Adapty Tahminleri, aşağıdaki soruları yanıtlamanıza yardımcı olmak için tasarlanmıştır:

1. Kullanıcı kohortlarınızın tahmin edilen yaşam boyu değeri (LTV) nedir?
2. Hangi kohortların gelecekte en yüksek geliri elde etmesi bekleniyor?
3. Tahmin edilen geri dönüşü bilerek ne kadar yatırım yapabilirsiniz?

Adapty tahminiyle değerli içgörüler elde edebilir ve gelirinizi ve büyüme stratejinizi optimize etmek için veriye dayalı kararlar alabilirsiniz.

Adapty’nin tahmin modeli, uygulamanızın kullanıcılarının uzun vadeli gelir potansiyelini ve davranışlarını daha iyi anlamanıza yardımcı olmak için makine öğrenmesini kullanan güçlü bir yeni özelliktir. Gelişmiş gradyan artırma teknikleri kullanılarak, LTV tahmin modeli bir kullanıcının abone olarak geçireceği süre boyunca elde etmesi beklenen toplam geliri tahmin edebilir. Bu, kullanıcı edinme, pazarlama stratejileri ve ürün geliştirme konusunda bilinçli kararlar almanıza yardımcı olacaktır.

Şu anda LTV tahmin modeli iki tür tahmin sunmaktadır: tahmin edilen LTV ve tahmin edilen gelir.

Kohortlarda tahminler

Adapty artık abonelik tabanlı uygulamalar için kullanıcıların yaşam boyu değerini (LTV) ve tahmin edilen gelirlerini öngörme imkânı sunmaktadır. Bu tahminler, 3, 6 ve 12 aylık dönemler için kohort analizi sayfasında görüntülenebilir.
Ancak, modelin şu anda süresiz erişim ve tek seferlik satın almalar için çalışmadığını belirtmek önemlidir. Ayrıca LTV modelinin doğruluğu, sınırlı veriye sahip çok yeni uygulamalar ve kullanıcı trafiğinde önemli değişiklikler yaşayan uygulamalar için daha düşük olabilir.

Tahmin modeli

Tahmin modeli, büyük veri kümelerini verimli biçimde işleyebilen, son derece doğru bir makine öğrenmesi algoritması olan gradyan artırma kullanılarak oluşturulmuştur. Abonelik tabanlı uygulamalarınızdan elde edilen işlem verilerini kullanarak modelimiz, profil oluşturulduktan bir yıl sonraki kullanıcı LTV’sini tahmin edebilmektedir. Modelde kullanılan veriler tamamen anonimleştirilmektedir.

Model, Adapty içindeki tüm uygulamalarınızın verileriyle eğitilir. Bununla birlikte, tahmin edilen değerler; her bir uygulamayla ilişkili kohortlarda gözlemlenen özgün davranış kalıplarına göre ayrıca iyileştirilir ve özelleştirilir. Bu düzeltme sonrası algoritma, her uygulamanın benzersiz özelliklerini göz önünde bulundurarak daha doğru tahminler üretilmesini sağlar.

Model, %10’un biraz altında bir Ortalama Mutlak Yüzde Hata (MAPE) değeriyle yüksek bir doğruluk düzeyine ulaşmaktadır. Bu hassasiyet düzeyi, işletmelerin veriye dayalı kararlar alırken modelin tahminlerine güvenle dayanmasını sağlar.

Adapty, LTV tahmini için iki farklı gradyan artırma modeli kullanır:

• Gelir tahmin modeli: Bir kullanıcı kohortu tarafından üretilen toplam geliri tahmin eder.
• LTV tahmin modeli: Bir kohortdaki kullanıcıların ortalama LTV’sini tahmin eder.

Eğitilmiş modeller daha sonra, kohort oluşturulduktan sonraki seçilen dönem (3, 6, 9 veya 12 ay) içinde her bir kohortun toplam gelirini ve ortalama LTV’sini tahmin etmek için kullanılır. Bu tahminler, tipik kullanıcı davranış kalıplarıyla tutarlı olduğundan emin olmak amacıyla doğrulanır ve sınırlandırılır.

Tahminler başlangıçta, kohort oluşturulduktan 1-3 hafta sonra üretilir. Bu süre, yeterli veri toplanmasına ve analiz edilmesine olanak tanır. Örneğin, bir kohort 1 Ocak’ta oluşturulursa, o kohort için tahminler 15 Ocak ile 29 Ocak arasında bir tarihte kullanılabilir hale gelir.

İlk tahminlerin üretilmesinin ardından tahminler, kohort için mevcut en güncel işlem verileri kullanılarak her gün güncellenir. Bu sık güncelleme, tahminlerin güncel kalmasını ve kohortun en son davranışını yansıtmasını sağlar.

Model, geçmiş abonelik dönemlerinden elde edilen gelir, kullanıcı elde tutma oranları, mevcut LTV, abonelik türü, Google Play ve App Store kullanıcılarının oranı ve kullanıcıların ülkelere göre coğrafi dağılımı gibi kohortlara ait çeşitli önemli istatistikleri dikkate alır. Bu özellikler, modelin kullanıcıların gelecekteki LTV’sine ilişkin kesin tahminler üretmek için gereken en ilgili bilgileri yakalamasını sağlamak amacıyla titizlikle seçilmiştir.

Model, aylık abonelikler için artan elde tutma oranı gibi ürün performansındaki değişiklikleri genellikle yaklaşık bir haftalık gecikmeyle yansıtır.

Gelir ve LTV tahmininde kullanılan ML modeli, sonuçları yorumlarken göz önünde bulundurulması gereken bazı sınırlamalara sahiptir. Bu sınırlamalar şunlardır:

• Veri kalitesi: Modelin performansı, mevcut verilerin kalitesine ve temsiliyetine bağlıdır. Veri kalitesi, veri analizinin kritik bir boyutudur; yetersiz sonuçların başlıca nedenlerinden biri, bir kohortun olağandışı davranması ve belirli bir uygulama veya tüm diğer uygulamalar için normal kohort metriklerinden sapmasıdır. Bu tür veriler model için alışılmadık kabul edilir ve beklenmedik sonuçlara yol açabilir. Bu durum, eğitim setine henüz dahil edilmemiş yeni, alışılmadık ürünler veya yeni uygulamalar için daha sık görülür.
• Zaman dilimi: Model, bir kullanıcı kohortu oluşturulduktan itibaren en fazla 12 aya kadar değer tahmin edebilir. Gerçek gelirin artmaya devam ettiğini görürsünüz; ancak tahmin 12 aylık noktada sabit kalır.
• Abonelik süreleri: Model, aylık ve haftalık aboneliklerde en iyi performansı gösterir.

Adapty kohortlarında tahmin

Abonelerinize ait tahmin edilen gelir ve tahmin edilen LTV değerlerine erişmek için Adapty kontrol panelinizde Cohort Analyses sayfasına gidebilirsiniz. Ayrıca Adapty kohortu hakkında daha fazla bilgi edinmek istiyorsanız ilgili dokümantasyona başvurabilirsiniz.

Tahmin edilen gelir (pRevenue) sütunu, bir abone kohortunun, kohort oluşturulduktan sonra seçilen zaman dilimi içinde üretmesi beklenen tahmini toplam geliri gösterir. Bu değer, kullanıcılara yönelik gelir tahmini yapmak için gelişmiş gradyan artırma tekniklerini kullanan Adapty’nin gelir tahmin modeli kullanılarak hesaplanır.

Tahmin edilen LTV (pLTV) sütunu, seçilen kohortdaki her bir kullanıcının tahmini yaşam boyu değerini gösterir. Bu değer, tahmin edilen gelirin kohortdaki tahmin edilen ödeme yapan kullanıcı sayısına bölünmesiyle hesaplanır. Tahmin edilen ödeme yapan kullanıcı sayısı, bir kohortdaki ödeme yapan kullanıcı sayısını öngören Adapty’nin temel tahmin modeli kullanılarak hesaplanır.

Tahmin edilen gelir ve tahmin edilen LTV değerlerinin görüntüleneceği zaman dilimini belirlemek için kullanıcı arayüzündeki zaman dilimi açılır menüsünden istediğiniz değeri seçebilirsiniz. Genellikle kohort oluşturulduktan sonraki 3, 6, 9 veya 12 ay seçenekleri mevcuttur.

Daha da değerli içgörüler sunmak amacıyla Adapty, tahmin edilen geliri ve LTV’yi ürüne göre filtrelemenize olanak tanır. Adapty varsayılan olarak tüm satın alma verilerine dayalı tahminler oluşturur; ancak ürüne göre filtreleme, her ürünün nasıl performans gösterdiğini ve genel tahmin edilen gelir ile LTV’ye nasıl katkıda bulunduğunu daha iyi anlamanıza yardımcı olabilir.

Doğru tahminler üretmek için yeterli veri bulunmadığında, ilgili alanlar kullanıcı arayüzünde grileştirilir. Grileştirilmiş alanların üzerine gelindiğinde “Insufficient data for accurate prediction” mesajını içeren bir araç ipucu görüntülenir. Bu, tahmin edilen değerlerin güvenilir olmayabileceğine ve doğru tahminler üretmek için ek veri toplanması ve analiz yapılması gerekebileceğine dair görsel bir uyarı işlevi görür. Veri eksikliği; kohort oluşturulmasından bu yana geçen sürenin yetersizliği, küçük kohort boyutu veya popüler olmayan abonelik türü gibi çeşitli nedenlerden kaynaklanabilir. Bazı durumlarda kohort, modeli eğitmek için kullanılan normal metriklerden saparak alışılmadık bir davranış sergileyebilir. Birkaç hafta beklemek bu sorunu çözmeye yardımcı olabilir.

Ayrıca bir diğer olası durum, tahmin için herhangi bir değer bulunmamasıdır. Boş sonuçlar; tahmin yapılabilmesi için yeterli veri olmaması (genellikle en az 1-3 haftalık veriye ihtiyaç duyulur) veya tahmin için maksimum zaman diliminin geçmiş olması, yani kohortun oluşturulmasından bu yana bir yıldan fazla süre geçmesi durumunda ortaya çıkabilir.

Adapty kohortları, mevcut geliri ve ödeme yapan kullanıcı başına mevcut parayı göstererek geliriniz ve kullanıcı LTV’niz (yaşam boyu değer) hakkında değerli içgörüler sunar. Bu metrikleri takip ederek gerçek rakamlarınızın tahmin edilen değerlere doğru nasıl ilerlediğini izleyebilir ve zaman içindeki gelişiminizi takip edebilirsiniz. Plan oluşturmada tahmin rakamlarının birincil amacı olmasına karşın, bu tahminleri karar verme sürecinde tek başına kullanmaktan kaçınmak önemlidir. Bunun yerine, stratejinize yön vermek ve bilinçli iş kararları almanıza yardımcı olmak için bir rehber olarak kullanılmalıdır. Adapty kohortları ve tahmin özelliğinden yararlanarak geliriniz ve kullanıcı davranışınız hakkında daha iyi bir anlayış geliştirebilir ve bu bilgileri iş operasyonlarınızı daha büyük bir başarı için optimize etmek amacıyla kullanabilirsiniz.