Czym są segmenty predykcyjne w GA4
GA4 wykorzystuje modele uczenia maszynowego trenowane na Twoich własnych danych, żeby oszacować prawdopodobieństwo określonego zachowania konkretnego użytkownika w najbliższej przyszłości. Zamiast opierać remarketing wyłącznie na tym, co użytkownik już zrobił — na przykład odwiedził stronę produktu — segmenty predykcyjne szacują, co prawdopodobnie zrobi dalej.
To fundamentalna różnica względem klasycznego remarketingu. Klasyczna lista „odwiedzający stronę produktu w ciągu 30 dni" traktuje wszystkich odwiedzających jednakowo. Segment predykcyjny „prawdopodobieństwo zakupu w ciągu 7 dni" różnicuje ich według realnej szansy konwersji, bazując na wzorcach zachowań tysięcy podobnych użytkowników z przeszłości.
Model uczy się na podstawie zdarzeń i sekwencji zdarzeń, które historycznie poprzedzały konwersję u innych użytkowników — czasu spędzonego na stronie, liczby odwiedzonych podstron, konkretnych interakcji. Na tej podstawie przypisuje każdemu aktywnemu użytkownikowi wynik prawdopodobieństwa, aktualizowany na bieżąco.
Warunki, żeby GA4 mógł w ogóle tworzyć predykcje
Zanim zaczniesz budować segmenty predykcyjne, GA4 musi spełnić kilka warunków dotyczących ilości danych. Bez wystarczającej próbki model po prostu się nie uruchomi — sekcja segmentów predykcyjnych będzie wtedy pusta lub nieaktywna.
- Minimalna liczba zdarzeń pozytywnych i negatywnych — GA4 wymaga co najmniej kilkuset użytkowników, którzy dokonali danej akcji (np. zakupu) oraz kilkuset, którzy jej nie dokonali, w oknie 28 dni
- Aktywne śledzenie zdarzenia purchase lub in_app_purchase — dla predykcji zakupowych wymagane jest poprawnie skonfigurowane zdarzenie zakupu z wartością
- Wystarczający ruch powtarzalny — model potrzebuje regularnego strumienia danych, żeby predykcje pozostawały aktualne, nie tylko jednorazowego skoku ruchu
Dla sklepów internetowych z sensownym wolumenem transakcji ten próg zwykle nie jest problemem. Dla firm usługowych z rzadkimi, ale wartościowymi konwersjami może to wymagać wcześniejszego uzupełnienia śledzenia o dodatkowe zdarzenia pośrednie, żeby dać modelowi więcej sygnału.
Sprawdzam dostępność segmentów predykcyjnych w sekcji Insights w GA4 lub bezpośrednio przy tworzeniu nowego segmentu odbiorców — jeśli metryki predykcyjne nie pojawiają się na liście dostępnych warunków, oznacza to, że próg danych nie został jeszcze osiągnięty. W takiej sytuacji nie próbuję na siłę obniżać wymagań ani sztucznie generować zdarzeń — po prostu wracam do tematu po kilku tygodniach, gdy ruch i liczba konwersji urosną na tyle, żeby model mógł się uruchomić w wiarygodny sposób.
Trzy gotowe metryki predykcyjne w GA4
| Metryka | Co przewiduje | Typowe zastosowanie |
|---|---|---|
| Prawdopodobieństwo zakupu | Szansa, że aktywny użytkownik dokona zakupu w ciągu 7 dni | Remarketing do najbardziej rozgrzanych odbiorców |
| Prawdopodobieństwo odejścia | Szansa, że aktywny użytkownik nie wróci w ciągu 7 dni | Kampanie reaktywacyjne skierowane do osób zagrożonych odejściem |
| Przewidywany przychód | Szacowany przychód z użytkownika w ciągu najbliższych 28 dni | Budowanie list odbiorców o najwyższej przewidywanej wartości |
Jak budować listy remarketingowe na bazie predykcji
W GA4 tworzę segment odbiorców, wybierając jako warunek metrykę predykcyjną, np. „prawdopodobieństwo zakupu w top 10%". GA4 sam wylicza próg odcięcia na podstawie rozkładu wyników wśród wszystkich aktywnych użytkowników — nie trzeba zgadywać konkretnej wartości liczbowej.
Gotowe segmenty eksportuję do Google Ads jako listy odbiorców, dokładnie tak samo jak klasyczne listy remarketingowe. Różnica polega wyłącznie na kryterium, według którego użytkownik trafia na listę — zamiast konkretnej akcji z przeszłości, jest to wyliczone prawdopodobieństwo przyszłego zachowania.
Jak wykorzystać to w kampaniach Google Ads
Segment „top 10% prawdopodobieństwa zakupu" sprawdza się najlepiej jako lista o podwyższonej stawce w kampaniach remarketingowych Display i w grupach zasobów Performance Max jako sygnał obserwacji. Nie ograniczam do niej całej kampanii — traktuję jako dodatkowy sygnał, który pozwala algorytmowi lepiej zrozumieć, kogo szukać wśród szerszej grupy odbiorców.
Segment zagrożony odejściem wykorzystuję w osobnej kampanii reaktywacyjnej z niższym budżetem i innym tonem komunikacji — bez presji sprzedażowej, raczej przypominając o marce lub oferując wartościową treść, jeśli model biznesowy na to pozwala.
Przy firmach B2B z dłuższym cyklem sprzedaży dodatkowo zestawiam segment wysokiego prawdopodobieństwa zakupu z danymi z systemu CRM, jeśli klient ma taką integrację. Pozwala to sprawdzić, czy osoby oznaczone przez GA4 jako bliskie konwersji faktycznie pokrywają się z kontaktami, które w tym samym czasie przechodzą przez końcowe etapy lejka sprzedażowego po stronie handlowców. Taka weryfikacja krzyżowa daje dodatkową pewność, że segment predykcyjny nie działa w oderwaniu od rzeczywistego procesu sprzedaży.
W kampanii dla sklepu internetowego dodanie segmentu wysokiego prawdopodobieństwa zakupu jako sygnału obserwacji w Performance Max, obok istniejących list remarketingowych, poprawiło współczynnik konwersji tej części ruchu o około jedną trzecią w porównaniu z okresem, gdy kampania opierała się wyłącznie na klasycznym remarketingu.
Ograniczenia, o których warto pamiętać
Segmenty predykcyjne aktualizują się z pewnym opóźnieniem i nie są dostępne dla bardzo małych kont z ograniczonym ruchem — GA4 po prostu nie ma wtedy wystarczających danych, żeby wytrenować wiarygodny model. Warto też pamiętać, że predykcja to szacunek prawdopodobieństwa, nie pewność — segment „top 10%" nie oznacza, że wszyscy ci użytkownicy kupią, tylko że mają relatywnie najwyższą szansę względem reszty ruchu.
Widziałem też sytuacje, w których segment predykcyjny działał poprawnie przez kilka miesięcy, a potem jego skuteczność zaczęła spadać bez wyraźnej przyczyny. Zwykle okazywało się, że w tym czasie zmienił się sam sklep lub oferta — nowa kategoria produktów, inny proces zakupowy, przebudowana strona — a model wciąż opierał się na wzorcach sprzed zmiany. Segmenty predykcyjne nie są ustawieniem, które konfiguruje się raz i zostawia na zawsze — warto co jakiś czas sprawdzić, czy ich skuteczność względem klasycznego remarketingu nadal się utrzymuje.
Drugie ograniczenie dotyczy interpretacji segmentu wysokiej przewidywanej wartości. Nie należy mylić go z segmentem klientów już wartościowych — to prognoza na przyszłość, oparta częściowo na zachowaniach, które mogą, ale nie muszą się zmaterializować. Traktuję go jako uzupełnienie, nie zamiennik dla danych o rzeczywistych zakupach z przeszłości.
Trzecie ograniczenie to zależność od jakości danych wejściowych. Jeśli śledzenie zdarzeń na stronie ma luki — na przykład brakuje części zdarzeń przy zakupach z niektórych urządzeń albo przeglądarek — model uczy się na niepełnym obrazie i jego predykcje odziedziczają te same braki. Zanim zacznę polegać na segmentach predykcyjnych przy podejmowaniu decyzji budżetowych, zawsze najpierw sprawdzam podstawową kompletność śledzenia zdarzeń w danym koncie.
Checklist — wdrożenie segmentów predykcyjnych
- Czy zdarzenie purchase jest poprawnie skonfigurowane z wartością konwersji?
- Czy konto ma wystarczający wolumen danych, żeby sekcja segmentów predykcyjnych była aktywna?
- Czy segmenty predykcyjne są eksportowane do Google Ads jako listy odbiorców?
- Czy segment wysokiego prawdopodobieństwa zakupu jest wykorzystywany jako sygnał obserwacji, a nie jedyne kryterium targetowania?
- Czy komunikacja dla segmentu zagrożonego odejściem różni się od komunikacji sprzedażowej?
- Czy regularnie porównujesz skuteczność segmentów predykcyjnych z klasycznym remarketingiem?
„Predykcja nie zastępuje danych historycznych. Dodaje do nich jeden dodatkowy wymiar — kto z dużym prawdopodobieństwem zrobi coś, czego jeszcze nie zrobił."
— zasada przy budowaniu segmentów w GA4