Was bringen TV-Spots für E-Commerce? ProSiebenSat.1 schafft Fakten mit Big Data.

I Seite 1 | Marketing-Club Düsseldorf | ProSiebenSat.1 Media AG & inovex GmbH | 22. April 2015

DATA-DRIVEN MARKETING – CONNECTING THE DOTS BETWEEN TV AND ONLINE

Was bringen TV-Spots für E-Commerce?ProSiebenSat.1 schafft Fakten mit Big Data

Florian JedlitschkaManager Media Strategy & OperationsProSiebenSat.1 Media AG

Dr. Lars PerchallaBig Data Scientistinovex GmbH


Referenten

Florian Jedlitschka Dr. Lars Perchalla

• Physik-Studium an der RWTH Aachen• 2011 Promotion über die Analyse von

Massendaten zur Suche nach dem Higgs-Boson (Elementarteilchenforschung)

• Postdoc an der RWTH und am CERN in Genf

• Seit 2013 Big Data Scientist bei inovex• Design und Realisierung von Big-Data-

Systemen und wissenschaftliche Analyse von großen Datenvolumina

• BWL-Studium an der Universität Erlangen-Nürnberg und der CorvinusUniversität Budapest

• > 4 Jahre Unternehmensberater bei Accenture im Bereich Media Auditing

• Schwerpunkt im TV und Online • Heute Manager Media Strategy &

Operations im Bereich Digital & Adjacentbei der ProSiebenSat.1 Media AG

• Weiterentwicklung der TV-Wirkungs-analyse für das Online-Business


Agenda

Wie funktioniert das Digitale Business innerhalb von ProSiebenSat.1?

Welchen Effekt hat TV-Werbung auf das Digitale Business?

Wie wird Big Data bei ProSiebenSat.1 genutzt?


Das P7S1 Business basiert auf 3 Säulen…

Digital & Adjacent Content Production& Global Sales 1 2 3Broadcasting

German-speaking

Digital Entertainment

Digital Commerce

Adjacent

TV advertising

Distribution


mit führenden Positionen in den D&A Geschäftsbereichen …

PayVoD Markt berücksichtigt nur SVoD.

D&A: Verteilung Umsatz und Geschäftsbereiche[H1 2014]

#4

Digital Commerce

#1#1#2#1

Top 5#3

Digital Entertainment

#1

#1

#2

#3

Pay VoD

Online Games

Ad VoD

+

#2

12.8%

47.9%39.3%

Adjacent


… und einem breiten Investment Portfolio

Please note: investments based on straight equity or equity-like components, strategic AND opportunistic by entire D&A segment.

Minderheit (10-50%) Mehrheit (>50%)Minderheit (<10%)

28 Deals 12 Deals

27 Deals 14 Deals 12 Deals

1 Deals 3 Deals

Auswahl:International

Germany, Austria & SwitzerlandSelection

17 Deals

Dig

ital

Non

-di

gita

l Selection

Selection

https://numbrs.com/

https://numbrs.com/


Unser D&A Kapitalmarkt-Ziel für 2018

935

530

335

2012 H1 2014 LTM 2018E

CMD angestrebtes Wachstum: EUR 405m bis Zielerreichung!

D&A Umsatz

CMD Ziel

D&A rec. EBITDA

Margevon ~20%3

1 Implied revenue CAGR 2012 - H1 2014 2 Implied revenue CAGR H1 2014 - 2018 3 D&A Rec. EBITDA Marge von ~20% ist abhängig vom Portfolio- Mix

CAGR +35.7%1

CAGR+13.5%2

D&A Umsatz in EURm


Ungenutztes TV Werbeinventar ist der Schlüssel für das weitere Wachstum

“Our strategy is to become more independent from classic ad income and to invest in new digital business models. Our idle TV ad inventory is our most important resource, our internal dollars or you could say our ‘magic potion’!”

Christian Wegner

Ungenutztes TV Werbeinventar –kann für digitale Investments & Kooperationengenutzt werden

“Traditionelles” Werbeinventar -verkauft an Werbetreibende von SevenOne Media


… da TV durch seine einzigartige Positionierung alle relevanten Zielgruppen erreicht

Höhere TV Nutzung im Vergleich zuOnline

Hohe Nettoreichweiten über alle relevantenZielgruppen hinweg

CAGR[2002-2013]

2013[in min]

Onlinew/o Online Video

78

Online Videoinkl. TV- Content

23

Quelle: AGF in Zusammenarbeit GfK; TV Scope

827370

5647

8073

67

4540

14-19 20-29 40-4930-39 >50

Frau Mann% nach Alter

Erwachsene >14 = 71%TVNutzung +0.3%182

+9%

+72%


TV steigert die Markenbekanntheit und generiert dadurch höheren Online Traffic auf E-Commerce Websites

Unternehmen mit TV Werbung erzielen einehöhere Markenbekanntheit

Deutlicher Anstieg des Traffics über den Kampagnenverlauf hinweg

Markenbekanntheit in %31.5

9.88.8<5.0

23.1

<5.0

Beauty Competitor Beauty Co

Q2/2013 Q3/2014Pre-TV

Konkurrenz ohne TV Werbung bleibt zurück

+308%

2. FlightBreak

78%

1.Flight

33%

67%

Pre-TV

89% 33%

67%

22%11%

+32%

Non-brandBrand

x3

Beauty Co Visits pro Tag in k

Quelle : Media & AnalyticsHinweis: Pre-TV Schätzungen basieren auf quartalsweiser Kampagnen-Trackingumfragen; Der Traffic wird anhand der Direkteingabe der Website oder die Markensuche ermittelt.


Alternative Ansätze in der TV-Mediaplanung durch TV-Analytics

Traditionelle TV-Mediaplanung Response-basierte Mediaplanung

Cost per Visit (CpV)= Kosten pro Website-Besuch

Cost per Action (CpA)= Kosten pro Aktivität auf einer Website

(z. B. Registrierung)

Visit per GRP (VpGRP)= Website-Besuche per Gross Rating Point

Brand!

GRP

Net reach

F25-39

Fokus: Zielgruppe

Media AgenturKunde


Big Data-Initiative bei ProSiebenSat.1

Kernfrage: Welchen Effekt hat TV-Werbung für das Online-Business?

Traditionelle Online-Analyse-Tools liefern keine Antwort

Individuelle Lösung von ProSiebenSat.1: Big Data & Data Science

ProSiebenSat.1 entwickelt sich zum führenden Data Hub für TV-Analytics


MobileData CenterAutomation

Modern WebPlatform

MobileData CenterAutomation

Analy-tics‣ Backend

‣ Frontend‣ Portale‣ Replatforming

‣ Business Intelligence

‣ Big Data Platforms

‣ Data Science ‣ Search

‣ Mobile Enterprise‣ App Development‣ Mobile Web‣ Smart Devices &

Internet of Things

‣ Cloud‣ DevOps‣ Operations

Consulting

Prozesse, IT, Social,Change Management

Integriertes Portfoliofür die digitale Transformation


Big Data – vom Hype zum Value

2007 2009 2011 20152013

http://www.google.de/trends/explore#q=%22big%20data%22 Quelle: http://www.strategy-at-risk.com/

Integration: Unterschiedliche Daten-typen zusammenbringen

Daten-Bewirtschaftung: Kostengünstig speichern und aggregieren

Analytics: Daten in Beziehung setzen, Wissen generieren

1

2

3

Big Data Trend Generiere Business Value

VolumeVarietyVelocity AnalyticsB

IG D

ATA


Big Data – Wandel des Geschäftsmodells

Monetarisierung

Optimierung

Innovation

Leverage

Kommerzielle Verwertung vorhandener Daten

Auswertung existierender Daten, Optimierung bestehender Prozesse

Big-Data eröffnet ganz neue Geschäftsmodelle, Wandel des Business-Modells

Push von existierenden Geschäfts-modellen durch die Erhebung und Auswertung neuer Daten

neue Geschäftsmodelle

existierendeGeschäftsmodelle

existierende Datenbestände neue Datenbestände

Modell in Anlehnung an BITKOM (2015): „Big Data und Geschäftsmodell-Innovationen in der Praxis“


Ein ganz kurzer Blick auf die Technik: Das Hadoop Ecosystem

Zookeeper

Ambari

Oozie

Falcon

Knox

Ranger

Data Ingestion & Integration

HDFS

YARN

Script SQL Java/Scala

NoSQL In-Mem. Stream Batch

Tez Tez

Pig

Flume Sqoop Kafka

Hive Spark Storm M&RCasc.

Analytics, UIs, 3Rd Party

Pentaho elasticsearchMahoutHue

HBase

PDI

Data & Systems Management

Enterprise-ready, dominiert durch Open-Source

Fazit


Big Data Lösungs-Architektur:Verbinde TV und Web!

Tracking-Daten• 60 Websites• 50 Mio.

Unique Users/Monat

RDBMSTV-Daten aus15 Mio. Einträgen/Tag (Reichweite, CRM, TV-Schaltplan ...)

Hadoop Cluster• 10 Data Nodes• 640 GB RAM• 320 TB Storage

TäglicheAggregation• 60 Mio.

Visits• > 50 KPIs

Reporting/Analysis


Methodisches Grundprinzip:Spot-Induktion verbindet TV und Web

Spot-ZuordnungHive UDTF

• Extrapoliere flachen Untergrund!

• Separiere Kategorien!(referrer, device, …)

• Löse Überlapp durch Spot-Gewichte!(GRP und Response-Funktion1)

2nd spot

Extrapolate ∅ noise level

Spot minute8-8 0

Visits

Noise window

Spot induced signal

New noise level

Signal window

Overlapregion

1 Landau Modell


time of day

00:00 02:00 04:00 06:00 08:00 10:00 12:00 14:00 16:00 18:00 20:00 22:00 00:00

sp

ots

0

1

2

3

4

5

induced visits (17_2014-01-12)

time of day

00:00 02:00 04:00 06:00 08:00 10:00 12:00 14:00 16:00 18:00 20:00 22:00 00:00

vis

its

0

100

200

300

400

500

600

700

python/drawSpotChain.py -v java/psa-media-analytics-hive-functions/src/test/resources/visits_induced_20140112_17_v5.csv

Signal-Analyse: Spot-Induktion ermöglicht Messung von unmittelbarer Werbewirkung

Daily VisitsSpot-Zuordnung

• Kurzreichweitige Zuord-nung zu synchronen Visits

• Trotzt Modulation und Fluktuation

• Konservativ, aber robust

Analysen

• Zeit (Tageszeit vs. Primetime)• Inhalt: Sender, Genre,

Format• Spot: Motiv, Art

(Tandem/Single), Dauer• Tarif: Special Ads

time of day

18:00 18:15 18:30 18:45 19:00 19:15 19:30 19:45 20:00 20:15 20:30 20:45 21:00

sp

ots

0

0.5

1

1.5

2

2.5

3

induced visits (17_2014-01-12_180000_210000)

time of day

18:00 18:15 18:30 18:45 19:00 19:15 19:30 19:45 20:00 20:15 20:30 20:45 21:00

vis

its

0

100

200

300

400

500

600

700

python/drawSpotChain.py -a 17 -d 2014-01-12 --start_daytime 18:00:00 --end_daytime 21:00:00 -v java/psa-media-analytics-hive-functions/src/test/resources/visits_induced_20140112_17_v4_strippedSecs.csv -s java/psa-media-analytics-hive-functions/src/test/resources/lookup_spotchains.csv


Merkmale erfolgreicher Werbespots:Beispiel E-Commerce Interferenz

Wie wirken mehrere E-Commerce Spots innerhalb eines Werbeblocks?

Ø Besucher pro Spot (GRP normiert)

1 2 3 4 5 6 7 8Anzahl E-Commerce Spots im Werbeblock

Vertrauens-intervall durch

zahlreicheSpot-Motive/-

Dauer und Sender

Keine Korrelation

KonstanterBesucherzuwachs

Vorurteil widerlegt


Merkmale erfolgreicher Werbespots:Beispiel Motiv-Analysen

Welches Spot-Motiv funktioniert am besten?

KumulierteBesucher

Kumulierte Reichweite

Beauty – Motiv 1

Beauty – Motiv 2

Beauty – Motiv 3

Spot-Länge?

Lineares Wachstum

Frühzeitige Preformance-bewertung möglich

Keine Abnutzung

Forecasts möglich


Merkmale erfolgreicher Werbespots:Beispiel Spot-Länge

Spot-Motive normiert auf Spot-Länge

Lineares Wachstum

Lineare Skalierungdurch Spot-Länge

Zeigt Motiv-Unterschiede

KumulierteBesucher pro 10 sec

Kumulierte Reichweite

Beauty – Motiv 1

Beauty – Motiv 2

Beauty – Motiv 3

Wirkunglinear zur

Exposure!!!


Lösung durch Data ScienceProblem: Aktuelle Kampagnen-Bewertung (CpV) unzureichend

Data Science:Messung des Langzeit-TV-Effekts

05

1015

20253035

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

Visits in k

Pre-Campaign(baseline)

TV-Campaign(incremental effect)

Post-Campaign

Incremental Campaign VisitsDepot visits

Wochen

Problem: Keine adäquateBerücksichtigung von Saisonalität und anderenMarketing-Aktivitäten


Vom Higgs zum Business

4. July 2012: LHC (27-km-Ring beiGenf) findet Higgs-Boson in

Petabytes von Kollisionsdaten

1 PB generierte Datenpro Sekunde

25 PB gespeicherteDaten pro Jahr

Detektoren mitMillionen von Channels

Analyse-Methoden aus der Forschung funktionieren

auch im Business


Multivariate Analyse (MVA):Selbstlernender Entscheidungsbaum

MVA1-Analyse• Klassifizierung der Besucher

nach ihrem Web-Verhalten(PI’s, Surf-Dauer, …)

• Entscheidungsbaum ausdiskriminierenden Variablentrennt TV- von nicht-TV

• Selbst-Lernende Optimierungdurch Aufwertung von falschenZuordnungen

• Training auf Basis der Spot-Induktion

• Stabil gegen Ausbrecheneinzelner Variablen

Node (one discriminator)

S

S = TV, B = non-TV

B

S

S B

B

Baskets

Boosting~500 trees

Datenqualität und -Verständnis entscheidend!

1 Multi-Variant Aalysis (Boosted Decision Tree, AdaBoost)


MVA: Umsatz-AnalyseProof-of-Concept

Beispiel-Ergebnis der MVA-Klassifizierung

01020304050607080

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26

BackgroundMVA SignalMVAUmsatz in kEUR

KW

1st TV Flight 2nd TV FlightBreak

Nicht-TV-Visits TV-Visits

MVA-basierte Quantifizierung

des Depot-Effekts

MVA isoliert TV

TV mitsignifikantemUmsatzanteil

Erste Abschätzungdes TV-

Langzeiteffekts

Ermöglicht ROI -Abschätzung


Ausblick: Funktionale Erweiterungen

TV-Online-Kampagnen-Synchronisation

Integration von Wetter-Daten

App Tracking


Vielen Dank für Ihr Interesse!

Florian JedlitschkaManager Media Strategy & OperationsProSiebenSat.1 Media AG

Dr. Lars PerchallaBig Data Scientistinovex GmbH

Was bringen TV-Spots für E-Commerce? ProSiebenSat.1 schafft Fakten mit Big Data.

Technology

Transcript of Was bringen TV-Spots für E-Commerce? ProSiebenSat.1 schafft Fakten mit Big Data.