Tahmine dayalı analitik, geçmiş veriden gelecekteki bir sonucun olasılığını kestirmek için istatistik ve makine öğrenimi yöntemlerini kullanır. Sorusu "ne oldu" değil "muhtemelen ne olacak". Çıktı genelde kesin bir cevap değil, bir olasılık ya da bir aralık oluyor.
Çalışma biçimi diğer modelleme işleriyle aynı. Geçmiş kayıtlardan bir eğitim seti kuruluyor, hedef değişken belirleniyor, model eğitiliyor ve ayrı bir dönemin verisiyle sınanıyor. Kritik nokta zaman ekseni: model yalnızca tahmin anında gerçekten elde olan bilgiyi kullanabiliyor. Sonradan oluşan bir alan eğitime girdiğinde skor yüksek çıkıyor ama canlıda çöküyor.
Pazarlama ve analytics tarafındaki yaygın kullanımları müşteri kaybı tahmini, satın alma olasılığı skoru, yaşam boyu değer tahmini, talep planlaması ve stok yönetimi. GA4 tarafındaki tahmini kitleler de aynı mantığın ürünleştirilmiş hâli.
Somut bir örnek: bir abonelik ürününde her müşteriye aylık bir ayrılma olasılığı hesaplanıyor. Skoru yüksek olan ve aynı zamanda geliri yüksek olan müşteriler ayrı bir listeye düşüyor, ekip bu listeye özel bir iletişim kuruyor. Tahminin değeri, listenin rastgele bir listeden ne kadar iyi olduğuyla ölçülüyor.
Tahmin bir garanti değil. Model geçmişteki desenin sürmesini varsayıyor, koşullar değiştiğinde skorlar hızla eskiyor ve modelin yeniden eğitilmesi gerekiyor.
