準確預(yù)測客戶的購買行為，對企業(yè)的重要性不言而喻，然而這點卻很難做到。企業(yè)往往是根據(jù)客戶過去發(fā)生過的購買行為，運用相關(guān)軟件，來預(yù)測某個客戶會在某個時間購買某個產(chǎn)品的可能性。按理說，在擁有大量數(shù)據(jù)的基礎(chǔ)上，預(yù)測結(jié)果應(yīng)該與實際結(jié)果相差不大，但現(xiàn)實情況恰恰相反。作者研究了兩家大型企業(yè)的數(shù)千名客戶的購買模式，結(jié)果表明，它們預(yù)測客戶購買行為的準確率僅有60%。準確率為什么會這樣低？作者認為，原因不在于記錄了客戶購買信息的CRM系統(tǒng)本身，或是這些信息不具備預(yù)測作用，而在于多數(shù)企業(yè)用于解讀數(shù)據(jù)的數(shù)學(xué)方法存在局限性。

　　企業(yè)在預(yù)測客戶行為時，最常用的方法包括兩個步驟：第一步是估算某個客戶選購某個特定產(chǎn)品的概率，第二步是估算某個客戶在某個特定時間進行購買的概率。具體方法是對大量相關(guān)客戶數(shù)據(jù)進行回歸分析，得出計算概率等式中各變量的權(quán)重，然后再用此等式計算概率。企業(yè)將兩個步驟中算出的概率相乘后，就可以得出每個客戶未來購買行為的聯(lián)合概率。據(jù)此還可以建立一個概率方塊，了解更多有關(guān)客戶行為的信息。

　　這種方法綜合了產(chǎn)品選擇概率與購買時機概率，而且，許多行業(yè)的客戶樣本規(guī)模龐大，客戶數(shù)據(jù)也相當充足。那么，為什么得出的預(yù)測數(shù)字還這么不可靠呢？部分原因在于，將產(chǎn)品選擇概率與購買時機概率相乘這種做法，完全忽視了這兩個概率之間的互相依存關(guān)系，從而導(dǎo)致錯誤的預(yù)測，不過，公司可以通過統(tǒng)計修正來解決回歸分析中這一偏差，這并不是傳統(tǒng)方法的主要問題所在。

　　真正的問題在于這兩種概率預(yù)測都采用同一個樣本群體的數(shù)據(jù)，而這會導(dǎo)致抽樣誤差。傳統(tǒng)的概率估計方法之所以極易出現(xiàn)抽樣誤差，原因就在于，所有回歸分析都存在一個隱含假設(shè)，即由樣本群體得出的變量的權(quán)重代表了整個總體。但是，這種假設(shè)在實際中幾乎無法成立。

那么，怎樣才能消除概率估計中的抽樣誤差呢？答案在于一個名為貝葉斯估計的數(shù)學(xué)統(tǒng)計方法。貝葉斯估計法不是像回歸分析那樣計算出概率等式中每個變量的權(quán)重，而是先確定一個權(quán)重范圍。然后，通過一連串迭代計算，確定相關(guān)變量最有可能占的權(quán)重。這種計算具有更大的預(yù)測作用，因為它再現(xiàn)了樣本實際發(fā)生過的行為。作者利用丹尼爾•麥克法登的開創(chuàng)性成果，開發(fā)了一個名為似然函數(shù)的多變量公式。通過這個公式，我們可以準確計算出客戶總體在面對兩種以上產(chǎn)品時的購買概率和時機概率。要進行估計和使用作者開發(fā)的似然函數(shù)，需要有特殊的軟件，如Gauss或MATLAB。

　　作者分別在一家大型B2B高科技企業(yè)和一家B2C金融服務(wù)企業(yè)應(yīng)用了這一新方法，并與傳統(tǒng)預(yù)測方法得出的結(jié)果進行了比較。結(jié)果表明，利用新方法，B2B企業(yè)的預(yù)測能力提高了54%，B2C企業(yè)提高了近33%。在這一過程中，一個重要發(fā)現(xiàn)是，營銷過度和營銷不足同樣會降低企業(yè)的收入。作者由此做出的推斷是，如果企業(yè)將傳播力度降到合適的水平，不僅可以節(jié)省成本，還可以提高單位客戶收入。為了驗證這一點，作者開展了一項實地研究，結(jié)果顯示，作者的新模型不僅能夠幫助企業(yè)避免在沒有購買意愿的客戶身上亂花錢，還能幫助挽回因傳統(tǒng)營銷戰(zhàn)略而正在失去的銷售收入。

.