análises de previsão

Depois que sua previsão for construída e treinada, você terá acesso à página de análises de previsão. Esta página ajuda você a decidir quais usuários você deve segmentar com base em sua pontuação de probabilidade ou categoria.

Assim que a previsão terminar de treinar e esta página estiver populada, você pode começar a usar filtros em segmentos ou campanhas para começar a usar os resultados do modelo. Se você deseja ajuda para decidir quem direcionar e por quê, esta página pode ajudar com base na precisão histórica do modelo e nos seus próprios objetivos de negócios.

componentes de análise de dados

• Pontuação de Probabilidade
• Direcionamento de usuários
• Qualidade da previsão
• Resultados Estimados
• Tabela de Correlação de Eventos

Pontuação de probabilidade

Usuários no público de previsão receberão uma pontuação de probabilidade entre 0 e 100. Quanto maior a pontuação, maior a probabilidade de realizar o evento.

A seguir está como um usuário é categorizado dependendo de sua pontuação de probabilidade:

• Baixo: entre 0 e 50
• Médio: entre 50 e 75
• Alto: entre 75 e 100

As pontuações e as categorias correspondentes serão atualizadas de acordo com o cronograma que você escolheu na página de Criação de Previsão. O número de usuários com pontuações de probabilidade em cada um dos 20 intervalos de tamanho igual ou em cada uma das categorias de probabilidade é exibido no gráfico no topo da página.

Direcionamento de usuários com o construtor de público

A distribuição dos escores de probabilidade para todo o público de previsão é exibida no topo da página. Usuários em {buckets} mais à direita têm pontuações mais altas e são mais propensos a realizar o evento. Usuários em buckets mais à esquerda são menos propensos a realizar o evento. O controle deslizante abaixo do gráfico permitirá que você selecione uma seção de usuários e estime quais seriam os resultados de direcionamento desses usuários.

À medida que você move os controles deslizantes para diferentes posições, a barra na metade esquerda do painel informará quantos usuários do público total de previsão seriam alvo usando a parte da população que você selecionou.

Resultados estimados

Na metade direita do painel abaixo do gráfico, mostramos estimativas da precisão esperada do direcionamento da parte do público de previsão que você selecionou de duas maneiras: quantos usuários selecionados devem realizar o evento e quantos não devem.

Quantos usuários selecionados deverão executar o evento

A previsão não é perfeitamente precisa, e nenhuma previsão jamais é, o que significa que a Braze não será capaz de identificar todos os futuros usuários para realizar o evento. As pontuações de probabilidade são como um conjunto de previsões informadas e confiáveis. A barra de progresso indica quantos dos “verdadeiros positivos” esperados no público de previsão serão alvejados com o público selecionado. Observe que esperamos que este número de usuários realize o evento mesmo que você não envie uma mensagem para eles.

Quantos usuários selecionados são esperados para não realizar o evento

Todos os modelos de machine learning cometem erros. Pode haver usuários em sua seleção que tenham uma pontuação de alta probabilidade, mas que não acabem realmente realizando o evento. Eles não realizariam o evento se você não tomasse nenhuma ação. Eles serão segmentados de qualquer maneira, então isso é um erro ou “falso positivo.” A largura total desta segunda barra de progresso representa o número esperado de usuários que não realizarão o evento, e a parte preenchida são aqueles que serão incorretamente alvejados usando a posição atual do controle deslizante.

Usando essas informações, incentivamos você a decidir quantos dos verdadeiros positivos você deseja capturar, quantos falsos positivos você pode aceitar serem direcionados e qual é o custo dos erros para o seu negócio. Se você está enviando uma promoção valiosa, pode querer direcionar apenas para não-compradores (falsos positivos) favorecendo o lado esquerdo do gráfico. Ou, você pode querer incentivar os compradores que frequentemente compram (verdadeiros positivos) a fazê-lo novamente, selecionando uma seção de usuários que favorece o lado direito do gráfico.

Qualidade da previsão

Para medir a precisão do seu modelo, a métrica de Qualidade da Previsão mostrará quão eficaz este modelo específico de machine learning parece ser. É uma medida do quanto esta previsão consegue distinguir os realizadores de eventos dos não-realizadores de eventos. Uma Qualidade de Previsão de 100 significaria que ele sabe perfeitamente quem irá e quem não irá realizar o evento sem erro (isso nunca acontece!), e 0 significando que está adivinhando aleatoriamente. Consulte a Qualidade da Previsão para saber mais sobre a métrica.

Aqui está o que recomendamos para vários intervalos de Qualidade da Previsão:

Qualidade da Previsão Faixa (%)	Recomendação
60 - 100	Excelente. Precisão exemplar. É improvável que a alteração das definições de público traga mais benefícios.
40 - 60	Bom. Este modelo produzirá previsões precisas, mas pode valer a pena testar outras configurações de público para tentar obter resultados melhores.
20 - 40	Justo. Este modelo pode proporcionar precisão e benefícios, mas experimente diferentes definições de público para ver se a performance melhora.
0 - 20	Pobre. Recomendamos alterar suas definições de público e tentar novamente.

A previsão será treinada novamente a cada duas semanas e atualizada juntamente com a métrica de qualidade da previsão para manter sua previsão atualizada com os padrões de comportamento mais recentes dos usuários. A última vez que esse re-treinamento ocorreu será exibida na página de lista de previsões, bem como na página de análise de dados da sua previsão.

Quando uma previsão é criada pela primeira vez, a qualidade da previsão será baseada em dados históricos que são consultados quando você clica em Construir Previsão. A cada duas semanas, a qualidade da previsão é derivada comparando as pontuações de previsão com os resultados do mundo real.

Tabela de correlação de eventos

Esta análise exibe atributos ou comportamentos de usuários que estão correlacionados com eventos no público de previsão. Os atributos avaliados são Idade, País, Gênero e Idioma. Comportamentos que são analisados incluem sessões, compras, total de dólares gastos, eventos personalizados, e campanhas e passos de canva recebidos nos últimos 30 dias.

As tabelas são divididas em esquerda e direita para mais e menos propensas a realizar o evento, respectivamente. Para cada linha, a razão pela qual os usuários com o comportamento ou atributo na coluna da esquerda são mais ou menos propensos a realizar o evento é exibida na coluna da direita. Este número é a razão entre as pontuações de probabilidade de usuários com esse comportamento ou atributo dividida pela probabilidade de realizar o evento de todo o público de previsão.

Esta tabela é atualizada apenas quando a previsão é re-treinada e não quando as pontuações de probabilidade do usuário são atualizadas.