Сегодня, 16 мая 2013 года, в Форум Холле в Москве, прошла новая конференция Яндекса Yet another Conference on Marketing, которая является дополнением к ставшей уже традиционной конференции YaC, проводимой Яндексом каждую осень, начиная с 2010 года.
На YaC/m 2013 рассматриваются общие вопросы интернет-математики, современных технологий интернета, информационной безопасности и универсальные походы к разработке и эксплуатации онлайновых сервисов и приложений.

В начале конференции выступил Илья Сегалович, директор Яндекса по технологиям, прочитал секретный доклад, в котором представил новый поиск Яндекса, новый принцип выдачи и новый вид SERPа. Новая платформа «Острова» позволит Яндексу лучше отвечать на вопрос пользователя, отвечая на него всем своим интерфейсом.

Далее, во второй половине дня, в рамках секции «Количественный и экспериментальный маркетинг» выступили: Александр Бородич, Григорий Бакунов, Аркадий Итенберг, Михаил Сливинский, Николай Хлебинский. Модератором секции выступал Андрей Себрант.

Первым выступил Александр Бородич, Chief Dreams Officer проектов FutureLabs, MyWishBoard, MyDreamBoard, SuperFolder, эксперт в мобильном маркетинге и технологиях разработки мобильных приложений. Имеет патент США в области оценки эффективности распространения информации в социальных сетях.

Александр представил доклад «Будущее адаптивных интерфейсов», в котором рассказал о том, как интерфейсы могут адаптироваться под интересы и задачи пользователя.

Разработанная компанией FutureLabs система аналитики следит, откуда приходят пользователи на сервис и в мобильное приложение, и как они ведут себя дальше. В зависимости от их интересов и поведения блоки интерфейса адаптивно перестраиваются: меняют размер, цвет, местоположение, контент. Алгоритм адаптивной реакции на поведение пользователя позволяет увеличить число достигаемых целей конверсии, корректируя изменения под ключевые KPI.

Александр привел эволюцию интерфейсов за последние 6-7 лет. Раньше интерфейсы можно было изменять самим, раньше скины были более статическими, сейчас более динамические – подстраиваются под устройства пользователей.

Далее докладчик продемонстрировал существующие инструменты мобильной аналитики: heatma.ps, Localilycs, предлагающий общение между пользователями при помощи таргетированных персонализированных сообщений, и Keen.io, при помощи которого можно хранить, моделировать и визуализироать данные. При помощи этих инструментов можно построить развитую систему аналитики.

Александр также рассказал про A/B – тестирование на мобильном устройстве. Оно предоставляет возможность автоматическoго определения варианта с более высокой конверсией. Если бы не было аналитики, то надо было бы собрать информацию по одному приложению, запустить его для всех, а затем то же самое проделать со вторым вариантом. Новые возможности позволяют сделать ограниченную выборку.

Можно поменять взаимоотношение пользователя с приложением, к примеру, делать стартовой наиболее часто посещаемую страницу. Также можно просчитать вероятность того, что пользователю понравится та или иная картинка. Аналитика позволяет решать проблемы пользовательских интерфейсов.

В качестве примера можно взять мессенджер: когда создается много групп, пользователю приходится использовать прокрутку и т.д. Приложение пытается понять, как пользователь работает с приложением и Подстраивает интерфейс, меняя навигацию по приложению на более удобную для пользователя. Чем релевантнее к контексту использования и контент и интерфейс приложения, тем они более полезны для пользователей.

По словам Александра, статические интерфейсы приложений – это уже прошлый век. Сегодня – утром одна картина, а вечером – другая с актуальной информацией. Используя инструменты аналитики можно построить приложения, которыми удобно и приятно пользоваться.

Возникает вопрос а не мешает ли пользователям меньшая предсказуемость интерфейсов? Нет, если приложение красиво и понятно для пользователя проводит анимацию интерфейсов, ему все будет интуитивно понятно.  UI – не догма, пользователь важнее.

Вопрос из зала: – Каковы основные минусы использования GA в мобильных приложениях?

Александр Бородич: – Мы используем собственную систему и не часто используем GA.

Вопрос из зала:- Как решается проблема сноса приложений пользователями?

Александр Бородич: – Проблема современного мобильного телефона – в огромном количестве различных приложений, и важно попасть под критерии пользователя, чтобы приложением хотелось пользоваться.

Вопрос из зала: – Как вы можете навязать пользователям формат использования приложения?

Александр Бородич: – Мы анализировали пользователей и заметили, что они не всегда используются так, как хотели бы мы. Мы изучаем это, а затем как бы незаметно подводим пользователя к правильному использованию приложения.

Вопрос из зала: -А если устройством и соц. сетями пользуются несколько человек?

Александр Бородич: Мы это учли. Система собирает статистику и можно адаптировать интерфейс под использование двумя людьми поочередно.

Далее выступил Григорий Бакунов, директор по распространению технологий Яндекса. популяризатор программирования, успешный предприниматель и частый участник многих конференций, связанных с интернет-технологиями. Один из создателей и постоянный ведущий подкаста Радио-Т.

Григорий представил доклад «Landing page: другой подход», в котором рассказал о том, почему (а главное как) в современном мире можно использовать машинное обучение и алгоритмические методы для повышения конверсии с landing page.

В начале выступления докладчика рассказал следующую историю. Жил-был один продукт – платная CMS, для сайта-резюме, созданная по типу страницы «Мой круг», на американском рынке, цена – 8$. Продукт решили продавать через Facebook, для чего была создана кампания, но которая оказалась совсем неэффективной: расходы составили $4,500 за две недели, а доходы – $16.

Маркетолог посоветовал сделать посадочную страницу. Заказали у дизайнера Landing Page, создали новую кампанию в Facebook, приводящую в Landing Page, начали собирать статистику, результат также оказался неутешительным: расходы: $6,500 за две недели, доходы – доходы – $96.

На этом этапе включился дизайнер и предложил купить еще 2 посадочные страницы. Теперь рекламная кампания в Facebook вела уже на несколько посадочных страниц. Результат был таков: расходы составили $6,500 за две недели, а доходы – $4,690. Возникло понимание, что надо двигаться дальше.

После этого сделали 3 разных кампании для трех разных страниц, запустили и стали собирать статистику. Получилось вот что:

Посмотрели на график и решили придумать алгоритм. В разное время стали показывать разные целевые страницы. Алгоритм составили, используя данные о пользователях. В результате продажи выросли на 22%.

Однако решили пойти дальше и стали думать, какие данные еще данные можно использовать. Из Facebook’a можно было получить данные пола и возраста, дохода, местоположения, личные данные. В FB сейчас отличная система таргетинга, а значит, можно этим пользоваться. Далее запоминаются данные пользователя, показываются посадочные страницы, и, если покупка происходит, таким же пользователям показывается эта же страница.

Далее Григорий представил алгоритм успешных продаж:

1. Получить данные пользователя

2. Предложить ему одну из N страниц

3. Запомнить произошла ли покупка

4. Если да – чаще показывать эту страницу пользователям, похожим на этого

5. Продолжать до бесконечности

Также можно использовать метод опорных векторов:

Компания, продающая исходный продукт, научила систему показывать разным людям разные целевые страницы, с наибольшей вероятностью ведущие к покупке, создала 61 тысячу РК в Facebook, приводящих в разные URL, неустанно собирала статистику и – вуаля! Расходы составили $11,500 за две недели, а доходы – $8,400, плюс ощущение безграничных возможностей.

+44,9% продаж в первую неделю. Через 3 месяца недельные продажи утроились. И здесь не потребовалось никаких сложных систем программирования. Можно использовать различные уже существующие компоненты. Системы для обработки данных так развиты, что не использовать их для продаж – просто терять деньги. Пользовательские данные надо беречь. На них можно делать миллионы.

Вопрос из зала: – Может быть имел место естественный рост объявления?

Григорий Бакунов: – Нет, естественного роста точно не было. Только за счет лендинг-пейдж.

Вопрос из зала: – Фреймворк девелоперс? Что вы думаете о них?

Григорий Бакунов: – Есть художники, а есть маляры. Это и есть маляры. И в этом нет ничего плохого. Каждый занимается своим делом.

Вопрос из зала: – Когда люди видели различные посадочные страницы, не пугались ли они, что страницы все время разные?

Григорий Бакунов: Я, к счастью, не знаю этих людей, но есть конкретные цифры.

Вопрос из зала: – По какой причине большее количество разработчиков предпочитает идти методом проб и ошибок, а не используют аналитику?

Григорий Бакунов: Маркетолог все это время был в проекте и он нам не помог. Поэтому разработчики сами собирают данные и идут методом проб и ошибок.

Вопрос из зала: – Сколько в итоге было лендингов?

Григорий Бакунов: – В результате – около шести. Это были совершенно типичные посадочные страницы. Теоретически они могли быть автоматически сгенерированы с тем же успехом.

Вопрос из зала: – Как получаете данные о пользователях?

Григорий Бакунов: – Делаем набор рекламных кампаний по очень узкому таргетингу – всего 61 тыс. рекламных кампаний.

Далее Аркадий Итенберг и Михаил Сливинский из Wikimart представили доклад на тему: «Покупатель — лучший эксперт. Ранжируем товары умно!», в котором представили управляемую автоматическую систему ранжирования, позволяющую балансировать между счастьем пользователя и счастьем магазина.

Предположим, в магазине есть 1209 пылесосов от 94 производителей – это колоссальное разнообразие по характеристикам и цене. Как выбрать те товары, на которые стоит потратить время потенциального покупателя?

Основными точками входа пользователя на сайт являются страницы моделей. Раньше анализ ранжирования товаров делался вручную, сейчас это делается автоматически.

Товары располагаются неслучайным образом даже в оффлайн- магазинах. Однако онлайн имеет множество ключевых различий: в онлайне гораздо легче что-то изменять. Пользователя легче привлечь, но гораздо труднее удержать.

Что такое Викимарт? Это онлайн-торговый центр, который объединяет более 1,5 млн. товаров, от 1000 магазинов в 5000 категорий. Следовательно, совершенно необходимо разработать систему Анализа данных о пользователях, а также систему рекомендаций.

Рекомендации – это:

• Похожие товары

• С этим товаром часто смотрят

• С этим товаром покупают

• Новинки

• Лидеры продаж

Как же быть, если надо построить рекомендацию, имея лишь минимум данных о пользователе? К примеру, он только что пришел на сайт, а раньше не был. Пользователь забил запрос [купить пылесос], пришел на сайт, – какой пылесос ему предложить, чтобы он не ушел? Ошибок здесь допускать нельзя, иначе он уйдет и не вернется.

Разные магазины предлагают различные варианты сортировки. Наиболее популярные по количеству заказов, по количеству кликов, конверсии, заработку и т.п:

Что такое популярность? Есть различные интерпретации этого, такие как: количество просмотров, количество заказов, GMV, конверсия. Докладчики предложили свою версию популярности – «Популярность» = Rank, где Rank f – это счастье пользователя, счастье магазина.

На счастье пользователя может влиять стоимость товара на рынке. На счастье магазина – стоимость товара.

Но тогда конверсия новинки будет равна нулю, и он никогда не попадет в топ результатов. Тогда считают средневзвешенную конверсию, если товар новый, то принимается средняя конверсия. Но, к примеру, этот пылесос плохой – по нему много кликов и заказов по нему нет. Тогда он идет в хвост, и там по нему нет кликов, затем он начинает снова расцениваться как новый и идет ближе к середине, но это не очень хороший способ. В итоговой формуле параметры немного усложняются.

Чем шире круг метрик, за которыми ведется наблюдение, тем лучше можно интерпретировать все происходящее. Раньше проводили ручное обновление алгоритма, затем накладывали на автоматическое. Ключевой параметр – прибыльность. В результате за 4-5мес. Прибыльность листинга/прибыльность модели выросла на 45%.

Динамика распределения первых 5 кликов:

На графике, всплеск кликов на 20-й категории, но заказов не было. Итог – необычный дизайн самого продукта. Заходили посмотреть, но не купить.

Резюме: Важно делать инструменты для удержания пользователей, их надо привлекать и заинтересовывать. Доверять надо объективным данным, а не интуитивным предпочтениям. Чем больше метрик, тем лучше, – в арсенале каждого магазина должен быть широкий набор метрик для анализа результатов.

Вопрос из зала: – Почему бы не ввести параметр «ставка магазина»? Вы же агрегаторы магазинов.

Михаил Сливинский: – Конечно можно сделать, но она не будет показательной.

Вопрос из зала: – Ваш сервис очень крупный и может стать системой управления трендом. Здесь может иметь место накрутка поведенческих факторов?

Михаил Сливинский: – Мы основывается на конверсии.

Вопрос из зала: – Делаете ли вы контекстную рекламу. Если да, то что продвигаете?

Михаил Сливинский:Да, мы отдаем фиды и в контекстную рекламу.

Завершил секцию доклад Николая Хлебинского (RetailRocket.ru)на тему «В каких случаях предлагать картошку, а в каких — пирожок? Мерчандайзинг в e-commerce на основе big data».

В ходе своего выступления докладчик рассказал о том, как понять, какой товар лучше подойдет покупателю? Расскрыл секреты автоматизации формирования upsell и cross-sell контента на основе анализа статистических данных о поведении пользователей интернет-магазинов. Объяснил, как правильно измерять влияние рекомендательных систем на средний чек и конверсию.

Николай считает, что предсказательная аналитика подходит к плато продуктивности. Осталось меньше двух лет до того, как технологии анализа big data войдут в мейнстрим и без них уже не будет возможна жизнь маркетологов.

Как пользователи проявляют интерес к товарам? Берутся все типовые события на сайтах продаж – лайк, купить и т.п Всем событиям присваиваются определенные веса и оформляются в таблицы. В числовом виде содержатся сессии пользователей, затем в таблицах они хранятся в ячейках и пересекаются между собой. Все эти данные требуют выделенных серверов и обслуживания:

Затем используются данные для работы с вероятностями. Используются внешние данные о пользователях, к примеру, информация о деньгах. Ранжирование товаров можно менять. Таких вероятностных моделей может быть огромное количество.

Ключевые направления воздействия товарных рекомендаций:

По сути, такие рекомендации облегчают навигацию по сайту для пользователя. Также это дополнительный трафик и, следовательно, заказы.

Графики демонстрируют изменение среднего чека и то, как система обучалась. Чем больше система знает о пользователе, тем быстрее она обучается. В свою очередь, это отражается и на трафике.

Как оценить эффект от внедрения рекомендаций?

1. Вовлечение пользователей

2. Лояльность( лайки прямой трафик, внешние ссылки)

3. KPI по сегменту пользователей, взаимодействующих с рекомендациями.

4. Доход

А/Б тестирование позволяет посчитать деньги, для этого можно использовать разные метрики, в том числе GA.

Вопрос из зала: – Были ли опыты внедрения для дорогого бизнес-софта, требующего оценки, а не для розницы?

Николай Хлебинский: – Да, мы работаете и с b2b и с товарами, имеющими длинные циклы продаж. Система демонстрирует эффективность.

Вопрос из зала: – Если человек уже купил что-то, надо ли ему показывать товар и рекомендации?

Николай Хлебинский: – Да, надо показывать, это психологический момент. Пользователь начинает доверять системе, знающей его вкусы.

Вопрос из зала: – Сколько позиций вводить в такой цикл?

Николай Хлебинский: – Точного ответа нет – надо тестировать. Можно начать с 4-х. Все должно делаться на основе данных.

Вопрос из зала: - Как решали вопросы кластеризации, когда такое количество данных?

Николай Хлебинский: – Как технически сложный проект решали несколько лет и пере пробовали множество технологий.

Источник: www.searchengines.ru

Поделиться в соц. сетях

Опубликовать в Google Plus
Опубликовать в LiveJournal
Опубликовать в Одноклассники
Опубликовать в Яндекс
Опубликовать в Мой Мир

Рекомендуем ещё