Lviv iCamp 2014. Роман Захаров “big data як інструмент маркетингу”

1. Стереотип о Big Data
- Вig Data работают только у больших магазинов
- собирая данные о миллионах посетителей,
магазины способны удовлетворить любой
запрос

2. Big Data: чем больше тем лучше
важен сам объем данных:
- в ширину (немного данных о миллионе
пользователей)
- в глубину (много данных о нескольких
тысячах пользователей)
количество пользователей
количество переменных

3. Собирайте больше данных
- имя
- email
- история
заказов
- клики
- переходы
- просмотры
- open rate &
CTR в
письмах
- история
поиска
- etc.

4. Извлекайте больше из данных
- обработка
заказов
- спрос по
бестселлерам
- промо email или
sms рассылка
- прогноз спроса
- сезонные пики
- оптимальное
размещение
пунктов
самовывоза
- товарная
сегментация
- персонализация
- показатель оттока

5. Индивидуальность важнее всего

6. Отличия определяют сегменты

7. Как увидеть и описать отличия

8. Портрет клиента

9. Портрет клиента

10. Аудитория для рекламы на fb
Возраст
Город
Бренды

11. Контент для рекламы на fb
- бестселлеры для этой возрастной группы
- популярные бренды для этой возрастной группы

12. Расчет похожих пользователей
- загрузка базы email на fb
- расчет похожей аудитории
- таргетинг объявлений с бестселлерами или
самыми популярными товарами для этого
сегмента

13. Открывать ли пункт самовывоза?
- Объем заказов в регионе
- Отмена заказа в регионе
- Показатель отказов на странице доставки
- Популярные отделения служб доставки в регионе
- Стоимость аренды
- Расстояние до местоположения пользователя (ip, gps)

14. Оценка востребованности

15. Оценка востребованности

16. Где открыть пункт самовывоза?
- популярные
отделения служб
доставки
- объем заказов в
регионе
- местоположение
пользователя
- транспортная
развязка
- стоимость аренды

17. Снижение возвратов одежды
40% заказов в Украине возвращается из-за того,
что не подошел размер.
48% пользователей не покупают обувь и одежду в
онлайне из-за неудачного опыта с размерами

18. Снижение возвратов одежды
- сопоставить размеры брендов между собой
- сопоставить размеры, одинаковые фактически,
но отличающиеся маркировкой
- предупреждать пользователя, что размер не
подойдет

19. Кому дать бесплатную доставку
Групповые и семейные заказы – аудитория,
которая хотела бы экономить на доставке.

20. Пример группового заказа
Разные размеры и бренды в заказе

21. Пример семейного заказа
Разные пол, возраст, размеры и бренды в заказе

22. Где взять данные
- в магазине
- из истории заказов
- из информации о пользователе
- спросить у пользователя

23. О пользователе
- имя
- контакт
- дата рождения, etc. (если зарегистрирован)
- из браузера
- география (по айпи)
- устройство
- браузер

24. О товаре
- бренд
- цвет
- размер
- цена
- материал
- технические характеристики

25. О заказах
- время
- место
- средний чек
- размер
- товарные предпочтения

26. О магазине
- маржа
- конверсия
- популярные категории
- условия доставки
- склады (где хранится товар)
- промо-акции

27. О пользователе
- имя
- email
- история
заказов
- клики
- переходы
- просмотры
- open rate &
CTR в
письмах
- история
поиска
- etc.

28. Популярные проблемы
1. Слабая архитектура базы данных усложняет
работу с ними
2. Не собираются данные, которые производятся
3. Недостаточно четкая формализация полей в
базе данных
4. Строятся недостоверные сегменты

29. Данные – нефть нового времени
Вы сидите на фонтане денег

30. Спасибо за внимание!
roman.zakharov@softcube.com
softcube.com

31. Достоверные сегменты
- тщательно подбирать количество сегментов
- внутренняя оценка качества сегментации:
- “сплоченность” точек вокруг центра
- расстояние между сегментами
- внешняя оценка качества сегментации:
- обучение на известных примерах
- экспертная оценка

32. Метод ближайших соседей

33. Метод ближайших соседей

34. Иерархическая сегментация

35. Метод главных компонент
исходное пространство пространство “компонент”