Оптимизация 1с: Ускорение и оптимизация систем на 1С:Предприятие 8.3, Курсы по 1С

Key differences between different pricing concepts

Что машинное обучение может сделать для оптимизации розничных цен

Стратегии ценообразования, используемые в розничной торговле, имеют некоторые особенности. Например, розничные продавцы могут определять цены на свои товары, принимая цену, предложенную производителем (обычно известную как MSRP). Это особенно верно в случае основных продуктов. Другой простой стратегией является краеугольный камень, который заключается в определении продажной цены как удвоенной оптовой цены или себестоимости продукта.

Хотя эти и другие стратегии широко используются, Машинное обучение позволяет розничным торговцам разрабатывать более сложные стратегии, которые намного лучше работают для достижения их KPI . Методы машинного обучения можно использовать разными способами для оптимизации цен. Давайте рассмотрим типичный сценарий.

Например, широко распространенный метод стратегии ценообразования, расширяющий эту технологию, — это динамическое ценообразование . Используя эту стратегию, розничные торговцы могут динамически изменять цены на свои товары в зависимости от текущего рыночного спроса 9.0008 . Однако динамическое изменение цен без учета целевой функции может привести к неоптимальным результатам. Именно поэтому мы предлагаем использовать динамическое ценообразование совместно с методами оптимизации цен.

Типичный сценарий

Представьте себе продавца электронной или обычной розничной торговли, который хочет оценить лучшие цены на новые товары для следующего сезона. Конкуренция жесткая, поэтому необходимо учитывать их цены и акции. Поэтому ритейлер применяет широко используемую стратегию: конкурентное ценообразование. Проще говоря, эта стратегия определяет цену продукта или услуги на основе цен конкурентов.

Давайте рассмотрим шаги, необходимые для разработки решения машинного обучения для этого варианта использования.

Процесс определения цен в розничной торговле с оптимизацией цен с использованием машинного обучения.

1. Собрать исходные данные

Прежде всего, нам нужны данные. Для обучения моделей машинного обучения необходимо иметь разные типы информации (структурированные или неструктурированные данные):

• Транзакционная : история продаж, включающая список приобретенных продуктов и, в конечном итоге, клиентов, которые их приобрели.
• Описание продуктов : каталог с соответствующей информацией о каждом продукте, такой как категория, размер, бренд, стиль, цвет, фотографии и стоимость изготовления или покупки.
• Данные о прошлых акциях и прошлых маркетинговых кампаниях.
• Отзывы клиентов : отзывы и отзывы клиентов о продуктах.
• Данные о конкурсе : цены применяются к идентичным или подобным продуктам.
• Инвентаризация и данные о поставках .
• В случае физических магазинов: информация об их географическом расположении и о конкурентах.

Для получения дополнительной информации ознакомьтесь с этой публикацией, в которой описаны действия, необходимые для подготовки ваших данных к оптимизации цен.

В зависимости от установленных KPI и способа моделирования решения некоторые из этих данных могут не понадобиться. Например, если информации о покупателях мало или она отсутствует вовсе, что иногда бывает в случае с обычными розничными торговцами, модель, тем не менее, можно обучить.

Напротив, информация о конкурентах имеет решающее значение для стратегии конкурентного ценообразования. Во многих случаях можно даже подключиться через API к этой информации или отслеживать ее в режиме онлайн. Ознакомьтесь с реальным примером сбора данных здесь.

2. Определение целей и ограничений

Следующим шагом является определение стратегических целей и ограничений.

Розничные торговцы могут преследовать уникальную, четкую цель максимизации прибыли. Однако они также могут быть заинтересованы в лояльности клиентов (например, в увеличении чистого рейтинга промоутера или коэффициента конверсии) или в привлечении нового сегмента (например, молодежи).

Ограничения могут носить юридический характер (например, если осуществляется какой-либо контроль цен продажи), они могут быть связаны с репутацией компании (например, боязнь плохого имиджа из-за применения благоприятных цен только для определенного сегмент покупателей) или связаны с физическими аспектами, такими как вместимость магазина или среднее время доставки.

Каждый конкретный сценарий влияет на способ моделирования проблемы. Можно и обычно очень интересно тестировать разные сценарии для одного и того же ритейлера, что предполагает использование разных моделей.

3. Моделирование и обучение

На этом этапе ранее собранные данные используются для обучения моделей машинного обучения. Существует множество моделей, которые можно использовать для оптимизации цен. Исторически использовались обобщенные линейные модели (GLM) (в частности, логистическая регрессия). Однако за несколько лет были разработаны более сложные и мощные методы. Например, в зависимости от объема доступных данных можно использовать методы глубокого обучения или даже методы обучения с подкреплением.

В этом случае, когда мы имеем дело с новыми товарами следующего сезона, возникает дополнительная трудность, поскольку нет данных о предыдущих товарах. Интересно то, что модели машинного обучения будут знать, как найти похожие продукты и быть эффективными, несмотря на отсутствие конкретных предварительных данных. То же самое происходит и с розничными торговцами, которые продают редкие или экзотические товары.

Вы можете посмотреть реальный пример моделирования прогнозирования спроса здесь.

4. Выполнение и корректировка цен

После обучения модели можно оценить цены на новые продукты и протестировать их. В зависимости от моделирования оценка может быть точной ценой или диапазоном. Цены, полученные с помощью модели, впоследствии могут корректироваться вручную продавцом и регулярно оптимизироваться.

Дополнительные возможности использования машинного обучения для оптимизации цен

Машинное обучение можно использовать для других задач, связанных с ценообразованием в розничной торговле. Например, для нового продукта алгоритм кластеризации может быстро связать его с аналогичными продуктами, чтобы получить вероятный ценовой сегмент . Другая убедительная возможность состоит в том, чтобы совместно предсказать цены и спрос на товары, которые никогда не продавались .

В более общем плане машинное обучение может быть отличным инструментом для идей :

• Каким образом резкое снижение цен на рубашки повлияет на продажи брюк?

• Повлияют ли попытки продать больше ручек на сопутствующие товары, такие как чернила, блокноты или рабочие программы?

• С большей или меньшей вероятностью клиенты, купившие определенный компьютер, купят мониторы в следующем месяце?

• Чувствительны ли клиенты, не проявлявшие активности в течение последнего года, к рекламной кампании?

Это лишь некоторые примеры вопросов, на которые могут ответить модели машинного обучения.

Преимущества оптимизации цен с помощью машинного обучения

Помимо автоматизации и скорости, есть несколько преимуществ использования машинного обучения для оптимизации цен.

Во-первых, модели машинного обучения могут учитывать огромное количество продуктов и оптимизировать цены во всем мире . Количество и природа параметров, а также их многочисленные источники и каналы позволяют им принимать решения, используя точные критерии. Это сложная задача, если розничные продавцы пытаются сделать это вручную или даже с помощью базового программного обеспечения.

Например, известно, что изменение цены товара часто влияет на продажи других товаров таким образом, что человеку очень трудно предсказать. В большинстве случаев точность решения машинного обучения будет значительно выше, чем у человека. Кроме того, ритейлеры могут изменить KPI и сразу увидеть, как модели пересчитывают цены для новых целей.

Во-вторых, анализируя большое количество прошлых и текущих данных, машинное обучение может предвидеть тенденции достаточно рано . Это ключевой вопрос, который позволяет ритейлерам принимать соответствующие решения по корректировке цен.

Наконец, в случае конкурентной стратегии ценообразования решения машинного обучения могут выиграть от систем, которые могут постоянно сканирует Интернет и социальные сети для сбора ценной информации о ценах конкурентов на те же или аналогичные продукты, что клиенты говорят о продуктах и ​​конкурентах, а также о сделках конкурентов на определенные продукты, а также их историю цен за последнее число дней или недель.

Система, способная изучить большую часть того, что происходит на рынке, позволяет розничным торговцам иметь больше информации, чем их конкуренты, для принятия более эффективных решений.

Оптимизация цен для обычных и интернет-магазинов

Хотя применение машинного обучения может показаться более естественным в случае с интернет-магазинами, обычные ритейлеры могут извлечь выгоду из этой технологии.

На самом деле, в обычных розничных магазинах изменения цен происходят реже, и, таким образом, у них больше возможностей для улучшения и адаптации к текущему спросу.

Цифровые ценники позволяют обычным розничным продавцам изменять цены так же часто, как и сайты электронной коммерции. Однако даже без цифровых ценников можно выполнять еженедельные или ежемесячные изменения цен, чтобы соответствовать текущему спросу и максимизировать прибыль.

Мы доказали наш подход в работе с одним из крупнейших туристических ритейлеров в мире с более чем 400 магазинами по всему миру и более чем 160 миллионами клиентов в год. Мы помогли им увеличить валовую прибыль на 28% за счет еженедельного изменения цен в магазине .

Оптимизация цен и прогнозирование спроса с помощью машинного обучения во время кризиса

На момент публикации этого поста мы находимся в середине глобального экономического спада из-за вспышки COVID-19. Как и во всех рецессиях, это напрямую влияет на потребительские расходы, что напрямую влияет на продажи во многих отраслях. Чтобы проиллюстрировать это, Revenue Collective сообщает, что 95,6% компаний, опрошенных по состоянию на 9 апреля, уже заметили влияние на бизнес, а 72% из них уже пересмотрели свои годовые прогнозы продаж.
Таким образом, не новость, что большинство предприятий не работают в обычном режиме (BAU) , что вызывает следующий вопрос: можем ли мы по-прежнему использовать машинное обучение для прогнозирования спроса в этом сценарии?

Наш ответ: «Да, но с учетом новых моментов». В сценарии BAU модели машинного обучения, скорее всего, будут использовать исторические данные о продажах и коррелированные внешние данные для получения таких сведений, как сезонность, соответствующие даты продаж и реакция конкурентов. Во время кризиса, когда рынок ведет себя не так, как обычно, исторические данные, скорее всего, не помогут предсказать будущие продажи. Чтобы дать отпор, нам нужно повысить важность краткосрочной информации (например, ежедневных продаж), понимая, что недавнее прошлое гораздо больше подходит для предсказания будущего. Практически это означает корректировка процесса разработки функций для взвешивания более краткосрочных задержек продаж , а не исторических.

Кроме того, проблема прогнозирования спроса также потребует включения в большего количества рыночных данных в реальном времени, чем до , а также внешних макроэкономических и социальных данных. Что касается данных в режиме реального времени, это означает регулярное обновление доступных рыночных данных, таких как данные о продажах, отток клиентов, намерения о продажах (например, добавление товаров в корзину, трафик на сайт конкурентов), цены конкурентов и т. д. На макроэкономическом уровне также могут быть рассмотрены такие данные, как потребительские расходы, безработица, ВВП и даже мобильность населения, сегментированные по городам/регионам, хотя в основном они представляются ежемесячно. Индикаторы фондового рынка (S&P 500, Dow Jones) также потенциально могут рассматриваться как показатель макроэкономических тенденций в реальном времени. Наконец, также могут быть положительные результаты за счет включения социальных данных, таких как зарегистрированные случаи COVID или государственная политика (например, продолжительность блокировки), для создания прогнозирования сценариев и их учета для моделирования будущего спроса.

Подводя итог, можно сказать, что в этом новом экономическом сценарии наш анализ по-прежнему заключается в том, что машинное обучение может быть эффективно использовано для построения точных прогнозов спроса и оптимизации стратегии ценообразования. Ключевыми адаптациями сценария BAU будут включение большего количества данных в реальном времени (рыночные и макроэкономические данные) + адаптация моделей для учета более краткосрочных задержек по сравнению с историческими данными . Также стоит отметить, что понимание бизнеса и человеческое суждение по-прежнему будут играть ключевую роль в создании этого решения.

Компании, использующие машинное обучение для оптимизации цен

Оптимизация цен со значительным успехом использовалась в таких отраслях, как гостиничный бизнес, авиаперевозки, прокат автомобилей и розничная торговля через Интернет.

Одна из первых историй успеха произошла в начале 2000-х, когда Hilton Hotels Corp и InterContinental Hotels Group решили отказаться от фиксированных тарифов в пользу гибкой схемы, включая стратегии динамического ценообразования. В те годы цены на номера менялись один-два раза в день. Текущие вычислительные мощности позволяют изменять цены практически в режиме реального времени.

Гостиничный бизнес продолжает использовать стратегии динамического ценообразования, полностью основанные на машинном обучении. В настоящее время Airbnb предлагает динамический ценовой инструмент, который рекомендует цены своим хозяевам с учетом таких параметров, как сезонность, день недели или особые события, а также более сложные факторы, такие как фотографии сдаваемой в аренду недвижимости или цены, указанные в объявлении. район. Другие компании, такие как eBay и Uber, применяют аналогичные подходы.

Amazon — еще один крупный игрок, когда речь идет о стратегиях динамического ценообразования. Для сравнения: в 2012 году Amazon меняла цены намного чаще, чем ее конкуренты, а в 2013 году они меняли цены уже 2,5 миллиона раз в день. Такое динамичное изменение цен неофициально известно как Эффект Амазонки.

В мире розничной торговли самые популярные примеры были в электронной коммерции, но и обычные розничные торговцы не остались в стороне. Хотя трудно точно знать все розничные компании, использующие машинное обучение для оптимизации своих цен и операционных процессов, тем не менее, есть некоторые известные истории успеха.

Такие компании, как Ralph Lauren и Michael Kors, используют машинное обучение, чтобы предлагать меньше скидок и лучше управлять своими запасами, стремясь увеличить размер прибыли, даже рискуя потерять небольшую прибыль. Еще один известный случай — Zara, которая использует машинное обучение, чтобы свести к минимуму рекламные акции и быстро адаптироваться к меняющимся тенденциям. Есть много других историй успеха, таких как Morrisons — одна из крупнейших сетей супермаркетов в Соединенном Королевстве, bonprix — международная компания моды, базирующаяся в Германии, или Monoprice — американский розничный продавец электроники B2B и B2C — и другие. Хотя информации о точном моделировании проблем нет, известно, что эти компании используют возможности машинного обучения для увеличения своих доходов и улучшения операций.

Получайте последние новости об оптимизации цен

Подпишитесь на наши цены с информационным бюллетенем ML.

Введите адрес электронной почты *

Заключительные мысли

В настоящее время мир движется к более частому изменению цен, и использование современных стратегий ценообразования на основе данных является обязательным. В исследовании, проведенном Bain & Company, они показывают, что лучшие компании в разных отраслях почти в два раза чаще устанавливают динамичные цены.

Будь то рынок электронной коммерции или обычный розничный магазин, оба используют преимущества динамического ценообразования и оптимизации цен.

Оптимизация цен помогает розничным торговцам понять, как клиенты будут реагировать на различные ценовые стратегии для продуктов и услуг, и установить лучшие цены. Модели машинного обучения могут учитывать ключевые переменные ценообразования (например, историю покупок, сезон, запасы, цены конкурентов), чтобы находить лучшие цены, даже для обширных каталогов продуктов или услуг, которые могут достичь установленных KPI.

Эти модели не требуют программирования. Они изучают закономерности из данных и способны адаптироваться к новым данным. Они позволяют ритейлерам быстро проверять различные гипотезы и принимать наилучшие решения.

Что, вероятно, важнее всего помнить, так это то, что использование машинного обучения в мире розничной торговли продолжает расширяться, и все признаки указывают на то, что эта тенденция сохранится в ближайшие годы.

Вопрос больше не стоит применять динамическое ценообразование или нет. Но вопрос в том, как это сделать, чтобы оставаться прибыльным.

Компания Tryolabs специализируется на решениях по машинному обучению для розничных компаний. С 2010 года мы работаем с несколькими ритейлерами, что позволило нам лучше понять возможности, проблемы и доступные решения в отрасли.

Тактика ведения блога, о которой никто не говорит: оптимизация прошлого

Девять месяцев назад я проанализировал отчет, который изменил не только мою роль в команде блогов HubSpot, но и всю редакционную стратегию блога. Результаты были не чем иным, как открытием. И я говорю не только о выводах из отчета — я также говорю о бизнес-результатах, которые мы получили благодаря изменению нашей стратегии ведения блога 9.0399 потому что тех находок.

Это изменение является текущим внутренним проектом, который мы называем «исторической оптимизацией». Цель? Обновляйте старый контент блога и получайте от него больше трафика и потенциальных клиентов.

Отлично для нас, правда? Подождите — это здорово для вас тоже. Я пишу обо всем этом, потому что любой опытный блогер, которому поручено выращивать и масштабировать результаты, которые они получают из своего блога, должен знать об этом. Дело в том, что никто толком об этом не говорит… пока.

В результате продолжающейся исторической оптимизации HubSpot мы смогли извлечь гораздо больше пользы из контента, который мы публиковали в прошлом. На самом деле…

• Мы более чем удвоили количество ежемесячных лидов, генерируемых старыми постами, которые мы оптимизировали.

• Мы увеличили количество ежемесячных просмотров старых постов, которые мы оптимизировали, в среднем на 106%.

Итак, я расскажу вам историю проекта исторической оптимизации, объясню, что мы сделали для достижения этих результатов, а также коснусь того, как вы можете это сделать.

Хотите обзор всех обязательных советов по ведению блога в 2021 году? Прежде чем углубляться в историческую оптимизацию, просмотрите это краткое видео:

Что такое историческая оптимизация?

Проще говоря, историческая оптимизация означает оптимизацию вашего «старого» контента блога, чтобы он был свежим, актуальным и мог генерировать еще больше трафика и конверсий, чем уже есть. Под «старыми» я подразумеваю сообщения, которые уже существуют в вашем блоге, независимо от того, написали ли вы их в прошлом месяце или три года назад.

Если вы не уверены, действительно ли это имеет место в вашей стратегии ведения блога, позвольте мне рассказать вам историю о том, как мы сосредоточились на исторической оптимизации и почему мы поняли, что это так важно.

Я только что вернулась на работу после трехмесячного отпуска по беременности и родам и узнала, что команда разработчиков только что выпустила новый инструмент маркетинговой платформы HubSpot под названием «Отчеты об атрибуции».

Отчеты об атрибуции позволили нам лучше определить, сколько новых потенциальных клиентов было непосредственно создано каждым из наших отдельных сообщений в блоге. И поскольку я отвечаю за оптимизацию и развитие основных блогов HubSpot, я начал анализировать наши отчеты об атрибуции, как только смог, надеясь обнаружить некоторые действенные крупицы мудрости, которые моя команда могла бы так или иначе использовать.

Открытия из анализа отчета об атрибуции

Анализ моего отчета об атрибуции был попыткой определить, какие из наших сообщений в блоге оказали наибольшее влияние на создание потенциальных клиентов — какие сообщения привлекли наибольшее количество посетителей, чтобы щелкнуть призыв к действию в рамках публиковать и конвертировать на целевой странице, на которую они были направлены. Другими словами, используйте атрибуцию последнего касания, чтобы точно определить, какие публикации непосредственно привели к лидогенерации.

Когда я вышел с другой стороны этого анализа, вот что я обнаружил:

• 76% просмотров нашего ежемесячного блога приходятся на «старые» сообщения (другими словами, сообщения, опубликованные до этого месяца).

• 92% наших ежемесячных лидов в блогах также приходят со «старых» постов.

Таким образом, если бы вся команда ведения блога отправилась в отпуск на месяц, мы бы по-прежнему генерировали 76% трафика и 92% лидов, которые в противном случае были бы получены за счет публикации нового контента. Это может показаться чрезмерным упрощением, но все же… чушь, верно?

Вот еще один сумасшедший факт, который я узнал:

• 46% наших ежемесячных лидов в блогах приходят всего из 30 отдельных сообщений в блогах.

Я позволю этому немного вникнуть.

Что, если я также скажу вам , что мы публикуем около 200 новых сообщений каждый месяц , и в то время мы накопили почти 6000 сообщений в нашем блоге ?

Вот перспектива. На круговой диаграмме слева показано распределение ежемесячных лидов, которые мы генерировали, а на круговой диаграмме справа показано распределение постов в нашем блоге.

Это кажется безумием, верно?

Момент нашей лампочки: Оптимизация прошлого

Самое смешное, что это не должно было быть таким удивительным, как было. На самом деле, это именно то, чего вы ожидаете от входящего маркетолога. Получение постоянной ценности от старого контента — одно из основных преимуществ ведения блога. И источники трафика для наших лучших постов, генерирующих лиды, поддерживали это — все эти посты генерировали много трафика из органического поиска месяц за месяцем за месяцем.

Когда шок от всех этих находок прошел, мы должны были решить, что делать с этими новыми данными и информацией. Хотя мы знали, что не можем просто перестать создавать новый контент (в конце концов, «новое» в конце концов становится «старым»), было ясно, что нам нужно внести изменения в нашу стратегию ведения блога.

Мы пришли к двум выводам, которые стали основными компонентами проекта исторической оптимизации:

1) Выясните, как получить больше потенциальных клиентов из наших постов в блоге с высоким трафиком, но с низкой конверсией (AKA Historical Blog Conversion Optimization).

Возможность определить, какие посты были нашими главными генераторами лидов, означала, что мы могли также определить, какие посты были нашими худшими генераторами лидов. В сочетании с данными о трафике мы смогли определить, какие посты генерируют много трафика, но имеют низкий коэффициент конверсии, и потенциально могут генерировать гораздо больше потенциальных клиентов из контента, который у нас уже есть, улучшив эти коэффициенты конверсии.

2) Выясните, как получить больше трафика на наши посты с высокой конверсией (AKA Historical Blog Search Engine Optimization).

С другой стороны, мы также знали, что есть сообщения, которые хорошо конвертируются, но не получают большого трафика из месяца в месяц. Если бы мы могли оптимизировать поисковые системы для этих постов с высокой конверсией, мы потенциально могли бы повысить их рейтинг и генерировать больше трафика, который, как мы уже знаем, будет хорошо конвертироваться.

Другими словами, мы должны перестать сосредотачиваться только на совершенно новом контенте и попытаться получить больше трафика и потенциальных клиентов из контента, который у нас уже есть — мы должны оптимизировать прошлые .

Так родился проект исторической оптимизации.

Почему историческая оптимизация сейчас важнее, чем когда-либо прежде

В наши дни у нас есть проблема с перегрузкой контента. Просто взгляните на график ниже, который показывает количество новых сообщений в блогах, публикуемых на платформе блогов WordPress каждый месяц с октября 2006 года. 58 миллионов в мае! И это только на WordPress — он даже не принимает во внимание сообщения, опубликованные на других платформах для ведения блогов, таких как HubSpot.

По мере того, как все больше и больше компаний начинают осознавать важность контент-маркетинга, все больше и больше компаний создают контент. И по мере увеличения предложения растет и конкуренция за то, чтобы этот контент можно было найти в Интернете.

По словам Пола Хевердина из маркетингового агентства B2B Earnest (из отчета Forrester за 2014 год о построении аргументов в пользу контент-маркетинга), проблема заключается в том, что « предложение контента растет, а спрос остается статичным». Другими словами, люди, получающие весь этот контент, будут потреблять только ограниченное количество. Их спрос не растет вместе с предложением.

В результате, согласно тому же отчету Forrester, примерно 50% корпоративного контента совершенно не используется . Таким образом, для маркетологов, которые постоянно ведут блоги в течение некоторого времени и перед которыми стоят задачи по развитию и масштабированию своих блогов, ответ не может заключаться только в увеличении производства контента пропорционально целям роста, которых они должны достичь.

Вот почему так важна историческая оптимизация. Это не только способ получить больше от контента, который у вас уже есть; но это также способ получить преимущество в такой конкурентной среде контента. И последнее, но не менее важное: это способ принести еще большую пользу людям, читающим ваш контент. В конце концов, если люди будут продолжать находить ваш старый контент через поисковые системы, разве вы не хотите, чтобы он был свежим и актуальным?

Итак, как мы достигли тех результатов, о которых я упоминал в начале этой статьи?

Исторический блог.

Оптимизация конверсии

Сначала мы занялись частью проекта по оптимизации конверсии (выяснили, как получить больше лидов из наших постов с высоким трафиком, улучшив коэффициент конверсии просмотров в лиды). Хотя в прошлом мы проводили некоторую оптимизацию конверсии старого контента, без отчета об атрибуции у нас не было возможности узнать, улучшали ли внесенные нами изменения коэффициенты конверсии напрямую. Теперь мы сделали!

Учебник: оптимизация коэффициента конверсии на основе ключевых слов

Самое первое, что мы попробовали, — это оптимизация коэффициента конверсии на основе релевантности предложения, другими словами, сопоставление наиболее релевантного предложения, которое у нас было, с темой сообщения. Именно так мы подходим к выбору призыва к действию (CTA) для совершенно новых сообщений, но идея заключалась в том, что, поскольку мы расширили нашу библиотеку маркетинговых предложений за эти годы, у нас теперь может быть более релевантное и / или лучшее выполнение предложения, чем мы сделали, когда мы впервые опубликовали сообщение в блоге. 9. Причина заключалась в том, что этот подход был просто игрой в догадки — он был основан на предположениях о том, что ищут посетители поста в блоге.

Нам нужен был подход, основанный на данных, а не на предположениях. Тогда мы подумали, что, если мы сосредоточимся на конкретных ключевых словах, которые люди использовали для поиска этих сообщений? Зная, что основным источником трафика для этих сообщений были поисковые системы, такие как Google, мы решили, что можем гораздо точнее понять и удовлетворить потребности посетителей нашего блога, сопоставив предложение, которое мы продвигали в сообщении, с ключевыми словами, которые люди использовали для поиска. Найди это.

Другими словами, проникните в головы искателей и дайте людям то, что они действительно хотят.

Итак, мы попробовали это на одном из наших постов с самым высоким трафиком, который получил высокий рейтинг по ключевым словам » как написать пресс-релиз » и « шаблон пресс-релиза ».

Джекпот. Другими словами, этот пост генерирует в 3 раза больше лидов, чем до того, как мы оптимизировали его конверсию . Затем мы попробовали его еще на 12 наших самых посещаемых постах, и мы удвоили количество лидов, которые мы получили от них .

На самом деле, из 75 постов, которые мы оптимизировали по конверсии с помощью этого метода, мы увеличили коэффициент конверсии для каждого из них .

Как мы это сделали?

Как оптимизировать конверсию старых сообщений блога на основе ключевых слов

Я собираюсь дать краткое объяснение того, как выполнить оптимизацию конверсии на основе ключевых слов, но если вам нужно более подробное объяснение, загрузите нашу бесплатную электронная книга об исторической оптимизации здесь. Он объясняет каждый из шагов, описанных ниже, гораздо более подробно, а также предоставляет наглядный пример того, что именно мы делаем с публикациями, которые мы оптимизируем конверсией таким образом.

• Шаг 1: Экспортируйте аналитику своего блога, чтобы определить самые просматриваемые «старые» сообщения в блоге.

• Шаг 2: Определите, по каким ключевым словам находит каждое сообщение, используя комбинацию исследования ключевых слов и инструмента отслеживания ключевых слов, такого как HubSpot. Затем расставьте приоритеты в списке ключевых слов на основе одного или двух ключевых слов, из которых, по-видимому, поступает большая часть трафика каждого сообщения.

• Шаг 3: Конверсия Оптимизируйте свои сообщения, используя целевые ключевые слова, определенные на шаге 2, включив эти точные ключевые фразы в призывы к действию (CTA) ваших сообщений.

Исторический блог Поисковая оптимизация

Следующей частью проекта исторической оптимизации, за который мы взялись, была поисковая оптимизация. Если вы помните, цель исторической поисковой оптимизации — улучшить поисковый рейтинг для постов, которые уже хорошо конвертируются, но не получают большого трафика из поиска. Больше трафика на эти посты с высокой конверсией может привести к большему количеству лидов.

Кто-то однажды сказал (честно говоря, никто не может понять, кому отдать должное): «Лучшее место, где можно спрятать труп, — это вторая страница Google». Если вы не уверены, что я имею в виду, взгляните на следующую диаграмму из исследования 2014 года, проведенного Advanced Web Ranking, которая показывает рейтинг кликов для определенных позиций в органическом поиске в Google:

Эта диаграмма показывает, что в среднем результатов на первой странице Google получают 71% кликов . С другой стороны, результаты на второй и третьей страницах получают только около 6%. Кроме того, первые пять позиций на первой странице Google получают 68% всех кликов .

Другими словами, если вы хотите извлечь выгоду из львиной доли поискового трафика по заданному ключевому слову, вам нужно быть на первой странице — и вы должны быть в самом верху. Так как же сделать так, чтобы ваши сообщения в блоге появлялись в верхней части первой страницы?

Учебник: обновление и повторная публикация старых сообщений в блогах

Поскольку входящие ссылки по-прежнему являются одним из наиболее важных факторов ранжирования, нашей первой мыслью было использовать гостевой блог как способ генерировать больше входящих ссылок на контент, который мы хотели повысить в рейтинге. . Но учитывая, насколько сложно будет масштабировать такой подход, мы решили более внимательно изучить внутренние активы, над которыми у нас был больший контроль.

На протяжении многих лет мы баловались обновлением и повторной публикацией старого контента, который устарел. Мы таргетировали посты, которые, как мы знали, по-прежнему генерируют много органического поискового трафика месяц за месяцем, и наша цель состояла в том, чтобы поддерживать этот контент с высоким трафиком свежим и актуальным для наших поисковых посетителей.

Зная, что одним из факторов ранжирования Google является вознаграждение за свежесть, я догадывался, что одна из причин, по которой эти посты продолжали пользоваться успехом, заключалась в том, что мы постоянно обновляли их. Поэтому я посмотрел на нашу аналитику, чтобы исследовать. Конечно же, моя догадка, казалось, была правдой.

На этом графике показано, как с течением времени менялся рейтинг одного конкретного сообщения в блоге по ключевому слову «как использовать linkedin». Выделенная дата (26 марта 2014 г.) показывает, что этот пост занимал 19-е место (то есть внизу страницы 2) прямо перед тем, как мы обновили его 31 марта 2014 г. Если вы посмотрите на график, станет ясно, что произошло после этого.

Мне это казалось многообещающим. Что, если бы все, что нам нужно было сделать, чтобы улучшить рейтинг ключевых слов в наших сообщениях в блоге, — это обновить и опубликовать их как новые? Это было бы гораздо более масштабируемым решением для нас по ряду причин:

• Мы можем обновлять и повторно публиковать сообщения несколько сообщений в неделю.
• Он поддерживает более одной цели группы ведения блога: историческая оптимизация и создание нового контента.
• Он заменяет новый слот в нашем редакционном календаре.
• Часто это меньше работы, чем создание нового поста с нуля.

Мало того, это также улучшает взаимодействие с нашими посетителями из обычного поиска. Вместо того, чтобы находить в поиске устаревший и устаревший контент, они будут находить свежий, актуальный и более ценный контент. Вот это я называю беспроигрышным.

Итак, мы решили попробовать несколько постов.

Опять джекпот.

На приведенной ниже диаграмме показана выборка из шести сообщений в блогах, которые мы обновили и опубликовали повторно. Мы использовали просмотры, полученные в результате органического поиска, в качестве нашего основного KPI, потому что, если ранжирование ключевых слов для этих сообщений улучшится в результате обновления, это проявится в увеличении числа просмотров в органическом поиске.

Столбцы «до» представляют ежемесячные просмотры сообщений, сгенерированных из органического поиска до обновлений, а столбцы «после» представляют ежемесячные просмотры сообщений, сгенерированных из органического поиска после обновлений. Стоит отметить, что мы также выжидали период в 30 дней между временными рамками «до» и «после», чтобы дать Google некоторое время для улучшения рейтинга публикации на основе обновления.

В каждом случае мы увеличили количество ежемесячных просмотров, которые эти посты генерировали из органического поиска. А с помощью HubSpot для каждого из этих постов мы также можем изучить отдельные ключевые слова, по которым они ранжируются, и посмотреть, как эти рейтинги улучшились в результате обновления поста.

Основываясь на этом первоначальном успехе, обновления сообщений теперь являются регулярной частью нашей редакционной стратегии ведения блога. С тех пор, как мы начали масштабировать этот проект, мы добавили около 2-3 обновлений сообщений в неделю, и, как мы указывали ранее, мы увеличили количество ежемесячных просмотров в органическом поиске сообщений, которые мы обновляем и повторно публикуем, в среднем на 106%. .

И, учитывая, что мы также используем метод оптимизации конверсии на основе ключевых слов для всех постов, которые мы обновляем и повторно публикуем, мы также утроили количество ежемесячных лидов, которые мы получаем из постов, которые мы обновляли и повторно публиковали .

Почему обновление и повторная публикация старого контента блога приводит к улучшению позиций в поиске

Если вам интересно, почему этот подход работает так хорошо, вот несколько причин:

• Google поощряет свежесть. Как и поисковики. Как я упоминал ранее, в 2011 году Google ввел фактор свежести в свой алгоритм ранжирования. В этом есть смысл — высококачественный, ценный, свежий и актуальный контент — это именно то, что Google хочет предоставить пользователям, выполняющим поиск. Достаточно просто, не так ли? Но я также хочу поделиться с вами небольшим анекдотом: когда мы проводили тестирование юзабилити нашего последнего редизайна блога, одна из наших тестировщиков упомянула, что она сознательно рассматривает дату публикации, указанную на страницах результатов поисковой системы (SERPs), для результатов, которые она с учетом щелчка. Она упомянула, что автоматически проигнорирует устаревшие результаты в пользу более свежих. Кивайте головой, если делаете то же самое. Дело в точке.

• Вы строите существующий авторитет поиска, который уже накоплен постом. Другими словами, вы начинаете с сообщения, которое уже имеет определенный авторитет страницы, а не начинаете с нуля.

• Новые посещения естественным образом ведут к новым социальным сетям и входящим ссылкам. Повторно продвигая обновленные записи в блоге среди подписчиков блога, подписчиков в социальных сетях и т. д., вы генерируете новый всплеск трафика из дополнительных источников. Это, естественно, приводит к увеличению количества ссылок в социальных сетях и внешних ссылок — важных факторов ранжирования в поиске. Именно поэтому для вас так важно иметь значительное количество подписчиков в социальных сетях и блогах — чем больше ваш охват, тем более впечатляющими будут ваши результаты.

Хотите воспользоваться этим подходом для себя? Вот как это сделать.

Как обновить и повторно опубликовать старые сообщения в блоге

Ниже я кратко расскажу, как обновить и повторно опубликовать старый контент блога, но если вы ищете более подробное объяснение, вам следует загрузить нашу бесплатную электронную книгу об исторической оптимизации. здесь.

• Шаг 1: Определите сообщения блога, которые стоит обновить. В идеале посты, которые стоит обновить, устарели или могут быть каким-то образом улучшены, и у них есть потенциал для более высокого рейтинга по ключевым словам, объем поиска которых предлагает многообещающую возможность. Наша электронная книга может дать вам подробную информацию о том, как проводить исследование ключевых слов, чтобы определить, по каким ключевым словам пост может ранжироваться лучше, а также другие критерии, которые вы должны учитывать при выборе постов для обновления.

• Шаг 2: Обновите содержание сообщения с целью достижения трех целей: точности, свежести и полноты. В общем, вы должны стремиться внести в публикацию достаточно заметные улучшения, которые оправдают ее повторную публикацию как новую.

• Шаг 3: Конверсионная оптимизация и поисковая оптимизация поста. Примените все исследования ключевых слов, которые вы провели, оптимизировав пост с помощью метода на основе ключевых слов, упомянутого ранее в этом посте, а также поисковой системы на странице, оптимизировав его с помощью ключевых слов, которые вы определили на шаге 1 выше.

• Шаг 4: Опубликуйте обновленную запись как новую, изменив дату публикации, чтобы она отображалась как совершенно новая запись в вашем блоге. Затем продвигайте обновленный контент так же, как и любой новый пост. Отправьте его по электронной почте подписчикам вашего блога, продвигайте его в социальных сетях и используйте любые другие рекламные каналы, которые работают для продвижения вашего контента.

Кто должен проводить историческую оптимизацию?

Вот в чем дело: историческая оптимизация не является тактикой, предназначенной для новых блогов, которые существуют всего год или два. Эта тактика лучше всего подходит для блога, который существует уже несколько лет, уже опробовал все основные тактики роста блога и ищет совершенно новые способы роста. Вот почему:

• Вы должны генерировать значительный объем органического поискового трафика. Поскольку все эти подходы в основном основаны на данных поискового трафика, ни один из них на самом деле не работает, если вы не ведете блог достаточно долго, чтобы генерировать значительный объем поискового трафика и не создали приличный поисковый авторитет.

• Вам необходимо накопить критическую массу подписчиков блога и социальных сетей. Как я упоминал ранее, одна из причин, по которой публикации обновлений так хорошо работают для нас, заключается в всплеске трафика, генерируемого продвижением среди подписчиков нашего блога и подписчиков в социальных сетях. В результате вы получите значительную отдачу от инвестиций только в том случае, если ваша база подписчиков и последователей значительна. Так что, если вы новичок в блоге, ваша первоочередная задача оптимизации должна заключаться в создании этой аудитории и расширении охвата.

• В вашем распоряжении должен быть значительный репозиторий старых сообщений. В конце концов, историческая оптимизация имеет смысл только в том случае, если у вас есть контент, который стоит оптимизировать.

Не жертвуйте созданием нового контента блога ради обновления старого контента

Прежде чем я закончу, одно последнее предостережение. …

Историческая оптимизация должна быть частью вашего общего стратегия ведения блога — не вся стратегия.

Вы не можете полностью отказаться от создания новых сообщений в блоге в попытке оптимизировать прошлые. Помните, что старый контент, который вы сейчас оптимизируете, когда-то был совершенно новым, и не каждый новый пост превратится в историю успеха SEO. Таким образом, если вы полностью откажетесь от нового контент-маркетинга, вы можете нанести себе вред в будущем, уменьшив свои шансы на ранжирование по новым ключевым словам. Вы также можете упустить выгоду от новых тем/тенденций, возникающих в вашей отрасли, а также возможности для интеллектуального лидерства, помимо других преимуществ нового контента.

Тем не менее, только вы можете решить, каков правильный редакционный баланс между обновлением старого контента и созданием совершенно нового контента. В качестве отправной точки проведите аудит своего старого контента, чтобы определить, сколько возможностей для публикации обновлений у вас есть.