因此，例如，傾向建?？梢詭椭鸂I銷團隊預測潛在客戶轉化為客戶的可能性。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，青海品牌設計公司潛在顧客或客戶將執行特定操作的概率。

為什么優青海品牌設計公司應該關注傾向建模

即使您當前不使用或不考慮傾向性建模，理解過程背后的數學也很重要。例如，您知道線性回歸模型和邏輯回歸模型之間的區別嗎？SEO專家需要了解一些內容營銷，HTML等才能保持能力，優化人員也需要對統計數據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，如果青海品牌設計公司進行預測時發現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，基于這些變量構建概率模型（例如，邏輯回歸）以預測用戶是否將開始飲用Soylent。例如，我們的訓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，青海品牌設計公司將訓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），以估算Soylent的因果關系。對預測感興趣時，選擇功能會更容易。您可以只添加您知道的所有功能。特征的相關性越差，系數就越接近0。如果您想了解該預測的因素，則變得更加困難。

假設您訓練模型時，在50％的歷史數據上對其進行訓練，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測的變量，并嘗試使模型預測值—這樣一來，青海品牌設計公司便可以了解如何對已經具有實際值的事物進行預測。如果要解釋系數，則必須確保誤差（實際值，預測值）與要預測的變量沒有相關性。如果是這樣，則意味著您沒有在要素中捕獲的數據集中存在一種趨勢。這是一個好信號，表明您應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。那將是刪除功能的好用例。無論您是否對解釋系數感興趣，都可以肯定一件事：您需要從內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務和營銷專業知識的需求。

因此，請聚集一個充滿領域專家的會議室：電子郵件營銷人員，轉換優化人員，數據科學家，財務專家，CRM專家…… -具有相關業務敏銳度的任何人。

有許多數學方法來決定選擇哪些功能，但是青海品牌設計公司不能代替人類的知識和經驗。構建傾向性模型后，請在計算傾向性分數之前使用數據集對其進行訓練。如何訓練傾向模型和計算傾向分數取決于您選擇線性回歸還是邏輯回歸。

在線性回歸模型中，它將字面上的系數乘以值，然后得到一個連續的數。因此，如果您的公式是customer_value = 0.323（每月會話數），其中0.323是每月會話數的系數，則它將您當月的會話數乘以0.323。對于邏輯回歸，預測值將為您提供對數奇數，并且計算可以將其轉換為概率。這個概率就是我們所說的“分數”。傾向模型與您的實際數據一起使用很重要。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?；蛘?，例如，該模型可能會意外地針對數量（例如，會話到潛在顧客的轉化率）進行優化，而不考慮對質量的影響（例如，潛在顧客到客戶的轉化率，保留率等）使用實驗來驗證傾向模型至關重要。它使您高枕無憂。

同樣，傾向建模是優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化。充分利用開放回歸的優勢 —深入了解并確保所看到的數據在運行之前是有意義的。

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

在回歸模型中，您不能假定要素與嘗試預測的變量具有因果關系。

可以輕松查看模型，例如，可以看到在試用期間下載X應用程序可以很好地表明潛在客戶將轉化為客戶。但是，絕對沒有證據表明在試用期間增加更多的應用下載量將使任何人更有可能轉化為客戶。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）優化知識。

傾向建模與其他工具一樣，不會告訴您如何進行優化。當您打開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。青海品牌設計公司可以使用自己的經驗，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。當我們輕輕地跨過所有注意事項時，讓我們看一下優化程序可以利用的三個有價值的傾向模型：

• 購買或轉換的傾向。訪客，潛在顧客和客戶進行購買或轉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送頻率或發送特別優惠以增強保留訂戶的價值。

• 易流失。誰是青海品牌設計公司的潛在客戶和潛在客戶？如果他們的傾向得分較高，則可以嘗試產品內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系。

• 傾向建模不是規定性的。知道一組線索具有更高的單獨轉換傾向并不是特別有價值。有價值的是將這些知識與優化知識相結合，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。（可以說，精確科學不是精確科學。）但是，您可以通過傾向建模以合理的確定性程度預測未來。您所需要的只是一個嚴格的流程和一位數據科學家。

這是逐步的過程：

• 與一組領域專家一起選擇功能。仔細考慮您是否要解釋系數。

• 選擇線性或邏輯回歸后，構建模型。

• 使用數據集訓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計公司的優化專業知識相結合，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。

• 您將能夠將數據推向已發生的事情之外，并朝著將來可能發生的事情前進。