सिग्नल बनाम नॉइज़: वह डेटा फ़िल्टर करना जो असल में डील्स प्रेडिक्ट करता है

आधुनिक रेवेन्यू टीमें लगभग सब कुछ कैप्चर कर सकती हैं। हर पेज व्यू, ईमेल ओपन, फीचर क्लिक, मीटिंग, और सपोर्ट टिकट। सहज विचार है कि ज़्यादा डेटा का मतलब है बेहतर प्रेडिक्शन, और व्यवहार में आमतौर पर उल्टा होता है। कुछ व्यवहार जो वाकई एक डील प्रेडिक्ट करते हैं, हज़ारों में दब जाते हैं जो सिर्फ इंटरनेट पर जीवित होने से कोरिलेट करते हैं। आप ऐसे स्कोरिंग मॉडल के साथ खत्म होते हैं जो सोफिस्टिकेटेड दिखते हैं और कुछ उपयोगी प्रेडिक्ट नहीं करते।

जिन टीमों के स्कोर असल में इस्तेमाल होते हैं वे वे हैं जो ज़्यादातर डेटा फेंकने को तैयार हैं। यह सुनने से ज़्यादा मुश्किल है, क्योंकि नॉइज़ आकर्षक है। यह वॉल्यूम में आता है, इसे मापना आसान है, और यह संतोषजनक चार्ट पैदा करता है। ज़्यादातर को इग्नोर करना सीखना ही स्किल है।

ज़्यादा डेटा आमतौर पर प्रेडिक्शन को बदतर बनाता है

एक प्रेडिक्टिव मॉडल में कमज़ोर या फर्जी वेरिएबल जोड़ना सक्रिय रूप से नुकसान पहुंचाता है, कुछ खास तरीकों से।

काफी वेरिएबल के साथ, एक मॉडल पिछली डील्स में ऐसे पैटर्न खोज लेगा जो शुद्ध संयोग हैं। यह हिस्टोरिकल डेटा पर शानदार दिखता है और नई डील्स पर टूट जाता है, क्योंकि इसने स्ट्रक्चर सीखने के बजाय नॉइज़ याद कर लिया। यही ओवरफिटिंग है, और जब आप एक मॉडल को सब कुछ खिलाते हैं तो यह डिफ़ॉल्ट परिणाम है।

असली प्रेडिक्टर भी पतले हो जाते हैं। इनका वेट दर्जनों लगभग-बेकार इनपुट में फैल जाता है, और स्कोर पर इनका प्रभाव फीका पड़ जाता है।

और सब कुछ खिलाया गया एक मॉडल एक सटीक दिखने वाला नंबर पैदा करता है जिस पर स्टेकहोल्डर ज़रूरत से ज़्यादा भरोसा करते हैं। सटीकता सही होने जैसी लगती है भले ही न हो। CRO एक साफ-सुथरा दो-अंकों वाला स्कोर देखता है और नहीं पूछता कि इसमें क्या गया।

एप्लाइड स्टैटिस्टिक्स के दशक एक ही दिशा की ओर इशारा करते हैं: मज़बूत, अच्छी तरह समझे गए प्रेडिक्टर्स का एक छोटा सेट लगभग हर बार कमज़ोर वालों के एक बड़े सेट को हरा देता है। काम है घटाना।

स्कोर होने से पहले एक व्यवहार के लिए तीन टेस्ट

ज़्यादातर कैप्चर किए गए इवेंट इनमें से कम से कम एक में फेल होते हैं।

क्या यह भेद करता है? एक असली सिग्नल उन अकाउंट्स में अलग व्यवहार करता है जो कन्वर्ट करते हैं बनाम जो नहीं करते। अगर एक व्यवहार विजेताओं और हारने वालों में बराबर दिखाई देता है, जैसे मासिक न्यूज़लेटर खोलना, तो यह कोई प्रेडिक्टिव जानकारी नहीं रखता चाहे इसे मापना कितना भी आसान हो।

क्या यह कारणात्मक है, या सिर्फ एक आईना? कई व्यवहार खरीद से कोरिलेट करते हैं क्योंकि वे पहले से मौजूद इंटेंट से पैदा होते हैं, न कि इसलिए कि वे इसे बनाते हैं। प्राइसिंग पेज देखना खरीद से कोरिलेट करता है, लेकिन विज़िट एक फैसला दर्शाता है जो पहले से बन रहा है। यह एक ठंडे अकाउंट को नहीं हिलाता। लीडिंग इंडिकेटर्स को इंटेंट के प्रतिबिंब से अलग करना सूक्ष्म है और मायने रखता है।

क्या यह स्थिर है? एक सिग्नल जिसने पिछले साल डील्स प्रेडिक्ट कीं लेकिन इस साल नहीं, या एक सेगमेंट में काम करता है और दूसरे में नहीं, संभवतः नॉइज़ है जो भाग्यशाली हो गया। असली सिग्नल समय और कोहोर्ट के पार टिके रहते हैं।

जो व्यवहार तीनों को पास करता है वह स्कोर होने लायक है। बाकी सब टेलीमेट्री है जिसे आप स्टोर कर सकते हैं लेकिन वेट नहीं देना चाहिए।

कॉन्टेक्स्ट मतलब बदल देता है

एक ही रॉ इवेंट एक फ्रेम में शुद्ध नॉइज़ हो सकता है और दूसरे में एक मज़बूत सिग्नल, यही वजह है कि रॉ थ्रेशोल्ड और सिंपल अलर्ट इतना बुरा प्रदर्शन करते हैं।

प्रोडक्ट यूसेज में 40% गिरावट लें। एक बिल्कुल नए ट्रायल अकाउंट के लिए जो अभी भी ऑनबोर्डिंग कर रहा है, यह नॉइज़ है। उस स्टेज पर यूसेज स्वाभाविक रूप से अनियमित है। एक परिपक्व अकाउंट के लिए जो रिन्यूअल से 45 दिन दूर है और दो साल से स्थिर रहा है, यह एक ज़ोरदार चर्न सिग्नल है। एक जैसा इवेंट, विपरीत मतलब।

अच्छे सिग्नल एक ग्लोबल रूल लागू करने के बजाय हर अकाउंट के अपने बेसलाइन, लाइफसाइकल स्टेज, और सेगमेंट के खिलाफ नॉर्मलाइज़ करते हैं। रॉ थ्रेशोल्ड पर ट्रेन किए गए अलर्ट इतनी फटीग इसलिए पैदा करते हैं क्योंकि वे उस कॉन्टेक्स्ट को हटा देते हैं जो एक इवेंट को मतलब देता है, एक अंतर जिसकी पड़ताल एक रेवेन्यू सिग्नल असल में क्या है में की गई है।

फ़िल्टर बनाना

आउटकम से शुरू करें। जिस चीज़ को आप प्रेडिक्ट करना चाहते हैं (कन्वर्शन, एक्सपैंशन, चर्न) उसे सटीक रूप से परिभाषित करें, फिर उन व्यवहारों तक पीछे जाएं जो इसके लिए भेद करते हैं। हर इवेंट को कैटलॉग करना शुरू न करें जिसे आप इकट्ठा करते हैं। हमने टीमों को कैटलॉग पर एक क्वार्टर बिताते और कभी मॉडल तक न पहुंचते देखा है।

होल्डआउट के खिलाफ वैलिडेट करें। उम्मीदवार सिग्नल्स को ऐसे डेटा पर टेस्ट करें जो मॉडल ने कभी नहीं देखा। एक सिग्नल जो सिर्फ इन-सैंपल काम करता है, वह भेष में ओवरफिटिंग है।

शुरुआत में इसे समझने योग्य रखें। एक सिंपल मॉडल जिसका लॉजिक एक RevOps लीडर पाइपलाइन रिव्यू में समझा सके, वह एक ब्लैक बॉक्स से ज़्यादा तेज़ी से भरोसा बनाता है और खराब इनपुट उजागर करता है। सोफिस्टिकेशन बाद में आ सकती है, एक बार बेसिक्स टिक जाएं।

छांटें। समय-समय पर उन इनपुट को हटाएं जिन्होंने भेद करना बंद कर दिया है। सिग्नल क्षय होता है। एक मॉडल एक बगीचा है, स्मारक नहीं।

वैलिडेटेड सिग्नल्स का फ़िल्टर किया गया सेट एक्शन के लिए कच्चा माल है। साफ सिग्नल्स बिखरे डेटा को नेक्स्ट बेस्ट एक्शन में बदलने में वर्णित रैंकिंग और रूटिंग को फीड करते हैं, और वे बिल्कुल मौजूद रहने के लिए एक यूनिफाइड डेटा फाउंडेशन पर निर्भर करते हैं: वह सिंगल सोर्स ऑफ ट्रुथ जो सिस्टम के पार इवेंट्स जोड़ता है। Revnewo जैसे ऑर्केस्ट्रेशन प्लेटफॉर्म जोड़ने और लगातार स्कोरिंग को संभालते हैं ताकि टीमें पाइपलाइन को उलझाने के बजाय यह वैलिडेट करने में अपना समय बिता सकें कि कौन से सिग्नल असल में प्रेडिक्ट करते हैं।

मुख्य बातें

• एक मॉडल को सब कुछ खिलाना इसे बदतर बनाता है। कमज़ोर इनपुट ओवरफिटिंग का कारण बनते हैं, असली प्रेडिक्टर्स को पतला करते हैं, और ऐसे स्कोर पैदा करते हैं जिन पर लोग बिना किसी वजह के भरोसा करते हैं।
• एक व्यवहार स्कोरिंग में जगह पाता है अगर यह विजेताओं को हारने वालों से अलग करता है, आउटकम को सिर्फ दर्शाने के बजाय संभावित रूप से इसका कारण बनता है, और समय और सेगमेंट के पार काम करता रहता है।
• कॉन्टेक्स्ट फैसला करता है। एक यूसेज ड्रॉप हफ्ते एक में कुछ मतलब नहीं रखता और रिन्यूअल से पहले दिन 45 पर सब कुछ। रॉ-थ्रेशोल्ड अलर्ट इसे मिस करते हैं और लोगों को थका देते हैं।
• आउटकम से शुरू करें, होल्डआउट डेटा पर वैलिडेट करें, मॉडल को समझाने योग्य रखें, और जो काम करना बंद कर दे उसे छांटें।

लक्ष्य सब कुछ देखना नहीं है। यह उन कुछ चीज़ों को स्पष्ट रूप से देखना है जो मायने रखती हैं। अगर आप टेलीमेट्री उलझाने में कम समय और डील्स प्रेडिक्ट करने वाली चीज़ों पर एक्ट करने में ज़्यादा समय बिताना चाहते हैं, तो यह देखना कि रेवेन्यू ऑर्केस्ट्रेशन वैलिडेटेड सिग्नल्स को कैसे सामने लाता है, एक समझदार अगला कदम है।