什么是预测性分析？

预测分析是利用数据和模型来预测未来事件发生的可能性的方法。机器学习算法可以用来分析大量数据并以快速速度预测结果。

预测分析几乎可以在任何领域应用，从气候变化到体育运动。在市场营销中，它们通常用于预测客户行为、转化率、流失率以及营销活动的表现。分析的数据可能包括网站和应用程序的访问情况、客户情感和社会媒体活动，以及地理位置甚至天气等背景数据。

标准（或“描述性”）分析旨在了解过去发生了什么，例如“我们的电子邮件营销在特定受众群体中的表现如何？”预测分析利用过去的数据来回答关于未来的问题，例如“这种类型的电子邮件营销在这种类型的受众中将表现出何种效果？”

预测分析概述

预测分析具有悠久的历史。几十年前，计算机被用于分析天气数据以做出预报为例。金融机构长期以来一直使用信用历史等信号来预测贷款的安全性。

现代预测分析的发展得益于计算能力的增加和对更大数量数据的分析成为可能。当然，随着互联网的爆炸式增长，可用的数据量也在不断增加，而且数据来源渠道不断增多。

预测分析解决方案市场在过去10年稳步增长[1]。

预测模型

用于预测分析的模型种类繁多，以下是其中一些常见的类型。

分类模型。 该模型将数据放入由用户标准确定的类别中。这是一种基本工具，可以给出yes/no答案（例如逻辑回归[2]），更复杂的版本可用于一系列相关问题的答案（决策树[3]）。数据科学家常用随机森林[4]等复杂但流行的组合模型。

聚类模型。 聚类模型根据数据特征将数据分配到类别中。与市场营销相关的示例可能包括人口统计信息、情感或购买行为。一个简单的例子是使用一组客户的历史产品兴趣来预测未来的产品兴趣。

异常值模型。 这些模型用于识别数据样本中的“异常值”。这可以用来识别异常且可能存在问题的行为，例如欺诈的信用卡交易，然后建立一个预测模型以在未来发现类似事件。

时间序列模型。 这些模型利用历史时间段的数据点来预测不同时间段事件发生的概率。另一个简单的例子：铁路可能会分析去年信号故障的数据，以预测今年信号故障的可能性。

深入理解：预测分析的力量：未来现在？

预测分析在市场营销中的应用

以下是预测分析在市场营销中的一些常见应用实例。

预测性评分。 关于客户旅程的历史数据和转化率等信息可用于预测潜在客户的转化可能性及可能的转化时间。

流失预测。 类似地，关于那些曾因流失而失去客户的数据显示，可以估计当前客户流失的概率。

内容与产品推荐。 而不是营销团队认为高质量的内容或希望提升的产品，预测分析可用于识别最有可能吸引特定受众群体（或更具体地说，是针对特定用户）的内容和产品。

预测性个性化。 仅限于内容和产品推荐之外，预测分析还可以用于预测“下一步最佳行动”[5]，即在客户体验的各个阶段进行预测。

深入理解：为什么你应该将预测建模添加到你的营销组合中

预测分析解决方案

许多供应商提供预测能力，通常作为更广泛市场营销分析和绩效或归因分析解决方案的一部分。软件审查网站G2列出了超过200个预测性分析工具[6]。以下是该领域的一些知名解决方案：

Adobe Analytics。 这是Adobe体验云的一部分，利用Adobe的Sensei AI能力在各个云应用程序中提供跨数据的预测见解。

Google Analytics 4。 GA4支持几种预测指标，包括购买概率、流失概率和收入预测。它还允许基于预测指标创建“预测受众”。

HubSpot。 HubSpot的重点在于预测性评分（如上所述）和预测性销售分析。

Oracle Analytics。 Oracle在其数据库、自主数据仓库或云基础设施中提供了内置的预测性分析模型。

Pega。 Pega将预测性决策分析作为其CRM的核心，声称通过预测客户旅程的下一个阶段，可以在实时决策时实现“最佳行动”。

Salesforce CRM Analytics。 原先名为Tableau CRM，原先称为Einstein Analytics，这是一套工具集，利用 Salesforce 的 Einstein AI提供了预测性分析能力。