預測分析就是使用數據、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，當前的數據爆炸加上現代計算能力，預測分析成為許多商業運作的前沿。
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驅動它。數據濃縮是從您的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)執行預期行為(如購買)的可能性的結論。
當在市場營銷中使用時，預測建模的主要目標之一是識別”狀態”(其中可能包括人口統計信息、購買曆史或任何其他行為)，這些狀態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相同狀態的人。
在這裏”舉個例子:如果一個預測模型測試顯示，去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開展營銷活動可能會帶來更高的投資回報率。
模型的單個預測狀態也稱為特性．在這種情況下，狀態/特征是高端購物中心和頻繁的航空旅行。
預測模型哪裏出錯了?
數據不足
在數據科學中，有”一般認為，算法的複雜性是預測建模成功的最重要的因素。在現實中的廣度和深度用於訓練算法的數據影響更大隨著時間的推移，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，你仍然可以做到”如果不能達到所需的預測質量，那麼有限的數據很可能是問題的根源。
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改進每個特征，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易於投射到更大人群中的特征。團隊隻與自身的數據通常會產生無法應用於普通大眾的見解。
特征選擇過程往往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”你有空嗎?有限的數據範圍會削弱您的模型”S將概率表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，更好地理解、保留和發展現有的客戶基礎，您需要使用遠遠超出您內部所擁有的數據來構建您的預測模型。
無論你的算法有多複雜，如果你隻利用第一方的數據來通知你的預測模型，他們”你隻能根據你當前的客戶進行分析。他們贏了”T提供可能與期望結果相關的所有狀態的全麵查看，可用的功能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提供額外的服務消費者洞察．
該公司”的第一方數據顯示，其價值最高的客戶每周會在晚上8點之後點三次中餐。然而，他們無法利用這些洞察來擴大他們的客戶群，因為他們無法識別符合上述描述的非客戶。這意味著他們不能”他們的運動目標是這個群體。
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對當前客戶的習慣和行為有更詳細的了解。後續分析披露了以下關於他們最高價值客戶的信息:
- 可能已婚，夫妻雙方都有工作
- 25至34歲這個年齡段
- 有孩子
- 上下班路程超過15公裏。
這些信息使外賣公司能夠更精確和有效地鎖定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。