DigiMax译者 | 纪孟兰
审校 | 陈明艳
编辑 | CiCi
随着大数据，人工智能和数据分析等技术的兴起，营销一直在不断变化。现在，营销活动可以基于对过去活动的测量和洞察来规划，其中一种策略是使用预测分析来获得更好的营销表现以及更高的投资回报率，并最终获得更快的成功。
在本文中，我们将讨论预测性分析是什么，为什么企业需要它，应该测量什么，以及如何运用它来优化业务决策。
什么是预测分析
尽管人们只要有数据就会存储起来, 并且已经存储了大量的数据, 但”大数据”这个词是在1997年才被第一次使用. 而在今天这个时代, 每天都有大约2.5万亿字节的数据产生, 所以我们有必要好好地将数据利用起来。
打个比方：使用可用的数据来规划、设计和部署营销活动，就像穿上超级英雄的斗篷，几乎可以保证更好的结果。
预测分析是高级分析的一个分支, 用于预测未来事件或结果。它集成了各种技术, 包括数据挖掘、统计分析、建模、机器学习和人工智能(AI)，通过处理和分析各种数据集来达到预测的目标。
换句话来说，预测分析是基于历史和交易数据,挖掘出隐藏在数据中的特征以识别未来的风险和机会。
预测分析的步骤包括：
定义结果
数据收集
数据分析
统计
建模
部署
模型监控
商业分析的快速定义
描述分析是业务分析的第一阶段，分析历史数据找出过去事件的特征。
预测分析是业务分析的第二阶段，用算法对历史数据的建模用来预测未来可能的结果。
规范分析是业务分析的第三个阶段，在这个阶段，您将确定最佳的操作过程。
应用场景：为什么企业需要它？
一旦整个过程完成后，规范分析可以应用于各种功能。
以下是市场营销中优化预测分析最流行的八个场景。
1线索评分
通过线索评分，市场和销售部门将可以更好的协同,因为每个线索都是不一样的. 通过规范分析，每个潜在客户都将根据其购买意愿进行评分，从而可以相应地执行潜在客户个性化培育。
2线索分群的活动培育
线索培育属于购买过程的早期阶段，需要进行规划和制定战略。利用人口统计学和行为数据，线索培育活动可以个性化定制，将流程进一步推向销售转化渠道。
3有针对性的内容推送
哪些类型的内容更适合某些潜在客户可以通过预测分析来回答。通过个性化的内容分发，潜在客户可以获得与组织更高质量的沟通。这反过来会增加销售转化的可能性。
4生命周期价值预测
客户生命周期价值是营销投资回报率的真实衡量标准。
通过预测分析，每个客户的历史数据可以追根溯源。这将转化为更准确的ROI。
5流失率预测
客户流失率是指客户或用户在特定时间段内停止订阅的百分比。要实现增长，企业的增长率必须高于流失率。通过预测分析，你可以识别警告标志，从而可以提供必要的后续跟进或培育。
6追加销售和交叉销售准备
利用现有的数据，企业可以实现追加销售、交叉销售，并结合两者来增加盈利。此外，客户生命周期价值可以从客户购买行为的模式中预测。
7了解产品适合度
配备历史数据、销售数据和销售线索数据，企业可以更好地了解客户的需求，这是开发更好产品的关键。
8营销活动的优化
利用现有的数据，企业可以更好地规划，开发，制定战略并实施未来的营销活动。借助有效的数据分析，很可能会提高整体营销业绩。
通过在组织中应用预测分析，可以显著降低风险，因为决策将基于数据进行，而不仅仅是依赖本能和一些受过教育的猜测等未经证实的假设。许多成功的电子商务企业都在其营销工作中采用预测分析，当然，亚马逊和Target也是以其预测分析的最佳实践而闻名。
测量和指标
当我们谈论度量时，我们其实是正在讨论指标。在这个分析时代，你需要区分两种度量类型：业务或营销指标和分析指标。
例如，Google Analytics指标就是分析指标。 “分析”本身意味着检验数据集从而得出结论的过程。因此，“分析指标”是为了检验各种目的的一种数据集测量方法。
Google Analytics指标包括：会话，网页浏览量，跳出率，流量来源，网页退出，目标，每次访问的互动情况，社交概览和购买概览。每个指标可以根据维度进一步分类，维度包括设备类型，区域，语言和浏览器。
记录这些数据集后，你需要使用营销指标对其进行分析，然后才能做出业务决策。
在计算营销业绩和投资回报率时通常使用6个指标：
1 CAC（客户获取成本）
客户获取成本是根据总销售和营销成本除以特定时间段内新客户的数量来计算的。 有两种类型的客户获取成本（CAC）：100％线上CAC和线上线下CAC的组合。
2 客户获取成本（CAC）的营销比例
客户获取成本（CAC）中百分之多少是与营销成本相关的？ 该比率由总营销成本除以销售和营销成本得到。
3 客户生命周期价值与客户获取成本的比率
该比例由客户终身价值或客户生命周期价值除以客户获取成本得到。
4 回头客获取成本的时间
计算回头客的获取成本（CAC）所需时间的总时间（几周，几个月，几个季度或几年）。
5 营销产生的客户比例
将一个月内的新客户数除以客户总数后，即可获得营销产生的客户百分比。
6 受营销影响的客户比例
该数字由新客户数除以在营销活动中参与互动的总客户数。
这六个营销指标为聚类建模和评分类别提供了基础。换句话说，通过了解这些业务指标，可以正确设计分析指标以提供所需的数据集。
实施预测分析以优化业务决策
使用基于营销目标的指标可以让你将其转化为在实施阶段真正有效的营销模型。在执行它之前，需要确保能识别现有的营销分析及其数据。这些过去的结果将用作“之前”蓝图，你可以通过使用预测分析与“之后”蓝图进行比较。
营销预测分析的循环始于数据访问，数据探索，建模和市场营销活动的实施。在了解分析指标和现有数据之后，建模就是下一个阶段。而如果没有可用的模型，度量和数据并没有什么意义。
例如，有三种主要的预测模型：
聚类模型
偏好模型
协同过滤
聚类模型是基于用户行为聚类, 产品聚类, 品牌聚类等, 针对人口统计和人物画像的客户细分。
偏好模型根据预测的终身价值，互动可能性，退订的倾向性，转换倾向，购买倾向和流失倾向来预测顾客行为。
协同过滤则基于过去的变量包括购买行为等来对产品, 服务以及广告进行推荐。这种过滤在追加销售,交叉销售以及下次销售的场景中很常见. 在预测分析中，回归分析起着重要作用。一个业务分析师可以通过使用“回归系数”来识别客户与其购买之间的相关性。因为，他们可以创建一个用于预测未来购买可能性的分数。
根据Forrester Research,营销人员使用的三种评分类别是：
预测评分 – 根据购买行为的可能性优先考虑潜在客户、线索和客户。
识别模型 – 根据与现有客户变量的相似性识别和获取潜在客户。
自动分群- 将线索分群后，推送定制及个性化的内容。
总结
预测性分析是市场营销活动成功的关键。它将业务指标与更好的业务结果之间的关联度与高阶策略相结合，从而在整个客户生命周期中带来更多的影响。
但是，预测分析确实需要对“之前”营销分析指标有深入的了解，才能作为建模框架和评分类别的基础。在分析了历史和行为数据集及其模型之后，你可以将它们与“之前”数据进行比较。
总体而言，预测分析可让你以更明智的方式制定市场营销活动和其他业务决策。但是和生活的其他部分一样，预测分析并不能保证成功。它只会增加成功的可能性。
作者简介：
Jennifer Xue，一位屡获殊荣的作家，专栏作家和连续企业家（总部设在北加州），署名出现在Forbes, Fortune, Cosmopolitan, Esquire, Business.com, Business2Community, Addicted2Success, Good Men Projec等专栏中。她也是Oberlo的数字战略家。可以在Twitter上关注她@jenxuewrites。
译者简介
纪孟兰，信息管理与信息系统专业，对IT和Business基础都有了解。另外，对推荐系统有一些研究，研究生期间论文写的是推荐系统。毕业后从事Martech领域的工作，目前在咨询公司从事SaaS产品的售前工作。
审校简介
陈明艳，Mingyan Chen：最老90后！也是球场上传说中的灵活小胖子！现就职于中国移动12582基地，运营支撑部产品汪一枚，也兼职着运营喵工作，主要涉及政企/农村信息化、农村电商、数据分析等领域，热衷于产品。
