|如何利用历史数据提高营销成功率

我们在《利用历史数据做商业预测的全过程》(以下简称前文) 一文中介绍了如何使用历史数据进行商业预测的过程。不同的商业需求，还会有些各自的特殊性，本文将介绍如何使用预测技术来提升营销成功率。
1. 准备历史数据
在营销场景中，要预测的目标是客户的购买行为，需要搜集一些可能会影响购买行为的信息字段，比如客户的年龄、学历、工作、收入、家庭结构、生活习惯、购物偏好，以及产品的特点、促销力度等信息，收集到的相关信息越多，预测效果也会越好。
【|如何利用历史数据提高营销成功率】另外，我们还可以根据业务特点，分地区、分客群进行预测，比如纽约的房价和中南部城市的房价完全不一样。再比如，汽车的销售，男性客户通常会关注性能，女性客户则更关注外观，还有高端客户和中低端客户的需求特点也会大相径庭。很多时候区分客户群体的分析预测，要比全体直接预测效果要更好，更有针对性。
如果是分地区、分客群的预测，那么对应的宽表也要多准备几张，比如分 3 个客群，宽表就要对应准备 3 张。
2. 建立模型
按前文所述即可，如果有多个客群，那就需要建立多个模型。
3. 预测客户购买清单
用前文的方法，可以实现预测，然后按照预测的概率结果从高到低排序，找前面概率较高的顾客来进行营销活动就可以了。排在前面的顾客的营销成功率更高。

本文插图
4. Lift 指数
营销场景中，除了用通用的 AUC 指标来看准确率之外，还有一个很实用的评估方法称为 Lift 曲线。 Lift 表示提升指数，它的值为使用和不使用预测模型获得的结果之间的比率。如下图所示。

本文插图
横坐标表示将预测概率从高到底排序取数， 10 ， 20……分别表示概率排名前 10% ， 20%……的客户，纵坐标表示在排名阶段对应的提升指数。例如某种产品它的基准购买率为 1.5% ，也就是说不采用模型的传统营销，平均每 100 个人里会有 1.5 个人会购买该产品。然后建立模型后，通过图中的 Lift 曲线可知，排名前 5% 的数据提升度为 14.4 ，即平均在 100 人里会有 1.5*14.4=21.5 个人购买产品。也就是说对概率排名前 5% 的客户进行营销，要比传统营销，成功率可提高 14.4 倍。随着横坐标用户百分比的增加， lift 值呈递减趋势，对应客户的含金量也在降低，当降低到某个段就没太大营销的意义了。例如图中对于排名约前 15% 的客户来说， lift 值都大于 1 ，也就是说对前 15% 的客户进行营销，成功率要高于随机选择客户。我们可以根据这个 Lift 曲线来决定选择概率排名前多少比例的客户去做营销。 Lift 曲线越陡，说明模型筛选优质客户的能力越好，如图中的 Lift 曲线就是一个还不错的模型，能够帮助我们更有效的找到目标客户，以最低的成本找到最容易成交的客户。