Preis24.deConversion Optimierung
22.02.2016
Webtrekk User Conference
Analytics – The next Level (Ausschnitt)
06.07.2016
Inhalt
Vorstellung converlytics
RFE Model mit R – von Webtrekk nach R zu Webtrekk
Browserauflösung zur Landingpage-Optimierung
Signifikanz im Segmentvergleich
Zusammenspiel der Daten
CRM
DMPAdServer
Data WarehouseWebtrekk
Das CRM stellt x% der Stammdaten.
Webtrekk steuert xx% der Daten anonymer
Besucher zu.
DMP stellt Daten für Targeting und RTA und
Programmatic zur Verfügung
Ergebnis: Umfassender Datenpool zur
personalisierten Ausspielung von OnSite und
OffSite Kampagnen.
Churn-Prevention
Reaktivierung
Personalisiertes Cross und Up-Sellings
Motivation – Content Monetarisierung
Kosten Traffic-Einkauf
insbesondere auch zum Push bestimmter Anzeigen/Ressorts/Seiten
Erlös
z.B. durch Anzeigen-Views und Werbeeinblendungen, verkaufte Produkte, Abo-Abschlüsse
$
Ertrag
auch KUR und ROIbasierend auf Primärzielen
Web Analytics – RFM/RFE Modell
RFM = Recency, Frequency, Monetary Value als Basis zur Besucherklassifizierung
RFE = Recency, Frequency, Engagement als Basis zur Besucherklassifizierung
0
1
2
3
4
5
6
7
8
9
10
0 1 2 3 4 5 6 7 8 9 10
Recency
Frequency
ACBD
0
1
2
3
4
5
6
7
8
9
10
0 1 2 3 4 5 6 7 8 9 10
Recency
Frequency
ACBD
Webtrekk Einstellungen
Zentrale Frage: Wie wähle ich sinnvolle Einstellungen zur Konfiguration des RFE-Modells?
3 Dimensionen (RFE) mit 3 Klassen erzeugen 33 Kombinationen = 27 Gruppen
Grundlagen
Idee:
RFE-Modell auf Webtrekk-Datengrundlage
Einteilung in drei Dimensionen Anzahl Besuche im Zeitraum, Anzahl Tage seit letztem
Besuch, Anzahl Page Impressions im Zeitraum
Page Impressions sind variabel -> Auch Registrierungen u.ä. möglich
Bewertung der Gruppen anhand der erzeugten Page Impressions: RFE(r,f) -> PI
Vorgehen:
Export aus Webtrekk -> Import in R
Berechnung (z.B.) des Medians zur Bestimmung vier gleich großer Gruppen
Gruppeneinteilung und Validierung durch R
Segmentierung in Webtrekk
Darstellung in R
Kreisradius entspricht der absoluten Anzahl an Page Impressions
Reduktion auf 4 Gruppen und
Bestimmung der
Randbedingungen über R
Minimalansatz Median von
Frequency und Recency
Export mehrerer Millionen
Datensätze
Fallbeispiel konkret
Mit den Medianen werden vier Gruppen gebildet, deren (Recency, Frequency) mit 1 = gut und 0
gleich schlecht bewertet wird:
Die Gruppe 11 beschreibt Besucher mit mehr als 5 Besuchen im Zeitraum, die zuletzt vor weniger als 4 Tagen auf der Seite waren.
Die Gruppe 10 beschreibt Besucher mit weniger als 6 Besuchen im Zeitraum, die zuletzt vor weniger als 4 Tagen auf der Seite waren.
Die Gruppe 01 beschreibt Besucher mit mehr als 5 Besuchen im Zeitraum, deren letzter Besuch mindestens 4 Tage zurück liegt.
Die Gruppe 00 beschriebt Besucher, mit weniger als 6 Besuchen im Zeitraum, deren letzter Besuch mindestens 4 Tage zurück liegt.
Die Gruppe der TOPUSER, sind Besucher, die die Seite täglich besuchen und im Betrachtungszeitraum (pro Monat) mindestens 33 Besuche
hatten. Diese Gruppe zeigt somit im Vergleich die höchste Affinität und größte Kundenbindung.
TOPUSER 11 10 01 00
Frequency >32 ≥6 <6 ≥6 <6
Recency <2 <4 <4 ≥4 ≥4
Daten aus Webtrekk
Browserauflösung (Einstiegsseite) anstelle der Bildschirmauflösung
Export der Daten aus Webtrekk auf Session-Basis
Der Zeitraum sollte dabei so groß sein, dass ausreichend Daten vorhanden sind. Etwa 50.000
Visits über mindestens zwei Wochen haben sich bewährt.
Export der Daten als CSV ohne Metainformationen
Kontakt
converlytics GmbH
Grünstraße 4
12555 Berlin
t: +49 30 600 336 10
f: +49 30 600 336 11
www.converlytics.com
Diese Präsentation ist urheberrechtlich geschützt und ausschließlich zur internen Verwendung erstellt.Jede Verwertung, Weitergabe oder Verwendung ohne schriftliche Zustimmung der converlytics GmbH ist unzulässig.
07.07.2016 converlytics GmbH 17