close

Anmelden

Neues Passwort anfordern?

Anmeldung mit OpenID

14.30 BDS15 Jedlitschka p7s1_ Dr. Perchalla inovex

EinbettenHerunterladen
DATA-DRIVEN MARKETING – CONNECTING THE DOTS BETWEEN TV AND ONLINE
Welchen messbaren Einfluss hat
TV-Werbung auf das Online-Verhalten?
Florian Jedlitschka
Manager Media & Analytics Digital & Adjacent
ProSiebenSat.1 Media AG
Dr. Lars Perchalla
Big Data Scientist
inovex GmbH
I Seite 1 | BITKOM Big Data Summit 2015 | ProSiebenSat.1 Media AG & inovex GmbH | 25. Februar 2015
Referenten
Florian Jedlitschka
• BWL-Studium an der Universität
Erlangen-Nürnberg und der Corvinus
Universität Budapest
• > 4 Jahre Unternehmensberater bei
Accenture im Bereich Media Auditing
• Schwerpunkt im TV und Online
• heute Manager Media & Analytics im
Bereich Digital & Adjacent bei der
ProSiebenSat.1 Media AG
• Weiterentwicklung der TV-Wirkungs-
Dr. Lars Perchalla
• Physik-Studium an der RWTH Aachen
• 2011 Promotion über die Analyse von
Massendaten zur Suche nach dem HiggsBoson (Elementarteilchenforschung)
• Postdoc an der RWTH und am CERN in
Genf
• seit 2013 Big Data Scientist bei inovex
• Design und Realisierung von Big-DataSystemen und wissenschaftliche Analyse
von großen Datenvolumina
analyse für das Online-Business
I Seite 2 | BITKOM Big Data Summit 2015 | ProSiebenSat.1 Media AG & inovex GmbH | 25. Februar 2015
Agenda

Wie funktioniert das Digitale Business innerhalb von ProSiebenSat.1?

Welchen Effekt hat TV-Werbung auf das Digitale Business?

Wie wird Big Data bei ProSiebenSat.1 genutzt?
I Seite 3 | BITKOM Big Data Summit 2015 | ProSiebenSat.1 Media AG & inovex GmbH | 25. Februar 2015
ProSiebenSat.1 besetzt Top-Positionen im Digitalbereich
1
Broadcasting
German-speaking
2
Digital & Adjacent
Digital Entertainment
#1
Pay VoD
Digital Commerce
39.3%
47.9%
#1
#2
3
Content Production
& Global Sales
#1
#1-5
Ad VoD
#2
Adjacent
+
#3
Online
Games
12.8%
I Seite 4 | BITKOM Big Data Summit 2015 | ProSiebenSat.1 Media AG & inovex GmbH | 25. Februar 2015
#4
Alternative Ansätze in der TV-Mediaplanung
durch TV-Analytics
Traditionelle TV-Mediaplanung
Response-basierte Mediaplanung
Fokus: Zielgruppe
Cost per Visit (CpV)
= Kosten pro Website-Besuch
Kunde
Brand!
Net
reach
F25-39
GRP
Cost per Action (CpA)
= Kosten pro Aktivität auf einer Website
(z. B. Registrierung)
Visit per GRP (VpGRP)
Media Agentur
= Website-Besuche per Gross Rating Point
I Seite 5 | BITKOM Big Data Summit 2015 | ProSiebenSat.1 Media AG & inovex GmbH | 25. Februar 2015
Motivation für die Big Data-Initiative

ProSiebenSat.1 entwickelt sich zum führenden Data Hub für TV-Analytics

Kernfrage: Welchen Effekt hat TV-Werbung für das Online-Business?

Traditionelle Online-Analyse-Tools liefern keine Antwort

Individuelle Lösung von ProSiebenSat.1: Big Data & Data Science
I Seite 6 | BITKOM Big Data Summit 2015 | ProSiebenSat.1 Media AG & inovex GmbH | 25. Februar 2015
Big Data Lösungs-Architektur
Reporting/Analysis
RDBMS
TV-Daten aus 15 Mio.
Einträgen/Tag
(Reichweite, CRM,
TV-Schaltplan ...)
Tracking-Daten
• 60 Websites
• 50 Mio.
Unique Users/Monat
Hadoop Cluster
• 10 Data Nodes
• 640 GB RAM
• 320 TB Storage
I Seite 7 | BITKOM Big Data Summit 2015 | ProSiebenSat.1 Media AG & inovex GmbH | 25. Februar 2015
Tägliche
Aggregation
• 60 Mio.
Visits
• > 50 KPIs
Methodisches Grundprinzip: Spot-Induktion
Verbinde TV und Web!
Hive UDTF
Visits
Spot-Zuordnung
Spot induced signal
• Extrapoliere flachen
2nd spot
Overlap
region
New noise level
-8
Noise window
0
Signal window
8
Spot minute
Untergrund!
• Separiere
Kategorien!
(referrer, device, …)
• Löse Überlapp durch
Spot-Gewichte!
(GRP und ResponseFunktion1)
1
Extrapolate ∅ noise level
I Seite 8 | BITKOM Big Data Summit 2015 | ProSiebenSat.1 Media AG & inovex GmbH | 25. Februar 2015
Landau Modell
0.5
3
Signal-Analyse: Spot-Induktion ermöglicht Messung von
time of day
unmittelbarer Werbewirkung
0
18:00
1
visits
2
18:15
18:30
18:45
19:00
19:15
19:30
19:45
20:00
20:15
20:30
20:45
21:00
700
Spot-Zuordnung
0
00:00
600
02:00
04:00
06:00
08:00
10:00
12:00
14:00
16:00
18:00
20:00
Daily
Visits
500
400
700
600
300
500
200
400
100
22:00
00:00
time of day
• Kurzreichweitige Zuordnung zu synchronen Visits
• Trotzt Modulation und
Fluktuation
• Konservativ, aber robust
Analysen
• Zeit (Tageszeit vs. Primetime)
18:15
18:30
18:45
19:00
19:15
19:30
19:45
20:00
20:15 • 20:30
Inhalt: 20:45
Sender,21:00
Genre,
time of day
200
Format
ources/visits_induced_20140112_17_v4_strippedSecs.csv -s java/psa-media-analytics-hive-functions/src/test/resources/lookup_spotchains.csv
• Spot: Motiv, Art
100
(Tandem/Single), Dauer
0
00:00
02:00
04:00
06:00
08:00
10:00
12:00
14:00
16:00
18:00
20:00
22:00
00:00
• Tarif: Special Ads
time of day
300
0
18:00
est/resources/visits_induced_20140112_17_v5.csv
I Seite 9 | BITKOM Big Data Summit 2015 | ProSiebenSat.1 Media AG & inovex GmbH | 25. Februar 2015
Merkmale erfolgreicher Werbespots:
Beispiel-Analysen
Wie wirken mehrere E-Commerce Spots
innerhalb eines Werbeblocks?
Welches Spot-Motiv funktioniert am besten?
Ø Besucher pro Spot
(GRP normiert)
Kumulierte
Besucher
Forecasts
möglich!
400
12,000
350
10,000
300
250
8,000
200
6,000
Beauty – Motiv 1
150
4,000
Beauty – Motiv 2
100
2,000
50
Beauty – Motiv 3
0
0
1
2
3
4
5
6
7
8
0
Anzahl E-Commerce Spots im Werbeblock
I Seite 10 | BITKOM Big Data Summit 2015 | ProSiebenSat.1 Media AG & inovex GmbH | 25. Februar 2015
10
20
30
Kumulierte Reichweite
40
50
Data Science: Langzeit-TV-Effekt
Problem: Aktuelle Kampagnen-Bewertung (CpV)
unzureichend
Visits in k
Problem: Keine adäquate
Berücksichtigung von
Saisonalität und anderen
Marketing-Aktivitäten
35
30
25
20
Incremental Campaign Visits
15
Depot visits
Lösung: MVA1-Analyse
• Klassifizierung der Besucher nach ihrem
Web-Verhalten
• Entscheidungsbaum aus
diskriminierenden Variablen trennt
TV- von nicht-TV-getriebenen Visits
node (one
discriminator)
10
S
Pre-Campaign
(baseline)
5
TV-Campaign
(incremental effect)
PostCampaign
0
1
2
3
4
5
6
7 8 9 10 11 12 13 14 15
Wochen
I Seite 11 | BITKOM Big Data Summit 2015 | ProSiebenSat.1 Media AG & inovex GmbH | 25. Februar 2015
Multi-Variant Analysis (Boosted Decision Tree, AdaBoost)
1
boosting
B ~500 trees
S
B
S = TV, B = non-TV
S
B baskets
Data Science: Revenue-Analyse
Beispiel-Ergebnis der MVA-Klassifizierung
BackgroundMVA
Nicht-TV-Visits
Umsatz in kEUR
80
SignalMVA
TV-Visits
1st TV Flight
70
Break
2nd TV Flight
60
50
40
30
MVA-basierte
Quantifizierung des
Depot-Effekts
20
10
0
Woche
1
2
3
4
5
6
7
8
9
10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
I Seite 12 | BITKOM Big Data Summit 2015 | ProSiebenSat.1 Media AG & inovex GmbH | 25. Februar 2015
Ausblick: Funktionale Erweiterungen

App Tracking

TV-Online-Kampagnen-Synchronisation

Integration von Wetter-Daten
I Seite 13 | BITKOM Big Data Summit 2015 | ProSiebenSat.1 Media AG & inovex GmbH | 25. Februar 2015
Vielen Dank für Ihr Interesse!
Florian Jedlitschka
Manager Media & Analytics Digital & Adjacent
ProSiebenSat.1 Media AG
Dr. Lars Perchalla
Big Data Scientist
inovex GmbH
I Seite 14 | BITKOM Big Data Summit 2015 | ProSiebenSat.1 Media AG & inovex GmbH | 25. Februar 2015
Autor
Document
Kategorie
Uncategorized
Seitenansichten
3
Dateigröße
1 919 KB
Tags
1/--Seiten
melden