Сколько действий, сколько поступков и сколько страниц отображается на вашем сайте, чтобы помочь пользователям принять решение?
Нужно ли вам минимизировать количество действий? Как уменьшение или увеличение количества шагов влияет на коэффициент конверсии и доходы?
В этой статье вы узнаете, как оптимизировать воронку продаж на реальных примерах.
Как настроить пробный вариант и проанализировать процесс достижения целей продаж
Спасибо за покупку! необходимо проанализировать всю последовательность с конкретными шагами на пути к сообщению «Спасибо за покупку!». Далее мы определяем оптимальное количество шагов, ведущих к сделке.
Начинаем с «узкой» части — приоритетных целей, таких как увеличение продаж, увеличение общей выручки, увеличение среднего чека и т. д. Затем мы проводим тесты на каждом шаге и пытаемся найти конкретные идеи для увеличения конверсии. Это и есть S O-CALLED lift resolution.
Главная задача в процессе экспериментов — понять мотивацию и менталитет аудитории и использовать эти знания, чтобы избежать препятствий.
По данным Econsultancy, 78 % компаний, использующих такой структурированный подход, в конечном итоге добиваются прибыльности.
Основные объекты лифтингового анализа.
Являются ли короткие ссылки лучшим способом?
Возможно, да. А может, и нет. Есть только один способ узнать это — попробовать.
Вот несколько примеров из реальной жизни
Telestream, платформа для создания и распространения видеоконтента
TeleStream привлекает клиентов через свой веб-сайт. На сайте клиенты могут приобрести программное обеспечение, скачать его и сразу же начать использовать.
Чтобы оптимизировать процесс достижения целевых показателей продаж, менеджер по маркетингу компании провел A/B-тест.
Оригинальная версия страницы продаж с тремя основными этапами:
Однако дополнительное действие также чревато тем, что пользователь уйдет, не завершив сделку. Что же побеждает в итоге?
Второй вариант оказался более эффективным — конверсии увеличились на 6,8 %.
Второй пример — Magento, дочерняя компания eBay Inc, предоставляющая программное обеспечение для создания электронных магазинов.
Процесс покупки на Magento отличается от процесса покупки на TeleStream. На сайте нет прямых продаж. Magento использует его для создания покупателей-первопроходцев.
Целевой энергией является заполнение демонстрационной формы. Итоговая конверсия измеряется заполнением пользователем этой формы.
Для анализа продаж использовались два варианта
Два этапа: приглашение к действию на первой странице и форма на второй.
И одна страница, где поле находится на той же странице, что и CTA.
Второй вариант увеличил конверсию на 32,4 %.
Вывод.
В фанфике продаж нужны абсолютно одинаковые вещи, чтобы выстроить всю цепочку наилучшим образом — от внимания до продажи.
Экспериментируйте: сокращайте или добавляйте элементы, меняйте оформление страниц и используйте контент, чтобы найти «золотую середину» в оптимизации процесса достижения целей продаж.
1 день, 100 000 Шаг 2
Мы хотим показать людям, чем они занимаются, когда им нечего делать.
Когда-то давно я увидел пост @Fishgay, в котором он хотел пройти 100 000 шагов за день, и я решил, что тоже хочу попробовать, но время шло, а у меня не получалось. Изоляция, путешествия, лень вставать по утрам, но вчера я смог встать и пройтись!
Наконец-то я «дернулся», и с 9-го до следующего дня прошло около 15 часов.
Вообще, обычно я не хожу долго и никогда не проходил 50000 шагов, так что это было немного сложно. Но самым сложным было идти по автостраде. Сначала я решил не идти по дороге, а пойти направо, где дороги не было. Маршрута хватило, но, возвращаясь, я решил идти по дороге.
(Сегодня мне уже трудно вставать, мышцы повреждены, но 80 километров за один день)!
Стихотворение Примерный маршрут
6. 1K сообщений 15. 2K подписчиков
Правила сообщества.
Разрешено только спортивное поведение. Обсуждайте спорт адекватно в своих словах и в дискуссиях. У каждого есть свои взгляды на спорт, и ваши взгляды нужно уважать. В остальном — свобода слова и самовыражения. Достаточно не нарушать правила сайта*.
Автор, сколько вам лет? Вы профессионально занимаетесь спортом? Среднестатистический человек не проходит 80 км за день.
Я недавно прошел 45 в мокрых ботинках с мембраной и 2500 метров, возвращаясь с гор.
Прошел месяц, а кожа до сих пор шелушится от этих мозолей.
Сел в такси и меня тащили домой почти 4 человека, так как я думал, что мои колени взорвутся.
(Прочитав посла Т, хотелось бы повториться, но нет).
Автор, как вы это делали, отдых в час, что у вас было на ногах, какой уровень подготовки у вас и вес.
Я готовился к такому походу два месяца (50 мм шагов каждые три дня, постоянны е-25 мм в день)
В тот день я начал поход примерно в 07:30. Закончил в 23:00. После 30 км, после 45 км левая половина тела начала отваливаться. Наконец, прошло 7 км, и я понял, что больше не могу продолжать, сел в такси и поехал домой.
На ногах не было живого места — компактные водяные мозоли.
После 45 километров я отдыхал каждый час по 10 минут — 5 минут, 5 минут, последний километр шел, наверное, час, но не больше. Полчаса перерыв на обед. Итого 60 километров.
Для меня лично как пройти 80 км за 15 часов и не умереть — это «мистический» способ.
(Отсюда следует, что подготовка и сам ритм должны быть подробно описаны).
Ранжирование функций с помощью рекурсивного исключения функций в Scikit-Learn
‘Машинное обучение’ на пороге начала курса. Профессионал» публикует переводы полезных статей.
Характеристика — важная задача для приложений машинного обучения. Они особенно важны, когда в данных много признаков. Оптимальное количество признаков повышает точность модели. Найти наиболее важные характеристики и оптимальное количество признаков можно, определив важность характеристики или классификации. В этой статье вы узнаете о классификации признаков.
Ретроспективное удаление признаков
Первое, что необходимо для ретроспективной характеристики, — это оценщик, например линейная модель или дерево решений.
Такие модели обладают скоростью линейных моделей и важностью признаков, которые создают дерево решений. Чтобы выбрать оптимальное количество признаков, оценщики должны быть обучены, а для отбора признаков используются показатели скорости или значимости признаков. Наиболее важные признаки удаляются. Этот процесс повторяется ретроспективно, пока не будет достигнуто оптимальное количество признаков.
В Scikit-Learn ретроспективные функции можно применять с помощью класса sklearn.featureSelection.rfe. Класс принимает следующие параметры.
После обучения можно получить следующие характеристики
Как уже говорилось выше, работа с оценщиками, которые предоставляют атрибуты важности или коэффициента для признаков. Рассмотрим небольшой пример. Изначально в наборе данных имеется 13 функций. Мы будем работать над экспортом оптимального количества функций.
Import pandas as pddf = pd. read_csv ('heart. csv') df. head ()
x = df. drop (['target'], axis = 1) y = df ['target'].Разделите исходный набор данных на тестовый и обучающий наборы.
by sklearn. model_select import train_test_split x_train, x_test, y_train, y_test = train_test_split (x, y, random_state = 0)Импорт Pipeline из Sklearn. pipeline из Sklearn. Model_Selection Импорт RepeatedStratiTifieDKFOLD из Sklearn. Model_Selection Импорт cross _val_scoreПервым шагом является создание кейса класса RFE путем определения количества признаков, которые будут оцениваться. В нашем случае мы выбрали 6.
rfe = rfe (atmator = gradientboostclassifier(), n_features_to_select = 6)Далее создайте кейс для используемой модели.
Model = GradientBoostClassifier()Преобразуйте данные с помощью конвейера. В конвейере задаются шаги признаков и RFE модели для признаков, которые будут использоваться на следующем шаге.
Затем определяются 10 делений и 5 итераций для повторения. Многочисленные пересекающиеся проверки K-блоков гарантируют, что количество образцов в каждом классе сбалансировано в каждом блоке. RepeatedStratifiedKFold вращает несколько разных k-блоков на разных итерациях.
Pipe = Pipeline (['Feature Select', Y_Train, Scoring = 'Accury', CV = CV, n_jobs = -1) np. mean (n_scors)Следующим шагом будет использование конвейерной обработки набора данных.
pipe. fit (x_train, y_train).Это позволяет контролировать поддержку и ранжирование. Поддержка указывает, выбрана ли характеристика.
rfe. support_ array ([true, false, true, false, true, false, false, false, false, false, false, false, false, false, fals, fals, true, true, true, true] ）））））Его можно поместить в ящик данных для проверки результатов.
pd. dataframe (rfe. support_, index = x. columns, columns = ['rank'])
Можно также отобразить связанные рейтинги.
rf_df = pd. dataframe (rfe. ranking_, index = x. columns, columns = ['rank']).
Автоматические характеристики
Вместо того чтобы вручную настраивать количество функций, хорошо бы иметь возможность выполнять их автоматически. Этого можно достичь с помощью ретроспективных характеристик и взаимной оценки. На этом этапе может помочь класс sklearn. featureSelection. rfecv. Он принимает следующие параметры.
На первом этапе мы представляем класс и создаем его случай.
sklearn. feature_selection import rfecvrfecv = rfecv (from atmator = gradientboostclassifier())Далее определяются линии выплат и резюме. Этот конвейер использует созданный RFECV.
pipeline = pipeline (['feature select' train, y_train, scoring = 'accuracy', cv = cv, n_jobs = -1) np. mean (n_scors)Теперь применим проводник и получим оптимальное количество функций.
pipeline. fit (x_train, y_train)Для получения оптимального количества функций можно использовать атрибут nfeatures.
print («Оптимальное количество функций: %d»%rfecv. n_features_) Оптимальное количество функций: 7Классификация и поддержка могут быть получены тем же способом, что и раньше.
rfecv. support_rfecv_df = pd. dataframe (rfecv. ranking_, index = x. columns, columns = ['rank']).GridScores можно использовать для построения графиков с рейтингами, возникающими из перекрестных — валидных — оценок.
Import matplotlib. pyplot as plt plt. figure (Figure = (12. 6)) plt. xlabel ('Количество выбранных признаков') plt. ylabel ('Оценка перекрестной валидации (модифицированная классификация NB (1, len(rfecv. grid_. scores_) + 1), rfecv. grid_scores_) plt. show()
Вывод.
В задачах регрессии этот метод также применим. Просто вместо мер точности используйте меры регрессии. Надеемся, что эта статья дала представление о том, как выбрать оптимальную функцию для поставленной вами задачи машинного обучения.
Узнайте больше о курсе «Машинное обучение» здесь. Выберите «Профессионал» и пройдите курс «Инкорпорация» здесь.
Читать далее:
Для кого оно подходит?
Новички беспокоятся, что не смогут выполнить программу упражнений или сделают что-то не так. SOTKA призвана развеять все страхи. Не нужно бояться длинных или сложных упражнений. Вы не запутаетесь и не потеряетесь в огромном количестве упражнений. Впрочем, приложение подходит и для опытных спортсменов.
Часто люди в силу разных ситуаций (отсутствие реального времени или обычная лень) не могут организовать себя. Просто установите время, и программа сообщит вам о необходимости тренировок.
Потому что вам это нужно.
И правда, существует множество приложений для занятий спортом. Но SOTKA — это больше, чем просто программа со списком упражнений. Прежде чем читать всю статью, рекомендуем посмотреть официальное видео.
Сразу после этого рекомендуем ознакомиться с информацией, без которой будет сложно. Перечислите все названия.
Теперь можно смело нажимать кнопку «Старт».
Небольшие недостатки приложения
К сожалению, они есть, но они не особенно существенны. Некоторым может не понравиться отсутствие флешбэка в определенные дни. Если вы чувствуете, что не можете следовать программе, назад дороги нет. Подойдет только способность тренироваться самостоятельно, а программа будет ждать вас в день остановки.
Преимущества.
Сейчас в Telegram-канале проходит розыгрыш пары флагманских наушников COMMO Immersive. Участвуйте!
detector