تساعد ميزة التوقع على حث العميل على الشراء في الوقت المناسب ، أو على العكس من ذلك ، عدم لمسه إذا اشترى على أي حال. كجزء من اختبار AB ، ساعدت آليات تخصيص الموقع القائمة على التنبؤ في زيادة تحويل المتجر عبر الإنترنت بنسبة 16.5٪ و ARPU بنسبة 35.7٪ مقارنة بمجموعة التحكم.
يتحدث Azamat Tibilov ، كبير مسؤولي التسويق في Mario Berluchi ، عن الميكانيكا التنبؤية ، وقياس النتائج ، وتاريخ أعمال علوم البيانات ، ويشارك نصائح لتجار التجزئة عبر الإنترنت الذين يرغبون أيضًا في زيادة الإيرادات من خلال التسويق المفيد والقائم على البيانات.
Mario Berluchi هي شركة روسية لتصنيع الأحذية والحقائب والإكسسوارات مع خمسة متاجر غير متصلة بالإنترنت في موسكو ومتجر عبر الإنترنت.
مقياس. 200 ألف زائر للموقع شهريًا.
تكنولوجيا المعلومات. الموقع على Bitrix ، المكتب الخلفي على 1C ، منصة بيانات العميل Mindbox.
مهمة. زيادة الإيرادات من خلال العمل مع البيانات المتراكمة.
نتيجة. زيادة في تحويل الموقع بنسبة 16.5٪ في اختبار AB ، وزيادة في متوسط العائد لكل مستخدم بنسبة 35.7٪ ، وانخفاض في حصة العربات المهجورة بنسبة 17.2٪.
كيف تعمل آليات تخصيص مواقع الويب القائمة على التنبؤ
عندما يزور العميل الموقع ، نسجل أفعاله ونديرها من خلال خوارزمية التنبؤ: "اشترِ في الجلسة الحالية أو لا تشتري" و "سنعود في غضون 7 أيام أو لن نعيده". يتم إعادة حساب التنبؤ كل 10 ثوانٍ لكل عميل.
الظروف المسببة للميكانيكا:
- إذا كانت هناك عناصر في عربة التسوق ،
- إذا لم يتم تطبيق قسيمة خصم ،
- إذا كان احتمال الشراء المتوقع أقل من 30٪ ،
- إذا كان من المتوقع ألا يعود العميل في غضون 7 أيام.
إذا تم استيفاء الشروط ، يرى العميل نافذة منبثقة في السلة ويقرر ما إذا كان سيشتري المنتج في الجلسة الحالية أم لا:
تنبثق النافذة المنبثقة في السلة إذا لم يقم العميل ، وفقًا لتوقعات الخوارزمية ، بتقديم طلب في الجلسة الحالية ولم يعد لاحقًا
نتائج الميكانيكا التنبؤية
اختبارات AB بثقة 95٪
كان جزء من العملاء داخل الاختبار في المجموعة الضابطة ولم يروا النافذة المنبثقة - بالنسبة لها ، تم إيقاف تشغيل الميكانيكيين ، ورأى الجزء الآخر. قارنا التحويل و ARPU والتخلي عن سلة التسوق في هذه المجموعات - حصلنا على نتائج ذات دلالة إحصائية بثقة 95٪:
↑
زيادة بنسبة 16.5٪ في تحويل موقع الويب مقارنة بمجموعة التحكم باستخدام طريقة اختبار t
↑ 35.7٪
نمو ARPU باستخدام طريقة bootstrap .2
17.2٪
انخفاض في حصة العربات المتروكة باستخدام طريقة z-test
مقارنة بين التحويلات و ARPU: في مايو 2019 ومايو 2020 - بعد إدخال الميكانيكا التنبؤية
التحويل قبل وبعد تنفيذ الميكانيكا التنبؤية
ARPU قبل وبعد تنفيذ الميكانيكا التنبؤية
لماذا أطلق اتجاه علوم البيانات
في البداية ، أردنا إنشاء تحليلات شاملة لتقييم جودة القنوات الإعلانية في سياق عمليات الشراء الحقيقية ، لأن 50٪ من الطلبات "تتراجع" في مرحلة التأكيد.
بالنسبة إلى التحليلات الشاملة ، كان من الضروري جمع بيانات سلوك المستخدم في قاعدة بيانات Google BigQuery. بالإضافة إلى إجراءات المستخدم القياسية - إضافة عنصر إلى سلة التسوق ، وزيارة بطاقة المنتج ، وإجراء عملية شراء - قمنا بجمع العديد من الإجراءات مع محتوى الموقع - النتائج. تم تجميع أكثر من 20 ألف سطر من الزيارات يوميًا ، وتم تخزين هذه البيانات في قاعدة البيانات الخاصة بنا ، والتي دفعنا ثمنها بالطبع.
من خلال حركة المرور لدينا - أكثر من 200 ألف مستخدم شهريًا - كان هناك ما يكفي من البيانات ، وقمنا بتنفيذ تحليلات قياسية ، على سبيل المثال ، إجراءات المستخدم مع المحتوى بعد أي تغييرات ، وعمليات الشراء بعد الترويج. ثم أجرينا جلسة عصف ذهني مع مالك الشركة وقررنا أن نحاول ، بالإضافة إلى التحليلات البسيطة واختبارات AB ، بناء شيء أكثر إثارة للاهتمام: محاولة التنبؤ بسلوك العميل على الموقع باستخدام خوارزميات التعلم الآلي بناءً على بياناتنا التاريخية. نتعامل مع هذه الأفكار على أنها منتج داخلي نحن على استعداد لاستثمار المال والوقت فيه من أجل الحصول على النتائج لاحقًا - نمو مقاييس الأعمال
نتيجة لذلك ، تم تجميع قسم علوم البيانات وفي غضون ستة أشهر قاموا بتطبيق ميكانيكي مع توقع إجراءات المستخدم ، مما أدى إلى زيادة الإيرادات. وبالتالي ، اكتشفنا خطًا جديدًا من الأعمال ، والذي يحقق لنا أكثر من 30٪ من عائداتنا ويؤتي ثماره جيدًا.
ما المتخصصين المطلوبين لعلوم البيانات
تتضمن كل مرحلة من مراحل إطلاق ميكانيكي تنبؤي عمل متخصصين من وظائف مختلفة ، ولكن من مجالات ذات صلة. موظفينا:
محلل. يحلل البيانات ويعثر على الانحرافات وينفذ اختبارات AB.
اثنان من علماء البيانات. يكتبون الخوارزميات التي تعرض إجابات تنبؤية في شكل احتمالية إجراء مستخدم معين على الموقع.
المسوق. يطور ويطلق الميكانيكا باستخدام الخوارزميات.
مطور. يطبق الميكانيكا والخوارزميات على الموقع.
كيف تعمل الميكانيكا التنبؤية
1. نقوم بترميز بيانات Google Analytics الأولية باستخدام Google Tag Manager ونستخدم تدفق OWOX BI لجمع البيانات في قاعدة بيانات Google BigQuery. تستغرق هذه الخطوات القليل من الوقت - من الدقيقة الأولى يمكنك أن ترى كيف تتناسب البيانات مع قاعدة البيانات.
2. ينظر المحلل في كيفية مطابقة البيانات لسلوك المستخدم. إذا لزم الأمر ، فإنه ينشئ رسومًا بيانية للتوزيع وينظر إلى مدى جودتها ، وما إذا كان هناك ذيول. إذا تم العثور على أخطاء ، نقوم بتغيير إعداد البث أو تنظيف البيانات ، لأنه من المستحيل العمل مع البيانات القذرة في التعلم الآلي.
3. ينشئ علماء البيانات ميزات (هندسة السمات) من الزيارات والمحتوى ، على سبيل المثال ، عدد المنتجات التي تم عرضها ، وعدد العناصر المضافة إلى المفضلة ، وعدد العناصر المضافة لكل جلسة إلى سلة التسوق.
توزيع أوزان ميزات الخوارزمية - على أساسها نتوقع سلوك العميل
4. تدريب النموذج على البيانات التاريخية. لنفترض أننا نريد توقع ما إذا كان المستخدم سيحضر الجلسة التالية أم سيعود إلينا في غضون 7 أيام. للقيام بذلك ، نأخذ البيانات والعلامات التاريخية - ونطبق الخوارزمية. للتنبؤ ، نستخدم التصنيف - الإجابة ذات الحدين في شكل 1 أو 0.
5. نتحقق من صحة النموذج في البيانات التاريخية: دقة التنبؤ ، ومقاييس الأعمال.
بادئ ذي بدء ، ننظر إلى نسبة الدقة (نسبة الإجابات الصحيحة) و ROC-AUC (المنطقة الواقعة تحت منحنى الخطأ):
الدقة 0.88 تعني أن 88٪ من الوقت نتوقع بدقة أن المستخدم سيعود أم لا. الدقة - كان مقدار التنبؤ الذي سيعيده المستخدم صحيحًا. تذكر (الاكتمال) - حول نسبة العوائد الحقيقية التي توقعناها.
نحن نستخدم AUC ROC (المنطقة الواقعة تحت منحنى الخطأ) لتقييم أداء الخوارزمية على عينة من البيانات
بالإضافة إلى إجابات الخوارزمية 1 و 0 ، هناك أيضًا احتمال للعمل بالنسبة المئوية. وهنا نضع حدًا: إذا كان احتمال عودة المستخدم أكثر من 30٪ وكان هؤلاء المستخدمون يعودون غالبًا ، فإن الإجابة هي 1.
6. توقع تصرفات المستخدم.
7. يطور المسوق آليات تطبيق التوقعات.
8. نجري اختبار AB - فقط للمستخدمين الجدد الذين هم على دراية بموقعنا في الوقت الحالي. يستمر الاختبار حوالي ثلاثة أسابيع ، وخلال هذا الوقت نشاهد كيف تتغير القيمة الاحتمالية التراكمية. في مرحلة ما ، يصبح الاختلاف بين المجموعات كبيرًا ، ونحن نفهم أنه قريبًا يمكن الانتهاء من الاختبار ويمكن إطلاق الميكانيكا في الإنتاج.
9. المحلل يقيس نتائج الميكانيكا.
بناءً على بيانات العميل ، يعمل التوقع
الزيارة القائمة. بناءً على الإجراءات التي يتم إجراؤها على الموقع: عرض بطاقات المنتجات ، وإضافة المنتجات إلى سلة التسوق ، والتسوق.
على أساس المحتوى. بناءً على الإجراءات مع محتوى الموقع. أولاً ، نقوم بجمع بيانات حول إجراءات المستخدم: فتح جدول الحجم ، وإضافة منتج إلى المفضلة ، وقراءة المراجعات. ثم ننظر في كيفية تأثير هذه الإجراءات على مقاييس الوكيل (التحويلات الوسيطة قبل الطلب) - وهذا ضروري نظرًا لوجود بيانات حول هذه المقاييس أكثر من الطلبات. بعد ذلك ، ننظر إلى ارتباط مقاييس الوكيل بتحويل الشراء ومعدلات الإرجاع.
تتداخل المقاربات القائمة على الزيارة والمحتوى. ولكننا نقوم بتقييم سلوك المستخدم على أساس الزيارة ، وفي المحتوى - المحتوى نفسه.
CRM القائم على. إثراء البيانات من متجر CRM عبر الإنترنت ، محاسبة تاريخ الشراء.
نصائح للتسوق عبر الإنترنت
1. حلل البيانات ، حتى لو كنت متجرًا صغيرًا على الإنترنت. يتم إخفاء نقاط النمو في البيانات التي تسمح لك بنقل عملك إلى المستوى التالي. في العالم الحديث مع المنافسة الهائلة في المجال الرقمي ، من المستحيل حل مشكلة نمو الأعمال بضخ أموال عادية.
2. إن نمو التحويل ، وهو مقياس رئيسي لمتجر على الإنترنت ، هو أقوى عامل في تطوير عملك.
3. لا تخف من بناء البنية التحتية وإدخال تقنيات جديدة في عملك. يتيح لك إدخال التعلم الآلي اتخاذ خطوة للأمام والابتعاد عن المنافسين.
4. تعلم كيفية حساب عائد الاستثمار من الاستثمارات في التقنيات الجديدة. تخشى معظم الشركات تخصيص ميزانية للأدوات الجديدة لأنها لا تفهم تمامًا كيف ستستفيد منها.
خطط أخرى لتطوير التسويق
الآن لدينا تسعير ديناميكي في عملنا - سنقوم بتقييم متى نعطي خصمًا على المنتج أو ، على العكس ، لا نعطيه. كل شيء يبدو بسيطًا: غالبًا ما يتم شراء المنتج - نحن لا نقدم خصمًا ، ونادرًا ما نشتريه - نحن نقدمه. لكننا نتعمق قليلاً وأوسع نطاقًا - ننظر إلى مكان وجود هذا المنتج في الكتالوج ، وما هي آليات التسويق التي شارك فيها ، وعدد مرات مشاهدة هذا المنتج ، وعدد مرات إضافته إلى عربة التسوق.
والخطوة التالية هي التسعير الديناميكي لكل مستخدم.
كيفية تكرار الميكانيكا التنبؤية في متجرك عبر الإنترنت
نحن نعمل على تطوير التعاون مع Mindbox ونقدم لعملاء النظام الأساسي لتنفيذ آلياتنا التنبؤية. إذا كنت تريد تكراره في متجرك عبر الإنترنت ، فاكتب إلى زملائك.
***
المؤلفون:
Azamat Tibilov ، ماريو بيرلوتشي مدير التسويق
ماريا بايكوسكاس ، مدير Mindbox
Sema Syemochkin ، محرر Mindbox