Lucky Pages

Lucky Pages - сервис на основе технологии персональных рекомендаций для маркетинга и продаж.

Lucky Pages - технология персональных рекомендаций разработанная на основе методов BigData и машинного обучения, для достижения эффективного результата в продажах и маркетинговых коммуникациях с клиентами.

Какие проблемы решает сервис персональных рекомендаций Lucky Pages?

Во-первых, проблема брошенных корзин в интернет-магазинах.

При помощи сервиса персональных рекомендаций, большая часть клиентов недооформивших заказ, или те, кто не оплатил заказанный товар, а именно до 80% из их числа, возвращаются, что бы закончить покупку!

Во- вторых, сервис помогает оптимизировать такой инструмент дополнительных продаж, как Up Sell.

Благодаря, интеллектуальной обработки больших массивов данных, клиенту при оформлении заказа, предлагается не просто "Хит Продаж" или предложение из категории "С этим товаром так же покупают", а именно персональное предложение, тот продукт или услуга, который с наибольшей вероятностью купит именно этот клиент в существующей ситуации!

В-третьих, проблема ухода клиентов с сайта, если их внимание ничего не зацепило, или они не нашли предложение, которое их бы заинтересовало.

В данном случае, клиенту демонстрируется блок с персональными предложениями, которые, основываясь на анализе данных о нем, вызовут у него наибольшую заинтересованность и как следствие, уменьшится желание покинуть сайт.

В-четвертых, проблема "Спящих" клиентов, которые уже однажды сделали покупку но не возвращаются за новыми.

 

Технология персональных рекомендаций поможет сделать таким клиентам наиболее выгодное предложение, основанное на их настоящих, а не прошлых потребностях и интересах и таким образом, вернуть "бывшим" клиентам статус "настоящих".

Мы рады представить вам интеллектуальный сервис, способный самостоятельно анализировать клиентскую базу и предпринимать необходимые действия для повышения конверсии от демонстрации клиентам торговых предложений.

В качестве математической основы взят хорошо зарекомендовавший себя в прикладном маркетинге совместный анализ (правда, значительно модернизированный для работы в современных условиях: большие объемы данных, разнообразие характеристик, в том числе скрытых, высокий процент ложных отрицательных результатов измерений) и алгоритмы машинного обучения (кластеризация, классификация, выбор признаков, обучение с подкреплением).

Как и в случае классического совместного анализа, мы имеем дело с двумя наборами данных:

·         данные о покупателях;

·         данные о товарах (торговых предложениях).

И те и другие данные представляют собой множества векторов, заданных в фиксированных пространствах описательных характеристик. Например:

Полученные данные используются для выявления значимых связей между характеристиками покупателей и характеристиками товаров. Другими словами, устанавливается понимание: какие товары (здесь речь идет не о конкретных наименованиях, а о собирательном образе товара, как совокупности свойств) нравятся каким покупателям (опять же речь идет не о перечне идентификаторов, а о характеристическом портрете).

В процессе решения заявленной задачи, все покупатели разделяются на отдельные группы, характеризующиеся схожестью реакций своих членов на демонстрируемые свойства товаров, и для каждой группы подбирается наилучшее торговое предложение. Причем, то, что и покупатели и товары описываются как совокупность значений некоторых измеряемых характеристик, позволяет сразу создавать формальные правила (классификаторы) распределения новых пользователей по покупательским сегментам и выбора (конструирования) для них правильных персональных торговых предложений.

Чем богаче (разнообразнее) предоставляемая сервису информация о покупателях, тем подробнее вырабатываемая покупательская сегментация и, следовательно, тем точнее будет позиционирование торговых предложений. В худшем случае, если покупатели абсолютно не различимы, сервис будет искать универсальное торговое предложение, пусть ни для кого не идеальное, зато подходящее подавляющему большинству.

Чем богаче (разнообразнее) данные о торговых предложениях, тем меньше времени пройдет до момента обнаружения идеального предложения для каждого покупательского сегмента. При отсутствии возможности сравнивать товары между собой, как это устроено в сплит-тестировании, обилие вариантов торговых предложений, потребует проведения длительных экспериментов для сбора статистики показов, достаточной для получения обоснованных выводов. Векторное (описательное) представление позволяет вводить разнообразные метрики и организовать эффективные алгоритмы поиска, основанные на частичном переносе результатов показов, полученных для одних товаров на другие. Благодаря этому, переборный алгоритм способен, сделав всего несколько точных демонстраций, отбрасывать целые области заведомо неперспективных предложений, тем самым существенно сужая область поиска.

Применение для рекламной компании в социальных сетях

Технология, описанная выше, позволяет проводить эффективные рекламные компании в социальных сетях. Результатом такой компании, помимо скачка посещаемости сайта и роста продаж, станет информация о целевых сегментах покупателей (описанных в терминах социально-демографических характеристик) и формирование персональных торговых предложений (в виде посадочных страниц) для каждого из найденных сегментов.

Наглядный живой пример использования данной технологии для изучения клиентов, формирования индивидуальных торговых предложений и, как следствие, роста продаж, приведен в докладе разработчиков компании Яндекс: https://events.yandex.ru/lib/talks/823/

Прямые и косвенные затраты на рекламную компанию:

-         мозговой штурм для генерации основных рекламных сценариев

-         работа дизайнеров и копирайтеров по созданию рекламного контента

-         работа программистов по созданию конструктора для автоматического создания персональных посадочных страниц

-         выплата социальной сети вознаграждения за проведение рекламной компании

-         использование аналитического сервиса

 

Итоговая стоимость работ сильно зависит от наличия собственных ИТ-ресурсов, длительности рекламной компании и охвата аудитории.