Die Zukunft von Marketing liegt in der Nutzung von Rohdaten: Ein Streifzug durch die Nutzung der Marketing Daten in BigQuery, Machine-Learning Cases, was die künftige Ads Data Hub bringt und wie mit CRM-Verknüpfung Prediction und Personalisierung geschafft wird.

1. Seite 1
Enterprise Ausblick
CRM, Machine Learning
& Cloud
Köln, 27.6.2019

2. Seite 2
Siegfried Stepke
Owner, CEO & Principal Consultant
Siegfried
eigenes Profil herausfinden unter https://adssettings.google.com/
Das sind geniale, wertvolle Profildaten!
Aber nicht nur Google (aus Sicht des
Advertisers eine 3rd Party) sollte diese
haben, sondern auch SIE als Advertiser
selbst über Ihre Kunden = 1. Party Daten
und Insights ⇨ actionable

3. Seite 3
Warum
überhaupt?
Ein Case mit Globus

4. Seite 4
Globus Case:
With the help of fullstack GMP and CRM data, e-dialog
developed a holistic campaign management &
personalisation workflow along the customer journey from
targeting over bidding to dynamic creatives.
CRM integration triggers specific actions based on offline
signals thus enabling an omnichannel approach. Combined
with attribution modeling they achieved an increase in
transactions by 214%.
With the help of fullstack GMP and CRM data, e-dialog
developed a holistic campaign management &
personalisation workflow along the customer journey from
targeting over bidding to dynamic creatives.
CRM integration triggers specific actions based on offline
signals thus enabling an omnichannel approach. Combined
with attribution modeling they achieved an increase in
transactions by 214%.
fullstack GMP CRM data,
holistic campaign management
personalisation along the customer journey
targeting bidding dynamic creatives.
specific actions offline
signals omnichannel approach.
attribution modeling increase in
transactions by 214%.

5. Seite 5
Ergebnis: große Vielfalt, höchste Präzision
Umsatzsteigerung um 160%
Steigerung der E-Commerce
Conversion-Rate um 38%
Um 214% mehr Transaktionen
Um 129% mehr Sitzungen

6. Seite 6
Anbindung von CRM Daten mit Analytics
→ Verfeinerung im Retargeting
CRM
Audiences
Kunden-Status
Alter
Geschlecht
Churn
ZielgruppenGA
360
DV
360
O
360
SA
360

7. Seite 7
Globus - dynamische Werbemittel
automatisierte dynamische Werbemittel basierend auf GMP+CRM Daten
relevante User-Ansprache aufgrund von 2500 Bannervariationen
einmaliges, nachhaltiges Setup - OHNE laufende Kosten
extreme Kostenersparnis bei der Werbemittelerstellung
wie funktioniert das….

8. Seite 8
Feeds - Creative content Targeting signals
Studio
Campaign Manager
Onsite Assets
- 300+ categories with
one teaser
- text in English and
German
Onsite User behavior
- visited categories
- Phase in the buying
process
300 Sujets x 4 formats x 2 languages
= 2.500 HTML5-banner
Merchant Centre Feeds

9. Seite 9
Wenn man das herkömmlich machen würde...
2.500 HTML5-Creatives x 100 EUR= 250.000 EUR
2.500 Buchungszeilen für 300 Audiences = ?
Laufende Aktualisierung und Wartung = ?
Mit Google Studio in Kombi mit full stack:
● Eine Kostenersparnis von mind. 85% beim Setup
● keine zusätzlichen Kosten für die Wartung
● Fokus auf Performance Optimierung
extreme Kosten →
zahlt sich nicht aus

10. Seite 10
Werbemittel Personalisierung par Excellence
1. View 3. Visit add2cart
+ individual Products
Infusion from
Recommendation-
Engine
frequent buyer
+ Storytelling:
Abwechslung von
- Produkt 50.000
- Kategorie 2.500
- Brand 20

11. Seite 11
Audience-fokussiertes Targeting & Bidding
Funnelstrategie mit KPIs Audience Management Optimierung & Analyse
DV360 (DSP)GA360 (DMP)Off & On Site Signale
Frequency
Cap
Creatives
Bidding
StrategyTargeting
Goal / KPI

12. Seite 12
Im Detail zb (Auszug):
kein Klick
AudiencePoolsentlangderConsumerJourney
Klick
Klick + Bounce
Klick
Klick + Bounce
Klick
...
...
...
Klick + Bounce
...
Klick
GLOBUS
Onlineshop
Onlineshop
Kauf
surft
Nach dem 3. Bounce innerhalb von
einer Woche wird der User für 4
Wochen vom Targeting
ausgeschlossen → spart Budget und
minimiert Störungseffekt.
Onlineshop
Cross-/Up-
Selling

13. Seite 13
Das Programmatische Versprechen:
Jeden User zur richtigen Zeit mit der
richtigen Botschaft, im richtigen
Kanal, zum richtigen Preis, ...

14. Seite 14
Customer purchase funnel & Targeting
Awareness
Consideration
Evaluation
Purchase
Advocacy
Demographic &
Context
Affinity
In-market Segments /
Similar Audiences
advanced
Remarketing
3rd & 2nd
party data
1st party
data

15. Seite 15
User zentriertes Targeting
• Demographie, Interessen,
Verhalten
• 1st, 2nd und 3rd-Party Daten
Kontextuelles Targeting
User-Targeting, im richtigen
Moment, im richtigen Kontext

16. Seite 16
Stammkunde
Churn
Probability
Wiederkehrender
Kunde
Neukunde
User-Signale = 1st Party Daten
männlich
singlePop-Musik
27 Jahre
Graz
Auto
vegane Küche
Game of Thrones
Stammkunde
Churn
Probability
Wiederkehrender
Kunde
Neukunde
Lifecycle Signale
einbeziehen!

17. Seite 17
Das Targeting Cockpit: Datenquellen
● 1st Party Daten
○ Pixel
○ Import (User Lists)
○ DMP, API, CRM
● 3rd Party Daten
● Kampagnen-Interaktion
○ zb 50% vom Video gesehen
○ Banner A geclicked
via Regeln und Machine Learning berechnete Zielgruppen und Gebote

18. Seite 18
100 Millisekunden
Der RTB Bidding Prozess - vereinfacht
Wenn ich im Moment der
Bidding-Entscheidung
mehr und bessere Daten
über den User habe, kann
ich besser entscheiden, ob
ich biete, zu welchem
Preis, und WAS ich
ausspiele!
100 ms
1. User besucht Website
2. Impression wird
announced
3. Anzeige-Möglichkeit
wird evaluiert und
Bid-Entscheidung getroffen
4. Auktion
5. Sieger-
Anzeige wird
ausgeliefert

19. Seite 20
Was braucht’s dazu?
Daten/Signale Systeme Menschen
mit Know-How, die
Strategien entwickeln und
die Systeme bedienen
● Adserver
● Targeting & Bidding (DSP)
● Analytics
● CRM
● Rohdaten
...
● Advertising
● Userverhalten/Webanalyse
● Backend-/Offline-Daten
● 3P-Daten
in Rohform - nicht
aggregiert und
abgekapselt
rasch, (near) Realtime
Data Ownership durch
eigene Lizenz
nicht die der Agentur!
Einhaltung der DSGVO
→ Consent oder
berechtigtes Interesse

20. Seite 21
Rohdaten - Fundament einer Datenstrategie
● Analytics aggregiert Daten (fasst sie zusammen)
● Rohdaten sind Voraussetzung für Machine Learning
● Google exportiert die Analytics Rohdaten nach
BigQuery
Ohne Rohdaten bringen die besten Algorithmen nichts!

21. Seite 22
● größere Datenmengen
● schneller und besser
● analysieren/entscheiden
● und: Neues entdecken!
Aber: schlechte Daten und schlechtes
Training ➞ schlechtes Ergebnis

22. Seite 23
Machine Learning

23. Seite 24
Risk Modeling Upselling
Market Basket
Analytics
Sentiment
analysis
Predicting flight
delay
Self driving cars
Disease
prediction
Fraud & risk
detection
Churn
prediction
Marketing Mix
Analysis
Digital marketing
Dynamic
pricing
Pilotless aircrafts,
drones
Medication
effectiveness
Customer
Segmentation
Cross selling
Product Pricing
Sales/Discount
offering
Recommendation
system
Quality Assurance
Claim prediction
Predicting
lifetime value
of customer
Demand
forecasting
Customers/
products
Segmentation
Targeting &
Bidding
Product
bundling
Creative
optimization
Wo kann man AI überall nutzen (Auszug)
Credit &
Insurance
Marketing Sales
Social
Media
Travel Automation Healthcare

24. Seite 25
Recommendation

25. Seite 26
Recommendation Systeme - Beispiele

26. Seite 27
Recommendation Systeme - Beispiele

27. Seite 28
Recommendation System-Typen
Collaborative Filtering Knowledge-BasedContent-Based
Recommendation Systems
Hybrid

28. Seite 29
“Unser” Machine Learning Stack: GCP
CRM Verzeichnis
Aufträge Comments
Erheben Transformieren Berechnen Visualisieren Aktivieren
öffentliche Quellen
1st & 3rd-party-Daten,
inkl. anderer Ad Plattformen
BigQuery
Storage
Cloud
Dataprep
Cloud
Dataflow
BigQuery
Compute
Cloud
Natural
Language
3rd party
APIs
Cloud
Datalab
Cloud ML
Engine
Data
Studio
Data Scientists
Business Analysten
Executives
BQ DTS
Export
Partner
Konnektoren
Machine
Learning
Marketing
mittels
personalisiertem
ML
Ads Data Hub

29. Seite 30
Projektphasen & Zeitplan am Bsp Reco
Konzept, saubere Daten & Steuerung

30. Seite 31
Machine Learning Workflow
Data Ingestion
Test
Data
Data
Cleansing/
Transformation
Model
Testing
Model
Training/
Building
Model
Deployment
User
Train/Test Loop
Model Feedback Loop

31. Seite 32
Personalisierung

32. Seite 33
Warum überhaupt personalisieren?
74%
der User sind von
nicht relevanten
Inhalten frustriert
(Janrain & Harris Interactive)
segmentierte
Online Experiences
erzielen 3 x mehr
Umsatz
(Qubit)
81 %
der Marketer sehen
positive Effekte durch
Personalisierung
(DemandGen)

33. Seite 34
Warum wird’s nicht gemacht?
Die häufigsten Gründe warum
Personalisierung nicht umgesetzt wird:
● Complexity of systems (50%)
● Access to real-time data (46%)
● Data privacy issues (45%)
(Quelle: Neolane & DMA)
“Only 9% of
companies across
the globe
currently have
personalization
baked into their
business
strategy.”
(dynamicyield)

34. Seite 35
Die Ebenen der Personalisierung
Targeting
Welche Audience(s) will
ich erreichen?
Trafficking &
Dynamic Creative
Welche Anzeige & welche
Botschaft(en) werden
ausgespielt?
Onsite Experience
Welcher Content &
welches Layout werden
verwendet?
Die Individualisierung sollte in den
Kampagnen & auf der Website
umgesetzt werden!

35. Seite 36
Wonach personalisieren? (Daten & Signale)
Ad & Kampagne
Tag
Juli
Uhrzeit
GeografieKundenstatus
Interessen
… & allen Daten, die wir sonst noch individuell sammeln.
besuchte Seiten

36. Seite 37
Case: Wohnungsanbieter

37. Seite 38
Vorteile
● zentrale Lage
● Stadtzentrum in Gehweite
● aufstrebendes Viertel
● Smart Living
● viele Grünfläche in der Nähe
● hauseigener Fitnessraum
● Indoor-Waschplatz für Hunde
● eigener Garten
● E-Carsharing
● Digital Concierge
● attraktive Verkehrsanbindung
● …...
Audiences
Pet
Lovers
Fitness
Enthusiasts
Green
Living
Anleger

38. Seite 39
Vorteile & Audiences - z.B. Pet Lovers
● zentrale Lage
● Stadtzentrum in Gehweite
● aufstrebendes Viertel
● Smart Living
● viele Grünfläche in der Nähe
● hauseigener Fitnessraum
● Indoor-Waschplatz für Hunde
● eigener Garten
● E-Carsharing
● Digital Concierge
● attraktive Verkehrsanbindung
● …...
Pet Lovers

39. Seite 40
statisch
dynamische Elemente
Bsp. Werbemittel-Personalisierung
Fitness EnthusiastsPet Lovers Anleger
Bild
Headline
CTA
Logo
Frame 1
Subline
Waschplatz
im Wohnhaus
Saubere Pfoten in
der Wohnung
Smarte
Vorsorge
in bester Lage
Hauseigener
Fitnessraum
mit Grünblick
und WLAN

40. Seite 41
Bsp. Website
Personalisierung
z.B. Anpassung von
Header & Vorteilen
auf der Landingpage

41. Seite 42
Praxisbeispiele

42. Seite 43
Wie verkauft man -Jüngern -Phones? So:
● AI bildet automatisch
MICRO-Cluster nach selbst
erkannten Attributen!
● Alle bekommen optimale
Botschaft!
Völlig neutral! Keine
- Präferenzen
- vorgefertigten Meinungen/Voreingenommenheit
- Beurteilung
= “unmenschlich” ⇒ dadurch auch überlegen!

43. Seite 44
Publisher Case: Onsite Reco
Customer Web
Application
Google
Analytics
Orchestration
---------------
Cloud Composer
Google Analytics
---------------
Big Query
ML Data
---------------
Cloud Storage
Model Training
---------------
Cloud ML
---------------
Mobile/Tablet
Client
Training/Model FilesDatabase
server
Rec API
---------------
App Engine
Cloud Endpoints---------------
Browser Client
Application
server
Web
server

44. Seite 45
Architektur für Off-Site Personalisierung
Campaign
Manager
Google
Analytics
Orchestrierung
---------------
Cloud Composer
Google Analytics
---------------
Big Query
ML Data
---------------
Cloud Storage
Model Training
---------------
Cloud ML
Training/Model FilesDV360
CM & DV360
API
---------------
Users, Produkte,
Targeting &
Bidding

45. Seite 46
Next Level:
BigQuery ML
& Ads Data Hub

46. Seite 47
BigQuery ML
● Machine Learning direkt in BigQuery
● Erstellen und modifizieren von Models direkt in
BigQuery
○ Eliminierung der Notwendigkeit von Datenverschiebungen
○ Keine Model Programmierung - alles direkt mit SQL
○ SQL Befehl: CREATE MODEL
○ Quotas und Kosten sind identisch wie bei der Nutzung von
BigQuery
○

47. Seite 48
CLV, RFM, Churn, … als eigene Targeting- &
Bidding-Signale
Customer Lifetime Value Prediction, Recency-Frequency-Monetary Modell, Churn-Prediction…
Nur: Wie berechnen?
Supported models in BigQuery ML
● Linear regression for forecasting; for example, the sales of an item on a given day.
● Binary logistic regression for classification; for example, determining whether a customer
will make a purchase. (Prediction)
● Multiclass logistic regression for classification. These models can be used to predict
multiple possible values such as whether an input is "low-value," "medium-value," or
"high-value." Labels can have up to 50 unique values.
● K-means clustering for data segmentation (beta); for example, identifying customer
segments. K-means is an unsupervised learning technique, so model training does not
require labels nor split data for training or evaluation.
https://cloud.google.com/bigquery-ml/docs/bigqueryml-intro

48. Seite 49
Ads Data Hub API
References data from customer and Google projects
Wie funktioniert der Ads Data Hub? (ADH)
Google owned
BigQuery project
Event-level
ad data from
Google ad platforms
Customer owned
BigQuery project
Advertiser-provided
marketing and
business data
Note: Customer data never leaves the Customer BigQuery project
Insights
fed back to
customer
Aggregated actionable
insights

49. Seite 50
Anreicherung von Digital Marketing um CRM
Daten
CRM
Named User
personenbezogen
Digital Marketing
Anonymer User
Audiences /
Segmente
Pseudonymer
User
Daten aus
CRM und
Web!

50. Seite 51
CRM
Interessent kein Kunde
Class A Lead
>100 m2
Familie
<Persona> z.B.
Beratungskunde
Kunde high value
Haushaltsversicherung
Seite enthält
/haus-wohnung
Ziel 5: Newsletter
Registrierung
Versicherung für
Haushalt >100m2
Ereignis
PDF Download
Familienbezug
Beratungskunde
Ziel 1: Offline
Transaktion
Retargeting
Haushalt
Bidding erhöhen RLSA+Retargeting
Familienbezug
RLSA mit regulärem
Bidding
Werbung
abschalten
Retargeting
Haushalt
Bidding erhöhen
RLSA+Retargeting
Familienbezug
Werbung
abschalten
Upselling
- -
Haushaltskredit
auf Startseite
Familienbezug auf
Startseite
Live-Chat anbieten
und einblenden
Kundenvorteile auf
Startseite zeigen
-
Newsletter
Anmeldung
Typ: Interessent
Aktivierungsmail
“Wie können wir
Ihnen helfen?”
Newsletter:
Familienbezug
Willkommens
Email
1.Rechnungsemail /
Welcome Journey
. . .
User
informieren
Newsletter
Registrierung
Haushaltsversicherung
berechnen
PDF heruntergeladen Termin vereinbart Kunde

51. Seite 52
CRM via Google Analytics (noch ohne GCP)
Aus Analytics können komplexe (session-übergreifende) Segmente (mit
Abfolgen) in alle Kanäle als Audience gepusht werden:
Marketing Automation
/ CRM

52. Seite 53
Analytics - Marketing Automation Verknüpfung
Am Beispiel Google Analytics 360 & Salesforce Marketing
Cloud:
● Audiences und
Events Onsite triggern
Aktionen in der
Marketing Automation
● Offline Erfolge werden den
Online Kampagnen
zugeordnet

53. 54
Erweiterung als
Customer Data
Platform (CDP)
Snapchat
Facebook & Insta
Twitter, LinkedIn...
Criteo...
Email
Marketing Platform
CRM / Offline
Snapchat
Facebook & Insta
Twitter, LinkedIn...
Email
Criteo...

54. Seite 55
How to start?

55. Seite 56
What barriers are faced at work in AI?
Quelle: https://www.kaggle.com/surveys/2017, November 2017

56. Seite 57
How to drive Digital Marketing Transformation

57. Seite 58

58. Seite 59
The Establishment of Tech-Maturity Projects
Tech Project List A Category Nascent to
Emerging
Emerging to Connected Connected to
Multi-Moment
Data Capture & Visualisation Attribution Data Collection
CRM Integration Audience Data Integration
Online to Offline Audience Data Integration
Audience Strategy Audience Audience and Advanced Modelling
LTV Modelling Audience Audience and Advanced Modelling
Data Driven Attribution Attribution Analysis and Attribution
Omnichannel Measurement Strategy Attribution Analysis and Attribution
Measuring Effectiveness with testing Attribution Activation/Media Excellence
Marketing Automation (Search, Display, Workflow) Automation Activation/Media Excellence
Content testing & personalization Assets Content Testing and Personalisation
Data Driven Creative Strategy Assets Content Testing and Personalisation
Post-Sales Tech Infrastructure Consolidation All Technical Architecture

59. Seite 60

60. Seite 61
Tools & Partner

61. Seite 62
Was wir können: Datadriven Advertising
Programmatic
Display Search
Social
Targeting
Digital
Analytics Attribution
Personalisierung
& Testing
D
atadriven
perD
N
A,nichtExcel.
Im
m
erschon.
Data Science &
Machine
Learning
Consulting
& Strategie

62. Seite 63
Unsere Branchen & Referenzen (Auszug)
Handel
Insurance
B2B
Tourismus
Handel
Telco
Publisher
Finance

63. Seite 64
Über e-dialog
● Gründung 2003
● 38 angestellte MitarbeiterInnen
● Märkte: D-A-CH
(plus Konzerntöchter)
● Branchen: Telco, Finance, Retail,
Tourismus, Publishing

64. Seite 65
Fragen Sie uns später
Und jetzt:
Fragen Sie uns gleich
stepke@e-dialog.de
Vertiefen Sie Ihr Wissen
e-dialog.de/blog
e-dialog.de/newsletter

65. Seite 66
Unsere nächsten Events
ProgrammatiCon
16.-18. Oktober 2019 | Wien
Denk weiter.
Denk datadriven.
● Tool Trainings,
● Konferenz &
● Deep Dives
zu Programmatic Marketing
3-tägiges Fachevent zu
Google Analytics & allen
Themen der Google
Marketing Platform
1.-3. April 2020 | Wien
www.analytics-konferenz.atwww.programmaticon.net

66. Vielen Dank!
www.e-dialog.de/at/ch