Предиктивная аналитика использует исторические данные и статистические модели или модели машинного обучения, чтобы оценить, что клиенты, скорее всего, сделают дальше: совершат покупку, уйдут, перейдут на более дорогой тариф или отреагируют на предложение. Для маркетологов она полезна везде, где прогноз меняет решение, например, какая аудитория получит бюджет, какому лиду позвонить в первую очередь или сколько стоит привлечение клиента.
Основные методы включают регрессию, деревья решений, градиентный бустинг и прогнозирование временных рядов. Сегодня они доступны, так как встроены в инструменты, которые маркетологи уже используют. GA4 предлагает предиктивные метрики, такие как вероятность покупки и прогнозируемый доход; Google Ads и Meta используют прогнозируемую ценность конверсии в автоматических ставках; HubSpot и Salesforce включают предиктивный скоринг лидов; а команды по работе с данными могут обучать пользовательские модели в BigQuery ML или Python.
Что может прогнозировать предиктивная аналитика?
- Склонность к покупке: вероятность того, что пользователь совершит покупку в течение определенного количества дней.
- Риск оттока: вероятность того, что подписчик или постоянный клиент перестанет покупать.
- Пожизненная ценность клиента (LTV): ожидаемый доход от клиента за период, часто 12 месяцев.
- Конверсия лидов: вероятность того, что лид станет возможностью или продажей.
- Прогнозы спроса и продаж по продукту, региону или неделе.
- Следующее лучшее предложение: на какой продукт или сообщение клиент с наибольшей вероятностью отреагирует.
Чем это отличается от обычного отчета?
Отчет описывает то, что произошло: конверсии за прошлый месяц по каналам. Диагностический анализ объясняет почему. Предиктивная аналитика оценивает, что произойдет с каждым клиентом или сегментом, чтобы вы могли действовать до того, как это случится.
Разница важна для выбора времени. Отчет об оттоке говорит вам, кто ушел. Модель оттока говорит вам, кто, скорее всего, уйдет в следующем месяце, пока еще есть время отправить предложение.
Где это применяется в маркетинговом плане?
Платные медиа
Ставки на основе ценности используют прогнозируемую ценность, чтобы делать более высокие ставки на потенциально ценных клиентов. Использование в Google Ads или Meta ценностей конверсии, отражающих прибыль или прогнозируемую пожизненную ценность, а не просто стоимость заказа, может перенаправить расходы на лучших клиентов. Предиктивные аудитории из GA4, такие как вероятные покупатели в течение 7 дней, могут быть переданы в Google Ads для ремаркетинга.
CRM и электронная почта
Баллы оттока решают, кто попадет в цепочку возврата. Баллы лидов определяют порядок последующих продаж. Прогнозы пожизненной ценности решают, какие клиенты получат премиальное обслуживание или ранний доступ.
Планирование бюджета
Прогнозы спроса по месяцам и каналам помогают устанавливать бюджеты и запасы, особенно для сезонного бизнеса. Например, розничный продавец товаров для сада может планировать весенние расходы на основе моделей прошлых лет, скорректированных с учетом текущих тенденций.
Какие данные вам нужны?
Большинству моделей нужно несколько тысяч клиентов или событий с известными результатами и последовательная история. У GA4 есть требования к предиктивным метрикам: минимальное количество покупающих и не покупающих пользователей за недавний период и стабильное качество модели. Если ваш ресурс не соответствует требованиям, метрики не появятся.
Полезные данные включают историю транзакций, поведение на сайте и в приложении, вовлеченность в email, категории продуктов, источник привлечения и контакты службы поддержки. Качество данных важнее количества: последовательные ID клиентов, точные временные метки и четкие определения результатов.
Какие есть распространенные ошибки?
- Создание скоринга без привязки к действию, из-за чего ничего не меняется.
- Обучение на данных, которые включают информацию, недоступную на момент прогнозирования.
- Измерение точности на редких событиях, где модель может выглядеть хорошо, предсказывая «нет» для всех.
- Поощрение модели за нахождение людей, которые купили бы и так, без контрольной группы.
- Отсутствие переобучения, из-за чего модель теряет точность при изменении продуктов, цен и каналов.
Как начать без команды по Data Science?
Начните с того, что уже предоставляют ваши инструменты. Если доступны предиктивные метрики GA4, создайте аудиторию вероятных покупателей и протестируйте ее в Google Ads против вашего стандартного списка ремаркетинга. Если вы используете HubSpot или Salesforce с предиктивным скорингом, сравните, как часто лиды с высоким баллом конвертируются по сравнению с лидами с низким баллом в течение квартала.
Следующий шаг — простая собственная модель. RFM-сегментация (давность, частота, денежная ценность) в таблице — это не машинное обучение, но это предиктивный инструмент: недавние, частые, ценные покупатели с наибольшей вероятностью купят снова. Это также дает вам ориентир, против которого должна доказать свою эффективность более сложная модель.
Как выбрать между встроенными и пользовательскими моделями?
Встроенные инструменты, такие как предиктивные метрики GA4 или CRM-скоринг лидов, быстро запускаются и не требуют инженерии. Их ограничения — прозрачность и контроль: вы не можете видеть признаки или менять цель.
Пользовательские модели имеют смысл, когда результат, который вас интересует, специфичен, например, маржа вместо дохода, или когда вам нужно объединить данные, которые платформы не видят, например, офлайн-продажи или возвраты. Стоимость — это постоянная работа: конвейеры данных, переобучение и мониторинг.
Разумный путь — сначала использовать встроенный вариант, измерить его против контрольной группы и строить свою модель только тогда, когда вы сможете назвать решение, которое она улучшит.
Как Alien Road применяет предиктивную аналитику
В типичном проекте мы начинаем с решений, а не с данных. Вместе с маркетинговым руководителем клиента мы составляем список решений, которые изменятся с лучшим прогнозом, например, цели ставок, аудитории ремаркетинга или маршрутизация лидов. Затем мы проверяем готовность данных: соответствие GA4, последовательность ID CRM, точность ценности конверсии.
Реализация варьируется от активации предиктивных аудиторий GA4 до пользовательской модели в BigQuery, когда позволяет объем. Каждая модель запускается с контрольной группой, и результаты ежемесячно отчитываются в дашборде, показывающем прогнозируемые и фактические результаты, а также прирост по сравнению с контрольной группой.
С чего начать на этой неделе
Откройте GA4, перейдите в «Администратор», затем в «Аудитории» и проверьте, доступны ли шаблоны предиктивных аудиторий для вашего ресурса. Если да, создайте аудиторию «вероятные покупатели в течение 7 дней» и свяжите ее с Google Ads.
Если нет, экспортируйте заказы за последний год и постройте RFM-таблицу в табличном редакторе. Нацельтесь на свой топовый сегмент с помощью кампании и оставьте случайную его часть в качестве контрольной группы. Через месяц вы увидите, улучшает ли прогнозирование поведения ваши результаты.
Запишите результат одним предложением, например, конверсия целевой группы по сравнению с контрольной. Это предложение — начало вашего бизнес-кейса для дальнейшего развития.
Читайте далее: ИИ-оптимизация · ИИ-оптимизация