Analyses prédictives

Une fois que votre prédiction a été créée et entraînée, vous avez accès à la page Analyses prédictives. Cette page vous aide à décider quels utilisateurs vous devez cibler en fonction de leur score de probabilité ou de leur catégorie.

Dès que la prédiction est terminée et que cette page est remplie, vous pouvez commencer à utiliser les filtres dans les segments ou les campagnes pour commencer à utiliser les résultats du modèle. Si vous voulez de l’aide pour décider qui cibler et pourquoi, cette page peut le faire en fonction de l’exactitude historique du modèle et de vos propres objectifs commerciaux.

Composants d’analyse

• Score de vraisemblance
• Ciblage des utilisateurs
• Qualité de prédiction
• Résultats estimés
• Tableau de corrélation des événements

Score de vraisemblance

Les utilisateurs de l’audience de prédictions se verront attribuer un score de probabilité compris entre 0 et 100. Plus le score est élevé, plus la probabilité de réaliser l’événement est grande.

Voici comment un utilisateur est classé en fonction de son score de probabilité :

• Faible : entre 0 et 50
• Moyenne : entre 50 et 75
• Élevé : entre 75 et 100

Les scores et les prédictions correspondantes seront mis à jour selon la planification que vous avez choisie dans la page de création des prédictions. Le nombre d’utilisateurs ayant des scores de vraisemblance dans chacun des 20 compartiments de taille égale ou dans chacune des catégories de vraisemblance est affiché dans le graphique en haut de la page.

Ciblage des utilisateurs à l’aide de la segmentation d’audience

La distribution des scores de vraisemblance pour l’ensemble de l’audience de prédictions est affichée en haut de la page. Les utilisateurs des compartiments situés plus à droite ont des scores plus élevés et sont plus susceptibles de réaliser l’événement. Les utilisateurs des compartiments situés plus à gauche sont moins susceptibles d’effectuer l’événement. Le curseur situé sous le graphique vous permettra de sélectionner une section d’utilisateurs et d’estimer quels seraient les résultats du ciblage de ces utilisateurs.

Lorsque vous déplacez les curseurs sur différentes positions, la barre située dans la moitié gauche du panneau vous indique combien d’utilisateurs, sur l’ensemble de l’audience prédite, seraient ciblés en utilisant la partie de la population que vous avez sélectionnée.

Résultats estimés

Dans la moitié droite du panneau situé sous le graphique, nous présentons des estimations de la précision attendue du ciblage de la partie de l’audience de prédictions que vous avez sélectionnée de deux manières : combien d’utilisateurs sélectionnés sont censés réaliser l’événement, et combien sont censés ne pas le faire.

Combien d’utilisateurs sélectionnés sont censés participer à l’événement ?

La prédiction n’est pas parfaitement exacte, et aucune prédiction ne l’est jamais, ce qui signifie que Braze ne sera pas en mesure d’identifier chaque futur utilisateur pour réaliser l’événement. Les scores de vraisemblance sont comme un ensemble de prédictions informées et fiables. La barre de progression indique combien de “vrais positifs” attendus dans l’audience de prédiction seront ciblés avec l’audience sélectionnée. Notez que nous nous attendons à ce que ce nombre d’utilisateurs réalise l’événement même si vous ne leur envoyez pas de message.

Combien d’utilisateurs sélectionnés sont censés ne pas participer à l’événement ?

Tous les modèles de machine learning font des erreurs. Il se peut que certains utilisateurs de votre sélection aient un score de probabilité élevé, mais qu’ils ne réalisent pas l’événement. Si vous n’agissiez pas, ils ne réaliseraient pas l’événement. Ils seront de toute façon ciblés, donc il s’agit d’une erreur ou d’un « faux positif ». La largeur totale de cette deuxième barre de progression représente le nombre attendu d’utilisateurs qui n’effectueront pas l’événement, et la partie remplie représente ceux qui seront incorrectement ciblés en utilisant la position actuelle du curseur.

À l’aide de ces informations, nous vous encourageons à décider du nombre de vrais positifs que vous souhaitez capturer, du nombre de faux positifs dont vous pouvez accepter le ciblage et du coût des erreurs pour votre entreprise. Si vous envoyez une promotion intéressante, vous pouvez cibler uniquement les non acheteurs (faux positifs) en privilégiant le côté gauche du graphique. Vous pouvez également encourager les acheteurs qui achètent souvent (les vrais positifs) à le faire à nouveau en sélectionnant une section d’utilisateurs qui privilégie le côté droit du graphique.

Qualité des prédictions

Pour mesurer la précision de votre modèle, l’indicateur de qualité des prédictions vous montrera à quel point ce modèle d’apprentissage automatique particulier semble efficace. Il s’agit d’une mesure de la capacité de cette prédiction à distinguer les personnes ayant participé à un événement de celles qui n’y ont pas participé. Une qualité de prédiction de 100 signifie qu’il sait parfaitement qui réalisera ou non l’événement sans erreur (ce qui n’arrive jamais !), et 0 signifie qu’il devine au hasard. Reportez-vous à la section Qualité des prédictions pour en savoir plus sur les indicateurs.

Voici ce que nous recommandons pour différentes gammes de qualité de prédictions:

Plage de qualité de prédiction ( %)	Recommandation
60 - 100	Excellent. Précision supérieure. La modification des définitions d’audience est peu susceptible de fournir un avantage supplémentaire.
40 - 60	Bon. Ce modèle produira des prédictions précises, mais essayer différents paramètres d’audience peut obtenir de meilleurs résultats.
20 - 40	Juste. Ce modèle peut fournir une précision et une valeur, mais envisagez d’essayer différentes définitions d’audience pour voir si elles augmentent les performances.
0 - 20	Faible. Nous vous recommandons de modifier les définitions de votre audience et de réessayer.

La prédiction sera à nouveau entraînée toutes les deux semaines et mise à jour en même temps que la métrique de qualité de la prédiction afin de maintenir votre prédiction à jour sur les modèles de comportement des utilisateurs les plus récents. La dernière fois que ce recyclage a eu lieu sera affichée sur la page de la liste des prédictions ainsi que sur la page d’analyse/analytique de votre prédiction.

Lorsqu’une prédiction est créée pour la première fois, la qualité de la prédiction est basée sur les données historiques qui sont interrogées lorsque vous cliquez sur Créer une prédiction. Par la suite, toutes les deux semaines, la qualité de la prédiction est déterminée en comparant les scores de prédiction aux résultats obtenus dans le monde réel.

Tableau de corrélation des événements

Cette analyse affiche les attributs ou les comportements de l’utilisateur qui sont en corrélation avec les événements de l’audience de prédiction. Les attributs évalués sont l’âge, le pays, le sexe et la langue. Les comportements analysés comprennent les sessions, les achats, le montant total des dépenses, les événements personnalisés, ainsi que les campagnes et les étapes canvas reçues au cours des 30 derniers jours.

Les tableaux sont divisés en deux parties, gauche et droite, respectivement pour les personnes les plus et les moins susceptibles de réaliser l’événement. Pour chaque ligne, le ratio par lequel les utilisateurs ayant le comportement ou l’attribut dans la colonne de gauche sont plus ou moins susceptibles de réaliser l’événement est affiché dans la colonne de droite. Ce nombre est le rapport entre les scores de vraisemblance des utilisateurs ayant ce comportement ou cet attribut, divisé par la probabilité de réaliser l’événement sur l’ensemble de l’audience de prédiction.

Ce tableau n’est mis à jour que lorsque la prédiction se réajuste et non lorsque les scores de vraisemblance de l’utilisateur sont mis à jour.