Se ha denunciado esta presentación.
Utilizamos tu perfil de LinkedIn y tus datos de actividad para personalizar los anuncios y mostrarte publicidad más relevante. Puedes cambiar tus preferencias de publicidad en cualquier momento.

Kib Rif 2015. Make money from your data

1.547 visualizaciones

Publicado el

1) Recommendations in ecommerce - cases
2) triggered emails - Next Best Offer
3) Price discrimination

Publicado en: Ciencias
  • Sé el primero en comentar

Kib Rif 2015. Make money from your data

  1. 1. Большие  данные  в  Ecommerce   Как  превратить  цифры  в  деньги   Роман  Зыков,  Retail  Rocket  
  2. 2. Давайте  знакомиться!   Роман  Зыков   Retail  Rocket,  сооснователь,  директор  по  аналитике         Более  10  лет  занимаюсь  построением  систем  Business   Intelligence  и  рекомендательных  сервисов  для  крупнейших   сайтов  Рунета.     В  2004  году  закончил  Московский  Физико-­‐Технический   Институт  (МФТИ).     Личный  блог  по  аналитике  —  KPIs.ru.       Компании:  Ozon.ru,  Wikimart.ru  и  Ostrovok.ru.      
  3. 3. Что  такое  Retail  Rocket?   +  Товарные  рекомендации  для  сайта   +  Система  real-­‐Dme  персонализации  сайта  и  email   +  Система  триггерных  рассылок   Платформа  персонализации  интернет-­‐магазина   +  90  миллионов  уникальных  пользователей  в  месяц   +  Аналитический  кластер  из  70  серверов   +  360  тысяч  внешних  запросов  в  минуту   +  6GB  сырых  данных  для  анализа…  В  час!   В  цифрах:  
  4. 4. Соревнования  по  анализу  данных   Пора  начать  заниматься  своими  данными!   Kaggle.com:     •   O`o  group  —  классификация  товаров  (маркетинг).   •   Walmart  —  предсказание  продаж  товаров  при  экстремальных   погодных    условиях  (прогнозирование  закупок).   •   Неизвестно  —  предсказание  лояльности  пользователя  (350  млн.   записей).     •   Expedia  —  сортировка  отелей  для  пользователей.   •   Неизвестно  —  предсказание  онлайн  продаж  в  зависимости  от   рекламных  кампаний.   *  Неизвестно  —  компания  пожелала  остаться  неизвестной   **  Kaggle.com  —  соревнования  специалистов  по  машинному  обучению  
  5. 5. Предсказательная  аналитика  
  6. 6. Andreas  Weigend   Работал  главным  аналитиком  Amazon.com.     Преподает  в  ведущих  университетах  США  и   Китая  (включая  Stanford).         «People  are  way  more  predictable  than   they  think  they  are!»  
  7. 7. Время  принятия  решения   24  часа  для  персональных  рекомендаций   0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%   (25%-­‐75%]   (25%-­‐75%]   (25%-­‐75%]   (25%-­‐75%]   (25%-­‐75%]   (25%-­‐75%]   (25%-­‐75%]   (25%-­‐75%]   1294   5990   6191,5   18990   2930   3850   2135   4745   228   968   855   3990   1030   1369   429   1296   Books   DIY   Electronics   Furniture  &   Household   Health&beauty   Kids   Mul•Category   Sports   Less  1  hour   More  1  hour  less  3  hours   More  3  hours  less  12  hours   More  12  hour  less  1  day   More  1  day  less  2  days   More  2  days  less  4  days   More  4  days  
  8. 8. Главная  страница     Главная  страница   потребность  сформирована   Навигация!  
  9. 9. Навигация!  
  10. 10. Главная  страница     Главная  страница   1.  Бестселлеры  /  Самые  популярные          –  Просто:  покупки.          –  Сложно:  просмотры/  корзины/  покупки,  дисконтирование,  долгосрочные  интересы,                персонализация,  профилирование.   потребность  сформирована   потребность  не  сформирована   Навигация   Акции  +  рекомендации  
  11. 11. Главная  страница     Главная  страница   1.  Бестселлеры  /  Самые  популярные          –  Просто:  покупки.          –  Сложно:  просмотры/  корзины/  покупки,  дисконтирование,  долгосрочные  интересы,                персонализация,  профилирование.   2.  Персональные  рекомендации            –  Краткосрочные  интересы   3.  Новинки            –  Просто:  сортировка  по  дате  добавления  товара  в  базу            –  Сложно:  профилирование,  долгосрочные  интересы.       потребность  сформирована   потребность  не  сформирована   Навигация   Акции  +  рекомендации  
  12. 12. Кейс:  Персонализация  главной   Главная  страница  для  нового  пользователя     Та  же  страница  для  интересовавшегося  телевизорами     +  Кейс  персонализации  главной  страницы  Dostavka.ru:  рост  продаж  на  8,5%   +  Подробное  описание  кейса:  hyp://bit.ly/retail-­‐rocket-­‐dostavka  
  13. 13. Механизм  предсказания  следующей  покупки   Andreas  Weigend:  Next  up  is  something  he  calls  "zero-­‐click   shopping"  —  meaning  that  you'll  buy  stuff  automa•cally,  without   going  online  to  shop  for  it.  
  14. 14. Механизм  предсказания  следующей  покупки   1   3  2   4   5   6   7   8   1.  Анализ  последовательностей  покупок     2.  Выявление  значимых  цепочек   3.  После  того,  как  человек  совершает  покупку,  появляется  вероятность            покупки  в  следующем  «звене»  цепочки  потребления    
  15. 15. 1   3   2   4   5   6   7   8   t1   t2   t3   t4   t5   Механизм  предсказания  следующей  покупки   +  В  жизни  каждая  покупка  является  звеном  сразу  нескольких  цепочек  потребления   +  Разные  цепочки  потребления  по-­‐разному  распределяются  во  времени  
  16. 16. Средства   для  купания   детей   Бутылочки     и  соски   Посуда  для   малышей   Нагрудники  и   слюнявчики   18  дней   Пустышки   29  дней   24  дня   28  дней   Реальный  пример  цепочек  потребления  
  17. 17. Кейс:  триггерные  рассылки  в  Hoff.ru   •  Следующая  вероятная  покупка  («Next  Best  Offer»).  CR  ~7%.   +  Подробное  описание  кейса:  hyp://bit.ly/case-­‐hoff-­‐triggers  
  18. 18. Сколько  стоит  в  рублях?   Data   scien•st   Менеджер   продукта   Мин  =    200  000  *  1.5   Опт    =  270  000  *  1.5   Hadoop   Мин  (3)  =  15  000     Опт    (6)  =  30  000   Итого  мин.  стоимость  запуска:  (350  000  +  15  000)  *  6  месяцев  =  2  190  000  р.   Оптимальная  стоимость  =  Мин  +  (70  000  *  1.5  +  15  000)  *  6  =  2  910  000  р.  
  19. 19. Data  scien}st  
  20. 20. Динамическое  ценообразование  
  21. 21. Определение   Персонализированное  (price  discrimina}on):   •   Геолокация  (расстояние  до  ближайшего  магазина,  средний  доход  на   местности)  —  Staples.com.   •   Тип  браузера  и  ОС.   •   История  транзакций  (платежеспособность  пользователя).   •   Источник  перехода  (чувствительность  к  цене).   Неперсонализированное:   •   Анализ  цен  конкурентов.   •   Бестселлеры  —  длинный  хвост,  Ozon.ru.   •   …….     Факт:  Amazon  изменяет  цены  в  среднем  каждые  10  минут.  
  22. 22. Туризм  
  23. 23. Средний  чек  и  тип  ОС  
  24. 24. Логистика  
  25. 25. Экономика  заказа   «Я  точно  знаю,  что  половину  рекламного   бюджета  я  трачу  впустую,  только  не  знаю,   какую  именно».     Дэвид  Огилви    
  26. 26. Экономика  заказа   Стоимость  заказа  CPO:   •   Маркетинг   •  CPC   •  CPA   •  ……   •   Логистика   •  Склад  (…..)   •  Доставка  (…….)   •   Кол-­‐центр   •  Доля  КЦ   •  Время  разговоров  
  27. 27. Разработка  KPIs  
  28. 28. Разработка  KPIs  
  29. 29. Ассортиментная  матрица  
  30. 30. Какие  товары  продавать?   •  Частотность  семантического  ядра   •  Конверсия     •  Средняя  стоимость  товара       •  Сезонность  (+  прогноз  частотности)     •  Маржинальность   Заказы   Выручка   Привлекательность  
  31. 31. Какие  товары  продавать?  
  32. 32. Какие  товары  продавать?  
  33. 33. Какие  товары  продавать?  
  34. 34. Innovate  or  die!   Роман  Зыков,  Retail  Rocket   rzykov@retailrocket.ru   Еще  больше  интересного  на   hyp://retailrocket.ru  

×