如何根據數據預測營銷計劃中的增長領域和風險

我們最近發布了一款新產品——OWOX BI Insights——它能夠根據您的數據、整體市場數據和機器學習來預測營銷目標的實現情況。 它為營銷人員提供了重要問題的答案：

• 我們會在這個月完成銷售、潛在客戶和其他指標的計劃嗎？
• 如果我們不做任何改變，到年底我們會獲得多少銷售額、潛在客戶等？
• 在哪些渠道、地區和細分領域未實現目標，增長的關鍵領域在哪裡？
• 相對於市場，我們做得如何？ 市場下跌了還是我們表現不佳？

在本文中，我們將告訴您為什麼要建立預測以及如何找到增長區域和風險，以便領先競爭對手一步。

立即訂購您的預測！

• 技術和數據告訴我們很多
• 食慾伴隨著歸因
• OWOX BI 營銷分析師負責哪些任務？
• OWOX BI 報告是什麼樣的？
• 給決策者的電子郵件通訊
• 實施：從哪裡開始以及如何建立預測
• 我們在這個過程中得出的結論

營銷分析在現代企業中發揮著重要作用。

2018 年，公司營銷預算中用於營銷技術的平均份額（29%）首次超過了用於使用這些技術的人的份額（24%）。

如果公司的增長預測沒有實現，大多數經理首先會解僱他們的營銷總監。 因此，CMO 應該對引入技術和尋找更好的解決方案非常感興趣。

大多數 CMO (78%) 在製定營銷策略時通過使用分析提高了投資回報率。

這裡有一個簡短的故事，講述了這一切是如何在幾年前開始的，以及我們如何意識到我們的客戶需要預測和洞察力。

OWOX BI：您希望我們設置 Google Analytics（分析）嗎？
客戶：當然可以，但我們無法在 Google Analytics 中看到 Facebook 和 Yandex.Direct 營銷活動的投資回報率，也無法比較它們的效果。
OWOX BI：這是自動數據導入。 只需添加對您的廣告服務的訪問權限，所有數據都會自動導入 Google Analytics。 您將獲得所有廣告系列的投資回報率。
客戶：很好，但是 Google Analytics 中的數據與我們 CRM 中的數據不匹配。 我們的管理層相信 CRM 中的數據，我們無法重新處理 Google Analytics 數據以確保其正確性。 我們也不能追溯地將這些數據與內部數據結合起來，尤其是在沒有查詢時間導入的情況下。
OWOX BI：好的，這是您在 Google BigQuery 中的所有數據。 我們從谷歌分析、廣告服務、電話跟踪和移動應用程序中收集了它。 現在，您可以將其與 CRM 中的數據結合起來並構建任何報告。
客戶：太棒了！ 但我們需要在所有這些中找到被低估的活動。 使用簡單的 SQL 查詢無濟於事，因為用戶在購買路徑上進行了多次點擊。 我們需要以某種方式確定所有這些步驟的價值，這意味著我們需要雇傭開發人員。
OWOX BI：同意。 基於 ML 漏斗的歸因和現成的報告怎麼樣？ 只需指定這些步驟，您就會看到被低估的廣告系列。
客戶：您能否在所有這些數據中確定我們的增長區域？ 只是說我們應該在哪裡完成銷售計劃。
OWOX BI：太好了……讓我們討論一下您對營銷分析師的期望。

1. 顯示營銷目標的實現和未實現。
在每個月初的會議上，經理問營銷總監：“為什麼沒有完成？” 我們有哪個地區或廣告渠道？ ” 並聽到回應：«我還不知道。我需要幾天時間——我會看到，回來告訴。» 常見情況？

我們認為夠了就夠了——讓整個過程自動化。 這裡一切都很簡單：我們獲取追溯數據，即事實，並將其與計劃的數據進行比較。 重要的是，這對不同的段自動完成。

2. 顯示如果您以與現在相同的速度進一步前進，您將如何實現年度計劃目標。
如果您提前發現營銷團隊在某個品類或地區存在不足，您可以快速修正您的營銷策略並改善結果。 為了讓我們的客戶有這樣的機會，我們收集他們的數據並建立一個長達一年的預測模型。 這裡將預測與計劃進行比較。

3. 尋找下個月的增長領域和風險。
為此，OWOX BI Insights 會自動在區域、渠道、參數級別以及公司每個決策者的職責範圍內比較營銷目標和預測。

4. 幫助回答這個問題：“這是我們沒有做的事情，還是市場已經消退？”。
在任何公司中，這始終是一個開放且相關的問題，因為回答自己的數據是不夠的。 例如，如果超出了計劃，有趣的是：這些是營銷人員——幹得好，或者市場上發生了什麼事，每個人都跑去花錢。 或者，假設目標沒有實現 2%。 這對營銷團隊來說是好事還是壞事？ 如果市場增長了，那就不好了，如果市場下跌了 15%，那就好。

市場數據對於回答這些問題至關重要。 這就是為什麼我們要基於數万個項目的數據構建機器學習模型，以提供比僅使用自己的歷史數據所能實現的更好的預測。

5.為您創建常規和便捷服務的報告。
我們的經驗表明，當涉及到一種新產品時，大多數公司都不想推出另一種服務。 您可能在想：«我有 Excel（或 Google Sheets、Data Studio、Tableau、Power BI）。 我可以在那裡添加預測嗎？ » 當然可以，因為幾乎所有可視化服務都可以從 Google BigQuery 獲取數據，我們會在其中保存計算結果。

首先，讓我們看看最終報告。 然後我們會告訴你它們是如何製作的。

第一個也是最簡單的事情是獲取每個月的三列：Plan、Actual 和 Forecast。

制定計劃是一件簡單的事情。 它可以由 Excel 中的任何分析師製作。 我們也可以計算實際值，因為企業有這個數據。 我們的任務是添加預測。

注：該報告包含 4 月初的數據。 如您所見，我們的實際值很小（這個月才剛剛開始），並且對 4 月的剩餘時間有某種預測。 因此，對於當前月份，應將計劃與實際值和預測值的總和進行比較。

在上圖中，黃線是客戶設定的目標，深藍色列是已經實現的實際值，淺藍色列是預測。

一旦我們知道了決策所需參數的目標、預測和實際值，我們就可以在 Google 表格中構建一個經典的數據透視表。

此表中包含三個參數：報告月份、渠道組（自然搜索、市場、電子郵件等）和地區。 這是大多數企業使用的基本分組。 接下來，我們展示了管理營銷預算所需的關鍵指標：

從報告中，我們看到 1 區的付費搜索產生的收入可能低於計劃。 我們還看到電子郵件渠道可能落後於交易。 這些信息使您可以在預算未達到最佳支出之前做出決定，並且在增長區過去並丟失之前做出決定。

最好的事情是我們對未來有一個預測。 它顯示瞭如果當前趨勢繼續下去會發生什麼。

讓我們詳細看看這張表中的一些元素。 百分比偏差（以紅色和綠色突出顯示）使用一個簡單的公式計算：

我們將事實與預測相結合，這是我們最有可能在本月底收到的。 從中減去該部分的目標，然後將結果除以該期間的計劃。 由此產生的數字回答了特定細分市場偏離預測的程度的問題。

例如，對於 4 月份的交易，我們看到偏差為 -4.8%：

這意味著在 4 月份，我們落後於交易計劃 4.8%。 如果將此圖以上所有通道的值相加，總和將為-4.8%。

我們為什麼要看這個？ 為什麼我們不看相對偏差？ 例如，假設我們有一個小的推薦渠道。 根據計劃，應該有 50 筆交易。 即使是 20 筆交易的差異也會給我們帶來 40% 的偏差。 但這不是您首先需要注意的，因為渠道要大得多。 如果一個更大的渠道顯示出 10% 的偏差，這對企業來說將更加重要。 表中的紅色和綠色顯示了企業關注這一細分市場的重要性。

在下面的屏幕截圖中，我們擴展了 4 月份的數據：

在這裡，我們看到數據可以分解為通道和區域。 我們可以選擇我們想要首先查看的那些段。 紅色是風險區，綠色是增長區。 轉化率用藍色標記，底部有一個摘要。

現在我們將介紹最重要和最有趣的報告，它顯示了用於將預測與目標進行比較的八個時間段。

1. 今年實際顯示從年初到當前時刻的實際數字。 我們可以將這些價值觀與目標進行比較，以了解我們實現這些目標的程度。
2. 上個月實際顯示上個月的實際數據。 我們在上個月關閉，因此我們可以在每個部分和細分中輕鬆查看實際數字是否與計劃數字一致。
3. 上週實際顯示過去一周的實際數據。
4. 本週預測顯示本週的預測。 一周開始了，我們看看會發生什麼。 哪裡的負責人，例如付費搜索，現在就注意，以便在周末獲得更好的結果。 為此，您只需要規避風險（以紅色突出顯示）並實施增長區域（以綠色突出顯示）。
5. 下週預測顯示下週的預測。
6. 本月預測顯示當月的預測。
7. 下個月預測顯示下個月的預測。 根據我們的經驗，最好僅基於主要維度來構建此預測。 也就是說，不再建議將其拆分到第二級（在我們的例子中，區域），因為有很多噪音和較差的預測質量。
8. 本年度預測顯示到年底的預測。 我們只為關鍵指標——收入——構建它。 經驗表明，在年底前預測跨地區、跨渠道和其他細分市場的流量分佈並不是一項有趣的工作，並且會導致巨大的錯誤和對預測失去信心。
   

您可以隨時在 Google 表格中查看表格。 然而，決策者通常希望收到一份現成的報告並說，看這裡。 看來我們有一個增長區。

創建此報告並非易事，我們仍在努力。 我們希望我們的客戶能夠獲得用人類語言編寫的清晰、有意義的信息，就像一個好的分析師會寫它們一樣。

有兩個問題。 首先是很多細微差別。 對非託管直接渠道大喊大叫並不是很有用。 如果推薦或直接下降了該怎麼辦？ 您需要專注於您可以管理的內容，為此，您在搜索洞察力時需要更多有關該程序的知識。

第二個問題是這些電子郵件可能會被回答為：«給我更多細節。» 但 [email protected] 從未計劃進行對話。 但是，我們確實認為來自分析服務的溝通應該盡可能類似於與營銷分析師的溝通。 因此，我們計劃在未來通過信使發送有關增長區域和風險的見解。

在電子郵件的末尾，有一個有趣的表格，其中主要時期的結果以紅色和綠色突出顯示。 這立即表明是否有必要打開 Google 表格並查看此期間的詳細信息。

在開始構建預測之前，您需要回答幾個重要問題：

作為這個實現的結果，你會得到一個像這樣的表：

第一列表示責任範圍。 在我們的示例中，共有三個：一般營銷、付費 PPC 活動和 SEO（有機）。

第二列是 KPI，用於設定目標和評估每個責任領域的績效。 對於其中一些指標，有一個計劃。 我們建議您在決定進行預測時不要更改現有目標。 很明顯，在業務中您總是可以改進某些東西，並且您可能希望在報告中添加新指標。 但是你不能在移動中做這樣的事情。 首先，最好將已有的東西自動化，然後添加新的指標。

在第三列和第四列中，我們標記了有計劃並且可以建立預測的指標。

在第五列中，我們標記了定量和定性指標，因為它們需要以不同的方式顯示，並且應該區別對待。

第六列是分割標準。 在不同的責任領域，相同的指標按不同的標准進行細分。 例如，營銷會議按渠道細分更有趣； SEO應該按搜索引擎細分。

第七列是二級維度。 可能有兩個以上的維度，但那樣的話對數據量的要求應該更高。 細分參數越多，統計顯著性預測所需的數據就越多。

最後一列是您希望在報告中看到的特定參數的值的數量。 你為什麼需要這個？ 例如，如果您沒有按地區指定限制並且擴展了列表，那麼您將不會有五個地區，而是 500 個地區。 它們中的許多都太小了，很可能沒有信息。 我們建議添加限制，以便整個標籤可以以某種方式適合 Google 表格並使用它。

因此，您已經構建了一個這樣的表，並在 Google BigQuery（或其他一些雲存儲）中收集了所有數據（計劃的和實際的）。 我們接下來應該做什麼？ 首先也是最簡單的事情是聯繫 OWOX BI。 我們的人工智能算法將分析您的數據，將其與市場數據進行比較，做出預測，並顯示您的增長區域和風險所在。

如果您想自己建立預測，有幾種方法可以做到。 有幾種方法。 我們將分享如何在 Google Cloud 中進行操作，因為我們最熟悉這個平台。 顯然，您可以在公司中使用其他工具。

在 Google Cloud 中構建預測的基本方法有以下三種：

1. TensorFlow 和 CloudML 是數據科學家最常使用的方法，他們不會懶得花時間定制模型。 這些是困難的工具，但它們可以讓您取得良好的效果。
2. BigQuery ML — 如果您從未使用過機器學習，但您已經在 Google BigQuery 中擁有數據，我們建議您從這種方法開始。 如果您有來自 Google Analytics 360 的數據，則您已經可以訓練模型，例如計算轉化概率、流失率或任何其他參數。 選擇預測變量、特徵和測試模型非常容易。 對於熟悉 SQL 的分析師來說，這是一個聰明的方法。
3. AutoML 和 CloudML API 是開發人員最基本的方法。 它們使部署模型、比較模型和回滾版本控制變得更加容易。 如果您是開發人員並且您的任務是推出您在生產中構建的模型，這是理想的選擇。

這是一個包含數據的大表，您可以從中輕鬆計算偏差和轉換，因為您擁有所有組件，它們分為三個塊：計劃、實際和預測。

1. 如果您被告知“我們有營銷目標”，這充其量是指分析師每週手動更新一次的 Excel 電子表格。
2. 自動預測不會取代分析——它只是提高其效率的一種方式。 根據我們的經驗，總是需要手動調整。 例如，假設 10 月份我們在休斯頓開了一家大商店。 預測模型永遠不會考慮到這一點，因為它沒有這方面的知識。
3. 如果除了您自己的數據之外，您還使用市場數據，預測的質量就會顯著提高。 這就是 OWOX BI 的預測方法在質量上有所不同的原因。 我們使用來自數以萬計項目的數據來訓練我們的模型。 因此，它更準確地顯示了市場趨勢。 例如，我們知道自然搜索和付費搜索在與我們客戶的同一利基市場中的項目的市場份額，並且我們知道這些數字會導致什麼。 使用這些數據豐富模型可以讓您更好地了解趨勢並知道您做得很好還是市場正在增長。
4. 有必要將計算與數據可視化分開。 當您制定了對準確性和深度的期望時，您可以在嚴格分配的時間內建立預測和計算數據。 至於數據可視化，這是一個沒完沒了的任務，沒有完美的極限。
5. 要獲得具有兩個參數粒度的高質量預測，您需要每月 300 萬次會話的網站數據。 可以在不進行細分的情況下以較小的數量建立預測，但問題是為什麼。 例如，如果你看到目標沒有實現，你能說它在哪個部分沒有工作嗎？ 有哪些地區？ 您很可能找不到答案，因為數據很少。

如果您有來自 Google Analytics 的兩年曆史數據、每月 300 萬次會話的流量，並且希望通過洞察實現您的營銷目標並更快地增長，請填寫我們網站上的表格給我們寫信。 我們將與您討論細節並幫助您建立預測。