Prediktiv scoring
Tre poäng underhålls på varje kontakt och är fullvärdiga segmentfält, så "kunder som sannolikt lämnar" är ett filter, inte ett data science-projekt. Heuristiska poäng fungerar direkt; en tränad modell tar över när du driftsätter ML-sidecaren.
Prediktiv scoring håller tre tal aktuella på varje kontakt: churn-sannolikhet, förväntat livstidsvärde och köpsannolikhet. De skrivs på själva kontaktposten, och det är den viktiga delen — de syns i segmentbyggaren som vanliga numeriska fält ("ML churn-sannolikhet", "ML köpsannolikhet"), så en högriskpublik är ett filter du sätter i gränssnittet och sedan lämnar till en journey, precis som vilken annan regel som helst.
Det finns två motorer bakom poängen, och här är den ärliga versionen. Direkt ur lådan använder plattformen alltid tillgänglig heuristisk scoring härledd från beteendet den redan spårar — recency, engagemang, orderhistorik. Driftsätt den Python-baserade ML-sidecaren och den tränar modeller per konto på era egna data och tar över samma tre kolumner. Skillnaden spelar roll eftersom funktionen därmed aldrig är en tom skärm som väntar på en data scientist: den fungerar första dagen och blir bättre senare, och varje scoring-körning loggas så du kan se vilken motor som gav de aktuella talen.
Ett summary-endpoint rapporterar täckning och fördelning — genomsnittlig churn och propensity, totalt förväntat värde, och hur många kontakter som ligger över hög-risk- och hög-intent-trösklarna — så du kan rimlighetskontrollera poängen innan du bygger en kampanj på dem. Poängen flödar också in i warehouse-exporter för er egen analys, och de raderas när en kontakt anonymiseras vid en GDPR-begäran, som varje annan härledd attribut. Prediktiv scoring är en Business-och-uppåt-funktion; se dokumentationen för detaljer på fältnivå.
Fördelar
Why it matters
Fungerar innan ni har ett datateam
Heuristiska poäng är alltid på, så segmentfälten är ifyllda från dag ett. Den tränade modellen är en uppgraderingsväg, inte ett krav.
En poäng du kan segmentera på
Churn-sannolikhet och propensity är vanliga segmentfält, så en retention-publik byggs på samma plats som alla andra — och flödar direkt in i en journey.
Granskningsbar, inte en svart låda
Varje scoring-körning loggas med motorn som skapade den, och ett summary-endpoint visar fördelningen innan du agerar på den.
Funktioner
What you can do
Tre poäng per kontakt
Churn-sannolikhet, förväntat livstidsvärde och köpsannolikhet, lagrade på kontaktposten.
Heuristisk motor, alltid tillgänglig
Härledd från recency, engagemang och orderhistorik — inga träningsdata, ingen extern tjänst, inget tomt läge.
Tränade modeller via ML-sidecaren
En Python-tjänst tränar modeller per konto på era egna data och skriver samma tre kolumner när den är driftsatt.
Täcknings- och fördelningssammanfattning
Genomsnittlig churn och propensity, totalt förväntat värde, och antal över hög-risk- och hög-intent-trösklarna.
Exporterad och GDPR-medveten
Poängen ingår i warehouse-exporter och raderas när en kontakt anonymiseras vid en dataförfrågan.
API-exempel
Build it in minutes
# Predictive endpoints use a dashboard session (JWT), not an API keycurl https://api.wezend.com/v1/ml/summary \ -H "Authorization: Bearer $WEZEND_JWT" # Re-score this account's contactscurl -X POST https://api.wezend.com/v1/ml/score \ -H "Authorization: Bearer $WEZEND_JWT"Vanliga frågor
Behöver jag träningsdata för att börja?
Nej. Den heuristiska motorn poängsätter utifrån beteende plattformen redan spårar, så fälten är användbara direkt. Att driftsätta ML-sidecaren senare byter in tränade modeller per konto utan att ändra hur du segmenterar.
Vilka planer inkluderar prediktiv scoring?
Business och uppåt, inklusive Scale och Enterprise. På Free och Growth är de prediktiva endpoints stängda, och segmentfälten erbjuds inte som filter.
Kan jag använda en poäng inuti en journey?
Ja — bygg ett segment på poängen och använd sedan segmentet som journey-ingång eller förgreningsvillkor. Det är den normala vägen: ett churn-risksegment som fyller en retention-automatisering.
Relaterat
Segmentering & målgrupper
Skapa realtidssegment från valfri händelse, egenskap eller beteende, och aktivera dem över alla kanaler.
Customer Data Platform
Samla in beteendehändelser i realtid och lös upp dem i samlade, sökbara kundprofiler.
Journey-orkestrering
En visuell dra-och-släpp-byggare för flerstegs, kanalöverskridande journeys som utlöses av realtidshändelser.
En plattform. Varje kundinteraktion.
Ersätt ditt lapptäcke av meddelande-API:er, CDP och automationsverktyg med en engagemangsplattform byggd för skala.
Inget kreditkort · EU-datalagring · 99,99 % drifttids-SLA