Dieses Schulungskapitel bietet Ihnen einen Überblick über die Analyse userbezogener Daten, welche durch Webtrekk erhoben werden.

Die Namen der "URM"-Dimensionen wurden leicht angepasst und sind in diesem Artikel veraltet.
Grundsätzlich wurde "URM" durch "Besucher" ersetzt und "Customer" aus dem Namen entfernt.
Die gesamte Liste finden Sie hier. Wir werden die Namen in naher Zukunft aktualisieren.



1 Userbezogene Daten

1.1 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.

1.2 Berechnung von Frequenzen

Mapp Intelligence 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 Mapp Intelligence auch die Betrachtung der Tage/Wochen/Monate seit Erstbesuch (z.B. „Kohorten (Lebenspanne 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.

 


1.3 Übersicht Dimensionen und Metriken

Folgende Dimensionen und Metriken werden automatisch berechnet:

Traffic-Betrachtung




Verfügbar als

Metrik/Wert

Bezeichnung

Beschreibung

Metrik

Dimension

Page Impressions

URM - Customer Page Impressions

Gesamt-Page Impressions im 10er-Intervall zum Zeitpunkt


X

URM - Customer Profil Page Impressions

Gesamt-Page Impressions
(Dimension: 10er-Intervall)

X

X

Visits

URM - Customer Visits

Gesamt-Visits zum Zeitpunkt


X

URM - Customer Profil Visits

Gesamt-Visits

X

X

Tage

URM - Kontakt vor Tagen

Tage seit einem Visit


X

URM - Customer Profil Letzter Kontakt vor Tagen

Tage seit letztem Besuch zum Zeitpunkt


X

URM - Customer Profil Erster Kontakt vor Tagen

Tage seit Erstbesuch zum Zeitpunkt


X

URM - Customer Profil Besuchsfrequenz Ø (Tage)

Ø Anzahl an Tagen zwischen Besuchen seit Erstbesuch

X


URM - Tage zwischen Kontakten

Anzahl an Tagen zwischen Besuchen

X

X


URM - Tage zwischen Kontakten Ø

Ø Anzahl an Tagen zwischen Besuchen

X


Ja | Nein

URM - Letzter Besuch

Filtert auf den letzten Besuch


X


Bestellungs-Betrachtung




Verfügbar als

Metrik/Wert

Bezeichnung

Beschreibung

Metrik

Dimension

Bestellungen

URM - Customer Bestellungen

Gesamt-Bestellungen zum Zeitpunkt


X

URM - Customer Profil Bestellungen

Gesamt-Bestellungen

X

X

URM - Customer rabattierte Bestellungen

Gesamtanzahl rabattierter Bestellungen im 10er-Intervall zum Zeitpunkt


X

URM - Customer Profil rabattierte Bestellungen

Gesamtanzahl rabattierter Bestellungen (Dimension: 10er-Intervall)

X

X

Bestellwert

URM - Customer Bestellwert

Gesamt-Bestellwert im 10er-Intervall zum Zeitpunkt


X

URM - Customer Profil Bestellwert

Gesamt-Bestellwert
(Dimension: 10er-Intervall)

X

X

URM - Customer Profil Bestellwert Ø

Ø Gesamt-Bestellwert

X


Rabattwert

URM - Customer Rabattwert

Gesamt-Rabattwert im 10er-Intervall zum Zeitpunkt


X

URM - Customer Profil Rabattwert

Gesamt-Rabattwert
(Dimension: 10er-Intervall)

X

X

Rabattquote %

URM - Customer Profil Rabattquote %

Anteil rabattierter Bestellungen an Gesamt-Bestellungen

X


Customer Lifetime Value

URM - Kampagnen Neubesucher CLV

Der Gesamt-Bestellwert zum Zeitpunkt für Neubesucher mit Kampagnenklick

X

X

Tage

URM - Bestellung vor Tagen

Tage seit der vorhergehenden Bestellung (bzw. erster Besuch bei der ersten Bestellung)


X

URM - Customer Profil Letzte Bestellung vor Tagen

Tage seit der letzten Bestellung


X

URM - Tage zwischen Bestellungen

Tage zwischen zwei Bestellungen

X

X

URM - Tage zwischen Bestellungen Ø

Anzahl an Tagen, die durchschnittlich zwischen den Bestellungen liegt.

X


Ja | Nein

URM - Letzter Kauf-Besuch

Grenzt auf den letzten Besuch ein, in dem ein Besucher eine Bestellung durchgeführt hat.


X

URM - Customer Profil Letzte Mikro Customer Journey

Erlaubt die Eingrenzung auf den letzten besuchsübergreifenden Zyklus des Besucher Mikro-Status.


X

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?“


1.4 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.

Customer-ID

Customer Profil Visits

Customer Profil Page Impressions

Wird wann gelöscht?

168456

1

1

nie

keine

1

2

nach 180 Tagen

keine

2

2

nach 360 Tagen

keine

1

1

nach 30 Tagen

Die Anzahl der Tage, nach denen die oben genannten Regeln angewendet werden, kann durch Mapp angepasst werden.

1.5 Use Cases

Wie viele Tage vergehen zwischen Besuchen?

Analyse: Individuelle Analyse

Lesebeispiel
VisitsBei 1.649 Visits erfolgte der letzte Zugriff 4 Tage vorher.
Visit %Bei 3,16 % aller Visits erfolgte der letzte Zugriff 4 Tage vorher.
Der erste Visit wird bei der Berechnung nicht berücksichtigt.

 

Wie viele Tage vergehen zwischen den Besuchen, abhängig von der Anzahl an Visits?

Analyse: Individuelle Analyse

Lesebeispiel
Visitors1.360 User führten den zweiten Visit einen Tag nach ihrem ersten Visit durch.
Visits %15,74 % aller User, die einen zweiten Visit hatten, führten diesen einen Tag nach ihrem ersten Visit durch.

 

Wie viele Tage vergehen zwischen Bestellungen?

Analyse: Individuelle Analyse

Lesebeispiel
Anzahl BestellungenBei 11 Bestellungen erfolgte die letzte Bestellung 2 Tage vorher.

 

Wie viele Tage vergehen zwischen Bestellungen, wenn User mindestens 2 Mal bestellt haben?

Analyse: Individuelle Analyse

Lesebeispiel
Visitors138 Visitors haben ihre zweite Bestellung am gleichen Tag durchgeführt wie ihre erste Bestellung.
Bei der ersten Bestellung werden die Tage zum Erstbesuch ausgewiesen.


Wie viele User hatten im Analysezeitraum mehr als 10 Visits und insgesamt in ihrer Lifetime bis dahin mehr als 100 Page Impression generiert?

Analyse: Individuelle Analyse

Lesebeispiel
Visitors79.651 Visitors waren im März auf der Webseite.
Visitors mehr als 10 Visits und 100 PI Lifetime*1.317 Visitors waren im März auf der Webseite, hatten im Analysezeitraum mehr als 10 Visits und in ihrer Lifetime bis dahin mehr als 100 Page Impression generiert.

*Dies ist ein selbst erstellte Metrik.

Verwendeter Filter in der selbst erstellten Metrik:


Welcher Umsatz wurde langfristig über neu gewonnene Besucher je Kampagnenkanal generiert?

Analyse: Marketing > Kampagnenkategorien > [Name des Kampagnenkanals]

Lesebeispiel
URM – Kampagnen Neubesucher CLV18.057,10 € Bestellwert haben die im Analysezeitraum erfassten Neubesucher über den Kanal „Display“ bis zum heutigen Tag generiert.
Bestellwert5.364,10 € Bestellwert wurde laut dem Standard-Attributionsmodell dem Kanal „Display“ zugeordnet.


Beispiel: Besucher mit Kampagnenkanälen und Standardattribution Letzte-Kampagne-gewinnt

 

Wie viele Visits gibt es langfristig von Neubesuchern über Kampagnenkanäle?

Analyse: Marketing > Kampagnenkategorien > [Name des Kampagnenkanals]

Lesebeispiel
VisitsDer Kanal „SEO“ wurde von 34.059 Neubesuchern im Analysezeitraum genutzt.
URM – Customer Profil VisitsDie Neubesucher generierten bis zum heutigen Tag 88.605 Visits.
Weitere Lifetime-Visits pro Visitor*Durchschnittlich generierten die Neubesucher 1,7 weitere Visits bis zum heutigen Tag.

*Dies ist ein selbst erstellte Formel.

„Weitere Lifetime-Visits pro Visitor“ ist folgendermaßen konfiguriert:


2 Bewertung von Usern anhand RFM- und RFE-Modell

2.1 Allgemein

RFM- und RFE-Modell sind ein bewährtes Scoring-System, die sich zur Beurteilung eines Besuchers nutzen lässt.

Die Modelle betrachten das Verhalten eines Besuchers in unterschiedlichen Kontexten.

Für diese 3 Messkriterien werden jeweils 3 Werte zugeordnet: 1 (schlecht), 2 (mittel) oder 3 (gut).

Das zugrundeliegende Setup kann individuell angepasst werden.


In jedem Modell stehen somit 3³(=27) Kombinationsmöglichkeiten zur Verfügung

Beispiel: Kombinationsmöglichkeiten in RFM-Modell


Diese Clusterung erlaubt es, gezielte Maßnahmen für ausgewählte Nutzergruppen zu ergreifen.



Derselbe Besucher kann sowohl einer RFM- als auch einer RFE- Gruppe angehören.

Das RFM-Modell betrachtet nur die Käufer, das RFE-Modell alle Besucher.


2.2 Setup

Im Setup legen Sie fest, mit welchen Schwellenwerten die Modelle arbeiten.

Mapp Q3 > Konfiguration > Systemkonfiguration > Account

Anpassungen des Setups wirken sich auf alle erfassten User aus. So bleiben Sie flexibel und können sich an das perfekte Setup herantasten.


Die Verteilung der RFE-Gruppen lässt sich in der folgenden Analyse ablesen:

Analyse: Besucher > URM - User Relationship Management > URM - Customer RFE Gruppe

Lesebeispiel
Visits21.082 erfolgten von Besuchern, die im gewählten Analysezeitraum der RFE-Gruppe 211 angehörten.

Diese Analyse berechnet die Zuordnung zum Modell anhand des Kalenderzeitraums.

Alternativ lässt sich auch der aktuelle Status ermitteln, den ein User hat. Dazu können Sie die Dimensionen „URM - Customer Profile RFE Gruppe“ bzw. „URM - Customer Profile RFM Gruppe“ nutzen.

Beachten Sie, dass Sie in der Analyse den Zeitraum sinnvoll wählen. Wenn Sie beispielsweise „Heute“ als Zeitraum wählen, werden alle User eine Recency von „3“ haben.



Beispiel für die Zuordnung eines Users zur „URM - Customer Profile RFM Gruppe“:

Konfiguration:

Zugriffe eines Users:

Analyse:

Die Herausforderung bei der Konfiguration besteht darin, das „richtige“ Modell zu finden. Das Setup kann dabei branchenspezifisch stark variieren.

Gern helfen Ihnen unsere Consultants bei der Erarbeitung eines individuell passenden Setups!

Das RFE/RFM Dashboard (Mapp Q3 > Meine Reports > Vordefinierte Reports) kann zur Konfiguration der Schwellenwerte genutzt werden.

2.2.1 Beispiel-Setup für gleichverteilte Gruppen

Um dieses Beispiel anzuwenden, benötigen Sie das Recht, auf Smart Notifications zugreifen zu können.
Falls sie das Glocken-Symbol in der oberen Intelligence-Leiste nicht sehen, kontaktieren Sie bitte Ihren Mapp Intelligence-Administrator innerhalb ihrer Firma.

Bei den Benachrichtigungen in Mapp Intelligence können Sie Vorschläge für ein Setup erhalten, das zu gleichverteilten RFM/RFE-Gruppen führt (d.h. alle Gruppen enthalten die gleiche Anzahl an Nutzern):

1. Aktivieren Sie die Smart Notifications für das RFM/RFE-Modell:

2. Öffnen Sie Benachrichtigungen und wählen sie Smart Notifications, um die berechneten Werte zu sehen:

3. Verwenden Sie die Werte der Smart Notification in Ihrer RFM/RFE-Konfiguration (Mapp Q3 > Konfiguration > Systemkonfiguration > Account).

2.2.2 Beispiel-Setup anhand Pareto

Anhand des Pareto-Prinzips können Besucher unterteilt werden. Es besagt, das lediglich die besten 20 % aller Besucher geschäftsrelevant sind.
Da Mapp mit 3 Gruppen arbeitet, muss das Pareto-Prinzip 2 mal angewendet werden. Dabei kann entweder die Gruppe der „schlechten“ oder „guten“ User nochmals unterteilt werden.

Das folgende Beispiel zeigt die Segmentierung der User anhand der Anzahl der Gesamt-Visits zur Bestimmung der Frequency im RFE Modell.

  1. Segmentierung aller User

    Gruppe 2 entspricht den geschäftsrelevanten Usern.

  2. Segmentierung der geschäftsrelevanten User

    Gruppe 3 entspricht den besten Usern.


So nehmen Sie die Konfiguration für das Beispiel vor:

  1. Klicken Sie im vordefinierten Report „Recency, Frequency and Engagement“ in Mapp Q3 auf das Pfeil-Symbol bei „Frequency, Customer Visits“ um die entsprechende Analyse zu öffnen.


  2. Anhand von „Visitors kumuliert %“ können die Werte bestimmt werden. Lesen Sie die Customer Visits bei 80 % Prozent und 96 % ab und tragen Sie diese in die Konfigurationsmaske ein.


2.3 Vordefinierte Segmente

Basierend auf dem RFM/RFE-Modell werden Segmente gebildet, die wichtige Nutzergruppen darstellen.

Beispiel: Konfiguration des Segments „Flop Buyers“

In Mapp Intelligence lassen sich Reports, Analysen oder einzelne Metriken anhand von Segmenten filtern.

In Mapp Marketing Automation lassen sich Segmente zur Definition der Target Group nutzen.

In Segmenten wird die Profil-Betrachtung genutzt, d.h. es zählt nur der aktuelle Status den ein User hat.


Beispiel für vordefinierte RFM-Segmente "Flop Buyers" und "Big Spenders":

 

Segmente basierend auf dem RFM-Modell

Anhand einer beispielhaften Konfiguration wird die Wirkungsweise dieser Segmente beschrieben.

Beispielkonfigurationen für das RFM-Modell:

Segment Name
(englische Bezeichnung)

Filterung

Beschreibung anhand Beispielkonfiguration

Big Spenders
(Big Spenders)

**3

Es wurde mehr als 1.000 € Umsatz generiert.

Gekündigte Käufer (Churned Buyers)

1**

Die letzte Bestellung liegt mehr als 90 Tage zurück.

Flop Buyers
(Flop Buyers)

111

Die letzte Bestellung liegt mehr als 90 Tage zurück. Es gab insgesamt weniger als 3 Bestellungen, dabei wurden weniger als 100 € Umsatz generiert.

Häufige Käufer
(Frequent Buyers)

*3*

Es gab insgesamt mehr als 10 Bestellungen.

High Potential Buyers (High Potential Buyers)

313

Die letzte Bestellung liegt weniger als 30 Tage zurück. Es gab insgesamt weniger als 3 Bestellungen, dabei wurden mehr als 1.000 € Umsatz generiert.

Inactive Top Buyers (Inactive Top Buyers)

133

Die letzte Bestellung liegt mehr als 90 Tage zurück. Es gab insgesamt mehr als 10 Bestellungen, dabei wurden mehr als 1.000 € Umsatz generiert.

Small Buyers
(Small Buyers)

331

Die letzte Bestellung liegt weniger als 30 Tage zurück. Es gab insgesamt mehr als 10 Bestellungen, dabei wurden weniger als 100 € Umsatz generiert.

Top Buyers
(Top Buyers)

333

Die letzte Bestellung liegt weniger als 30 Tage zurück. Es gab insgesamt mehr als 10 Bestellungen, dabei wurden mehr als 1.000 € Umsatz generiert.


Segmente basierend auf dem RFE-Modell

Anhand einer beispielhaften Konfiguration wird die Wirkungsweise dieser Segmente beschrieben.

Beispielkonfiguration für das RFE-Modell

Segment Name
(englische Bezeichnung)

Filterung

Beschreibung anhand Beispielkonfiguration

Gekündigte Besucher
(Churner)

1**

Der letzte Besuch lag mehr als 10 Tage zurück.

Häufige Nutzer (Frequent Users)

*3*

Es gab insgesamt mehr als 60 Visits.