Web analytics for e-management

1,181 views

Published on

How e-business can take advantage on web analytics techniques and solutions.

Published in: Business, Technology
0 Comments
1 Like
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total views
1,181
On SlideShare
0
From Embeds
0
Number of Embeds
151
Actions
Shares
0
Downloads
0
Comments
0
Likes
1
Embeds 0
No embeds

No notes for slide
  • E-commerce : transactions en ligne (clients , fournisseurs , distributeurs ) b2b + b2c
    E-business : pratiques business sur le web, compétitivité
    E-management :
  • http://cpa.enset-media.ac.ma/e_management_principaux_outils_et_concepts.htm
  • Boutiques : scoop informatique
    ---
    Une « place de marché » (en anglais market place ou e-marketplace pour place de marché électronique) est une plate forme d'échange virtuelle fédérant les offres et demandes de clients et de vendeurs professionnels pour un secteur d'activité particulier (industrie aéronautique, industrie automobile, pharmacie et santé, etc.) ou un segment de marché spécifique (fournitures de bureau, etc.).
    Il s'agit donc d'une plate-forme technique créée par un tiers, le Maître de la Place de Marché, offrant des mécanismes de transaction sécurisées permettant à des entreprises de trouver des fournisseurs à des conditions tarifaires particulièrement intéressantes grâce à des systèmes d'enchères ou d'appels d'offres.
    Les places de marché ont ainsi tendance à accentuer la compétitivité des entreprises.

    ---
    Comparateurs : produits / boutiques mis en relief
    Enchères en ligne (c2c) ebay
    Boutiques référencées
    Moteur de recherche
  • Boutiques : scoop informatique
    ---
    Une « place de marché » (en anglais market place ou e-marketplace pour place de marché électronique) est une plate forme d'échange virtuelle fédérant les offres et demandes de clients et de vendeurs professionnels pour un secteur d'activité particulier (industrie aéronautique, industrie automobile, pharmacie et santé, etc.) ou un segment de marché spécifique (fournitures de bureau, etc.).
    Il s'agit donc d'une plate-forme technique créée par un tiers, le Maître de la Place de Marché, offrant des mécanismes de transaction sécurisées permettant à des entreprises de trouver des fournisseurs à des conditions tarifaires particulièrement intéressantes grâce à des systèmes d'enchères ou d'appels d'offres.
    Les places de marché ont ainsi tendance à accentuer la compétitivité des entreprises.

    ---
    Comparateurs : produits / boutiques mis en relief
    Enchères en ligne (c2c) ebay
    Boutiques référencées
    Moteur de recherche
  • Délimiter des espaces
  • Délimiter des espaces
  • Délimiter des espaces
  • Délimiter des espaces
  • Visite web : individu statistique
    Données : qualitatives, quantitatives,
    Date ?

    Visite et non pas visiteur !

  • Citer l’exemple du facebook
    Enrichir l’information statistique
  • E-commerce : transactions en ligne (clients , fournisseurs , distributeurs ) b2b + b2c
    E-business : pratiques business sur le web, compétitivité
    E-management :
  • Structure ?
    Content >> gestion de document
  • Structure ?
    Content >> gestion de document

  • 1 - Il s’agit de la découverte des règles d’associations à partir des navigations sur le site. Dans le cas d’une boutique en ligne, l’analyse des sessions selon cette approche a plutôt pour but de rechercher des corrélations entre les produits commandés, en tenant même compte du temps séparant les transactions [5]. Le but final de cette étude est de mieux guider le gérant de la boutique en ligne à optimiser l’ergonomie de son catalogue pour s’aligner aux comportements fréquents des utilisateurs du site.

    2 - Usage Profiling : on analyse les sessions plutôt que les visiteurs uniques


    3 – Il est aussi important de tenir compte de l’aspect temporel dans ces analyses. En effet, la manière dont une visite est réalisée peut changer en raison de modifications liées à la structure et au contenu du site lui-même, ou bien en raison du changement de comportement de certains groupes d’utilisateurs ou de l’émergence de nouveaux comportements. Ainsi, les modèles associés à ces comportements doivent être mis à jour continuellement afin de mieux refléter le comportement actuel des internautes. Une solution, proposée dans cet article, est de mettre à jour ces modèles de comportements à l’aide des résumés obtenus par
    une approche évolutive des méthodes de classification. Pour ce faire, nous effectuons une partition de la période disponible de temps en sous-périodes de temps
    plus significatives. Nous comparons les résultats obtenus par cette méthode avec ceux obtenus par une analyse globale.


    Alzennyr Da Silva, Yves Lechavellier, Fabrice Rossi et Francisco De Carvalho [6] se sont intéressés à l’analyse des données évolutives. On soupçonne que l’usage du web peut être facteur du temps, surtout quand il s’agit d’un site événementiel ou vendant un quelconque produit touristique. Dans ce cas, on divise la période étudiée en sous périodes significatives, le plus souvent des mois, chacune est soumise à une classification. La période entière aussi. Plusieurs classifications sont définies, locales et globales, en tenant compte de la dépendance ou non des sous périodes. Le but final est de confronter les partitions obtenues grâce à ces classifications pour pouvoir tirer des conclusions sur le caractère saisonnier ou non du trafic sur le site étudié.

  • 1 - Il s’agit de la découverte des règles d’associations à partir des navigations sur le site. Dans le cas d’une boutique en ligne, l’analyse des sessions selon cette approche a plutôt pour but de rechercher des corrélations entre les produits commandés, en tenant même compte du temps séparant les transactions [5]. Le but final de cette étude est de mieux guider le gérant de la boutique en ligne à optimiser l’ergonomie de son catalogue pour s’aligner aux comportements fréquents des utilisateurs du site.

    2 - Usage Profiling : on analyse les sessions plutôt que les visiteurs uniques


    3 – Il est aussi important de tenir compte de l’aspect temporel dans ces analyses. En effet, la manière dont une visite est réalisée peut changer en raison de modifications liées à la structure et au contenu du site lui-même, ou bien en raison du changement de comportement de certains groupes d’utilisateurs ou de l’émergence de nouveaux comportements. Ainsi, les modèles associés à ces comportements doivent être mis à jour continuellement afin de mieux refléter le comportement actuel des internautes. Une solution, proposée dans cet article, est de mettre à jour ces modèles de comportements à l’aide des résumés obtenus par
    une approche évolutive des méthodes de classification. Pour ce faire, nous effectuons une partition de la période disponible de temps en sous-périodes de temps
    plus significatives. Nous comparons les résultats obtenus par cette méthode avec ceux obtenus par une analyse globale.


    Alzennyr Da Silva, Yves Lechavellier, Fabrice Rossi et Francisco De Carvalho [6] se sont intéressés à l’analyse des données évolutives. On soupçonne que l’usage du web peut être facteur du temps, surtout quand il s’agit d’un site événementiel ou vendant un quelconque produit touristique. Dans ce cas, on divise la période étudiée en sous périodes significatives, le plus souvent des mois, chacune est soumise à une classification. La période entière aussi. Plusieurs classifications sont définies, locales et globales, en tenant compte de la dépendance ou non des sous périodes. Le but final est de confronter les partitions obtenues grâce à ces classifications pour pouvoir tirer des conclusions sur le caractère saisonnier ou non du trafic sur le site étudié.

  • 1 - Il s’agit de la découverte des règles d’associations à partir des navigations sur le site. Dans le cas d’une boutique en ligne, l’analyse des sessions selon cette approche a plutôt pour but de rechercher des corrélations entre les produits commandés, en tenant même compte du temps séparant les transactions [5]. Le but final de cette étude est de mieux guider le gérant de la boutique en ligne à optimiser l’ergonomie de son catalogue pour s’aligner aux comportements fréquents des utilisateurs du site.

    2 - Usage Profiling : on analyse les sessions plutôt que les visiteurs uniques


    3 – Il est aussi important de tenir compte de l’aspect temporel dans ces analyses. En effet, la manière dont une visite est réalisée peut changer en raison de modifications liées à la structure et au contenu du site lui-même, ou bien en raison du changement de comportement de certains groupes d’utilisateurs ou de l’émergence de nouveaux comportements. Ainsi, les modèles associés à ces comportements doivent être mis à jour continuellement afin de mieux refléter le comportement actuel des internautes. Une solution, proposée dans cet article, est de mettre à jour ces modèles de comportements à l’aide des résumés obtenus par
    une approche évolutive des méthodes de classification. Pour ce faire, nous effectuons une partition de la période disponible de temps en sous-périodes de temps
    plus significatives. Nous comparons les résultats obtenus par cette méthode avec ceux obtenus par une analyse globale.


    Alzennyr Da Silva, Yves Lechavellier, Fabrice Rossi et Francisco De Carvalho [6] se sont intéressés à l’analyse des données évolutives. On soupçonne que l’usage du web peut être facteur du temps, surtout quand il s’agit d’un site événementiel ou vendant un quelconque produit touristique. Dans ce cas, on divise la période étudiée en sous périodes significatives, le plus souvent des mois, chacune est soumise à une classification. La période entière aussi. Plusieurs classifications sont définies, locales et globales, en tenant compte de la dépendance ou non des sous périodes. Le but final est de confronter les partitions obtenues grâce à ces classifications pour pouvoir tirer des conclusions sur le caractère saisonnier ou non du trafic sur le site étudié.

  • Citer l’exemple du facebook
    Enrichir l’information statistique

  • Citer l’exemple du facebook
    Enrichir l’information statistique

  • Citer l’exemple du facebook
    Enrichir l’information statistique

  • Citer l’exemple du facebook
    Enrichir l’information statistique
  • Logos
  • Web analytics for e-management

    1. 1. Le Web Analytics au service de l’ e-Management Khalil Gdoura - Statisticien P r é s e n t a t i o n a c c u e i l l i e p a r l ’ E c o l e S u p é r i e u r e d e s S c i e n c e s E c o n o m i q u e s e t d u C o m m e r c e d e T u n i s 11 Novembre 2010
    2. 2. e-Commerce e-Management e-Business +
    3. 3. Quelques facettes de l’e-Business Gestion Électronique de Documents (GED) Gestion de la Relation Client (CRM) Informatique décisionnelle (Business Intelligence)
    4. 4. Quelques solutions de e-Commerce Boutiques et catalogues en ligne (modèle: B2C) Comparateurs de prix (modèles: B2C et C2C) Places de marché (modèle: B2B)
    5. 5. Point de vue Manager : Comment rentabiliser mon site web ?
    6. 6. Site web : Modèles économiques Vente en ligne de biens Services et/ou contenu partiellement payant Revenus publicitaires
    7. 7. Objectifs d’un e-Manager Générer plus de ventes Elargir la base des abonnées Maximiser le trafic sur le site
    8. 8. Toutes les données sur les visites sont tracées
    9. 9. Une visite web peut-être décrite par : Source / Géolocalisation Date et heure / Durée Schéma navigationnel Quelque soit le site visité
    10. 10. Un utilisateur est caractérisé par : Age et Genre Ses centres d’intérêt / cursus / carrière / … Expérience avec le site: activité / commandes S’il y a un espace-membre
    11. 11. Comprendre le comportement du visiteur Combiner les données sur les visites et/ou sur les utilisateurs Procéder aux ajustements nécessaires au niveau du site et des campagnes Réaliser son objectif = Maximiser son profit
    12. 12. Web mining : la solution e-Business Techniques de fouille de données Voies de recherche multiples Applications : Content / Structure / Usage
    13. 13. Web mining : la solution e-Business Techniques de fouille de données Voies de recherche multiples Applications : Content / Structure / Usage
    14. 14. Web usage mining : Quelques applications Analyse du « panier de ménagère » Profiling des utilisateurs d’un site. Analyse de l’évolution des comportements Méthodes statistiques utilisées
    15. 15. Web usage mining : Quelques applications Analyse du « panier de ménagère » Profiling des utilisateurs d’un site. Analyse de l’évolution des comportements Méthodes statistiques utiliséesRègles d’associations
    16. 16. Web usage mining : Quelques applications Analyse du « panier de ménagère » Profiling des utilisateurs d’un site. Analyse de l’évolution des comportements Méthodes statistiques utiliséesRègles d’associationsClassification (approche évolutive)
    17. 17. Cas d’étude : www.en-tunisie.net Thématique : Tourisme Modèle économique : Publicité / Annuaire Trafic : moyenne de 200 visites / jour Problématique
    18. 18. Cas d’étude : www.en-tunisie.net Thématique : Tourisme Modèle économique : Publicité / Annuaire Trafic : moyenne de 200 visites / jour ProblématiqueA quoi est dû l’intérêt des visiteurs ?
    19. 19. Méthodologie suivie Identifier les variables explicatives (indépendantes) Construire la variable à expliquer (dépendante) Construire le modèle (modèle de régression logistique) Valider le modèle (validation croisée) Interpréter et formuler les recommandations.
    20. 20. Construction de la variable dépendante Variable à 2 issues : objectif réalisé ou non Objectif : Durée prolongée de visite Objectif atteint si Durée dépasse 150 secondes On appellera cette variable binaire Qualité
    21. 21. Construction des variables explicatives Origine Pays Heure Zone i du site Moteur de recherche Tunisie Matinée Visitée Site référent Etranger Après-midi Non visitée (Accès direct) Soir
    22. 22. 1 2 3 4
    23. 23. Comment lire et interpréter les résultats ? Forme du modèle : Effet individuel de chaque facteur Signe du coefficient positif : facteur affecte la proba de conversion de l’objectif Valeur du coefficient (exponentielle) : poids du facteur Possibilité de combiner plusieurs facteurs
    24. 24. Web Analytics en pratique ?
    25. 25. La solution Google Analytics pour modéliser un objectif et mesurer son taux de conversion
    26. 26. Le A/B Testing pour optimiser l’ergonomie des pages et améliorer le taux de conversion
    27. 27. VS. A/B Testing dans le e-commerce Avec quel design obtiendra-on plus de conversions (ajout au panier) ?
    28. 28. Les cartes de chaleur ou la visualisation du comportement des visiteurs sur une page.
    29. 29. La solution Google Adwords : payer son positionnement tout en calculant son ROI
    30. 30. Outil : Google Search Insights Comprendre les tendances des recherches Lancer ses campagnes G.Adwords au bon moment Maximiser le taux de conversion et donc le ROI
    31. 31. Projet web Web Analyst Equipe technique
    32. 32. Rejoignez la communauté « Tunisian e-Managers » Partagez , Critiquez , Proposez

    ×