营销中的预测分析：应用场景和一个简单的入门模型

营销中的预测分析估计一个人或一个分群接下来会做什么，让你把力气花在有回报的地方。起步不需要数据科学团队：本文讲五个应用场景，做一个简单的线索评分并在留出数据上检验，再说明怎么判断模型是否有效。

在营销里指什么

预测分析用人们过去做过的事，估计他们接下来可能做什么。在营销里，通常是给每个人或每个账户一个分数（购买、升级、流失、响应活动的可能性），或者给每个分群或渠道一个预测（下个月多少注册、一个活动能带来多少收入）。

起步不需要机器学习。用三个行为做一个规则评分，好好检验，往往就能拿到大部分价值。

五个常见应用

下表列出各个应用场景、它回答的问题、需要的数据和简单的入门做法。

简单版本用起来、结果数量够多之后，再换统计或机器学习模型。

完整例子：一个简单的线索评分

某 SaaS 产品一个季度有 2,000 个试用注册，其中 240 个成为付费客户（12%）。以下是示例数字。

建分数（用上一个季度的数据）。看试用头 3 天里，付费客户更常做的行为。有三个很突出：安装了统计代码、建了看板、邀请了同事。每做一项得一分，安装算两分：总分 0–4 分。

在留出数据上检验（本季度）。在不看谁付费的情况下给本季度的 2,000 个注册打分、排序，分成五组、每组 400 个，再对照实际付费情况：

• 前一组的提升度：33% ÷ 12% = 2.75 倍。
• 覆盖率：前 20% 里有 240 个客户中的 132 个，占 55%。

用起来。销售在一天内联系前一组；中间几组收到针对缺失步骤的引导邮件；后一组走标准邮件流程。下个季度对比的是转化率和上季度的差别，而不只是分数。

怎么判断一个模型

• 一定要在模型没见过的数据上检验，比如后一个时段。用同一份数据建模又检验，结果总是好看的。
• 头部分组的提升度和覆盖率比整体准确率更重要。如果只有 12% 转化，一个预测「谁都不转化」的模型准确率是 88%，却毫无用处。
• 和简单基线比。花哨的模型只比三条规则的评分好一点点，就留下简单的那个。
• 注意漂移。每季度复查一次；价格、产品和受众的变化都会让旧规律失效。

常见陷阱

• 信息泄漏：用了结果发生之后才有的信息，比如用「访问过账单页」来预测付费。
• 自我实现的分数：如果销售只联系高分线索，高分线索转化更多，部分是因为被联系了。留一小组随机线索不做任何动作，才能量出真实效果。
• 相关不等于抓手：邀请同事能预测付费，但强迫用户邀请不一定会带来付费。见相关性和因果关系。
• 数据太少：只有 30 个转化时，任何规律都很脆弱。先做分群层面的预测。

TapCub 能提供什么

TapCub 不训练预测模型，也不出分数。它提供输入和检验：

• 每个人的行为：全端分析 › 用户 › 用户 里能看到「安装了」「建了看板」「邀请了同事」这样的事件，识别用户之后会关联到账户。
• 用来对比的分组：全端分析 › 用户 › 分群与标签 按行为建分群（每天重算），可以对比「3 天内三项都做了」和其他人的转化。
• 按分组看转化：按分群筛选漏斗和目标，看高分组是不是真的转化更多。
• 流量预测：带预测基线的监控，会在会话或转化超出预期范围时提醒你。

流失方向的评分见客户流失预测。线索漏斗见线索转化率。