預測分析或預測（簡稱為Predictive Analytics）是如今大多數營銷人員會看到的一個術語。雖然有關這個話題的內容已經比較廣泛了，但今天我們想分享一個比較明確的指南，用于解答有關預測性的最炙手可熱的問題：它是什么？應該如何使用？

在這篇文章中，我們將定義「預測分析」，并解釋數據質量在預測中的重要性。

什么是預測分析

預測分析有多個方向的定義。從技術方向來定義顯得更為準確，

預測分析是一種統計或數據挖掘解決方案，包含可在結構化和非結構化數據中使用以確定未來結果的算法和技術。可為預測、優化、預報和模擬等許多其他用途而部署。能夠預測哪些行為或受眾成功的可能性，以及失敗的可能性。

從新興技術類別來說，定義可以更加簡化：一個使用過去的數據來預測結果的系統。我們最喜歡的解釋是來自Swift Capital的首席分析官，預測就是源自80/20原則。

80/20原則看似有違常理，從帕累托的研究中歸納出這樣一個結論，即如果20%的人口享有80%的財富，那幺就可以預測，其中10%的人擁有約65%的財富，而50%的財富，是由5%的人所擁有。在這里，重要不是百分比，而是一項事實：財富在人口的分配中是不平衡的，這是可預測的事實。

而在預測中，80％的收入來源于20%的預期。

預測分析區別于其他形式的分析

隨著人們對人工智能（AI）、大數據和機器學習的日益增長的追捧，預測分析在這股潮流中也不甘示弱。Gartner將預測分析與其他形式的分析進行比較來幫助區分：

大多數公司目前的營銷模式都是基于一個隱含的假設：過去發生的事情將會在未來以同樣的方式發生。

這種營銷模式是到從以歷史記錄導向轉變到更具前瞻性。這是一個很關鍵的區別，目的不僅僅是描述和理解過去發生的動作，而且還要探索「可能發生的事情」。診斷和描述性分析可以是準確的。根據定義，預測分析基于概率，并且必須被接受為“僅提供可信度”。

為了說明預測分析與其他形式的分析有什么不同，我們來看一下最簡單的預測案例——直接營銷。

在直接營銷中，預測分析提供了在得到某些客戶的歷史相關信息時積極響應的概率。這一預測的后續行動可能是在達到一定數值以上的積極響應概率后，與客戶進行聯系。這樣預測分析就完成了。

SiriusDecisions，長久以來一直支持先進數據驅動技術的B2B咨詢和研究公司，提供了一個全面回答這個問題的方法。

雖然用于做出預測的算法是強大的，但預測和底層數據源的效果是一樣的。如上圖所示，外部數據的大量來源被用于建模，自然地建立了超出預測分析的案例。最值得注意的是，它能夠提供新的潛在客戶，并改進現有的客戶和潛在客戶數據集。根據B2B企業的成熟度，在利用復雜的預測之前修復關鍵的不良數據問題。

為什么說數據為王

在深入了解預測能力如何幫助實現價值之前，仔細觀察線索和服務，從而發揮獨特強大的數據（信號）非常重要。

將數據視為冰山

如果說數據是冰山，那么傳統的購買信號就是冰山一角，如位置、人員和行業等固定資產。 盡管這些基本數據的準確性和填充率可能低于標準，但它們通常可用于CRM和營銷自動化技術（MAT）中的分段和報告。

另一方面，預測分析平臺追蹤并關聯所有「淹沒」的購買信號。更深層次的信號會暴露企業的動機，如果是使用隱性數據，就能為潛在客戶和客戶提供更多的線索，有助于推動更好的營銷決策的形成。

有了更多的信號，營銷人員就有了指標，利用這些指標可以引導企業購買傾向和響應營銷活動，然后進一步個性化擴展廣告或渠道。以下是高級信號可以顯示的客戶資料示例：

顯示增長和預算：目前，投資數字、廣告、新技術、招聘、開設新地點，甚至是在不斷增長的社媒追蹤中的企業都是目標受眾對產品或服務需求的強大指標。

識別需求：B2B企業所獲取的線索可能會顯示對特定產品或產品的需求。例如，如果需要業務提供工資單解決方案，確定目前具有大量工資軟件的企業正在招聘，就可以預測到這些業務需要你的產品。

為什么數據質量對預測分析至關重要

雖然探索數據的深度非常重要，但數據質量比數據大小更為重要。由于B2B數據質量和可操作性之間的關系，80％的B2B營銷人員對于無效需求生成過程的數據質量感到失望。

Radius的數據科學家團隊在通過6億多個連接的CRM記錄和超過500億個動態數據信號工作了7年的數據后，發現了開創性的洞察力，即保持數據質量是很困難的。

CRM的數據平均只有70-75％是準確的。

預測技術能夠提供的價值和前景與底層數據一樣。采用預測性的營銷人員的關鍵，就在于定義預測分析和了解數據質量的作用。

而對于還沒有應用營銷自動化，CRM，用戶數據分析等工具的B2B企業，將營銷和銷售流程數據化，技術化可能是需要邁出的第一步。