Future Digital Business (2013) Herausgegeben von Ralf Haberich mit Beiträgen von über 20 Autoren, darunter Frank Reese, André Morys, Gabriel Beck, John Ekman, Dirk von Burgsdorff, Hjalmar Gerbig, Matthias Postel, Marco Hassler, Mario Fischer, Gary Angel, Frank Piotraschke, Peter Pletsch u.v.a // 470 Seiten Was mir an diesem Buch besonders gefällt Viele Autoren = Viele Perspektiven und Eindrücke Thema: Web Analytics & Business Intelligence Viel Abwechslung durch Fachbeiträge und Interviews Die Beiträge von André Morys, Gabriel Beck, Dirk von Burgsdorff, John Ekman, Hjalmar Gerbig, Matthias Postel, sowie das Interview mit Mario Fischer Vorwort von Jim Sterne: Die künftigen Gewinner des Digital Business arbeiten nicht nach Bauchgefühl, sondern mit Intellekt, Hypothesen und Korrelationen. Sie sind eine Mischung aus Sherlock Holmes und Commander Data, die mit Big Data umgehen müssen. Vom Prinzip her ganz einfach: Wenn wir internes Kundenwissen (Business Intelligence) mit Surfverhalten kombinieren (Web Analytics), dann kann man Individuen ansprechen. # Teil 1: Entwicklung und Zusammenspiel von Web Analytics & Business Intelligence Big Data ist schmutzig, Big Data ist voll Dreck. Big Data hat aber viel Wertvolles in sich. Ossi Urch nennt es das Erdöl von heute, Joachim Graf spricht vom Gold Waschen. Dieses Gold ist das Übersetzen von Daten in Insights. Und Insights sind das wichtigste Futter für Entscheidungsträger (Management, Marketing, Produktbereiche). Von der Theorie her ganz einfach, man braucht Menschen, Tools und Prozesse, die einem dabei helfen, die vielfältigen Datenmassen in hoher Geschwindigkeit zu integrieren, zu verarbeiten, zu reporten und zu interpretieren. Andreas Gahlert weist darauf hin, dass heutzutage selbst den fortschrittlichsten und modernsten Unternehmen die Ausstattung für grundlegende Standards und Aktivitäten des digitalen Marketings fehlen, geschweige denn State-of-the- Art-Big-Data-Ansätze umzusetzen.
Ralf Haberich befürwortet ein integriertes Gesamtkonzept, dass quantitative (Web Analytics) und qualitative Analysen (Business Intelligence) miteinander verbindet. Doch leider ist der Wert und Nutzen von Web Analytics bei vielen Unternehmen noch gar nicht angekommen. Also präsentiert Haberich das Digital-Intelligence-Model, dass einem erst einmal da abholt, wo man gerade ist (1. Statistik: Datensammlung & Reporting > 2. Web Analytics: Analyse & Website Optimierung > 3. Digital Intelligence: Datenintegration & Business Optimierung). Viele Unternehmen sitzen noch in der Tagging- und Reportingwelt, weit ab von der Website- und Business-Optimierung (Segmentierung, Customer Journey, Kombination von Online- und Offlinewelt). Der Gartner Hype Cycle bringt einen wieder auf den Boden der Tatsachen und besagt: Erwarte nicht zu viel von den Reports, Sei aber auch nicht zu frustriert, denn es geht weiter. Statt Dashboards sollte man Alerts (Warnmeldungen) einsetzen, die einem melden, wenn etwas besonders Positives oder Negatives passiert ist. Ein Web Analyst muss es schaffen, relevante Informationen an das Management zu liefern und damit Interesse wecken, damit immer neue Fragen gestellt werden und bei den Entscheidungen helfen. Web Analytics soll weniger als internes Fachabteilungswerkzeug verstanden werden, sondern direkt bei der Geschäftsführung, die dafür sorgt, Web Analytics und Business Intelligence vereint einzusetzen. Eine Herausforderung bleibt der Mangel an Fachkräften. Matthias Postel schreibt über die Integration von Online- und Offline. Mit einem Datawarehouse (DWH) kann man Daten aus verschiedenen Bereichen zusammenführen. Business Intelligence ist unverzichtbar, um Kunden besser zu verstehen und auf deren Bedürfnisse zu reagieren. Dazu gehört beispielsweise die Sortimentsausrichtung, aber gezielte Marketingaktionen. Online-Daten werden noch zu selten integriert. Man könnte schneller (in Echtzeit) auf das Kundenverhalten reagieren. Mit einer Roadmap zeigt Postel auf, wie man die Integration von Web Analytics und Business Intelligence sinnvoll zustande bekommt. Dabei spielten die Segmentierung und der Austausch von Web Analytics ins DWH und umgekehrt die Schlüsselrolle, um fokussiert auf die Websitebesucher und Kunden zu loszugehen und zu reagieren. Der Datenschutz ist zu beachten. Zwischen den Abteilungen (DWH, Business Intelligence, Web Analytics) sollte ein regelmäßiger Austausch über zu Verfügung stehende Informationen, sowie beider Arbeitsmethoden stattfinden. Man braucht Spezialisten, die auf dem Arbeitsmarkt schwer zu finden sind. Postel regt daher an, das eigene Personal fortzubilden, da dieses bereits über viel Firmenwissen verfügt. Seite 2
Der Digital Analyst ist ein Integrierer, Reporter, Verstehen und Berater. Das Marketing interessiert sich für Kundensegmente, sowie die Wirkung von Kampagnen und Landingpages. Das Produktmanagement eher für das Onlineverhalten und die Performance wie z.b. von der Startseite, Suche und dem Check-Out-Prozess (Frank Reese). Frank Piotraschke beschreibt agile Methoden und Manifeste, die den Web Analysten dabei helfen, fokussiert weg vom Reporting Monkey hin zum Kommunikator- und Entscheidungshelfer zu werden. Ein direkter und persönlicher Kontakt zu den Entscheidungsträgern ist dabei besonders wichtig (Räumliche Nähe von Teams wichtig). Die Website-Verpixelung durch Tagging ist zwar notwendig, penibles Tagging hält aber auf, sich auf sinnvolle Analysen zu konzentrieren. User Stories stellen den Nutzer in den Focus und geben damit die Richtung für fokussiertes analysieren. Schließlich ist die Aufgabe des Analysten nicht Reports hin und her zu schicken, sondern diese in einem Gesamtbild zusammenzufügen und den internen Fachbereichen dabei beraten, was kurz-, mittel- und langfristig mit Web Analytics möglich und hilfreich ist. Gary Angel begründet, warum statistische Verfahren wie die Korrelation, Regressionund Clusteranalyse nicht für den Bereich Web Analytics geeignet sind. Bei einer Website sind die Seiten durch eine feste Struktur fest bestimmt (Wie ein Stadtplan). Es muss daher nicht wundern, dass es eine besonders hohe Korrelation zwischen Warenkorb und Kaufbutton besteht. Die Anzahl an Seitenaufrufe zwischen verschiedenen Seiten bringt also wenig, da man anhand der Korrelation nicht unterscheiden kann, ob das Ergebnis trivial ist (natürliche Websitestruktur) oder ein wirklich interessanter Zusammenhang besteht (Nutzerintention). Bei Korrelationsanalysen ist eine Voraussetzung, dass die untersuchten Merkmale zufallsverteilt sind. Das trifft bei einer Website aber nicht zu, hier ist die Struktur vorgegeben, Korrelationen damit vorprogrammiert. Zum Schutz vor Trivialitäten hat Gary Angel die Funktionale Analyse entwickelt. Dabei werden unterschiedliche Seitentypen unterschieden, die im Einklang mit Besuchermotiven stehen: Router Page, Convincer Page, Completer Page. Hinzu kommt eine digitale Abbildung einer Designansicht der Website. Dabei wird für jede mögliche Verbindung die nötige Klickdistanz festgehalten (z.b. 3 Klicks, um von der Startseite zu einer Produktdetailseite zu kommen). Diese Website- Topographie ist aufwendig, richtig eingesetzt kann sie sehr aufschlussreich sein. Seite 3
# Teil 2: Die Umsetzung der Analyse Case Studies digitaler Intelligenz Hjalmar Gerbig berichtet über das Zusammenspiel von Anwendern, Prozessen und Technologie. Dabei unterstützt die Businessanalyse das Management und Fachabteilungen mit regelmäßigen Kennzahlen und Ad-Hoc Analysen. Auch sind generellen Zufriedenheitsumfragen, sowie Umfragen bei Abbrechern wichtige Bausteine. Anwender brauchen Support, Beratung und Training. Bei den Prozessen sind Analysestandards einzuhalten bis hin zu kennzahlengetriebenen Entscheidungen. Die Technologie befasst sich mit der Datenbeschaffung und Qualitätssicherung. So wird eine zukünftige Herausforderung das Zusammenspiel der Parallelnutzung von Web und Mobile sein. Dr. Jochen Spöhrer und Ole Eismann zeigen auf, was Digital Analytics für ein internationales Automobilunternehmen bedeutet. Ein Auto wird offline gekauft und beinhaltet einen langen vorherigen Informations- und Entscheidungsprozess. Der Onlinekanal ist dafür besonders wichtig, denn er schafft es über den AIDA-Funnel Onlineinformierer zu einer Probefahrt zu animieren. Attention (Reichweite) > Interest (Nutzer des Showrooms) > Desire (Nutzer des Konfigurators) > Action (Händleranfrage und Probefahrt). Als internationales Unternehmen muss Web Analytics Wissen auch international verbreitet werden. Dazu gibt es Standardreports, User-Manuals, Schulungskonzepte und kontinuierlicher Support. Den Wert von internen Schulungen unterstreicht auch Peter Pletsch in seinem Artikel und rät zu regelmäßigen, strukturierten Meetings mit den einzelnen Fachabteilungen. Was hat ein Börsenindex mit Web Analytics zu tun? Marco Hassler kennt die Antwort. Der Website Performance Index gibt als Stimmungsbarometer den Gesundheitszustand der Website wieder. Dabei werden einzelne Key Performance Indikatoren zur Super-KPI, dem Index einzeln gewichtet und verdichtet. Roland Markowski gibt einen historischen Einblick in das Konzept von Data Warehouse der 90er Jahre. Mit ETL-Werkzeugen (Extraktion, Transformation, Loading) wird aus heterogen verteilten Datenbeständen ein regelmäßiges Standardreporting. Diese standardisierten Daten sind dann die Grundlage für Analysen aus dem Business Intelligence Bereich. Auch Marketingkanäle sind heterogen verteilt: Display-Advertising, Email- und Newsletter- Marketing, Affiliate Marketing, Social Media Marketing, Search Engine Advertising. Durch die Einbindung von Tracking-Codes können Marketingaktivitäten einheitlich in Web Analyse Tools erfasst werden (Adobe, AT Internet, Comscore, Google Analytics, Econda, IBM Coremetrics, Webtrekk, Webtrends). Neben den Web Analysetools werden zunehmend Customer Journey Analysetools genutzt (AdClear, Intelliad, Quisma, Refinelabs). Auch hier werden die Trackingcodes in Excel erstellt. Markowski stellt ein integriertes Online- Marketing-Data-Warehouse vor. Seite 4
# Teil 3: Analysedaten anwenden und zur Optimierung nutzen Auch Prof. Dr. Mario Fischer betont, dass man Spezialisten braucht. Man braucht mehr akademisch ausgebildete, echte Analytiker mit sehr guten Kenntnissen in Data Mining, die geschult sind im Umgang mit großen, unstrukturierten Datenbeständen. Zu häufig nutzen Unternehmen noch viel zu häufig irrelevante Daten, ohne sich bewusst zu sein. John Ekman fordert, dass man mehr Augenmerk auf die Wofür-Fragen legt. Wofür brauchen wir diese Daten? Anstelle von: Wie kann ich diese Daten aufbereiten?. Es gibt Fragen, die einen Controller zufriedenstellen, für einen Optimierer aber nicht genug sind. Ein Controller möchte wissen, was das Beste ist; ein Optimierer fragt nach dem Warum. In Großunternehmen herrscht das Prinzip der Risikovermeidung, d.h. eher kontrollieren, ob alles noch steht, statt sich darauf zu stürzen, mehr zu schaffen. Der wichtigste Zweck von Digital Analytics ist es Input für Experimente (AB-Tests) zu liefern, damit Hypothesen getestet werden können, um Erkenntnisse daraus zu ziehen. Man soll möglichst oft und schnell testen, um aus Chancen und Fehlern zu lernen und immer besser zu werden. Auch ermutigt Ekman mal etwas völlig zufälliges und anderes zu testen, da man sich sonst immer weiter in Feinoptimierung bewegt, die beste Lösung aber vielleicht ganz anders schlummert. Ekman schafft zwei neue Kennzahlen: Die Zeit bis zur neuen Erkenntnissen (Time to Insights) und die Zeit von der Erkenntnis bis zur Aktion (Time to Action). Olaf Grüger zeigt auf, wie man einen Webshop datengetrieben steuert. Während sich Web Analytics auf das Onlinemarketing (Google Adwords) und den Webshop bezieht (Bestellungen, Umsätze, Artikel), konzentriert sich Business Intelligence auf Kundenwissen und Geschäftsabläufe, die über den Webshop hinausgehen (Warenwirtschaft: Retouren, Stornos, Lieferzeit, CRM: Kundenart, Customer Lifetime Value, PIM: Produktinformationsmanagement zur Sortimentsgestaltung). Grüger gibt Beispiele, wie Informationen und Scores aus Kundendatenbanken dazu genutzt werden können, um optimalen Content auf der Website auszuspielen: Kreditwürdigkeit, Retourenquote, Technische Ausstattung, Reihenfolge und Auswahl angezeigter Produkte auf Suchergebnislisten und Produktempfehlungen auf Artikeldetailseiten, dynamische Preisgestaltung. Das Maschinen sehr schlau sein können, zeigt Sven Gabor Janszky auf: Das Navigationsgerät im Auto trifft heute eine bessere Entscheidungen als der Mensch. Das Vertrauen in den Assistenten ist da. Mit fortschreitender Technik wird es auch in anderen Bereichen so sein (Kapitel IV). Menschen verbinden sich, weil sie gemeinsamen Interessen und Aktivitäten nachgehen. Im Beitrag von Dr. Thomas Völcker geht es um den Social Graph und wie man durch eine API den Zugang zu Funktionen und Profildatenbanken öffnet. Dadurch ergeben sich neue Geschäftsmöglichkeiten. Durch Einbindung der API werden unbekannte Nutzer bekannt. Grundlage ist immer eine Authentifizierung, ein Social Login (OAuth, OpenID). Lange Re- Seite 5
gistrierungsformulare entfallen und man erreicht damit eine gezieltere User Experience und ein gezielteres Marketings. Saim Alkan zeigt auf, wie man durch flaggen von Produkteigenschaften weiß, was eine Person mag, um diese später gezielter anzusprechen. Prof. Dr. Oliver Janz hat einen Beitrag zum Merchandising im Online-Modehandel. Wer sind die Kunden und was wollen die? Man steht vor der Herausforderung gewaltige Datenmengen durch CRM-Datenbanken zielgerichtet zu nutzen. Dabei hilft das Merchandising bei der Sortimentszusammenstellung (Beschaffung, Bestandsmanagement, Abverkauf). Modetrends müssen berücksichtigt werden, denn der Lebenszyklus von Ware beträgt meist nur wenige Wochen. Auch ist es wichtig zu wissen, was Kunden gekauft hätten, wenn es verfügbar wäre. Durch Web Analytics erfasst man das Kundenverhalten bis zum Kauf. Dieses Wissen kann man nutzen, um z.b. die Navigation benutzerfreundlicher zu machen und Cross-Selling-Angebote gezielt einzusetzen. Der Brand-Gravity-Index zeigt die Markenwirkung auf und kombiniert mehrere Kennzahlen aus dem Warenwirtschaftssystem, CRM- System und Web Analytics System (z.b. Markensuche, Klicks auf Marken, Käufe, Retouren & Wiederkaufrate) und misst zudem die Profitabilität (Gross Margin Return on Investment). In einem Beitrag von Prof Dr. Harms geht es um Themen wie: Margenschwache Güter entdecken, Suchtechnologie, Empfehlungssysteme, Retourenquoten, Cross- und Upsell, Semantischer Zusammenhang, Facebook-Open-Graph, Google Knowledge Graph (Kapitel IV). Dirk von Burgsdorff rät im Customer Journey Modell zu einer neuen Denkweise. Anstelle von Last Cookie Wins nutzt man heute das Attributions-Model. Aber die absolute Neuerung ist, nicht nach Kanälen zu gehen, sondern die einzelnen Kampagnen nach Phase der Kaufentscheidung aufzuteilen und zu klassifizieren: Aufmerksamkeit, Interesse, Überzeugung, Handlung (Awareness > Favorability > Consideration > Intent-to-Purchase). Gabriel Beck greift in seinem Artikel dieses Model auf und sagt, dass Traffic nur die halbe Miete ist. Aufgrund steigender Kosten wird Effizienz von Marketingbudget immer mehr hinterfragt. Verantwortliche sind gezwungen, den Traffic voll auszureizen, um möglichst viele Besucher zu Kunden zu konvertieren. Die Landingpage ist das Bindeglied zwischen Traffic und Website (Sale) und hat noch ungeahntes Optimierungspotenzial. Beck bringt einfache und treffende Definitionen in den Bereich Conversion Optimierung (z.b. Landingpages sind Zielseiten für Marketing-Kampagnen ) und stellt einzelne Kennzahlen vor. Auch Landingpages sollten nicht an Trafficquellen gebunden sein, sondern eher auf unterschiedliche Kaufentscheidungsphasen eingehen. Die Kunst besteht darin, die Nutzerbedürfnisse mit Hilfe von Web Analytics, Nutzerbefragungen und Website-Testing zu analysieren und so herauszufinden, wie die Nutzer in den unterschiedlichen Phasen und in unterschiedlichen Kanälen reagieren (Segmentierung). Seite 6
André Morys spricht Klartext: Kein Ziel, Keine Verantwortung, Keine Veränderung. Optimieren setzt gutes Verkaufen voraus. Dazu muss man die Kunden verstehen und braucht qualitative Analysen (Interviews), dessen Input man für Optimierungen nutzt und statistisch testet. Die Conversion-Rate ist mitunter nicht immer die beste Kennzahl, da z.b. Retouren nicht mit berücksichtigt werden und man zu falschen Schlüssen kommen kann. Besser geeignet ist der Deckungsbeitrag. Um dies auf den Grund zu gehen wird AB- Test mit den Kennzahlen Conversion-Rate und Deckungsbeitrag vorgestellt. Den Top- Manager (HIPPO=HIghest Paid Persons Opinion) im Unternehmen sollte man ernst nehmen, denn er hat langfristig gute Entscheidungen getroffen. Früher gab es keine Alternativen zu Bauchentscheidungen (heute AB-Tests). Trotzdem braucht man heute jemand, der Verantwortung für maßgebliche Entscheidungen übernimmt. Daher ist es wichtig, das Management mit ins Boot zu holen und bei Entscheidungen durch Fakten zu unterstützen. Im Artikel von Prof. Dr. Gerald Lembke geht es darum, dass der Inhaber-Geschäftsführer, sich gut in den Markt einfühlen und Chancen entdecken kann. Dr. Marcus Rink stellt den M-Commerce (M=mobile) als neuen Verkaufskanal vor. Ein eingeschränktes Display, eine eingeschränkte Tastatur statt M-Commerce steht heute eher die schnelle Informationsgewinnung im Focus. Relevante Mobile-Themen sind Mobile Payment, Usability, App-Tracking, sowie ein ganzheitliches BI-Reporting: Welche Zielgruppen nutzen Mobile? Gibt es zeitliche Unterschiede zwischen Plattform und Mobile Nutzung? # Teil 4: Weiterentwicklung der Datenanalyse und neue Herausforderungen für Ausbildung und Qualifikation eines Analysten Im letzten Kapitel führt Haberich Interviews mit Headhuntern: Die Rentabilität vom Unternehmen hängt von den Kompetenzen von Fachkräften ab. Es herrscht eine Expertenknappheit. Dieser Fach-Experte ist ein vorausschauend agierender Internet Berater, der nicht nur präsentiert, was gefragt ist, sondern, der Verständnis für die Branche mitbringt, proaktiv Input liefern kann und insofern auch Einfluss hat. Er hat sowohl fachliche als auch persönliche Stärken (Auszüge aus Stellenanzeigen: KPIs & Web Controlling, Ergebnisse und Optimierungsvorschläge Entscheidungsträgern präsentieren, Schulung geben, Implementierungen, DWH & Business Intelligence: Wissen zu ETL-Tools, BI-Tools, SQL). Auch Jim Sterne ist davon überzeugt, dass man für richtig gute Datenanalysen eine Reihe ganz ungewöhnlicher Kompetenzen braucht. Es ist nahezu unmöglich, Leute zu finden, die alle Kompetenzen miteinander vereinen, dazu braucht man ein ganzes Team (Kapitel II). Das Buch richtet sich an das Management, Entscheider wie den Chief Marketing Officer, Director Marketing, Head of Analytics / Teamleiter Analytics. Seite 7