贺展，Roven 在 2014 年进入数字媒体营销行业，先后管理累计数亿美金的海外数字媒体广告预算，涉足游戏、应用、电商、金融等多个行业，积累了丰富的移动广告营销经验。目前专注于金融类 App 用户增长策略制定与运营，在多元文化交流的氛围下和当地团队一起进行海外市场开发管理。

了解更多关于 移动先锋 Roven 的访谈内容。

据 Worldometers 的数据显示，2021 年，我们每天创建了超过 2.5 亿亿字节的数据，地球上的每个人每秒创建了 1.7MB 数据。但丰富的信息并不代表我们就掌握了更高转化率的优秀决策。因此我们需要使用预测分析来为营销决策提供信息并证明其合理性，以对我们的营销预算进行优化，提高访客细分的效率并增加销售收入。

营销预测是什么

营销预测是指通过对市场营销信息的分析和研究，寻找市场营销的变化规律，并以此规律去推断未来的过程。已被用于诸如品牌知名度跟踪和分析购买后活动等领域。超过 50％ 的营销人员同意，数据驱动的营销可以产生更多相关的交流，并使他们更加关注客户。

营销预测的作用

作为一名移动营销人，规划执行数字营销活动是我们平时工作中的一项重要内容，而预测是我们在制定营销策略时首要考虑的因素。首先，预测技术可以使营销人员更好地了解客户行为。与常规的营销数据分析不同，预测营销模型会准确说明哪些营销策略可能会起作用，哪些无效，从而使决策变得更加容易。根据用户产生的相关数据，预测营销模型可以判断客户是否会进行购买、何时以及如何进行购买。

通过分析客户以往的行为，数据还可以帮助业务在多个方面做出决策，诸如营销预算管理、营销活动规划、潜在客户开发和促进转化的策略。相对于营销人员的直觉和猜测，由于这些数据完全基于对目标受众大量多维度数据的分析，所以预测营销做出的决策目标更加明确，使结果可量化，更清晰。

如何进行营销预测分析

1. 构造潜在客户画像（集群/识别建模）

我们在寻找目标受众时，首先要知道我们细分受众的用户画像。比如我们要卖一件昂贵的小黑裙，首先我们想到的时那些家庭年收入很高的女性。识别和细分出女性且收入高的群体就是细分的过程。

这时我们就可以采取更多的维度来进一步细分受众，比如年龄，我们根据大数据会发现女性21岁开始购买品牌连衣裙，原因是21岁的女性逐渐大学毕业开始找工作的时候，那我们以此判断就可以把受众缩小在美国东海岸，因为那里有更多需要穿正装的工作机会。

通过对不同的集群模型进行测试，找到最合适业务的细分受众，发现更多之前想不到的兴趣或行为维度。

也可以直接利用如 Facebook Lookalike 的功能上传之前积累的客户数据，通过 Facebook 创建识别模型，根据我们的业务目的识别和定位与现有客户相似的潜在客户。

2. 有针对性的内容营销和广告推荐（协同过滤）

每个产品都不同针对的用户群，不同用户群可能在年龄层、消费习惯或是更细分品类下的喜好和行为特征方面都是有区别的。协同过滤即使用过去的行为和数据（例如特定细分中的聚合级内容消费模式）来为内容消费、交叉销售或追加销售提出建议。

以字节系产品为首的短视频 App，以及一些电商企业 (Amazon、Zalando) 和流媒体服务 (Netflix、Spotify) 都使用了协同过滤来进行相关视频/产品/新闻/音乐的推荐，但还比较少用于营销目的。

比如用户 A 和 B 都是居住在洛杉矶的年龄在 20-30 岁的女性，并且都关注过化妆品和衣物相关的内容，这种情况下，协同过滤可能会认为，A和B相似程度很高。于是可能会把 A 关注 B 没有关注的内容推荐给 B，反之亦然。

根据上一步的结果，我们就可以知道哪种类型的内容会引起此细分受众的共鸣，而且知道哪种渠道可以最好地吸引这批受众，此时我们就可以自定义营销内容，进行针对性的投放。 当该营销渠道匹配到合适的用户时，相匹配的内容创意会增加付费转化的可能性。

3. 生命周期价值预测

在营销的各个阶段，不管是前期的用户调研、新用户获取、种子用户培育，还是后期的用户增长、留存，最终追求的都是让用户在使用我们的产品过程中，尽可能提升产生的商业价值。客户生命周期价值 (LTV) 是对一段正在进行中的客户-产品关系所能产生净利润的预估。借助预测分析，我们可以获取每个客户的历史数据，并用来预测他们的未来生命周期以及未来可能带来的价值。这就可以帮助我们设置合理的 CAC 目标，以获得更准确的预期投资回报率。

计算 LTV 需要找到平均流失率和用户在特定时间段内的平均消费，以此来预测用户在应用中的全部消费。移动广告渠道 Tapdaq 创造了一个计算 LTV 的简单公式：LTV = ARPU x 1/流失率。

此公式通过预测用户在特定时间段内的消费金额 (即 ARPU，每用户平均收入) 及用户返回应用的概率 (1/流失率) 来计算生命周期价值。

4. 客户流失率预测

流失与召回，是个长久不衰的话题。不管是哪种原因导致的用户流失，都要从产品和营销的层面，从用户需求角度入手来进行流失分析和召回策略，这其中少不了对数据的把控和监测。流失率是在一定时期内停止订阅或流失用户所占的百分比。从长期运营角度来看，要想取得增长，留存率必须高于流失率。借助预测分析，我们可以识别到警告信号，提醒客户流失，及时进行必要的跟进，提升用户留存。

5. 追加销售和交叉销售准备

交叉销售和向上销售是我们日常生活中常接触或亲身体验过的销售方式，例如当收银员问您是否需要升级套餐时。而对营销人来说这是最有效的营销方式和策略之二，合理利用追加销售和交叉销售可以实现重大增长和收入突破。两者可以互换使用，利用有关客户购买行为的可用数据，营销人员可以增加销售、交叉销售或将两者结合以增加利润。例如，如果我们通过数据分析发现有 30％ 的用户在购买完产品 A 时在六个月内回来购买产品 B，则可以在他们购买产品 A 后不久向客户推销产品 B，以加快该过程并抓住那些可能没有考虑购买产品 B 的用户更好的作出购买决策。

6. 优化营销活动

借助预测分析，营销人员可以更好地实现营销自动化，使科学地计划，开发，制定营销战略并运行广告活动变得更加便捷。

首先，将客户关系管理工具中的客户数据与预测行为模型的行为数据相结合，用这些数据来发现最匹配的细分受众群。然后，这些数据可以用作下一个广告系列的一部分，辅助以个性化推送，可以随时随地优化推广策略以及使用正确的营销自动化工具来推动更多转化。

大数据时代，任何营销人都不能忽略网络及大数据的作用。而通过建立完整的体系和营销预测模型可以有效助力数字营销实现重要突破。营销预测数据分析可帮助营销人员评估和权衡潜在营销决策的影响力，可以用来分析历史模式和概率，以预测未来业绩并采取相应的预防措施，更好的挖掘整个客户生命周期。

您也想成为下一位大中华区移动先锋吗？即刻申请与全球移动营销人分享您的经历和见解！