Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

9

Share

Big Data маркетинг в E-Commerce. Николай Хлебинский (Retail Rocket)

Николай Хлебинский рассказывает о том, как автоматизировать формирование upsell и cross-sell контента на основе анализа статистических данных о поведении пользователей интернет-магазинов и как правильно измерять влияние рекомендательных систем на средний чек и конверсию.

Big Data маркетинг в E-Commerce. Николай Хлебинский (Retail Rocket)

  1. 1. Цикл зрелости технологий / Gartner’s Hype CurveExpectationsTimeTechnology triggerPeak ofinflatedexpectationsTrough ofdisillusionmentSlope ofenlightenmentPlateau of productivity3D Bioprinting3D PrintingGesture controlSpeech recognitionPredictive analytics
  2. 2. Вопрос: Что общего между Big Data, HTML5 и Cloud?1. Данных правда много. ОЧЕНЬ!2. Сложно извлечь выгоду из своих данных. (ТОЖЕ ОЧЕНЬ!)3. Маркетинг на основе анализа данных существует.4. Принимать решения не опираясь на данные нельзя.5. Работу с данными можно автоматизировать ирегламентировать.KEEP CALMAND IGNOREBULLSHIT
  3. 3. Анализ источника трафикаКонтекстнаяреклама вЯндекс.ДиректТаргетированнаярекламав соц. сетяхVisits6000025000Conversions43118Conversionrate0.07%0.47%AOV120002560Revenue516000302080Total cost800000150000Cost perconversion186051272ROI64,5%201.3%AssistedConversions601• Атрибуция конверсииКому отдать конверсию?
  4. 4. Как выглядит заказ в деньгахСредний чекСебестоимость МаркетингОперацииМаркетингСебестоимость Операции ПриемлемыйROIМаркетингСебестоимость Операции Хороший ROIМаркетингСебестоимость Операции Плохой ROIСебестоимость Операции Супер ROIУсловно-бесплатные каналы#1#2#3
  5. 5. Гипотеза: платные каналы генерируютпродажи в условно-бесплатных.
  6. 6. Быстрая проверка: корреляция выручки в динамике
  7. 7. Цепочки условно-бесплатных конверсий34%66%Только условно-бесплатные каналыУсловно-бесплатные каналы с платными#1#3#2Вывод: в 2/3 случаев пользователи приходили с платных каналов, а затемконвертировались с бесплатных.
  8. 8. Перераспределяем выручкуМаркетингСебестоимость ОперацииМаркетингСебестоимость ОперацииСебестоимость ОперацииСебестоимость ОперацииПлатные каналыУсловно-бесплатные каналыМаркетинг
  9. 9. Ключевые направления работы аналитики в Ecommerce1. Аналитика трафика2. Аналитика продукта3. Аналитика товарной матрицы4. Аналитика рынка5. Операционная аналитика
  10. 10. 1. Наш сервис собирает всю информацию 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.123Мы используем сложную big data модель для формированиятоварных рекомендаций
  11. 11. Как выглядят товарные рекомендации?В карточке товара При добавлении в корзину+ Готовы к внедрению с помощью наших виджетов, дизайн которых можно полностьюнастроить, рекомендации для карточки товара, корзины, товарной категории,главной страницы магазина, страницы результатов внутреннего поиска.+ Примеры наших виджетов:
  12. 12. Как это выглядит внутри?Вызовы:• Сбор данных• Хранение данных• Вычисления• Инкрементальность• Поддержка
  13. 13. Использование внешних данных для рекомендацийP• $+ Вероятностная модель может быть взвешена для максимизации выручки или маржи+ Аудитория сайта профилируется по географии, браузеру, ОС, источнику трафика ит.д. Для каждого сегмента аудитории строится своя модель.
  14. 14. Товарные рекомендации увеличивают доход по тремключевым направлениям.Направление Степень влияния Подробности+ КонверсияТоварные рекомендации облегчают навигацию по сайтуи способствуют увеличению конверсии.+ ТрафикТоварные рекомендации формируют перекрестныессылки на карточки товаров, а так же повышают глубинупросмотра сайта и среднюю длительность сессии, чтоположительно сказывается на позициях в поисковиках.+ Средний чекТоварные рекомендации позволяют продавать болеедорогие или сопутствующие товары c помощьюмеханик up‐sell и cross‐sell.
  15. 15. Эффективность рекомендаций зависит от обучения системы0500100015002000250030003500400045005000Average Order Value 7 per. Mov. Avg. (Average Order Value)0%10%20%30%40%50%60%70%80%90%100%1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37% обучения одного из алгоритмов
  16. 16. Скорость обучения системы зависит от маркетинговойактивности интернет-магазина0%10%20%30%40%50%60%70%80%90%100%1 2 3 4 5 6 7 8 9 10 11 12
  17. 17. Больше информации на http://retailrocket.ruКонтактное лицо: Николай ХлебинскийТелефон: 8 926 315-20-26E-mail: nh@retailrocket.ruSkype: nikolay.khlebinskyFacebook: http://www.facebook.com/nikolay.khlebinskyLinkedIn: http://ru.linkedin.com/in/nikolaykhlebinskyМой Круг: http://nikolay-khlebinsky.moikrug.ru/
  • AzaliyaRazetdinova

    May. 7, 2014
  • mitray

    Sep. 14, 2013
  • NataliePrytkova

    Aug. 17, 2013
  • anton_m

    Aug. 13, 2013
  • Almzozo

    Aug. 5, 2013
  • ssuser57a91030

    Aug. 5, 2013
  • BenjaminStahovskiy

    Aug. 2, 2013
  • annasasonova

    Jun. 18, 2013
  • comagic

    Jun. 17, 2013

Николай Хлебинский рассказывает о том, как автоматизировать формирование upsell и cross-sell контента на основе анализа статистических данных о поведении пользователей интернет-магазинов и как правильно измерять влияние рекомендательных систем на средний чек и конверсию.

Views

Total views

1,522

On Slideshare

0

From embeds

0

Number of embeds

5

Actions

Downloads

0

Shares

0

Comments

0

Likes

9

×