Recommendation Engines Verbindende Strategien zwischen TV, E-Commerce und Target Advertisement BITKOM, Sitzung AK IPTV &Web TV

Transkript

1 Recommendation Engines Verbindende Strategien zwischen TV, E-Commerce und Target Advertisement BITKOM, Sitzung AK IPTV &Web TV Berlin, 27. September 2012 Goldmedia GmbH Oranienburger Str Berlin-Mitte Germany Tel Fax:

2 Goldmedia Gruppe Consulting, Political Advising, Research, Sales & Services, Innovation Goldmedia GmbH Strategy Consulting Markt- und Wettbewerbsanalysen Market-Due-Diligence Portfolioanalysen Strategieentwicklung Business Development Leistungsübersicht Goldmedia Innovation GmbH Innovationsmanagement Unternehmensstrategie Geschäftsentwicklung Produktentwicklung Strategie & Planung Innovation & Produktentwicklung Goldmedia Custom Research GmbH Marktforschung Medienforschung Inhaltsanalysen Conjoint-Analyse CATI, CAPI, Online-Befragung Usability/Eyetracking/Pupillometrie Markt- & Nutzerforschung GOLDMEDIA Politik- & Personalberatung Marketing & Social Media Goldmedia Marketing GmbH Marketingservice Mediaplanung Werbevermarktung Online-Marketing/SEO Social-Media-Marketing Medienresonanzanalyse blätterwald GmbH Goldmedia Political & Staff Advising GmbH Politikberatung Public Affairs Lobbying Personalkonzeption & Personalentwicklung Kooperationspartner PR 2

3 SMART-Trends führen zur Personalisierung Smartphone wird zentrale Steuereinheit Glasfaser HFC to FTTH Cloud Dienste Angebote erreichen Endkunden Mobile Video Nutzung erreicht Massenmarkt www SmartTV Anwender und Geschäftsmodelle Musikmarkt Download schlägt Tonträger MP3 Personalisierung Personal Media startet durch OTT Over the Top Netzbetreiber gehen neue Wege Content drives business SocialTV Social Media trifft TV Programmstrategie Social Intelligence Social Media goes Business Online Werbung TV-Budgets wandern ins Internet 3

4 G O L D M E D I A EMPFEHLUNGSSYSTEME UND DAS SICH WANDELNDE NUTZERVERHALTEN

5 Empfehlungen sind ubiquitär WELT Ereignisse Medien- Zeitschriften Sat WLAN TV und Radio Beziehungsumfeld Familie Kultur Sprache Einkommens verhätlnisse Agenturen Cloud computing Smart meter Energie- Mgmt Tablet Festnetz PERSONAL DATA RECOMMEN- DATION Kabel PC Social Media, Communities Smart Phone E-Commerce VoD Smart TV

6 Multiscreen-Nutzung hat bereits begonnen 1,6 Mio. OTT-Haushalte 2,3 Mio. Tablets 17,2 Mio. Smartphones TV-Sender müssen sich heute darauf vorbereiten und Strategien entwickeln Neue Umsatzpotenziale für existierende Inhalte erschließen durch Adressierung der gesamten Vielfalt an Endgeräten und Endkunden 6

7 Harmonie im Wohnzimmer war gestern Lineare Nutzung Non-Lineare Nutzung Multi-Screen 7

8 8

9 Rolle von Plattformen, Mediatheken und Social Media für Einzelangebote im Umbruch Quelle: Goldmedia-Analyse, 2011 Videos Aggregation Plattform Techn. Distribution Nutzer Videosharing Hybrid-TV Angebote mit Medienbezug/ Mediatheken/ Videocenter Inhalte auf Kommunikationsportalen Social Media Offenes Internet Mobiles Internet Leitungsbasiertes Internet/PC Reine Web-TV- Angebote Sonstige Angebote Angebote können teils unterschiedlicher Kategorie zugeordnet werden Double Counting von Abrufen ist zu vermeiden (bspw. Youtube-Abrufe, durch Facebook induziert) 9

10 Mein Zuhause: Und was schau ich nun? Internet HUMAX icord HD LG BD570 HUMAX Portal HbbTV Samsung Smart TV LG Netcast??????? 10

11 G O L D M E D I A WAS SIND RECOMMENDATION ENGINES

12 DATA Erschließung SOURCES eines (EXAMPLE) übergreifenden Nutzerprofils durch Recommendation Engines Dauer des Besuchs Reihenfolge der Seitenaufrufe Click-Folge Suchanfragen etc. KONSUMENTEN -VERHALTEN PRODUKT- EIGENSCHAFT Produkte gesehen Produkte im Katalog Positionierung Brand & Hersteller Beschreibungen Ratings/ Bewertungen Etc. Geografische Daten Vergangenes Suchverhalten Vergangenes Shopping-Verhalten Aggregiertes Nutzerverhalten HISTORISCHE DATEN SESSION STATISTIK Typ der URL Page Verweis auf URL Netzgeschwin-digkeit IP Addresse etc.

13 PRODUCT PORTFOLIO Recommendation Engines: Märkte/Bereiche E-COMMERCE STREAMING MEDIA NEWS MEDIA TARGETED ADS RECO ENGINE

14 Wie funktionieren Recommendation Engines? Produkt Verfügbarkeit und MetaDaten Vergangene Interaktionen mit Kunden Recommendation Engine Durch Personalisierung entstehen Mehr Umsatz Höhere Konversionsraten Verbesserte Usability durch bessere Navigation Cross- und Upselling Stärkere Kundenbindung Weniger Warenkorbabbrüche Höhere Verweildauer Entscheidungsunterstützung Weniger Beratungsaufwand Weniger manuelle Pflege Höhere Kundenzufriedenheit Relevante Produkt- Empfehlung Erhöhte CTRs (Click-Through- Rate) Kundenzufriedenheit Höhere Konversionsrate Discovery-Effekt Steigende Umsätze Höherer Umsatz (AOV)

15 Einsatz von Recommendation Engines E-Commerce Einsatzbereiche Search Engine E- Newsletter Start-Seite Kategorie ProduktSpec s Werbung Bestellbestätigun g Billing Lieferung CallCenter Produktkatalo g LandingPage Suchergebnisse Warenkorb URL - Link Empfehlungs-Fenster auf Produktseite Top-Seller Verwandte Produkte Accessory-Produkte Cross- und Upselling Bundleangebote Discounts / Sonderangebote Aktionen Überraschungen Empfehlungen auf Startseite Vergleich Top Seller zu persönlichen Empfehlungen Empfehlungen von Fremdseiten (Window-Cross Selling) Ranking von Kategorien Ranking von Suchergebnissen Im Warenkorb, Checkout und Rechnungsstellung Produktkonfigurator Marketing (Target Mails) Call Center Empfehlungsvorschläge für die Kundenberatung (Shopping Sender)

16 Einsatz von Recommendation Engines: TV-Nutzung/VoD Einsatzbereiche Auswertung des Nutzerverhaltens Erlernen der Nutzerpräferenzen (Taste) Vergleichen mit Präferenzstrukturen Dritter Vorrausberechnung des Nutzerverhaltens bezüglich weiterer Produkte/Ereignisse Anzeigen der nächst BESTEN Angebote/Ereignisse Kombiniert Algorhytmen neben Collaborative Filtering (Deskriptoren, Typisierungen)

17 TV Recommendation Engine Content / Assets Asset Liste, VoD Katalog EPG Metadaten Weitere Content Daten/ Beschreibungen User data Verfügbare Dienste Buchungen/ Pakete Channel Maps Regionale Infos Nutzer-Historie Recommendation Engine Business Regeln Flexible Regeln Szenario Definitionen Markting Kampagnen Preise-Strukturen Recommendation Engine Collaborative Filtering Content based Filtering Kunden-Endgeräte Television Tablet User activities VoD Käufe VoD Browsing LiveTV Verhalten LiveTV Aufnahmen Content-Rating / Bewertungen Etc Search Engine Effiziente Indexierung Volltext-Suche Internet Smartphone

18 Empfehlungs-Algorithmen Content Based Filtering (CBF) Nutzerprofil wird gebildet auf der Basis von Produktausprägungen und Beschreibungen (Metadaten) die der Nutzer durch Konsumverhalten bewertet hat Das so erstellte Profil wird genutzt um neue interessante Produkte zu identifizieren weil sie ähnlich sind Indexierung der Produkte ist notwendig (Metadaten, e.g. EPG Daten) Wird of benutzt um text-lastige Produkte über Keywords zuzuordnen Limitiert durch Bedarf an Daten für die Content-Analyse, Spezifizierungen und Context-Beschreibung und New User Problem Behavior Based Filtering Content Based Filtering External Trends Context Based Filtering Collaborative Filtering Collaborative Filtering Nutzt das Verhalten (Käufe, Bewertungen, Konsumverhalten) anderer Nutzer als Basis für das Schätzen einer Bewertung sowie der Empfehlungen Die Kaufwahrscheinlichkeit/Rating eines gegebenen Nutzers für ein spezifisches Produkt Ausnutzen von Ähnlichkeit zwischen unterschiedlichen Nutzern und Produkten in einer Bewertungsmatrix + Zusatzfaktoren / Filter / Hybride Systeme USER Based Bestimmung des ähnlichsten Nutzers, k-nearest Neighbour Große kritische Masse Ähnlichkeitsbewertung neuer User Neue Produkte müssen erst von Nutzern ausreichend bewertet werden Lemming Effekt führt meist zu besseren Bewertung ITEM Based Nearest Neighbour zwischen Produkten Nutzt das Verhalten anderer Käufer um eine Ähnlichkeit zwischen Produkten zu bestimmen. Mit gefallen Sachen, die von anderen Nutzern ähnlich bewertet wurden bzw. von anderen Nutzern mit diesen Sachen zusammen gekauft wurden Demografische Daten Markttrends und Business Rules Context Deskriptoren Typische Nutzerverhalten und Einschätzungen Das Ergebnis ist die am meisten relevante/ähnliche Empfehlung für den spezifischen Nutzer

19 G O L D M E D I A KOMPLEXE ALGORITHMEN

20 Collaborative Filtering

21 Collaborative Filtering

22 Collaborative Filtering R Produkte Query User

23 Collaborative Filtering R Produkte Query User

24 Weitere Deskriptoren Produktlebenszyklus Zeit und Raum Marketing-Strategien Integration mit Sozialen Netzwerken Like-Analysen Analyse des sozialen Umfeldes Demografische Daten Standort Name / Geschlecht Alter Etc.

25 Wie transparent sind die Empfehlungen

26 G O L D M E D I A DER MARKT FÜR EMPFEHLUNGSSYSTEME

27 IPTV/CableTV: Competition Algorithmus Industry Standard offene Algorithmen Content based collaborative filtering Advanced Content based collaborative filtering Basic Content based & Collaborative filtering Rules based Suchsysteme Anwendungsbereiche Definierbare Business Regeln Target Ads ka VoD, LiveTV Simple, limited ka ka VoD, LiveTV, Catch-Up Advanced, Real-time Verhaltens/ Bahaviour based targetting Volltext & Präferenz Suche VoD, LiveTV, Catch-up, Games, Music, etc. Advanced, Real-time Verhaltens/ Bahaviour based targetting Volltext Suche VoD, LiveTV, Catch-up Simple, near real-time ka eingeschränk t VoD, LiveTV Sehr eingeschränk t ka Erklärung/ Transparenz der Empfehlung Nein Nein Ja Nein Nein 27

28 Verschiedene Anbieter wenige übergreifende Lösungen im Markt PRODUCT PORTFOLIO STREAMING MEDIA E-COMMERCE NEWS MEDIA TARGETED ADS

29 Business-Betrachtung (kurzfristig langfristig) Autonomie, business control, Logic Braucht man eine Recommendation Engine? 3. Auswahl des Partners: Fremd vs. Eigenentwicklung / Lizenzkosten Kundeninformationen Datenverarbeitung und Prozessgestaltung 4. Gestalte den Cold-Start Geschäftsmodelle und Analyse Benutzerführung User Interface RECOMMENDATION ENGINE = Personal Data Economy 5. Datenverfügbarkeit und Argorithmen: Datenqualität und Leistung 1. Brauchen Sie ein Reco: Kundenstamm, Diversifizierung, Produktkatalog, Geschäftsmodelle (Zufall - Top 10 Reco Collective Reco Advanced Reco) 2. Stragisches Ziel: Erzielen Recos den gewünschten Erfolg aus Kundensicht oder Business-Betrachtung (kurz- vs. langfristig) Autonomie, business control, Logic 7. Wähle Korrelationsannahmen und Platzierung der Empfehlungen auf der Nutzeroberfläche 8. Geschwindigkeit bei der Erstellung der Empfehlungen Kundendaten- Ände-rungen unerwartete Produkte und Anpassungen 9. Rechtzeitig starten wann ist es zu spät? 3. Auswahl des Partners: Fremd vs. Eigenentwicklung / Lizenzkosten 4. Gestalte den Cold-Start 10. Wähle das richtige Feedback-System (Ratings, explizit und implizit, social media) 11. Messe ALLES! Komplexität. 5. Datenverfügbarkeit und Algorithmen: Datenqualität und Leistung 29

30 Wer kontrolliert die Nutzerdaten WELT Ereignisse Medien- Zeitschriften TV und Radio Beziehungsumfeld Familie Kultur Sprache Einkommens -verhältnisse Social Media, Communities Agenturen E-Commerce VoD

31 Strategische Ausrichtung WELT Ereignisse Medien- Zeitschriften TV und Radio Beziehungsumfeld Familie Kultur Sprache Einkommens verhätlnisse Tablet Smart Phone PC RECOs als übergreifende Cross-Media Struktur Social Media, Communities Agenturen Autonomisierung Privacy Control und Datensicherheit Jugendschutzlösungen Komfort-Leistungen Kosteneinsparung CDN Optimierung Kundenbindung Neue Geschäftsmodelle EINER WIRD ES TUN! E-Commerce VoD

32 G O L D M E D I A VIELEN DANK FÜR IHRE AUFMERKSAMKEIT VOLKER.BELZ@GOLDMEDIA.DE