Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.
Upcoming SlideShare
Leveraging Hadoop to mine customer insights in a developing market
Next
Download to read offline and view in fullscreen.

4

Share

Download to read offline

Kib Rif 2015. Make money from your data

Download to read offline

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

Related Books

Free with a 30 day trial from Scribd

See all

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  
  • AlekseyLitvinov

    Jul. 20, 2015
  • KaterinaZorkina

    Apr. 29, 2015
  • OnOdin

    Apr. 29, 2015
  • EvegenyZed

    Apr. 28, 2015

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

Views

Total views

1,747

On Slideshare

0

From embeds

0

Number of embeds

12

Actions

Downloads

28

Shares

0

Comments

0

Likes

4

×