Warum Tamedia Data Analytics einsetzt

Thomas Gresch, CTO von Tamedia Digital, über den Einsatz von Data Analytics bei Tamedia.

Im Online Bereich fallen haufenweise Nutzerinformationen an: Wer kam, woher, wie lange, warum, etc.?

Die Online-Angebote von Tamedia können besser miteinander vernetzt werden, wenn das Nutzerinteresse bekannt ist: Von der Berichterstattung über z.B. Restaurantsuche über die Reservation und den Review sind viele Dienste vernetzt. In der Offline Print-Welt war die Auflage bekannt und aus Nutzerbefragungen bestenfalls das ungefähre Leseverhalten.

Heute stehen zahllose Datenquellen zur Verfügung. Dieser Datenstrom wird in Business Intelligence und Web Analytics visualisiert.

Diese kumulierten Daten werden in Data Science überführt, um Algorithmen zu entwickeln, die Voraussagen über künftiges Kundenverhalten machen können (predictive algorithms).
Tamedia teilt die Aktivitäten in die Digital- und Publishing-Bereiche: Eine gruppenweite Analyseabteilung stellt ihr Knowhow einzelnen Gruppengesellschaften zur Verfügung.

Identifiziert werden die Aktivitäten in einzelnen Gesellschaften via einen internen Akquiseprozess. Daraus wird eine initiale Datenanalyse erstellt, um in einem dritten Schritt mögliche Business-Cases herauszuschälen. In drei Iterationen werden die Daten so extrahiert, um daraus mögliche Schlüsse zu ziehen. In der vierten Phase wird die Veränderung in den bisherigen Prozessen umgesetzt und gemessen, ob sich die Verbesserungen tatsächlich einstellen.

Beispiel Newsletter von Fashionsfriends.ch

Beim online Kleiderverkäufer Fashionfriends wird beispielsweise der Newsletter analysiert. Die Abonnenten erhalten täglich eine Ausgabe über neue Produkte. In der Datenanalyse wurden Kunden identifiziert, die über 100 Kleidungsstücke gekauft haben. Daraus liessen sich Cluster identifizieren, z.B. in welchen Städten überdurchschnittlich viele Kunden kaufen, welche Marken gut laufen, welche Beautybox beliebt ist, was die Unterschiede zwischen Männern und Frauen, Deutsch- und Welschschweiz sind, etc.

Das Ziel ist, den Lesern nicht quantitativ mehr News zu senden, sondern relevantere: Ein personalisierter Newsletter an einem bestimmten Tag in einer bestimmten Häufigkeit hat höhere Conversionsraten als ein generischer.

Beispiel Paywall beim Tagesanzeiger

Beim Tagesanzeiger wird gemessen, wie sich das Leserverhalten nach Einführung der Paywall verändert hat. Offensichtlich unterscheidet sich die Hitliste der bezahlenden Nutzer markant von jener der nicht bezahlenden. Nur auf Platz 2 liegt ein gleich interessierender Artikel aus dem Sportbereich, alle anderen variieren stark (folgende Grafik).

Nicht bezahlende Leser interessieren sich eher für Sport, bezahlende eher für Themen aus Zürich. Die nicht Zahlenden lassen sich bezüglich Navigation in nur zwei Cluster einteilen (folgendes Schema rechts), während bei den zahlenden Lesern eindeutig Cluster zu verschiedenen Themen klar identifizierbar sind.

Der Tagesanzeiger interessiert sich u.a. für jene Leser, die ein Navigationsmuster wie bezahlende Leser an den Tag legen, aber die Paywall noch nicht überschritten haben. Wie können sie für das Bezahlmodell gewonnen werden?

Auch bei den „lesenden“ Geräten lassen sich klare Muster erkennen: Das Leseverhalten auf iPads, Desktops oder im mobile Web sind sehr unterschiedlich.