big data im e-commerce - potenziale und herausforderungen des web mining am bsp. eines...
DESCRIPTION
BIG DATA im E-Commerce - Potenziale und Herausforderungen des Web Mining am Bsp. eines Online-Shopping-Portals INHALT 1.Entstehung, Relevanz und Definition 2.Anwendungsszenarien 3.Kritik 4.KDD-Prozess und Data Mining 5.Anwendung: Web Mining im E-CommerceTRANSCRIPT
BIG DATA
– der Daten-Tsunami
Potenziale und Herausforderungen des Web
Mining am Bsp. eines Online-Shopping-Portals
Lynx Akademie
Dr. Christian Holsing, August 2013
Agenda
2
1. Entstehung, Relevanz und Definition
2. Anwendungsszenarien
3. Kritik
4. KDD-Prozess und Data Mining
5. Anwendung: Web Mining im E-Commerce
3
Portfolio E-Commerce@Lynx
CONSULTING TECHNOLOGY MARKETING
Strategie-/ Managementberatung:
Online-Geschäftsmodelle
Multichannel-Retailing
Social Commerce
Konzeption und Design Online-Shop
und Features
Research + Consumer Insights
(Erhebung von Primär- und
Sekundärdaten)
Projektmanagement
Interim Management
Partnermanagement (Full Service)
SMART UP:
Coaching von Start-ups
Business Development
Gründercoaching KfW
SAP E-Commerce und Web Channel
Experience Management
Open Source Shop-Systeme:
• Apache OFBiz/
Lynx eCommerce Suite
• Magento
Content-Management-Systeme
Product Information Management
(PIM)
Portallösungen
Integration ERP
Online-Marketing
Strategie
Implementierung (SEM,
SEO, Display, Affiliate,
Social Media, etc.)
Shop-Check (Technik, Usability,
CRO)
Web Intelligence:
Web Analytics (Software,
Testing und Reporting)
CRM E-Commerce (CRM,
Data Mining, Predictive
Analytics)
Ganzheitliche Beratung aus einer Hand!
www.lynx-ecommerce.de
4
Exzellent vernetzt!
Mitgliedschaften und Kooperationen
K5 Liga
Die K5 Liga ist von Exciting Commerce initiiert und vereint
Anbieter von Dienstleistungen und Agenturen, die den
Online-Handel in strategischen Wachstumsphasen unterstützen.
ECC-Club
Der ECC-Club ist vom E-Commerce-Center Köln (ECC) mit dem
Ziel initiiert, den Wissenstransfer zwischen betrieblicher Praxis
und Wissenschaft zu fördern und von den gewonnenen
Erkenntnissen zu profitieren.
Deutscher Marketing-Verband
Vertretung von mehr als 14.000 Führungskräften und
marketing-orientierten Unternehmen.
Lehrstuhl für BWL, insb. Marketing, Universität Hagen
Gemeinsames Forschungsprojekt ‚Affiliate Marketing‘
5
DER
ONLINE-TSUNAMI ENTSTEHUNG, RELEVANZ
UND DEFINITION
BIG DATA: in aller Munde
6
2011: McKinsey-Studie
2011: Gartner-Hype-Cycle (2 Jahre Mainstream Adoption)
2013: Berichte und Titel
Süddeutsche Zeitung
Die Zeit
FAZ
Spiegel (13. Mai)
Zusätzlich zu Transaktionsdaten fallen nun an:
7
Quelle: Bitkom 2012, S. 11
Weltweite Menge an Daten wächst rasant
8
Prognose von IDC:
2012: 2,8 Zettabyte Datenvolumen
2020: 40 Zettabyte Datenvolumen
Quellen: Bitkom 2012, S. 12 (Abb.); IDC 2012
BIG DATA: Definition
9
Quelle: Bitkom 2012
Der Begriff Big Data wurde geprägt, um
die wirtschaftlich sinnvolle Gewinnung und Nutzung entscheidungsrelevanter Erkenntnisse
aus qualitativ vielfältigen, unterschiedlich strukturierten Informationen zu bezeichnen,
die zudem einem schnellen Wandel unterliegen und in bisher ungekanntem Umfang anfallen.
Big Data umfasst Konzepte, Methoden, Technologien, IT-Architekturen sowie Tools, mit denen sich die Informationsflut in Bahnen lenken lässt.
10
DER
ONLINE-TSUNAMI ANWENDUNGS-
SZENARIEN
BIG DATA: Herausforderungen (3 V‘s)
11
Volume
Variety Velocity
BIG DATA
Quelle: Bitkom 2012
Der Markt für IT und Beratung wächst mit!
12
Umsatz mit Big Data-Anwendungen steigt (Bitkom 2012)
2012: 4,6 Mrd. Euro
2016: 16,0 Mrd. Euro
4,4 Mio. neue Jobs im IT-Bereich durch Big Data
(Gartner 2012)
BIG DATA: Anwendungen
13
Kreditkarten-Missbrauch vorhersagen
Algorithmen zum Verkehrsmanagement
Bonitätsprüfung
Individuelle Medizin
Supermarkt: Kundenkarten, Absatzprognosen, Warenkorbanalysen
Online-Geschäftsmodelle: oft Big Data in Reinkultur
Sammeln, Analysieren und Vermarkten von Informationen zielgenaue Werbung
Hände hoch!
14
Nutzer einer Kundenkarte?
Meilen-Sammler?
Klick auf Online-Banner?
Profil in Sozialen Medien?
Mindestens einmal mit Ja geantwortet?
Glückwunsch, auch DU bist BIG DATA-Lieferant!
Immer mit Nein geantwortet?
Trotzdem Glückwunsch!
15
DER
ONLINE-TSUNAMI KRITIK
Kritik
16
Datenerhebung und -auswertung erfolgt oft nach technischen Aspekten
Kritik der Sozialforscherin Danah Boyd: Größere Datenmengen sind nicht qualitativ besser (rep.
Stichprobe) "Was" und "Warum" seien zwei unterschiedliche Fragen Bei Interpretationen sei Vorsicht geboten Nur weil es verfügbar ist, sei es nicht ethisch
Bedeutet Big Data das Ende aller Theorie?
Chris Anderson, Chefredakteur WIRED: Glaubwürdigkeitsproblem jeder wissenschaftlichen Hypothese und jedes Modells bei gleichzeitiger Echtzeitanalyse von Systemen. Korrelationen werden wichtiger als kausale Erklärungsansätze.
17
DER
ONLINE-TSUNAMI KDD UND
DATA MINING
Knowledge Discovery in Databases-Prozess
18
SelektionVor-
verarbeitung
Trans-
formationData Mining
Interpretation/
Evaluation
Daten Wissen
Definition FAYYAD/PIATETSKY-SHAPIRO/SMYTH 1996, p. 39:
„Knowledge discovery in databases is the non-trivial process
of identifying valid, novel, potentially useful, and ultimately
understandable patterns in data.“
Quelle: Eigene Abb. in Anl. an FAYYAD/PIATETSKY-SHAPIRO/SMYTH 1996, p. 39
Data Mining
19
Data Mining = Datenmustererkennung Definition FAYYAD/PIATETSKY-SHAPIRO/SMYTH 1996, p. 39: „Data Mining ist die Anwendung spezifischer Algorithmen zur Extraktion von Mustern aus Daten.“
Daten werden als neues ‚Öl‘ oder ‚Gold‘ bezeichnet
Parallele zum Goldrausch im 19. Jh.:
Diejenigen, die Ausrüstung, Werkzeug und Expertise verkaufen, machen sehr gute Geschäfte
Google: In Stanford entwickelter Algorithmus von BRIN AND PAGE 1998: The Anatomy of a Large-Scale Hypertextual Web Search Engine
Web Mining
20
Web Mining
Web Content Mining
Web StructureMining
Web UsageMining
Web Content Mining: Extraktion von Wissen (oft auch Text Mining)
Web Structure Mining: Analyse von Seitenstrukturen (Google PageRank)
Web Usage Mining: „data mining activities with the goal to analyse and
predict the behaviour of websites’ users“(GROSSMANN/HUDEC/KURZAWA)
Quelle: eigene Abb. in Anl. an ZAÏANE 1999
Informationsgewinnung im Internet
21
Logfiles:
indirekte Beobachtung
die beobachtete Person ist sich der Beobachtung nicht bewusst ( kein Beobachtungseffekt)
Methoden der Informationsgewinnung
im Internet
Primärforschung
Online-Befragung
Online-Beobachtung
Online-Experiment
Online-Panel
Sekundärforschung
Online-Datenbanken
Quelle: Eigene Abb. in Anl. an FRITZ 2004
Entscheidungsbaum im Web Usage Mining
Bsp.: Kauf im Online-Shop 22
NeinJa
< 3 Minuten> 3 Minuten
NeinJa
Knoten 0
3% Kauf
97% Nicht-Kauf
Knoten 1
6% Kauf
94% Nicht-Kauf
Knoten 3
9% Kauf
91% Nicht-Kauf
Knoten 5
11% Kauf
89% Nicht-Kauf
Knoten 6
8% Kauf
92% Nicht-Kauf
Knoten 4
5% Kauf
95% Nicht-Kauf
Knoten 2
2% Kauf
98% Nicht-Kauf
Sonderangebote
Verweildauer
Wochentag
Ziel: Datenobjekte
aufgrund der Ausprägungen
von unabhängigen
Variablen sukzessive in
möglichst homogene
Teilmengen mit jeweils
ähnlichen Werten der
Zielgröße aufteilen
Generierung
Klassifikationsregeln
Wurzel-
knoten
Quelle: HOLSING 2012
23
DER
ONLINE-TSUNAMI ANWENDUNG
WEB MINING
Leitfrage der exemplarischen Untersuchung
Welche Faktoren, insbesondere welche Social-
Shopping-Funktionen, beeinflussen vorökono-
mische und ökonomische Zielgrößen in Social-
Shopping-Communities?
24
Stimuli Reaktion
(unabhängige Variablen) (abhängige Variable)
FunktionenCharakteristika
des Käufers
Kaufentscheidungs-
prozess
Untersuchte Zielgrößen
des Kaufverhaltens
z. B.: kulturelle Problemerkennung Click-Out (Konversion)
Startseite soziale Informationssuche Verweildauer
Suchfilter persönliche Informationsbewertung
Ratings psychologische Entscheidung
Social Shopping-Funktionen Nachkaufverhalten
beobachtbar beobachtbar
Black Box (Organismus) des Käufers
nicht beobachtbar
Quelle: Holsing 2012
Untersuchungsobjekt
25
Logfiles einer führenden Social Shopping
Community im deutschsprachigen Raum
Kategorien: Mode, Möbel und Lifestyle
Zielgruppe: Frauen
Ca. 1,5 Mio. Produkte gelistet
Ca. 600 teilnehmende Online-Shops
S-O-R-Modell des Kaufverhaltens
(KOTLER/ARMSTRONG/WONG/SAUNDERS 2011) 26
Reaktion
Marketingstimuli Umfeldstimuli PersonKaufentscheidungs-
prozessKaufentscheidungen
Produkt konjunkturelle kulturelle Problemerkennung Wahl eines Produkts
Preis technologische soziale Informationssuche Wahl einer Marke
Distribution politische persönliche Informationsbewertung Wahl eines Händlers
Kommunikation kulturelle psychologische Entscheidung Kaufzeitpunkt
Nachkaufverhalten Kaufmenge
beobachtbar
Exogene Stimuli Black Box (Organismus) des Käufers
beobachtbar nicht beobachtbar
Logfile-Analyse: Daten und Prozess
27
Tägliche Datenübermittlung an Server
Zeitraum: 6 Monate
Tracking für jeden Besuch: aufgerufene Seiten,
Dauer, etc.
Limitationen:
Keine Wiederholungsbesuche
Kein Tracking in partizipierenden Online-Shops
2009-05-21 00:43:59,689|CLICK_OUT|0A7916144EAF0AC292515EB34A0D
9F0C|Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727; .NET CLR 3.0.04506.30; InfoPath.1)|77.188.xx.xx|NOBOT|zX+itsFeZEG2ss4f|NOT-LOGGED-IN|||/search.searchresultcontainer.clickoutbutton.clickoutform/2331697/4681401|2331697|Mode/Bekleidung/Kleider
Logfile-Analyse: Orientierung am KDD-Prozess
28
Software: SAS Enterprise Miner 6.2
Pre-processing:
Sessions: 7,8 Mio. 2,9 Mio.
Ziel: Charakterisierung Sessions
4 Variablenkategorien Daten-
aufbereitung
Logfiles
Mustererkennung:
-Deskriptiv
-Segmentierung
(Prognose-)
Modellierung
Beurteilung und
Interpretation
Deskriptive Statistiken
29
Variablenkategorie Variable Mittelwert SD Minimum Maximum Median
Generell
LOG_IN 0,01 0,11 0,00 1,00 0,00
KAMPAGNE 0,68 0,47 0,00 1,00 1,00
WOCHENENDE 0,29 0,45 0,00 1,00 0,00
DAUER 201,13 324,09 2,00 2.699,00 72,00
DAUER_KLICK 34,16 58,34 1,00 1.302,00 17,00
PRODUKT 0,91 2,03 0,00 664,00 0,00
PRODUKT_DAUER 17,28 60,18 0,00 2.261,00 0,00
START 0,09 0,45 0,00 130,00 0,00
Suchfunktionen
SUCHFELD 1,15 2,55 0,00 520,00 0,00
SUCHE_GESCHLECHT 0,73 4,02 0,00 430,00 0,00
SUCHE_KATEGORIE 1,48 6,67 0,00 557,00 0,00
SUCHE_MARKE 0,31 2,49 0,00 369,00 0,00
SUCHE_PREIS 0,12 1,69 0,00 220,00 0,00
SUCHE_SALES 0,05 0,96 0,00 234,00 0,00
SUCHE_SHOP 0,12 0,91 0,00 178,00 0,00
Social Shopping
RATING_PROD 13,81 32,36 0,00 100,00 0,00
RATING_SHOP 13,66 32,26 0,00 100,00 0,00
LISTE 0,02 0,23 0,00 112,00 0,00
STYLE 0,01 0,16 0,00 95,00 0,00
TAG 0,03 0,57 0,00 183,00 0,00
PROFIL 0,01 0,23 0,00 121,00 0,00
Transaktion CLICK_OUT 0,41 0,49 0,00 1,00 0,00
Logfile-Analyse: Deskriptive Statistiken
30
Großteil der Besuche: Wochentag (71,12%)
Sonntags (16,45%) und montags (16,13%) am höchsten
Verlauf: Sinken der Besucherzahlen von So. bis Sa.
Logfile-Analyse: Deskriptive Statistiken II
31
Variable HOUR
Anstieg von morgens bis zur
Spitze um ca. 21:00 Uhr
Besuche steigen im
Tagesverlauf von morgens bis
zur Spitze am Abend an, wobei
zwischen 21:00 Uhr und 22:00
Uhr die meisten Besuche
stattfinden (8,42 Prozent)
Mithilfe dieser Auswertungen
könnte z. B. ein Zeitpunkt
festgelegt werden, an dem
bestimmte Neuigkeiten online
gestellt werden, z. B. zur
Hauptnutzungszeit
Logfile-Analyse: Angewandte Methoden
32
Angewandte Methoden:
Logistische Regression
Entscheidungsbaum
Multi Layer Perceptron (Form eines Künstlichen
Neuronalen Netzes)
Fokus auf logistischer Regression, da hiermit eine
Bestimmung der Wirkungsrichtung der Einfluss-
größen durch die Koeffizienten möglich ist
Logistische Regression
33
Annahme einer Variablen Z als Linearkombination
der Prädiktoren Xi (aggregierte Einflussgröße):
n
j
jj xz1
0 *
Logfile-Analyse: Aufbereitete Variablen und
Hypothesen (Zielgröße Click-Out) 34
Variablenkategorie Variable Ausprägungen/
Wertebereich Beschreibung Hypothese
Erwartetes
Vorzeichen
Generell
LOG_IN 0: nein, 1: ja Log-In eines Nutzers Kontrollvar. –
WOCHENENDE 0: nein, 1: ja Unterscheidung Wochentag/Wochenende Kontrollvar. –
DAUER_KLICK 1, 00–2.699,99 Durchschnittl. Verweildauer in Sek. je Seitenaufruf H1 +
PRODUKT 0, 1, 2, … Aufruf einer Produktdetailseite H2 –
START 0, 1, 2, … Aufruf der Startseite (Homepage/Index) H3 –
Suchfunktionen
SUCHFELD 0, 1, 2, … Nutzung Suchfeld H4a –
SUCHE_GESCHLECHT 0, 1, 2, … Nutzung Filter Geschlecht H4b –
SUCHE_KATEGORIE 0, 1, 2, … Nutzung Filter Kategorie H4c –
SUCHE_MARKE 0, 1, 2, … Nutzung Filter Marke H4d –
SUCHE_PREIS 0, 1, 2, … Nutzung Filter Preis H4e –
SUCHE_SALES 0, 1, 2, … Nutzung Filter Sales H4f –
SUCHE_SHOP 0, 1, 2, … Nutzung Filter Shop H4g –
Social Shopping
RATING_PROD 0,00–1,00 Anteil Produktdetailseiten, bei denen ein Produkt-
Rating größer/gleich 3 Sterne (60 %) vorhanden ist H5a +
RATING_SHOP 0,00–1,00 Anteil Produktdetailseiten, bei denen ein Shop-Rating
größer/gleich 3 Sterne (60 %) vorhanden ist H5b +
LISTE 0, 1, 2, … Aufruf einer Liste H6a –
STYLE 0, 1, 2, … Aufruf eines Styles H6b –
TAG 0, 1, 2, … Nutzung eines Tags (nutzergeneriert) H7 +
PROFIL 0, 1, 2, … Aufruf einer Profilseite H8 –
Transaktion CLICK_OUT 0: nein, 1: ja Weiterleitung zu einem partizipierenden Online-Shop Zielgröße
Quelle: Holsing 2012
Logistische Regressionsanalyse:
Zielgröße Click-Out (0/1) 35
Variable B Standard-
fehler
Wald Chi-
Square Exp(B)
95 % Intervall
Untergrenze
95 % Intervall
Obergrenze
Hyp.
bewährt?
Konstante 3,675 0,023 25.215,121*
Generell
LOG_IN (=0) –4,996 0,023 46.938,893* 0,007 0,006 0,007 j
WOCHENENDE (=0) –0,028 0,003 99,669* 0,972 0,967 0,978 j
DAUER_KLICK 0,297 0,001 42.665,871* 1,346 1,343 1,350 j
PRODUKT 0,086 0,003 693,366* 1,090 1,083 1,097 n
START –1,840 0,011 29.026,595* 0,159 0,156 0,162 j
Such-
funktionen
SUCHFELD –0,387 0,002 30.750,964* 0,679 0,676 0,682 j
SUCHE_GESCHLECHT 0,172 0,003 4.751,073* 1,188 1,182 1,194 n
SUCHE_KATEGORIE –0,012 0,002 42,034* 0,988 0,985 0,992 j
SUCHE_MARKE 0,111 0,004 920,943* 1,117 1,109 1,125 n
SUCHE_PREIS 0,310 0,006 2.687,315* 1,363 1,348 1,380 n
SUCHE_SALES 0,212 0,008 675,678* 1,236 1,217 1,256 n
SUCHE_SHOP –0,107 0,006 365,097* 0,899 0,889 0,909 j
Social
Shopping
RATING_PRODUKT 0,003 0,001 10,624** 1,003 1,001 1,005 j
RATING_SHOP 0,213 0,001 48.530,326* 1,238 1,236 1,240 j
LISTE –1,862 0,044 1.780,645* 0,155 0,142 0,169 j
STYLE –0,652 0,021 970,791* 0,521 0,500 0,543 j
TAG –0,222 0,011 394,887* 0,801 0,783 0,819 n
PROFIL –2,584 0,040 4.145,029* 0,075 0,070 0,082 j
Anm.: * p < 0,0001; ** p < 0,001; Likelihood Ratio-Test: χ2(18) = 264.030,374; p < 0,0001; Pseudo-R2 = 0,07; Klassifikationsgüte = 63,4%
Quelle: Holsing 2012
Überblick: Zielgrößen Click-Out und Verweildauer
36
Startseite
Click-Out
Log-In
Besuch Wochenende
Suchfunktionen:
Geschlecht, Marke,
Preis und Sales
Rating
(Produkt und Shop)
Social-Shopping-
Funktionen: Liste,
Profil, Style und Tag
Suchfunktionen:
Suchfeld, Kategorie
und Shop
Verweildauer/Seite +
–
+
+
+
+
–
+
–
*: bis auf Log-In sind Koeffizienten
signifikant positiv. Verweildauer/
Seite und Rating nicht untersucht.
Stimuli
(unabh. Var.)
Reaktion
(abh. Var.)
Verweildauer
gesamt
+
+ *
Produktdetailseite
Results also conform
to the following
descriptive results
Avg. visit duration of
logged-in users: 125
sec.; non-logged-in
users: 202 sec.
Visit duration in
sessions, in which at
least one list or style
is considered, is
56% higher
The number of clicks
in such sessions is
substantially higher;
on average 3.7
clicks more
Click-out rate:
29.9% (overall 41%)
Entscheidungsbaum
37
> 4,224 <= 4,224
> 4,916 <= 4,916 > 4,554 <= 4,554 > 0,347
> 5,939 > 0,347
> 0,896
<= 5,939 Nein
Nein
Ja <= 0,347
<= 0,896
<= 4,959 > 4,959
<= 0,347
<= 0,896 > 0,896
<= 0,690 > 0,690
Ja
PRODUKT_DAUER
DAUER PRODUKT
SUCHFELD
LOG_IN
DAUER_KLICK SUCHFELD DAUER
PRODUKT_DAUER KAMPAGNE DAUER PRODUKT
7 (n=692.612)
0: 68,66%
1: 31,37%
Quelle: Holsing 2012
Vergleich der Ergebnisse
38
Variablenkategorie Variable Log. Regr. Entscheidungsbaum MLP
Generell
LOG_IN +++ + +/++
KAMPAGNE n. u. + +
WOCHENENDE + o +
DAUER n. u. ++/+++ +++
DAUER_KLICK +++ ++ +++
PRODUKT +/++ ++/+++ +++
MAX_PRODUKT n. u. o ++
PRODUKT_DAUER n. u. +++ ++/+++
START +++ o +++
Suchfunktionen
SUCHFELD +++ ++ +++
SUCHE_GESCHLECHT ++ o ++
SUCHE_KATEGORIE + o ++
SUCHE_MARKE ++ o ++
SUCHE_PREIS ++ o ++
SUCHE_SALES ++ o ++
SUCHE_SHOP + o +
Social Shopping
RATING_PROD + o +
RATING_SHOP ++ o +
LISTE ++ o ++
STYLE +++ o ++
TAG ++ o ++
PROFIL + o ++
+++ starker Einfluss, ++ mittlerer Einfluss, + schwacher Einfluss, o kein Einfluss, n. u.: nicht untersucht
Vergleich der Methoden
39
Logistische Regression: Anforderungen an Modellprämissen höher,
empfindlich gegenüber Ausreißern, Signifikanzniveau vorhanden
Unabhängige Variablen: Anzahl verschieden
Methoden ergänzen sich
Kriterium Logistische
Regression Entscheidungsbaum Neuronales Netz
Anzahl Input-Variablen 18 22 22
Variablen im Modell 18 7 22
Klassifikationsgüte in % 63,40 71,58 73,24
Verständlichkeit
Bestimmung der
Wirkungsrichtung
der Einflussgrößen
durch (Effekt-)
Koeffizienten
Baumstruktur ist intuitiv
verständlich (hier
Klickprofile)
Black-Box-Charakter
Quelle: Holsing 2012
Implikationen für das Management einer SSC
40
Anzahl der Community-Mitglieder erhöhen
Abgabe von Ratings fördern
Trotz geringer Nutzung: Social Shopping-Funktionen wirken
signifikant auf Click-Out (negativ) und Stickiness (positiv)
Social Shopping-Funktionen separieren und wg. mögl. Reaktanz erklären
Aber: Social Shopping-Funktionen können wichtig sein für:
Attraktivität (Akquise und Loyalität)
Förderung Stöbern
Impulskäufe
Werbeerlöse (z.B. Banner und Textanzeigen (AdSense))
Verweildauer erhöhen (Differenzierung stöbern vs zielgerichtet)
Logfiles für Real-Time Analytics/ CRM/ Business Intelligence
Implikationen für das Management von
Online-Shops 41
Abgabe von Ratings fördern (für eigenen Shop/ Produkte)
Konzeption kanalspezifischer Pricing-Strategien
Aufmerksamkeit durch UGC (Listen, Styles)
Bsp.: Style Contests von Coach, Nike und Gucci
Coach: Innerhalb 1 Woche: 3.692 Styles, > 100.000 Likes,
> 200.000 Aufrufe Word-of-Mouth at it’s best!
Listen und Styles als Forecasting Tool nutzen
Integration in ‚Social CRM Strategy‘
Text Mining von nutzergenerierten Inhalten
Identifizierung Lead User
Tracking Conversion Rates
Fazit
42
Logfile-Analyse liefert neuartige Erkenntnisse zum
Kaufverhalten in SSCs
Grenzen: Logfiles stammen aus einer frühen
Entwicklungsphase, keine Wiederholungsbesuche erfasst,
Inhalt der Seiten nicht enthalten
Mögliche weitere Analyse: Einbezug von tatsächlichen
Käufen, Sequenzanalyse
Ökonomische Relevanz von BIG DATA steigt
DANKE FÜR IHRE
AUFMERKSAMKEIT!
FRAGEN?
KOMMENTARE?
www.lynx-ecommerce.de