Tahmine Dayalı Müşteri Adayı Puanlaması
Tahmine dayalı müşteri adayı puanlaması, geçmiş dönüşüm verisiyle eğitilen makine öğrenimini kullanarak her adayın müşteri olma olasılığını tahmin eder ve elle ayarlanan puan kurallarının yerini alır.
Derinlemesine
Bir insanın özelliklere ağırlık atamasının yerine, tahmine dayalı bir model, dönüşen ve dönüşmeyen geçmiş adaylardan örüntüler öğrenir ve yeni adayları kazananlara ne kadar benzediklerine göre puanlar. İnsanların gözden kaçıracağı, sektör ile etkileşim zamanlamasının birleşimi gibi belirgin olmayan korelasyonları ortaya çıkarabilir ve yeni sonuç verisi geldikçe kendini günceller. Bu, elle kural ayarının yetişemediği yüksek hacimli pipeline'lar için onu güçlü kılar.
Büyük tuzak veri bağımlılığıdır: tahmine dayalı puanlama, geçmiş dönüşümlerden oluşan büyük, temiz ve makul ölçüde dengeli bir veri kümesine ihtiyaç duyar; bu yüzden yeni ürünler veya zayıf pipeline'lar için uygun değildir. Bozuk veya önyargılı geçmiş, kendinden emin biçimde yanlış puanlar üretir. Bir quiz funnel akışında, yeterli sonuç biriktiğinde tahmine dayalı puanlama bir scorecard'ın üzerine eklenebilir; test yanıtlarını ve sonraki dönüşüm verisini eğitim özellikleri olarak kullanarak hangi yanıt örüntülerinin geliri gerçekten öngördüğünü inceltir.
Pratikte örnek
Sıkça sorulan sorular
Tahmine dayalı puanlama kural tabanlıdan nasıl farklıdır?
Kural tabanlı puanlama, bir insanın her özelliğe atadığı puanlara dayanır; tahmine dayalı puanlama ise ağırlıkları geçmiş dönüşüm verisinden otomatik öğrenir. Tahmine dayalı modeller zamanla uyum sağlar ve gözden kaçan örüntüleri yakalar ama bol miktarda temiz veri gerektirir.
Tahmine dayalı puanlama ne kadar veri ister?
Evrensel bir alt sınır yoktur ama genellikle sonuçları bilinen binlerce geçmiş adaya ve dönüşümlerle dönüşmeyenler arasında makul bir dengeye ihtiyaç duyarsınız. Zayıf veya çarpık veride, şeffaf kural tabanlı bir model genellikle daha güvenlidir.
Tahmine dayalı puanlama önyargılı olabilir mi?
Evet, çünkü bir model eğitim verisindeki önyargıları devralır ve onları büyütebilir. Korunan özelliklerin vekillerine karşı özellikleri denetleyin ve belirli segmentleri sistematik olarak yanlış değerlendirmediğinden emin olmak için sonuçları izleyin.