予測：AmplitudeのAIを使用して、リフトを最大限に活用する

• 予測を使用する計画を策定する
• 予測の背後にある計算を理解する
  |

Amplitude Activationの一部として、予測は****ワークフロー改善機能であり、ターゲティングワークフローを最適化して最大限のリフトを生み出すのに役立ちます。

コホートを使用して、過去の行動に基づいてユーザーをセグメントするのではなく、予測により、将来の特定のアクションを実行する可能性に基づいてユーザーをセグメントすることができます。これらは、コミュニケーション頻度、ダイナミックプライシング、コンテンツパーソナライゼーションの3種類のワークフローを改善する場合に最も役立ちます。次の場合に使用できます。

• キャンペーンに含めるか、または除外するユーザーを指定する
• ユーザーのコンバージョン可能性に基づいて、メッセージ頻度を調整する
• ユーザーのコンバージョン可能性に対する価格、オファー、割引を変更する
• そのコンテンツタイプの類似性に応じて、広告、電子メール、ウェブサイトでコンテンツを微調整する

予測は、特定のユーザーがプロダクトで特定のアクションをとる可能性を予想する数学モデルを構築し、同様の確率を持つユーザーをグループ化することができます。

しかし、最初にどの予測を構築するかを決定する必要があります。

予測はどの質問に答える必要がありますか？ほとんどの場合、これは会社全体を導く目的と密接な関係があります。そのため「北極星」と呼ばれています。ユーザージャーニーをマッピングして、ユーザーのプロダクトとの最初のインタラクションから、最後のタッチまでのKPIを完了します。ユーザージャーニーに沿う一般的なステップは、サインアップ、アクティベーション、リテンション、チャーンです。

すべてのステップを特定したら、これらのステップ間で発生するすべての主要なボタンのインタラクションを指定するとともに、すべての短期目標を記入します。このジャーニーのすべてのステップの予測を構築するとします。

例えば、eコマースプロダクトのユーザージャーニーは、次のようになります。

予測を使用する人は誰か、そしていつか

予測は、特定の状況で最高の効果を発揮します。

• ターゲットの結果に明確なファネルがない場合。そのような場合は通常、回路的なユーザージャーニーの結果であり、明確なバイナリーイベントとしてフレーム化するのは困難です。明確なファネルがない結果の一般的な例は、アクティベーション、リテンション、エンゲージメント、または長期的な値です。これらが製品に最も重要な指標である場合、予測コホートは便利なツールになります。
• **これらの結果に漸増的なリフトを推進しようとするときなどです。**入念に設計された予測は、行動コホートと比較して、平均して5～20%のリフトを推進することができます。
• **プロダクトの月次平均ユーザーが100,000人を超える場合。**これ未満のものは、信頼性の高い統計的推論を引き出すのに十分な大きさのサンプルサイズを生成する可能性はほとんどありません。

逆に次の場合、会社が予測の恩恵を受ける可能性は高くありません。

• 物理的な製品を販売する
• B2B空間に存在する、または
• マーケティングチームがない

予測コホートと協働できる準備ができたら、最初に予測の構築とキャンペーンでの予測の使用に関するヘルプセンターの記事を、必ずお読みください。または、次のセクションをご覧ください。これは、Amplitude Activationが予測を構築するプロセスと、どのように機能するかを説明するものです。

予測がどのように機能するか

予測は、過去の行動を使用して、将来の行動を予測します。予測を構築する際、Amplitude Activationは数学的モデルを作成し、指定したアクションを実行するユーザーと実行しないユーザーを区別します。

Amplitude Activationは、まず2期間前に開始コホートにいたユーザーを調べ、次にそれらのユーザーのうち、1期間前にアクションを実行したユーザーと実行しなかったユーザーを特定します（期間は7、30、60、90日から設定できます）。

次に、Amplitude Activationはイベント、イベントプロパティ、ユーザープロパティの3つの変数に沿って、これら2つのユーザーグループを比較します。

• イベント：過去12週間で、各ユーザーが最も一般的な100のイベントを毎週どのくらいの頻度で発行するか
• イベントプロパティ：過去12週間で、各ユーザーが最も頻繁にクエリされたイベントプロパティを毎週どのくらいの頻度で発行するか
• ユーザープロパティ：過去12週間におけるユーザープロパティの最新の値

これらの変数は、ロジスティック回帰モデルに含まれ、数百の行動シグナルで効果的にコホートを構築します。対照的に、ほとんどの行動コホートはこれらのシグナルのうち、3～5個のシグナルに依存しています。このモデルは、開始コホートですべてのユーザーの確率スコアを計算し、指定した値に応じて、次の7、30、60、90日のある時点で、関心のあるアクションを実行する可能性を測定します。これは毎日保持され、季節性データの潜在的な歪みの効果を考慮して、毎日または毎時間のいずれかで再計算されます。

始める準備はできましたか？予測を構築する方法を読んで、キャンペーンで予測を使用する方法を確認してください。