Tahminleyici analitik, geçmiş verileri ve istatistiksel veya makine öğrenimi modellerini kullanarak, hangi müşterilerin tekrar satın alacağı, ayrılacağı veya bir teklife yanıt vereceği gibi gelecekte ne olacağını tahmin eder. Pilottan üretime geçiş, tanımlanmış bir iş kararı, temiz veriler, doğrulanmış bir model, skorlara göre hareket etme yolu ve sürekli izleme gerektirir. Bu kontrol listesi her aşamayı ele alır.
Tahminleyici analitik pazarlama için ne yapabilir?
En yaygın pazarlama kullanımları iyi bir şekilde yerleşmiştir.
- Satın alma eğilimi: önümüzdeki 30 gün içinde kimin satın alma olasılığı var.
- Ayrılma tahmini: hangi abonelerin veya müşterilerin ayrılma olasılığı var.
- Müşteri yaşam boyu değeri: müşteri başına beklenen gelecekteki gelir.
- Potansiyel müşteri puanlama: hangi potansiyel müşterilerin müşteri olma olasılığı var.
- Talep tahmini: ürün veya bölge bazında beklenen satışlar.
Birkaç araç yerleşik tahminler sunar. GA4, bir mülk veri eşiklerine ulaştığında satın alma olasılığı ve ayrılma olasılığı gibi tahminleyici metrikler sağlar. Klaviyo, müşteri yaşam boyu değerini ve bir sonraki sipariş tarihini tahmin eder. HubSpot ve Salesforce tahminleyici potansiyel müşteri puanlama sunar. Özel modeller Python’da scikit-learn ile veya BigQuery ML’de oluşturulabilir.
Pilottan üretime geçiş aşamaları nelerdir?
Altı aşama, bir tahmini fikirden günlük kararları değiştiren bir skora dönüştürür. Her birinin net bir çıkış testi vardır.
1. Aşama: kararı tanımlayın
Bir tahmin ancak bir eylemi değiştirirse yararlıdır. Verilere dokunmadan önce, skorun yönlendireceği kararı yazın.
- Yüksek puanlı ve düşük puanlı müşteriler için neyi farklı yapacağız?
- Bu eylemin sahibi kim, örneğin CRM veya ücretli medya ekibi?
- Hangi metrik eylemin işe yaradığını ve hangi süre zarfında gösteriyor?
- Her iki yönde yanlış bir tahminin maliyeti nedir?
Örneğin: “Yüksek ayrılma olasılığı olan müşteriler e-posta yoluyla bir tutma teklifi alır; başarı, 60 gün boyunca kontrol grubundan daha düşük bir ayrılma oranıdır.”
2. Aşama: verileri kontrol edin
Çoğu proje burada durur. Tahminleyici modeller yeterli geçmişe ve tutarlı tanımlara ihtiyaç duyar.
Hacim ve geçmiş
Sonucun yeterli örneğine ihtiyacınız var. Sadece bir avuç ayrılmış müşterisi olan bir ayrılma modeli çok şey öğrenmeyecektir. GA4’ün tahminleyici metrikleri, yakın bir dönemde minimum sayıda pozitif ve negatif örnek gerektirir; Google eşikleri belgeler.
Tutarlılık
Müşteri kimliklerinin sistemler arasında eşleştiğini, sipariş verilerinin iadeleri içerdiğini ve olayların dönem boyunca aynı şekilde izlendiğini kontrol edin. Geçmişin ortasında bir izleme değişikliği modeli karıştırabilir.
Gizlilik
GDPR veya KVKK kapsamında profil oluşturmada müşteri verilerini kullanmak için yasal dayanağı doğrulayın ve gerekirse gizlilik bildirimlerini güncelleyin.
3. Aşama: çalışan en basit modeli seçin
Platformunuz sunuyorsa yerleşik tahminlerle başlayın. Dağıtımları daha hızlıdır ve satıcı tarafından bakımı yapılır. Özel modelleri yalnızca yerleşik seçenekler sonucu kapsamadığında veya özellikler üzerinde kontrole ihtiyaç duyduğunuzda oluşturun.
Özel çalışma için, lojistik regresyon veya gradyan artırılmış ağaçlar gibi basit modeller genellikle pazarlama skorları için yeterlidir ve paydaşlara açıklanması daha kolaydır.
4. Aşama: güvenmeden önce doğrulayın
Modeli görmediği veriler üzerinde, ideal olarak daha sonraki bir dönemde test edin. Müşterileri ne kadar iyi sıraladığını kontrol edin: en yüksek puanlı gruplar gerçekten daha yüksek sonuç oranları gösteriyor mu? Skor desiline göre bir lift grafiğini teknik olmayan ekipler için okumak kolaydır.
Ayrıca adillik ve mantıklılık açısından kontrol edin. Model, kayıt günü gibi garip bir değişkene büyük ölçüde güveniyorsa, kullanmadan önce araştırın.
5. Aşama: skorları etkinleştirin
Skorlar, eylemlerin gerçekleştiği araçlara ulaşmalıdır. GA4 tahminleyici kitleleri Google Ads ile paylaşılabilir. Klaviyo ve HubSpot skorları doğrudan segmentlerde kullanır. Özel skorlar, zamanlanmış bir iş aracılığıyla bir CRM veya CDP’ye geri yazılabilir.
6. Aşama: izleyin ve yeniden eğitin
Müşteri davranışı mevsimler, fiyatlar ve ürünlerle değişir. Model performansını aylık olarak takip edin, tahmin edilen ile gerçekleşen sonuçları karşılaştırın ve bir takvime göre veya doğruluk düştüğünde yeniden eğitin.
Alien Road tahminleyici analitiği nasıl uygular
Tipik bir çalışmada, keşif modelle değil, kararla başlar. Hangi verilerin mevcut olduğunu, GA4, Klaviyo veya müşterinin CRM’inde yerleşik tahminlerin olup olmadığını ve hangi ekibin skorlara göre hareket edeceğini gözden geçiririz.
Kurulum genellikle yerleşik özellikler, yapılandırılmış kitleler ve bir kontrol grubu ile başlar. Özel bir model gerektiğinde, onu BigQuery ML veya Python’da oluşturur ve skorları bir takvime göre müşterinin CRM’ine göndeririz.
Ölçüm, tedavi edilen ve kontrol grupları için sonuçları karşılaştırır. Her ay hazırlanan rapor, model doğruluğunu, alınan eylemi, kontrol grubuna karşı iş sonucunu ve bulunan veri sorunlarını kapsar.
Kimler dahil olmalı?
Tahminleyici projeler sadece analistler dahil olduğunda başarısız olur. CRM yöneticileri veya medya alıcıları gibi skorlara göre hareket edecek ekip, karar ve zamanlama konusunda hemfikir olmalıdır. Hukuk veya gizlilik personeli veri kullanımını gözden geçirmelidir. Skorların taze kalması için birinin veri hattına sahip olması gerekir.
Basit bir sorumluluk listesi boşlukları önler: bir kişi modelin, biri her araçtaki aktivasyonun, biri de sonuç raporunun sahibidir. İlk çeyrek için aylık, süreç istikrarlı hale geldikten sonra üç aylık toplantılar yapın. Projeyi durdurmanıza neden olacak şeyleri, örneğin kararlaştırılan seviyenin altındaki doğruluğu yazın, böylece karar alışkanlığa bırakılmaz.
Belgeleri kısa ve sade tutun: skorun neyi tahmin ettiğini, hangi verileri kullandığını, ne sıklıkla yenilendiğini ve bir şeyler yanlış göründüğünde kiminle iletişime geçileceğini yazın. İnsanlar anladıkları bir skora güvenirler ve anlamadıklarını görmezden gelirler.
Bütçeyi sadece pilot için değil, ikinci yıl için de planlayın. Veri hatları, yeniden eğitim ve izleme tekrarlayan maliyetlerdir ve kimse bakımı finanse etmediğinde projeler sonuç vermeyi bırakır.
Bu hafta nereden başlamalı
Hangi müşterilerin satın alma veya ayrılma olasılığı olduğunu bilseydiniz farklı bir karar vereceğinizi açıklayan bir cümle yazın. Ardından GA4 Yönetici’yi açın, mülkünüzün tahminleyici metrikler için uygun olup olmadığını kontrol edin ve ayda kaç satın alma ve geri dönen kullanıcı kaydettiğinize bakın. Bu size yerleşik bir tahminin şimdi başlayıp başlayamayacağını veya veri çalışmasının önce gelip gelmediğini söyler.
Okumaya devam edin: Yapay Zekâ Optimizasyonu · Yapay Zekâ Optimizasyonu