Wofür können die Daten verwendet werden?
Geeignet für viele Use Cases, z.B.
Den Erfolg von Marketingmaßnahmen zu messen um zu bestimmen, was Conversions treibt, erlaubt eine effektive Budgetallokation. Striktere Browser und Datenschutzgesetze erschweren die Datenerhebung zunehmend. Consent-aware, Kohorten-basiertes oder komplett anonymes Tracking können trotzdem ein komplettes Bild zeichnen.
Je mehr ein Unternehmen über individuelle Kunden weiß umso besser können Produkte und Services an individuelle Bedürfnisse angepasst werden, um Umsätze und Loyalität zu steigern. Sämtliche Kundensignale an einem zentralen Ort zu speichern, ist aufwendig, aber kann viele Erkenntnise über individuelle Customer Journeys bringen.
ML und künstliche Intelligenz werden für verschiedene Anwendungsfälle verwendet, z.B. Content-Empfehlungen, Preis-Strategien, Kundenprogramme und Prognosen. Damit ML/KI-Modelle gute Ergebnisse generieren, benötigen Sie qualitativ hochwertige Eingabedaten, denn insbesondere für Algorithmen gilt: Garbage in, garbage out.
Produktmanager müssen wissen, wie Nutzer mit ihren Produkten interagieren. Im Gegensatz zu andere Use Cases reichen dabei Erkenntnisse über Kohorten statt individueller Nutzer oft aus. Richtig umgesetzt ist es dann relativ einfach, strikte Datenschutzanforderungen zu erfüllen, selbst bei Widerspruch zur Erhebung personenbezogener Daten.
Jedes Optimierungsvorhaben erfordert Daten. Wenn Churn minimiert oder Conversion Rates, Warenkorbwerte, Angebotspreise maximiert werden sollen, bilden historische Daten eine Basis. Wenn dann a/b/n-Tests durchgeführt, müssen dafür zuverlässige Daten gesammelt werden, um die Auswirkungen zuverlässig zu bestimmen.
Nicht gegen Datenschutzgesetze wie die DSGVO zu verstoßen wird eine immer größere Herausforderung. Aber durch Verwendung von Pseudonymisierung und Anonymisierung können qualitativ hochwertige Nutzerdaten erheben werden. Wird personenbezogenem Tracking widersprochen, können Kohorten gebildet werden. Kompatibel mit CMPs.
Wie können die Daten für mehrere Use Cases genutzt werden?
Modellierung generalisierter Daten
Selbst wenn es sich um dieselben datenproduzierende Applikationen handelt, können die erwarteten Analytics-Daten ganz unterschiedlich sein, je nachdem um welchen Anwendungsfall es sich handelt. Das führt oft zu einseitigen Datenmodellen und erfordert schnell eine Implementierung pro Use Case. Unser Service unterscheidet sich insofern als dass wir grundsätzlich generische Daten produzieren, auch wenn wir hauptsächlich mit diesen drei Gruppen arbeiten:
- 1
Data Scientists
Data Scientists verwenden in aller Regel einen Großteil ihrer Zeit damit Daten zu bereinigen und zu transformieren, weil Machine Learning-Modelle und künstliche Intelligenz akkurate und logische Daten benötigen um gute Ergebnisse zu liefern: Garbage in, garbage out.
- 2
Online-Marketer
Das Online-Marketing kämpft mit zunehmend schlechter Datenqualität aufgrund strikter Datenschutzbestimmungen und weil Browser und mobile Apps nicht mehr so viele Daten teilen, wie sie das einmal getan haben: Anonymes Tracking und Kohorten können hier helfen.
- 3
Produktmanager
Produktverantwortliche müssen in der Regel verschiedene Datenquellen kombinieren für ein komplettes Verständnis der Customer Journey. Die herausfordernste Bruchstelle ist oft zwischen Marketing und Nutzungsdaten des Produktes, was intelligente Identity Resolution erfordern kann.
Wo können wir Daten hinsenden?
Permanent mehr Daten-Zielsysteme
- z.B.
- Google Analytics (UA & GA4)
- Adobe Analytics
- Snowplow Analytics
- z.B.
- Google Ads
- Facebook Ads
- Commission Junction
- z.B.
- Segment
- Rudderstack
- In-house Datenbank
- z.B.
- Serverseitiger Google Tag Manager
- Serverseitiger Adobe Launch
- Serverseitiger Tealium
- z.B.
- Google BigQuery
- Elasticsearch
- AWS Redshift
- z.B.
- Google Pub/Sub
- AWS Kinesis
- Apache Kafka
Warum uns die Daten sammeln lassen?
10 Jahre Erfahrung in diesem Bereich
- 1
Gründer macht dies bereits seit 2012
Der Gründer von Capely führte 2012 mit der Einführung von Adobe Analytics bei einem großen deutschen Verlag sein erstes Projekt durch. Seither sind zahlreiche dazu gekommen, sowohl in Europa als auch Nordamerika, grundsätzlich mit dem Ziel, die nächste Implementierung noch besser zu machen.
- 2
Typisch deutsch: Genau und dogmatisch
Eine selbst für deutsche Verhältnisse extreme Genauigkeit ist Teil der Unternehmenskultur. Aber keine Sorge, Kunden zahlen für die Daten, nicht den Aufwand der Implementierung. Ähnlich wie die Macher hinter Ruby on Rails sind wir überzeugt, dass es meist nur einen richtigen Weg gibt.
- 3
Keine Mogellösungen & langfristiges Denken
Wenn man lange genug im Datenbereich gearbeitet hat, weiß man, dass es keine echten Abkürzungen gibt. Zuverlässige Daten von einer Vielzahl von Applikationen, die verschiedenste Technologien verwenden, ist mühselig. Aber besser man macht es gleich richtig, denn dazu gibt es schlicht keine Alternative.
Wo sammeln wir Daten?
Kompatibel mit vielen Technologien
Serverseitig gerendertes HTML, in der Regel von CMS wie Wordpress, Drupal, Magnolia, usw.
Single Page Applications und Progressive Web Apps, die Frameworks nutzen wie React, Angular, Vue, Next, usw.
Native iOS and Android Applikationen, die in Sprachen wie Swift, Objective-C, Kotlin und Java geschrieben sind.
Content Delivery Networks und API Gateways, z.B. Cloudflare, Fastly, Akamai, Cloudfront usw.
REST APIs und Webhooks, die von clientseitigen oder anderen serverseitigen Applikationen angesprochen werden.
Verwendung vorhandener Implementierungen. Warnung: Keine Verbesserung der Datenqualität möglich.
Sparen Sie ~50% bei Implementierungen
Valide Tracking-Daten als Service
- 1
Sie überlassen uns die Implementierung
Wir stimmen mit Ihrer IT eine pflegbare Architektur gemäß Best Practices ab. Wir definieren Datenschemata und stellen Datenqualität und Kompatibilität mit Ihren Use Cases sicher, sodass Sie sich auf das Angenehme konzentrieren können: Etwas Tolles mit den Daten machen.
- 2
Wir liefern zuverlässige, generische Daten
Wir kümmern uns komplett um die Datenerhebung. Basierend auf unserer Erfahrung mit unterschiedlichsten Use Cases, implementieren wir alles auf generisch und Event-getrieben. Für bestmögliche Wiederverwendbarkeit passen wir die Daten nicht auf bestimmte Anwendungsfälle an.
- 3
Bessere Ergebnisse bei geringeren Kosten
Durch Standardisierung und Automatisierung, sind wir in der Lage, qualitativ hochwertige Daten zu ca. 50% der normalen Kosten zu realisieren. Jedoch bedeutet dies auch, dass wir nicht jeden Kunden annehmen können. Ob wir Ihnen helfen können, hängt primär von Ihrem Technologie-Stack ab.