Return to site

五种使用预测分析的方法

· seo优化

分析 18年5月29日 | Manish Dudharejia
000

作为思考分析的一种方式,图形和电子表格的时代已经开始接近尾声。预测分析以及相关的人工智能(AI)和机器学习技术正在改变我们处理数据的方式。这些工具变得越来越容易,“大数据”思维不再局限于拥有数十亿美元预算的公司。

预测分析提供了对未来的一瞥,以及获得可以开辟新机会的战略见解。您可以通过以下五种方式使用预测分析,以及如何改变您对数据的看法。

合格的线索
根据Forrester的研究,预测分析发现了三个处理潜在客户的主要用例。特别:

预测评分:此方法分析潜在客户如何响应您的营销尝试以及他们根据该信息采取行动的可能性。通过这种方式,您可以更快地识别哪些线索可以将更多资源集中在哪些线索以及从哪些线索转移资源。
识别模型:此用例是一种专注于将潜在客户与过去采取行动的客户进行比较的方法。通过这样做,您可以根据以前采取的行动将资源转移到最有希望的潜在客户,以及识别您之前未曾意识到的新市场。
个性化:与预测哪些潜在客户最有可能采取哪些行动相一致,可以使用相同的数据来确定哪些潜在客户对哪种类型的消息传递做出最佳响应。这种先进的分段形式可以比简单地将潜在客户分成小组更深入 - 而不是向他们发送更加个性化的消息。
“ 哈佛商业评论”报道了一个突出的例子,详细介绍了哈雷戴维森经销商如何使用名为艾伯特的人工智能将销售额提高2930%。

AI碾压了CRM数据,以确定以前买家的特征和行为。然后根据这些特征将它们分成微段。对于每个细分,它测试了标题,视觉效果和其他元素的不同组合,以确定哪个细分最适合每个细分。

您的潜在客户资格的价值在很大程度上取决于您的数据的价值和数量。无论您的统计模型有多好,他们的能力仍然非常有限,无法访问他们需要了解客户的信息。

在数字领域 - 特别是如果您不使用CRM - 从预测分析开始的最佳位置几乎肯定是Google Analytics和Google BigQuery的集成。

建模客户行为
虽然首席资格和转换是预测分析最明显的用例,而且可能是值得首先考虑的用例,但它远不是这种新兴技术的唯一营销应用。但实际上任何用途都将以客户建模为核心。

您可以将客户建模划分为三种基本类型:集群模型,倾向模型和协作过滤。

群集模型
群集是一种基于许多变量将客户分组的方法。聚类模型寻找各种属性之间的相关性,并识别某些类型的属性倾向于积累的均衡。与传统分段相比,使聚类特殊的原因在于涉及的变量数量庞大。群集通常使用30个或更多变量,远远超过手动分割客户,或者即使他们手动分割自己。

集群有三种形式:

产品集群:这些客户群通常只购买特定类型的产品,忽略目录中的其他内容
品牌集群:这些客户倾向于从特定的品牌集合中购买
行为集群:这些集合是具有特定行为集合的客户群体,例如,小订单的常见买家,或者喜欢结账购物车上的呼叫中心的客户。
认识到这些集群的重要性在于它们能够预测人们所属的集群 - 即使信息有限。如果他们购买一种具有特定品牌的产品,您的品牌集群可以预测他们可能感兴趣的其他品牌,而不仅仅是通过同一品牌提供其他所有品牌的更明显的建议。

倾向模型
倾向模型是基于与其他行为和属性的相关性来对客户行为进行未来预测的模型。这可以使用回归分析或机器学习来完成。良好的倾向模型控制尽可能多的变量,以便不将相关性与原因相混淆。

以下是倾向模型的几个示例:

流失倾向:如果您不采取行动,这些客户可能继续前进,但是否则可能具有高价值
取消订阅的倾向:这样的模型允许您确定适当的电子邮件频率,权衡收件人取消订阅任何可能的积极结果的可能性
终身价值:对客户的生命周期价值进行建模可以帮助您制定战略营销决策,如果它能够引导您获得更多终身价值的客户,或者导致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,以及他们转换或购买的可能性。

如果你看过亚马逊的“顾客喜欢这个产品,也喜欢......”的建议,你知道这是什么类型的模型。乍一看协同过滤可能听起来类似于基于产品的集群模型,但协同过滤有点不同。协作过滤器不是根据他们可能购买的产品类型对客户进行分组,而是根据汇总行为提出建议。

换句话说,这不是关于用户的产品偏好,而是关于产品往往会给用户带来的行为。

协作过滤器有三种类型:

向上销售推荐。这些是在销售之前对产品的更高级版本的建议
交叉销售建议。在销售之前也提供,这是对通常与初始产品同时购买的产品的推荐
后续建议。这些是购买先前产品后人们倾向于购买产品的产品的推荐,例如更换耗尽的产品,或购买餐桌后购买餐具。
将正确的产品连接到正确的市场
从客户建模向后工作,可以确定您可能不了解的产品市场。以下是这个用例如何发挥作用的几个例子:

将引荐来源合并到您的群集模型中。这样,您就可以确定哪些流量来源与哪种类型的产品,品牌或行为相关联。由此,您可以立即确定这些产品或品牌的新市场
将推荐来源纳入您的终身价值倾向模型。这将允许您确定将更多营销资源投入的位置,因为您大致知道投资回报率将是多少
寻找流量来源与成功之间的相关性,包括向上销售,交叉销售和后续推荐
查找关键字与客户模型之间的相关性
分析作为购买特定类型产品的强大预测因素的属性,并集思广益可能分享您尚未定位的那些属性的其他市场
调查有限数据可用的高性能异常值,并调查在这些市场中扩张是否是一个不错的选择。
将正确的用户连接到正确的内容
您可以通过多种方式利用客户模型将潜在客户与内容联系起来,从而使您实现目标,其中一些方式比其他方式更明显。这里有一些例子:

根据相应的群集匹配与产品或品牌相关的内容
当倾向模型预测他们最有可能购买时,将用户与转化副本相匹配
向用户推荐内容,以提高他们的倾向得分
向用户推荐内容,以增强他们对向上销售或交叉销售做出良好反应的可能性
将流量来源与往往会为每个特定流量来源产生高倾向得分的内容进行匹配。
如您所见,您可以在这里采用的方法数量增长得非常快。从战略角度思考如何最好地使用模型并充分利用模型。

发现战略营销见解
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Harley Davidson所做的那样),但重要的是要记住人类决策仍然在这个过程中起着非常重要的作用。

预测分析和相关AI工具经常失败的倾向是“过度拟合”数据。它们可能会陷入局部最大值和最小值,无法跨越新的地形。

从这些陷阱中逃脱,并充分利用这些工具,需要您从预测分析模型中找到战略见解。

例如,假设您发现某个特定内容倾向于提高您的潜在客户的倾向得分; 您可以使用任何自动化来自定义用户的营销方式,并将其推向该内容。但是预测分析无法告诉您的是,是否可能存在其他尚未尝试的流量来源,这些流量来源非常适合该内容。利用您的经验和头脑风暴能力,您可以确定该内容的其他潜在市场,将其提供给您的模型,并了解风险如何改变。

您使用这些模型的目标必须始终是找到这些类似的见解并测试它们以查看结果是否符合预期。如果您的模型在自动驾驶仪上运行,它将不会发现任何新的机会。

All Posts
×

Almost done…

We just sent you an email. Please click the link in the email to confirm your subscription!

OKSubscriptions powered by Strikingly