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

RFE-Modell mit R

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

Darstellung in Webtrekk

Browserauflösung

Daten aus Webtrekk

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

Browserauflösung

Vielen Dank!Vielen Dank!

Kontakt

converlytics GmbH

Grünstraße 4

12555 Berlin

t: +49 30 600 336 10

f: +49 30 600 336 11

info@converlytics.com

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