Fallstudie 1#

Die Fallstudie ist eine individuelle Prüfungsleistung und darf nicht gemeinsam in einer Gruppe bearbeitet werden.

Hinweise#

Sie wurden kürzlich von einer Unternehmensberatung im Bereich Web-Analytics eingestellt. In Ihrem ersten Projekt sollen Sie einen Online-Händler zu unterschiedlichen Fragestellung beraten.

Für die Bearbeitung der Aufgaben 1-3 wird Ihnen per Zufallsauswahl (als Nummer) eine Online-Präsenz zugewiesen (siehe Moodle). Die zugehörige Webpräsenz stammt aus den Top 100 umsatzstärksten Onlineshops:

D.h. wenn Ihnen bspw. die Nummer 23 zugewiesen wurde, bearbeiten Sie die Webpräsenz “mytoys.de”.

Erstellen Sie für die folgenden 3 Aufgaben (einschließlich des Dashboards) eine Präsentation (die dem Online-Händler als PDF-Datei zur verfügung gestellt werden soll) und nutzen Sie jeweils Screenshots und stichpunktartige Kommentare für die Erläuterungen der Inhalte (mit Hilfe der Erläuterungen möchten Sie dem Online-Händler Hinweise zu den Inhalten geben).

1. See Think Do Framework (30%)#

Analysieren Sie die Startseite des Online-Händlers mit Hilfe des “See-Think-Do-Framworks”:

  • a) Zeigen Sie beispielhaft anhand einiger Elemente der Startseite auf, wie sich diese den verschiedenen Phasen des “See-Think-Do-Frameworks” zuordnen lassen können. Wählen Sie dabei (soweit möglich) jeweils mindestens 2 Elemente pro Phase aus.

  • b) Bewerten Sie die Startseite hinsichtlich der “See-Think-Do-Logik”. Beschreiben Sie dafür postive Aspekte und wie die Seite optimiert werden könnte.

  • c) Welche Kennzahlen würden Sie für die Erfolgsmessung der ausgewählten Elemente der Startseite nutzen? Begründen Sie Ihre Auswahl und geben Sie zudem an, wie die Messung in Google Analytics erfolgen kann (nennen Sie dafür die Bezeichnung der Kennzahl in Google Analytics).

  • d) Identifizieren Sie in dem Kampagnendatensatz der Plattform Facebook (Excel Daten) 3 See-Think-Do-Kennzahlen mit Bezug zu Social Media.

2. Google Analytics (20%)#

Hinweis: da wir keinen Zugriff auf die Daten des Online-Händlers haben, nutzen wir stattdessen beispielhaft den Google Merchandise Store Demo Account in Google Analytics. Wir behandeln die Daten, als würden diese von dem Online-Händler stammen.

Erstellen Sie pro Aufgabe eine Seite in Ihrer Prsäentation mit einem Screenshot der Google Analytics Oberfläche und fügen Sie Kommentar ehinzu.

Verwenden Sie als Analysezeitraum: 23. März 2021 - 23. März 2022

Zeigen Sie jeweils eine Übersicht aus der ersichtlich wird:

  • a) Akquisitionsübersicht: Eine tabellarische Übersicht zu den 10 häufigsten neuen Nutzern aus unterschiedlichen Regionen und deren erste Nutzerinteraktion (Quelle/Medium).

  • b) See-Think-Do-Framework: Zeigen Sie für 4 Kennzahlen des See-Think-Do-Framework’s, die einen Bezug zu Websites aufweisen (die also auf der eigenen Webseite gemessen werden können), wo diese in Google Analytics gefunden werden können.

  • c) Visualisieren Sie drei geeignete Kennzahlen in Form eines “Trichters” mit Hilfe einer “Explorativen Trichteranalyse” in der “Explorativen Analyse” im Bereich “Erkunden” in Google Analytics. D.h. die Kennzahlen sollten eine typische “Customer Journey” innerhalb der Website abbilden.

3. Google Datastudio (25%)#

  • Erstellen Sie zu Aufgabe 2b) ein eigenes Dashboard in Google Datastudio (nutzen Sie als Datenquelle: Google Analytics > Konto: Demo Account > Property: GA4 - Google Merchandise Store).

Wichtige Hinweise:

  • Nutzen Sie keine Vorlage

  • Nutzen Sie eine Pivot-Tabelle und schlüsseln Sie die Kennzahlen in mindestens 2 Dimensionen Ihrer Wahl auf (bspw. Region, … )

  • Begründen Sie die Auswahl der Dimensionen (welche Erkenntnisse können daraus abgeleitet werden?)

  • Verwenden Sie neben den Pivot-Tabellen zumindest 3 weitere unterschiedliche Diagrammarten.

  • Gestalten Sie das Dashboard übersichtlich und optisch ansprechend.

4. Social Media Analyse (25%)#

Analysieren Sie den Kampagnendatensatz “Facebook” (Excel Daten) mit Python und geeigneten Bibliotheken (bspw. pandas und seaborn).

Wichtiger Hinweis

Verwenden Sie für die Berechnung der Kennzahlen die pandas-Funktionen describe() und groupby(). Zudem können Sie den Arbeitsaufwand durch die Verwendung von Loops deutlich verringern. Hier werden die Funktion und Loops erklärt: pandas-Tutorial)

Berechnen und visualisieren (Boxplot und Histogramm) Sie die unten aufgeführten Kennzahlen.

  • a) Visualisierung und Berechnung jeweils pro “Plattform” (als gruppierte Variable): “Impressionen”, “Seiteninteraktionen”, “Reichweite”, “Frequenz”, “Klicks (alle)”, CTR (alle). Führen Sie die folgenden Berechnungen durch:

    • Minimum

    • Maximum

    • Summe

    • Durchschnitt (Mittelwert und Median)

    • Standardabweichung

    • Quartile (oder Interquartilsabstand).


  • b) Interpretieren Sie jede der statistischen Kennzahlen und Abbildungen aus a) am Beispiel der Ergebnisse für “Klicks”.


  • c) Visualisieren Sie die unten aufgeführten Kennzahlen mit je einem Boxplot (die Plattformen auf der x-Achse und die jeweilige Kennzahl auf der y-Achse - d.h. 9 Boxplots). Berechnen Sie zudem pro Plattform den Median und den Interquartilsabstand (anstelle des Interquartilsabstands kann auch die Standardabweichung berechnet werden) für:

    1. Kosten pro „Gefällt mir“ für Seite (EUR)

    2. Kosten pro Beitragsreaktion (EUR)

    3. Kosten pro geteiltem Beitrag (EUR)

    4. CPC (Kosten pro Link-Klick) (EUR)

    5. CPC (alle) (EUR)

    6. Kosten pro individuellem Link-Klick (EUR)

    7. Kosten pro 1.000 erreichten Personen (EUR)

    8. CPM (Kosten pro 1.000 Impressionen) (EUR)

    9. Ausgegebener Betrag (EUR)


  • d) Analysieren Sie, ob bei den Plattformen Facebook und Instagram ein Unterschied bei der Höhe des CPC (Kosten pro Link-Klick) (EUR) existiert. Formulieren Sie eine Hypothese und prüfen Sie mit einem geeigenten Hypothesentest, ob der Unterschied statistisch signifikant ist. Beschreiben Sie die Gründe für die Wahl des Hypothesentests und interpretieren Sie das Ergebnis