Роман с Data Science. Как монетизировать большие данные

Напишу про некоторые нюансы этого типа анализа. Во-первых, там есть такая же проблема реатрибуции тегов, как и в рекламе: пользователь через поиск на сайте кликнул на товаре, через некоторое время он кликнул на том же товаре в блоке рекомендаций и купил его. К чему атрибуцировать товар – к странице поиска или блоку рекомендаций на сайте? Есть две стратегии: выиграл первый и выиграл последний. В первом случае этот заказ получит страница поиска, во втором – блок рекомендаций. Однозначного ответа на вопрос, какая стратегия лучше, нет. Я лично предпочитаю вариант «выиграл первый». Во-вторых, вычисления для анализа мерчандайзинга намного более затратны по сравнению с анализом рекламы. Из-за этого Omniture SiteCatalyst отказался поднимать время слежения за действиями пользователя с 24 часов до 7 дней, и мне пришлось пользоваться метрикой добавления в корзину, а не заказа, потому что в течение двадцати четырех часов после первого визита на сайт человек, как правило, не делает заказ, но успевает положить товар в корзину. Обращайте внимание, как вендоры веб-аналитики работают с мерчандайзингом: у Яндекс. Метрики такого нет и не планируется, у Google Analytics есть Enhanced Ecommerce, у Adobe Analytics есть анализ мерчандайзинга [114]. Я изучал документацию по внедрению двух последних систем и могу сказать, что в Adobe Analytics это сделано намного лучше, чем в Google Analytics. Я сам заимствовал эту идею и написал свой алгоритм расчета, который используется и по сей день компанией Retail Rocket для вычисления эффективности рекомендаций на сайтах клиентов.

Карта кликов на странице – интересный инструмент, но ее нужно очень серьезно настраивать, если работа идет с динамическими блоками, когда товары там ротируются. Я обычно старался заменять ее на анализ мерчандайзинга, а саму карту рисовать в редакторе. Это позволяло мне сделать усредненную карту кликов для страницы товара, когда самих товаров около 500 тысяч. Никакая карта кликов сама по себе с этим не справится, а анализ мерчандайзинга может.

Еще один полезный инструмент – «видеозапись» действий пользователя. Его умеет делать Яндекс. Метрика, сам инструмент называется вебвизор. Он сохраняет все действия небольшой части пользователей, включая движения мыши. Потом вы можете просмотреть такие записи в интерфейсе программы. Это напомнило мне книгу Пако Андерхилла «Как заставить их покупать». В этой книге автор рассказывает, как он расставляет огромное количество камер в магазинах клиентов, сутками смотрит видеозаписи, дает рекомендации, как изменить пространство магазина, чтобы больший процент посетителей совершили покупку. Точно так же можно использовать и вебвизор. К сожалению, инструмент недооценен либо по причине слабой информированности, либо из-за неудобства в использовании. Этот способ – хорошая альтернатива дорогим системам юзабилити, например трекерам глаз.

По веб-аналитике я могу дать важный совет – читайте не инструкции для пользователя, а инструкции по внедрению. Именно там зашита вся суть – когда вы их прочитаете, у вас будут появляться свои мысли о том, как использовать какие-то хитрые фичи системы веб-аналитики, с которой вы работаете. Второй совет – думайте фундаментально. Мне очень понравился подход функционализма [109] в веб-аналитике. Даже на самых простых инструментах, используя подобный подход, можно принимать более системные решения.

Маркетинг на основе баз данных

Электронную почту изобрели давно, мы все ею до сих пор пользуемся. До эпохи интернета была развита торговля по почтовым каталогам, которая зародилась в США в XIX веке. После этого появился директ-маркетинг, задачей которого является продажа через прямые каналы коммуникаций (почта, электронная почта, телефон). Это очень отличается от обычной рекламы, которая «бьет по площадям». В директ-маркетинге идет работа с клиентом на индивидуальном уровне. Работу можно разделить на два типа: продажа уже накопленной базе клиентов и рекрутирование новых. Первый тип – это маркетинг на основе баз данных.

Представьте, что у вас есть некоторая существующая база данных клиентов: там есть контакты, факты отправок корреспонденции и факты заказов, эти люди регулярно получают каталоги товаров по обычной почте. Вам поручено сделать очередную рассылку, чтобы получить от клиентов дополнительные заказы. Самый простой подход – отправить всем клиентам одно и то же, например предложение со скидкой. Это довольно дорогое удовольствие – каждое письмо стоит денег, да и скидка уменьшит маржинальность компании. Также нужно учесть, что часть клиентов и так сделает заказ, даже без скидки. Тогда возникает идея разбить клиентов на группы, те из них, кто сделает заказ без промоскидки, не получит ничего – в крайнем случае, простое предложение без скидки. А те, кто менее склонен к покупке, получат скидку. Клиенты, которые совсем давно не делали заказ, не получат ничего.