Předpovídání budoucích trendů na základě historických dat
Prediktivní analytika je předpovídání budoucích jevů z historických dat pomocí statistiky a strojového učení. Model se naučí vzorce chování z minulosti a odhadne, co se nejspíš stane dál – třeba že tenhle konkrétní návštěvník do týdne nakoupí.
Klasická analytika kouká dozadu: kolik bylo návštěv, co se prodalo. Prediktivní kouká dopředu. Nereagujete pak na to, co se stalo, ale na to, co se s velkou pravděpodobností blíží.
V marketingu nejčastěji pravděpodobnost nákupu (jak blízko má uživatel ke konverzi), churn neboli riziko, že zákazník odejde, a LTV – kolik u vás zákazník za celou dobu vztahu pravděpodobně nechá. K tomu odhady poptávky a sezónnosti pro plánování rozpočtů a skladu. Princip je pokaždé stejný: z chování mnoha lidí v minulosti model odvodí, jak se zachová ten další.
Na start nepotřebujete datového vědce. Google Analytics 4 má hotové prediktivní metriky – pravděpodobnost nákupu, pravděpodobnost odchodu, předpokládané tržby – a rovnou z nich staví prediktivní publika, třeba „uživatelé s vysokou pravděpodobností nákupu do 7 dnů“. Takové publikum pak exportujete do Google Ads a cílíte reklamu jen na lidi, u kterých to dává smysl. (S automatikou na straně kampaní se to pěkně doplňuje – víc v pojmu AI v PPC.)
Jeden háček to má. Bez dostatku konverzí není predikce, jen věštění – model potřebuje objem dat, jinak vám GA4 prediktivní metriky vůbec nezpřístupní, případně vrací odhady, na které se nedá spolehnout.
Prediktivní publika z GA4 beru jako nejlevnější vstupenku do prediktivní analytiky – běží na datech, která web stejně sbírá, a dají se rovnou použít v kampaních. Vždycky si ale nejdřív ověřím, jestli má účet dost konverzí. U zavedeného e-shopu predikce cílení opravdu zlepší; u malého webu s hrstkou objednávek je to spíš hádání a s čísly pracuji jen orientačně.
