OPERATIONEL ANALYSE AF WEBADFÆRD OAW – LEKTIONSGANG 10 Kommerciel personalisering, Anders Kragelund,

Præsentationer af emnet: "OPERATIONEL ANALYSE AF WEBADFÆRD OAW – LEKTIONSGANG 10 Kommerciel personalisering, Anders Kragelund,"— Præsentationens transcript:

1 OPERATIONEL ANALYSE AF WEBADFÆRD OAW – LEKTIONSGANG 10 Kommerciel personalisering, Anders Kragelund, akrag@tdc.dk

2 OPERATIONEL ANALYSE AF WEBADFÆRD AGENDA Definitioner Formålet med personalisering Problemer med personaliseringsprojekter Kendte teknikker Discount-personalisering –Pause Hands on Diskussion i plenum / eksempler (Videre læsning)

3 OPERATIONEL ANALYSE AF WEBADFÆRD Definition: Personalisering Implicit personalisering: –Adaptiv GUI 1 der tilstræber at optimere MWR på baggrund af brugerens implicitte input i.e. observeret adfærd  f.eks. navigation om et objekt (E-metrics), manglende reaktioner, frekvens. Eksplicit personalisering: –Adaptiv GUI 1 der tilstræber at optimere MWR på baggrund af brugerens eksplicitte input i.e. indtastet input  Form indtastninger, registreringer, søgekriterier i intern søgemaskine 1) Hele GUI eller dele deraf

4 OPERATIONEL ANALYSE AF WEBADFÆRD Definition: Customisering Explicit customisering –Adaptiv GUI baseret på brugerens egne preferencer Eksempler: MS Outlook: Ønsker at se kalender på uge basis my.yahoo: Ønsker altid lokal vejrudsigt på forsiden. Customisering vil ikke berøres i resten af forelæsningen.

5 OPERATIONEL ANALYSE AF WEBADFÆRD Definition: Kommerciel personalisering Hvis det aktuelle website er en videndelings- portal, vil vi præsentere kunden for hvad han gerne vil se, mens vi på et kommercielt website præsenterer kunden for hvad vi gerne vil have, at han ser! Forelæsningen fokuserer på kommerciel personalisering.

6 OPERATIONEL ANALYSE AF WEBADFÆRD Formålet med personalisering Øget salg som følge af målrettet eksponering ($$$) Øget op- og krydssalg som følge af målrettet eksponering ($$$) Tid sparet ved informations søgning (Glade kunder  Loyale kunder  $) Hvis et personaliseringsprojekt skal se dagen lys, dikterer dagens internetmarked at projektet har en klar ROI – ikke kun øget loyalitet.

7 OPERATIONEL ANALYSE AF WEBADFÆRD Problemer med Personalisering Kunderne (manglende troværdighed – hovedsagelig eksplicit personalisering.) Jura (marketingsloven, persondataloven – hovedsagelig eksplicit personalisering) Teknologi (Hvordan får man en computer til at rationere ”hvad en kunde vil eller skal ha’?”, oceaner af data) Manglende erfaring med lignende cases: –Websites er komplekse og navigationen er ofte unik. –Produkterne der sælges er forskellige og har forskellige potentialer i relation til personalisering. Dot-com-fobi…

8 OPERATIONEL ANALYSE AF WEBADFÆRD De mest kendte teknikker Collaborative Filtering: ”The one that read this article also read…”. Content Filtering: “This article contains similar content as this one”. Context (Eks. Google) Metadata (Keywords, kategorier m.m.) Text-mining Rule filtering: “IF (user reads this and that) present A else present B”. Marketing manager Data-mining software

9 OPERATIONEL ANALYSE AF WEBADFÆRD Welcome to the jungle… Data mining Shopping basket analysis Clustering Business Rules Behavioural Rules Affinity Collaborative Filtering Content Filtering Prediction Classification Neural Networks Artificial Intelligence Supervised Learning Data syndication Psychographics Geodata Demographics Firmographics Analytical CRM Dynamic scoring Fuzzy Logic

10 OPERATIONEL ANALYSE AF WEBADFÆRD Discount-personalisering Hvad skal vi bruge ud over PHP og Mysql? Sund fornuft Opfindsomhed og brainstorms Viden om websitet og produkterne (Købmandsviden). Og mere sund fornuft. Glem buzzword’ene.

11 OPERATIONEL ANALYSE AF WEBADFÆRD Pause

12 OPERATIONEL ANALYSE AF WEBADFÆRD Hands on Diskuter for henholdsvis en a) teleoperatør, b) en ejendomsmæglerkæde og et c) rejseselskab: 1.Hvorledes kan personalisering anvendes på det pågældende website og hvorfor? 2.Hvilken type af personalisering er der tale om jf. definitionerne? 3.Hvordan kan investeringen i personalisering umiddelbart retfærdiggøres?

13 OPERATIONEL ANALYSE AF WEBADFÆRD

14

15 Discount personalisering Content filtering –F.eks. huse i 10 km. radius med lignende pris. Behavioural filtering –F.eks. Gennemsnit af pris, størrelse og beliggenhed af huse der forespørges. Collaborative filtering –”Besøgende der har set dette hus, har også set disse huse...”. Eller blot få ejendomsmægleren til at sætte et par krydser! Husk præferencer til genbesøg

16 OPERATIONEL ANALYSE AF WEBADFÆRD Produktets egnethed til personalisering Produktets styrker: -Ejendomme har mange attributter med prædikativ værdi (Pris, størrelse og beliggenhed). Produktets svagheder: -Engangssalg – ingen kontinuert dialog eller loyalitet.

17 OPERATIONEL ANALYSE AF WEBADFÆRD Videre læsning www.kragelund.dk/books Ring endelig!