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.

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

Submitted by Janete Hee Youn Jhun (janetejhun@gmail.com) on 2018-08-20T20:09:14Z No. of bitstreams: 1 DissertaçãoMPE_JaneteJhun_v57.pdf: 959094 bytes, checksum: c3f67676a5bc2bb2e69b3f6dad91600e (MD5) / Rejected by Thais Oliveira (thais.oliveira@fgv.br), reason: Prezada Janete, boa tarde. Para que possamos aprovar seu trabalho, serão necessárias as seguintes alterações: - Na capa, o nome da Escola não pode obter as Siglas. em cima vem "FUNDAÇÃO GETULIO VARGAS" (SEM o acento) e abaixo "ESCOLA DE ECONOMIA DE SÃO PAULO"; - No local e Ano (São Paulo 2018) não pode informar o mês, somente local e ano.(contém na capa e contracapa); - Na contracapa, o Orientador deve estar abaixo do campo de conhecimento, na mesma direção; - A contagem de páginas deve ser feita a partir da capa, mas aparece somente a partir da Introdução. Por gentileza, alterar e submeter novamente. Thais Oliveira mestradoprofissional@fgv.br/ 3799-7764 on 2018-08-20T20:50:13Z (GMT) / Submitted by Janete Hee Youn Jhun (janetejhun@gmail.com) on 2018-08-20T23:50:44Z No. of bitstreams: 2 DissertaçãoMPE_JaneteJhun_v57.pdf: 959094 bytes, checksum: c3f67676a5bc2bb2e69b3f6dad91600e (MD5) DissertaçãoMPE_JaneteJhun_v58.pdf: 959148 bytes, checksum: 96bd3faf6814ea9f4648caa38bc12f39 (MD5) / Rejected by Thais Oliveira (thais.oliveira@fgv.br), reason: Boa noite, Janete, A contagem de páginas começa na capa, mas deve ficar visível A PARTIR da Introdução. Por gentileza, alterar e submeter novamente, SOMENTE O ARQUIVO CORRETO, não podemos aprovar mais de um arquivo. Obrigada. on 2018-08-21T23:48:19Z (GMT) / Submitted by Janete Hee Youn Jhun (janetejhun@gmail.com) on 2018-08-22T19:38:31Z No. of bitstreams: 1 DissertaçãoMPE_JaneteJhun_v59.pdf: 959783 bytes, checksum: 3674a885472bc28a29c29a686ad9dfda (MD5) / Approved for entry into archive by Thais Oliveira (thais.oliveira@fgv.br) on 2018-08-22T20:14:09Z (GMT) No. of bitstreams: 1 DissertaçãoMPE_JaneteJhun_v59.pdf: 959783 bytes, checksum: 3674a885472bc28a29c29a686ad9dfda (MD5) / Approved for entry into archive by Suzane Guimarães (suzane.guimaraes@fgv.br) on 2018-08-23T12:23:22Z (GMT) No. of bitstreams: 1 DissertaçãoMPE_JaneteJhun_v59.pdf: 959783 bytes, checksum: 3674a885472bc28a29c29a686ad9dfda (MD5) / Made available in DSpace on 2018-08-23T12:23:22Z (GMT). No. of bitstreams: 1 DissertaçãoMPE_JaneteJhun_v59.pdf: 959783 bytes, checksum: 3674a885472bc28a29c29a686ad9dfda (MD5) Previous issue date: 2018-08-10 / Price promotions are a ubiquitous practice in the retail market and often consumers are overwhelmed by the variety of price schemes. Using a natural field experiment with a jewelry store, the present study tested the price framing effect and customer experience in purchase decision. The price framing effect was tested using three similar products offered alongside one another: 1 control with the regular price, 2 treatments designed to provide a positive transaction utility and price-quality perception - their prices were initially raised and then proportional discounts (10% and 20%) were applied, so that the final prices of all products amounted to be the same. The effect of customer experience was observed measuring the sales of two customers groups with different experience levels: retail customers (less experienced consumers) and wholesale customers (more experienced since they work as resellers). However, the hypotheses of the study were not confirmed, since the products treated with the price framing effect presented regression coefficients with low statistical significance, for both retail and wholesale customers. Considering that the experiment manipulated both price and discount, current literature on the subject indicates that the effects of quality perception that both present ended up conjoint and led to a null result. Some possible avenues to isolate these effects, as well as other lessons learned in the experiment, are discussed for future research. / Promoções de preço são práticas onipresentes no mercado varejista e frequentemente os consumidores se sentem sobrecarregados com a variedade de esquemas de preço. Através de um experimento de campo natural com uma loja de semi-joias, o presente estudo testou o efeito do framing de preço e experiência do cliente na decisão de compra. O efeito do framing de preço foi testado através de três produtos similares oferecidos um ao lado do outro: 1 controle com o preço regular, 2 tratamentos desenhados para prover uma utilidade transacional e percepção de qualidade positivas - os seus preços foram aumentados inicialmente e depois descontos proporcionais (10% e 20%) foram aplicados, chegando ao mesmo preço final. O efeito da experiência do cliente foi observado com a mensuração das vendas de dois grupos de clientes com diferentes níveis de experiência: clientes de varejo (consumidores menos experientes) e clientes de atacado (mais experientes pois atuam como revendedores). No entanto, as hipóteses do estudo não foram confirmadas, dado que os produtos tratados com o efeito de framing de preço apresentaram coeficientes de regressão com baixa significância estatística, para ambos os clientes de varejo e atacado. Considerando que o experimento manipulou tanto preço como desconto, a literatura atual sobre o tema indica que os efeitos de qualidade percebida que ambos apresentam acabaram se conjugando e podem ter levado a um resultado nulo. Alguns caminhos possíveis para isolar estes efeitos, bem como outras lições aprendidas no experimento, são discutidos para pesquisa futura.