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 Rocketnh@retailrocket.ru

Интеграция в InSales за 15 минут: http://retailrocket.ru/insales