预测分析是数字营销的新领域。许多专家已经讨论了将预测分析与营销自动化工具（如HubSpot和Marketo）合并的好处。
将预测分析整合到用户的营销自动化策略中可能非常有益，但也很难执行。以下是可能会阻止其实施的一些常见的错误：
1.专注于数据收集的可扩展性高于一切
大数据为数字营销打开了许多大门。许多营销人员尽量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。Kajabi公司最近推出了一种新的内容营销管道方法，对于拥有大量高质量数据的企业来说，这是非常有利可图的。
而其关键词是质量。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运动。收集数据时有几个原因让你应该更有选择性：
·按规模来检查数据的难度越来越大。
·提取数据更加困难，即使使用Hadoop或其他多功能大数据提取工具。
·缩放收集工作可能需要用户依靠不太准确的数据源。
·用户不想扩大你的营销自动化活动，直到开始得到驱动力。
2.使用结构不良的预测模型
收获高质量的数据只是一半的进程。太多的企业耗费大量精力和费用来收集数据，但是在分析过程中却非常疏忽。
企业还需要仔细优化其预测模型。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。
企业还需要对目标客户有着非常详细的了解。
3.忽视使用领先评分
除非企业广泛地依赖于诸如SEO等低成本的有机营销手段，否则必须花费大量的精力研究每个产生的潜在客户。在一些行业，如医疗保健行业，每个研究的平均成本是65美元。
不幸的是，这些潜在客户许多未能转化。即使进行了转化，也并不总是最终变得有利可图。
自满是营销自动化的最大问题之一。如果企业没有密切关注转化，就将无法确定哪些潜在客户是最佳的用户。如Optimove公司所指出的，许多较早的预测分析模型是基于一种有缺陷的假设。
最简单的一个被称为RFM：新旧程度，频率，货币。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传统的统计，数据挖掘和游戏理论方法，如逻辑回归和贝叶斯概率模型。
这些方法提供了一些价值，可以准确地确定一定比例的危险客户，但是在大多数情况下它们相对不准确，最终将浪费时间和成本。这是因为这些预测行为建模方法依赖于静态历史数据和指标，即它们目前看待客户是如何存在的，而不需要更加动态和至关重要的更改时间因素。因此，越来越多的企业正在寻找预测分析解决方案。“
企业最好的选择是对所有潜在客户进行回归分析。可能会注意到，具有某些职位的人员比其他人员转化得更好。你可能会注意到，在企业广告活动中某些广告关键词所产生的潜在客户比其他广告更有效。
使用企业的回归分析来开发一个领先的评分模型，将会确定你应该关注哪些潜在客户。
4.没有采取有条不紊的方法引导培育
领先评分并不是预测分析在营销自动化中的唯一应用。企业还必须开发一个细致入微的预测模型，以了解特定人口统计学的行为，以及企业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企业的营销自动化广告中
预测分析模型对于任何营销自动化活动都是非常有价值的。但是，他们需要非常仔细的结构化，而不是专注于为客户积累大量数据，企业应该花费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，这对企业的营销自动化活动来说是无价的。
本文转自d1net（转载）
