Предиктивная аналитика использует исторические данные и статистические модели или модели машинного обучения, чтобы оценить, что произойдет дальше, например, какие клиенты совершат покупку, уйдут или отреагируют на кампанию. Для маркетологов это экономит время, когда процесс работает как повторяемый рабочий процесс: определите вопрос, подготовьте данные, создайте или включите модель, передайте баллы в инструменты, которые люди уже используют, действуйте на их основе и сверяйте результаты с реальностью.
Что предиктивная аналитика может дать маркетингу?
Большинство маркетинговых применений делятся на несколько групп.
- Склонность к покупке: вероятность того, что пользователь совершит покупку в течение определенного периода.
- Прогнозирование оттока: риск того, что клиент или подписчик уйдет.
- Скоринг лидов: шанс того, что лид превратится в возможность или продажу.
- Пожизненная ценность клиента: ожидаемый доход от клиента с течением времени.
- Прогнозирование спроса: ожидаемые продажи или трафик по неделям или продуктам.
Многие инструменты теперь предлагают это без необходимости в работе специалистов по данным. GA4 предоставляет предиктивные метрики, такие как вероятность покупки, вероятность оттока и прогнозируемый доход, когда достигнуты пороги соответствия требованиям. HubSpot, Salesforce Einstein, Klaviyo и приложения, подключенные к Shopify, предлагают предиктивные баллы. BigQuery ML и Vertex AI позволяют командам с навыками SQL создавать свои собственные модели.
Рабочий процесс 1: предиктивные аудитории в GA4
Этот рабочий процесс подходит для компаний электронной коммерции и приложений, которые уже используют GA4.
- Проверьте соответствие требованиям: GA4 требует наличия достаточного количества покупающих и уходящих пользователей за недавний период, прежде чем появятся предиктивные метрики.
- Подтвердите, что события покупки и их значения отслеживаются правильно, включая валюту.
- В разделе «Администратор» откройте «Аудитории» и создайте одну из предложенных предиктивных шаблонов, например, «вероятные покупатели за 7 дней».
- Свяжите GA4 с Google Ads, чтобы аудиторию можно было использовать в кампаниях.
- Используйте аудиторию для ставок ремаркетинга или исключений, например, исключая «вероятных пользователей, которые уйдут через 7 дней» из дорогостоящего поиска.
Сначала проверяйте размер аудитории еженедельно. Маленькая аудитория может неэффективно показывать рекламу, а пороги, стоящие за предиктивными метриками, устанавливаются Google, а не вами.
Рабочий процесс 2: скоринг лидов в CRM
B2B-команды обычно начинают отсюда, потому что время продаж дорого стоит.
Шаги
- Экспортируйте закрытые сделки и потерянные лиды за последние 12–24 месяца.
- Перечислите поля, которые были известны, когда лид пришел: размер компании, отрасль, источник, посещенные страницы, ответы на формы.
- Включите предиктивный скоринг CRM, например, вероятность закрытия в HubSpot или Einstein Lead Scoring, или обучите простую модель в BigQuery ML.
- Проверьте основные факторы, которые использует модель, и удалите любые, которые раскрывают результат, например, поле, заполняемое только после продажи.
- Установите диапазоны баллов и маршрутизацию: высокие баллы идут в отдел продаж в тот же день, средние баллы — на прогрев, низкие баллы — на автоматизированный контент.
Вовлечение отдела продаж
Перед запуском поделитесь с отделом продаж примерами лидов с высокими и низкими баллами. Если менеджеры не доверяют баллу, они будут его игнорировать. Договоритесь о пересмотре через квартал, используя реальные коэффициенты конверсии по диапазонам.
Рабочий процесс 3: предотвращение оттока для подписок
- Четко определите отток, например, «нет заказов за 90 дней» или «подписка отменена».
- Создайте или включите балл оттока в вашей платформе электронной почты или CRM.
- Создайте три сегмента: высокий, средний и низкий риск.
- Запланируйте разные действия для каждого сегмента: от личного звонка для ценных клиентов с высоким риском до легкого напоминания по электронной почте для клиентов с низким риском.
- Сохраняйте случайную контрольную группу, которая не получает особого обращения, чтобы вы могли измерить, снижают ли действия отток.
Контрольная группа — это шаг, который пропускает большинство команд, и без него нет доказательств того, что рабочий процесс работает.
Рабочий процесс 4: прогнозирование спроса для медиабюджетов
Прогнозы помогают планировать бюджеты для пиков, таких как Рамадан, Черная пятница или сезон летних отпусков.
- Соберите данные о продажах, трафике и расходах как минимум за два года по неделям.
- Используйте метод прогнозирования, такой как ARIMA_PLUS в BigQuery ML, Prophet или функцию прогнозирования в электронной таблице для первого взгляда.
- Добавьте известные события: праздники, запуски, изменения цен.
- Сравнивайте прогноз с фактическими данными каждую неделю и отмечайте большие отклонения.
- Корректируйте медиабюджеты до прогнозируемых пиков, а не реагируйте после них.
Как проверить, верны ли прогнозы?
Модели дрейфуют по мере изменения рынков и поведения. Простой контрольный список помогает держать их в тонусе.
- Сравнивайте прогнозируемые и фактические результаты по диапазонам баллов каждый месяц.
- Отслеживайте метрику прироста: насколько лучше конвертируется верхний диапазон по сравнению со средним.
- Переобучайте или перепроверяйте модели после серьезных изменений, таких как новый тарифный план.
- Сохраняйте контрольную группу для любых автоматизированных действий.
- Документируйте источники данных и определения, чтобы другие могли их проверить.
Как Alien Road применяет предиктивную аналитику
В проектах по оптимизации ИИ Alien Road начинает с исследования: какое решение клиент хочет улучшить и какие данные уже существуют в GA4, CRM, платформе электронной коммерции или рекламных аккаунтах. Вопрос всегда идет перед моделью.
Настройка обычно начинается со встроенных функций, таких как предиктивные аудитории GA4 или скоринг CRM, потому что их быстро тестировать. Когда у клиента достаточно данных и есть четкая потребность, мы строим пользовательские модели в BigQuery вместе с командой аналитики клиента. Баллы передаются в инструменты, которые люди используют каждый день: рекламные платформы, инструменты электронной почты и CRM.
Измерение опирается на контрольные группы и прирост по диапазонам баллов. Ежемесячные отчеты показывают, совпали ли прогнозы с реальностью, какие действия были предприняты и что они принесли. Если модель перестает давать прирост, мы говорим об этом и исправляем или выводим ее из эксплуатации.
Какие проблемы с качеством данных разрушают прогнозы?
Прогнозы наследуют каждый изъян в данных. Дубликаты записей клиентов разделяют одного покупателя на два более слабых профиля. Отсутствующие значения покупок делают ценных клиентов средними. Настройки согласия и блокировщики рекламы удаляют часть веб-данных, поэтому модель учится на искаженной выборке. Прежде чем доверять любому баллу, потратьте час на проверку дубликатов, пустых полей и пробелов в отслеживании в исходных таблицах.
С чего начать на этой неделе
Выберите одно решение, которое отнимает время у вашей команды, например, кому из лидов звонить в первую очередь или каких клиентов таргетировать с предложением об удержании. Проверьте, предлагают ли ваши текущие инструменты предиктивный балл для этого; многие предлагают.
Включите его для тестового сегмента, сохраните контрольную группу и сравните результаты через четыре-восемь недель. Небольшой, измеренный рабочий процесс научит вас большему, чем большая модель, которую никто не использует.
Продолжайте читать: ИИ-оптимизация · ИИ-оптимизация