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.
Upcoming SlideShare
史上最经典的Word press 主题教程
Next

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.

Related Books

Free with a 30 day trial from Scribd

See all

Related Audiobooks

Free with a 30 day trial from Scribd

See all

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

1,527

On Slideshare

0

From embeds

0

Number of embeds

5

Actions

Downloads

0

Shares

0

Comments

0

Likes

9

×