Sobre métricas preditivas
O Google Analytics complementa seus dados automaticamente, usando o aprendizado de máquina do Google para analisar o conjunto de dados e prever o comportamento futuro dos usuários. Com as métricas preditivas e a coleta de dados estruturados de eventos, você aprende mais sobre os clientes.
| Métrica | Definição |
|---|---|
| Probabilidade de compra |
A probabilidade de um usuário que esteve ativo nos últimos 28 dias registrar um evento de conversão específico nos próximos 7 dias. |
| Probabilidade de desistência do usuário |
A probabilidade de um usuário que esteve ativo no seu app ou site nos últimos sete dias não ficar ativo novamente nos próximos sete dias. |
| Receita estimada |
A receita esperada de todas as conversões de compra nos próximos 28 dias de um usuário que esteve ativo nos últimos 28 dias. |
Atualmente, apenas os eventos purchase/ecommerce_purchase e in_app_purchase são compatíveis com as métricas preditivas de probabilidade de compra e receita.
ecommerce_purchase, recomendamos que você passe a usar o purchase.Pré-requisitos
Para treinar modelos preditivos, o Google Analytics exige que os seguintes critérios sejam atendidos:
- Um número mínimo de exemplos positivos e negativos de compradores e usuários que se desligaram. Nos últimos 28 dias, em um período de 7 dias, é necessário que pelo menos 1.000 usuários retornantes tenham acionado a condição preditiva relevante (compra ou desistência de usuários) e mais 1.000 usuários retornantes não tenham acionado.
- A qualidade do modelo precisa ser mantida durante um período. Saiba mais sobre o que fazer para que sua propriedade tenha as melhores chances de usar métricas preditivas.
- Se quiser se qualificar para as métricas de probabilidade de compra e receita estimada, é necessário que uma propriedade envie o evento
purchase(recomendado para coleta) e/ouin_app_purchase(coletado automaticamente). Se coletar o eventopurchase, você vai precisar coletar também os parâmetrosvalueecurrencycorrespondentes. Saiba mais
As métricas preditivas de cada modelo qualificado serão geradas para os usuários ativos uma vez por dia. Se a qualidade do modelo da sua propriedade estiver abaixo do limite mínimo, o Google Analytics deixará de atualizar as previsões correspondentes e elas poderão ficar indisponíveis no Google Analytics.
Para verificar o status de cada previsão, acesse a seção Preditivo nos modelos de público-alvo sugeridos no criador de público-alvo.
Como usar métricas preditivas
As métricas preditivas estão disponíveis no criador de público-alvo e nas Análises detalhadas.
Criador de público-alvo
As métricas preditivas podem ser usadas para criar públicos-alvo preditivos nessa ferramenta.
Análises detalhadas
Você pode usar Probabilidade de compra e Probabilidade de desistência de usuários nas Análises detalhadas com a técnica de ciclo de vida do usuário.
Práticas recomendadas
Nas configurações de compartilhamento de dados, ative a opção "Contribuições de estimativas e insights de negócios". Quando essa configuração está ATIVADA, você se beneficia porque o Google Analytics usa dados agregados compartilhados para melhorar a qualidade do modelo e suas previsões.
Use o máximo de recomendações de eventos na sua propriedade.
É necessário coletar eventos purchase e/ou in_app_purchase. Os eventos in_app_purchase são coletados automaticamente. No entanto, será preciso vincular sua conta do Firebase para se vincular ao Google Play para verificar o evento in_app_purchase caso você tenha um app Android. Além disso, apesar de continuarmos processando o evento ecommerce_purchase, recomendamos que passe a usar o purchase.
Se você definir um público-alvo personalizado e adicionar condições de previsão para usar a probabilidade de compra no app e a probabilidade de compra, somente os usuários que concluíram um evento purchase e in_app_purchase vão ser incluídos no público-alvo.
Coletar uma variedade ou um volume maior de eventos recomendados correspondentes ao comportamento do usuário ajudará a melhorar nossos modelos e as previsões. Da mesma forma, diminuir o número de eventos ruidosos que não são significativos em termos de comportamento do usuário também ajudará a aprimorar as previsões.