USD 0.93 btc 28522.91
facebook
twitter
instagram
linkedin
Žurnāls
Abonē žurnālu
Piesakies iknedēļas jaunumiem

Pierakstieties uz svarīgākajiem biznesa un tehnoloģiju materiāliem Latvijā

USD 0.93 btc 28522.91
Viedokļi 29. Decembris 2021

Kā matemātika palīdz e-komercijā

Olga Grigorenko

Pranamat Eco līdzīpašniece

Jaunajā globālajā ekonomikā e-komercija ir kļuvusi par būtisku uzņēmējdarbības stratēģijas sastāvdaļu un ekonomikas attīstības katalizatoru.

Tā palīdz uzņēmumiem samazināt izdevumus, kas saistīti ar telpu īri un personāla nodarbināšanu fiziskā veikalā, un līdz ar to ievērojami paātrinās jaunuzņēmuma ienākšana tirgū. Bet pats būtiskākais ir tas, ka e-komercija palīdz uzņēmumiem iziet globālajā tirgū, sasniedzot pircējus visattālākajās valstīs.

Latvijas uzņēmumiem ir īpaši svarīgi izmantot e-komercijas rīkus, lai apgūtu eksporta tirgus, jo vietējais tirgus ir diezgan kompakts. Katru gadu mazumtirdzniecības e-komercijas pārdošana visā pasaulē aug, 2020. gadā sasniedzot 4,280 triljonus dolāru. Tikai vienā dienā (11.11.2021.) Alibaba sasniedza rekordu pārdošanas apjomā – 84,5 miljardus dolāru. Vadošās valstis mazumtirdzniecības e-komercijas pārdošanas apjoma pieauguma ziņā 2020. gadā bija Meksika, Singapūra, Kanāda un Argentīna. Savukārt Latvijā preces vai pakalpojumus internetā pārdod 15,5 % uzņēmumu (dati par 2020 gadu).

E-komercija arī piedāvā labākas mārketinga iespējas, kas ir būtiski, jo katram uzņēmumam ir svarīgi piesaistīt klientus. Neapšaubāmi, interneta mārketings ir efektīvs klientu piesaistīšanas veids, kas palīdz sasniegt plašāku auditoriju, analizēt iegūtos datus un iegūt vēlamos rezultātus. Attīstītākajās valstīs tiešsaistes reklāma jau ir kļuvusi par galveno reklāmas vidi, 2020. gadā sasniedzot ievērojamu apjomu – 332 miljardus dolāru. Tiek prognozēts, ka līdz 2024. gadam izdevumi interneta reklāmai pieaugs līdz pat 62,6 %, sasniedzot 526,17 miljardus dolāru.

No vienas puses, mūsdienās jebkurš uzņēmējs var diezgan vienkārši sākt savu reklāmas kampaņu internetā – pietiek burtiski ar dažiem klikšķiem. Reklāmas pārdošanas milži pastāvīgi uzlabo un vienkāršo savas informācijas sistēmas, padara tās ērtas un saprotamas gandrīz ikvienam lietotājam. No otras puses, ļoti svarīga ir tiešsaistes reklāmas efektivitāte.

Viens no veidiem, kā uzlabot tiešsaistes reklāmas efektivitāti, ir precīza mērķauditorijas noteikšana, lai mērķauditorijas grupa redzētu to, ko tā vēlas nopirkt, un reklāma būtu atbilstoša. Šajā situācijā uzņēmumam ir jāsegmentē mērķauditorija, lai tā produktam būtu labāks noiets, kas rezultētos veiksmīgākā uzņēmuma darbībā un nestu peļņu. Mērķauditorijas segmentēšana ir pircēju sadalīšana grupās atkarībā no viņu vajadzībām, rīcības tirgū un attieksmes pret mārketinga pasākumiem. Segmentācijas rezultātā tiek izdalītas pircēju grupas ar līdzīgām vajadzībām, vēlmēm un motivāciju iepirkties noteiktajā laikā un par noteiktu cenu.

Segmentācija palīdz sagatavot personalizētu reklāmu ar dinamisku saturu, lai veidotu atbilstošāku un efektīvāku mārketinga komunikāciju. Matemātiskais rīks, lai veiktu pareizu segmentāciju, ir klasterizācijas algoritmi. Klasterizācija ir viena no svarīgākajām informācijas vai zināšanu ieguves metodēm daudzdimensiju datos. Neformāli runājot, klasterizācija nozīmē grupu atrašanu datos. Aristoteļa dzīvo būtņu klasifikācija bija viena no pirmajām zināmajām klasterizācijām. Klasterezācija ir neuzraudzītas mašīnapmācības metode. Neuzraudzītas, jo tā nevadās pēc iepriekšējām teorētiskajām zināšanām, un mašīnapmācības, jo mašīnas algoritms apmāca, kā klasterizēt.

Lai veiktu analīzi, ir jāsavāc pētījumam nepieciešamie empīriskie dati. Datus var savākt, izmantojot analītiskos resursus, piemēram, Google Analytics. Vēl viens veids datu vākšanai ir pircēju anketēšana. Uzņēmumi var vākt klientu datus arī no iekšējiem avotiem – klientu apkalpošanas ieraksti, pārdošanas pārskati vai darījumu vēsture, kā arī ierīces veids, no kuras tika veikts pirkums. Parasti klienti tiek segmentēti, izmantojot šādas pazīmes: vecums,  dzimums,  ienākumi, izglītība, hobiji, ģeogrāfiskas pazīmes, preferenču kanāli un dienas.

Klasterizācijai izmanto speciālus matemātiskus klasterizācijas modeļus un programatūru (R, Phyton vai citu). Rezultātā tiek izveidotas pircēju vai klientu grupas, pēc kurām notiks mērķauditorijas atlase un kuras tiks izmantotas dinamiskā reklāmā. Piemēram, ja izkristalizējas viena grupa, kurā ir vīrieši vecumā no 30 līdz 40 gadiem, kuriem interesē sports, tad ir vērts izdalīt tādu grupu un izgatavot reklāmu speciāli tai. Lai veiksmīgāk piesaistītu uzmanību, jāizveido vizuālā reklāma ar vīrieti, kurš nodarbojas ar sportu un izmanto konkrētā uzņēmuma produktu. Segmentēšana ļauj uzņēmumiem labāk izmantot savus mārketinga budžetus, paaugstināt konkurētspēju salīdzinājumā ar citiem uzņēmumiem un, kas ir svarīgi, labāk sekot savu klientu vajadzībām un vēlmēm.

Vēl viens mašīnapmācības algoritms, ko izmanto e-komercijā, ir klasifikācija. Klasifikācijas algoritmi izmanto marķētas datu kopas, lai piešķirtu testa datus noteiktās kategorijās. Viens no populārākajiem reālās pasaules klasifikācijas algoritmu lietojumiem ir attēlu atpazīšanas algoritms. Attēlu atpazīšanas modeļi kā ievadi izmanto attēla pikseļus, lai paredzētu, ko attēls varētu attēlot. Pieņemsim, ka mūsu datu kopa (marķētā datu kopa) sastāv no dzīvnieku attēliem, un katram ir pievienota etiķete, piemēram, zilonis, žirafe u. tml. Mašīnapmācības modelis izmanto iepriekšējos datus, lai prognozētu jauna objekta marķējumu. Tātad, ja mēs pievienotu jaunu neidentificētu attēlu, modelis uzminētu, vai tur attēlots zilonis, žirafe vai cits dzīvnieks, tādējādi paredzot jauna objekta marķējumu vai, kā šajā gadījumā, dzīvnieka veidu.

Lielās pārdošanas platformas izmanto klasifikācijas algoritmus, lai klasificētu jaunu produktu attiecīgajā kategorijā. Cits – iespējams, svarīgākais – klasifikācijas algoritmu lietojums ir lietotāja vai pircēja nodomu prognozēšana, pamatojoties uz klikšķu straumes datiem. Šajā scenārijā klikšķu straume ir lapas skatījumi un darbības lapās, kas apraksta lietotāja sesijas navigācijas vēsturi.

Kad lietotājs ieiet uzņēmuma mājaslapā, būtu labi zināt, vai viņš to pārlūko, vai salīdzina cenas ar konkurentiem, vai meklē pierādījumu, ka produkts ir kvalitatīvs, vai jau ir gatavs to iegādāties. Jebkurš labs pārdevējs fiziskajā veikalā zina, ka patērētāji netieši atklāj norādes par saviem iepirkšanās nodomiem ar to, kā pārvietojas pa veikalu, kā uzdod jautājumus, kā viņi ir apģērbušies utt. Bet kā šīs norādes pārvērst digitālajā pasaulē? Tieši ar klasifikācijas algoritmu var izteikt prognozes un klasificēt klientus kā motivētus pircējus, svārstīgus pircējus vai pārlūkotājus. Šajā situācijā mūsu datu kopa sastāvēs no datiem par konkrētām mājaslapas virzītēm un ar to saistīto klikšķu vēsturi. Katram tādam objektam vai vizītei būs pievienota etiķete, kāds klients tas ir (motivēts pircējs, svārstīgs pircējs, pārlūkotājs). Tātad, kad jauns klients atnāks uz mājaslapu, izmantojot algoritmu, mēs zināsim, kāds klienta tips viņš ir, un varam viņam piedāvāt attiecīgu lapu vai vēlāk motivētam pircējam reklāmā rādīt  jau grozu, vai izmantot retargetingu, bet svārstīgajam pircējam rādīt motivējošu saturu. Līdz ar to klasifikācijas algoritmu izmantošana ļauj uzņēmumiem veidot efektīvu mārketingu, palīdzot noturēt klientus līdz pirkumam, bet klientus ar visaugstāko potenciālo vērtību ātri padarīt par pircējiem.

Rakstā apskatījām divus dažādus mašīnapmācības modeļus, kas palīdz modelēt un analizēt e-komercijas klientu uzvedību un līdz ar to palīdz izveidot mērķtiecīgas stratēģijas, kas piesaista klientu uzmanību un rada pozitīvu, vērtīgu pieredzi ar jūsu zīmoliem.

...

Next page

Piesakies iknedēļas jaunumiem