Date post: | 16-Apr-2017 |
Category: |
Data & Analytics |
Upload: | medio-interactive-sro |
View: | 428 times |
Download: | 0 times |
POKROČILÁ SEGMENTACE WEBOVÝCH NÁVŠTĚVNÍKŮ
…cílíme přesně
pro:DATA RESTART 2017
Jan Matoušek – Hlavní analytik
§ Data miner od roku 2003§ Práce
§ O2 Czech Republic§ Ogilvy One – různí klienti § Zakladatel a hlavní analytik v Data Mind
n Data mining, strojové učení, prediktivní analytika
§ Dělám modely předvídající zákaznické chování, např.:
n Segmentace zákazníků (přes 10 klientů)n Afinitní modely předpovídající nákup (přes 10
klientů)n Churn prediction – Předpověď výpovědí (Telefonica
O2)
2
Co si dnes řekneme
§ Jak dělat pokročilou segmentaci webových návštěvníků
§ Na čem v procesu záleží
§ Co můžete pustit z hlavy
3
Cíle webových segmentací návštěvníků
§ Cílit kampaně na správné lidi
§ I na návštěvníky bez registrace!
§ Poznat zákazníka
§ Optimalizovat prodejní proces
§ Navýšit prodeje
§ Optimalizovat akviziční „trychtýř“
4
Agregovaná vs. skutečná data = Dva světy
§ Agregovaná data (souhrny, statistiky, reporty)
5
§ Skutečná data (primární, atomární, granulární)
§ Jak poznám agregovaná data § Nejsou na nejnižší úrovni
podrobnosti – jde o shrnutí za návštěvníky, souhrnné statistiky
§ Jak poznám skutečná primární data § Jsou na nejnižší dostupné úrovni: uživatel x
podstránka / klik
Proč dělat segmentaci webových uživatelů z primárních dat – webových logů?
§ Poznání lidí X Poznání agregátů
§ Cílení na lidi X Cílení na agregáty
__________________________
ROI optimalizované na člověka x ROI odhadnuté na celek
6
Praktická kuchařka k online segmentaci – Díl 1
§ Oddělit zrno od plev
- Náhodné kliknutí- Provozní cesty zaměstnanců- Roboti*_______________________Skuteční návštěvníci s potenciálem nakoupit
*Cesty robotů jsou nevyzpytatelné - tvoří však až 20-50% provozun Filtry na IP adresu jsou již dnes bezpředmětnén Roboti se detekují pokročilými metodami na úrovni celého predikčního modelun Nejlépe je odfiltruje profesionální nástroj na sběr dat
7
(Zdroj obrázku Imperva)
Není nic důležitějšího než dimenze (použijte hlavu)
§ Věnujte alespoň polovinu času volbě segmentačních dimenzí:
§ Je za nimi 80% úspěchu
Dimenze:
§ Zájem a aktivita ≠
§ Připravenost nakoupit:
§ Běžné nákupní signály (koupit, košík, objednávka)
§ Subtilní signály (Čtení „všeobecných podmínek“ , Doprava a její cena, Pobočky)
§ Potřeby zákazníka jsou to nejpodstatnější
n Co u vás hledá ?
8
Vrak na převoz cihel X Fáro na frajeřinu
Nějaký šminky X Omládnutí o 20 let
Rozcestí a problémy při tvorbě dimenzí I.
§ Nejdůležitější je dimenze potřeb zákazníka
§ Někde je zcela bez problémů § Například
n Fára vs. šunkyn Majetkové a životní pojištění n Mobilní data vs. volání
§ Někde jde o téměř neřešitelný problém § Například: saka za 5.000 Kč a svetry za 2.000
Kč odpovídají na totožnou potřebu
§ Kosmetika je obvykle v jednom obchodě ze stejného cenového ranku a odpovídá na stejnou potřebu
9
Rozcestí a problémy při tvorbě dimenzí II.
§ Řešení:
Pokud odpovídáme na jedinou potřebu, dimenzi potřeb nahradíme: § Intenzitou kvality návštěvníka
§ Loajalita v měsících
§ Frekvence (počet nákupů/návštěv)
§ Nakoupené/prohlídnuté unikátní kategorie a produkty
§ …
10
Jak se technicky tvoří segmentace (K-means)Krok I –Body v dimenzích
11
Hodnota zákazníka
Věrn
ost z
ákaz
níka
Krok 1: Vyčištěné a jasné dimenze v datech
Jak se technicky tvoří segmentace (K-means)Krok II – Volba středů segmentů
12
Hodnota zákazníka
Věrn
ost z
ákaz
níka
Krok 2: Algoritmus zvolí náhodné zákazníky jako středy segmentů
Jak se technicky tvoří segmentace (K-means)Krok III – Přiřazení zákazníků ke středům segmentů
13
Hodnota zákazníka
Věrn
ost z
ákaz
níka
Krok 3 K vybraným zákazníkům-středům se seskupí nejbližší zákazníci
Jak se technicky tvoří segmentace (K-means)Krok IV – Tvorba segmentů
14
Hodnota zákazníka
Věrn
ost z
ákaz
níka
Krok 4: Označené segmenty
Segmentační nástroje a algoritmy
Poznámky k volbě segmentačního algoritmu:
§ Po 14 letech experimentování s algoritmy
§ Po desítkách úspěšných a jednotkách neúspěšných implementací
§ Po přečtení desítek knih a článků
§ Po provedení mnoha srovnávacích testů in-house
§ Jsem přišel na to, že volba algoritmu JE ŠUMÁK
15
Proč je jedno, jaký algoritmus zvolíte ?
§ Hlavní algoritmy v komerčních i open source nástrojích přeživší do roku 2017 jsou dobré a otestované § Například K-means (Open source - R či Python) či Twostep (Komerční, IBM)
nemají v zásadě chybu, pokud chybu neuděláte vy§ Při srovnávacím testu algoritmů většinou dojdeme k 90% shodě
§ Špatná implementace, ale naopak zkazí i geniální algoritmus !§ Korelované dimenze
(Hrubý příjem, čistý příjem)
§ Nestandardizované parametry(Plat a pohlaví )
§ Irelevantní dimenze (Barva auta, Délka vlasů)
§ Příliš mnoho dimenzí (5 segmentů podle 80-ti proměnných)
16
Návštěvníci - Obecná typologie segmentů v online
17SEGMENT Jak se pozná Co dělá? Co nabídneme? Podíl na
návštěvnících (PŘÍKLAD)
Podíl na zisku (CCA !!!)
Zlatí zákazníci Počet měsíců s objednávkou
Kupují v každém měsíci více kategorií
Všechny produkty, všemi kanály
5% 50%
Big shot Velký nákup Zblázní se s velkým dárkem
Velké vánoční kampaně
5% 10%
Vlažní zákazníci Dlouhá doba od posledního nákupu
Zapomněli na vás Reaktivaci, kupony při útratě
14% 10%
Zainteresovaní návštěvníci
Mnoho brouzdání po produktech
Vybírají zboží Remarketing apod. 12% 20%
Vlažní návštěvníci
Málo brouzdání Jsou tu omylem Levné kanály 35% 8%
Čumilové Koukají na RollsRoyce(tj. iPhone 7 Plus)
Jen čumí Nic 9% 2%
Technické segmenty
Vaši prodejci, roboti, zaměstnanci
Svojí práci Nic 20% 0%
ONLINE SegmentacePřípadová studie – AAA AUTO
Proces:§ určení a výběr unikátních návštěvníků / zákazníků s určitou hloubkou
návštěvy
Dimenze:
§ Identifikace 4 nejdůležitějších dimenzí z více než 300 různých proměnnýchn Nákupní záměr
n Hodnotová dimenze
n "Místní" vs. celosvětový význam značky
n Dimenze výkon
19
ONLINE Segmentace - Případová studie
20
Segmenty a potenciál:§ Nejvyšší obchodní potenciál se projevil v Segmentu 7
n 1250% běžné hodnoty návštěvníka (DVANÁCTINÁSOBEK)
§ Segmenty s nízkým nebo žádným obchodním potenciálem - Segment 6:n 3% běžné hodnoty návštěvníka (TŘICETINA)
Segmenty Podíl Potenciálprodeje
Prům.košík-browsing(anonymní)
Odhadovanácenakontaktu-podílvs.prům.Total
1. Segment 11% 0,11% 59,9 18%2. Segment 8% 0,23% 284 186%3. Segment 10% 0,01% 627 17%4. Segment 9% 0,25% 109 78%5. Segment 9% 0,09% 239 61%6. Segment 22% 0,00% 243 3%7. Segment 3% 2,49% 174 1250%8. Segment 9% 0,09% 203 55%9. Segment 6% 0,08% 304 74%10. Segment 13% 0,44% 158 201%Vše Segmenty 100% 0,20% 175 100%
ONLINE Segmentace - Případová studie
21
Výsledky a návratnost marketingových investic:
§ Cílení na segmenty s vysokým potenciálem (7, 10, 2) a jejich oslovení marketingovou komunikaci
§ Vyřazení segmentů (1, 3, 6) s nízkým potenciálem
§ Již v prvním měsíci dosaženo masivního zvýšení efektivity kampaní!
§ Segmenty (4, 5) byly oslovené speciální nabídkou zaměřenou na úzkou produktovou skupinu
____________________________________________________________________
ROI (Návratnost) = 5 během prvních 180 dní!
ONLINE Segmentace - Případová studie
Co si zapamatovat
§ Pro dobrou kvalitu segmentace potřebujeme primární data
§ Věnujte pozornost dimenzím řešení – definují výsledek§ Nezasekněte se ve výběru segmentačního algoritmu
§ Výsledky mohou být překvapivě silné§ S ROI projektu nebývá problém, pokud je dost návštěvníků a
komunikačních investic
22
Data Mind s.r.o.U průhonu 466/22
170 00 Praha 7www.datamind.cz
Jan Matouš[email protected]
+420 720 705 639