如何根据数据预测营销计划中的增长领域和风险

我们最近发布了一款新产品——OWOX BI Insights——它能够根据您的数据、整体市场数据和机器学习来预测营销目标的实现情况。 它为营销人员提供了重要问题的答案：

• 我们会在这个月完成销售、潜在客户和其他指标的计划吗？
• 如果我们不做任何改变，到年底我们会获得多少销售额、潜在客户等？
• 在哪些渠道、地区和细分领域未实现目标，增长的关键领域在哪里？
• 相对于市场，我们做得如何？ 市场下跌了还是我们表现不佳？

在本文中，我们将告诉您为什么要建立预测以及如何找到增长区域和风险，以便领先竞争对手一步。

立即订购您的预测！

• 技术和数据告诉我们很多
• 食欲伴随着归因
• OWOX BI 营销分析师负责哪些任务？
• OWOX BI 报告是什么样的？
• 给决策者的电子邮件通讯
• 实施：从哪里开始以及如何建立预测
• 我们在这个过程中得出的结论

营销分析在现代企业中发挥着重要作用。

2018 年，公司营销预算中用于营销技术的平均份额（29%）首次超过了用于使用这些技术的人的份额（24%）。

如果公司的增长预测没有实现，大多数经理首先会解雇他们的营销总监。 因此，CMO 应该对引入技术和寻找更好的解决方案非常感兴趣。

大多数 CMO (78%) 在制定营销策略时通过使用分析提高了投资回报率。

这里有一个简短的故事，讲述了这一切是如何在几年前开始的，以及我们如何意识到我们的客户需要预测和洞察力。

OWOX BI：您希望我们设置 Google Analytics（分析）吗？
客户：当然可以，但我们无法在 Google Analytics 中看到 Facebook 和 Yandex.Direct 营销活动的投资回报率，也无法比较它们的效果。
OWOX BI：这是自动数据导入。 只需添加对您的广告服务的访问权限，所有数据都会自动导入 Google Analytics。 您将获得所有广告系列的投资回报率。
客户：很好，但是 Google Analytics 中的数据与我们 CRM 中的数据不匹配。 我们的管理层相信 CRM 中的数据，我们无法重新处理 Google Analytics 数据以确保其正确性。 我们也不能追溯地将这些数据与内部数据结合起来，尤其是在没有查询时间导入的情况下。
OWOX BI：好的，这是您在 Google BigQuery 中的所有数据。 我们从谷歌分析、广告服务、电话跟踪和移动应用程序中收集了它。 现在，您可以将其与 CRM 中的数据结合起来并构建任何报告。
客户：太棒了！ 但我们需要在所有这些中找到被低估的活动。 使用简单的 SQL 查询无济于事，因为用户在购买路径上进行了多次点击。 我们需要以某种方式确定所有这些步骤的价值，这意味着我们需要雇佣开发人员。
OWOX BI：同意。 基于 ML 漏斗的归因和现成的报告怎么样？ 只需指定这些步骤，您就会看到被低估的广告系列。
客户：您能否在所有这些数据中确定我们的增长区域？ 只是说我们应该在哪里完成销售计划。
OWOX BI：太好了……让我们讨论一下您对营销分析师的期望。

1. 显示营销目标的实现和未实现。
在每个月初的会议上，经理问营销总监：“为什么没有完成？” 我们有哪个地区或广告渠道？ ” 并听到回应：«我还不知道。我需要几天时间——我会看到，回来告诉。» 常见情况？

我们认为够了就够了——让整个过程自动化。 这里一切都很简单：我们获取追溯数据，即事实，并将其与计划的数据进行比较。 重要的是，这对不同的段自动完成。

2. 显示如果您以与现在相同的速度进一步前进，您将如何实现年度计划目标。
如果您提前发现营销团队在某个品类或地区存在不足，您可以快速修正您的营销策略并改善结果。 为了让我们的客户有这样的机会，我们收集他们的数据并建立一个长达一年的预测模型。 这里将预测与计划进行比较。

3. 寻找下个月的增长领域和风险。
为此，OWOX BI Insights 会自动在区域、渠道、参数级别以及公司每个决策者的职责范围内比较营销目标和预测。

4. 帮助回答这个问题：“这是我们没有做的事情，还是市场已经消退？”。
在任何公司中，这始终是一个开放且相关的问题，因为回答自己的数据是不够的。 例如，如果超出了计划，有趣的是：这些是营销人员——干得好，或者市场上发生了什么事，每个人都跑去花钱。 或者，假设目标没有实现 2%。 这对营销团队来说是好事还是坏事？ 如果市场增长了，那就不好了，如果市场下跌了 15%，那就好。

市场数据对于回答这些问题至关重要。 这就是为什么我们要基于数万个项目的数据构建机器学习模型，以提供比仅使用自己的历史数据所能实现的更好的预测。

5.为您创建常规和便捷服务的报告。
我们的经验表明，当涉及到一种新产品时，大多数公司都不想推出另一种服务。 您可能在想：«我有 Excel（或 Google Sheets、Data Studio、Tableau、Power BI）。 我可以在那里添加预测吗？ » 当然可以，因为几乎所有可视化服务都可以从 Google BigQuery 获取数据，我们会在其中保存计算结果。

首先，让我们看看最终报告。 然后我们会告诉你它们是如何制作的。

第一个也是最简单的事情是获取每个月的三列：Plan、Actual 和 Forecast。

制定计划是一件简单的事情。 它可以由 Excel 中的任何分析师制作。 我们也可以计算实际值，因为企业有这个数据。 我们的任务是添加预测。

注：该报告包含 4 月初的数据。 如您所见，我们的实际值很小（这个月才刚刚开始），并且对 4 月的剩余时间有某种预测。 因此，对于当前月份，应将计划与实际值和预测值的总和进行比较。

在上图中，黄线是客户设定的目标，深蓝色列是已经实现的实际值，浅蓝色列是预测。

一旦我们知道了决策所需参数的目标、预测和实际值，我们就可以在 Google 表格中构建一个经典的数据透视表。

此表中包含三个参数：报告月份、渠道组（自然搜索、市场、电子邮件等）和地区。 这是大多数企业使用的基本分组。 接下来，我们展示了管理营销预算所需的关键指标：

从报告中，我们看到 1 区的付费搜索产生的收入可能低于计划。 我们还看到电子邮件渠道可能落后于交易。 这些信息使您可以在预算未达到最佳支出之前做出决定，并且在增长区过去并丢失之前做出决定。

最好的事情是我们对未来有一个预测。 它显示了如果当前趋势继续下去会发生什么。

让我们详细看看这张表中的一些元素。 百分比偏差（以红色和绿色突出显示）使用一个简单的公式计算：

我们将事实与预测相结合，这是我们最有可能在本月底收到的。 从中减去该部分的目标，然后将结果除以该期间的计划。 由此产生的数字回答了特定细分市场偏离预测的程度的问题。

例如，对于 4 月份的交易，我们看到偏差为 -4.8%：

这意味着在 4 月份，我们落后于交易计划 4.8%。 如果将此图以上所有通道的值相加，总和将为-4.8%。

我们为什么要看这个？ 为什么我们不看相对偏差？ 例如，假设我们有一个小的推荐渠道。 根据计划，应该有 50 笔交易。 即使是 20 笔交易的差异也会给我们带来 40% 的偏差。 但这不是您首先需要注意的，因为渠道要大得多。 如果一个更大的渠道显示出 10% 的偏差，这对企业来说将更加重要。 表中的红色和绿色显示了企业关注这一细分市场的重要性。

在下面的屏幕截图中，我们扩展了 4 月份的数据：

在这里，我们看到数据可以分解为通道和区域。 我们可以选择我们想要首先查看的那些段。 红色是风险区，绿色是增长区。 转化率用蓝色标记，底部有一个摘要。

现在我们将介绍最重要和最有趣的报告，它显示了用于将预测与目标进行比较的八个时间段。

1. 今年实际显示从年初到当前时刻的实际数字。 我们可以将这些价值观与目标进行比较，以了解我们实现这些目标的程度。
2. 上个月实际显示上个月的实际数据。 我们在上个月关闭，因此我们可以在每个部分和细分中轻松查看实际数字是否与计划数字一致。
3. 上周实际显示过去一周的实际数据。
4. 本周预测显示本周的预测。 一周开始了，我们看看会发生什么。 哪里的负责人，例如付费搜索，现在就注意，以便在周末获得更好的结果。 为此，您只需要规避风险（以红色突出显示）并实施增长区域（以绿色突出显示）。
5. 下周预测显示下周的预测。
6. 本月预测显示当月的预测。
7. 下个月预测显示下个月的预测。 根据我们的经验，最好仅基于主要维度来构建此预测。 也就是说，不再建议将其拆分到第二级（在我们的例子中，区域），因为有很多噪音和较差的预测质量。
8. 本年度预测显示到年底的预测。 我们只为关键指标——收入——构建它。 经验表明，在年底前预测跨地区、跨渠道和其他细分市场的流量分布并不是一项有趣的工作，并且会导致巨大的错误和对预测失去信心。
   

您可以随时在 Google 表格中查看表格。 然而，决策者通常希望收到一份现成的报告并说，看这里。 看来我们有一个增长区。

创建此报告并非易事，我们仍在努力。 我们希望我们的客户能够获得用人类语言编写的清晰、有意义的信息，就像一个好的分析师会写它们一样。

有两个问题。 首先是很多细微差别。 对非托管直接渠道大喊大叫并不是很有用。 如果推荐或直接下降了该怎么办？ 您需要专注于您可以管理的内容，为此，您在搜索洞察力时需要更多有关该程序的知识。

第二个问题是这些电子邮件可能会被回答为：«给我更多细节。» 但 [email protected] 从未计划进行对话。 但是，我们确实认为来自分析服务的沟通应该尽可能类似于与营销分析师的沟通。 因此，我们计划在未来通过信使发送有关增长区域和风险的见解。

在电子邮件的末尾，有一个有趣的表格，其中主要时期的结果以红色和绿色突出显示。 这立即表明是否有必要打开 Google 表格并查看此期间的详细信息。

在开始构建预测之前，您需要回答几个重要问题：

作为这个实现的结果，你会得到一个像这样的表：

第一列表示责任范围。 在我们的示例中，共有三个：一般营销、付费 PPC 活动和 SEO（有机）。

第二列是 KPI，用于设定目标和评估每个责任领域的绩效。 对于其中一些指标，有一个计划。 我们建议您在决定进行预测时不要更改现有目标。 很明显，在业务中您总是可以改进某些东西，并且您可能希望在报告中添加新指标。 但是你不能在移动中做这样的事情。 首先，最好将已有的东西自动化，然后添加新的指标。

在第三列和第四列中，我们标记了有计划并且可以建立预测的指标。

在第五列中，我们标记了定量和定性指标，因为它们需要以不同的方式显示，并且应该区别对待。

第六列是分割标准。 在不同的责任领域，相同的指标按不同的标准进行细分。 例如，营销会议按渠道细分更有趣； SEO应该按搜索引擎细分。

第七列是二级维度。 可能有两个以上的维度，但那样的话对数据量的要求应该更高。 细分参数越多，统计显着性预测所需的数据就越多。

最后一列是您希望在报告中看到的特定参数的值的数量。 你为什么需要这个？ 例如，如果您没有按地区指定限制并且扩展了列表，那么您将不会有五个地区，而是 500 个地区。 它们中的许多都太小了，很可能没有信息。 我们建议添加限制，以便整个标签可以以某种方式适合 Google 表格并使用它。

因此，您已经构建了一个这样的表，并在 Google BigQuery（或其他一些云存储）中收集了所有数据（计划的和实际的）。 我们接下来应该做什么？ 首先也是最简单的事情是联系 OWOX BI。 我们的人工智能算法将分析您的数据，将其与市场数据进行比较，做出预测，并显示您的增长区域和风险所在。

如果您想自己建立预测，有几种方法可以做到。 有几种方法。 我们将分享如何在 Google Cloud 中进行操作，因为我们最熟悉这个平台。 显然，您可以在公司中使用其他工具。

在 Google Cloud 中构建预测的基本方法有以下三种：

1. TensorFlow 和 CloudML 是数据科学家最常使用的方法，他们不会懒得花时间定制模型。 这些是困难的工具，但它们可以让您取得良好的效果。
2. BigQuery ML — 如果您从未使用过机器学习，但您已经在 Google BigQuery 中拥有数据，我们建议您从这种方法开始。 如果您有来自 Google Analytics 360 的数据，则您已经可以训练模型，例如计算转化概率、流失率或任何其他参数。 选择预测变量、特征和测试模型非常容易。 对于熟悉 SQL 的分析师来说，这是一个聪明的方法。
3. AutoML 和 CloudML API 是开发人员最基本的方法。 它们使部署模型、比较模型和回滚版本控制变得更加容易。 如果您是开发人员并且您的任务是推出您在生产中构建的模型，这是理想的选择。

这是一个包含数据的大表，您可以从中轻松计算偏差和转换，因为您拥有所有组件，它们分为三个块：计划、实际和预测。

1. 如果您被告知“我们有营销目标”，这充其量是指分析师每周手动更新一次的 Excel 电子表格。
2. 自动预测不会取代分析——它只是提高其效率的一种方式。 根据我们的经验，总是需要手动调整。 例如，假设 10 月份我们在休斯顿开了一家大商店。 预测模型永远不会考虑到这一点，因为它没有这方面的知识。
3. 如果除了您自己的数据之外，您还使用市场数据，预测的质量就会显着提高。 这就是 OWOX BI 的预测方法在质量上有所不同的原因。 我们使用来自数以万计项目的数据来训练我们的模型。 因此，它更准确地显示了市场趋势。 例如，我们知道自然搜索和付费搜索在与我们客户的同一利基市场中的项目的市场份额，并且我们知道这些数字会导致什么。 使用这些数据丰富模型可以让您更好地了解趋势并知道您做得很好还是市场正在增长。
4. 有必要将计算与数据可视化分开。 当您制定了对准确性和深度的期望时，您可以在严格分配的时间内建立预测和计算数据。 至于数据可视化，这是一个没完没了的任务，没有完美的极限。
5. 要获得具有两个参数粒度的高质量预测，您需要每月 300 万次会话的网站数据。 可以在不进行细分的情况下以较小的数量建立预测，但问题是为什么。 例如，如果你看到目标没有实现，你能说它在哪个部分没有工作吗？ 有哪些地区？ 您很可能找不到答案，因为数据很少。

如果您拥有来自 Google Analytics 的两年历史数据、每月 300 万次会话的流量，并且希望通过洞察实现您的营销目标并更快地增长，请填写我们网站上的表格给我们写信。 我们将与您讨论细节并帮助您建立预测。