#拆解問題與設定目標是第一步 通常商業或行銷問題，背後牽涉的議題都比較廣泛的，沒有單一模型可以回答所有的問題。因此必須先把問題拆解成幾個子問題，例如「如何提高新產品的銷售」，就可以拆解成「讓更多潛在顧客購買」，以及「提昇重購率」，而吸引潛在客戶又有許多面向需要考量，比方說通路配置、主打訴求、最佳訂價、誰是目標客群等等。當拆解到每一項目標夠明確時，自然就能應用適當的方法。
#盡量串接多方資料_看見全貌 消費者的資料散落在各處，如果能夠加以整合，可以更加理解顧客的歷程以及想法。比方說在電商平台上，我們可以知道消費者最後「購買」哪些產品，以及透過他們瀏覽過的產品頁面，得知他們「評估比較」的過程。另外在一些論壇上，也能看見「考慮」購買的消費者的提問，以及已經購買過的人「使用心得」。當品牌想要更細膩的去設定溝通主軸時，便可以利用上述的資料，整合出適當的切入點。針對潛在客人主打的內容，就會跟既有會員做出區隔。
#利用預測模型降低成本_提高效率 預測Propensity是常用的機器學習模型之一，無論是預測會員會不會續約、或是有沒有特殊需求、都是希望有了預測結果之後，能夠集中資源，優先處理機率高的業務。例如在僅有10%的用戶填答NPS的情況下，去預測剩下90%的會員誰是Super Detractor，然後優先聯繫機率高的人，提出慰留的方案。利用模型有60%-70%的準確度，隨機猜測只有7%，在有限的時間下，大大提升了工作效率。模型的建立可以從部分資料先開始，之後持續進行收集更多資料、驗證結果、訓練模型的循環，就有機會逐步提升模型的預測能力。