成功的预测分析模型面临的四个挑战

低成本商业分析工具的可用性促使许多组织推出客户分析和预测分析应用程序，希望重振他们的营销和销售计划。然而，当正确设计和部署时，正确的预测分析模型可以为客户外展工作增加显著的价值，这是毫无疑问的，但在某些情况下，它们可能无法满足用户的期望。

首先，让我们考虑一下典型的分析框架，包括客户配置文件和历史交易集合。组织从不同的内部系统中收集客户数据，并将该数据整合​​到统一的客户数据库中。这些客户记录可以通过来自多个来源的人口统计和精神数据 - 例如第三方数据提供者或在线资源来增强 - 以创建客户配置文件。

框架的第二部分需要累积不同的客户交易集。这些将包括但不限于营销，销售，金融，信贷，履行和分配，客户支持和法律的记录。

保持对预测分析模型的精度和准确性的一些健康的怀疑，这是有用的。

目标是收集所有与客户的互动因此，它们可以进行直接分析，即寻找前后成果的哨兵模式。一个很好的例子是识别客户在产品销售中执行的操作的序列。

许多工具已经变得足够复杂，可以分析来自不同业务函数的交易，以查找复杂的事件序列组合假设预测期望的结果。

然而，维持一些健康的怀疑性关于预测分析模型的精度和准确性是有用的，因为可能存在他们不准确地预测情况或试图影响不具有所涉及的人的特征的行为的情况。结果是依赖可能具有有限预测力的模型。某些原因可能包括：

• 不完备。预测分析模型的准确性受所使用数据的完整性和准确性的限制。因为这分析算法尝试根据可用数据构建模型，数据中的缺陷可能导致模型中的缺陷。相应地，开发的模型可能不会包含足够的信息，以识别足够的Sentinel预测模式具有任何值。例如，可能使用客户服务事件历史和事务构建客户保留模型，但最准确的模型可能需要销售和返回事务以提供最佳的预测模式。
• 数据近视。客户档案正在使用基于人们期望的指南来设计，但对不同人口变量范围的限制可能强迫客户以过于有限的方式分类。作为示例，可以使用在定义的人口普查束的边界内计算的薪资平均分类。然而，某些城市地区可能有人口普查区域，其中有多个离散的微社区具有明显不同的薪资人口统计。精制普通薪酬的重点面积将提高客户分类模型的精度。
• 缩小。这是一个术语，表明依赖预测分析模型，以指导业务流程影响客户行为可能会造成人为边界，缩小客户预期的行为的范围。在这种情况下，可能存在商机 - 例如产品捆绑或销售 - 甚至不考虑的产品捆绑或销售是因为分析驱动的业务流程并不期望这些机会出现。
• 鬼怪。长期以来，自动化系统能够简单的广告跟踪，其中在哪些站点丢弃提供的Cookie，该网站提供可通过广告网络内部伙伴访问的信息。系统越来越能够在分层中扫描客户行动语义上下文提供有关客户兴趣的增加的信息。一个人的搜索条件与产品页面访问耦合，可以提供足够的信息，以便推断客户真正寻找的内容。然而，由于这些信息被用于呈现广告和产品展示，因此客户正在通过试图预测其意图并影响其活动而变得稳定。

本质上，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:积累正确的数据建立准确的模型，确保模型完整，准确，并在合适的时间和地点使用模型。

回顾业务分析应用程序如何配置，利用并投入生产以确定克服可能阻碍最佳用途的挑战的最佳方式。