2. Denys Arysmiatov
Head of Promotion Department
Volodymyr Rudyi
Head of Data Science
Department
We build leaders in the new development
segment.
Our experience:
1) We operate our own platforms: the #1
platform in Kazakhstan, (www.homsters.kz),
Turkey (www.projeland.com)
2) We work with portals worldwide providing
them a SaaS solution for the new
development segment. Currently present on 5
markets and growing.
We provide: platform + consulting + execution
ABOUT US
6. 6
Навіщо потрібна персоналізація?
Чим персоналізація краща, ніж
стандартна, однакова для всіх
видача, сформована у результаті
сортування за ціною,
популярністю чи за іншою
загальноприйнятою ознакою?
7. 7
Розуміючи переваги користувача, ми набагато швидше допоможемо йому здійснити покупку.
Ми зберігаємо час покупця, допомагаємо йому зробити найбільш оптимальний вибір.
67% 41% 80%
КИЇВ? ПОТРІБНА
ІПОТЕКА?
ЗАБУДОВНИК
X?
2-КІМ. КВ.?
34%
Навіщо потрібна персоналізація?
8. Рекомендації
на головній
Рекомендації
у пошуку
Рекомендації
в email
and much more….
Developers viewed
FB profile
Site visit frequency
Projects viewed
Devices used Leads to developers
Call length
Call success rate
Content read
Financial leads
Favourited floorplans
Site interactions
email open rate
У той час як інші "показують списки", ми використовуємо
дані кожного покупця ...
Our “Secret Sauce”: ... для створення дійсно
персоналізованих пропозицій
Рекомендації
в Google Ads
Рекомендації
при комунікації. Cross Sale
Рекомендації
на інших сайтах
9. 9
• Зростає % конверсії з відвідувачів у
продажі
• Зростає Average revenue per user (ARPU)
• Підвищується лояльність. Користувачі
частіше повертаються на сайт
• Поліпшується Lifetime Value (LTV)
2%
2.35%
2%
2%
2%
2%
2%
2%
2%
Standart Personal
CR
Навіщо потрібна персоналізація?
10. 1
0
Створення рекомендацій на основі ML. Основні етапи
Задача
Налаштування
збору даних
Створення / тюнінг
моделі.
Тестування
Продакшн
А/B-тест
Аналіз
результату
12. 1
2
Правильна постановка задачі
Перш ніж починати розробку,
важливо правильно сформувати
завдання. Що ми хочемо
отримати від рекомендаційної
системи?
• Зростання LTV?
• Зростання Conversion Rate у
продажу?
• Зростання Conversion Rate в
Email-subscribers?
За обраними показниками
оптимізуватиметься модель
рекомендаційної системи.
14. 1
4
Збір даних про поведінку користувача
• Заповнена форма у профілі
• Збір даних про поведінку на сайті
15. 1
5
Збір даних про поведінку користувача
Чому ми не можемо просто
використовувати те, що користувач
вказав у своєму профілі?
• Уподобання швидко змінюються
• Бюджет на покупку змінюється
• Користувач поки що не визначився
або вказує в профілі неповні дані
• Дані не оновлюються
Завдяки відстежуванню поведінки на
сайті, у нас завжди в наявності
найактуальніші дані.
16. Точка входу
На яку сторінку і звідки
прийшов відвідувач
Що бачить
Які пропозиції потрапили у
видиму область
Як користувач
використовував навігацію /
меню
Пристрій
З якого пристрою і з якої
локації прийшов користувач
Взаємодія
Як користувач взаємодіяв із
каталогом товарів
Навігація
І багато іншого…
Збір даних про поведінку користувача
18. Коли варто використовувати ML у рекомендаціях на сайті?
Мінімальні вимоги:
Скільки відвідувачів на місяць? > 50 000 відвідувачів
Скільки пропозицій на сайті? > 1
1
8
Machine Learning у рекомендаціях на сайті
Для проведення А/В вам необхідна досить велика вибірка.
Калькулятор - https://mindbox.ru/ab-test-calculator/
19. Big Data. Чому так важливо збирати
все про всіх?
(кліки, переходи між сторінками, що
бачив, що відкривав/закривав і т. д.).
Чим більша наша вибірка і чим
повніші наші дані, тим точніше ми
можемо прогнозувати результат і
тим більш релевантними будуть наші
результати.
1
9
Збір даних. Big Data
Як швидко користувачі знаходять те, що шукали:
20. 2
0
Як зібрати дані?
Дані з Google Analytics
Якщо сайт відносно невеликий (до 5-10 млн
сесій на місяць):
Отримання даних із Google Analytics API:
Для спрощення і прискорення реалізації
можна використовувати готові рішення,
наприклад:
• Renta
• OWOX BI Pipeline
21. 2
1
Як зібрати дані?
Дані з Google Analytics
Перевірка на
семплування
https://ga-dev-
tools.appspot.com/query-
explorer/
22. 2
2
Стримінг даних у базу
Для великого сайту (від 10 млн сесій на
місяць):
Стримінг - це збір сирих даних (raw data)
Для спрощення і прискорення реалізації
можна використовувати готові рішення,
наприклад:
• Renta
• OWOX BI Pipeline
АБО
Власна розробка ...
Як зібрати дані?
24. 2
4
Побудова рекомендацій на основі ML
Як це працює?
Юзер зайшов на сторінку сайту
• Чи знаємо ми щось про нього?
• Що ми йому показуємо?
• Як він на це реагує?
28. 2
8
Пошук. Кейси на сайтах Homsters
1. Які фільтри були застосовані?
2. Що користувач бачив і на якій
позиції?
3. Що із побаченого обрав?
Був застосований А/Б-тест
А) Версія за замовчуванням
Б) Персоналізована версія (ML)
CTR +17%
CR +9%
+150-200 лідів на місяць у відділи
продажів ЖК
Пошук/Каталог
29. 2
9
Personal Page
Коли користувач повертається на
сайт, всі пропозициї на «головній»
сторінці відображаються з
урахуванням поведінки юзера:
• останній пошук
• відвідувані ЖК
• обрані ЖК
• рекомендовані
Personal Page. Кейси на сайтах Homsters
А) Версія за замовчуванням
Б) Персоналізована версія (ML)
CTR +39%
CR +21%
+50-70 лідів на місяць у відділи продажів ЖК
30. 3
0
Чи достатньо у нас
інформації про
користувача?
Чи лояльний користувач
до попапу?
Чи можемо ми
запропонувати релевантні
продукти?
Не турбувати
Пошук. Кейси на сайтах Homsters
Banners (Pop-ups)
31. 3
1
Banners (Pop-ups)
Personal Page. Кейси на сайтах Homsters
А) Версія за замовчуванням
Б) Персоналізована версія (ML)
CTR +98%
CR +67%
+500-700 лідів на місяць у відділи продажів ЖК
32. Cross Sale. User Profile
User Profile + Cross Sale
Час на підбір рекомендації зменшився з 3 хвилин до 20 секунд
До 100 додаткових звернень у ЖК щоденно
34. 3
4
Denys Arysmiatov
Head of Promotion
Department
Volodymyr Rudiy
Head of Data
Science Department
arismiatov@homsters.com vladimir.rudiy@homsters.com