etailment wien 2015 – conrad morbitzer (webtrekk) “big data meets marketing automation”
TRANSCRIPT
![Page 1: etailment WIEN 2015 – Conrad Morbitzer (Webtrekk) “Big Data meets Marketing Automation”](https://reader033.vdocuments.us/reader033/viewer/2022042817/55a6ca7e1a28ab481d8b485a/html5/thumbnails/1.jpg)
Big Data meets Marketing Automation
Conrad Morbitzer
International Consultant
Berlin, Deutschland
+49 (0)30 755 415-408
Amsterdam | Beijing | Berlin | Frankfurt | Madrid | Milan
webtrekk.com
![Page 2: etailment WIEN 2015 – Conrad Morbitzer (Webtrekk) “Big Data meets Marketing Automation”](https://reader033.vdocuments.us/reader033/viewer/2022042817/55a6ca7e1a28ab481d8b485a/html5/thumbnails/2.jpg)
• Fragen
• Erwünscht
• Direkt
• Bitte Inkl. Name & Branche
![Page 3: etailment WIEN 2015 – Conrad Morbitzer (Webtrekk) “Big Data meets Marketing Automation”](https://reader033.vdocuments.us/reader033/viewer/2022042817/55a6ca7e1a28ab481d8b485a/html5/thumbnails/3.jpg)
Wer Arbeitet mit Webtrekk?
![Page 4: etailment WIEN 2015 – Conrad Morbitzer (Webtrekk) “Big Data meets Marketing Automation”](https://reader033.vdocuments.us/reader033/viewer/2022042817/55a6ca7e1a28ab481d8b485a/html5/thumbnails/4.jpg)
Was ist Big Data?
Big data is data that exceeds the processing capacity of
conventional database systems. The data is too big, moves too
fast, or doesn’t fit the strictures of your database architectures.
To gain value from this data, you must choose an alternative way
to process it.
- Edd [email protected]
![Page 5: etailment WIEN 2015 – Conrad Morbitzer (Webtrekk) “Big Data meets Marketing Automation”](https://reader033.vdocuments.us/reader033/viewer/2022042817/55a6ca7e1a28ab481d8b485a/html5/thumbnails/5.jpg)
Im Zeitalter von Big Data
0%
20%
40%
60%
80%
100%
1986 1993 2000 2007
Analog Digital
0
50
100
150
200
250
300
350
1986 1993 2000 2007
Exabyte
s
Global Installed, optimally compressed storage
Source: Hilbert and Lopez, “The world’s technological capacity to store, communicate
and capture information”, Science 2011
Manufacturing
Government
Communications and Media
Banking
Health Care
InvestmentServices
ProfessionalServices
Retail
Education
Insurance
Stored data in the USA, 2012, in Petabytes
Source: IDC, US Bureau of Labor Statistics,
McKinsey Global Institute Analysis
0
50
100
150
200
250
300
350
400
450
500
2018 supply 2018 projecteddemand
In thousand people
Supply and demand of deep analytical talent by 2018
Talent Gap
Source: US Bureau of Labor Statistics, McKinsey Global Institute
Analysis, US Census, Dun & Bradstreet, company interviews
![Page 6: etailment WIEN 2015 – Conrad Morbitzer (Webtrekk) “Big Data meets Marketing Automation”](https://reader033.vdocuments.us/reader033/viewer/2022042817/55a6ca7e1a28ab481d8b485a/html5/thumbnails/6.jpg)
Daten Auswertung
➽ Herausforderung: großen Nutzen aus Daten ziehen
gering großKomplexität / Aufwand
gerin
gg
roß
Mehrw
ert
Daten
Information
Insight
Handlung
![Page 7: etailment WIEN 2015 – Conrad Morbitzer (Webtrekk) “Big Data meets Marketing Automation”](https://reader033.vdocuments.us/reader033/viewer/2022042817/55a6ca7e1a28ab481d8b485a/html5/thumbnails/7.jpg)
Marketing Automatisierung
Problemstellung
• Mangel an Daten
• Fehlende Integration
• Auswertung
• Handlungen ableiten & ausführen
• Kein nutzerzentrierter Ansatz
➽ Nutzer Zentrierte Daten ermöglichen Personalisierung & Automatisierung
![Page 8: etailment WIEN 2015 – Conrad Morbitzer (Webtrekk) “Big Data meets Marketing Automation”](https://reader033.vdocuments.us/reader033/viewer/2022042817/55a6ca7e1a28ab481d8b485a/html5/thumbnails/8.jpg)
Case 1: Wie löse ich heterogene Datensilos auf und schaffe eine homogene Datenbasis
![Page 9: etailment WIEN 2015 – Conrad Morbitzer (Webtrekk) “Big Data meets Marketing Automation”](https://reader033.vdocuments.us/reader033/viewer/2022042817/55a6ca7e1a28ab481d8b485a/html5/thumbnails/9.jpg)
Komplette Integration
![Page 10: etailment WIEN 2015 – Conrad Morbitzer (Webtrekk) “Big Data meets Marketing Automation”](https://reader033.vdocuments.us/reader033/viewer/2022042817/55a6ca7e1a28ab481d8b485a/html5/thumbnails/10.jpg)
Das User Relationship Management System (URM) enthält Daten für jeden Besucher der Webseite.
URM kurz erklärt
10 % bekannte BesucherDaten liegen im CRM vor
90 % unbekannte Besucher
URM
![Page 11: etailment WIEN 2015 – Conrad Morbitzer (Webtrekk) “Big Data meets Marketing Automation”](https://reader033.vdocuments.us/reader033/viewer/2022042817/55a6ca7e1a28ab481d8b485a/html5/thumbnails/11.jpg)
URM der Nutzer im Mittelpunkt
![Page 12: etailment WIEN 2015 – Conrad Morbitzer (Webtrekk) “Big Data meets Marketing Automation”](https://reader033.vdocuments.us/reader033/viewer/2022042817/55a6ca7e1a28ab481d8b485a/html5/thumbnails/12.jpg)
Case 2: Wie stelle ich den Nutzer in den Vordergrund und nicht nur Produkte
![Page 13: etailment WIEN 2015 – Conrad Morbitzer (Webtrekk) “Big Data meets Marketing Automation”](https://reader033.vdocuments.us/reader033/viewer/2022042817/55a6ca7e1a28ab481d8b485a/html5/thumbnails/13.jpg)
Standard Remarketing – Produkt Orientiert
![Page 14: etailment WIEN 2015 – Conrad Morbitzer (Webtrekk) “Big Data meets Marketing Automation”](https://reader033.vdocuments.us/reader033/viewer/2022042817/55a6ca7e1a28ab481d8b485a/html5/thumbnails/14.jpg)
Nutzer Zentrierter Ansatz
![Page 15: etailment WIEN 2015 – Conrad Morbitzer (Webtrekk) “Big Data meets Marketing Automation”](https://reader033.vdocuments.us/reader033/viewer/2022042817/55a6ca7e1a28ab481d8b485a/html5/thumbnails/15.jpg)
User Centric Tracking
15
![Page 16: etailment WIEN 2015 – Conrad Morbitzer (Webtrekk) “Big Data meets Marketing Automation”](https://reader033.vdocuments.us/reader033/viewer/2022042817/55a6ca7e1a28ab481d8b485a/html5/thumbnails/16.jpg)
Für alle User werden automatisiert wichtige Daten erhoben.
URM im Überblick
In welchen Frequenz kommt er auf die Webseite?
Wie viele Seiten hat er bisher aufgerufen?
Welchen Gesamtbestellwert hat er generiert?
In welchen Frequenz kauft der Besucher?
Welchen durchschnittlichen Bestellwert hat er generiert?
Wie viel Prozent der Bestellungen waren rabattiert?
Vor wie vielen Tagen war die letzte Bestellung?
Wann war der Erstbesuch?
Behavior
![Page 17: etailment WIEN 2015 – Conrad Morbitzer (Webtrekk) “Big Data meets Marketing Automation”](https://reader033.vdocuments.us/reader033/viewer/2022042817/55a6ca7e1a28ab481d8b485a/html5/thumbnails/17.jpg)
Weitere Informationen können auf der Webseite erfasst werden, um die Aussagekraft zu erhöhen:
URM im Überblick
In welchen Frequenz kommt er auf die Webseite?
Wie viele Seiten hat er bisher aufgerufen?
Welchen Gesamtbestellwert hat er generiert?
In welchen Frequenz kauft der Besucher?
Welchen durchschnittlichen Bestellwert hat er generiert?
Wie viel Prozent der Bestellungen waren rabattiert?
Vor wie vielen Tagen war die letzte Bestellung?
Wann war der Erstbesuch?
Ist es ein Mann oder eine Frau?
Wie alt ist die Person?
Wo wohnt er (Land/Stadt/Straße/Postleitzahl)?
Hat der Besucher sich zum Newsletter registriert?
Onpage
Behavior
![Page 18: etailment WIEN 2015 – Conrad Morbitzer (Webtrekk) “Big Data meets Marketing Automation”](https://reader033.vdocuments.us/reader033/viewer/2022042817/55a6ca7e1a28ab481d8b485a/html5/thumbnails/18.jpg)
Individuelle Merkmale aus Ihrem CRM-System verfeinern das Bild weiter:
URM im Überblick
In welchen Frequenz kommt er auf die Webseite?
Wie viele Seiten hat er bisher aufgerufen?
Welchen Gesamtbestellwert hat er generiert?
In welchen Frequenz kauft der Besucher?
Welchen durchschnittlichen Bestellwert hat er generiert?
Wie viel Prozent der Bestellungen waren rabattiert?
Vor wie vielen Tagen war die letzte Bestellung?
Wann war der Erstbesuch?
Ist es ein Mann oder eine Frau?
Wie alt ist die Person?
Wo wohnt er (Land/Stadt/Straße/Postleitzahl)?
Hat der Besucher sich zum Newsletter registriert?
Wie viele Offline-Bestellungen hat er generiert?
Welche Bonität hat er?
Wie häufig hat er Bestellungen retourniert?
Wie oft ruft er bei der Servicehotline an?
Onpage CRM
Behavior
![Page 19: etailment WIEN 2015 – Conrad Morbitzer (Webtrekk) “Big Data meets Marketing Automation”](https://reader033.vdocuments.us/reader033/viewer/2022042817/55a6ca7e1a28ab481d8b485a/html5/thumbnails/19.jpg)
Auch Vorhersagen werden berechnet:
URM im Überblick
In welchen Frequenz kommt er auf die Webseite?
Wie viele Seiten hat er bisher aufgerufen?
Welchen Gesamtbestellwert hat er generiert?
In welchen Frequenz kauft der Besucher?
Welchen durchschnittlichen Bestellwert hat er generiert?
Wie viel Prozent der Bestellungen waren rabattiert?
Vor wie vielen Tagen war die letzte Bestellung?
Wann war der Erstbesuch?
Wie hoch die Wahrscheinlichkeit ist, dass er nicht mehr die Webseite besuchen wird?
Wie hoch die Wahrscheinlichkeit ist, dass er kaufen wird?
Ist es ein Mann oder eine Frau?
Wie alt ist die Person?
Wo wohnt er (Land/Stadt/Straße/Postleitzahl)?
Hat der Besucher sich zum Newsletter registriert?
Wie viele Offline-Bestellungen hat er generiert?
Welche Bonität hat er?
Wie häufig hat er Bestellungen retourniert?
Wie oft ruft er bei der Servicehotline an?
Onpage
Predictions
CRM
Behavior
![Page 20: etailment WIEN 2015 – Conrad Morbitzer (Webtrekk) “Big Data meets Marketing Automation”](https://reader033.vdocuments.us/reader033/viewer/2022042817/55a6ca7e1a28ab481d8b485a/html5/thumbnails/20.jpg)
Basierend auf diesen umfassenden Informationen lassen sich die zentralen Fragen beantworten.
URM im Überblick
Wie wertvoll ist der Besucher für mich?
Mit welcher Marketingmaßnahme kann ich Ihn zum Besuch der Webseite bzw. Kauf animieren?
Über welches Potential verfügt er?
In welchen Frequenz kommt er auf die Webseite?
Wie viele Seiten hat er bisher aufgerufen?
Welchen Gesamtbestellwert hat er generiert?
In welchen Frequenz kauft der Besucher?
Welchen durchschnittlichen Bestellwert hat er generiert?
Wie viel Prozent der Bestellungen waren rabattiert?
Vor wie vielen Tagen war die letzte Bestellung?
Wann war der Erstbesuch?
Wie hoch die Wahrscheinlichkeit ist, dass er nicht mehr die Webseite besuchen wird?
Wie hoch die Wahrscheinlichkeit ist, dass er kaufen wird?
Ist es ein Mann oder eine Frau?
Wie alt ist die Person?
Wo wohnt er (Land/Stadt/Straße/Postleitzahl)?
Hat der Besucher sich zum Newsletter registriert?
Wie viele Offline-Bestellungen hat er generiert?
Welche Bonität hat er?
Wie häufig hat er Bestellungen retourniert?
Wie oft ruft er bei der Servicehotline an?
![Page 21: etailment WIEN 2015 – Conrad Morbitzer (Webtrekk) “Big Data meets Marketing Automation”](https://reader033.vdocuments.us/reader033/viewer/2022042817/55a6ca7e1a28ab481d8b485a/html5/thumbnails/21.jpg)
RFM und RFM Modell sind ein bewährtes Scoring-System, dass sich zur Definition eines
Besucherwertes heranziehen lässt.
RFM Bewertet das Kaufverhalten Bewertet das NutzungsverhaltenRFE
RecencyWie viele Tage sind seit der letzten Bestellung vergangen?
FrequencyWie viele Bestellungen gab es insgesamt?
MonetaryWelcher Gesamtumsatz wurde generiert?
RecencyWie viele Tage sind seit dem letzten Besuch vergangen?
FrequencyWie viele Visits gab es insgesamt?
EngagementWie viele Page Impressions wurden insgesamt generiert?
RFM und RFE-Modell
![Page 22: etailment WIEN 2015 – Conrad Morbitzer (Webtrekk) “Big Data meets Marketing Automation”](https://reader033.vdocuments.us/reader033/viewer/2022042817/55a6ca7e1a28ab481d8b485a/html5/thumbnails/22.jpg)
Derselbe Besucher kann sowohl einer RFM als auch einer RFE Gruppe angehören.
Das RFM-Modell betrachtet nur die Käufer, das RFE-Modell alle Besucher.
RFM
RFE
Beispiel für die Interaktion eines Nutzers in einem Online Shop
RFM
RFEOnline-
Shop
RFM und RFE-Modell
![Page 23: etailment WIEN 2015 – Conrad Morbitzer (Webtrekk) “Big Data meets Marketing Automation”](https://reader033.vdocuments.us/reader033/viewer/2022042817/55a6ca7e1a28ab481d8b485a/html5/thumbnails/23.jpg)
Basierend auf dieser Zuordnung ergibt sich für jeden Nutzer eine dreistellige Zahl.
RFM Bewertet das Kaufverhalten Bewertet das NutzungsverhaltenRFE
R = 1F = 1M = 3
Recency = Letzte Bestellung liegt länger zurück.
Frequency = Hat bisher 1 x bestellt
Monetary = Generierte einen hohen Umsatz.
R = 3F = 3E = 3
Recency = Letzter Besuch vor wenigen Stunden.
Frequency = kommt täglich wieder
Engagement = Ist auf der Webseite sehr aktiv.
schlecht
schlecht
gut
gut
gut
gut
Beispiel für Ausweisung eines Nutzers
RFM und RFE-Modell
![Page 24: etailment WIEN 2015 – Conrad Morbitzer (Webtrekk) “Big Data meets Marketing Automation”](https://reader033.vdocuments.us/reader033/viewer/2022042817/55a6ca7e1a28ab481d8b485a/html5/thumbnails/24.jpg)
Nutzerzentriertes Remarketing
R = 3F = 3E = 3
R = 1F = 2M = 2
![Page 25: etailment WIEN 2015 – Conrad Morbitzer (Webtrekk) “Big Data meets Marketing Automation”](https://reader033.vdocuments.us/reader033/viewer/2022042817/55a6ca7e1a28ab481d8b485a/html5/thumbnails/25.jpg)
Case 3: Wie kann man Big Data automatisiert nutzbar machen
![Page 26: etailment WIEN 2015 – Conrad Morbitzer (Webtrekk) “Big Data meets Marketing Automation”](https://reader033.vdocuments.us/reader033/viewer/2022042817/55a6ca7e1a28ab481d8b485a/html5/thumbnails/26.jpg)
Newsletter Remarketing
![Page 27: etailment WIEN 2015 – Conrad Morbitzer (Webtrekk) “Big Data meets Marketing Automation”](https://reader033.vdocuments.us/reader033/viewer/2022042817/55a6ca7e1a28ab481d8b485a/html5/thumbnails/27.jpg)
Newsletter Remarketing
![Page 28: etailment WIEN 2015 – Conrad Morbitzer (Webtrekk) “Big Data meets Marketing Automation”](https://reader033.vdocuments.us/reader033/viewer/2022042817/55a6ca7e1a28ab481d8b485a/html5/thumbnails/28.jpg)
Vielen Dank! – Fragen?
Conrad Morbitzer
International Consultant
Berlin, Deutschland
+49 (0)30 755 415-408
Amsterdam | Beijing | Berlin | Frankfurt | Madrid | Milan
webtrekk.com