Se ha denunciado esta presentación.
Utilizamos tu perfil de LinkedIn y tus datos de actividad para personalizar los anuncios y mostrarte publicidad más relevante. Puedes cambiar tus preferencias de publicidad en cualquier momento.

Automatizace dat u publishera v praxi

245 visualizaciones

Publicado el

Jonáš Rákosník na konferenci Data Restart 2019.

Přednáška nabídne pohled pod pokličku jednoho z největších mediálních domů v ČR. Jak s daty pracovali v minulosti a jak s nimi pracují teď? Co vše řeší automatizací?

Publicado en: Datos y análisis
  • Sé el primero en comentar

  • Sé el primero en recomendar esto

Automatizace dat u publishera v praxi

  1. 1. AUTOMATIZACE DAT U PUBLISHERA V PRAXI
  2. 2. OBSAH PREZENTACE • Vývoj automatizace dat v CNC • Jaká data a pro jaké účely je používáme? • CASE STUDY: Optimalizace Open RTB podle automatizovaných dat • Co plánujeme automatizovat dále? • Q&A
  3. 3. VÝVOJ AUTOMATIZACE DAT
  4. 4. VÝVOJ AUTOMATIZACE DAT Stav před automatizací 11/2017 • Nadvláda „excelového království“ • Nemožnost sledovat denní výkony • Chybějící reporty pro externí potřeby • Počátek implementace Kebooly
  5. 5. VÝVOJ AUTOMATIZACE DAT První data a vizualizace 01/2018 • Propojení Kebooly s Power BI • První kontrola „správnosti“ dat • První úpravy vstupních dat • Vytvoření prvních vizualizací
  6. 6. VÝVOJ AUTOMATIZACE DAT Další data a jejich „ladění“ 03/2018 - 12/2018 • Změna reklamního systému • Nejdelší fáze procesu automatizace • Vytvářenívizualizacíprointerníiexternípotřeby • Napojenínaobjednávkovýsystémafakturaci • Napojení dat posledního RTB partnera
  7. 7. VÝVOJ AUTOMATIZACE DAT Aktuální stav 03/2019 • Sledování denních výkonů, trendů • Napojení na data Gemiusu • Rozpaddatdopotřebnéhodetailu • Vytvářenípřesnějšíchpredikcí
  8. 8. JAKÁ DATA A PRO JAKÉ ÚČELYJE POUŽÍVÁME?
  9. 9. JAKÁ DATA A PRO JAKÉ ÚČELY JE POUŽÍVÁME? Inzertní data Inzertní data používáme pro sledování každodenních výkonů portfolia • pro interní potřeby v rámci pravidelného reportingu • pro zastoupená media Total (Výnosy) Přímé kampaně Private dealy Open RTB Web X Partner X Pozice X Web X Pozice X Pozice A Pozice B Web A Pozice X Web X Pozice X Pozice X Web X Pozice X Web B Partner A Partner B Partner X Pozice X Web X Výnosy, imprese, eCPM,…
  10. 10. JAKÁ DATA A PRO JAKÉ ÚČELY JE POUŽÍVÁME? Technická data Technická data používáme interně pro sledování technické vyprodanosti Total (imprese) Galerie Desktop Web BWeb A Web X Web X Mobil Web X Web X ZařízeníZařízení KategorieČlánky Total (Requesty) Prodané imprese Passbacky Fraud imprese Blacklist imprese ------- Requesty, prodané imprese, passbacky, fraud imprese,…
  11. 11. JAKÁ DATA A PRO JAKÉ ÚČELY JE POUŽÍVÁME? Inzertní data + webová analytika Kombinaci inzertních dat a web analytiky používáme interně pro sledování využitelnosti portfolia Total (page views) Total (výnosy) Desktop Web A Web B Web X Web A Web X Web XWeb X Web B MobilDesktopMobil Page views, imprese, výnosy, CPT/PVs,…
  12. 12. CASE STUDY: OPTIMALIZACE OPEN RTB PODLE AUTOMATIZOVANÝCH DAT
  13. 13. CASE STUDY: OPTIMALIZACE OPEN RTB PODLE AUTOMATIZOVANÝCH DAT Cíl: snížením price floors (PF) u partnerů A a E zvýšit celkové výnosy z Open RTB Předpoklad 1: zvýší se výnosy u partnerů A a E, ale na úkor partnerů B a C Předpoklad 2: partnerů D, F a G se změna nedotkne
  14. 14. CASE STUDY: OPTIMALIZACE OPEN RTB PODLE AUTOMATIZOVANÝCH DAT Snížení PF u partnera A nastalo 12. 2. • U partnera A to znamenalo skokově zvýšení výnosů v průměru o 35 % • U partnerů B a C došlo ke snížení výnosů, nejvýrazněji u partnera C (-64 %) Zdroj: Power BI
  15. 15. CASE STUDY: OPTIMALIZACE OPEN RTB PODLE AUTOMATIZOVANÝCH DAT Snížení PF u partnera E proběhlo také 12. 2. • Na rozdíl od partnera A zde bylo zvýšení výnosů postupné • Na partnera C mělo větší vliv snížení PF u partnera A Zdroj: Power BI
  16. 16. CASE STUDY: OPTIMALIZACE OPEN RTB PODLE AUTOMATIZOVANÝCH DAT Snížení nemělo žádný dopad na výnosy zbylých partnerů • Výkyvy ve výnosech D, F a H odpovídají týdennímu cyklu a sezonalitě Zdroj: Power BI
  17. 17. CASE STUDY: OPTIMALIZACE OPEN RTB PODLE AUTOMATIZOVANÝCH DAT Závěr: Cíl splněn - celkové výnosy vzrostly, potvrdily se i všechny předpoklady Zdroj: Power BI
  18. 18. CO PLÁNUJEME AUTOMATIZOVATDÁLE?
  19. 19. CO PLÁNUJEME AUTOMATIZOVAT DÁLE? • Napojení Kebooly na data z dalších oddělení • Optimalizace a propojení offline dat • CRM a e-mailové databáze • Využití Kebooly pro integraci dat z DMP • Napojení na data o počasí, cílení na kampaně kli- entů specifických segmentů nebo sezonality Data z distribuce, marketingu a DMP
  20. 20. CO PLÁNUJEME AUTOMATIZOVAT DÁLE? • Větší využití v rámci webové analytiky • Zpřesňovat, zpřesňovat, zpřesňovat! • Rozpad dat po agenturách, klientech • Lepší modelace predikcí • Propojení s budgety, plněním Data z vývoje, prediktivní modely
  21. 21. CO PLÁNUJEME AUTOMATIZOVAT DÁLE? Data z vývoje, prediktivní modely ZAREGISTRUJ SE ZDE Baví tě analytika? Zkus to u nás!
  22. 22. OTÁZKY?
  23. 23. Děkuji za pozornost Jonáš Rákosník jonas.rakosnik@cncenter.cz

×