1. Big Data маркетинг
в электронной коммерции
Николай Хлебинский, Retail Rocket

2. Цикл зрелости технологий / Gartner’s Hype Curve
Expectations
Time
Technology trigger
Peak of
inflated
expectations
Trough of
disillusionment
Slope of
enlightenment
Plateau of productivity
3D Bioprinting
3D Printing
Gesture control
Speech recognition
Predictive analytics

4. Облачный сервис, повышающий доход интернет-магазина с помощью товарных рекомендаций

5. 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

6. 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:

7. Товарные рекомендации увеличивают доход по трем
ключевым направлениям.
Направление Степень влияния Подробности
+ Конверсия
Товарные рекомендации облегчают навигацию по сайту
и способствуют увеличению конверсии.
+ Трафик
Товарные 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 чек
Товарные рекомендации позволяют продавать более
дорогие или сопутствующие товары c помощью
механик up‐sell и cross‐sell.

8. Как это выглядит внутри?
Вызовы:
• Сбор данных
• Хранение данных
• Вычисления
• Инкрементальность
• Поддержка

9. 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.

10. Как давно вы смотрели в Google Analytics?

11. Эффективность рекомендаций зависит от обучения системы
0
500
1000
1500
2000
2500
3000
3500
4000
4500
5000
Average 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

12. Скорость обучения системы зависит от маркетинговой
активности интернет-магазина
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
1 2 3 4 5 6 7 8 9 10 11 12

13. 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
Коэффициент
конверсии
Среднее кол-во
товаров в
корзине, шт.
Средний чек, руб.
Средняя
продолжительность
сессии, мин
Доход, руб
Книги +49,1% +15,5% +2,1% +38,33% +52,1%
Спортивные
товары +24,3% +8,8% +25,9% +14,2% +57,6%

14. Спасибо за внимание!
Николай Хлебинский, Retail Rocket
nh@retailrocket.ru
Интеграция в InSales за 15 минут: http://retailrocket.ru/insales