Tahminleyici analitik, müşterilerin bir sonraki adımda ne yapacağını (satın alma, abonelikten çıkma, yükseltme veya bir teklife yanıt verme) tahmin etmek için geçmiş verileri ve istatistiksel veya makine öğrenimi modellerini kullanır. Pazarlamacılar için bu, bir tahminin kararı değiştirdiği her yerde (hangi kitlenin bütçe alacağı, hangi potansiyel müşterinin önce aranacağı veya bir müşteriyi edinmenin ne kadar değerli olduğu gibi) geçerlidir.
Temel yöntemler arasında regresyon, karar ağaçları, gradyan artırma ve zaman serisi tahmini bulunur. Bunları bugün erişilebilir kılan şey, pazarlamacıların zaten kullandığı araçlara yerleşik olmalarıdır. GA4, satın alma olasılığı ve tahmin edilen gelir gibi tahminleyici metrikler sunar; Google Ads ve Meta, otomatik teklif vermede tahmin edilen dönüşüm değerini kullanır; HubSpot ve Salesforce, tahminleyici potansiyel müşteri puanlamasını içerir; veri ekipleri ise BigQuery ML veya Python’da özel modeller eğitebilir.
Tahminleyici analitik neyi tahmin edebilir?
- Satın alma eğilimi: bir kullanıcının belirli sayıda gün içinde satın alma yapma olasılığı.
- Abonelikten çıkma riski: bir abonenin veya tekrar eden müşterinin satın almayı bırakma şansı.
- Müşteri yaşam boyu değeri: bir müşteriden belirli bir süre boyunca (genellikle 12 ay) beklenen gelir.
- Potansiyel müşteri dönüşümü: bir potansiyel müşterinin bir fırsata veya satışa dönüşme olasılığı.
- Ürün, bölge veya haftaya göre talep ve satış tahminleri.
- Bir sonraki en iyi teklif: bir müşterinin hangi ürüne veya mesaja yanıt verme olasılığının en yüksek olduğu.
Normal raporlamadan farkı nedir?
Raporlama, ne olduğunu tanımlar: geçen ayın kanala göre dönüşümleri. Tanısal analiz ise nedenini açıklar. Tahminleyici analitik, her müşteri veya segment için ne olacağını tahmin eder, böylece olay gerçekleşmeden önce harekete geçebilirsiniz.
Fark, zamanlama için önemlidir. Bir abonelikten çıkma raporu size kimin gittiğini söyler. Bir abonelikten çıkma modeli ise, teklif göndermek için hala zaman varken gelecek ay kimin gitme olasılığının olduğunu söyler.
Pazarlama planında nereye uyar?
Ücretli medya
Değer tabanlı teklif verme, yüksek değerli müşteriler için daha fazla teklif vermek amacıyla tahmin edilen değeri kullanır. Google Ads veya Meta’yı sadece sipariş değeri yerine kârı veya tahmin edilen yaşam boyu değerini yansıtan dönüşüm değerleriyle beslemek, harcamaları daha iyi müşterilere kaydırabilir. GA4’ten gelen tahminleyici kitleler (örneğin, 7 günlük olası alıcılar), yeniden pazarlama için Google Ads ile paylaşılabilir.
CRM ve e-posta
Abonelikten çıkma puanları, kimin geri kazanma dizisine gireceğine karar verir. Potansiyel müşteri puanları, satış takibinin sırasını belirler. Yaşam boyu değer tahminleri, hangi müşterilerin premium hizmet veya erken erişim alacağına karar verir.
Bütçe planlaması
Aylık ve kanala göre talep tahminleri, özellikle mevsimsel işletmeler için bütçeleri ve envanteri belirlemeye yardımcı olur. Örneğin, bahçe malzemeleri satan bir perakendeci, önceki yılların kalıplarını mevcut trendlere göre ayarlayarak bahar harcamalarını planlayabilir.
Hangi verilere ihtiyacınız var?
Çoğu model, bilinen sonuçlara sahip birkaç bin müşteriye veya olaya ve tutarlı bir geçmişe ihtiyaç duyar. GA4’ün tahminleyici metrikler için uygunluk gereksinimleri vardır: yakın bir dönemde minimum satın alan ve almayan kullanıcı sayısı ve istikrarlı bir model kalitesi. Mülkünüz uygun değilse, metrikler görünmeyecektir.
Faydalı girdiler arasında işlem geçmişi, web sitesi ve uygulama davranışı, e-posta etkileşimi, ürün kategorileri, edinme kaynağı ve müşteri hizmetleri temasları bulunur. Veri kalitesi miktardan daha önemlidir: tutarlı müşteri kimlikleri, doğru zaman damgaları ve sonuçların net tanımları.
Yaygın tuzaklar nelerdir?
- Hiçbir eyleme bağlı olmayan bir puan oluşturmak, böylece hiçbir şey değişmez.
- Tahmin anında mevcut olmayan bilgileri içeren veriler üzerinde eğitim yapmak.
- Modelin herkes için “hayır” tahmin ederek iyi görünebileceği nadir olaylarda doğruluğu ölçmek.
- Bir tutma testi olmadan, zaten satın alacak kişileri bulduğu için modeli ödüllendirmek.
- Asla yeniden eğitmemek, böylece ürünler, fiyatlar ve kanallar değiştikçe modelin sapması.
Veri bilimi ekibi olmadan nasıl başlanır?
Araçlarınızın zaten sağladığı şeylerle başlayın. GA4 tahminleyici metrikleri mevcutsa, olası alıcılardan oluşan bir kitle oluşturun ve bunu Google Ads’de standart yeniden pazarlama listenize karşı test edin. Tahminleyici puanlama ile HubSpot veya Salesforce kullanıyorsanız, yüksek puanlı potansiyel müşterilerin düşük puanlılara kıyasla bir çeyrek boyunca ne sıklıkla dönüştüğünü karşılaştırın.
Bir sonraki adım, kendi basit modelinizdir. Bir elektronik tabloda RFM segmentasyonu (yenilik, sıklık, parasal değer) makine öğrenimi değildir, ancak tahminleyici bir araçtır: yeni, sık ve yüksek değerli alıcıların tekrar satın alma olasılığı en yüksektir. Ayrıca, daha karmaşık bir modelin kendini kanıtlaması gereken bir kıyaslama sağlar.
Yerleşik ve özel modeller arasında nasıl seçim yapılır?
GA4 tahminleyici metrikleri veya CRM potansiyel müşteri puanlaması gibi yerleşik araçların başlatılması hızlıdır ve mühendislik gerektirmez. Sınırları şeffaflık ve kontroldür: özellikleri göremez veya hedefi değiştiremezsiniz.
Özel modeller, önemsediğiniz sonuç gelir yerine marj gibi spesifik olduğunda veya çevrimdışı satışlar veya iadeler gibi platformların göremediği verileri birleştirmeniz gerektiğinde mantıklıdır. Maliyeti sürekli iştir: veri hatları, yeniden eğitim ve izleme.
Mantıklı bir yol, önce yerleşik seçeneği kullanmak, onu bir tutma grubuna karşı ölçmek ve ancak iyileştireceği kararı adlandırabildiğinizde kendinizinkini oluşturmaktır.
Alien Road tahminleyici analitiği nasıl uygular
Tipik bir çalışmada verilerle değil, kararlarla başlarız. Müşterinin pazarlama lideriyle birlikte, teklif hedefleri, yeniden pazarlama kitleleri veya potansiyel müşteri yönlendirmesi gibi daha iyi bir tahminle hangi seçimlerin değişeceğini listeleriz. Ardından veri hazırlığını kontrol ederiz: GA4 uygunluğu, CRM kimlik tutarlılığı, dönüşüm değeri doğruluğu.
Uygulama, GA4 tahminleyici kitlelerini etkinleştirmekten, hacim izin verdiğinde BigQuery’de özel bir modele kadar uzanır. Her model bir tutma grubuyla canlıya alınır ve sonuçlar, tahmin edilen ile gerçekleşen sonuçları ve tutma grubu üzerindeki artışı gösteren bir panoda aylık olarak raporlanır.
Bu hafta nereden başlanır
GA4’ü açın, Yönetici’ye, ardından Kitleler’e gidin ve mülkünüz için tahminleyici kitle şablonlarının mevcut olup olmadığını kontrol edin. Varsa, “7 günlük olası alıcılar” kitlesi oluşturun ve bunu Google Ads ile bağlayın.
Yoksa, geçen yılın siparişlerini dışa aktarın ve bir elektronik tabloda RFM tablosu oluşturun. En üst segmentinizi bir kampanyayla hedefleyin ve bunun rastgele bir kısmını tutma grubu olarak saklayın. Bir ay içinde davranış tahmininin sonuçlarınızı iyileştirip iyileştirmediğini göreceksiniz.
Sonucu, hedeflenen grubun tutma grubuna kıyasla dönüşüm oranı gibi tek bir cümleyle yazın. Bu cümle, daha ileri gitmek için iş durumunuzun başlangıcıdır.
Okumaya devam edin: Yapay Zekâ Optimizasyonu · Yapay Zekâ Optimizasyonu