Tahminleyici analitik, geçmiş verileri ve istatistiksel veya makine öğrenimi modellerini kullanarak, hangi müşterilerin satın alma yapacağı, hizmetten ayrılacağı veya bir kampanyaya yanıt vereceği gibi bir sonraki adımda ne olacağını tahmin eder. Pazarlamacılar için bu, tekrarlanabilir bir iş akışı olarak çalıştığında zaman kazandırır: soruyu tanımlayın, verileri hazırlayın, bir model oluşturun veya etkinleştirin, puanları insanların zaten kullandığı araçlara aktarın, bunlara göre hareket edin ve sonuçları gerçeklikle karşılaştırın.
Tahminleyici analitik pazarlama için ne yapabilir?
Çoğu pazarlama kullanımı birkaç gruba ayrılır.
- Satın alma eğilimi: bir kullanıcının belirli bir süre içinde satın alma yapma olasılığı.
- Müşteri kaybı tahmini: bir müşterinin veya abonenin gitme riski.
- Potansiyel müşteri puanlama: bir adayın fırsata veya satışa dönüşme şansı.
- Müşteri yaşam boyu değeri: bir müşteriden zaman içinde beklenen gelir.
- Talep tahmini: haftalık veya ürün bazında beklenen satış veya trafik.
Birçok araç artık bunları veri bilimi çalışması olmadan sunuyor. GA4, uygunluk eşikleri karşılandığında satın alma olasılığı, müşteri kaybı olasılığı ve tahmin edilen gelir gibi tahminleyici metrikler sağlar. HubSpot, Salesforce Einstein, Klaviyo ve Shopify bağlantılı uygulamalar tahminleyici puanlar sunar. BigQuery ML ve Vertex AI, SQL becerilerine sahip ekiplerin kendi modellerini oluşturmalarına olanak tanır.
İş akışı 1: GA4’te tahminleyici kitleler
Bu iş akışı, halihazırda GA4 kullanan e-ticaret ve uygulama işletmeleri için uygundur.
- Uygunluğu kontrol edin: GA4, tahminleyici metrikler görünmeden önce yakın bir dönemde yeterli sayıda satın alma yapan ve hizmetten ayrılan kullanıcıya ihtiyaç duyar.
- Satın alma etkinliklerinin ve değerlerinin, para birimi dahil olmak üzere doğru şekilde izlendiğini onaylayın.
- Yönetici panelinde Kitleler’i açın ve önerilen tahminleyici şablonlardan, örneğin “7 günlük satın alma olasılığı olanlar” gibi bir tane oluşturun.
- Kitlenin kampanyalarda kullanılabilmesi için GA4’ü Google Ads ile bağlayın.
- Kitleyi yeniden pazarlama teklifleri veya hariç tutmalar için kullanın, örneğin “7 günlük müşteri kaybı olasılığı olanları” pahalı arama kampanyalarından hariç tutun.
Kitle boyutunu başlangıçta haftalık olarak gözden geçirin. Küçük bir kitle reklamları verimli bir şekilde sunmayabilir ve tahminleyici metriklerin arkasındaki eşikler sizin tarafınızdan değil, Google tarafından belirlenir.
İş akışı 2: CRM’de potansiyel müşteri puanlama
B2B ekipleri genellikle buradan başlar, çünkü satış süresi pahalıdır.
Adımlar
- Son 12 ila 24 ay içindeki kapatılmış anlaşmaları ve kaybedilmiş potansiyel müşterileri dışa aktarın.
- Potansiyel müşteri geldiğinde bilinen alanları listeleyin: şirket büyüklüğü, sektör, kaynak, ziyaret edilen sayfalar, form yanıtları.
- CRM’in tahminleyici puanlamasını, örneğin HubSpot’un kapanma olasılığı veya Einstein Lead Scoring’i etkinleştirin veya BigQuery ML’de basit bir model eğitin.
- Modelin kullandığı en önemli faktörleri kontrol edin ve sonucu sızdıran herhangi bir faktörü, örneğin yalnızca satıştan sonra doldurulan bir alanı kaldırın.
- Puan bantlarını ve yönlendirmeyi ayarlayın: yüksek puanlar aynı gün satışa, orta puanlar beslemeye, düşük puanlar otomatik içeriğe gider.
Satış ekibini sürece dahil etmek
Lansmandan önce satış ekibiyle yüksek ve düşük puanlı potansiyel müşteri örneklerini paylaşın. Temsilciler puana güvenmezlerse, onu görmezden gelirler. Bir çeyrek sonra bant bazında gerçek dönüşüm oranlarını kullanarak bir inceleme yapmayı kabul edin.
İş akışı 3: abonelikler için müşteri kaybını önleme
- Müşteri kaybını net bir şekilde tanımlayın, örneğin “90 gün içinde sipariş yok” veya “abonelik iptal edildi”.
- E-posta veya CRM platformunuzda bir müşteri kaybı puanı oluşturun veya etkinleştirin.
- Üç segment oluşturun: yüksek, orta ve düşük risk.
- Her segment için farklı bir eylem planlayın: yüksek değerli ve yüksek riskli hesaplar için kişisel bir aramadan, düşük riskli olanlar için hafif bir hatırlatma e-postasına kadar.
- Eylemlerin müşteri kaybını azaltıp azaltmadığını ölçebilmeniz için özel bir işlem almayan rastgele bir kontrol grubu tutun.
Kontrol grubu, çoğu ekibin atladığı adımdır ve o olmadan iş akışının çalıştığına dair hiçbir kanıt yoktur.
İş akışı 4: medya bütçeleri için talep tahmini
Tahminler, Ramazan, Black Friday veya yaz tatili sezonu gibi zirveler için bütçeleri planlamaya yardımcı olur.
- En az iki yıllık haftalık satış, trafik ve harcama verilerini toplayın.
- İlk bakış için BigQuery ML’in ARIMA_PLUS, Prophet veya bir elektronik tablo tahmin fonksiyonu gibi bir tahmin yöntemi kullanın.
- Bilinen etkinlikleri ekleyin: tatiller, lansmanlar, fiyat değişiklikleri.
- Tahmini her hafta gerçek verilerle karşılaştırın ve büyük sapmaları not edin.
- Medya bütçelerini tahmin edilen zirvelerden sonra tepki vermek yerine, onlardan önce ayarlayın.
Tahminlerin doğru olduğunu nasıl kontrol edersiniz?
Piyasalar ve davranış değiştikçe modeller kayar. Basit bir kontrol listesi onları dürüst tutar.
- Tahmin edilen ve gerçekleşen sonuçları her ay puan bandına göre karşılaştırın.
- Bir artış metriğini takip edin: en üst bandın ortalamadan ne kadar daha iyi dönüştüğünü kontrol edin.
- Yeni bir fiyatlandırma planı gibi büyük değişikliklerden sonra modelleri yeniden eğitin veya kontrol edin.
- Herhangi bir otomatik eylem için bir kontrol grubu tutun.
- Veri kaynaklarını ve tanımları belgeleyin, böylece başkaları onları denetleyebilir.
Alien Road tahminleyici analitiği nasıl uygular
AI optimizasyon projelerinde Alien Road keşif ile başlar: müşteri hangi kararı iyileştirmek istiyor ve GA4, CRM, e-ticaret platformu veya reklam hesaplarında hangi veriler zaten mevcut? Soru her zaman modelden önce gelir.
Kurulum genellikle GA4 tahminleyici kitleleri veya CRM puanlaması gibi yerleşik özelliklerle başlar, çünkü bunları test etmek hızlıdır. Müşterinin yeterli verisi ve net bir ihtiyacı olduğunda, müşterinin analitik ekibiyle BigQuery’de özel modeller oluştururuz. Puanlar, insanların her gün kullandığı araçlara aktarılır: reklam platformları, e-posta araçları ve CRM.
Ölçüm, kontrol gruplarına ve puan bandına göre artışa dayanır. Aylık raporlar, tahminlerin gerçeklikle eşleşip eşleşmediğini, hangi eylemlerin alındığını ve ne getirdiğini gösterir. Bir model artış sağlamayı durdurursa, bunu söyleriz ve düzeltiriz veya emekli ederiz.
Hangi veri kalitesi sorunları tahminleri bozar?
Tahminler verideki her kusuru miras alır. Yinelenen müşteri kayıtları bir alıcıyı iki zayıf profile böler. Eksik satın alma değerleri, yüksek değerli müşterilerin ortalama görünmesine neden olur. Onay ayarları ve reklam engelleyiciler web verilerinin bir kısmını kaldırır, bu nedenle model çarpık bir örneklemden öğrenir. Herhangi bir puana güvenmeden önce, yinelenenleri, boş alanları ve kaynak tablolardaki izleme boşluklarını kontrol etmek için bir saat harcayın.
Bu hafta nereden başlamalı
Ekibinizin zamanını alan bir karar seçin, örneğin hangi potansiyel müşterileri önce arayacağınız veya hangi müşterileri bir elde tutma teklifiyle hedefleyeceğiniz. Mevcut araçlarınızın bunun için tahminleyici bir puan sunup sunmadığını kontrol edin; birçoğu sunar.
Bunu bir test segmenti için etkinleştirin, bir kontrol grubu tutun ve dört ila sekiz hafta sonra sonuçları karşılaştırın. Küçük, ölçülmüş bir iş akışı size kimsenin kullanmadığı büyük bir modelden daha fazlasını öğretecektir.
Okumaya devam edin: Yapay Zekâ Optimizasyonu · Yapay Zekâ Optimizasyonu