Tahminleyici analitik, hangi potansiyel müşterilerin dönüşüm sağlayacağını veya hangi müşterilerin hizmetten ayrılacağını tahmin etmek için geçmiş verilerin ve istatistiksel veya makine öğrenimi modellerinin kullanılmasıdır. Temel riskleri; yanlı eğitim verileri, sessiz model kayması ve kimsenin açıklayamadığı puanlara dayalı kararlardır. Yönetişim, lansman öncesinde modelin sahibinin kim olduğunu, nasıl kontrol edildiğini ve bir insanın ne zaman müdahale edeceğini kararlaştırmak anlamına gelir.
Çoğu pazarlama ekibi, tahminleyici analitik ile halihazırda ödeme yaptıkları bir aracın içindeki özellik sayesinde tanışır. Google Analytics 4, satın alma olasılığı ve ayrılma olasılığı kitleleri sunar. HubSpot ve Salesforce potansiyel müşterileri puanlar. Meta ve Google Ads, tahmin edilen dönüşüm değerini kullanarak teklif verir. Model önceden oluşturulmuş olarak geldiği için yönetişim konuşması genellikle hiç gerçekleşmez. Sorunlar da tam burada başlar.
Tahmin modellerinde aslında ne yanlış gidebilir?
Bir tahmin, gelecek hakkında bir ifade gibi sunulan geçmiş hakkında bir ifadedir. Eğer geçmiş sıra dışıysa, tahmin de bu garipliği miras alır. Eğitim yılı tedarik sıkıntısı içeren bir perakendeci, aslında sadece stokta olmayan ürünleri popüler olmayan ürünler olarak düşünen bir model elde edecektir.
Başarısızlık modları birkaç türe ayrılma eğilimindedir. İsimlerini bilmek, bir inceleme toplantısında onları tespit etmeyi kolaylaştırır.
- Yanlı veya eksik eğitim verileri: çevrimdışı alıcılar veya yeni pazarlar gibi tüm segmentler eksiktir, bu nedenle model onlara varsayılan olarak düşük puan verir.
- Hedef sızıntısı: fatura numarası gibi yalnızca dönüşümden sonra doldurulan bir alan, girdilere sızar ve test sırasında doğruluğu mükemmel, üretimde ise zayıf gösterir.
- Kayma: müşteri davranışı, fiyatlar veya izleme değişir ve model eski kalıplarla puanlamaya devam eder.
- Geri bildirim döngüleri: ekip yalnızca yüksek puanlı potansiyel müşterilerle iletişime geçer, bu nedenle düşük puanlı potansiyel müşteriler modelin yanlış olduğunu kanıtlama şansı bulamaz.
- Aşırı güven: 0,71’lik bir olasılık kesinlik olarak okunur ve bütçe gürültüye dayalı olarak hareket eder.
İzleme değişiklikleri özel dikkat gerektirir. Onay banner’ları, tarayıcıların üçüncü taraf çerezlerine yönelik kısıtlamaları ve uygulama izleme istemleri sinyali kaldırır. Onay modu değişikliğinden önce eğitilmiş bir model, modelin kendisinde hiçbir şey değişmese bile sonradan bozuk görünebilir.
Tahminlemenin sert sınırları nerededir?
Bazı sınırlar daha fazla veri veya daha iyi bir algoritma ile düzeltilemez. Tahminleyici analitik nedeni değil, korelasyonu bulur. Bir ayrılma modeli, e-postaları açmayı bırakan müşterilerin gitme eğiliminde olduğunu öğrenebilir, ancak daha fazla e-posta göndermek onları tutmayacaktır. Her puanı bir açıklama olarak değil, araştırma için bir uyarı olarak değerlendirin.
Hacim ikinci sınırdır. Örneğin GA4’ün tahminleyici metrikleri, yalnızca bir mülk yakın dönemde pozitif ve negatif örneklerin minimum eşiklerini karşıladığında kullanılabilir hale gelir ve Google bu eşikleri yardım belgelerinde belirtir. Ayda birkaç düzine anlaşması olan küçük B2B siteleri genellikle hiçbir zaman uygunluk sağlamaz ve bu kadar az veriyle eğitilmiş özel bir model çoğunlukla gürültüyü ezberleyecektir.
Üçüncü sınır zamandır. Modeller gördükleri koşullar dahilinde iyi tahmin yapar. Yeni bir rakip, fiyat değişikliği veya düzenleme değişikliği bu aralığın dışındadır. O haftalarda, muhakeme gösterge panelinden üstündür.
Lansman öncesinde hangi yönetişim kuralları kararlaştırılmalıdır?
Yönetişim ağır bir terim gibi duyulur, ancak bir pazarlama ekibi için genellikle bir sayfaya sığar. Mesele, kararların ilk şaşırtıcı sayı ortaya çıkmadan önce yazılı hale getirilmesi, sonradan tartışılmamasıdır.
Sahiplik ve amaç
Her model için bir sahip belirleyin ve desteklediği kararı tanımlayan tek bir cümle yazın. “Bu puan, satış ekibinin hangi potansiyel müşterileri 24 saat içinde arayacağına karar verir” ifadesi nettir. “Bu puan pazarlamaya yardımcı olur” ifadesi net değildir ve modelin hiç test edilmediği işler için kullanılmasına davetiye çıkarır.
Girdiler ve kişisel veriler
Modelin kullandığı alanları listeleyin ve müşterilerin nerede yaşadığına bağlı olarak her birinin GDPR veya Türkiye’nin KVKK’sı kapsamında yasal bir dayanağı olduğunu onaylayın. Sağlık veya din gibi hassas kategorileri tamamen hariç tutun. Eğer bir alan, etnik kökeni temsil eden posta kodu gibi bir vekil ise, bunu açıkça tartışın ve kararı kaydedin.
İnceleme sıklığı ve eşikler
Performansın ne sıklıkla kontrol edileceğini ve neyin sorun sayılacağını kararlaştırın. Basit bir kural işe yarar: her ay puan bandına göre tahmin edilen dönüşüm oranlarını gerçek oranlarla karşılaştırın ve en üst bant en alt banttan daha iyi performans göstermeyi bırakırsa otomatik eylemleri duraklatın.
- Sahip ve karar beyanı kaydedildi
- Yasal dayanağı ile listelenen giriş alanları
- Model güdümlü eylemlerin dışında tutulan holdout grubu
- Puan bandına göre aylık kalibrasyon kontrolü
- Duraklatma kuralı ve insan müdahalesi belgelendi
- Yeniden eğitim ve özellik değişiklikleri için değişiklik günlüğü
Bir modeli yayına aldıktan sonra nasıl dürüst tutarsınız?
En yararlı alışkanlık bir holdout grubudur. Potansiyel müşterilerin veya müşterilerin rastgele bir dilimini, tipik bir kurulumda genellikle yüzde beş ila onunu, model güdümlü herhangi bir işlemin dışında tutun. O olmadan, modelin değer katıp katmadığını veya zaten dönüşüm sağlayacak insanlar için kredi alıp almadığını bilmenin yolu yoktur.
İkincisi, sadece doğruluğa değil, kalibrasyona da bakın. Eğer 60 puan alan müşteriler yüzde 20 ile dönüşüm sağlıyorsa, sıralama hala yararlı olabilir, ancak ham olasılığa dayalı herhangi bir bütçe planı yanlış olacaktır. Her bant için tahmin edileni gerçeğe karşı çizin. Looker Studio veya bir elektronik tabloda on dakika sürer.
Üçüncüsü, her yeniden eğitimi günlüğe kaydedin. Birisi bir girdiyi değiştirdiğinde veya eğitim penceresini yenilediğinde, tarihi ve nedeni not edin. Aylar sonra, sonuçlar değiştiğinde, bu günlük hızlı bir cevap ile bir haftalık tahmin arasındaki farktır.
Alien Road tahminleyici analitiği nasıl uygular
Tipik bir çalışmada iş, modellemeden ziyade keşifle başlar. Müşterinin hangi kararları otomatikleştirmek istediğini, hangi verilerin aslında CRM ve analitik yığınına ulaştığını ve onay veya izleme boşluklarının resmi nerede bozduğunu haritalandırırız. Genellikle ilk teslim edilecek şey bir model değil, veri boşluğu listesidir.
Kurulum bir sonraki adımdır. GA4 veya reklam platformlarının zaten tahminler sağladığı yerlerde, platform tarafından bakımı yapıldığı için bunları tercih eder ve kitleleri bunların etrafında oluştururuz. Uzun satış döngüleri olan B2B potansiyel müşteri puanlaması gibi özel bir puanın haklı olduğu yerlerde, özellik setini küçük ve açıklanabilir tutarız ve tek sayfalık yönetişim sayfasını müşterinin pazarlama ve hukuk kontaklarıyla kararlaştırırız.
Ölçüm, holdout gruplarına ve aylık kalibrasyon grafiklerine dayanır. Raporlama; puan bantlarını, gerçek sonuçları ve herhangi bir duraklatma kararını, bir satış direktörünün odada veri ekibi olmadan okuyabileceği şekilde sade bir dille gösterir.
Bu hafta nereden başlamalı
Halihazırda kullandığınız bir tahminleyici özellik seçin, belki CRM’inizdeki potansiyel müşteri puanları veya bir GA4 satın alma olasılığı kitlesi. Kimin sahip olduğunu ve hangi kararı yönlendirdiğini yazın. Ardından son çeyreğin verilerini çekin ve en yüksek puanlı grubun gerçekten en düşük gruptan daha iyi dönüşüm sağlayıp sağlamadığını kontrol edin.
Cevap evet ise, küçük bir holdout grubu ve aylık bir kontrol kurun. Cevap belirsiz ise, nedenini anlayana kadar o puanla bağlantılı tüm otomasyonları duraklatın. Her iki durumda da, bir öğleden sonra birçok ekibin bir yılda yaptığından daha fazla yönetişim yapmış olacaksınız.
Okumaya devam edin: Yapay Zekâ Optimizasyonu · Yapay Zekâ Optimizasyonu