негодяй и извращенец (С)
Несколько наиболее интересных (лично мне) докладов с Yet another Conference on Marketing. Перечитывать, копать и думать.
Аналитика и принятие решенийИван Ямщиков (Яндекс) представил доклад на тему «Аналитика и принятие решений». Иван объяснил, зачем в компании нужны аналитики, если есть маркетологи, менеджеры и статистика. Менеджер может «не знать» потребителя, маркетолог «не работать» с метриками. Статистика может собрать данные, но для этого нужно понимать, какие данные собирать. Затем эти данные нужно правильно интерпретировать. Аналитик нужен, чтобы помочь принять правильное решение исходя из совокупности правильных метрик.
Как аналитик может участвовать в процессе принятия решений? Чтобы ответить на этот вопрос Иван предложил посмотреть, как устроен процесс принятия решений.
Самый важный пункт – сформулировать проблему. Маркетолог часто не знает, как ее описать, как измерить с помощью данных. Аналитик уже с этого момента должен участвовать в процессе. Работать один, не взаимодействуя с другими подразделениями, он может только на этапе анализа информации.
Иван обозначил три типа решений:
- решения, продиктованные данными;
- решения, подтвержденные данными (когда есть гипотеза, аналитик предлагает для ее подтверждения или опровержения «приборы», получает ответ);
- решения, вдохновленные данными (когда есть ощущение, что можете что-то изменить, но не знаете как. Здесь нужно набрать максимально широкие метрики. В результате должно появиться несколько гипотез).
Напоследок Иван дал несколько советов аудитории: не задавайте вопросов, если знаете ответы на них, чтобы не тратить напрасно ресурсы; привлекайте аналитика на этапе формирования задачи; поощряйте инициативу.
Landing page: другой подход (!)
Григорий Бакунов (Яндекс) представил доклад на тему «Landing page: другой подход». В начале он рассказал маркетинговую историю. Был продукт – платная CMS, довольно популярная сейчас на американском рынке. Два года назад возник вопрос, как продавать этот продукт. Решили искать потребителей через Facebook. Сделали рекламную кампанию, собрали статистику по продажам и «прослезились».
Маркетолог посоветовал приводить посетителей не прямо в магазин, а на целевую страницу, рассказывающую о продукте. Заказали у дизайнера landing page, снова создали рекламную кампанию и собрали статистику. Расходы составили $6,5 тыс. за 2 недели, доходы $96.
Дизайнер предложил купить еще 3 варианта посадочных страниц. Было создано 3 рекламных кампании, когда пользователи попадали на разные целевые страницы. Результат: расходы $6,5 тыс., доход $4690. Появилось понимание, что надо двигаться дальше.
Лучше всего в целом работал третий вариант целевой страницы. Глядя на данные, возникла идея придумать алгоритм, который приведет к увеличению продаж. Было создано 6 рекламных кампаний в Facebook, приводящих пользователей на разные посадочные страницы. Кроме того, страницы менялись в зависимости от времени суток. Расход – $1,5 тыс., доходы – $7 тыс. Результат: +22% продаж.
Было принято решение пойти дальше и начать использовать данные о пользователях, которые переходили на сайт из Facebook: пол, возраст, предполагаемый регион, интересы, местонахождение прямо сейчас (дом, офис и т.п.). Эти данные можно получить благодаря возможности очень узкого таргетинга. Эти данные стали использовать по очень простому алгоритму: получаем данные о пользователях, предлагаем им случайный вариант целевой страницы, запоминаем, произошла ли покупка. Если да, то пользователям с такими же данными надо чаще показывать эту посадочную страницу.
Можно использовать и метод опорных векторов: автоматически определить схожие области, улучшать их узнавание с каждым разом.
Систему научили показывать разные целевые страницы разным пользователям, которые с наибольшей вероятностью приведут к покупке. С каждой следующей покупкой/непокупкой система улучшается автоматически. Через неделю увеличение продаж составило 44,9%. За три месяца недельная продажа утроилась. Основное преимущество этой системы в том, что здесь не потребовалось серьезного программирования. Он показал аудитории слайд, на котором показаны компоненты, которые легли в основу системы.
Используйте данные о пользователях, чтобы зарабатывать больше, подвел итог Григорий.
Ранжирование айтемов на сайте (! - для этого уже есть суповой набор)
Аркадий Итенберг и Михаил Сливинский рассказали про ранжирование товаров в интернет-магазине на примере Викимарт.
К примеру, в магазине есть 1286 пылесосов от 92 брендов. Пользователь не будет тратить время, чтобы просмотреть весь ассортимент. Он посмотрит 5-10 вариантов и, если не найдет пылесос, который его заинтересует, уйдет с сайта. Поэтому необходимо дать ему рекомендацию. Большинство интернет-магазинов сортируют товары по популярности, под которой каждый понимает что-то свое (количество просмотров, заказов, конверсия). В Викимарт была разработана система ранжирования товаров, позволяющая достичь баланса между счастьем пользователя (быстро найти и купить товар) и счастьем магазина (получить много заказов, максимально заработать).
Викимарт использует 10-15 параметров, позволяющих влиять на счастье пользователя и магазина. Можно посмотреть на конверсию, но в чистом виде ее использовать нельзя. У новых товаров конверсия будет 0%, и они никогда не попадут наверх. Кроме того, надо смотреть на товары с одной и той же конверсией, где количество просмотров и заказов выше. Поэтому лучше считать средневзвешенную конверсию, а для новых товаров установить среднюю конверсию. На основе статистики по просмотрам и заказам товар теряет или повышает свои позиции. Если товар находится в самом конце списка, возникает ситуация, когда по нему совсем нет кликов. Его снова начинают расценивать как новый, товар попадает наверх.
Нельзя забывать и о других метриках, принимая во внимание сезонность, свои усилия и т.д. Чем шире круг метрик, тем лучше можно интерпретировать картину происходящего.
Слайды докладчиков выложены на странице конференции.
Целиком о всех докладах см. тут.
PS В разное время суток показывать разные landing page, эффективные в данные часы. Отличная идея от @bobuk на #yacm2013
Аналитика и принятие решенийИван Ямщиков (Яндекс) представил доклад на тему «Аналитика и принятие решений». Иван объяснил, зачем в компании нужны аналитики, если есть маркетологи, менеджеры и статистика. Менеджер может «не знать» потребителя, маркетолог «не работать» с метриками. Статистика может собрать данные, но для этого нужно понимать, какие данные собирать. Затем эти данные нужно правильно интерпретировать. Аналитик нужен, чтобы помочь принять правильное решение исходя из совокупности правильных метрик.
Как аналитик может участвовать в процессе принятия решений? Чтобы ответить на этот вопрос Иван предложил посмотреть, как устроен процесс принятия решений.
Самый важный пункт – сформулировать проблему. Маркетолог часто не знает, как ее описать, как измерить с помощью данных. Аналитик уже с этого момента должен участвовать в процессе. Работать один, не взаимодействуя с другими подразделениями, он может только на этапе анализа информации.
Иван обозначил три типа решений:
- решения, продиктованные данными;
- решения, подтвержденные данными (когда есть гипотеза, аналитик предлагает для ее подтверждения или опровержения «приборы», получает ответ);
- решения, вдохновленные данными (когда есть ощущение, что можете что-то изменить, но не знаете как. Здесь нужно набрать максимально широкие метрики. В результате должно появиться несколько гипотез).
Напоследок Иван дал несколько советов аудитории: не задавайте вопросов, если знаете ответы на них, чтобы не тратить напрасно ресурсы; привлекайте аналитика на этапе формирования задачи; поощряйте инициативу.
Landing page: другой подход (!)
Григорий Бакунов (Яндекс) представил доклад на тему «Landing page: другой подход». В начале он рассказал маркетинговую историю. Был продукт – платная CMS, довольно популярная сейчас на американском рынке. Два года назад возник вопрос, как продавать этот продукт. Решили искать потребителей через Facebook. Сделали рекламную кампанию, собрали статистику по продажам и «прослезились».
Маркетолог посоветовал приводить посетителей не прямо в магазин, а на целевую страницу, рассказывающую о продукте. Заказали у дизайнера landing page, снова создали рекламную кампанию и собрали статистику. Расходы составили $6,5 тыс. за 2 недели, доходы $96.
Дизайнер предложил купить еще 3 варианта посадочных страниц. Было создано 3 рекламных кампании, когда пользователи попадали на разные целевые страницы. Результат: расходы $6,5 тыс., доход $4690. Появилось понимание, что надо двигаться дальше.
Лучше всего в целом работал третий вариант целевой страницы. Глядя на данные, возникла идея придумать алгоритм, который приведет к увеличению продаж. Было создано 6 рекламных кампаний в Facebook, приводящих пользователей на разные посадочные страницы. Кроме того, страницы менялись в зависимости от времени суток. Расход – $1,5 тыс., доходы – $7 тыс. Результат: +22% продаж.
Было принято решение пойти дальше и начать использовать данные о пользователях, которые переходили на сайт из Facebook: пол, возраст, предполагаемый регион, интересы, местонахождение прямо сейчас (дом, офис и т.п.). Эти данные можно получить благодаря возможности очень узкого таргетинга. Эти данные стали использовать по очень простому алгоритму: получаем данные о пользователях, предлагаем им случайный вариант целевой страницы, запоминаем, произошла ли покупка. Если да, то пользователям с такими же данными надо чаще показывать эту посадочную страницу.
Можно использовать и метод опорных векторов: автоматически определить схожие области, улучшать их узнавание с каждым разом.
Систему научили показывать разные целевые страницы разным пользователям, которые с наибольшей вероятностью приведут к покупке. С каждой следующей покупкой/непокупкой система улучшается автоматически. Через неделю увеличение продаж составило 44,9%. За три месяца недельная продажа утроилась. Основное преимущество этой системы в том, что здесь не потребовалось серьезного программирования. Он показал аудитории слайд, на котором показаны компоненты, которые легли в основу системы.
Используйте данные о пользователях, чтобы зарабатывать больше, подвел итог Григорий.
Ранжирование айтемов на сайте (! - для этого уже есть суповой набор)
Аркадий Итенберг и Михаил Сливинский рассказали про ранжирование товаров в интернет-магазине на примере Викимарт.
К примеру, в магазине есть 1286 пылесосов от 92 брендов. Пользователь не будет тратить время, чтобы просмотреть весь ассортимент. Он посмотрит 5-10 вариантов и, если не найдет пылесос, который его заинтересует, уйдет с сайта. Поэтому необходимо дать ему рекомендацию. Большинство интернет-магазинов сортируют товары по популярности, под которой каждый понимает что-то свое (количество просмотров, заказов, конверсия). В Викимарт была разработана система ранжирования товаров, позволяющая достичь баланса между счастьем пользователя (быстро найти и купить товар) и счастьем магазина (получить много заказов, максимально заработать).
Викимарт использует 10-15 параметров, позволяющих влиять на счастье пользователя и магазина. Можно посмотреть на конверсию, но в чистом виде ее использовать нельзя. У новых товаров конверсия будет 0%, и они никогда не попадут наверх. Кроме того, надо смотреть на товары с одной и той же конверсией, где количество просмотров и заказов выше. Поэтому лучше считать средневзвешенную конверсию, а для новых товаров установить среднюю конверсию. На основе статистики по просмотрам и заказам товар теряет или повышает свои позиции. Если товар находится в самом конце списка, возникает ситуация, когда по нему совсем нет кликов. Его снова начинают расценивать как новый, товар попадает наверх.
Нельзя забывать и о других метриках, принимая во внимание сезонность, свои усилия и т.д. Чем шире круг метрик, тем лучше можно интерпретировать картину происходящего.
Слайды докладчиков выложены на странице конференции.
Целиком о всех докладах см. тут.
PS В разное время суток показывать разные landing page, эффективные в данные часы. Отличная идея от @bobuk на #yacm2013
@темы: СФ, Для памяти, Интересности, Работа