Dieses Schulungskapitel zeigt, wie userbezogene Daten in Webtrekk genutzt werden können. Hier gelangen Sie zum PDF-Download dieses Schulungskapitels.
Inhalt:
- Userbezogene Daten
- Berechnung von Häufigkeiten
- Berechnung von Frequenzen
- Übersicht Dimensionen und Metriken
- Automatische Bereinigung von URM-Daten
- Integration weiterer Daten
- Predictions
Userbezogene Daten
Webtrekk berechnet für jeden User Daten, die Häufigkeiten und Frequenzen betrachten.
Es gibt unterschiedliche Arten von userbezogenen Daten:
- Betrachtung von Häufigkeiten
- Wie viele Visits führte ein User insgesamt durch?
- Wie viele Seiten rief ein User auf?
- …
- Analyse von Zugriffen
- Analyse von Bestellungen
- Wie viele Bestellungen führte ein User insgesamt durch?
- Welchen Bestellwert generierte ein User?
- Welcher Rabatt wurde einem User insgesamt gewährt?
- …
- Betrachtung von Frequenzen
- Wie viele Tage vergehen zwischen Visits?
- Wie viele Tage vergehen zwischen Bestellungen?
- …
Berechnung von Häufigkeiten
Welche Informationen kann ein User erzeugen?
Am Beispiel der Häufigkeit von Visits könnten folgende Informationen relevant sein:
- Den wievielten Visit hatte ein User zu einem Zeitpunkt (z.B. der ersten Bestellung) durchgeführt?
- Wie viele Visits hat ein User insgesamt durchgeführt?
- Wie viele Visits hat ein User im Analysezeitraum durchgeführt?
Dazu werden neben der regulären Metrik Customer und Customer Profil-Betrachtungen unterschieden:
- Customer: Der Wert, den ein User zu einem bestimmten Zeitpunkt hatte.
- Customer Profil: Betrachtet den aktuellen Status des Users (bis zu seinem letzten Besuch). Dabei muss der letzte Besuch nicht im Analysezeitraum liegen.
- [Regulär]: Wie häufig trat der Wert im Analysezeitraum auf?
Beispiel: "Customer Visits" vs. "Customer Profil Visits" vs. "Visits"
Auch wenn der letzte Besuch nicht im Analysezeitraum liegt, zeigt "Customer Profil" den Wert des letzten Besuchs.
Beispiel:
Die Customer-Profil-Betrachtung eignet sich nicht für eine zeitbezogene Analyse.
Berechnung von Frequenzen
Webtrekk berechnet die Frequenzen von Visits und Bestellungen.
Berechnung von Visit-Frequenzen
- Für jeden einzelnen Visit wird die Anzahl an Tagen zum vorherigen Visit ermittelt.
- Die Tage werden anhand des Datums bestimmt, die Uhrzeit nicht beachtet.
- Der erste Visit wird bei der Berechnung nicht berücksichtigt.
Durch Nutzung der Kohorten bietet Webtrekk auch die Betrachtung der Tage/Wochen/Monate seit Erstbesuch (z.B. "Kohorten (Lebensspanne Wochen)").
Durch eine Filterung lässt sich die Analyse auf gezielte Ereignisse/Visits einschränken.
Beispiel: Berechnung Tage zwischen Kontakten mit Filtern
Wie viele Tage vor der letzten Bestellung kamen User auf die Webseite?
Wie viele Tage vor dem letzten Besuch kamen User auf die Webseite?
Berechnung von Bestell-Frequenzen
- Für jede einzelne Bestellung wird die Anzahl an Tagen zur vorherigen Bestellung ermittelt.
- Die Tage werden anhand des Datums bestimmt, die Uhrzeit nicht beachtet.
- Bei der ersten Bestellung werden die Tage zum Erstbesuch ausgewiesen.
Übersicht Dimensionen und Metriken
Folgende Dimensionen und Metriken werden automatisch berechnet:
Traffic-Betrachtung
Bestellungs-Betrachtung (1/2)
Bestellungs-Betrachtung (2/2)
Warum sind viele der Informationen als Dimension verfügbar, obwohl Zahlen ausgewiesen werden?
Auch wenn es sich um Zahlen handelt, bietet sich doch bei den meisten userbezogenen Informationen die Nutzung als Dimension an. Denn nur dann lassen sich weitere Metriken und Formeln dazu betrachten.
Beispiel für Nutzung der Dimension "URM – Customer Profil Visits":
Ermöglicht die Analyse der Fragestellung: "Wie viele User haben insgesamt nur 1 Visits durchgeführt?"
Beispiel für Nutzung der Metrik "URM – Customer Profil Visits":
Ermöglicht die Analyse der Fragestellung: "Wie viele Visits haben User in ihrer Lifetime durchgeführt, wenn sie mindestens einen Zugriff über den Kanal "Direkt" hatten?"
Automatische Bereinigung von URM-Daten
Userbezogene Daten von Nutzern ohne Login-Information (Customer ID) werden automatisch bereinigt.
Die Daten werden standardmäßig gelöscht, wenn Nutzer
- genau einen Besuch und genau einen Seitenaufruf haben: nach 30 Tagen
- genau einen Besuch und mehrere Seitenaufrufe haben: nach 180 Tagen
- mehr als einen Besuch haben: nach 360 Tagen
Registrierte Nutzer werden somit nicht automatisch gelöscht.
Die Anzahl der Tage, nach denen die oben genannten Regeln angewendet werden, kann durch Webtrekk angepasst werden.
Integration weiterer Daten
Beliebige weitere Daten lassen sich über URM-Kategorien integrieren.
Dabei gibt es verschiedene Wege, wie diese Daten übermittelt werden können:
- Onsite-Datenerhebung: Übergabe der Informationen direkt auf der Webseite.
- Datenimport: Per SOAP, JSON, Excel, Datafeed können Informationen importiert werden.
Vordefinierte URM-Kategorien
Ein Reihe von Kategorien ist bereits in Webtrekk vordefiniert.
- Diese Kategorien und Kennzahlen müssen nicht in Webtrekk separat angelegt werden.
- Über das in Tag Integration verfügbare Survey-Widget lassen sich einige Kategorien automatisiert befüllen.
Folgende vordefinierte Kategorien existieren: (1/2)
Folgende vordefinierte Kategorien existieren: (2/2)
Individuelle URM-Kategorien
Mit URM-Kategorien können individuelle Informationen aus dem CRM integriert werden.
Als Schlüssel dient dabei die übergebene Customer-ID.
Beispiele:
- Bonität
- Anzahl Offline-Bestellungen
- Lead Status
Predictions
Mit Predictions werden anhand des Nutzungsverhaltens Vorhersagen getroffen.
- Welche Chance besteht, dass der Besucher nie mehr wieder auf die Webseite kommt?
- Welche Chance besteht, dass der Besucher in einem der folgenden Besuche kauft?
- Welchen Bestellwert wird er bei der nächsten Bestellung/in den nächsten 30 Tagen/Lifetime generieren?
Diese Informationen sind relevant, um individuelle Marketingmaßnahmen abzuleiten.
- Die Kosten der Marketingmaßnahmen sollten den zu erwartenden Gewinn nicht übersteigen.
- Geben Sie nur Geld für Kunden aus, die über ein hohes Potential verfügen!
Über ein selbstlernendes System werden ständig Einflüsse analysiert und bei der Berechnung berücksichtigt.
- Für jeden Kunden wird das Modell individuell konfiguriert.
- Insbesondere in den ersten 2-3 Monaten erfolgen automatische und kundenspezifische Anpassungen der Predictions.
Analysiert werden diverse Kriterien:
- Anzahl Visits
- Anzahl Bestellungen
- Käufe / Visit
- Visitverweildauer Ø
- Page Impressions / Visit
- Produktansichten / Visit
- Wert Produktansichten / Visit
- Bestellwert Ø
- Bestellwert
- Tage seit erstem / letztem Besuch
- Tage seit erstem / letztem Kauf
- …
Folgende Prediction-Metriken/Objekte stehen zur Verfügung:
- Zur Berechnung der Abwanderungswahrscheinlichkeit ist nur nötig, das jede Seite in Webtrekk erfasst wird.
- Für alle anderen Metriken und Objekte müssen auch Bestellungen und Produkte gemessen werden.
Berechnung der Abwanderungswahrscheinlichkeit
Beispiel:
Tag 1
5 Prozent der Besucher kommen am Tag des Erstbesuchs erneut auf die Webseite.
Abwanderungswahrscheinlichkeit an Tag 1: 100 % – Summe wiederkehrender Visitors(Tag 1 bis Tag 8)= 100 % - 22 % = 78 %
Tag 2
7 Prozent aller Besucher kommen einen Tag nach dem Erstbesuch auf die Webseite.
Abwanderungswahrscheinlichkeit an Tag 2: 100 % – Summe wiederkehrender Visitors (Tag 2 bis Tag 8)= 100% - 17 % = 83 %
Die Gesamt-Abwanderungswahrscheinlichkeit für einen Zeitraum berücksichtigt also, wann Besucher zuletzt auf der Webseite aktiv waren.
Bei der Berechnung werden nun individuelle Verhaltensmuster berücksichtigt
Beispielsweise:
- Visitverweildauer Ø
- Page Impressions / Visit
- Anzahl Visits
- …
Wenn also im Erstbesuch beispielsweise 10 Seiten aufgerufen wurden, werden zur Berechnung nur Besucher berücksichtigt, die ähnlich viele Seiten aufgerufen haben.