Öngörücü Kitle
Öngörücü kitle, kullanıcıların satın alma, yükseltme veya kayıp gibi belirli bir eylemi gerçekleştirme olasılığını tahmin eden makine öğrenmesi modelleriyle oluşturulan bir segmenttir.
Önemli noktalar
- Öznitelikleri seçmeden önce etiketi açık bir zaman penceresiyle tanımlayın.
- Öznitelikler sonuç penceresi açılmadan gözlemlenebilir olmalı, yoksa model sızdırır.
- Nadir sonuçlarda doğruluk anlamsızdır; bunun yerine taban orana göre kazancı karşılaştırın.
- Eşik, hassasiyeti erişime karşı takas eder ve ticari bir karardır.
- Yüksek olasılık, hiç harcama yapılmasa da dönüşecek birini işaretliyor olabilir.
Derinlemesine
Her öngörücü kitlenin, modelleme başlamadan önce tanımlanması gereken iki yarısı vardır: bir etiket ve bir öznitelik kümesi. Etiket, bir zaman penceresiyle sınırlanmış sonuç olayıdır; örneğin on dört gün içinde yükseltme yapmak. Öznitelikler ise yalnızca o pencere açılmadan önce gözlemlenebilen sinyallerdir. Model geçmiş bir dönemde eğitilir, sonra güncel kullanıcılara uygulanarak her biri için bir olasılık üretir. Bu olasılığa konan eşik sıralamayı bir üyelik listesine çevirir ve eşiği kaydırmak teknik değil ticari bir karardır.
Kaliteyi üç şey belirler: kaç olumlu örnek olduğu, puanlama anında özniteliklerin ne kadar taze olduğu ve etiketin nasıl tanımlandığı. Hedef olay genelde nadir olduğundan genel doğruluk anlamsızdır; tek yararlı karşılaştırma taban orana göre kazançtır. Eşiği daraltmak hassasiyeti yükseltir ve erişimi küçültür, gevşetmek tersini yapar; doğru nokta boşa giden bir temasın kaçırılan bir temasa karşı maliyetine bağlıdır. Puanlara göre hareket etmek gelecekteki eğitim verisini de değiştirir.
Pratikte puan kıt ilgiyi paylaştırır: hangi denemelere insan teması verilecek, hangi hesaplara elde tutma teklifi gidecek, hangi kişiler zaten dönüşeceği için ücretli yeniden hedeflemeden çıkarılacak. Tek bir kesme yerine bantlar ve bant başına farklı bir müdahale daha iyi çalışır. Quiz yanıtları alışılmadık ölçüde iyi özniteliklerdir; beyan edilmiş, yapılandırılmış ve ucuzdur. Scorecard'ın zaten hesapladığı puan da ikisi çeliştiğinde modelle karşılaştırılacak okunabilir bir katman sunar.
Öngörücü kitleler geçmişe ihtiyaç duyar ve soğuk başlangıçta başarısız olur: yeni bir ürün, yeni bir pazar ya da nadir görülen yüksek değerli bir olay öğrenmeye yetecek olumlu örnek bırakmaz. Ayrıca geçmişte neyin ilişkili olduğunu öngörürler; fiyat, konumlandırma veya kanal dağılımındaki bilinçli her değişiklik modeli sessizce geçersizleştirirken model kendinden emin puanlar üretmeyi sürdürür. Daha derin sınır şudur: olasılık artımsallık değildir. Yüksek puan çoğu kez zaten dönüşecek birini işaretler.
Pratikte örnek
Nasıl ölçülür
Dilim bazında kazançla başlayın: puanlanan kullanıcıları on gruba ayırıp her birindeki gerçek sonuç oranını karşılaştırın. Çalışan bir model en üst dilimden en alta dik bir düşüş gösterir; düz bir eğri özniteliklerin sinyal taşımadığı anlamına gelir. Üst dilimin oranını genel taban oranla karşılaştırarak modelin değerini tek sayıda ifade edin ve bunu eğitim döneminde değil, model devreye alındıktan sonraki veriyle yeniden ölçün.
Sonra kazancın gösteremediği artımsallığı ölçün. Öngörülen kitlenin bir kısmına rastgele biçimde müdahale etmeyin ve aynı banttaki müdahale edilen ile edilmeyen üyeleri karşılaştırın. Fark, kampanyanın gerçekten yarattığı etkidir. Kalibrasyonu da izleyin: model yüzde yirmi diyor ve gözlenen oran yüzde beşse sıralama hâlâ işe yarayabilir ama bu olasılıklara dayanan her tahmin yanlış olur.
Sık yapılan hatalar
Klasik başarısızlık sızıntıdır: yalnızca sonuç zaten gerçekleştiği için var olan bir öznitelik. Anlaşma kapandıktan sonra satış ekibinin doldurduğu bir alanı ya da yükseltmeden sonra kaydedilen bir kullanım metriğini eklemek, doğrulamada kusursuz görünen ve üretimde çöken bir model üretir. Her öznitelik için değerinin puanlama anında bilinip bilinmeyeceğini sorun. O anda görünür olmayacak her şey, ne kadar öngörücü görünürse görünsün çıkarılır.
İkinci başarısızlık, puanı bir gerekçe sanmaktır. Ekipler bir kayıp riski kitlesi görür, indirim gönderir, kaybın düştüğünü izler ve modelin işe yaradığı sonucuna varır; oysa aynı indirim rastgele hesaplara gönderilse aynı etkiyi yapabilirdi. Her öngörülen kitlenin bir kısmını müdahalesiz bırakın. Bu kontrol olmadan doğru kişileri bulan bir modeli, herkeste işe yarayan bir müdahaleden ayıramazsınız.
Sıkça sorulan sorular
Öngörücü kitlelerin iyi çalışması için hangi veriler gerekir?
Tahmin edilecek net bir sonuca ve bu sonuca dair yeterli geçmiş örneğe ek olarak davranış, firmografi ve etkileşim sinyalleri gibi özelliklere ihtiyaç duyarlar. Puanlanmış quiz yanıtları gibi temiz, etiketli veriler doğruluğu çarpıcı biçimde artırır.
Öngörücü kitle ne kadar veri ister?
Belirleyici olan toplam kayıt sayısı değil olumlu örnek sayısıdır. Kırk yükseltmesi olan bir milyon kişilik veritabanı güvenilir bir yükseltme modeli eğitemez; binlerce dönüşümü olan daha küçük bir liste eğitebilir. Kabaca, eğitim ve doğrulama kümelerine bölündükten sonra bile bolca olumlu örnek kalmalıdır. Bunun altında basit kurallar genelde bir modeli geçer.
Öngörücü kitle ile benzer kitle arasındaki fark nedir?
Öngörücü kitle, zaten tanıdığınız kişileri belirli bir gelecek eylemi yapma olasılığına göre kendi verinizle ve kendi etiketinizle sıralar. Benzer kitle ise bir reklam platformunun içindeki yabancıları verdiğiniz tohuma benzerliğe göre sıralar. Biri ulaşabildiğiniz kişileri önceliklendirir, diğeri ulaşılacak yeni kişiler bulur. Hataları da farklıdır; yalnızca öngörücü model gelecek bilgisini sızdırabilir.
Veri bilimi ekibi olmadan öngörücü kitleye güvenebilir miyim?
Üç şeyi kendiniz kontrol ederseniz kullanabilirsiniz: hangi sonucu öngördüğü, hangi pencerede öngördüğü ve güncel veride taban oranı geçip geçmediği. Pazarlama platformlarındaki hazır öngörücü kitleler modeli gizler ama bu bilgileri genelde açıklar. Sağlayıcı etiketi ve pencereyi açıkça söyleyemiyorsa, segmenti bir tahmin değil bir sezgisel kural olarak görün.
Öngörücü model ne sıklıkla yeniden eğitilmeli?
Girdilerinizin değişme hızına uyan bir takvimle ve fiyat, ürün ya da kanal dağılımındaki her bilinçli kaymadan hemen sonra. Puanlar günlük yeniden hesaplanabilirken modelin kendisi çok daha seyrek yeniden uydurulur. Erken eğitim işareti kaymadır: puanların ya da temel özniteliklerin dağılımı eğitim dönemine kıyasla belirgin biçimde değişir.
Düşük olasılıklı segmentle ne yapmalı?
Otomatik olarak vazgeçmeyin. Düşük puan gerçek uyumsuzluk anlamına gelebileceği gibi o kişiler hakkında az veriniz olduğunu da gösterebilir. İkisini ayırın: zengin geçmişi olup düşük puan alan kişiler güvenle geri plana alınabilir; yeni edinilmiş ve verisi seyrek kişiler ise önce ucuz bir niteleme adımını hak eder. Kısa bir quiz ya da tek bir profil sorusu, puanlanamaz bir kişiyi puanlanabilir hâle getirir.
Öznitelik olarak en yararlı sinyaller hangileri?
Güncel davranış genelde durağan nitelikleri geçer: son oturumlardaki eylemler, etkileşimin sıklığı ve yakınlığı, işe alıştırma adımlarındaki ilerleme. Rol, şirket büyüklüğü ve quiz yanıtları gibi beyan edilen veriler ise davranışın tek başına kaçırdığı bağlamı ekler. Kendi iletişiminize bağlı özniteliklerden kaçının; onlar çoğunlukla ekibinizin zaten kime ulaşmayı seçtiğini kaydeder.