17. (czyli takie, które można zbierać “w internecie”)
• nawigacja (generalnie aktywność na
stronach www i w aplikacjach)
• e-mailing (otwarcie / kliknięcie)
• kontakt z reklamą display czy video
Online
(inne bazy, w wersji elektronicznej lub nie)
• bazy klienta (CRM)
• ogólnodostępne zbiory danych, np. CEIDG
czy dane pogodowe
• kasy fiskalne
Offline
18. Dane 1st party
Dane własne, pochodzące najczęściej z analizy
aktywności na stronie www lub z CRM
są unikalne i precyzyjne
ale…
nie zwiększają zasięgu i dotyczą
tylko niektórych aspektów
20. Dane 2nd party
Dane partnera, czyli dane 1st party innej firmy
lub wydawcy, zwykle komplementarne.
unikalne, precyzyjne,
inkrementalne do 1st party
ale…
mniejsza kontrola, trudne
w pozyskaniu i wymianie
21. Dane 3rd party
Ogólnodostępne dane zbierane, przetwarzane
i udostępniane przez wyspecjalizowane firmy
duży zasięg, bardzo wiele
typów i segmentów
ale…
nie są unikalne i trudno weryfikować
jakość
22. 86%kampanii programmatic w Europie wykorzystuje
dane behawioralne
Źródło: THE ECONOMICVALUE OFBEHAVIOURALTARGETINGIN DIGITALADVERTISING, HIS Markit
25. Weryfikacja jakości danych – demografia
źródło: Nielsen, Digital Ad Ratings dla danych
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
18+ 25-44 M 25-34 F 25+
Allegro benchmark
26. Jak posegregować dane, czyli taksonomia
FUNKCJONALNE
DEMOGRAFIA
ZAINTERESOWANIA
INTENCJE ZAKUPOWE
TECHNICZNE
GEO
27. Jak posegregować dane, czyli taksonomia
FUNKCJONALNE
DEMOGRAFIA
ZAINTERESOWANIA
INTENCJE ZAKUPOWE
TECHNICZNE
GEO
PODMIOTOWE
KTO
CO
KIEDY
28. Jak posegregować dane, czyli taksonomia
FUNKCJONALNE
DEMOGRAFIA
ZAINTERESOWANIA
INTENCJE ZAKUPOWE
TECHNICZNE
GEO
PODMIOTOWE
KTO
CO
KIEDY
CHRONOLOGIA
ROBIŁ / SZUKAŁ
ROBI / SZUKA
ZROBI
30. Analiza danych
historycznych
Analiza danych pozwala na wyciąganie
wniosków dotyczących użytkowników,
ich cech, zachowań.
Przewidywanie
zachowań
Tworzenie segmentów użytkowników,
którzy mają wspólne cechy albo
zachowują się w określony sposób.
31. Analiza danych
historycznych
Analiza danych pozwala na wyciąganie
wniosków dotyczących użytkowników,
ich cech, zachowań.
Przewidywanie
zachowań
Tworzenie segmentów użytkowników,
którzy mają wspólne cechy albo
zachowują się w określony sposób.
32. Analizy i raporty Data Mining (przykład)
źródło:
0%
5%
10%
15%
20%
25%
0
100
200
300
400
500
600
700
800
900
13-17 18-24 25-29 30-34 35-39 40-44 45-49 50-54 55-59 60-64
udział transakcji średnia cena
33. Analizy i raporty Data Mining (przykład)
źródło:
500
550
600
650
700
750
800
850
900
13-17 18-24 25-29 30-34 35-39 40-44 45-49 50-54 55-59 60-64
F M
37. Analiza danych
historycznych
Analiza danych pozwala na wyciąganie
wniosków dotyczących użytkowników,
ich cech, zachowań.
Przewidywanie
zachowań
Tworzenie segmentów użytkowników,
którzy mają wspólne cechy albo
zachowują się w określony sposób.
39. Przykładowa konstrukcja segmentów
POTENCJALNI KLIENCI
<przeglądali strony produktów
2x w ciągu tygodnia>
i nie
<dokonali zakupu w tym
czasie>
i
<demografia: kobiety (dane 3rd
party)>
PONOWNY ZAKUP
<dokonali zakupu w okresie 3-
6 tygodni temu>
i nie
<dokonali zakupu w ostatnim
tygodniu>
i
<weszli na stronę w ostatni
tygodniu)>
NOWI KLIENCI
<czytali recenzję produktu na
stronie partnera (dane 2nd
party)>
i nie
<byli na stronie reklamodawcy>
i
<demografia: wiek 25+ (dane 3rd
party)>
47. DSP
(Demand Side Platform)
Wykorzystanie kodów DSP do oznaczania
wybranych użytkowników i targetowanie w
programmatic. Ograniczenie: niewielkie
możliwości analizy danych
i tylko jedno DSP
50. DMP – Data Management Platform
Tylko dane nieosobowe
Zbieranie
z różnych źródeł
Łączenie
identyfikatorów
Segmentacja
różne metody
Analiza
segment overlap
Aktywacja
udostępnienie
54. 1
2
3
4
określenie celów wykorzystania danych
audyt danych 1st party
taksonomia czyli segregacja danych
identyfikacja źródeł danych 2nd and 3rd party
plan działań
5