Beards Analytics

#yandexMetrika Свежие новости о Яндекс Метрике: 1. Раскатываем Вебвизор 2.0 в открытую бету, подключаемся! https://goo.gl/9ah6z8 2. Стали передавать в Директ доход по ecommerce https://goo.gl/gac60I

Тем кому скучано на выходные могут посмотреть на анонимный опросник по зарплатам в штатах — https://goo.gl/7wfb4A Или на другие открытые spreadsheets — https://goo.gl/mIHNSH

Офигенная статья о выборе цвета при визуализации данных https://goo.gl/2XyKjg

Интерсный материал в блоге KissMetrics о том, как Netfilx использулет аналитику для подбора сериалов и много другого: https://goo.gl/dxeLws И в догонку, лекция на TED: https://goo.gl/HbGnh7

Недавно прошла конференция Analyze — и в этом году в каждом докладе прямо или косвенно упоминался язык R. Сегодня R стал универсальным средством автоматизации множества маркетинговых задач, R Studio установлена даже у тех специалистов, которые никогда не слышали о других языках программирования. По крайней мере в агентстве Netpeak. О применении R в маркетинге блог начал писать одним из первых в Рунете, и сегодня я решил собрать и структурировать этот материал. Впереди большие выходные — воспользуйтесь возможностью прокачать свои скиллы. https://goo.gl/002eJN

Привет! Хочу порекомендовать канал @webmagic и лично Женю Дуброву-Аликсюк, у которой сегодня, кстати, день рождение) Она собирает все самые интересные и свежие новости о инструментах платного трафика и о том, как правильно использовать Яндекс Директ и Google AdWords. Подписывайтесь!

Небольшой лайхак, если у вас тупит отладчик GTM (они там что-то обнавляют) и если используется кэширование, отладчик не работет. Чтобы каждый раз не чистить кэш, идем в консоль, включаем Disable cache

Как всегда, подробный материал от Netpeak, в этот раз про то как работать с Google Optimize https://goo.gl/bAWi1E

Рассказал MMR о дизайне для e-commerce. Как отличить «ехать» от «шашечек» при разработке или редизайне интернет-магазина или сайта, который продаёт. Что действительно повышает продажи. Читай и применяй на своих проектах http://lnk.al/4fyQ

Хочу посоветовать годную конференцию в Киеве, bigData, борьба с фродом и другие интересные темы https://goo.gl/rQyyDl

Алексей Колоколов собрал информацию о лучших авторах по визаулизации данных и сделал прикольную инфографику https://goo.gl/YsWxjr

По мотивам #analyze Павел Левчук написал статью о кластеризации и тому, как с этим работать https://goo.gl/McRxkn

И вишенка на торте, это трансляция конкурса Analytics Chalange на Analyze 2017 https://youtu.be/mAdqpj92abk

Да, совсем забыл про фидбек, буду очень признателен, если вы напишите, что можно улучшить, в личку @snegireff

Коллеги, на этом моя трансляция заканчивается. Это мой первый такой журналисткий опыт, и хочу узнать у вас, было ли вам полезно/интересно? anonymous poll Да, все было круто – 188 👍👍👍👍👍👍👍 82% Нет, такой формат не удобен – 30 👍 13% Нет, контент не понравился – 10 ▫️ 4% 👥 228 people voted so far.

Что будет нового в Яндекс-метрике: — новый вебвизор — планы в сторону user centric (customer journey)

#analyze Виктор Тарнавский о том, как BigData помогает в предсказании вероятности покупки Задачи: — больше узнать о пользователях — пути до покупки — эффективные каналы Попробовали кастомные модели атрибуции: — затухающая по времени с различными весами каналов — линейная на основе поведения пользователей (на основе поведенческих атрибутов) bit.ly/ch_webinar как результат: очень круто, но не понятно как использовать эти модели атрибуции Потом попробовали пересечение аудитории продуктов, но тоже не вышло, хотя и много полезных инвайтов А теперь, предсказания покупки: - Берем Scoring с разными группами поведения (хорошие, плохие) - Понимаем аудиторию - Оптимизация рекламы с использованием сегментов И берем machine learning для того, чтобы все это сделать: - важна чистота данных - потом строим модель - production process Инструменты: - logs api (raw data для всего периода, без ограничения) - clickhouse (СУБД для OLAP сценариев для аналитикических задач - open source, быстрая, sql) - алгоритм машинного обучения для построения классификатора Дальше собираем пользовательские характеристики пользователей и поведенческие и загоняем в модель, и должен получиться хороший результат, и модель сказала: — число дней с последнего визита — число дней с первого визита — доход — среднее время на сайт — средняя глубина и так далее Машинное обучение: — Логистическая регрессия — Random forest (деревья принятия решений) Обучаем модели: — метрика AUC ROC (определение насколько модель не врет) — hold-out (отложенная выборка, разбиваем на две части большую и меньшую, на одно обучаем, на второй проверяем) — кросс валидация (разбиваем выборку на разны блоки и оцениваем каждый блок) После всего этого, применяем модель на базе реальных покупок и получили хороший результат: — Выяснили, что 80% людей в принципе не готовы покупать. — А потом разбили на 4 группы в зависимости от вероятности покупок. — Потом грузим для каждого пользователя характеристику вероятности для каждого пользователя. А потом, делаем с этим что хотим: — ремаркетинг — adwords/директ/facebook — колл-центр — bid adjustments — эксперименты в целом, доход вырос в два раза, конверсия на 30% (круть!) в ремаркетинге и рся

#analyze Павел Лоба из OWOX о том, как использовать Analytics 360 — объединить данные не просто (нужно много кастомных решений чтобы все корректно считалось) что важно при объединении данных: — собирать данные в рил-тайм — экономично и эффективность — быстро и удобно объединить разные типы данных — безопасность и надежность Что можно собирать в BQ: — стримить из ГА — периодически стучаться в ГА и собрать уточненные данные и взаимодействие с формами (email …) — стримим из mailchimp — все посты в соц сетях (iFT, measurement protocol по факту поста) и упоминания в соц сетях (google alerts) — help desk — ERP (инфомрация о продуктах, ценах, вариантов…) — оплаты — customer relationship Как использовать: — автоматизация email marketing — alert в slack если что-то пошло не так — дашборды в датастудо А еще можно автоматизировать с помощью bigQuery data transfer service выгрузить исторические данные (180 дней) из adwords, youtube. doubleClick Кроме того, можем передавать произвольные данные (service rest api (the desk) - apps script + bq rest api) Разработка модели данных: Так как данные в разных форматах, нужно разработать модель, которая позволила стандартизировать данные во всех типов объектов Схема: объекты + атрибуты объектов со связями с другими объектами Кейсы: — можем оценить влияние усилий (звонки, письма, встречи) продавцов на продажи с визуализацией — определить как изменения ux влияют на поведения пользователей и достижения kpi (дашборды, которые мониторят изменения и ошибки) и также можно сегментировать нужные показатели для разных пользователей, типы подписок, регионы … — уведомления в slack + email + sms в зависимости от проблем на сайте (ошибки или изменения) — построить план продаж и скоорденировать маркетинговые усилия по каждому региону (увидеть узкие места) — собрать данные с турникетов при входе в bigQuery и оценивать кто и как ходит на работу в целом, bigQuery это круто, если используем вместе с R, то у нас есть возможность реально получать пользу от bigData