預測分析是利用數據、算法和機器學習來預測結果。它也被稱為預測建模，是幾乎所有機器學習和人工智能過程的基礎。雖然這一研究領域已經存在了幾十年，當前的數據爆炸再加上現代計算能力，預測分析成為許多業務運營的前沿。
預測模型可以幫助識別欺詐、改善庫存和定價操作、降低風險、優化營銷活動等等。但b在你全力投入人工智能之前，了解成功預測模型的基礎是很重要的。無論你使用哪種算法或軟件，你都需要足夠的數據來推動它。數據濃縮是從預測建模投資中獲得最大收益的關鍵。
預測模型的要素
預測模型用於得出關於主題(通常是客戶或潛在客戶)執行所需操作(如購買)的可能性的結論。
在市場營銷中，預測建模的主要目標之一是確定目標”州”(可能包括人口統計信息、購買曆史或任何其他行為)，這些州最有可能達到或影響目標結果，因此相關活動可以針對擁有這些州的人。
在這裏”舉個例子:如果一個預測建模練習顯示，那些光顧高端商場和經常乘飛機旅行的人更有可能購買豪華智能手機，那麼希望擴大客戶群的手機供應商就知道，針對高端購物者和飛行常客的營銷活動可能會帶來更高的投資回報率。
模型的各個預測狀態也稱為特性．在這種情況下，狀態/特征是高端商場的訪問量和頻繁的航空旅行。
預測模型在哪裏出錯?
數據不足
在數據科學領域，確實如此”一般認為，算法的複雜性是預測建模成功的最重要的因素。在現實的廣度和深度用於訓練算法的數據具有更大的影響隨著時間的推移提高預測質量。
如果你的方法是徹底的，你的方法是照章辦事的，你還是可以做到的”如果無法達到所需的預測質量，那麼有限的數據可能是問題的根源。
特征選擇
特征選擇- - - - - -識別哪些特征用於建模是一項關鍵任務。在構建預測模型時，數據科學家必須評估和優化每個特征，直到達到可操作的高概率模型。
為了具有可操作性，預測模型的最終版本必須包含容易投射到更大人群的特征。專門與自身的數據通常會產生無法應用於普通大眾的見解。
特征選擇過程通常是預測模型出錯的地方，數據不足是次優特征選擇的主要原因。畢竟，你隻能對數據進行統計分析”S對你有用。有限的數據範圍會削弱您的模型”S將概率陳述投射到總體上的能力。
更好的數據=更高價值的預測模型
為了有效地識別和營銷新的潛在客戶，並更好地理解、保留和發展現有的客戶基礎，您將需要使用遠遠超出您內部擁有的數據來構建預測模型。
不管你的算法有多複雜，如果你隻利用第一方數據來告訴你的預測模型，他們就會”你將被限製在根據你當前的客戶產生見解。他們贏了”T提供了可能與您期望的結果相關的所有狀態的全麵視圖，並且可用的特性可能不適用於非客戶的消費者。
有限數據的解決方案
當一家全球食品配送公司發現自己處於我們剛剛描述的情況時，他們轉向Mobilewalla尋求額外的幫助消費者洞察．
該公司”的第一方數據顯示，其價值最高的客戶每周點三次中餐，時間都在晚上8點以後。然而，他們無法利用這些見解來擴大客戶基礎，因為他們無法識別符合這些描述的非客戶。這意味著他們不能”他們的活動不是針對這個群體的。
這個問題的解決方案是數據豐富。Mobilewalla用全麵的數據支持了他們的第一方數據第三方數據讓他們更詳細地了解當前客戶的習慣和行為。後續分析揭示了以下關於他們的最高價值客戶:
- 可能已婚，夫妻雙方都有工作
- 25至34歲這個年齡段
- 有孩子
- 從家到公司的通勤距離超過15公裏。
這些信息使外賣公司能夠更準確、更有效地定位可能成為高價值客戶的受眾。
勞裏罩
Laurie Hood是Mobilewalla市場營銷高級副總裁。