[GA4] Ennustemittarit

Tietoja ennustemittareista

Google Analytics parantaa dataasi automaattisesti soveltamalla datajoukkoosi Googlen koneoppimismalleja, minkä tarkoituksena on ennustaa käyttäjien tulevaa käyttäytymistä. Ennustemittareiden avulla saat enemmän tietoa asiakkaistasi pelkästään keräämällä strukturoitua tapahtumadataa.

Mittari	Määritelmä
Oston todennäköisyys	Tämä on todennäköisyys sille, että 28 viime päivän aikana aktiivisena olleesta käyttäjästä kirjataan tietty konversiotapahtuma seuraavien 7 päivän aikana.
Käytön lopettamisen todennäköisyys	Todennäköisyys sille, että 7 viime päivän aikana sovelluksessa tai sivustolla aktiivisena ollut käyttäjä ei ole aktiivinen 7 seuraavan päivän aikana.
Ennustetut tulot	Tuloennuste on arvio siitä, miten paljon tuloja odotettavasti saadaan seuraavien 28 päivän kaikista ostoskonversioista käyttäjältä, joka on ollut aktiivinen 28 edeltävän päivän aikana.

 

Oston todennäköisyys- ja Tulot-ennustemittarit tukevat tällä hetkellä vain purchase-/ecommerce_purchase‑ ja in_app_purchase-tapahtumia.

Vaikka ecommerce_purchase-tapahtuman käsittelyä jatketaan, suosittelemme sen sijaan purchase-tapahtuman käyttöä.

Vaatimukset

Ennustemallien kehittyminen edellyttää seuraavia asioita:

1. Vähimmäismäärä positiivisia ja negatiivisia esimerkkejä ostoksen tehneistä ja käytön lopettaneista käyttäjistä. Vaatimuksena on, että 28 viime päivän ajalle sijoittuvalla seitsemän päivän aikavälillä vähintään 1 000 palaavaa käyttäjää on toteuttanut ennuste-ehdon (ostos tai käytön lopettaminen) ja vähintään 1 000 palaavaa käyttäjää ei.
2. Mallin laadun on säilyttävä samana jonkin aikaa, jotta malli täyttää ehdot. (Lue, miten voit varmistaa, että mittauskokonaisuudellasi on parhaat mahdollisuudet täyttää ennustemittareiden ehdot.)
3. Jotta sekä oston todennäköisyyttä että ennustettuja tuloja koskevat mittarit ovat käytettävissä, mittauskokonaisuuden täytyy lähettää purchase- (keruuta suositellaan) ja/tai in_app_purchase-tapahtumia (kerätään automaattisesti). Kun keräät purchase-tapahtuman, sinun on kerättävä myös kyseiseen tapahtumaan liittyvät value- ja currency-parametrit. Lue lisää

Kunkin hyväksyttävän mallin ennustemittarit luodaan jokaiselle aktiiviselle käyttäjälle kerran päivässä. Jos mittauskokonaisuutesi mallin laatu laskee minimirajan alle, Analytics lopettaa vastaavien ennusteiden päivittämisen, jolloin ne eivät mahdollisesti enää ole käytettävissä Analyticsissa.

Voit tarkistaa, täyttääkö kukin ennuste yllä mainitut ehdot, siirtymällä yleisötyökalussa ehdotettujen yleisöjen mallin ennusteita koskevaan osioon.

Ennustemittareiden käyttö

Ennustemittarit ovat käytettävissä yleisötyökalussa ja Kartoituksissa.

Yleisötyökalu

Ennustemittareiden avulla voi luoda ennustettuja yleisöjä yleisötyökalussa.

Kartoitus

Voit käyttää Oston todennäköisyys‑ ja Käytön lopettamisen todennäköisyys ‑mittareita Kartoitusten Käyttäjän elinkaaritekniikka ‑osiossa.

Parhaat käytännöt

Ota datan jakamisasetuksissa käyttöön asetus "Mallinnukseen liittyvät valinnat ja liiketoimintatilastot". Hyödyt asetuksen käytöstä, sillä sen avulla Analytics voi käyttää jaettua koontidataa mallien laadun ja ennusteiden parantamiseen.

Varmista, että käytät mittauskokonaisuudessasi mahdollisimman paljon tapahtumasuosituksia.

Varmista, että keräät purchase- ja/tai in_app_purchase-tapahtumat. in_app_purchase-tapahtumat kerätään automaattisesti. Sinun on kuitenkin lisättävä linkki Google Playhin Firebase-tililtäsi nähdäksesi in_app_purchase-tapahtuman, jos sinulla on Android-sovellus. Huomaa myös, että vaikka ecommerce_purchase-tapahtuman käsittelyä jatketaan, suosittelemme sen sijaan purchase-tapahtuman käyttöä.

Jos määrität oman yleisön ja lisäät ennuste-ehtoja, jotta voit käyttää Sovelluksen sisäisen ostoksen todennäköisyys- ja Oston todennäköisyys ‑mittareita, yleisöön sisällytetään vain käyttäjät, jotka suorittavat sekä purchase- että in_app_purchase-tapahtuman.

Mitä enemmän keräät suositeltuja tapahtumia, jotka kuvastavat käyttäjien käyttäytymistä, sitä paremmin mallimme toimivat ja sitä tarkempia ennusteet ovat. Lisäksi merkityksettömien, käyttäjien käyttäytymisen kannalta epäolennaisten tapahtumien vähentäminen auttaa parantamaan ennusteita.