Николай Хлебинский рассказывает о том, как автоматизировать формирование upsell и cross-sell контента на основе анализа статистических данных о поведении пользователей интернет-магазинов и как правильно измерять влияние рекомендательных систем на средний чек и конверсию.

1. 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

2. Вопрос: Что общего между Big Data, HTML5 и Cloud?
1. Данных правда много. ОЧЕНЬ!
2. Сложно извлечь выгоду из своих данных. (ТОЖЕ ОЧЕНЬ!)
3. Маркетинг на основе анализа данных существует.
4. Принимать решения не опираясь на данные нельзя.
5. Работу с данными можно автоматизировать и
регламентировать.
KEEP CALM
AND IGNORE
BULLSHIT

3. Анализ источника трафика
Контекстная
реклама в
Яндекс.Директ
Таргетированная
реклама
в соц. сетях
Visits
60000
25000
Conversions
43
118
Conversion
rate
0.07%
0.47%
AOV
12000
2560
Revenue
516000
302080
Total cost
800000
150000
Cost per
conversion
18605
1272
ROI
64,5%
201.3%
Assisted
Conversions
60
1
• Атрибуция конверсии
Кому отдать конверсию?

5. Как выглядит заказ в деньгах
Средний чек
Себестоимость МаркетингОперации
МаркетингСебестоимость Операции Приемлемый
ROI
МаркетингСебестоимость Операции Хороший ROI
МаркетингСебестоимость Операции Плохой ROI
Себестоимость Операции Супер ROI
Условно-бесплатные каналы
#1
#2
#3

6. Гипотеза: платные каналы генерируют
продажи в условно-бесплатных.

7. Быстрая проверка: корреляция выручки в динамике

8. Цепочки условно-бесплатных конверсий
34%
66%
Только условно-бесплатные каналы
Условно-бесплатные каналы с платными
#1
#3
#2
Вывод: в 2/3 случаев пользователи приходили с платных каналов, а затем
конвертировались с бесплатных.

9. Перераспределяем выручку
МаркетингСебестоимость Операции
МаркетингСебестоимость Операции
Себестоимость Операции
Себестоимость Операции
Платные каналы
Условно-бесплатные каналы
Маркетинг

10. Ключевые направления работы аналитики в Ecommerce
1. Аналитика трафика
2. Аналитика продукта
3. Аналитика товарной матрицы
4. Аналитика рынка
5. Операционная аналитика

11. 1. Наш сервис собирает всю информацию 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

12. Как выглядят товарные рекомендации?
В карточке товара При добавлении в корзину
+ Готовы к внедрению с помощью наших виджетов, дизайн которых можно полностью
настроить, рекомендации для карточки товара, корзины, товарной категории,
главной страницы магазина, страницы результатов внутреннего поиска.
+ Примеры наших виджетов:

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

14. 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.

15. 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.

16. 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

17. 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

18. Больше информации на http://retailrocket.ru
Контактное лицо: Николай Хлебинский
Телефон: 8 926 315-20-26
E-mail: nh@retailrocket.ru
Skype: nikolay.khlebinsky
Facebook: http://www.facebook.com/nikolay.khlebinsky
LinkedIn: http://ru.linkedin.com/in/nikolaykhlebinsky
Мой Круг: http://nikolay-khlebinsky.moikrug.ru/