XML Banner Feeding

XML Banner Feeding
Optimized Technology
March 2008
www.neodatagroup.com - [email protected]
Tel: +39 095 7226111 - Fax: +39 095 7374775
Varese: Via Bligny, 16 – 21100 - Milano: Via Paolo da Cannobio, 37 – 20122 –
Catania: V.le V. Veneto, 42 – 95127
ITALY
Indice
1. XML BANNER FEEDING.......................................................................................... 3
1.1. UTILIZZO DELLA TECNOLOGIA XML BANNER FEEDING A SUPPORTO DELLA STRATEGIA DI
COMUNICAZIONE ONLINE
...................................................................................................3
1.2. DEEP LINKING ........................................................................................................4
2. OVERVIEW DELLA TECNOLOGIA ........................................................................... 7
2.1. INTRODUZIONE ALLA PIATTAFORMA UTILIZZATA ..................................................................7
2.2. ARCHITETTURA DELLA PIATTAFORMA ...............................................................................7
2.3. MODALITÀ DI ESECUZIONE ..........................................................................................8
2.4. POSSIBILI EVOLUZIONI ............................................................................................ 10
3. CASE HISTORY: BRAVOFLY ................................................................................. 11
3.1. STRATEGIA .......................................................................................................... 11
3.2. RISULTATI ........................................................................................................... 11
Pag. 2 di 11
1. XML BANNER FEEDING
1.1. UTILIZZO DELLA TECNOLOGIA XML BANNER FEEDING A
SUPPORTO DELLA STRATEGIA DI COMUNICAZIONE ONLINE
XML Banner Feeding è una tecnologia interamente sviluppata da Neodata Group per
supportare la vendita di prodotti e-commerce in Internet mediante la visualizzazione di banner
pubblicitari online.
XML Banner Feeding è un banner intelligente, brevettato in Italia da Neodata, che basa il
proprio funzionamento su un sistema di visualizzazione di tipo dinamico, in cui il messaggio
promozionale varia in funzione dell’utente Internet che lo visualizza.
L’impiego dell’XML Banner Feeding permette di aumentare il traffico qualificato sui propri siti e,
in particolare, di entrare in contatto con numerosi potenziali clienti (branding); generare
contatti qualificati; identificare il numero di utenti sui propri siti caratterizzati da attitudini di
navigazione differenti (per esempio, utenti interessati alla pesca, utenti maggiormente sensibili
allo sconto, ecc).
Generalmente il banner pubblicitario utilizzato per veicolare la vendita di prodotti online
comprende una parte pre-compilata fissa ed una parte variabile dove viene mostrato un
messaggio promozionale modellato sui gusti e sulle preferenze dell’utente che lo visualizza.
Alcuni esempi di XML Banner Feeding:
Nel caso del cliente Decathlon, nella parte dinamica del banner vengono mostrati uno o più
articoli merceologici corredati di immagine, prezzo, sconto, ect..
Per il cliente Bravofly Neodata ha realizzato un XML Banner Feeding il cui contenuto è creato
dinamicamente in base alla provenienza geografica dell’utente e alle migliori offerte
presenti sul sito del cliente al momento della visualizzazione.
Pag. 3 di 11
Il riconoscimento della provenienza geografica dell’utente avviene tramite reverse ip-lookup.
Neodata integra diversi reverse ip-lookup database presenti in commercio per garantire una
percentuale di precisione quanto più alta possibile (75% - 85%).
Il sistema riconosce la provenienza geografica dell’utente, regione Lombardia, e gli mostra
solamente le tariffe più convenienti per i voli in partenza dai due aeroporti più vicini alla
propria collocazione geografica (Gli aeroporti di partenza sono prescelti dal cliente).
1.2. DEEP LINKING
Punto di forza di XML banner Feeeding è il call to action, ovvero la capacità di far coincidere il
momento del desiderio del possesso di un prodotto con il momento dell’acquisto.
Questa tecnologia utilizza un particolare banner che sfrutta il ruolo attivo dell’utente in
Internet, suscitando prima il desiderio verso un prodotto e, quindi, inducendolo all’acquisto
proponendo un processo di ordinazione semplice e veloce.
Associato all’articolo visualizzato è presente il deep-linking, un link dinamico che, selezionato,
permette all’utente di acquistare il prodotto semplicemente con un click direttamente sul sito
e-commerce del cliente.
Pag. 4 di 11
In questo caso, l’utente cha ha cliccato sull’offerta Reebok verrà indirizzato alla seguente
pagina dove effettuare la prenotazione dell’articolo.
Pag. 5 di 11
La selezione del contenuto da mostrare (selezione dell’articolo da proporre) avviene tramite il
sistema di content recommendation integrato nel banner dinamico e gestito direttamente da
Neodata.
Lo schema seguente illustra il processo di funzionamento della tecnologia XML Banner Feeding.
Pag. 6 di 11
2. OVERVIEW DELLA TECNOLOGIA
Neodata ha già utilizzato con successo in passato varie tecniche di profilazione utenti che
tengono conto sia di caratteristiche statiche/demografiche (età, sesso, luogo e data di nascita,
etc.), sia di caratteristiche dinamiche/comportamentali degli utenti (acquisti fatti, frequenza di
acquisto, spesa media, etc.). Neodata ha sviluppato una serie di algoritmi proprietari capaci di
ottenere la segmentazione ottimale della base utenti sulla base dei dati accumulati nel tempo.
Tale segmentazione è dinamica ed è capace di seguire lo spostamento di un utente tra i diversi
segmenti identificati in conseguenza di cambiamenti delle variabili, statiche o dinamiche, che lo
caratterizzano.
Il sistema è in grado di rilevare automaticamente (sensori di ‘noise’) la
necessità di ritarare la segmentazione; funzionalità asincrone di riallineamento permettono agli
esperti del mercato di procedere anche in modalità manuale alla revisione dei segmenti della
customer base gestiti. La scelta della modalità di esecuzione della segmentazione dipende da
vari fattori quali: modifiche all’insieme di offerte commerciali, stagionalità (natale, agosto,
etc.),
tempi
di
esecuzione
della
procedura
stessa,
modifiche
alla
base
utenti
(aggiunta/cancellazione utenti), etc.
2.1. INTRODUZIONE ALLA PIATTAFORMA UTILIZZATA
Neodata ha maturato una provata esperienza nel campo della targetizzazione automatica di
offerte commerciali tramite tecniche di Data Mining e Knowledge Discovery. Tali tecniche sono
particolarmente efficaci in presenza di un numero elevato di informazioni che descrivono sia
l’offerta (prodotti e-commerce) che il cliente. Le tradizionali tecniche di marketing, basate su
una conoscenza approfondita del mercato, traggono beneficio dall’utilizzo di un supporto che
impiega metodologie statistiche studiate per trattare grandi volumi di dati, e che descrive in
modo sistematico variabili correlate tra loro senza ipotesi anteriori.
L’XML Banner Feeding implementa numerosi algoritmi di Data Mining e Knowledge Discovery,
ovvero una combinazione di tecniche di analisi dati e di modelli statistici evoluti che
permettono di scoprire i diversi ‘schemi di comportamento che caratterizzano gli utenti
Internet e di utilizzare la loro propensione all’acquisto di specifici prodotti e servizi per
indirizzare in maniera puntuale le offerte commerciali più appropriate.
2.2.
ARCHITETTURA DELLA PIATTAFORMA
L’architettura della piattaforma è descritta nello schema che segue e prevede due macro flussi
di informazioni.
Pag. 7 di 11
Il primo flusso, dal Cliente inserzionista verso Neodata, serve ad alimentare il motore del data
mining con il catalogo dei prodotti da promuovere, le transazioni provenienti dagli acquisti dei
prodotti, le caratteristiche demografiche degli abbonati e agli acquisti registrati con eventuali
carte fedeltà.
Il secondo è un flusso bidirezionale con cui vengono:
1) inviati i contenuti promozionali alla parte dinamica del XML Banner visualizzata dall’utente
finale;
2)
ricevute,
elaborate
e
normalizzate
le
risposte
da
parte
degli
utenti
al
fine
di
erogare/migliorare il servizio richiesto.
2.3. MODALITÀ DI ESECUZIONE
Gli algoritmi utilizzati permettono di derivare il “modello” di segmentazione che suddivide gli
utenti che visitano il sito/i dell’inserzionista in cluster che comprendono clienti che condividono
Pag. 8 di 11
caratteristiche simili; ogni cluster è poi messo in correlazione con i prodotti disponibili nel
catalogo delle offerte indicando per ognuno il grado di affinità, indice della propensione
all’acquisto. E’ così possibile disporre di uno strumento per procedere in maniera mirata con le
azioni di vendita.
Le modifiche apportate da Neodata consentono un clustering veloce e stabile in grado di
adattarsi giorno dopo giorno al comportamento dei clienti nella customer base. La metrica tra
clienti tiene conto degli interessi degli utenti in relazione alle tipologie di prodotto proposte e
all'evoluzione della storia dell'utente. Quindi due clienti appartenenti allo stesso cluster
avranno interessi simili rispetto alle tipologie di prodotto. La metrica può essere estesa,
prendendo in considerazione, dati anagrafici e dati relativi al tipo di consumo.
Il numero di cluster totali cosi come la dimensione media di quest’ultimi dipendono
fondamentalmente dai dati che saranno a disposizione del sistema di clusterizzazione: sia in
termini di variabili utilizzabili che in termini di cardinalità degli insiemi di dati. Il numero di tali
profili
dipenderà
anche
dalla
varietà
di
prodotti
(categorie)
esistenti
nel
catalogodell’inserzionista.
Alcuni cluster possono essere dedicati al learning di prodotti specifici. Quindi il cliente potrà
decidere di testare le performance di un certo prodotto su un cluster specifico a prescindere
dalle indicazioni fornite dall’ottimizzatore.
Il modello di knowledge è utilizzato dal sistema in modalità “fully automatic”, cioè senza
richiesta di supervisione manuale. Tuttavia, il sistema prevede la possibilità di forzare su
richiesta di Decathlon la targetizzazione di specifici prodotti su specifici cluster (White Listing) o
di bloccare l’erogazione di certi contenuti a specifici gruppi di utenti (Black Listing).
Il clustering tende ad individuare gruppi di utenti che verranno gestiti dal sistema in maniera
pressoché uniforme: tutte le persone appartenenti allo stesso cluster, quindi con interessi
affini, verranno targetizzate in maniera analoga. Il sistema di Neodata estende questo modello
incorporando anche delle logiche intra-cluster. In particolare, sebbene gli utenti di uno stesso
cluster abbiano degli interessi simili possono differenziarsi per comportamenti passati diversi. Il
sistema tiene conto di queste differenze per un fine-tuning delle raccomandazioni al singolo
utente.
Di seguito discutiamo alcuni esempi di logiche di fine-tuning utilizzate:
o
Se un utente del cluster A ha già acquistato il prodotto X si può decidere per quell’utente
di selezionare il secondo miglior prodotto escludendo proprio X. Tale esclusione dipende
dal tipo di prodotto. Ad esempio per una racchetta da tennis può non avere senso
riproporla allo stesso utente che la ha già acquistata in passato mentre ciò non e’ vero
per le T-shirt per giocare a tennis.
Pag. 9 di 11
Il sistema deriva delle regole associative del tipo A->B, cioè, chi ha acquistato il prodotto
o
A tende ad acquistare il prodotto B. Questa informazione viene utilizzate per aumentare
la probabilità di proporre l’articolo B a tutti coloro che hanno già acquistato A.
Il sistema utilizza anche delle informazioni derivanti dai modelli di spesa dei singoli utenti. Si
cerca quindi di capire la propensione alla spesa di ogni utente per incorporarla nell’algoritmo di
targeting. Ad esempio, se una persona attenta allo spendere (informazione derivante da
quanto ha speso nel passato in una predefinita unità di tempo) ha acquistato qualcosa ieri il
sistema potrebbe decidere di non bruciare un’altra buona opportunità di promozione di un
prodotto valido oggi, ma attendere qualche giorno (anche questo calcolato). Nel frattempo
potrebbe proporre prodotti a più basso interesse per quella persona considerando che la
probabilità che l’utente acquisti più cose nell’arco di qualche giorno è in ogni caso bassa. Il
sistema potrebbe anche essere settato per decidere di non mostrare nulla quando riconosce
che la probabilità di acquisto è in ogni caso bassa.
Le
tecniche
sopra
indicate,
insieme ad
altre,
vengono
quindi
fuse nell’algoritmo
di
targetizzazione al fine di migliorare quest’ultima al meglio.
2.4. POSSIBILI EVOLUZIONI
Il sistema proposto da Neodata produce una base di conoscenza degli acquirenti sul sito/i
dell’inserzionista basata sulla purchase history di ogni cliente limitato alla porzione di acquisti
fatti tramite XML Banner Feeding. Tale base di conoscenza serve al sistema Neodata per la
corretta targetizzazione delle promozioni XML banner ma può anche essere messa a
disposizione del cliente per varie altre attività. Inoltre, tale base di conoscenza può essere
arricchita/raffinata includendo feedback degli utenti derivanti da altre attività quali acquisti al
negozio, compilazione di questionari, partecipazione ad eventi, reazione a promozioni off-line,
ecc.
In quest'ottica è possibile prevedere varie possibili evoluzioni da considerare:
o creazione di opportuna reportistica per il monitoring del sistema;
o integrazione con altri componenti dell'infrastruttura del cliente quali:
• programma di gestione carta fedeltà;
• sito e-commerce;
• raccomandazioni online;
• CRM;
• offline campaign management.
Pag. 10 di 11
3. CASE HISTORY: BRAVOFLY
3.1. STRATEGIA
Dal 16 al 31 Ottobre 2006, il cliente Volagratis ha pianificato una campagna pubblicitaria
sull’homepage del Tgcom. La campagna eroga due creatività: il banner XML Feeding sviluppato
da Neodata e un banner standard raffigurante le offerte generiche di Volagratis
3.2. RISULTATI
A fronte di ca. 800 mila imps per creatività, il banner XML Feeding ha ottenuto 788 click,il banner
standard 264. Un lift tra i due banner pari a 2,94 indica che il banner ottimizzato è risultato essere
ben tre volte più performante del banner standard in termini di Ctr st
Pag. 11 di 11