Программа Go Analytics! 2018

BUSINESS STREAM

TECHNICAL STREAM

РЕГИСТРАЦИЯ, ПРИВЕТСТВЕННЫЙ КОФЕ

DATA-DRIVEN CULTURE

АВТОМАТИЗАЦИЯ АНАЛИТИКИ В КОМПАНИИ

Сквозная аналитика в сфере недвижимости: практики

Markus Frick
Teamleader Digital Analytics
Scout24

Swiss Analytics Approach


Insights into how Digital Analytics is organized internally at Scout24 Switzerland, as well as processes and practical project snapshots run on our marketplaces to fullfill the vision of knowing our users like no other.
See whats possible if you leverage Analytics with Google Analytics Premium/Google Tag Manager/BigQuery/DataWarehouse to make the most out of it.

Аналитика в Ostrovok.ru - создание data-driven культуры


1. Описание бизнеса marketplace, зоны применения аналитики/.
2. Ключевые направления аналитики в компании, основные задачи и компетенции.
3. Процессы формулирования задач, планирования, реализации и обратной связи.
4. Экосистема данных. Как воспитывать культуру данных и при этом обеспечить достаточную скорость принятия решений.
Виталий Черемисинов
Руководитель отдела аналитики
AIC

Автоматизация анализа экспериментов, когда их очень много

Андрей Зайко
Head of Analytics Department
Adventum

Как сэкономить на сквозной аналитике и пожалеть об этом


Во время этого доклада вы сможете испытать удачу и угадать, как правильно трактовать данные аналитики в сложных случаях. Мы разыграем призы среди тех, кто прокачал свою интуицию настолько, что может из некорректно обработанных данных извлечь полезные для бизнеса выводы.
Остальные узнают, что нужно помнить при объединении данных веб-аналитики, рекламных площадок и CRM, чтобы обходиться без интуитивных догадок.
Мы разберем несколько кейсов, вызывающих проблемы у многих аналитиков:
• подсчет уникальных пользователей
• учет выбросов в статистике
• ад в UTM-метках, возникающий, когда за прометку объявлений отвечают разные люди
• особенности бухгалтерского учета рекламных расходов
• анализ рекламного трафика из социальных сетей

Прогнозирование покупки и оптимизация рекламных кампаний на его основе

Для оптимизации рекламных кампаний крайне важно оперативно понимать какого качества трафик закупается на данный момент. Но что делать, если для достижения основной макро-конверсии должно пройти несколько дней, а то и недель? Держать включенными все это время рекламные кампании рискованно — чем раньше мы поймем какие кампании надо отключать, а какие масштабировать — тем лучше.

В этом может помочь прогнозирование конверсии. Это позволяет на основе поведения пользователя на ранних этапах определить вероятность совершения целевого действия.

В докладе мы поделимся примером реализации подобного решения для крупной компании-разработчика мобильных игр и применение для оптимизации Universal App Campaigns.

КОФЕ-ПАУЗА

FUTURE OF ANALYTICS AND ML

OMNICHANNEL ANALYTICS

Александра Кулачикова
Руководитель продвижения
Яндекс.Метрика

Machine learning в реальной жизни

Вы настроили систему аналитики, передаете туда данные из офлайна, подключили BI и собираете все данные в одном месте. Однако это совсем не значит, что жизнь стала легкой и простой. Еще есть нерешенные проблемы, от неоднородности данных до невозможности обработать все на основе базовых метрик.

Мы расскажем, как алгоритмы машинного обучения каждый день помогают сервисам Яндекса и пользователям Яндекс Метрики. Поговорим, как можно использовать ML для решения разных задач и почему это не волшебная кнопка, которая закроет все проблемы.

Евгений Вербов
Руководитель digital проектов
Delivery Club

Прогнозирование оттока клиентов с помощью машинного обучения

Любой компании было бы интересно узнать с какой вероятностью пользователь совершит покупку на сайте или в приложении.

А в идеале еще и выделить группу пользователей, которые уже точно не совершат покупку самостоятельно, но еще есть вероятность их вернуть.

Использование машинного обучения позволяет с высокой точностью спрогнозировать дальнейшее поведение пользователей в системе, что позволяет максимально эффективно и адресно использовать маркетинговые коммуникации.

В докладе подробно рассмотрены основные кейсы повышения конверсии, в том числе с использованием массовых и индивидуальных промокодов на скидки.

Эмели Драль
Руководитель службы анализа больших данных
Yandex Data Factory

Внедрение моделей машинного обучения в продакшн

Мы поговорим, с какими трудностями сталкиваются аналитики при разработке прогнозных и оптимизационных моделей.

Какие бывают сложности при эксплуатации (изменение данных в процессе, переобучение и дообучение) и переключении между моделями.

Как понять, что модель устарела, как автоматически перестроить и оценить модель без участия аналитика.

Как автоматизация отчетности на базе BigQuery помогает экономить время и минимизирует рутину

Теория и практика прогнозирования LTV клиента


— почему не существует сильной LTV модели на уровне клиента;
— почему часто достаточно сильной модели на уровне когорты;
— как изменяется вероятность оттока при увеличении количества покупок на клиента;
— почему классификация высокодоходных клиентов может быть быстрой альтернативой расчету LTV.
Никита Голубцов
Рroduct manager, специалист по аналитике
eLama.ru

Сегментирование клиентов с помощью ML. Кейс eLama


— В каких случаях может понадобиться ML для сегментирования клиентской базы
— Применяемые технологии и алгоритмы
— Изучение получившихся сегментов
— Сравнение показателей клиента с бенчмарком по его сегменту
— Принятие маркетинговых решений на основе полученных данных
— Выводы и рекомендации

ОБЕД

АНАЛИТИКА ПРОДУКТОВЫХ КОМПАНИЙ

CUSTOMER ANALYTICS

Как мы это делаем: аналитика в продуктовой компании на примере OWOX BI


В докладе мы поделимся нашим опытом развития и продвижения OWOX BI:
• Как мы оцениваем вклад в продажи не только маркетинговых, но всех усилий команды: организацию вебинаров и встреч с клиентами, функциональность продукта.
• Как мы прогнозируем LTV проектов и учитываем повторные оплаты при решении задачи атрибуции.
• Как сделать так, чтобы все, кто общается с клиентом, умели правильно задавать вопросы и выявлять потребности.
• Как систематизировать информацию о задачах пользователей и фокусировать на ней разработку.
Алексей Пупышев
Research & Development Consultant
Wrike

Прикладной искусственный интеллект на службе продуктовой аналитики и маркетинга: теория и разбор кейсов Wrike


На текущий момент сообщество разработчиков и исследователей создали большое количество инструментов для бизнеса, базирующихся на так называемых технологиях искуственного интеллекта.
Проблема, зачастую, заключается в том, что руководители либо не рассматривают потенциальную пользу от попыток решать задачи с помощью AI-инструментов, либо остерегаются потерять бюджет и время на таких попытках, даже при достаточном интересе и осведомлености.

В докладе мы рассмотрим несколько примеров применения машинного обучения и покажем какую пользу можно получить от такого рода инициатив.

Николай Хлебинский
Генеральный директор
Retail Rocket

Data-driven подход к управлению качеством ведения клиентских проектов


Retail Rocket — продуктовая компания, которая строит клиентский сервис в модели high touch (тесное взаимодействие с клиентом, персональный аккаунт-менеджер, большое количество личных коммуникаций и т.д.). Команда растет очень быстро: сейчас взаимодействием с клиентами занимается более 50 человек!
В процессе роста мы, конечно же, столкнулись с проблемой падения качества сервиса, на решение которой мы тратим очень много сил и эти затраты окупаются: в 2017 году команда получила награду «Лучший сервис для повышения конверсии интернет-магазина» по результатам голосования 100+ директоров крупнейших ритейлеров.
В докладе со-основатель и CEO компании поделится опытом того, как мы подходим к управлению качеством клиентского сервиса при масштабировании бизнеса, какие инструменты используем и как встраиваем их в систему мотивации команды.
Глеб Сологуб
Chief Analytics Officer
Skyeng

Как мы анализируем пользователей на протяжении их жизни внутри продукта и за его пределами

Илья Айзен
Сооснователь и генеральный директор
Flocktory

Таргетинг на основе SPDE (Second Party Data Exchange) и открытие новых каналов заработка


1. Ритейлеры собирают данные о пользователях.
2. Big Data платформы коллектят данные.
3. Давайте возьмем эти данные и построим крутые сегменты.
4. Давайте поделимся этими сегментами (включим их в рекламные модели:
• На сайтах ритейлеров;
• В коммуникационных цепочках от ритейлеров;
• В performance-рекламе брендов.
5. И получим профит. Приводим пилотные кейсы Second Party Data Exchange с очень крутыми результатами.
Юлия Суворова
Digital product manager
Ведомости
Илья Бузлов
Back-end разработчик
Ведомости

Предиктивные алгоритмы для подписных медиа

ПЕРЕХОД

КРУГЛЫЙ СТОЛ

GREAT ANALYTICS IDEAS

Идеальный аналитик глазами CMO — что он должен делать и чего не должен?


Михаил Морозов, М.Видео
Олег Наумов, KupiVIP
Евгений Гапон, Qlean
Peter O’Neill, LeapThree
Константин Баяндин, OZON.ru

При поддержке Insider

Нестандартные технические подходы и инструменты в аналитике


Расскажите о своих гениальных идеях
• Развиваете новый продукт?
• Используете неизвестные, но эффективные инструменты аналитики?
• Знаете интересные решения и нестандартные технические подходы к аналитике?

ФУРШЕТ