Роман Зыков - Роман с Data Science. Как монетизировать большие данные [litres]

Здесь есть возможность читать онлайн «Роман Зыков - Роман с Data Science. Как монетизировать большие данные [litres]» — ознакомительный отрывок электронной книги совершенно бесплатно, а после прочтения отрывка купить полную версию. В некоторых случаях можно слушать аудио, скачать через торрент в формате fb2 и присутствует краткое содержание. Город: Санкт-Петербург, Год выпуска: 2021, ISBN: 2021, Издательство: Издательство Питер, Жанр: Базы данных, popular_business, на русском языке. Описание произведения, (предисловие) а так же отзывы посетителей доступны на портале библиотеки ЛибКат.

Роман с Data Science. Как монетизировать большие данные [litres]: краткое содержание, описание и аннотация

Предлагаем к чтению аннотацию, описание, краткое содержание или предисловие (зависит от того, что написал сам автор книги «Роман с Data Science. Как монетизировать большие данные [litres]»). Если вы не нашли необходимую информацию о книге — напишите в комментариях, мы постараемся отыскать её.

Как выжать все из своих данных? Как принимать решения на основе данных? Как организовать анализ данных (data science) внутри компании? Кого нанять аналитиком? Как довести проекты машинного обучения (machine learning) и искусственного интеллекта до топового уровня? На эти и многие другие вопросы Роман Зыков знает ответ, потому что занимается анализом данных почти двадцать лет. В послужном списке Романа – создание с нуля собственной компании с офисами в Европе и Южной Америке, ставшей лидером по применению искусственного интеллекта (AI) на российском рынке. Кроме того, автор книги создал с нуля аналитику в Ozon.ru.
Эта книга предназначена для думающих читателей, которые хотят попробовать свои силы в области анализа данных и создавать сервисы на их основе. Она будет вам полезна, если вы менеджер, который хочет ставить задачи аналитике и управлять ею. Если вы инвестор, с ней вам будет легче понять потенциал стартапа. Те, кто «пилит» свой стартап, найдут здесь рекомендации, как выбрать подходящие технологии и набрать команду. А начинающим специалистам книга поможет расширить кругозор и начать применять практики, о которых они раньше не задумывались, и это выделит их среди профессионалов такой непростой и изменчивой области. Книга не содержит примеров программного кода, в ней почти нет математики.
В формате PDF A4 сохранен издательский макет.

Роман с Data Science. Как монетизировать большие данные [litres] — читать онлайн ознакомительный отрывок

Ниже представлен текст книги, разбитый по страницам. Система сохранения места последней прочитанной страницы, позволяет с удобством читать онлайн бесплатно книгу «Роман с Data Science. Как монетизировать большие данные [litres]», без необходимости каждый раз заново искать на чём Вы остановились. Поставьте закладку, и сможете в любой момент перейти на страницу, на которой закончили чтение.

Тёмная тема
Сбросить

Интервал:

Закладка:

Сделать

В рекламной веб-аналитике вы еще встретитесь с двумя терминами – сквозная аналитика и когортный анализ. Под сквозной аналитикой обычно понимают работу с клиентом на индивидуальном уровне: от показа рекламы до отгрузки заказа отслеживания последующих действий заказчика. Это делается с помощью уникальных идентификаторов клиента (ID), с помощью которых его «ведут» в разных системах, от рекламных до логистических. Благодаря этому можно считать затраты на рекламу и обработку заказов с точностью вплоть до индивидуального клиента, пусть и с некоторым приближением.

Когорта в маркетинге – это группа людей, которые совершили определенное действие в заданный промежуток времени. Под когортным анализом подразумевается отслеживание таких однородных групп клиентов. Самое главное его назначение – расчет LTV (Life Time Value), количества денег, которые приносит клиент за определенный промежуток времени. Предположим, вы определили, что этот период будет составлять три месяца, и решили считать LTV первого числа каждого месяца (рис. 12.1). Каждый расчетный месяц аналитик будет «смотреть» на клиентов, которые совершили свой первый заказ или регистрацию три месяца назад, и считать их покупки за эти три месяца, потом делить это число на число клиентов. Для такого расчета нельзя использовать клиентов, которые совершили первое действие четыре или два месяца назад.

Рис 121Расчет LTV Внутренняя вебаналитика Внутренней вебаналитике - фото 63

Рис. 12.1.Расчет LTV

Внутренняя веб-аналитика

Внутренней веб-аналитике сайта уделяется не так много внимания, как рекламной – на рекламу тратится куда больше денег, чем на сайт, поэтому руководство хочет знать, насколько эффективно они потрачены. А ведь действия посетителя на сайте, которые как раз являются объектом внутренней аналитики, очень важны. В этот анализ входят: воронка продаж, анализ заполнения форм и анкет, мерчандайзинг, функционализм сайта, карты кликов, запись действий пользователя (например, Яндекс. Вебвизор). Используя эти инструменты, можно гораздо лучше понимать свою аудиторию.

Воронка продаж выглядит почти как обычная воронка – посетитель сайта «проваливается» по ней, пока не достигнет целевого действия, например заказа. В среднестатистическом интернет-магазине конверсия посетителя в заказ составляет обычно один процент, то есть лишь каждый сотый посетитель доходит до дна воронки продаж и совершает покупку. Улучшению этого показателя уделяется очень много времени, ведь если растет конверсия сайта, то вы зарабатываете больше при тех же затратах на рекламу. Хотя реклама рекламе рознь: можно гнать на сайт небольшой поток почти готовых покупателей или большую толпу посетителей, подавляющее большинство которых уйдут с сайта сразу. В первом случае конверсия может быть высокой, во втором низкой, но и стоить первый вариант будет дороже. Поэтому я не сторонник «меряться» конверсиями, более важный показатель – средняя стоимость привлеченного заказа (Cost per Order). Он позволяет объективно сравнить экономики двух интернет-магазинов в первом приближении. Воронку продаж можно также рассматривать как последовательность микрошагов из целевых действий:

1. Сделал хотя бы один клик после перехода (non-bounced visitor).

2. Добавил товар в корзину.

3. Нажал кнопку «оформить заказ» (checkout).

4. Оформил заказ.

Оптимизируя каждый шаг, можно увеличить число посетителей, которые доходят до конца воронки.

Анализ мерчандайзинга – это самое лучшее, что я узнал о внутренней веб-аналитике, когда изучал систему Omniture (ныне Adobe) SiteCatalyst. Анализ мерчандайзинга – это способ оценки эффективности виртуальных полок интернет-магазина. Сайт интернет-магазина включает в себя несколько типов страниц: главная, поиск, страница категории товаров, страница информации о товаре, корзина, шаги заказа и личный кабинет пользователя. На каждом типе страниц размещаются блоки товаров (рис. 12.2) – например, горизонтальная линия из пяти ротируемых товаров или большой блок списка товаров на страницах категории. В любом товарном блоке товар подается со следующими атрибутами: картинка, сниппет с небольшой информацией, цена, название товара, кнопка добавления в корзину или быстрого заказа. Что можно делать с дизайном подачи товара в блоке? Можно увеличить картинку, убрать какие-то элементы. А вот посчитать, что изменилось в метриках, можно с помощью анализа мерчандайзинга, где аналогом обычной полки в магазине будет блок товаров в интернет-магазине.

Читать дальше
Тёмная тема
Сбросить

Интервал:

Закладка:

Сделать

Похожие книги на «Роман с Data Science. Как монетизировать большие данные [litres]»

Представляем Вашему вниманию похожие книги на «Роман с Data Science. Как монетизировать большие данные [litres]» списком для выбора. Мы отобрали схожую по названию и смыслу литературу в надежде предоставить читателям больше вариантов отыскать новые, интересные, ещё непрочитанные произведения.


Отзывы о книге «Роман с Data Science. Как монетизировать большие данные [litres]»

Обсуждение, отзывы о книге «Роман с Data Science. Как монетизировать большие данные [litres]» и просто собственные мнения читателей. Оставьте ваши комментарии, напишите, что Вы думаете о произведении, его смысле или главных героях. Укажите что конкретно понравилось, а что нет, и почему Вы так считаете.

x