Noll
I den konkurrenskraftiga detaljhandeln, personalisering strategier har blivit bordets insatser. Men för ett varumärke för att verkligen få kontakt med en kund, det första måste man veta som kund. Data vetenskap och lärande är att göra det lättare för varumärken att få nyttig inblick i deras kunder baserat på deras beteende. Overstock.com på nästan 20 år gammal, har en djup brunn av data för att dra ifrån.
Chris Robison, Overstock.com s Direktör för Data och Publiken, pratade ZDNet om de olika insikter man kan få från sin kunddata — vad decennier gammal information om en kund kan berätta jämfört med de senaste uppdateringarna i sin kundvagn.
Här är några höjdpunkter av samtalet:
Två decennier värt av data
Overstock.com är marknadsföring ungefär fem-plus miljoner produkter på en global skala, Robison noteras.
“Den mycket unika med vårt företag som lockade mig som en data scientist, data entusiasten här, är bara det att nästan två decennier värt av rika data som vi kan faktiskt mina,” sade han. “Som sätter i oss i en mycket unik plats i e-handel branschen. Vad det innebär för mig som data scientist och en marknadsförare är för år och år av rich web log data.
“Vi kan faktiskt gå tillbaka och titta på några av våra tidiga kundprofiler och individer som kanske unga föräldrar i sin tur av-talet som nu börjar att handla som en första uppsättning av studentrum möbler för en spännande ny student. Att se människor genom de faktiska övergångar i livet har varit en riktigt otrolig uppsättning uppgifter och en otrolig möjlighet som en data scientist.”
Gamla data vs. ny data
Den långsiktiga data Överlager samlar in, Robison sagt, är användbar för CRM-syften.
“Vi kan faktiskt titta på dessa mönster som historiskt har varit shopping, som vi lockas, att vad gör det längre-tailed typ av kärnan i vår grupp av kunder ut?” sade han. “Där är de i termer av demografiska data för att vi skulle kunna få från folk-och bostadsräkningen, eller en annan tredje part plattform? Så det blir en slags vad jag skulle beskriva som ett 10 000 fot.”
Men när det kommer till att konvertera fönstershoppare till köpare, Robison sade några av de äldre data kan inte vara lika relevanta.
“Det sätt som kunderna interagerar med e-handel webbplatser har förändrats i grunden,” sade han. “Shopping Online, särskilt under de senaste fem till 10 år, säg, har blivit så inrotad i vårt dagliga liv att de mönster och signaler är verkligen brutalt skiljer sig från kanske de tidiga entusiaster om online shopping som kommer till vår webbplats ’99 eller 2000.”
De uppgifter som samlas in, Robison stressad, är från kunder som valt att delta i hosting Överlager av cookies i sin webbläsare, som är sammanställd med on-site information.
Marknadsföring mål: Spotting benägenhet att köpa
När Robison gick Överlager för ungefär två år sedan, hans team s första uppgift var att identifiera kundernas “benägenheten att köpa”, sade han.
“Idén med det är att vi ska kamma över denna web log data… och försöka utveckla funktionen mönster som hjälper oss att identifiera när en kund är, säger bara “fönster shopping” för att använda den typ av fysiska sikt, jämfört med när de faktiskt är redo att konvertera. Hur gör vi koda funktioner, inklusive klassiska tid-serien, leda lag-variabler, hela vägen upp till händelse interaktioner som visar oss när någon är redo att dra igång och göra ett köp.”
“Händelse interaktioner,” Robison förklarade, skulle kunna innebära någon åtgärd på platsen. “Varje gång du går och klicka på kanske en annan färg swatch för en soffa eller du tittar på den…varje gång du går in på webbplatsen. De skall enskilda händelser i vår webb-logg-data.”
Insikter från olika delar av data
“Vårt jobb som data-och sjukvårdspersonal är att ta den mycket olikartade uppgifter och rulla ihop till något meningsfullt i fråga om funktioner,” Robison sagt. “Några av de intressanta saker vi hittade var först ut, bekräftelse av naturliga antaganden. Människor tenderar att bläddra och fönster-shoppa mer ofta under dagen och kan vara mer benägna att konvertera på kvällen.
“Det finns också en hel del intressanta cross-enhet interaktion. Jag, för en, gör en hel del för att surfa på min mobiltelefon, men om jag gör ett stort inköp, säg, en soffa eller ett soffbord, jag är mer sannolikt att göra det hemma på min faktiska dator eller en surfplatta. Så olika interaktion punkter som visar oss är någon som verkligen laddar upp och redo att konvertera. En av de mer intressanta som vi hittade var människor tenderar att använda sina vagnar som en önskelista… Då individer kommer att gå och starta för att ta bort objekt från sin vagn i en monoton mode, som signalerar till oss att de verkligen är redo att konvertera, eftersom de försöker att möta den budget som de har satt för sig själva.”
Rörliga modeller till produktion med Databricks
Medan Robison uppgift var i marknadsföring, “Det finns liknande utmaningar i något av dessa program,” sade han, “och en av de största utmaningarna för alla i branschen är att sista kilometern av rörliga modeller som har snyggt slipade av data-och sjukvårdspersonal i en verklig produktionsmiljö.”
Robison team hade använt Apache Gnista, så det blev att Databricks för att lösa det problemet. Databricks bildades av några av grundarna av Apache Gnista, och de driva tillbaka de allra flesta av öppen källkod bidrag till Apache Spark-projektet. “Det var en naturlig plats för det verktyg vi använder och sedan tittar på en hanterad plattform, som skulle kunna hjälpa oss productionize och påskynda vår innovation använda verktyget,” Robison sagt.
Att hantera olika miljöer
“När jag kom till Överlager, en hel del av de uppgifter som forskarna var igång modeller och göra beräkningar på enskilda maskiner eller insidan av Jupyter Bärbara datorer, saker av detta slag,” Robison sagt. “Att kunna ta sedan ett litet urval datamängder som du är prototyper av en modell på och räkna ut hur att få som modell så det är i linje med marknadsföring, säga, att trycka särskilt anbud eller böjelser till en kanal, tenderar att vara mycket olika.
“Då är du interagerar med produktion databaser, produktion miljöer. Vi måste komma upp med automatiserade sätt att vi kan ETL data och få det rullade upp till det format som vi vill. Men det måste också finnas kontroller och balanser på toppen av dem.”
Behovet av data för validering av processer
“Om saker och ting är igång på ett automatiserat sätt, i synnerhet som dessa modeller röra sig mer mot real-tid, det finns en hel del möjligheter för processer att få ut av kontroll och köra snett,” Robison sagt. “Du behöver övervakning, du behöver kontroller och balanser. Det är alltid data validation-processer.
“Om det grundläggande beteendet hos våra kunder förändringar, kanske av en anledning på marknaden eller för att till exempel denna tid på året vi är på väg in i vår högsäsong med Svart fredag och sportlov. Det kommer att i grunden förändra fördelningen av någon av mina funktioner. Vi måste ha övervakning ställa upp för att så man, vi märker problemet innan det blir några riktiga problem, men då blir det en mer intressant fråga, ” Okej, har beteendet hos våra kunder som faktiskt har förändrat eller gjorde något uppehåll i min automatiska ETL-processen?’ Vi måste kunna svara på dessa frågor mycket snabbt.”
Relaterade Ämnen:
Digital Omvandling
Robotteknik
Sakernas Internet
Innovation
Affärssystem
CXO
0