Location Analytics made easy – or what?

Manchmal kann die Antwort so einfach sein: wie beim Flughafen.

Was war die Frage?

WebAnalytics und LocationAnalytics – any difference at all?

Also – fangen wir von vorne an. An Webanalytics haben wir uns alle ja schon gewöhnt mit seinen hübschen Graphiken, Funneln, Geodaten, Betriebssystemaussagen, Zielgruppenbeschrieben, Vergleichsgraphen und vielem mehr. Ja sogar Live-Mitschnitte gibts schon, die Benutzer / Benutzergruppen, die auf der WebSite sind direkt interaktiv anzeigen, wie sie interagieren. Nöd schlächt!
Bei WebAnalytics geht’s grob zusammengefasst um Besuche / Besucher und deren Umgang mit Inhalten auf der WebSite. Wir bieten was an – wir schauen, was der Besucher damit macht. Bzw. wie er darauf reagiert und welche Aktionen er danach ausführt – oder anders: welche Browsepaths sich bilden. Und damit dann den Content, die Platzierung und die Struktur zu verändern und zu adaptieren. Oftmals geht es dabei um dieselbe Art von Inhalten und Strukturen – sei es bei Shops, Inhaltsseiten oder anderen Websites aus dem sozialen Umfeld.
Doch bei locationbased Analytics ist das ein bisschen anders. Es geht um Informationen zu Zeit und Ort in der physischen Welt – also zu Events, Shops, Ereignissen, Stadien, Museen… die um mich herum real passieren und mit denen ich in eine kurzzeitige Relation trete. Bei ortsbasierten Analysen geht es also immer Datenpunkte zu:
  • Geoinformationen: Latitude/Longitude – wo befinde ich mich und welche Orte wurden besucht?
  • Zeitinformationen: Zeitpunkt(e) an denen die Orte besucht wurden
  • Verweilinformationen: Wie lange wurde an welchem Ort geblieben und
  • Verhaltensinformationen: was hat der Nutzer an diesem Ort getan bzw. wie hat er sich im zeitlichen Umfeld bewegt und
  • Interaktionsinformationen: welche Informationen hat der Nutzer erhalten und wie reagiert?
Oder anders: halt wie beim Flughafen mit Passagieren, die über Anzeigetafeln zu Orten gelotst werden, an denen sie sich länger oder kürzer aufhalten um dann in neue Sphären aufzubrechen. Nur sind die entsprechenden Zeit- und Ortsinformationen sehr viel kurzfristiger für mobile Apps als beim Flughafen. Ausser Sie müssen grad zum Fluggate rennen… Das zum nicht ganz ernst gemeinten Einstieg zum Artikel.

Was nutzen diese Informationen?

Mit diesen relativ ‚binären‘ Informationen lassen sich – wenn korrekt aufgezeichnet und strukturiert – spannende Fragen beantworten und zu Customer Insight zu gelangen. So zum Beispiel:
  • Was bedeutet es, wenn ein Nutzer1 einen Ort – zum Beispiel ein Sportgeschäft –  für eine lange Zeit besucht hat und danach ein Kleidergeschäft für eine viel kürzere Zeit? War ein Produkt nicht mehr an Lager? Oder wollte der Nutzer sich vielleicht nur kurz selbst sicher sein, dass ein ‘Invest’ in Sport besser sei als in Casual Kleidung? Was passierte danach? Und viel wichtiger: ist das ein gängiges Muster?
  • Warum wurde das erste Geschäft am Wochenende von einem zweiten Besucher mit dem gleichen Muster wie der Besucher 1 nicht so lange aufgesucht? Obwohl wir feststellen, dass er am gleichen Ort im Geschäft war? Was bedeutet das für unser Angebot? Wissen wir zu welchem Cluster diese Person gehört? Gibt es da vielleicht ein Muster? Oder ist Wochentag vs Wochenende ein Muster?
  • Ist das Verhalten in allen unseren Geschäften gleich oder gibt es dort Unterschiede? Wie wirken sich Marketingaktionen in Zeitschriften aus? Wie hat ein Kunde im Geschäft auf eine Message in einer App reagiert und was ist darauf passiert?

Wir können also neue Mittel für Brands / Stores zur Verfügung stellen mit Location Based Analytics, die nicht nur temporale sondern auch geographische Elemente beinhalten und auch realtime Angebote und Reaktionen darauf. Können wir das Verhalten vor Ort ändern? Wenn wir im klassischen Webanalytics zweidimensionale Betrachtungen anstellen konnten, müssen wir hier in drei Dimensionen denken – gerade wenn wir uns auch in Shopping Centers, Hotels, Freizeitanlagen etc. befinden.

Erste Ideen zu einem Framework

 Es sollte zwei Dimensionen beinhalten:
  1. Standpunkt: Möchte ich Einsicht in einen bestimmten Ort (Location) oder in kundenaktionsausgelöste Datenpunkte (Customer) erhalten?
  2. Zeitbezug: Möchte ich wissen, was genau jetzt läuft oder möchte ich Trends, Verhaltensmuster langfristiger herausfinden / -filtern?
 Kundenaktion Ortsbezogen
(Near) Real-Time

Wo sind meine Kunden / -Segmente jetzt gerade?

Was machen sie dort?

Welche Aktionen haben sie ausgeführt?

Wieviele Kunden sind an welchen Standorten?

Wie lange waren sie an diesem Standort?

Was passiert generell an den Orten?

Historisch / Langzeit

 Wie bewegen sich Kunden / -Segmente?

Wann sind viele Aufkommen dieser Kunden / -Segmente?

Wie oft gehen diese wohin und wie lange?

 Welche Orte sind viel / wenig besucht?

Wann sind sie besucht? Wann nicht?

Wie oft sind sie besucht und wie lange bleiben Kunden wo?

Die Daten dieser Punkte müssen dann sicherlich noch mit anderen Sensoren bzw. Daten verknüpft werden. Diese können aus Systemen kommen wie:
  • Scannern am POS (Kasse)
  • RFID / NFC Readern an Objekten
  • CRM
  • eCommerce
  • Loyalty Systemen bzw. Daten
  • Retail Kategorie-Management
  • Geschäftsoptimierungssoftware
  • Business Intelligence

Alle diese Sensordaten (am Ende sind auch CRM-Daten ‘nur’ Sensor-Daten, die durch Kundeninteraktion erhoben werden) können mittels der Verknüpfung von on- und offline-Daten (Location) für Systeme und Marketeers neue Erkenntnisse gewinnen lassen – Wie?

Durch das Einfliessen-lassen in BigData, um SmartData zu generieren – also anwendbare und im ‘Fog Computing’ direkt applizierbare Aktionen, Angebote, Reaktionen bzw. Aktionen auszulösen. Real-Time Angebote sind überlebenswichtig für diese neue Form der Kundeninteraktion.

Oder anders – es sind nur wenige Schritte für die Optimierung von Location Based Analytics nötig. Mehr dazu demnächst…

Was meint Ihr? Sind locationbased Analytics wirklich so online und offline verknüpfend? Sind noch mehr Faktoren zu beachten?