SlideShare ist ein Scribd-Unternehmen logo
1 von 23
CRO ProzessemitData Mining optimieren Laurent Müllender Director Traffic Monetization 1. September 2011
Sedo GmbH © Sedo, 2011 2 ,[object Object]
Gegründet in 2001
Niederlassungen in Deutschland (Köln), UK (London) & USA (Boston)
150 Mitarbeiter aus mehr als 30 Nationen
Tochterfirma der Sedo Holding AG im Verbund der United Internet AG
Weltweit größter Marktplatz für Domain Namen
14 Millionen Domains zum Verkauf
6,5 Millionen Domains bei Sedo geparkt zur Monetarisierung
1 Million Kunden weltweit
Awards: Domain Name Wire Survey Winner 2007-2009, Webhost Directory Award, Domainers Choice Award 2008, Ernst & Young Entrepreneur des Jahres 2007
In House Secure Transfer/Escrow Team,[object Object]
Key elements & Tools © Sedo, 2011 4
Siekennen die Tools, die best practices, Siebeherrschen das Testen/Optimierenaber… © Sedo, 2011 5 ,[object Object]
Erkennen Sie die wirklichen Schwachstellen?
Wer die Schwächen kennt, der kennt noch lange nicht den Grund!
Viele Tests scheitern weil statistisch nicht relevant.Ruleofthumb: nichts testen was nicht mindestens 10% erhoffte Verbesserung bringt
Erfolgreich getestete Effekte/Verbesserungen verwässern oder lassen sich nach roll out nicht mehr beobachten. Testbed != LiveOftmals weil man den Grund und die Wechselwirkungen nicht kannte.
Viele Optimierungspotentiale bleiben unerkannt.
„ 5 von 6 Tests scheitern. Es ist also wirklich noch viel zu verbessern da draußen. Durch Ausprobieren wird man kein CRO-Champion – es geht darum, die richtigen Hypothesen zu entwickeln“Jos Meijerhof, PM Conversion & Usability, Google Deutschland, Conversion Camp 2010,[object Object]
KlassischeIdentifikation von Testhypothesen: © Sedo, 2011 7 ,[object Object],   Aber ist es auch das Richtige?
NutzenSie das ganze Potential ihrerDaten? © Sedo, 2011 8  Um wirklich die Prozesse zu verstehen und somit die richtigen Hypothesen zu finden, müssen Sie Ihren Datenschatz erkennen und nutzen.
Was wärewenn … © Sedo, 2011 9 ,[object Object]

Weitere ähnliche Inhalte

Andere mochten auch

Dzīvības rašanās un attīstība
Dzīvības rašanās un attīstībaDzīvības rašanās un attīstība
Dzīvības rašanās un attīstība
Andris Ziemelis
 
How telecom industry realte with IoT as a new area of business- TDC a case study
How telecom industry realte with IoT as a new area of business- TDC a case studyHow telecom industry realte with IoT as a new area of business- TDC a case study
How telecom industry realte with IoT as a new area of business- TDC a case study
Md. Kamrul Islam
 

Andere mochten auch (15)

Customer Journey
Customer JourneyCustomer Journey
Customer Journey
 
Customer Journey in der Praxis - Nice to Know oder Actionable Insights
Customer Journey in der Praxis - Nice to Know oder Actionable InsightsCustomer Journey in der Praxis - Nice to Know oder Actionable Insights
Customer Journey in der Praxis - Nice to Know oder Actionable Insights
 
Future of telecom in the era of Internet of Things
Future of telecom in the era of Internet of ThingsFuture of telecom in the era of Internet of Things
Future of telecom in the era of Internet of Things
 
Trabalho final projeto vídeo coletivo sobre ética na prática profissional
Trabalho final  projeto vídeo coletivo sobre ética na prática profissionalTrabalho final  projeto vídeo coletivo sobre ética na prática profissional
Trabalho final projeto vídeo coletivo sobre ética na prática profissional
 
IoT-Where is the Money? - Chandrashekar Raman, Engagement Manager, IoT Strate...
IoT-Where is the Money? - Chandrashekar Raman, Engagement Manager, IoT Strate...IoT-Where is the Money? - Chandrashekar Raman, Engagement Manager, IoT Strate...
IoT-Where is the Money? - Chandrashekar Raman, Engagement Manager, IoT Strate...
 
Dzīvības rašanās un attīstība
Dzīvības rašanās un attīstībaDzīvības rašanās un attīstība
Dzīvības rašanās un attīstība
 
Vida de la madre María de las Mercedes Fundadora APG
Vida  de la madre María de las Mercedes Fundadora APG Vida  de la madre María de las Mercedes Fundadora APG
Vida de la madre María de las Mercedes Fundadora APG
 
Nutzer, Silos, KPIs und Momente der Wahrheit - Customer Journey Mapping im Pr...
Nutzer, Silos, KPIs und Momente der Wahrheit - Customer Journey Mapping im Pr...Nutzer, Silos, KPIs und Momente der Wahrheit - Customer Journey Mapping im Pr...
Nutzer, Silos, KPIs und Momente der Wahrheit - Customer Journey Mapping im Pr...
 
Telecoms operators approaches to M2M and IoT
Telecoms operators approaches to M2M and IoTTelecoms operators approaches to M2M and IoT
Telecoms operators approaches to M2M and IoT
 
Day 3: ¿Cómo transformar su portal Chamilo LMS en tienda on-line colaborativa?
Day 3: ¿Cómo transformar su portal Chamilo LMS en tienda on-line colaborativa? Day 3: ¿Cómo transformar su portal Chamilo LMS en tienda on-line colaborativa?
Day 3: ¿Cómo transformar su portal Chamilo LMS en tienda on-line colaborativa?
 
How telecom industry realte with IoT as a new area of business- TDC a case study
How telecom industry realte with IoT as a new area of business- TDC a case studyHow telecom industry realte with IoT as a new area of business- TDC a case study
How telecom industry realte with IoT as a new area of business- TDC a case study
 
IOT strategies for telecom operators
IOT strategies for telecom operatorsIOT strategies for telecom operators
IOT strategies for telecom operators
 
Nodokļu aspekti: vai viegli būt labam darba devējam?
Nodokļu aspekti: vai viegli būt labam darba devējam?Nodokļu aspekti: vai viegli būt labam darba devējam?
Nodokļu aspekti: vai viegli būt labam darba devējam?
 
Transporta nodrošināšana darbiniekiem
Transporta nodrošināšana darbiniekiemTransporta nodrošināšana darbiniekiem
Transporta nodrošināšana darbiniekiem
 
Planeación didáctica
Planeación didácticaPlaneación didáctica
Planeación didáctica
 

Ähnlich wie CRO Prozesse mit Data Mining Optimieren

Historisierung und Analyse von Daten aus Oracle Enterprise Manager Cloud Cont...
Historisierung und Analyse von Daten aus Oracle Enterprise Manager Cloud Cont...Historisierung und Analyse von Daten aus Oracle Enterprise Manager Cloud Cont...
Historisierung und Analyse von Daten aus Oracle Enterprise Manager Cloud Cont...
OPITZ CONSULTING Deutschland
 
Der Einsatz von Process Mining Techniken in Revision und Compliance
Der Einsatz von Process Mining Techniken in Revision und ComplianceDer Einsatz von Process Mining Techniken in Revision und Compliance
Der Einsatz von Process Mining Techniken in Revision und Compliance
ProcessGold AG
 

Ähnlich wie CRO Prozesse mit Data Mining Optimieren (20)

Analytics für Einsteiger
Analytics für EinsteigerAnalytics für Einsteiger
Analytics für Einsteiger
 
Big Data - einfach erklärt!
Big Data - einfach erklärt!Big Data - einfach erklärt!
Big Data - einfach erklärt!
 
Big Data Discovery + Analytics = Datengetriebene Innovation!
Big Data Discovery + Analytics = Datengetriebene Innovation!Big Data Discovery + Analytics = Datengetriebene Innovation!
Big Data Discovery + Analytics = Datengetriebene Innovation!
 
Big data trend oder hype slideshare
Big data   trend oder hype slideshareBig data   trend oder hype slideshare
Big data trend oder hype slideshare
 
Sabine Bühn, Bernd Aschauer (Aschauer IT & Business)
Sabine Bühn, Bernd Aschauer (Aschauer IT & Business)Sabine Bühn, Bernd Aschauer (Aschauer IT & Business)
Sabine Bühn, Bernd Aschauer (Aschauer IT & Business)
 
Der Wert von Daten in Zeiten von "Big Data"
Der Wert von Daten in Zeiten von "Big Data"Der Wert von Daten in Zeiten von "Big Data"
Der Wert von Daten in Zeiten von "Big Data"
 
DMN - Was gibt es da zu Entscheiden?
DMN - Was gibt es da zu Entscheiden?DMN - Was gibt es da zu Entscheiden?
DMN - Was gibt es da zu Entscheiden?
 
Historisierung und Analyse von Daten aus Oracle Enterprise Manager Cloud Cont...
Historisierung und Analyse von Daten aus Oracle Enterprise Manager Cloud Cont...Historisierung und Analyse von Daten aus Oracle Enterprise Manager Cloud Cont...
Historisierung und Analyse von Daten aus Oracle Enterprise Manager Cloud Cont...
 
SDIC'16 - Best Practices für Smart Data Projekte
SDIC'16 - Best Practices für Smart Data ProjekteSDIC'16 - Best Practices für Smart Data Projekte
SDIC'16 - Best Practices für Smart Data Projekte
 
Data Science: Gold schürfen im modernen Marketing
Data Science: Gold schürfen im modernen MarketingData Science: Gold schürfen im modernen Marketing
Data Science: Gold schürfen im modernen Marketing
 
02 DoE Auswahl der Faktoren
02  DoE Auswahl der Faktoren 02  DoE Auswahl der Faktoren
02 DoE Auswahl der Faktoren
 
Data Science - (K)eine Teenagerliebe
Data Science - (K)eine TeenagerliebeData Science - (K)eine Teenagerliebe
Data Science - (K)eine Teenagerliebe
 
BOTs (RoBOTs) & Advanced Analytics im Strat. Einkauf
BOTs (RoBOTs) & Advanced Analytics im Strat. EinkaufBOTs (RoBOTs) & Advanced Analytics im Strat. Einkauf
BOTs (RoBOTs) & Advanced Analytics im Strat. Einkauf
 
Dr. Clemens Wagner-Bruschek, ERP (d-fine Austria)
Dr. Clemens Wagner-Bruschek, ERP (d-fine Austria)Dr. Clemens Wagner-Bruschek, ERP (d-fine Austria)
Dr. Clemens Wagner-Bruschek, ERP (d-fine Austria)
 
TFF2023 - Navigating Tourism Data Nexus
TFF2023 - Navigating Tourism Data NexusTFF2023 - Navigating Tourism Data Nexus
TFF2023 - Navigating Tourism Data Nexus
 
Der Einsatz von Process Mining Techniken in Revision und Compliance
Der Einsatz von Process Mining Techniken in Revision und ComplianceDer Einsatz von Process Mining Techniken in Revision und Compliance
Der Einsatz von Process Mining Techniken in Revision und Compliance
 
ODAaaS – Open Data Analytics as a Service
ODAaaS – Open Data Analytics as a ServiceODAaaS – Open Data Analytics as a Service
ODAaaS – Open Data Analytics as a Service
 
Vwo webinar
Vwo webinar Vwo webinar
Vwo webinar
 
Datenanalyse in der Praxis
Datenanalyse in der PraxisDatenanalyse in der Praxis
Datenanalyse in der Praxis
 
Do you know what k-Means? Cluster-Analysen
Do you know what k-Means? Cluster-Analysen Do you know what k-Means? Cluster-Analysen
Do you know what k-Means? Cluster-Analysen
 

CRO Prozesse mit Data Mining Optimieren

  • 1. CRO ProzessemitData Mining optimieren Laurent Müllender Director Traffic Monetization 1. September 2011
  • 2.
  • 4. Niederlassungen in Deutschland (Köln), UK (London) & USA (Boston)
  • 5. 150 Mitarbeiter aus mehr als 30 Nationen
  • 6. Tochterfirma der Sedo Holding AG im Verbund der United Internet AG
  • 7. Weltweit größter Marktplatz für Domain Namen
  • 8. 14 Millionen Domains zum Verkauf
  • 9. 6,5 Millionen Domains bei Sedo geparkt zur Monetarisierung
  • 10. 1 Million Kunden weltweit
  • 11. Awards: Domain Name Wire Survey Winner 2007-2009, Webhost Directory Award, Domainers Choice Award 2008, Ernst & Young Entrepreneur des Jahres 2007
  • 12.
  • 13. Key elements & Tools © Sedo, 2011 4
  • 14.
  • 15. Erkennen Sie die wirklichen Schwachstellen?
  • 16. Wer die Schwächen kennt, der kennt noch lange nicht den Grund!
  • 17. Viele Tests scheitern weil statistisch nicht relevant.Ruleofthumb: nichts testen was nicht mindestens 10% erhoffte Verbesserung bringt
  • 18. Erfolgreich getestete Effekte/Verbesserungen verwässern oder lassen sich nach roll out nicht mehr beobachten. Testbed != LiveOftmals weil man den Grund und die Wechselwirkungen nicht kannte.
  • 20.
  • 21.
  • 22. NutzenSie das ganze Potential ihrerDaten? © Sedo, 2011 8  Um wirklich die Prozesse zu verstehen und somit die richtigen Hypothesen zu finden, müssen Sie Ihren Datenschatz erkennen und nutzen.
  • 23.
  • 24.
  • 25. Verwendete Data Mining Algorithmen © Sedo, 2011 11 Klassifikationen (Prädiktiv)= Zuweisung von ElementenzubestehendenKlassen (“supervised learning”). VoraussageeinerVariabelbasierend auf den Attributen des Datensets.Beispiel: Identifizierung von Handwerker-Käufern (Variabel) mittels Attribute des Kaufverhaltens (Views, Clicks, Marken, Uhrzeit, AOV, Zahlungsmodell,…) Regressionsanalysen (Prädiktiv)= Ermittlung von Beziehungenzwischen (un)abhängigenVariabeln/Attributen, das Finden des bestenerklärendenModells.Beispiele: Cart Optimierungen, Erklärung von Ergebnissen, KorrelationenzwischenElementen, Umsatz-/Verkaufsvorhersagen,…
  • 26. Verwendete Data Mining Algorithmen © Sedo, 2011 12 Cluster Analysis (Ursachen)=(Neue) Strukturierung von ähnlichenElementen, Mustererkennungen in DatensätzenohneStrukturwissen (“unsupervised learning”)Beispiele: Kundensegmentebilden, Click Verhalten, Kaufverhalten, Kampagnenerfolge, Targeting, Niche/Market Identifikationen Anomaly Detection (Ursachen)=Math VerfahrenzurPrüfung von Datensätzen, Erkennen von SchwachpunktenoderungewöhnlichenWerten.  MessfehleroderunerwartetesErgebnis?Beispiele: Prüfung von Tests & Hypothesen, Verbesserung der Datensätze, Fraud detection Assoziationen= A zieht B nachsich. “WereinSpielzeugkauft, kauftauch in 20% der FälleBatterien” “Funnel Weg X führtzu Y”Beispiele: Sequenz/Funnel Analysen, Vorhersagen von Verkäufen, Warenkorbanalysen, Crossmarketing, Pricing. Oft erstaunlicheResultate!
  • 27. Data Mining Prozess © Sedo, 2011 13 CRISP (Cross-Industry Standard Process for data mining) DMAIC (Six-Sigma) SEMMA (SAS Institute) Definieren (Define) Verständnis der Daten Stichprobe (Sample) Sachver-ständnis Messen (Measure) Datenexplo-ration (Explore) Datenaufbe-reitung Modellierung Analysieren (Analyze) Modifikation (Modify) Evaluation Verbessern (Improve) Modellbildung (Model) Deployment Steuern (Control) Beurteilung (Assess)
  • 29.
  • 31.
  • 32.
  • 33.
  • 34. Erklärung von Spam / Fraud © Sedo, 2011 19 Identifikationeines stark erklärendenPrädiktorsfür Spam/Fraud! DieserPrädiktorist in jedem Shop wiederzufinden (Werte und Prädiktorunkenntlichgemacht)
  • 35. Data Mining imUnternehmeneinführen © Sedo, 2011 20 DM istwie CRO ein Mindset was eingeführtwerden muss. Esbedarfeinesreellencommitments. DM istforschen und ResultatekönnenimVorfeldnichtsichersein. DM wie CRO: hohe potentielle Verbesserungsraten. DM unterstützt wesentlich CRO durch Validierung der Resultate, Hebelidentifikation und Hypothesenbildung Hoher ROI, Investitionen in der Regel schnell amortisiert durch den gelieferten Output.
  • 36. Data Mining NutzenimUnternehmen © Sedo, 2011 21  Je nachGröße und Organisationfindet Data Mining in vielenBereichenAnwendung
  • 37. Data Mining: Anbieter © Sedo, 2011 22 SPSS (Modeler) SAS Enterprise Miner Statistica Data Miner KNIME (OS) RapidMiner Einzellösungen(Marketing Engineering, Cluster 3.0, S+SpatialStats,…) Bedarf und Budget ermitteln Kompetenzenprüfen.
  • 38. Schlusswort © Sedo, 2011 23 Business Analyse / DM als fester Bestandteil des CRO Prozesses. VersuchenSieimmerzuerklären WARUM etwas so istwieesistansonstentesten und optimierenSie blind. SchaffenSiesich die Tools und das Know How um Hebelzuidentifizieren. Ermöglichen und nutzenSie das volle Potential allerIhrerDaten InvestierenSie in Business Analyse!