Pazarlamada tahminleyici analitik, tekrarlanabilir kısa bir neden listesi yüzünden başarısız olur: model cevabı sızdıran verilerle eğitilir, kimsenin harekete geçemeyeceği bir şeyi tahmin eder veya tahmin üzerine hareket etmenin bir şeyi değiştirip değiştirmediğini kimse ölçmez. Ajanslar bu hatalardan kaçınmak için önce kararı tanımlar, ayrılmış zaman dilimlerinde test eder ve ölçeklendirmeden önce kontrollü artış testleri yaparlar.
Tekniğin kendisi eskidir. Regresyon, gradyan destekli ağaçlar ve hayatta kalma modelleri on yıllardır müşteri kaybı ve ömür boyu değer için kullanılmıştır. Değişen şey erişimdir: GA4 satın alma ve kayıp olasılığı metrikleri sunar, Google Ads ve Meta teklif vermek için tahmin edilen dönüşüm değerini kullanır ve BigQuery ML gibi araçlar bir analistin SQL ile model eğitmesine olanak tanır. Daha kolay erişim, aynı hataların artık daha hızlı gerçekleştiği anlamına gelir.
Tahminleyici analitik pazarlamada aslında ne yapar?
Tahminleyici bir model, her müşteri, potansiyel müşteri veya oturum için gelecekteki bir sonucun olasılığını veya boyutunu tahmin eder. Tipik hedefler önümüzdeki yedi gün içinde satın alma, önümüzdeki 30 gün içinde kayıp, beklenen 12 aylık gelir veya bir potansiyel müşterinin fırsata dönüşme şansıdır.
Çıktı bir puandır. Kendi başına hiçbir şey yapmaz. Değer ancak puan bir kararı değiştirdiğinde ortaya çıkar: kim indirim alır, hangi kitle daha fazla bütçe alır, satış temsilcisi hangi potansiyel müşteriyi ilk arar. Puan ile karar arasındaki bu boşluk, çoğu projenin sessizce öldüğü yerdir.
Hata 1: Kimsenin harekete geçmeyeceği bir şeyi tahmin etmek
Bir ekip iyi bir doğrulukla bir kayıp modeli oluşturur, bir grafik sunar ve hiçbir şey olmaz çünkü elde tutma teklifi, bütçe veya sahip yoktur. Model bir pazarlama aracı değil, bir araştırma projesiydi.
Çözüm, herhangi bir veri çalışması başlamadan önce eylemi yazmaktır. Örneğin: kayıp puanı bir eşiğin üzerinde olan müşteriler, CRM yöneticisinin sahip olduğu, aylık olarak gözden geçirilen bir geri kazanma e-posta dizisi ve yüzde 10’luk bir kupon alırlar. Eğer bu cümleyi yazamıyorsanız, model oluşturulmaya hazır değildir.
Hata 2: Cevabı sızdıran eğitim verileri
Sızıntı en pahalı teknik hatadır çünkü test sırasında mükemmel görünen ancak üretimde başarısız olan modeller üretir. Bu, bir özellik tahmin anında var olmayacak bilgiler içerdiğinde gerçekleşir.
Klasik bir vaka: “satış aramalarının sayısı” gibi bir alan kullanarak bir potansiyel müşterinin dönüşüp dönüşmeyeceğini tahmin etmek. Dönüşen potansiyel müşteriler daha fazla arama alırlar çünkü dönüşüyorlardır. Model nedeni değil, sonucu öğrenir.
Sızıntı nasıl kontrol edilir
- Her özellik için sorun: bu değer tahminin yapıldığı anda bilinir miydi?
- Eğitim ve test verilerini rastgele değil, zamana göre bölün. Ocak’tan Haziran’a kadar eğitin, Temmuz’dan Eylül’e kadar test edin.
- Karmaşık bir iş probleminde neredeyse mükemmel doğruluğa sahip herhangi bir modelden şüphelenin.
- Özellik tablosunu mevcut CRM değerlerini okumak yerine, belirli bir andaki anlık görüntü olarak yeniden oluşturun.
Hata 3: İş değeri yerine doğruluğu optimize etmek
Sonuçlar nadir olduğunda doğruluk zayıf bir metriktir. Kullanıcıların yüzde 3’ü satın alıyorsa, herkes için “satın alma yok” tahmini yapan bir model yüzde 97 doğrudur ve işe yaramazdır.
Daha iyi metrikler karara bağlıdır. Potansiyel müşterileri sıralamak için en üst desildeki kesinliğe bakın: en yüksek puan alan yüzde 10’luk potansiyel müşterinin kaçı dönüştü? Bütçe tahsisi için kalibrasyona bakın: model yüzde 20 dediğinde, bu grubun yaklaşık yüzde 20’si dönüşüyor mu? Kalibrasyon önemlidir çünkü değere dayalı teklifler ve LTV tahminleri olasılıkları parayla çarpar.
Tahminleyici modeller neden lansmandan sonra çalışmayı durdurur?
Modeller geçmişi tanımlar. Fiyatlandırma, ürün karması, trafik kaynakları veya ekonomi değiştiğinde, modelin öğrendiği ilişki kayar. Büyük bir promosyon takviminden veya yeni bir edinme kanalından önce eğitilmiş bir model haftalar içinde bozulabilir.
Kayma normaldir ve planlanmalıdır. Basit bir izleme rutini çoğu sorunu yakalar:
- Haftalık ortalama tahmin edilen puanı gerçek sonuç oranıyla birlikte takip edin.
- Bu ayın özellik dağılımlarını eğitim dönemiyle, özellikle trafik kaynağı ve cihazla karşılaştırın.
- Sadece birisi şikayet ettiğinde değil, hacme göre aylık veya üç aylık bir yeniden eğitim programı oluşturun.
- Geri dönebilmek için önceki model sürümünü saklayın.
Hata 4: Artımlı artışı asla ölçmemek
Yüksek eğilimli bir kitle daha sık dönüşür. Puanın amacı budur ve aynı zamanda tuzaktır. Zaten satın alacak olan insanlara indirim gönderirseniz, dönüşümler harika görünürken marj düşer.
Dürüst test bir kontrol grubudur. Yüksek puanlı grubu rastgele bölün, yarısına hareket edin ve yarısını yalnız bırakın. İki grup arasındaki fark, modelin ve eylemin birlikte yarattığı artıştır. Bazı ekipler, eylem nedeniyle davranış değiştirenleri tahmin eden artış modelleriyle daha da ileri gider, ancak temiz bir kontrol grubu başlangıç noktasıdır.
Hata 5: Satıcı puanını gerçek olarak kabul etmek
GA4 satın alma olasılığı veya reklam tekliflerinde kullanılan tahmin edilen değer gibi platform puanları yararlıdır, ancak bunlar tam olarak kontrol etmediğiniz hedefler üzerinde eğitilmiş kara kutulardır. GA4’ün ayrıca uygunluk eşikleri vardır: tahminleyici metrikler görünmeden önce mülkün yakın zamanda yeterli pozitif ve negatif örneğe ihtiyacı vardır.
Bu puanları son söz olarak değil, bir girdi olarak kullanın. Onları, satın alma yeniliği ve sıklığı gibi anladığınız basit bir kuralla karşılaştırın. Temel bir RFM segmenti bir kontrol testinde platform puanı kadar iyi performans gösteriyorsa, sinyalin aslında nereden geldiği hakkında değerli bir şey öğrenmişsinizdir.
Alien Road tahminleyici analitiği nasıl uygular
Tipik bir etkileşimde iş, veri kümesi yerine bir karar çalıştayı ile başlar. Müşterinin tekrar tekrar verdiği iki veya üç seçeneği, örneğin kitle bütçesi bölünmeleri veya potansiyel müşteri yönlendirmesi gibi listeleriz ve daha iyi bir tahminin harcamaları değiştireceği birini seçeriz.
Kurulum genellikle GA4 dışa aktarma ve CRM verilerinden oluşturulmuş BigQuery’de bir anlık özellik tablosu, bir temel model ve zamana dayalı bir test bölünmesi anlamına gelir. Her şey yayına girmeden önce kontrol grubu tasarımı ve metrik üzerinde anlaşırız, genellikle dönüşüm oranı yerine kullanıcı başına marj. Raporlama, tahmin edilen ve gerçek sonuçları ve kontrol grubu karşılaştırmasını gösteren bir Looker Studio panosuna gider, böylece müşteri modelin yerini hak edip etmediğini görür.
Bu hafta nereden başlamalı
Her hafta bir içgüdüyle verdiğiniz bir kararı seçin, örneğin hangi geçmiş müşterilerin yeniden pazarlama teklifi alacağı. Eylemi, sahibini ve işe yaradığını kanıtlayacak metriği yazın.
Ardından, bu karar verildiği anda hangi verilerin mevcut olduğunu kontrol edin. GA4 tahminleyici metrikleri mülkünüzde mevcutsa, “7 günlük olası alıcılar”-dan bir test kitlesi oluşturun ve bir ay boyunca rastgele bir kontrol grubuna karşı çalıştırın. Bu küçük, ölçülmüş test size verileriniz hakkında, onsuz oluşturulmuş büyük bir modelden daha fazlasını öğretecektir.
Okumaya devam edin: Yapay Zekâ Optimizasyonu · Yapay Zekâ Optimizasyonu