Виктор Крылов, Современная поведенческая аналитика в большом e-commerce, Opti...Optimization conference
- Какие виды данных использует современная поведенческая аналитика
- Как происходит анализ
- Примеры проверки гипотез
- Глубокая персонализация
- Примеры машинного обучения в поведенческой аналитике: оценка вероятности целевого действия
Доклад на конференции Optimization 2016.
Фидбек. План проекта из книги "Фидбэк"Елена Золина
Выдержка из книги "Фидбэк. Получите обратную связь". Игорь Манн, Елена Золина. Руководство для всех, у кого есть клиенты.
Данная презентация может стать для Вас легким стартом в обосновании необходимости проекта в Компании. Или в процессе его планирования.
Виктор Крылов, Современная поведенческая аналитика в большом e-commerce, Opti...Optimization conference
- Какие виды данных использует современная поведенческая аналитика
- Как происходит анализ
- Примеры проверки гипотез
- Глубокая персонализация
- Примеры машинного обучения в поведенческой аналитике: оценка вероятности целевого действия
Доклад на конференции Optimization 2016.
Фидбек. План проекта из книги "Фидбэк"Елена Золина
Выдержка из книги "Фидбэк. Получите обратную связь". Игорь Манн, Елена Золина. Руководство для всех, у кого есть клиенты.
Данная презентация может стать для Вас легким стартом в обосновании необходимости проекта в Компании. Или в процессе его планирования.
Логическая витрина для доступа к большим даннымSergey Gorshkov
Как компании получить максимальную выгоду от накопленной информации? Как интегрировать данные из хранилищ Big Data с традиционной аналитической информацией?
Как спроектировать систему сквозной аналитикиMariia Bocheva
75% пользователей ищут товары в интернете, а покупают в офлайн-магазинах. 56% покупок в магазинах совершаются после изучения товаров в интернете. Эти цифры красноречивее любых аналитиков и маркетологов говорят, что интернет-магазинам и розничным сетям жизненно необходимо использовать сквозную аналитику, чтобы правильно оценивать эффективность рекламы. Несмотря на это, многие компании до сих пор не настроили систему сквозной аналитики, ошибочно полагая, что это сложно, дорого и небезопасно для их данных.
Softline и OWOX BI мы развеивают все страхи и предубеждения по поводу сквозной аналитики и рассказывают, как повысить эффективность рекламных кампаний в интернете, используя данные о продажах из внутренних IT-систем.
Вы узнаете:
-Как оценить текущие возможности аналитики в компании и определить зоны «провисания».
-Как выявить требования к системе сквозной аналитики и разработать целевую модель.
-Как поэтапно внедрить систему сквозной аналитики с расчетом эффекта для бизнеса.
-Как с помощью продуктов OWOX BI и Google объединить в Google BigQuery все данные, необходимые для сквозной аналитики: действия пользователей на сайте и в мобильных приложениях, расходы на рекламу, доходы, выполненные заказы, звонки и email-рассылки.
-Истории успеха наших клиентов: как они настроили систему сквозной аналитики и использовали полученные данные для достижения своих бизнес-целей.
Будет полезно:
Ecommerce и retail проектам, аналитикам и маркетологам.
1. Планирование идентификации
2. Маркировка
3. Использование средств Inventory Management и существующих источников данных
4. Организация работ по наполнению CMDB информацией
Какие бизнес-задачи решает логическая витрина данных? Как ее построить? В чем преимущества витрины данных, построенной с использованием концептуального моделирования, и онтологических (семантических) технологий?
Загрузить запись вебинара можно здесь: https://www.owox.com/c/1l9
На вебинаре вы узнаете:
➤Как оценить текущие возможности аналитики в компании и определить зоны «провисания».
➤Как выявить требования к системе сквозной аналитики и разработать целевую модель.
➤Как поэтапно внедрить систему сквозной аналитики с расчетом эффекта для бизнеса.
➤Как с помощью продуктов OWOX BI и Google объединить в Google BigQuery все данные, необходимые для сквозной аналитики: действия пользователей на сайте и в мобильных приложениях, расходы на рекламу, доходы, выполненные заказы, звонки и email-рассылки.
➤Истории успеха наших клиентов: как они настроили систему сквозной аналитики и использовали полученные данные для достижения своих бизнес-целей.
Вебинар будет полезен:
Ecommerce и retail проектам, аналитикам и маркетологам.
White Label Calcium Magnesium Supplement for Your BrandFrank Sardella
Private label brand this effective supplement to forward your wellness-based or chiropractic practice, get better results and create an additional revenue stream. This is even good for private distributors. This amazing product is endorsed by my company and used by our clients to distribute to their patients, clients, members, associates, etc.
Логическая витрина для доступа к большим даннымSergey Gorshkov
Как компании получить максимальную выгоду от накопленной информации? Как интегрировать данные из хранилищ Big Data с традиционной аналитической информацией?
Как спроектировать систему сквозной аналитикиMariia Bocheva
75% пользователей ищут товары в интернете, а покупают в офлайн-магазинах. 56% покупок в магазинах совершаются после изучения товаров в интернете. Эти цифры красноречивее любых аналитиков и маркетологов говорят, что интернет-магазинам и розничным сетям жизненно необходимо использовать сквозную аналитику, чтобы правильно оценивать эффективность рекламы. Несмотря на это, многие компании до сих пор не настроили систему сквозной аналитики, ошибочно полагая, что это сложно, дорого и небезопасно для их данных.
Softline и OWOX BI мы развеивают все страхи и предубеждения по поводу сквозной аналитики и рассказывают, как повысить эффективность рекламных кампаний в интернете, используя данные о продажах из внутренних IT-систем.
Вы узнаете:
-Как оценить текущие возможности аналитики в компании и определить зоны «провисания».
-Как выявить требования к системе сквозной аналитики и разработать целевую модель.
-Как поэтапно внедрить систему сквозной аналитики с расчетом эффекта для бизнеса.
-Как с помощью продуктов OWOX BI и Google объединить в Google BigQuery все данные, необходимые для сквозной аналитики: действия пользователей на сайте и в мобильных приложениях, расходы на рекламу, доходы, выполненные заказы, звонки и email-рассылки.
-Истории успеха наших клиентов: как они настроили систему сквозной аналитики и использовали полученные данные для достижения своих бизнес-целей.
Будет полезно:
Ecommerce и retail проектам, аналитикам и маркетологам.
1. Планирование идентификации
2. Маркировка
3. Использование средств Inventory Management и существующих источников данных
4. Организация работ по наполнению CMDB информацией
Какие бизнес-задачи решает логическая витрина данных? Как ее построить? В чем преимущества витрины данных, построенной с использованием концептуального моделирования, и онтологических (семантических) технологий?
Загрузить запись вебинара можно здесь: https://www.owox.com/c/1l9
На вебинаре вы узнаете:
➤Как оценить текущие возможности аналитики в компании и определить зоны «провисания».
➤Как выявить требования к системе сквозной аналитики и разработать целевую модель.
➤Как поэтапно внедрить систему сквозной аналитики с расчетом эффекта для бизнеса.
➤Как с помощью продуктов OWOX BI и Google объединить в Google BigQuery все данные, необходимые для сквозной аналитики: действия пользователей на сайте и в мобильных приложениях, расходы на рекламу, доходы, выполненные заказы, звонки и email-рассылки.
➤Истории успеха наших клиентов: как они настроили систему сквозной аналитики и использовали полученные данные для достижения своих бизнес-целей.
Вебинар будет полезен:
Ecommerce и retail проектам, аналитикам и маркетологам.
White Label Calcium Magnesium Supplement for Your BrandFrank Sardella
Private label brand this effective supplement to forward your wellness-based or chiropractic practice, get better results and create an additional revenue stream. This is even good for private distributors. This amazing product is endorsed by my company and used by our clients to distribute to their patients, clients, members, associates, etc.
Фабрика Автоматизированных Продаж - система оптимизации бизнес-процессовООО БТП
ФАБРИКА АВТОМАТИЗИРОВАННЫХ ПРОДАЖ – это программно-аппаратный комплекс, предназначенный для автоматизации рабочих процессов. Фабрика продаж организовывает внутренние процессы компании, повысить уровень продаж, оптимизировать маркетинг и улучшить качество работы с клиентами путем сохранения информации и истории взаимоотношения с ними.
http://www.rutp.ru/
По мере своего развития ИТ-департамент становится все ближе к бизнес-подразделениями компании, ориентируясь на бизнес-задачи: автоматизация продаж, отгрузок, выдачи кредитов и т.д. Чтобы соответствовать требованиям бизнес-заказчиков, ИТ-департамент должен говорить с ними на одном языке, измерять и контролировать взаимосвязь различных элементов ИТ-инфраструктуры и бизнеса. Именно этим задачам служат решения для мониторинга бизнес-процессов, которые позволяют, с одной стороны, комплексно оценивать функционирование бизнес-процессов компании, а с другой – отслеживать влияние ИТ-процессов на компанию, оперативно оценивать эффект сбоев инфраструктуры и своевременно на них реагировать.
"Битрикс24 или 1С - какую платформу для CRM выбрать?"Helen Kopteva
Компания «Кодерлайн» провела семинар "Битрикс24 или 1С - какую платформу для CRM выбрать?". Ведущий: Дмитрий ШАТОХИН – руководитель проектов по внедрению CRM систем. Все чаще запросы наших клиентов, касающиеся выбора CRM системы, сводятся к выбору между решениями на платформе 1С и Битрикс24. Мы решили сравнить оба варианта и рассказать, когда лучше внедрять CRM на платформе 1С, когда оптимальным выбором будет Битрикс24, а в каких случаях ни одна из систем не будет верным вариантом.
Главный риск не успешности проекта создания автоматизированной системы - это автоматизированная система не будет удовлетворять ожиданиям ее заказчика.
Главные способы сниженя риска неудовлетворенности проектным внедрением заказчиком:
* создание автоматизированной системы по отработанной технологии;
* документирование процесса ее разработки.
Выбор информационных систем. Журнал Управление компанией, Июль, 2004 г.
Вопрос о выборе и внедрении информационной системы на предприятии активно обсуждается не один год, однако часто компании, относясь к IT-решениям, как к панацее, тратят значительные средства, которые впоследствии не окупаются. Предлагаемая статья представляет собой обобщение опыта, полученного в результате нескольких проектов по выбору и внедрению информационных систем в различных компаниях.
Модель базы знаний для выбора поставщика программного продукта. Система КАРКАС
Knowledge base model for supplier selection of a software product. System KARKAS
1. ООО «Мьютел Технолоджис»
г. Москва
CXP ANALYZER
CUSTOMER EXPERIENCE ANALYZER
СИСТЕМА АНАЛИЗА И МОНИТОРИНГА
КЛИЕНТСКОГО ОПЫТА
2. 18.08.2013 2
Предпосылки разработки программного инструментария
Конфиденциально
Потребность предприятий в эффективных алгоритмах интеллектуального анализа и
автоматического распределения информации, поступающей от клиентов с помощью
различных методов обратной связи (формы отзывов и предложений, колл и контакт-
центры, социальные сети)
Возможность на основе отзывов клиентов выявления закономерностей,
позволяющих получить данные о системных проблемах, возникающих у клиентов на
всех стадиях взаимодействия с компанией, что позволяет снизить издержки
предприятия при обслуживании клиентов
Возможность оценки степени удовлетворенности клиента, а значит представления о
клиентской лояльности и конкурентоспособности компании (оценка с позиции
клиента преимуществ и недостатков компании, предоставляемых ей товаров и услуг
в сравнении с конкурентами)
Повышение скорости оперативного реагирования отдела сопровождения клиентов
(вовремя не устраненная проблема в обслуживании одного клиента в среднем
приводит к уходу четырех потенциальных клиентов)
Возможность автоматизации выявления закономерностей, оказывающих
определяющее влияние на формирование клиентского опыта, а значит сокращения
временных затрат аналитиков предприятия при обработке массивов данных
Наличие собственных программно-алгоритмических решений, позволяющих
повысить быстродействие классификации отзывов клиентов без потери точности
3. 18.08.2013 3
Описание программного инструментария
Конфиденциально
Программный инструментарий CXP-Analyzer предназначен для
аналитической обработки клиентского опыта, выраженного в виде
неструктурированных текстовых документов, содержащих мнения:
клиентов компании
потенциальных покупателей
респондентов (участников опросов (экспертов)).
Данные документальные массивы представляют собой:
отзывы, опубликованные в рейтинговых поисковых системах
(market.yandex.ru)
отзывы, опубликованные в социальных сетях (vk.com, twitter.com,
facebook.com)
отзывы, размещенные на профессиональных блогах и форумах
(livejournal.com)
транскрипты звонков в службу техподдержки и колл-центры
неструктированные данные опросов и маркетинговых исследований
4. 18.08.2013 4
Основные задачи программного инструментария
Конфиденциально
Программный инструментарий CXP-Analyzer предназначен для решения
следующих задач менеджмента предприятия:
Повышение лояльности клиента
Внедрение клиентоориентированности как современной концепции
развития предприятия
Снижение издержек на поддержку клиентов
Выявление системных проблем предприятия (клиентских сервисов)
Оперативный мониторинг и классификация проблем клиента
5. 18.08.2013 5
Целевая аудитория программного инструментария
Конфиденциально
Основными целевыми аудиториями программного инструментария CXP-
Analyzer являются:
электронная коммерция (прежде всего, интернет-магазины
розничной торговли)
гостиничный бизнес
телекоммуникационная индустрия
банковские услуги
центры по работе с населением
6. 18.08.2013 6
Модульная структура программного инструментария
Конфиденциально
CXP-Analyzer состоит из трех основных модулей:
CXP-Analyzer
Сбор и агрегация отзывов,
мнений и обращений
клиентов/респондентов
Обработка и извлечение
клиентского опыта
Формирование отчетов и
анализ результатов
7. 18.08.2013 7
Модульная структура программного инструментария
Конфиденциально
Модуль сбора и агрегации
отзывов представляет собой
инструмент для
автоматического извлечения
клиентского опыта из
различных источников и
осуществления агрегации
полученных данных в одну или
несколько групп в зависимости
от типа источника и целей
аналитической работы
Сбор и агрегация отзывов,
мнений и обращений
клиентов/респондентов
Внешние
источники
Внутренние
источники
Рейтинговые
поисковые системы
Форумы и блоги
Сайты обзоров и
рецензий
Новостные ленты
Социальные сети
Электронная почта
Транскрипты звонков в
тех. поддержку
Веб-ресурсы компании
(forum, feedback)
Транскрипты обращений
в колл-центр
Система мгновенных
сообщений
Неструктур. данные
маркет. исследований
Результаты исследов.
(опросы потребителей)
Экспертные заключения
API (базы данных
компании)
8. 18.08.2013 8
Модульная структура программного инструментария
Конфиденциально
Модуль первичной обработки и извлечения
клиентского опыта предназначен для:
Извлечения необработанных текстовых данных
(мнений клиентов/респондентов) и сохранение в
отдельных файлах с указанием первичного
источника. Формирование обучающих и
экзаменационных выборок
Обработка текстов с использованием парсера
естественного языка (natural language processing)
Кластеризация – автоматическое выделение
категорий, на которые распадаются отзывы в
зависимости от обсуждаемой проблемы.
Выявление скрытых факторных признаков,
определяющих мнение клиента о компании
Классификация – автоматическое распределение
отзывов по указанным категориям с целью
выявления системных проблем во взаимодействии
с клиентами и «узких мест» в организации бизнес-
процессов
Выявление эмоциональной окраски отзывов: что
чувствуют и как относятся клиенты к компании, ее
товарам и услугам. Оценка клиентской лояльности
Обработка и извлечение
клиентского опыта
Обработка текстов на
естественном языке (natural
language processing)
Выявление эмоциональной
окраски отзывов
Кластеризация
(выявление скрытых факторов,
определяющих мнение клиента)
Классификация (категоризация
отзывов и выявление «узких мест»
в организации бизнес-процессов)
Поиск упоминаний проблемы и
выявление происшествий,
связанных с этими упоминаниями
9. 18.08.2013 9
Модульная структура программного инструментария
Конфиденциально
Модуль формирования отчетов и анализа
результатов предназначен для:
Вывода результатов в виде таблиц и графиков с
возможностью масштабирования, фильтрации (по
дате, классам, эмоциональному оттенку, источнику
клиентского опыта)
Экспресс-анализ и автоматическая генерация
отчета, содержащего оценки «точек»
взаимодействия компании с клиентом (сайт,
доставка, контакт-центр и т.д.)
Детальный анализ с возможностью задания
собственных классов, формированием и
уточнением обучающих выборок. Позволяет
заказчику проводить собственные исследования и
выявлять скрытые нестандартные проблемы
функционирования компании
Оперативный анализ поступающих отзывов.
Система анализирует в реальном времени
поступающие отзывы от клиентов, и в зависимости
от эмоциональной окраски и содержания отзыва
может отправить уведомление заказчику, если
требуется оперативное вмешательство, а также
рекомендовать шаблон ответа
Формирование отчетов и
анализ результатов
Визуализаторы (таблицы, графики)
для проведения факторного
анализа
Анализ эмоциональной окраски
отзывов и определение клиентской
лояльности
Экспресс-анализ (оценка «точек»
взаимодействия компании с
клиентом по типовым классам)
Детальный анализ с заданием
собственных классов (анализ
конкурентов и потребителей)
Оперативный анализ (мониторинг
отзывов и уведомление заказчика
о необх. быстрого реагирования)
10. 18.08.2013 10
Бизнес-модель программного инструментария
Конфиденциально
В основе программного решения лежит бизнес-модель SaaS (software as
a service - программное обеспечение как услуга)
Основное преимущество модели SaaS для заказчика услуги состоит в
отсутствии затрат, связанных с установкой, обновлением и поддержкой
работоспособности оборудования и работающего на нём программного
обеспечения. В свою очередь разработчик может организовать
модернизацию и обновление приложения оперативно и прозрачно для
клиентов
Согласно требованиям бизнес-модели SaaS CXP-Analyzer приспособлен
для удаленного использования с обеспечением одновременной работы
нескольких клиентов.
Пользование сервисом предполагает взимание ежемесячной абонентской
платы, при этом техническая поддержка приложения и обеспечение
защиты данных включены в оплату
Контракт с заказчиком заключается по схеме SLA (Service Level
Agreement), фиксирующей параметры, характеризующие доступность и
работоспособность программного инструментария в течение года
11. 18.08.2013 11
Стадия реализации программного инструментария
Конфиденциально
На данной стадии проекта разработан лабораторный образец
программного обеспечения, позволяющий осуществлять обработку и
классификацию неструктурированной текстовой информации. Реализованы
большинство известных методов классификации документальных массивов
Проведенные собственные научные работы позволили создать
модифицированный метод редукции (сокращение обучающей выборки),
применимый для документальных массивов, позволяющий увеличить
быстродействие классификации на 19% без потери точности. Научные
результаты подтверждены защищенной диссертацией на соискание ученой
степени кандидата наук
Лабораторный комплекс применяется для решения учебно-научных задач в
рамках учебного курса «Интеллектуальные информационные системы»
Тем не менее для реализации проекта требуются проведение
дополнительных НИР с целью расширения набора методов классификации
документальных массивов и повышения их быстродействия без потери
точности (на 20-30%). Также необходимо проведение существенных работ
для разработки коммерческой версии программного инструментария
12. Проведенный анализ известных программных систем логической обработки и
анализа текстовой информации показал, что большинство из них представляют
собой многопрофильные универсальные программы, не ориентированные на
обработку информации определенного типа, характеризующую конкретный вид
деятельности компании
В существующих аналогах не уделяется достаточного внимания реализации ряда
важных, на наш взгляд, процедур качественной обработки и классификации
документальных массивов (в частности, операции редукции, коллективной
классификации, модификаций, ускоряющих классификацию непараметрических
методов)
Предлагаемые программно-алгоритмические методы классификации
документальных массивов информации в сравнении с аналогами отличаются
большим быстродействием при сохранении той же точности
Выбранная бизнес-модель SaaS позволит существенно снизить конечную
стоимость программного инструментария для клиента в сравнении с похожими
решениями, предлагаемыми на рынке
18.08.2013 12
Рыночные преимущества
Конфиденциально
Сравнение параметров продукта проекта с аналогами
13. 18.08.2013 13
Команда проекта
Конфиденциально
ФИО Возраст
, лет
Роль в проекте (описание
ключевых функций)
Сфера деятельности и опыт
Лисин
Евгений
Михайлович
31 Руководитель проекта
(руководство проектом, участие
в разработке программно-
алгоритмических модулей,
определение коммерческого
направления развития
разработки)
Есть существенный опыт в организации и
управлении коллективной работой в академической
и бизнес-среде. Имеются профессиональные
навыки и умения, как в технических, так и
экономических направлениях, фактически от
разработки программных систем до экономического
анализа и расчета инвестиционных проектов, Имеет
ученую степень кандидата экономических наук.
Бородкин
Артем
Александров
ич
32 Зам. руководителя проекта по
научной работе (разработка
математического аппарата,
алгоритмов и программных
решений, постановка,
планирование и организация
тестирования)
Специализируется на проведении исследований и
разработок в области интеллектуальных
информационных систем и методов анализа
данных. По теме проекта защитил диссертацию на
соискание ученой степени кандидата наук. Имеет
значительный опыт в проектировании и разработке
программных решений для малого и среднего
бизнеса, а также программных систем учебного и
научно-исследовательского назначения.
Ходунов
Генрих
Александров
ич
25 Зам. руководителя проекта по
фин. вопросам
(инвестиционное,
операционное и финансовое
планирование)
Имеет опыт работы в должности руководителя
департамента по финансам и менеджменту.
Является специалистом в области бухгалтерского
учета, финансового контроля и аудита.
14. 18.08.2013 14Конфиденциально
Приложение 1. Логическая структура
Интерфейсный
модуль
Модуль автоматизированного
ввода текстовых данных из
внешних хранилищ информации
Модуль предварительной
обработки данных
Модуль обучения
индивидуальных
классификаторов и синтеза
коллектива решающих правил
Модуль представления и
анализа качества
результатов
классификации
Модуль редукции обучающих
выборокИнтернет сайты
ACM и
ResearchIndex