本文翻译自MIT Technology Review
点击【阅读原文】可查看英文原文
客户的路径与他的指纹一样独特 - 这解释了为什么营销人员在转化用户之前，基于用户行为利用技术来分析，分类和触达客户。
在过去，前数字化时代，买家的路径可以线性预测。现在可能会涉及大量搜索和站点访问，遍历几个不同的设备。客户通过研究和考虑在转化的边缘跋涉 - 而且在购买后并不会停止，而是通过忠诚度和潜在的复购继续。
通过了解不同细分市场的独特客户路径，营销人员可以深入了解其最有价值客户的行为。现在有工具和技术，如机器学习和数据驱动归因，使营销人员能够专注于具有最高潜在终身价值（LTV）的客户，加强持续的客户参与，并最终促进业务发展。
随着消费者使用不断扩大的触点集合，品牌必须找到计算方法去着地哪些营销活动以及以何种组合来驱动回报。对于营销人员来说，像传统方法一样测量他们的影响已经不够了：在广告之后隔离和评估一些关键变量。仅仅监控最终点击，将转化归因于客户最近的活动也不够。
通过分析技术，品牌可以使用营销活动相互之间有效性比较的实时数据来重新分配营销预算。营销人员还可以测试不同的方案，以确定在客户路径中投资特定渠道的理想金额。
弄清楚那些高优先级客户的画像需要掌握LTV，这是客户在与品牌关系中产生的整体价值的前瞻性衡量。当营销人员专注于LTV时，他们可以识别长期可带来更多业务的客户 - 然后花费更多的营销资金来触达他们。在由麻省理工学院技术评论见解与Google联合对1,419名营销主管的调查中，89％的领先营销人员使用总收入，市场份额或LTV等战略指标来衡量其活动的有效性*。实际上，LTV是51％的领先营销人员使用最多的指标。
“您看起来像一个高价值的客户？如果您做了我所了解高价值客户会做的事情 - 那么我可以根据您提供的回报向您推销。“数据分析咨询公司Ambition Data的创始人兼首席执行官Allison Hartsoe说。
文具和贺卡零售商Papyrus是一家专注于LTV的公司。Google平台副总裁Sean Downey表示，与谷歌合作，该公司认识到其Perks忠诚度计划的成员比其他客户的价值高出66％。Papyrus扩大了对这些客户的营销，在三个月内将利润增加了十倍。“通过使用LTV，Papyrus确定Perks客户是最大的消费者和最频繁的购物者，” Downey说。Perks项目还可以实现更好的细分。Papyrus能够通过特别优惠和个性化消息传递给失效的会员，以帮助推动进一步的参与。
机器学习使品牌能够从大量数据中获得洞察，通过衡量客户行为，评估不同路径的有效性。机器学习快速不断的更新其模型。这也是一个快速的研究; Hartsoe举例了一家出版公司，该公司只需两天的客户初始互动即可提供LTV估算。
数据驱动归因（DDA）使用机器学习来计算每个客户行为在转化路径中的贡献。唐尼表示，它会检查人们如何找到一家企业并决定成为其客户，然后为转化分配信用。这有助于营销团队确定哪些广告，关键字和广告最直接地影响业务目标。
在调查受访者中，60％的领先营销人员认为DDA对于了解高价值客户的路径至关重要。营销人员可以做得越有效，他们的营销投资就会有更好的回报。
据唐尼称，HomeAway是一个度假租赁市场，使用DDA实现雄心勃勃的增长目标。在一个竞争激烈的行业中，“一种孤立的，最后点击的测量方法不会削减它”。因此，公司调整了媒体战略，调整了指标和业务目标。
DDA使HomeAway的营销团队能够获取并对客户意图和交互的实时洞察采取行动。与去年相比，2017年旅游预订量增长了46％，收入增长了115％。
营销人员现在需要预测他们的去向，并帮助他们实现目标，而不是跟踪客户的路径并尝试在途中遇到他们。引导甚至塑造客户下一步行动的能力开启了新的竞争前沿。在调查中，63％的领先营销人员表示，他们认为预期消费者意图将带来更大的成果。
唐尼表示，手动营销工具（例如概率建模和再营销）不足以跟上当今客户的需求，他们在寻找所需产品和服务时会在渠道和设备之间切换。为了理解客户意图信号的痕迹，营销人员需要做更多。“他们需要在他们做之前了解客户的需求，并将最相关的内容放在他们面前，”他说。
休闲餐饮连锁店TGI Fridays使用有关客户数字活动，偏好和习惯的数据来评估和提供不同平台上的及时信息，优化其产品策略和媒体支出，餐厅首席体验官Sherif Mityas表示。选择共享数据的用户会触发个性化事件。在数据的指导下，餐馆工作人员提出选择 - 征求第二杯饮料或建议开胃菜 - 这将提高平均消费的金额。
例如，偶尔出现在星期三下午5点与朋友分享葡萄酒的顾客，将在星期五的应用程序上收到一条消息，就在5点钟之前，宣布一个不寻常的葡萄酒到货。通过分析支票级详细信息，可以影响超过25％接收到个性化信息的消费者访问餐厅并进行购买 - 并无需获得折扣。
对于推动一线战略的数据驱动洞察，分析必须遍布整个企业。过去，对新营销能力的需求促使公司不断增加单独的部门 - 一个用于数字分析，另一个用于客户体验。但是，数字挑战的重要性取代了这种区别，因为它还将数字和线下渠道联合起来，以实现共同的业务目标。
“我们利用各种业务领域的预测分析，”百事公司全球媒体和消费者数据战略副总裁Shyam Venugopal说。“你如何让它在你所做的一切中更加普遍？总是有机会进一步扩展它。“为了让客户洞察渗透到业务中，每个团队都必须整合数据分析师。每个团队的领导者都必须有能力将数据分析转化为更明智的业务决策。
凭借支持敏捷性的组织结构的优势，公司可以跨越消费者接触点。他们可以利用机器学习技术挖掘真实意图并预测它，超出客户期望。随着营销人员越来越熟练地使用这些类型的技术，他们将增强客户的路径和公司的长期利润。
推荐阅读：
机器学习太难？一文带你掌握机器学习的必备基础知识
机器学习入门丨四大机器学习编程语言对比（附常用工具表）
技术专栏丨10大机器学习算法速览，带你开启AI之旅
↓↓↓ 点击阅读英文原文
