Как стать автором
Обновить
2

Веб-аналитика *

Измерение, сбор, анализ и представление информации

Сначала показывать
Порог рейтинга
Уровень сложности

KD+SM Uplift Modeling. Часть 2. T-Learner. Субпопуляции и Дивергенции

Уровень сложности Средний
Время на прочтение 12 мин
Количество просмотров 300

В предыдущей (вводной) статье мы дали определения и математическое описание базовым понятиям связанным с Uplift моделированием. Рассмотрели принцип работы популярных Uplift моделей и их недостатки, а так же установили, как мы рассчитываем итоговый инкремент \tau, дали определения контрольной Cи тестовой T группам. А так же условились, что же такое воздействиеf на пользователя u_{i}.

Среди проблем с которыми сталкиваются современные Uplif модели, пожалуй, самая серьезная - counterfactual sample pairs problem, рассмотренная так же в предыдущей статье.

Данная статься посвящена как раз нивелированию данной проблемы. Так как мы используем архитектуру KDSM Uplift modeling, то первые две буквы аббревиатуры (KD - Knowledge Distillation) представляют собой название модели, задача которой является создание подмножеств генерального множества, таким образом чтобы минимизировать или же по крайней мери свести к минимуму влияния counterfactual sample pairs problem на результат и точность итоговой модели. Само по себе слово Distillation намекает, что мы будем стремиться стратифицировать множество таким образом, чтобы можно было найти “похожих” друг на друга пользователей u_{i} и u_{j}из C (W=0) и T (W=1) соответственно, объединить их в одно подмножество, чтобы в дальнейшем можно было сделать допущение, что u_{i}и u_{j}представляют из себя уже единого синтетического пользователя u_{k}. Где пользователь u_{i} вместе с его параметрами X_{i}, Y_{i} выполняет роль пользователяu_{k}, с которым мы не взаимодействовали W=0, а пользователь u_{j} вместе с его параметрами X_{j}, Y_{j} выполняет роль пользователя u_{k}, с которым мы провзаимодействовали W=1.

Читать далее
Всего голосов 3: ↑3 и ↓0 +3
Комментарии 0

Новости

Кейс: разметка приложения с нуля на конкретном примере

Время на прочтение 14 мин
Количество просмотров 798

Привет! На связи Сергей Матросов и команда X5 Tech, ответственная за аналитику в “Пятёрочке”. Хотим поделиться с вами тем, как мы внедрили трекер AppMetrica от Яндекса и сделали с помощью него разметку для приложения “Пятёрочки”. Почему мы остановились именно на этом фреймворке, какую мы выбрали архитектуру разметки, как писали правила и словари, а также разберём процесс разметки на живом примере разметки экрана приложения. Очень надеемся, что эта статья поможет вам сэкономить много времени, если перед вами будет стоять аналогичная задача.

Читать далее
Всего голосов 1: ↑1 и ↓0 +1
Комментарии 1

ActivityPub в Awakari

Уровень сложности Средний
Время на прочтение 2 мин
Количество просмотров 551

Сегодня всё больше и больше сервисов объявляют о своей поддержке ActivityPub, в том числе даже такие, как Tumblr или Threads. И это ожидаемо, так как ActivityPub позволяет сохранять контроль над собственными данными, в отличие от закрытых сервисов Meta. Кроме того, это позволяет обмениваться данными более независимо (Fediverse). Применение ActivityPub не ограничивается социальными сетями и блогами. Есть сервисы для хостинга изображений, видео, музыки и многое другое.

Если рассматривать все эти активности как события, то это позволит сервису Awakari открыть целое новое измерение в Fediverse. Используя Awakari можно отслеживать интересные события из неограниченного множества источников.

Читать далее
Рейтинг 0
Комментарии 9

KD+SM Uplift Modeling. Вошли и вышли, приключение на 20 минут

Уровень сложности Средний
Время на прочтение 6 мин
Количество просмотров 475

В современном интернет-маркетинге уделено довольно мало внимания Uplift моделированию. Cам Uplift не страдает от недостатка внимания со стороны маркетинга, а вот его корректный расчет - да. Как правило, Uplift моделирование представляет собой набор неких эвристик, незамысловатой статистики и различных бизнес-инструментов. В лучшем случае, это относительно современные и простые ML-модели, которые совершают расчеты с большим количество допущений, что влечет за собой некорректные и нестабильные результаты.

Такие решения, как правило объясняются желанием со стороны бизнес‑заказчика или же отдела аналитики сделать продукт «быстро и сердито», без долгого и тяжелого вовлечения во все нюансы и подводные камни Uplift моделирования. Задача действительно непростая, пользователи видят десятки рекламных баннеров, успевают повидать по несколько вариаций дизайна страниц сайта, при всем этом получая электронные письма, либо пуши с предложением скидки на продукцию. Конечно же, при такой «бомбардировке» пользователя довольно трудно понять на частном уровне, какая кампания лучше поспособствовала формированию желания что‑то у Вас купить.

Это цикл статей, посвященный KD+SM Uplift моделированию (Knowledge Distillation and Sample Matching) — относительно новой архитектуре Uplift моделирования, использующей весь современный арсенал ML и DL решений на текущий день. Можно сказать, что KD+SM это даже целый pipeline решений, который состоит из препроцессинга данных, нескольких ML моделей, и нейронных сетей. Модели «общаются» друг с другом, на каждом из этапов обогащают данные новыми синтетическими знаниями и передают уже модифицированные данные дальше по pipeline. Именно поэтому мы уложим всю работу в несколько статей, начиная с вводной статьи и заканчивая прикладным применением KD+SM Uplift на реальных данных.

Читать далее
Всего голосов 4: ↑4 и ↓0 +4
Комментарии 0

Истории

Как улучшить юзабилити сайта для увеличения конверсии

Уровень сложности Простой
Время на прочтение 5 мин
Количество просмотров 1.3K

Увеличение конверсии на вашем веб-сайте -- это ключевая задача для успешного онлайн-бизнеса. Вы можете иметь потрясающий продукт или интересное предложение, но если ваш сайт не привлекает и не убеждает посетителей совершить необходимые действия, то потенциальный доход останется недоступным. В этой статье мы рассмотрим, как улучшить юзабилити вашего сайта с целью повышения конверсии.

Узнайте как увеличить эффективность сайта!
Всего голосов 7: ↑5 и ↓2 +3
Комментарии 3

После RSS

Уровень сложности Средний
Время на прочтение 4 мин
Количество просмотров 2.1K

В свободное время я занимаюсь разработкой сервиса "Awakari", идея которого - фильтрация интересных событий из неограниченного числа различных источников. В этой статье я расскажу о способах извлечения публично доступной информации в интернете за пределами RSS-лент и телеграм-каналов.

Читать далее
Всего голосов 12: ↑12 и ↓0 +12
Комментарии 4

Собирать данные VS интерпретировать их: типичные ошибки в e-commerce аналитике

Уровень сложности Простой
Время на прочтение 6 мин
Количество просмотров 1.8K

Каждый день мы собираем больше 200 ГБ данных о клиентах Lamoda, которые листают сайт и делают заказы. Но красивые цифры про наше хранилище — это одно, а правильные выводы из данных — совсем другое.

Меня зовут Александр Айваз, я руковожу командой Data & Analytics в Lamoda Tech. И сегодня расскажу об ошибках в аналитике, которые легко совершить, глядя на данные в ретейле и e-commerce. Уверен, кому-то статья поможет иначе взглянуть на собственный продукт — или даст представление о том, с какими вопросами работают продуктовые аналитики.

Конечно, многие из этих ошибок когда-либо совершали и мы сами. В статье я постараюсь не углубляться в цифры, а расскажу о причинах на собственном примере. 

Читать далее
Всего голосов 20: ↑19 и ↓1 +18
Комментарии 2

Как продавать мебель в VK: аукцион второй цены, каскадный ретаргетинг и фиды – новые точки роста продаж для E-commerce

Уровень сложности Простой
Время на прочтение 8 мин
Количество просмотров 1.1K

Кейс по тартетиронанной рекламе для собственников бизнеса, руководителей по маркетингу и интернет-маркетологов. 

С помощью таргетированной рекламы прогрели и привели в интернет-магазин мебели  качественную аудиторию, которая покупает. За счет ретаргетинга и микроконверсий увеличили продажи в 3 раза. Использовали новые возможности VK Реклама и нашли клиентов по широким запросам. Снизили ДРР до 30% и удержали при масштабировании. 

Читать кейс
Всего голосов 12: ↑8 и ↓4 +4
Комментарии 13

Лучшие лайфхаки автостратегий в Я.Директе по итогам 2023: 10 бизнес-кейсов в формате «проблема — решение — результат»

Уровень сложности Простой
Время на прочтение 9 мин
Количество просмотров 2.5K

Как решать проблемы в рекламе, когда лидов мало, заявки дорогие, бюджет сливается и доля рекламных расходов растет?  Умение работать с автоcтратегиями Яндекса -  главный тренд в рекламе 2024 г.  

ИИ захватывает все больше власти в рекламе и оставляет все меньше рычагов управления для человека. Поэтому так важно уметь правильно пользоваться теми возможностями, которые у нас есть. 

Когда автостратегии только появились, все было просто: добавляешь конверсию, выставляешь за нее оплату и все работает. Но теперь применение автостратегий стало массовым и работать с этим типом настроек стало гораздо сложнее. 

Автоматизированные кампании нужно обучать, скармливать им много данных. Бывают противоречивые ситуации, когда конверсий мало, и если поставить оплату за конверсию, то РК не обучатся и трафик сойдет на нет. А если убрать оплату за конверсии – сольется рекламный бюджет, можно остаться совсем без конверсий. 

Еще в 2023 г. стала актуальной проблема фродовых заявок. Можно сказать, они превратились в ахиллесову пяту автостратегий. Многие рекламодатели уже слили свои бюджеты, заплатив за фейковые заявки. 

Мы постоянно придумываем новые методологии и лайфхаки в работе с автостартегиями Яндекса. Для этой статьи отобрали самые эффективные и актуальные для 2024 г.  Рассказываем в кейсах, как обучать автоматику, экспериментировать с микроконверсиями, бороться с фейковыми заявками и воспитывать самые умные кампании Яндекса. Формат: «проблема-решение-результат».  

Читать далее
Всего голосов 6: ↑5 и ↓1 +4
Комментарии 10

Как загрузить сезонный бизнес заказами и продавать воздушные шары круглый год, а не только по праздникам

Уровень сложности Простой
Время на прочтение 6 мин
Количество просмотров 1.1K

Кейс по контекстной рекламе для собственников бизнеса, руководителей по маркетингу и интернет-маркетологов. 

Делимся методикой оптимизации рекламы для высокосезонных тематик, которая может подойти для разных видов бизнеса.

Есть три вида сезонности - от жесткой до умеренной. Расскажем про бизнес, который подвержен самой тяжелой форме - жесткой, да еще и с зависимостью от календарных событий. 

Интернет-магазин воздушных шаров работал в убыток, загрузка по заказам была 33%, ДРР — 55%. Проблема сезонности не решалась. Стояла задача: выйти на окупаемость и на 50% загрузить магазин воздушных шаров заказами.

Разработали стратегию сезонности — методику оптимизации рекламы для высокосезонных тематик. Это пошаговые запуски  рекламных кампаний, в зависимости от поведения потребителей. Снизили ДРР до 33%, загрузили магазин заказами на 50-100%. 

А потом случилось непредвиденное - 14 февраля вместо воздушных шаров посыпались заказы на цветы. Доработали фид Товарной кампании — восстановили работу алгоритмов и выполнили план по заказам

Читать далее
Всего голосов 6: ↑4 и ↓2 +2
Комментарии 4

Внедрение процесса тестирования Google Tag Manager: увлекательная история Даши-путешественницы

Уровень сложности Средний
Время на прочтение 7 мин
Количество просмотров 1.9K

Март принес с собой проблему: у некоторых клиентов начали подвисать страницы, на которых монолитный js был разделен на чанки. На таких страницах в основном бандле содержится минимум для отрисовки первого экрана, а остальные чанки мы загружаем отложено. Однако из-за неправильной приоритизации скриптов пользователи лишились некоторых функций нашего сайта. Поток жалоб множился, саппорт разрывался, маркетинг страдал больше обычного.

А сейчас немного остановимся и познакомимся: меня зовут Даша, я инженер по тестированию на платформе web в Иви. И я расскажу вам, как мы внедряли тестирование GTM в пайплайн разработки команды.

Читать далее
Всего голосов 15: ↑12 и ↓3 +9
Комментарии 6

Awakari: от чат-бота к PWA

Уровень сложности Простой
Время на прочтение 3 мин
Количество просмотров 1.1K

Пару месяцев назад в публичном доступе появился телеграм-бот Awakari. Он позволял управлять подписками и источниками, получать и отправлять сообщения в систему. После успешной интеграции с Telegram естественным образом возник вопрос - почему бы не интегрировать Awakari также с WhatsApp, WeChat и так далее? Однако дублировать одни и те же функции интерфейса в разных чат-ботах желания не нашлось. В итоге, было решено остановиться на web UI для функций управления подписками и источниками. Мессенджеры должны эксплуатироваться по своему прямому назначению - для отправки и доставки сообщений. В этой статье я расскажу о том, что из этого вышло.

Читать далее
Всего голосов 3: ↑3 и ↓0 +3
Комментарии 0

Идентификация пользователей в Web 3.0

Уровень сложности Простой
Время на прочтение 5 мин
Количество просмотров 6.3K

В данной статье я публикую свои размышления по поводу идентификации пользователей в плавно привходящей третьей версии веба - Web 3.0. Если коротко, то, в отличие от стремящегося к гипер-централизации Web 2.0 (в пределе - по одному веб-приложению разного типа на всё человечество с центром у какой-нибудь глобальной корпорации), Web 3.0 отличается как раз таки децентрализацией и повышенным вниманием к конфиденциальности пользовательских данных (хотя ничего не мешает тем же глобальным корпорациям контролировать функциональность этих децентрализованных приложений на уровне кода приложения или среды его выполнения - браузера или ОС).

Так какие же требования к идентификации могут предъявлять веб-приложения современного настоящего и ближайшего будущего?

Читать далее
Всего голосов 3: ↑2 и ↓1 +1
Комментарии 28

Ближайшие события

Московский туристический хакатон
Дата 23 марта – 7 апреля
Место
Москва Онлайн

Как продавать, если нет УТП? Используем биддер вместо автостратегий Директа и продаем школьную мебель на 30 млн./м

Уровень сложности Простой
Время на прочтение 8 мин
Количество просмотров 954

Кейс для собственников бизнеса, руководителей по маркетингу и интернет-маркетологов.

Реклама школьной мебели работала в минус – доля рекламных расходов доходила до 71%.  В предложении клиента не было уникальности. Вся мебель строго стандартизирована по ГОСТу, не отличается дизайном, материалами и другими преимуществами. У всех одни и те же цены, условия и сроки доставки. Как выделиться без УТП? 

Единственное верное решение в такой ситуации – опережать конкурентов в первом контакте с покупателем. Если мебель у всех одинаковая, то ее купят у самого первого продавца.

 Чтобы опередить всех в борьбе за покупателя, идеально подходит биддер – внешний сервис автоматического управления ставками в Я.Директе – К50. Он выигрывает все аукционы и уводит покупателей из под носа конкурентов, которые используют неповоротливый ИИ самого Яндекса – Мастер Кампаний и другие умные кампании и автостратегии.

Запустили биддер и увеличили заказы в 5 раз, а ДРР снизили с 71% до 5%. “Умный” Мастер Кампаний ожидаемо проиграл незатейливому вручную настраиваемому биддеру. Подойдет ли такая стратегия вам? Читайте в кейсе.

Читать кейс
Всего голосов 7: ↑4 и ↓3 +1
Комментарии 0

Как на этапе котлована продать в 9 раз больше квартир, когда застройщик неизвестен, ЖК на окраине, а сайт не конвертит

Уровень сложности Простой
Время на прочтение 7 мин
Количество просмотров 1.2K

Привет! Кейс для собственников бизнеса, руководителей по маркетингу и интернет-маркетологов.

В этом кейсе застройщика ЖК расскажем как маркетинговый подход к контекстной рекламе позволяет выжать из небольшого регионального рынка максимум лидов. Даже при всех сложностях проекта. 

Никто не хотел покупать квартиры на этапе котлована, у неизвестного застройщика и на окраине города. Настроили коллтрекинг, послушали покупателей и поняли, что проблема в доверии и локации. 

Превратили неудачную локацию в преимущество. Правильно описали все особенности проекта. Доверия добились при помощи фактов: отчеты со стройки, новости. Подстегнули решимость покупателей маркетинговыми акциями и ипотечными программами. 

Сделали эффективный квиз и после всех корректировок увеличили конверсию сайта в 2,5 раза. 3 месяца экспериментировали с автоматическим Мастером кампаний и увеличили обращения в 4 раза. Масштабировались с полу-ручным Мастером кампаний и за полгода увеличили лиды в 9 раз

Читать кейс
Всего голосов 13: ↑4 и ↓9 -5
Комментарии 21

Как привлечь из Я.Директа 2700 лидов на строительство заборов по 1500 руб., если цена клика 500+

Уровень сложности Простой
Время на прочтение 6 мин
Количество просмотров 1.6K

Кейс для маркетологов, собственников бизнеса и специалистов по контекстной рекламе.

Как добывать клиентов из контекстной рекламы в перегретой тематике, где стоимость клика 500 рублей, а ваша экономика требует лиды не дороже 1500? Расскажем, как привлекать заявки в таком кровавом океане, не завышая ставки до небес.

У компании по строительству заборов половина бригад простаивала без работы. Реклама в лоб по дорогим “заборным” ключам сливала бюджет. Автостратегии в директе успеха не имели. 

Пришлось использовать давно устаревшие практики работы с контекстной рекламой – лить дешевый трафик из РСЯ и платить за клики. На удивление, это сработало. В кейсе разбираем, почему такая «сливная» стратегия имела успех, и в каких еще тематиках ее можно применить. 

Читать кейс
Всего голосов 15: ↑8 и ↓7 +1
Комментарии 10

Увеличили в 3 раза оптовые продажи подшипников: убрали с сайта корзину, оптимизировались по e-mail и 8 микроконверсиям

Уровень сложности Простой
Время на прочтение 7 мин
Количество просмотров 2K

Снизили стоимость привлечения оптовых заказов вдвое, убрав с сайта корзину. Нашли в рекламе идеальное сочетание из 8 микроконверсий и масштабировали оптовые продажи подшипников в 3 раза. Запустили товарные кампании с оптимизацией по email и привлекли 100+ заявок от крупных заказчиков.  

Этот кейс посвящен сложной нише — оптовым продажам подшипников. Будет полезен собственникам, руководителям по маркетингу и интернет-маркетологам.

В рекламе для оптовиков, всегда встает вопрос: как привлекать только В2В аудиторию и исключать розничных покупателей? Оптовые и розничные пользователи используют в поисковиках одни и те же ключевые запросы. И только немногие прибавляют к ним слова, типа: «оптом», «опт», «поставщик» или «купить оптом». Частотность таких запросов крайне мала, поэтому сегментации семантики не достаточно для отсеивания розничных покупателей. Нужно обучать алгоритмы Яндекс Директа приводить целевую аудиторию при помощи детально настроенной аналитики. 

Читать кейс о компании «Беринг сток»
Всего голосов 11: ↑3 и ↓8 -5
Комментарии 8

Вы делаете аналитику неправильно — 5 конкретных примеров

Уровень сложности Средний
Время на прочтение 4 мин
Количество просмотров 7.3K

Сегодня хочу рассказать вам про ошибку «поверхностных» выводов - последнее время я ее встречаю и у аналитиков, и у предпринимателей, и вообще у всех. В статье приведены 5 конкретных примеров, которые показывают, как неправильная аналитика приводит к миллионным убыткам - на примере CR, LTV и других метрик.

Обязательно прочитайте статью и проверьте - не совершаете ли вы эти ошибки!

Читать далее
Всего голосов 9: ↑4 и ↓5 -1
Комментарии 5

Орел или решка: что приносит больше продаж в недвижимости лендинг с лидами по 400 р. или сайт с лидами по 4000 р.?

Уровень сложности Простой
Время на прочтение 7 мин
Количество просмотров 2.3K

5 лет продвигали сайт «Своя земля» – снизили стоимость лида с 18К до 4К и нарастили объем в 18 раз. Потом пришел конкурент, сделал лендинг и за месяц снизил цену лида в 10 раз. А когда сравнили результаты через 4 месяца то увидели: с лендинга на 30% больше лидов, но в 15 раз меньше продаж. Расскажем, почему дешевые лиды с лендинга оказались не эффективны.

В сфере контекстной рекламы один из самых популярных вопросов — что лучше: лендинг или сайт?  Для каких видов бизнеса лендинг будет эффективнее сайта? А когда вести рекламу на сайт оказывается выгоднее? Отвечаем на этот вопрос примером из загородной недвижимости. 

Наш клиент — девелоперская компания «Своя земля» — за 15 лет продала в Подмосковье 18 000 участков без подряда и коммуникаций. Сейчас в работе находятся 16 поселков от дачных до ИЖС. 

В 2018 г. клиент пришел к нам с проблемой: очень дорогие лиды, доходящие до 18 740 р., и отсутствие продаж с контекстной рекламы за последние несколько месяцев. Поставил нам задачи: наращивать лиды, понизить и удерживать их стоимость.

Читать кейс
Всего голосов 12: ↑6 и ↓6 0
Комментарии 8

Что такое метрика ага-момента и как ее найти

Уровень сложности Простой
Время на прочтение 5 мин
Количество просмотров 3.3K

Всем привет! Меня зовут Сережа Казарян из команды CX-аналитики AI-центра Тинькофф. Мы используем ML-инструменты, чтобы кластеризовывать обращения клиентов, анализировать нотификации и ошибки, с которыми сталкиваются пользователи. Мы переводим их в понятные actionable-инсайты для бизнеса. Каждый день работаем над тем, чтобы клиенту стало приятнее и лучше.

Но как же измерить, что клиенту стало лучше? Один из очевидных ответов — замерить retention клиента. Но есть нюанс: созревание этой метрики может достигать нескольких месяцев или даже лет. Менее очевидный вариант — замерять лояльность клиента. Но определить, кто такой лояльный клиент, и научиться различать степень его лояльности — отдельная наука, которая может занять много времени и требовать итеративной поддержки.

Помогает концепция ага-момента. В интернете мало статей на эту тему, а еще меньше — с графиками и подсказками по практической реализации. Поэтому поделюсь своим пониманием этой концепции и расскажу, как мы находили метрику ага-момента в Тинькофф. Это был командный проект, и спасибо моим классным коллегам, что у нас все получилось. Ну а теперь — поехали!

Читать далее
Всего голосов 11: ↑10 и ↓1 +9
Комментарии 10

Вклад авторов