[GA4] Metrik prediktif

Tentang metrik prediktif

Google Analytics secara otomatis memperkaya data Anda dengan menghadirkan keahlian machine learning Google untuk diterapkan pada set data Anda guna memprediksi perilaku pengguna di masa mendatang. Dengan metrik prediktif, Anda mempelajari pelanggan lebih lanjut hanya dengan mengumpulkan data peristiwa terstruktur.

Metrik	Definisi
Probabilitas pembelian	Probabilitas bahwa pengguna yang aktif dalam 28 hari terakhir akan menghasilkan peristiwa konversi tertentu dalam 7 hari ke depan.
Kemungkinan churn	Probabilitas bahwa pengguna yang aktif di aplikasi atau situs Anda dalam 7 hari terakhir tidak akan aktif dalam 7 hari ke depan.
Prediksi pendapatan	Pendapatan yang diperkirakan dari semua konversi pembelian dalam 28 hari berikutnya dari pengguna yang aktif dalam 28 hari terakhir.

 

Saat ini, hanya peristiwa purchase/ecommerce_purchase dan in_app_purchase yang didukung untuk metrik Probabilitas pembelian dan Prediksi pendapatan.

Meskipun kami akan terus memproses peristiwa ecommerce_purchase, sekarang kami merekomendasikan peristiwa purchase sebagai gantinya.

Prasyarat

Agar berhasil melatih model prediktif, Analytics mengharuskan kriteria berikut terpenuhi:

1. Jumlah minimum contoh positif dan negatif dari pembeli dan pengguna yang melakukan churn. Dalam 28 hari terakhir, selama jangka waktu tujuh hari, harus ada setidaknya 1.000 pengguna yang kembali yang memicu kondisi prediktif yang relevan (pembelian atau churn) dan setidaknya 1.000 pengguna yang kembali yang tidak memicu kondisi tersebut.
2. Kualitas model harus dipertahankan selama jangka waktu tertentu agar memenuhi syarat. (Pelajari lebih lanjut tindakan yang dapat Anda lakukan untuk memastikan properti Anda berpeluang besar memenuhi syarat untuk metrik prediktif.)
3. Agar memenuhi syarat untuk metrik probabilitas pembelian dan prediksi pendapatan, properti harus mengirimkan peristiwa purchase (direkomendasikan untuk pengumpulan) dan/atau in_app_purchase (dikumpulkan secara otomatis). Saat mengumpulkan peristiwa purchase, Anda juga perlu mengumpulkan parameter value dan currency untuk peristiwa tersebut. Pelajari lebih lanjut

Metrik prediktif untuk setiap model yang memenuhi syarat akan dibuat untuk setiap pengguna aktif satu kali per hari. Jika kualitas model untuk properti Anda berada di bawah batas minimum, Analytics akan berhenti memperbarui prediksi yang sesuai dan prediksi ini mungkin menjadi tidak tersedia di Analytics.

Anda dapat memeriksa status kelayakan setiap prediksi dengan membuka bagian prediktif dalam template audiens yang direkomendasikan di pembuat audiens.

Menggunakan metrik prediktif

Metrik prediktif tersedia di pembuat audiens dan Eksplorasi.

Pembuat audiens

Metrik prediktif dapat digunakan untuk membuat audiens prediktif di pembuat audiens.

Eksplorasi

Anda dapat menggunakan Probabilitas pembelian dan Probabilitas churn di Eksplorasi dalam Teknik masa aktif pengguna.

Praktik terbaik

Di setelan berbagi data, aktifkan setelan Pemodelan kontribusi & insight bisnis. Anda akan mendapatkan manfaat jika setelan ini AKTIF karena Analytics dapat menggunakan data gabungan yang dibagikan untuk meningkatkan kualitas model dan prediksi Anda.

Pastikan untuk memaksimalkan penggunaan rekomendasi peristiwa di properti Anda.

Pastikan Anda mengumpulkan peristiwa purchase dan/atau in_app_purchase. Peristiwa in_app_purchase dikumpulkan secara otomatis. Namun, Anda harus menautkan ke Google Play melalui akun Firebase untuk melihat peristiwa in_app_purchase jika Anda memiliki aplikasi Android. Perhatikan bahwa meskipun kami akan terus memproses peristiwa ecommerce_purchase, sekarang kami merekomendasikan peristiwa purchase sebagai gantinya.

Jika Anda menentukan audiens kustom dan menambahkan kondisi prediktif untuk menggunakan Probabilitas pembelian dalam aplikasi dan Probabilitas pembelian, hanya pengguna yang menyelesaikan peristiwa purchase dan in_app_purchase yang akan disertakan dalam audiens.

Mengumpulkan peristiwa yang relevan dengan variasi atau volume peristiwa yang direkomendasikan sesuai dengan perilaku pengguna akan membantu meningkatkan kualitas model dan prediksi. Demikian juga, meminimalkan peristiwa yang tidak relevan dalam hal perilaku pengguna juga akan membantu meningkatkan prediksi.