«Разговоры о логистике»: Совместный проект Data Insight и Яндекс Маршрутизации

«Разговоры о логистике» — совместный проект Data Insight и Яндекс Маршрутизации.
Это серия интервью с ключевыми экспертами рынка — директорами по логистике и руководителями служб доставки крупных интернет-магазинов.

Ситуация на рынке логистики постоянно меняется, уследить за происходящим и найти ориентиры бывает довольно сложно. Поэтому мы и придумали этот проект — разговоры со специалистами помогут дать рынку важную информацию о перспективах и трендах, основных проблемах и способах их решения, принципах организации логистики и необходимых изменениях.

В рамках проекта Data Insight проведет десять интервью, которые постепенно будут публиковаться по ссылкам ниже.

«Все, что мы используем, — наши собственные разработки.» Операционный директор по онлайн-сервисам «Ленты», Михаил Кузнецов	«Наш продавец — это эксперт. « Ex-директор по клиентскому сервису и цифровому опыту М.Видео, Станислав Горшенин
«Последняя миля требует четкого операционного взаимодействия. Все должно работать как часы.» Руководитель транспортной службы e-Commerce в компании «Петрович», Максим Рац	«У нас 8 500 курьеров, и каждый из них уникален» Управляющий доставкой ВкусВилл, Андрей Накупбаев
«Лекарства в аптеках есть — значит, у нас все работает.» Директор по развитию Apteka.ru, Анатолий Тенцер	«Наша цель — оказывать высокий уровень сервиса за разумные деньги, чтобы система была стабильная и требовала минимум ресурсов» Директор транспортной логистики «Детский мир», Руслан Фахртдинов
«Одно слово очень хорошо описывает нынешнюю ситуацию — это «турбулентность».» Руководитель управления собственной доставкой Lamoda, Евгений Городков	«Наша задача — попытаться вывести клиента в цифровое поле, при этом сохранить клиентскую поддержку на том высоком уровне, который у неё всегда был. « Директор по цифровому развитию «Курьер Сервис Экспресс», Алексей Елагин
«Если раньше автоматизация и цифровизация были модным трендом, то сейчас — жизненная необходимость, потому что у всех идет борьба за эффективность.» Директор по логистике в компании Ситилинк, Андрей Поляков	«Курьеру нужно понимать характер, настроение покупателя. Мы должны оставить позитив.» Директор департамента транспорта торговой сети Спортмастер, Сергей Кондратьев

 

Задать вопрос про исследование

Если у вас есть вопросы или нужны дополнительные комментарии, напишите ваши вопросы по почте: coordinator@datainsight.ru или заполнив форму ниже

Поделиться:

Еще материалы

Клиенты о нас

«Исследовательское агентство Data Insight — наш давний партнер, с которым мы сотрудничаем уже больше пяти лет. С 2016 года мы вместе ежегодно проводим уникальное исследование рынка розничного онлайн-экспорта из России. Результаты исследования Data Insight дают доступ всем игрокам и регуляторам индустрии российского розничного экспорта к инсайтам малого и среднего бизнеса, что позволяет определить точки роста и выстроить правильные стратегии для дальнейшего развития. Благодаря нашим совместным исследованиям компания eBay смогла реализовать в России множество проектов как регионального, так и федерального масштаба. Ключевыми из них стали инициативы «Регионы экспорта», продвижение нулевой ставки НДС для онлайн-экспортеров, а также ряд региональных программ по поддержке предпринимателей. Надеемся, что вместе с Data Insight мы и дальше сможем успешно развивать рынок розничного онлайн-экспорта и e-commerce в России».

Компания eBay

Мы постоянно находимся в диалоге со специалистами Data Insight и можем с точностью сказать, что это одни из лучших экспертов на нашем рынке. По итогам совместно проведенного исследования, которое нашло отклик у широкой аудитории, мы можем сказать, что очень довольны проведенной специалистами агентства работой и будем рады новому сотрудничеству с ними.

Delivery Club

Наше сотрудничество с Data Insight началось с нестандартного проекта — мы предложили коллегам сделать первый в России рейтинг омниканаьности ритейлеров. Коллеги быстро подхватили идеи, и мы вместе проработали методику и концепцию. Так появился наш совместный проект — рейтинг омниканальности крупнейших розничных ритейлеров глазами покупателя 2020. За полгода мы совместно проделали большую работу, которую по достоинству оценил рынок и СМИ. Благодарим коллег за поддержку и помощь в реализации идеи проекта на высшем уровне. Мы продолжаем работу с Data Insight и будем делать эту работу ежегодно. Мы также уже много лет подряд поддерживаем мероприятие ecom weekend, где Data Insight активно собирает комьюнити профессионалов рынка ритейла. Особенно, интересно мероприятие, которое всегда отличает и качественная культурная программа, и профессиональный нетворкинг.

Компания AWG

За 8 лет сотрудничества Data Insight показала свою способность с полной ответственностью походить к поставленным задачам, выполнять работы качественно и в срок. Отличительной чертой Data Insight является оперативность, ответственность и индивидуальный подход к каждому клиенту. Генеральный директор «Ассоциации развития интерактивной рекламы» Смоляков В.В.

IAB Russia (Ассоциация развития интерактивной рекламы)

Новые исследования

#Рынки и рыночные ниши&nbsp #Покупательское поведение&nbsp #Логистика&nbsp

«Разговоры о логистике»: Совместный проект Data Insight и Яндекс Маршрутизации Состояние логистики в глазах крупнейших eCommerce компаний

20 октября 2022

#Рынки и рыночные ниши&nbsp #Конкурентный анализ&nbsp #Покупательское поведение&nbsp

Российский рынок услуг в 2021 году: самозанятые и микробизнес. Обучение Выручка, портреты клиента и специалиста в области образования, площадки и платные каналы привлечения клиентов, динамика рынка относительно 2020 года

19 октября 2022

#Рынки и рыночные ниши&nbsp #E-commerce&nbsp #Маркетплейсы&nbsp

Выход на рынок Китая: продажи на маркетплейсах Обзор онлайн-рынка, маркетплейсов и соцсетей Китая, особенности ведения бизнеса, комментарии экспертов рынка, чек-листы

18 октября 2022

#Рынки и рыночные ниши&nbsp #E-commerce&nbsp #Маркетплейсы&nbsp

Селлеры на российских маркетплейсах — 2022 Елизавета Хоботина на Ecom Retail Week: объем-продаж на маркетплейсах, рост доли продаж, эффективный канал продаж

18 октября 2022

#Рынки и рыночные ниши&nbsp #Покупательское поведение&nbsp #E-commerce&nbsp

Онлайн-продажи.

Осень 2022: тренды рынка интернет-торговли; факторы, влияющие на поведение потребителей Федор Вирин на Ecom Retail Week: изменения в покупательском поведении, факторы влияющие на них, тренды онлайн-торговли 2022-2023

18 октября 2022

#Рынки и рыночные ниши&nbsp #Покупательское поведение&nbsp #E-commerce&nbsp

Кто, как и почему заказывает доставку продуктов Ольга Пашкова на Ecom Retail Week: прогноз количества заказов eGrocery, портрет среднего покупателя продуктов питания

18 октября 2022

#Рынки и рыночные ниши&nbsp #Конкурентный анализ&nbsp #E-commerce&nbsp

Карта «Экосистема электронной торговли — 2022» v2 Карта «Экосистема электронной торговли – 2022» v2 показывает сегодняшнее состояние рынка и его игроков

13 октября 2022

#Рынки и рыночные ниши&nbsp #Конкурентный анализ&nbsp #E-commerce&nbsp

«Онлайн-рынок товаров для хобби и рукоделия» за 2021 год Конверсия, средний чек, объем заказов и динамика онлайн-рынка хобби и рукоделия в России

5 октября 2022

#Рынки и рыночные ниши&nbsp #Конкурентный анализ&nbsp #Экспресс-мониторинг&nbsp

Экспресс-мониторинг рынка электронной коммерции. 12 — 25 сентября 2022 Динамика количества заказов и посещаемости, конверсия, динамика средней цены, анализ доступности товаров на маркетплейсах по 4 сегментам

3 октября 2022

#Рынки и рыночные ниши&nbsp #Конкурентный анализ&nbsp #FMCG&nbsp

Маркетинговое исследование Выпуск eGrocery бюллетеня Сентябрь 2022 Количество заказов продуктов за август 2022 года, объем рынка, прогноз темпов роста рынка eGrocery в 2022 году

29 сентября 2022

#Рынки и рыночные ниши&nbsp #E-commerce&nbsp

Готовность к интернет-торговле в России. Чек-лист выхода в онлайн для производителей товаров и оптовых компаний Cтруктурированный список ключевых вопросов, охватывающих организацию бизнеса компании в интернет-торговле.

22 сентября 2022

#Покупательское поведение&nbsp #С2С&nbsp

Рынок c2c онлайн-торговли в 2021 году Интернет-торговля между частными лицами: размер и динамика рынка, динамика заказов, география, товарные категории p2p сделок, популярные товары.

22 сентября 2022

#Рынки и рыночные ниши&nbsp #Конкурентный анализ&nbsp #Экспресс-мониторинг&nbsp

Экспресс-мониторинг рынка электронной коммерции. 29 августа — 11 сентября 2022 Динамика кол-ва заказов и посещаемости, конверсия, динамика средней цены, анализ доступности товаров на маркетплейсах по 4 сегментам за 1 неделю

19 сентября 2022

#Экспресс-мониторинг&nbsp

Экспресс-мониторинг рынка электронной коммерции. 15–28 августа 2022 Динамика кол-ва заказов и посещаемости, конверсия, динамика средней цены, анализ доступности товаров на маркетплейсах по 4 сегментам за 1 неделю

5 сентября 2022

#Рынки и рыночные ниши&nbsp #Конкурентный анализ&nbsp #FMCG&nbsp

Выпуск eGrocery бюллетеня Август 2022 Количество заказов продуктов в июль 2022 года, объем рынка, прогноз темпов роста рынка eGrocery в 2022 году

30 августа 2022

#Рынки и рыночные ниши&nbsp #E-commerce&nbsp #Маркетплейсы&nbsp

Селлеры на российских маркетплейсах 2022 Селлеры на российских маркетплейсах 2022. Портрет селлера, динамика продаж, маркетплейсы как канал продаж

29 августа 2022

#Рынки и рыночные ниши&nbsp #E-commerce&nbsp #Маркетплейсы&nbsp

Селлеры на российских маркетплейсах 2022. Малый, средний и крупный бизнес Селлеры на российских маркетплейсах 2022. Малый, средний и крупный бизнес: портрет продавца, динамика продаж, маркетплейсы как канал продаж

29 августа 2022

#Рынки и рыночные ниши&nbsp #E-commerce&nbsp #Маркетплейсы&nbsp

Селлеры на российских маркетплейсах 2022. Товарные категории Селлеры на российских маркетплейсах 2022. Товарные категории: портрет продавца, динамика продаж, маркетплейсы как канал продаж

29 августа 2022

#Экспресс-мониторинг&nbsp

Экспресс-мониторинг рынка электронной коммерции. 1–14 августа 2022 Динамика кол-ва заказов и посещаемости, конверсия, динамика средней цены, анализ доступности товаров на маркетплейсах по 4 сегментам за 1 неделю

22 августа 2022

#Экспресс-мониторинг&nbsp

Экспресс-мониторинг рынка электронной коммерции. 18–31 июля 2022 Динамика кол-ва заказов и посещаемости, конверсия, динамика средней цены, анализ доступности товаров на маркетплейсах по 4 сегментам за 1 неделю

8 августа 2022

Отчеты о целевой аудитории в Яндекс.Метрике

Что нужно для анализа аудитории сайта? Что за вопрос: конечно, зайти в блок «Аудитория» в Яндекс.Метрике и посмотреть все отчеты подряд. Звучит логично, но, к сожалению, этот путь может дать невалидные данные. Даже для работы с понятной и удобной Метрикой следует знать ряд базовых правил исследования целевой аудитории (ЦА) и как можно больше отчетов, в которых находится полезная информация. Именно это мы разбираем в нашей статье.

Основные правила исследования ЦА в Метрике

1. Сегментация

2. Выбор подходящих целей

3. Учет вложенности условий

Группы данных и отчеты

1. Пол и возраст

2. Интересы

3. География

4. Активность

5. Лояльность

6. Используемые технологии

7. Поисковые запросы

8. Поведение

Основные правила исследования ЦА в Метрике

Прежде чем начать разбор, поясним 3 очень важных момента, которые нужно соблюдать при использовании любого отчета Яндекс.Метрики для исследования целевой аудитории.

1. Сегментация

Слово «целевая» подразумевает, что данная аудитория с высокой вероятностью купит товар или услугу. Этот фактор можно учесть одним единственным точным способом – анализировать тех, кто уже совершил целевые действия на сайте. Поэтому крайне важно в любом отчете Метрики выставлять так называемый сегмент – условие выбора данных. Это можно сделать вверху страницы в блоке «Визиты, в которых» – «Достижение цели».

Следите, чтобы сегмент не сбрасывался в каждом новом отчете. При переходе на другую страницу Метрика спрашивает, оставить ли сегментацию. Если вы нажали «Сбросить», то не забудьте выставить сегмент повторно.

2. Выбор подходящих целей

При этом нужно внимательно выбирать цель именно для вашего исследования. Например, если вы изучаете конверсию сайта в целом, можно брать все цели, которые говорят о любом способе заказа: покупка через корзину, через форму «Купить в 1 клик», отправка формы заявки на кредит и пр. А если ваше исследование касается не тех, кто покупает на сайте, а тех, кто предпочитает связываться с компанией до покупки (звонить, писать в соцсеть или мессенджер), выбирайте только цели на клик по номеру и переходы по соответствующим ссылкам.

А что делать, если цели не настроены? Идеальное решение – это настроить их как можно скорее. Но если аудиторию требуется исследовать немедленно, можно использовать сегмент по косвенным признакам лояльности – отказам, глубине просмотра и времени на сайте. Для этого данные параметры следует указать в блоке «Визиты, в которых». Например:

3. Учет вложенности условий

Для более детального исследования в любую категорию аудитории можно «провалиться», чтобы исследовать ее изнутри. Поясним на примере. Отчет по полу и возрасту целевой аудитории может выглядеть так: 52,6% мужчин и 47,4% женщин, чаще всего встречается возраст от 25 до 44 лет.

Но что, если мы хотим узнать возраст мужчин и женщин по отдельности, а не усредненные данные по обоим полам? Для этого в отчете по возрасту нужно выставить сегмент «Для людей, у которых» – «Пол». Данные могут существенно отличаться, как на нашем примере:

Таким образом, для более детального анализа нужно «проваливаться» внутрь интересующих вас категорий.

Группы данных и отчеты

1. Пол и возраст

Это базовые параметры, изучить которые довольно просто. Ищем данные в отчетах блока «Демография» в группе «Аудитория».

Не забываем про правило №3, которое мы описывали выше. Для каждого пола лучше составить отдельную возрастную диаграмму. Кроме того, можно объединить данные по полу и возрасту в одном отчете. Для этого в «Группировках» устанавливаем нужную последовательность параметров. Они появятся в выпадающих списках.

Важно! Проценты, которые отобразятся в таком представлении, покажут долю каждой возрастной группы каждого пола в трафике сайта и не будут совпадать с процентами, которые мы рассматривали в правиле №3. То есть, например, возраст 25–34 года составляет 43,8% от всех возрастных групп среди мужчин, а половозрастная группа «Мужчины 25–34 лет» составляет 21,5% от всего целевого трафика.

2. Интересы

Здесь есть старая и новая версии отчетов. В новой лучшая детализация интересов: они разбиты на несколько уровней.

Важно уметь читать аффинити-индексы – красные или зеленые полоски-индикаторы с написанными сверху процентами. Аффинити-индекс показывает, насколько больше или меньше на вашем сайте людей с определенными интересами, чем в остальном интернете в целом. Индекс больше 100% показывает, что тот или иной интерес у вашей аудитории выражен сильнее, чем у среднестатистического пользователя интернета.

Эта информация может пригодиться при выборе рекламных площадок, партнеров для реферального маркетинга или influence-маркетинга.

3. География

Это довольно легкий в изучении отчет, показывающий, откуда приходили целевые пользователи.

Два главных уровня детализации здесь – это страны и регионы внутри России. Данные по странам могут несколько искажаться сегодня из-за повышения популярности VPN-сервисов. Полезная функция, которая особенно пригодится в этом отчете из-за его размера, – это выбор параметров для отображения на графике. Если проставить галочки возле самых трафиконосных регионов, на диаграмме отобразятся только они, а прочие будут серыми. Например, нас не интересуют пользователи из других стран, зато мы хотим изучить структуру аудитории по регионам РФ. Для этого снимаем галочки с других стран и ставим их на регионах.

4. Активность

Здесь мы будем изучать статистику по тому, в какое время ЦА посещает сайт, как долго его изучает и сколько страниц просматривает.

Глубину просмотра и время на сайте можно увидеть в любом другом отчете Метрики – это столбцы данных по умолчанию. В среднем, хорошей является глубина просмотра от 2-3 страниц и время на сайте от 1 минуты, но это условные данные. Их следует анализировать в контексте. Например, если сайт или лендинг небольшой, то пользователю просто нечего будет изучать на нем 3 минуты.

В отчете «Посещаемость по времени суток» картина, скорее всего, будет примерно такой: равномерное распределение посещений в дневные часы.

Однако если какой-либо временной период выделяется, то это может помочь увеличить продажи, например, повышая ставки на показ объявлений в часы повышенного спроса у аудитории.

5. Лояльность

Эти отчеты помогут выстроить общую рекламную стратегию и работу с текущими покупателями. Отчеты помогут понять, с какой периодичностью люди заходят на сайт и с какого визита делают заказ.

Например, если видно, что пользователи часто покупают не с первого, а со второго или третьего визита, это повод запустить ретаргетинговые кампании по возвращению посетителей на сайт. А анализ времени с первого визита поможет составить график email-рассылок, который будет удобен для вашей аудитории. На примере ниже мы видим, что в половине случаев между повторными визитами проходит более 1 дня, то есть на эту аудиторию вполне можно таргетировать «возвращающие» активности.

На этом отчеты группы «Аудитория» закончились, но мы продолжаем статью, потому что в Метрике можно найти еще много полезной информации.

6. Используемые технологии

Это один из самых полезных для рекламы блоков данных. В группе отчетов «Технологии» стоит обратить внимание на следующие разделы:

Основной – это «Устройства». От того, заходят покупатели со смартфона или компьютера, зависит стратегия показов рекламы, выбор площадок, рекламных форматов и расход бюджета.

Например, такая ситуация, как на примере ниже, говорит о том, что львиная доля рекламы должна быть мобильной:

Прочие отчеты из группы «Технологии» помогут наилучшим образом оптимизировать сайт для входящего трафика. Например, следует внимательно проверить отображение всех элементов посадочных страниц на самых популярных разрешениях:

Если не уделить достаточного внимания этой группе отчетов, можно получить печальную картину: реклама настроена корректно, кликабельность (CTR) объявлений высокая, однако значительная доля людей просто уходит с сайта после визита, то есть отказы зашкаливают. Причиной может быть плохая адаптация сайта под самые популярные устройства, браузеры и разрешения.

7. Поисковые запросы

Их важно знать, чтобы дополнить картину интересов и пожеланий ЦА.

Запросы для рекламных кампаний и поискового продвижения зачастую собираются вслепую, только по Wordstat или с помощью парсеров. Но анализ картины запросов именно вашей целевой аудитории может дать много нового: неожиданные ключевые слова или дополнения поисковых фраз. Этот отчет будет полезно изучить, сегментируя отдельно по полу, возрасту и географии, так как в зависимости от них запросы могут различаться.

У click. ru есть целый ряд решений для сбора максимально полного и логичного семантического ядра для рекламы. Парсер Wordstat позволяет получить удобную выгрузку поисковых фраз с их частотностью с разделением по регионам, нормализатор почистит ядро от мусора, а комбинатор слов поможет составить сложные фразы запросов без Excel и ручного труда.

8. Поведение

Это один из самых интересных блоков, требующих большого количества времени на изучение. Найти данные можно в «Картах».

• Для начала рекомендуем исследовать карту скроллинга, чтобы понять динамику изучения людьми той или иной страницы. Области, которые пользователи смотрят дольше всего, по умолчанию раскрашены красным, далее цвет меняется к зеленому и серому по мере сокращения времени просмотра.

• Затем стоит изучить карты кликов и ссылок. Они покажут, на что нажимали пользователи при изучении страницы. Карта кликов помогает понять, какие элементы самые популярные у аудитории, а каким, наоборот, люди не уделяют внимания.

Кроме того, часто анализ карты помогает понять, чего не хватает на сайте или какие ошибки с отображением есть. Например, если люди часто кликают на некликабельную плашку «Доступна рассрочка», им явно хочется узнать про рассрочку больше. Стоит сделать этот элемент кнопкой и по клику показывать дополнительную информацию.

• Изучение вебвизора – самая трудоемкая часть работы по анализу поведения. Вебвизор – это видеозаписи действий пользователей на сайте.

Для понимания пути пользователя до покупки стоит изучить самые успешные визиты – с высокими показателями в столбцах «Активность» и «Цели», с большим временем просмотра. Рекомендуем просмотреть 20–30 записей и выявить общие тенденции: на какой информации человек задерживается на странице, куда кликает, как двигается по сайту, на какие страницы возвращается повторно, какие служебные страницы изучает.

Эти данные можно дополнить анализом неудачных визитов. Для этого следует удалить сегментацию по целевым действиям и выбрать самые неуспешные визиты: с низкой активностью, а также нормальной активностью, но без достигнутых целей. Это позволит построить гипотезы о том, что отталкивает людей и какой информации сейчас не хватает.

Мы разобрали основные источники данных о целевой аудитории в Метрике. Есть и другие, но они уже не так важны либо требуют сложной настройки. Например, если у вас настроена «Электронная коммерция», то там можно изучить содержимое заказов, самые популярные товары, категории и бренды, применяемые промокоды и др. К сожалению, для настройки «Электронной коммерции» зачастую требуется привлекать разработчиков и нести дополнительные затраты, поэтому эта группа отчетов настроена далеко не у всех.

Где применять полученные данные об аудитории? Конечно, в настройке рекламных кампаний. Управлять всей контекстной и таргетированной рекламой поможет click.ru. Единый рекламный кабинет, удобные выгрузки и центр отчетов позволят быстро внести изменения в кампании и проанализировать их результаты. Приятный бонус – вознаграждение до 15% от рекламного оборота ваших клиентов. Станьте участником нашей партнерской программы и начните зарабатывать уже сегодня!

Запустить рекламную кампанию

«Каршеринг в Москве»: самое главное из исследования Яндекса

Яндекс. Драйв запустился в Москве три года назад, размер его столичного парка превышает 11 тысяч автомобилей. На основе данных о движении своих автомобилей, возраста и стажа водителей оператор провел исследование о каршеринге в столице и о его пользователях.

Картина движения

Исследование показало, что по этому параметру каршеринг схож с личным транспортом: по утрам будних дней машины скапливаются в центре города, по вечерам — разъезжаются по спальникам.

Однако есть и различия: каршерингом чаще пользуются в выходные, в то время как личными машинами — в будни (для сравнения каршеринга с личными автомобилями Яндекс использовал данные Яндекс.Навигатора).

Длительность парковки каршеринговых машин как правило короткая. В часы с 8:00 до 21:00 60% парковок внутри МКАД длятся в пределах часа.

«Каршеринг не решает проблему пробок, но освобождает городские парковки — это хорошо подмечено в исследовании: налицо высокая частота используемости и оборачиваемости машин. Тут каршеринг ближе к такси: автомобиль много находится в движении и не занимает городские парковки. Это действительно довольно хорошо».

Аркадий Гершман (урбанист, автор блога «Город для людей») для исследования Яндекса.

Разбираем по частям большое исследование Яндекса. В этой рассмотрим поездки и парковки.

Пользователи каршеринга

По данным Яндекса, с популяризацией каршеринга устраняется перекос в сторону молодых пользователей. Растет не только средний возраст водителей, но и их средний стаж. А пользователей с небольшим опытом (2-4 года) становится все меньше: за три года работы Яндекс.Драйва их число сократилось почти вдвое.

Сценарии использования каршеринга отличаются в зависимости от возрастной группы: пользователи 35-44 лет чаще всего ездят на каршеринге на работу и с работы, а пользователи моложе чаще ездят не в часы пик.

От возраста зависит и резкость вождения: чем старше водитель, тем плавнее движение. А вот количество нарушений далеко не всегда напрямую связано с возрастом.

Еще один интересный вывод из исследования: пользователи каршеринга — ровно такие же водители, как и автовладельцы. За рулем каршеринга и личного авто люди ведут себя более-менее одинаково. К такому выводу приходили и эксперты центра «Движение без опасности» в своем исследовании безопасности каршеринга.

«Каршеринг в Москве постепенно преодолевает «детскую болезнь» быстрого роста. Если на старте отдельная категория пользователей воспринимала машины разных сервисов как доступные повсеместно гоночные снаряды, то сейчас модель поведения водителей в каршеринге и обычном автомобиле мало отличаются друг от друга. Результаты данного исследования наглядно подтверждают эту тенденцию. Миф о небезопасности каршеринга постепенно уходит в прошлое».

Антон Шапарин (вице-президент Национального автомобильного союза) для исследования Яндекса.

Продолжаем поэтапный разбор большого исследования Яндекса. Этот пост — про людей в каршеринге.

Как используются каршеринговые машины

По данным исследования, самый распространённый сценарий использования каршеринга — добраться до какого-нибудь транспортного узла (сюда относятся аэропорты, вокзалы, а также ближайшее метро или поездки от метро до пункта назначения).

В будний день автомобили Яндекс.Драйва в среднем совершают 8 поездок, а в выходной — 9. Среднее время движения в сутки — около четырех часов. Среднее общее время использования — около шести с половиной часов.

Средняя активность машин разных типов (эконом-, комфорт- и бизнес-класса, минивэнов и грузовых фургонов) сильно отличается. Самое большое среднее время использования (18 часов 38 минут) у машин бизнес-класса, им же принадлежит и рекорд по среднему километражу: 143,9 километра в сутки. Минимально используются машины эконом-класса: 5 часов 58 минут в сутки и 94 километра.

«Каршеринг активно меняет ландшафт городской мобильности. Чтобы передвигаться на автомобиле, от человека больше не требуется владеть им и где-то хранить. Пользователи каршеринга осваивают новые транспортные сценарии, а город получает больше возможностей для интеграции автомобильных поездок в общую систему городской мобильности, предлагая самый эффективный способ поездки для конкретной ситуации.

Операторы каршеринга заинтересованы в том, чтобы машины не скапливались там, где на них в данный момент нет спроса, и у них есть для этого инструменты. В будущем благодаря такой балансировке транспортные потоки в городе будут распределяться более эффективно».

Алексей Радченко (урбанист, журналист, автор проектов «Карта ДТП» и transmetrika.com) для исследования Яндекса.

Еще одна часть разбора большого исследования Яндекса. Разбираемся с тем, как используют машины каршеринга.

Краткие итоги

• Как и личные автомобили, каршеринговые машины по утрам едут в центр, а по вечерам — на окраины.
• Среднее суточное число поездок каршерингового автомобиля — 8 по будням и 9 по выходным.
• Днем 60% каршеринговых машин внутри МКАД паркуются не дольше, чем на час.
• Водители каршеринга ездят не быстрее автовладельцев и превышают не чаще.
• Средний возраст водителя каршеринга растет с годами. Растет и стаж.
• Чем старше водитель, тем плавнее он ездит и реже превышает скорость; однако количество нарушений не обязательно напрямую связано с возрастом.

Источник: Исследование Яндекса

2017-2018 | Сайт — YN | Иконки от FlatIcon и FontAwesome | Наш дом — Рабочая Станция

Исследовательские публикации Яндекса

5 из 189 публикаций

• Безопасное распределенное обучение в масштабе

  Крупномасштабное машинное обучениеЭдуард ГорбуновАлександр БорзуновМайкл ДискинМакс Рябинин общедоступные данные, как в случае с предварительно обученными моделями для НЛП и компьютерного зрения. Для обучения таких моделей требуется много вычислительных ресурсов (например, кластеров высокопроизводительных вычислений), которые недоступны небольшим исследовательским группам и независимым исследователям. Один из способов решить эту проблему — объединить несколько небольших групп вместе свои вычислительные ресурсы и обучить модель, которая принесет пользу всем участникам. К сожалению, в этом случае любой участник может поставить под угрозу весь тренировочный прогон, отправив неверные обновления, преднамеренно или по ошибке. Обучение в присутствии таких сверстников требует специализированных алгоритмов распределенного обучения с византийской толерантностью. Эти алгоритмы часто жертвуют эффективностью, вводя избыточную связь или пропуская все обновления через доверенный сервер, что делает невозможным их применение в крупномасштабном глубоком обучении, где модели могут иметь миллиарды параметров. В этой работе мы предлагаем новый протокол для безопасного (византийско-терпимого) децентрализованного обучения, который подчеркивает эффективность коммуникации.

• Гиперболические трансформаторы зрения: объединение улучшений в метрическом обучении

  RankingResentationscomputer Visionaleksandr ermolovleyla mirvakhovalentin khrulkovnicu sebeivan osleledets

  CVPR,
  2022

  Metric Metrics. и раздвинуты для непохожих. Общий рецепт заключается в использовании кодировщика для извлечения вложений и функции потерь на основе расстояния для соответствия представлениям — обычно используется евклидово расстояние. Возникающий интерес к изучению встраивания гиперболических данных предполагает, что гиперболическая геометрия может быть полезна для естественных данных. Следуя этому направлению работы, мы предлагаем новую гиперболическую модель для метрического обучения. В основе нашего метода лежит преобразователь зрения с выходными вложениями, отображаемыми в гиперболическом пространстве. Эти вложения напрямую оптимизируются с использованием модифицированной попарной кросс-энтропийной потери. Мы оцениваем предложенную модель с шестью различными формулировками на четырех наборах данных, достигая нового современного уровня производительности. Исходный код доступен по адресу https://github.com/htdt/hyp_metric 9.0003

• Трансформаторы обучения вместе

  крупномасштабного машинного обучения. делает обучение таких моделей доступным только крупным корпорациям и учреждениям. В недавней работе предлагается несколько методов совместного обучения таких моделей, т. е. путем объединения оборудования от многих независимых сторон и обучения общей модели через Интернет. В этой демонстрации мы совместно обучили преобразователь текста в изображение, аналогичный OpenAI DALL-E. Мы пригласили зрителей присоединиться к продолжающемуся учебному забегу, показав им инструкции о том, как внести свой вклад, используя доступное оборудование. Мы объяснили, как решить инженерные проблемы, связанные с таким тренировочным прогоном (медленная связь, ограниченная память, неравномерная производительность между устройствами и проблемы безопасности), и обсудили, как зрители могут самостоятельно настроить совместные тренировочные прогоны. Наконец, мы показываем, что результирующая модель генерирует изображения приемлемого качества на ряде подсказок.

• Graph-based Nearest Neighbor Search in Hyperbolic Spaces

  RepresentationsMachine learning theoryGraph machine learningNearest neighbor searchLiudmila ProkhorenkovaDmitry BaranchukNikolay BogachevYury DemidovichAlexander Kolpakov

  ICLR,
  2022

  The nearest neighbor search (NNS) problem is widely studied in Euclidean space, and graph Алгоритмы на основе , как известно, превосходят другие подходы для этой задачи. Однако гиперболическая геометрия часто позволяет лучше представлять данные в различных областях, включая графики, слова и изображения. В этой статье мы показываем, что подходы на основе графов также хорошо подходят для гиперболической геометрии. С теоретической точки зрения мы тщательно анализируем временную и пространственную сложность NNS на основе графов, предполагая, что набор данных из n элементов равномерно распределен внутри d-мерного шара радиуса R в гиперболическом пространстве кривизны -1. При некоторых условиях на R и d мы получаем временную и пространственную сложность NNS на основе графа и сравниваем полученные результаты с известными гарантиями для евклидова случая. Интересно, что в плотном окружении (d << log(n)) и при некоторых предположениях о радиусе R графовая NNS имеет меньшую временную сложность в гиперболическом пространстве. Это согласуется с нашими экспериментами: мы рассматриваем наборы данных, встроенные в гиперболическое и евклидово пространство, и показываем, что NNS на основе графа может быть более эффективным в гиперболическом пространстве. Мы также демонстрируем, что методы на основе графов превосходят другие существующие базовые уровни для гиперболических NNS. В целом, наш теоретический и эмпирический анализ показывает, что NNS на основе графов можно считать подходом по умолчанию для поиска сходства в гиперболических пространствах.

• Когда, почему и какие предварительно обученные GAN полезны?

  Генеративные моделиКомпьютерное зрениеТимофей ГригорьевАндрей ВойновАртем Бабенко

  ICLR,
  2022

  В литературе предложено несколько методов точной настройки предварительно обученных GAN на новых наборах данных, что обычно приводит к более высокой производительности по сравнению с обучением с нуля, особенно в режиме ограниченных данных. Однако, несмотря на очевидные эмпирические преимущества предварительной подготовки GAN, ее внутренние механизмы не были глубоко проанализированы, и понимание ее роли не совсем ясно. Более того, важные практические детали, например, выбор надлежащей предварительно обученной контрольной точки GAN, в настоящее время не имеют строгого обоснования и обычно определяются методом проб и ошибок. Эта работа направлена ​​на анализ процесса тонкой настройки GAN. Во-первых, мы показываем, что инициализация процесса обучения GAN предварительно обученной контрольной точкой в ​​первую очередь влияет на покрытие модели, а не на точность отдельных выборок. Во-вторых, мы подробно описываем, как предварительно обученные генераторы и дискриминаторы вносят вклад в процесс тонкой настройки, и объясняем предыдущие данные о важности предварительной подготовки обоих из них. Наконец, в качестве непосредственного практического преимущества нашего анализа мы описываем простой рецепт выбора подходящей контрольной точки GAN, наиболее подходящей для точной настройки для конкретной целевой задачи. Важно отметить, что для большинства целевых задач предварительно обученная Imagenet GAN, несмотря на плохое визуальное качество, кажется отличной отправной точкой для тонкой настройки, напоминая типичный сценарий предварительной подготовки дискриминационных моделей компьютерного зрения.

Фильтр от:

Computer Vision

Обработка естественного языка

Теория машинного обучения

Рейтинг

Ближайший сосед

Представления

Оценка неопределенности

Общее машинное обучение

Крупномасштабное машинное обучение

Вероятностное машинное обучение

Сдвиг распределения

Речевая обработка

Байесовские методы

Табулярные данные

Сегментация

Neurips

Neurips Benchmarks

находки ACL 9003

Neurips Benchmarks

находки ACL 9003

Neurips Benchmarks

находки ACL 9003

Neurips Benchmarks

находки ACL 9003

Neurips. Яху! LTR Challenge

Яндекс Расходы на исследования и разработки 2011-2022 | YNDX

История и темпы роста годовых/ежеквартальных расходов Яндекса на исследования и разработки с 2011 по 2022 год. Расходы на исследования и разработки можно определить как расходы, связанные с исследованиями и процессами разработки продуктов.

• Расходы Яндекса на исследования и разработки за квартал, закончившийся 30 июня 2022 г., составили 0,329 млрд долларов , что на 111,92% больше, чем в прошлом году.
• Расходы Яндекса на исследования и разработки за двенадцать месяцев, закончившихся 30 июня 2022 г., составили 0,909 млрд долларов , что на 61,57% больше, чем в прошлом году.
• Годовые расходы Яндекса на исследования и разработки в 2021 году составили 0,652 млрд долларов , что на 32,61% больше по сравнению с 2020 годом9. 0013
• Годовые расходы Яндекса на исследования и разработки в 2020 году составили 0,492 млрд долларов , что на увеличение на 32,8% по сравнению с 2019 годом.
• Годовые расходы Яндекса на исследования и разработки в 2019 году составили 0,37 млрд долларов , что на увеличение на 14% по сравнению с 2018 годом.

Годовые расходы Яндекса на исследования и разработки (млн долларов США)
2021	652 $
2020	492 $
2019	$370
2018	$325
2017	$326
2016	261 $
2015	184 $
2014	157 $
2013	178 $
2012	141 $
2011	97 $
2010	$

Ежеквартальные расходы Яндекса на исследования и разработки (млн долларов США)
30. 06.2022	$329
31.03.2022	228 долларов
31.12.2021	184 $
30.09.2021	168 долларов
30.06.2021	155 долларов
31.03.2021	145 долларов
31.12.2020	144 $
2020-09-30	118 долларов
30.06.2020	128 $
31.03.2020	102 $
31.12.2019	41 $
30.09.2019	115 долларов
30.06.2019	$111
31.03.2019	104 $
31.12.2018	$54
30. 09.2018	$85
30.06.2018	86 $
31.03.2018	$101
2017-12-31	91 $
30.09.2017	$79
30.06.2017	76 $
31.03.2017	80 долларов
31.12.2016	84 $
30.09.2016	61 $
30.06.2016	$59
31.03.2016	$57
31.12.2015	20 долларов
30.09.2015	48 долларов
30.06.2015	$59
31.03.2015	$57
31. 12.2014	$-14
30.09.2014	$53
30.06.2014	62 $
31.03.2014	$56
31.12.2013	48 долларов
30.09.2013	45 долларов
30.06.2013	42 $
31.03.2013	43 $
31.12.2012	$39
30.09.2012	33 $
30.06.2012	$32
31.03.2012	36 $
31.12.2011
30.09.2011	25 долларов
30.06.2011	27 долларов
31. 03.2011
31.12.2010
30.09.2010
30.06.2010

Сектор	Промышленность	Рыночная капитализация	Доход
Компьютеры и технологии	Интернет-контент	6,709 млрд долларов	4,794 миллиарда долларов
Yandex N.V., интернет-компания, которая разрабатывает технологические продукты и услуги, используя возможности машинного обучения, занимает лидирующие позиции на европейском рынке благодаря своей передовой и популярной поисковой системе. Работает в 5 блоке. Подразделение «Поиск и портал», его основной бизнес, предлагает обширную поисковую систему, персональные услуги, Яндекс.Здоровье, географические и рекламные услуги. Подразделение «Медиасервисы» предлагает КиноПоиск, Яндекс. Музыку, Яндекс.Афишу, Яндекс.Студию, Яндекс.Плюс и Яндекс. Подразделение TV.Taxi состоит из подразделений Ride-Hail и FoodTech. Он включает в себя подразделение «Автономные автомобили». Блок объявлений предлагает автомобили, недвижимость, поиск работы и онлайн-путешествия через Auto.ru, Яндекс.Недвижимость и Яндекс.Работа. Блок «Другие бизнес-единицы и инициативы» состоит из геолокационных сервисов, Дзен, Яндекс.Облака, Устройств и Яндекс.Драйва. Подразделение Яндекс Маркет состоит из Яндекс.Маркета. Яндекс получает большую часть своих доходов от онлайн-рекламы. Компания предлагает как программную, так и мобильную рекламу.

Стандартное наименование	Страна	Рыночная капитализация	Коэффициент полиэтилена
РЕЛКС (РЕЛС)	Соединенное Королевство	48,101 млрд долларов	0,00
Tencent Music Entertainment Group (TME)	Китай	6,729 млрд долларов	14. 18
IronSource (IS)	Израиль	3,413 млрд долларов	28.08
Визг (YELP)	США	2,590 млрд долларов	57,81
Shutterstock (ССТК)	США	1,886 млрд долларов	20.17
Genius Sports (GENI)	Соединенное Королевство	$0,964 млрд	0,00
Чжиху (ZH)	Китай	$0,703 млрд	0,00
Аналогичная сеть (SMWB)	Израиль	0,478 млрд долларов	0,00
ДХИ (ДХХ)	США	0,276 млрд долларов	569.00

Яндекс — Исследователь (искусственный интеллект)

Дедлайн:

Как можно скорее

+ ДОПОЛНИТЕЛЬНАЯ ИНФОРМАЦИЯ / ЗАЯВКА Сохранить возможность Отменить сохранение

0 Сообщить о неработающей ссылке Спасибо! Мы исправим это в ближайшие несколько часов!

Срок: Как можно быстрее

Выпускники

Компании

• Россия

Москва

---

Обзор

Приглашаем начинающих и опытных исследователей в нашу Исследовательскую группу Яндекса. Мы предлагаем уникальную возможность участвовать в прикладных и теоретических исследованиях мирового уровня, публиковать свои результаты на ведущих конференциях (ICML, NeurIPS, ICLR, CVPR, ACL, KDD, ICCV, ECCV, EMNLP и т. -технологические сервисы Яндекса: например, современные технологии компьютерного зрения, диалоговые системы, нейронный машинный перевод, беспилотные автомобили и многое другое.

Подробнее

Вы будете заниматься:

• разработкой новых наукоемких технологий;
• проведение экспериментов для проверки ваших научных гипотез;
• письменных работ с описанием ваших новых результатов;
• представляет свои результаты на международных конференциях высшего уровня.

Возможность почти

---

Компьютеры и ИТ Машиностроение

Показать большеСкрыть

Право на участие

Кандидаты должны быть из:

---

Афганистан Албания Алжир Андорра Ангола Антигуа и Барбуда Аргентина Армения Австралия Австрия Азербайджан Багамы Бахрейн Бангладеш Барбадос Беларусь Бельгия Белиз Бенин Бермуды Бутан Боливия Босния и Герцеговина Ботсвана Бразилия Бруней Болгария Буркина-Фасо Бурунди Камбоджа Камерун Канада Кабо-Верде Центрально-Африканская Республика Чад Чили Китай Колумбия Коморы Конго: Демократическая Республика Конго: Республика Острова Кука Коста-Рика Хорватия Куба Кипр Чешская Республика Дания Джибути Доминика Доминиканская Респблика Восточный Тимор Эквадор Египет Эль Сальвадор Экваториальная Гвинея Эритрея Эстония Эфиопия Фиджи Финляндия Франция Габон Гамбия Грузия Германия Гана Гибралтар Греция Гренада Гватемала Гвинея Гвинея-Бисау Гайана Гаити Гондурас Гонконг Венгрия Исландия Индия Индонезия Иран Ирак Ирландия Израиль Италия Кот-д’Ивуар Ямайка Япония Иордания Казахстан Кения Кирибати Корея, Север Корея, Юг Косово UN1244 (*не признано большинством стран) Кувейт Кыргызстан Лаос Латвия Ливан Лесото Либерия Ливия Лихтенштейн Литва Люксембург Макао Северная Македония Мадагаскар Малави Малайзия Мальдивы Мали Мальта Маршалловы острова Мавритания Маврикий Мексика Микронезия Молдова Монако Монголия Черногория Марокко Мозамбик Мьянма Намибия Науру Непал Нидерланды Новая Зеландия Никарагуа Нигер Нигерия Ниуэ Норвегия Оман Пакистан Палау Палестинская автономия Панама Папуа — Новая Гвинея Парагвай Перу Филиппины Польша Португалия Пуэрто-Рико Катар Румыния Россия Руанда Сент-Китс и Невис Сент-Люсия Святой Винсент и Гренадины Самоа Сан-Марино Сан-Томе и Принсипи Саудовская Аравия Сенегал Сербия Сейшелы Сьерра-Леоне Сингапур Словакия Словения Соломоновы острова Сомали Южная Африка южный Судан Испания Шри-Ланка Судан Суринам Свазиленд Швеция Швейцария Сирия Тайвань Таджикистан Танзания Таиланд Идти Тонга Тринидад и Тобаго Тунис Турция Туркменистан Тувалу Уганда Украина Объединенные Арабские Эмираты Соединенное Королевство Соединенные Штаты Америки Уругвай Узбекистан Вануату Ватикан Венесуэла Вьетнам Западная Сахара Йемен Замбия Зимбабве

Показать большеСкрыть

Описание идеального кандидата

Требования:

• высшее техническое образование с хорошей подготовкой по математике и алгоритмам;
• фактические знания по крайней мере в одной из следующих областей: машинное обучение, компьютерное зрение, распознавание речи, обработка естественного языка;
• хороших навыков программирования на C++ или Python для реализации алгоритмов и проведения экспериментов;
• хороший письменный и разговорный английский язык;
• желание вести собственную исследовательскую программу.

Также будут учитываться следующие преимущества (неполный список):

• кандидат наук. степень или ее эквивалент;
• опыт обучения в аспирантуре в сильной академической группе;
• опыт написания научных статей, публикаций в ведущих журналах и сборниках конференций;
• опыт работы в области прикладной математической статистики;
• глубокие познания в математике и способность достигать новых результатов;
• участие в международных научных соревнованиях, таких как KDD Cup, соревнования Kaggle;
• опыт разработки программного обеспечения для работы с большими данными;
• опыт работы в команде.

---

Даты

Крайний срок: Как можно быстрее

---

Стоимость/финансирование для участников

Полностью финансируется

Преимущества этой работы:

• опыт работы в одной из сильнейших научных лабораторий мира;
• возможность отточить свои навыки ведения исследовательских проектов, внедрения новых технологий и написания статей для лучших конференций;
• возможность играть ключевую роль в молодой и растущей команде;
• возможность заниматься наукой;
• конкурентоспособная заработная плата.