成功预测分析模型的四个挑战

低成本业务分析工具的可用性具有激励许多组织，以促进客户的分析和预测分析应用，以振兴其营销和销售举措。但是，虽然毫无疑问，正确的预测分析模型可以在适当设计和部署时对客户开展努力增加了重大价值，但有一些情况，它们可能无法满足用户期望。

首先，让我们考虑典型的分析框架它包括客户档案和历史交易的集合。组织从不同的内部系统中收集客户数据，并将这些数据合并到统一的客户数据库中。这些客户记录可能会被来自多个来源(如第三方数据提供商或在线资源)的人口统计和心理数据所补充，以创建客户档案。

框架的第二部分要求积累不同的客户事务集。这些记录将包括但不限于市场营销、销售、财务、信用、履行和分销、客户支持和法律方面的记录。

对预测分析模型的精确度和准确性保持一些合理的怀疑是有用的。

目标是收集所有与客户互动因此，可以对它们进行直接分析，寻找预期结果之前的哨兵模式。一个很好的例子是识别客户执行的一系列导致产品销售的行为。

许多工具已经足够成熟，可以从不同的业务功能中分析事务，以找到复杂的事件序列组合推测出期望的结果。

然而，对预测分析模型的精确度和准确性保持一些合理的怀疑是有用的，因为在某些情况下，它们可能会不准确地预测情况或试图影响与所涉个体无关的行为。其结果是依赖的模型可能具有有限的预测能力。造成这种情况的原因可能包括:

• 不完备。预测分析模型的准确性受到所使用数据的完整性和准确性的限制。因为分析算法试图基于可用数据构建模型，数据中的缺陷可能导致模型中的缺陷。相应地，开发出来的模型可能没有包含足够多的信息，无法识别出足够多的具有任何价值的前哨预测模式。例如，可以使用客户服务事件历史记录和事务来构建客户保留模型，但最精确的模型可能需要销售和返回事务来提供最佳的预测模式。
• 数据近视。客户配置文件是使用基于人们期望的指导方针来设计的，但是对不同人口统计变量范围的限制可能会迫使客户以非常有限的方式进行分类。例如，可以根据在确定的人口普查范围内计算的薪金平均数对个人进行分类。然而，某些城市地区可能有人口普查区，其中有多个离散的微社区，其工资人口统计数据有显著差异。细化平均工资关注范围的大小将提高客户分类模型的精度。
• Narrowization。这个术语表示依赖预测分析模型来指导业务流程客户行为可能会创造人为的界限，缩小客户预期行为的范围。在这种情况下，可能会有一些业务机会——比如产品捆绑或向上销售——甚至没有考虑到，因为分析驱动的业务流程并不期望这些机会出现。
• 幽灵。很长一段时间以来，自动系统一直能够进行简单的广告跟踪，其中网站会丢弃cookies，这些cookies提供的信息可以被广告网络中的合作伙伴访问。系统正在变得越来越有能力在一个层次内扫描客户的行为语义上下文提供更多关于客户兴趣的信息。一个人的搜索词加上产品页面访问可能提供足够的信息来推断客户真正想要的是什么。然而，当这些信息被用于展示广告和植入式广告时，顾客对试图预测他们的意图和影响他们活动的自动化系统感到不安。

从本质上讲，组织必须在利用预测分析模型的三个不同方面之间取得平衡：累积正确的数据建立准确的模型，确保模型是完整和准确的，并在正确的时间和地点使用模型。

查看如何配置、利用业务分析应用程序并将其投入生产，以确定克服可能阻碍最佳使用的挑战的最佳方法。