Next Generation Customer Journey Analysis

Transkript

1 Next Generation Customer Journey Analysis Tom Rother Internet World Kongress Telefónica Germany

2 Index Customer Journey Analyse bei Telefónica Ziele Umsetzung & Herausforderungen Ergebnisse der CJA Time to Conversion Path to Conversion Attributierung Individuelles Attribution Modell Macro- & Micro-Ebene Ausblick & nächste Schritte Reverse CJA Aufbau Datapool Splittung Facebook Kampagne Conclusion, Q&A Zusammenfassung Zeit für Fragen

3 01 Überblick CJ bei Telefónica

4 01 Zielsetzung Komplette Abdeckung der gesamten Online-CJ inkl. Views SEA & SEO Display Ads Finanzielle Ziele Umsatzsteigerung Optimale Budgetallokation Steigerung ARPU Affiliate NL & Onsite Strategische Ziele Bewertung der Kanäle Kanalübergreifende Steuerung Operative Ziele Optimierung des Kanalmix und innerhalb der Kanäle Steigerung Traffic & CR 4

5 01 Umsetzung Komplette Abdeckung der gesamten Online-CJ inkl. Views Seit messen wir alle Clicks über alle Online Marketing Aktivtäten inkl. Display Ads & Affiliate (inkl. Views), SEA, SEO, NL und Onsite. Wiederkehrende Analyse von Kanalinterferenzen und Mustern Definition eines geeigneten Attribution Modells zur optimalen Budget Allokation Simulation von Veränderungen der Cookie Logik Vision: Holistischer Blick 5

6 01 Herausforderungen & Lessons Learned Setup, Datenmenge und Analyse sind die größten Herausforderungen Setup wurde aufgrund der Komplexität (Anbindung 3rd Party Tracking, diverse Adserver, etc) über insgesamt 4 Monate in mehreren Schritten vollzogen Monatlich fällt ein Datenvolumen von mehr als Datensätze an durch das umfassende Tracking von Views & Clicks Tiefere Analysen wie Zusammenhänge, Wechsel- Wirkungen, Supportverhalten, Positionsanalysen benötigen eine klare Frage-/Aufgaben-Stellung Notwendigkeit eines echten Daten-Analysten mit fundierten mathematischen Wissen UND Datenbank- Knowhow (vor allem SQL & PHP) 6

7 02 Ergebnisse CJ bei Telefónica

8 02 Time-to-Conversion Viele Conversions bereits am ersten Tag 70% 66% Alle Channels Display SEA 60% 54% 58% Quelle: Interne Analyse: Cookie-Laufzeit = 30 Tage 50% 40% 30% 20% 22% 22% 20% 15% 16% 16% 10% 0% 4% 5% 2% Tag 1 Tag 2 Tag 3-14 Tag Hoher Anteil der Conversions am ersten Tag resultiert primär aus dem Wechsel des Device sowie dem Löschen bzw. Ablehnen von Cookies 8

9 02 Top Traffic pattern Type Ins beinhaltet auch Traffic, der nicht zugeordnet werden kann Type In Google AdWords Google SEO Referrer Affilinet Tradedoubler Rest SEO 9

10 02 Kettenlänge und die Auswirkung auf die CR Kaufwahrscheinlichkeit steigt zunächst mit jedem Klick an 10% 9% 8% 7% 6% 5% 4% 3% 2% 1% 0% Die CR steigt mit der Kettenlänge an bis zum 12. Klick und fällt danach wieder ab 10

11 02 Top traffic patterns: 3-click chains Affilinet Type In Google SEO Google AdWords Type In Type In Google AdWords Google AdWords Google SEO Google AdWords Google SEO Type In Google AdWords Google SEO Type In Affilinet Google AdWords Google SEO Affilinet Type In Google SEO Google AdWords Google AdWords Google SEO Type In Google SEO Type In Quelle: 11

12 02 Abstand zwischen den Ketten Größere zeitliche Abstände in einer Journey erhöhen die CR am Beispiel von 5er Kettenlängen 7,00% 6,00% 5,00% 4,00% 3,00% 2,00% > 10Min > 1h >12h > 24h > 48h > 5d 1,00% 0,00%

13 02 Userverhalten auf der Website Aufenthaltsdauer als Indikator für Conversion-Wahrscheinlichkeit 13

14 02 Interaktion bei Multichannel-Kampagnen Supportverhalten der einzelnen Kanäle zu dem Kanal SEO 220,00% 200,00% 180,00% 160,00% 140,00% 120,00% 100,00% 80,00% 60,00% 212,51% 142,81% Quelle: Analyse: Cookie-Laufzeit = 30 Tage, view = 1/10 click 100,00% 95,14% 91,69% 83,37% Affiliates Display Direct Newsletter SEA SEO Erwartungsgemäß hat Display das höchste Supportverhalten, gefolgt vom Affiliate-Kanal. Eher untypisch für den Kanal Newsletter ist dessen relativ geringes Supportverhalten. 14

15 02 Insights Single Support Rate Einfluß von Facebook wird sichtbar Single Support Rate = Kanal ist in der User Journey enthalten Kanal ist letzter Klick vor Conversion Single Support Rate ausgewählter Kanäle Affiliate Criteo DISPLAY Direct FACEBOOK (Referer) Facebook Google AdWords GoogleSEO NEWSLETTER OTHER Referrer RestSEO SEA Brand SEO Brand 0,75 1,14 1,09 0,98 1,33 1,19 1,43 1,35 1,22 1,83 1,64 1,73 2,12 3,43 15

16 Das Bild kann zurzeit nicht angezeigt werden. Das Bild kann zurzeit nicht angezeigt werden. Das Bild kann zurzeit nicht angezeigt werden. 02 Unterschiede HW & Mobilfunk-Journeys Unterschiedliche Conversion-Arten zeigen auch unterschiedliche CJ Unterschiede bei Hardware- & Vertragsabschlüssen Unterschiede bei Hardware- & Vertragsabschlüssen +17% Letzter Kanal SEA Letzter Kanal SEO % +5% Letzter Kanal Affiliate 100-5% 52 letzter Kanal Referrer Letzter Kanal Retargeting % Hardware Verträge Hardware Verträge 16

17 03 Attribuierung

18 03 Customer Journey Viele verschiedene Kontaktpunkte führen zu Conversions Display Google SEA Affiliate Google SEO Retargeting View Click View Click Click 18

19 Die Qual der Wahl - Mögliche Attribution Modelle 03 View Click View Click Click Ketten Start Display Ketten Assist SEO Affiliate Ketten Marketing Assist Ketten Assist SEA Brand Ketten Ende Brand 1. Last Cookie Wins 2. First Cookie Wins 3. Badewanne Regel-basierte Modelle 4. Ignore Channel 5. Ignore Channel in Pattern 6. Unterscheidung Klicks & Views 7. Zeitliche Unterscheidung 19

20 03 Erstes Attribution-Modell für O 2 20

21 03 Erstes Attribution-Modell für O 2 Ketten Start Ketten Assist Ketten Assist Ketten Assist Ketten Ende Badewannen-Modell als Basis mit dynamischer Gewichtung der Ketten Assists 21

22 03 Aktuelles Attribution-Modell für O 2 Modellierung nach Markov Chains Monte Carlo Modell 22

23 03 Optimierung basierend auf der Attribution Makro- und Micro-Attributierung sinnvoll SEO Budget Budget Display SEA Affiliate Retargeting M a k r o Keywords CpC Position Budget M i k r o Größte Herausforderung war der gesamte Umdenkprozess intern und mit Partnern, da die KPIs sich ändern von einer isolierten Sicht zu einer ganzheitlichen Bewertung auch einzelner Keywords, Ads, etc. Anbindung der Bidsysteme an Customer Journey Tool von IntelliAd 23

24 03 Zwischenfazit Attribution Modelle Analyse der komplette Übersicht (Multichannel Tracking) des gesamten Kaufprozesses (Customer Journey), auch PostViews spielen eine wichtige Rolle Alle beteiligten Kanäle an der Conversion bei der Bewertung mit einbeziehen und leistungsgerecht bewerten, nicht nur LCW Konsequente Ausrichtung aller Maßnahmen anhand des Wertbeitrags auf die Conversion sowohl auf Makro als auch auf Micro-Ebene Große Herausforderung bei Reporting und Agenturbewertung 24

25 03 Integration von SEO in Cookie Logik Ausgangsbasis, Zielsetzung und Umsetzung Ausgangslage Ziele Umsetzung SEO nicht als Sales Channel integriert Integration aller relevanten Traffickanäle Simulation und Überprüfung SEO war historisch bedingt nicht als SalesChannel angelegt im Tracking/ Cookie Weiche Keine Ausweisung von Sales aus SEO möglich Fehlende Erfolgskontrolle und Steuerung SEO als vollwertigen Channel mit voller Transparenz integrieren Kein negativer Impact auf Affiliates /Agenturen Kosteneinsparungs- Potentiale Simulation der Veränderungen mit den IntelliAd Daten inkl. Provisionsmodelle Bewertung der einzelnen Modell nach Zielerfüllung Überprüfung der Simulation nach Launch mittels realer Daten und Analyse 25

26 03 Integration von SEO in Cookie Logik Änderung der Cookie & Provisions-Logik im Juli 2012 Verteilung absolut Modell 0 (c2) Modell 1 Modell 2a Modell 2b Modell 3a Modell 3b Modell 4a Modell 4b DISPLAY NEWSLETTER SEA SEO AFFILIATES DIRECT OTHER 26

27 03 Impact der Szenarien in der Cookie Weiche Simulation der Veränderung Veränderung zu Modell 0 (c2) Modell 1 Modell 2a Modell 2b Modell 3a Modell 3b Modell 4a Modell 4b DISPLAY NEWSLETTER SEA SEO AFFILIATES DIRECT ANDERE 27

28 03 Impact der Szenarien in der Cookie Weiche Entscheidung für Modell 4b 4b SEO/SEA Channel NO NO SEO/SEA Brand YES Prev. Cookie < 3d YES Größter Impact auf SEA, gefolgt von Direct & NL Relativ geringer Impact auf Affiliates Simulation von Realität bestätigt SEO/ SEA Previous Channel Conversion 28

29 04 Ausblick und nächste Schritte

30 04 Reverse Customer journey analysis Auf Basis der CJ von bestehenden High Value Kunden werden neue potentielle High Value Kunden identifiziert und angesprochen Existing high value customers Reverse CJ analysis Analyse the traffic paths of our high value customers Identifying Statistical Twins Identifying prospects with a similar traffic patterns Converting the potential high value customer Using specific offers and promotions for this customer segement Analysis of 2012 Customer base Identifying our top value customers Traffic Path Identifying typical traffic paths of high value customers incl. duration, KWs, websites, Usage of retargeting and RTB Using retargeting in combination with RTB for utmost probability of generating new high value customers Validate of assumptions Recheck every 3-6 months for changes within high value customer groups New high value customers 30 Interactive table of contents

31 04 Aufbau eines Data Pools Statistische Verfahren: Statistiche Zwillinge, semantische Verfahren CRM-Daten: Login-Bereich via FTP oder nach Login Zentraler Data Pool über IntelliAd Offsite: Searchqueries, Facebook Targeting 3rd Party Websites (v.a. Vergleicher) Publisher & 3rd Party Data: Geotargeting, Contextual Data, NuggAd Behaveoral Targeting 31 Interactive table of contents

32 04 Aufbau eines Data Pools Splittung der Facebook Kampagne und Statistische Verfahren Splittung der FB Kampagne in viele Kampagnen mit individuellen Targeting Kriterien Jeder Klick liefert entsprechende Details zur User-ID Nach dem Besuch von 7 Websites mit o2 Display Ads kann mit hoher Wahrscheinlichkeit das Geschlecht bestimmt werden 32

33 05 Zusammenfassung und Q&A

34 Zusammenfassung und Q&A 1 Aufwände richtig einschätzen 2 CJA ist mehr als optimale Budgetallokation 4 Innovativ sein und ständige Weiterentwicklung 3 34

35