Mobil uygulamanızda kullanıcı edinmek zor bir eylem, olan kullanıcıyı tutmak daha da zor. Uygulamanızın kullanıcılarını sadık birer parçanız haline getirmenin machine learning ile mümkün olduğunu söylesem, bir de bunun ücretsiz olduğunu söylesem abarttı diyebilirsiniz belki. Ama Firebase’in Dev Summit 2017’de tanıttığı Firebase Predictions ile bu mümkün.
Firebase Predictions öncesinde, kullanıcıları, uygulamayı kullanmayı bıraktıktan ya da uygulamayı sildikten sonra geri kazanmaya çalışmak mümkündü. Fakat Firebase Predictions, kullanıcılarınız, uygulamanızı bırakmadan ya da silmeden önce bunu kullanıcılarınız arasından hangilerinin yapabileceğini söyleyip buna göre aksiyon alma şansı tanıyor. Haydi bunları biraz detaylandırarak kafanızda şekillendirmeye çalışalım.
Firebase Crashlytics Nedir? İçeriğinden crash raporu hakkında detaylı bilgi edilebilirsiniz.
Firebase Predictions Nedir?
Firebase Predictions, uygulamanızdaki analitik datasını TensorFlow ile machine learning işlemesi yaparak kullanıcılarınızın tahmin edilen davranışlarına göre dinamik kitleler halinde gruplarla, segmentleyip bu gruplar için aksiyon almanızı sağlıyor. Kısaca kullanıcılarınızın yakın gelecekte nasıl davranışlarda bulunabileceğini analitik verilerine dayanarak size tahminlerde bulunuyor. Bunu nasıl yaptığını machine learning detaylarına çok girmeden anlatmak gerekirse; uygulamanızdaki son 100 günlük dataya bakarak sonraki bir hafta için tahminler üretiyor.
Firebase Predictions’ı kullanabilmek için öncelikle Firebase Analytics’i kullanmalıyız. Firebase tahminleri event’ler üzerinden oluşturuyor. Predictions kullanmak için Analytics Data Sharing’i aktif etmek yeterli olacaktır.
Aktif hale getirdikten sonra Firebase Predictions bize default olarak 2 adet tahminde bulunuyor: Churn ve Spend. Churn, müşteri kaybı olarak adlandırılıyor. Bunlar yakın zamanda uygulamayı kaldıracak veya kullanmayacak olan kullanıcıların tahmin edildiği bir kitle. Diğeri ise uygulama geliştiricilerinin sevdiği yani para harcayabilecek olarak tahmin edilen, Spend. Bu kısım, yakın zamanda mobil uygulama üzerinde harcama yapacağı tahmin edilen kitle. Bu iki kitlenin bir de reverse şekilleri mevcut. Yani not_churn ve not_spend. Bunlar da aynı şekilde uygulamayı kullanmayı bırakmayacak sadık kitle ve para harcamayacak kitle olarak tahminlerde bulunuyor. Bu saydığımız senaryolar ancak yeterli veriyi sağladığı koşullarda geçerli olabiliyor.
Tahminler sadece default gelen değerlerle sınırlı değil. Kendi tahmin değerlerimizi de oluşturabiliriz. Örneğin, premium versiyona geçmek isteyen kullanıcılarınızı tahmin edebilirsiniz. Bunun için Predictions tabının altındaki + butonuyla custom prediction oluşturabilirsiniz. Bunun için, açılan alandan prediction ismini girip hangi event için tahmin oluşturmak istiyorsak onu seçmemiz yeterli olacaktır.
Şu an yeni bir prediction oluşturduk. Fakat bilmemiz gereken bir değer daha var: Risk Tolerans Seviyesi.
Risk tolerans seviyesi hedeflenen kullanıcıların belirlenmesinde rol oynuyor. 3 seviye risk tolerans seviyesi mevcut: Low, Medium ve High.
Risk tolerans seviyesi yukarıdaki resimlerde anlatıldığı gibi, high değere sahipse hedeflenen kullanıcıyı içerirken, hedeflenmeyen kullanıcıların da olabileceği bir kitlenin de içinde olabileceği bir tahmin seviyesidir. Risk tolerans seviyesi Low olan tahminlerde ise hedeflenen kullanıcıların neredeyse hepsinin hedeflenen kullanıcılardan oluştuğunu söyleyebiliriz.
Risk tolerans seviyesi ile tahmin doğruluğu arasındaki tablo aşağıdaki gibi gösterilebilir.
Firebase Prediction’ın entegrasyonu için 3 farklı yöntem mevcut. Firebase Remote Config, Firebase Notification ve Firebase A/B Testing. Bu yazımda Firebase Prediction ile ilgili ön bilgi vermeye çalıştım. Bunları nasıl kullanıldığı ile ilgili detaylı bilgileri sonraki yazılarımda anlatacağım.
