Spelling suggestions: "subject:"washback"" "subject:"cashback""
1 |
Komparace cashback portálu a návrhy na jeho zlepšení v konkrétní organizaci / Comparison of cashback portal and suggestions on its improvement in a specific organizationSmetanová, Lucie January 2015 (has links)
Thesis on the topic Comparison of cashback portal and suggestions on its improvement in a specific organization"deals with the comparison of the three cashback portals (PlnaPenezenka.cz, VratnéPeníze.cz and TopCashback.uk), and also proposals to improve the cashback Portal PlnaPenezenka.cz. The theoretical part is mainly focused on online marketing and its selected tools (SEO, e-mailing, PPC, affiliate marketing, etc.). In the next part of the theoretical part is introduced to web design and its trends 2015 and also elements for easy web site for the user. In the practical part is first introduced to small emerging company 5DM.cz and its three main projects-discount aggregator TopSleva.cz, affiliate network, Affiliate Club cashback Portal PlnaPenezenka.cz. On the comparison of three cashback portals PlnaPenezenka.cz, URVratnéPeníze.cz, and TopCashback.uk, with the addition of the word comparison drawn comparisons using multi-criteria decision making method of the weighted rating. Another part of the practical work is focused on proposals for improving the cashback Portal PlnaPenezenka.cz, with the aim of improving the services for users, attract new users, which is related to the increase of the profit of the company 5DM.cz and also differentiate from other Czech cashback portals and popular long foreign cashback portals, for example. TopCashback.uk or Quidco.com.
|
2 |
Podnikateľský plán / Business planTalánová, Mária January 2017 (has links)
The aim of this diploma thesis is to prepare a business plan for an already existing social cashback web portal and to verify its viability. The thesis is divided into two parts. The theoretical part defines basic terms such as business and entrepreneurship, business plan and its components. In the practical part, you will find a concrete description of the business opportunity and analysis of the factors influencing its future development, including financial plan. Based on the results and the business plan, it is not recommended to continue the project due to the negative results of financial indicators and various methods of investment evaluation (net present value, internal rate of return).
|
3 |
Personalisierung im E-Commerce – zur Wirkung von E-Mail-Personalisierung auf ausgewählte ökonomische Kennzahlen des KonsumentenverhaltensFassauer, Roland 26 May 2016 (has links) (PDF)
Personalisierung ist ein wichtiger Bereich des Internet Marketings, zu dem es wenige experimentelle Untersuchungen mit großen Teilnehmerzahlen gibt. Für den erfolgreichen Einsatz von Empfehlungsverfahren sind umfangreiche Daten über das Käuferverhalten erforderlich.
Diesen Problemstellungen nimmt sich die vorliegende Arbeit an. In ihr wird das Shop-übergreifende individuelle Käuferverhalten von bis zu 126.000 Newsletter-Empfängern eines deutschen Online-Bonussystems sowohl mittels ausgewählter Data-Mining-Methoden als auch experimentell untersucht.
Dafür werden Prototypen eines Data-Mining-Systems, einer A/B-Test-Software-Komponente und einer Empfehlungssystem-Komponente entwickelt und im Rahmen des Data Minings und durch Online-Feldexperimente evaluiert.
Dabei kann für die genannte Nutzergruppe in einem Experiment bereits mit einem einfachen Empfehlungsverfahren gezeigt werden, dass zum einen die Shop-übergreifenden individuellen Verhaltensdaten des Online-Bonus-Systems für die Erzeugung von Empfehlungen geeignet sind, und zum anderen, dass die dadurch erzeugten Empfehlungen zu signifikant mehr Bestellungen als bei der besten Empfehlung auf Basis durchschnittlichen Käuferverhaltens führten.
In weiteren Experimenten im Rahmen der Evaluierung der A/B-Test-Komponente konnte gezeigt werden, dass absolute Rabattangebote nur dann zu signifikant mehr Bestellungen führten als relative Rabatt-Angebote, wenn sie mit einer Handlungsaufforderung verbunden waren.
Die Arbeit ordnet sich damit in die Forschung zur Beeinflussung des Käuferverhaltens durch Personalisierung und durch unterschiedliche Rabatt-Darstellungen ein und trägt die genannten Ergebnisse und Artefakte bei.
|
4 |
Personalisierung im E-Commerce – zur Wirkung von E-Mail-Personalisierung auf ausgewählte ökonomische Kennzahlen des Konsumentenverhaltens: Personalisierung im E-Commerce – zur Wirkung von E-Mail-Personalisierung auf ausgewählte ökonomische Kennzahlen des KonsumentenverhaltensFassauer, Roland 29 April 2016 (has links)
Personalisierung ist ein wichtiger Bereich des Internet Marketings, zu dem es wenige experimentelle Untersuchungen mit großen Teilnehmerzahlen gibt. Für den erfolgreichen Einsatz von Empfehlungsverfahren sind umfangreiche Daten über das Käuferverhalten erforderlich.
Diesen Problemstellungen nimmt sich die vorliegende Arbeit an. In ihr wird das Shop-übergreifende individuelle Käuferverhalten von bis zu 126.000 Newsletter-Empfängern eines deutschen Online-Bonussystems sowohl mittels ausgewählter Data-Mining-Methoden als auch experimentell untersucht.
Dafür werden Prototypen eines Data-Mining-Systems, einer A/B-Test-Software-Komponente und einer Empfehlungssystem-Komponente entwickelt und im Rahmen des Data Minings und durch Online-Feldexperimente evaluiert.
Dabei kann für die genannte Nutzergruppe in einem Experiment bereits mit einem einfachen Empfehlungsverfahren gezeigt werden, dass zum einen die Shop-übergreifenden individuellen Verhaltensdaten des Online-Bonus-Systems für die Erzeugung von Empfehlungen geeignet sind, und zum anderen, dass die dadurch erzeugten Empfehlungen zu signifikant mehr Bestellungen als bei der besten Empfehlung auf Basis durchschnittlichen Käuferverhaltens führten.
In weiteren Experimenten im Rahmen der Evaluierung der A/B-Test-Komponente konnte gezeigt werden, dass absolute Rabattangebote nur dann zu signifikant mehr Bestellungen führten als relative Rabatt-Angebote, wenn sie mit einer Handlungsaufforderung verbunden waren.
Die Arbeit ordnet sich damit in die Forschung zur Beeinflussung des Käuferverhaltens durch Personalisierung und durch unterschiedliche Rabatt-Darstellungen ein und trägt die genannten Ergebnisse und Artefakte bei.:1 Inhalt
1 Einleitung 1
1.1 Stand der Forschung 3
1.2 Forschungsbedarf 6
1.3 Forschungskonzept 8
1.4 Verwendete Methoden 11
1.5 Aufbau der Arbeit 11
2 Theoretische und konzeptionelle Grundlagen 13
2.1 Internethandel, E-Commerce und E-Business 13
2.2 Marketing, Konsumenten- und Käuferverhalten 16
2.2.1 Käuferverhalten bei Rabatt-Angeboten 20
2.3 Internet Marketing 21
2.3.1 Erfolgskontrolle im Internet Marketing 24
2.3.2 Ausgewählte Disziplinen des Internet Marketings 27
2.3.2.1 Affiliate Marketing 28
2.3.2.2 Online-Cashback-Systeme 35
2.3.2.3 E-Mail-Marketing 38
2.4 Personalisierung im Internet Marketing 56
2.4.1 Empfehlungssysteme 59
2.4.2 Bewertung von Empfehlungssystemen 59
2.4.3 Architektur von Empfehlungssystemen 60
2.4.4 Empfehlungssystem-Kategorien 62
2.4.4.1 Hybride Empfehlungssysteme 67
2.4.5 Techniken für Empfehlungsverfahren 69
2.5 Wissensaufbereitung und -entdeckung 89
2.5.1 Datenerhebungsverfahren 89
2.5.1.1 Datenqualität 91
2.5.1.2 Datensicherheit und Datenschutz 92
2.5.2 Knowledge Discovery und Data Mining 94
2.5.2.1 Der Data-Mining-Prozess 96
2.5.2.2 Data-Mining-Problemtypen 98
2.5.2.3 Das Data-Mining-System 100
2.5.3 Das Experiment als Erhebungsdesign 106
2.5.3.1 Anforderungen und Gütekriterien 111
2.5.3.2 Online-Feldexperimente im Marketing 117
2.5.3.3 Auswertungsverfahren 120
2.5.3.4 Theoretische Grundlagen des A/B-Testverfahrens 121
3 Vorgehen 126
3.1 Forschungsdesign 126
3.1.1.1 Ziele und Anforderungen der Andasa GmbH 128
3.1.1.2 Ziele und Anforderungen des Instituts für Angewandte Informatik 129
3.1.2 Design des Informationssystems 130
3.1.2.1 Der Designprozess 131
3.1.3 Konzeption des Software-Systems 133
3.1.4 Evaluation 134
3.2 Datenanalyse 135
3.2.1 Datenbeschaffung 135
3.2.2 Datenaufbereitung 136
3.2.3 Auswahl geeigneter Data-Mining-Methoden 137
3.2.3.1 Auswahl-Kriterien 137
3.2.3.2 Methodenauswahl 140
3.2.4 Erläuterung ausgewählter Data-Mining-Methoden 156
3.2.4.1 Bayes’sche Netze 156
3.2.4.2 Clustering 158
3.2.4.3 Diskriminanzanalyse 158
3.2.4.4 Korrelationsanalyse 159
3.2.4.5 Online Analytical Processing (OLAP) 159
3.2.5 Auswahl geeigneter Data-Mining-Werkzeuge 165
3.2.5.1 Auswahlprozess 165
3.2.5.2 Kriterien 166
3.2.5.3 Werkzeuge zur statistischen Analyse und Visualisierung 168
3.2.5.4 Werkzeuge für Clustering und Diskriminanzanalyse 168
3.2.5.5 Werkzeuge für Online Analytical Processing 169
3.2.5.6 Werkzeuge für Bayes’sche Netze 169
3.3 Untersuchungsdesign 171
3.3.1 Online-Marketing-Instrumente bei Andasa 172
3.3.2 Stimulus-Auswahl 174
3.3.3 Entwurf des Experimentaldesigns 175
4 Umsetzung 180
4.1 Architektur und prototypische Implementation 180
4.1.1 Das Data-Mining-System 180
4.1.2 Der ETL-Prozess 181
4.1.2.1 Datenerhebung 183
4.1.2.2 Datenbereinigung 184
4.1.3 Die A/B-Testumgebung 185
4.1.4 Das Empfehlungssystem 189
4.1.5 Usability-Evaluation 196
4.2 Data Mining 199
4.2.1 Statistische Analyse 200
4.2.2 Anwendung ausgewählter Data-Mining-Methoden 206
4.2.2.1 Clustering 208
4.2.2.2 Klassifikation 213
4.2.2.3 Modellierung als Bayes’sche Netze 214
4.2.3 Ergebnisse und Evaluation 221
4.3 Feldexperimente mit Newslettern 222
4.3.1 Eckdaten der Tests 223
4.3.2 Beispiel-Experimente 224
4.3.3 A/B-Tests Rabattdarstellungen 226
4.3.3.1 Öffnungsrate Prozente vs. Euro 226
4.3.3.2 Klickrate Prozente vs. Euro 227
4.3.3.3 Conversion-Rate Prozente vs. Euro 229
4.3.4 A/B-Test zur Personalisierung 230
4.3.4.1 Auswahl des Empfehlungsverfahrens 230
4.3.4.2 Definition der Kontrollgruppe 231
4.3.4.3 Operative Durchführung 231
4.3.4.4 Auswertung 232
4.3.5 Ergebnisse und Evaluation 236
5 Zusammenfassung und Ausblick 239
6 Anhang 243
6.1 Anhang A Usability-Evaluation 243
6.1.1 Methoden der Usability-Evaluierung 246
6.1.1.1 Usability-Tests und lautes Denken 246
6.1.1.2 Benutzerbefragung 248
6.1.1.3 Feldstudien und Partizipation 250
6.1.1.4 Expertenorientierte (Inspektions-)Methoden 251
6.1.1.5 Formal-analytische Verfahren 252
6.1.1.6 Quantitative Fragebogen 252
6.1.1.7 Verfahrensmodell 259
6.1.1.8 Auswertung 262
6.1.2 Fragebögen 263
6.2 Anhang B Zeitreihenanalyse 281
6.2.1 Klassische Komponentenmodelle 281
6.2.2 Stochastische Prozesse 282
6.2.3 Fourier-Analyse-Methoden (Spektralanalyse) 283
6.3 Anhang C Daten und Programme 286
6.3.1 Technische Daten 286
6.3.1.1 Data Warehouse / Data Mining Server 286
6.3.2 Programm- und Skriptcodes 287
6.3.2.1 R- Skripte 287
6.3.2.2 SQL – Skripte 296
6.3.2.3 C# Code MostRecentLinkInvocationsShopRecommender.cs 314
6.3.3 Daten A/B-Tests 317
6.3.3.1 Übersicht Newsletter 317
6.3.3.2 Mengengerüst Aussendungen 319
6.3.3.3 Shopaufrufe und Besteller 319
6.3.3.4 Darstellungen der Newsletter-Varianten 320
6.3.4 Daten Personalisierung 335
6.4 Abbildungsverzeichnis 338
6.5 Tabellenverzeichnis 343
6.6 Literaturverzeichnis 346
|
Page generated in 0.033 seconds