Big Data meets Marketing Automation
Conrad Morbitzer
International Consultant
Berlin, Deutschland
+49 (0)30 755 415-408
cm...
• 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 ...
Im Zeitalter von Big Data
0%
20%
40%
60%
80%
100%
1986 1993 2000 2007
Analog Digital
0
50
100
150
200
250
300
350
1986 199...
Daten Auswertung
➽ Herausforderung: großen Nutzen aus Daten ziehen
gering groß
Komplexität / Aufwand
geringgroßMehrwert
Da...
Marketing Automatisierung
Problemstellung
• Mangel an Daten
• Fehlende Integration
• Auswertung
• Handlungen ableiten & au...
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 % bekannt...
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
User Centric Tracking
1
Für alle User werden automatisiert wichtige Daten erhoben.
URM im Überblick
In welchen Frequenz kommt er auf die Webseite?...
Weitere Informationen können auf der Webseite erfasst werden, um die Aussagekraft zu erhöhen:
URM im Überblick
In welchen ...
Individuelle Merkmale aus Ihrem CRM-System verfeinern das Bild weiter:
URM im Überblick
In welchen Frequenz kommt er auf d...
Auch Vorhersagen werden berechnet:
URM im Überblick
In welchen Frequenz kommt er auf die Webseite?
Wie viele Seiten hat er...
Basierend auf diesen umfassenden Informationen lassen sich die zentralen Fragen beantworten.
URM im Überblick
Wie wertvoll...
RFM und RFM Modell sind ein bewährtes Scoring-System, dass sich zur Definition eines
Besucherwertes heranziehen lässt.
RFM...
 Derselbe Besucher kann sowohl einer RFM als auch einer RFE Gruppe angehören.
 Das RFM-Modell betrachtet nur die Käufer,...
 Basierend auf dieser Zuordnung ergibt sich für jeden Nutzer eine dreistellige Zahl.
RFM Bewertet das Kaufverhalten Bewer...
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 Morbitzer
International Consultant
Berlin, Deutschland
+49 (0)30 755 415-408
cmo@webtrekk.co...
Nächste SlideShare
Wird geladen in …5
×

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

4.160 Aufrufe

Veröffentlicht am

Conrad Morbitzers Workshop auf der etailment Wien behandelte folgende Punkte:
- Wie löse ich heterogene Datensilos auf und schaffe eine homogene Datenbasis?
- Wie stelle ich den Nutzer in den Vordergrund und nicht nur Produkte?
- Wie kann man Big Data automatisiert nutzbar machen

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

Keine Downloads
Aufrufe
Aufrufe insgesamt
4.160
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
1.739
Aktionen
Geteilt
0
Downloads
26
Kommentare
0
Gefällt mir
3
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie
  • 1.Data storage has grown significantly shifting from analog to digital after 2000
    2. Demand for deep analytical talent in the USA is predicted to be 50% to 60% greater than its supply by 2018
  • "Big Data Meets Marketing Automation" – Webtrekks Senior Consultant Conrad Morbitzer auf der etailment Wien 2015

    1. 1. Big Data meets Marketing Automation Conrad Morbitzer International Consultant Berlin, Deutschland +49 (0)30 755 415-408 cmo@webtrekk.com Amsterdam | Beijing | Berlin | Frankfurt | Madrid | Milan webtrekk.com
    2. 2. • Fragen • Erwünscht • Direkt • Bitte Inkl. Name & Branche
    3. 3. Wer Arbeitet mit Webtrekk?
    4. 4. 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 Dumbill@Oreilly.com
    5. 5. Im Zeitalter von Big Data 0% 20% 40% 60% 80% 100% 1986 1993 2000 2007 Analog Digital 0 50 100 150 200 250 300 350 1986 1993 2000 2007 Exabytes Global Installed, optimally compressed storage Source: Hilbert and Lopez, “The world’s technological capacity to store, communicate and capture information”, Science 2011 Manufacturing Government Communication s 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 0 50 100 150 200 250 300 350 400 450 500 2018 supply 2018 projected demand In thousan d people Supply and demand of deep analytical talent by 2018 Talent Gap Source: US Bureau of Labor Statistics, McKinsey Global Institute Analysis, US Census, Dun & Bradstreet, company interviews
    6. 6. Daten Auswertung ➽ Herausforderung: großen Nutzen aus Daten ziehen gering groß Komplexität / Aufwand geringgroßMehrwert Daten Information Insight Handlung
    7. 7. Marketing Automatisierung Problemstellung • Mangel an Daten • Fehlende Integration • Auswertung • Handlungen ableiten & ausführen • Kein nutzerzentrierter Ansatz ➽ Nutzer Zentrierte Daten ermöglichen Personalisierung & Automatisierung
    8. 8. Case 1: Wie löse ich heterogene Datensilos auf und schaffe eine homogene Datenbasis
    9. 9. Komplette Integration
    10. 10. Das User Relationship Management System (URM) enthält Daten für jeden Besucher der Webseite. URM kurz erklärt 10 % bekannte Besucher Daten liegen im CRM vor 90 % unbekannte Besucher URM
    11. 11. URM der Nutzer im Mittelpunkt
    12. 12. Case 2: Wie stelle ich den Nutzer in den Vordergrund und nicht nur Produkte
    13. 13. Standard Remarketing – Produkt Orientiert
    14. 14. Nutzer Zentrierter Ansatz
    15. 15. User Centric Tracking 1
    16. 16. 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
    17. 17. 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
    18. 18. 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
    19. 19. 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
    20. 20. 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?
    21. 21. RFM und RFM Modell sind ein bewährtes Scoring-System, dass sich zur Definition eines Besucherwertes heranziehen lässt. 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? RFM und RFE-Modell
    22. 22.  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  RFM und RFE-Modell
    23. 23.  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
    24. 24. Nutzerzentriertes Remarketing R = 3 F = 3 E = 3 R = 1 F = 2 M = 2
    25. 25. Case 3: Wie kann man Big Data automatisiert nutzbar machen
    26. 26. Newsletter Remarketing
    27. 27. Newsletter Remarketing
    28. 28. Vielen Dank! – Fragen? Conrad Morbitzer International Consultant Berlin, Deutschland +49 (0)30 755 415-408 cmo@webtrekk.com Amsterdam | Beijing | Berlin | Frankfurt | Madrid | Milan webtrekk.com

    ×