預測行銷
一句話定義
預測行銷是把過去資料載入統計或機器學習模型，用來預測顧客價值、購買意向、產品推薦、內容成效與行銷活動結果，讓企業能在市場反應出現前先部署行動。
核心要點
- 從描述走向預測：傳統報表回顧過去發生什麼，預測模型嘗試推估接下來可能發生什麼。
- 典型應用：估算顧客價值、排序銷售機會、推薦產品、判斷意向、選擇下一個最佳內容、預估活動 ROI。
- 行銷人要理解模型思維：不必自己寫模型，但要知道資料怎麼被選、模式怎麼被找、模型輸出如何導入營運流程。
- 模型選擇取決於問題結構：問題清楚、變項可掌握時，回歸模型常足夠；資料關係複雜或未知因素多時，神經網路等機器學習方法更有用。
- 推薦系統是常見落地型態：協同過濾用相似顧客與相似產品的偏好來預測使用者可能喜歡什麼。
- 推薦系統不是一句「做 AI」就能落地：電商推薦要先釐清要即時或批次、資料儲存與更新頻率、個人化到個人或分群、成效看點擊率 / 轉換率 / 涵蓋率或長期用戶成長；模型選擇只是其中一環。
- 預測不是自動決策：模型可以估算機率，行銷人仍需判斷品牌、情境、隱私、顧客感受與商業目標。
常見模型類型
| 類型 | 適用場景 | 行銷用途 |
|---|---|---|
| 回歸模型 | 變項關係相對清楚、希望找出影響因素 | 預測銷售、活動成效、價格或媒體投放效果 |
| 協同過濾 | 大量顧客與商品偏好資料 | 商品 / 內容推薦、相似受眾建議 |
| 神經網路 | 資料量大、關係複雜、模式不易事先界定 | 複雜購買意向、內容偏好、非結構化資料模式 |
與其他概念的關係
- 是 行銷5.0 的三大核心應用之一，建立在 資料行銷 的資料生態系上。
- 與 網站分析：網站分析提供行為資料與轉換資料；預測行銷把這些資料變成未來機率與優先順序。
- 與 行銷漏斗：可用於預測漏斗每段的轉換機率，幫助分配內容、業務與客服資源。
- 與 內容行銷：不只分析哪些內容過去有效，也可預測不同客群在顧客旅程中下一個最可能共鳴的內容。
- 與 AARRR：在產品增長場景中，預測行銷可對 Acquisition / Activation / Retention / Revenue / Referral 各階段建立風險或機會模型。
- 與 數據流：都是用資料輔助決策，但預測行銷更聚焦在市場 / 顧客行為的未來推估。
- 與 資料科學：預測行銷是資料科學在行銷 / 電商場景的一種產品化落點；是否值得做模型，仍取決於問題是否已被量化。
相關來源
- 2026-05-06-行銷5.0數據推動行銷ML看書 — 預測行銷章節；含應用場景、回歸、協同過濾與神經網路三類模型。
- 2026-05-06-程式猿吃香蕉-資料科學我想說的是上 — Sobi / 程式猿吃香蕉：用電商推薦版位會議展示協同過濾 / 知識圖譜等模型選擇之前，仍須先定義資料、工程與商業成效。
備註
後續若 ingest GA4 predictive audiences、CRM lead scoring、推薦系統、marketing mix modeling 或 uplift modeling，可擴充為更完整的預測行銷工具族。