Ce diaporama a bien été signalé.
Le téléchargement de votre SlideShare est en cours. ×

Event #6: Big Data - Sonja Metzger

Publicité
Publicité
Publicité
Publicité
Publicité
Publicité
Publicité
Publicité
Publicité
Publicité
Publicité
Publicité
Chargement dans…3
×

Consultez-les par la suite

1 sur 14 Publicité

Plus De Contenu Connexe

Diaporamas pour vous (20)

Similaire à Event #6: Big Data - Sonja Metzger (20)

Publicité

Plus récents (20)

Publicité

Event #6: Big Data - Sonja Metzger

  1. 1. Business Intelligence bei Otto Sonja Metzger – Advanced Analyst Business Intelligence (Otto Gmbh & Co Kg)
  2. 2. NEUES bild Marketing Natives HH 25. November 2013 Seite 2 Quelle: http://everythingfunny.org
  3. 3. Business Intelligence beginnt mit dem Stellen der richtigen Fragen! §  §  §  §  §  §  §  §  §  §  §  §  Welche Stückzahl eines Produktes sollten wir einkaufen? Welche Produkte möchte Herr Meyer kaufen? Welcher Preis ist der richtige? Wie sollte Suchergebnis- und Produktlisten sortiert werden? Wie sollten wir das Werbebudget auf die Werbeinstrumente verteilen? Welcher Kunde bekommt einen Gutschein? Wie viel € sollte ich für eine SEA Anzeige oder einen Banner bieten? Warum verkauft sich Sortiment X auf otto.de unter Plan? Was ist auf otto.de passiert bzw. was passiert gerade? Können wir social media Daten nutzen? Wie optimiere ich den Warenbestand in den Lägern? … Um solcherart Fragen beantworten zu können, sind 3 Fähigkeiten entscheidend Marketing Natives HH 25. November 2013 Seite 3
  4. 4. Business  Intelligence  =  bessere  Entscheidungen  treffen   Die  Business  Intelligence  Formel  besteht  aus  3  Elementen:   BI  =  Datenmanagement  +  mit  Analy>cs  Daten  in  Erkenntnisse  übersetzen  +   Erkenntnisse  in  Entscheidungen  überführen DATA Marketing Natives HH 25. November 2013 Seite 4 Analytics & Insights DECISION
  5. 5. Fähigkeit 1 „Datenmanagement“ Die Datenmenge und die Möglichkeiten diese zu erfassen, zu speichern und bereitzustellen sind durch die zunehmende Digitalisierung unseres Geschäftsmodells und die technische Entwicklung (Big Data) in den letzten Jahren dramatisch gestiegen. Marketing Natives HH 25. November 2013 Seite 5 Quelle: The human face of big data
  6. 6. Fähigkeit 2 „mit Analytics Daten in Erkenntnisse übersetzen“ Durch systematische Untersuchung der Daten und Entwicklung von analytischen Modellen (Analytics) können durch die Beantwortung der Kernfragen: Was ist passiert?, Warum ist es passiert?, Was passiert gerade?, Was wird geschehen? Erkenntnisse gewonnen werden. Marketing Natives HH 25. November 2013 Seite 6 Quelle: http://www.loginworks.com
  7. 7. Fähigkeit 3 „Erkenntnisse in Entscheidungen überführen“ Die Potentiale der Daten und passender algorithmischer Modelle werden erst durch den Einsatz in den Fachbereichen wirksam … eine enge Zusammenarbeit ist also wesentlich! Problem/Potential erkennen 1. Problem/ Potential 2. Review früherer Lösungen 3. Daten Fachbereiche Marketing Natives HH 25. November 2013 Seite 7 Entscheiden Problem lösen Quelle: http://plotting-success.softwareadvice.com 4. Modell OTTO BI 5. Analyse & Modellanwendung 6. Entscheidung und Maßnahmen Fachbereiche
  8. 8. Der rasante technologische Fortschritt ist eine Herausforderung und bietet gleichzeitig auch große Potenziale Charakteristika von „Big Data“ Volumen Sehr viel größere Datenmengen als bisher, im Peta- oder sogar Exabyte Bereich + Velocity + Höherer Geschwindigkeitsbedarf der Analysen, oft Real-Time statt bisheriger zeitunkritischer Ex-Post-Analysen Variety + Signifikant größere Vielfalt der Daten bzgl. Quellen (intern vs. extern) oder Art (z. B. strukturiert vs. unstrukturiert) Veracity Qualität und Richtigkeit der Daten, insbesondere durch neu hinzugekommene Datenquellen = Value Marketing Natives HH 25. November 2013 Seite 8 Mehrwert durch besseres Markt-, Kunden- und Produktverständnis und schnellere & fundiertere Entscheidungen
  9. 9. Beispiel: Digitale Customer Journey Ein dynamisches Attributionsmodell optimiert die Effizienz der Online Werbung Wahrnehmung Marketing Natives HH 25. November 2013 Seite 9 Quelle: http://www.foryouandyourcustomers.com/ Auswahl Kauf
  10. 10. Beispiel einer digitalen Customer-Journey Display PSM Wahrnehmung Auswahl Kauf Kauf SEO SEA Marketing Natives HH 25. November 2013 Seite 10
  11. 11. Bekannte statische Attributionsmodelle verteilen die Nachfrage auf die Kontaktketten, nehmen aber einen festen Wirkungsbeitrag je Position an 25% 25% 25% 25% Kauf Display SEO PSM 40% SEA U-Modell oder „Badewanne“ Jedem Werbekontakt wird der gleiche Anteil an der Conversion zugerechnet. 40% 10% Gleichverteilung Jedem Werbekontakt wird der gleiche Anteil an der Conversion zugerechnet. 10% Kauf Display 10% SEO 20% PSM 30% SEA 40% Kauf Display SEO Marketing Natives HH 25. November 2013 Seite 11 PSM SEA Linear abnehmend Näher am Conversion-Ereignis liegenden Werbemittel-Kontakte erhalten eine höhere Bedeutung
  12. 12. Dynamisches Modell berücksichtigt zeitliche Dimension und ermöglicht Erfolgsbeitragszuweisung in Abhängigkeit von dem Wirkungsbeitrag –  Dynamische Abbildung möglich über statistisches Modell 45% 15% 5% 35% Kauf Display 25% SEO PSM 15% SEA t –  Entscheidender Unterschied zu den am Markt bekannten statischen Modellen, wie bspw. First Contact, U-Modell oder Gleichverteilung, welche alternativ zu Last-Contact eingesetzt werden könnten, ist der Einbezug der zeitlichen Dimension. 55% 5% Kauf Display SEO PSM SEA t Die dargestellte Marketingkanalreihenfolge und die zugewiesene Anteiligkeit dient nur zur Anschauung und basiert nicht auf realen Customer Journey Daten. Marketing Natives HH 25. November 2013 Seite 12 –  In Abhängigkeit von der Ausprägung der Einflussvariablen einer Journey kommt es zu unterschiedlichen Attributionswerten für die Kontaktpunkte –  Dies hat zur Folge, dass die gleiche Kanalreihenfolge in der Customer Journey bei unterschiedlichen Zeitabständen zwischen den Kontakten zu unterschiedlichen Attributionswerten für die beteiligten Kanäle führt.
  13. 13. Ausgewählte Beispiele zu BIFragestellungen §  Welche Produkte möchte Kunde/User X kaufen? à Sortimentsaffinitäten, Personalisierung/Individualisierung §  Wie sollte Suchergebnis- und Produktlisten sortiert werden? à Automatisierte Produktlistensortierung §  Wie sollten wir das Werbebudget auf die Werbeinstrumente verteilen? à Attributionsmodell §  Welcher Kunde/User bekommt einen Gutschein? à Hebelaffinität/CustomerLifetimeValue (CLV) §  Wie viel € sollte ich für eine SEA Anzeige oder einen Banner bieten? à Attributionsmodell §  Was ist auf otto.de passiert bzw. was passiert gerade? ! Reporting Marketing Natives HH 25. November 2013 Seite 13
  14. 14. Vielen Dank für die Aufmerksamkeit! Marketing Natives HH 25. November 2013 Seite 14 Quelle: http://everythingfunny.org

×