Diese Präsentation wurde erfolgreich gemeldet.
Die SlideShare-Präsentation wird heruntergeladen. ×

Der Kunde ist vor Ihrer Haustüre

Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige

Hier ansehen

1 von 65 Anzeige
Anzeige

Weitere Verwandte Inhalte

Diashows für Sie (20)

Andere mochten auch (20)

Anzeige

Ähnlich wie Der Kunde ist vor Ihrer Haustüre (20)

Aktuellste (20)

Anzeige

Der Kunde ist vor Ihrer Haustüre

  1. 1. 1 Der Kunde ist vor Ihrer Haustüre Frank Fuchs – Valopex Consulting (April 26, 2013)
  2. 2. 2 Nichte am Telefon: ”Wer bist’n du?”
  3. 3. 3 Marketing Manager Robert Bosch S.p.A. - Mailand Product Manager – E-Commerce Lycos Europe - München Product Manager Local Search & Maps / Y! Answers Yahoo! – München / London Product Manager Bing Web-Search, Local Search & Maps München Online- Produkt & Marketing Berater bei Valopex & Co-Founder Ypeas.com - München Geboren in München, aufgewachsen in Niederbayern, lebt & arbeitet in München. Frank Fuchs
  4. 4. 4 Erst mal ein paar Zahlen?
  5. 5. 5 97% of consumers search for local businesses online. https://www.google.com/business/placesforbusiness/free-features/
  6. 6. 6 More than 20% of desktop searches on Google are related to location. On mobile, this climbs to 40% percent. http://googleblog.blogspot.de/2011/10/ads-are-just-answers.html
  7. 7. 7 Mobile Internet Nutzung a • 61% with a smartphone, 37% a netbook and 22% a tablet http://www.accenture.com/SiteCollectionDocuments/PDF/Accenture-Mobile-Web-Watch-Internet-Usage-Survey-2012.pdf
  8. 8. 8 http://www.forbes.com/sites/connieguglielmo/2012/12/04/mary-meekers-must-read-interent-trends-report-says-android-phone-uptake-bests-apple/ Global mobile traffic. Mobile traffic represented 13% percent of all Internet traffic this year, up from 4% in 2010 and 1% in 2009.
  9. 9. 9 Mobile Video Growth To put that into context, the 15 billion video streams measured in Q4 /2012 11 times more than all movie ticket sales in 2012. http://success.adobe.com/assets/en/downloads/briefs/13926_di_mobile_video_v15.pdf
  10. 10. 10 Lokale Suchmaschinenoptimierung?
  11. 11. 11 Lokale Suchmaschinenoptimierung?
  12. 12. 12 TIL(TodayILearned): Kurt Cobain killed himself one month after Justin Bieber was born. Zu wenige Datenpunkte – wenig Trust – Gefahr von falschen Schlußfolgerungen http://en.wikipedia.org/wiki/Correlation_does_not_imply_causation
  13. 13. 13 George Edward Pelham Box (October 18, 1919 – March 28, 2013) was a British mathematician and Professor of Statistics at the University of Wisconsin, and a pioneer in the areas of quality control, time series analysis, design of experiments and Bayesian inference. George E. P. Box Essentially, all models are wrong, but some are useful.
  14. 14. 14 Die Basics “Du kannst keine Postkarte an einen POI senden.”
  15. 15. Was lokales SEO nicht ist 15 ‣ PayPerClick • Bezahlte Anzeigen ‣ Ergebnisse aus der Shopping Suche • Bezahlte Anzeigen ‣ “Normale” organische Ergebnisse • Kostenlos! ;) Abgrenzung zu anderen SEM Maßnahmen PPC PPC SEO
  16. 16. Was lokales SEO ist 16 ‣ “Normale” organische Ergebnisse ‣ Lokale Suchergebnisse SEO Local SEO Abgrenzung zu anderen SEM Maßnahmen
  17. 17. Was lokales SEO ist 17 ‣ PayPerClick • Bezahlte Anzeigen ‣ Lokale Suchergebnisse • In der Lokalen bzw. Maps- Suche PPC Local SEO Abgrenzung zu anderen SEM Maßnahmen
  18. 18. Was lokales SEO hat - lokalen Bezug 18 ‣ Standortbezug ist der Schlüssel • User Eingabe • IP Adresse • WLAN Hot Spots • Implizit/Explizit • … Standort Abgrenzung zu anderen SEM Maßnahmen
  19. 19. 19 Wann & warum werden lokale Ergebnisse angezeigt?
  20. 20. 20 Wie sieht eine Suchanfrage aus? Viele „unsichtbare“ Einstellungen, wie Land, Sprache, Safe- Search-Level, Location, Tageszeit, Anzahl der Wörter in der Query (Longtail vs. Navigational – Index) usw. werden übergeben und führen zu angepassten SERPS. Keyword: hotel
  21. 21. 21 Wann erscheinen lokale Ergebnisse? http://en.wikipedia.org/wiki/Web_query_classification Suchanfragen – Einstufung – Query Classification •Query : „Pizza Plattling“ – Hoher Score für „Local Intent“ >> Lokale Suchergebinsse werden eingeblendet •Query: „Alan Webb “ – Kein/Geringer Score für „Local Intent“ >> keine Einblendung von lokalen Suchergebnissen.
  22. 22. 22 Lokale Suchmaschinenoptimierung Umfasst alle Maßnahmen, die der Steigerung von Qualität und Quantität der Besucher dienen, deren Suchanfragen einen lokalen Bezug enthalten (Explizit) oder einen solchen vermuten lassen (Implizit).
  23. 23. 23 Vorgehensweise (Lokales) SEO
  24. 24. Das Fundament 24 Ohne solide Vorbereitung ist SEO/SEM wie ein Tourist in London ohne Stadtplan Suchbegriffe finden Konkurrenz Suchergebnis-Analyse Target Umsetzung “Spielen” mit den Suchbegriffen Was machen meine “Marktbegleiter”? Schwächen & Lücken gefunden? Strategie formulieren, abstimmen und Taktiken umsetzen.
  25. 25. 25 Wie und wo finde ich die passenden Suchbegriffe/Keywords?
  26. 26. Suchbegriffe/Keywords finden 26 ‣ Google, Microsoft & Yahoo! • Kostenlose Tools ‣ Bing /Google Suggest ‣ Block & Stift & Hirnschmalz Welche Begriffe benutzen Kunden, um nach meiner Dienstleistung zu suchen?
  27. 27. 27 Keyword- und Marktbegleiter- Analyse
  28. 28. 28 Ohne lokale Listings PPC SEO PPC
  29. 29. 29 Mit lokalen Listings SEO Local SEO
  30. 30. 30 Wenig Konkurrenz Local SEO SEO
  31. 31. 31 Mehr Konkurrenz Local SEO PPC
  32. 32. Die besten Suchbegriffe/Keywords 32 Welche Eigenschaften sollten ideale Keywords besitzen? Hohes Suchvolumen Viele Suchanfragen im Monat. Wenig Konkurrenz “Schwache” Seiten in den Top 10 Hoher Mehrwert Hoher Anteil der Besucher wird zu Kunden. 1 2 3 Das ideale Keyword
  33. 33. 33 Aber ich mag doch/verkauf doch keinen Fisch
  34. 34. 34cc www.flickr.com/base10/ Aber ich mag keinen Fisch! Keiner bestellt Fisch
  35. 35. Suchbegriff & Passender Inhalt 35 Wo die Magie passiert MAGIE Suchbegriff Zeigt Informationsbedürfnis des Nutzer auf. Fakten, Konsum, Unterhaltung, Format, Ort, Zeit etc. Passender Inhalt Deckt Informations– Unterhaltungs- Konsumbedürfnis des Nutzers
  36. 36. 36 Kreative Inhalte/Lösungen - wo immer möglich
  37. 37. 37 Kreative Inhalte/Lösungen - wo immer möglich
  38. 38. 38 Der Mensch-Faktor cc www.flickr.com/base10/
  39. 39. 39 http://en.wikipedia.org/wiki/Ebbinghaus_illusion
  40. 40. Firmeneinträge, Local SERP Qualität? 40 Empfundene versus “berechnete” Relevanz
  41. 41. Firmeneinträge, SERP Qualität? 41 Empfundene versus berechnete Relevanz Suchbegriff: Abakus
  42. 42. Firmeneinträge, Local SERP Qualität? 42 Empfundene versus “berechnete” Relevanz
  43. 43. 43 Die erhobenen Daten, werden als Seed Sets für Machine Learning Algorithmen verwendet Frei zugängliche Beispiel Seed Sets http://archive.ics.uci.edu/ml/
  44. 44. Firmeneinträge, SERP Qualität? 44 Machine-Learning Algorithmen – Basis ist in der Regel ein Seed-Set von Daten mit hoher Qualität Seed Set
  45. 45. 45 Die Erde ist (k)eine Scheibe. “Bei Google bin Ich ja schon drin”
  46. 46. Firmeneinträge (Citations) 46 ‣ Firma in relevante Verzeichnisse eintragen • Identische Daten • Vollständig • Professionelle Bilder • Treffende Kategorie & Suchbegriffe Brancheneinträge Citations Erst über viele Fundstellen entsteht Trust = Besseres Ranking
  47. 47. Firmeneinträge (Citations) 47 Erst über viele Fundstellen mit identischem Inhalt entsteht Trust https://www.google.de/search?q=Firma+Name+Stadt+Telefonnummer
  48. 48. Firmeneinträge,Citations, Kommentare 48 Erst über viele Fundstellen mit identischem Inhalt entsteht Trust https://www.google.de/search?q=Firma+Name+Stadt+”Telefonnummer”
  49. 49. Firmeneinträge,Citations, Kommentare 49 Wer nicht wagt/fragt der nicht gewinnt – "Empfehlen Sie uns gerne weiter" Restaurant DREIGUThttp://blog.kennstdueinen.de/
  50. 50. 50 Wo sollte/muss ich gelistet sein?
  51. 51. Firmeneinträge,Citations, Kommentare 51 Ypeas Scanner analysiert Datensätze der top Player im Markt http://bit.ly/13bpDSt
  52. 52. Firmeneinträge,Citations, Kommentare 52 Auf der Scanergerbnisseite Player Detailansicht (www.ypeas.com/)
  53. 53. 53 Citations finden Suchmaschinen nicht nur in Branchenbüchern
  54. 54. Citations aus dem Web 54 Bewertungen / Reviews Viele Quellen – mit unterschiedlichem Trust ‣ Diverse Quellen • Bewertungen in Branchenverzeichnissen • Blogposts & Diverse Websites / Location extraction • Kalendereinträge • Anrufe / 0800 / USA
  55. 55. 55 Citations interpretieren & Bewerten
  56. 56. Kommentare aus dem Web 56 Bewertungen / Reviews Semantische Sentimentanalyse ‣ 114 Bewertungen will keiner lesen ‣ Bing sagt dazu • Bing categorizes the common themes in user reviews so you can quickly see strengths and weaknesses and then decide what's important. http://de.wikipedia.org/wiki/Sentiment_Detection
  57. 57. Kommentare aus dem Web 57 Bewertungen / Reviews Semantische Sentimentanalyse ‣ Sentiment „The food was fantastic, so we had to wait very long for the service. The Calzones were heavenly, the pasta however was overdone and tasted stale.“ http://de.wikipedia.org/wiki/Sentiment_Detection
  58. 58. 58 Citations “Mülltrennung”
  59. 59. 59 ‣ Junk Analyse von Texten (Wert 0-265) JUNK Einstufung – Im folgenden beispielhaft ein mehrstufiger Filter & drei entsprechende Penalties bei niedrigen Scores ‣ > 78 Sterne Wertung wird ignoriert ‣ > 99 Sentiment zu typischen Eigenschaften werden ignoriert ‣ > 172 Die Bewertung wird ignoriert (sie bleibt aber in der Regel im Index und wird weiter angezeigt) ‣ Unschärfen bei Ironie, Slang, Dialekt etc. ‣ Basis für Score sind u.A. bekannte linguistische Methoden, wie z.B. die Reading Level Analyse http://en.wikipedia.org/wiki/Flesch%E2%80%93Kincaid_readability_test Den Reading Level Analyse finden Sie z.B: als Funbktion bei MS Word
  60. 60. 60 Feynman's Restaurant Problem www.feynmanlectures.info/exercises/Feynmans_restaurant_problem.html
  61. 61. 61 D = √2(M+1) - 1 Richard Feynman und Ralph Leighton hatten das Problem wenn Sie ins Restaurant gingen, zu entscheiden, ob Sie das Gericht bestellen sollten, das Ihnen bis jetzt am besten geschmeckt hat oder etwas neues zu probieren.
  62. 62. 62 Feynman's restaurant problem www.feynmanlectures.info/exercises/Feynmans_restaurant_problem.html The goal is to maximize the average total ratings of the dishes/listings you display/eat in M searches/meals (where M is less than or equal to N). D = √2(M+1) - 1
  63. 63. 63 Suchmaschinen “rotieren” Ergebnisse. So können Sie “lernen” ob dem Nutzer Gericht/Resultat 12 ggf. doch besser mundet als Gericht/Resultat 1
  64. 64. Nochmal zum Mitschreiben 64 Eine Vorher vs. Nachher Betrachtung Basics Suchbegriffe Suchergebnis- Analyse Konkurrenz- Analyse Aus dem Bauch – Ich kenne meine Firma/Kunden am besten Der Mensch Faktor Nach der Recherche – “Des häd I nia glaubt, auf was für Sachen die kommen” Firmeneinträge Citations Aus der subjektiven Erinnerung – die Ergebnisseiten sind (fast) immer gleich. Die Suchmaschine – “reagiert” auf Signale wie Ortsnamen oder IP- Adressen – mit speziellen Inhalten. Aus dem Bauch - Der Huber ist und bleibt ein Idiot. “Schau na o den Hund” der fragt jeden Kunden nach einem Kommentar. Google rechnet doch alles aus mit deren Algorithmen Gerade im Local Search Umfeld nutzen Suchmaschinen menschliche Reviews als “Lern-Futter” für die Algorithmen. Bei Google bin ich drin, also passt doch alles? Seit alle Einträge und alle Daten aktuell sind, findet man uns nicht nur weiter oben sondern auch überall Vorher Nachher
  65. 65. 65 @babasave frank@valopex.com www.valopex.com FrankFuchs

×