"Big Data Meets Marketing Automation" – Webtrekks Senior Consultant Conrad Morbitzer auf der etailment Wien 2015

Big Data meets Marketing Automation

Conrad MorbitzerInternational Consultant

Berlin, Deutschland

+49 (0)30 755 [email protected]

Amsterdam | Beijing | Berlin | Frankfurt | Madrid | Milanwebtrekk.com

• Fragen

• Erwünscht

• Direkt

• Bitte Inkl. Name & Branche

Wer Arbeitet mit Webtrekk?

Was ist Big Data?

Big data is data that exceeds the processing capacity of conventional database systems. The data is too big, moves too fast, or doesn’t fit the strictures of your database architectures. To gain value from this data, you must choose an alternative way to process it. - Edd [email protected]

Im Zeitalter von Big Data

1986 1993 2000 20070%

20%

40%

60%

80%

100%

Analog Digital

1986 1993 2000 20070

50

100

150

200

250

300

350 Global Installed, optimally compressed storage

Exa

byte

s

Source: Hilbert and Lopez, “The world’s technological capacity to store, communicate and capture information”, Science 2011

Manufacturing

Government

Communications and Media

Banking

Health Care

Investment Services

Professional Services

Retail

Education

Insurance

Stored data in the USA, 2012, in Petabytes

Source: IDC, US Bureau of Labor Statistics, McKinsey Global Institute Analysis

2018 supply 2018 projected demand

0

50

100

150

200

250

300

350

400

450

500

Supply and demand of deep analytical talent by 2018

In thou-sand

people

Talent Gap

Source: US Bureau of Labor Statistics, McKinsey Global Institute Analysis, US Census, Dun & Bradstreet, company interviews

Daten Auswertung

➽ Herausforderung: großen Nutzen aus Daten ziehen

gering großKomplexität / Aufwand

gerin

ggr

oßM

ehrw

ert

Daten

Information

Insight

Handlung

Marketing Automatisierung

Problemstellung

• Mangel an Daten

• Fehlende Integration

• Auswertung

• Handlungen ableiten & ausführen

• Kein nutzerzentrierter Ansatz

➽ Nutzer Zentrierte Daten ermöglichen Personalisierung & Automatisierung

Case 1: Wie löse ich heterogene Datensilos auf und schaffe eine homogene Datenbasis

Komplette Integration

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

URM kurz erklärt

10 % bekannte BesucherDaten liegen im CRM vor

90 % unbekannte BesucherURM

URM der Nutzer im Mittelpunkt

Case 2: Wie stelle ich den Nutzer in den Vordergrund und nicht nur Produkte

Standard Remarketing – Produkt Orientiert

Nutzer Zentrierter Ansatz

15

User Centric Tracking

Für alle User werden automatisiert wichtige Daten erhoben.

URM im Überblick

In welchen Frequenz kommt er auf die Webseite?

Wie viele Seiten hat er bisher aufgerufen?

Welchen Gesamtbestellwert hat er generiert?

In welchen Frequenz 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:

URM im Überblick

In welchen Frequenz kommt er auf die Webseite?

Wie viele Seiten hat er bisher aufgerufen?

Welchen Gesamtbestellwert hat er generiert?

In welchen Frequenz 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:

URM im Überblick

In welchen Frequenz kommt er auf die Webseite?

Wie viele Seiten hat er bisher aufgerufen?

Welchen Gesamtbestellwert hat er generiert?

In welchen Frequenz 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:

URM im Überblick

In welchen Frequenz kommt er auf die Webseite?

Wie viele Seiten hat er bisher aufgerufen?

Welchen Gesamtbestellwert hat er generiert?

In welchen Frequenz 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 die Wahrscheinlichkeit ist, dass er nicht mehr die Webseite besuchen wird?

Wie hoch die Wahrscheinlichkeit ist, 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.

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 Frequenz kommt er auf die Webseite?

Wie viele Seiten hat er bisher aufgerufen?

Welchen Gesamtbestellwert hat er generiert?

In welchen Frequenz 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 die Wahrscheinlichkeit ist, dass er nicht mehr die Webseite besuchen wird?

Wie hoch die Wahrscheinlichkeit ist, 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?

RFM und RFM Modell sind ein bewährtes Scoring-System, dass sich zur Definition eines Besucherwertes heranziehen lässt.

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?

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

RFM und RFE-Modell

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

RFM Bewertet das Kaufverhalten Bewertet das NutzungsverhaltenRFE

R =1

F =1

M =3

Recency = Letzte Bestellung liegt länger zurück.

Frequency = Hat bisher 1 x bestellt

Monetary = Generierte einen hohen Umsatz.

R =3

F =3

E =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

RFM und RFE-Modell

Nutzerzentriertes Remarketing

R =3

F =3

E =3

R =1

F =2

M =2

Case 3: Wie kann man Big Data automatisiert nutzbar machen

Newsletter Remarketing

Newsletter Remarketing

Vielen Dank! – Fragen?

Conrad MorbitzerInternational Consultant

Berlin, Deutschland

+49 (0)30 755 [email protected]

Amsterdam | Beijing | Berlin | Frankfurt | Madrid | Milanwebtrekk.com