使用者在第二層，而你在第五層，深度玩轉華為預測服務

 留存低、轉化難可謂是當下運營人最頭疼的問題。在使用者運營過程中，很多時候我們只顧著亡羊補牢，卻發現得不償失。比如，在使用者流失後全力召回，撇開高成本不說，最終的召回率也十分不理想。 其實，使用者無論是產生付費轉化或者最終走向流失，都與其前期的屬性和行為是有直接關聯的。基於這樣的資料， 透過 AI 演算法，提前鎖定近期將流失或者可能產生付費行為的使用者，採取針對性運營措施，將有效延長使用者生命週期並提升付費轉化率。

這就是 華為預測服務 解決的問題，聚焦 使用者流失和 付費轉化這兩大核心運營場景，開展多維度人群定向預測。支援透過推送服務、應用內訊息等形式的使用者觸達方式，實現預測人群的多觸點運營。

如此強大且實用的利器，自上線以來一直受到廣大開發者們的熱烈討論與持續關注。本文我們將結合華為預測服務的具體功能，分享在產品日常運營過程中的使用小技巧，希望幫助您漸入佳境，深度玩轉華為預測服務：

問題一：預測出來的人群具體可以做什麼？

預測受眾群組可直接用於推送服務、應用內訊息、遠端配置等 AppGallery Connect 提供的其他增長類服務，您可以結合制定的具體運營策略選擇合適的方式來觸達使用者。

例如，可以透過推送服務，針對高機率流失使用者推送“新版本玩法、新禮包上線”這樣的活動訊息，促進使用者保持活躍，防止流失。只需要在推送服務的配置後臺，選擇“預測受眾群組”就可實現。同樣的，遠端配置、應用內訊息等其他服務也可以用這樣的方式過濾人群，觸達目標預測使用者。

問題二：預測結果的準確性如何評估？

預測詳情頁展示的“真正例率”、“假正例率”其實就是本次預測結果的一個整體評估。真正例率代表模型正確地預測為正類別的正樣本數佔正樣本實際數的比例，而假正例率代表模型錯誤地預測為正類別的負樣本數佔負樣本實際數的比例。

舉個例子，比如付費預測，真正例率代表的是 付費人群中，被模型正確預測為付費的使用者佔總的付費人群的比例；假正例率代表未付費人群中，被模型誤預測為付費的使用者佔總的未付費人群的比例。從字面意思解釋不難看出，真正例率越高，假正例率越低，代表本次預測的結果也就越準確。

問題三：為什麼開通了預測服務，但預測任務卻總是完成不了？

這就要回歸到預測服務的原理問題了。預測任務開展的前提是您的應用透過華為分析服務上報使用者屬性和行為資料。因此，在使用預測服務之前需要先開通分析服務並 整合分析服務的SDK ，確保有對應的使用者行為資料上報才能讓預測任務順利進行。

例如，很多開發者反饋的付費和復購預測總是沒有結果這一問題，其實，這依賴於您的應用是否有付費事件上報。只有上報足夠支撐預測模型訓練的相關付費事件，如自動採集事件“ 應用內購買 ”（ INAPPPURCHASE ），這樣才可以生成對應的預測結果。

問題四：自定義預測到底該如何使用？

自定義預測是除了預置流失、付費、復購場景外系統提供的額外預測情景，您可以根據實際產品運營需求，指定想要了解的使用者行為開展預測任務。

例如，對於遊戲類的 App ，運營可能關注玩家透過某一關卡的機率，那麼就可以透過自定義預測，將“透過關卡”作為目標預測事件來建立自定義預測任務。具體操作可參考 自定義預測使用指南 。

關於預測服務使用過程中的常見問題解答本次就分享到這裡，後續我們也將不定期更新更多預測服務使用小技巧。您還可點選 此處 檢視其他預測服務相關介紹，歡迎訪問並使用華為預測服務。

 

欲瞭解 HMS Core 更多詳情，請參閱：
>> 華為開發者聯盟官網

>> 獲取開發指導文件
>> 參與開發者討論請到 CSDN社群 或者 Reddit 社群
>> 下載 demo 和示例程式碼請到 Github 或者 Gitee
>> 解決整合問題請到 Stack Overflow

原文連結： https://developer.huawei.com/consumer/cn/forum/topic/0201562223924560728?fid=18

原作者：胡椒