Podíváme se, jak se segmentují návštěvníci na webu z podrobných dat. Oddělíme kolemjdoucí, snílky a skutečné zájemce o naše zboží. Na těch pak cílenou komunikací můžeme vydělat.
2. 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
3. Co si dnes řekneme
§ Jak dělat pokročilou segmentaci webových návštěvníků
§ Na čem v procesu záleží
§ Co můžete pustit z hlavy
3
4. 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
5. 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
6. 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
7. 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% provozu
n Filtry na IP adresu jsou již dnes bezpředmětné
n Roboti se detekují pokročilými metodami na úrovni celého predikčního modelu
n Nejlépe je odfiltruje profesionální nástroj na sběr dat
7
(Zdroj obrázku Imperva)
8. 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
9. Rozcestí a problémy při tvorbě dimenzí I.
§ Nejdůležitější je dimenze potřeb zákazníka
§ Někde je zcela bez problémů
§ Například
n Fára vs. šunky
n 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
10. 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
11. Jak se technicky tvoří segmentace (K-means)
Krok I –Body v dimenzích
11
Hodnota zákazníka
Věrnostzákazníka
Krok 1:
Vyčištěné a jasné
dimenze v datech
12. Jak se technicky tvoří segmentace (K-means)
Krok II –Volba středů segmentů
12
Hodnota zákazníka
Věrnostzákazníka
Krok 2:
Algoritmus zvolí náhodné
zákazníky jako středy
segmentů
13. Jak se technicky tvoří segmentace (K-means)
Krok III – Přiřazení zákazníků ke středům segmentů
13
Hodnota zákazníka
Věrnostzákazníka
Krok 3
K vybraným
zákazníkům-středům se
seskupí nejbližší
zákazníci
14. Jak se technicky tvoří segmentace (K-means)
Krok IV –Tvorba segmentů
14
Hodnota zákazníka
Věrnostzákazníka
Krok 4:
Označené
segmenty
15. 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
16. 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) čiTwostep (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
17. Návštěvníci - Obecná typologie segmentů v online
17
SEGMENT 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 Rolls
Royce
(tj. iPhone 7 Plus)
Jen čumí Nic 9% 2%
Technické
segmenty
Vaši prodejci, roboti,
zaměstnanci
Svojí práci Nic 20% 0%
19. Proces:
§ určení a výběr unikátních návštěvníků / zákazníků s určitou hloubkou
návštěvy
Dimenze:
§ Identifikace 4 nejdůležitějších dimenzí z více než 300 různých
proměnných
n Nákupní záměr
n Hodnotová dimenze
n "Místní" vs. celosvětový význam značky
n Dimenze výkon
19
ONLINE Segmentace - Případová studie
20. 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
Potenciál
prodeje
Prům.košík -
browsing
(anonymní)
Odhadovaná cena
kontaktu - podíl
vs. 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. 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
22. 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
23. Data Mind s.r.o.
U průhonu 466/22
170 00 Praha 7
www.datamind.cz
Jan Matoušek
jan.matousek@datamind.cz
+420 720 705 639