Workshop mit Conrad Morbitzer, Consultant International bei Webtrekk, zum Thema "Big Data meets marketing automation - Die Top Use Cases 2015. Mit Big Data den Nutzer in den Mittelpunkt stellen und damit ein homogenes Datensystem schaffen, das eine nutzerzentrierte Kanalaussteuerung ermöglicht.

1. Big Data meets Marketing Automation
Conrad Morbitzer
International Consultant
Berlin, Deutschland
+49 (0)30 755 415-408
cmo@webtrekk.com
Amsterdam | Beijing | Berlin | Frankfurt | Madrid | Milan
webtrekk.com

2. • Fragen
• Erwünscht
• Direkt
• Bitte Inkl. Name & Branche

3. Wer Arbeitet mit Webtrekk?

4. 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 Dumbill@Oreilly.com

5. 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
Exabytes
Global Installed, optimally compressed
storage
Source: Hilbert and Lopez, “The world’s technological capacity to store, communicate
and capture information”, Science 2011
Manufacturing
Government
Communication
s and Media
Banking
Health Care
Investment
Services
Professional
Services
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 projected
demand
In
thousan
d 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

6. Daten Auswertung
➽ Herausforderung: großen Nutzen aus Daten ziehen
gering groß
Komplexität / Aufwand
geringgroßMehrwert
Daten
Information
Insight
Handlung

7. Marketing Automatisierung
Problemstellung
• Mangel an Daten
• Fehlende Integration
• Auswertung
• Handlungen ableiten & ausführen
• Kein nutzerzentrierter Ansatz
➽ Nutzer Zentrierte Daten ermöglichen Personalisierung & Automatisierung

8. Case 1: Wie löse ich heterogene Datensilos auf und schaffe
eine homogene Datenbasis

9. Komplette Integration

10. Das User Relationship Management System (URM) enthält Daten für jeden Besucher der Webseite.
URM kurz erklärt
10 % bekannte Besucher
Daten liegen im CRM vor
90 % unbekannte Besucher
URM

11. URM der Nutzer im Mittelpunkt

12. Case 2: Wie stelle ich den Nutzer in den Vordergrund und
nicht nur Produkte

13. Standard Remarketing – Produkt Orientiert

14. Nutzer Zentrierter Ansatz

15. User Centric Tracking
1

16. 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

17. 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

18. 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

19. 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

20. 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?

21. RFM und RFM Modell sind ein bewährtes Scoring-System, dass sich zur Definition eines
Besucherwertes heranziehen lässt.
RFM Bewertet das Kaufverhalten Bewertet das NutzungsverhaltenRFE
Recency
Wie viele Tage sind seit der letzten
Bestellung vergangen?
Frequency
Wie viele Bestellungen gab es insgesamt?
Monetary
Welcher Gesamtumsatz wurde generiert?
Recency
Wie viele Tage sind seit dem letzten
Besuch vergangen?
Frequency
Wie viele Visits gab es insgesamt?
Engagement
Wie viele Page Impressions wurden
insgesamt generiert?
RFM und RFE-Modell

22.  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
RFE
Online-
Shop

RFM und RFE-Modell

23.  Basierend auf dieser Zuordnung ergibt sich für jeden Nutzer eine dreistellige Zahl.
RFM Bewertet das Kaufverhalten Bewertet das NutzungsverhaltenRFE
R = 1
F = 1
M = 3
Recency = Letzte Bestellung liegt länger zurück.
Frequency = Hat bisher 1 x bestellt
Monetary = Generierte einen hohen Umsatz.
R = 3
F = 3
E = 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

24. Nutzerzentriertes Remarketing
R = 3
F = 3
E = 3
R = 1
F = 2
M = 2

25. Case 3: Wie kann man Big Data automatisiert nutzbar
machen

26. Newsletter Remarketing

27. Newsletter Remarketing

28. Vielen Dank! – Fragen?
Conrad Morbitzer
International Consultant
Berlin, Deutschland
+49 (0)30 755 415-408
cmo@webtrekk.com
Amsterdam | Beijing | Berlin | Frankfurt | Madrid | Milan
webtrekk.com