1. Оценить каждого пользователя? Конечно ML, но не всё так просто. 2. Как получить баланс между точностью модели и применимостью? 3. Применение и тестирование полученных расчётов. 4. Результат, который получили и как к нему шли.

1. ML сегментация для
повышения прибыли

2. Product Manager
OWOX BI
Павел Хазов

3. На рынке не было
подходящих для решения
задач наших клиентов
технологий.
Поэтому мы создали
продукт OWOX BI, которому
сегодня доверяют 27 тысяч
пользователей из 130 стран
Мы развивали экспертизу в
аналитике, чтобы найти зоны
роста для наших клиентов.
Сегодня у нас самое большое
количество успешных кейсов с
использованием Google Cloud и
Google Analytics среди всех
партнеров Google в мире
OWOX начинал с разработки
ecommerce проектов. Мы
получили огромный опыт в
увеличении коэффициента
конверсии на всех этапах —
один из наших клиентов вырос
с нашей поддержкой до TOP 50
в мире

4. __
Наша цель — повысить качество решений,
которые люди принимают на основе данных
All-in-One Marketing Analytics Platform
__
Наш продукт дает качественные данные
аналитикам и прикладные отчеты маркетологам
__
Мы входим в TOП 3 решений в мире
для маркетинг- аналитики по рейтингу G2Crowd

5. Расчет вероятности
конверсии и сегментация
пользователей

8. $ +$ +$ +$
$ +$ +$ +$+$
User 1
User 2

10. Удержани
е
Конвертация
Привлечение
пользователей

11. Удержани
е
Конвертация
Привлечение
пользователей
Таргетинг
рекламных
площадок

12. Поведенческий
ремаркетинг
Удержани
е
Конвертация
Привлечение
пользователей
Таргетинг
рекламных
площадок

13. Коммуникация основанная на
истории клиента
Удержани
е
Конвертация
Привлечение
пользователей
Таргетинг
рекламных
площадок
Поведенческий
ремаркетинг

14. Коммуникация основанная на
истории клиента
Удержани
е
Конвертация
Привлечение
пользователей
Таргетинг
рекламных
площадок
Поведенческий
ремаркетинг

15. Как эту
проблему
решают?

16. Ремаркетинг
1. Действия или бездействие пользователя;
a. Положил в корзину
b. Посмотрел товар
c. Купил / не купил
2. Прошлые заслуги.
a. Количество покупок
b. Средний чек
3. Поведенческие метрики
a. Отказники
b. Время на сайте / страницы

17. Все разнообразие действий
Visit
Product
view
Add to
cart
First
sessions
Total
sessions
Add to
wishlist
Choose
size
Total
visits

18. Важность событий

19. Нелинейность поведения
Visit
Product
view
Add to
cart
3 days
without
sessions
Delete
from cart
Add to
wishlist
Choose
size
Delivery
page
view
Journey’
s end

20. Google Analytics Conversion Probability

21. Google Analytics Conversion Probability
● Прогнозируемое действие, только транзакция
● Конверсионное окно 30 дней
● Возможность использовать только в Google Ads
● Мы видим уже агрегированные данные, без возможности
смотреть на уровне пользователя

22. Как мы сделали свое
решение...

26. Выбор фичей

27. Выбор фичей параметров пользователей

28. OWOX BI ML
Online data
Offline data

29. ...и что у нас получилось.

30. Возможность выбрать любое целевое
действие
● Транзакции
● Выкупленные товары
● Звонок по телефону
● Отправка товара в корзину
● Любое другое действие

31. Кастомное конверсионное окно
Можно задать период который корректен для вашего бизнеса.
В зависимости от срока принятия решения о покупке.

32. Возможность обучать модель на данных
разных источников
CRM Website
Mobile
App

34. Устройство ID пользователя
Desktop 123
Mobile 456
Tablet 789

35. Conversion probability
between Users
% from total
users
0 - 0.1 1196552 40
0.1 - 0.2 927672 31
0.2 - 0.3 287504 10
0.3 - 0.4 156901 5
0.4 - 0.5 108353 4
0.5 - 0.6 77621 3
0.6 - 0.7 61248 2
0.7 - 0.8 52513 2
0.8 - 0.9 52857 2
0.9 - 1 78779 3
Total 3000000

36. Данные в Google BigQuery

37. Применение к разным рекламным
системам
● Google Ads
● Facebook
● Instagram
● Yandex Direct
● MyTarget

38. Online data
Offline data
OWOX BI ML
● Оценка
пользователей
● Матчинг в единый
профиль
OWOX BI
Segments

39. 1. Данные о вероятности совершения конверсии пользователем
обновляются каждый день и сразу поступают в рекламные
системы.
1. Скор пользователя обновляется, как при совершении действий,
так и при его бездействии.
1. Пользователь получает оценку сразу после первой сессии на
сайте, каждая сессия изменяет оценку.

40. Мы провели тестовое сравнение прогнозируемых результатов и реальных.
Probability segment - сегмент пользователей, с определенным диапазоном вероятности конверсии.
CR predicted - какой был ожидаемый коэффициент конверсии для данного сегмента
CR Fact - какой получился фактический коэффициент конверсии для сегмента
*В таблице CR указаны не в процентах, для получения процентов, значения надо умножить на 100.

42. Какие действия учитываются
● Количество сессий и среднее количество сессий за визит пользователя в рамках
конверсионного окна
● Количество визитов в рамках конверсионно окна.
● Количество просмотренных страниц, среднее количество, минимальной количество
просмотренных страниц в рамках конверсионного окна.
● Количество хитов, среднее количество, минимальной количество хитов в рамках
конверсионного окна.
● Интервалы между сессиями и визитами в рамках конверсионного окна.
● Ecommerce действия (добавление товара в корзину, удаление товара из корзины, просмотр
товара).
● Количество не ecommerce действий на сайте.
● Были ли визиты из direct, organic или других каналов, в рамках конверсионного окна.
● История действий пользователя.

43. Применение

44. Аудитория пользователей Корректировка tCPC CPC CR
Another users -58 5.61 13.3 1.87%
Probability_OWOX_Audience_Segment '0 - 0.2' -66 4.08 12 1.36%
Probability_OWOX_Audience_Segment '0.2 - 0.4' -61 4.41 11.3 1.47%
Probability_OWOX_Audience_Segment '0.4 - 0.6' -47 6.45 12.1 2.15%
Probability_OWOX_Audience_Segment '0.6 - 0.8' 2 12.12 11.9 4.04%
Probability_OWOX_Audience_Segment '0.8 - 1' 215 39 12.4 13.00%
Корректировки ставок в поисковой
контекстной рекламе

45. В Google Ads проверяйте емкость. Иногда
нет смысла повышать ставки даже для
качественной аудитории, если там почти
потолок.
Учитывайте емкость если это возможно

46. Корректировки ставок в поисковой
контекстной рекламе
● Используйте или аудитории на основе ML или собранные в ручную.
● Маленькие корректировки почти не влияют на результат.
● Кампании с примененными корректировками для аудиторий на основе
вероятности конверсии, начинают показывать хороший результат на
дистанции от 7 - 10 дней.
● Иногда достаточно просто сделать сильный минус на не
конверсионную аудиторию.

49. Где можно применить еще
1. Таргетинг в медийных кампаниях. GDN, РСЯ, Facebook.

50. Где можно применить еще
1. Таргетинг в медийных кампаниях. GDN, РСЯ, Facebook.
2. Как исключение в медийных кампаниях.

51. Где можно применить еще
1. Таргетинг в медийных кампаниях. GDN, РСЯ, Facebook.
2. Как исключение в медийных кампаниях.
3. Увеличить входящий новый трафик, закупая более широко
и дешево, и корректируя после оценки пользователя.

52. СПАСИБО ЗА ВАШЕ
ВНИМАНИЕ