Your SlideShare is downloading. ×
CRO Prozesse mit Data Mining Optimieren
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×
Saving this for later? Get the SlideShare app to save on your phone or tablet. Read anywhere, anytime – even offline.
Text the download link to your phone
Standard text messaging rates apply

CRO Prozesse mit Data Mining Optimieren

1,721

Published on

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

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
1,721
On Slideshare
0
From Embeds
0
Number of Embeds
1
Actions
Shares
0
Downloads
0
Comments
0
Likes
5
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide

Transcript

  • 1. CRO ProzessemitData Mining optimieren
    Laurent Müllender
    Director Traffic Monetization
    1. September 2011
  • 2. Sedo GmbH
    © Sedo, 2011
    2
    • Buy, Park, Sell - Full-Service Domain-Handelsplatz
    • 3. Gegründet in 2001
    • 4. Niederlassungen in Deutschland (Köln), UK (London) & USA (Boston)
    • 5. 150 Mitarbeiter aus mehr als 30 Nationen
    • 6. Tochterfirma der Sedo Holding AG im Verbund der United Internet AG
    • 7. Weltweit größter Marktplatz für Domain Namen
    • 8. 14 Millionen Domains zum Verkauf
    • 9. 6,5 Millionen Domains bei Sedo geparkt zur Monetarisierung
    • 10. 1 Million Kunden weltweit
    • 11. Awards: Domain Name Wire Survey Winner 2007-2009, Webhost Directory Award, Domainers Choice Award 2008, Ernst & Young Entrepreneur des Jahres 2007
    • 12. In House Secure Transfer/Escrow Team
  • Der CRO Prozess
    © Sedo, 2011
    3
  • 13. Key elements & Tools
    © Sedo, 2011
    4
  • 14. Siekennen die Tools, die best practices, Siebeherrschen das Testen/Optimierenaber…
    © Sedo, 2011
    5
    • Testen ist teuer!
    • 15. Erkennen Sie die wirklichen Schwachstellen?
    • 16. Wer die Schwächen kennt, der kennt noch lange nicht den Grund!
    • 17. Viele Tests scheitern weil statistisch nicht relevant.Ruleofthumb: nichts testen was nicht mindestens 10% erhoffte Verbesserung bringt
    • 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. Viele Optimierungspotentiale bleiben unerkannt.
    • 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
  • Hierliegtihr Potential:
    © Sedo, 2011
    6
    CRO ist nicht Testen. Tests sind nur Werkzeuge um Hypothesen zu validieren!
  • 21. KlassischeIdentifikation von Testhypothesen:
    © Sedo, 2011
    7
    • Oftmals nur das offensichtliche, das Leichte, das „Gut-feeling“.
    Aber ist es auch das Richtige?
  • 22. NutzenSie das ganze Potential ihrerDaten?
    © Sedo, 2011
    8
     Um wirklich die Prozesse zu verstehen und somit die richtigen Hypothesen zu finden, müssen Sie Ihren Datenschatz erkennen und nutzen.
  • 23. Was wärewenn …
    © Sedo, 2011
    9
    • … Sie wüssten WARUM Effekt „A“ auftritt?
    • 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?
  • Data Mining: explorativ und prädiktiv
    © Sedo, 2011
    10
    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)
     Warum sind die Beobachtungen so wie sie sind und welche Beobachtungen sind zu erwarten?
     Ursachen erkennen und verstehen („Muster“) und prädiktive Auswertungen ableiten
  • 25. Verwendete Data Mining Algorithmen
    © Sedo, 2011
    11
    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,…)
    Regressionsanalysen (Prädiktiv)= Ermittlung von Beziehungenzwischen (un)abhängigenVariabeln/Attributen, das Finden des bestenerklärendenModells.Beispiele: Cart Optimierungen, Erklärung von Ergebnissen, KorrelationenzwischenElementen, Umsatz-/Verkaufsvorhersagen,…
  • 26. Verwendete Data Mining Algorithmen
    © Sedo, 2011
    12
    Cluster Analysis (Ursachen)=(Neue) Strukturierung von ähnlichenElementen, Mustererkennungen in DatensätzenohneStrukturwissen (“unsupervised learning”)Beispiele: Kundensegmentebilden, Click Verhalten, Kaufverhalten, Kampagnenerfolge, Targeting, Niche/Market Identifikationen
    Anomaly Detection (Ursachen)=Math VerfahrenzurPrüfung von Datensätzen, Erkennen von SchwachpunktenoderungewöhnlichenWerten.  MessfehleroderunerwartetesErgebnis?Beispiele: Prüfung von Tests & Hypothesen, Verbesserung der Datensätze, Fraud detection
    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!
  • 27. Data Mining Prozess
    © Sedo, 2011
    13
    CRISP
    (Cross-Industry Standard Process for data mining)
    DMAIC
    (Six-Sigma)
    SEMMA
    (SAS Institute)
    Definieren
    (Define)
    Verständnis
    der Daten
    Stichprobe
    (Sample)
    Sachver-ständnis
    Messen
    (Measure)
    Datenexplo-ration (Explore)
    Datenaufbe-reitung
    Modellierung
    Analysieren
    (Analyze)
    Modifikation
    (Modify)
    Evaluation
    Verbessern
    (Improve)
    Modellbildung
    (Model)
    Deployment
    Steuern
    (Control)
    Beurteilung
    (Assess)
  • 28. AllesnurTheorie?
    © Sedo, 2011
    14
  • 29. AbbruchsratenimKaufprozess
    © Sedo, 2011
    15
    • Preisist in diesem Fall die bestimmendeGrößebeiAbbruchsraten (bedingtdurcheinAktionsangebot)
    • 30. Möglichdurch Anomaly detection & Decision Trees
    • 31. WichtigmitRohdatenzuarbeitenvsaggregiertenDaten!
  • Ermittlung von PrädiktorenfürSessions mitKlicks
    © Sedo, 2011
    16
    (Top Level) Kategorie und BrowsertyperklärenUser Sitzungenmit Clicks auf Ads mehralsz.b. das gewählte Template der Landing Page (!)Template und Clicks Sitzungensindjedochkorreliert.
     HebelIdentifikation. Optimierungz.b. fokussieren auf den interessantenKategorien (Folgeanalyse) lohntsichdeutlich.
  • 32. Neubewertung von Layout performance
    © Sedo, 2011
    17
    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
    • Anpassung von Auto Optimierungsroutinenmöglich
    • 33. DM AnalysenführenzuteilweiseunerwartetenErgebnissen und stossenweiteresinnvolleAnalysen an
  • Klickwahrscheinlichkeit und Browsertyp
    © Sedo, 2011
    18
    >
    Die Klickwahrscheinlichkeit auf Ads istbei Sessions mit MSIE Browser höheralsbei den anderen.
     Optimierungen je nach Browser Typ
  • 34. Erklärung von Spam / Fraud
    © Sedo, 2011
    19
    Identifikationeines stark erklärendenPrädiktorsfür Spam/Fraud!
    DieserPrädiktorist in jedem Shop wiederzufinden
    (Werte und Prädiktorunkenntlichgemacht)
  • 35. Data Mining imUnternehmeneinführen
    © Sedo, 2011
    20
    DM istwie CRO ein Mindset was eingeführtwerden muss.
    Esbedarfeinesreellencommitments.
    DM istforschen und ResultatekönnenimVorfeldnichtsichersein.
    DM wie CRO: hohe potentielle Verbesserungsraten.
    DM unterstützt wesentlich CRO durch Validierung der Resultate, Hebelidentifikation und Hypothesenbildung
    Hoher ROI, Investitionen in der Regel schnell amortisiert durch den gelieferten Output.
  • 36. Data Mining NutzenimUnternehmen
    © Sedo, 2011
    21
     Je nachGröße und Organisationfindet Data Mining in vielenBereichenAnwendung
  • 37. Data Mining: Anbieter
    © Sedo, 2011
    22
    SPSS (Modeler)
    SAS Enterprise Miner
    Statistica Data Miner
    KNIME (OS)
    RapidMiner
    Einzellösungen(Marketing Engineering, Cluster 3.0, S+SpatialStats,…)
    Bedarf und Budget ermitteln
    Kompetenzenprüfen.
  • 38. Schlusswort
    © Sedo, 2011
    23
    Business Analyse / DM als fester Bestandteil des CRO Prozesses.
    VersuchenSieimmerzuerklären WARUM etwas so istwieesistansonstentesten und optimierenSie blind.
    SchaffenSiesich die Tools und das Know How um Hebelzuidentifizieren.
    Ermöglichen und nutzenSie das volle Potential allerIhrerDaten
    InvestierenSie in Business Analyse!

×