业务是围绕着客户进行构建的，每个企业都需要客户才能生存，客户是企业的收入的来源。勿容置疑，企业的成功与获取客户、培育客户、让客户满意、解决客户的问题、进而从客户那里获取更多收入的能力直接相关。但是企业想要做到这一点，需要能够识别他们的潜在客户。

他们需要弄清楚谁、什么、为什么以及如何（4W）

• 谁是需要他们产品的潜在客户？

• 他们需要什么产品？

• 他们为什么需要这个特定的产品？

• 客户如何做购买的决定？

• 企业如何去应对这个？

通常所有的企业都有面向客户的人员，比如销售、市场、以及客户支持人员，他们经常与客户进行交流沟通。

这些人变成了企业面向客户的对外形象。但是企业没办法随时单独联系每一个潜在客户和现有客户，去了解其所需。

可以想象，密切掌握客户所想是非常巨大的挑战。当目标市场非常大时，例如有超过100万的客户，是非常难以保持一对一的关注。而且，随着越来越多的生意转移到线上，企业与客户之间没有了直接联系的方式。

客户散落在全球各地。我们也应该考虑到，比以前更快触达客户所带来的竞争。传统的地域和语言造成的障碍消失了。中国企业也可以非常容易的向美国客户销售产品，例如阿里巴巴。

竞争变得越来越激烈和聪明。今天的客户对于任何产品和服务都有了更多的选择，而且更换供应商的难度也越来越小。这使得企业面临的处境是需要对其客户将来可能做什么进行理解和计划。

为了这个目标，他们需要预测客户的行为，这里就包含着预测性客户分析。为了领先并且提前行动，企业需要知道他们的客户将来可能做什么。

• 他们将来会买你的产品吗？

• 他们会更换为其他供应商吗？

• 他们对产品满意吗？

• 他们会不满意吗？

• 他们会购买更多吗？

企业需要回答这些问题，从而去识别合适的客户、触达他们的正确渠道以及提供正确的方式来他们帮助。

他们需要预测分析。预测性客户分析使用客户数据去构建模型，这些模型帮助预测未来的行为，帮助企业转化和识别客户可能会购买的附加产品，从而达到企业期望达到的目标。

当客户遇到问题时，预测性客户分析将会帮助企业识别解决问题的合适资源，帮助识别可能会离开的客户从而给通过一些措施挽留他们。

利用预测性客户分析，企业可以借助比传统方式更低的成本和更高的效率来实现这一目标。

现在正是进行预测性客户分析的好机会。企业有丰富的数据源可以广泛使用，例如网络博客、社交媒体、聊天、交易记录以及语音记录。另外，今天的大数据技术能够以经济高效的方式进行大规模数据处理、集成以及存储。

我们有不同的方式去理解客户的想法和感受，并且能够通过数据挖掘来建立有效的模型。然后我们可以使用这些模型将业务推向正确的客户并使得他们留在您的业务当中。

客户与企业之间的关系经历一个生命周期。企业为客户提供所需的产品和服务，客户查看企业能够提供给他的需要和需求，所有这一切都开始于需求。想象一下，一个客户需要一个笔记本电脑，他会根据技术规格、成交量以及客户服务评分去进行选择。

然后客户选择了一家店铺去购买笔记本电脑，这是购买过程。当客户完成一个商品购买后，他或者她可能会需要购买附加的东西，例如线缆、充电器、存储等等。客户会持续使用这个产品一段时间，他可能会面临维修和升级配件的问题。当该笔记本电脑的生命周期结束，这个客户可能会从同一家企业购买，也可能会根据他以前的经验和当前的选择从另外一家企业完成购买。

从商业的角度来看，这个生命周期的第一步是获取客户。这个周期涉及广告、针对性营销等等，其目的是为了将客户拉入到自己的店铺。一旦客户购买了产品，企业可能会想要继续推销其他产品，例如线缆、附加服务等等。对现有客户的销售成本要比对全新客户的销售成本低很多。企业需要通过合适的服务和支持来确保客户对产品满意。

当产品的生命周期接近结束时，企业希望通过提供优先交易来重新获取这个客户。请记住，留存客户比获取新客的成本低的多。所以我们看到，这个生命周期对于企业和客户来说都是相似的。客户聚焦于产品的价值而企业更关注收入和客户留存。

将分析应用在客户生命周期中

•获取

客户分析可以通过属性和行为分析来识别出那些更有可能购买产品和服务的客户。客户分析可以识别触达这些潜在客户的正确渠道，如电子邮件、电话或者社交媒体。客户分析还可以用于确定能够打动潜在客户的价格和折扣。

•追加销售

当一个客户购买了一个产品后，他们非常可能会需要一些赠品。例如，一个笔记本电脑购买者可能需要电脑包、线缆以及保修。预测性客户分析可以帮助识别购买这个产品的买家可能会购买的产品和品牌从而帮助企业进行推荐。如果你使用过Amazon或者eBay，你已经体验过这些。在每个产品页的下方，你都会看到一个叫做“购买了这个产品的客户还购买了”的板块。

•服务

分析可以帮助预测产品中的失败模式并指导企业采取主动行动。 它还将帮助选择正确的渠道为各类客户提供服务。 例如，一些客户对电话联系感觉更舒适，而另一些客户喜欢电子邮件。

它可以将客户交于与适合的联络中心代理，来识别最可能不满意的客户并与他们取得联系。

•留存

预测性客户分析可以帮助预防客户流失。它可以识别最有可能离开的客户，并预测他们离开的时间。 这有助于企业在适当的时间采取行动。 预测性客户分析有助于根据客户类型识别获取关注的恰当程序。

因此，预测性客户分析可以帮助企业在客户生命周期的所有阶段以互相作用的方式来吸引客户。

客户数据

预测性客户分析需要承载客户意图和行为信号的数据。识别提供这些信号的正确数据并将它们用于模型构建是非常重要的。

客户与企业之间的关系由下面的四个实体组成：

•用户自身

•客户购买和使用的产品和服务

•与客户沟通的渠道，比如Email、网络聊天

•代表公司面向客户的代理，比如销售或者支持人员

对于客户分析，需要两种类型的数据：

•实体的属性

•实体参与的事件

实体可以是客户、产品、渠道或者代理。

客户的属性包含人口统计学属性、收入、年龄、性别、位置等等。

产品的属性包含类型、价格、质量等等。

渠道的属性包含类型、使用频率以及响应时间等等。

代理的属性包括处理时间、解决率等等。

这些属性包含客户可能会购买什么以及会支付多少钱。

第二类数据是交互数据，这些时间与客户在公司做什么有关。时间带有时间戳，事件包含的交互包括浏览、邮件、聊天、电话等。

它们还包含诸如购买、提交投诉、交付产品和支付等等交易相关的事件。

它们还包含社交媒体活动，客户可能发表推文或者在Facebook上发表关于产品的消息或者回应某个消息，比如点赞或者转发。

例如，客户昨天花了15分钟浏览了公司的网站，查看产品和服务。他或者她昨天发了推文，针对一个合适的产品和服务向他的朋友咨询意见。所有的这些都指向了他具备在近期购买某个产品和服务的意愿。

企业可以借助这些，通过为他或者她提供沟通回答任何问题或者提供一些线索来完成销售。

预测性客户分析的成功之处在于，其决定了企业识别识别属性和活动数据多种数据源，通过获取、挖掘、集成这些数据来构建360度客户认知的能力。

数据越完整，预测越准确。

客户分析过程

预测性客户分析是一个持续优化的模型，它需要在企业内构建一个良好布局的流程来处理和交付。

该流程从确定能够为公司带来帮助的预测性客户分析用例开始。 一旦确定了用例，架构师需要确定可服务于此目的的数据源，然后需要构建数据管道以获取、处理、集成和存储数据。

然后数据科学家需要开展工作来挖掘数据并构建模型。需要在部署之前对模型进行精确度测试。

需要对模型的性能进行监测，并且对模型进行调优。 随着时间的推移，可以添加额外的数据元素以更好的进行预测工作。所有这些工作都需要管理层的认同。一旦有管理层加入，我们将能够获得资源来执行项目。

作者：Ryan Aminollahi

原文：Predictive Customer Analytics — Part I

译者：TalkingData研发副总裁 闫志涛

来源：TalikingData