Väčšina marketingových reportov odpovedá najmä na otázku, čo sa už stalo.
Ukáže vám návštevnosť, konverzie, či výkonnosť kampaní v minulosti. Prediktívna analytika ide o krok ďalej. Využíva historické a aktuálne dáta na odhad budúceho správania používateľov.
V marketingu to znamená, že sa nemusíte pýtať len na to, kto nakúpil včera. Môžete sa pýtať aj na to, kto pravdepodobne nakúpi zajtra, kto môže odísť a ktoré publikum bude mať vyššiu hodnotu.
Dobrou správou je, že prediktívna analytika už nie je výhradne doménou dátových vedcov.
Pre analytikov, alebo aj marketérov existujú tri realistické cesty, ako s ňou začať. Prvou sú natívne predikcie v GA4. Druhou sú vlastné modely v BigQuery ML. Treťou je práca v Pythone, napríklad cez Google Colab.
Každá z týchto ciest má iné nároky, inú mieru flexibility a iný typ využitia.
1. GA4 | najjednoduchší vstup do prediktívnej analytiky
Ak už používate Google Analytics 4, GA4 je prirodzené miesto, kde začať. Je to najdostupnejšia cesta, pretože prediktívne metriky sú vstavané priamo v nástroji. Google ich generuje automaticky na základe dát vo vašom vlastníctve (property).
GA4 ponúka tri hlavné prediktívne metriky:
- Purchase probability – pravdepodobnosť, že používateľ aktívny za posledných 28 dní uskutoční nákup v nasledujúcich 7 dňoch.
- Churn probability – pravdepodobnosť, že používateľ aktívny za posledných 7 dní nebude aktívny v nasledujúcich 7 dňoch.
- Predicted revenue – očakávaný výnos zo všetkých nákupných konverzií v nasledujúcich 28 dňoch od používateľa, ktorý bol aktívny za posledných 28 dní.
Najväčšia výhoda GA4 je v tom, že tieto metriky viete použiť v Audience builder. To znamená, že predikcia sa dá priamo prepojiť s marketingovou aktiváciou.
Predstavte si, že máte e shop a chcete osloviť ľudí, ktorí s vysokou pravdepodobnosťou nakúpia v najbližších dňoch. V GA4 si vytvoríte publikum typu “Likely 7 day purchasers” a exportujete ho do Google Ads.
Podobne môžete vytvoriť publikum používateľov s vyššou pravdepodobnosťou odchodu a pripraviť pre nich re-engagement kampaň.
Treba však počítať aj s limitmi. Prediktívne metriky nie sú dostupné automaticky pre každého. Musíte spĺňať minimálne podmienky objemu dát a trackingu. Potrebuje aspoň:
- 1 000 vracajúcich sa používateľov, ktorí uskutočnili nákup
- 1 000 vracajúcich sa používateľov, ktorí nákup neuskutočnili
Tieto podmienky musia byť splnené konzistentne počas 28 dní, aby modely zostali aktívne. Rovnako platí, že kvalita predikcií závisí od kvality a objemu historických dát.
Viac info o prediktívnych metrikách v GA4 sa dozviete v tomto článku:
https://www.dase-analytics.com/blog/sk/ked-analytika-zacina-citat-buducnost-prediktivne-metriky/
GA4 je teda najrýchlejší spôsob ak chcete predikcie rýchlo premeniť na publikum alebo aktiváciu kampane. Ak však potrebujete vlastnú logiku modelu, musíte siahnuť po inom nástroji.
2. BigQuery ML | viac kontroly priamo nad dátami
Keď GA4 nestačí, ďalším krokom môže byť BigQuery ML. Ide o funkcionalitu v Google BigQuery, ktorá umožňuje vytvárať a spúšťať machine learning modely priamo v BigQuery pomocou štandardných SQL dopytov.
Je to výhodné najmä vtedy, keď už máte marketingové alebo webové dáta v BigQuery. Nemusíte ich presúvať do iného prostredia a pritom získate viac kontroly nad tým, čo presne predikujete a na základe čoho.
Hlavná výhoda BigQuery ML je teda kombináciou troch vecí:
- dáta zostávajú v BigQuery
- model sa tvorí cez SQL
- nemusíte hneď prejsť do Pythonu alebo iného dátového prostredia.
BigQuery ML podporuje rôzne typy modelov, takže nie je problém vybrať si vhodný pre konkrétny typ úlohy.
Príklad: predikcia revenue podľa počtu sessions
Jednoduchým príkladom je predikcia revenue na základe počtu sessions pomocou lineárnej regresie. V BigQuery máte historické dáta o návštevnosti a tržbách z GA4 BigQuery exportu.
Model sa na základe týchto dát naučí vzťah medzi sessions a revenue a následne vie odhadnúť výsledok pri budúcich hodnotách. Tieto predikcie môžu následne slúžiť ako podklad pri plánovaní očakávaných výsledkov alebo data-driven rozhodovaní.
Dôležité je, že v BQML si sami určujete:
- čo bude cieľová premenná
- ktoré vstupy do modelu zahrniete
- na akých dátach bude model trénovaný
Práve tu sa ukazuje rozdiel oproti GA4.
Kým v GA4 pracujete s predpripravenými metrikami od Googlu, v BigQuery ML si viete model prispôsobiť vlastným potrebám. Vyžaduje si to však viac technickej expertízy než GA4. Musíte si dať viac záležať na tom, ako sú dáta pripravené, keďže kvalita vstupov priamo ovplyvní kvalitu predikcie.
3. Python a Google Colab: najväčšia flexibilita pre vlastný workflow
Python ponúka z pohľadu marketingovej analytiky najväčšiu flexibilitu, pretože dáva kontrolu nad dátami, prípravou, modelom aj vyhodnotením výsledkov.
Medzi často používané knižnice patria Pandas, Numpy a Scikit Learn. Práve na nich stojí veľká časť bežných analytických a prediktívnych workflow. Google Colab je v tomto kontexte praktické prostredie, kde možno s Pythonom pracovať bez potreby zložitého nastavovania.
V Pythone sa prediktívna analytika zvyčajne skladá z viacerých krokov:
- príprava dát
- vizualizácia
- vytvorenie modelu
- vyhodnotenie modelu
- predikcia
To je podstatný rozdiel oproti GA4 a do istej miery aj oproti BQML. V Pythone nepracujete len s hotovým výstupom alebo jedným SQL modelom. Riešite celý proces od čistenia dát až po evaluáciu.
Aby ste si lineárnu regresiu v Google Colab mohli vyskúšať sami, pripravili sme pre vás ukažkový notebook. 👇
Ktorú cestu si vybrať?
Výber závisí najmä od troch vecí: aké dáta máte, aké otázky riešite a aké technické zručnosti má váš tím.
Pre rýchlu orientáciu pomôže jednoduché porovnanie:
| Prístup | Najväčšia výhoda | Kedy dáva zmysel |
| GA4 | rýchly štart a priama aktivácia publík | keď chcete využiť hotové prediktívne metriky bez vlastného modelovania |
| BigQuery ML | vlastné modely priamo cez SQL nad dátami | keď máte dáta v BigQuery a potrebujete viac kontroly |
| Python a Google Colab | najväčšia flexibilita a vlastný workflow | keď chcete ísť do väčšej hĺbky a pracovať detailne s dátami |
V praxi tieto prístupy často fungujú vedľa seba. GA4 môže byť najrýchlejší spôsob, ako začať s prediktívnymi metrikami.
BigQuery ML môže nadviazať tam, kde potrebujete vlastné modelovanie nad vašimi dátami. A Python sa hodí vtedy, keď chcete ísť jhlbšie a mať plnú kontrolu nad celým procesom.
Záver
Posun od deskriptívnej k prediktívnej analytike nie je len technologická zmena. Je to zmena v tom, ako premýšľate o marketingových rozhodnutiach. Namiesto čisto spätného hodnotenia minulosti začínate pracovať s odhadom budúceho správania.
Ak máte akékoľvek otázky alebo hľadáte spôsob, ako prediktívnu analytiku efektívne zapojiť do vašich procesov, neváhajte nám napísať na cibula@dase.sk, alebo si rovno booknite s našim Marekom bezplatnú 30m konzultáciu tu.