17 Мая 2013 в 18:49

Yac/m 2013, часть 1: аналитика и принятие решений

0 2203

Яндекс провел новую конференцию по маркетингу Yet another Conference on Marketing. 16 мая 2013 г. в залах Форум Холла перед участниками мероприятия выступили российские и зарубежные специалисты в области цифрового маркетинга.

«Секретный» доклад, заявленный первым в программе, оказался ничем иным, как презентацией нового интерфейса выдачи Яндекса «Острова». Подробнее об этом вы можете прочитать здесь.


Марвин Ляо (Marvin Liao, Better Digital Solutions) рассказал о роли технологий в современном мире. Особую важность эти технологии приобретают в сфере маркетинга и рекламы.

Сейчас мы вступили в эпоху мобильных устройств. Чтобы оставаться на плаву, нужно приспосабливаться к современным реалиям.

Нам сейчас доступно огромное количество данных. Их необходимо использовать для бизнеса, чтобы показывать пользователям то, что им интересно.

Маркетинг становится более сложным, все бОльшую роль здесь играют технологии, автоматизация. Абсолютно все отрасли постепенно переходят в онлайн. Нужно приспосабливаться к изменениям, считает Марвин.

Иван 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.

Александр Бородич (FutureLabs) рассказал про адаптивные интерфейсы. Он заметил, что изменение контента в интерфейсах – соответствует интересам и задачам пользователей Интернета. Их компания разработала систему аналитики, с помощью которой возможно сделать адаптирующиеся под пользователя мобильные приложения.

Существующие инструменты мобильной аналитики: heatma.ps (тепловая карта для мобильных приложений), Localilycs (общение при помощи таргетированных персонализированных сообщений), Keen.io (сервис с возможностями моделирования и визуализации данных).

Системы аналитики будут необходимы при проведении A/B тестирования мобильных приложений. Без наличия системы аналитики необходимо опубликовать приложение в двух вариантах, собрать статистику, сравнить два варианта. Гораздо проще и эффективнее сделать ограниченную выборку и посмотреть, у какого варианта выше конверсия.

К сожалению, такой метод не позволяет подстроить интерфейс и контент приложения под конкретного пользователя. Чтобы улучшить процесс взаимодействия пользователя с приложением, нужно изменить сценарий взаимодействия. Сделать стартовой наиболее посещаемую страницу, просчитать вероятность, какой контент понравится пользователю, и показать ему его. Чем релевантнее к контексту настроен интерфейс и контент, тем выше удовлетворенность пользователей. Статические мобильные приложения – прошлый век, подвел итоги Александр. Используя разные системы аналитики, можно построить приложения с адаптивными интерфейсами, которыми будет приятно и удобно пользоваться.

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.

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 и видео можно найти на странице конференции.

0 комментариев
Подписаться 
Подписаться на дискуссию:
E-mail:
ОК
Вы подписаны на комментарии
Ошибка. Пожалуйста, попробуйте ещё раз.
Поделиться 
Поделиться дискуссией:

Отправьте отзыв!