因此，例如，倾向建模可以帮助营销团队预测潜在客户转化为客户的可能性。否则客户会流失。甚至是电子邮件收件人将退订。那么，倾向得分就是访问者，青海品牌设计公司潜在顾客或客户将执行特定操作的概率。

为什么优青海品牌设计公司应该关注倾向建模

即使您当前不使用或不考虑倾向性建模，理解过程背后的数学也很重要。例如，您知道线性回归模型和逻辑回归模型之间的区别吗？SEO专家需要了解一些内容营销，HTML等才能保持能力，优化人员也需要对统计数据和倾向模型有基本的了解。第一步是实际选择一个模型，因为您有一些选择。例如，您可以选择生存分析，而不是测量流失的倾向。

回归是一个不错的选择，因为对于非技术人员来说，回归是很容易理解的，这意味着可以轻松进行交流。

它也不太像黑匣子，使风险更易于管理。如果出了点问题并且准确性不高或者您得到了意外的结果，则可以很容易地深入到公式并找出解决方法。

例如，如果青海品牌设计公司进行预测时发现某些细分市场与基本模型的搭配效果很好，而其他细分市场则表现不佳，那么您可以更深入地研究那些低精度细分市场，以找出问题所在。通过回归，整个过程不会超过几分钟。使用其他模型，该诊断更加耗时且复杂。首先，选择要用作功能的变量。（例如，人们吃什么食物，什么时候睡觉，住在哪里等）

接下来，基于这些变量构建概率模型（例如，逻辑回归）以预测用户是否将开始饮用Soylent。例如，我们的训练集可能由一组人员组成，其中一些人在2014年3月的第一周订购了Soylent，青海品牌设计公司将训练分类器以建模哪些用户成为Soylent用户。用户将开始饮用Soylent的模型的概率估计称为倾向得分。

形成一定数量的水桶，比如说总共10个水桶（一个水桶覆盖了0.0-0.1饮用倾向的用户，第二个水桶覆盖了0.1-0.2饮用倾向的用户，依此类推），然后将每个人都放进去。最后，比较每个桶中的饮酒者和非饮酒者（例如，通过测量其随后的身体活动，体重或任何健康指标），以估算Soylent的因果关系。对预测感兴趣时，选择功能会更容易。您可以只添加您知道的所有功能。特征的相关性越差，系数就越接近0。如果您想了解该预测的因素，则变得更加困难。

假设您训练模型时，在50％的历史数据上对其进行训练，并在剩余的50％上对其进行测试。换句话说，您可以在测试组中的模型中隐藏要预测的变量，并尝试使模型预测值—这样一来，青海品牌设计公司便可以了解如何对已经具有实际值的事物进行预测。如果要解释系数，则必须确保误差（实际值，预测值）与要预测的变量没有相关性。如果是这样，则意味着您没有在要素中捕获的数据集中存在一种趋势。这是一个好信号，表明您应该包含一个尚未包含的变量。

另外，请确保两个要素之间没有线性相关。那将是删除功能的好用例。无论您是否对解释系数感兴趣，都可以肯定一件事：您需要从内部专家那里收集见识。尽管有普遍的看法，但是倾向建模并不能减少对业务和营销专业知识的需求。

因此，请聚集一个充满领域专家的会议室：电子邮件营销人员，转换优化人员，数据科学家，财务专家，CRM专家…… -具有相关业务敏锐度的任何人。

有许多数学方法来决定选择哪些功能，但是青海品牌设计公司不能代替人类的知识和经验。构建倾向性模型后，请在计算倾向性分数之前使用数据集对其进行训练。如何训练倾向模型和计算倾向分数取决于您选择线性回归还是逻辑回归。

在线性回归模型中，它将字面上的系数乘以值，然后得到一个连续的数。因此，如果您的公式是customer_value = 0.323（每月会话数），其中0.323是每月会话数的系数，则它将您当月的会话数乘以0.323。对于逻辑回归，预测值将为您提供对数奇数，并且计算可以将其转换为概率。这个概率就是我们所说的“分数”。倾向模型与您的实际数据一起使用很重要。这是倾向建模和实验如何相辅相成的完美示例。实验可以验证倾向得分的准确性。

无论您对准确性有多自信，都可以进行实验。可能是您尚未考虑的因素。或者，例如，该模型可能会意外地针对数量（例如，会话到潜在顾客的转化率）进行优化，而不考虑对质量的影响（例如，潜在顾客到客户的转化率，保留率等）使用实验来验证倾向模型至关重要。它使您高枕无忧。

同样，倾向建模是优化器可以使用的工具，而不是替代工具，无法全面理解实验和优化。充分利用开放回归的优势 —深入了解并确保所看到的数据在运行之前是有意义的。

青海品牌设计公司不需要再进行有关因果关系不是因果关系的讲座。但是，通过倾向模型，很容易看到因果关系不存在的地方。

在回归模型中，您不能假定要素与尝试预测的变量具有因果关系。

可以轻松查看模型，例如，可以看到在试用期间下载X应用程序可以很好地表明潜在客户将转化为客户。但是，绝对没有证据表明在试用期间增加更多的应用下载量将使任何人更有可能转化为客户。另一个重要的警告词：不要用倾向得分代替您的（非常有价值的）优化知识。

倾向建模与其他工具一样，不会告诉您如何进行优化。当您打开Google Analytics（分析）或启动Adobe Analytics仪表板时，洞察力不会落到屏幕上，也不会落到您的腿上。青海品牌设计公司可以使用自己的经验，知识和直觉来挖掘这些见解。例如，您可能知道，由于您的倾向模型，客户很可能流失。但是，您花费在防止客户流失上的价值是否高于该客户的生命周期价值？您的模型无法回答这个问题，它不能代替批判性思维。

好的。当我们轻轻地跨过所有注意事项时，让我们看一下优化程序可以利用的三个有价值的倾向模型：

• 购买或转换的倾向。访客，潜在顾客和客户进行购买或转换到渠道下一步的可能性有多大？倾向得分较低的人比其他人需要更多的动机（例如，如果您是电子商务商店，则可以提供更高的折扣）。

• 退订的倾向。收件人，潜在顾客和客户退订您的电子邮件列表的可能性有多大？对于倾向得分较高的用户，您可以尝试减少电子邮件的发送频率或发送特别优惠以增强保留订户的价值。

• 易流失。谁是青海品牌设计公司的潜在客户和潜在客户？如果他们的倾向得分较高，则可以尝试产品内的赢回广告系列或分配客户礼宾人员，以使其与您的核心价值主张重新建立联系。

• 倾向建模不是规定性的。知道一组线索具有更高的单独转换倾向并不是特别有价值。有价值的是将这些知识与优化知识相结合，以运行更智能，更有针对性的实验并提取可传递的见解。

未来不是一门精确的科学。（可以说，精确科学不是精确科学。）但是，您可以通过倾向建模以合理的确定性程度预测未来。您所需要的只是一个严格的流程和一位数据科学家。

这是逐步的过程：

• 与一组领域专家一起选择功能。仔细考虑您是否要解释系数。

• 选择线性或逻辑回归后，构建模型。

• 使用数据集训练模型并计算您的倾向得分。

• 使用实验来验证您的倾向得分的准确性。

• 将倾向性建模与青海品牌设计公司的优化专业知识相结合，以运行更智能，更有针对性的实验，从而获得更有价值，更可移植的见解。

• 您将能够将数据推向已发生的事情之外，并朝着将来可能发生的事情前进。