预测并仅锁定那些最有兴趣了解或购买特定产品或服务的客户。这有助于节省企业的金钱和时间，只需专注于相关目标。
预测最有可能流失的现有客户；然后针对那些值得留住的客户，提供特殊激励措施，让他们继续留在公司。考虑到宏观环境以及获取新客户的成本是留住一个客户成本的 5-10 倍这一事实，这在当今是一个非常重要的用例。
回归模型的输出还提供目标受众的详细描述/概况，从而提供可用于个性化消息的信息 - 从而获得更好的响应率。
大多数业务分析师对线性回归都比较熟悉。 但是，逻辑回归可以让我们计算购买和流失倾向。
作为入门，我们先回顾一下线性回归，然后将其与逻辑回归进行比较。我们首先使用 B2C 示例，因为我们所有人都能理解。稍后，我们将把它扩展到 B2B。
线性回归
线性回归将直线拟合到一组数据观测值中——在这种情况下，根据 X 的观测值预测 Y。Y 的值可以从负到正。
例如，如果 Y 等于销售的特斯拉数量，X 等于邮政编码的平均家庭收入，则上述回归发现的关系告诉我们，我们将在家庭收入较高的地区销售更多的特斯拉。
逻辑回归
逻辑回归
逻辑回归专注于预测销售某物（例如特斯拉）的可能性/概率/倾向。
该图表根据家庭收入绘制了已购买或未购买特斯拉汽车的客户。然后，它强制在 0 到 1 之间形成非线性/S 曲线，因为倾向必须在该范围内。
横轴代表考虑购买特斯拉的人的收入。纵轴代表两个目的——首先，购买特斯拉的人被编码为“1”；考虑但未购买特斯拉的人被编码为“0”。其次，购买倾向也绘制在 Y 轴上。
如您所见，该模型预测家庭收入越高的人购买特斯拉的可能性就越大。佐治亚州电话号码资源 在这个假设的情况下，收入等级 4 的客户购买特斯拉的可能性为 82%（参见上图中的红色虚线）。
我们需要所有数据！
回归和 机器学习(ML) 可用于创建预测倾向的模型。它们还可以使用多个预测变量来预测某事，即可以有多个“X 轴”变量。添加其他重要变量/特征可以提高模型预测的准确性。
例如，购买特斯拉的概率不仅受家庭收入的影响，特斯拉的价格、婚姻状况、年龄等也可以帮助我们更好地预测倾向。
现在让我们来看一个很好的 B2B 示例。 大多数公司都希望确定一个帐户进入公司官方销售渠道的概率（帮助您了解应该关注谁）。在这种情况下，我们可以假设成为渠道机会的概率（Demandbase 称之为渠道预测）受客户意图、网站访问次数、公司规模和技术安装基数等的影响。
数据科学家可能知道哪些变量/特征有助于预测谁将成为管道机会，例如我上面使用的那些。但可能还有许多其他不明显的变量/特征也可以帮助进行这种预测。
这就是为什么数据科学家想要购买“所有数据”——并让他们的机器学习算法完成艰苦的工作，告诉他们哪些变量是重要的。
他们使用的算法几乎总是会发现其他他们尚未猜到的重
