Predictive scoring

Predictive scoring holder tre tal opdateret på hver kontakt: churn-sandsynlighed, forventet livstidsværdi og købssandsynlighed. De skrives på selve kontaktposten, og det er den vigtige del — de optræder i segment-byggeren som almindelige numeriske felter ("ML churn-sandsynlighed", "ML købssandsynlighed"), så en højrisiko-målgruppe er et filter, du sætter i brugerfladen og derefter giver videre til en journey, præcis som enhver anden regel.

Der er to motorer bag scorerne, og her er den ærlige version. Ud af boksen bruger platformen altid-tilgængelig heuristisk scoring udledt af den adfærd, den allerede sporer — recency, engagement, ordrehistorik. Deploy den Python-baserede ML-sidecar, og den træner modeller pr. konto på jeres egne data og tager over på de samme tre kolonner. Forskellen betyder noget, fordi featuren dermed aldrig er en blank skærm, der venter på en data scientist: den virker den første dag og bliver bedre senere, og hver scoring-kørsel registreres, så du kan se, hvilken motor der har lavet de aktuelle tal.

Et summary-endpoint rapporterer dækning og fordeling — gennemsnitlig churn og propensity, samlet forventet værdi, og hvor mange kontakter der ligger over høj-risiko- og høj-intent-tærsklerne — så du kan efterprøve scorerne, før du bygger en kampagne på dem. Scorerne flyder også ind i warehouse-eksporter til jeres egen analyse, og de slettes, når en kontakt anonymiseres ved en GDPR-anmodning, som enhver anden udledt attribut. Predictive scoring er en Business-og-op-feature; se dokumentationen for detaljerne på feltniveau.