預測分析作為提高營銷效率的工具

收集和存儲數據的能力不斷增強，為企業提供了增強的回顧性和實時分析能力。 現在我們可以追踪模式並得出關於失敗的結論，以免踩到同樣的風險。 或者我們可以確定最成功的解決方案並重複我們的成功。

從長遠來看，預測分析總是比回顧性或實時分析更有效，就像預防比緊急醫療更有效一樣。 回顧性分析本質上是一種屍檢——對無法撤消的錯誤的分析。 實時分析是此時此地響應的救護車，而預測分析是預防性藥物，可以首先將您從疾病中拯救出來。

正如 Thomas Davenport 所說，沒有人有能力收集和分析來自未來的數據。 但是我們有機會使用過去的數據來預測未來。 這稱為預測分析，事實上，許多公司已經在使用它。 您可以將過去的數據用於：

1. 計算客戶的生命週期價值 (CLV)。 該指標將幫助您了解客戶在其整個生命週期中將為您的公司帶來什麼價值，包括未來的收益。
   
2. 根據您網站上的用戶行為數據制定最佳建議。
   
3. 預測客戶未來可能購買的產品或服務。
   
4. 預測客戶流失。
   
5. 制定下一季度/六個月/年度的銷售計劃和預測。

所有這些都是預測分析的簡單形式。 讓我們看看流行的預測分析方法。

我們可以確定預測建模的以下階段：

• 主要數據收集
• 統計模型形成
• 預測
• 當額外數據可用時檢查/修改模型

預測模型分析用戶過去的行為，以評估他們將來表現出某些行為的可能性。 這種類型的分析還涉及在數據中發現細微模式的模型，例如檢測欺詐。

通常，當用戶在執行轉化操作的過程中通過轉化漏斗時，預測模型會立即進行計算——例如，評估用戶實現目標的概率。 有了有關從漏斗中的一個步驟過渡到另一個步驟的可能性的準確數據，企業可以更好地管理阻止或幫助用戶通過漏斗的因素，並且可以更準確地描述不同類別客戶的行為模式。

普通用戶的智能手機上大約有 50 個應用程序。 它們中的每一個都接收、傳輸和生成數據。 這些數據以不同的服務和不同的格式存儲。 雖然乍一看這對營銷人員來說似乎是一個積極因素，但有效地處理如此大量的結構化和非結構化數據是一個問題。

讓我們看一些成功應用預測分析結果的公司的例子。

…根據用戶過去的行為向用戶推薦產品和服務。 根據一些報導，這樣的推薦可以為亞馬遜帶來高達 30% 的銷售額。 此外，亞馬遜還計劃開發一種工具，該工具可以根據預測將產品交付到預期訂單的區域，甚至在這些訂單被放置在網站上之前，從而減少向客戶交付貨物的時間。

梅西百貨的團隊利用預測分析來實現更準確的直接營銷。 在三個月的時間裡，該公司通過捕獲用戶瀏覽的產品類別數據並相應地發送個性化電子郵件，將其在線銷售額從 8% 提高到 12%。

… 瞄準潛在客戶、吸引潛在客戶並達成交易。 他們確定準備購買的最有價值的潛在客戶。 然後銷售代表直接聯繫這些潛在客戶並引導他們完成銷售流程以找到最合適的報價。

StitchFix 是另一家擁有基於預測的獨特銷售模式的零售商。
在 StitchFix 註冊時，用戶會完成有關其風格的調查。 然後應用預測分析模型為客戶提供他們最可能想要的衣服。 如果客戶不喜歡他們收到的衣服，他們可以免費退貨。

…並預防性地提供有關如何保留它們的必要信息。 Sprint 的人工智能可以預測客戶想要什麼，並在他們面臨離開公司的最高風險時為他們提供優惠。 自從引入這個人工智能係統以來，Sprint 的客戶流失率直線下降，客戶對公司的個性化服務和有針對性的優惠給予了很好的評價。 如您所見，預測客戶流失對於 SaaS 和電子商務企業的預測分析來說是一項可行的任務。

以下是預測分析範圍內最受歡迎的指標列表：

1. 客戶流出率（流失率）
   
2. 銷售計劃預測
   
3. 客戶終身價值
   

如果沒有營銷和分析部門的合作、了解研究目標和建立數據順序，就不可能引入預測分析。 執行預測分析如下：

1. 定義你的假設
   
2. 收集內部和外部數據以構建模型
   
3. 定義衡量模型準確性的指標
   
4. 使用現成的服務或開發自己的服務：
   1. 建立一個 MVP
      
   2. 在缺乏準確度參數的情況下訓練模型以實現穩定的工作版本
      
   3. 創建界面或報告
      
   4. 更新或重新訓練模型以滿足新要求
      

在數據收集階段，請確保您已設置端到端分析，因為沒有它，實施預測分析通常是無效的。

根據德勤的 CMO 調查：2019 年春季報告，基於營銷分析的業務決策百分比在 2019 年初達到峰值（考慮過去六年的數據）。 根據 MarketsandMarkets 的一項研究，預測分析市場將從 40 億美元增長到 2022 年的 120 億美元以上

對一般營銷分析的興趣——尤其是對預測分析的興趣——鼓勵公司開發易於使用的解決方案和服務，使企業更容易使用預測分析。

以下是其中一些服務：

• 一種 OWOX BI 產品，可幫助公司實現營銷目標，並以比市場平均水平快 22% 的速度增長。
  
• G2 Crowd 在“營銷軟件 - 分析”和“電子商務分析軟件”類別的 2019 年春季和夏季排名中處於領先地位。
  
• 將有關營銷計劃實施的預測直接發送到您的電子郵件。
  

OWOX BI：

• 結合來自各種來源的營銷數據，使其可用於 Google BigQuery 中的分析。
  
• 使用自己的基於漏斗的歸因模型確定每個用戶的步驟的價值。
  
• 自動構建報告以分析營銷效果。
  
• 顯示您的銷售計劃將如何實施，您的增長領域和弱點是什麼，以及您的市場份額如何變化。
  

您現在可以使用免費試用期試用 OWOX BI：

您可以在我們關於如何根據數據預測營銷計劃中的增長區域和風險的文章中了解有關 OWOX BI 的更多信息。

Infer 提供的預測模型將幫助您組合所有數據源，以全面了解潛在客戶在銷售漏斗中的位置。 Infer 跟踪來自在線資源和公共數據庫的信號，然後根據之前的主要賬戶和您設置的規則創建預測模型。 Infer 獲得的數據將有助於營銷人員和銷售專家尋找未來可能轉化為客戶的潛在客戶，以及優化整個銷售渠道。

Radius 提供多種數據分析服務，重點是預測性 B2B 營銷。 主要特點包括：

• Radius Customer Exchange (RCX)，它將您的公司資料與擁有相同受眾的其他公司的資料進行比較，讓您有機會一起工作並創建自己的營銷列表。
  
• Radius Connect：向 Salesforce 提交預測數據。
  

Radius 平台還幫助營銷人員在部門之間交換數據並在內部數據庫中查找新帳戶。 與 Infer 一樣，Radius 是一個基於雲的系統。

基於預測建模規則，BOARD 在具有實時儀表板的自適應界面中工作。

這意味著您可以對各種場景進行建模並分析可能的結果，而無需每次都創建新模型。

BOARD 帶有多個內置連接器，因此您可以從幾乎任何來源提取數據——您的 ERP 系統、雲數據庫、OLAP 多維數據集，甚至是平面文件。 您還可以使用 BOARD 的工具將您的預測轉化為自定義應用程序。

TIBCO Data Science 是一款相對較新的產品，於 2018 年 9 月發布。作為單一平台創建，TIBCO Data Science 結合了 TIBCO 前幾代服務的功能：TIBCO Statistica、Spotfire Data Science、Spotfire Statistics Services 和 TERR。

數據科學服務可幫助組織更快地創新和解決複雜問題，將預測快速轉化為最佳解決方案。

SAS 擁有 33% 的預測分析市場份額和 40 年的經驗； 它們為用戶提供基於許多可視化編輯器的高級數據分析功能。 SAS Advanced Analytics 的主要功能基於圖表、自動流程圖、嵌入式代碼和自動時間規則。

根據用戶評論，SAS Advanced Analytics 在預測和分析整體運動方面做得非常出色，並且可以相對快速地處理大型數據集。 SAS 提供其產品的免費演示和知識庫，以幫助您開始使用它們。

該軟件允許您根據時間間隔自動創建報告。 借助 60 多個內置集成，您可以導入自己的數據集並將其導出到其他程序。

擴展提供更大的靈活性（異常檢測、文字處理、網絡挖掘），但可能不包含在基本訂閱價格中

儘管 RapidMiner 是為數據科學家創建的，但它很容易安裝和上手。

IBM SPSS 使用基於統計的數據建模和分析。 該軟件適用於結構化和非結構化數據。 它可在雲端、本地或通過混合部署使用，以滿足任何安全性和移動性要求。

您可以使用現有數據在 SPSS 可視化編輯器和建模儀表板中構建預測模型。 對非結構化數據的高級支持包括語言技術和自然語言處理，因此您可以在模型中包含來自社交網絡和其他基於文本的來源的數據。

SAP HANA 在本地或云端提供數據庫和應用程序。 該軟件減少了為大型外部數據集和直觀的可視化創建具有附加連接器的模型所需的時間。

您還可以將預測分析庫 (PAL) 連接到 SAP HANA，以從大型數據集中獲得更多洞察。 對於以客戶為中心的行業，該軟件提供文本和社交媒體數據分析，以預測未來的客戶行為並根據過去的行為推薦產品。

SAP HANA 與 R 編程語言兼容，因此您無需學習新語言即可配置查詢。 當您的系統集成了足夠的內部數據時，預測模型會自動提供新的見解。

營銷中的預測分析是一種強大的數據科學工具，其功能無法在一篇文章中涵蓋。 在評論中讓我們知道您想在我們的下一篇文章中了解更多關於預測分析的哪些方面。

提醒一下，以下是預測分析的三條誡命：

• 從基礎開始：檢查數據質量並自動收集數據以消除人為錯誤。 訓練模型的質量取決於訓練數據的質量。
  
• 永遠不要遠離你的研究目標，因為重要的不是過程，而是結果。
  
• 遵守精度要求。 請記住，您的預測結果只能通過測量經過驗證的模型應用於您的數據時的準確性來驗證。
  

預測建模
電子商務商店預測分析的重要性
預測分析綜合指南
十大預測分析工具，按類別
使用預測分析預測收入：交互式案例研究
預測分析入門
排名前 24 位的預測分析免費軟件
2019 年 20 款最佳預測分析軟件
預測分析工具
預測分析軟件
預測建模
預測分析工具
洞察行動——這次是真實的
亞馬遜使用大數據跟踪您的 7 種方式 (AMZN)
亞馬遜希望使用預測分析來提供預期運輸
客戶保留：梅西百貨使用預測分析來增加客戶支出
2019 年的預測分析：什麼是可能的，誰在做，以及如何做
如何使用預測分析來提高營銷績效
使用預測分析預測收入：交互式案例研究
揭開預測分析的神秘面紗