Die „Digital Analytics Value Chain“ bietet einen Rahmen für eine konsistente Analytics-/BI-Strategie, die über einzelne Tools hinausgeht. Was bedeutet dies für die Auswahl einer Web Analytics Lösung und welche spezifischen Herausforderungen für Datenschutz und –speicherung entstehen bei der Umsetzung? Wo liegen die Chancen und Risiken eines ganzheitlichen Ansatzes?

1. Bitkom AK Digital Analytics & Optimization
Web Analytics ist keine Insel
Dennis Heinbokel
Co-Founder, Chief Product Officer

2. Bitkom AK Digital Analytics & Optimization
Web Analytics ist keine Insel
Dennis Heinbokel
Co-Founder, Chief Product Officer

4. •
•

5. 01.
Digital-Organisationen und ihre Tools
müssen sich mittelfristig in eine
ganzheitliche Strategie einfügen

7. Schwächen des „Gallischen Dorfes“
• Mehrere Wahrheiten
• Ungenauigkeit
• Unvollständigkeit
• Mehrarbeit
• Mangel an Austausch
• Fehlende Kontrolle

8. 02.
Digital Analytics ist nicht (nur) Web
Analytics

9. Web Analytics ≠ Digital Analytics

10. Collection Cleansing Linking Structuring Enrichment Accessibility
Visualization
Commu-
nication
Inter-
pretation
Discovery
Recom-
mendation
Action
© 2014 Dennis Heinbokel / digitale-analyse.de
Digital Analytics Value Chain

11. Collection
Erzeugung/Sammlung von Daten
• direkt durch operative Prozesse oder Transaktionen (Bsp. Webshop)
• indirekt durch Tracking von Ereignissen (Bsp. Web Analytics)
• Ohne Daten keine Analyse…

12. Cleansing
Daten-Qualitätsmanagement
• Überwachung
• Bereinigung
• Duplikatprüfung
• Adressverifizierung
• …
• Shit in, shit out

13. Linking
Konsolidierung und Verknüpfung von verschiedenen Datenquellen und –
strömen
• physisch in einer Datenbank
• virtuell / on-the-fly bei der Analyse
Beispiele: Web Analytics mit Webshop und Warenwirtschaft
• Basis für ganzheitliche Analysen

14. Structuring
Transformation der Rohdaten in nutzbare Datenstrukturen, optimiert für
• massenhafte Speicherung
• schnelle Abfrage
• leichte Verständlichkeit
• Unabhängigkeit von Datenquellen
• Single Point of Truth

15. Enrichment
Kombination von Datenpunkten zur Erzeugung neuer Informationen
• Berechnung neuer KPIs
• Anreicherung um Metadaten
• Statistische Informationen
• Segmentierung
Beispiele: Segmentierung von Kunden anhand ihres Kaufverhaltens, CLV
• Echte Wertschöpfung

16. Accessibility
Zugriffsmöglichkeiten auf die gespeicherten (Roh-)Daten
• freie Abfragen, z.B. per SQL
• Nutzung in anderen Anwendungen, z.B. R, SPSS
• Autom. Schnittstellen, z.B. zu Marketing-Systemen
• Flexibilität und Unabhängigkeit

17. Visualization
Präsentation von Daten in visueller Form, z.B.
• Dashboards
• Tabellen
• Diagrammen
• Verständnis von Daten und Zusammenhängen

18. Communication
Aufbereitung von Daten und Visualisierungen zur Nutzung durch verschiedene
interne und externe Zielgruppen
• Generierung populärer Dateiformate (PDF, XLS, PPT)
• Versand von E-Mails
• Teilen von Analyseergebnissen mit Kollegen
• Gemeinsame Bearbeitung von Analysen
• Kommentierung & Diskussion
Beispiele: “Annotations” in Google Analytics
• Gemeinsam mehr erreichen

19. Interpretation
Interpretation von Daten durch
• Hervorheben guter und schlechter Entwicklungen
• Identifikation von Ursachen und Treibern
• Vergleich von Werten (Historie, Plan, Forecast)
• Analyse des Kontext (gleichzeitige Entwicklungen)
• Gewinnung von neuen Erkenntnissen

20. Discovery
Einsatz von modernen Verfahren zur Erkennung von Trends, Korrelationen und
Mustern in Daten
• Data Mining
• Machine Learning
• Predictive Analytics
• Erkennen von nicht-offensichtlichen Zusammenhängen

21. Recommendation
Kombination aller Daten und Erkenntnisse, um Handlungsempfehlungen zu
geben, z.B.
• Investieren in bestimmte Werbekampagnen
• Kontaktieren bestimmer Kunden
• Nachkaufen bestimmter Produkte
-> erfordert Branchenwissen
• Computer ersetzt menschliche Entscheidungen

22. Action
Umsetzung von Empfehlungen durch direkte Kommunikation mit den
operativen Systemen, z.B.
• Anpassung von Geboten auf AdWords
• Versand von E-Mails an Kunden
• Bestellung von Produkten bei Lieferanten
-> erfordert Schnittstellen zu einer Vielzahl von Systemen
• Automatisierung

23. 03.
Web Analytics Lösungen bilden (meist)
nur einen kleinen Teil der Digital
Analytics Value Chain ab

24. Collection Cleansing Linking Structuring Enrichment Accessibility
Visualization
Commu-
nication
Inter-
pretation
Discovery
Recom-
mendation
Action
Evaluierung von Google Analytics anhand
der Digital Analytics Value Chain

25. 04.
Für eine zukunftsfähige Digital
Analytics Strategie darf Web Analytics
kein Datensilo sein

26. Tear down the silos!

27. Beispiel: Setup aus unterschiedlichen
Lösungen
Enrichment Accessibility
Inter-
pretation
Discovery
Cleansing Linking Structuring
Visualization
Commu-
nication
Collection
Recom-
mendation
Action

28. Beispiel: Setup aus unterschiedlichen
Lösungen
Enrichment Accessibility
Inter-
pretation
Discovery
Cleansing Linking Structuring
Visualization
Commu-
nication
Collection
Recom-
mendation
Action

29. Wie „auskunftsfreudig“ sind Web Analytics Lösungen?
Rohdaten-Export
API
User-ID
Attribution
Marketing-Kosten
Google Analytics econda Webtrekk Adobe Analytics

   
  
   
 
  

30. 05.
Die Verteilung von Nutzerdaten über
verschiedene Cloud Services
erschwert Datenschutz und Data
Governance

31. Wer bin ich?
“Big Data”
Platform
Web
Tracking
Testing
Tool
Order
Mgmt
CRM
Web
Shop
Logistics
External
Sources
Recom-
mendations

32. Und wenn ja:
Wie viele?
Enrichment Accessibility
Inter-
pretation
Discovery
“Big Data” Platform
Cleansing Linking Structuring
Visualization
Commu-
nication
Collection
Recom-
mendation
Action

33. 06.
Nicht alle Möglichkeiten, die eine gut
umgesetzte Digital Analytics Strategie
erschließt, können/dürfen genutzt
werden

34. 360° Kundenprofile

35. Google Analytics User ID Policy

36. 07.
dennis@minubo.com
@dheinbokel
digitale-analyse.de