XML Banner Feeding Optimized Technology March 2008 www.neodatagroup.com - info@neodatagroup.com 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
o Il sistema deriva delle regole associative del tipo A->B, cioè, chi ha acquistato il prodotto 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