예측 구축

예측을 사용하면 향후 특정 이벤트나 작업을 수행할 가능성에 따라 사용자를 분류할 수 있습니다.

예측 구축

Amplitude에서 예측을 구축하려면 다음 단계를 따르십시오.

1. _사용자 > 예측_으로 이동합니다. 그런 다음 + 예측 생성을 클릭합니다.
2. 모든 사용자로 시작을 클릭하여 이 예측을 지난 90일 동안 활동한 모든 사용자에게 적용하거나 자신의 시작 코호트를 정의합니다.
3. 자신의 시작 코호트를 정의하기로 선택한 경우 코호트에 포함시킬 사용자를 선택합니다. 시작 코호트 정의 아래에서 코호트의 사용자가 공유할 이벤트, 속성 또는 상태를 선택합니다.
4. 시작 코호트가 수행할 작업을 지정합니다. _향후 결과 정의_에서 사용자가 실행하거나 실행을 방지할 수 있도록 할 이벤트, 작업을 수행한 후 사용자에게 갖게 할 속성 또는 이 세 가지 모두의 조합을 지정합니다. 향후 작업에 대한 시간 프레임을 지정합니다.

5. 선택적 설정을 추가하려면 _고급옵션 모델 구성_을 사용하십시오. 이 섹션에서는 특정 사용자 속성을 포함하거나 제외함으로써 시작 코호트를 더 자세히 정의할 수 있습니다. 포함 또는 제외 아래에서 기능 추가를 클릭하여 사용자 속성을 검색합니다. 저장을 클릭합니다.
6. 예측에 이름을 지정하고 간단한 설명을 추가하세요. 그런 다음 저장을 클릭합니다. Amplitude가 예측을 생성하는 데 약 1시간이 걸립니다. Amplitude는 예측이 준비되면 사용자에게 이메일을 보냅니다.

예측 분석

Amplitude가 예측 구축을 완료한 후 결과를 검토합니다. 결과에 따라 예측을 코호트로 저장하거나 새 예측으로 다시 시작할 수 있습니다.

1. 예측 결과를 보려면 _사용자 > 예측_으로 이동하십시오. 이 페이지는 지금까지 생성된 모든 예측의 목록을 보여줍니다.
2. 예측을 찾아 클릭하여 예측 탐색기의 잠재고객 분석 탭을 엽니다. 이 탭은 시작 코호트의 모든 사용자의 분포를 보여줍니다.
   • Y축은 사용자가 전환할 가능성을 나타냅니다(예: 이전에 지정한 미래 결과에 도달할 가능성).
   • X축은 사용자의 백분위수를 나타냅니다.

백분위수별로 사용자 범위를 선택하고 해당 범위에 속하는 사용자 수, 해당 범위에 속하는 사용자의 예상 전환율, 평균에 비해 해당 사용자의 전환 가능성을 검토할 수 있습니다.

기능의 중요성

예측이 유용하려면 컨텍스트가 필요합니다. Amplitude는 잠재_고객 정의_ 차트 아래의 기능 중요도 섹션에서 예측 모델에 가장 중요한 이벤트와 사용자 속성의 순위를 매깁니다.

_기능 중요도_의 이벤트 탭에는 다음 열과 인사이트가 포함된 테이블이 있습니다.

• 비율 열은 모델에 대한 중요도에 따라 이벤트 또는 속성의 순위를 매깁니다. Amplitude는 선택한 백분위수 범위에 속한 사용자가 이벤트를 발생시킨 비율을 해당 범위 밖의 사용자와 비교하여 이 순위를 계산합니다.
• 이벤트 열에는 순위가 매겨진 이벤트가 나열됩니다.
• 범위의 % 열은 선택한 백분위수 범위에서 해당 이벤트를 실행한 사용자의 비율을 지정합니다. 이 열을 기준으로 정렬하면 전체 참여 수준에 따라 이벤트의 순위를 매길 수 있습니다.
• 범위에 속하지 않는 % 열은 이벤트를 수행했지만 선택한 코호트에 속하지 않는 사용자의 비율을 계산합니다.
• 빈도 열에는 선택한 범위의 사용자가 이벤트를 실행한 평균 횟수가 표시됩니다. 이 열을 기준으로 정렬하면 전체 참여 수준에 따라 이벤트의 순위를 매길 수 있습니다.

중요 이벤트 표시를 눌러 순위가 지정된 이벤트 목록을 좁히고 테이블에 표시할 이벤트를 수정하거나, 달력 아이콘을 눌러 지정된 시간 프레임과 오프셋을 변경합니다. 수정된 시간 프레임은 이벤트 탭과 사용자 속성 탭 모두에 적용됩니다.

사용자 속성 탭에는 사용자 속성의 순위와 예측 모델에 대한 해당 중요도가 표시됩니다. 속성 선택을 눌러 검토할 사용자 속성을 선택합니다. 이벤트 테이블과 마찬가지로 사용자 속성 테이블도 속성 값의 순위를 비율, 범위 내 %, 범위 외 % 기준으로 지정합니다. 테이블에 숨겨진 속성 값을 포함하려면 숨겨진 속성 값 표시를 선택합니다.

모델 성능

이 시점에서 예측의 정확성을 평가할 수 있습니다. Amplitude는 모델 성능 탭에서 이 작업을 수행할 수 있는 지표를 제공합니다.

• 참 양성률: 전환을 일으킨 예상 사용자의 비율입니다.
• 거짓 양성률: 전환되지 않은 예상 사용자의 비율입니다.
• AUC 또는 정확도: 곡선 아래의 영역으로, 참 양성률과 거짓 양성률 모두에 가중치를 부여하는 측정값입니다.
• 로그 손실 또는 예측 대 실제 수치: 예상 전환율과 관찰된 과거 전환율 대상 구간 차이(백분율 기준).

일반적으로 말해서, 좋은 모델은 최소 70%의 정확도를 갖습니다. 전체 정확도가 50% 이하인 모델은 예측 능력에서 동전 던지기보다 나을 것이 없습니다.

우수한 예측 모델을 위한 팁

• 결과 이벤트에는 하루에 최소 50개의 고유 작업이 있습니다: 결과 이벤트에는 매일 최소 50개(이상적으로는 100개)의 고유 사용자 작업이 있는지 확인하십시오. 전환 수치가 이 임계값 아래로 떨어지면 모델은 신호를 감지하지 못하고 모든 사용자에게 동일한 콘텐츠를 권장합니다.
• Audiences를 위한 타겟팅 사용자 코호트의 사용자 수 대상 구간은 1K에서 10M 사이입니다. 사용자 인구가 1K 미만인 경우 Audiences는 1:1 수준의 사용자를 사용할 수 없습니다. 인구가 1천만 명 이상의 사용자인 경우 Amplitude는 코호트를 필터링합니다.
• 충분히 큰 데이터 세트: 데이터가 많을수록 추천 정확도가 향상됩니다. Amplitude는 예측을 구축하려면 사용자당 최소 10,000개의 이벤트를 필요로 합니다.
• Amplitude의 목표 결과와 관련된 관련 이벤트: 목표 결과를 상호 참조하고 적절한 이벤트를 이미 계측했는지 확인하십시오. 이러한 이벤트는 일반적으로 Purchase 또는 Transaction completed입니다.

예측을 바탕으로 코호트 구축

유용한 예측을 한 후에는 예측을 코호트로 저장할 수 있습니다. 이를 통해 코호트로 돌아가 타겟팅 캠페인에 반복적으로 사용할 수 있습니다.

예측을 코호트로 저장하려면 다음 단계를 수행하십시오.

1. 슬라이더를 사용하여 차트에서 백분위수 범위를 선택합니다. 그런 다음 예측 코호트로 저장을 누릅니다.
2. 코호트에 이름을 지정하고 저장을 클릭합니다.

시작 코호트를 상위 20% 대 하위 80% 또는 상위 50% 대 하위 50%와 같이 두 부분으로만 분할하지 마십시오. 다른 접근법을 사용하면 보다 유용한 결과를 얻을 수 있습니다.

• 확률 변곡점: 분포 그래프가 기하급수적으로 급증하는 지점을 찾아 급증 지점에 따라 사용자를 분할합니다. 이를 통해 사용자를 예상 전환율이 대체로 유사한 버킷으로 그룹화합니다.
• 표본 크기: 그로쓰 캠페인에서 목표로 삼을 사용자 수를 알고 있는 경우 차트 오른쪽에서 해당 비율을 선택합니다. 예를 들어 2,000명의 사용자를 대상으로 삼고 싶은데 시작 코호트에 20,000명의 사용자가 있는 경우 상위 10%를 선택합니다.
• 감지 가능한 최소 증가율: 그로쓰 캠페인에서 선택된 사용자를 타겟팅하려는 경우, 샘플 크기가 증분 증가율을 감지할 수 있을 만큼 충분히 커야 합니다. 예를 들어 예측 중 상위 20%가 20,000명의 사용자이지만 예상 전환율이 1%인 경우 통계적으로 유의미한 수준의 상승도를 감지할 수 없습니다. 대신, 표본 크기를 사용자 45,000명에 해당하는 사용자의 상위 45%까지 늘려야 합니다.

예측 코호트를 분석하세요

예측을 코호트로 저장한 후에는 이를 모든 Amplitude 애널리틱스 차트에서 분석에 사용할 수 있습니다. 예측 기반 코호트와 함께 다음 분석을 시도해 보십시오.

• 상위 20%와 하위 80%의 코호트를 생성하여 최고 사용자와 최악의 사용자를 비교합니다. 이러한 항목을 차트의 오른쪽 모듈에서 서로 다른 세그먼트로 설정하십시오.
• 이벤트 세분화: 전환하기 전에 최상의 사용자와 최악의 사용자의 과거 행동 동향을 분석합니다.
• 패스파인더: 사용자가 전환 가능성이 높을 때와 낮을 때 취하는 다양한 행동 순서를 식별합니다.
• 구성: 코호트 속성 값을 분석하여 사용자 속성을 비교합니다(예: 최고의 사용자와 최악의 사용자가 어느 국가에 속하는지).
• 참여도 매트릭스: 빈도와 사용자 비율의 균형을 기반으로 최상의 사용자와 최악의 사용자가 발생한 이벤트를 비교합니다.
• 퍼널: 최상의 사용자와 최악의 사용자 대상 구간 일련의 행동에 대한 상대적 전환율을 비교합니다.