型的模型了。乍一看，协同过滤似乎与基于产品的聚类模型类似，但两者略有不同。协同过滤并非根据顾客可能购买的产品类型进行分组，而是基于顾客的总体行为进行推荐。
换句话说，这与其说是用户对产品的偏好，不如说是产品往往会给用户带来的行为。
协同过滤有三种类型：
- 追加销售建议。这是指在完成销售之前，向客户推荐更高级别的产品版本。
- 交叉销售建议。这种建议也是在销售完成之前提供的，指的是推荐一款通常与初始产品同时购买的产品。
- 后续推荐。这些推荐针对的是人们在购买前一件产品后的一段时间内往往会购买的其他产品，例如替换用完的产品，或者在购买桌子后购买餐具。
将合适的产品与合适的市场联系起来
通过反向推导客户模型，您可以发现一些您可能尚未意识到的产品市场。以下是一些此应用场景的示例：
- 将推荐来源纳入您的聚类模型。这将帮助您识别哪些流量来源与哪些类型的产品、品牌或行为相关。由此，您可以立即为这些产品或品牌找到新的市场。
- 将推荐来源纳入您的终身价值倾向模型。这将帮助您确定应该在哪些地区投入更多营销资源，因为您可以大致了解投资回报率。
- 寻找流量来源与追加销售、交叉销售和后续推荐成功率之间的相关性
- 寻找关键词与客户模型之间的相关性
- 分析哪些属性能够有效预测特定类型产品的购买意愿，并集思广益，找出其他可能具有这些属性但尚未瞄准的市场。
- 调查数据有限但表现优异的异常值，并调查在这些市场扩张是否是一个好选择。
将合适的用户与合适的内容连接起来
您可以利用客户模型，通过多种方式将潜在客户与内容联系起来，从而实现您的目标，其中一些方法显而易见，而另一些则不然。以下是一些示例：
- 根据相应的类别，匹配与产品或品牌相关的内容
- 根据倾向性模型预测用户最有可能购买时，将用户与转化文案进行匹配。
- 向用户推荐能够提升其倾向性评分的内容
- 向用户推荐能提高其对追加销售或交叉销售接受度的内容
- 将流量来源与能够为每个特定流量来源产生高转化率的内容进行匹配。
如您所见，您可以采取的方法数量会迅速增加。请从战略角度思考如何才能最好地利用您的模型，并最大限度地发挥它们的作用。
发现战略营销洞见
虽然一些预测分析工具可以自动简化您的营销流程并产生结果（就像 Albert 为哈雷戴维森所做的那样），但重要的是要记住，人的决策在这一过程中仍然起着非常重要的作用。
预测分析及相关人工智能工具的常见缺陷在于容易“过度拟合”数据。它们可能陷入局部最优解和局部最小值，无法突破局限，探索新的领域。
要摆脱这类陷阱，并充分利用这些工具，就需要从预测分析模型中找到战略见解。
例如，假设你发现某个特定内容有助于提升潜在客户的购买意愿；你可以利用现有的自动化流程来定制用户营销方式，引导他们阅读该内容。但预测分析无法告诉你的是，是否存在你尚未尝试过的其他流量来源，而这些流量来源可能也适合该内容。凭借你的经验和头脑风暴能力，你可以找到该内容的其他潜在市场，将它们输入模型，观察曝光后的效果。
使用这类模型时，你的目标始终应该是发现类似的洞见，并进行测试以验证结果是否符合预期。如果你的模型处于自动驾驶模式，它将无法自行发现任何新的机会。
_____
by 马尼什·杜德哈雷吉亚
