Vortrag von Laurent Müllender (Director Traffic Monetization, Sedo GmbH) auf dem Conversion Summit 2011 in Frankfurt (www.conversionsummit.org)

1. CRO ProzessemitData Mining optimieren Laurent Müllender Director Traffic Monetization 1. September 2011

3. Gegründet in 2001

4. Niederlassungen in Deutschland (Köln), UK (London) & USA (Boston)

5. 150 Mitarbeiter aus mehr als 30 Nationen

6. Tochterfirma der Sedo Holding AG im Verbund der United Internet AG

7. Weltweit größter Marktplatz für Domain Namen

8. 14 Millionen Domains zum Verkauf

9. 6,5 Millionen Domains bei Sedo geparkt zur Monetarisierung

10. 1 Million Kunden weltweit

11. Awards: Domain Name Wire Survey Winner 2007-2009, Webhost Directory Award, Domainers Choice Award 2008, Ernst & Young Entrepreneur des Jahres 2007

13. Key elements & Tools © Sedo, 2011 4

15. Erkennen Sie die wirklichen Schwachstellen?

16. Wer die Schwächen kennt, der kennt noch lange nicht den Grund!

17. Viele Tests scheitern weil statistisch nicht relevant.Ruleofthumb: nichts testen was nicht mindestens 10% erhoffte Verbesserung bringt

18. Erfolgreich getestete Effekte/Verbesserungen verwässern oder lassen sich nach roll out nicht mehr beobachten. Testbed != LiveOftmals weil man den Grund und die Wechselwirkungen nicht kannte.

19. Viele Optimierungspotentiale bleiben unerkannt.

22. NutzenSie das ganze Potential ihrerDaten? © Sedo, 2011 8  Um wirklich die Prozesse zu verstehen und somit die richtigen Hypothesen zu finden, müssen Sie Ihren Datenschatz erkennen und nutzen.

25. Verwendete Data Mining Algorithmen © Sedo, 2011 11 Klassifikationen (Prädiktiv)= Zuweisung von ElementenzubestehendenKlassen (“supervised learning”). VoraussageeinerVariabelbasierend auf den Attributen des Datensets.Beispiel: Identifizierung von Handwerker-Käufern (Variabel) mittels Attribute des Kaufverhaltens (Views, Clicks, Marken, Uhrzeit, AOV, Zahlungsmodell,…) Regressionsanalysen (Prädiktiv)= Ermittlung von Beziehungenzwischen (un)abhängigenVariabeln/Attributen, das Finden des bestenerklärendenModells.Beispiele: Cart Optimierungen, Erklärung von Ergebnissen, KorrelationenzwischenElementen, Umsatz-/Verkaufsvorhersagen,…

26. Verwendete Data Mining Algorithmen © Sedo, 2011 12 Cluster Analysis (Ursachen)=(Neue) Strukturierung von ähnlichenElementen, Mustererkennungen in DatensätzenohneStrukturwissen (“unsupervised learning”)Beispiele: Kundensegmentebilden, Click Verhalten, Kaufverhalten, Kampagnenerfolge, Targeting, Niche/Market Identifikationen Anomaly Detection (Ursachen)=Math VerfahrenzurPrüfung von Datensätzen, Erkennen von SchwachpunktenoderungewöhnlichenWerten.  MessfehleroderunerwartetesErgebnis?Beispiele: Prüfung von Tests & Hypothesen, Verbesserung der Datensätze, Fraud detection Assoziationen= A zieht B nachsich. “WereinSpielzeugkauft, kauftauch in 20% der FälleBatterien” “Funnel Weg X führtzu Y”Beispiele: Sequenz/Funnel Analysen, Vorhersagen von Verkäufen, Warenkorbanalysen, Crossmarketing, Pricing. Oft erstaunlicheResultate!

27. Data Mining Prozess © Sedo, 2011 13 CRISP (Cross-Industry Standard Process for data mining) DMAIC (Six-Sigma) SEMMA (SAS Institute) Definieren (Define) Verständnis der Daten Stichprobe (Sample) Sachver-ständnis Messen (Measure) Datenexplo-ration (Explore) Datenaufbe-reitung Modellierung Analysieren (Analyze) Modifikation (Modify) Evaluation Verbessern (Improve) Modellbildung (Model) Deployment Steuern (Control) Beurteilung (Assess)

28. AllesnurTheorie? © Sedo, 2011 14

30. Möglichdurch Anomaly detection & Decision Trees

34. Erklärung von Spam / Fraud © Sedo, 2011 19 Identifikationeines stark erklärendenPrädiktorsfür Spam/Fraud! DieserPrädiktorist in jedem Shop wiederzufinden (Werte und Prädiktorunkenntlichgemacht)

35. Data Mining imUnternehmeneinführen © Sedo, 2011 20 DM istwie CRO ein Mindset was eingeführtwerden muss. Esbedarfeinesreellencommitments. DM istforschen und ResultatekönnenimVorfeldnichtsichersein. DM wie CRO: hohe potentielle Verbesserungsraten. DM unterstützt wesentlich CRO durch Validierung der Resultate, Hebelidentifikation und Hypothesenbildung Hoher ROI, Investitionen in der Regel schnell amortisiert durch den gelieferten Output.

36. Data Mining NutzenimUnternehmen © Sedo, 2011 21  Je nachGröße und Organisationfindet Data Mining in vielenBereichenAnwendung

37. Data Mining: Anbieter © Sedo, 2011 22 SPSS (Modeler) SAS Enterprise Miner Statistica Data Miner KNIME (OS) RapidMiner Einzellösungen(Marketing Engineering, Cluster 3.0, S+SpatialStats,…) Bedarf und Budget ermitteln Kompetenzenprüfen.

38. Schlusswort © Sedo, 2011 23 Business Analyse / DM als fester Bestandteil des CRO Prozesses. VersuchenSieimmerzuerklären WARUM etwas so istwieesistansonstentesten und optimierenSie blind. SchaffenSiesich die Tools und das Know How um Hebelzuidentifizieren. Ermöglichen und nutzenSie das volle Potential allerIhrerDaten InvestierenSie in Business Analyse!