Predykcja zakupowa: jak odczytywać wynik Flowpredict?

1. Czytaj wynik jako sygnał zainteresowania.

Na profilu zacznij od czterech informacji: wyniku, przebiegu wizyty, zakupu oraz rozpoznania kontaktu. Poniżej odwiedzający ma 71/100, dwie wizyty, siedem odsłon i dodanie do koszyka, ale nie ma zarejestrowanego zakupu. To konkretny powód, żeby sprawdzić ofertę i ostatni etap ścieżki. Sam wynik nie wyjaśnia, czy przeszkodą była dostawa, cena czy przerwana wizyta.

Etykieta „Anonim” jest równie ważna jak wysoki wynik. Pozwala analizować zachowanie, lecz nie zapewnia adresata dla tagu w narzędziu marketingowym. Akcja kontaktowa wymaga rozpoznania, powiązania z kontaktem w integracji oraz właściwej zgody. Nie odczytuj samego wyniku jako uprawnienia do komunikacji.

2. Sprawdź intencję także przed koszykiem.

Profil 40/100 ma pięć wizyt i 23 odsłony, ale nie ma koszyka ani zakupu. Model może oceniać zainteresowanie przed dodaniem produktu. Przy warunku „wynik co najmniej 70” ten profil jednak nie przejdzie dalej. Powroty nie gwarantują wzrostu wyniku; kolejne przeliczenie uwzględnia dostępne sygnały, a nie samo narastanie licznika odsłon.

To osobny odwiedzający, nie wcześniejszy etap profilu 71. Więcej wizyt przy niższym wyniku nie jest samo w sobie sprzecznością: model uwzględnia wiele cech zachowania. Radar pomaga odczytać ich szacowany udział, ale nie dowodzi, że sztuczne zwiększenie danej cechy wywoła zakup.

Próg 70 jest wybraną regułą działania, nie obietnicą, że siedem na dziesięć osób kupi. Ustawiasz go osobno od progów segmentów raportu ML. Zapisz, jaki zakres grupy i koszt pomyłek akceptujesz; nie zmieniaj progu wyłącznie po to, aby konkretny profil trafił do kampanii.

3. Sprawdź, co naprawdę znaczy trafność modelu.

Dokładność (accuracy) to odsetek poprawnych ocen modelu. Zależy też od proporcji kupujących i niekupujących. Przy 1 000 obserwacji i 20 zakupach reguła „nikt nie kupi” miałaby 98% dokładności, choć nie wskazałaby żadnego kupującego. To przykład rachunkowy, nie wynik Flowpredict.

Odróżnij wynik osoby od wskaźników całego modelu. Na nowych profilach obok wyniku 40, 71 lub 95 widnieje dokładność 94,4% z opisem testu: jeden kupujący na maksymalnie czterech niekupujących, nie realny ruch. Nie jest to skuteczność przyszłej kampanii ani odsetek osób z wynikiem 71, które kupią. Przy ocenie potrzebujesz też liczby przypadków, okresu i rodzaju pomyłek.

4. Zapisz wynik przed działaniem, a rezultat sprawdź później.

Własną ocenę zacznij od notatki wykonanej przed akcją: data, wynik, osiągnięty etap, wybrany warunek i liczba obserwowanych przypadków. Ustal okno, w którym sprawdzisz późniejszy zakup. Nie odtwarzaj oceny na podstawie profilu już po zakupie — wykorzystałbyś informacje, których wcześniej nie było.

Oceń próbę z późniejszego okresu niż dane użyte do przygotowania reguły. Zachowaj te same definicje i okno obserwacji. Jeśli równocześnie zmienisz próg, rabat oraz treść wiadomości, nie ustalisz, co wpłynęło na wynik. Przy nowej promocji lub zmianie asortymentu ponownie sprawdź użyteczność progu.

5. Przełóż intencję na warunki i tag kontaktu.

Rozpoznany profil poniżej ma 95/100, sześć wizyt, 40 odsłon i aktywność w koszyku i formularzu zamówienia, ale nadal zero zakupów. Możesz sprawdzić, czy spełnia regułę wysokiej intencji. Oznaczenie „Rozpoznany” nie potwierdza jeszcze zgody ani połączenia z wybraną platformą — zweryfikuj je przed akcją.

Dla scenariusza opartego na wyniku ustaw wyzwalacz ML co najmniej 70, dodaj kontrolę zakupu w ostatniej dobie i skieruj gałąź „NIE” do tagu wysoka_intencja w GetResponse. Opcjonalne +25 punktów zmienia punktację kontaktu w GetResponse, a nie wynik Flowpredict. Tag pozwala wybrać grupę odbiorców; wiadomość, wykluczenia i limity komunikacji konfigurujesz w platformie docelowej.

W wariancie przed koszykiem zacznij np. od wejścia na adres zawierający /kolekcja/. Sprawdź wynik Flowpredict. Brak zarejestrowanego koszyka sprawdzisz warunkiem zainteresowania produktami: dowolny produkt, dodanie do koszyka, minimum jedno, wybrany okres — gałąź „NIE”. Osobno sprawdź brak zakupu. Aby reagować na późniejszy wzrost wyniku, wybierz cyklicznie sprawdzany wyzwalacz ML; pojedyncza odsłona listy nie czeka na przyszłe przekroczenie progu.

6. Oddziel trafny wybór grupy od skuteczności wiadomości.

Najpierw sprawdź, czy wybrany wynik porządkuje zainteresowanie: ile przypadków weszło do grupy, ile później kupiło i ilu kupujących pozostało poza nią. Użyj ustalonego okna oraz tej samej definicji zakupu. Nie porównuj wyłącznie procentów z grup o bardzo różnej liczebności.

Osobno oceniaj wpływ komunikacji. Osoby blisko zakupu mogłyby wrócić bez wiadomości, więc zakup po tagowaniu nie jest dowodem odzyskanej sprzedaży. Jeśli oceniasz wpływ, zaplanuj porównywalną grupę odniesienia i koszt działania. Gdy wysoki wynik przestaje pomagać, sprawdź nowe zdarzenia, źródła ruchu i przykłady ścieżek, zanim zmienisz próg.

7. Po zakupie uporządkuj wcześniejsze oznaczenia.

Na kolejnym, niezależnym profilu widać trzy wizyty, 22 odsłony i jedno zamówienie 669 PLN. Panel pokazuje „Zakup zrealizowany” oraz brak bieżącej oceny intencji. To informacja o osiągniętym etapie, nie dowód, że wcześniejsze tagi i wiadomości zostały automatycznie wyłączone.

Przygotuj osobny scenariusz: zarejestrowany zakup → usuń tag używany przed zakupem. W GetResponse wybierz istniejący tag, który naprawdę nadawała wcześniejsza automatyzacja. Sprawdź wykonanie akcji oraz reguły segmentu po stronie platformy. Sam spadek wyniku nie usuwa tagu, a usunięcie tagu nie gwarantuje cofnięcia wiadomości już skierowanej do wysyłki.