Das Dokument erläutert das Konzept der First-Party-Daten, die von Unternehmen selbst erhoben werden und deren Sammeln wichtig ist, um qualitativ hochwertige, wertvolle Informationen zu gewinnen. Es wird unterschieden zwischen verschiedenen Datenarten (1st, 2nd, und 3rd Party) und den Methoden zu deren Sammlung, von grundlegenden Ansätzen bis zu fortgeschrittenen Datenmanagement-Plattformen. Abschließend wird betont, wie wichtig es ist, First-Party-Daten für personalisierte Marketingstrategien, Analysen und Entscheidungsprozesse zu nutzen.

1. 1st Party Data 101
from basic to rocket science

2. Seite 2
Über mich
Martin Frotzler
Senior Consultant Digital Analytics
frotzler@e-dialog.at
+43-1-309 09 09
www.e-dialog.at

3. Seite 3
First Party?
Source: https://www.flickr.com/photos/intercontinentalhongkong/14003505249
Creator: InterContinental Hong Kong
Title: “Kids Party at InterContinental Hong Kong”
Lizenz & Copyright: CC BY-ND 2.0, https://creativecommons.org/licenses/by-nd/2.0/

4. Was sind First Party Daten?

5. Seite 5
Definition - “First Party Daten”
● Daten, die ein Unternehmen selbst erhebt
● sind
○ gratis, aber nicht kostenlos
○ nicht vorhanden, müssen erst gesammelt werden
○ begrenzt verfügbar
○ wertvoll ;)

6. Seite 6
Datenquellen
1st Party Data
Sind von mir & „gehören“ mir.
Dauerhaft. Qualität?
Quellen:
− Webanalyse, Tagging, Data-Layer
− Online Shop, CMS, …
− CRM, Data Warehouse, BI
− Call Center, E-Mail Marketing, …
− Display Advertising
2nd & 3rd Party Data
Sind zugekauft; nur für bezahlten
Zweck nutzbar; flüchtig; Qualität?
Quellen:
− fix verfügbare (AdWords GDN, DSP, …)
− Publisher
− Data Provider
− Fix integrierte (eyota, …)
− Per API angeschlossene (Wetter, TV, Stock-Quotes, …)
− DMPs

7. Seite 7
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

8. Seite 8
Datentypen
Besonders 1st Party Daten sind sehr wertvoll!
Aggregierte, anonymisierte Daten von verschiedenen Online-Quellen, die für die
Neukundenakquise verwendet werden
1st Party-Daten, die von anderen Anbietern wie Mediaagenturen
bezogen werden können (auch kollaborative Daten genannt)
Online | Website-Daten, Media (earned und owned),
Social Media etc.
Offline | Name, Adresse, E-Mail, Telefon,
Call Center, POS, Kaufhistorie, etc.
1st
2nd
3rd
Skalierbarkeit

9. Seite 9
Offline und Online 1st Party Daten
Offline (CRM, ...)
● Email
● Telefonnummer
● Adresse
● Kaufhistorie
● Name
● Demographie
Online (Google Analytics, …)
● On Site Footprint (Cookie based)
● On Site Footprint (User based)
○ Email
○ Telefonnummer
○ …..
● Mobile Apps

10. Seite 10
3P vs 1P Data from the Sight of Advertisers
INACCURATE COSTLY UNTRANSPARENT NOT THAT FRESH

11. Wie kommen wir zu (guten)
First Party Daten?

12. Seite 12
First Party Daten sammeln - Basic
Basic:
● Conversions Pixel (Adwords,
Facebook,....)
○ binär (Nutzer hat Event
getriggert: Y/N)
○ keine Nutzerhistorie
○ z.B. Nutzer mit einer
Transaktion über 300€

13. Seite 13
First Party Daten sammeln - Intermediate
Intermediate:
● Analytics - Tool, inkl. advanced
Tagging (Messkonzept)
○ User - zentriert, gesamtes
Verhalten
○ Nutzerhistorie
○ z.B: Neukunden mit einem
Gesamtumsatz >300€ in den
letzten 30 Tagen

14. Seite 14
First Party Daten sammeln - Rocket Science
“Rocket Science”:
● Data Management Platform (DMP) +
Analytics Tool
● User - zentriert, gesamtes Verhalten aus
mehreren Datenquellen (inklusive 2nd &
3rd Party)
● Nutzerhistorie aus unterschiedlichen
Systemen
● Nutzer mit einem Einkommen über 75k,
20-30 Jahre alt, Webseitenbesuch in den
letzten 30 Tagen, >300€ Gesamtumsatz
● First Party Daten sind Grundlage um volles
Potential auszuschöpfen

15. Seite 15
1st Party Daten - Meisterklasse: Offline + Online
Voraussetzungen Online:
● User (ID) basiertes Tracking
● Analytics Platform
● Schlüssel für das Matching
○ z.B. Email
○ verschlüsselt!
Voraussetzungen Offline:
● Schlüssel für das Matching
○ verschlüsselt
● Datenexport manuell oder via API
User ID

16. Seite 16
Neue Rolle/Job: Audience Manager
In Zukunft wird es Menschen brauchen, die sich
exklusiv um Audiences kümmern:
● Exploration → wertvolle finden
● Pflege → Aktualität
● Dokumentation → für Sales und Kunden

17. Seite 17
Daten als Grundlage
Action / Automation
Prediction / AI
Insights
Information / Reports
Daten
w
enn
daw
asfaulist...

18. Seite 18
Daten als Grundlage
Action / Automation
Prediction / AI
Insights
Information / Reports
Daten

19. Seite 19
Qualitätssicherung
● Vollständige Dokumentation
○ Konzeptionell (Messkonzept)
○ Technisch (was muss wo wie eingebaut werden)
○ auch wenn es fad ist…
○ zahlt sich aus
● Regelmäßige Audits
○ Prozess dafür aufsetzen
○ Alerts einrichten
○ Auf PII prüfen, Mitarbeiter sensibilisieren
○ Validieren

20. First Party Daten nutzen

21. Seite 21
Information / Reports
Daten
Insights
AI / Predictions
Action /
Automation
Intermediate
Basic
Rocket Science

22. Seite 22
Kampagnen Heute & Morgen
Wettbewerbsvorteil!

23. Seite 23
Vermeiden: Daten-Silos
Digital
Analytics
Campaign
Management
DWH
& BI
CRM
& POS
Realtime
Reco

24. Seite 24
Achtung: Data Loss
Analytics
Vendor A
DMP
Vendor B
DSP
Vendor C
20%
20%

25. Seite 25
1st Party Daten → $$$$
Eigene 1st Party Daten bringen die höchsten Erfolge!
● Retargeting (noch nicht gekauft; Bestandskunde)
● Kundenstatus (A/B/C)
● Kundenlifecycle (Neukunde, Vertragsablauf, Churn
propability)
● Kundeninteressen (Luxusartikel, Schnäppchenjäger)
● Kundenattribute (Geo, Demographisch, …)
● Auf all das: Similar Audiences (statistische Zwillinge)

26. Seite 26
1st Party Daten → Personalisierung/Testing
● Alle First Party Daten können auch für die
Personalisierung genutzt werden (wenn Tools
integriert)
● Ideal: Im Doppelpass mit Testing
○ Erst testen was wirklich funktioniert
○ Dann entsprechend personalisieren

27. Seite 27
1st Party Daten → Analyse, Insights, Optimierung
Basic:
● Grundlegende Nutzersignale (Lead, Kauf, ...) nutzen
Intermediate:
● Analytics
○ z.B.: Phase in der Customer Journey erkennen und Botschaften danach steuern
Rocket Science:
● Analytics + Predictive AI
○ Machine Learning Algorithmen errechnen modellieren Daten um Voraussagen
über die Nutzer zu treffen (z.B. mehr investieren wenn Kaufwahrscheinlichkeit
hoch)

28. Fazit

29. Seite 29
Mit auf den Weg geben möchte ich...
● Früh anfangen / die nächsten Schritte gehen
○ mit Konzept (Datenstrategie, Qualitätssicherung)
○ mit Willen (Organisationskultur)
○ mit dem richtigen Partner (z.B. uns ;)
● Die Daten auch (richtig) nutzen
○ Targeting
○ Personalisierung (Werbemittel und Onsite)
○ Analyse, Insights, Optimierung
● immer hungrig bleiben!
○ es gibt immer Neues zu entdecken und zu lernen ;)

30. Gehen wir’s an!
www.e-dialog.at
+43-1-309 09 09