Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Automatizace dat u publishera v praxi

345 views

Published on

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?

Published in: Data & Analytics
  • Be the first to comment

  • Be the first to like this

Automatizace dat u publishera v praxi

  1. 1. AUTOMATIZACE DAT U PUBLISHERA V PRAXI
  2. 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. 3. VÝVOJ AUTOMATIZACE DAT
  4. 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. 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. 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. 7. VÝVOJ AUTOMATIZACE DAT Aktuální stav 03/2019 • Sledování denních výkonů, trendů • Napojení na data Gemiusu • Rozpaddatdopotřebnéhodetailu • Vytvářenípřesnějšíchpredikcí
  8. 8. JAKÁ DATA A PRO JAKÉ ÚČELYJE POUŽÍVÁME?
  9. 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. 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. 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. 12. CASE STUDY: OPTIMALIZACE OPEN RTB PODLE AUTOMATIZOVANÝCH DAT
  13. 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. 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. 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. 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. 17. CASE STUDY: OPTIMALIZACE OPEN RTB PODLE AUTOMATIZOVANÝCH DAT Závěr: Cíl splněn - celkové výnosy vzrostly, potvrdily se i všechny předpoklady Zdroj: Power BI
  18. 18. CO PLÁNUJEME AUTOMATIZOVATDÁLE?
  19. 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. 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. 21. CO PLÁNUJEME AUTOMATIZOVAT DÁLE? Data z vývoje, prediktivní modely ZAREGISTRUJ SE ZDE Baví tě analytika? Zkus to u nás!
  22. 22. OTÁZKY?
  23. 23. Děkuji za pozornost Jonáš Rákosník jonas.rakosnik@cncenter.cz

×