予測を作成する

予測を使用すると、ユーザーが将来特定のイベントやアクションを実行する可能性に基づいてユーザーをセグメント化できます。

予測を作成する

Amplitudeで予測を作成するには、以下の手順に従ってください。

1. [ユーザー] > [予測] に移動します。 次に、+ 予測を作成をクリックします。
2. [すべてのユーザーから開始] をクリックして、この予測を過去 90 日間にアクティブなすべてのユーザーに適用するか、独自の開始コホートを定義します。
3. 独自の開始コホートを定義することを選択した場合、コホートに含めるユーザーを選択します。 「開始コホートの定義」で、コホートのユーザーが共有するイベント、プロパティ、またはステータスを選択します。
4. 開始コホートに実行してもらいたいアクションを指定します。 _「将来の結果を定義」_の下で、ユーザーが実行または実行を回避することを希望するイベント、アクションを実行した後にユーザーに保持させるプロパティ、またはこれら3つのすべてを組み合わせて指定します。 今後のアクションの期間を指定します。

5. オプション設定を追加するには、_詳細なモデル設定_を使用してください。 このセクションでは、特定のユーザープロパティを含めるか除外するかによって、開始コホートをさらに定義できます。［Include］または［Exclude］の下の［Add Feature］をクリックして、ユーザープロパティを検索します。[保存] をクリックします。
6. 予測に名前を付け、簡単な説明を追加してください。 次に、「保存」をクリックします。 Amplitudeが予測を構築するのに約1時間かかります。 予測の準備が整ったら、Amplitudeからメールが送信されます。

予測を分析する

Amplitudeが予測の作成を完了したら、結果を確認してください。 結果に応じて、予測をコホートとして保存するか、新しい予測からやり直します。

1. 予測の結果を表示するには、_ユーザー > 予測_に移動します。 これまでに作成されたすべての予測のリストが表示されます。
2. 予測を見つけてクリックすると、予測エクスプローラーの［オーディエンス分析］タブが開きます。 このタブには、開始時のコホート内の全ユーザーの分布が表示されます。
   • Y軸は、ユーザーがコンバージョンする可能性を示しています。たとえば、先ほど指定した将来の結果に到達する可能性などです。
   • X軸はユーザーのパーセンタイルを示しています。

パーセンタイル単位でユーザー範囲を選択し、その範囲に属するユーザーの数、その範囲内のユーザーの予測コンバージョン率、および平均と比較したユーザーのコンバージョン可能性を確認できます。

フィーチャーの重要度

予測を有効にするには、コンテキストが必要です。 Amplitudeは、_オーディエンス定義_チャートの下にある [フィーチャーの重要度] セクションで、予測モデルにとって最も重要なイベントとユーザープロパティをランク付けします。

[フィーチャーの重要度] の [イベント] タブには、以下の列とインサイトを含むテーブルがあります。

• 「比率」列では、イベントやプロパティがモデルに対する重要性に基づいてランク付けされます。 Amplitudeは、イベントを発行した選択されたパーセンタイル範囲内のユーザーの割合を、その範囲外のユーザーと比較することによってこのランキングを計算します。
• [イベント] 列には、ランク付けされたイベントが一覧表示されます。
• ［% in Range］ 列には、選択したパーセンタイル範囲内のユーザのうち、該当するイベントを発行したユーザの割合が指定されます。 この列を基準にソートすると、エンゲージメントの総合レベルに基づいてイベントをランク付けできます。
• 「範囲外の割合 (%)」列は、イベントを実行したが選択したコホートに含まれていないユーザーの割合を計算します。
• ［Frequency］ 列には、選択した範囲内のユーザーがイベントを起動した平均回数が表示されます。 この列を基準にソートすると、エンゲージメントの総合レベルに基づいてイベントをランク付けできます。

[重要なイベントを表示] をクリックしてランク付けされたイベントのリストを絞り込み、テーブルに表示するイベントを変更するか、カレンダーアイコンをクリックして指定された時間枠とオフセットを変更します。変更された時間枠は、_[Events]タブと[ユーザープロパティ]_タブの両方に適用されます。

_[ユーザープロパティ]_タブには、ユーザープロパティのランキングと予測モデルに対するそれらの重要度が表示されます。 [プロパティの選択]をクリックして、レビューするユーザープロパティを選択します。イベント表と同様に、ユーザープロパティ_表もプロパティ値を_比率、範囲内の %、_範囲外の %_でランク付けします。テーブルに隠しプロパティ値を含めるには、［隠しプロパティ値を表示］を選択します。

モデルパフォーマンス

この時点で、予測の正確さを評価することができます。 Amplitudeは、_モデルパフォーマンス_タブでこれを行うためのメトリクスを提供します：

• 真陽性率：コンバージョンすると予測されたユーザーの割合です。
• 偽陽性率：コンバージョンしないと予測されたユーザーの割合。
• AUC（精度）：曲線の下の面積。真陽性率と偽陽性率の両方を重み付けする尺度です。
• ログ損失（予測値と実際値）：予測コンバージョン率と観測された過去のコンバージョン率との差（パーセント単位）。

一般的に言って、良いモデルは少なくとも70%の精度を持っています。精度が50%以下のモデルは、その予測能力においてコイン投げと同等か、それ以下でしかありません。

優れた予測モデルを作成するためのヒント

• 1日あたり50件以上のユニークなアクションがある結果イベント：結果イベントには、毎日少なくとも50件、理想的には100件のユニークなユーザーアクションがあるようにしてください。コンバージョン数がこのしきい値を下回ると、モデルはシグナルを検出せず、すべてのユーザーに同じコンテンツを推奨します。
• オーディエンスのターゲットユーザーコホートのユーザー数は1,000人から1,000万人：ユーザー数が1,000人を下回っている場合、オーディエンスはユーザーを1対1のレベルで使用することはできません。ユーザー数が1,000万人を超える場合、Amplitudeはコホートをフィルタリングします。
• 十分な規模のデータセット：データが多いほど、レコメンデーションの精度が向上します。Amplitudeでは、予測を構築するにはユーザーあたり少なくとも1万件のイベントが必要です。
• Amplitude内の目標結果に関連する関連イベント：目標結果を相互参照し、適切なイベントをすでに計測済みであることを確認してください。 これらのイベントは通常、Purchaseまたは Transaction completedです。

予測に基づいてコホートを構築する

有用な予測が得られたら、その予測をコホートとして保存できます。 これにより、コホートに戻り、ターゲティングキャンペーンで繰り返し使用できます。

予測をコホートとして保存するには、次の手順に従ってください。

1. スライダーを使用して、チャート上のパーセンタイル範囲を選択します。次に、「予測コホートとして保存」をクリックします。
2. コホートに名前を付け、**[保存]**をクリックします。

初期コホートを上位20%対下位80%、上位50%対下位50%といった2つのセクションにのみ分割することは避けてください。 他のアプローチでも、より有益な結果を得ることができます：

• 確率の変曲: 分布グラフが指数関数的に急上昇する地点を見つけ、その急上昇に沿ってユーザーを分割します。 これにより、ユーザーは予測コンバージョン率のほぼ同じバケットにグループ化されます。
• サンプルサイズ：グロースキャンペーンでターゲットにしたいユーザー数がわかっている場合は、チャートの右側でその割合を選択してください。たとえば、2,000人のユーザーをターゲットにしたい場合、開始コホートのユーザー数が20,000人であるなら、上位10%を選択します。
• 検出可能な最小上昇率：グロースキャンペーンで選択したユーザーをターゲットにする場合は、サンプルサイズが上昇率を検出できるほど大きいことを確認してください。たとえば、予測の上位20%に2万人のユーザーがいるにもかかわらず、予測コンバージョン率が1%の場合、統計的に有意なレベルでのリフトを検出することはできません。 代わりに、サンプルサイズをユーザーの上位45%にあたる45,000人のユーザーに拡大する必要があります。

予測コホートを分析する

予測をコホートとして保存すると、それを任意のAmplitude Analyticsチャートで分析に使用できます。 予測に基づくコホートで以下の分析を試してみてください。

• 上位20%と下位80%のコホートを作成して、最良のユーザーと最悪のユーザーを比較します。これらの値を任意のチャートの右側のモジュールで異なるセグメントとして設定できます。
• イベントセグメンテーション: コンバージョン前に、最も優れたユーザーと最も悪いユーザーの過去の行動傾向を分析します。
• パスファインダー: ユーザーがコンバージョンする可能性が高い場合と低い場合に実行するさまざまなアクションシーケンスを特定します。
• 構成: コホートプロパティ値を分類して、ユーザープロパティを比較します。たとえば、最高のユーザーと最悪のユーザーがどの国にいるかなどです。
• エンゲージメントマトリクス: 頻度とユーザーの割合のバランスに基づいて、最高のユーザーと最悪のユーザーによって発生されたイベントを比較します。
• ファネル: 最適なユーザーと最悪のユーザーの間で、あらゆるアクションシーケンスについて相対的なコンバージョン率を比較します。