准确预测客户的购买行为，对企业的重要性不言而喻，然而这点却很难做到。企业往往是根据客户过去发生过的购买行为，运用相关软件，来预测某个客户会在某个时间购买某个产品的可能性。按理说，在拥有大量数据的基础上，预测结果应该与实际结果相差不大，但现实情况恰恰相反。作者研究了两家大型企业的数千名客户的购买模式，结果表明，它们预测客户购买行为的准确率仅有60%。准确率为什么会这样低？作者认为，原因不在于记录了客户购买信息的CRM系统本身，或是这些信息不具备预测作用，而在于多数企业用于解读数据的数学方法存在局限性。

　　企业在预测客户行为时，最常用的方法包括两个步骤：第一步是估算某个客户选购某个特定产品的概率，第二步是估算某个客户在某个特定时间进行购买的概率。具体方法是对大量相关客户数据进行回归分析，得出计算概率等式中各变量的权重，然后再用此等式计算概率。企业将两个步骤中算出的概率相乘后，就可以得出每个客户未来购买行为的联合概率。据此还可以建立一个概率方块，了解更多有关客户行为的信息。

　　这种方法综合了产品选择概率与购买时机概率，而且，许多行业的客户样本规模庞大，客户数据也相当充足。那么，为什么得出的预测数字还这么不可靠呢？部分原因在于，将产品选择概率与购买时机概率相乘这种做法，完全忽视了这两个概率之间的互相依存关系，从而导致错误的预测，不过，公司可以通过统计修正来解决回归分析中这一偏差，这并不是传统方法的主要问题所在。

　　真正的问题在于这两种概率预测都采用同一个样本群体的数据，而这会导致抽样误差。传统的概率估计方法之所以极易出现抽样误差，原因就在于，所有回归分析都存在一个隐含假设，即由样本群体得出的变量的权重代表了整个总体。但是，这种假设在实际中几乎无法成立。

那么，怎样才能消除概率估计中的抽样误差呢？答案在于一个名为贝叶斯估计的数学统计方法。贝叶斯估计法不是像回归分析那样计算出概率等式中每个变量的权重，而是先确定一个权重范围。然后，通过一连串迭代计算，确定相关变量最有可能占的权重。这种计算具有更大的预测作用，因为它再现了样本实际发生过的行为。作者利用丹尼尔•麦克法登的开创性成果，开发了一个名为似然函数的多变量公式。通过这个公式，我们可以准确计算出客户总体在面对两种以上产品时的购买概率和时机概率。要进行估计和使用作者开发的似然函数，需要有特殊的软件，如Gauss或MATLAB。

　　作者分别在一家大型B2B高科技企业和一家B2C金融服务企业应用了这一新方法，并与传统预测方法得出的结果进行了比较。结果表明，利用新方法，B2B企业的预测能力提高了54%，B2C企业提高了近33%。在这一过程中，一个重要发现是，营销过度和营销不足同样会降低企业的收入。作者由此做出的推断是，如果企业将传播力度降到合适的水平，不仅可以节省成本，还可以提高单位客户收入。为了验证这一点，作者开展了一项实地研究，结果显示，作者的新模型不仅能够帮助企业避免在没有购买意愿的客户身上乱花钱，还能帮助挽回因传统营销战略而正在失去的销售收入。