Презентация100 (1)

1.

Исследование
оптимизации конверсии
лендинговых сайтов с
использованием методов
машинного обучения
выполнил
студент гр. ДИНРм-21
Висоватов Д.С
1

Актуальность
По данным Федеральной службы государственной статистики (Рос-стат), в 2020 г. на онлайн-продажи пришлось
3,9% оборота розничной торговли в РФ против 2% в 2019-м. По итогам 2021 г. этот показатель достиг 5,1%. В 2022 г.
рынок Рунет, по данным РАЭК, вырос ещё на 29%.
Используя методы искусственного интеллекта можно увеличить конверсию, привлечь новых клиентов и
улучшить бизнес-показатели. Это в свою очередь способствует развитию цифровой экономики.
2

3.

Решаемая проблема
Российское аналитическое агентство DataInsight выявило, что средний уровень конверсии российских коммерческих
сайтов за 2016-18 год составляет около 0.5% когда в среднем по миру 1-2%.
По данным из статьи “Моделирование пути пользователя на сайте как инструмент повышения конверсии в электронной
коммерции” за 2019-22 год уровень конверсии увеличился еще на половину
Таким образом, на сегодняшний день именно оптимизации конверсии является наиболее проблемной зоной в сфере
продаж бизнеса.
3

4.

Предметная область
Цель работы
Заключается в проведении научного исследования
моделей ИИ для оптимизации конверсии
лендинговых сайтов
Научная новизна
В работе представлен системный анализ
исследований в области технологий машинного
обучения для оптимизации конверсии лендинговых
сайтов.
Объект исследования
Технологии машинного обучения как инструмент
оптимизации конверсии лендинговых сайтов.
Предмет исследования
Возможные решения в области оптимизации
конверсии лендинговых сайтов с использованием
технологии машинного обучения.
4

5.

Предметная область
Искусственный интеллект способствует повышению конверсии
через ряд ключевых механизмов:
Анализ поведения
пользователя на
сайте
Классификации
пользователей на
группы
Прогнозирование
выполнения
пользователем целей,
поставленных бизнесом
5

6.

Анализ конкурентов
После проведения A/B тестированиям сайта YaC/M прирост конверсии
увеличился в 44.9%. Использовалась модель логистической регрессии.
Согласно исследованию Boston Consulting Group, компании, которые интегрируют ИИ в
свои маркетинговые стратегии, видят увеличение коэффициента конверсии на 61%.
Использовалась модель k-means.
Jemsu разработали алгоритмы увеличивающие конверсию на 38%. Использовалась
модель k-means.
Исследования Euel Fantaye показали существенный прирост конверсии в 4%.
Использовалась модель линейной регрессии.
Sunshine объединила CRO на основе искусственного интеллекта с A/B-тестированием, что
принесло доход в 14 миллионов фунтов стерлингов. Использовалась модель “Дерево
принятия решений”.
6

7.

Лендинг
Отправка данных
пользователя на
сервер
Модель
Лендинг
Модель
Выбор лендинга
Выбор лендинга
AS IS / TO BE
Запись данных
пользователя в
хранилище
Предобработка
данных
Отправка данных
пользователя на
сервер
Запись данных
пользователя в
хранилище
Предобработка
данных
Данные
пользователя
Предсказание
группы
пользователя
Данные
пользователя
Выбор
оптимальной
Модели
предсказания
Предсказание
группы
пользователя
7

8.

Предметная область
Исследование моделей машинного обучения:
Модели машинного
обучения
Линейная регрессия
Метод k-средних
Логистическая
регрессия
Дерево принятия
решений
8

9.

Формализация задачи
Сбор данных
Входные данные
Данные которые можно собрать:
• Название региона
• Предполагаемое благосостояние (Индекс развития города)
• Время
• Погода
• Название браузера
• Название ОС
• Язык браузера
Данные извне:
• Пол
• Возраст
Выходные данные
Вероятность успешного выполнения конверсии пользователем
9

10.

Тестирование функции обучения
С увеличением числа эпох, значение функции потерь стремится к
нулю.
10

11.

Аппарат оценки качества моделей
MSE – Среднеквадратичная ошибка (Mean Squared Error) применяется в
случаях, когда требуется подчеркнуть большие ошибки и выбрать
модель, которая дает меньше именно больших ошибок.
MSE рассчитывается по формуле:
Недостатком использования MSE является то, что если на одном или
нескольких неудачных примерах, возможно, содержащих аномальные
значения будет допущена значительная ошибка, то возведение в квадрат
приведёт к ложному выводу, что вся модель работает плохо. С другой
стороны, если модель даст небольшие ошибки на большом
числе примеров, то может возникнуть обратный эффект — недооценка
слабости модели.
11

12.

RMSE
Корень из среднеквадратичной ошибки (Root Mean Squared
Error) вычисляется просто как квадратный корень из MSE:
Cравнение моделей с помощью RMSE даст такой же результат, что и
для MSE. Однако с MSE работать несколько проще, поэтому она более
популярна у аналитиков.
Влияние каждой ошибки на RMSE пропорционально величине
квадрата ошибки. Поэтому большие ошибки оказывают непропорционально
большое влияние на RMSE. Следовательно, RMSE можно считать
чувствительной к аномальным значениям.
12

13.

MSPE
Среднеквадратичная ошибка в процентах (Mean Squared Percentage
Error) представляет собой относительную ошибку, где разность между
наблюдаемым и фактическим значениями делится на наблюдаемое
значение и выражается в процентах:
Проблемой при использовании MSPE является то, что, если
наблюдаемое значение выходной переменной равно 0, значение ошибки
становится неопределённым.
MSPE можно рассматривать как взвешенную версию MSE, где вес
обратно пропорционален квадрату наблюдаемого значения. Таким
образом, при возрастании наблюдаемых значений ошибка имеет
тенденцию уменьшаться.
13

14.

Спасибо за внимание!
14

15.

Список источников
1.
Создание эффективного ленгдинга[Электронный ресурс]. – URL:https://sendpulse.com/ru/support/glossary/landing-page
2.
Средняя конверсия интернет-магазинов в разных нишах [Электронный ресурс]. – URL:https://o2k.ru/blog/srednyaya-konversiya
3.
А. В. Назарова Моделирование пути пользователя на сайте как инструмент повышения конверсии в электронной коммерции [Электронный ресурс]. –
URL:https://elibrary.ru/download/elibrary_34931177_91330087.pdf
4.
КОМПЛЕКСНОЕ ПРОДВИЖЕНИЕ САЙТА В ИНТЕРНЕТЕ [Электронный ресурс]. – URL: https://elibrary.ru/download/elibrary_20742754_27656075.pdf
5.
Низкая конверсия сайта: выявляем и исправляем допущенные ошибки[Электронный ресурс]. – URL: https://serptop.ru/blog/nizkaya-konversiya-sajta-vyyavlyaem-iispravlyaem-dopushchennye-oshibki/
6.
Как превратить посетителя в покупателя [Электронный ресурс]. – URL: https://allwrite.by/blog/73-konversiya-idealnoe-prevrashhenie-posetitelya-vpokupatelya/#:~:text=%D0%A1%D1%80%D0%B5%D0%B4%D0%BD%D0%B8%D0%B9%20%D0%BF%D0%BE%D0%BA%D0%B0%D0%B7%D0%B0%D1%82%D0
%B5%D0%BB%D1%8C%20%D0%BA%D0%BE%D0%BD%D0%B2%D0%B5%D1%80%D1%81%D0%B8%D0%B8,%D0%BB%D0%B8%D0%B1%D0%BE%20%D0%
B4%D0%B5%D0%B9%D1%81%D1%82%D0%B2%D0%B8%D0%B5%2030%2D40%20%D1%87%D0%B5%D0%BB%D0%BE%D0%B2%D0%B5%D0%BA.
7.
Средняя конверсия интернет-магазинов в разных нишах[Электронный ресурс]. – URL: https://o2k.ru/blog/srednyaya-konversiya
8.
12 Ecommerce Conversion Rate Statistics (Updated January 2021) [Электронный ресурс]. – URL:https://www.growcode.com/blog/ecommerce-conversion-rate/
9.
Анализ Google trends [Электронный ресурс]. – URL: https://trends.google.ru/trends/explore?q= %D1%83%D0%B2%D0%B5%D0%BB%D0%B8
%D1%87%D0%B5%D0%BD%D0%B8%D0%B5%20%D0%BA%D0%BE%D0%BD%D0%B2%D0%B5%D1%80%D1%81%D0%B8%D0%B8&date=now%201d&geo=RU&hl=ru
10.
ПОВЫШЕНИЕ КОНВЕРСИИ ВЕБ-САЙТОВ КАК СПОСОБ СНИЖЕНИЯ РЕКЛАМНЫХ РАСХОДОВ АГЕНТСТВ НЕДВИЖИМОСТИ [Электронный ресурс]. –
URL: https://elibrary.ru/download/elibrary_20419696_18818948.pdf
11.
Индустрия программного обеспечения в России 20-е ежегодное исследование от 2023 года [Электронный ресурс]. – URL:https://russoft.org/wpcontent/uploads/2023/10/research_20.pdf?b24form_user=2.13338-1711622623-9a084fdc7f8a67dc6344b3538062ff4b6ffec1b320e03453d2acf3d5b4a29f5f
12.
Министерство цифрового развития, связи и массовых коммуникаций Российской Федерации [Электронный ресурс]. –
URL:https://digital.gov.ru/ru/activity/directions/858/
13.
Факторы влияющие на конверсию[Электронный ресурс]. – URL:https://vc.ru/marketing/551530-kakaya-konversiya-sayta-schitaetsya-horoshey
15

16.

Список источников
14.
проведения A/B тестированиям сайта YaC/M [Электронный ресурс]. – URL:https://events.yandex.ru/events/yac/m?openTalkVideo=193-9
15.
исследования Boston Consulting Group [Электронный ресурс]. – URL:https://www.bcg.com/capabilities/artificial-intelligence
16.
Jemsu разработали алгоритмы увеличивающие конверсию [Электронный ресурс]. – URL:https://jemsu.com/how-can-ai-have-an-impact-in-optimizingcontent-for-niche-seo-by-2024/#Section1
17.
Исследования Euel Fantaye показали существенный прирост конверсии в 4% [Электронный ресурс]. – URL: A/B testing with Machine Learning | by Euel
Fantaye | Medium
18.
Sunshine объединила CRO на основе искусственного интеллекта [Электронный ресурс]. – URL: https://landingi.com/blog/conversion-rate-optimizationwith-ai/).
19.
Повышение конверсии веб-сайтов как способ снижения рекламных расходов агентств недвижимости [Электронный ресурс]. – URL:
https://elibrary.ru/download/elibrary_20419696_87697732.pdf
20.
Большой гайд по A/B-тестированию[Электронный ресурс]. – URL: https://habr.com/ru/companies/boodet_online/articles/498688/
21.
https://www.kommersant.ru/doc/5534707
22.
МЕТОДЫ НАУЧНЫХ ИССЛЕДОВАНИЙ[Книга]. – https://kstu.kg/fileadmin/user_upload/lecture2_computer_technologies_science_japarov_m.t..pdf
23.
Основные принципы, этапы и методы системного анализа[Книга] - https://monographies.ru/en/book/section?id=15753
16

17.

Формализация задачи
1 шаг: Предобработка данных
Категориальные: Название региона, Погода, Название браузера, Название ОС, Язык браузера
Непрерывные: Пол, Возраст, Индекс развития города, Время
Названи
е
браузер
а
Google
Crome
Yandex
Safari
Возраст
Возраст
1
0
0
52
1
”Google
Chrome”
0
1
0
23
0.24
“Yandex”
0
1
0
40
0.68
“Yandex”
0
0
1
14
0
“Safari”
One Hot Encoding
Min-max Scaler

English Русский Правила