Projekt ABC Untertitel Projekt

DATA-DRIVEN MARKETING – CONNECTING THE DOTS BETWEEN TV AND ONLINE
Wie TV Werbung für E-Commerce messbar wird
ProSiebenSat.1 schafft Fakten mit Big Data
Florian Jedlitschka
Manager Media Strategy & Operations
ProSiebenSat.1 Media AG
I Seite 1 | STARTPLATZ – Big Data Konferenz | ProSiebenSat.1 Media AG | 21. Mai 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 | STARTPLATZ – Big Data Konferenz | ProSiebenSat.1 Media AG | 21. Mai 2015
Das P7S1 Business basiert auf 3 Säulen…
1
Broadcasting
German-speaking
2
Digital & Adjacent
Digital Entertainment
TV advertising
Digital Commerce
Distribution
Adjacent
I Seite 4 | STARTPLATZ – Big Data Konferenz | ProSiebenSat.1 Media AG | 21. Mai 2015
3
Content Production
& Global Sales
…mit führenden Positionen in den D&A Geschäftsbereichen
D&A: Verteilung Umsatz und Geschäftsbereiche
[H1 2014]
Digital Entertainment
Digital Commerce
#1
#1
Pay VoD
#1
#2
Ad VoD
39.3%
47.9%
#1
#2
#1
Top 5
#3
#1
Adjacent
+
#3
Online
Games
12.8%
I Seite 5 | STARTPLATZ – Big Data Konferenz | ProSiebenSat.1 Media AG | 21. Mai 2015
PayVoD Markt berücksichtigt nur SVoD.
#4
… und einem anhaltend dynamischen Wachstum im Bereich
Digital & Adjacent
CMD angestrebtes Wachstum: EUR 327m bis Zielerreichung!
D&A Umsatz in EURm
CAGR
+11%1
CAGR
+26%
CAGR
+44%
CMD Ziel
D&A Umsatz
938
D&A
rec. EBITDA
Marge
von ~20%2
611
484
335
2012
2013
2014
I Seite 6 | STARTPLATZ – Big Data Konferenz | ProSiebenSat.1 Media AG | 21. Mai 2015
1 Implied revenue CAGR 2014 - 2018
2 D&A Rec. EBITDA Marge von ~20% ist abhängig vom Portfolio- Mix
2018E
Ungenutztes TV Werbeinventar ist der Schlüssel für das
weitere Wachstum
“Traditionelles” Werbeinventar verkauft an Werbetreibende von
SevenOne Media
Ungenutztes TV
Werbeinventar –
kann für digitale
Investments &
Kooperationen
genutzt werden
I Seite 7 | STARTPLATZ – Big Data Konferenz | ProSiebenSat.1 Media AG | 21. Mai 2015
“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
TV steigert die Markenbekanntheit und generiert dadurch
höheren Online Traffic auf E-Commerce Websites
Unternehmen mit TV Werbung erzielen eine
höhere Markenbekanntheit
Markenbekanntheit in %
Deutlicher Anstieg des Traffics über den
Kampagnenverlauf hinweg
Beauty Co Visits pro Tag in k
31.5
Pre-TV
Q2/2013
Q3/2013
Non-brand
Konkurrenz ohne TV
Werbung bleibt zurück
Brand
+308%
23.1
+32%
67%
8.8
9.8
<5.0
Beauty Competitor
67%
<5.0
Beauty Co
x3
78%
89%
11%
33%
Pre-TV
1.Flight
22%
Break
I Seite 8 | STARTPLATZ – Big Data Konferenz | ProSiebenSat.1 Media AG | 21. Mai 2015
Quelle : Media & Analytics
Hinweis: Pre-TV Schätzungen basieren auf quartalsweiser Kampagnen-Trackingumfragen; Der Traffic wird anhand der Direkteingabe der Website oder die Markensuche ermittelt.
33%
2. Flight
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 9 | STARTPLATZ – Big Data Konferenz | ProSiebenSat.1 Media AG | 21. Mai 2015
Big Data Lösungs-Architektur
Reporting/Analysis
RDBMS
TV-Daten aus 15 Mio.
Einträgen/Tag
(Reichweite, CRM,
TV-Schaltplan ...)
Tracking-Daten
• 65 Websites
Hadoop Cluster
• 10 Data Nodes
• 50 Mio.
• 640 GB RAM
• 320 TB Storage
Unique Users/Monat
I Seite 11 | STARTPLATZ – Big Data Konferenz | ProSiebenSat.1 Media AG | 21. Mai 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 12 | STARTPLATZ – Big Data Konferenz | ProSiebenSat.1 Media AG | 21. Mai 2015
Landau Modell
0.5
3
0
Signal-Analyse:
Spot-Induktion
ermöglicht
18:00
18:15
18:30
18:45
19:00
19:15
19:30
19:45
20:00 Messung
20:15
20:30 von
20:45
21:00
time of day
unmittelbarer Werbewirkung
1
visits
2
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
22:00
00:00
time of day
400
700
600
300
500
200
400
100
• Kurzreichweitige Zuordnung zu synchronen Visits
• Trotzt Modulation und
Fluktuation
• Konservativ, aber robust
Analysen
• Zeit (Tageszeit vs. Primetime)
• 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
18:15
18:30
est/resources/visits_induced_20140112_17_v5.csv
18:45
19:00
19:15
19:30
I Seite 13 | STARTPLATZ – Big Data Konferenz | ProSiebenSat.1 Media AG | 21. Mai 2015
19:45
20:00
20:15
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
Anzahl E-Commerce Spots im Werbeblock
I Seite 14 | STARTPLATZ – Big Data Konferenz | ProSiebenSat.1 Media AG | 21. Mai 2015
0
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 15 | STARTPLATZ – Big Data Konferenz | ProSiebenSat.1 Media AG | 21. Mai 2015
Multi-Variant Analysis (Boosted Decision Tree, AdaBoost)
1
boosting
B ~500 trees
S
B
S = TV, B = non-TV
S
B baskets
MVA: Umsatz-Analyse
Proof-of-Concept
Beispiel-Ergebnis der MVA-Klassifizierung
Umsatz in kEUR
BackgroundMVA
Nicht-TV-Visits
MVA isoliert TV
SignalMVA
TV-Visits
80
70
1st TV Flight
Break
2nd TV Flight
60
TV mit
signifikantem
Umsatzanteil
Erste Abschätzung
des TVLangzeiteffekts
50
40
30
MVA-basierte
Quantifizierung
des DepotEffekts
20
10
0
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 KW
I Seite 16 | STARTPLATZ – Big Data Konferenz | ProSiebenSat.1 Media AG | 21. Mai 2015
Ermöglicht ROI Abschätzung
Vielen Dank für Ihr Interesse!
Florian Jedlitschka
Manager Media Strategy & Operations
ProSiebenSat.1 Media AG
I Seite 17 | STARTPLATZ – Big Data Konferenz | ProSiebenSat.1 Media AG | 21. Mai 2015

Download Report