Acerca das métricas preditivas
O Google Analytics enriquece automaticamente os dados ao aplicar os conhecimentos da aprendizagem automática da Google ao conjunto de dados, para prever o comportamento futuro dos utilizadores. Com as métricas preditivas, basta recolher dados de eventos estruturados para saber mais acerca dos seus clientes.
Métrica | Definição |
---|---|
Probabilidade de compra |
A probabilidade de um utilizador que estava ativo nos últimos 28 dias registar um evento de conversão específico nos próximos 7 dias. |
Probabilidade de abandono |
A probabilidade de um utilizador que estava ativo na app ou no site, nos últimos 7 dias, não estar ativo nos próximos 7 dias. |
Receita prevista |
A receita esperada de todas as conversões de compras nos próximos 28 dias da parte de um utilizador que esteve ativo nos últimos 28 dias. |
Atualmente, apenas são suportados os eventos purchase
/ecommerce_purchase
e in_app_purchase
para as métricas preditivas Probabilidade de compra e Receita.
ecommerce_purchase
, atualmente recomendamos que use o evento purchase
.Pré-requisitos
Para treinar modelos preditivos com êxito, o Analytics requer que os seguintes critérios sejam cumpridos:
- Um número mínimo de exemplos positivos e negativos de compradores e utilizadores que abandonaram. Nos últimos 28 dias, durante um período de sete dias, pelo menos 1000 utilizadores de retorno têm de ter acionado a condição preditiva relevante (compra ou abandono) e pelo menos 1000 utilizadores de retorno não o podem ter feito.
- A qualidade dos modelos tem de ser mantida ao longo de algum tempo para ser elegível. (Saiba mais acerca das ações que pode realizar para confirmar que a sua propriedade tem a melhor probabilidade de ser elegível para métricas preditivas.)
- Para ser elegível para a métrica de probabilidade de compra e para a receita prevista, uma propriedade tem de enviar os eventos
purchase
(recomendado para recolha) e/ouin_app_purchase
(recolhido automaticamente). Quando recolhe o eventopurchase
, também tem de recolher os parâmetrosvalue
ecurrency
para esse evento. Saiba mais
As métricas preditivas para cada modelo elegível são geradas para cada utilizador ativo uma vez por dia. Se a qualidade dos modelos da sua propriedade estiver abaixo do limite mínimo, o Analytics deixa de atualizar as previsões correspondentes e as métricas podem ficar indisponíveis no Analytics.
Pode verificar o estado de elegibilidade de cada previsão ao aceder à secção Preditivo nos modelos de públicos-alvo sugeridos no construtor de públicos-alvo.
Usar métricas preditivas
As métricas preditivas estão disponíveis no construtor de públicos-alvo e no Explorações.
Construtor de públicos-alvo
As métricas preditivas podem ser utilizadas para criar públicos-alvo preditivos no construtor de públicos-alvo.
Exploração
Pode utilizar a Probabilidade de compra e a Probabilidade de abandono do Explorações na técnica Duração do utilizador.
Práticas recomendadas
Nas definições de partilha de dados, ative a definição Contribuições de modelagem e estatísticas empresariais. Beneficia quando esta definição está ATIVADA, porque o Analytics pode usar dados agregados partilhados para melhorar a qualidade dos modelos e as previsões.
Certifique-se de que utiliza o maior número possível de recomendações de eventos na sua propriedade.
Certifique-se de que está a recolher os eventos purchase
e/ou in_app_purchase
. Os eventos in_app_purchase
são recolhidos automaticamente. No entanto, se tiver uma app Android, tem de estabelecer uma associação ao Google Play através da sua conta do Firebase para ver o evento in_app_purchase
. Tenha em atenção que, apesar de continuarmos a processar o evento ecommerce_purchase
, atualmente recomendamos que utilize o evento purchase
.
Se definir um público-alvo personalizado e adicionar condições baseadas em métricas preditivas para utilizar a Probabilidade de compra na app e a Probabilidade de compra, apenas os utilizadores que concluírem uma purchase
e um uma in_app_purchase
serão incluídos no público-alvo.
A recolha de uma maior variedade ou volume de eventos recomendados correspondentes ao comportamento dos utilizadores ajuda a melhorar os nossos modelos e as previsões. Da mesma forma, minimizar os eventos intermitentes que não são importantes em termos do comportamento dos utilizadores também ajuda a melhorar as previsões.