Jonáš Rákosník na konferenci Data Restart 2019. Přednáška nabídne pohled pod pokličku jednoho z největších mediálních domů v ČR. Jak s daty pracovali v minulosti a jak s nimi pracují teď? Co vše řeší automatizací?

1. AUTOMATIZACE DAT U PUBLISHERA V PRAXI

2. OBSAH PREZENTACE
• Vývoj automatizace dat v CNC
• Jaká data a pro jaké účely je používáme?
• CASE STUDY: Optimalizace Open RTB
podle automatizovaných dat
• Co plánujeme automatizovat dále?
• Q&A

3. VÝVOJ AUTOMATIZACE DAT

4. VÝVOJ
AUTOMATIZACE DAT Stav před automatizací 11/2017
• Nadvláda „excelového království“
• Nemožnost sledovat denní výkony
• Chybějící reporty pro externí potřeby
• Počátek implementace Kebooly

5. VÝVOJ
AUTOMATIZACE DAT První data a vizualizace 01/2018
• Propojení Kebooly s Power BI
• První kontrola „správnosti“ dat
• První úpravy vstupních dat
• Vytvoření prvních vizualizací

6. VÝVOJ
AUTOMATIZACE DAT Další data a jejich „ladění“ 03/2018 - 12/2018
• Změna reklamního systému
• Nejdelší fáze procesu automatizace
• Vytvářenívizualizacíprointerníiexternípotřeby
• Napojenínaobjednávkovýsystémafakturaci
• Napojení dat posledního RTB partnera

7. VÝVOJ
AUTOMATIZACE DAT Aktuální stav 03/2019
• Sledování denních výkonů, trendů
• Napojení na data Gemiusu
• Rozpaddatdopotřebnéhodetailu
• Vytvářenípřesnějšíchpredikcí

8. JAKÁ DATA A PRO JAKÉ
ÚČELYJE POUŽÍVÁME?

9. JAKÁ DATA A PRO JAKÉ
ÚČELY JE POUŽÍVÁME? Inzertní data
Inzertní data používáme pro sledování každodenních
výkonů portfolia
• pro interní potřeby v rámci pravidelného reportingu
• pro zastoupená media
Total
(Výnosy)
Přímé
kampaně
Private
dealy
Open RTB
Web X Partner X
Pozice X Web X
Pozice X Pozice A Pozice B
Web A
Pozice X
Web X
Pozice X Pozice X
Web X
Pozice X
Web B
Partner A Partner B Partner X
Pozice X
Web X
Výnosy, imprese, eCPM,…

10. JAKÁ DATA A PRO JAKÉ
ÚČELY JE POUŽÍVÁME? Technická data
Technická data používáme interně pro sledování
technické vyprodanosti
Total
(imprese)
Galerie
Desktop
Web BWeb A Web X Web X
Mobil
Web X Web X
ZařízeníZařízení
KategorieČlánky
Total
(Requesty)
Prodané
imprese
Passbacky
Fraud
imprese
Blacklist
imprese
-------
Requesty, prodané imprese, passbacky, fraud imprese,…

11. JAKÁ DATA A PRO JAKÉ
ÚČELY JE POUŽÍVÁME? Inzertní data + webová analytika
Kombinaci inzertních dat a web analytiky používáme
interně pro sledování využitelnosti portfolia
Total
(page views)
Total
(výnosy)
Desktop
Web A Web B Web X Web A Web X Web XWeb X Web B
MobilDesktopMobil
Page views, imprese, výnosy, CPT/PVs,…

12. CASE STUDY:
OPTIMALIZACE OPEN RTB
PODLE AUTOMATIZOVANÝCH DAT

13. CASE STUDY:
OPTIMALIZACE OPEN RTB
PODLE AUTOMATIZOVANÝCH DAT
Cíl: snížením price floors (PF) u partnerů A a E zvýšit celkové výnosy z Open RTB
Předpoklad 1: zvýší se výnosy u partnerů A a E, ale na úkor partnerů B a C
Předpoklad 2: partnerů D, F a G se změna nedotkne

14. CASE STUDY:
OPTIMALIZACE OPEN RTB
PODLE AUTOMATIZOVANÝCH DAT
Snížení PF u partnera A nastalo 12. 2.
• U partnera A to znamenalo skokově zvýšení výnosů v průměru o 35 %
• U partnerů B a C došlo ke snížení výnosů, nejvýrazněji u partnera C (-64 %)
Zdroj: Power BI

15. CASE STUDY:
OPTIMALIZACE OPEN RTB
PODLE AUTOMATIZOVANÝCH DAT
Snížení PF u partnera E proběhlo také 12. 2.
• Na rozdíl od partnera A zde bylo zvýšení výnosů postupné
• Na partnera C mělo větší vliv snížení PF u partnera A
Zdroj: Power BI

16. CASE STUDY:
OPTIMALIZACE OPEN RTB
PODLE AUTOMATIZOVANÝCH DAT
Snížení nemělo žádný dopad na výnosy zbylých partnerů
• Výkyvy ve výnosech D, F a H odpovídají týdennímu cyklu a sezonalitě
Zdroj: Power BI

17. CASE STUDY:
OPTIMALIZACE OPEN RTB
PODLE AUTOMATIZOVANÝCH DAT
Závěr: Cíl splněn - celkové výnosy vzrostly, potvrdily se i všechny předpoklady
Zdroj: Power BI

18. CO PLÁNUJEME
AUTOMATIZOVATDÁLE?

19. CO PLÁNUJEME
AUTOMATIZOVAT DÁLE?
• Napojení Kebooly na data z dalších oddělení
• Optimalizace a propojení offline dat
• CRM a e-mailové databáze
• Využití Kebooly pro integraci dat z DMP
• Napojení na data o počasí, cílení na kampaně kli-
entů specifických segmentů nebo sezonality
Data z distribuce, marketingu a DMP

20. CO PLÁNUJEME
AUTOMATIZOVAT DÁLE?
• Větší využití v rámci webové analytiky
• Zpřesňovat, zpřesňovat, zpřesňovat!
• Rozpad dat po agenturách, klientech
• Lepší modelace predikcí
• Propojení s budgety, plněním
Data z vývoje, prediktivní modely

21. CO PLÁNUJEME
AUTOMATIZOVAT DÁLE? Data z vývoje, prediktivní modely
ZAREGISTRUJ SE ZDE
Baví tě analytika? Zkus to u nás!

22. OTÁZKY?

23. Děkuji
za pozornost
Jonáš Rákosník
jonas.rakosnik@cncenter.cz