URM – User Relationship Management

© 2015 Webtrekk GmbHDokumentenversion 1.0

Inhaltsverzeichnis

1 URM im Überblick

1.1 User Centric Tracking als Grundlage

2 Welche Analysebereiche beinhaltet URM?

2.1 Erfassung von Häufigkeit, Frequenz und Bestellverhalten

2.2 RFM/RFE-Modell

2.3 Mikro- und Makro Besucherstatus

2.4 Predictions

2.5 Kohorten

3 URM-Explorer

4 Wie können weitere Daten integriert werden?

4.1 Vordefinierte URM-Kategorien

4.2 Individuelle URM-Kategorien

5 In welchen Dokumenten gibt es weitere Infos?

URM im Überblick1

→

Das User Relationship Management (URM) enthält Daten für jeden Besucher der Webseite.

Auf einer Webseite sind durchschnittlich nur 10% aller Besucher bekannt (z.B. Käufer, registrierte User, Besucher mit Login).

Diese Daten können in herkömmlichen CRM-Systemen analysiert werden.

Mit dem URM werden sämtliche Besucher der Webseite betrachtet.

Finden Sie für jeden User die perfekte Marketingmaßnahme, nicht nur für 10 Prozent!

Dabei werden sämtliche Datenschutzbestimmungen eingehalten.

1 URM im Überblick

10 % bekannte BesucherDaten liegen im CRM vor

90 % unbekannte Besucher

URM

→

Das URM erlaubt:

Eine leichtere Identifizierung und Analyse von Zielgruppen.

Eine Datenbasis mit mehr Vorhersagekraft zu nutzen.

Maßnahmen zur Kundenbindung zu ergreifen.

1 URM im Überblick

Sammeln

ReportenAnalysieren

Optimieren

Maßnahmen ableiten

Nutzen

Aufwand

→

Für alle User werden automatisiert wichtige Daten erhoben:

1 URM im Überblick

In welchen Frequenzen kommt er auf die Webseite?

Wie viele Seiten hat er bisher aufgerufen?

Welchen Gesamtbestellwert hat er generiert?

In welchen Frequenzen kauft der Besucher?

Welchen durchschnittlichen Bestellwert hat er generiert?

Wie viel Prozent der Bestellungen waren rabattiert?

Vor wie vielen Tagen war die letzte Bestellung?

Wann war der Erstbesuch?

Behavior

→

Weitere Informationen können auf der Webseite erfasst werden, um die Aussagekraft zu erhöhen:

1 URM im Überblick

In welchen Frequenzen kommt er auf die Webseite?

Wie viele Seiten hat er bisher aufgerufen?

Welchen Gesamtbestellwert hat er generiert?

In welchen Frequenzen kauft der Besucher?

Welchen durchschnittlichen Bestellwert hat er generiert?

Wie viel Prozent der Bestellungen waren rabattiert?

Vor wie vielen Tagen war die letzte Bestellung?

Wann war der Erstbesuch?

Ist es ein Mann oder eine Frau?

Wie alt ist die Person?

Wo wohnt er (Land/Stadt/Straße/Postleitzahl)?

Hat der Besucher sich zum Newsletter registriert?

Onpage

Behavior

→

Individuelle Merkmale aus Ihrem CRM-System verfeinern das Bild weiter:

1 URM im Überblick

In welchen Frequenzen kommt er auf die Webseite?

Wie viele Seiten hat er bisher aufgerufen?

Welchen Gesamtbestellwert hat er generiert?

In welchen Frequenzen kauft der Besucher?

Welchen durchschnittlichen Bestellwert hat er generiert?

Wie viel Prozent der Bestellungen waren rabattiert?

Vor wie vielen Tagen war die letzte Bestellung?

Wann war der Erstbesuch?

Ist es ein Mann oder eine Frau?

Wie alt ist die Person?

Wo wohnt er (Land/Stadt/Straße/Postleitzahl)?

Hat der Besucher sich zum Newsletter registriert?

Wie viele Offline-Bestellungen hat er generiert?

Welche Bonität hat er?

Wie häufig hat er Bestellungen retourniert?

Wie oft ruft er bei der Servicehotline an?

Onpage CRM

Behavior

→

Auch Vorhersagen werden berechnet:

1 URM im Überblick

In welchen Frequenzen kommt er auf die Webseite?

Wie viele Seiten hat er bisher aufgerufen?

Welchen Gesamtbestellwert hat er generiert?

In welchen Frequenzen kauft der Besucher?

Welchen durchschnittlichen Bestellwert hat er generiert?

Wie viel Prozent der Bestellungen waren rabattiert?

Vor wie vielen Tagen war die letzte Bestellung?

Wann war der Erstbesuch?

Wie hoch ist die Wahrscheinlichkeit, dass er die Webseite nicht mehr besuchen wird?

Wie hoch ist die Wahrscheinlichkeit, dass er kaufen wird?

Ist es ein Mann oder eine Frau?

Wie alt ist die Person?

Wo wohnt er (Land/Stadt/Straße/Postleitzahl)?

Hat der Besucher sich zum Newsletter registriert?

Wie viele Offline-Bestellungen hat er generiert?

Welche Bonität hat er?

Wie häufig hat er Bestellungen retourniert?

Wie oft ruft er bei der Servicehotline an?

Onpage

Predictions

CRM

Behavior

→

Basierend auf diesen umfassenden Informationen lassen sich die zentralen Fragen beantworten.

1 URM im Überblick

Wie wertvoll ist der Besucher für mich?

Mit welcher Marketingmaßnahme kann ich Ihn zum Besuch der Webseite bzw. Kauf animieren?

Über welches Potential verfügt er?

In welchen Frequenzen kommt er auf die Webseite?

Wie viele Seiten hat er bisher aufgerufen?

Welchen Gesamtbestellwert hat er generiert?

In welchen Frequenzen kauft der Besucher?

Welchen durchschnittlichen Bestellwert hat er generiert?

Wie viel Prozent der Bestellungen waren rabattiert?

Vor wie vielen Tagen war die letzte Bestellung?

Wann war der Erstbesuch?

Wie hoch ist die Wahrscheinlichkeit, dass er nicht mehr die Webseite besuchen wird?

Wie hoch ist die Wahrscheinlichkeit, dass er kaufen wird?

Ist es ein Mann oder eine Frau?

Wie alt ist die Person?

Wo wohnt er (Land/Stadt/Straße/Postleitzahl)?

Hat der Besucher sich zum Newsletter registriert?

Wie viele Offline-Bestellungen hat er generiert?

Welche Bonität hat er?

Wie häufig hat er Bestellungen retourniert?

Wie oft ruft er bei der Servicehotline an?

→

Besucher lassen sich mit marktüblichen Modellen bewerten, um Marketingmaßnahmen effektiv

durchführen zu können.

Unterstützt werden das RFM- und RFE-Modell:

RFM = Recency, Frequency, Monetary

Wann hat der Besucher zuletzt gekauft?

Wie oft wurde gekauft?

Wie hoch war der Gesamtbestellwert?

RFE = Recency, Frequency, Engagement

Wie viele Tage sind seit dem letzten Besuch vergangen?

Wie viele Visits gab es insgesamt?

Wie viele Page Impressions hat der Nutzer generiert?

Anhand von Score-Werten werden Besucher geclustert.

Vordefinierte Segmente (z.B. „Top Buyer“) nutzen diese Informationen und erlauben eine schnelle und

zielgerichtete Ansprache der Besucher.

1 URM im Überblick

333 311311

→

Kohorten sind zeitbezogene Segmente, mit denen das langfristige Verhalten von Neubesuchern

untersucht wird.

Häufig wird damit die Performance der Kampagnenkanäle untersucht. Erkennen Sie Abhängigkeiten und

optimieren Sie Ihren Marketingmix.

Wie langfristig kommen Besucher zurück auf die Webseite?

Wie entwickeln sich Bestellwert und Konversionsrate?

1 URM im Überblick

Kurzfristiger Erfolg (Kampagnenbaum) Langfristiger Erfolg (Kohorte)

→

URM in der Webtrekk-Suite:

Funktionen in Analytics:

Analysieren Sie Nutzergruppen

Konfigurieren Sie das RFM- und RFE-Modell

Funktionen des User Relationship Managements (URM-Explorer):

Erstellen Sie Segmente und sehen Sie, wie viele und welche Besucher Sie damit erreichen

Analysieren Sie jeden einzelnen Besucher im Detail

1 URM im Überblick

→

User Centric Tracking sorgt für die bestmögliche Datenbasis und bildet die Grundlage für die

vollumfängliche Nutzung des URM.

Besucher werden Browser- und Geräteübergreifend

erkannt. Die Datenqualität steigt.

Erlaubt die Verknüpfung mit Daten aus Ihrem

CRM-System. So könnten z.B. auch Lead-Status und

Anzahl an Retouren in Webtrekk betrachtet und bei der

Userbewertung berücksichtigt werden.

Wie kann ich User Centric Tracking nutzen?

Eine Kundennummer muss beim Login eines Kunden an Webtrekk übergeben werden.

Ausführliche Informationen finden Sie im How-To Dokument „User Centric Tracking“, das Sie im Supportcenter herunterladen können.

1.1 User Centric Tracking als Grundlage

User-zentriert Cookie-basiert

←→

In diesem Kapitel wird ausführlich die Funktionsweise der

URM-Bestandteile vorgestellt.

Erfassung von Häufigkeit, Frequenz und Bestellverhalten

Mikro- und Makro Besucherstatus

RFM/RFE-Modell

Predictions

Kohorten

Welche Analysebereiche beinhaltet URM?2

←→

Erfassung von Häufigkeit,

Frequenz und Bestellverhalten2.1

←→

Basierend auf dem Nutzungsverhalten berechnet Webtrekk automatisiert Metriken und Objekte, die

Häufigkeit, Frequenz und Bestellverhalten analysieren.

Dabei werden Customer und Customer Profil-Betrachtungen unterschieden:

Customer: der Wert, den ein User zu einem bestimmten Zeitpunkt hatte.

Customer Profil: betrachtet den aktuellen Status des Users (bis zu seinem letzten Besuch). Dabei muss der

letzte Besuch nicht im Analysezeitraum liegen.

2.1 Erfassung von Häufigkeit, Frequenz und Bestellverhalten

1. Visit

13.02.

2. Visit

14.02.

3. Visit

15.02.

Analyse am 15.02.:

Customer Visit: der Besucher hatte am 13.02. seinen ersten Besuch, am 14.2. seinen zweiten, am 15.2. seinen dritten Besuch

Customer Profil Visits: der Besucher hat insgesamt 3 Besuche durchgeführt.

←→

Beispiel: Customer Visits vs. Customer Profil Visits

Folgende Objekte und Metriken werden automatisch berechnet:

Traffic-Betrachtung

2.1 Erfassung von Häufigkeit, Frequenz und Bestellverhalten

Verfügbar als

Metrik/Wert Bezeichnung Beschreibung Metrik Objekt

Page Impressions

URM - Customer Page ImpressionsGesamt-Page Impressions im 10er Intervall zum Zeitpunkt

URM - Customer Profil Page ImpressionsGesamt-Page Impressions(Objekt: 10er Intervall)

VisitsURM - Customer Visits Gesamt-Visits zum Zeitpunkt

URM - Customer Profil Visits Gesamt-Visits

Tage

URM - Kontakt vor Tagen Tage seit einem Visit

URM - Customer Profil Letzter Kontakt vor Tagen

Tage seit letztem Besuch zum Zeitpunkt

URM - Customer Profil Erster Kontakt vor Tagen

Tage seit Erstbesuch zum Zeitpunkt

URM - Customer Profil Besuchsfrequenz Ø (Tage)

Ø Anzahl an Tagen zwischen Besuchen

URM - Tage zwischen Kontakten Anzahl an Tagen zwischen Besuchen

Ja | Nein URM - Letzter Besuch Filtert auf den letzten Besuch

Pro

fi

←→

Folgende Objekte und Metriken werden automatisch berechnet:

Bestellungs-Betrachtung (1/2)

2.1 Erfassung von Häufigkeit, Frequenz und Bestellverhalten

Verfügbar als

Metrik/Wert Bezeichnung Beschreibung Metrik Objekt

Bestellungen

URM - Customer Bestellungen Gesamt-Bestellungen zum Zeitpunkt

URM - Customer Profil Bestellungen Gesamt-Bestellungen

URM - Customer rabattierte BestellungenGesamtanzahl rabattierterBestellungen zum Zeitpunkt

URM - Customer Profil rabattierte Bestellungen

Gesamtanzahl rabattierterBestellungen

Bestellwert

URM - Customer Bestellwert Gesamt-Bestellwert zum Zeitpunkt

URM - Customer Profil Bestellwert Gesamt-Bestellwert

URM - Customer Profil Bestellwert Ø Ø Gesamt-Bestellwert

RabattwertURM - Customer Rabattwert Gesamt-Rabattwert zum Zeitpunkt

URM - Customer Profil Rabattwert Gesamt-Rabattwert

Rabattquote % URM - Customer Profil Rabattquote %Anteil rabattierter Bestellungen an Gesamt-Bestellungen

Pro

fi

←→

Folgende Objekte und Metriken werden automatisch berechnet:

Bestellungs-Betrachtung (2/2)

2.1 Erfassung von Häufigkeit, Frequenz und Bestellverhalten

Verfügbar als

Metrik/Wert Bezeichnung Beschreibung Metrik Objekt

Customer Lifetime Value

URM - Kampagnen Neubesucher CLVDer Gesamt-Bestellwert zum Zeitpunkt für Neubesucher mit Kampagnenklick

Tage

URM - Bestellung vor TagenTage seit der vorhergehenden Bestellung (bzw. erster Besuch bei der ersten Bestellung)

URM - Customer Profil Letzte Bestellung vor Tagen

Tage seit der letzten Bestellung

URM - Tage zwischen Bestellungen Tage zwischen 2 Bestellungen

Ja | Nein URM - Letzter Kauf-BesuchGrenzt auf den letzten Besuch ein, in dem ein Besucher eine Bestellung durchgeführt hat.

Pro

fi

←→

Warum sind viele der Informationen als Objekt verfügbar, obwohl Zahlen ausgewiesen werden?

Auch wenn es sich um Zahlen handelt, bieten sich doch die meisten Customer Metriken als Analyseobjekt an.

Denn nur dann lassen sich weitere Metriken und Formeln dazu berechnen.

Einige der Objekte und Metriken sind standardmäßig nicht sichtbar. Aktivieren Sie die Sichtbarkeit ggfs. in der Systemkonfiguration

(Allgemeine Einstellungen > Sichtbarkeit), oder wählen Sie im Tabellenkonfigurator im Drop-Down „alle“.

2.1 Erfassung von Häufigkeit, Frequenz und Bestellverhalten

←→

Objekt: URM – Customer Profil Visits

Metrik: URM – Customer Profil Visits

Wie viele Tage vergehen zwischen Visits?

Lesebeispiel:

Visits: Bei 229 Visits erfolgte der letzte Zugriff auf die Webseite 5 Tage vorher.

Visits kumuliert: Bei 6.167 Visits erfolgte der letzte Zugriff auf die Webseite innerhalb von maximal 5 Tagen.

Alle User mit nur einem Visit werden nicht berücksichtigt.

Die Tage werden anhand des Datums bestimmt, die Uhrzeit nicht beachtet. Zwischen Visits können also weniger als 24 Stunden liegen.

2.1.1 Use cases

Analyse: Besucher > URM - User Relationship Management > URM - Tage zwischen Kontakten

←→

Wie viele Tage vor ihrem letzten Kauf kamen Visitors auf die Webseite?

Lesebeispiel:

Visitors kumuliert %: 49,14 Prozent aller Visitors kamen weniger als 48 Stunden vor ihrem letzten Kauf-Besuch

zuletzt auf die Webseite.

Bestellwert Ø: Durchschnittlich verursachten Sie einen Bestellwert von 39,24 €.

Der Filter „Letzter Kauf-Besuch = ja“ grenzt auf den letzten Visit ein, in dem eine Konversion erfolgte.

2.1.1 Use cases

Analyse: Besucher > URM - User Relationship Management > URM - Tage zwischen Kontakten

←→

Wie viele Tage vergehen zwischen Bestellungen? (1/2)

Lesebeispiel:

Anzahl Bestellungen: Bei 61 Bestellungen erfolgte die letzte Bestellung 3 Tage vorher.

Bestellwert: 6.423,60 Euro Bestellwert wurde generiert, bei dem 3 Tage vorher die letzte Bestellung stattfand.

Bestellwert Ø: Durchschnittlich 105,30 Euro betrug der Bestellwert, wenn 3 Tage vorher eine Bestellung stattfand.

Bei der ersten Bestellung werden die Tage zum Erstbesuch ausgewiesen.

2.1.1 Use cases

Analyse: Besucher > URM - User Relationship Management > URM - Tage zwischen Bestellungen

←→

2.1.1 Use cases

Wie viele Tage vergehen zwischen Bestellungen? (2/2)

Durch diesen Filter wird die Erstbestellung nicht berücksichtigt.

Dadurch werden nur Tage zwischen Bestellungen ausgewiesen, nicht zwischen Erstbestellung und Erstbesuch.

Analyse: Besucher > URM - User Relationship Management > URM - Tage zwischen Bestellungen

←→

2.1.1 Use cases

Welcher Umsatz wurde langfristig über neu gewonnene Besucher je Kampagnenkanal generiert?

Lesebeispiel:

URM – Kampagnen Neubesucher CLV: 33.242,20 Euro Gesamt-Bestellwert bis zum heutigen Tag verursachten

Neubesucher über den Kanal „Display“.

Konversionswert: 24.899,20 Euro Bestellwert wurde laut dem Attributionsmodell dem Kanal „Display“ zugeordnet.

Analyse: Marketing > Kampagnenkategorien > [Name des Kampagnenkanals]

←→

Wie viele Tage vergehen zwischen den Besuchen, abhängig von der Anzahl an Visits?

Lesebeispiel:

Visitors: 311 Visitors benötigten zwischen 2 Visits (URM – Customer Visits) einen Tag (URM – Tage zwischen Kontakten).

…

2.1.1 Use cases

Analyse: Individuelle Pivot-Tabelle (Start > Neue Analyse)

←→

Wie viele Visits gibt es langfristig von Besuchern, die über einen Kampagnenkanal auf die Webseite

kamen?

Lesebeispiel:

Visits: 11.724 mal kamen User über den Kanal „Direct“ auf die Webseite.

URM – Customer Profil Visits: 23.243 Visits wurden insgesamt von Usern durchgeführt, die (in einem der Besuche) über

den Kanal „Direct“ auf die Webseite kamen.

2.1.1 Use cases

Analyse: Marketing > Kampagnenbaum

←→

Wie viele Visits gibt es langfristig von Neubesuchern über Kampagnenkanäle? (1/2)

Lesebeispiel:

Visits: Kanal „Direct“ wurde 4.863 mal von Neubesuchern genutzt.

URM – Customer Profil Visits: Diese Besucher verursachten insgesamt 6.538 Visits.

Zusätzliche Visits pro Visitor (URM): Durchschnittlich verursachten die Neubesucher 0,34 weitere Visits.

2.1.1 Use cases

…

Analyse: Marketing > Kampagnenbaum

←→

Wie viele Visits gibt es langfristig von Neubesuchern über Kampagnenkanäle? (2/2)

Die Metrik „zusätzliche Visits pro Visitor (URM)“ ist eine selbst erstellte Formel („Konfiguration > Eigene Formeln“)

2.1.1 Use cases

…

←→

RFM / RFE Modell2.2

←→

RFM und RFE Modell sind ein bewährtes Scoring-System, die sich zur Definition eines

Besucherwertes heranziehen lassen.

Beide Modelle betrachten das Verhalten eines Webseitenbesuchers in einem unterschiedlichen Kontext.

RFM Bewertet das Kaufverhalten Bewertet das NutzungsverhaltenRFE

RecencyWie viele Tage sind seit der letzten Bestellung vergangen?

FrequencyWie viele Bestellungen gab es insgesamt?

MonetaryWelcher Gesamtumsatz wurde generiert?

RecencyWie viele Tage sind seit dem letzten Besuch vergangen?

FrequencyWie viele Visits gab es insgesamt?

EngagementWie viele Page Impressions wurden insgesamt generiert?

2.2 RFM und RFE-Modell

←→

Derselbe Besucher kann sowohl einer RFM- als auch einer RFE- Gruppe angehören.

Das RFM-Modell betrachtet nur die Käufer, das RFE-Modell alle Besucher.

RFM

RFE

Beispiel für die Interaktion eines Nutzers in einem Online Shop

RFM

RFEOnline-

Shop

2.2 RFM und RFE-Modell

←→

Das Prinzip der Werteverteilung im RFM/RFE Modell

Für 3 Messkriterien werden jeweils 3 Werte zugeordnet: 1 (schlecht), 2 (mittel) oder 3 (gut)

Die zugrunde liegenden Schwellenwerte können individuell angepasst werden

Anpassungen an der Konfiguration wirken sich immer rückwirkend auf die Daten aus.

2.2 RFM und RFE-Modell

Konfiguration > Systemkonfiguration > Account

RFE

RFM

←→

Basierend auf dieser Zuordnung ergibt sich für jeden Nutzer eine dreistellige Zahl.

RFM Bewertet das Kaufverhalten Bewertet das NutzungsverhaltenRFE

R = 1F = 1M = 3

Recency = Letzte Bestellung liegt länger zurück.

Frequency = Hat bisher 1 x bestellt

Monetary = Generierte einen hohen Umsatz.

R = 3F = 3E = 3

Recency = Letzter Besuch vor wenigen Stunden.

Frequency = kommt täglich wieder

Engagement = Ist auf der Webseite sehr aktiv.

schlecht

schlecht

gut

gut

gut

gut

Beispiel für Ausweisung eines Nutzers

Monetary und Engagement sind stets Lifetime Werte (z.B. bisher erreichter Gesamtumsatz) der jeweiligen Nutzer.

2.2 RFM und RFE-Modell

←→

Jedem Modell stehen somit 3³(=27) Kombinationsmöglichkeiten zur Verfügung

Durch eine Kombination beider Modelle untereinander und der Verwendung zusätzlicher Filterungen ergibt sich

eine Vielzahl an Variationen

Kombinationsmöglichkeiten

2.2 RFM und RFE-Modell

Kombinierte Abfragen von RFE/ RFM Gruppen in der Filterengine

Betrachtung mehrerer Cluster in einer Analyse gleichzeitig (z. B. 312; 3*, 33*, *3*)

Bildung weiterer Teilsegmentierungen mittels Filter möglich (z. B. Bestellwert ist gleich, größer als, zwischen…)

Hohe Flexibilität durch:

←→

Die Verteilung der RFM-Gruppen lässt sich in der folgenden Analyse ablesen:

Analysepfad: Besucher > URM - User Relationship Management > URM - Customer RFM Gruppe

Lesebeispiel RFM Gruppe 312: Die letzte Bestellung von 2,42 % aller erfassten Käufer

ist weniger als 30 Tage her (=3).

Sie haben weniger als 3 Bestellungen (=1) getätigt.

Der generierte Umsatz(=2) liegt zwischen 100 € und

1000 €. Diese Gruppe hat jedoch einen Anteil von

61,74% am Gesamtumsatz.

333 311311

2.2 RFM und RFE-Modell

1 32

←→

Die Verteilung der RFE-Gruppen lässt sich in der folgenden Analyse ablesen:

Analysepfad: Besucher > URM - User Relationship Management > URM - Customer RFE Gruppe

Lesebeispiel RFE Gruppe 211: 10.712 Besucher waren zwischen 3 und 10

Tagen nicht mehr auf der Webseite (=2).

Sie haben weniger als 30 Besuche

durchgeführt (=1) und weniger als 100 Page

Impressions (=1) generiert.

Diese Gruppe hat jedoch einen Anteil von

55,46% aller Visitors.

231212211

2.2 RFM und RFE-Modell

1 32

←→

Beispiel der Nutzerzuordnung zu einem RFM Modell:

2 Bestellungen 1 Bestellung

Wert: 439 €Bestellwert

Anzahl Bestellungen

Zeitpunkt des Visits

Wert: 649 €

05.01.2014 26.04.2014 30.04.2014

2.2 RFM und RFE-Modell

17.05.2014

05.08.2014

Analysedatum Recency Frequency Monetary Gruppe

weniger als 30 Tage Zwischen 3 und 10 Bestellungen Mehr als 1000 € 3 2 3

mehr als 90 Tage Zwischen 3 und 10 Bestellungen Mehr als 1000 € 1 2 3

Konfiguration:

Zugriffe eines Users:

Analyse:

←→

Diese Clusterung erlaubt es, gezielte Maßnahmen für ausgewählte Nutzergruppe zu ergreifen.

333

331332

323

332

111

112

121

213

223212

232

212

211

Bewerben.

Zusätzliche Kaufanreize schaffen.

Upsell-Chancen wahrnehmen.

Kommunikation einstellen.

Cross Sell-Chancen nutzen.

133

2.2 RFM und RFE-Modell

←→

Beispiel: Handlungsempfehlungen anhand des RFM Modells

RFM Gruppe Gruppe: 1-1-1 Gruppe: 1-2-2 Gruppe: 3-3-3

RECENCYWann zuletzt gekauft?

Letzter Kauf vor mindestens 14 Tagen

Letzter Kauf vor mindestens 14Tagen

Letzter Kauf weniger als 3 Tage her

FREQUENCYWie oft gekauft?

1-3 mal 3-10 mal mindestens 10 mal

MONETARYPreis?

Gesamtumsatz kleiner 300 €

Umsatz liegt zwischen 300 und 1000 €

Gesamtumsatz fällt größer als 1000 € aus

ACTIONMögliche Handlungsempfehlung

Keine gesonderte Kommunikation

Zusätzliche Kaufanreize schaffen, Bewerben (Post), Newsletter, Coupons

Bewerben, Cross Sell Ansatz (Premium Produkte) fahren

2.2 RFM und RFE-Modell

←→

Webtrekk bietet standardmäßig eine Reihe von interessanten Segmenten für die Auswertung dieser

Nutzergruppen an (z.B. Big Spenders, High Potential Buyers, Frequent Users…).

Mit diesen Segmenten lassen sich Analysen filtern und Kampagnen für bestimmte Zielgruppen aussteuern

Beispiel: Wie viele Zugriffe erfolgten vom Segment “Big Spenders“

2.2 RFM und RFE-Modell

←→

Die Herausforderung bei der Konfiguration besteht darin, das „richtige“ Modell zu finden.

Das Setup kann dabei branchenspezifisch stark variieren.

Gern helfen Ihnen die Webtrekk-Consultants bei der Erarbeitung eines individuell passenden Konzepts!

Das RFE/RFM Dashboard (Meine Reports > Vordefinierte Reports) kann zur Konfiguration der Schwellenwerte genutzt

werden.

Auf den folgenden Folien werden 2 einfache

Modelle zur Konfiguration präsentiert:

Drittelung

Pareto-Prinzip

2.2.1 Setup

←→

Eine einfache Möglichkeit, den Traffic für die Bestimmung der Nutzergruppen zu unterteilen, besteht

in der Drittelung der dargestellten Werte.

Zur genauen Bestimmung der Schwellenwerte öffnen Sie die Analyse.

Meine Reports > Vordefinierte Reports > Recency, Frequency and Engagement > Recency, Days since last contact

50

100

33 %

66 %

2.2.1.1 Beispielsetup anhand Drittelung

←→

Konfigurationsbeispiel:

Nutzer, die innerhalb der letzten 29 Tage die Webseite besuchten, gehören zur besten Gruppe 3.

Nutzer, die länger als 70 Tage nicht mehr auf der Webseite waren, gehören zur Gruppe 1.

Alle anderen Nutzer gehören zur Gruppe 2 zugeordnet.

Beispiel: Ablesen der Werte anhand der Datentabelle

2.2.1.1 Beispielsetup anhand Drittelung

←→

Anhand des Pareto Prinzips können Besucher unterteilt werden: lediglich die besten 20 % aller

Besucher sind geschäftsrelevant.

Daher wird zunächst eine entsprechende Unterteilung vorgenommen.

Nun kann dieses Prinzip auf eines der Segmente (im Beispiel die besten 20%) angewandt werden, um die

allerbesten bzw. schlechtesten Besucher zu unterteilen.

Segment 1 = 80%

Segment 2 = 20%

Erstunterteilung der gesamten Menge Zweitunterteilung von Segment 2

Segment 2 b)= 4 %

Beispiel: Segmentierung nach Pareto

1 2

2.2.1.2 Beispielsetup anhand Pareto-Prinzip

Segment 2 a)= 16 %

←→

„Visitors kumuliert %“ zeigt im Beispiel, das 80,17% aller Besucher bis zu 8 Visits durchgeführt haben. Dieser Wert

wird der Gruppe 1 zugewiesen. Der abgelesene Wert bei 96% markiert den Beginn der Gruppe 3.

2

3

1

RFE

Gru

pp

enzu

ord

nu

ng

2.2.1.2 Beispielsetup anhand Pareto-Prinzip

Meine Reports > Vordefinierte Reports > Recency, Frequency and Engagement

Zur genauen

Bestimmung der

Schwellenwerte

öffnen Sie die

Analyse.

←→

Basierend auf dem RFM/RFE Modell werden Segmente gebildet, die die wichtigsten Nutzergruppen

beschreiben.

Diese stellen eine sprechende Übersetzung des RFE/ RFM Modells dar.

Anhand von Segmenten lassen sich Analysen filtern und Kampagnen aussteuern.

Beispiel:

2.2.2 Vordefinierte Segmente

←→

Segmente basierend auf dem RFM Modell (1/2)

Anhand einer beispielhaften Konfiguration wird die Wirkungsweise dieser Segmente beschrieben.

Segment Name Filterung Beschreibung anhand Beispielkonfiguration

Big Spenders **3 Es wurde mehr als 1000 € Umsatz generiert.

Churned Buyers 1** Die letzte Bestellung liegt mehr als 90 Tage zurück.

Flop Buyers 111 Die letzte Bestellung liegt mehr als 90 Tage zurück. Es gab insgesamt weniger als 3 Bestellungen, dabei wurden weniger als 100 € Umsatz generiert.

Frequent Buyers *3* Es gab insgesamt mehr als 10 Bestellungen.

2.2.2 Vordefinierte Segmente

Beispielkonfiguration für das RFM Modell

←→

Segmente basierend auf dem RFM Modell (2/2)

Anhand einer beispielhaften Konfiguration wird die Wirkungsweise dieser Segmente beschrieben.

Segment Name Filterung Beschreibung anhand Beispielkonfiguration

High Potential Buyers 313 Die letzte Bestellung liegt weniger als 30 Tage zurück. Es gab insgesamt weniger als 3 Bestellungen, dabei wurden mehr als 1000 € Umsatz generiert.

Inactive Top Buyers 133 Die letzte Bestellung liegt mehr als 90 Tage zurück. Es gab insgesamt mehr als 10 Bestellungen, dabei wurden mehr als 1000 € Umsatz generiert.

Small Buyers 331 Die letzte Bestellung liegt weniger als 30 Tage zurück. Es gab insgesamt mehr als 10 Bestellungen, dabei wurden weniger als 100 € Umsatz generiert.

Top Buyers 333 Die letzte Bestellung liegt weniger als 30 Tage zurück. Es gab insgesamt mehr als 10 Bestellungen, dabei wurden mehr als 1000 € Umsatz generiert.

2.2.2 Vordefinierte Segmente

Beispielkonfiguration für das RFM Modell

←→

Segmente basierend auf dem RFE Modell

Anhand einer beispielhaften Konfiguration wird die Wirkungsweise dieser Segmente beschrieben.

Segment Name Filterung Beschreibung anhand Beispielkonfiguration

Churner 1** Der letzte Besuch lag mehr als 10 Tage zurück.

Frequent Users *3* Es gab insgesamt mehr als 60 Visits.

2.2.2 Vordefinierte Segmente

Beispielkonfiguration für das RFE Modell

←→

Das RFE-Dashboard beinhaltet folgende Basis-Analysen:

Recency, Days since last Contact:

Zeigt auf, wie lange Nutzer für einen erneuten Besuch der Webseite benötigen

Frequency, Customer Visits:Bildet ab, wie häufig Nutzer die Webseite besuchen

Engagement, Customer Page Impressions: Analyse zur Besucheraktivität, gemessen anhand der Page Impressions

Customer Visits and Page Impressions:

Zeigt, wie viele Page Impressions (in 10er Schritten) von Besuchern,

aufsteigend nach der Anzahl ihrer Besuche generiert wurden.

Target Groups Summary:

Übersichtsanalyse der Nutzergruppen mit wichtigen Kennzahlen

2.2.3 RFE / RFM Dashboard

Meine Reports > Vordefinierte Reports > Recency, Frequency and Engagement

←→

Das RFM-Dashboard beinhaltet folgende Basis-Analysen:

Recency, Days since last Order

Zeigt auf, wie lange Nutzer für eine erneute Bestellung benötigen

Frequency, Customer Orders

Bildet ab, wie häufig Nutzer etwas kaufen

Engagement, Customer Order Value

Analyse zur Kaufaktivität, gemessen anhand der Bestellwerte

Customer Orders and Order Value

Zeigt, welche Bestellwerte (in 10 € Schritten) von Käufern, aufsteigendnach der Anzahl ihrer Bestellungen generiert wurden.

Target Groups Summary

Übersichtsanalyse der Nutzergruppen mit wichtigen Kennzahlen

2.2.3 RFE / RFM Dashboard

Meine Reports > Vordefinierte Reports > Recency, Frequency and Monetary

←→

Dashboard-Analyse „Customer Orders and Order Value“

Zeigt anhand der Anzahl der Gesamtbestellungen, welche Bestellwerte (in 10 € Schritten) generiert wurden.

Lesebeispiel:

Visitors (URM-Customer Bestellwert 10): Seit Erstkontakt wurde von 4.084 Besuchern ein Bestellwert zwischen 10 €

und 20 € bei insgesamt 2 Bestellungen generiert.

2.2.3 RFE / RFM Dashboard

←→

Dashboard-Analyse „Target Groups Summary“

Zeigt die Verteilung der RFM-Gruppen

Lesebeispiel:

Visitors: 1.189 Käufer wurden der RFM Gruppe 322 zugeordnet.

URM-Customer Profile Bestellungen: Es gab in dieser Gruppe 6.915 Bestellungen

URM-Customer Profile Bestellwert: Der Gesamtbestellwert der Käufergruppe liegt bei 651.602,80 €

Visitors %: Diese Gruppe stellt 4,14 % aller Käufer dar

2.2.3 RFE / RFM Dashboard

←→

Über welche Kampagnenkanäle kommen meine umsatzstärksten Kunden?

Lesebeispiel:

Visitors: 199.314 Käufer aus der Gruppe der Big Spenders kamen über den SEM Kanal

Kampagnenklicks: Sie generierten 265.858 Kampagnenklicks

Anzahl Bestellungen: Es wurden 8.859 Bestellungen laut Attributionsmodell zugeordnet.

Konversionswert: Die Bestellungen hatten einen Wert von 509.376,12 €.

…

Analyse: Marketing > Kampagnenbaum

2.2.4 Use cases

RFM Gruppe**3

←→

Welche Produkte werden von den umsatzstärksten Kunden gekauft?

Lesebeispiel:

Anzahl Produktansichten: 1.957 mal wurde das Produkt „Dresscode Einmaleins“ vom gewählten Segment angesehen.

Anzahl gekaufte Produkte: In 253 Fällen wurde das Produkt gekauft.

Wert gekaufte Produkte: Die gekauften Produkte hatten einen Wert von 1.265,00 €.

In den Warenkorb legen-Rate %: In 26,83 % aller Fälle wurde das angesehene Produkt in den Warenkorb gelegt.

…

Analyse: E-Commerce > Produkte

2.2.4 Use cases

RFM Gruppe**3

←→

Welche Produkte wurden von Kunden gekauft, die längere Zeit inaktiv waren und bisher wenige

Käufe mit geringem Umsatz hatten?

Lesebeispiel:

Anzahl Produktansichten: 63.234 mal wurde das Produkt „Die Tischmanieren“ vom gewählten Segment angesehen.

In den Warenkorb legen-Rate %: In 27,35% wurde das Produkt danach in den Warenkorb gelegt.

Warenkorblöschrate %: In 68,92 % aller Fälle, wurde das Produkt wieder aus dem Warenkorb gelöscht.

Produktkonversionsrate %: In 8,50 % aller Fälle wurde das angesehene Produkt gekauft.

…

Analyse: E-Commerce > Produkte

2.2.4 Use cases

RFM Gruppe111

←→

Welche Seitenreihenfolge wird von häufig wiederkehrenden Besuchern aufgerufen, die einen

mittelmäßigen Umsatz generierten?

Lesebeispiel:

Die Seite „manieren_per_mausklick“ wurde 14 mal nach der Seite „die_tischmanieren“ von dieser Nutzergruppe

aufgerufen.

Analyse: Navigation > Seiten > Nachfolgerseitenpfad Schaubild

2.2.4 Use cases

←→

Welche Produkte wurden von Nutzern mit einem Gesamtbestellwert zwischen 300 und 800 € aus der

RFE Gruppe 32*(letzter Besuch erst kürzlich, mittlere Frequency) angesehen und gekauft?

Lesebeispiel:

Anzahl Produktansichten: 60 mal wurde das Produkt „66458_Toaster“ angesehen.

Anzahl gekaufter Produkte: 16 mal wurde das Produkt gekauft.

Wert gekaufte Produkte: Der Wert beläuft sich auf 1.904,00 €.

Analyse: E-Commerce > Produktbaum

2.2.4 Use cases

←→

Mikro- und Makro Besucherstatus2.3

←→

2.3 Mikro- und Makro Besucherstatus

Webtrekk weist Besuchern einen Mikro- und Makro-Status zu, um die kurz- und langfristige

Zielerreichung zu beurteilen. Dies ist für alle Webseiten interessant, die als Ziel eine Konversion

haben.

Mikro Besucherstatus: beschreibt den Zyklus zwischen (wiederholtem) Erstkontakt und Kauf.

Makro Besucherstatus: inkrementeller Prozess vom Erstkontakt bis zum Wiederholungskäufer.

Ein Besucher ist jeweils immer genau einem Status (dem am höchsten priorisierten) zugeordnet.

Die Zuordnung erfolgt dabei Besuchsübergreifend.

←→

Mikro: vom (wiederholten) Erstkontakt bis zum Kauf

Sobald ein Kauf erfolgte, beginnt mit dem nächsten Visit die Zuordnung zu einem neue Mikro-Status.

2.3 Mikro- und Makro Besucherstatus

…Priorität (1-wenig, 6-hoch)

Mikro-Status Beschreibung

1 Unknownalle Besucher, deren Daten in Webtrekk importiert wurden (z.B. Callcenter oder Offline-Daten).

Offsite

2 Offsite alle Besucher mit Kampagnen-Ansichten (Import von AdClear-Daten).

3 Onsite alle Besucher, die auf der Webseite waren.

On

site

4 Produktansichtalle Besucher, die eine Produktansicht aufrufen haben (basierend auf dem Produktstatus).

5 Warenkorbabbrecheralle Besucher, die ein Produkt in den Warenkorb gelegt haben (basierend auf dem Produktstatus).

6 Kundealle Besucher, die ein Produkt gekauft bzw. eine Bestellung durchgeführt haben (basierend auf dem Produktstatus bzw. Bestellwert)

←→

Makro: vom Erstkontakt bis zum Wiederholungskäufer

Ein Besucher behält auf Lebenszeit den höchsten erreichten Status.

2.3 Mikro- und Makro Besucherstatus

…

Priorität (1-wenig, 8-hoch)

Makro-Status Beschreibung

1 Unknownalle Besucher, deren Daten in Webtrekk importiert wurden (z.B. Callcenter oder Offline-Daten).

Offsite

2 Offsite alle Besucher mit Kampagnen-Ansichten (Import von AdClear-Daten).

3 Onsite alle Besucher, die auf der Webseite waren.

On

site

4 Produktansichtalle Besucher, die eine Produktansicht aufrufen haben (basierend auf dem Produktstatus).

5 Warenkorbabbrecheralle Besucher, die ein Produkt in den Warenkorb gelegt haben (basierend auf dem Produktstatus).

6 Registrierungalle Besucher, die eine Kundennummer oder EMail-Adresse übergeben haben (basierend auf der CustomerID bzw. URM - EMail Receiver-ID)

7 Neukundealle Besucher, die ein Produkt gekauft bzw. eine Bestellung durchgeführt haben (basierend auf dem Produktstatus bzw. Bestellwert)

8 Wiederholungskäuferkennzeichnet alle Besucher, die mehr als ein mal ein Produkt gekauft bzw. eine Bestellung durchgeführt haben (basierend auf dem Produktstatus bzw. Bestellwert)

←→

Beispiel: Mikro- und Makro-Status eines Besuchers

Mikro Status:

Makro Status:

2.3 Mikro- und Makro Besucherstatus

Startseite Startseite

Produktansicht

Warenkorb

Kauf

13.02. 14.02. 15.02.

Startseite

Produktansicht

Warenkorb

€

16.02.

OnsiteProduktansichtWarenkorbabbrecherKunde

OnsiteProduktansichtWarenkorbabbrecherKunde

OnsiteProduktansichtWarenkorbabbrecherKunde

OnsiteProduktansichtWarenkorbabbrecherKunde

OnsiteProduktansichtWarenkorbabbrecherRegistrierungNeukundeWiederholungskäufer

OnsiteProduktansichtWarenkorbabbrecherRegistrierungNeukundeWiederholungskäufer

OnsiteProduktansichtWarenkorbabbrecherRegistrierungNeukundeWiederholungskäufer

OnsiteProduktansichtWarenkorbabbrecherRegistrierungNeukundeWiederholungskäufer

Startseite

Produktansicht

Warenkorb

Kauf€

←→

Es werden Customer und Customer Profil-Betrachtungen unterschieden:

Customer: der Wert, den ein User zu einem bestimmten Zeitpunkt hatte.

Customer Profil: betrachtet den aktuellen Status des Users (bis zu seinem letzten Besuch). Dabei muss der

letzte Besuch nicht im Analysezeitraum liegen..

Beispiel: Customer Mikro Status vs. Customer Profil Mikro Status

2.3 Mikro- und Makro Besucherstatus

…Customer Mikro Status: der Besucher hatte am 13.02. den Status „Onsite“ und am 14.2. den Status „Kunde“.

Customer Profil Mikro Status: ein Besucher der aktuell den Status „Kunde“ hat, war am 13.2. und 14.2. auf der Webseite.

13.02. 14.02.

OnsiteProduktansichtWarenkorbabbrecherKunde

OnsiteProduktansichtWarenkorbabbrecherKunde

←→

Welchen Mikro-Status haben die Besucher?

Lesebeispiel:

Anteil an allen Visitors %: 39,81 Prozent aller Besucher legen ein Produkt in den Warenkorb und kaufen nicht.

2.3.1 Use cases

…

Analyse: Besucher > URM - User Relationship Management > URM – Customer Mikro Status

←→

Wie entwickelt sich der Mikro-Status im Zeitverlauf?

Lesebeispiel:

Vergleich % Anteil an allen Visitors %:

Am 5.2. gehören 12,98 Prozent weniger Visitors dem Status „Kunde“ an, als am 29.1.

2.3.1 Use cases

…

Analyse: Besucher > URM - User Relationship Management > URM – Customer Mikro Status > A/B Vergleich

←→

Welchen Makro-Status haben meine Webseiten-Besucher?

Lesebeispiel:

Anteil an allen Visitors %: 6,99 Prozent aller Visitors haben schon mindestens 2 Bestellungen durchgeführt.

2.3.1 Use cases

Analyse: Besucher > URM - User Relationship Management > URM – Customer Makro Status

←→

Welchen Mikro-Status haben meine Wiederholungskäufer?

Lesebeispiel:

Anteil an allen Visitors %: 50,15 Prozent aller Wiederholungskäufer haben in Ihrem letzten Besuch etwas in den

Warenkorb gepackt, aber nicht gekauft.

2.3.1 Use cases

…

Analyse: Besucher > URM - User Relationship Management > URM – Customer Mikro Status

←→

Predictions2.4

←→

Mit Predictions werden anhand des Nutzungsverhaltens Vorhersagen getroffen.

Welche Chance besteht, dass der Besucher in einem der folgenden Besuche kauft?

Welche Chance besteht, dass der Besucher nie mehr wieder auf die Webseite kommt?

Diese Informationen sind relevant, um individuelle Marketingmaßnahmen abzuleiten.

Die Kosten der Marketingmaßnahmen sollten den zu erwartenden Gewinn nicht übersteigen.

Geben Sie nur Geld für Kunden aus, die über ein hohes Potential verfügen!

2.4 Predictions

←→

Über ein selbstlernendes System werden ständig Einflüsse analysiert und bei der Berechnung

berücksichtigt.

Für jeden Kunden wird das Modell individuell konfiguriert.

Insbesondere in den ersten 2-3 Monaten erfolgen automatische und kundenspezifische Anpassungen der

Predictions.

2.4 Predictions

←→

Analysiert werden diverse Kriterien:

Anzahl Visits

Anzahl Bestellungen

Käufe / Visit

Visitverweildauer Ø

Page Impressions / Visit

Produktansichten / Visit

Wert Produktansichten / Visit

Bestellwert Ø

Bestellwert

Tage seit erstem / letztem Besuch

Tage seit erstem / letztem Kauf

…

2.4 Predictions

←→

Folgende Prediction-Metriken/Objekte stehen zur Verfügung:

Zur Berechnung der Abwanderungswahrscheinlichkeit ist nur nötig, das jede Seite in Webtrekk erfasst wird.

Zur Berechnung der Konversionswahrscheinlichkeit müssen auch Bestellungen und Produkte gemessen werden.

2.4 Predictions

Metrik / Objekt Beschreibung

URM - Customer LifetimeAbwanderungswahrscheinlichkeit (Visit) %

Gibt an, wie hoch die Wahrscheinlichkeit ist, dass ein Besucher die Webseite nicht mehr besuchen wird.

URM - Customer LifetimeKonversionswahrscheinlichkeit %

Gibt an, wie hoch die Wahrscheinlichkeit ist, dass ein Besucher in einem der folgenden Visits kaufen wird.

←→

2.4.1 Berechnung der Abwanderungswahrscheinlichkeit

Beispiel:

• Die Gesamt-Abwanderungswahrscheinlichkeit für einen Zeitraum berücksichtigt also, wann Besucher zuletzt

auf der Webseite aktiv waren.

Tag 15 Prozent der Besucher kommen am Tag des Erstbesuchs erneut auf die Webseite. Abwanderungswahrscheinlichkeit an Tag 1: 100 % – Summe aller wiederkehrenden Visitors = 78 %

Tag 27 Prozent aller Besucher kommen einen Tag nach dem Erstbesuch auf die Webseite. Abwanderungswahrscheinlichkeit an Tag 2: (Abwanderungswahrscheinlichkeit Vortag) + (Anteil wiederkehrender Visitors Vortag) = 83 %

TageAnteil wiederkehrender Visitors

Abwanderungs-wahrscheinlichkeit %

Tag 1 5 % 78 %

Tag 2 7 % 83 %

Tag 3 4 % 90 %

Tag 4 3 % 94 %

Tag 5 2 % 97 %

Tag 6 0,75 % 99 %

Tag 7 0,25 % 99,75 %

Tag 8 - 100 %

Summe 22 %

Pro

fi

←→

2.4.1 Berechnung der Abwanderungswahrscheinlichkeit

Bei der Berechnung werden nun individuelle Verhaltensmuster berücksichtigt

Beispielsweise:

Visitverweildauer Ø

Page Impressions / Visit

Anzahl Visits

…

Wenn also im Erstbesuch beispielsweise 10 Seiten aufgerufen wurden, werden zur Berechnung nur Besucher

berücksichtigt, die ähnlich viele Seiten aufgerufen haben.

Pro

fi

←→

Wie hoch sind Abwanderungs- und Konversionswahrscheinlichkeit je RFE-Gruppe?

Lesebeispiel:

URM – Customer Lifetime Konversionswahrscheinlichkeit %:

12,98 Prozent der Besucher der RFE-Gruppe 212 werden voraussichtlich in einem der folgenden Besuche eine

Bestellung durchführen.

URM – Customer Lifetime Abwanderungswahrscheinlichkeit (Visit) %:

45,30 Prozent der Besucher der RFE-Gruppe 212 werden voraussichtlich nicht mehr die Webseite besuchen.

2.4.2 Use cases

…

Analyse: Besucher > URM - User Relationship Management > URM – Customer RFE Gruppe

←→

Schalten Sie mit Marketing Automation Onsite-Kampagnen abhängig von der

Konversionswahrscheinlichkeit.

Konversionswahrscheinlichkeit < 33: 10 Prozent Rabatt

Konversionswahrscheinlichkeit zwischen 33 und 66: kostenloser Versand

Konversionswahrscheinlichkeit > 66: keine Aktion

Beispiel: Segmentieren Sie alle Besucher, deren Konversionswahrscheinlichkeit < 33 Prozent ist.

2.4.2 Use cases

←→

Kohorten2.5

←→

Die Kohorte (lateinisch: cohors = umfriedeter Raum, auch "Schar" oder "Gefolge“)

Kohorten haben ihren Ursprung im römischen Reich und wurden aus einer militärischen Umstrukturierung heraus

zur wichtigsten taktischen Einheit der römischen Legionstruppen.

Aus soziologisch-analytischer Sicht stellen die Kohorten Gruppen von Personen dar, die gemeinsam ein

bestimmtes, längerfristig prägendes Ereignis erlebt haben.

2.5 Kohorten

Geburtsjahr

Webseitenbesuch

Schulbeginn

Studienbeginn

Beispiele für gemeinsame Erfahrungen

←→

2.5 Kohorten

Als Kohorte wird in Webtrekk eine Gruppe von Besuchern bezeichnet, die im gleichen Zeitraum

ihren Erstbesuch hatten.

Mit Kohortenanalysen lässt sich die langfristige Entwicklungen von Besuchern untersuchen.

Häufig werden so unterschiedlichen Marketingmaßnahmen miteinander verglichen.

←→

2.5 Kohorten

Unterschiedliche Objekte können dazu genutzt werden, Kohorten darzustellen.

Analyseobjekte Beschreibung

Kohorten (Monatlich) Zeigt den Zeitpunkt des Erstbesuches von Neubesuchern im Format YYYY-MM.

Kohorten (Wöchentlich) Zeigt den Zeitpunkt des Erstbesuches von Neubesuchern im Format YYYY-WW.

Kohorten (Täglich) Zeigt den Zeitpunkt des Erstbesuches von Neubesuchern im Format YYYY-MM-DD.

Lesebeispiel:

Die Analyse stellt die Anzahl der Neubesucher für

unterschiedliche Zeitraumbetrachtungen anhand eine

Pivot Tabelle (Start > individuelle Analyse) dar.

Am 04.03.2015 gab es 3.306 Neubesucher. In der

Kalenderwoche 10 waren es insgesamt 11926 und im

Monat 03.2015 14.494.

←→

2.5 Kohorten

Analyseobjekte Beschreibung

Kohorten (Lebenspanne Monate) Zeigt die Zeitspanne in Monaten, die zwischen dem ersten und einem weiteren Besuch lag.

Kohorten (Lebenspanne Wochen) Zeigt die Zeitspanne in Wochen, die zwischen dem ersten und einem weiteren Besuch lag.

Kohorten (Lebenspanne Tage) Zeigt die Zeitspanne in Tagen, die zwischen dem ersten und einem weiteren Besuch lag.

Lesebeispiel:

Diese Pivot Tabelle (Start > individuelle Analyse) stellt

die Lebensspanne, gestaffelt nach Monat, Wochen

und Tagen dar.

8 Besucher hatten 2 Monate bzw. 10 Wochen bzw.

71 Tage zwischen dem ersten und einem weiteren

Besuch (im Analysezeitraum).

←→

2.5 Kohorten

Über den Tabellenkonfigurator können eigene Analysen erstellt werden (Start > Neue Analyse).

Vorkonfigurierte Kohorten Analysen befinden sich im Dashboard (Besucher > Cohorts Dashboard).

Es beinhaltet:

Loyalty (Loyalität)

Conversion Rate (Konversionsrate)

Customer Lifetime Value cumulative (Bestellwert kumuliert)

Avg Basket Value (Durchschnittlicher Bestellwert)

Individuelle Analyse über der Tabellenkonfigurator

←→

Die Loyalität sagt aus, wie viel Prozent der Neubesucher in den Folgezeiträumen die Webseite erneut

besucht haben.

Lesebeispiel:

Monat 5: 48,21 % aller Erstbesucher aus dem Monat April kamen erneut im 5. Monatszeitraum auf die Webseite.

2.5.1 Loyalty

←→

Die Monate weisen dabei eine Zeitspanne von jeweils 30 Tagen aus.

Lesebeispiel:

Kohorten (Monatlich): Im Januar 2014 hatte dieser Nutzer seinen Erstbesuch

Monat 0: Zwischen dem Besuch 1 und dem Besuch 2 lagen weniger als 30 Tage. Daher werden beide Besuche dem

„Monat 0“ zugeordnet.

Monat 3: Der Besuch 3 erfolgte 99 Tage später- im 3. Monatszeitraum nach „Monat 0“.

2.5.1 Loyalty

05.01.2014 02.02.2014 14.04.2014

Besuch 1 Besuch 2 Besuch 3

0- 29 30-59 60-89 90-119Anzahl Tage seit Erstbesuch

Beispiel: Ausweisung eines einzelnen Besuchers

←→

Lesebeispiel:

Besucher 1:

Besuch 1 und 2 lagen weniger als 30 Tage auseinander und damit im Zeitraum „Monat 0“.

Im 3. Monatszeitraum erfolgten Besuch 3 und 4.

Besucher 2:

Besuch 1 war im Januar. Im 2. Monatszeitraum war Besuch 2.

Der 3. Besuch wird im 7. Monat nach „Monat 0“ ausgewiesen.

2.5.1 Loyalty

Besucher Besuch 1 Besuch 2 Besuch 3 Besuch 4

Besucher 1 05.01.2014 02.02.2014 14.04.2014 20.04.2014

Besucher 2 18.01.2014 08.03.2014 28.08.2014

Beispiel: Ausweisung zweier Besucher

←→

2.5.2 Conversion Rate

Diese Analyse zeigt die Entwicklung der Konversionsrate für Ihre Besucher.

Lesebeispiel:

Monat 1: 7,56 % aller Neubesucher aus dem Januar haben im Monat 1 (30.-59. Tag nach Erstbesuch) eine Bestellung

durchgeführt.

Analyse: Besucher > Cohorts Dashboard > Conversion Rate

←→

Die Analyse zeigt, wie sich die Konversionsrate im Zeitverlauf entwickelt.

Beispiel: Ausweisung eines einzelnen Besuchers

Berechnung der Konversionsrate: Anzahl Bestellungen/ Visitors (pro Monat) *100

Lesebeispiel:

Monat 0: Im ersten Besuch erfolgte keine Bestellung.

Monat 1: In 2 Besuchen wurde einmal bestellt.

Monat 2: Es hat eine Konversion stattgefunden

Wenn ein Besuch ohne Bestellung erfolgte, wird in der Datentabelle „0,00 %“ ausgewiesen. Wenn hingegen kein Besuch in einem Zeitraum

stattfand, erscheint „-“.

2.5.2 Conversion Rate

05.02.2014 25.03.2014 04.04.2014

BesuchBesuch mit Bestellung

Besuch

28.04.2014

Besuch mit Bestellung

€ €

←→

2.5.3 Customer Lifetime Value cumulative

Die Analyse zeigt, wie sich der kumulierte Bestellwert entwickelt.

Lesebeispiel:

Monat 0: 103.801,40 € Bestellwert wurden von Neubesuchern aus dem April innerhalb der ersten 29 Tag generiert.

Monat 6: Bis zum Monat 6 nach dem Erstbesuch erhöhte sich der Gesamtbestellwert auf 360.302,50 €.

Das bedeutet, dass Neubesucher im Monat Mai erst 28,80 % des Bestellwertes der kommenden 6 Monate generiert

haben.

Berechnung: Monat 0 / Monat 6 * 100

Analyse: Besucher > Cohorts Dashboard > Customer Lifetime Value cumulative

←→

2.5.4 Avg Basket Value

Die Analyse zeigt, wie sich der durchschnittliche Bestellwert pro Monat entwickelt.

Lesebeispiel:

Monat 0: Im Monat 0 erzeugten Neubesucher einen durchschnittlicher Bestellwert von 10,35 €.

Monat 6: Im Monat 6 wurde ein durchschnittlicher Bestellwert von 4,43 € generiert.

Monat 7: Im Monat 7 wurden keine Bestellungen getätigt.

Analyse: Besucher > Cohorts Dashboard > Avg Basket Value

←→

Welche Zeitspanne liegt zwischen erstem und letztem Besuch?

Lesebeispiel:

Visitors: 687 Visitors hatten 1 Woche (8 bis 14 Tage) nach ihrem ersten Webseitenbesuch den letzten Besuch.

Visitors %: Dies waren 1,23 % der erfassten Besucher im Analysezeitraum.

Anzahl Bestellungen: Von diesen Besuchern wurden 4 Bestellungen im letzten Besuch getätigt.

Durch den Filter werden Besucher, die im gleichen Zeitraum mehrfach auf die Seite kommen einmalig gezählt, da nur der letzte Besuch

betrachtet wird.

2.5.5 Use cases

Analyse: Start > Neue Analyse

←→

2.5.5 Use cases

Wie entwickelt sich der durchschnittliche Bestellwert von Käufern mit einer durchschnittlichen

Bestellhäufigkeit (Recency = 2), deren letzter Kauf bereits lange (Frequency = 1) zurück liegt?

Lesebeispiel:

Monat 0: Im ersten Monat bestellten die Kunden durchschnittlich für 124,34 €.

Monat 5: In Monat 5 lag der durchschnittliche Bestellwert bei 120,86 €.

Analyse: Besucher > Cohorts Dashboard > Avg Basket Value

←→

Für eine individuelle Filterung von Kohorten-Analysen stellt sich die Frage:

Sollen sich die Filter auf den Erstbesuch beziehen?

Sollen sich die Filter auf einen beliebigen Besuch beziehen?

2.5.5 Use casesP

rofi

←→

Wenn Sie über die Filterengine die Filter direkt über die Analyse legen, muss sich der Filter nicht

zwingend auf den Erstbesuch beziehen.

2.5.5 Use cases

SEM

Kampagnen-kontakte

Visits

SEMNur Visits in dem der Channel SEM genutzt wurde, werden betrachtet.

Alle Visits von Besuchern, die im Analysezeitraum irgendwann (nicht zwingend im Erstbesuch) den Channel SEM genutzt haben, werden ausgewiesen.

Newsletter

Display

SEM

SEMNewsletter

DisplayKampagnen-kontakte

Visits

Pro

fi

Suchumfang „Seite“

Suchumfang „Besucher“

←→

Durch die Nutzung von Segmenten kann auch eine Einschränkung auf den Erstbesuch erfolgen. Dazu

muss im Segment der „Neu vs. Stamm“ Filter zusätzlich verwendet werden.

2.5.5 Use cases

Display

SEMNewsletter

SEM

Definition des Segments

Anwendung des Segments in der Analyse

Kampagnen Kontakte

Visits

Die im Segment konfigurierten Filter müssen im Laufe des Besuches erfüllt sein.

Durch die Erweiterung auf den Suchumfang „Besucher“ in der Analyse, werden alle Besuche des Besuchers betrachtet.

Pro

fi

←→

Wie entwickelten sich Besucher, die im Analysezeitraum mindestens einen SEM Kampagnenkontakt

hatten?

Lesebeispiel:

Monat 1: 17,34 % aller Besucher, die irgendwann einen SEM Kontakt hatten, kamen wieder auf die Webseite.

2.5.5 Use cases

Analyse: Besucher > Cohorts Dashboard > Loyalty

←→

Wie entwickelten sich Neubesucher, die über den Kanal SEM generiert wurden?

Lesebeispiel:

Monat 1: 10,35 % der Besucher mit SEM Kontakt im ersten Besuch kamen im Folgemonat wieder auf die Webseite.

Monat 7: Nur noch 7,09 % aller Besucher der gleichen Kohorte kamen im 7. Folgemonat nochmals auf die Seite.

2.5.5 Use cases

Analyse: Besucher > Cohorts Dashboard > Loyalty

←→

2.5.5 Use cases

Wie entwickelt sich die Besucherloyalität je Woche? (1/3)

Lesebeispiel:

Kohorten (Wöchentlich): Im Beispiel wird die Kalenderwoche 7 betrachtet.

Visits (Woche 0): Es gab 14.428 Visits von Neubesuchern.

Visits (Woche 1): 96 Visits gab es eine Woche später von der Kohorte aus Kalenderwoche 7.

Analyse: individuelle Konfiguration über Start > Neue Analyse

Pro

fi

←→

Wie entwickelt sich die Besucherloyalität je Woche? (2/3)

Im nächsten Schritt wird die Metrik Visits editiert

Visuelle Anpassung der Tabellenzelle

2.5.5 Use cases

Eindeutige Benennung

Filterung mit Woche

Pro

fi

←→

Wie entwickelt sich die Besucherloyalität je Woche? (3/3)

Die editierte Metrik wird durch Halten der Strg-Taste dupliziert

und die Werte (Bezeichnung, Filterkriterium Wochennummer)

angepasst.

Für eine spätere Wiederverwendung empfiehlt es sich, die Metriken über Konfiguration > Eigene Formeln

dauerhaft anzulegen

2.5.5 Use casesP

rofi

←→

URM-Explorer3

←→

Der URM-Explorer erlaubt es:

Einzelne Besucher im Detail zu analysieren.

Segmente im Detail zu analysieren und zu erstellen.

3 URM-Explorer

←→

Analyse von bestehenden Segmenten

Es werden nur Besucher ausgewiesen, die im Kalenderzeitraum ihren letzten Besuch hatten! D.h. alle Besucher die danach noch mal auf die

Webseite kamen, werden nicht gezählt.

3 URM-Explorer

1

2

3

Auswahl des Segments1

Anteil des Segments an allen Visitors2

Überblick der Visitors mit Kennzahlen3

←→

Analyse einzelner Besucher

3 URM-Explorer

Klick auf einen Besucher öffnet Detailansicht1

Reiter zum Zugriff auf URM-Informationen 2

1

2

←→

Erstellung eines neuen Segments

3 URM-Explorer

1

2

4

Klick auf Button zur Erstellung1

Definition des Segments2

Überprüfung der Segmentgröße3

3

Speichern des Segments4

←→

Wie können weitere Daten integriert werden?4

←→

Es gibt verschiedenen Wege, neben den automatisch berechneten Daten, weitere Informationen in das URM zu integrieren:

Onsite-Datenerhebung

Übergabe der Informationen direkt auf der Webseite.

Nutzung von vordefinierten oder individuellen Kategorien.

Datenimport

Vordefinierte und individuelle Kategorien können per SOAP, JSON, Excel, Datafeed importiert werden.

4 Wie können weitere Daten integriert werden?

←→

Vordefinierte URM-Kategorien4.1

←→

Ein Reihe von Kategorien ist bereits in Webtrekk vordefiniert.

Diese Kategorien und Kennzahlen müssen nicht in Webtrekk separat angelegt werden.

Über das in Tag Integration verfügbare Survey-Widget lassen sich einige Kategorien automatisiert befüllen.

Folgende vordefinierte Kategorien existieren: (1/2)

VordefinierteURM-Kategorien

Beschreibung Wie können Daten erfasst werden?

URM - AlterGibt das aktuelle Alter eines Besuchers in 5-Jahresschritten an. Wird anhand des erfassten Geburtsdatums berechnet.

Pixel, Import, Widget

URM - E-Mail Opt-inGibt an, ob ein User sich für einen Newsletter registriert hat. Es werden unterschieden: unbekannt (default), ja , nein.

Pixel, Import

URM - Email Receiver IdEnthält eine eindeutige Kennung des Newsletterempfängersund ermöglicht dadurch Newsletter-Remarketing.

Pixel, Import

URM - GeschlechtWeist das an Webtrekk übergebene Geschlecht eines Besuchers aus.

Pixel, Import, Widget

4.1 Vordefinierte URM-Kategorien

←→

Folgende vordefinierte Kategorien existieren: (2/2)

VordefinierteURM-Kategorien

Beschreibung Wie können Daten erfasst werden?

URM - Land Das Land, aus dem ein Besucher stammt. Import

URM - Wohnort Die Stadt, aus der ein Besucher stammt. Import

URM - Postleitzahl Die Postleitzahl, aus der ein Besucher stammt. Import

URM - Straße Die Straße, aus der ein Besucher stammt. Import

URM - Eigene Besucher-IDÜbergabe des Logins ermöglicht genauere Besucherzählungund Schnittstelle zu CRM-Daten.

Pixel, Import

URM - Rabattwert Wie viel Rabatt wurde bei der Bestellung gewährt. Pixel, Import

4.1 Vordefinierte URM-Kategorien

←→

Widgets setzen die Nutzung von Webtrekk Tag Integration voraus. So können einfach per Drag & Drop

Funktionen (de-)aktiviert werden.

4.1 Vordefinierte URM-Kategorien

Beispiel: Übergabe des Alters im Widget

←→

Wie hoch sind Konversionsrate und durchschnittlicher Bestellwert, abhängig vom Alter der

Besucher?

Lesebeispiel:

Visitors: 11.096 Besucher sind 35-39 Jahre alt.

Visitors %: 6,87 Prozent aller Besucher sind 35-39 Jahre alt.

Konversionsrate: 4,89 Prozent aller Besucher zwischen 35 und 39 Jahren kaufen etwas.

Bestellwert Ø: Dabei verursachen sie einen durchschnittlichen Bestellwert von 87,03 €.

Alle Besucher, für die kein Alter ermittelt werden konnte, werden mit „-“ ausgewiesen.

4.1.1 Use cases

Analyse: Besucher > URM - User Relationship Management > URM - Alter

←→

In welcher Altersschicht haben Männer und Frauen die höchste Konversionsrate?

Lesebeispiel:

Visitors: 10.154 Besucher waren weiblich und 35-39 Jahre alt.

Konversionsrate: 3,13 Prozent aller 35-39 jährigen Frauen kaufen etwas.

4.1.1 Use cases

Analyse: Individuelle Pivot-Tabelle (Start > Neue Analyse)

←→

Individuelle URM-Kategorien4.2

←→

Mit URM-Kategorien können individuelle Informationen aus dem CRM integriert werden.

Als Schlüssel dient dabei die übergebene Customer-ID.

Beispiele:

Bonität

Anzahl Offline-Bestellungen

Lead Status

4.2 Individuelle URM-Kategorien

Customer-ID Anzahl Offline-Bestellungen Bonität

168456 1 Green

168457 0 Green

168458 2 Red

←→

Wie viele Offline-Bestellungen gab es von Usern, die über Online-Kanäle auf die Webseite

gekommen sind?

Lesebeispiel:

Visitors: 7492 Besucher kamen über eine Direkteingabe auf die Webseite.

Anzahl Bestellungen: 135 (Online-)Bestellungen wurde dem Kanal Direct zugeordnet.

Anzahl Bestellungen Offline: 215 Offline-Bestellungen wurden erfasst.

Voraussetzung für die richtige Zuordnung der Offline-Bestellungen ist, dass auf der Webseite die CustomerID gesetzt wird.

4.2.1 Use cases

Analyse: Marketing > Kampagnenkategorien > Kanal

←→

4.2.1 Use cases

Wie viele Lead-Anfragen wurden je Online-Kanal als gültig verifiziert?

Lesebeispiel:

Visitors: 21.312 Besucher kamen über eine SEA-Kampagne auf die Webseite.

Lead-Anfragen: 813(Online-)Leads wurden dem Kanal SEA zugeordnet.

Leads Bestätigt: 516 mal wurde der Lead bestätigt, d.h. ein Vertrag kam zustande.

Lead CR: 63,47 Prozent aller Lead-Anfragen wurden bestätigt.

Analyse: Marketing > Kampagnenkategorien > Kanal

←→

In welchen Dokumenten gibt es weitere Infos?5

←

5. In welchen Dokumenten gibt es weitere Infos?

Folgende Dokumente beinhalten weiterführende Informationen zum URM und stehen im

Supportcenter zur Verfügung:

Pixel Einbauanleitung

How-To Kohorten

How-To User Centric Tracking

How-To URM

←

Diese Präsentation ist urheberrechtlich geschützt.

Jede Verwertung, Weitergabe oder Verwendung ohne Zustimmung der Webtrekk GmbH ist unzulässig!

Zur Verbesserung der Schulungsunterlagen, bitten wir Sie um eine Bewertung.

Ihr Feedback hilft uns dabei, die Schulungsunterlagen weiter zu optimieren.

Hier bewerten!

Vielen Dank für Ihr Interesse an Webtrekk!