Прогнозируемые показатели в Google Analytics 4

Google Analytics помогает нам собирать и измерять действия пользователей на сайте или в мобильном приложении, предоставляя большое количество всевозможных параметров и показателей для анализа. Как правило, к ним относится стандартный набор заранее предопределенных метрик, которые мы используем в отчетах для решения конкретных задач. Но с появлением нового счетчика Google Analytics 4 ситуация кардинально изменилась - теперь Google обладает еще и прогнозными показателями.

На момент написания данной статьи в GA4 доступно три прогнозируемых показателя, которые вы можете использовать для получения дополнительной информации о ваших клиентах:

1. Вероятность покупки (Purchase probability) - вероятность того, что для пользователя, который был активен в последние 28 дней, в ближайшие 7 дней будет зарегистрировано событие покупки;
2. Вероятность потери (Churn probability) - вероятность того, что пользователь, который был активен на сайте или в приложении в последние 7 дней, в ближайшие 7 дней не будет проявлять активность;
3. Прогнозируемый доход (Revenue prediction) - доход, который ожидается по всем конверсиям-покупкам в ближайшие 28 дней от пользователя, который был активен в последние 28 дней.

Для того, чтобы прогнозы по всем этим метрикам стали доступны в интерфейсе Google Analytics 4, вы должны отслеживать событие purchase (для сайта) или in_app_purchase (для мобильного приложения). Для purchase также необходимо собирать параметры value и currency.

Примечание: сейчас события purchase/ecommerce_purchase и in_app_purchase поддерживаются только для показателей вероятности покупки и прогнозирования дохода.

Создание прогнозируемой аудитории

На основе прогнозируемых показателей можно создавать прогнозируемые аудитории (predictive audiences). А чтобы узнать, доступны ли они вам для использования в Google Analytics 4, перейдите в раздел Конфигурация - Аудитории и создайте новую аудиторию:

Создать прогнозируемую аудиторию можно 3 способами:

1. на основе шаблона;
2. через рекомендуемые сегменты;
3. с помощью редактора аудиторий с добавлением условия и прогнозируемого показателя;

Аудитории на основе шаблонов

Если в разделе Варианты аудиторий вы не видите вкладки Прогнозируемые (Predictive), значит ваш ресурс GA4 не удовлетворяет минимальным требованиям для прогнозных моделей, и вы не сможете воспользоваться прогнозируемыми показателями в своем проекте:

Ресурс, в котором доступны прогнозируемые аудитории, будет выглядеть так:

Но если вы просто хотите посмотреть, как выглядят прогнозируемые аудитории и какие условия с прогнозируемыми показателями для них подобраны, вы можете воспользоваться тестовым аккаунтом Google Analytics 4. Так же перейдите в раздел Конфигурация - Аудитории. Создать новую аудиторию в тестовом аккаунте Google вы не сможете (не хватит доступов), но выбрать доступную из списка получится. Аудитории, помеченные иконкой волшебного карандаша, являются прогнозируемыми:

Например:

• Predicted 28-day top spenders - пользователи с прогнозируемыми высокими расходами (для нас доходами) за 28 дней;
• Likely 7-day purchasers - пользователи, которые могут совершить покупку в течение семи дней;
• Likely 7-day churning users - пользователи, которые могут перестать быть активными в течение семи дней.

Таким образом, Google за нас определил наиболее интересные (перспективные) с точки зрения денег и активности аудитории и создал их, а также добавил отдельно пользователей, которые, согласно прогнозной модели, будут неактивны и невостребованны для нас в ближайшее время. На такие аудитории можно настраивать рекламные кампании (ремаркетинговые) в Google Ads или вовсе исключать их из показа. Прогнозируемые аудитории будут автоматически доступны для всех аккаунтов Google Рекламы, связанных с вашим ресурсом GA4. Просто превосходно!

Чтобы узнать, какое условие Google добавил для прогнозируемой аудитории, напротив ее названия нажмите на иконку с тремя точками и выберите Просмотр:

Вам откроется редактор аудиторий со всеми условиями. Например, прогнозируемая аудитория Predicted 28-day top spenders была создана на основе прогнозируемого показателя Прогнозируемый доход с условием больше, чем 95-й процентиль:

Подробнее о других способах создания прогнозируемых аудиторий читайте в этой статье.

Примечание: прогнозируемые показатели для каждой доступной модели вычисляются для каждого активного пользователя один раз в день.

Что такое процентиль?

Данный термин очень часто встречается в зарубежной литературе и в разных статистических исследованиях психологов, социологов, биологов, медиков, математиков, аналитиков, так как удобен и прост в записи. Процентили используются для понимания и интерпретации данных. Они указывают значения, ниже которых находится определенный процент данных в исследуемой выборке.

Работая с Google Analytics 4, вы должны понимать, что такое процентиль, поскольку часть прогнозируемых показателей содержит в себе это название. Например, если вы создадите исследование Общая ценность пользователя, то в нем вам станет доступен ряд показателей, которые вы сможете добавить к отчету. Среди них присутствует целая категория прогнозируемых метрик (Прогнозируемые):

В некоторых показателях встречается слово Процентиль: Процентиль 10, Процентиль 50, 80-ый процентиль, Процентиль 90. Так что же это такое?

ПроцентИль (ударение на последний слог), по-английски Percentile - статистическая мера, указывающая значение, которое заданная случайная величина не превышает с указанной вероятностью. Например, 50-й процентиль означает, что 50% значений из исследуемой выборки располагается ниже этого уровня, а 50% значений находится выше. То есть 50-й процентиль является медианой. Или 20-ый процентиль - значение, ниже которого могут быть обнаружены 20% наблюдений, а 80% оставшихся наблюдений (данных) находится, соответственно, вышего 20-го процентиля. И так далее.

Процентили часто используют при анализе результатов тестов, экзаменов, социологических опросов и т.д., в сравнении показателей здоровья различных групп людей и в других измерениях. Например, 20-летний мужчина ростом 178 см находится в 80-ом процентиле своего роста. Это означает, что 80% всех 20-летних мужчин имеет рост не более 178 см. С другой стороны, 16-летняя женщина ростом 160 см находится в 10-ом процентиле для своего роста, то есть только 10% процентов всех женщин ее возраста имеют такой же рост или ниже.

Процентили можно вычислить по формуле:

, где:

• P - процентиль;
• N - количество значений в наборе данных (отсортированных от наименьшего к наибольшему);
• n - порядковый ранг данного значения.

Для лучшего понимания давайте разберем несколько примеров.

Пример №1

Предположим, у нас есть данные по 20 студентам, которые сдавали экзамен. Они получили следующие баллы:

• 5 баллов - 3 студента;
• 4 балла - 10 студентов;
• 3 балла - 5 студентов;
• 2 балла - 2 студента.

Необходимо вычислить процентиль успеваемости каждого студента.

Для расчета процентиля необходимо расположить значения в наборе данных по порядку от меньшего к большему и каждому значению из набора данных присвоить порядковый номер (ранг). Получим оценки студентов по возрастанию: 2, 2, 3, 3, 3, 3, 3, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 5, 5, 5.

Допустим, нам необходимо определить процентиль студента Белякова, который получил на экзамене оценку 5. Воспользовавшись формулой расчета, подставим значения:

, где:

• n = 20 - порядковый ранг (число студентов, получивших балл не больше 5, то есть это все студенты, поскольку 5 - максимальный балл на экзамене);
• N = 20 - количество студентов в наборе (всего экзамен сдавало 20 студентов).

Таким образом, процентиль студента Белякова P=100 (2000/20), 100-ый процентиль. 100-й процентиль определяется как самое большое значение в исходном наборе данных.

Аналогичным образом можно произвести расчет процентиля для студентки Тепляковой, которая получила за экзамен оценку 4. Воспользовавшись формулой расчета, подставим значения:

, где:

• n = 17 - порядковый ранг (число студентов, получивших балл не больше 4, то есть это все студенты, кроме трех, которые получили за экзамен 5);
• N = 20 - количество студентов в наборе (всего экзамен сдавало 20 студентов).

Таким образом, процентиль студентки Тепляковой P=85 (1700/20), 85-ый процентиль.

Произведем расчет процентиля для студента Романова, который получил на экзамене оценку 3. В очередной раз воспользуемся той же формулой, поставив в нее нужные значения:

, где:

• n = 7 - порядковый ранг (число студентов, получивших балл не больше 3, то есть это все студенты, кроме трех, которые получили за экзамен 5, и 10 студентов, которые получили за экзамен 4);
• N = 20 - количество студентов в наборе (всего экзамен сдавало 20 студентов).

Таким образом, процентиль студента Романова P=35 (700/20), 35-ый процентиль.

Последний расчет выполним для студентки Паршковой, которая на экзамене получила оценку 2. Итоговая формула:

, где:

• n = 2 - порядковый ранг (число студентов, получивших балл не больше 2, то есть это оставшиеся два студента);
• N = 20 - количество студентов в наборе (всего экзамен сдавало 20 студентов).

Таким образом, процентиль студентки Паршковой P=10 (200/20), 10-ый процентиль.

После расчета процентиля можно составить таблицу стандартизации. Для наших баллов она будет выглядеть следующим образом:

Процентили делят всю выборку на определенные части. Например, 10-й процентиль охватывает 10% объема выборки, 35-ый процентиль - 35% и т.д. Чем выше процентиль, тем больше данных он включает. Диапазон, который может приниматься - от 1 до 100.

Пример №2

Предположим, те же 20 студентов сдают тест, состоящий из 90 вопросов. Проходной порог, когда тест считается сданным, составляет 2/3 правильных ответов, то есть не менее 60.

Допустим, студент Беляков правильно ответил на 80 вопросов и сдал тест. Аналогичным образом преподаватель может проверить все оставшиеся работы, сравнив количество правильных ответов каждого студента с пороговым значением. Если правильных ответов больше 60 - тест сдан; если меньше - нет. В результате будет сформирован список сдавших и не сдавших студентов.

Но провести исследование можно и по-другому: оценить не результаты студентов, а сложность самого теста, сравнив ответы не с проходным баллом (60), а между собой. Изменив таким образом условия, мы получим совсем другие результаты. Теперь нужно понять: 80 правильных ответов Белякова - это много или мало по сравнению с остальными? Вот это и покажет процентиль.

Предположим, показатель Белякова равен 5-ому процентилю. Это означает, что он написал тест лучше, чем всего 5% студентов (1 человек из 20 получил от 0 до 80 баллов). Получается, что остальные 19 студентов набрали больше, чем 80 баллов за тест.

Какой вывод можно сделать?

• тест для данной выборки студентов был очень легким;
• порог правильных ответов (60) в тесте можно повысить.

Предположим, показатель Белякова равен 90-ому процентилю. Это означает, что он написал тест лучше, чем 90% студентов. Полученные результаты можно интерпретировать иначе: только 10% (2 человека из 20) набрали более 80 правильных ответов. Значит задания в тесте были весьма трудными.

Пример №3

Теперь перейдем к практическому примеру из Google Analytics 4. Создав исследование Общая ценность пользователя и добавив к нему показатели из раздела Прогнозируемые, а также параметр Дата первого посещения для разбивки данных в таблице, получим следующую картину:

• Зеленым отмечена когорта пользователей, которая посетила сайт 3 августа 2021 года. Исходя из прогнозируемого показателя Вероятность покупки: Процентиль 90 вероятность того, что пользователи совершат как минимум одну покупку в течение следующих 7 дней, составляет 34,7%;
• Красным отмечена когорта пользователей, которая посетила сайт 18 октября 2021 года. Исходя из прогнозируемого показателя Вероятность потери: Процентиль 90 вероятность того, что пользователи не будут проявлять активность на вашем сайте в течение следующих 7 дней, составляет 94,8%.

Список прогнозируемых показателей

На текущий момент, в Google Analytics 4 доступно три прогнозируемых показателя, а также целый набор различных процентилей и средних значений для каждого из них:

• Вероятность покупки в приложении: 80-й процентиль (In-app purchase probability: 80th percentile)
• Вероятность покупки в приложении: Процентиль 10 (In-app purchase probability: 10th percentile)
• Вероятность покупки в приложении: Процентиль 50 (In-app purchase probability: 50th percentile)
• Вероятность покупки в приложении: Процентиль 90 (In-app purchase probability: 90th percentile)
• Вероятность покупки в приложении: Среднее значение (In-app purchase probability: Average)
• Вероятность покупки: 80-й процентиль (Purchase probability: 80th percentile)
• Вероятность покупки: Процентиль 10 (Purchase probability: 10th percentile)
• Вероятность покупки: Процентиль 50 (Purchase probability: 50th percentile)
• Вероятность покупки: Процентиль 90 (Purchase probability: 90th percentile)
• Вероятность покупки: Среднее значение (Purchase probability: Average)
• Вероятность потери: 80-й процентиль (Churn probability: 80th percentile)
• Вероятность потери: Процентиль 10 (Churn probability: 10th percentile)
• Вероятность потери: Процентиль 50 (Churn probability: 50th percentile)
• Вероятность потери: Процентиль 90 (Churn probability: 90th percentile)
• Вероятность потери: Среднее значение (Churn probability: Average)
• Прогнозируемый доход: 80-й процентиль (Predicted revenue: 80th percentile)
• Прогнозируемый доход: Процентиль 10 (Predicted revenue: 10th percentile)
• Прогнозируемый доход: Процентиль 50 (Predicted revenue: 50th percentile)
• Прогнозируемый доход: Процентиль 90 (Predicted revenue: 90th percentile)
• Прогнозируемый доход: Среднее значение (Predicted revenue: Average)