1. Czy Twoi klienci są jednakowi?
Personalizacja rekomendacji jako
przewaga konkurencyjna
Paweł Wyborski, CEO
Quartic
Quartic. Inteligentny System Personalizowanych Rekomendacji

2. Agenda
Poznajmy się
Czym są Rekomendacje
System rekomendacji
Case study
2

3. Firma – Quartic sp. z o.o. - Udziałowcy
+
Customer Intelligence E-commerce
 Firma doradcza, specjalizująca się w  Kompleksowe wdrożenia e-commerce
Customer Intelligence.
 Wieloletnie doświadczeniem w
 Jesteśmy ekspertami w dziedzinie projektowaniu, badaniu i ulepszaniu
data mining i sztucznej inteligencji. serwisów internetowych i
oprogramowania.
 Umożliwiamy wykorzystanie
potencjału gromadzonych danych o  Strategia, marketing, optymalizacja i
zachowaniach klientów do działań projektowanie.
biznesowych.
 Wdrożenia, integracje i hosting.
 Nasz Know-How powstał w oparciu o
doświadczenia w zarządzaniu
wielomilonowymi bazami klientów.
3

4. Nasi Klienci
4

5. Agenda
Poznajmy się
Czym są Rekomendacje
System rekomendacji
Case study
5

6. Problem właściciela e-commerce
???

7. Rozwiązanie - Personalizowane Rekomendacje
Rekomendacje
pomagają
ODKRYWAĆ
klientowi jaki
produkt może
jeszcze kupić
ONLINE

8. Rekomendacje - przykłady
Personalizowane rekomendacje dla każdego
użytkownika
Inne produkty, które są powiązane z
przeglądanym produktem
Dopasowanie treści do preferencji
oglądającego
8

9. Agenda
Poznajmy się
Czym są Rekomendacje
System rekomendacji
Case study
9

10. Adresowane problemy
Jak zwiększyć wartość sprzedaży, koszyka w e-commerce?
Jak zwiększyć lojalność i satysfakcję klienta e-commerce?
Jak automatycznie identyfikować potrzeby użytkownika i dopasować
ofertę do jego potrzeb ?
Jak zrobić to szybko, tanio i przy zachowaniu wysokiej jakości?

11. Potencjał w danych dla rekomendacji
Sesja Katalog Transakcje i
Profil Klienta
użytkownika produktów Akcje
• Odwiedzane strony • Preferencje • Kategorie • Zakup produktu
• Wyszukiwania • Socjo/Demo • Cechy • Dodanie do
• Czas • Geografia • Tagi koszyka
• Kolejność kliknięć • Wielkość portfela • Cena, Marża • Wishlist
• Recency • Dostępność • FB – Like
Frequency • Oceny • Rekomendowanie
Monetary • Ocenianie,
Recenzowanie

12. Produkty powiązane, upsell
Filtrowanie:
Kategoria, Cena, Sortowanie:
atrybuty produktu, Cenie, Marży
wykluczanie , etc Promocji,
podobieństwie
Produkty podobne –
odpowiadające danej potrzebie
użytkownika
Produkty komplementarne –
produkty uzupełniające,
inspirujące
Promocje – Produkty
ustawione ręcznie
MIX
Treść Personalizacja:
Opisy produktu, Wykluczenia produktów,
Promocje które użytkownik już
Przyciski akcji kupił, widział itp..

13. Personalizacja dla użytkownika
Jeżeli masz 1000 klientów masz mieć 1000 różnych, dopasowanych
wersji sklepu
Sortowanie :
Cenie, Marży
Promocji,
Produkty dopasowane do podobieństwie
historii zakupów
Promocje z nowych kategorii,
z których użytkownik jeszcze
Filtrowanie nie kupił
Po kategorii, cenie,
marży innych Produkty dopasowane do
atrybutach produktu
historii aktualnej/ostatniej
sesji

14. Retargetowanie inside/outside
1. Użytkownik ogląda produkt  2. Wychodzi  3. Wraca
ponownie na stronę  4. Serfuje po sieci
Znamy Dopasowanie do potrzeb
użytkownika Dajemy inne propozycje, które
Przypominamy co mogą zainteresować
ostatnio oglądał użytkownika
Ramka może być umieszczona w dowolnym miejscu na
stronie www lub poza nią – sieć afiliacyjna !!!

15. Cross-Sell w koszyku
W zależności od zawartości
koszyka
Filtrowanie
kategorii, cenie, marży Produkty komplementarne
innych atrybutach
produktu
Akcja
Dodaj do koszyka i
pozostanie nadal w
Sortowanie : koszyku
Cenie, Marży
Promocji,
podobieństwie

16. E-mail, sms, mms, call center
Każdy klient może otrzymać za
pośrednictwem kampanii
marketingowej, indywidualną
propozycję zakupu produktów,
które bazują na historii zachowań
danego klienta na stronie

17. Warianty technologiczne
1 Ręczne generowanie i sterowanie rekomendacjami
Budowa własnego rozwiązania od podstaw
2
3 Wdrożenie komercyjnego silnika rekomendacji
4 AdSerwer rekomendacji – model SaaS
17

18. Rekomendacje w Modelu SaaS
Rekomendacje generowane są przez system zewnętrzny w czasie
rzeczywistym
SILNIK
REKOMENDACJI
ADSERWER
+ Sztuczna + WEB MART
Inteligencja
MODEL SaaS
integracja Plug & Play – Wklejenie skryptów w kod HTML strony
18

19. Technologia SaaS
Serwis WWW
Katalog produktów
adSerwer +
Zachowanie użytkownika Silnik rekomendacji
Rekomendacje online

20. Agenda
Poznajmy się
Czym są Rekomendacje
System rekomendacji
Case study
20

21. Case Study Empik.com – Rynek B2C
Empik jest liderem na polskim rynku dystrybucji dóbr kultury
oraz dynamicznie rozwijającą się marką na rynku ukraińskim.
Katalog produktów empik.com: 2 miliony
Liczba UU miesięcznie: 1 000 000
Udział sprzedaży z rekomendacji: 10%
CTR ramki z rekomendacjami: 16%
Konwersja z rekomendacji: 5 %
Test A/B: 30% większa konwersja niż silnik empik.com
(oparty o ATG)

22. Case Study Pasart.pl – Rynek B2B
Pasaż artystyczny - Pasart.pl jeden z największych
sklepów internetowych w Polsce oferujących
półfabrykaty do wyrobu biżuterii.
Katalog produktów: 7 000
CTR ramki z rekomendacjami: 19%
Wynik testu A/B
Wzrost wartości koszyka: 12%
Wzrost sprzedaży w całym sklepie: 6%
Wzrost wielkości koszyka: 8%

23. Dziękuję za uwagę !
www.quartic.pl
Paweł Wyborski, CEO
e. pawel.wyborski@quartic.pl
m. +48 501 00 14 13
Beata Gubiec, Dyrektor Marketingu i Sprzedaży
e. beata.gubiec@quartic.pl
m. +48 608 419 887
23