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...
URM im Überblick1
→
Das User Relationship Management (URM) enthält Daten für jeden Besucher der Webseite.
Auf einer Webseite sind durchschnitt...
Das URM erlaubt:
 Eine leichtere Identifizierung und Analyse von Zielgruppen.
 Eine Datenbasis mit mehr Vorhersagekraft ...
Für alle User werden automatisiert wichtige Daten erhoben:
1 URM im Überblick
In welchen Frequenzen kommt er auf die Webse...
Weitere Informationen können auf der Webseite erfasst werden, um die Aussagekraft zu erhöhen:
1 URM im Überblick
In welche...
Individuelle Merkmale aus Ihrem CRM-System verfeinern das Bild weiter:
1 URM im Überblick
In welchen Frequenzen kommt er a...
Auch Vorhersagen werden berechnet:
1 URM im Überblick
In welchen Frequenzen kommt er auf die Webseite?
Wie viele Seiten ha...
Basierend auf diesen umfassenden Informationen lassen sich die zentralen Fragen beantworten.
1 URM im Überblick
Wie wertvo...
Besucher lassen sich mit marktüblichen Modellen bewerten, um Marketingmaßnahmen effektiv
durchführen zu können.
Unterstütz...
Kohorten sind zeitbezogene Segmente, mit denen das langfristige Verhalten von Neubesuchern
untersucht wird.
Häufig wird da...
URM in der Webtrekk-Suite:
 Funktionen in Analytics:
 Analysieren Sie Nutzergruppen
 Konfigurieren Sie das RFM- und RFE...

User Centric Tracking sorgt für die bestmögliche Datenbasis und bildet die Grundlage für die
vollumfängliche Nutzung des...
In diesem Kapitel wird ausführlich die Funktionsweise der
URM-Bestandteile vorgestellt.
 Erfassung von Häufigkeit, Freque...
Erfassung von Häufigkeit,
Frequenz und Bestellverhalten
2.1
←→
Basierend auf dem Nutzungsverhalten berechnet Webtrekk automatisiert Metriken und Objekte, die
Häufigkeit, Frequenz und Be...
Folgende Objekte und Metriken werden automatisch berechnet:
 Traffic-Betrachtung
2.1 Erfassung von Häufigkeit, Frequenz u...
Folgende Objekte und Metriken werden automatisch berechnet:
 Bestellungs-Betrachtung (1/2)
2.1 Erfassung von Häufigkeit, ...
Folgende Objekte und Metriken werden automatisch berechnet:
 Bestellungs-Betrachtung (2/2)
2.1 Erfassung von Häufigkeit, ...

Warum sind viele der Informationen als Objekt verfügbar, obwohl Zahlen ausgewiesen werden?
 Auch wenn es sich um Zahlen...

Wie viele Tage vergehen zwischen Visits?
Lesebeispiel:
Visits: Bei 229 Visits erfolgte der letzte Zugriff auf die Websei...

Wie viele Tage vor ihrem letzten Kauf kamen Visitors auf die Webseite?
Lesebeispiel:
Visitors kumuliert %: 49,14 Prozent...

Wie viele Tage vergehen zwischen Bestellungen? (1/2)
Lesebeispiel:
Anzahl Bestellungen: Bei 61 Bestellungen erfolgte die...
2.1.1 Use cases
Wie viele Tage vergehen zwischen Bestellungen? (2/2)
Durch diesen Filter wird die Erstbestellung nicht ber...
2.1.1 Use cases
Welcher Umsatz wurde langfristig über neu gewonnene Besucher je Kampagnenkanal generiert?
Lesebeispiel:
UR...
Wie viele Tage vergehen zwischen den Besuchen, abhängig von der Anzahl an Visits?
Lesebeispiel:
Visitors: 311 Visitors ben...
Wie viele Visits gibt es langfristig von Besuchern, die über einen Kampagnenkanal auf die Webseite
kamen?
Lesebeispiel:
Vi...
Wie viele Visits gibt es langfristig von Neubesuchern über Kampagnenkanäle? (1/2)
Lesebeispiel:
Visits: Kanal „Direct“ wur...
Wie viele Visits gibt es langfristig von Neubesuchern über Kampagnenkanäle? (2/2)
 Die Metrik „zusätzliche Visits pro Vis...
RFM / RFE Modell2.2
←→
RFM und RFE Modell sind ein bewährtes Scoring-System, die sich zur Definition eines
Besucherwertes heranziehen lassen.
 B...
 Derselbe Besucher kann sowohl einer RFM- als auch einer RFE- Gruppe angehören.
 Das RFM-Modell betrachtet nur die Käufe...

Das Prinzip der Werteverteilung im RFM/RFE Modell
 Für 3 Messkriterien werden jeweils 3 Werte zugeordnet: 1 (schlecht),...

 Basierend auf dieser Zuordnung ergibt sich für jeden Nutzer eine dreistellige Zahl.
RFM Bewertet das Kaufverhalten Bew...
 Jedem Modell stehen somit 3³(=27) Kombinationsmöglichkeiten zur Verfügung
 Durch eine Kombination beider Modelle untere...
 Die Verteilung der RFM-Gruppen lässt sich in der folgenden Analyse ablesen:
Analysepfad: Besucher > URM - User Relations...
 Die Verteilung der RFE-Gruppen lässt sich in der folgenden Analyse ablesen:
Analysepfad: Besucher > URM - User Relations...
Beispiel der Nutzerzuordnung zu einem RFM Modell:
2 Bestellungen 1 Bestellung
Wert: 439 €Bestellwert
Anzahl Bestellungen
Z...
Diese Clusterung erlaubt es, gezielte Maßnahmen für ausgewählte Nutzergruppe zu ergreifen.
333
331
332
323
332
111
112
121...
Beispiel: Handlungsempfehlungen anhand des RFM Modells
RFM Gruppe Gruppe: 1-1-1 Gruppe: 1-2-2 Gruppe: 3-3-3
RECENCY
Wann z...
 Webtrekk bietet standardmäßig eine Reihe von interessanten Segmenten für die Auswertung dieser
Nutzergruppen an (z.B. Bi...
Die Herausforderung bei der Konfiguration besteht darin, das „richtige“ Modell zu finden.
Das Setup kann dabei branchenspe...
Eine einfache Möglichkeit, den Traffic für die Bestimmung der Nutzergruppen zu unterteilen, besteht
in der Drittelung der ...
Konfigurationsbeispiel:
Nutzer, die innerhalb der letzten 29 Tage die Webseite besuchten, gehören zur besten Gruppe 3.
Nut...
Anhand des Pareto Prinzips können Besucher unterteilt werden: lediglich die besten 20 % aller
Besucher sind geschäftsrelev...
 „Visitors kumuliert %“ zeigt im Beispiel, das 80,17% aller Besucher bis zu 8 Visits durchgeführt haben. Dieser Wert
wird...
Basierend auf dem RFM/RFE Modell werden Segmente gebildet, die die wichtigsten Nutzergruppen
beschreiben.
 Diese stellen ...
Segmente basierend auf dem RFM Modell (1/2)
Anhand einer beispielhaften Konfiguration wird die Wirkungsweise dieser Segmen...
Segmente basierend auf dem RFM Modell (2/2)
Anhand einer beispielhaften Konfiguration wird die Wirkungsweise dieser Segmen...
Segmente basierend auf dem RFE Modell
Anhand einer beispielhaften Konfiguration wird die Wirkungsweise dieser Segmente bes...
Das RFE-Dashboard beinhaltet folgende Basis-Analysen:
Recency, Days since last Contact:
Zeigt auf, wie lange Nutzer für ei...
Das RFM-Dashboard beinhaltet folgende Basis-Analysen:
Recency, Days since last Order
Zeigt auf, wie lange Nutzer für eine ...
Dashboard-Analyse „Customer Orders and Order Value“
 Zeigt anhand der Anzahl der Gesamtbestellungen, welche Bestellwerte ...
Dashboard-Analyse „Target Groups Summary“
 Zeigt die Verteilung der RFM-Gruppen
Lesebeispiel:
Visitors: 1.189 Käufer wurd...
Über welche Kampagnenkanäle kommen meine umsatzstärksten Kunden?
Lesebeispiel:
Visitors: 199.314 Käufer aus der Gruppe der...
Welche Produkte werden von den umsatzstärksten Kunden gekauft?
Lesebeispiel:
Anzahl Produktansichten: 1.957 mal wurde das ...
Welche Produkte wurden von Kunden gekauft, die längere Zeit inaktiv waren und bisher wenige
Käufe mit geringem Umsatz hatt...
Welche Seitenreihenfolge wird von häufig wiederkehrenden Besuchern aufgerufen, die einen
mittelmäßigen Umsatz generierten?...
Welche Produkte wurden von Nutzern mit einem Gesamtbestellwert zwischen 300 und 800 € aus der
RFE Gruppe 32*(letzter Besuc...
Mikro- und Makro Besucherstatus2.3
←→
2.3 Mikro- und Makro Besucherstatus
Webtrekk weist Besuchern einen Mikro- und Makro-Status zu, um die kurz- und langfristi...

Mikro: vom (wiederholten) Erstkontakt bis zum Kauf
Sobald ein Kauf erfolgte, beginnt mit dem nächsten Visit die Zuordnun...

Makro: vom Erstkontakt bis zum Wiederholungskäufer
Ein Besucher behält auf Lebenszeit den höchsten erreichten Status.
2....
Beispiel: Mikro- und Makro-Status eines Besuchers
Mikro Status:
Makro Status:
2.3 Mikro- und Makro Besucherstatus
Startsei...
Es werden Customer und Customer Profil-Betrachtungen unterschieden:
Customer: der Wert, den ein User zu einem bestimmten Z...
Welchen Mikro-Status haben die Besucher?
Lesebeispiel:
Anteil an allen Visitors %: 39,81 Prozent aller Besucher legen ein ...
Wie entwickelt sich der Mikro-Status im Zeitverlauf?
Lesebeispiel:
Vergleich % Anteil an allen Visitors %:
Am 5.2. gehören...
Welchen Makro-Status haben meine Webseiten-Besucher?
Lesebeispiel:
Anteil an allen Visitors %: 6,99 Prozent aller Visitors...
Welchen Mikro-Status haben meine Wiederholungskäufer?
Lesebeispiel:
Anteil an allen Visitors %: 50,15 Prozent aller Wieder...
Predictions2.4
←→
Mit Predictions werden anhand des Nutzungsverhaltens Vorhersagen getroffen.
 Welche Chance besteht, dass der Besucher in ...
Über ein selbstlernendes System werden ständig Einflüsse analysiert und bei der Berechnung
berücksichtigt.
 Für jeden Kun...
Analysiert werden diverse Kriterien:
 Anzahl Visits
 Anzahl Bestellungen
 Käufe / Visit
 Visitverweildauer Ø
 Page Im...
Folgende Prediction-Metriken/Objekte stehen zur Verfügung:
 Zur Berechnung der Abwanderungswahrscheinlichkeit ist nur nöt...
2.4.1 Berechnung der Abwanderungswahrscheinlichkeit
Beispiel:
• Die Gesamt-Abwanderungswahrscheinlichkeit für einen Zeitra...
2.4.1 Berechnung der Abwanderungswahrscheinlichkeit
Bei der Berechnung werden nun individuelle Verhaltensmuster berücksich...
Wie hoch sind Abwanderungs- und Konversionswahrscheinlichkeit je RFE-Gruppe?
Lesebeispiel:
URM – Customer Lifetime Konvers...
Schalten Sie mit Marketing Automation Onsite-Kampagnen abhängig von der
Konversionswahrscheinlichkeit.
 Konversionswahrsc...
Kohorten2.5
←→
Die Kohorte (lateinisch: cohors = umfriedeter Raum, auch "Schar" oder "Gefolge“)
Kohorten haben ihren Ursprung im römische...
2.5 Kohorten
Als Kohorte wird in Webtrekk eine Gruppe von Besuchern bezeichnet, die im gleichen Zeitraum
ihren Erstbesuch ...
2.5 Kohorten
Unterschiedliche Objekte können dazu genutzt werden, Kohorten darzustellen.
Analyseobjekte Beschreibung
Kohor...
2.5 Kohorten
Analyseobjekte Beschreibung
Kohorten (Lebenspanne Monate) Zeigt die Zeitspanne in Monaten, die zwischen dem e...
2.5 Kohorten
 Über den Tabellenkonfigurator können eigene Analysen erstellt werden (Start > Neue Analyse).
 Vorkonfiguri...
Die Loyalität sagt aus, wie viel Prozent der Neubesucher in den Folgezeiträumen die Webseite erneut
besucht haben.
Lesebei...
 Die Monate weisen dabei eine Zeitspanne von jeweils 30 Tagen aus.
Lesebeispiel:
Kohorten (Monatlich): Im Januar 2014 hat...
Lesebeispiel:
Besucher 1:
Besuch 1 und 2 lagen weniger als 30 Tage auseinander und damit im Zeitraum „Monat 0“.
Im 3. Mona...
2.5.2 Conversion Rate
Diese Analyse zeigt die Entwicklung der Konversionsrate für Ihre Besucher.
Lesebeispiel:
Monat 1: 7,...

Die Analyse zeigt, wie sich die Konversionsrate im Zeitverlauf entwickelt.
Beispiel: Ausweisung eines einzelnen Besucher...
2.5.3 Customer Lifetime Value cumulative
Die Analyse zeigt, wie sich der kumulierte Bestellwert entwickelt.
Lesebeispiel:
...
2.5.4 Avg Basket Value
Die Analyse zeigt, wie sich der durchschnittliche Bestellwert pro Monat entwickelt.
Lesebeispiel:
M...

Welche Zeitspanne liegt zwischen erstem und letztem Besuch?
Lesebeispiel:
Visitors: 687 Visitors hatten 1 Woche (8 bis 1...
2.5.5 Use cases
Wie entwickelt sich der durchschnittliche Bestellwert von Käufern mit einer durchschnittlichen
Bestellhäuf...
Für eine individuelle Filterung von Kohorten-Analysen stellt sich die Frage:
 Sollen sich die Filter auf den Erstbesuch b...
Wenn Sie über die Filterengine die Filter direkt über die Analyse legen, muss sich der Filter nicht
zwingend auf den Erstb...
Durch die Nutzung von Segmenten kann auch eine Einschränkung auf den Erstbesuch erfolgen. Dazu
muss im Segment der „Neu vs...
Wie entwickelten sich Besucher, die im Analysezeitraum mindestens einen SEM Kampagnenkontakt
hatten?
Lesebeispiel:
Monat 1...
Wie entwickelten sich Neubesucher, die über den Kanal SEM generiert wurden?
Lesebeispiel:
Monat 1: 10,35 % der Besucher mi...
2.5.5 Use cases
Wie entwickelt sich die Besucherloyalität je Woche? (1/3)
Lesebeispiel:
Kohorten (Wöchentlich): Im Beispie...
Wie entwickelt sich die Besucherloyalität je Woche? (2/3)
 Im nächsten Schritt wird die Metrik Visits editiert
Visuelle A...
Wie entwickelt sich die Besucherloyalität je Woche? (3/3)
 Die editierte Metrik wird durch Halten der Strg-Taste duplizie...
URM-Explorer3
←→
Der URM-Explorer erlaubt es:
 Einzelne Besucher im Detail zu analysieren.
 Segmente im Detail zu analysieren und zu erst...

 Analyse von bestehenden Segmenten
Es werden nur Besucher ausgewiesen, die im Kalenderzeitraum ihren letzten Besuch hat...
 Analyse einzelner Besucher
3 URM-Explorer
Klick auf einen Besucher öffnet Detailansicht1
Reiter zum Zugriff auf URM-Info...
 Erstellung eines neuen Segments
3 URM-Explorer
1
2
4
Klick auf Button zur Erstellung1
Definition des Segments2
Überprüfu...
Wie können weitere Daten integriert werden?4
←→
Es gibt verschiedenen Wege, neben den automatisch berechneten Daten, weitere Informationen in
das URM zu integrieren:
 On...
Vordefinierte URM-Kategorien4.1
←→
Ein Reihe von Kategorien ist bereits in Webtrekk vordefiniert.
 Diese Kategorien und Kennzahlen müssen nicht in Webtrekk ...
Folgende vordefinierte Kategorien existieren: (2/2)
Vordefinierte
URM-Kategorien
Beschreibung Wie können Daten erfasst
wer...
 Widgets setzen die Nutzung von Webtrekk Tag Integration voraus. So können einfach per Drag & Drop
Funktionen (de-)aktivi...

Wie hoch sind Konversionsrate und durchschnittlicher Bestellwert, abhängig vom Alter der
Besucher?
Lesebeispiel:
Visitor...
In welcher Altersschicht haben Männer und Frauen die höchste Konversionsrate?
Lesebeispiel:
Visitors: 10.154 Besucher ware...
Individuelle URM-Kategorien4.2
←→
Mit URM-Kategorien können individuelle Informationen aus dem CRM integriert werden.
 Als Schlüssel dient dabei die überge...

Wie viele Offline-Bestellungen gab es von Usern, die über Online-Kanäle auf die Webseite
gekommen sind?
Lesebeispiel:
Vi...
4.2.1 Use cases
Wie viele Lead-Anfragen wurden je Online-Kanal als gültig verifiziert?
Lesebeispiel:
Visitors: 21.312 Besu...
In welchen Dokumenten gibt es weitere Infos?5
←
5. In welchen Dokumenten gibt es weitere Infos?
Folgende Dokumente beinhalten weiterführende Informationen zum URM und ste...
Diese Präsentation ist urheberrechtlich geschützt.
Jede Verwertung, Weitergabe oder Verwendung ohne Zustimmung der Webtrek...
Nächste SlideShare
Wird geladen in …5
×

[WUC Workshop Day 2015] Florian Richter, Director Implementation & Client Training, Webtrekk | Segmentieren mit dem Webtrekk URM

5.758 Aufrufe

Veröffentlicht am

Webtrekk User Conference 2015 - WUC Workshop Day, presentation by Florian Richter, Director Implementation & Client Training, Webtrekk

Veröffentlicht in: Marketing
0 Kommentare
0 Gefällt mir
Statistik
Notizen
  • Als Erste(r) kommentieren

  • Gehören Sie zu den Ersten, denen das gefällt!

Keine Downloads
Aufrufe
Aufrufe insgesamt
5.758
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
4.276
Aktionen
Geteilt
0
Downloads
18
Kommentare
0
Gefällt mir
0
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie

[WUC Workshop Day 2015] Florian Richter, Director Implementation & Client Training, Webtrekk | Segmentieren mit dem Webtrekk URM

  1. 1. URM – User Relationship Management © 2015 Webtrekk GmbHDokumentenversion 1.0
  2. 2. 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?
  3. 3. URM im Überblick1 →
  4. 4. 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 Besucher Daten liegen im CRM vor 90 % unbekannte Besucher URM →
  5. 5. 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 Reporten Analysieren Optimieren Maßnahmen ableiten Nutzen Aufwand →
  6. 6. 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 →
  7. 7. 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 →
  8. 8. 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 →
  9. 9. 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 →
  10. 10. 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? →
  11. 11. 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 →
  12. 12. 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) →
  13. 13. 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 →
  14. 14.  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 ←→
  15. 15. 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 ←→
  16. 16. Erfassung von Häufigkeit, Frequenz und Bestellverhalten 2.1 ←→
  17. 17. 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
  18. 18. 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 Impressions Gesamt-Page Impressions im 10er Intervall zum Zeitpunkt URM - Customer Profil Page Impressions Gesamt-Page Impressions (Objekt: 10er Intervall) Visits URM - 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 Profi ←→
  19. 19. 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 Bestellungen Gesamtanzahl rabattierter Bestellungen zum Zeitpunkt URM - Customer Profil rabattierte Bestellungen Gesamtanzahl rabattierter Bestellungen Bestellwert URM - Customer Bestellwert Gesamt-Bestellwert zum Zeitpunkt URM - Customer Profil Bestellwert Gesamt-Bestellwert URM - Customer Profil Bestellwert Ø Ø Gesamt-Bestellwert Rabattwert URM - Customer Rabattwert Gesamt-Rabattwert zum Zeitpunkt URM - Customer Profil Rabattwert Gesamt-Rabattwert Rabattquote % URM - Customer Profil Rabattquote % Anteil rabattierter Bestellungen an Gesamt-Bestellungen Profi ←→
  20. 20. 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 CLV Der Gesamt-Bestellwert zum Zeitpunkt für Neubesucher mit Kampagnenklick Tage URM - Bestellung vor Tagen Tage 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-Besuch Grenzt auf den letzten Besuch ein, in dem ein Besucher eine Bestellung durchgeführt hat. Profi ←→
  21. 21.  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
  22. 22.  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 ←→
  23. 23.  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 ←→
  24. 24.  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 ←→
  25. 25. 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 ←→
  26. 26. 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] ←→
  27. 27. 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) ←→
  28. 28. 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 ←→
  29. 29. 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 ←→
  30. 30. 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 … ←→
  31. 31. RFM / RFE Modell2.2 ←→
  32. 32. 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 Recency Wie viele Tage sind seit der letzten Bestellung vergangen? Frequency Wie viele Bestellungen gab es insgesamt? Monetary Welcher Gesamtumsatz wurde generiert? Recency Wie viele Tage sind seit dem letzten Besuch vergangen? Frequency Wie viele Visits gab es insgesamt? Engagement Wie viele Page Impressions wurden insgesamt generiert? 2.2 RFM und RFE-Modell ←→
  33. 33.  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 RFE Online- Shop  2.2 RFM und RFE-Modell ←→
  34. 34.  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 RFERFM ←→
  35. 35.   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 Monetary und Engagement sind stets Lifetime Werte (z.B. bisher erreichter Gesamtumsatz) der jeweiligen Nutzer. 2.2 RFM und RFE-Modell ←→
  36. 36.  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: ←→
  37. 37.  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 ←→
  38. 38.  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 ←→
  39. 39. 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: ←→
  40. 40. Diese Clusterung erlaubt es, gezielte Maßnahmen für ausgewählte Nutzergruppe zu ergreifen. 333 331 332 323 332 111 112 121 213 223212 232 212 211 Bewerben. Zusätzliche Kaufanreize schaffen. Upsell-Chancen wahrnehmen. Kommunikation einstellen. Cross Sell-Chancen nutzen. 133 2.2 RFM und RFE-Modell ←→
  41. 41. Beispiel: Handlungsempfehlungen anhand des RFM Modells RFM Gruppe Gruppe: 1-1-1 Gruppe: 1-2-2 Gruppe: 3-3-3 RECENCY Wann zuletzt gekauft? Letzter Kauf vor mindestens 14 Tagen Letzter Kauf vor mindestens 14 Tagen Letzter Kauf weniger als 3 Tage her FREQUENCY Wie oft gekauft? 1-3 mal 3-10 mal mindestens 10 mal MONETARY Preis? Gesamtumsatz kleiner 300 € Umsatz liegt zwischen 300 und 1000 € Gesamtumsatz fällt größer als 1000 € aus ACTION Mögliche Handlungsempfehlung Keine gesonderte Kommunikation Zusätzliche Kaufanreize schaffen, Bewerben (Post), Newsletter, Coupons Bewerben, Cross Sell Ansatz (Premium Produkte) fahren 2.2 RFM und RFE-Modell ←→
  42. 42.  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 ←→
  43. 43. 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 ←→
  44. 44. 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 ←→
  45. 45. 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 ←→
  46. 46. 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 % ←→
  47. 47.  „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 RFEGruppenzuordnung 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. ←→
  48. 48. 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 ←→
  49. 49. 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 ←→
  50. 50. 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 ←→
  51. 51. 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 ←→
  52. 52. 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 ←→
  53. 53. 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, aufsteigend nach 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 ←→
  54. 54. 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 ←→
  55. 55. 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 ←→
  56. 56. 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 ←→
  57. 57. 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 ←→
  58. 58. 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 Gruppe 111 ←→
  59. 59. 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 ←→
  60. 60. 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 ←→
  61. 61. Mikro- und Makro Besucherstatus2.3 ←→
  62. 62. 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. ←→
  63. 63.  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 Unknown alle 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. Onsite 4 Produktansicht alle Besucher, die eine Produktansicht aufrufen haben (basierend auf dem Produktstatus). 5 Warenkorbabbrecher alle Besucher, die ein Produkt in den Warenkorb gelegt haben (basierend auf dem Produktstatus). 6 Kunde alle Besucher, die ein Produkt gekauft bzw. eine Bestellung durchgeführt haben (basierend auf dem Produktstatus bzw. Bestellwert) ←→
  64. 64.  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 Unknown alle 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. Onsite 4 Produktansicht alle Besucher, die eine Produktansicht aufrufen haben (basierend auf dem Produktstatus). 5 Warenkorbabbrecher alle Besucher, die ein Produkt in den Warenkorb gelegt haben (basierend auf dem Produktstatus). 6 Registrierung alle Besucher, die eine Kundennummer oder EMail-Adresse übergeben haben (basierend auf der CustomerID bzw. URM - EMail Receiver-ID) 7 Neukunde alle Besucher, die ein Produkt gekauft bzw. eine Bestellung durchgeführt haben (basierend auf dem Produktstatus bzw. Bestellwert) 8 Wiederholungskäufer kennzeichnet alle Besucher, die mehr als ein mal ein Produkt gekauft bzw. eine Bestellung durchgeführt haben (basierend auf dem Produktstatus bzw. Bestellwert) ←→
  65. 65. 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. Onsite Produktansicht Warenkorbabbrecher Kunde Onsite Produktansicht Warenkorbabbrecher Kunde Onsite Produktansicht Warenkorbabbrecher Kunde Onsite Produktansicht Warenkorbabbrecher Kunde Onsite Produktansicht Warenkorbabbrecher Registrierung Neukunde Wiederholungskäufer Onsite Produktansicht Warenkorbabbrecher Registrierung Neukunde Wiederholungskäufer Onsite Produktansicht Warenkorbabbrecher Registrierung Neukunde Wiederholungskäufer Onsite Produktansicht Warenkorbabbrecher Registrierung Neukunde Wiederholungskäufer Startseite Produktansicht Warenkorb Kauf € ←→
  66. 66. 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. Onsite Produktansicht Warenkorbabbrecher Kunde Onsite Produktansicht Warenkorbabbrecher Kunde ←→
  67. 67. 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 ←→
  68. 68. 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 ←→
  69. 69. 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 ←→
  70. 70. 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 ←→
  71. 71. Predictions2.4 ←→
  72. 72. 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 ←→
  73. 73. 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 ←→
  74. 74. 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 ←→
  75. 75. 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 Lifetime Abwanderungswahrscheinlichkeit (Visit) % Gibt an, wie hoch die Wahrscheinlichkeit ist, dass ein Besucher die Webseite nicht mehr besuchen wird. URM - Customer Lifetime Konversionswahrscheinlichkeit % Gibt an, wie hoch die Wahrscheinlichkeit ist, dass ein Besucher in einem der folgenden Visits kaufen wird. ←→
  76. 76. 2.4.1 Berechnung der Abwanderungswahrscheinlichkeit Beispiel: • Die Gesamt-Abwanderungswahrscheinlichkeit für einen Zeitraum berücksichtigt also, wann Besucher zuletzt auf der Webseite aktiv waren. Tag 1 5 Prozent der Besucher kommen am Tag des Erstbesuchs erneut auf die Webseite. Abwanderungswahrscheinlichkeit an Tag 1: 100 % – Summe aller wiederkehrenden Visitors = 78 % Tag 2 7 Prozent aller Besucher kommen einen Tag nach dem Erstbesuch auf die Webseite. Abwanderungswahrscheinlichkeit an Tag 2: (Abwanderungswahrscheinlichkeit Vortag) + (Anteil wiederkehrender Visitors Vortag) = 83 % Tage Anteil 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 % Profi ←→
  77. 77. 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. Profi ←→
  78. 78. 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 ←→
  79. 79. 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 ←→
  80. 80. Kohorten2.5 ←→
  81. 81. 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 ←→
  82. 82. 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. ←→
  83. 83. 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. ←→
  84. 84. 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). ←→
  85. 85. 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 ←→
  86. 86. 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 ←→
  87. 87.  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 ←→
  88. 88. 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 ←→
  89. 89. 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 ←→
  90. 90.  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 Besuch Besuch mit Bestellung Besuch 28.04.2014 Besuch mit Bestellung € € ←→
  91. 91. 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 ←→
  92. 92. 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 ←→
  93. 93.  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 ←→
  94. 94. 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 ←→
  95. 95. 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 casesProfi ←→
  96. 96. 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 SEM Nur 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. News letter Display SEM    SEM News letter Display Kampagnen- kontakte Visits Profi Suchumfang „Seite“ Suchumfang „Besucher“ ←→
  97. 97. 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    SEM News letter 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. Profi ←→
  98. 98. 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 ←→
  99. 99. 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 ←→
  100. 100. 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 Profi ←→
  101. 101. 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 Profi ←→
  102. 102. 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 casesProfi ←→
  103. 103. URM-Explorer3 ←→
  104. 104. Der URM-Explorer erlaubt es:  Einzelne Besucher im Detail zu analysieren.  Segmente im Detail zu analysieren und zu erstellen. 3 URM-Explorer ←→
  105. 105.   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 ←→
  106. 106.  Analyse einzelner Besucher 3 URM-Explorer Klick auf einen Besucher öffnet Detailansicht1 Reiter zum Zugriff auf URM-Informationen2 1 2 ←→
  107. 107.  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 ←→
  108. 108. Wie können weitere Daten integriert werden?4 ←→
  109. 109. 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? ←→
  110. 110. Vordefinierte URM-Kategorien4.1 ←→
  111. 111. 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) Vordefinierte URM-Kategorien Beschreibung Wie können Daten erfasst werden? URM - Alter Gibt das aktuelle Alter eines Besuchers in 5-Jahresschritten an. Wird anhand des erfassten Geburtsdatums berechnet. Pixel, Import, Widget URM - E-Mail Opt-in Gibt an, ob ein User sich für einen Newsletter registriert hat. Es werden unterschieden: unbekannt (default), ja , nein. Pixel, Import URM - Email Receiver Id Enthält eine eindeutige Kennung des Newsletterempfängers und ermöglicht dadurch Newsletter-Remarketing. Pixel, Import URM - Geschlecht Weist das an Webtrekk übergebene Geschlecht eines Besuchers aus. Pixel, Import, Widget 4.1 Vordefinierte URM-Kategorien ←→
  112. 112. Folgende vordefinierte Kategorien existieren: (2/2) Vordefinierte URM-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-ID Übergabe des Logins ermöglicht genauere Besucherzählung und Schnittstelle zu CRM-Daten. Pixel, Import URM - Rabattwert Wie viel Rabatt wurde bei der Bestellung gewährt. Pixel, Import 4.1 Vordefinierte URM-Kategorien ←→
  113. 113.  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 ←→
  114. 114.  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 ←→
  115. 115. 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) ←→
  116. 116. Individuelle URM-Kategorien4.2 ←→
  117. 117. 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 ←→
  118. 118.  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 ←→
  119. 119. 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 ←→
  120. 120. In welchen Dokumenten gibt es weitere Infos?5 ←
  121. 121. 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 ←
  122. 122. 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!

×