Ömer Artun

一位科班出身的科学家，内心其实是一位企业家，总有一种对知识的渴求和挑战现状的欲望。1999年博士毕业后加入麦肯锡，在几个项目中测试数据科学方法；2002年加入Micro Warehouse公司，担任营销副总裁，将数据科学引入日常经营中；2006年加入百思买公司，担任新组建的企业业务部门高级总裁。他坚信，数据驱动下的预测营销将成为未来十年的新潮流。创立了AgilOne公司，旨在通过一个易用、强劲的云平台，向每位营销人提供大数据和预测分析技术服务。

Dominique Levin

她修读了工程、设计和商业管理专业。过去20年，在大大小小的公司做市场营销，足迹遍布各大洲，客户既有企业也有个人，是客户数据重要性的推崇者之一。2000年经营了属于自己的数据公司LogLogic，该公司随后被TIBCO软件公司收购。之后陆续在几家科技公司工作，包括Fundly和Totango，负责建立高度数据驱动的营销组织。

译者介绍：

曹正凤，统计学博士，经管之家（原人大经济论坛）大数据中心总工程师，经管之家（原人大经济论坛）CDA大数据分析师培训负责人，北京博宇通达科技有限公司技术总监。致力于大数据分析前沿领域研究，主持人大经济论坛基于Hadoop架构的论坛主题推荐系统项目，参与国家社科基金项目《基于大数据整合的空气质量测度方法研究》，发表多篇论文，且发表的EI核心收录论文受到多次检索。

秦磊，经济学博士，对外经济贸易大学统计学院讲师、硕士生导师，对外经济贸易大学大数据与风险管理研究中心成员。主要研究数据挖掘、大数据计算、时间序列、金融风险管理及其应用。先后在国内核心期刊《统计研究》、《数量经济技术经济研究》、《中国科学：数学》、《数理统计与管理》、《中国管理科学》、《商业经济与管理》上公开发表多篇学术论文，出版译著《智能大数据SMART准则：数据分析方法、案例和行动纲领》，主持北京市自然科学基金、211项目等多项课题。

谢邦昌， 台湾大学生物统计学博士，辅仁大学统计信息学系教授。现任中华数据挖掘协会（Chung-hua Data Mining Society，CDMS）理事长，辅仁大学统计资讯学系教授，华通人商用信息有限公司高级顾问。中国人民大学应用统计科学研究中心学术委员会委员。中国人民大学统计学系Data Mining中心客座教授，上海财经大学统计学系客座教授。厦门大学计划统计学系客座教授。西南财经大学客座教授。他是数据挖掘界领军人物及世界知名统计学家。发表过近三百篇关于统计和数据挖掘的论文，出版了近五十余本相关专著，拥有丰富的大数据分析行业经验。

王淑燕，女，山东菏泽人，辅仁大学商学研究所博士，研究领域为应用统计科学及大数据分析，曾在《运筹与管理》、《ICIQ 2014 19thInternational Conference on Information Quality》和《American Journal of Industrialand Business Management》等国内外杂志发表论文数篇。

  本书以大数据和机器学习为基础，为营销人员提供了一个关于预测营销的导引手册，使得个性化营销得以付诸实践。本书涵盖了从零售到出版、从软件到制造的各种成功案例，希望读者可以从中获益。本书分为三个主要部分。第一部分，“预测营销完全入门”，介绍了预测性营销的许多基本元素，包括什么是预测营销软件，数据科学和预测分析工作原理，以及客户生命周期价值概念的基本元素。第二部分，“轻松上手预测营销就这九招”，会提供切实的战略指南，助你轻松入门。第三部分，“如何成为一个真正的预测营销高手”，对预测营销技术进行综述，为营销人提供一些职业建议，并探讨隐私和预测营销的未来。本书是为准备学习预测营销的营销人员量身打造的，也适合正在公司里进行实战的营销人员和需要从事预测工作的大数据分析师阅读。

新技术的推出让预测营销变得简单

既然如此，为什么预测营销技术没有被营销人广泛采纳呢？因为就在不久前，收集、分析和利用成千上万客户数据的技术能力对多数营销人来说都还是遥不可及的。成本过高、耗时过长、过于臃肿，使人们对技术和人力的投资望而却步。然而，如今预测分析技术已经成熟，可以跳出条条框框的限制，提供标准的算法和技术，不需要数据科学家和软件工程师的帮助，营销人自己也能使用。在第15章，我们将详细探讨现在可用的各类工具，这些工具使得预测营销的成本更低、速度更快，且简单易用。

（1）预测营销的成本在降低。预测营销的成本主要包括软硬件技术投资，数据收集、整合、预测分析模型开发和部署上投入的人力，以及营销人员或数据科学家在工具日常维护和使用上的时间投入。

就在不久前，用于收集和储存客户数据的数据仓库基础设施，成本还高达数十万，甚至数百万。Mark Jeffery曾在其书中记录了一个小型区域零售商的数据：10间店铺、10万名客户，以及1TB客户数据就需要建立一个成本在5万~25万美元的数据库。当企业升级为400家门店的中等规模连锁店时，建立数据库的成本随即升至250万美元。而拥有5000家门店的全国规模零售商，建立数据库的成本高达2.5亿美元。如今，云端预测营销解决方案的成本只有每月几千美元。

（2）预测营销的部署更容易。无论采用哪种解决方案——非定制的或定制的——你都需要收集客户信息，并将其整合到每位客户的描述数据库中。2014年下半年，通过对132为营销高管的调查，AgilOne发现，68%的受访者对客户几乎没有任何了解。也许，你已经收集了许多客户信息，但它们彼此分离，就像邮件促销、社交促销和客服中心促销各自为政一样。多数公司针对网上交易、实体店交易和电话交易分别设置了单独的数据库。就在不久前，完成数据整合建立客户档案，并对所有客户信息进行互联和复制，还需要花费数月甚至数年时间。如今，市场上已出现了自动化解决方案，使得数据整合和净化更为容易。这些方案通常使用标准数据模型，使得多渠道客户数据标准化的速度更快，操作更简便。

过去，企业不仅需要自己建立相关基础设施，还要招募全职数据集成工程师和数据科学家，或者干脆外包。数据科学家的作用是建立客户模型，分析客户数据——可能使用预测分析平台工具。这些模型需要修改和定期微调，以保证结果精确。数据科学家十分稀缺，所以仅美国就设立了50个新的研究生项目以填补市场缺口。幸运的是，如今，许多营销解决方案都能推陈出新，提供内置模型，且经受住了业界公司的证明和检验。一些模型甚至能自主学习，也就是说能自动根据客户数据变化进行调整，并且不需要专职数据科学家进行维护。

（3）预测营销技术正变得更加易得易用。尽管组织内部就收集了许多客户数据，但作为一名营销人，可能无法进行获取。Omer Artun就有这种遭遇，2003年12月加入百思买时，他担任的是新成立的B2B业务部营销主管：

我从Micro Warehouse跳槽到百思买时，已经建立了一套准实时客户分析系统，能够每天跟踪和分析客户订单。百思买希望我能将该技术引入新的B2B业务部门，该部门主要销售路由器、打印机和电脑，客户多为小企业。百思买和其他许多公司一样，当时将IT业务外包给第三方做。如果你想和他们谈谈客户数据问题，光见一面就要花费1万美元。于是，我去见IT部门的工作人员，只想得到原始数据库，但却无功而返。数月后，我还是不能拿到客户的历史采购数据。数据就在某个地方，但我却无法使用。随后，我又斗争了几个月，最终不得不放弃。接着我就创立了AgilOne公司，提供预测分析服务，为营销人提供客户数据。

如果不能将信息用于为客户提供相关性体验，信息就是无用的。将客户信息整合，并分享给客户服务人员或用于激发与客户的互动，确实有难度。一家公司掌握许多客户信息的情况并不少见，但一般情况下，如果没有投入精力和时间进行数据整合，营销人员就不能使用这些数据细分客户，更无法进行包括邮件营销在内的精确营销。新一代营销软件正在不断问世，能够提供预测建议，营销人只需对信息进行简单的拖放，并进行适当的过滤，就能细分市场，将个性化内容或推荐加入营销邮件或广告中。

第一部分  预测营销完全入门
第1章  大数据和预测分析技术就在眼前  / 2
预测营销革命  / 6
客户权益的力量  / 8
预测营销的应用  / 11
预测营销普及率正在加快  / 14
客户要求与品牌建立更有意义的联系  / 14
早期采用者的经验表明，预测营销能带来巨大价值  / 17
新技术的推出让预测营销变得简单  / 18
建立预测营销系统需要什么条件  / 21
第2章  预测分析技术简易入门手册  / 23
什么是预测分析技术  / 24
无监督学习技术：聚类模型  / 26
聚类和细分的区别  / 26
有监督学习：倾向性模型  / 29
如何使用预测模型十分位数法  / 30
预测模型和RFM模型对比  / 32
强化学习和协同过滤  / 33
不同类型的推荐模型  / 35
预测分析流程  / 37
数据收集、净化和准备  / 38
异常值检测  / 38
特征生成和提取  / 39
分类器和系统设计  / 40
预测分析技术的“最后一公里”问题  / 41
第3章  首先要了解客户：建立完整的客户档案  / 43
收集多少数据合适  / 45
收集哪类信息  / 47
准备数据以供分析  / 52
人名的净化和验证  / 53
地址的净化和验证  / 54
链接和重复信息删除  / 55
与IT部门合作完成数据集成  / 56
在你的数据中寻找数百个问题  / 61
销售  / 61
客户  / 62
营销/渠道  / 66
产品  / 67
第4章  管理客户就像管理资产组合，要不断增值  / 68
什么是客户生命周期价值  / 69
历史生命周期价值  / 69
预期客户价值  / 71
向上生命周期价值  / 73
提高单个客户的生命周期价值  / 75
获取  / 75
价值增长  / 76
保留  / 76
提高所有客户的生命周期价值  / 78
加入更多（有价值）客户  / 78
防止流失  / 79
与不活跃客户互动  / 79
第二部分  轻松上手预测营销就这九招
第5章  第一招：运用客户数据，优化营销开支  / 82
对客户获取、保留和再激活进行投资  / 83
优化获取成本  / 89
优化客户保留预算  / 91
根据客户价值区分投资额  / 92
找到合适的产品吸引高价值客户  / 93
一个终点归因的例子  / 95
第6章  第二招：预测客户角色，让营销重回正轨  / 99
聚类类型  / 101
基于产品的聚类  / 101
基于品牌的聚类  / 102
基于行为的聚类  / 103
利用聚类提高客户获取水平  / 106
使用聚类时需要注意的几个问题  / 107
运动变化中的聚类  / 107
第7章  第三招：预测客户演变过程，为生命周期营销做准备  / 109
客户的价值旅程  / 110
第一笔价值  / 112
再现价值  / 113
新价值  / 115
生命周期营销策略  / 116
潜在客户策略：我们帮得上忙吗  / 116
新客户策略：谢谢你  / 118
回头/活跃客户策略：我们爱你  / 120
不活跃客户策略：记住我  / 121
流失客户策略：我们想你  / 122
第8章  第四招：预测客户价值，进行价值导向营销  / 123
价值导向营销  / 123
保留高价值客户  / 128
提升中等价值客户的价值  / 129
减少低价值客户服务成本  / 131
第9章  第五招：预测购买或互动的可能性，为客户排名  / 132
购买可能性预测  / 133
首次买家的购买可能性  / 134
重复的购买可能性  / 135
使用购买可能性预测选择正确的折扣水平  / 135
B2B营销中的预测性线索评分  / 138
互动可能性模型  / 140
邮件发送频率  / 143
第10章  第六招：预测个人喜好，为每位客户量身推荐  / 147
选择正确的客户或细分市场  / 148
购买时推荐  / 149
购买后推荐  / 150
客户生命周期中的推荐  / 150
理解客户使用场景  / 151
内容――推荐什么  / 153
除了推荐，还有什么  / 154
第11章  第七招：启动预测计划，转化更多客户  / 156
预测再营销活动  / 156
针对放弃购物车付款的预测营销活动  / 159
放弃搜索后的预测营销活动  / 160
放弃网页浏览后的预测营销活动  / 161
相似受众营销  / 162
相似度或可达性优化  / 164
第12章  第八招：启动预测计划，提升客户价值  / 166
增加客户价值的秘诀  / 166
购买后预测营销项目  / 168
客户欢迎活动  / 168
购买后推荐  / 170
再补充活动和重复购买活动  / 170
新产品推介  / 172
客户答谢活动  / 172
预测分析时代的客户忠诚项目  / 175
谈谈全渠道营销  / 177
第13章  第九招：启动预测计划，留住更多客户  / 180
理解什么是保留率  / 180
负流失的概念  / 181
理解你的商业模式  / 182
价值迁移也是流失的一种形式  / 185
流失管理项目  / 186
主动保留管理  / 187
挽留客户要花多少钱  / 189
客户保留和钱包份额  / 190
找到流失的根本原因  / 190
客户再激活活动  / 191
四步完成再激活  / 192
第三部分  如何成为一个真正的预测营销高手
第14章  预测营销能力一览表  / 196
预测营销的组织能力  / 196
预测营销的技术能力  / 199
客户数据整合  / 201
预测的洞察力  / 202
营销活动自动化  / 203
询问预测营销供应商哪些问题  / 203
你是否要对你的客户获得完整且准确的印象  / 204
我能获取哪种市场细分和目标市场确定  / 206
在市场细分或推荐中采取行动有多简单  / 206
除了有关功能的问题，问问自己，
这个供应商是否适合你  / 207
第15章  预测式（相关）营销技术综述  / 209
自己动手进行预测营销  / 209
外包给营销服务提供商  / 211
活动管理和营销云选择  / 212
其他你可能听说过的工具  / 213
网络分析  / 216
数据管理平台（DMPs）  / 216
电子邮件服务提供商（ESPs）  / 217
客户关系管理（CRM）  / 218
高级分析  / 218
哪个解决方案适合我  / 219
无论你做什么――开始行动  / 220
以小规模为起点  / 220
将客户数据导入，将数据科学外包  / 221
用预测营销补充你现有的基础设施  / 221
第16章  给有抱负的预测营销者的职业建议  / 223
商业理解比精通数学更胜一筹  / 224
问正确的问题  / 225
将艺术和营销科学融合  / 226
学习他人  / 227
第17章  隐私、愉悦和逾越的区别  / 229
个人信息类型  / 230
避免侵犯客户隐私的情形发生  / 232
给予客户掌控权  / 232
硬边界和政府立法  / 233
第18章  预测营销的未来  / 235
先进的预测性分析模型  / 237
像预测营销者一样思考  / 238
附录A  客户数据类型综述  / 243