人工智能正在改变企业处理数字营销预算和预测流程的方式。

公司可以开发专注于数据驱动决策的强大预测和预算模型。

这种方法可以实现与特定业务目标相符的定制策略，并可根据组织需求和渠道进行调整。

人工智能是转型的关键驱动力。

• 根据Google Cloud 的报告，多达 86% 实施生成式 AI 的组织报告称，其公司年度总收入增长了 6% 或更多。 

本文介绍了如何利用人工智能和正确的数据来得出预测和预算优先级，特别是针对数字营销工作。

以下是制定符合您独特业务需求的模型的六个步骤。 

步骤 1：定义业务目标、目的和 KPI

此步骤分为两个部分：设定目标和确定关键绩效指标（KPI）。

明确表达业务目标

指定总体业务目标，例如增加收入、提高品牌知名度、产生潜在客户或提高参与率。

确定具体的关键绩效指标

确定每个目标渠道的相关 KPI，例如浏览量、转化率或每次获取成本 (CPA)。

在确定目标和 KPI 之后，分析历史趋势以确定有助于实现目标的渠道和策略。

第 2 步：趋势、客户旅程和渠道

渠道分布分析

• 收集历史数据：收集每个渠道的营销支出、收入和关键绩效指标的数据。
• 确定性能水平：分析数据以确定哪些渠道绩效高、哪些渠道绩效低。
• 计算投资回报率(ROI) ：了解每个渠道的投资回报率 (ROI) 和其他相关指标。

市场与趋势分析

• 确定行业和市场趋势：研究行业趋势，包括未来一年和前一年的市场需求和供应模式。
• 评估消费者行为和新兴技术：识别消费者行为和新兴技术的变化，例如人工智能、虚拟代理和向移动平台的转变。
• 分析竞争对手的活动：评估竞争对手在不同渠道的表现。

搜索趋势和客户旅程 

• 分析客户发现渠道: 确定客户如何找到您的业务。虽然新的营销策略看起来很有前景，但要确保这些渠道与客户的旅程保持一致。 
• 使用Google Search Console和Google Analytics：利用搜索控制台和分析等工具了解客户搜索趋势并将其与整个行业的搜索变化进行比较。
• 评估内容格式：评估您的业务是否通过视频、人工智能生成的概述或图像获得关注，并将这些结果与行业和竞争对手的基准进行比较。

---

步骤 3：数据和基础设施 

评估现有技术堆栈

• 评估技术基础设施集中数据、维护数据质量和确保数据安全的能力。

集中数据

• 将来自不同渠道和接触点的所有数据整合到一个位置，例如数据湖。测试数据是否可用于运行分析和报告。

数据清理和预处理

• 收集到所有数据后，下一步就是为预测和预算模型做好准备。
• 首先清理和组织数据，重点关注与业务目标和 KPI 最相关的数据点。
• 通过删除异常值和解决任何不一致问题来确保数据的准确性和一致性。
• 进行探索性数据分析以识别模式和相关性。

步骤 4：预测

预测是预算的关键，因为它有助于管理风险、抓住机遇、优化资源和做出明智的投资决策。 

以下机器学习和基于语言的模型可用于生成这些预测：

ARIMA（自回归综合移动平均线）

• 结合自回归和移动平均。
• 灵活适应各种时间序列模式。
• SARIMA，即季节性 ARIMA，可以解释季节性波动。

先知

• 由 Facebook 开发。
• 将时间序列数据分解为趋势、季节性和假日影响。
• 最适合具有强烈季节性影响的时间序列和多个季节的历史数据。

Chronos（基于语言的模型）

• 由亚马逊开发。
• 一组基于语言模型架构的预训练时间序列预测模型。
• 时间序列通过缩放和量化转换为标记序列，并使用交叉熵损失对这些标记进行语言模型训练。
• 一旦经过训练，就可以通过根据历史背景对多个未来轨迹进行采样来获得概率预测。

考虑使用 Anthropic 的 Claude 3.5 Sonnet 轻松生成用于实现预测模型的 Python 代码。

第五步：预算

确定最佳渠道分配

• 根据业务目标确定最合适的预算分配方法，例如收入百分比或每个渠道的固定金额。
• 考虑渠道成熟度、潜在投资回报率以及客户和市场趋势等因素。
• 使用线性回归等统计技术来生成市场组合模型，优化跨渠道的预算分配，以满足您的业务目标。

定期监控和优化

• 根据预算和 KPI 持续跟踪渠道绩效。
• 找出表现不佳的渠道并相应地重新分配预算。
• 根据实时数据和见解优化活动。

步骤 6：用例

最后，为营销计划的每个步骤创建具体的用例。例如：

• “作为一家高档酒店的首席营销官，我希望线上收入同比增长 20%。为了帮助实现这一目标，建议在数字渠道上进行最佳预算分配。”

解决方案步骤

定义业务目标和 KPI

• 目标 – 总体收入增加 20% 
• KPI – 收入

渠道分布、投资回报率、收入和转化率 

• 从 Google Analytics 收集所有渠道的历史收入和转化数据。 
• 收集所有渠道的支出数据。
• 计算每个渠道的投资回报率 (ROI)。 

数据和基础设施

• 所有数据都应在数据湖等集中存储中可用。
• 更容易访问干净、集中的数据来训练模型。
• 安装所需的 python 库，例如 pandas、numpy 或 scipy。
• 通过运行 Python 库和统计分析进行探索性数据分析以识别趋势和季节性模式  

预测和预算

• 使用 SARIMA 等预测模型根据支出预测每个渠道的收入。该模型将考虑数据中的季节性趋势
• 使用统计优化技术来找到跨渠道的最佳预算分配。

工作模型输出 

当前主要渠道的平均支出：

执行完上述所有步骤后，预算模型建议的分配如下：

单独频道分配

一旦有了每个渠道的预算分配，下一步就是进一步细分并确定每个渠道内的具体来源或平台。 

例如：

• 在自然搜索渠道中，您可以考虑 Google Business 等来源。 
• 对于付费搜索，例如 Google Ads 和 Facebook 等平台。 

这有助于确定每个来源所需的精确预算。

对于我们的用例，重点关注自然搜索渠道。针对此渠道内的所有来源运行预算模型，以确定每个来源的分配。

执行完所有步骤后，以下是针对有机搜索源的建议预算分配：

最大化全渠道数字体验的策略和解决方案 

现在根据推荐的分配，部署策略来优化 GBP Listings 和 Google Search。

数字营销中的人工智能：更智能的预算和预测

在人工智能时代，如果来自各个客户接触点和渠道的数据在整个客户旅程中集中且随时可用，则可以实时进行预算和预测。 

通过利用人工智能，您可以根据每个渠道对实现业务目标的贡献为其分配适当的预算，从而优化营销绩效。