Personalizowane rekomendacje w e-commerce, czyli jak skutecznie zwiększyć przychody w sklepie on-line

Transkrypt

1 Personalizowane rekomendacje w e-commerce, czyli jak skutecznie zwiększyć przychody w sklepie on-line Paweł Wyborski -

2 Agenda Kim jesteśmy Czym są personalizowane rekomendacje Jak powstają rekomendacje, technologia Case study empik.com, pasart.pl

3 Poznajmy się Jesteśmy ekspertami w wykorzystaniu gromadzonych danych o klientach do podnoszenia skuteczności działao marketingowych. Firma polska, założona w 2005r Zatrudnia 25 osób Siedziba w Warszawie Inteligentny System Personalizowanych Rekomendacji Lider na rynku e-commerce w Polsce

4 Agenda Kim jesteśmy Czym są personalizowane rekomendacje Jak powstają rekomendacje, technologia Case study empik.com, pasart.pl

5 Problem właściciela e-commerce???

6 Rozwiązanie - Personalizowane Rekomendacje Rekomendacje pomagają ODKRYWAĆ klientowi jaki produkt może jeszcze kupić ONLINE

7 Top 10, ostatnio oglądane, nowości, polecamy Proste podpowiadanie produktów, bazujących na statystykach sprzedaży, ręcznie ustawianych promocjach itp..

8 Klienci, którzy kupili A, kupili również Klienci, którzy kupili A, kupili również Klienci, którzy szukali, szukali również Zobacz inne nasze propozycje Rekomendacje podobnych lub komplementarnych produktów

9 Personalizowany Landing Page Dla każdego użytkownika, pokazywany jest indywidualny zestaw produktów min. na stronie głównej. Jeżeli masz 1000 klientów, masz mieć 1000 różnych wersji serwisu.

10 Koszyk Podpowiadanie produktów pasujących do aktualnej zawartości koszyka

11 Podziękowanie za zakupy Czy klient na pewno chce już skończyć zakupy? Personalizowane rekomendacje do ostatnio kupionych produktów, przeglądanych w danej sesji

12 , sms, mms, call center Każdy klient może otrzymać za pośrednictwem kampanii marketingowej, indywidualną propozycję zakupu produktów, które bazują na historii zachowań danego klienta na stronie

13 Rekomendacje a użytecznośd Rekomendacje inteligentnie prowadzą klienta po katalogu produktów lub ofert. Personalizacja rekomendacji polega na dopasowaniu klientowi takich produktów, które zaspokoją jego aktualne potrzeby. Potrzeby klientów odkrywane są automatycznie na podstawie ich rzeczywistych zachowań na stronie. Dzięki inteligentnej nawigacji opartej na rekomendacjach klienci kupują więcej i angażują się bardziej w odkrywanie oferty.

14 Agenda Kim jesteśmy Czym są personalizowane rekomendacje Jak powstają rekomendacje, technologia Case study empik.com, pasart.pl

15 Dane o zachowaniach użytkownika Sesja użytkownika Profil klienta WWW Katalog produktów/ofert Transakcje i Akcje

16 Dane o zachowaniach użytkownika Sesja użytkownika Profil Klienta Katalog produktów Transakcje i Akcje Odwiedzane strony Wyszukiwania Czas Kolejnośd kliknięd Preferencje Socjo/Demo Geografia Wielkośd portfela Recency Frequency Monetary Kategorie Cechy Tagi Cena, Marża Dostępnośd Oceny Zakup produktu Dodanie do koszyka Wishlist FB Like Rekomendowanie Ocenianie, Recenzowanie

17 Silnik Rekomendacji Zaawansowane modele przetwarzania i analizy danych Data Mining Sztuczna inteligencja Automatyczne Uczenie się zachowań użytkownika Najpopularniejsze algorytmy - Reguły Asocjacyjne - Modele predykcyjne - Sztuczne Sieci Nuronowe - Colaborative Filtering

18 Produkty powiązane Filtrowanie: Kategoria, Cena, atrybuty produktu Sortowanie: Cenie, Marży Promocji, podobieostwie Produkty podobne odpowiadające danej potrzebie użytkownika ` Produkty komplementarne produkty uzupełniające, inspirujące Promocje Produkty ustawione ręcznie Treśd Opisy produktu, Promocje Przyciski akcji Wstawianie Produkty preferowane np. Danej marki, autora, promocje Personalizacja: Wykluczenia produktów, które użytkownik już kupił, widział itp..

19 Personalizacja dla użytkownika Wybór za całego katalogu takiego zestawu produktów, które odpowiadają potrzebom użytkownika, a których jeszcze nie kupił, odkrył w serwisie Produkty dopasowane do historii zakupów Sortowanie : Cenie, Marży Promocji, podobieostwie Filtrowanie Po kategorii, cenie, marży innych atrybutach produktu Promocje z nowych kategorii, z których użytkownik jeszcze nie kupił Produkty dopasowane do historii aktualnej/ostatniej sesji

20 Retargetowanie wewnątrz strony 1. Użytkownik ogląda produkt 2. Wychodzi 3. Wraca ponownie na stronę Znamy użytkownika Przypominamy co ostatnio oglądał Dopasowanie do potrzeb Dajemy inne propozycje, które mogą zainteresowad użytkownika Ramka może być umieszczona w dowolnym miejscu na stronie www

21 Cross-Sell w koszyku W zależności od zawartości koszyka Filtrowanie kategorii, cenie, marży innych atrybutach produktu Sortowanie : Cenie, Marży Promocji, podobieostwie Produkty komplementarne Akcja Dodaj do koszyka i pozostanie nadal w koszyku

22 Warianty technologiczne 1 Ręczne generowanie i sterowanie rekomendacjami Budowa własnego rozwiązania od podstaw Wdrożenie komercyjnego silnika rekomendacji AdSerwer rekomendacji model SaaS

23 Technologia SaaS trend na rynku od 2007 roku Rekomendacje generowane są przez system zewnętrzny w czasie rzeczywistym ADSERWER SILNIK REKOMENDACJI + + Sztuczna Inteligencja RYNKOWA BAZA WIEDZY Data Warehouse MODEL SaaS integracja Plug & Play Wklejenie skryptów w kod HTML strony

24 Technologia SaaS Serwis WWW` Katalog produktów Zachowanie użytkownika adserwer + Silnik rekomendacji Rekomendacje online

25 Agenda Kim jesteśmy Czym są personalizowane rekomendacje Jak powstają rekomendacje, technologia Case study empik.com, pasart.pl

26 Case Study Empik.com Rynek B2C Empik jest liderem na polskim rynku dystrybucji dóbr kultury oraz dynamicznie rozwijającą się marką na rynku ukraińskim. Katalog produktów empik.com: 2 miliony Liczba UU miesięcznie: Silnik rekomendacji: QUARTIC Udział sprzedaży z rekomendacji: 10% CTR ramki z rekomendacjami: 16% Konwersja z rekomendacji: 3,5%

27 Case Study Pasart.pl Rynek B2B Pasaż artystyczny - Pasart.pl jeden z największych sklepów internetowych w Polsce oferujących półfabrykaty do wyrobu biżuterii. Katalog produktów: Silnik rekomendacji: QUARTIC CTR ramki z rekomendacjami: 19% Wzrost wartości koszyka: 12% Wzrost sprzedaży w całym sklepie: 6%

28 Dziękuję i zapraszam do pytao Paweł Wyborski - CEO Mob pawel.wyborski@dataforce.pl Quartic, Data Force Group