Н.Хлебинский big data маркетинг в электронной коммерции
DESCRIPTION
TRANSCRIPT
Big Data маркетинг в электронной коммерции
Николай Хлебинский, Retail Rocket
Цикл зрелости технологий / Gartner’s Hype CurveEx
pect
ation
s
Time
Technology triggerPeak of
inflated
expectations
Trough of
disillusionment
Slope of
enlightenmentPlateau of productivity
3D Bioprinting
3D Printing
Gesture controlSpeech recognition
Predictive analytics
Облачный сервис, повышающий доход интернет-магазина с помощью товарных рекомендаций
1. Сбор информации о пользователях и их поведении на сайте магазина.
2. Мощный аналитический аппарат превращает огромное количество данных в рекомендации.
3. Рекомендации размещаются на сайте магазина через API и демонстрируются посетителям. Система постоянно самообучается и увеличивает свою эффективность.
1
2
3
Мы используем сложную big data модель для формирования товарных рекомендаций
Как выглядят товарные рекомендации?
В карточке товара При добавлении в корзину
+ Блоки рекомендаций размещаются в карточке товара, корзине, на странице
товарной категории, главной странице магазина, странице результатов
внутреннего поиска по сайту.
+ Примеры из жизни:
Товарные рекомендации увеличивают доход по трем ключевым направлениям.
Направление Степень влияния Подробности
+ Конверсия Товарные рекомендации облегчают навигацию по сайту и способствуют увеличению конверсии.
+ ТрафикТоварные рекомендации формируют перекрестные ссылки на карточки товаров, а так же повышают глубину просмотра сайта и среднюю длительность сессии, что положительно сказывается на позициях в поисковиках.
+ Средний чекТоварные рекомендации позволяют продавать более дорогие или сопутствующие товары c помощью механик up sell‐ и cross sell.‐
Как это выглядит внутри?
Вызовы:
• Сбор данных• Хранение данных• Вычисления• Инкрементальность• Поддержка
Использование внешних данных для рекомендаций
P • $
+ Вероятностная модель может быть взвешена для максимизации выручки или маржи
+ Аудитория сайта профилируется по географии, браузеру, ОС, источнику трафика и
т.д. Для каждого сегмента аудитории строится своя модель.
Как давно вы смотрели в Google Analytics?
Эффективность рекомендаций зависит от обучения системы
4/4/1
3
4/6/1
3
4/8/1
3
4/10/1
3
4/12/1
3
4/14/1
3
4/16/1
3
4/18/1
3
4/20/1
3
4/22/1
3
4/24/1
3
4/26/1
30
500
1000
1500
2000
2500
3000
3500
4000
4500
5000
Average Order ValueMoving average (Average Order Value)
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 370%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
% обучения одного из алгоритмов
Скорость обучения системы зависит от маркетинговой активности интернет-магазина
1 2 3 4 5 6 7 8 9 10 11 120%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
Мировой опыт и наши тесты показывают отличные результаты!
+ Рекомендации - это 38% добавлений в корзину всего интернет-магазина (Ozon.ru)
+ We got 67% increase in recommended product sales (Columbia sportswear)
+ 35% of Amazon’s sales are made through recommendations (Amazon.com)
Результаты внедрения системы
Спасибо за внимание!
Николай Хлебинский, Retail [email protected]
Интеграция в InSales за 15 минут: http://retailrocket.ru/insales