Реферат на тему « Разработка компьютеризированной подсистемы организации структуры коммерческих веб-сайтов»
- Цель и задачи данного исследования
- Актуальность темы
- Предполагаемая научная новизна
- Предполагаемая практическая ценность
- Обзор исследований и разработок по теме
- Постановка задачи исследования
- Описание моделей сбора информации
- Применение нейронных сетей для анализа путей перехода пользователей коммерческих веб-сайтов
- Заключение
- Список литературы
Цель работы: разработать компьютеризированную подсистему организации структуры коммерческих веб-сайтов применяя интеллектуальные методы классификации.
Задачи работы:
- обеспечить универсальное внедрение в уже существующий коммерческий веб-сайт;
- выявить и собрать необходимые статистические данные о работе коммерческого веб-сайта;
- организовать хранение полученных статистических данных;
- применить интеллектуальные методы для анализа полученных статистических данных.
На сегодняшний день электронные продажи это одна из быстро развивающихся отраслей бизнеса в Украине и странах СНГ. В течение последних 5 лет украинский рынок электронных продаж показывал ежегодный рост на уровне 50%—60% вне зависимости от перманентных экономических колебаний. При этом рынок обладает серьезным потенциалом. В Украине емкость данного рынка составляет не более $400—$500 млн., тогда как в Германии все - $36 млрд. Помимо этого на рынке существует много перспективных ниш, которые либо сильно фрагментированы, либо практически не заняты [1].
Основополагающей платформой для работы в сфере электронных продаж служат коммерческие веб-сайты, что напрямую свидетельствует о тесном взаимоотношении компьютерной науки и данного вида бизнеса. Рост интернет-пользователей, увеличение влияния социальных сетей и других интерактивных онлайн платформ, динамичное развитие систем электронных платежей, переход веб-сервисов от технологической платформы Web 1.0 к Web 2.0, позволило электронной торговле сделать не только большой скачок, но и показать свой будущий потенциал.
По-прежнему, электронные продажи сталкиваются со множеством проблем, некоторые из которых делают эту отрасль более специфической, чем остальные отрасли торговли. Примером тому может послужить интернет-маркетинг. Интернет-маркетинг — это практика использования всех аспектов традиционного маркетинга в интернете, затрагивающая основные элементы такие как: цена, продукт, место продаж и продвижение [2].
Основная цель интернет-маркетинга – это получение максимального экономического эффекта от потенциальной аудитории коммерческого веб-сайта. Основными преимуществами интернет-маркетинга считаются: интерактивность, возможность максимально точного определения целевой аудитории сайта, возможность постклик-анализа. Они ведут к максимальному повышению таких показателей, как:
- конверсия сайта (соотношение количества покупателей, к количеству посетителей, выраженное в процентах);
- показатель окупаемости инвестиций (Return of Investments) – отношение полученной прибыли к вложенным средствам [3].
Создание автоматизированной системы для сбора информации о посетителях коммерческих веб-сайтов, и ее дальнейший анализ позволили бы в дальнейшем повысить эффективность маркетинговых решений.
Создание компьютеризированной подсистемы организации структуры коммерческих веб-сайтов, подразумевает изучение и разработку моделей сбора информации о клиентах коммерческих веб-сайтов, а так же дальнейший анализ и практическое применение методов интеллектуальной обработки полученных данных.
Построение моделей интеллектуального анализа данных, основывается не только на создании математического аппарата, но и на рассмотрении и выборе маркетинговых методов для повышения эффективности коммерческих веб-сайтов.
В сфере электронной коммерции предприниматели часто сталкиваются с проблемой интеграции аналитических систем в деятельность коммерческого веб-сайта, так как большинство подобных систем ориентировано на взаимодействие с менее динамичными, традиционными системами продаж. Разрабатываемая подсистема сводит к минимуму возникновение таких проблем.
Применяя разработанную модель сбора данных и соответствующие методы их анализа, разработчики коммерческих веб-сайтов позволят менеджерам интернет-магазинов эффективней управлять структурой веб-сайта и ассортиментом, избегая болезненного проседания рынка сбыта в условиях реальной экономики.
На данный момент компании Google и Yandex продвигают на рынке свои программные продукты (Google Analytics и Яндекс.Метрика), используя технологии, которые лежат в основе разрабатываемой мною подсистемы. Однако, функциональность этих продуктов ограничивается сбором, хранением и отображением информации, сам же процесс анализа ложится на плечи разработчиков или владельцев коммерческих веб-сайтов.
Информационная аналитическая система Google Analytics - это бесплатный сервис, предоставляемый компанией Google и служащий инструментом веб-аналитики. Google Analytics показывает, каким образом посетители находят ваш сайт и пользуются им, в результате можно определить:
- грамотность дизайна сайта;
- необходимые изменения, чтобы большее число посетителей сайта становилось клиентами;
- насколько успешно работают ключевые слова, баннеры и маркетинговые кампании;
- количественные показатели, такие, как доход, средняя стоимость заказа, курс пересчёта валют во время электронной коммерции.
Сервис имеет следующие разделы:
Map Overlay (макет карты) - помогает понять, как оптимальным образом провести акции, ориентированные на определенный географический регион;
Internal Site Search (Поиск по сайту) позволяет отслеживать, каким образом посетители пользуются функцией поиска на вашем сайте;
Benchmarking (сравнительный анализ) показывает, отстают ли параметры использования вашего сайта или опережают соответствующие параметры вашего вертикального рынка;
Funnel Visualization (визуализация продаж) позволяет оптимизировать процедуру покупки и алгоритм перехода между страницами [6].
Яндекс.Метрика — инструмент для оценки посещаемости сайтов, анализа поведения посетителей и эффективности рекламных усилий. Яндекс.Метрика предоставляет инструменты для анализа привлечённой аудитории в различных разрезах для выявления наиболее эффективных средств рекламы [7].
Традиционные методы для сбора маркетинговых данных это прямая рассылка почты клиентам, телефонные интервью, целенаправленные групповые обсуждения и тому подобное. Клиенты прямо должны отвечать нравится или не нравится им тот или иной продукт, какие улучшения они хотели бы видеть, а какие нет. Хотя эти методы и обеспечивают высокое качество получаемых данных, они требуют гораздо больших затрат времени и средств. Быстрое развитие интернета создает возможности для прямого он-лайн маркетингового исследования. Существует несколько методологий такого маркетингового исследования. Традиционными являются интернет голосования, рейтинги продуктов, обзоры и т.д. Другой путь, это анализ данных статистики трафика коммерческих веб-сайтов. Основной фокус такого анализа направлен на пользовательские пути перехода между страницами коммерческого веб-сервиса – «поток кликов» (clickstreams). Анализируя эти потоки, менеджеры по маркетингу могут предпринять соответствующие меры и найти правильные решения для увеличения маркетинговой эффективности веб-сайта [4].
В таком случае, информация о пользовательских потоках кликов и данных о том, каким путем эти пользователи попали на сайт, является важной составляющей в повышении эффективности интернет-маркетинга. Существует две общие модели отслеживания путей посетителей веб-сайтов:
- Server Side Tracking System (SSTS). Это система, которая отслеживает пути переходов посетителей по веб-страницам и базируются на стороне сервера (рисунок 1).
- Client Side Tracking System (CSTS), более известна как Real Time Tracking system. Аналогичная система, которая основывается на отслеживании пользовательских путей на основе куки-файлов посетителя (рисунок 2).
Модели, которые базируется на стороне пользователя, имеют заметные преимущества по отношению к моделям, находящимся на сервере. Во-первых, информация собирается в реальном времени, маркетолог может предпринимать маркетинговые решения в тот же момент времени, когда посетитель просматривает страницы сайта.
Во-вторых, это более «аккуратный» метод, т.к. посетители определяются путем присваивания им специального уникального ID. Тогда как в серверных моделях, посетитель определяется по IP адресу своего компьютера, который не всегда может быть уникальным, если посетитель находится за фаерволом или прокси-сервером. В-третьих, системы расположенные на стороне клиента собирают данные непосредственно в базу данных, то есть программисту не нужно дополнительно проводить анализ лог-файлов сервера, что сокращает затраты технических ресурсов и времени.
Исходя из этого, для разрабатываемой подсистемы была выбрана модель, построенная на стороне клиента.
Рассмотрим более подробно механизм работы выбранной модели. Так для получения информации о клиенте используется технология AJAX. Специально разработанный код JavaScript внедряется на каждую html-страницу интересующего нас коммерческого веб-сайта. После чего, переходя между страницами коммерческого веб-сайта, клиент, незаметно для себя, передает информацию на сервер сбора статистических данных, где информация заносится в базу данных и анализируется. В таблице 1 представлены данные коммерческого веб-сайта, которые способна отследить описываемая система.
Необходимо отметить, что владельцу коммерческого веб-сайта выгодно использовать технологию AJAX, так как нагрузка на сервер коммерческого сайта не увеличивается. С другой стороны использование данной технологии предполагает обязательное наличие поддержки JavaScript браузером клиента.
Выделим следующие показатели, которые могут быть проанализированы или улучшены, благодаря собранным данным:
- прогнозирование посещаемости;
- эффективность веб-сайта. Дизайн, навигация, скорость, операции;
- коэффициент окупаемости инвестиций;
- маркетинговая стратегия по привлечению новых пользователей и по сохранению старых;
- поисковая оптимизация сайта (SEO);
- бизнес стратегия (линия продуктов, обновление ПО, скидки) [5].
Таблица 1 - Группы статистических отслеживаемых данных веб-сайта
| Группы данных | Категории |
|---|---|
| Цветовые гаммы и разрешение экрана | Веб-дизайн |
| Страницы входа/выхода | Функциональность веб-сайта (навигация) |
| Пользовательские пути переходов между страницами | Функциональность веб-сайта (навигация) |
| Информация о посетителях сайта | Функциональность веб-сайта (навигация), дизайн |
| ОС клиентский машин | Программное обеспечение |
| Расположение посетителей. Домены, IP-адреса | Маркетинг, целевая аудитория по странам |
| Язык посетителя | Маркетинг, целевая аудитория по языку. |
| Посетители по месяцам, дням, годам. Тенденции. | Прогнозирование. Инвестиции. Продукты. Маркетинг. |
| Посетители по ключевым словам и поисковым системам. | SEO маркетинг. |
| Посетители по направлениям | Маркетинговая стратегия. |
| Посетители с учетом скидок. Статистика скидок. | Бизнес стратегия. Ценообразование. Маркетинг. |
| Вернувшиеся посетители, клиенты. | Бизнес стратегия. |
| Транзакции (подписки, покупки и др.). | Бизнес стратегия. Маркетинговая стратегия. |
Существует много областей и различных аспектов коммерческих веб-сайтов, где применение интеллектуальных методов могли бы решить задачи или выявить проблемы этих веб-сайтов, используя их статистику.
Как упоминалось до этого это мог бы быть дизайн сайта, цена на продукты, усовершенствование ПО и пр. В моей работе нейронные сети применяются для развития модели маркетинговой стратегии, а именно для определения какие маркетинговые методы, являются наиболее эффективными и привлекают больше всего потенциальных клиентов на веб-сайт. Нейронные сети, как одно из возможных решений, были выбраны из-за их эффективности при решении нелинейных задач. Т.к. потоки кликов (clickstreams) при рассмотрении имеют большую нелинейность из-за непредсказуемости поведения посетителей веб-сайта [8].
Обычно пути переходов имеют достаточно разные характеристики относительно друг друга. Однако некоторые шаблоны все таки можно выделить. Нейронные сети могут быть полезными при выделении таких шаблонов и категоризации посетителей [9]. Математически путь перехода посетителей мог бы быть определен следующим набором значений:
[(Pi,ti,1) (Pi,ti,2),…, (Pi,ti,n)] , где i=1..n – это поток кликов, который посетитель создает пока посещает разные страницы P за разное время t. Визуально такой путь переходов может быть представлен как изображение шаблона (рисунок 3).
Когда пользователь переходит по ссылкам сайта, которые содержат регистрационные формы, корзину с товарами, то такой пользователь может быть идентифицирован как потенциальный покупатель, либо как очень заинтересованный в нашем сервисе клиент [10]. Моя цель найти и идентифицировать шаблон характеризующий такого пользователя. Конечным пунктом исследования является определение, какой из маркетинговых методов для текущего веб-сайта работает более эффективно.
Специфика анализа электронных продаж обусловлена возможностью достаточно легкого доступа к информации, которую трудно получить в обычных условиях торговли, а именно, полностью проследить поведение клиентов, а также достаточно точно преобразовать качественные показатели в количественные.
Проанализировав существующие модели сбора информации о клиентах коммерческих веб-сайтов, была выбрана модель, которая базируется на стороне клиента. Сбор полученных с помощью данной модели данных, и соответствующий их анализ с помощью нейронных сетей, даст возможность менеджерам коммерческого сайта эффективней управлять структурой веб-сайта и ассортиментом, избегая болезненного проседания рынка сбыта в условиях реальной экономики.
- «Онлайн торговля в Украине. Новые возможности для традиционных розничных сетей» С. Гурьев, Ф. Филлипс, А. Калиниченко [электронный ресурс]. - Режим доступа: http://www.appletonmayer.com/data/research/2010/1021/
- Электронная энциклопедия [электронный ресурс]. - Режим доступа: http://ru.wikipedia.org/wiki/Интернет-маркетинг
- Компания «Онвард» [электронный ресурс]. - Режим доступа: http://www.onwardspb.ru/faq/roi.html
- «Application of intelligent methods in commercial website marketing strategies development» Noreika Algirdas, ISSN 1392 - 124x Information technology and control, 2005, vol. 34, no. 2.
- «Организация сбора информации для повышения эффективности маркетинга коммерческих веб-сайтов» Шумаев К.К., Светличная В.А., Шумаева Е.А. - Інформаційні управляючі системи та комп'ютерний моніторинг (ІУС КМ-2011)/ Збірка матеріалів IІ всеукраїнської науково-технічної конференції студентів, аспірантів та молодих вчених (I том) – 11-13 квітня 2011 р., Донецьк, ДонНТУ – 2011, с. 294-297.
- ProNauku.com «Обзор Google Analytics» [электронный ресурс]. - Режим доступа: http://www.pronauku.com/obzor-google-analytics
- Яндекс.Помощь «Что такое метрика» [электронный ресурс]. - Режим доступа: http://help.yandex.ru/metrika/?id=1036908
- Yao J.,Teng N., Poh H.-L.,Tan C.L. . Forecasting and Analysis of Marketing Data Using Neural Networks. Journal Of Information Science And Engineering Vol.14, 1998, 843-862.
- Vellido A., Lisboa P.J.G., Meehan K. Characterizing and Segmenting the Online Customer Market Using Neural Networks. E-Commerce and Intelligent Methods Heidelberg, New York, Physica-Verl., 2002, 101-120.
- Prasad B. Intelligent Techniques For E-commerce. Journal of Electronic Commerce Research, Vol.4, No.2, 2003, 65 - 71.
Важное замечание!
При написании данного автореферата магистерская работа еще не завершена. Окончательное завершение: декабрь 2011 г. Полный текст работы и материалы по теме магистерской могут быть получены у автора или его руководителя после указаной даты.
↑ Вверх