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 Matoušekjan.matousek@datamind.cz

+420 720 705 639