Tahminleyici analitik, e-ticaret markalarının sonuçlar gelmeden önce nereye harcama yapacaklarına karar vermelerine yardımcı olur. En pratik kullanım senaryoları; reklam hedef kitleleri için satın alma eğilimi, elde tutma teklifleri için müşteri kaybı tahmini, teklif verme ve edinme bütçeleri için müşteri yaşam boyu değeri ve stok ve promosyonlar için talep tahminidir. Bunların her biri, yalnızca belirli bir kampanya veya operasyonel kararla ilişkilendirildiğinde ve bir kontrol grubuyla karşılaştırıldığında işe yarar.
Bir online mağazanın hangi verilere ihtiyacı vardır?
Çoğu mağazanın temel modeller için zaten yeterli verisi vardır. Soru, bunların temiz ve bağlantılı olup olmadığıdır. Shopify, WooCommerce veya başka bir platformdan siparişler; Google Analytics 4’ten davranış etkinlikleri; Klaviyo veya benzeri bir araçtan e-posta etkileşimi; ve katalogdan ürün verileri olağan kaynaklardır.
- Müşteri ID’si, tarih, ürünler, değer, indirimler ve iadelerle sipariş geçmişi.
- Tutarlı ürün ID’leri ile web etkinlikleri: view_item, add_to_cart, begin_checkout, purchase.
- E-posta ve SMS etkileşimi: açılışlar, tıklamalar, abonelikten çıkmalar.
- Ürün özellikleri: kategori, fiyat aralığı, marj, mevsimsellik.
- Rıza durumu, böylece modeller yalnızca GDPR veya KVKK kapsamında işlemenize izin verilen verileri kullanır.
İki yıllık geçmiş mevsimsel kalıplar için yararlıdır, ancak bir yıl genellikle başlamak için yeterlidir. Çok yeni mağazalar daha fazla veriye sahip olana kadar yerleşik platform modellerine güvenebilir.
Kullanım senaryosu 1: Satın alma eğilimi reklam harcamalarını nasıl iyileştirebilir?
Satın alma eğilimi puanları, her ziyaretçinin veya müşterinin belirli bir süre içinde satın alma yapma olasılığını tahmin eder. GA4, bir mülk alıcılar ve geri dönen kullanıcılar için uygunluk eşiklerine ulaştığında, olası 7 günlük alıcılar gibi tahminleyici hedef kitleler sunar. BigQuery’deki özel modeller daha ileri gidebilir.
Pratik kullanım hedef kitle oluşturmadır. Yüksek eğilimli kullanıcılar daha güçlü bir mesajla yeniden pazarlama listelerine girer; düşük eğilimli kullanıcılar pahalı kampanyalardan hariç tutulabilir. Örneğin, bir kozmetik mağazası olası alıcıları yeni gelenler kampanyası için bir Google Ads hedef kitlesine dahil edebilir ve çok düşük puanlı kullanıcıları indirim reklamlarından hariç tutarak bütçeden tasarruf edebilir.
Kullanım senaryosu 2: Müşteri kaybı tahmini nasıl kullanılır?
E-ticarette kayıp genellikle alışverişi bırakan müşteri anlamına gelir. Bir kayıp modeli, satın alma boşluğu geçmişlerine göre beklenenden uzun olan müşterileri işaretler. GA4, uygun uygulamalar ve siteler için bir kayıp olasılığı metriği sağlar; Klaviyo dahil birçok e-posta platformu, tahmini bir sonraki sipariş tarihlerini ve kayıp riskini gösterir.
- Tahmini bir sonraki sipariş tarihi geçmiş müşterilere bir geri kazanım akışı gönderin.
- İndirimi herkese değil, yalnızca yüksek riskli, yüksek değerli müşterilere sunun.
- Neden ayrıldıklarını öğrenmek için risk altındaki müşterilerden geri bildirim isteyin.
- Zaten bilindik oldukları için risk altındaki müşterileri edinme kampanyalarından hariç tutun.
Bir kontrol grubu tutun. Risk altındaki müşterilerin bir kısmı hiçbir özel muamele görmemelidir, böylece geri kazanım akışının insanları gerçekten geri getirip getirmediğini görebilirsiniz.
Kullanım senaryosu 3: Yaşam boyu değer edinmeyi nasıl değiştirir?
Tahmin edilen müşteri yaşam boyu değeri (pLTV), bir müşterinin 12 ay gibi bir süre boyunca ne kadar harcayacağını tahmin eder. Edinme sorusunu ‘ilk siparişin maliyeti nedir?’den ‘bu müşterinin değeri nedir?’e değiştirir.
Mağazalar pLTV’yi üç şekilde kullanır. Birincisi, Google Ads veya Meta’ya gönderilen dönüşüm değerleri olarak, böylece teklifler geri dönme olasılığı olan müşterileri destekler. İkincisi, kanal bazında hedef CPA belirlemek için. Üçüncüsü, en değerli müşterilerden benzer veya tohum hedef kitleler oluşturmak için. Örneğin bir mobilya mağazası, belirli bir koltuk serisinin alıcılarının aksesuarlar aracılığıyla yüksek tekrar değerine sahip olduğunu keşfedebilir, bu da o seri için daha yüksek bir edinme maliyetini haklı çıkarır.
Kullanım senaryosu 4: Talep tahmini pazarlamayı yönlendirebilir mi?
Talep tahmini, ürün ve dönem bazında birim satışlarını tahmin eder. Genellikle operasyonlara aittir, ancak pazarlama doğrudan faydalanır. Gelecek hafta tükenecek bir ürünü tanıtmak bütçeyi boşa harcar; fazla stoklu bir ürünü tutmak marjı boşa harcar.
- Tahminleri haftalık olarak ücretli medya ekibiyle paylaşın.
- Kısa sürede tükeneceği tahmin edilen ürünler için teklifleri düşürün veya reklamları duraklatın.
- Promosyonları fazla stok tahminlerine göre planlayın.
- E-posta takvimlerini beklenen stok gelişleriyle hizalayın.
Kullanım senaryosu 5: Bir sonraki en iyi ürün ve teklif
Modeller ayrıca bir müşterinin bir sonraki aşamada hangi ürüne veya teklife yanıt verme olasılığının en yüksek olduğunu tahmin edebilir. Bu, sitedeki ve e-postadaki önerileri güçlendirir. ‘Kahve makinesi alan müşteriler 30 gün içinde filtre alır’ gibi basit kurallar genellikle karmaşık modeller kadar iyi çalışır ve açıklanması daha kolaydır. Basit başlayın ve karmaşıklığı yalnızca basit sürüm iyileştirmeyi bıraktığında artırın.
Yaygın tuzaklar nelerdir?
En yaygın hata, kimsenin kullanmadığı bir puan oluşturmaktır. İyi doğruluğa sahip ancak bağlantılı hedef kitlesi olmayan bir eğilim modeli hiçbir değer üretmez. İkincisi, başarıyı kontrol grubu olmadan ölçmektir. Üçüncüsü, marjı görmezden gelmektir: düşük marjlı ürünlerin daha fazla sipariş edilmesini sağlayan bir model kârı azaltabilir.
Veri kayması da önemlidir. Fiyat değişikliği, yeni bir ürün serisi veya izleme güncellemesi eski bir modeli yanlış yapabilir. Model doğruluğunu aylık olarak gözden geçirin.
Alien Road e-ticaret için tahminleyici analitiği nasıl uygular
Tipik bir çalışmada, mağaza platformu, GA4, e-posta aracı ve reklam hesapları genelinde bir veri denetimiyle başlar, ID’leri, rızayı ve etkinlik kalitesini kontrol ederiz. Ardından kullanım senaryolarını beklenen değer ve çabaya göre sıralarız, genellikle biriyle başlarız: kayıp tabanlı geri kazanım veya pLTV tabanlı teklif verme.
Kurulum, puanı Google Ads’e hedef kitle senkronizasyonu veya bir Klaviyo segmenti gibi bir eylemle bağlar ve en başından itibaren tanımlanmış bir kontrol grubuyla çalışır. Müşterinin ekibinin nasıl çalıştığını takip edebilmesi için model girdilerini ve yenileme programını belgeleriz.
Aylık raporlar, kontrol grubuna karşı artan geliri, model doğruluğunu ve bulunan tüm veri sorunlarını gösterir. Adil bir testten sonra basit temel çizgiyi geçemeyen kullanım senaryoları durdurulur.
Bu hafta nereden başlamalı
GA4 mülkünüzün hedef kitle şablonları altında tahminleyici metrikleri gösterip göstermediğini kontrol edin. Gösteriyorsa, olası 7 günlük alıcılar hedef kitlesi oluşturun ve bunu Google Ads’e bağlayın. Göstermiyorsa, mağazanız henüz eşiklere ulaşmamış olabilir ve bir e-posta platformunun tahmini sipariş tarihleri iyi bir alternatif başlangıç noktasıdır.
Bir puan için bir eylem seçin, %10’luk bir kontrol grubu belirleyin ve bir ay boyunca çalıştırın. Sonuç size daha derin modellere yatırım yapıp yapmayacağınızı söyleyecektir. Sonucu finans ve operasyonların yanı sıra pazarlamayla da paylaşın, çünkü aynı puanlar genellikle planlama yapmalarına yardımcı olur.
Okumaya devam edin: Yapay Zekâ Optimizasyonu · Yapay Zekâ Optimizasyonu