现在市面上有很多低成本业务分析工具，这促使很多企业开始构建客户剖析和预测分析应用程序，以期望重振其营销和销售业绩。不过，虽然正确的预测分析模型可为企业增加重要价值，但在某些情况下，它们可能无法满足用户期望。

首先，让我们考虑一下典型的分析框架，其中包括用户资料和历史交易记录。企业会从不同内部系统收集客户数据，并将这些数据整合到统一的客户数据库中。另外还可能有来自多个来源（例如第三方数据提供商或在线资源）的人口统计和心理数据，用于创建完整的客户档案。

该框架的第二部分需要积累不同的客户交易数据。这些将包括但不限于，来自营销、销售、财务、信贷、履行和分销、客户支持和法律方面的记录。

这里的目标是收集与客户的所有交互记录，以便可直接分析，试图寻找预期结果前的哨兵模式。其中很好的例子是识别客户在购买产品前执行的一系列操作。

目前很多工具已经足够先进，可分析来自不同业务职能的数据，以找到可预测所需结果的事件序列的复杂组合。

然而，这里最好对预测分析模型的精确性和准确性保持一定的怀疑，因为可能存在这样的情况：它们不准确地预测情况或者试图影响不是所涉及个体特征的行为。这样的结果是只具有有限预测能力的模型，其中的原因可能包括：

• 不完整性。预测分析模型的准确性受所使用数据的完整性和准确性的限制。由于分析算法试图基于可用数据构建模型，因此，数据的缺陷可能导致模型的缺陷。

同时，所开发的模型可能不包含足够的信息来识别具有任何价值的哨兵预测模式。例如，为了构建客户保留模型，可能需要实用客户服务事件历史记录和事务来构建，但最准确的模型可能需要销售和返回事务以提供最佳预测模式。

• 数据不准确。客户档案是根据人们的期望值使用指南来设计，但对于不同人口统计变量范围的限制可能会迫使以非常有限的方式对客户进行分类。例如，可能会使用定义的人口普查区域内计算的平均工资来对个人进行分类。然而，某些城市地区可能有人口普查区域，其中有多个离散微观社区，包含明显不同薪资人口统计数据。因此，应该细化平均工资的重点区域大小，以提高客户分类模型的精度。

• 缩小范围。这个术语是指，依靠预测分析模型来指导业务流程，从而影响客户行为，这可能会创建人为界限，缩小客户预期行为的范围。在这种情况下，可能会有商业机会（例如产品捆绑或向上销售），但这些商业机会甚至不被考虑，因为分析驱动的业务流程没有预计这些机会的出现。

• 隐私担忧。很长一段时间以来，自动化系统能够进行简单的广告跟踪，其中网站会丢弃cookies—提供广告网络中合作伙伴可访问的信息。现在系统越来越能够在分层语义内容中扫描客户动作，以提供关于客户兴趣的更多信息。客户的搜索条件以及产品页面访问可提供足够的信息来推断客户真正想要的东西。然而，由于这些信息被用于展示广告和产品，客户对自动系统试图预测其意图及影响他们的活动而感到不安。

基本上来说，企业必须在利用预测分析模型的三个不同方面取得平衡：积累正确的数据来构建准备模型，确保模型完整和准确，以及在正确的时间和地点利用模型。

查看业务分析应用程序如何配置、利用和投入生产，从而确定应对挑战的最佳方法。