[GA4] Tahmini metrikler

Tahmini metrikler hakkında

Google Analytics, kullanıcılarınızın gelecekteki davranışlarını tahmin etmek için Google'ın makine öğrenimi konusundaki yetkinliğini veri kümenize uygulayarak verilerinizi otomatik olarak zenginleştirir. Tahmini metrikler, sadece yapılandırılmış veri toplayarak müşterileriniz hakkında daha fazla bilgi edinmenize olanak tanır.

Metrik	Tanım
Satın alma olasılığı	Son 28 gün içinde etkin olan bir kullanıcının sonraki 7 gün içinde belirli bir dönüşüm etkinliğini kaydetme olasılığıdır.
Uygulamayı kullanmayı bırakma olasılığı	Son 7 gün içinde uygulama veya sitenizde etkin olan bir kullanıcının sonraki 7 gün içinde etkin olmama olasılığıdır.
Tahmin edilen gelir	Son 28 gün içinde etkin olan bir kullanıcı tarafından sonraki 28 gün içinde gerçekleştirilecek tüm satın alma dönüşümlerinden beklenen gelir.

 

Satın alma olasılığı ve Gelir tahmini metrikleri için şu anda yalnızca purchase/ecommerce_purchase ile in_app_purchase desteklenmektedir.

ecommerce_purchase etkinliği işlenmeye devam edecek olsa da bu etkinlik yerine artık purchase etkinliğinin kullanılmasını öneririz.

Ön koşullar

Tahmin modellerinin başarılı şekilde eğitilebilmesi için Analytics'te aşağıdaki ölçütlerin karşılanması gerekir:

1. Satın alma işlemi gerçekleştiren kullanıcılar ile kaybedilen kullanıcıların minimum sayıda pozitif ve negatif örnekleri. Son 28 gün içindeki yedi günlük bir dönemde, geri gelen en az 1.000 kullanıcı alakalı tahmin koşulunu (satın alma veya kaybetme) tetiklemiş ve geri gelen en az 1.000 kullanıcı da tetiklememiş olmalıdır.
2. Model kalitesinin bir süre boyunca sürdürülmesi de uygun olmak için gereklidir. (Mülkünüzün tahmini metrikler için uygun olma ihtimalini artırmak üzere neler yapabileceğiniz hakkında daha fazla bilgi edinin.)
3. Bir mülkün, hem satın alma olasılığına hem de tahmini gelir metriklerine uygun olması için purchase (toplanması önerilir) ve/veya in_app_purchase (otomatik olarak toplanır) etkinliklerini göndermesi gerekir. purchase etkinliğini toplarken bu etkinliğin value ve currency parametreleri de toplanmalıdır. Daha fazla bilgi

Uygun olan her modelin tahmini metrikleri, her etkin kullanıcı için günlük olarak oluşturulur. Mülkünüzün model kalitesi minimum eşiğin altına inerse, Analytics karşılık gelen tahminleri güncellemeyi bırakır ve bu tahminlere Analytics üzerinden erişilemeyebilir.

Her tahminin uygunluk durumunu kitle oluşturucudaki önerilen kitle şablonlarında yer alan tahmini bölümüne giderek kontrol edebilirsiniz.

Tahmini metrikleri kullanma

Tahmini metrikler kitle oluşturucu ve Explorations'ta kullanılabilir.

Kitle oluşturucu

Tahmini metrikler, kitle oluşturucuda tahmini kitle oluşturmak için kullanılabilir.

Keşif

Satın alma olasılığı ve Uygulamayı kullanmayı bırakma olasılığı'nı Explorations'taki Kullanıcı yaşam boyu tekniğinde kullanabilirsiniz.

En iyi uygulamalar

Veri paylaşımı ayarlarınızda modelleme katkıları ve işletme analizleri ayarını etkinleştirin. Analytics'in, paylaşılan birleştirilmiş verileri model kalitesini ve tahminleri daha iyi hale getirmek amacıyla kullanmasına olanak tanıdığı için bu ayarın AÇIK konumda olması sizin için yararlıdır.

Mülkünüzde etkinlik önerilerinden olabildiğince yüksek düzeyde yararlanmaya dikkat edin.

purchase ve/veya in_app_purchase etkinliklerini topladığınızdan emin olun. in_app_purchase etkinlikleri otomatik toplanır. Bununla birlikte, Android uygulamanız varsa in_app_purchase etkinliğini görebilmek için Firebase hesabınız ile Google Play arasında bağlantı oluşturmanız gerekir. Ayrıca, ecommerce_purchase etkinliği işlenmeye devam edecek olsa da bu etkinlik yerine artık purchase etkinliğinin kullanılmasını önerdiğimizi hatırlatmak isteriz.

Özel bir kitle tanımlar ve Uygulama içi satın alma olasılığı ile Satın alma olasılığı metriklerini kullanmak için tahmine dayalı koşullar eklerseniz yalnızca purchase ve in_app_purchase etkinliklerinin her ikisini de tamamlayan kullanıcılar kitleye dahil edilir.

Kullanıcı davranışlarına karşılık gelen önerilen etkinliklerin daha yüksek çeşitlilik veya hacimde toplanması, modellerimizi geliştirip tahminleri daha iyi hale getirmemize yardımcı olur. Benzer şekilde, kullanıcı davranışı bakımından anlam ifade etmeyen gereksiz etkinliklerin en aza indirilmesi de tahminleri geliştirmeye yardımcı olur.