图形和电子表格作为一种分析方法的时代开始走向终结。预测性分析，连同相关的人工智能(AI)和机器学习技术，正在改变我们处理数据的方式。这些工具变得越来越容易获得，“大数据”思维不再局限于拥有10亿美元预算的公司。
预测性分析提供了对未来的一瞥，也提供了获取战略洞察力的途径，从而打开新的机遇。这里有五种方法可以使用预测分析，以及如何改变你对数据的看法。
合格的领导
根据Forrester research的研究，预测性分析已经发现了处理线索的三个主要用例。具体地说:
预测性评分:这种方法分析了领导对你的营销尝试的反应，以及他们根据这些信息采取行动的可能性。通过这种方式，您可以更快地识别哪些导致了更多的资源集中在哪些方面，哪些可以转移资源。
识别模型:这个用例是一种方法，它关注于对过去采取过行动的客户进行比较。通过这样做，你可以将资源转移到那些最有前途的领导者身上，这些领导者是基于他们之前所采取的行动，同时你也可以发现一些你以前没有意识到的新市场。
个性化:与预测哪个领导最有可能采取哪些行动一致，可以使用相同的数据来确定哪个领导对哪种类型的消息响应最好。这种高级的分割方式可以比简单地分割成组更深入地处理事情——而是给它们发送更多的个性化信息。
《哈佛商业评论》(Harvard Business Review)报道了一个突出的例子，详细介绍了哈雷戴维森(Harley Davidson)经销店如何使用名为Albert的人工智能增加了2930%的销售额。
人工智能分析了客户关系管理数据，确定了以前买家的特征和行为。然后根据这些特征将它们分成小段。对于每个片段，它测试了标题、视觉效果和其他元素的不同组合，以确定哪个对每个片段最有效。
您的领先资质的价值高度依赖于您的数据的价值和数量。不管你的统计模型有多好，他们的能力仍然非常有限，无法获得他们需要了解你的客户的信息。
在数字领域——尤其是如果您不使用CRM——最适合从预测分析开始，几乎肯定是谷歌分析和谷歌BigQuery的集成。
客户行为建模
虽然领先的资格和转换是预测分析最明显的用例，而且很可能是值得研究的，但它远不是这个新兴技术唯一的营销应用。但实际上，任何用途的核心都将是客户建模。
您可以将客户建模分为三种基本类型:集群模型、倾向模型和协作过滤。
集群模型
集群是一种基于许多变量将客户划分为组的方法。集群模型寻找不同属性之间的相关性，并确定某些属性趋于积累的多个平衡。与传统的分割相比，集群的特殊之处在于它所涉及的变量数量太多。集群通常使用30个或更多的变量，这远远超出了手工分割客户，甚至是手工分割客户的可能性。
集群有三种形式:
产品集群:这些集群的客户往往只购买特定类型的产品，而忽略了目录中的其他内容。
品牌集群:这些客户倾向于从特定的品牌集合中购买
行为集群:这些是特定的行为集合的客户群体，比如经常购买小订单的客户，或者喜欢在结账台中使用呼叫中心的客户。
了解这些集群的重要之处在于，它们能够预测哪些集群属于人们——即使信息有限。如果他们买了一个特定品牌的产品，你的品牌群可以预测他们可能感兴趣的其他品牌，而不是仅仅简单地提供相同品牌的其他产品。
倾向模型
倾向模型是一种基于与其他行为和属性的相关性对客户行为进行未来预测的模型。这可以通过回归分析或机器学习来实现。一个好的倾向模型可以控制尽可能多的变量，这样相关性就不会被混淆。
下面是一些倾向模型的例子:
易流失的倾向:如果你不采取行动，这些客户很可能会继续前进，但如果你不采取行动，他们可能会有很高的价值。