Sie erhalten einen Überblick über die neuesten Trends und die aktuellen Entwicklungen im Bereich der Conversion Optimierung. Vergessen Sie alles, was sie bisher über A/B-Testings gehört haben – Fingerprints und Personas sind die Zukunft

1. Conversion-Optimierung in Echtzeit?!
Andreas Berth, Geschäftsführer
B2 Performance GmbH

2.  B2 Performance – das Unternehmen
 Big Data – die Herausforderungen
 Beispiele für Datenquellen
 Big Data – die Umsetzung
 Marketing KPI´s – Clustering
 Big Data – Aktueller Stand
 Kontakt
Inhalt

3.  Firmengründung 2006 durch Andreas Berth & Lars Biewald
 aktuell ca. 25 Mitarbeiter in Deutschland
 Büros in Witten (D), Wien (AT), Zug (CH), Palma de Mallorca (ES),
Barcelona (ES)
 international/weltweit tätig in mehr als 20 Ländern und mehr als 10
Sprachen – Ausnahme: asiatischer Raum
 Mehrsprachige Projektleitung möglich (Deutsch, Englisch, Französisch,
Russisch & Spanisch)
B2 Performance – das Unternehmen

4. Wir bieten mehr als „nur“ Online-Marketing
 Erarbeitung von Strategien & Visionen
 Beratung und/oder Umsetzung in allen Online-Marketing-Disziplinen
 eigene IT, eigene Software-Entwicklung
 redaktionelle Kompetenz
 spezielles Team für individuelle Schulungen, Workshops &
Weiterbildungen
 enge Kooperationen mit u.a. Video-Produzenten, Game-Entwicklern,
Webdesignern & CMS-Entwicklern
 fundierte Erfahrungen im Handel/E-Commerce
Unsere Kompetenzen

5. SEO (Search Engine Optimization), On-/OffSite
SEA, SEM, PPC (Google AdWords™)
Display
Schulungen & Zertifizierungen
Social Media
Controlling/Dashboards
(Re-) E-Mail Marketing
Technisches & Strategisches Consulting
Homepage-Erstellung, Hosting & Providing
Leistungsübersicht

6. Eine Auswahl unserer Referenzen

7.  Es gibt eine große Anzahl an Online-Marketing-Instrumenten.
 Ein Projektleiter hat meist 6-8 verschiedene Tools im Einsatz
 Allein die Log-In´s, die Aufrufe und das Sichten der wichtigsten Daten
würde mehrere Stunden am Tag benötigen.
 Daher werden die Daten meist aus Zeitmangel weder strukturiert noch
regelmäßig ausgewertet. Auch die Detailtiefe fehlt oft.
Big Data – die Herausforderungen

8.  Jedes dieser Systeme kostet Geld und sollte einen entsprechenden ROI
bringen.
 Eine Verknüpfung der Daten und damit eine übergreifende Auswertung
fehlt oft.
 Optimierung wird daher oft nur „oberflächlich“ durchgeführt.
 Ohne verlässliche Informationen kann aber keine E-Commerce-
Strategie aufgebaut werden.
 Aktuell fehlen allein in den USA schon jetzt mehr als 25.000
Datenanalysten.
Big Data – die Herausforderungen

9. Dazu kommt noch die „menschliche“ Komponente.
Beispiel 1
Ausgangslage: Konzern mit diversen Stabsstellen. Jede Stelle benutzt
eigene Tools und ein anderes Reporting. Sinnvoll wäre eine
Vereinheitlichung der Tools um vergleichbare Daten zu erhalten und ein
einheitliches, zeit- und rechtgesteuertes Reporting.
Ergebnis: „Aber dann sind wir ja vergleichbar.“
Big Data – die Herausforderungen

10. Beispiel 2
Ausgangslage: Konzernreporting auf Basis von Log-Files. Reporting ist
seit 10 Jahren unverändert (auch die KPI´s). Vorschlag: andere Tools und
KPI´s.
Ergebnis: „Aber dann sieht das so aus als ob ich seit Jahren falsche
Zahlen reporte.“

11.  Die Unternehmen verfügen nicht über zu wenig Daten, sondern eher über
zu viele Daten die nicht richtig ausgewertet werden.
 Das Potenzial dieser Daten für das Unternehmen ist riesig.
 Big Data wird derzeit meist nur in Großkonzernen professionell umgesetzt.
 Es gibt diverse Anbieter in unterschiedlichen Preisregionen und nicht nur
SAP, Oracle oder ADOBE.
 Big Data ist ein Top/Down Approach !
 ROI ist kalkulierbar – zumindest im Bereich E-Commerce
Big Data – die Herausforderungen
Fazit:

12. Welche Datenquellen sollten/müssen genutzt und zusammengeführt werden?
Beispiele für Datenquellen

13. Aus den unterschiedlichsten Quellen werden die Daten an einer zentralen
Stelle strukturiert zusammengeführt.
Dabei werden im Vorfeld zu erreichenden Ziele definiert – die Plattform
informiert dann auf einen Blick, ob die Ziele erreicht werden konnten (Soll/Ist
Abgleich).
Die Validität der Daten wird sichergestellt.
Daten werden automatisiert abgeholt und aufbereitet dargestellt.
Daten sind historisch verfügbar.
Reports sollten zeitgesteuert und mit einem Rechtemanagement versehen
sein.
Big Data – Die Umsetzung – Unsere Lösung

14.  Step 1: Definition KPI & Datenquellen
 Step 2: Auswahl des Tools & der Plattform
 Step 3: Schnittstellenprogrammierung & Testing
 Step 4: Datenanalyse & Ermittlung der „To Do´s“
 Step 5: Testen, Testen, Testen
Ablauf der Umsetzung

15.  Vergleich mit gleicher Gesellschaft, länderübergreifend
- z.B. Kostenstruktur, Umsätze etc.
 Vergleich mit anderen Gesellschaften innerhalb eines Landes
- z.B. Kostenstruktur, Umsätze etc.
 Vergleich aller Gesellschaften eines Konzerns
- Wo liegen noch Potenziale? Wie effektiv sind die Gesellschaften?
 Grenznutzenermittlung (Wie hoch ist das maximale Budget in einem Kanal?)
- Wann ist es sinnlos, das Budget in einem Kanal zu erhöhen?
Marketing KPI´s (Ziele, exemplarisch I)

16.  Ermittlung von Wechselwirkungen der Kanäle/effektivere Aussteuerung
- Welchen Einfluss hat eine TV-Kampagne auf Sales?
- Wo liegen noch Potenziale?
 Ermittlung Einsparungspotenzial
- Wo können Budgets gekürzt/eingespart werden?
 Kennzahlen für strategische Entscheidungen
- Mit welchem Budget muss für einen Markteintritt in einem Land
gerechnet werden?
Marketing KPI´s (Ziele, exemplarisch II)

17. Folie: 17
2 Arten von KPI´s
Management KPIs
 vergleichende KPI´s zwischen
Ländern und/oder Gesellschaften
 KPI´s für strategische
Entscheidungen
 KPI´s in grafischer Form zur
schnellen Übersicht aufbereitet
 immer wiederkehrende KPI´s
 etc.
Operative KPIs
 Schnittmenge mit Management
KPI´s
 KPI´s für das tägliche Geschäft
 KPI´s auf Detailebene
 deutlich höhere Anzahl an Reports
und KPI´s
 projektspezifische KPI´s
 temporäre KPIs
 etc.

18. Beispiel: Screenshoot Umsatz/Kosten pro Kanal

19. Beispiel: Screenshot Planzahlen Ist-/Soll Vergleich

20. Conversion/Warenkorb

21. Regional Verteilung Besucher

22.  Daten werden in Echtzeit aufbereitet und ausgewertet.
 Jeder User hat einen individuellen Fingerprint der mit bereits abgespeicherten
Fingerprints und dessen (Kauf-) Gewohnheiten verglichen wird.
 Dem User wird die Landingpage angezeigt, die aufgrund seines Fingerprints und
der gesammelten Daten die höchste Conversion verspricht.
 Zu einem Fingerprint könnten zählen: Standort, aktuelles Wetter,
Spracheinstellungen, Device, Uhrzeit, Wochentag, Betriebssystem, Quelle (SEO,
SEA, Affiliate etc.), Neukunde/Bestandskunde (Cookie vorhanden oder nicht) etc.
Jedem User wird einen individuelle Landingpage angezeigt !
Conversion-Optimierung aktuelle Entwicklung

23.  Alle Systeme basieren auf nachträglicher Analyse.
 Generelle Vorlieben von Usern mit gleichem Fingerprint bleiben
unberücksichtigt.
 Bisherige Systeme spielen geclusterte „beste“ Alternativen aus und
erfordern einen hohen manuellen Aufwand.
 Die bisherigen System erreichen nicht den möglichen Maximalwert im
Bereich der Conversion-Optimierung.
Aktuelle Systeme zur Conversion-Optimierung

24.  Daten werden in Echtzeit aufbereitet und ausgewertet.
 Anders als bei bisherigen Systemen wird nicht eine oder mehrere „Best-
Practice“ Landing-Page angezeigt, sondern die für den User relevanteste
Landing-Page.
 Ein Integrationsaufwand ist nicht erforderlich! Die vorhandenen Daten
werden ausgewertet.
 Das System ist selbstlernend und verbessert sich permanent automatisch.
 Selbstverständlich auch international, d.h. in allen Sprachen möglich.
Conversion-Optimierung I – Unsere Lösung

25.  Die Conversion Rate der Webseite wird selbständig optimiert.
 Analyse jedes einzelnen User in Echtzeit (< 20 ms)
 Jedem Besucher werden über alle Kanäle (Web, Newsletter etc.) die
Inhalte zugewiesen, die seine Conversion-Wahrscheinlichkeit maximieren.
 Optimale Ausnutzung Ihrer Landingpages – Besucher für Besucher…
 Unsere Lösung arbeitet nicht mit vorgegebenen, starren Rastern.
Conversion-Optimerung II – Unsere Lösung

26.  Besucherzahlen größer + 100k/Monat, kritische Datenmasse muss erreicht werden.
 Eigenes Analyse- Know-How auf Kundenseite vorteilhaft.
 Eigene Kundendaten.
 Mehrere Datenquellen mit Schnittstellen zur Datenanreicherung von Vorteil.
 Für ein erstes Projekt reicht eine Datenquelle aus.
 Tracking-Tool mit der Möglichkeit des Exportierens von Rohdaten. (Webtrekk,
Piwik, Etracker etc.)
 Internationaler Roll-out Obligo.
 Auch bei bereits erfolgter Conversion-Optimierung ist erfahrungsgemäß noch
hohes Potential vorhanden.
 Das Tool kann sowohl intern als auch extern gehostet werden.
Grundsätzliches zum Einsatz unseres Tools

27. Individuelle Ausspielung von Landingpages
Clustering
der historischen
Analyse-Daten
Simulation unterschiedlicher
Szenarien für alternative
Varianten mit aktuellem Aufruf
Anzeige der
personalisierten
Alternative
Aufruf
inkl. Profil-Daten
Montag 10h-11h
iPadiOS 7.1
Berlin
Metropole
Neukunde
Click: Banner A
Ref: FAZ
Regen
Landingpage 1: 11%
Landingpage 2: 9%
Landingpage 3: 31%
Landingpage 4: 25%
Landingpage 3
Profil Filterung Simulation der
Conversion Rate
Entscheidung
20 ms

28. Typischer Ablauf eines Projektes
Automatisierte Nutzung Schrittweise Steigerung
Conversion
Grundlagenmodell für
Echtzeit-Optimierung
Import aus vorhandenen
Systemen (CSV, CRM
etc.)
Einige Millionen PI´s
notwendig
Korrelationsbasierte
Big Data Analysen
Kunden KPIs
Erste
Optimierungspotentiale
 Selbstlernend
 Zusätzliche Parameter
 Weiterentwicklung KPI oder
neue/Temporäre KPI
Ersterhebung Daten Betrieb Kontinuierliche Verbesserung
 Einsatz des Ursprungsmodells
 SaaS
 Echtzeit Zuweisung höchster
Conversion-Wahrscheinlichkeit
 Auf Kundenserver oder durch
uns

29.  Die selbstlernende Optimierung basiert auf kontinuierlichen Tests.
 Unterschiedliche Alternativen werden zunächst zufällig ausgespielt, später -
durch kontinuierliches Lernen - immer gezielter.
 Mit der Zeit lernt das Tool welche Alternativen für welche Nutzer unter
welchen Bedingungen die besten Ergebnisse (im Voraus definierter Ziele)
erreichen.
 Es entscheidet jeweils zum Zeitpunkt der Auslieferung, welche Variante dem
jeweiligen Nutzer präsentiert wird.
 Diese Art der Echtzeit-Personalisierung führt zu einer kontinuierlichen
Optimierung der Webseite / des Online-Shops bzw. der digitalen Kanäle.
Wie lernt das Tool?

30.  Das Tool ist eine SaaS-Lösung mit „shared nothing“ Architektur, optimiert
für die massiv parallele Verarbeitung größter Datenmengen in Echtzeit.
 Das Tool basiert auf einer eigens für diese Anwendung entwickelten
In-Memory-Technologie für korrelationsbasierte Big Data Analysen.
 Das Tool kann durch den Einsatz dieser Technologie vorhandene Analyse-
Daten für jeden Nutzer individuell zum Zeitpunkt der Auslieferung in weniger
als 20ms auswerten und auf dieser Basis Entscheidungen für die richtige
Variante liefern.
USP´s des Tools

31.  Der Bearbeitungsaufwand für Ihr Unternehmen ist gering.
 Ersterhebung – Report inkl. Maßnahmenkatalog als gekapseltes Projekt.
Das Folgeprojekt muss nicht beauftragt werden. Das Folgeprojekt beinhaltet
die fortlaufende Optimierung und erfolgt nur wenn das Erstprojekt
entsprechende, erfolgsversprechende Daten geliefert hat!
USP´s des Tools

32.  Mit Hilfe der aufgeführten Plattformen ist eine umfangreiche Analyse und
Darstellung der vorhandenen Daten zeitlich- und personengesteuert
jederzeit möglich.
 Die Conversion-Optimierung erfolgt auf Basis des persönlichen
Fingerabdruckes und erlaubt somit eine „persönliche“ Landingpage.
 Dem User wir keine Landingpage gezeigt die für den größten Teil der User
interessant war, sondern eine Landingpage die bei anderen Usern mit dem
gleichen Fingerabdruck am besten funktioniert hat.
Big Data/Conversion-Optimierung
Zusammenfassung

33. Andreas Berth
Geschäftsführer
Tel: +49 2302 94900-12
Mobil: +49 177 8552560
E-Mail: andreas.berth@b2-performance.de
www.b2-performance.de
Kontakt
Lars Biewald
Geschäftsführer
Tel: +49 2302 94900-13
Mobil: +49 177 8552556
E-Mail: lars.biewald@b2-performance.de
www.b2-performance.de
B2 Performance GmbH
Friedrich-Ebert-Straße 85
D-58454 Witten