Добываем и преобразовываем данные для прогнозов.
Применение технологий прогнозной аналитики: готовые решения VS собственные решения.
Использование полученного результата для каналов маркетинга.
Как небольшие манипуляции могут увеличить показатель оплаченных заказов.
4. Задачи машинного обучения
1.Скоринг 4.Прогнозирование
3.Классификация
2.Сегментация
и кластеризация
5.Регрессионный
анализ
пример: коммерческая
аналитика, банковский
скоринг
пример: прогнозирование
продаж, трафика
пример: анализ аудитории
пример: сегментация
подписной базы
пример: анализ каналов
привлечения трафика
*каждая задача решается разными методами
машинного обучения
5. Источники сбора данных
для интернет-магазина
Собираем данные для анализа*:
1) Счетчики статистики Метрика + Аналитикс
2) Базы данных ключевых слов
3) Внутренние системы CRM, например 1С;
4) Внешних источников (Wordstat яндекс).
5) Парсинг конкурентов
В зависимости от конечной цели прогнозирования нужны
разные данные, но лучше собрать все
6,1
9
8
7
278
3798
74
16 0,2
94
86
55
5,4
534
5,4
66
5,4
6,35
111
833,7
73
73
23
6. На основе статистики определить закономерности,
которые приводят к определенным последствиям,
выгодным для нас.
Цель прогнозов:
8. Пример:
На самом деле есть 4 группы людей
Не купят
в любом случае
Не купят если
получат письмо
Купят в любом
случае
Купят только если
получат письмо
9. Непростое решение
Для решения такой «простой» задачи нужно собрать
всю статистику о людях, которые раньше совершали/
не совершали целевое действие после рассылок.
10. Покупали Не покупали
Какие товары ? Мужчина или женщина ?
IE или Mozilla ? С телефона открывает или с ПК ?
С первого раза или нет ?
12. Настроить алгоритм
Обучить машину на исторических данных
Создать прогнозную модель
Классифицировать базу подписчиков
Кластеризовать по группам
Сделать прогноз просмотров/продаж
Запустить тестовую рассылку
13. Что в итоге ?
Получаем оптимизированный
инструмент продаж с использованием
подписной базы.
14. Это самый простой пример
Но сотни компаний
по всему миру используют
прогнозную аналитику
HP, Mercedes Benz,
Amazon, E-Bay …
15. Готовые
решения
Собственные
решения
есть здесь и сейчас
дешевы и легки
в управлении
не всегда решают
задачи с необходимым
уровнем точности
более высокая точность
прогнозов
высокая стоимость
относительно просты
в интеграции
требуют много времени
на разработку
20. Кейс по прогнозу трафика
Это было … Прогноз посещаемости
900
Август Сентябрь Октябрь Ноябрь Декабрь Январь Февраль Март Апрель
500
100
700
300
800
400
0
600
200
24. Как манипулировать данными?
Посещаемость ~ 300 тыс. уникальных посетителей в месяц.
Конверсия ~ 2.1%.
Оплата покупок 60%
Три месяца на тестирование маркетинговых каналов
привлечения клиентов.
25. Показатель оплаченных заказов
↑ на 10%
Посещаемость
Конверсия
Количество заказов
Средний чек
Показатель оплаченных заказов
Количество оплаченных заказов
Маржа
Оборот
Чистый доход
Разница
300 000
2.1%
6 300
11 000p
60%
3 780
12%
41 580 000p
4 989 600p
Было Стало
300 000
2.1%
6 300
11 000p
66%
4 158
12%
45 738 000p
5 488 560p
498 960 p
+500 тысяч рублей чистой прибыли в месяц
26. Что если...
Что если увеличить
количество показов
определенных товаров,
определенным людям,
чтобы повысить
конверсию?
Что если делать
правильный UPsale,
основанный на товарных
рекомендациях для
увеличения среднего
чека?
27. +1200 000 рублей чистой прибыли
в месяц
Посещаемость
Конверсия
Количество заказов
Средний чек
Показатель оплаченных заказов
Количество оплаченных заказов
Маржа
Оборот
Чистый доход
Разница
300 000
2.1%
6 300
11 000p
60%
3 780
12%
41 580 000p
4 989 600p
300 000
2.1%
6 300
11 000p
66%
4 158
12%
45 738 000p
5 488 560p
498 960p
300 000
2.2%
6 600
11 500p
0.68
4 488
12%
51 612 000p
6 193 440p
1 203 840p
Было Стало Может стать