假设A队是你最喜欢的篮球队。在过去的几个赛季中，它在球场上绝对拥有对手B队，在过去20场对阵B队的比赛中赢了18场。进入即将到来的赛季，你对A队有机会快速起步充满信心，因为它的揭牌比赛是对阵B队。预测分析会告诉我们，你有90%的机会赢球。所以，相信数字，对吧?

但是等一下……

在休赛期，B队签下了勒布朗·詹姆斯、凯文·杜兰特和斯蒂芬·库里，震惊了体育界。没有人能确定这支新的“超级球队”将如何合作，但有一件事是肯定的:这支球队的打法将与去年有很大不同。

相信这些数字突然变得有点棘手。

看问题

对于营销人员来说，当一个未知变量(比如三个重要的新用户)进入等式时，或者当你没有足够的数据(或标准化数据)来分析时，预测分析的麻烦就开始了。这两种情况都很难计划。即使你已经预料到了未知，你仍然从未见过它，这使得你很难适应它的真实影响。

没有正确的数据，你真正能预测什么?

高德纳公司的一项新研究报告得出的结论是，B2B技术营销人员必须有某种形式的预测线索评分，以优先考虑来自入站渠道的线索。

随着营销人员越来越擅长在所有媒体上创建可访问的内容，预测哪些行为代表购买意图变得更加困难。与以往任何时候相比，内容消费都是对购买欲望的误称。如果报告可信，预测分析是必须采用的策略，那么营销人员就需要了解其可扩展性的局限性，并避免过去的分析陷阱。

不久以前，营销分析来自CRM数据库。名字、工作头衔和公司角色讲述了潜在客户和买家的故事——仅此而已。

所有这些数据都保存在营销者自己的数据库中。他或她的工作就是收集和理解这些信息。这种短视的过程产生了大量不完整的人物角色和肤浅的信息。

营销人员知道，宽泛的概括性数据往往不准确，缺乏深入的洞察力(更不用说这些数据的有效性和质量会迅速下降)。你可能已经注意到这里使用了过去时，但这种现象仍然很常见。

为什么行得通的行不通

买家生命周期都有不同的长度。你可能会选择在没有正确信息的情况下复制更短的销售周期。也许你开始追踪的太晚了，也许只是在最后。这是危险的。

一旦一个营销人员掌握了哪怕是最少量的数据，他或她往往会草率地决定，根据有效的方法来编写销售剧本。营销人员最终会以销售团队在整个过程中收集的数据为基础制定策略，尽管销售的动机只是抓住当时交易所需的任何东西。

结果是，市场营销基于根本错误的信息做出了非常有影响力的全面决策。

归咎于数据

新的数据革命将结构化数据与所谓的非结构化数据结合起来。

这里的非结构化是指你无法通过公司网站收集到的信息。但这仍然不容易捕捉到可能分散在电子邮件、社交媒体源、电话记录、Skype交流以及天知道其他地方的数据。预测分析仍然存在太多的差异，无法达到100%的可扩展性。

例如，如果一个团队被激励销售特定的产品，它可能会把某人挤进这个产品的销售周期，即使这个人不太适合。数据自然是错误的。这就是为什么数据科学是由真正聪明的人完成的，通常来自不受内部偏见影响的第三方(或至少不受内部偏见影响)。

最前沿的b2b正在废除线性预测模型，转而采用实时洞察，从预期结果开始，然后向后推，同时考虑到过程中的所有变量。

一个完美的例子是，一家餐厅在大热天使用推送通知提醒路人有特价饮料，即使这个人以前从未去过那家餐厅。

未来的分析将以这样一种方式组合数据，最终结果从一开始就显而易见，几乎就像在潜在的线索前布下了一个聪明的陷阱。

还没完全赶上

预测分析背后的理念是合理的。如果处理得当，它可以帮助你的营销团队减少浪费的内容，并为你的产品找到理想的前景。

但是，即使一些公司开始拥抱真正的数据科学，在传统CRM信息的基础上结合大数据，大多数营销人员可能还需要数年时间才能赶上。

为什么?因为真正的数据科学包括大量的研究和实验。没有简单的解决办法或绝对的结果。

此外，对大多数营销人员来说，真正承认未知是可怕的。

预测分析在规模上有一个天然的上限，在数据治理、收集和卫生变得更好之前，这个上限将一直存在。在同样的成熟度曲线中，营销人员必须更好地理解如何使用非传统信息。

好消息是，这个行业最聪明的人总是能解决问题，这是一种预测分析的方式，它会再次发生。