Was bringen TV-Spots für E-Commerce? ProSiebenSat.1 schafft Fakten mit Big Data.

I Seite 1 | Marketing-Club Düsseldorf | ProSiebenSat.1 Media AG & inovex GmbH | 22. April 2015
DATA-DRIVEN MARKETING – CONNECTING THE DOTS BETWEEN TV AND ONLINE
Was bringen TV-Spots für E-Commerce?
ProSiebenSat.1 schafft Fakten mit Big Data
Florian Jedlitschka
Manager Media Strategy & Operations
ProSiebenSat.1 Media AG
Dr. Lars Perchalla
Big Data Scientist
inovex GmbH

Referenten
Florian Jedlitschka Dr. Lars Perchalla
• Physik-Studium an der RWTH Aachen
• 2011 Promotion über die Analyse von
Massendaten zur Suche nach dem Higgs-
Boson (Elementarteilchenforschung)
• Postdoc an der RWTH und am CERN in
Genf
• Seit 2013 Big Data Scientist bei inovex
• Design und Realisierung von Big-Data-
Systemen und wissenschaftliche Analyse
von großen Datenvolumina
• BWL-Studium an der Universität
Erlangen-Nürnberg und der Corvinus
Universität Budapest
• > 4 Jahre Unternehmensberater bei
Accenture im Bereich Media Auditing
• Schwerpunkt im TV und Online
• Heute Manager Media Strategy &
Operations im Bereich Digital & Adjacent
bei der ProSiebenSat.1 Media AG
• Weiterentwicklung der TV-Wirkungs-
analyse für das Online-Business

Agenda
Wie funktioniert das Digitale Business innerhalb von ProSiebenSat.1?
Welchen Effekt hat TV-Werbung auf das Digitale Business?
Wie wird Big Data bei ProSiebenSat.1 genutzt?

Das P7S1 Business basiert auf 3 Säulen…
Digital & Adjacent
Content Production
& Global Sales1 2 3
Broadcasting
German-speaking
Digital Entertainment
Digital Commerce
Adjacent
TV advertising
Distribution

mit führenden Positionen in den D&A Geschäftsbereichen …
PayVoD Markt berücksichtigt nur SVoD.
D&A: Verteilung Umsatz und Geschäftsbereiche
[H1 2014]
#4
Digital Commerce
#1
#1
#2
#1
Top 5
#3
Digital Entertainment
#1
#1
#2
#3
Pay VoD
Online
Games
Ad VoD
+
#2
12.8%
47.9%39.3%
Adjacent

… und einem breiten Investment Portfolio
Please note: investments based on straight equity or equity-like components, strategic AND opportunistic by entire D&A segment.
Minderheit (10-50%) Mehrheit (>50%)Minderheit (<10%)
28 Deals 12 Deals
27 Deals 14 Deals 12 Deals
1 Deals 3 Deals
Auswahl:
International
Germany, Austria & Switzerland
Selection
17 Deals
Digital
Non-
digital
Selection
Selection

Unser D&A Kapitalmarkt-Ziel für 2018
935
530
335
2012 H1 2014 LTM 2018E
CMD angestrebtes Wachstum: EUR 405m bis Zielerreichung!
D&A Umsatz
CMD Ziel
D&A
rec. EBITDA
Marge
von ~20%3
1 Implied revenue CAGR 2012 - H1 2014 2 Implied revenue CAGR H1 2014 - 2018 3 D&A Rec. EBITDA Marge von ~20% ist abhängig vom Portfolio- Mix
CAGR
+35.7%1
CAGR
+13.5%2
D&A Umsatz in EURm

Ungenutztes TV Werbeinventar ist der Schlüssel für das
weitere Wachstum
“Our strategy is to become
more independent from
classic ad income and to
invest in new digital
business models. Our idle
TV ad inventory is our
most important resource,
our internal dollars or you
could say our ‘magic
potion’!”
Christian Wegner
Ungenutztes TV
Werbeinventar –
kann für digitale
Investments &
Kooperationen
genutzt werden
“Traditionelles” Werbeinventar -
verkauft an Werbetreibende von
SevenOne Media

… da TV durch seine einzigartige Positionierung alle
relevanten Zielgruppen erreicht
Höhere TV Nutzung im Vergleich zu
Online
Hohe Nettoreichweiten über alle relevanten
Zielgruppen hinweg
CAGR
[2002-2013]
2013
[in min]
Online
w/o Online Video
78
Online Video
inkl. TV- Content
23
Quelle: AGF in Zusammenarbeit GfK; TV Scope
82
7370
56
47
80
73
67
45
40
14-19 20-29 40-4930-39 >50
Frau Mann% nach Alter
Erwachsene >14 = 71%TV
Nutzung
+0.3%182
+9%
+72%

TV steigert die Markenbekanntheit und generiert dadurch
höheren Online Traffic auf E-Commerce Websites
Unternehmen mit TV Werbung erzielen eine
höhere Markenbekanntheit
Deutlicher Anstieg des Traffics über den
Kampagnenverlauf hinweg
Markenbekanntheit in %
31.5
9.88.8
<5.0
23.1
<5.0
Beauty Competitor Beauty Co
Q2/2013 Q3/2014Pre-TV
Konkurrenz ohne TV
Werbung bleibt zurück
+308%
2. FlightBreak
78%
1.Flight
33%
67%
Pre-TV
89% 33%
67%
22%11%
+32%
Non-brand
Brand
x3
Beauty Co Visits pro Tag in k
Quelle : Media & Analytics
Hinweis: Pre-TV Schätzungen basieren auf quartalsweiser Kampagnen-Trackingumfragen; Der Traffic wird anhand der Direkteingabe der Website oder die Markensuche ermittelt.

Alternative Ansätze in der TV-Mediaplanung
durch TV-Analytics
Traditionelle TV-Mediaplanung Response-basierte Mediaplanung
Cost per Visit (CpV)
= Kosten pro Website-Besuch
Cost per Action (CpA)
= Kosten pro Aktivität auf einer Website
(z. B. Registrierung)
Visit per GRP (VpGRP)
= Website-Besuche per Gross Rating Point
Brand!
GRP
Net
reach
F25-39
Fokus: Zielgruppe
Media AgenturKunde

Big Data-Initiative bei ProSiebenSat.1
Kernfrage: Welchen Effekt hat TV-Werbung für das Online-Business?
Traditionelle Online-Analyse-Tools liefern keine Antwort
Individuelle Lösung von ProSiebenSat.1: Big Data & Data Science
ProSiebenSat.1 entwickelt sich zum führenden Data Hub für TV-Analytics

Mobile
Data
Center
Automation
Modern
Web
Platform
Mobile
Data
Center
Automation
Analy-
tics‣ Backend
‣ Frontend
‣ Portale
‣ Replatforming
‣ Business
Intelligence
‣ Big Data
Platforms
‣ Data Science
‣ Search
‣ Mobile Enterprise
‣ App Development
‣ Mobile Web
‣ Smart Devices &
Internet of Things
‣ Cloud
‣ DevOps
‣ Operations
Consulting
Prozesse, IT, Social,
Change Management
Integriertes Portfolio
für die digitale
Transformation

Big Data – vom Hype zum Value
2007 2009 2011 20152013
http://www.google.de/trends/explore#q=%22big
%20data%22 Quelle: http://www.strategy-at-risk.com/
Integration:
Unterschiedliche Daten-
typen zusammenbringen
Daten-
Bewirtschaftung:
Kostengünstig speichern
und aggregieren
Analytics:
Daten in Beziehung
setzen, Wissen
generieren
1
2
3
Big Data Trend Generiere Business Value
Volume
Variety
Velocity
Analytics
BIGDATA

Big Data – Wandel des Geschäftsmodells
Monetarisierung
Optimierung
Innovation
Leverage
Kommerzielle Verwertung
vorhandener Daten
Auswertung existierender
Daten, Optimierung
bestehender Prozesse
Big-Data eröffnet ganz neue
Geschäftsmodelle, Wandel
des Business-Modells
Push von existierenden Geschäfts-
modellen durch die Erhebung und
Auswertung neuer Daten
neue
Geschäftsmodelle
existierende
Geschäftsmodelle
existierende Datenbestände neue Datenbestände
Modell in Anlehnung an BITKOM (2015): „Big Data und Geschäftsmodell-Innovationen in der Praxis“

Ein ganz kurzer Blick auf die Technik:
Das Hadoop Ecosystem
Zookeeper
Ambari
Oozie
Falcon
Knox
Ranger
Data Ingestion & Integration
HDFS
YARN
Script SQL Java/
Scala
NoSQL In-Mem. Stream Batch
Tez Tez
Pig
Flume Sqoop Kafka
Hive Spark Storm M&RCasc.
Analytics, UIs, 3Rd Party
Pentaho elasticsearchMahoutHue
HBase
PDI
Data & Systems
Management
Enterprise-ready,
dominiert durch
Open-Source
Fazit

Big Data Lösungs-Architektur:
Verbinde TV und Web!
Tracking-Daten
• 60 Websites
• 50 Mio.
Unique Users/Monat
RDBMS
TV-Daten aus
15 Mio. Einträgen/Tag
(Reichweite, CRM,
TV-Schaltplan ...)
Hadoop Cluster
• 10 Data Nodes
• 640 GB RAM
• 320 TB Storage
Tägliche
Aggregation
• 60 Mio.
Visits
• > 50 KPIs
Reporting/Analysis

Methodisches Grundprinzip:
Spot-Induktion verbindet TV und Web
Spot-ZuordnungHive UDTF
• Extrapoliere flachen
Untergrund!
• Separiere
Kategorien!
(referrer, device, …)
• Löse Überlapp durch
Spot-Gewichte!
(GRP und Response-
Funktion1)
2nd spot
Extrapolate ∅ noise level
Spot minute8-8 0
Visits
Noise window
Spot induced signal
New noise level
Signal window
Overlap
region
1 Landau Modell

time of day
00:00 02:00 04:00 06:00 08:00 10:00 12:00 14:00 16:00 18:00 20:00 22:00 00:00
0
1
2
3
time of day
00:00 02:00 04:00 06:00 08:00 10:00 12:00 14:00 16:00 18:00 20:00 22:00 00:00
0
100
200
300
400
500
600
700
est/resources/visits_induced_20140112_17_v5.csv
Signal-Analyse: Spot-Induktion ermöglicht Messung von
unmittelbarer Werbewirkung
Daily Visits
Spot-Zuordnung
• Kurzreichweitige Zuord-
nung zu synchronen Visits
• Trotzt Modulation und
Fluktuation
• Konservativ, aber robust
Analysen
• Zeit (Tageszeit vs. Primetime)
• Inhalt: Sender, Genre,
Format
• Spot: Motiv, Art
(Tandem/Single), Dauer
• Tarif: Special Ads
time of day
18:00 18:15 18:30 18:45 19:00 19:15 19:30 19:45 20:00 20:15 20:30 20:45 21:00
0
0.5
time of day
18:00 18:15 18:30 18:45 19:00 19:15 19:30 19:45 20:00 20:15 20:30 20:45 21:00
visits
0
100
200
300
400
500
600
700
ources/visits_induced_20140112_17_v4_strippedSecs.csv -s java/psa-media-analytics-hive-functions/src/test/resources/lookup_spotchains.csv

Merkmale erfolgreicher Werbespots:
Beispiel E-Commerce Interferenz
Wie wirken mehrere E-Commerce Spots
innerhalb eines Werbeblocks?
Ø Besucher pro Spot
(GRP normiert)
1 2 3 4 5 6 7 8
Anzahl E-Commerce Spots im Werbeblock
Vertrauens-
intervall durch
zahlreiche
Spot-Motive/-
Dauer und
Sender
Keine Korrelation
Konstanter
Besucherzuwachs
Vorurteil widerlegt

Beispiel Motiv-Analysen
Welches Spot-Motiv funktioniert am besten?
Kumulierte
Besucher
Kumulierte Reichweite
Beauty – Motiv 1
Beauty – Motiv 2
Beauty – Motiv 3
Spot-
Länge?
Lineares Wachstum
Frühzeitige Preformance-
bewertung möglich
Keine Abnutzung
Forecasts möglich

Beispiel Spot-Länge
Spot-Motive normiert auf Spot-Länge
Lineares Wachstum
Lineare Skalierung
durch Spot-Länge
Zeigt Motiv-Unterschiede
Kumulierte
Besucher pro 10 sec
Kumulierte Reichweite
Beauty – Motiv 1
Beauty – Motiv 2
Beauty – Motiv 3
Wirkung
linear zur
Exposure!!!

Lösung durch Data Science
Problem: Aktuelle Kampagnen-Bewertung (CpV)
unzureichend
Data Science:
Messung des Langzeit-TV-Effekts
0
5
10
15
20
25
30
35
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Visits in k
Pre-Campaign
(baseline)
TV-Campaign
(incremental effect)
Post-
Campaign
Incremental Campaign Visits
Depot visits
Wochen
Problem: Keine adäquate
Berücksichtigung von
Saisonalität und anderen
Marketing-Aktivitäten

Vom Higgs zum Business
4. July 2012: LHC (27-km-Ring bei
Genf) findet Higgs-Boson in
Petabytes von Kollisionsdaten
1 PB generierte Daten
pro Sekunde
25 PB gespeicherte
Daten pro Jahr
Detektoren mit
Millionen von Channels
Analyse-Methoden aus der
Forschung funktionieren
auch im Business

Multivariate Analyse (MVA):
Selbstlernender Entscheidungsbaum
MVA1-Analyse
• Klassifizierung der Besucher
nach ihrem Web-Verhalten
(PI’s, Surf-Dauer, …)
• Entscheidungsbaum aus
diskriminierenden Variablen
trennt TV- von nicht-TV
• Selbst-Lernende Optimierung
durch Aufwertung von falschen
Zuordnungen
• Training auf Basis der Spot-
Induktion
• Stabil gegen Ausbrechen
einzelner Variablen
Node (one
discriminator)
S
S = TV, B = non-TV
B
S
S B
B
Baskets
Boosting
~500 trees
Datenqualität und -Verständnis entscheidend!
1 Multi-Variant Aalysis (Boosted Decision Tree, AdaBoost)

MVA: Umsatz-Analyse
Proof-of-Concept
Beispiel-Ergebnis der MVA-Klassifizierung
0
10
20
30
40
50
60
70
80
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
BackgroundMVA SignalMVAUmsatz in kEUR
KW
1st TV Flight 2nd TV FlightBreak
Nicht-TV-Visits TV-Visits
MVA-basierte
Quantifizierung
des Depot-
Effekts
MVA isoliert TV
TV mit
signifikantem
Umsatzanteil
Erste Abschätzung
des TV-
Langzeiteffekts
Ermöglicht ROI -
Abschätzung

Ausblick: Funktionale Erweiterungen
TV-Online-Kampagnen-Synchronisation
Integration von Wetter-Daten
App Tracking

Vielen Dank für Ihr Interesse!
Florian Jedlitschka
Manager Media Strategy & Operations
ProSiebenSat.1 Media AG
Dr. Lars Perchalla
Big Data Scientist
inovex GmbH

Was bringen TV-Spots für E-Commerce? ProSiebenSat.1 schafft Fakten mit Big Data.

Empfohlen

Empfohlen

Weitere ähnliche Inhalte

Mehr von inovex GmbH

Mehr von inovex GmbH (20)

Was bringen TV-Spots für E-Commerce? ProSiebenSat.1 schafft Fakten mit Big Data.