כמה זמן שהיתם באתר TheMarker ואיך זה קשור לגיל שלכם?

כל אתר אינטרנט שמכבד את עצמו יכול לאסוף נתונים לגבי התנועה בו (זמן שהות, לחיצה על קישורים ועוד) ■ הצלבת הנתונים האלו עם מאפייני הגולשים יכולה לשפר את השיווק, בייחוד כשמדובר באתר קניות, ולייעל את ניהול המשאבים

יעקב רימר
ד"ר יעקב רימר
שתפו כתבה במיילשתפו כתבה במייל
מעבר לטוקבקיםכתוב תגובה
צילום מסך של אתר TheMarker
צילום מסך של אתר TheMarker

יש שימושים שונים לאלגוריתמים התנהגותיים, לדוגמא באתרי מכירות או בהגנת סייבר. בפוסט הקודם התחלתי לעסוק באלגוריתמים התנהגותיים (או Behavioral Analytics) והסברתי שמדובר בניתוח של נתוני אירועים בזמן. הדגמתי ניתוח של נתוני טיסות, וציינתי שיש לאלגוריתמים התנהגותיים הרבה שימושים. אחד היישומים הפופולריים כיום באלגוריתמים התנהגותיים הוא ניתוח דפוסי התנהגות של גולשים באתרי אינטרנט. אמחיש זאת.

נניח שיש לך אתר אינטרנט ואת מוכרת בו מוצרים מעשה ידייך. פרסמת את האתר במקומות הנכונים, וגולשים וגולשות מגיעים אליו בהמוניהם. אבל אף אחד לא קונה. למה? תמיד קיימת האפשרות שהמוצרים לא קורצים מספיק לקונים, ואולי יקרים מדי. אבל מצד שני, כשאת מוכרת אותם בירידים הם נמכרים מצוין. אז איך ניתן להסביר מה קורה?

כל אתר אינטרנט שמכבד את עצמו יכול לאסוף נתונים לגבי התנועה של הגולשים החל מהרגע שהם נכנסו אליו. למשל, נתונים על הקישורים שהם לחצו עליהם באתר, משך הזמן שהם שהו בכל עמוד, אילו עמודים פופולריים יותר, האם התבצעה רכישה וכדומה.
ניתוח זמני שהייה של גולשים רבים בעמוד מסוים, או של מסלולי מעבר קישורים, יכול להסביר האם ומה היא הבעיה. למשל, אם כל הגולשים שוהים זמן מועט מאוד באתר ועוזבים, יתכן שהעיצוב לא אטרקטיבי. לחילופין, מסלולי מעבר ארוכים בין דפים שאינם מסתיימים בקניה עשויים להצביע על מבנה אתר מבלבל ומייאש. במידה ויש פניות רבות לעמוד הרכישה, אך ללא רכישה בפועל, אולי קיימת בעיה בתהליך התשלום. כלומר, ניתוח ההתנהגות של הגולשים באתר עשוי לסייע באיתור הסיבה בעטיה הם לא קונים.

משאיות של אמאזון
אתרי קניות מצליבים מידע על תנועה באתר יחד עם פרופיל הגולשים וכך מייעלים את תהליך השיווק והמכירהצילום: Dreamstime.com

נניח שאיתרת ותקנת את הבעיה והמכירות החלו להמריא. אבל עדיין, רק אחוז קטן מהמבקרים באתר קונים משהו. האם הוספה של פרסומת פנימית או קיצורי דרך עשויים לעזור? כמקודם, ניתוח והשוואה של התנהגות הגולשים, לפני ולאחר כל שינוי באתר, יכול לסייע מאוד במציאת הנוסחה הנכונה להגדלת המכירות. אבל יש גם דרך נוספת.

כפי שציינתי בפוסט הקודם, בכל אירוע יש לפחות שני שחקנים. במקרה שלנו, הגולש והדף (או הלינק). כלומר, במקום לנתח את נתוני עמודי האתר, תוכלי לנסות ולנתח את פרופיל הגולשים. למשל, יש קבוצה של גולשים שמתאפיינת בשהייה נמוכה באתר והם בדרך כלל לא קונים דבר. יתכן ומדובר בגולשים מזדמנים, שלא באמת מעוניינים ברכישה ולכן יש לשקול האם שווה להתאמץ עבורם.

לעומתם, יש קבוצה אחרת שמתאפיינת בלפחות 5 לחיצות על קישורים באתר ואחוז גבוה מהם אכן רוכשים מוצר אחד לפחות. כלומר, אם זיהינו גולש שכבר לחץ על חמישה קישורים, אולי נכון להציע לו בדף הבא מבצע או קופון?

שימו לב שעוד לא נאמר דבר על פרטי הגולש עצמו. במקרה והגולש נרשם לאתר שלך, או הגיע אליו דרך פרסומת למשל ברשת חברתית, כנראה שהוא ניתן לזיהוי. לרוב יהיו לך גם מאפיינים סטטיים שלו, כגון מגדר, גיל ועוד. היכולת לקשר בין ההתנהגות שלו באתר והקניות שלו במועדים שונים, בצירוף המאפיינים הסטטיים שלו, מאפשרת ניתוח מתקדם יותר ומיקוד בגולשים שמהווים את הלקוחות הטובים ביותר שלך. לדוגמה, נשים בגילאים 25-30 שגולשות באתר באופן תדיר בימי שישי בבוקר.

אם שבעתם מקניות, להלן דוגמה מעולם הגנת סייבר. בפוסט הפותח של הבלוג תיארתי כיצד ניתן לאתר פעילות חשודה ברשת הארגון על סמך חריגה מהתנהגות שגרתית. למרבית בני האנוש יש הרגלים קבועים: שעות עבודה קבועות, מחשב קבוע ועיסוק קבוע שמכתיב אופי פעילות מסוים. למשל, רואי חשבון עובדים עם קבצי אקסל ואנשי שיווק עם מצגות. אם ננהל לוג פעולות עבור כל עובד נוכל להחשיד פעילויות שמתבצעות בשעות חריגות, או ממחשב שאינו מחשבו הקבוע של העובד. בנוסף לכך, נוכל לתהות מדוע איש השיווק החל לגשת לפתע למסמכים ששייכים רק למחלקה המשפטית.

כפי שכבר כתבתי בפוסט הפותח, יתכן ולכל חריגה כזו יש הסבר תמים, אבל יתכן ולא.
באופן דומה, גם לכל תוכנה במחשב יש את מאפייני הפעילות הקבועים שלה. לתוכנת ה- Word יש פעילות שאופיינית לפתיחה וסגירה של מסמכים וגם פרופיל צריכה מסוים של משאבי המחשב השונים. אם התוכנה לפתע מנסה לגשת למאות מסמכים בבת אחת, לשדר נתונים לאתר אינטרנט חדש או להפעיל תוכנה אחרת, זה צריך לעורר חשד. כרגיל, הדברים כמובן אינם פשוטים.

הצרה הגדולה של השיטות האלו היא התרעות שווא רבות, לעיתים עד כדי חשש להפרעה לעבודה השוטפת של הארגון. השיקולים דומים לאלו שדנתי בהם בפוסט "איך מאתרים מחט בערמה של שחת" גם הוא עסק בניתוח של אירועים, בהקשרים של מניעת טרור או הונאות אשראי, פשוט לא הכרזתי עליהם כ"התנהגותיים"

אשמח לקבל רעיונות לנושאים לפוסטים עתידיים לכתובת MrBigDataThemarker@gmail.com

יעקב רימר

ד"ר יעקב רימר | מיסטר ביג ומר דאטה

יועץ בכיר ומרצה בנושאי סייבר, ביג דאטה ומדעים, בעל דוקטורט ממכון ויצמן למדע. עוסק בעשור האחרון במחקר מדעי במקביל לייעוץ לחברות היי-טק ומשרדי ממשלה. בעבר שימש בתפקידים בכירים בהיי-טק ובמשרד ראש הממשלה. מרצה משופשף ומנוסה, שמתמחה בהמחשת נושאי מדע וטכנולוגיה "קשים לעיכול" בגובה העיניים. משלב בכתיבתו והרצאותיו את הניסיון ארוך השנים בתעשיית ההיי-טק ובאקדמיה, יחד עם העברת מסרים ברורה והומור.

הבלוג ינסה להמחיש לקורא המתעניין (וגם הלא-מקצועי) מה כוחם האמיתי של ניתוח נתונים, למידת מכונה או ביג דאטה. מה אפשר (או אי אפשר) לעשות באמצעות שיטות אלו ואיך כל זה נוגע לפרטיות שלנו.

LinkedIn 

Home Page

תגובות

הזינו שם שיוצג באתר
משלוח תגובה מהווה הסכמה לתנאי השימוש של אתר TheMarker

על סדר היום