预测分析是数字营销的新前沿。许多专家已经讨论过将预测分析与营销自动化工具相结合的好处。将预测分析整合到营销自动化策略中可能非常有益，但执行比较困难。 这里有一些常见的错误，atv，这些错误可能会影响你的营销工作。

我们针对营销中使用大数据结合营销自动化容易出现的错误进行分析说明。对于大数据来说，无论应用任何的行业，数据的质量都远远重要于数据的体量，大数据的”大“更多的应该是数据深度。另外，数据建模的核心应该是客户行为特征的抽取和确定。

1. 重点关注数据收集的规模

大数据为数字营销人员开辟了许多新的大门。许多营销人员尽可能多的收集目标客户的数据。在目标市场上收集大量数据可能是有价值的。 但请注意，你做的一切关键点是质量。 不幸的是，收集大量数据并不总是转化为更成功的营销自动化活动。

收集数据时你应该有选择性的考虑几个原因：

l 随着数据的规模，审查数据变得更加困难。

l 提取数据更加困难，即使您使用Hadoop或其他通用的大数据提取工具。

l 扩大收集工作可能需要您依靠不太准确的数据源。

2. 使用结构不良的预测模型

收获高质量的数据只是成功的一半。 太多的品牌投入数百个工时来采购数据，但是在分析过程中却非常粗糙和懈怠。你还需要仔细优化你的预测模型。

最好的方法是将客户关系管理工具中的客户数据与预测行为模型的行为数据相结合。你需要对目标客户形成非常详细的了解。

3. 忽视使潜在客户评分

除非你广泛地依赖于诸如SEO等低成本的有机营销手段，否则你必须为每个产生的潜在客户花费大量的精力。在一些行业里，如医疗保健行业，平均每引线成本是65美元。不幸的是，这些潜在客户未能转换。自满是营销自动化的最大问题之一。因为许多较早的预测分析模型是基于有缺陷的假设，如果没有密切关注转化，你将无法确定哪些潜在客户是最佳的。

“最简单的一个被称为RFM模型：最近一次消费(Recency)、消费频率(Frequency)、消费金额(Monetary)。虽然不需要专门的工具就可以轻松实现，但它并不是一个预测模型，它忽略了许多因素，这些因素可能表明客户将来会采取行动。最常见的真正的预测行为模型是基于较老的统计，数据挖掘和博弈理论方法，如逻辑回归和贝叶斯概率模型。

这些方法提供了一些价值，可以正确地确定一定比例的风险客户，但是在大多数情况下它们相对不准确，最终失去了应得而未得资金。 这是因为这些预测行为建模方法依赖于静态历史数据和度量，即它们看待客户当前是如何存在的，而不是更加动态分析至关重要的随着时间变化而改变的因素。 因此，越来越多的公司正在寻找预测分析解决方案。

最理想的思路是对所有潜在客户进行回归分析。 你可能会注意到，具有某些职位的人员比其他相对闲杂的人员转换得更好。 你可能会注意到，广告活动中某些关键广告词产生的潜在客户比其他广告活动更有效。使用你的回归分析来开发一个领先的得分模型。 你会确定你应该关注哪些潜在客户。

4. 不采取有益的方法培育消费者

潜在客户评分并不是预测分析在营销自动化中的唯一应用。 你还必须开发预测模型，以了解特定人口统计学的行为以及您需要采取的步骤来培养他们作为潜在客户。

将预测分析小心地集成到您的营销自动化广告活动中的预测分析模型里去，开奖，对于任何营销自动化活动都是非常有价值的。 但是，他们需要非常依赖结构化。 而不是仅仅专注于为客户积累大量数据，你应该花时间获取高质量的数据并使用它来创建可操作的预测模型，这对你的营销自动化活动是无价的。