预测分析或预测(简称为Predictive Analytics)是如今大多数营销人员会看到的一个术语。虽然有关这个话题的内容已经比较广泛了,但今天我们想分享一个比较明确的指南,用于解答有关预测性的最炙手可热的问题:它是什么?应该如何使用?
在这篇文章中,我们将定义「预测分析」,并解释数据质量在预测中的重要性。
预测分析有多个方向的定义。从技术方向来定义显得更为准确,
预测分析是一种统计或数据挖掘解决方案,包含可在结构化和非结构化数据中使用以确定未来结果的算法和技术。可为预测、优化、预报和模拟等许多其他用途而部署。能够预测哪些行为或受众成功的可能性,以及失败的可能性。
从新兴技术类别来说,定义可以更加简化:一个使用过去的数据来预测结果的系统。我们最喜欢的解释是来自Swift Capital的首席分析官,预测就是源自80/20原则。
80/20原则看似有违常理,从帕累托的研究中归纳出这样一个结论,即如果20%的人口享有80%的财富,那幺就可以预测,其中10%的人拥有约65%的财富,而50%的财富,是由5%的人所拥有。在这里,重要不是百分比,而是一项事实:财富在人口的分配中是不平衡的,这是可预测的事实。
而在预测中,80%的收入来源于20%的预期。
随着人们对人工智能(AI)、大数据和机器学习的日益增长的追捧,预测分析在这股潮流中也不甘示弱。Gartner将预测分析与其他形式的分析进行比较来帮助区分:
大多数公司目前的营销模式都是基于一个隐含的假设:过去发生的事情将会在未来以同样的方式发生。
这种营销模式是到从以历史记录导向转变到更具前瞻性。这是一个很关键的区别,目的不仅仅是描述和理解过去发生的动作,而且还要探索「可能发生的事情」。诊断和描述性分析可以是准确的。根据定义,预测分析基于概率,并且必须被接受为“仅提供可信度”。
为了说明预测分析与其他形式的分析有什么不同,我们来看一下最简单的预测案例——直接营销。
在直接营销中,预测分析提供了在得到某些客户的历史相关信息时积极响应的概率。这一预测的后续行动可能是在达到一定数值以上的积极响应概率后,与客户进行联系。这样预测分析就完成了。
SiriusDecisions,长久以来一直支持先进数据驱动技术的B2B咨询和研究公司,提供了一个全面回答这个问题的方法。
虽然用于做出预测的算法是强大的,但预测和底层数据源的效果是一样的。如上图所示,外部数据的大量来源被用于建模,自然地建立了超出预测分析的案例。最值得注意的是,它能够提供新的潜在客户,并改进现有的客户和潜在客户数据集。根据B2B企业的成熟度,在利用复杂的预测之前修复关键的不良数据问题。
在深入了解预测能力如何帮助实现价值之前,仔细观察线索和服务,从而发挥独特强大的数据(信号)非常重要。
将数据视为冰山
如果说数据是冰山,那么传统的购买信号就是冰山一角,如位置、人员和行业等固定资产。 尽管这些基本数据的准确性和填充率可能低于标准,但它们通常可用于CRM和营销自动化技术(MAT)中的分段和报告。
另一方面,预测分析平台追踪并关联所有「淹没」的购买信号。更深层次的信号会暴露企业的动机,如果是使用隐性数据,就能为潜在客户和客户提供更多的线索,有助于推动更好的营销决策的形成。
有了更多的信号,营销人员就有了指标,利用这些指标可以引导企业购买倾向和响应营销活动,然后进一步个性化扩展广告或渠道。以下是高级信号可以显示的客户资料示例:
显示增长和预算:目前,投资数字、广告、新技术、招聘、开设新地点,甚至是在不断增长的社媒追踪中的企业都是目标受众对产品或服务需求的强大指标。
识别需求:B2B企业所获取的线索可能会显示对特定产品或产品的需求。例如,如果需要业务提供工资单解决方案,确定目前具有大量工资软件的企业正在招聘,就可以预测到这些业务需要你的产品。
虽然探索数据的深度非常重要,但数据质量比数据大小更为重要。由于B2B数据质量和可操作性之间的关系,80%的B2B营销人员对于无效需求生成过程的数据质量感到失望。
Radius的数据科学家团队在通过6亿多个连接的CRM记录和超过500亿个动态数据信号工作了7年的数据后,发现了开创性的洞察力,即保持数据质量是很困难的。
CRM的数据平均只有70-75%是准确的。
预测技术能够提供的价值和前景与底层数据一样。采用预测性的营销人员的关键,就在于定义预测分析和了解数据质量的作用。
而对于还没有应用营销自动化,CRM,用户数据分析等工具的B2B企业,将营销和销售流程数据化,技术化可能是需要迈出的第一步。