预测分析

面向营销自动化的预测分析

在用户行动之前就知道他们会做什么。自动预测流失、预判转化、识别高价值用户。机器学习把行为数据变成驱动收入的营销活动——帮助出海团队在每个海外市场提前布局。

申请演示免费开始

预测营销，无需数据科学团队

自动为每位用户评估流失风险、转化可能性和生命周期价值。在用户流失前触发营销活动，在他们失去兴趣前推动升级，在他们离开前完成转化。

预测分析能带来什么

在流失发生前预测

从行为模式中的早期预警信号，提前 30 至 60 天识别即将流失的用户。在还能挽回时触发留存，而不是等他们离开之后。流失模型标记高风险用户的准确率达 85%，主动营销活动可挽留其中 60%。

为每位用户评估转化可能

机器学习为每位用户评估购买、升级或完成关键操作的可能性。把预算集中在高概率用户上，而不是不太可能转化的用户。高分分群的转化效果是平均水平的 4 倍：同样的预算，4 倍的收入。

预测生命周期价值

预测哪些新用户会随时间成长为高价值用户，及早发现潜力股。预测的高 LTV 用户可在前 7 天内被识别，准确率达 78%，提前给予 VIP 待遇可使 LTV 提升 35%。

自动化下一步最佳行动

AI 根据预测行为为每位用户确定最佳的下一个营销活动：正确的消息、正确的时间、正确的优惠。与人工规划营销活动相比，下一步最佳行动自动化可将营销活动 ROI 提升 45%。

专为营销人员打造的预测模型

六个模型持续为每位用户评分，并直接输入到您的营销活动中。无需特征工程，无需调参，无需统计学学位。

模型 01

流失预测

为每位用户在未来 30、60 和 90 天内流失的可能性打分（0 至 100）。

行为信号
会话频率下降、会话时长缩短、功能使用减少、购买减少、客服联系增多、登录异常以及互动评分下降。

输出
流失风险评分、风险等级、主要流失原因、预测流失日期和建议的干预措施。

在营销活动中
评分高于 70 立即触发留存营销活动；40 至 70 进入重新激活流程；低于 40 保持常规培育。示例：一位出海游戏玩家 4 天未登录，消费下降 80%，流失风险升至 82，紧急召回随即触发。

准确率
提前 30 天识别流失用户的精确率达 85%。

模型 02

转化预测

为每位用户在特定操作上的转化可能性打分：购买、升级、订阅或注册。

行为信号
商品和功能浏览频率、价格页停留时间、加入购物车、邮件互动、功能使用深度、搜索行为和比较行为。

输出
转化概率、预测时间窗口、触发建议、最佳优惠和渠道偏好。

在营销活动中
高于 70% 的用户已准备好，轻推即可；40% 至 70% 用激励促成转化；20% 至 40% 用教育内容消除顾虑；低于 20% 保持培育。示例：一位用户本周查看了 3 次价格页，转化概率达到 78%，优惠营销活动随即触发。

准确率
在预测时间窗口内预测转化的准确率达 72%。

模型 03

用户生命周期价值预测

根据早期行为信号，预测一位用户在整个生命周期中将带来的总收入。

使用的信号
前 7 天的互动深度、首次购买金额和品类、功能采用速度、客服历史、社区互动、推荐行为和营销活动响应。

输出
6、12 和 24 个月的预测 LTV、LTV 等级、增长潜力评分和投入建议。

在营销活动中
预测 LTV 高的用户享受高级新手引导和 VIP 待遇；中等用户获得常规培育加追加销售；低 LTV 用户只运行高效的自动化流程。示例：一位新用户 3 天内深度互动并消费 $50，预测 12 个月 LTV 为 $850，VIP 新手引导旅程随即触发。

准确率
6 个月 LTV 预测准确率达 71%。

模型 04

下一步最佳行动预测

根据每位用户的当前状态和预测行为，确定其最佳的下一步营销行动。

考虑的因素
当前互动状态、近期互动、营销活动历史和响应、预测的下一步行为、可用优惠以及渠道偏好。

输出
推荐的营销活动类型、渠道、时机、优惠和预期影响评分。

决策示例
一位出现流失信号、刚刚拒绝了折扣的用户，会收到功能亮点营销活动，而不是又一个折扣。购物车中有商品的高概率用户会收到紧迫感推送。曾对社交证明有反应的低互动用户会收到社区主题邮件。

在 Pushwoosh 数据分析平台上查看这一切如何协同运作。

模型 05

商品推荐

预测每位用户最可能互动或购买的商品、功能或内容。

使用的信号
购买历史、浏览和查看历史、相似用户行为（协同过滤）、品类偏好、价格敏感度和季节性规律。

输出
每位用户的推荐排序、每条推荐的置信度评分以及最佳送达渠道。

示例
买了跑鞋，就推荐跑步袜、GPS 手表和蛋白棒。看恐怖片，就推荐新上映的恐怖片和风格相近的导演。玩策略游戏，就推荐相关游戏、扩展包和竞技活动。

效果
与人工挑选相比，预测推荐的点击率高出 35% 至 45%。

模型 06

发送时间优化

预测向每位用户发送每条消息的最佳时间，以实现最大互动——对横跨多个时区的海外用户尤其关键。

使用的信号
按小时和星期划分的个人互动历史、设备使用规律、响应时间、历史打开和点击时间，以及时区和位置。

输出
每位用户的最佳发送窗口、置信度评分，以及主窗口错过时的备选窗口。

示例
用户 A 在工作日早上 7 至 8 点打开邮件，因此周二的发送安排在早上 7:15。用户 B 在周六下午打开邮件，因此即使营销活动在周一发送，消息也会保留到周六下午 2 点。

效果
与统一发送时间相比，互动提升 18% 至 25%。

无需数据科学团队的机器学习

连接数据后，模型自动开始工作。24 至 48 小时内即可获得预测结果，无需手动选择特征，无需调参。

数据采集与统一

行为事件、营销活动互动、用户属性、交易和客服历史，通过 Pushwoosh SDK、API、CRM 和数据仓库连接流入。每位用户超过 100 个行为信号自动输入模型。在客户数据平台中统一所有数据。
模型训练

模型基于您的历史数据训练，学习区分流失与留存、转化与未转化的规律。最少 1,000 名用户即可运行基础模型，10,000 名以上用户和 90 天历史数据可提升准确率。无需任何配置。
生成评分

每位用户都会被实时评分，并随行为变化而更新。当一位用户离开 14 天后重新登录，其流失评分会立即从 85 重新计算为 42。评分可用于分群，也可通过 API、webhook 触发器获取，或导出到您的 CRM 或数据仓库。
营销活动集成

按评分区间分群，在评分越过阈值时触发营销活动，并按预测价值个性化内容和优惠。例如，流失风险高于 70 触发留存，转化概率高于 80 触发紧迫感推送，高 LTV 等级触发 VIP 新手引导。
衡量与改进

随时间追踪预测准确率、假阳性和假阴性率、营销活动影响和模型漂移。模型每周基于新数据重新训练，营销活动结果也会回流到模型中。模型驱动的留存营销活动可挽回 60% 的高风险用户，而人工方式为 28%。

面向您所在行业的预测分析

同一套模型会适配您所在垂直行业中重要的信号和结果。

预测下一次购买日期，区分价格敏感型和品牌忠诚型用户，预测每位用户的季节性需求，为浏览到购买的准备度打分，并标记购买后的退货可能性。对跨境电商来说，这意味着能为黑五、双十一等全球大促提前锁定高意向用户。

示例： 在预测购买日期前 3 天发送邮件，转化率提升 35%。

根据早期行为预测大 R 玩家转化，按游戏阶段预测玩家流失，识别准备好接受应用内购买优惠的玩家，预测锦标赛参与情况，并为日活跃用户风险打分。

示例： 在前 48 小时内预测出大 R 玩家，VIP 待遇的 ROI 提升 45%。

预测功能采用可能性，预测试用转付费，为扩展收入准备度打分，提前 60 天识别流失，并预测提交工单的可能性。

示例： 提前 60 天预测流失，让客户成功团队获得 3 倍的干预时间。

预测续订可能性，预测升级准备度，在降级发生前识别风险，为暂停与取消的可能性打分，并预测推荐潜力。

示例： 降级风险评分加上预防性优惠，让 22% 的高风险订阅用户保留完整方案。

预测合约不续约，预测升级准备度，识别转投竞争对手的风险，为套餐优化机会打分，并预测设备升级时机。

示例： 竞争对手转网模型标记出 15,000 名高风险用户，留存营销活动挽回其中 60%。

预测预约爽约，预测预防性护理缺口，为患者互动风险打分，预测用药依从性，并识别健康检查机会。

示例： 爽约预测加上对高风险患者的主动提醒，使爽约率降低 40%。

自动更新的分群

预测评分驱动动态分群，随着行为变化自动加入和移除用户。在客户数据平台中构建这些分群。

预测分群

五个分群，零人工维护

即将流失
过去 7 天内流失评分高于 70。进入留存营销活动，评分降至 50 以下时退出。
准备转化
转化评分高于 75，每小时更新。由于评分会在 24 至 48 小时内衰减，需在一小时内触发。
未来 VIP
预测 LTV 位于前 20% 的新用户。触发 VIP 新手引导旅程，并随时间追踪实际与预测 LTV 的对比。
可重新激活
重新激活评分高于 60 的流失用户。在每位用户评分达到峰值时触发召回序列。
准备升级
升级评分高于 65 的活跃用户。触发有针对性的优惠，转化率达 28%，而全量营销活动为 8%。

几天内上线预测模型

从连接数据到上线预测营销活动，不到两周。

第 1 至 3 天：连接数据

安装 Pushwoosh SDK，为关键行为配置事件追踪，并可选择连接 CRM 和数据仓库。只需追踪 3 个事件（会话、购买、取消），就能为基础的流失和转化模型生成足够数据。
第 3 至 7 天：模型自动训练

平台导入历史数据，模型基于您的用户规律进行训练。首批评分在 24 至 48 小时内出现，第 7 天即可获得模型准确率报告，精确率约为 82%。
第 2 周：上线首个预测营销活动

从高流失风险分群（评分高于 70）开始，跨推送和邮件运行留存营销活动，并与对照组比较。首个营销活动通常可挽回 60% 的高风险用户，而对照组为 25%。
第 1 个月及以后：扩展到更多模型

加入转化和升级营销活动，然后是 LTV 和 VIP 分群，再到推荐和完整的下一步最佳行动自动化。预计第 1 个月即可看到可衡量的流失下降，第 6 个月关键指标提升 30% 至 50%。