#
Предиктивные аудитории
Предиктивные аудитории — это набор моделей искусственного интеллекта, которые прогнозируют поведение пользователей и понимают, как лучше всего на них повлиять. Прогнозирование включает в себя прогноз вероятности оттока пользователя (churn probability), вероятности покупки (в разработке), прогнозирование размера скидки или бонуса для удержания (в разработке).
💡 Predictive Audiences является отдельным модулем в рамках платформы персонализации Gravity Field. Для получения условий и подключения модуля, пожалуйста, обращайтесь к команде, работающей с вашим проектом.
#
Предсказание Оттока
#
Модель
ML модель, изучающая историческое поведение пользователей, которые попадают под условия выборки, например, можно выбрать пользователей у которых средний чек больше чем 500 рублей или пользователей, которые покупали товары из определенной категории.
В рамках секции можно создавать несколько моделей под разные сегменты пользователей.
Жизненный цикл создания модели:
- Обучение модели на исторических данных.
- Валидация модели на данных, которые модель еще не видела.
Например, модель обучается на данных за июнь — август, после этого модель берет свой прогноз на сентябрь и сравнивает прогноз с фактическим поведением пользователей.
Метрики качества:
- Auc-roc - общий показатель качества модели
- При значении больше 0.7 модель дает качественный прогноз, которому можно доверять
- При значении меньше 0.5 модель дает некачественный прогноз, которому нельзя доверять
- Accuracy - характеризует качество модели, агрегированное по всем классам. Это полезно, когда классы для нас имеют одинаковое значение. В случае, если это не так, accuracy может быть обманчивой
- Precision - доля правильно предсказанных положительных объектов среди всех объектов, предсказанных положительным классом
- Recall - доля правильно найденных положительных объектов среди всех объектов положительного класса
- TPR - доля правильных положительных прогнозов
- TNR - доля правильных негативных прогнозов
- FNR - доля неправильных негативных прогнозов
- FPR - доля неправильных положительных прогнозов
#
Создание Predictive audience
1. В разделе Audiences — Predictive Audiences создать новую аудиторию
2. Выбрать условия выборки пользователей для обучения и Период прогнозирования
Доступные условия:
- AOV
- Event trigger
- URL
- Visit Traffic Source
- Products
- Viewed Products
- Added to Cart Products
- Purchased
- Device
- Category
- Country
- Region
- City
- Browser
- Audience
- OS
Подробнее с условиями таргетинга в аудиториях можно ознакомиться по следующей ссылке: Управление аудиториями
Период прогнозирования: Период на который модель дает прогноз. Например, если выбрать 7 дней, то модель будет предсказывать вероятность, что пользователь не совершит покупку в ближайшие 7 дней.
3. Проверить метрики модели
#
Использование Predictive audience
Predictive audience можно использовать в Experience Targeting, для персонализации контента пользователей с определенным уровнем риска оттока.
Также можно выгрузить пользователей с определенным риском оттока и загрузить список в маркетинговую платформу. При выгрузке идентификатором пользователя в файле является тот же идентификатор, который передаётся в событиях Login / Signup.
#
Требования к качеству данных
Для эффективного обучения модели нужно чтобы в исходную выборку попало 10 000 пользователей, которые совершили 1+ покупку за последние 16 недель.
Данные должны быть нормально распределены во времени. Например, 90% покупок относятся к периоду за последний месяц, а остальные 10% принадлежат другим 3 месяцам. Такое искажение может сильно повлиять на точность модели.