Prezentace k přednášce Davida Velechovského z Nekonference Reklama 2014 - 13.2.2014
Podrobnosti zde: http://www.besteto.cz/reklama-2014-sklik-prezentace
Arno candel scalabledatascienceanddeeplearningwithh2o_reworkboston2015Sri Ambati
https://www.re-work.co/events/deep-learning-boston-2015
Scalable Data Science & Deep Learning with H2O
H2O is fast scalable open-source machine learning and deep learning for Smarter Applications. Using in-memory compression techniques, H2O can handle billions of data rows in-memory — even on small compute clusters. The platform includes interfaces for R, Python, Scala, Java, JS and JSON, along with its interactive graphical Flow interface that make it easier for non-engineers to stitch together complete analytic workflows. H2O was built alongside (and on top of) both Hadoop and Spark clusters and is deployed within minutes. Sparkling Water combines the flexibility of Spark with the speed and accuracy of H2O's Machine Learning solution.
In this workshop, we explain H2O's scalable in-memory architecture and design principles and outline the implementation of distributed machine learning algorithms such as Elastic Net, Random Forest, Gradient Boosting and Deep Learning. We present a broad range of use cases and live demos that include world-record deep learning models, anomaly detection tools and approaches for Kaggle data science competitions. We also demonstrate the applicability of H2O in enterprise environments for real-world customer production use cases. We cover data ingest, feature engineering, model tuning, model validation and model selection; and how to take models into production. Live demos will be run on distributed systems. By the end of this workshop, you will know how to create your own machine learning models on your data using R, Python (iPython Notebooks) or Flow.
Arno is the Chief Architect of H2O, a distributed and scalable open-source machine learning platform. He is also the main author of H2O's Deep Learning. Before joining H2O, Arno was a founding Senior MTS at Skytree where he designed and implemented high-performance machine learning algorithms. He has over a decade of experience in HPC with C++/MPI and had access to the world’s largest supercomputers as a Staff Scientist at SLAC National Accelerator Laboratory where he participated in US DOE scientific computing initiatives and collaborated with CERN on next-generation particle accelerators.
Arno holds a PhD and Masters summa cum laude in Physics from ETH Zurich, Switzerland. He has authored dozens of scientific papers and is a sought-after conference speaker. Arno was named “2014 Big Data All-Star” by Fortune Magazine. Follow him on Twitter: @ArnoCandel.
- Powered by the open source machine learning software H2O.ai. Contributors welcome at: https://github.com/h2oai
- To view videos on H2O open source machine learning software, go to: https://www.youtube.com/user/0xdata
Prezentace k přednášce Davida Velechovského z Nekonference Reklama 2014 - 13.2.2014
Podrobnosti zde: http://www.besteto.cz/reklama-2014-sklik-prezentace
Arno candel scalabledatascienceanddeeplearningwithh2o_reworkboston2015Sri Ambati
https://www.re-work.co/events/deep-learning-boston-2015
Scalable Data Science & Deep Learning with H2O
H2O is fast scalable open-source machine learning and deep learning for Smarter Applications. Using in-memory compression techniques, H2O can handle billions of data rows in-memory — even on small compute clusters. The platform includes interfaces for R, Python, Scala, Java, JS and JSON, along with its interactive graphical Flow interface that make it easier for non-engineers to stitch together complete analytic workflows. H2O was built alongside (and on top of) both Hadoop and Spark clusters and is deployed within minutes. Sparkling Water combines the flexibility of Spark with the speed and accuracy of H2O's Machine Learning solution.
In this workshop, we explain H2O's scalable in-memory architecture and design principles and outline the implementation of distributed machine learning algorithms such as Elastic Net, Random Forest, Gradient Boosting and Deep Learning. We present a broad range of use cases and live demos that include world-record deep learning models, anomaly detection tools and approaches for Kaggle data science competitions. We also demonstrate the applicability of H2O in enterprise environments for real-world customer production use cases. We cover data ingest, feature engineering, model tuning, model validation and model selection; and how to take models into production. Live demos will be run on distributed systems. By the end of this workshop, you will know how to create your own machine learning models on your data using R, Python (iPython Notebooks) or Flow.
Arno is the Chief Architect of H2O, a distributed and scalable open-source machine learning platform. He is also the main author of H2O's Deep Learning. Before joining H2O, Arno was a founding Senior MTS at Skytree where he designed and implemented high-performance machine learning algorithms. He has over a decade of experience in HPC with C++/MPI and had access to the world’s largest supercomputers as a Staff Scientist at SLAC National Accelerator Laboratory where he participated in US DOE scientific computing initiatives and collaborated with CERN on next-generation particle accelerators.
Arno holds a PhD and Masters summa cum laude in Physics from ETH Zurich, Switzerland. He has authored dozens of scientific papers and is a sought-after conference speaker. Arno was named “2014 Big Data All-Star” by Fortune Magazine. Follow him on Twitter: @ArnoCandel.
- Powered by the open source machine learning software H2O.ai. Contributors welcome at: https://github.com/h2oai
- To view videos on H2O open source machine learning software, go to: https://www.youtube.com/user/0xdata
Michal Malohlava presents: Open Source H2O and Scala Sri Ambati
Michal Malohlava discusses the magic behind the math - exposing the way that open source big data analysis H2O uses Scala to get work done, and demos how users can interact with Scala to get the most out of data analysis.
The following 46-page document was provided by the USEPA just hours before the discharge of treated leachate into the Valatie Kill which occurred on January 24, 2014.
Tomáš Braverman, Heureka, E-commerce 2015 Čísla a trendyshopexpo
Jaké zboží se nakupuje na internetu a kolik za něj zákazníci utratili v první polovině roku 2015? Jak se liší tento rok oproti předchozím z pohledu nákupního chování uživatelů?
Každá implementace je jiná, ale některé problémy se přesto opakují. Pár praktických tipů, na co si dát pozor, jak se situací vypořádat a možná ušetřit. Vaše data si to zaslouží.
11. Affiliate konference / Marek Roszka_Jak funguje affiliate v našem e-shopuColpirio.com s.r.o.
Jaký je přínos affiliate programu pro globálního on-line prodejce módy ANSWEAR? Jak k affiliate programu efektivně přistupovat? Co se nám osvědčilo a co jsme se naučili? Přednáška plná dat a praktických tipů.
Michal Malohlava presents: Open Source H2O and Scala Sri Ambati
Michal Malohlava discusses the magic behind the math - exposing the way that open source big data analysis H2O uses Scala to get work done, and demos how users can interact with Scala to get the most out of data analysis.
The following 46-page document was provided by the USEPA just hours before the discharge of treated leachate into the Valatie Kill which occurred on January 24, 2014.
Tomáš Braverman, Heureka, E-commerce 2015 Čísla a trendyshopexpo
Jaké zboží se nakupuje na internetu a kolik za něj zákazníci utratili v první polovině roku 2015? Jak se liší tento rok oproti předchozím z pohledu nákupního chování uživatelů?
Každá implementace je jiná, ale některé problémy se přesto opakují. Pár praktických tipů, na co si dát pozor, jak se situací vypořádat a možná ušetřit. Vaše data si to zaslouží.
11. Affiliate konference / Marek Roszka_Jak funguje affiliate v našem e-shopuColpirio.com s.r.o.
Jaký je přínos affiliate programu pro globálního on-line prodejce módy ANSWEAR? Jak k affiliate programu efektivně přistupovat? Co se nám osvědčilo a co jsme se naučili? Přednáška plná dat a praktických tipů.
2. MEZIROČNÍ NÁVŠTĚVNOST
Roste počet obchodů
Roste počet produktů
Růst online prodejů
Růst Srovnáme meziročně o 24 %
Jdeme s trendem : ) 0
1000000
2000000
3000000
4000000
5000000
6000000
7000000
2011 2012 2013
Návštěvy v letech 2011 - 2013
Návštěvy
2/9Srovname.cz | Nekonference 2014
3. ZDROJE NÁVŠTĚVNOSTI SROVNAME.CZ
ROČNÍ OBDOBÍ
Zdroj / médium Návštěvy
Google / organic 51,81 %
Seznam / organic 25,35 %
Seznam / cpc 7,74 %
Google / cpc 5,40 %
Direct 6,02 %
Facebook.com / cpc 1,82 %
Ostatní 1,86 %
GRAF NÁVŠTĚVNOSTI
google seznam direct
facebok ostatní
3/9Srovname.cz | Nekonference 2014
E-mailing v posledním měsíci 5 %
4. VSTUPNÍ STRÁNKY NA SROVNAME.CZ
GRAF NÁVŠTĚVNOSTI
Produktová strana Sekce
Titulní strana Slevové kupony
Ostatní
4/9
Vstupní stránky %
Produktová strana 58,3 %
Strana sekce 20,4 %
Titulní strana 3,9 %
Kuponová stránka 2,6 %
Ostatní 14,8 %
Srovname.cz | Nekonference 2014
5. NÁVŠTĚVNOSTI KATEGORIÍ
• Návštěvnost ovlivňuje počet produktů
v kategorii
• Z toho vyplývá velká návštěvnost
u knih
• Nejlépe si vedeme v segmentu elektro
5/9
TOP 10 kategorie % za posl. 30 dní
Domácnost a kancelář 18,0 %
Knihy, filmy, hudba 9,1 %
Nářadí a zahrada 9,1 %
Počítače a hardware 8,7 %
Oblečení a móda 8,7 %
Děti a maminky 6,7 %
Krása, zdraví a léky 6,3 %
TV, DVD, foto 6,2 %
Koníčky a outdoor 5,4 %
Sport a fitness 5,1 %
Srovname.cz | Nekonference 2014
6. 2,2 % NÁVŠTĚVNÍKŮ SI NA SROVNÁME.CZ
SROVNÁ ZBOŽÍ PODLE CENY
• V roce 2012 to bylo 8 %.
• Co to znamená?
• Na Srovname.cz má
smysl platit víc za klik.
6/9Srovname.cz | Nekonference 2014
7. DALŠÍ STATISTIKY SROVNÁNÍ E-SHOPŮ
• Podle ceny si srovná pořadí e-shopů přibližně 2,2 % návštěvníků
• Dle vzdálenosti od nejbližší pobočky 0,18 %
• Dle dostupnosti 0,07 %
• Dle ceny za dopravu 0,03 %
• Vyplnění dostupnosti a ceny za dopravu ovlivňuje konverze
7/9Srovname.cz | Nekonference 2014
60 s
O mně
Za zbožový porovnavač, dnes už také můžeme říkat obchodní rádce
Poděkování Janíkovi a jeho týmu za super akci
Připravil jsem si pro Vás zajímavé statistiky, které jsme za dlouhou dobu naměřili v Google Analytics
60 s
Protože nejsme na Netmonitoru, chci Vám zde ukázat stabilitu Srovname, jdeme s trendem a procentuální růst roste rychleji než lineárně.
Asi Vás napadá otázka, proč nejsme na Netmonitoru. Pro nás je to zbytečný výdaj peněz
90 s
Snaha zlepšit především Přímý zdroj návštěv, nyní se nám to pomalu daří díky
Facebook rozšiřujeme z rostoucím počtem liků (5136)
Emailing v tom není vidět … roční období … za posl. měsíc 5 % návštěvnosti
120 s
Zdůraznit důležitost navigace na kterékoli stránce. Zákazník se většinou právě na titulní stránku e-shopu nedostane.
E-shopu chodí návštěvnost především na produktovku. Stránka by měla být nejlépe odladěná. Když se zákazník překlikne např. na recenze, měl by vědět, jak se vrátit.
Ostatní = Galerie, sekce 0, fulltext, podobné produkty, poradna, …
Fulltext … cca 4 % lidí hledá přes fulltext
Zbytek 16,7 %
240 s
Na Srovname máme příznivé konkurenční prostředí, neporovnáváme tolik eshopů a tak má e-shop větší pravděpodobnost, že se na něj klikne
Pro eshop má smysl být v 1. polovině srovnání a vzhledem k tomu nízkému konkurenčnímu prostředí nemusí ani tolik platit za klik.
Minulý týden jsem řešil nového klienta, který mi dával zpětnou vazbu. Malý eshop s asi 500 položkami. Má od nás víc přístupů, než z Heuréky.
Poměrně málo lidí sdílí na Facebook a na Google+ .. Což jen dokazuje konverznost lidí, kteří chtějí nakoupit a ne něco sdílet
80 % klikne na prvních 5 pozic, z toho 50 % klikne na 1. pozici
95 s
Sice si lidé nesrovnávají e-shopy podle ceny za dopravu, má to ale dost vliv na konverze.
Dle ceny za dopravu si to lidi neřadí, ale má to velký vliv na konverze +- 0,5 - 1 %
190 s
Na Srovname máme příznivé konkurenční prostředí, neporovnáváme tolik eshopů a tak má e-shop větší pravděpodobnost, že se na něj klikne
Pro eshop má smysl být v 1. polovině srovnání a vzhledem k tomu nízkému konkurenčnímu prostředí nemusí ani tolik platit za klik.
Minulý týden jsem řešil nového klienta, který mi dával zpětnou vazbu. Malý eshop s asi 500 položkami. Má od nás víc přístupů, než z Heuréky.