为了回答这些问题和挑战，我们求助于预测分析的艺术和科学。
什么是预测分析？
预测分析是一个总称，它定义了一组工具、方法和技术，使企业能够分析过去的表现来估计未来的结果。
预测分析中主要有两种类型的预测：分类和基于时间的回归。让我们来分析一下。
预测分析：分类
分类是一种预测，我们试图确定某事物落入特定类别的概率。例如，假设您的营销自动化软件中有一系列潜在客户。您的目标是将尽可能多的高质量营销合格线索 (MQL) 交给销售部门，同时避免交出浪费时间、质量低下的 MQL。
在分类类型的预测分析中，机器学习软件会检查您已经确定是好还是坏的潜在客户的所有特征，然后建立一个模型（本质上是一个软件），可以对未来的潜在客户进行分类。
例如，假设您有这样的记录：
姓名：Justin Levy
公司：Demandbase
行业：计算机软件 公司规模：500-999 名员工
年收入：1 亿美元
城市：旧金山
州：加利福尼亚州
邮政编码：94107
联系人数量：7
接触点数量：54
MQL 状态：合格
机器学习模型会检查我们数据库中的每条记录，并确定是否有任何字段（单独或组合）与我们的结果（MQL 合格状态）有比其他字段更强的数学关系。基于这些信息，我们就可以筛选未来的潜在客户，并对他们是否也符合资格做出预测性判断。预测分析软件还会让我们知道哪些数据点不重要；例如，年收入可能不能很好地预测潜在客户是否符合资格。
最好的预测分析软件也会学习；无论每个新潜在客户是否符合条件，机器学习软件都会改进和改变其模型以反映其新知识。随着时间的推移，只要基础数据可靠，基于分类的预测分析就会变得更加准确。
基于分类的预测分析通常内置于更复杂的 CRM 和营销自动化软件包中，作为潜在客户评分的增强；您的供应商可能已经提供它。
您还将看到基于分类的预测分析与 Demandbase One的内容推荐系统结合使用 - 当访问者到达网站时，Demandbase One 将根据现有受众数据以及访问者对特定内容的参与倾向向他们推荐内容。通过推荐最佳内容，我们可以推动潜在客户更接近转化。
预测分析：预测
第二种预测分析是预测，即我们尝试根据先前已知的信息确定某事何时可能发生。意大利电话号码库 时间序列预测是预测分析最强大的应用之一；如果做得好，它可以将我们的营销从被动变为主动。
时间序列预测要求我们的数据具有两个一般属性：季节性和周期性。季节性数据是倾向于随季节波动的数据。在 B2B 营销中，我们知道一年中的某些时间往往比其他时间更不活跃或更活跃。在北半球，11 月底到 1 月初之间的时期往往是交易完成最慢的时期之一；许多人在冬季假期不在办公室。从 5 月底到 9 月初也是如此。这种季节性为我们的数据提供了可预测性。
周期性与季节性相似，存在重复的模式，但与日历年无关。例如，B2B 营销往往在工作日比周末更活跃；B2C 营销可能相反。为什么？消费者行为倾向于在周末购物，而 B2B 行为则倾向于在工作日发生。周期性也可能发生在多年内；例如，某些政治组织在美国每四年就会出现一次大波动，在英国每五年就会出现一次大波动。
没有季节性和周期性的数据是不可能准确预测的；你无法预测从未发生的事情。例如，没有任何技术能够正确预测 2019 年末全球大流行的开始。没有任何营销技术能够正确预测 TikTok 的崛起或 Clubhouse 的兴衰——这些事件之前都没有发生过，因此无法预测。
然而，营销人员定期处理的大部分数据确实具有强烈的周期性和季节性成分，因此可以进行时间序列预测。
我个人最喜欢的一个例子是当人们搜索术语“Outlook 外出办公”时。从行为上讲，当人们在 Google 上搜索该术语时，他们在做什么？他们即将外出办公，可能是去度假或以其他方式无法联系，他们需要记住如何在 Microsoft Outlook 中启用该特定功能。因此，它代表了人们无法联系到我们营销人员。如果我们在 Google 趋势中检查该术语，我们会看
