# Predictive Analytics > Predictive Analytics — Skill especializada para predictive analytics - Skill: `kursku/predictive-analytics` (Agent Skill) - Install (CLI): `npx skillmds@latest add kursku/predictive-analytics` - Raw SKILL.md: https://api.skillmd.com/api/skills/kursku/predictive-analytics/raw - Safety review: pending (external: skill-scanner PASS, skillspector PASS) - Works with: Claude Code, Claude.ai, OpenAI Codex - Category: Data & Analytics - License: MIT - Author: kursku (https://skillmd.com/u/kursku) - Updated: 2026-09-08 - Page: https://skillmd.com/skills/kursku/predictive-analytics --- # Predictive Analytics Esta skill capacita a utilização e otimização de modelos preditivos do Google Analytics 4 para antecipar comportamentos de usuários e resultados de negócios, permitindo estratégias proativas. --- ## Keywords Probabilidade de Churn GA4, Probabilidade de Compra GA4, Previsão de Receita GA4, Audiências Preditivas, Otimização LTV, Modelagem de Atribuição Preditiva, Google Analytics 4 ML, BigQuery ML, Retenção de Clientes, Segmentação Comportamental, Performance de Campanha Preditiva, Análise de Cohorts Preditivos. --- ## Quick Start 1. **Verificar Elegibilidade GA4**: Acessar Administrador > Configurações de Dados > Coleta de Dados e assegurar que as métricas preditivas estão ativadas e o fluxo de dados atende aos requisitos mínimos (ex: >1.000 usuários com eventos de compra nos últimos 28 dias e >1.000 usuários com churn nos últimos 28 dias). 2. **Criar Audiência de Alto Valor**: Navegar em Administrador > Audiências > Nova Audiência > Modelos Preditivos. Selecionar "Probabilidade de Compra" e configurar para "Os 10% de usuários com maior probabilidade de compra nos próximos 7 dias". Salvar como "Compradores Futuros - Top 10%". 3. **Exportar para Google Ads**: Conectar a audiência "Compradores Futuros - Top 10%" ao Google Ads. 4. **Analisar Desempenho**: Criar um relatório de exploração de "Funil de Vendas" no GA4, aplicando um segmento para a audiência "Compradores Futuros - Top 10%" para observar sua taxa de conversão em comparação com o restante dos usuários. --- ## Core Workflows ### Workflow 1: Prevenção Proativa de Churn com Audiências Preditivas GA4 Este workflow detalha como identificar e intervir proativamente com usuários com alta probabilidade de churn, utilizando as capacidades preditivas do Google Analytics 4. 1. **Verificação de Requisitos de Dados**: No GA4, navegue até Administrador > Audiências. Ao criar uma nova audiência preditiva, o sistema informará se há dados suficientes para "Probabilidade de Churn". Geralmente, são necessários pelo menos 1.000 usuários recorrentes com eventos de compra e 1.000 usuários que não retornaram (churn) nos últimos 28 dias para que o modelo seja treinado. 2. **Criação da Audiência de Alto Risco de Churn**: * No GA4, vá para **Administrador > Audiências > Nova Audiência**. * Escolha **Modelos Preditivos** e selecione "Probabilidade de Churn". * Defina a condição: "Probabilidade de Churn (7 dias) > 80". Isso segmentará os 20% dos usuários com maior risco de churn nos próximos 7 dias. Nomeie a audiência como "Alto Risco Churn - 7 Dias". * Opcional: Adicione condições de exclusão, como "Usuários que já realizaram uma compra nos últimos 3 dias", para focar naqueles que não estão ativamente engajados. 3. **Configuração de Gatilho de Audiência para Eventos Personalizados**: * Dentro da configuração da audiência "Alto Risco Churn - 7 Dias", habilite a opção "Criar evento quando a audiência é acionada". * Nomeie o evento como `churn_risk_high`. Este evento será disparado sempre que um usuário entrar nesta audiência, permitindo automações. 4. **Ativação de Campanhas de Retenção**: * **Google Ads**: Conecte a audiência "Alto Risco Churn - 7 Dias" ao Google Ads. Crie uma campanha de remarketing com criativos específicos e ofertas de retenção (e.g., "Sua próxima compra com 25% de desconto" ou "Frete grátis no seu próximo pedido"). * **Plataforma de E-mail Marketing/CRM (via BigQuery)**: Exporte a lista de `user_id`s dos usuários na audiência `churn_risk_high` via BigQuery (se a integração GA4-BigQuery estiver ativa). Use esta lista para acionar fluxos de e-mail marketing personalizados, mensagens no aplicativo ou contato direto por equipes de sucesso do cliente. 5. **Monitoramento e Otimização**: * No GA4, crie um **Relatório de Exploração > Visão geral do usuário**. Adicione um segmento para "Alto Risco Churn - 7 Dias" e compare métricas como "Sessões por usuário", "Eventos por sessão", "Receita por usuário" *antes* e *depois* da intervenção da campanha. * Analise a taxa de retenção dos usuários que receberam a campanha vs. um grupo de controle (se implementado) para validar a eficácia da estratégia. ### Workflow 2: Otimização de LTV (Lifetime Value) e Aquisição de Clientes de Alto Valor com GA4 Este workflow foca em identificar usuários com alto potencial de LTV e otimizar estratégias de aquisição e engajamento para maximizar o valor. 1. **Verificação de Requisitos de Dados para LTV**: Assim como no churn, o GA4 precisa de dados robustos de eventos de compra e receita para treinar modelos de "Probabilidade de Compra" e "Previsão de Receita". Acompanhe a elegibilidade nas configurações de audiência. 2. **Criação de Audiência de Alto LTV Potencial**: * No GA4, vá para **Administrador > Audiências > Nova Audiência > Modelos Preditivos**. * Selecione "Probabilidade de Compra" e "Previsão de Receita". * Crie uma audiência para "Usuários que nunca compraram E Probabilidade de Compra (7 dias) > 90% E Previsão de Receita (28 dias) > R$ 500". Nomeie a audiência como "Potenciais LTV Alto - R$500+". * Esta audiência identificará visitantes que ainda não compraram, mas o GA4 prevê que farão uma compra de alto valor. 3. **Ativação de Campanhas de Aquisição e Engajamento**: * **Google Ads (Look-alike)**: Use a audiência "Potenciais LTV Alto - R$500+" como semente para criar audiências look-alike no Google Ads. Isso permite direcionar campanhas de aquisição a novos usuários que se assemelham aos seus futuros clientes mais valiosos. * **Remarketing Direcionado**: Para os usuários dentro da audiência "Potenciais LTV Alto - R$500+", crie campanhas de remarketing com mensagens que destaquem os benefícios de produtos de alto valor ou ofertas de primeira compra que incentivem a conversão (e.g., "Primeira compra com 15% de desconto para produtos premium"). 4. **Análise de Atribuição Preditiva**: * No GA4, acesse **Publicidade > Modelagem de Atribuição > Comparação de Modelos**. * Compare o modelo "Data-driven" com outros modelos (e.g., Último clique) para entender a contribuição de diferentes canais para a aquisição de usuários que posteriormente entram nas audiências de "Potenciais LTV Alto". * Identifique os canais que consistentemente trazem usuários com alta probabilidade de se tornarem clientes de alto LTV e realoque o orçamento de marketing para esses canais. 5. **Relatórios de Exploração de LTV**: * Crie um **Relatório de Exploração > Tempo de vida do usuário** no GA4. * Adicione um segmento para a audiência "Potenciais LTV Alto - R$500+" e observe como o LTV real se desenvolve ao longo do tempo para esses usuários, validando a precisão do modelo preditivo. Compare com o LTV médio de outras audiências. --- ## Templates ### Configuração de Audiência Preditiva GA4 (Probabilidade de Compra) ```json { "name": "Compradores Altamente Propensos (7 Dias)", "description": "Usuários com probabilidade de compra nos próximos 7 dias > 90º percentil, que ainda não compraram.", "conditions": [ { "type": "PREDICTIVE_METRIC", "metric": "purchase_probability", "operator": "GREATER_THAN_OR_EQUAL", "value": "90" }, { "type": "EVENT", "event_name": "purchase", "operator": "DOES_NOT_EXIST" } ], "duration_days": 28, "event_trigger": { "name": "high_purchase_propensity", "description": "Evento disparado quando um usuário entra na audiência de alta propensão a comprar." }, "export_destinations": ["GOOGLE_ADS", "BIGQUERY"] } ``` ### Fórmula Simplificada de Previsão de Receita (Fora do GA4, para contexto) ``` Previsão de Receita (Próximos N Dias) = (Número de Compradores Preditivos * Valor Médio de Pedido) + (Número de Compras Recorrentes Preditivas * Valor Médio de Pedido) ``` * **Exemplo para 7 dias**: * Número de Compradores Preditivos (aqueles que ainda não compraram, mas o modelo prevê que comprarão): 150 * Número de Compras Recorrentes Preditivas (clientes existentes que o modelo prevê que comprarão novamente): 50 * Valor Médio de Pedido (VMP): R$ 120,00 * Previsão de Receita (7 Dias) = (150 * 120) + (50 * 120) * Previsão de Receita (7 Dias) = 18.000 + 6.000 = R$ 24.000,00 * **Nota**: O GA4 utiliza algoritmos de Machine Learning complexos para Previsão de Receita, mas esta fórmula ilustra os componentes lógicos subjacentes para uma estimativa rápida. --- ## Checklist - [x] Verificar a elegibilidade dos fluxos de dados GA4 para as métricas preditivas (Probabilidade de Churn, Probabilidade de Compra, Previsão de Receita). - [x] Criar audiências preditivas estratégicas no GA4 para cenários de retenção (ex: "Alto Risco Churn - 7 Dias") e aquisição de LTV (ex: "Potenciais LTV Alto - R$500+"). - [x] Configurar eventos de gatilho (`churn_risk_high`, `high_purchase_propensity`) para as audiências preditivas para automação. - [x] Conectar as audiências preditivas ao Google Ads para ativação de campanhas de remarketing, look-alike e ofertas personalizadas. - [x] Desenvolver e implementar estratégias de retenção ou aquisição específicas para cada audiência preditiva identificada. - [x] Monitorar a performance das campanhas ativadas usando relatórios de exploração do GA4, segmentando por audiência preditiva. - [x] Avaliar a precisão dos modelos preditivos do GA4 comparando as previsões com o comportamento real do usuário ao longo do tempo. - [x] Utilizar o relatório de "Modelagem de Atribuição" no GA4 para entender quais canais contribuem para a aquisição de usuários de alto LTV. - [x] Considerar a exportação de dados do GA4 para BigQuery para enriquecimento com dados de CRM e criação de modelos preditivos mais avançados. - [x] Realizar testes A/B nas mensagens e ofertas para as audiências preditivas, otimizando a taxa de conversão e retenção. --- ## Métricas de Referência | Métrica | Benchmark (e-commerce) | Meta (e-commerce) | |------------------------------|------------------------|-------------------| | Probabilidade de Churn (média)| < 50% | < 30% | | Probabilidade de Compra (média)| > 8% | > 20% | | Previsão de Receita (28 dias)| Varia por negócio | +15% sobre a média| | LTV Preditivo vs. Real | Desvio < 20% | Desvio < 10% | | ROI de Campanhas Preditivas | > 4:1 | > 6:1 | | Taxa de Retenção de Clientes | 25-45% | > 55% | --- ## Erros Comuns 1. **Ignorar os Requisitos Mínimos de Dados do GA4**: As métricas preditivas do GA4 exigem um volume mínimo de eventos e usuários para treinar os modelos. Tentar usar sem esses dados resultará em "Não elegível" ou modelos imprecisos. * **Como evitar**: Verificar proativamente os relatórios de elegibilidade nas configurações de audiência do GA4. Focar na coleta consistente de eventos de `purchase`, `add_to_cart`, `page_view` e `session_start` por um período prolongado (pelo menos 28 dias). 2. **Não Conectar Audiências Preditivas a Ações de Marketing**: Criar as audiências no GA4, mas não as utilizar em campanhas ativas no Google Ads, e-mail marketing ou CRM. * **Como evitar**: Sempre exportar as audiências preditivas criadas para o Google Ads imediatamente. Desenvolver um plano de ativação para cada audiência (ex: "Alto Risco Churn" -> Campanha de desconto; "Potenciais LTV Alto" -> Campanha de upsell/look-alike). 3. **Focar Apenas em Previsões de Curto Prazo**: Limitar a análise preditiva a previsões de 7 ou 28 dias, perdendo a oportunidade de estratégias de longo prazo. * **Como evitar**: Integrar dados do GA4 com BigQuery para criar modelos preditivos de LTV de longo prazo (6 meses, 1 ano) que considerem o ciclo de vida completo do cliente. Usar as previsões de curto prazo para táticas e as de longo prazo para estratégias. --- ## Dicas Avançadas 1. **Enriquecimento de Modelos Preditivos via BigQuery ML**: Exporte os dados brutos do GA4 para o BigQuery. Combine-os com dados de CRM (ex: histórico de atendimento, dados demográficos externos, interações offline) e use o BigQuery ML para construir modelos preditivos mais robustos e personalizados (ex: propensão a assinar, propensão a upgrade) que superem as capacidades padrão do GA4, importando os resultados como dimensões/métricas personalizadas. 2. **Atribuição Preditiva Ponderada por LTV**: Em vez de apenas usar o modelo de atribuição "Data-driven" padrão do GA4, desenvolva um modelo de atribuição customizado no BigQuery que pondera a contribuição de cada touchpoint não apenas pela conversão, mas também pelo LTV preditivo do usuário. Isso permite otimizar o investimento em mídia para canais que geram clientes de maior valor futuro, e não apenas volume de conversões. 3. **Implementação de Testes A/B Dinâmicos com Previsões**: Utilize plataformas de otimização de experiência (ex: Google Optimize, VWO, Optimizely) integradas com GA4 e BigQuery para realizar testes A/B dinâmicos. Por exemplo, um usuário identificado como "Alto Risco Churn" pode receber automaticamente uma oferta de desconto maior em um teste A/B, enquanto um "Potencial LTV Alto" recebe uma mensagem focada em benefícios premium. 4. **Segmentação de Cohorts Preditivos Detalhada**: Crie relatórios de coorte no GA4 (ou BigQuery) baseados não apenas na data de aquisição, mas também no *status preditivo* inicial do usuário (ex: coorte de "Alto Risco Churn" ao entrar no site). Isso permite analisar como grupos com diferentes predisposições se comportam ao longo do tempo e validar a eficácia das intervenções preditivas. 5. **Automação de Orçamento de Mídia Baseado em LTV Preditivo**: Utilize APIs do Google Ads e dados de LTV preditivo do GA4/BigQuery para automatizar ajustes de lance e orçamento. Por exemplo, se a audiência "Potenciais LTV Alto" tem um ROI significativamente maior, o sistema pode alocar mais orçamento para campanhas que visam essa audiência ou suas look-alikes de forma programática.