使用預測分析的五種方法




SEO觀點:
圖表和電子表格作為分析思維方式的時代已經開始接近尾聲。 預測分析以及相關的人工智能(AI)和機器學習技術正在改變我們處理數據的方式。 這些工具越來越易於使用,“大數據”的思想不再局限於擁有數十億美元預算的公司。
預測分析提供了對未來的一瞥,以及獲取可開拓新機遇的戰略見解。 您可以使用以下五種方式來進行預測分析,以及如何改變您對數據的看法。
合格的線索
根據 Forrester研究 ,預測分析發現了三種主要的用例來處理潛在客戶。 特別:
預測評分: 這種方法分析潛在客戶如何回應您的營銷嘗試,以及他們如何根據這些信息採取行動。 通過這種方式,您可以更快地確定哪些線索將更多資源集中在哪些資源上,以及哪些資源可以從中轉移資源。
識別模型: 這個用例是一種專注於將銷售線索與過去採取行動的客戶進行比較的方法。 在此過程中,您可以根據之前採取的措施將資源轉移給那些最有前途的潛在客戶,並找出您以前不知道的新市場。
個性化: 根據預測哪些線索最有可能採取哪些行動,可以使用相同的數據來確定哪些線索最適合哪種類型的消息。 這種先進的分割形式可以將事情深入分解,而不是簡單地將分組分成多個組 – 而是向他們發送更多個性化的消息。
一個突出的例子在這裡被覆蓋了 哈佛商業評論 ,詳細介紹哈雷戴維森經銷商如何使用名為阿爾伯特的人工智能將銷售額提高2930%。
人工智能碾壓CRM數據以識別先前買家的特徵和行為。 然後根據這些特徵將它們分成微段。 對於每個細分受眾群,它都會測試標題,視覺效果和其他元素的不同組合,以確定哪些細分受眾群最有效。
您的潛在客戶資質的價值在很大程度上取決於您的數據的價值和數量。 無論您的統計模型有多好,他們的能力仍然非常有限,無法獲取他們需要了解的有關您的客戶的信息。
在數字領域 – 特別是如果您不使用CRM – 從預測分析開始的最佳位置幾乎肯定會是 Google Analytics和Google BigQuery的整合 。
建模客戶行為
雖然領導資格認證和轉換是預測分析最明顯的用例,並且可能首先考慮這一點,但這遠遠不是這種新興技術的唯一市場應用。 但實際上任何使用都將以客戶建模為核心。
您可以將客戶建模分為三種基本類型:集群模型,傾向模型和協作過濾。
集群模型
集群是基於許多變量將客戶分成組的一種方式。 聚類模型尋找各種屬性之間的相關性,並確定某些類型的屬性傾向於積累的大量均衡。 與傳統分割相比,什麼使得聚類變得特別是涉及到的變量數量龐大。 集群通常使用30個或更多變量,如果您手動分段客戶,或者即使他們手動分段,這些變量也可能會更多。
集群有三種形式:
產品集群:這些客戶群往往只會購買特定類型的產品,而忽略目錄中的其他內容
品牌集群:這些客戶傾向於從特定品牌集合中購買
行為集群:這些客戶是具有特定行為集合的客戶群體,例如發出小訂單的頻繁買家,或者在結賬購物車上偏好呼叫中心的客戶。
認識到這些集群的重要性在於,它們可以預測哪些集群屬於哪個集群 – 即使信息有限。 如果他們購買某個特定品牌的產品,那麼您的品牌集群可以預測他們可能感興趣的其他品牌,而不僅僅是由同一品牌提供其他品牌的更明顯建議。
傾向模型
傾向模型是基於與其他行為和屬性的相關性對未來的客戶行為進行預測的模型。 這可以使用回歸分析或機器學習來完成。 一個好的傾向模型控制盡可能多的變量,以便相關性不因原因而混淆。
以下是一些傾向模型的例子:
客戶流失傾向:如果您不採取行動,這些客戶可能會繼續前進,否則這些客戶的價值可能會很高
取消訂閱的傾向性:像這樣的模型可以讓您確定合適的電子郵件頻率,從而衡量接受者將退訂任何可能的積極結果的可能性
生命週期價值:建模客戶的終生價值可以幫助您制定戰略營銷決策,如果它將您帶給更多生命週期價值的客戶,或者導致延長終身價值的行為。
其他傾向模型包括預測你的人生價值有多遠,以及他們轉化或購買的可能性。

協作過濾
如果你看過亞馬遜的“喜歡這個產品的顧客,也喜歡……”的建議,你就知道這是什麼類型的模型。 乍看之下,協作過濾聽起來可能與基於產品的聚類模型相似,但協作過濾有點不同。 協作過濾器不是根據可能購買的產品類型對客戶進行分組,而是基於總體行為進行推薦。
換句話說,這不是關於用戶的產品偏好,而是更多關於產品傾向於給用戶帶來的行為。
有三種類型的協作過濾器:
推銷推薦。 這些建議是在產品銷售之前為更高層次的產品提供的建議
交叉銷售建議。 在銷售之前還提供了這種產品的建議,這種產品通常與最初購買的產品同時購買
後續建議。 這些是對人們在購買之前的產品之後傾向於購買一定時間的產品的推薦,例如更換用完的產品或者在購買桌子後購買盤子。
將正確的產品連接到正確的市場
從客戶建模的後面開始,可以確定您可能尚未意識到的產品市場。 以下是這個用例如何發揮作用的幾個例子:
將推介來源整合到您的群集模型中。 這將允許您確定哪些流量來源與哪些類型的產品,品牌或行為相關。 由此,您可以立即確定這些產品或品牌的新市場
將推介來源納入您的生命週期價值傾向模型。 這將使您可以確定哪些位置可以投入更多的營銷資源,因為您大致了解投資回報率
通過追加銷售,交叉銷售和後續建議尋找流量來源與成功之間的關聯
尋找關鍵字與客戶模型之間的相關性
分析購買特定類型產品的強有力預測因素的屬性,並對可能共享那些尚未定位的屬性的其他市場進行頭腦風暴
調查有限數據可用的高表現異常值,並調查在這些市場中擴張是否是一個不錯的選擇。
將正確的用戶連接到正確的內容
有很多方法可以利用客戶模型將潛在客戶與內容聯繫起來,這些方式可以將您推向目標,其中一些比其他更明顯。 這裡有一些例子:

根據適當的集群匹配與產品或品牌相關的內容
當傾向模型預測他們最有可能購買時,將用戶與轉換副本進行匹配
向用戶推薦改善其傾向得分的內容
向用戶推薦內容,以增強他們對追加銷售或交叉銷售做出反應的可能性
將流量來源與趨向於為每個特定流量來源產生高傾向分數的內容進行匹配。
正如你所看到的,你可以在這裡採取的方法數量增長得非常快。 戰略性地思考如何最好地使用模型並充分利用模型。
發現戰略營銷見解
儘管一些預測分析工具可以自動簡化您的營銷流程並產生結果(如Albert為Harley Davidson所做的那樣),但重要的是要記住,人的決定在流程中仍然扮演著非常重要的角色。
預測分析和相關AI工具經常失敗的地方傾向於“過度擬合”數據。 它們可能會陷入局部最大值和最小值,無法跳躍到新的地形。
從類似這樣的陷阱中逃脫出來,並且充分利用這些工具,需要您從預測分析模型中找到戰略見解。
例如,假設您發現某個內容具有提高潛在客戶傾向分數的傾向; 您所使用的任何自動化都可以用於定制您的用戶如何銷售,並將其推向該內容。 但是,預測分析無法告訴您的是,是否還有其他流量來源您尚未嘗試過,因此非常適合該內容。 利用您的經驗和頭腦風暴能力,您可以確定該內容的其他潛在市場,將其提供給您的模型,並查看曝光如何改變事物。
你使用這些模型的目標必須始終是找到像這樣的見解並測試它們,看看結果是否如預期的那樣。 如果你的模型在自動駕駛儀上運行,它不會單獨發現任何新的機會。

Manish Dudharejia是美國總統兼聯合創始人 E2M解決方案公司 ,一家專門從事網站設計與開發和電子商務搜索引擎優化的聖地亞哥數字機構。 跟著他 推特 。

想要保持最新的搜索趨勢? 從我們的搜索專家處獲得最佳見解和新聞。

相關閱讀

如果您喜歡數據(而且營銷專家不喜歡?),那麼今年學習Google Tag Manager應該在您的優先級列表中處於高位。 但開始使用GTM並不總是一個直觀的過程。 這裡有7個課程可以幫助你掌握它,掌握你的數據。

在本系列中,我們將解決解釋Google Analytics各個部分及其包含的標準報告的龐大任務。 我們將涵蓋您可以在每個標準報告中找到的數據,以及如何將它用於您的營銷和搜索引擎優化工作。 首先是實時報告:它們是如何工作的,以及它們對於哪些類型的廣告系列有用?

搜索引擎觀看姊妹網站ClickZ剛剛發布了其新系列的購買指南中的第一份報告,旨在為營銷人員解開和揭開martech景觀的神秘面紗。

儘管大多數網絡專業人員和營銷人員都了解Google Analytics,但並不知道他們如何才能充分釋放所有權力 … 閱讀更多

發表迴響

Close Menu