예측: Amplitude의 AI를 사용하여 리프트를 극대화하도록 지원

예측은 타겟팅 워크플로를 최적화하여 상승도를 창출하는 데 도움이 됩니다.

예측은 과거 행동에 따라 사용자를 분류하는 대신, 특정 향후 행동을 수행할 가능성에 따라 사용자를 분류합니다. 예측은 커뮤니케이션 빈도, 동적 가격 책정 및 콘텐츠 개인화 워크플로우에 가장 유용합니다. 예측을 사용하여 다음을 수행하십시오.

• 캠페인에 포함하거나 제외할 사용자를 지정합니다.
• 사용자의 전환 가능성에 따라 메시지 전송 빈도를 조정하십시오.
• 사용자의 전환 가능성에 따라 가격, 제안 및 할인을 수정하십시오.
• 해당 콘텐츠 유형에 대한 사용자의 친화도를 기반으로 광고, 이메일 또는 웹사이트 콘텐츠를 미세 조정합니다.

예측은 사용자가 제품에서 특정 행동을 취할 가능성을 예측하기 위한 수학적 모델을 구성합니다. 이 모델은 비슷한 확률을 가진 사용자를 그룹화합니다.

먼저, 어떤 예측을 구축할지 결정하십시오.

예측에 답해야 할 질문은 무엇입니까? 대부분의 경우 그 답은 귀사를 이끄는 목표와 관련이 있습니다. 사용자의 첫 번째 제품 상호 작용부터 마지막 접촉까지의 KPI를 포함하여 사용자 여정을 매핑하는 것부터 시작하십시오. 일반적인 사용자 여정 단계에는 가입, 활성화, 리텐션, 이탈이 포함됩니다.

단계를 식별한 후 해당 단계 사이의 각 주요 버튼 상호 작용을 지정하여 이정표를 작성하십시오. 이 여정의 각 단계에 대한 예측을 작성하십시오.

예를 들어 이커머스 제품에는 이러한 사용자 여정이 있을 수 있습니다.

예측을 사용해야 하는 사람과 시기

예측은 특정 상황에서 가장 효과적입니다.

• 목표 성과에 명확한 퍼널이 없는 경우. 이러한 결과는 일반적으로 복잡한 사용자 여정에서 비롯되며 명확한 바이너리 이벤트로 구성하기가 어려울 수 있습니다. 일반적인 예로는 활성화, 리텐션, 참여, 장기적 가치 등이 있습니다. 이러한 측정항목이 제품에 가장 중요하다면 예측 코호트를 고려하십시오.
• 이러한 결과를 점진적으로 개선하려고 할 때. 신중하게 설계된 예측은 행동 코호트에 비해 5~20%의 개선을 유도할 수 있습니다.
• 귀하의 제품에 월간 평균 사용자가 10만 명 이상인 경우. 소규모 제품은 신뢰할 수 있는 통계적 추론을 위해 충분히 큰 표본 크기를 생성하지 못할 수 있습니다.

반대로 다음과 같은 경우에는 귀사가 예측으로부터 이익을 얻을 가능성이 더 낮습니다:

• 실물 제품을 판매하는 경우.
• B2B 분야에 종사하는 경우.
• 마케팅 팀이 부족합니다.

예측 코호트를 사용하기 전에 '예측 구축' 및 '캠페인에서 예측 기반 코호트 사용' 문서를 읽어보십시오. 다음 섹션에서는 Amplitude가 예측을 구축하는 방법을 설명합니다.

예측 작동 방식

예측은 과거의 행동을 사용하여 미래의 행동을 예측합니다. 예측을 구축할 때 Amplitude는 사용자가 지정한 작업을 수행하는 사용자와 그렇지 않은 사용자를 구별하기 위해 딥 러닝 모델을 생성합니다.

Amplitude는 한 기간 전에 시작 코호트에 있었던 사용자로부터 시작됩니다. 그런 다음 Amplitude는 해당 사용자 중 누가 그 이후 기간 동안 작업을 수행했는지 또는 수행하지 않았는지 식별합니다. 기간을 7일, 30일, 60일 또는 90일로 설정할 수 있습니다.

다음으로, Amplitude는 고급 트랜스포머 기반 시퀀스 모델을 사용하여 이벤트, 이벤트 속성, 사용자 속성 및 사용자 활동 시퀀스의 네 가지 변수 세트를 기준으로 두 사용자 그룹을 비교합니다.

• 이벤트: 각 사용자가 예측 대상과 관련된 상위 25개의 이벤트를 지난 4개 기간 동안 매주 트리거한 빈도입니다.
• 이벤트 속성: 각 사용자가 지난 4개 기간 동안 매주 가장 자주 쿼리된 이벤트 속성을 트리거하는 빈도입니다.
• 사용자 속성: 지난 4개 기간 동안 각 사용자 속성의 초기 값과 최근 값입니다.
• 사용자 활동 시퀀스: 각 사용자의 최근 128개 이벤트 및 시간 간격에 대한 활동 시퀀스입니다.

트랜스포머 인코더는 이러한 변수를 처리하고 사용자의 활동 시퀀스 위에 별칭 코호트를 구축합니다. 대부분의 행동 코호트는 수동으로 설계된 3~5개의 신호에 의존합니다. Amplitude의 예측은 수백 개의 행동 신호가 포함된 트랜스포머 기반 AI 모델을 사용합니다.

이 모델은 시작 코호트의 모든 사용자에 대한 확률적 점수를 계산합니다. 점수는 각 사용자가 지정된 기간 동안 목표 작업을 수행할 가능성을 측정합니다. 모델이 계절별 데이터를 학습하고 이에 응답함에 따라 Amplitude는 설정에 따라 매일 또는 매시간마다 각 사용자의 확률 점수를 재계산합니다.

시작하려면 예측 구축 및 캠페인에서 예측 기반 코호트 사용 문서를 읽어보십시오.