I Seite 1 | Marketing-Club Düsseldorf | ProSiebenSat.1 Media AG & inovex GmbH | 22. April 2015
DATA-DRIVEN MARKETING – CONNECTING THE DOTS BETWEEN TV AND ONLINE
Was bringen TV-Spots für E-Commerce?ProSiebenSat.1 schafft Fakten mit Big Data
Florian JedlitschkaManager Media Strategy & OperationsProSiebenSat.1 Media AG
Dr. Lars PerchallaBig Data Scientistinovex GmbH
I Seite 2 | Marketing-Club Düsseldorf | ProSiebenSat.1 Media AG & inovex GmbH | 22. April 2015
Referenten
Florian Jedlitschka Dr. Lars Perchalla
• Physik-Studium an der RWTH Aachen• 2011 Promotion über die Analyse von
Massendaten zur Suche nach dem Higgs-Boson (Elementarteilchenforschung)
• Postdoc an der RWTH und am CERN in Genf
• Seit 2013 Big Data Scientist bei inovex• Design und Realisierung von Big-Data-
Systemen und wissenschaftliche Analyse von großen Datenvolumina
• BWL-Studium an der Universität Erlangen-Nürnberg und der CorvinusUniversität Budapest
• > 4 Jahre Unternehmensberater bei Accenture im Bereich Media Auditing
• Schwerpunkt im TV und Online • Heute Manager Media Strategy &
Operations im Bereich Digital & Adjacentbei der ProSiebenSat.1 Media AG
• Weiterentwicklung der TV-Wirkungs-analyse für das Online-Business
I Seite 3 | Marketing-Club Düsseldorf | ProSiebenSat.1 Media AG & inovex GmbH | 22. April 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 4 | Marketing-Club Düsseldorf | ProSiebenSat.1 Media AG & inovex GmbH | 22. April 2015
Das P7S1 Business basiert auf 3 Säulen…
Digital & Adjacent Content Production& Global Sales 1 2 3Broadcasting
German-speaking
Digital Entertainment
Digital Commerce
Adjacent
TV advertising
Distribution
I Seite 5 | Marketing-Club Düsseldorf | ProSiebenSat.1 Media AG & inovex GmbH | 22. April 2015
mit führenden Positionen in den D&A Geschäftsbereichen …
PayVoD Markt berücksichtigt nur SVoD.
D&A: Verteilung Umsatz und Geschäftsbereiche[H1 2014]
#4
Digital Commerce
#1#1#2#1
Top 5#3
Digital Entertainment
#1
#1
#2
#3
Pay VoD
Online Games
Ad VoD
+
#2
12.8%
47.9%39.3%
Adjacent
I Seite 6 | Marketing-Club Düsseldorf | ProSiebenSat.1 Media AG & inovex GmbH | 22. April 2015
… und einem breiten Investment Portfolio
Please note: investments based on straight equity or equity-like components, strategic AND opportunistic by entire D&A segment.
Minderheit (10-50%) Mehrheit (>50%)Minderheit (<10%)
28 Deals 12 Deals
27 Deals 14 Deals 12 Deals
1 Deals 3 Deals
Auswahl:International
Germany, Austria & SwitzerlandSelection
17 Deals
Dig
ital
Non
-di
gita
l Selection
Selection
I Seite 7 | Marketing-Club Düsseldorf | ProSiebenSat.1 Media AG & inovex GmbH | 22. April 2015
Unser D&A Kapitalmarkt-Ziel für 2018
935
530
335
2012 H1 2014 LTM 2018E
CMD angestrebtes Wachstum: EUR 405m bis Zielerreichung!
D&A Umsatz
CMD Ziel
D&A rec. EBITDA
Margevon ~20%3
1 Implied revenue CAGR 2012 - H1 2014 2 Implied revenue CAGR H1 2014 - 2018 3 D&A Rec. EBITDA Marge von ~20% ist abhängig vom Portfolio- Mix
CAGR +35.7%1
CAGR+13.5%2
D&A Umsatz in EURm
I Seite 8 | Marketing-Club Düsseldorf | ProSiebenSat.1 Media AG & inovex GmbH | 22. April 2015
Ungenutztes TV Werbeinventar ist der Schlüssel für das weitere Wachstum
“Our strategy is to become more independent from classic ad income and to invest in new digital business models. Our idle TV ad inventory is our most important resource, our internal dollars or you could say our ‘magic potion’!”
Christian Wegner
Ungenutztes TV Werbeinventar –kann für digitale Investments & Kooperationengenutzt werden
“Traditionelles” Werbeinventar -verkauft an Werbetreibende von SevenOne Media
I Seite 9 | Marketing-Club Düsseldorf | ProSiebenSat.1 Media AG & inovex GmbH | 22. April 2015
… da TV durch seine einzigartige Positionierung alle relevanten Zielgruppen erreicht
Höhere TV Nutzung im Vergleich zuOnline
Hohe Nettoreichweiten über alle relevantenZielgruppen hinweg
CAGR[2002-2013]
2013[in min]
Onlinew/o Online Video
78
Online Videoinkl. TV- Content
23
Quelle: AGF in Zusammenarbeit GfK; TV Scope
827370
5647
8073
67
4540
14-19 20-29 40-4930-39 >50
Frau Mann% nach Alter
Erwachsene >14 = 71%TVNutzung +0.3%182
+9%
+72%
I Seite 10 | Marketing-Club Düsseldorf | ProSiebenSat.1 Media AG & inovex GmbH | 22. April 2015
TV steigert die Markenbekanntheit und generiert dadurch höheren Online Traffic auf E-Commerce Websites
Unternehmen mit TV Werbung erzielen einehöhere Markenbekanntheit
Deutlicher Anstieg des Traffics über den Kampagnenverlauf hinweg
Markenbekanntheit in %31.5
9.88.8<5.0
23.1
<5.0
Beauty Competitor Beauty Co
Q2/2013 Q3/2014Pre-TV
Konkurrenz ohne TV Werbung bleibt zurück
+308%
2. FlightBreak
78%
1.Flight
33%
67%
Pre-TV
89% 33%
67%
22%11%
+32%
Non-brandBrand
x3
Beauty Co Visits pro Tag in k
Quelle : Media & AnalyticsHinweis: Pre-TV Schätzungen basieren auf quartalsweiser Kampagnen-Trackingumfragen; Der Traffic wird anhand der Direkteingabe der Website oder die Markensuche ermittelt.
I Seite 11 | Marketing-Club Düsseldorf | ProSiebenSat.1 Media AG & inovex GmbH | 22. April 2015
Alternative Ansätze in der TV-Mediaplanung durch TV-Analytics
Traditionelle TV-Mediaplanung Response-basierte Mediaplanung
Cost per Visit (CpV)= Kosten pro Website-Besuch
Cost per Action (CpA)= Kosten pro Aktivität auf einer Website
(z. B. Registrierung)
Visit per GRP (VpGRP)= Website-Besuche per Gross Rating Point
Brand!
GRP
Net reach
F25-39
Fokus: Zielgruppe
Media AgenturKunde
I Seite 12 | Marketing-Club Düsseldorf | ProSiebenSat.1 Media AG & inovex GmbH | 22. April 2015
Big Data-Initiative bei ProSiebenSat.1
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
ProSiebenSat.1 entwickelt sich zum führenden Data Hub für TV-Analytics
I Seite 13 | Marketing-Club Düsseldorf | ProSiebenSat.1 Media AG & inovex GmbH | 22. April 2015
MobileData CenterAutomation
Modern WebPlatform
MobileData CenterAutomation
Analy-tics‣ Backend
‣ Frontend‣ Portale‣ Replatforming
‣ Business Intelligence
‣ Big Data Platforms
‣ Data Science ‣ Search
‣ Mobile Enterprise‣ App Development‣ Mobile Web‣ Smart Devices &
Internet of Things
‣ Cloud‣ DevOps‣ Operations
Consulting
Prozesse, IT, Social,Change Management
Integriertes Portfoliofür die digitale Transformation
I Seite 14 | Marketing-Club Düsseldorf | ProSiebenSat.1 Media AG & inovex GmbH | 22. April 2015
Big Data – vom Hype zum Value
2007 2009 2011 20152013
http://www.google.de/trends/explore#q=%22big%20data%22 Quelle: http://www.strategy-at-risk.com/
Integration: Unterschiedliche Daten-typen zusammenbringen
Daten-Bewirtschaftung: Kostengünstig speichern und aggregieren
Analytics: Daten in Beziehung setzen, Wissen generieren
1
2
3
Big Data Trend Generiere Business Value
VolumeVarietyVelocity AnalyticsB
IG D
ATA
I Seite 15 | Marketing-Club Düsseldorf | ProSiebenSat.1 Media AG & inovex GmbH | 22. April 2015
Big Data – Wandel des Geschäftsmodells
Monetarisierung
Optimierung
Innovation
Leverage
Kommerzielle Verwertung vorhandener Daten
Auswertung existierender Daten, Optimierung bestehender Prozesse
Big-Data eröffnet ganz neue Geschäftsmodelle, Wandel des Business-Modells
Push von existierenden Geschäfts-modellen durch die Erhebung und Auswertung neuer Daten
neue Geschäftsmodelle
existierendeGeschäftsmodelle
existierende Datenbestände neue Datenbestände
Modell in Anlehnung an BITKOM (2015): „Big Data und Geschäftsmodell-Innovationen in der Praxis“
I Seite 16 | Marketing-Club Düsseldorf | ProSiebenSat.1 Media AG & inovex GmbH | 22. April 2015
Ein ganz kurzer Blick auf die Technik: Das Hadoop Ecosystem
Zookeeper
Ambari
Oozie
Falcon
Knox
Ranger
Data Ingestion & Integration
HDFS
YARN
Script SQL Java/Scala
NoSQL In-Mem. Stream Batch
Tez Tez
Pig
Flume Sqoop Kafka
Hive Spark Storm M&RCasc.
Analytics, UIs, 3Rd Party
Pentaho elasticsearchMahoutHue
HBase
PDI
Data & Systems Management
Enterprise-ready, dominiert durch Open-Source
Fazit
I Seite 17 | Marketing-Club Düsseldorf | ProSiebenSat.1 Media AG & inovex GmbH | 22. April 2015
Big Data Lösungs-Architektur:Verbinde TV und Web!
Tracking-Daten• 60 Websites• 50 Mio.
Unique Users/Monat
RDBMSTV-Daten aus15 Mio. Einträgen/Tag (Reichweite, CRM, TV-Schaltplan ...)
Hadoop Cluster• 10 Data Nodes• 640 GB RAM• 320 TB Storage
TäglicheAggregation• 60 Mio.
Visits• > 50 KPIs
Reporting/Analysis
I Seite 18 | Marketing-Club Düsseldorf | ProSiebenSat.1 Media AG & inovex GmbH | 22. April 2015
Methodisches Grundprinzip:Spot-Induktion verbindet TV und Web
Spot-ZuordnungHive UDTF
• Extrapoliere flachen Untergrund!
• Separiere Kategorien!(referrer, device, …)
• Löse Überlapp durch Spot-Gewichte!(GRP und Response-Funktion1)
2nd spot
Extrapolate ∅ noise level
Spot minute8-8 0
Visits
Noise window
Spot induced signal
New noise level
Signal window
Overlapregion
1 Landau Modell
I Seite 19 | Marketing-Club Düsseldorf | ProSiebenSat.1 Media AG & inovex GmbH | 22. April 2015
time of day
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
sp
ots
0
1
2
3
4
5
induced visits (17_2014-01-12)
time of day
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
vis
its
0
100
200
300
400
500
600
700
python/drawSpotChain.py -v java/psa-media-analytics-hive-functions/src/test/resources/visits_induced_20140112_17_v5.csv
Signal-Analyse: Spot-Induktion ermöglicht Messung von unmittelbarer Werbewirkung
Daily VisitsSpot-Zuordnung
• Kurzreichweitige Zuord-nung zu synchronen Visits
• Trotzt Modulation und Fluktuation
• Konservativ, aber robust
Analysen
• Zeit (Tageszeit vs. Primetime)• Inhalt: Sender, Genre,
Format• Spot: Motiv, Art
(Tandem/Single), Dauer• Tarif: Special Ads
time of day
18:00 18:15 18:30 18:45 19:00 19:15 19:30 19:45 20:00 20:15 20:30 20:45 21:00
sp
ots
0
0.5
1
1.5
2
2.5
3
induced visits (17_2014-01-12_180000_210000)
time of day
18:00 18:15 18:30 18:45 19:00 19:15 19:30 19:45 20:00 20:15 20:30 20:45 21:00
vis
its
0
100
200
300
400
500
600
700
python/drawSpotChain.py -a 17 -d 2014-01-12 --start_daytime 18:00:00 --end_daytime 21:00:00 -v java/psa-media-analytics-hive-functions/src/test/resources/visits_induced_20140112_17_v4_strippedSecs.csv -s java/psa-media-analytics-hive-functions/src/test/resources/lookup_spotchains.csv
I Seite 20 | Marketing-Club Düsseldorf | ProSiebenSat.1 Media AG & inovex GmbH | 22. April 2015
Merkmale erfolgreicher Werbespots:Beispiel E-Commerce Interferenz
Wie wirken mehrere E-Commerce Spots innerhalb eines Werbeblocks?
Ø Besucher pro Spot (GRP normiert)
1 2 3 4 5 6 7 8Anzahl E-Commerce Spots im Werbeblock
Vertrauens-intervall durch
zahlreicheSpot-Motive/-
Dauer und Sender
Keine Korrelation
KonstanterBesucherzuwachs
Vorurteil widerlegt
I Seite 21 | Marketing-Club Düsseldorf | ProSiebenSat.1 Media AG & inovex GmbH | 22. April 2015
Merkmale erfolgreicher Werbespots:Beispiel Motiv-Analysen
Welches Spot-Motiv funktioniert am besten?
KumulierteBesucher
Kumulierte Reichweite
Beauty – Motiv 1
Beauty – Motiv 2
Beauty – Motiv 3
Spot-Länge?
Lineares Wachstum
Frühzeitige Preformance-bewertung möglich
Keine Abnutzung
Forecasts möglich
I Seite 22 | Marketing-Club Düsseldorf | ProSiebenSat.1 Media AG & inovex GmbH | 22. April 2015
Merkmale erfolgreicher Werbespots:Beispiel Spot-Länge
Spot-Motive normiert auf Spot-Länge
Lineares Wachstum
Lineare Skalierungdurch Spot-Länge
Zeigt Motiv-Unterschiede
KumulierteBesucher pro 10 sec
Kumulierte Reichweite
Beauty – Motiv 1
Beauty – Motiv 2
Beauty – Motiv 3
Wirkunglinear zur
Exposure!!!
I Seite 23 | Marketing-Club Düsseldorf | ProSiebenSat.1 Media AG & inovex GmbH | 22. April 2015
Lösung durch Data ScienceProblem: Aktuelle Kampagnen-Bewertung (CpV) unzureichend
Data Science:Messung des Langzeit-TV-Effekts
05
1015
20253035
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Visits in k
Pre-Campaign(baseline)
TV-Campaign(incremental effect)
Post-Campaign
Incremental Campaign VisitsDepot visits
Wochen
Problem: Keine adäquateBerücksichtigung von Saisonalität und anderenMarketing-Aktivitäten
I Seite 24 | Marketing-Club Düsseldorf | ProSiebenSat.1 Media AG & inovex GmbH | 22. April 2015
Vom Higgs zum Business
4. July 2012: LHC (27-km-Ring beiGenf) findet Higgs-Boson in
Petabytes von Kollisionsdaten
1 PB generierte Datenpro Sekunde
25 PB gespeicherteDaten pro Jahr
Detektoren mitMillionen von Channels
Analyse-Methoden aus der Forschung funktionieren
auch im Business
I Seite 25 | Marketing-Club Düsseldorf | ProSiebenSat.1 Media AG & inovex GmbH | 22. April 2015
Multivariate Analyse (MVA):Selbstlernender Entscheidungsbaum
MVA1-Analyse• Klassifizierung der Besucher
nach ihrem Web-Verhalten(PI’s, Surf-Dauer, …)
• Entscheidungsbaum ausdiskriminierenden Variablentrennt TV- von nicht-TV
• Selbst-Lernende Optimierungdurch Aufwertung von falschenZuordnungen
• Training auf Basis der Spot-Induktion
• Stabil gegen Ausbrecheneinzelner Variablen
Node (one discriminator)
S
S = TV, B = non-TV
B
S
S B
B
Baskets
Boosting~500 trees
Datenqualität und -Verständnis entscheidend!
1 Multi-Variant Aalysis (Boosted Decision Tree, AdaBoost)
I Seite 26 | Marketing-Club Düsseldorf | ProSiebenSat.1 Media AG & inovex GmbH | 22. April 2015
MVA: Umsatz-AnalyseProof-of-Concept
Beispiel-Ergebnis der MVA-Klassifizierung
01020304050607080
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
BackgroundMVA SignalMVAUmsatz in kEUR
KW
1st TV Flight 2nd TV FlightBreak
Nicht-TV-Visits TV-Visits
MVA-basierte Quantifizierung
des Depot-Effekts
MVA isoliert TV
TV mitsignifikantemUmsatzanteil
Erste Abschätzungdes TV-
Langzeiteffekts
Ermöglicht ROI -Abschätzung
I Seite 27 | Marketing-Club Düsseldorf | ProSiebenSat.1 Media AG & inovex GmbH | 22. April 2015
Ausblick: Funktionale Erweiterungen
TV-Online-Kampagnen-Synchronisation
Integration von Wetter-Daten
App Tracking
I Seite 28 | Marketing-Club Düsseldorf | ProSiebenSat.1 Media AG & inovex GmbH | 22. April 2015
Vielen Dank für Ihr Interesse!
Florian JedlitschkaManager Media Strategy & OperationsProSiebenSat.1 Media AG
Dr. Lars PerchallaBig Data Scientistinovex GmbH