CRO Prozesse mit Data Mining Optimieren

2,036
-1

Published on

Vortrag von Laurent Müllender (Director Traffic Monetization, Sedo GmbH) auf dem Conversion Summit 2011 in Frankfurt (www.conversionsummit.org)

Published in: Business
0 Comments
5 Likes
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total Views
2,036
On Slideshare
0
From Embeds
0
Number of Embeds
1
Actions
Shares
0
Downloads
0
Comments
0
Likes
5
Embeds 0
No embeds

No notes for slide

CRO Prozesse mit Data Mining Optimieren

  1. 1. CRO ProzessemitData Mining optimieren<br />Laurent Müllender<br />Director Traffic Monetization<br />1. September 2011<br />
  2. 2. Sedo GmbH<br />© Sedo, 2011<br />2<br /><ul><li>Buy, Park, Sell - Full-Service Domain-Handelsplatz
  3. 3. Gegründet in 2001
  4. 4. Niederlassungen in Deutschland (Köln), UK (London) & USA (Boston)
  5. 5. 150 Mitarbeiter aus mehr als 30 Nationen
  6. 6. Tochterfirma der Sedo Holding AG im Verbund der United Internet AG
  7. 7. Weltweit größter Marktplatz für Domain Namen
  8. 8. 14 Millionen Domains zum Verkauf
  9. 9. 6,5 Millionen Domains bei Sedo geparkt zur Monetarisierung
  10. 10. 1 Million Kunden weltweit
  11. 11. Awards: Domain Name Wire Survey Winner 2007-2009, Webhost Directory Award, Domainers Choice Award 2008, Ernst & Young Entrepreneur des Jahres 2007
  12. 12. In House Secure Transfer/Escrow Team</li></li></ul><li>Der CRO Prozess<br />© Sedo, 2011<br />3<br />
  13. 13. Key elements & Tools<br />© Sedo, 2011<br />4<br />
  14. 14. Siekennen die Tools, die best practices, Siebeherrschen das Testen/Optimierenaber…<br />© Sedo, 2011<br />5<br /><ul><li>Testen ist teuer!
  15. 15. Erkennen Sie die wirklichen Schwachstellen?
  16. 16. Wer die Schwächen kennt, der kennt noch lange nicht den Grund!
  17. 17. Viele Tests scheitern weil statistisch nicht relevant.Ruleofthumb: nichts testen was nicht mindestens 10% erhoffte Verbesserung bringt
  18. 18. Erfolgreich getestete Effekte/Verbesserungen verwässern oder lassen sich nach roll out nicht mehr beobachten. Testbed != LiveOftmals weil man den Grund und die Wechselwirkungen nicht kannte.
  19. 19. Viele Optimierungspotentiale bleiben unerkannt.
  20. 20. „ 5 von 6 Tests scheitern. Es ist also wirklich noch viel zu verbessern da draußen. Durch Ausprobieren wird man kein CRO-Champion – es geht darum, die richtigen Hypothesen zu entwickeln“Jos Meijerhof, PM Conversion & Usability, Google Deutschland, Conversion Camp 2010</li></li></ul><li>Hierliegtihr Potential:<br />© Sedo, 2011<br />6<br />CRO ist nicht Testen. Tests sind nur Werkzeuge um Hypothesen zu validieren!<br />
  21. 21. KlassischeIdentifikation von Testhypothesen:<br />© Sedo, 2011<br />7<br /><ul><li>Oftmals nur das offensichtliche, das Leichte, das „Gut-feeling“.</li></ul> Aber ist es auch das Richtige?<br />
  22. 22. NutzenSie das ganze Potential ihrerDaten?<br />© Sedo, 2011<br />8<br /> Um wirklich die Prozesse zu verstehen und somit die richtigen Hypothesen zu finden, müssen Sie Ihren Datenschatz erkennen und nutzen.<br />
  23. 23. Was wärewenn …<br />© Sedo, 2011<br />9<br /><ul><li>… Sie wüssten WARUM Effekt „A“ auftritt?
  24. 24. … Sie im Vorfeld schon wüssten was genau die Einflussfaktoren sind, welche Hebel es wirklich anzusetzen gibt, WAS zu testen ist unabhängig von Meinungen und mit Daten belegt?</li></li></ul><li>Data Mining: explorativ und prädiktiv<br />© Sedo, 2011<br />10<br />Unter Data Mining [...] versteht man die systematische Anwendung von Methoden, die meist statistisch-mathematisch begründet sind, auf einen Datenbestand mit dem Ziel, neue Muster zu erkennen. Hierbei geht es vor allem um die Verarbeitung sehr großer Datenbestände (die nicht mehr manuell verarbeitet werden könnten), wofür effiziente Methoden benötigt werden, deren Zeitkomplexität sie auch für große Datenmengen geeignet macht. (Quelle: Wikipedia)<br /> Warum sind die Beobachtungen so wie sie sind und welche Beobachtungen sind zu erwarten?<br /> Ursachen erkennen und verstehen („Muster“) und prädiktive Auswertungen ableiten<br />
  25. 25. Verwendete Data Mining Algorithmen<br />© Sedo, 2011<br />11<br />Klassifikationen (Prädiktiv)= Zuweisung von ElementenzubestehendenKlassen (“supervised learning”). VoraussageeinerVariabelbasierend auf den Attributen des Datensets.Beispiel: Identifizierung von Handwerker-Käufern (Variabel) mittels Attribute des Kaufverhaltens (Views, Clicks, Marken, Uhrzeit, AOV, Zahlungsmodell,…)<br />Regressionsanalysen (Prädiktiv)= Ermittlung von Beziehungenzwischen (un)abhängigenVariabeln/Attributen, das Finden des bestenerklärendenModells.Beispiele: Cart Optimierungen, Erklärung von Ergebnissen, KorrelationenzwischenElementen, Umsatz-/Verkaufsvorhersagen,…<br />
  26. 26. Verwendete Data Mining Algorithmen<br />© Sedo, 2011<br />12<br />Cluster Analysis (Ursachen)=(Neue) Strukturierung von ähnlichenElementen, Mustererkennungen in DatensätzenohneStrukturwissen (“unsupervised learning”)Beispiele: Kundensegmentebilden, Click Verhalten, Kaufverhalten, Kampagnenerfolge, Targeting, Niche/Market Identifikationen<br />Anomaly Detection (Ursachen)=Math VerfahrenzurPrüfung von Datensätzen, Erkennen von SchwachpunktenoderungewöhnlichenWerten.  MessfehleroderunerwartetesErgebnis?Beispiele: Prüfung von Tests & Hypothesen, Verbesserung der Datensätze, Fraud detection<br />Assoziationen= A zieht B nachsich. “WereinSpielzeugkauft, kauftauch in 20% der FälleBatterien” “Funnel Weg X führtzu Y”Beispiele: Sequenz/Funnel Analysen, Vorhersagen von Verkäufen, Warenkorbanalysen, Crossmarketing, Pricing. Oft erstaunlicheResultate!<br />
  27. 27. Data Mining Prozess<br />© Sedo, 2011<br />13<br />CRISP<br />(Cross-Industry Standard Process for data mining)<br />DMAIC<br />(Six-Sigma)<br />SEMMA<br />(SAS Institute)<br />Definieren<br />(Define)<br />Verständnis<br />der Daten<br />Stichprobe<br />(Sample)<br />Sachver-ständnis<br />Messen<br />(Measure)<br />Datenexplo-ration (Explore)<br />Datenaufbe-reitung<br />Modellierung<br />Analysieren<br />(Analyze)<br />Modifikation<br />(Modify)<br />Evaluation<br />Verbessern<br />(Improve)<br />Modellbildung<br />(Model)<br />Deployment<br />Steuern<br />(Control)<br />Beurteilung<br />(Assess)<br />
  28. 28. AllesnurTheorie?<br />© Sedo, 2011<br />14<br />
  29. 29. AbbruchsratenimKaufprozess<br />© Sedo, 2011<br />15<br /><ul><li>Preisist in diesem Fall die bestimmendeGrößebeiAbbruchsraten (bedingtdurcheinAktionsangebot)
  30. 30. Möglichdurch Anomaly detection & Decision Trees
  31. 31. WichtigmitRohdatenzuarbeitenvsaggregiertenDaten!</li></li></ul><li>Ermittlung von PrädiktorenfürSessions mitKlicks<br />© Sedo, 2011<br />16<br />(Top Level) Kategorie und BrowsertyperklärenUser Sitzungenmit Clicks auf Ads mehralsz.b. das gewählte Template der Landing Page (!)Template und Clicks Sitzungensindjedochkorreliert.<br /> HebelIdentifikation. Optimierungz.b. fokussieren auf den interessantenKategorien (Folgeanalyse) lohntsichdeutlich.<br />
  32. 32. Neubewertung von Layout performance<br />© Sedo, 2011<br />17<br />EineweitereKonsequenzaus den vorherigenResultaten (überraschendePrädikatoren und Korrelation Template und Clicks) war eineerneuteÜberprüfung der KPI unserer Landing page layouts aus der sichz.b. ergabdasseinbestimmtes layout unterbewertet war in der Performance<br /><ul><li>Anpassung von Auto Optimierungsroutinenmöglich
  33. 33. DM AnalysenführenzuteilweiseunerwartetenErgebnissen und stossenweiteresinnvolleAnalysen an</li></li></ul><li>Klickwahrscheinlichkeit und Browsertyp<br />© Sedo, 2011<br />18<br />><br />Die Klickwahrscheinlichkeit auf Ads istbei Sessions mit MSIE Browser höheralsbei den anderen.<br /> Optimierungen je nach Browser Typ<br />
  34. 34. Erklärung von Spam / Fraud<br />© Sedo, 2011<br />19<br />Identifikationeines stark erklärendenPrädiktorsfür Spam/Fraud!<br />DieserPrädiktorist in jedem Shop wiederzufinden<br />(Werte und Prädiktorunkenntlichgemacht)<br />
  35. 35. Data Mining imUnternehmeneinführen<br />© Sedo, 2011<br />20<br />DM istwie CRO ein Mindset was eingeführtwerden muss.<br />Esbedarfeinesreellencommitments.<br />DM istforschen und ResultatekönnenimVorfeldnichtsichersein.<br />DM wie CRO: hohe potentielle Verbesserungsraten. <br />DM unterstützt wesentlich CRO durch Validierung der Resultate, Hebelidentifikation und Hypothesenbildung<br />Hoher ROI, Investitionen in der Regel schnell amortisiert durch den gelieferten Output.<br />
  36. 36. Data Mining NutzenimUnternehmen<br />© Sedo, 2011<br />21<br /> Je nachGröße und Organisationfindet Data Mining in vielenBereichenAnwendung<br />
  37. 37. Data Mining: Anbieter<br />© Sedo, 2011<br />22<br />SPSS (Modeler)<br />SAS Enterprise Miner<br />Statistica Data Miner<br />KNIME (OS)<br />RapidMiner<br />Einzellösungen(Marketing Engineering, Cluster 3.0, S+SpatialStats,…)<br />Bedarf und Budget ermitteln<br />Kompetenzenprüfen.<br />
  38. 38. Schlusswort<br />© Sedo, 2011<br />23<br />Business Analyse / DM als fester Bestandteil des CRO Prozesses.<br />VersuchenSieimmerzuerklären WARUM etwas so istwieesistansonstentesten und optimierenSie blind.<br />SchaffenSiesich die Tools und das Know How um Hebelzuidentifizieren.<br />Ermöglichen und nutzenSie das volle Potential allerIhrerDaten<br />InvestierenSie in Business Analyse!<br />

×