因此，例如，傾向建模可以幫助營銷團隊預(yù)測潛在客戶轉(zhuǎn)化為客戶的可能性。否則客戶會流失。甚至是電子郵件收件人將退訂。那么，傾向得分就是訪問者，青海品牌設(shè)計公司潛在顧客或客戶將執(zhí)行特定操作的概率。

為什么優(yōu)青海品牌設(shè)計公司應(yīng)該關(guān)注傾向建模

即使您當(dāng)前不使用或不考慮傾向性建模，理解過程背后的數(shù)學(xué)也很重要。例如，您知道線性回歸模型和邏輯回歸模型之間的區(qū)別嗎？SEO專家需要了解一些內(nèi)容營銷，HTML等才能保持能力，優(yōu)化人員也需要對統(tǒng)計數(shù)據(jù)和傾向模型有基本的了解。第一步是實際選擇一個模型，因為您有一些選擇。例如，您可以選擇生存分析，而不是測量流失的傾向。

回歸是一個不錯的選擇，因為對于非技術(shù)人員來說，回歸是很容易理解的，這意味著可以輕松進行交流。

它也不太像黑匣子，使風(fēng)險更易于管理。如果出了點問題并且準確性不高或者您得到了意外的結(jié)果，則可以很容易地深入到公式并找出解決方法。

例如，如果青海品牌設(shè)計公司進行預(yù)測時發(fā)現(xiàn)某些細分市場與基本模型的搭配效果很好，而其他細分市場則表現(xiàn)不佳，那么您可以更深入地研究那些低精度細分市場，以找出問題所在。通過回歸，整個過程不會超過幾分鐘。使用其他模型，該診斷更加耗時且復(fù)雜。首先，選擇要用作功能的變量。（例如，人們吃什么食物，什么時候睡覺，住在哪里等）

接下來，基于這些變量構(gòu)建概率模型（例如，邏輯回歸）以預(yù)測用戶是否將開始飲用Soylent。例如，我們的訓(xùn)練集可能由一組人員組成，其中一些人在2014年3月的第一周訂購了Soylent，青海品牌設(shè)計公司將訓(xùn)練分類器以建模哪些用戶成為Soylent用戶。用戶將開始飲用Soylent的模型的概率估計稱為傾向得分。

形成一定數(shù)量的水桶，比如說總共10個水桶（一個水桶覆蓋了0.0-0.1飲用傾向的用戶，第二個水桶覆蓋了0.1-0.2飲用傾向的用戶，依此類推），然后將每個人都放進去。最后，比較每個桶中的飲酒者和非飲酒者（例如，通過測量其隨后的身體活動，體重或任何健康指標(biāo)），以估算Soylent的因果關(guān)系。對預(yù)測感興趣時，選擇功能會更容易。您可以只添加您知道的所有功能。特征的相關(guān)性越差，系數(shù)就越接近0。如果您想了解該預(yù)測的因素，則變得更加困難。

假設(shè)您訓(xùn)練模型時，在50％的歷史數(shù)據(jù)上對其進行訓(xùn)練，并在剩余的50％上對其進行測試。換句話說，您可以在測試組中的模型中隱藏要預(yù)測的變量，并嘗試使模型預(yù)測值—這樣一來，青海品牌設(shè)計公司便可以了解如何對已經(jīng)具有實際值的事物進行預(yù)測。如果要解釋系數(shù)，則必須確保誤差（實際值，預(yù)測值）與要預(yù)測的變量沒有相關(guān)性。如果是這樣，則意味著您沒有在要素中捕獲的數(shù)據(jù)集中存在一種趨勢。這是一個好信號，表明您應(yīng)該包含一個尚未包含的變量。

另外，請確保兩個要素之間沒有線性相關(guān)。那將是刪除功能的好用例。無論您是否對解釋系數(shù)感興趣，都可以肯定一件事：您需要從內(nèi)部專家那里收集見識。盡管有普遍的看法，但是傾向建模并不能減少對業(yè)務(wù)和營銷專業(yè)知識的需求。

因此，請聚集一個充滿領(lǐng)域?qū)＜业臅h室：電子郵件營銷人員，轉(zhuǎn)換優(yōu)化人員，數(shù)據(jù)科學(xué)家，財務(wù)專家，CRM專家…… -具有相關(guān)業(yè)務(wù)敏銳度的任何人。

有許多數(shù)學(xué)方法來決定選擇哪些功能，但是青海品牌設(shè)計公司不能代替人類的知識和經(jīng)驗。構(gòu)建傾向性模型后，請在計算傾向性分數(shù)之前使用數(shù)據(jù)集對其進行訓(xùn)練。如何訓(xùn)練傾向模型和計算傾向分數(shù)取決于您選擇線性回歸還是邏輯回歸。

在線性回歸模型中，它將字面上的系數(shù)乘以值，然后得到一個連續(xù)的數(shù)。因此，如果您的公式是customer_value = 0.323（每月會話數(shù)），其中0.323是每月會話數(shù)的系數(shù)，則它將您當(dāng)月的會話數(shù)乘以0.323。對于邏輯回歸，預(yù)測值將為您提供對數(shù)奇數(shù)，并且計算可以將其轉(zhuǎn)換為概率。這個概率就是我們所說的“分數(shù)”。傾向模型與您的實際數(shù)據(jù)一起使用很重要。這是傾向建模和實驗如何相輔相成的完美示例。實驗可以驗證傾向得分的準確性。

無論您對準確性有多自信，都可以進行實驗。可能是您尚未考慮的因素。或者，例如，該模型可能會意外地針對數(shù)量（例如，會話到潛在顧客的轉(zhuǎn)化率）進行優(yōu)化，而不考慮對質(zhì)量的影響（例如，潛在顧客到客戶的轉(zhuǎn)化率，保留率等）使用實驗來驗證傾向模型至關(guān)重要。它使您高枕無憂。

同樣，傾向建模是優(yōu)化器可以使用的工具，而不是替代工具，無法全面理解實驗和優(yōu)化。充分利用開放回歸的優(yōu)勢 —深入了解并確保所看到的數(shù)據(jù)在運行之前是有意義的。

青海品牌設(shè)計公司不需要再進行有關(guān)因果關(guān)系不是因果關(guān)系的講座。但是，通過傾向模型，很容易看到因果關(guān)系不存在的地方。

在回歸模型中，您不能假定要素與嘗試預(yù)測的變量具有因果關(guān)系。

可以輕松查看模型，例如，可以看到在試用期間下載X應(yīng)用程序可以很好地表明潛在客戶將轉(zhuǎn)化為客戶。但是，絕對沒有證據(jù)表明在試用期間增加更多的應(yīng)用下載量將使任何人更有可能轉(zhuǎn)化為客戶。另一個重要的警告詞：不要用傾向得分代替您的（非常有價值的）優(yōu)化知識。

傾向建模與其他工具一樣，不會告訴您如何進行優(yōu)化。當(dāng)您打開Google Analytics（分析）或啟動Adobe Analytics儀表板時，洞察力不會落到屏幕上，也不會落到您的腿上。青海品牌設(shè)計公司可以使用自己的經(jīng)驗，知識和直覺來挖掘這些見解。例如，您可能知道，由于您的傾向模型，客戶很可能流失。但是，您花費在防止客戶流失上的價值是否高于該客戶的生命周期價值？您的模型無法回答這個問題，它不能代替批判性思維。

好的。當(dāng)我們輕輕地跨過所有注意事項時，讓我們看一下優(yōu)化程序可以利用的三個有價值的傾向模型：

• 購買或轉(zhuǎn)換的傾向。訪客，潛在顧客和客戶進行購買或轉(zhuǎn)換到渠道下一步的可能性有多大？傾向得分較低的人比其他人需要更多的動機（例如，如果您是電子商務(wù)商店，則可以提供更高的折扣）。

• 退訂的傾向。收件人，潛在顧客和客戶退訂您的電子郵件列表的可能性有多大？對于傾向得分較高的用戶，您可以嘗試減少電子郵件的發(fā)送頻率或發(fā)送特別優(yōu)惠以增強保留訂戶的價值。

• 易流失。誰是青海品牌設(shè)計公司的潛在客戶和潛在客戶？如果他們的傾向得分較高，則可以嘗試產(chǎn)品內(nèi)的贏回廣告系列或分配客戶禮賓人員，以使其與您的核心價值主張重新建立聯(lián)系。

• 傾向建模不是規(guī)定性的。知道一組線索具有更高的單獨轉(zhuǎn)換傾向并不是特別有價值。有價值的是將這些知識與優(yōu)化知識相結(jié)合，以運行更智能，更有針對性的實驗并提取可傳遞的見解。

未來不是一門精確的科學(xué)。（可以說，精確科學(xué)不是精確科學(xué)。）但是，您可以通過傾向建模以合理的確定性程度預(yù)測未來。您所需要的只是一個嚴格的流程和一位數(shù)據(jù)科學(xué)家。

這是逐步的過程：

• 與一組領(lǐng)域?qū)＜乙黄疬x擇功能。仔細考慮您是否要解釋系數(shù)。

• 選擇線性或邏輯回歸后，構(gòu)建模型。

• 使用數(shù)據(jù)集訓(xùn)練模型并計算您的傾向得分。

• 使用實驗來驗證您的傾向得分的準確性。

• 將傾向性建模與青海品牌設(shè)計公司的優(yōu)化專業(yè)知識相結(jié)合，以運行更智能，更有針對性的實驗，從而獲得更有價值，更可移植的見解。

• 您將能夠?qū)?shù)據(jù)推向已發(fā)生的事情之外，并朝著將來可能發(fā)生的事情前進。