予測は、顧客が適切なタイミングで購入するように誘導するのに役立ちます。逆に、購入した場合に顧客に触れないようにするのにも役立ちます。 ABテストの一環として、予測ベースのサイトパーソナライズメカニズムは、コントロールグループと比較してオンラインストアのコンバージョン率を16.5％、ARPUを35.7％向上させるのに役立ちました。
MarioBerluchiのマーケティングディレクターであるAzamatTibilovが、予測メカニズム、結果の測定、データサイエンス事業の歴史について語り、有用でデータ主導のマーケティングを通じて収益を増やしたいオンライン小売業者向けのヒントを共有します。
Mario Berluchiは、モスクワに5つのオフラインストアとオンラインストアを持つロシアの靴、バッグ、アクセサリーのメーカーです。
規模。月に20万人のサイト訪問者。
それ。Bitrixのサイト、1Cのバックオフィス、クライアントデータプラットフォームMindbox。
仕事。蓄積されたデータを処理して収益を増やします。
結果。ABテスト内でのWebサイトのコンバージョンの16.5％の増加、ARPUの35.7％の増加、放棄されたカートのシェアの17.2％の減少。
予測ベースのWebサイトパーソナライズメカニズムのしくみ
クライアントがサイトにアクセスすると、そのアクションを記録し、「現在のセッションで購入するか、購入しない」および「7日以内に戻るか、戻らない」という予測アルゴリズムを実行します。予測は、クライアントごとに10秒ごとに再計算されます。
条件をトリガーするメカニズム：
- カートにアイテムがある場合、
- 割引クーポンが適用されていない場合、
- 予測される購入確率が30％未満の場合、
- クライアントが7日以内に戻らないと予測された場合。
条件が満たされると、クライアントはバスケット内のポップアップを確認し、現在のセッションで製品を購入するかどうかを決定
します。アルゴリズムの予測に従って、クライアントが現在のセッションで注文せず、後で戻ってこない場合、ポップアップはバスケット内にポップアップします。
予測力学の結果
95％の信頼度でABテスト
テスト内のクライアントの一部はコントロールグループに属し、ポップアップは表示されませんでした。彼女の場合、メカニックは無効になり、他の部分は表示されました。これらのグループでコンバージョン、ARPU、カートの放棄を比較しました。95％の信頼度で統計的に有意な結果が得られました。
↑16.5％
tテスト法を使用したコントロールグループと比較したWebサイトコンバージョンの増加
↑35.7％
ブートストラップ法を使用したARPUの増加
↓17.2％
zテスト法を使用した放棄されたカートのシェアの減少
コンバージョンとARPUの比較：2019年5月と2020年5月-予測メカニズムの導入後
予測力学の実装前後の変換予測力学
の実装前後のARPU
なぜデータサイエンスの方向性を打ち出したのですか
当初は、注文の50％が確認段階で「失敗」するため、実際の購入のコンテキストで広告チャネルの品質を評価するために、エンドツーエンドの分析を構築したいと考えていました。
エンドツーエンドの分析では、ユーザーの行動データをGoogleBigQueryデータベースに収集する必要がありました。カートへのアイテムの追加、製品カードへのアクセス、購入などの標準的なユーザーアクションに加えて、サイトのコンテンツでさらに多くのアクションを収集しました。毎日2万行以上のヒットが蓄積され、このデータはデータベースに保存されました。もちろん、その代金は支払われました。
月に20万人を超えるユーザーのトラフィックでは、十分なデータがあり、変更後のコンテンツに対するユーザーアクション、プロモーション後の購入など、標準的な分析を実行しました。次に、会社の所有者とブレーンストーミングセッションを実施し、簡単な分析とABテストに加えて、より興味深いものを構築することを決定しました。履歴データに基づいて機械学習アルゴリズムを使用して、サイトでの顧客の行動を予測してみてください。私たちはそのようなアイデアを、後で結果を得るためにお金と時間を投資する準備ができている内部製品、つまりビジネス指標の成長として扱います。
その結果、データサイエンス部門が結成され、6か月でユーザーの行動を予測するメカニズムが実装され、収益が増加しました。このようにして、収益の30％以上をもたらし、成果を上げる新しい事業を発見しました。
データサイエンスに必要な専門家
予測メカニズムの立ち上げの各段階には、さまざまな機能の専門家の作業が含まれますが、関連分野からのものです。スタッフ：
アナリスト。データを分析し、異常を見つけて、ABテストを実行します。
2人のデータサイエンティスト。彼らは、サイトでの特定のユーザーアクションの確率の形で予測回答を返すアルゴリズムを作成します。
マーケター。アルゴリズムを使用してメカニズムを開発および起動します。
開発者。サイトにメカニズムとアルゴリズムを実装します。
予測力学のしくみ
1. Google TagManagerを使用して最初のGoogleAnalyticsデータをマークアップし、OWOXBIストリーミングを使用してGoogleBigQueryデータベースにデータを収集します。これらの手順にはほとんど時間がかかりません。最初の1分から、データがデータベースにどのように収まるかを確認できます。
2.アナリストは、データがユーザーの行動とどのように一致するかを調べます。必要に応じて、分布グラフを作成し、テールがあるかどうかにかかわらず、それらがどれほど高品質であるかを調べます。エラーが見つかった場合は、ストリーミング設定を変更するか、データをクリーンアップします。これは、ダーティデータをマシン学習で処理することができないためです。
3.データサイエンティストは、訪問とコンテンツから機能（機能エンジニアリング）を作成します。たとえば、表示された製品の数、お気に入りに追加されたアイテムの数、カートにセッションごとに追加されたアイテムの数などです。
アルゴリズム機能の重みの分布-それらに基づいて、クライアントの動作を予測します
。4。履歴データでモデルをトレーニングします。ユーザーが次のセッションを行うのか、7日以内に戻ってくるのかを予測したいとします。これを行うために、履歴データ、記号を取得し、アルゴリズムを実装します。予測には、分類（1または0の形式の二項回答）を使用し
ます。5。履歴データ（予測精度、ビジネスメトリック）でモデルを検証します。
まず、精度（正解の割合）とROC-AUC（エラー曲線の下の領域）の比率を調べます。
精度0.88は、88％の確率で、ユーザーが戻ってくるかどうかを正確に予測することを意味します。精度-ユーザーが返す予測のどれだけが正しかったか。思い出してください-私たちが予測した実際の収益の割合について。
AUC ROC（エラー曲線の下の領域）を使用して、データのサンプルに対するアルゴリズムのパフォーマンスを評価します。
アルゴリズム1と0の回答に加えて、アクションの確率もパーセントで示されます。そして、ここでしきい値を設定します。ユーザーが戻る確率が30％を超え、そのようなユーザーが最も頻繁に戻る場合、答えは1です
。6。ユーザーのアクションを予測します。
7.マーケターは、予測を適用するためのメカニズムを開発します。
8.ABテストを実行します-現在私たちのサイトに精通している新しいユーザーに対してのみ。テストは約3週間続き、この間、累積p値がどのように変化するかを観察します。ある時点で、グループ間の違いが大きくなり、すぐにテストが完了し、メカニズムが本番環境に展開できることを理解しています。
9.アナリストはメカニックの結果を測定します。
予測が機能する顧客データに基づく
訪問ベース。サイトでのアクションに基づく：製品カードの表示、カートへの製品の追加、ショッピング。
コンテンツベース。サイトコンテンツのアクションに基づいています。まず、ユーザーアクションに関するデータを収集します。サイズテーブルを開く、お気に入りに製品を追加する、レビューを読む。次に、これらのアクションがプロキシメトリック（注文前の中間変換）にどのように影響するかを確認します。これらのメトリックには注文よりも多くのデータがあるため、これが必要です。次に、プロキシメトリックと購入コンバージョンおよびバウンス率との相関関係を調べます。
訪問ベースのアプローチとコンテンツベースのアプローチは重複しています。ただし、訪問ベースではユーザーの行動を評価し、コンテンツベースではコンテンツ自体を評価します。
CRMベース。CRMオンラインストアからのデータの強化、購入履歴の説明。
オンラインショッピングのヒント
1.小さなオンラインストアであっても、データを分析します。データには、ビジネスを次のレベルに引き上げることができる隠れた成長ポイントがあります。デジタルの競争が激しい現代の世界では、平凡なお金の注入でビジネスの成長の問題を解決することは不可能です。
2.オンラインストアの主要な指標であるコンバージョンの成長は、ビジネスの発展において最も強力な要素です。
3.インフラストラクチャを構築し、ビジネスに新しいテクノロジーを導入することを恐れないでください。機械学習の導入により、一歩前進して競合他社から脱却することができます。
4.新しいテクノロジーへの投資からROIを計算する方法を学びます。ほとんどの企業は、新しいツールがどのように利益を得るかを完全に理解していないため、新しいツールに予算を割り当てることを恐れています。
マーケティング開発のさらなる計画
これで、作業に動的な価格設定ができました。どの製品に割引を適用するか、または逆に、提供しないかを評価します。それはすべて単純に聞こえます：製品はしばしば購入されます-私たちは割引を与えません、めったに購入されません-私たちはそれを与えます。しかし、私たちはもう少し深く、より広く行きます-この製品がカタログのどこにあったか、どのマーケティングメカニズムに参加したか、この製品が何回表示されたか、カートに何回追加されたかを調べます。
そして次のステップは、各ユーザーの動的な価格設定です。
オンラインストアで予測メカニズムを複製する方法
私たちはMindboxとの協力関係を発展させ、予測メカニズムを実装するためのプラットフォームクライアントを提供しています。オンラインストアで繰り返したい場合は、同僚に連絡してください。
***
著者：
Azamat Tibilov、MarioBerluchiマーケティングディレクター MariaBaikauskas、マインド
ボックスマネージャー
Sema Semochkin、マインドボックスエディター