Machine learning models can be trained on the session logs of ecommerce websites to score the likelihood of a user session ending in a purchase. Browsing patterns, session duration and temporal features, amongst many other factors provide important indicators of purchase intent. Combining these factors further with other inputs from real time streaming data that provide in session behaviors improves prediction accuracy. By testing model results using control groups consisting of held out web traffic, significant uplift in conversion and other metrics can be achieved.
 
Using ZineOne’s In-Session Marketing platform a leading US retailer was able to segment website visitors in real time into three groups: 
 
1.                 those who will not buy; 
2.                 those will buy; and
3.                 undecided. 
 
By sending tailored, personalized content to each group of visitors, the retailer was able to achieve a 20% average lift in revenue per visitor.

Les modèles d'apprentissage automatique peuvent être formés sur les journaux de session des sites Web de commerce électronique pour évaluer la probabilité qu'une session utilisateur se termine par un achat. Les habitudes de navigation, la durée de la session et les caractéristiques temporelles, parmi de nombreux autres facteurs, fournissent des indicateurs importants de l'intention d'achat. La combinaison de ces facteurs avec d'autres entrées de données de diffusion en temps réel qui fournissent des comportements en session améliore la précision de la prédiction. En testant les résultats du modèle à l'aide de groupes de contrôle composés de trafic Web retenu, une augmentation significative de la conversion et d'autres mesures peut être obtenue. Grâce à la plate-forme de marketing en session de ZineOne, un grand détaillant américain a pu segmenter les visiteurs de son site Web en temps réel en trois groupes : 1. ceux qui n'achèteront pas ; 2. ceux qui achèteront ; et 3. indécis. En envoyant un contenu sur mesure et personnalisé à chaque groupe de visiteurs, le détaillant a pu atteindre une augmentation moyenne de 20 % de ses revenus par visiteur.

Machine learning models can be trained on the session logs of E-commerce websites to score the likelihood of a user session ending in a purchase. Browsing patterns, session duration, and temporal features, amongst many other factors, provide important indicators of purchase intent. Combining these factors further with other inputs from real-time streaming data that provide in-session behaviors improves prediction accuracy. By testing model results using control groups consisting of held-out web traffic, a significant uplift in conversion and other metrics can be achieved.
 
Using ZineOne’s In-Session Marketing platform a leading US retailer was able to segment website visitors in real-time into three groups: 
 
1.                 those who will not buy; 
2.                 those will buy; and
3.                 undecided. 
 
By sending tailored, personalized content to each group of visitors, the retailer was able to achieve a 20% average lift in revenue per visitor.

Les modèles d'apprentissage automatique peuvent être formés sur les journaux de session des sites Web de commerce électronique pour évaluer la probabilité qu'une session utilisateur se termine par un achat. Les habitudes de navigation, la durée de la session et les caractéristiques temporelles, parmi de nombreux autres facteurs, fournissent des indicateurs importants de l'intention d'achat. La combinaison de ces facteurs avec d'autres entrées de données de streaming en temps réel qui fournissent des comportements en session améliore la précision de la prédiction. En testant les résultats du modèle à l'aide de groupes de contrôle composés de trafic Web bloqué, une augmentation significative de la conversion et d'autres mesures peut être obtenue. Grâce à la plate-forme de marketing en session de ZineOne, un grand détaillant américain a pu segmenter les visiteurs de son site Web en temps réel en trois groupes : 1. ceux qui n'achèteront pas ; 2. ceux qui achèteront ; et 3. indécis. En envoyant un contenu sur mesure et personnalisé à chaque groupe de visiteurs, le détaillant a pu atteindre une augmentation moyenne de 20 % de ses revenus par visiteur.

Retail - Purchase Prognosis