Personalisierung im Internet durch Web Mining

Transkript

1 Personalisierung im Internet durch Web Mining Dr. Matthias Meyer

2 Inhalt Grundlagen der Personalisierung Data Mining und Web Mining Web Mining zur Personalisierung des Webauftritts Beispiel Musterdepot Fazit und Ausblick Anm.: Die Folien 3, 5, 6, 24, 28, 29 und 30 stützen sich auf im Internet verfügbare Unterlagen von Prof. Skiera (Universität Frankfurt), die Folie 4 stützt sich auf im Internet verfügbare Unterlagen von Prof. Krafft (WHU Vallendar). 1

3 Personalisierung Grundidee verkündete Henry Ford, dass der Ford T nunmehr in jeder gewünschten Farbe lieferbar sei, vorausgesetzt sie wäre schwarz... 2

4 Personalisierung Grundidee Idee: Everybody IS and everybody GETS an original Dahinter stehende Produktionsidee: Mass Customization (oder kundenindividuelle Massenfertigung) Andere Begriffe für Personalisierung: One-to-One Marketing Content-Personalisierung Oberbegriff: Customer-Relationship-Management Unterschiede zwischen: Personalization: kosmetische Personalisierung (z.b. die Anrede) Customization: Individualisierung des Inhalts, nicht nur der Fassade 3

5 Maximen des One to One -Marketing 1. Volumen je Kunden (nicht Produkt-MA) ausbauen 2. Individuelle Kundenkommunikation mit Feedback 3. Angebote werden je Kunde (nicht Produkt) differenziert 4. Kundenmanagement (neben Produkt- und Mitarbeitermanagement) 5. Wirtschaftliche Kundenbeziehungen sind wichtiger als Economies of Scale aus hohen Marktanteilen 6. Der Kunde steuert die Interaktion 7. Bringe die Produkte zum Kunden (nicht umgekehrt) 8. Schütze die Privatsphäre des Kunden (also freiwillige Bereitstellung von Präferenzprofilen) 9. Beachtung soziologischer Einflüsse 4

6 Realer und virtueller Kaufprozess Kaufprozess realworld Kaufprozess iworld Produkte/ Service A Variantenvielfalt B C Individualisierte Variantenvielfalt A B C Kauf-/Verkaufs-prozess Standardisiert/Automatisiert Individualisiert Kunde A B C A B C 5

7 Ansatzpunkte zur Personalisierung Produktpolitik, z.b.: Empfehlungssysteme wie myrestaurantguide Empfehlungssysteme wie firefly, linxx Mass Customization Kommunikationspolitik, z.b.: Personalisierte Bannerschaltung Permission Marketing Keyword-Advertising Distributionspolitik, z.b.: Personalisierte Auslieferung Möglicherweise noch innovativere Formen durch Mobile Commerce Preispolitik, z.b.: (zukünftig) Preisverhandlungen auf Basis von Agententechnologie 6

8 Grundlagen des Data Mining Wissensentdeckung in Datenbanken ist der nicht-triviale Prozess der Identifikation gültiger, neuartiger, potenziell nützlicher und letztlich verständlicher Muster in (großen) Datenbeständen. (nach Fayyad, U.M. et al. 1996) Differenzierung: Knowledge discovery in databases (KDD): gesamter Prozess der interaktiven und iterativen Entdeckung und Interpretation von nützlichem Wissen aus Daten. Data Mining (DM): Anwendung von Algorithmen zur Extraktion von Mustern aus Daten. 7

9 Anwendungen des Data Mining Anwendungen im Marketing Kundensegmentierung und Zielgruppen-Marketing Cross-Selling Customer Lifetime Value Warenkorb-Analyse Stornovorhersage Bewertung und Prognose der Kunden-Profitabilität Typische Fragestellungen Wer sind meine Kunden? Welche Kunden/Interessenten sollen angesprochen werden? Welche weiteren Produkte biete ich an und zu welchem Preis? Wie kommuniziere ich mit Kunden/Interessenten? Welche Kunden könnten abwandern? Welche Kunden sind profitabel? 8

10 Einordnung des Data Mining 9

11 Methoden des Data Mining Abweichungsanalyse Assoziationsanalyse/Sequenzen Bayes Classifier Clusteranalyse Diskriminanzanalyse Entscheidungsbäume Genetische Algorithmen Inductive Logic Programming k-nächste-nachbarn Kohonen SOM Neuronale Netze Regelbasierte Verfahren Regression Rough Sets Sonstige

12 Personalisierung des Webauftrittes Personalisierung einer Website Anzeigen von Inhalten abgestimmt auf den jeweiligen Benutzer, basierend auf über den Benutzer gespeicherten Informationen (z.b. Kaufhistorie, Benutzerverhalten auf der Website). Personalisierung durch den Benutzer Definition der Gestaltung und des Informationsangebots durch Benutzer. Beispiele sind Websites von Direct Brokern, wie z.b. Comdirect, bei denen sich der Benutzer ein Musterdepot einrichten und Informationsangebote zum Marktgeschehen auswählen kann. Sessionbezogene Personalisierung durch den Anbieter Anpassung des (Informations-)Angebots an das Suchverhalten des Benutzers Amazon zeigt nach Abschluss einer Suche nach einem Buchtitel weitere Titel, die andere Käufer des gesuchten Buchtitels ebenfalls gekauft haben. Sessionübergreifende Personalisierung durch den Anbieter Identifikation des Benutzers per Login und Passwort Bsp. Internetbanking: Möglichkeit, neben den angeforderten Informationen, z.b. Kontostand, weitere auf den Kunden zugeschnittene Informationen, z.b. Angebote für Geldanlagen, zu integrieren. 11

13 Web Mining Grundlagen des Web Mining Anwendung von Data Mining-Algorithmen auf Logberichte, die von Site-Besuchern auf dem Web Server generiert werden. Identifikation und Vorhersage von Trends, Verhalten und Mustern. Web Mining und Personalisierung Web Mining generiert aussagekräftige Besucherprofile und extrahiert aus den Logberichten typische Klickpfade auf der Webseite (Click Stream Behaviour). Web Mining Algorithmen generieren automatisch die Geschäftsregeln, die Voraussetzung für die Personalisierung von Webseiten sind. (Forrester Research, Januar 2000) Site-Betreiber müssen Besucherprofile erstellen, Jeder vierte Einkaufsversuch auf dem Web scheitert (Andersen Consulting, Dezember 1999) um das Benutzerverhalten analysieren zu können, anstatt nur die Anzahl der Page Views zu erfassen. (vgl. Internet-Trends, Januar 2000) 12

14 Einordnung des Web Mining Web Mining Web Content Mining Web Structure Mining Web Usage Mining Web Page Content Mining Search Result Mining General Access Pattern Tracking Customized Usage Tracking 13

15 Web Mining und Personalisierung des Online Auftrittes Offline Erzeugung eines Modells, das die Werbebanner identifiziert, die von Kunden mit einem bestimmten Profil am wahrscheinlichsten angeklickt werden. Online Web-Besucher werden online gescort und das beste Werbebanner wird eingeblendet. Erstellung eines Modelles, das Kunden identifiziert, die am wahrscheinlichsten auch andere Produkte kaufen würden. Ein Web-Besucher wird online gescort und es werden die Produkte angezeigt, die er am wahrscheinlichsten kaufen wird. Erzeugung eines Modells, das die besten Pfade zu einer Zielseite identifiziert. Wenn Kunden vom guten Pfad abweichen, wird online ein Fenster/Content eingeblendet, das ihn veranlassen soll, zum guten Pfad zurückzukehren. 14

16 Web Mining Datenaufbereitung 15

17 Web Mining Datenaufbereitung 16

18 Auswertung Logfiles Tools zur Auswertung von Logfiles: z.b. FastStats Analyzer, WebTrends, WebSuxess und LogAnalyzer. Tools sollen Antworten auf folgende Fragestellungen liefern (Auswahl): Wer besucht die Website (Herkunft: Land, Provider, Unternehmen etc.)? Wann wird die Website am häufigsten besucht? Wie oft wird auf welche Seite zugegriffen? Welche Seiten werden von welchen Besuchern (Kunden, Konkurrenten) abgerufen? Welche Browser (Typ und Version) verwenden die Besucher der Website? Es handelt sich somit vorwiegend um rein deskriptive Analysen zur Nutzung der Website unabhängig vom Verhalten einzelner Besucher. 17

19 Logfile-Analyse Grundlagen Nutzung einer Website wird in der Regel durch den Webserver protokolliert, indem sämtliche Zugriffsinformationen in einem Logfile gespeichert werden. Die Einträge des Logfiles bestehen dabei aus (i) der IP-Adresse des Nutzers, (ii) der Zugriffszeit, (iii) HTML-Befehlen ( GET, POST etc.), (iv) der URL der aufgerufenen Seite, (v) der referrer-url, (vi) dem Protokoll (normalerweise http), (vii) Statuscode Feld, (viii) der Anzahl übertragener Bytes und (ix) unter Umständen einer UserID. Probleme und Grenzen Zur Untersuchung des Nutzerverhaltens sind nicht alle Informationen relevant aufwändiges Preprocessing. Zur Benutzeridentifikation steht in Logfiles nur die IP-Adresse zur Verfügung Problematisch bei Unternehmen alle Benutzer haben dieselbe IP-Adresse. Ziel verschiedener Ansätze Cookies, URL Rewriting, Java Applets, Session Tracking auf Application Server Ebene und Reverse Proxy Web Server ist die Vergabe eindeutiger Session ID s, die letztlich eine Reihe von Zugriffen in einer Session zusammenhalten. Caching Seiten werden zur Verkürzung der Ladezeiten zwischengespeichert und werden nicht mehr im Logfile aufgezeichnet Dynamische Webseiten entstehen erst während der Benutzung und haben oft nur noch eine einzige URL 18

20 Applikatorisches Tracking WWW WWW SessionLog zusätzlich SessionID über Cookie oder URL-Parameter Bezug zu einem Benutzer. ClickStream Analyse möglich SessionMaker Web Server Application Tracker ServerLog zusätzlich Business Events Bezug zu Session und Benutzer Direkt als Eingabe für Mining nutzbar ApplLog DYMATRIX CONSULTING GROUP Nur IPAdr, URL, Timestamp, ReqParams Kein Bezug zu einem Benutzer. Problematisch bei dynamischen Seiten. Umfangreiche Datenbereinigung nötig 19

21 Fallbeispiel Musterdepot - Ziele Anonyme Benutzer Können sich ein Musterdepot zusammenstellen. Können Aktien kaufen, verkaufen und aktuelle Kurse abfragen. Das Musterdepot wird gelöscht beim Verlassen der Seite. Registrierte Benutzer Können Benutzername und Passwort wählen. Depot wird gespeichert und ist wieder abrufbar. Ziele der Fachabteilung Es sollen die neuen Depot Preismodelle beworben werden: Depot für den Langzeit-Anleger (geringe Grundgebühr) Depot für den Zocker (Realtimekurse inclusive) Depot für den PowerTrader (geringe Transaktionsgebühr) Bereits anonyme Benutzer sollen an ihrem Click-Verhalten einer Kundengruppe zugeordnet werden! DYMATRIX CONSULTING GROUP 20

22 Fallbeispiel Musterdepot - Vorgehen Verwaltung Musterdepots (registrierte Benutzer) Aufzeichnung des Benutzerverhaltens Erkennen von Kundengruppen Erstellen von Regeln für die Kundengruppen Integration der Regeln in die Anwendung DYMATRIX CONSULTING GROUP Realtime Classification von anonymen Benutzern Personalisierte Produktangebote 21

23 Fallbeispiel Musterdepot DYMATRIX CONSULTING GROUP & provantis IT solutions 22

24 Personalisierung des Musterdepots Übernahme der Regeln in die Anwendung Musterdepot Regeln erst bei mindestens 2 Aktien im Depot anwenden Angebot für Langzeit Anleger Risikobereitschaft kleiner 30 Weniger als 5 mal Refresh je Session Angebot für Zocker Risikobereitschaft größer 80 Mindestens 10 mal Refresh je Session Angebot für PowerTrader Risikobereitschaft zwischen 30 und 60 Mindestens 5 neue Aktien im Depot 23

25 Grenzen der Personalisierung Rechtliche Grenzen Widerstände der Konsumenten z.b. negative Erfahrungen von Amazon mit browserabhängigen Preisen Zusammenführen verschiedener Datenquellen (Doubleclick mit Abacus- Datenbank) Geringe Akzeptanz der Nutzer Angst der Konsumenten "etwas zu verpassen" Aufwand für die Personalisierung mitunter erheblich Präferenzen ändern sich im Zeitablauf 24

26 Fazit und Ausblick Personalisierung von Webauftritten schafft maßgeschneiderte Kundenansprache. Methoden des Web Mining ermöglicht Generierung von Benutzerprofilen und Ableitung von Regeln. Web (Usage) Mining setzt bislang die Analyse von Logfiles (Aufbereitung extrem aufwändig!) voraus. Applikatorisches Tracking vermeidet Probleme der Logfile-Analyse. Personalisierung setzt Zusammenspiel mit Content-Management voraus. Beachtung von Datenschutzrichtlinien unbedingt erforderlich! 25

27 Gläserner Kunde? 26

28 Kontakt Dr. Matthias Meyer Seminar für Empirische Forschung und Quantitative Unternehmensplanung (EFOplan) Universität München Kaulbachstraße 45 / I D München matthias.meyer@bwl.uni-muenchen.de Tel.: 089 / , Fax: 089 / Forschungsschwerpunkte Data Mining/Web Mining, statistische Datenanalysen Database Marketing und Kundendatenanalysen Information Networking, CRM / ecrm, eintelligence Zur Person Studium der Wirtschaftsinformatik an der TU Braunschweig Promotion am Lehrstuhl für Wirtschaftsinformatik der Kath. Universität Eichstätt Wechsel an die Ludwig-Maximilians-Universität München Mitherausgeber des Handbuches Computer Based Marketing, des Handbuches Data Mining im Marketing und der Buchreihe Information Networking Beratungserfahrungen (u.a. Pharma, Finanzdienstleistungen, Mobilfunk, Konsumgüter) 27

29 Relevante Rechtsquellen zur Personalisierung in Deutschland 28

30 Erlaubte Datenerhebungen... ansonsten muss eine Einwilligung des Nutzers vorliegen! 29

31 Beurteilung der verschiedenen Möglichkeiten zur Datenerhebung 30

32 DynaMine Application Database SAS Click Stream Data Web Mining Web Controlling time_id year quarter month day full_date... wkn_id wkn wkn_desc... time_id user_id session_id wkn_id clicks dauer scorevalue... session_id session_desc... user_id user_type name... DYMATRIX CONSULTING GROUP 31

33 DynaMine WWW WWW DYMATRIX CONSULTING GROUP Web Server Log Data Warehouse DynaTracker Zentraler Log Application Business Events Business Data DynaExecutor XML aggregierter Log XML SAS Enterprise Miner Application Server DynaGenerator Regeln (Java, XML) 32