Vorwort | 5 |
Inhalt | 7 |
1 Zum Controlling der digitalen Wertschöpfungskette | 13 |
Abb. 1–1 Zum Controlling der digitalen Wertschöpfungskette | 13 |
1.1 Digitale Wertschöpfungskette | 14 |
Faktor Information | 14 |
Business Intelligence im Internetzeitalter | 14 |
Glieder der digitalen Wertschöpfungskette | 14 |
Digitale Produkte & Dienstleistungen | 15 |
Abb. 1–2 Die sieben Controlling- Bereiche der Business Intelligence | 15 |
Elektronische Beschaffung | 15 |
Onlinemarketing | 15 |
Elektronischer Vertragsabschluss | 16 |
Elektronische Bezahlung | 16 |
Online-/Offline- Distribution | 16 |
Elektronisches Kundenbeziehungs- management | 16 |
eBusiness: anytime & anywhere | 17 |
1.2 Austauschoptionen im eBusiness | 17 |
Begriff Business Intelligence | 17 |
Definition webbezogene BI | 17 |
Datengestützte Management- entscheidungen | 17 |
World Wide Web | 17 |
Definition electronic Business | 18 |
Leistungsanbieter und -nachfrager | 18 |
Austauschbeziehungen im eBusiness | 18 |
Electronic Commerce | 18 |
Tab. 1–1 Die neun Austausch- optionen im eBusiness [Meier & Stormer 2012, S. 3] | 18 |
Austauschoptionen im eBusiness | 19 |
Electronic Government | 19 |
Austausch zwischen Einzelpersonen | 19 |
1.3 Definitionspyramide der webbezogenen BI | 19 |
Grundpfeiler Web Analytics & Web Controlling | 19 |
Definition Web Analytics | 19 |
Definition Web Controlling | 20 |
Elemente der Definitionspyramide | 20 |
Abb. 1–3 Pyramide und Führungskreislauf für die digitale Wertschöpfungskette | 20 |
Führungskreislauf | 21 |
Planung | 21 |
Umsetzung | 21 |
Analyse | 21 |
Handlung | 21 |
Unterstützende Prozesse | 21 |
1.4 Kapitelübersicht | 22 |
Struktur des Fachbuches | 22 |
Abb. 1–4 Struktur des Fachbuches mit Kapitelzuordnung | 23 |
2 Webbasierte Geschäftsmodelle | 25 |
Abb. 2–1 Webbasierte Geschäftsmodelle | 25 |
2.1 Komponenten eines webbasierten Geschäftsmodells | 26 |
Digitaler Marktraum | 26 |
Geschäftsmodell | 26 |
Definition webbasiertes Geschäftsmodell | 27 |
Leistungsangebot | 27 |
Beschaffung | 27 |
Abb. 2–2 Komponenten eines webbasierten Geschäftsmodells | 28 |
Marketing | 28 |
Vereinbarung | 29 |
Erlöse | 29 |
Distribution | 29 |
Kundenbindung | 30 |
Laufende Anpassung der Geschäftsmodelle | 30 |
2.2 Klassifikation webbasierter Geschäftsmodelle | 30 |
Definition Business Web | 30 |
5 Typen von Business Webs | 31 |
2.2.1 Business Web vom Typ Agora | 31 |
Agora (elektronischer Marktplatz) | 31 |
Abb. 2–3 Agora als offener Marktplatz mit dynamischer Preisfindung [Tapscott et al.. 2001, S. 46] | 31 |
Anbieter und Nachfrager | 32 |
Nachfrage nach Auktionen | 32 |
Nutzenpotenziale der Agora | 32 |
Erlösquellen für Marktplätze | 33 |
Tab. 2–1 Webkennzahlen zur Messung des Marktwertes Agora | 33 |
Beispiel eBay | 33 |
2.2.2 Business Web vom Typ Aggregator | 34 |
Hierarchische Kontrolle der Lieferanten | 34 |
Abb. 2–4 Aggregator kombiniert Produkte und diktiert Preise [Tapscott et al. 2001, S. 47]. | 34 |
Vermittlungsfunktion des Aggregators | 35 |
Einsatz intelligenter Softwareagenten | 35 |
Vorteile eines Aggregators | 35 |
Der Weg zum Cross-Selling | 35 |
Tab. 2–2 Kapitalkomponenten und Kennzahlen zum Aggregator | 36 |
Beispiel Amazon | 36 |
2.2.3 Business Web vom Typ Integrator | 37 |
Integrator als Wertschöpfungskette | 37 |
Abb. 2–5 B-Web Integrator kontrolliert die optimierte Wertschöpfungskette [Tapscott et al. 2001, S. 48]. | 37 |
Funktionsweise eines Integrators | 37 |
Werkstattfertigung | 38 |
Nutzenvorteile von Integratoren | 38 |
Webkennzahlen des Integrators | 39 |
Tab. 2–3 Marktwert und Steuerungskennzahlen eines Integrators | 39 |
Beispiel Cisco | 39 |
2.2.4 Business Web vom Typ Allianz | 39 |
Wozu dient eine Allianz? | 39 |
Allianz als Prosumer | 39 |
Netz gleichberechtigter Partner | 40 |
Abb. 2–6 Das B-Web Allianz bildet einen Wertschöpfungsraum [Tapscott et al. 2001, S. 49] | 40 |
Etablierung eines Wert- schöpfungsprogramms | 40 |
Nutzenpotenziale einer Allianz | 40 |
Tab. 2–4 Kapitalkomponenten und Webkennzahlen einer Allianz | 41 |
Beispiel Linux | 41 |
Herausforderungen von Allianzen | 42 |
2.2.5 Business Web vom Typ Distributor | 42 |
Definition Distributor | 42 |
Nutzenvorteile des Distributors | 43 |
Abb. 2–7 Grundkonzeption des B-Web Distributor [Tapscott et al. 2001, S. 51] | 43 |
Tab. 2–5 Unternehmenskapital und Webkennzahlen von Distributoren | 44 |
Beispiel Telcos | 44 |
Distributoren als Infomediäre | 44 |
2.3 Vergleich und Bewertung von Business Webs | 45 |
Business Webs im Vergleich | 45 |
Tab. 2–6 Hauptmerkmale der unterschiedlichen B-Webs im Vergleich [Meier & Stormer 2012, S. 48] | 45 |
Zur Vielfalt von Business Webs | 45 |
Unterschiedliche Kundenrollen | 45 |
Abgrenzungsproblematik bei Business Webs | 45 |
2.4 Gemeinschaftsbildung im Market Space | 46 |
Zur Bedeutung von sozialen Netzen | 46 |
Definition soziales Netz | 46 |
Gestaltungsoptionen für soziale Netze | 46 |
Kommunikation und Austauschbeziehungen | 47 |
Abb. 2–8 Gestaltungsoptionen für Online-Communitys | 47 |
Soziale Raum von Communitys | 47 |
2.5 Zur Charakterisierung sozialer Netze | 48 |
Das Internet als virtueller Aufenthaltsort | 48 |
Interessen- und Projektgemeinschaften | 48 |
Definition Communities of Interest/Practice | 48 |
Verschiedene Typen von sozialen Netzen | 49 |
Treffpunkte für User mit gemeinsamen Interessen | 49 |
Systeme für private und berufliche Kontakte | 49 |
Matchmakingsysteme | 49 |
Empfehlungssysteme | 49 |
Blog-Systeme | 50 |
Vergleich von sozialen Systemen | 50 |
Tab. 2–7 Vergleich der fünf Webplattformen nach [Ingenhoff & Meier 2010] | 50 |
Kommunikations- plattformen | 51 |
Ziele von sozialen Netzen | 51 |
2.6 Wertbeitrag zum sozialen Kapital | 51 |
Definition Sozialkapital | 51 |
Soziale Ressourcen | 51 |
Reziprozität | 52 |
Bedeutung von Vetrauen | 52 |
Abb. 2–9 Die Tragpfeiler des sozialen Kapitals | 52 |
Tragpfeiler von sozialem Kapital | 53 |
2.7 Ertragsmodelle | 53 |
Ertragsmodell als zentraler Teil des Geschäftsmodells | 53 |
Direkte und indirekte Ertragsmodelle | 53 |
Verkauf von Werbefläche | 53 |
Verkauf von Produkten und Dienstleistungen | 53 |
Abb. 2–10 Ertragsmodelle in elektronischen Märkten nach [Birkhofer 2002] | 54 |
Verkauf von Zugängen | 54 |
Verkauf von Abonnements | 54 |
Verkauf von Transaktionen | 54 |
Kosteneinsparungen | 55 |
Sponsoren | 55 |
Fremdfinanzierung | 55 |
KPIs für jedes Geschäfts- bzw. Erlösmodell | 55 |
3 Business Intelligence & Web Controlling | 57 |
Abb. 3–1 Business Intelligence & Web Controlling | 57 |
3.1 Website Governance | 58 |
Definition Corporate Governance | 58 |
OECD-Richtlinien für Corporate Governance | 59 |
Compliance | 59 |
Definition Website Governance | 60 |
Serviceorientiertes Website-Management | 60 |
Abb. 3–2 Website-Governance- Architektur | 60 |
Website-Governance- Architektur | 61 |
Web Application Management | 61 |
Capacity Management | 61 |
Web Service Delivery Continuity Management | 61 |
Web Analytics | 61 |
Web Controlling | 61 |
3.2 Regelkreis des Web Controlling | 62 |
Web Controlling = Planung, Analyse und Steuerung des Webauftrittes | 62 |
Strategische Ebene des Web Analytics | 62 |
Abb. 3–3 Regelkreis des Web Controlling und der Web-Analytics-Architektur [Meier & Zumstein 2010, S. 10] | 62 |
Web Scorecard | 63 |
Planung der Messgrößen | 63 |
Umsetzung der Strategie | 63 |
Webanalyse | 63 |
Handlungsmaßnahmen | 63 |
Speicherung der Daten | 63 |
3.3 Organisationspyramide und Gremien | 64 |
Beispielhafte Organisationspyramide | 64 |
Tab. 3–1 Organisationspyramide mit Führungsebenen, Gremien und Aufgaben | 64 |
Corporate Identity | 64 |
Die Eigenart des Web Analytics: interdisziplinäre Teams | 65 |
Organisation von Web Analytics: in jedem Unternehmen anders | 65 |
3.3.1 Web Steering Committee | 65 |
Steuerungsausschuss | 65 |
3.3.2 Webkernteam | 65 |
Interdisziplinäres Webkernteam | 65 |
3.3.3 Operative Einheiten | 66 |
Webaktivitäten operativer Einheiten | 66 |
3.4 Berufsbilder | 66 |
3.4.1 Chief Web Officer | 66 |
Website-Verantwortliche | 66 |
Zur Bedeutung des Chief Web Officer | 66 |
Web Steering Committee für webbasierte Geschäftsmodelle verantwortlich | 66 |
Tab. 3–2 Stellenprofil des Chief Web Officer | 67 |
3.4.2 Web Controller | 67 |
Rollen und Aufgaben des Webanalysten | 67 |
Tab. 3–3 Aufgabenspektrum Web Controller | 67 |
3.4.3 Webmaster | 68 |
Rollen und Aufgaben des Webmasters | 68 |
Tab. 3–4 Aufgabenspektrum Webmasters | 68 |
3.5 Anspruchsgruppen und Zielgruppen | 68 |
Anspruchsgruppen von eBusiness-Unternehmen | 68 |
Stakeholder Value | 68 |
Tab. 3–5 Auswahl von Anspruchsgruppen (angelehnt an [Ulrich & Fluri 1995]) | 69 |
Ziele/Erwartungen von Anspruchsgruppen | 69 |
Festlegung von Zielgruppen | 69 |
3.6 Immaterielle Vermögenswerte | 70 |
Abb. 3–4 Zielgruppendefinition mit Beispielen von Website- Zielen & Webkennzahlen | 70 |
3.6.1 Intellektuelles Kapital | 70 |
Definition immaterielle Vermögenswerte | 70 |
3.6.2 Informationskapital | 71 |
Abb. 3–5 Intellektuelles Kapital, Informations- und Webkapital | 71 |
Definition Informationskapital | 71 |
Tab. 3–6 Eckpfeiler des intellektuellen Kapitals mit webbezogenen Beispielen | 72 |
Know-how und Expertenwissen | 72 |
Wissensbasierte Wertschöpfung | 72 |
3.6.3 Webkapital | 73 |
Corporate Websites als Eckpfeiler des Webkapitals | 73 |
Definition Webkapital | 73 |
Beispiele von Webkapital | 73 |
Gute Auffindbarkeit im Internet | 73 |
Wertvolle Domainnamen | 73 |
Starke eBrands | 73 |
Positives Image durch Bewertungen | 74 |
Hoher Wert von Nutzerdaten | 74 |
Innovations- und Technologiemanagement | 74 |
Wissensmanagement | 74 |
Expertenwissen von Knowledge Worker | 74 |
3.7 Vorgehensmethodik | 75 |
Teile der strategischen Analyse | 75 |
Analyse der Organisation | 75 |
Analyse der Umwelt | 75 |
Analyse der Technologie | 75 |
Festlegung der Erfolgsfaktoren | 75 |
Festlegung von Webkennzahlen | 75 |
Abb. 3–6 Iteratives Vorgehen beim Web Controlling | 76 |
Maßnahmenplanung & Umsetzung | 76 |
Webanalysen und Reporting | 76 |
3.8 Ordnungsmäßigkeit | 77 |
Internes Kontrollsystem | 77 |
COBIT-Framework | 77 |
Kriterien des Frameworks | 77 |
Überblick zum COBIT-Framework | 78 |
Abb. 3–7 Framework COBIT zur Informationsversorgung | 78 |
Bereiche von Ressourcen | 78 |
Kernaufgaben und Kontrollziele für kritische IT-Prozesse | 79 |
4 Nutzenpotenziale des Web Controlling | 81 |
Abb. 4–1 Nutzenpotenziale des Web Controlling | 81 |
4.1 Optimierung der Website | 82 |
Überprüfung der Website-Qualität | 82 |
4.1.1 Optimierung des Contents | 82 |
Bereitstellung von Inhalten | 82 |
Verbesserungen des Inhalts mit Web Analytics | 82 |
Genaue, relevante, verständliche und aktuelle Inhalte | 83 |
4.1.2 Optimierung der Navigation | 83 |
Klickraten auf Links | 83 |
Navigationsverhalten von Besuchern | 83 |
Klick- und Pfadanalysen | 83 |
Abb. 4–2 Site-Overlay zur Seitenanalyse am Beispiel von Google Analytics | 84 |
A/B-Tests zur Verbesserung der Navigation | 84 |
4.1.3 Optimierung des Designs | 84 |
Anpassungen am Layout mithilfe von Web Analytics | 84 |
4.1.4 Optimierung der Usability | 85 |
Erhöhung der Benutzerfreundlichkeit | 85 |
Systemqualität durch verständliche Navigation | 85 |
Tab. 4–1 Nutzenpotenzial der Website-Optimierung nach [Zumstein 2012, S. 105] | 85 |
4.2 Optimierung des eMarketing | 85 |
Analyse von Werbekampagnen | 85 |
Erfolgsmessung von Instrumenten des Onlinemarketings | 86 |
Tab. 4–2 Nutzenpotenzial und Webkennzahlen für das Onlinemarketing (nach [Zumstein 2012, S. 112]). | 86 |
4.2.1 Erfolgsmessung von Bannerwerbung | 87 |
Messung von Traffic- Akquisition, -Nutzung und -Vermarktung | 87 |
Abb. 4–3 Erfolgsmessung von Werbekampagnen, Quelle: (in Anlehnung an das Schema von [Contentmetrics 2006, S. 38]) | 87 |
4.2.2 Sichtbarkeit und Suchmaschinenoptimierung | 87 |
Analyse genutzter Suchwörter | 87 |
Reichweite im Internet | 87 |
Verlinkung von Websites | 88 |
4.2.3 Erfolgsmessung des Suchmaschinenmarketings | 88 |
Werbeanzeigen in Suchmaschinen | 88 |
Erfolgsmessung von Suchmaschinenwerbung | 88 |
4.2.4 Social Web Monitoring | 88 |
Erfolgsmessung sozialer Netzwerke | 88 |
4.2.5 Erfolgsmessung weiterer Marketinginstrumente | 89 |
Newsletter Analytics | 89 |
Blog Analytics | 89 |
Messung von Online- und Offlinekanälen | 89 |
4.3 Optimierung des Kundenbeziehungsmanagements | 90 |
4.3.1 Erhöhung der Kundennähe | 90 |
Kundenorientierung | 90 |
Analyse von Besucherwünschen | 90 |
4.3.2 Optimierung der Kundenakquisition | 90 |
Kontaktanbahnung über das Internet | 90 |
Definition Leads (potenzielle Neukunden) | 90 |
Analyse von Kaufabsichten und Erstkäufe | 90 |
Definition Kundenakquisition | 91 |
Kosten einer Kundenaquisition | 91 |
Ziel Verkaufsabschluss | 91 |
4.3.3 Optimierung der Kundenbindung | 91 |
Loyalisierung von Onlinekunden | 91 |
Definition Kundenbindung | 91 |
Zusatz- und Querverkäufe | 91 |
4.3.4 Optimierung der Kundensegmentierung | 92 |
Relevanz der Kundensegmentierung | 92 |
Definition Kundensegmentierung | 92 |
Identifizierung wichtiger Besucher | 92 |
Identifizierung wertvoller Kunden | 92 |
Tab. 4–3 Nutzenpotenzial und Webkennzahlen für das eCRM (nach [Zumstein 2012, S. 117]) | 93 |
4.4 Prozessoptimierung | 93 |
Optimierung von Bestell- und Zahlungsprozessen | 93 |
Analyse von Prozessabbrüchen | 93 |
4.5 Strategisches Management und Entscheidungsunterstützung | 94 |
Planung, Analyse und Überprüfung strategischer Ziele | 94 |
Überprüfung von Geschäftsmodellen | 94 |
Performance Measurement bei Internetfirmen | 94 |
Datengestützte statt Bauchentscheide | 94 |
Entscheidungsunter- stützung durch Web Analytics | 94 |
4.6 Vorteile für das eBusiness | 94 |
Vorteile des Web Analytics zusammengefasst | 94 |
Abb. 4–4 Überblick zu den Nutzenpotenzialen des Web Controlling | 95 |
Tab. 4–4 Überblick zu den Nutzenpotenzialen auf den Ebenen des Web Controlling (nach [Zumstein 2012, S. 89]) | 96 |
5 Metrikmodelle & Webkennzahlen | 97 |
Abb. 5–1 Metrikmodelle & Webkennzahlen | 97 |
5.1 Metriken und Kennzahlen | 98 |
Erfassung und Auswertung website- bezogener Daten | 98 |
5.1.1 Webmetriken | 98 |
Metrik = Maß | 98 |
Webmetriken als websitebezogene Daten | 98 |
Definition Webmetrik | 98 |
5.1.2 Webkennzahlen | 99 |
Betriebswirtschaftliche Aussagen mit Webkennzahlen | 99 |
Definition Webkennzahl | 99 |
Funktionen von Webkennzahlen | 99 |
5.1.3 Key Performance Indicators | 100 |
Strategische KPIs | 100 |
Definition Key Performance Indicator | 100 |
KPIs ausgerichtet auf das Geschäftsmodell | 100 |
Tab. 5–1 Mögliche KPIs in Abhängigkeit der Website-Ziele [Zumstein 2012, S. 61] | 101 |
5.2 Kennzahlensystem für das Web Controlling | 101 |
Einordnung von Metriken in ein Reifegradmodell | 101 |
Standardmetriken der Stufe Information | 101 |
Metriken der Stufe Kommunikation | 101 |
Abb. 5–2 Kennzahlen für verschiedene Reifegrade im eBusiness (nach [Zumstein & Meier 2010, S. 305]) | 102 |
Kennzahlen der Stufe Transaktion | 102 |
Kennzahlen der Stufe Integration | 102 |
Überblick an Webmetriken und Webkennzahlen | 102 |
5.3 Metrikmodell zum Web Content Controlling | 103 |
Tab. 5–2 Überblick der Webkennzahlen und Einordnung in das Reifegradmodell [Zumstein 2012, S. 63] | 103 |
Einstiege auf der Website | 103 |
Abb. 5–3 Modell für das Web Content Controlling [Zumstein & Meier 2010, S. 306] | 103 |
Absprünge auf der Website | 104 |
Webmetriken der Stufe Information | 104 |
Tab. 5–3 Webmetriken der Stufe D – Information [Zumstein & Meier 2010, S. 306] | 104 |
Standardmetriken Seitenzugriffe, Besuche und Besucher | 104 |
5.3.1 Seitenzugriffe | 105 |
Aufruf einer Website | 105 |
Definition Seitenzugriff | 105 |
Allgemeine Nachfrage | 105 |
Attraktivität einer Website | 105 |
Beschränkte Aussagekraft | 105 |
Eindeutige Seitenzugriffe | 105 |
Durchschnittliche Anzahl Seitenzugriffe | 106 |
5.3.2 Besuche | 106 |
Anzahl Besuche auf der Website | 106 |
Zusammenhängender Nutzungsvorgang | 106 |
Definition Besuch | 106 |
Reichweite einer Website | 106 |
Beginn und Abschluss eines Besuches | 106 |
Steigende Anzahl Besuche | 107 |
5.3.3 Besucher | 107 |
Definition Besucher | 107 |
Eindeutige Besucher | 107 |
Messungenauigkeiten bei Besuchern | 107 |
Besucheridentifikation mit Cookies | 107 |
Eindeutig identifizierte Besucher | 107 |
Qualifizierte Besucher | 108 |
Neue und wiederkehrende Besucher | 108 |
Definition wiederkehrender Besucher | 108 |
Kundenerhaltungs-/ -akquisitionsmodus | 108 |
5.3.4 Absprungrate | 109 |
Absprünge auf einer Website | 109 |
Definition Absprungrate | 109 |
Absprünge auf der Website und einer Webseite | 109 |
Analyse der Absprungraten | 109 |
5.3.5 Page Stickiness | 109 |
Seitenhaftung | 109 |
Definition Page Stickiness | 109 |
Attraktive Inhalte | 110 |
5.3.6 Verweildauer auf einer Webseite | 110 |
Verweildauer auf einer einzelnen Webseite | 110 |
Definition Verweildauer | 110 |
Verweilen = auseinandersetzen | 110 |
5.3.7 Besuchsdauer | 110 |
Besuchsdauer auf der ganzen Website | 110 |
Definition Besuchsdauer | 110 |
Steigende Kaufswahrscheinlichkeit bei langer Besuchsdauer | 110 |
Mögliche Probleme langer Besuchsdauer | 111 |
5.3.8 Besuchstiefe | 111 |
Definition Besuchstiefe | 111 |
Hohe Besuchstiefe = Engagement | 111 |
Hohe Besuchstiefe = Interesse | 111 |
Probleme tiefer Besuche | 111 |
5.3.9 Besuchshäufigkeit | 112 |
Besuchertreue | 112 |
Definition Besuchshäufigkeit | 112 |
Heavy User | 112 |
Treue Besucher = zufriedene Besucher | 112 |
Kaufinteresse und Kaufentscheidung | 112 |
5.3.10 Besuchsaktualität | 112 |
Frische eines Besuches | 112 |
Definition Besuchsaktualität | 112 |
Recency, Frequency & Monetary Value | 113 |
5.4 Überblick zu den Kennzahlen der Transaktion | 113 |
Kennzahlen des eCommerce | 113 |
5.4.1 Website-to-Product-Page-Rate | 114 |
Anteil an Produktseitenaufrufen | 114 |
Definition Website-to-Product- Page-Rate | 114 |
Produktseitenzugriffe = Produktinteresse | 114 |
5.4.2 Click-to-Basket-Rate | 114 |
Anteil an befüllten Warenkörben | 114 |
Definition Click-to-Basket-Rate | 115 |
Click-to-Basket = Kaufbereitschaft | 115 |
5.4.3 Basket-to-Buy-Rate | 115 |
Anteil bezahlter Warenkörbe | 115 |
Definition Basket-to-Buy-Rate | 115 |
Wertbeitrag eines Produktes | 115 |
5.4.4 Bestellrate | 115 |
Definition Bestellrate | 115 |
5.4.5 Abbruchrate | 115 |
Anteil abgebrochener Bestellprozesse | 115 |
Definition Abbruchrate | 116 |
Anteil abgebrochener Formulareingaben | 116 |
5.4.6 Konversionsrate | 116 |
Anteil zu Käufe(r) konvertierte Besuche(r) | 116 |
Definition Konversionsrate | 116 |
Anzahl Käufe/ Anzahl Besuche | 116 |
Werbekonversionsrate | 116 |
5.4.7 Erstkäufer und Wiederholungskäufer | 116 |
Anzahl Neukunden & Bestandskunden | 116 |
Definition Erst- und Wiederholungs- käufer | 117 |
Effizienz der Kundenakquisition und -bindung | 117 |
5.4.8 Kauffrequenz | 117 |
Anzahl Wiederholungskäufe | 117 |
Definition Kauffrequenz | 117 |
Indikator der Zufriedenheit | 117 |
5.4.9 Kaufaktualität | 117 |
Zeitdauer seit dem letzten Besuch | 117 |
Definition Kaufaktualität | 117 |
Kaufaktualität & Kundenverhalten | 117 |
5.4.10 Finanzkennzahlen | 118 |
Online umgesetzter Umsatz | 118 |
Definition Online-Umsatz | 118 |
Einzel- und Gemeinkosten | 118 |
Deckungsbeitrags- & Erfolgsrechnung | 118 |
Definition Onlinegewinn | 118 |
Rentabilitätskennzahlen | 118 |
5.5 Überblick zu den Metriken der Kommunikation & Integration | 118 |
Kommunikation mit Website-User | 118 |
Tab. 5–4 Webmetriken der Stufe C & A: Kommunikation & Integration [Zumstein & Meier 2010, S. 309] | 119 |
Anzahl Kontakte, Registrierungen und Beiträge | 119 |
Interaktivitätsgrad | 120 |
Key Customers | 120 |
Definition Social Commerce | 120 |
Abb. 5–4 Metrikmodell für Web User Controlling [Zumstein & Meier 2010, S. 308] | 120 |
5.6 Analyse und Optimierung des eBusiness anhand geeigneter Webkennzahlen | 121 |
Webmetriken & Webkennzahlen für das eBusiness | 121 |
Tab. 5–5 Eignung der Kennzahlen zur Analyse und Optimierung des eBusiness | 122 |
6 Auswertungen mit unscharfen Methoden | 125 |
Abb. 6–1 Auswertung mit unscharfen Methoden | 125 |
6.1 Unscharfe Logik | 126 |
Klassische und unscharfe Logik | 126 |
Definition unscharfe Mengen | 126 |
Anwendungen der unscharfen Logik | 126 |
Beispiel: Menge Teenager | 127 |
Abb. 6–2 Unterschied zwischen klassischen und unscharfen Mengen | 128 |
6.2 Vorteile unscharfer Kundensegmentierung | 128 |
Beispiel der Kundensegmentierung anhand von Umsatz und Kundenloyalität | 128 |
Wahl der Äquivalenzklassen | 129 |
Abb. 6–3 Scharfe Kundenklassifikation mit Konflikten | 129 |
Kunden als Vermögenswert | 129 |
Probleme bei scharfer Kundensegmentierung | 130 |
Unscharfe Kundenklassifikation | 130 |
Zugehörigkeit zu mehreren Klassen gleichzeitig | 131 |
Abb. 6–4 Unscharfe Kundenklassifikation | 131 |
Unscharfe Klassifikation ermöglicht Individualisierung. | 131 |
6.3 Webmetriken mit linguistischen Variablen | 132 |
Abbildung und Klassifikation von Kennzahlen anhand von linguistischen Variablen | 132 |
Abb. 6–5 Ergänzung der Webmetriken mit linguistischen Variablen | 132 |
Wahrnehmungsbasierte Klassifikation von Metriken | 132 |
Klassifikation der Verweildauer | 133 |
Abb. 6–6 Scharfe und unscharfe Klassifikation der Webmetrik Seitenzugriffe [Zumstein 2010, S. 285] | 133 |
Differenzierte Beurteilung von Metrikwerte | 133 |
6.4 Zur Aggregation unscharfer Webkennzahlen | 134 |
Zweidimensionale unscharfe Klassifikation | 134 |
Abb. 6–7 Scharfe und unscharfe Klassifikation der Webmetriken Seitenzugriffe und Absprungrate [Zumstein 2010, S. 285] | 134 |
Minimums- und Maximumsoperator | 135 |
6.5 Hierarchische Dekomposition beim Web Controlling | 136 |
Hierarchische Strukturierung von Kennzahlen | 136 |
Kundenkapital | 136 |
Multidimensionale Klassifizierungen | 136 |
Abb. 6–8 Berechnungspyramide für das Kundenkapital | 137 |
Berechnungsmethode | 137 |
Rechnungsbeispiel | 138 |
6.6 Nutzenpotenziale | 138 |
Nutzenpotenziale der unscharfen Klassifikation | 138 |
Exakte Klassifikation von Werten | 139 |
Anwendungsbereiche der unscharfen Klassifikation | 139 |
Nachteile der unscharfen Klassifikation | 140 |
7 Regelkreis Web Controlling | 141 |
Abb. 7–1 Regelkreis Web Controlling | 141 |
7.1 Analyse der Websitenutzung | 142 |
Plan, Do, Check und Act | 142 |
Strategische, analytische und operative Ebene | 142 |
Abb. 7–2 Web-Controlling- Kreislauf (nach [Zumstein 2012, S. 33]) | 142 |
Zwei Seiten des Web Controlling | 143 |
Definition Web Content Controlling (Analyse der Inhaltsnutzung) | 143 |
Web User Controlling (Analyse des Besucherverhaltens) | 143 |
Definition Web User Controlling | 143 |
7.2 Web Content Controlling | 143 |
Content (Inhalte einer Website) | 143 |
Content Management (System) | 143 |
Definition Content | 144 |
Definition Content Management | 144 |
Definition Content-Management- System | 144 |
Abb. 7–3 Architektur eines Content- Management-Systems (nach [Meier & Stormer 2012, S. 115 | Zumstein 2012, S. 35]) | 144 |
Webanalyse = Analyse der Inhaltsnutzung | 144 |
Analyse der Informationsnachfrage | 144 |
Abb. 7–4 Controlling-Kreislauf für das Web Content Controlling | 145 |
Interner Vergleich der Inhaltsnutzung | 145 |
Externer Vergleich der Inhaltsnutzung | 145 |
Analyse der Reichweite | 146 |
Analyse der Traffic-Quellen | 146 |
Analyse der Ein- und Ausstiegsseiten | 146 |
Analyse der Inhaltsnutzung nach Zeitperioden | 146 |
Webanalyse der Tageszeit | 147 |
Webanalyse der Wochentage | 147 |
Webanalyse der Feiertage | 147 |
Webanalyse von Saisonalitäten | 147 |
Analyse verwendeter Suchbegriffe | 147 |
Tab. 7–1 Nutzenpotenzial und Webkennzahlen des Web Content Controlling (nach [Zumstein 2012, S. 94]) | 148 |
7.3 Web User Controlling | 148 |
Definition Besucherstrategie | 148 |
Abb. 7–5 Controlling-Kreislauf für das Web User Controlling | 149 |
Besucheranalyse und Web User Controlling | 149 |
Besuchersegmentierung | 149 |
Web (Usage) Mining | 149 |
Tab. 7–2 Nutzenpotenzial und Webkennzahlen des Web User Controlling [Zumstein 2012, S. 95] | 150 |
Besucher- und Kundenentwicklung | 150 |
Besuch der Surfer | 150 |
Informationssuche der Consumer | 151 |
Abb. 7–6 Vier Stufen der Besucher- und Kundenentwicklung [Zumstein 2012, S. 96] | 151 |
Interaktion der Prosumer | 151 |
Formen der Interaktion | 151 |
Identifikation mit der Website | 152 |
Transaktion durch die Buyer | 152 |
Ziel langfristige Kundenbindung | 152 |
7.4 Analyse der Erreichung der Website-Ziele | 152 |
Ziele von Websites | 152 |
Bereitstellung von Informationen | 152 |
Interaktion mit Website-Usern | 152 |
Geschäftsabwicklung | 153 |
Gewinnung von Neukunden | 153 |
Bindung von Bestandskunden | 153 |
Markenstärkung über das Web | 153 |
Reduktion der Administrationskosten | 153 |
Gewinnung von neuen Mitarbeiter | 153 |
Websites als Erlebnis | 153 |
Überprüfung der Zielerreichung | 153 |
Besucherbezogene Ziele evaluieren | 154 |
7.5 Fazit zum Web Controlling | 154 |
Analyse und Steuerung des Webauftritts | 154 |
Tab. 7–3 Auswirkungen des Web Controlling auf das eBusiness-Management [Meier & Zumstein 2010, S. 11] | 154 |
8 Webbezogene Business Intelligence | 155 |
Abb. 8–1 Webbezogene Business Intelligence | 155 |
8.1 Referenzarchitektur zur webbezogenen BI | 156 |
Business Intelligence als Entscheidungsgrundlage | 156 |
Websitebezogene Business Intelligence | 156 |
Abb. 8–2 Einbettung des Web Analytics in die Referenzarchitektur eines DWH | 157 |
Die Quellen der Daten | 157 |
Die Integration der Daten | 158 |
Die Speicherung der Daten | 158 |
Die Auswertung der Daten | 158 |
Das Berichten der Daten | 158 |
Das Beschreiben von Daten | 158 |
Funktionsweise klassischer Web-Analytics- Systeme | 159 |
Integration der Web- Analytics-Daten | 159 |
8.2 Direktes Web Analytics | 159 |
8.2.1 Typische Funktionsweise von Szenario 1 | 159 |
Einfügung des JavaScripts | 159 |
Zeigen website- bezogener Daten | 159 |
Berichten website- bezogener Daten | 160 |
8.2.2 Vorteile des direkten Web Analytics | 160 |
Web Analytics as a Service | 160 |
Unabhängigkeit durch benutzerfreundliche Tools | 160 |
Keine eigene IT-Infrastruktur notwendig | 160 |
Realtime Web Analytics | 160 |
Agilität und Flexibilität | 161 |
Webanalyse unterwegs | 161 |
8.2.3 Nachteile des direkten Web Analytics | 161 |
Fehlende Webanalysekultur | 161 |
Problem Datenschutz | 161 |
Integration als Herausforderung | 161 |
Zusammenarbeit als Knackpunkt | 161 |
Mangel an Zeit und Geld | 162 |
Abb. 8–3 Datenintegration als eine Hürde im Web Analytics | 162 |
Nutzbarmachung der Webdaten | 162 |
Isolierte Datensilos | 162 |
Schürfen nach Gold-Nuggets | 162 |
8.3 Integriertes Web Analytics | 163 |
8.3.1 Typische Funktionsweisen von Szenario 2 | 163 |
Integration der Webdaten in die BI | 163 |
Web Analytics als Eigenentwicklung | 163 |
Integration über Schnittstellen | 163 |
OLAP im Web Analytics | 163 |
Auswertung über Schnittstellen | 164 |
Tab. 8–1 Dimensionen und Webmetriken von Google Analytics (Auszug) | 164 |
Mächtigkeit eines Data Warehouse | 165 |
Ganzheitliche Berichterstattung | 165 |
8.3.2 Vorteile beim integrierten Web Analytics | 165 |
Unternehmensweites Datenmanagement | 165 |
Mögliche Fragestellungen | 165 |
360-Grad-Blick & Customer Journey | 166 |
Verarbeitung großer Datenmengen | 166 |
Komplexe Datenstrukturen | 166 |
Kontrolle über die Daten | 166 |
Garantierte Archivierung | 166 |
Datengrundlage des Data Mining | 167 |
Information = Macht & Wissen | 167 |
8.3.3 Nachteile des integrierten Web Analytics | 167 |
Hohe Kosten des Data Warehousing | 167 |
Skalierbarkeit und Planbarkeit | 167 |
Abhängigkeit von der BI | 167 |
Unternehmenspolitische Interessen | 168 |
Datenverarbeitung | 168 |
Datenvalidität | 168 |
Datensicherheit | 168 |
Tab. 8–2 SWOT-Analyse von klassischem und integriertem Web Analytics | 169 |
9 Softwareaspekte des Web Analytics & Web Controlling | 171 |
Abb. 9–1 Softwareaspekte des Web Analytics & Web Controlling | 171 |
9.1 Datensammlungsmethoden des Web Analytics | 172 |
Hauptaufgabenbereiche des Web Analytics | 172 |
Abb. 9–2 Funktionsbereiche von Web-Analytics-Systemen (nach [Hassler 2012, S. 44, Zumstein 2012, S. 42]) | 172 |
Technische Daten- sammlungsmethoden des Web Analytics | 172 |
Hybride Daten- sammlungsmethoden | 172 |
Packet Sniffing und Proxyserver | 172 |
Definition Datensammlungs- methode | 173 |
9.2 Serverseitige Datensammlung | 173 |
9.2.1 Funktionsweise | 173 |
Datenquelle Logdateien | 173 |
Definition Logfile-Analyse | 173 |
Informationen der Logdatei | 173 |
Abb. 9–3 Funktionsweise der serverseitigen Datensammlung [Zumstein 2012, S. 44] | 174 |
9.2.2 Vorteile der Logfile-Analyse | 174 |
Geringer finanzieller Aufwand | 174 |
Zugriff auf historische Daten | 174 |
Keine Beeinträchtigung der Ladezeiten | 174 |
Messung aller Downloads | 174 |
Interne Datenspeicherung | 175 |
9.2.3 Nachteile der Logfile-Analyse | 175 |
Caching von Browsern und Servern | 175 |
Zugriff von Suchmaschinen-Robots | 175 |
Identifikation anhand der IP-Adresse | 175 |
Nicht messbare Elemente | 175 |
Aufwendige Datenaufbereitung | 176 |
Logfile-Analyse unwichtig(er) | 176 |
9.3 Clientseitige Datensammlung | 176 |
9.3.1 Funktionsweise | 176 |
Definition clientseitige Datensammlung | 176 |
Prozesse des Datensammlungs- methode | 176 |
Software as a Service | 176 |
9.3.2 Vorteile des Page Tagging | 177 |
Abb. 9–4 Funktionsweise der clientseitigen Datensammlung [Zumstein 2012, S. 47] | 177 |
Aufzeichnung sämtlicher Besucheraktionen | 177 |
Technische Informationen | 177 |
Kein Caching und keine Verzerrung durch Robots | 177 |
Tracking über mehrere Websites | 177 |
Einfachheit der Methode | 178 |
9.3.3 Nachteile des Page Tagging | 178 |
Tracking von Downloads nicht möglich | 178 |
Keine Auswertung von Robots | 178 |
Deaktivierung von JavaScript | 178 |
Ad-Blocker und Antispy-Software | 178 |
Proprietäre Software | 178 |
Erfassung persönlicher Daten | 178 |
Datensicherheit | 179 |
Clientseitige Messung als Standard | 179 |
9.3.4 Vergleich der Vor- und Nachteile | 179 |
Tab. 9–1 Vor- und Nachteile client- und serverseitiger Datensammlungs- methoden | 179 |
9.4 Softwareanbieter und -lösungen | 180 |
Softwareprodukte im Web Analytics | 180 |
Open-Source-Tools im Web Analytics | 180 |
Kostenlose Tools im Web Analytics | 180 |
Regionale Tool-Anbieter | 181 |
Skalierbare Tools | 181 |
Marktführer und Tools für Websites mit viel Traffic | 181 |
Über 200 Web-Analytics- Tools weltweit | 181 |
Tab. 9–2 Ausgewählte Web-Analytics-Systeme (Stand 31. Mai 2012) | 182 |
9.5 Auswahlkriterien zu Web-Analytics-Software | 183 |
Auswahl von Analysewerkzeuge | 183 |
Clientseitige und serverseitige Daten- sammlungsmethode | 183 |
Anforderungen an das Tool und verfügbares Budget | 183 |
Interne oder externe Datenspeicherung | 183 |
Charakteristiken der Website | 183 |
Funktionen des Tools | 184 |
Demo und Test von Tools | 184 |
Hilfe, Beratung, Schulung und Referenzen | 184 |
Integration von Daten | 184 |
Zertifikate und Gütesiegel zum Datenschutz | 185 |
10 Datenschutz & Datensicherheit | 187 |
Abb. 10–1 Datenschutz und Datensicherheit | 187 |
10.1 Umgang mit personenbezogenen Daten | 188 |
Rechte der Internetnutzer bezüglich Datenschutz | 188 |
Schutz der Persönlichkeit und der Grundrechte | 188 |
Definition Datenschutz und Datensicherheit | 189 |
Schützenswerte Informationen | 189 |
Abb. 10–2 Einsichts-, Weitergabe- & Berichtigungsrecht gemäß Datenschutzgesetz | 189 |
Einsichts-, Weitergabe- und Berichtigungsrecht | 189 |
Weitergabe personenbezogener Daten an Dritte | 190 |
Recht auf Berichtigung falscher Angaben | 190 |
Aggregation und Verknüpfung von Daten | 190 |
10.2 Chancen und Risiken bei der Personalisierung | 190 |
Definition Kundenprofil | 191 |
Definition Besucherprofil | 191 |
Daten des Kundenprofils | 191 |
Abb. 10–3 Besucher- und Kundenprofile (in Anlehnung an [Risch 2007, S. 21]) | 192 |
Vorteile von Kundenprofilen | 192 |
Privatsphäre (Privacy) | 193 |
Definition Privacy (Privatsphäre) | 193 |
Gefahrenpotenzial bei IP-Adressen und Cookies | 193 |
10.3 Kriterien für transparente Deklaration | 194 |
Messung von jedem einzelnen Klick | 194 |
Forschungsfragen einer Untersuchung zum Datenschutz | 194 |
Deklaration bei den Forbes-Top-500- Unternehmen | 195 |
Abb. 10–4 Einhaltung der Deklarationspflicht bei den Forbes-Top-500-Unternehmen (n=365) (nach [Drobnjak 2010, S. 51]) | 195 |
Resultate der Untersuchung zum Datenschutz | 195 |
Wie die fehlende Transparenz erhöhen? | 195 |
Tab. 10–1 Kriterien für transparente Deklaration der Datenerhebung nach [Zumstein et al. 2011, S. 83]. | 196 |
Kriterien zur Erhöhung der Transparenz | 197 |
10.4 Plattform für Privacy Preferences | 197 |
Platform for Privacy Preferences des W3C | 197 |
Präferenzen zu Datenkategorien | 197 |
Datenkategorie in XML-Dateien | 198 |
P3P-Gütesiegel | 198 |
Tab. 10–2 Datenkategorien in der P3P-Version 1.1 (in Anlehnung an [Cranor 2002]) | 199 |
10.5 Identitätsmanagement | 200 |
Definition Identität | 200 |
Beispiel E-Mail-Adresse | 200 |
Aufgaben des Identitätsmanagements | 200 |
Identifikation: Erkennung von Benutzern | 200 |
Authentifikation: Überprüfung der Echtheit | 200 |
Autorisation: Vergabe von Rechten | 201 |
Der gläserne Kunde | 201 |
Computerprogramme zum Schutz der Privatsphäre | 201 |
Forschungsprojekt Privacy and Identity Management | 201 |
10.6 Zertifizierungsprozess und Gütesiegel | 202 |
Zertifikate zur Erhöhung der Transparenz | 202 |
ISO als Grundlage der Zertifizierung | 202 |
Einführung eines einheitlichen Standards | 202 |
Vorgehensprozess der Zertifizierung | 202 |
Tab. 10–3 Zertifizierungsprozess für den Datenschutz bei Web Analytics | 203 |
European Privacy Seal (EuroPriSe) | 203 |
Piwik datenschutzkonform | 204 |
10.7 Empfehlungen für Besucher und Betreiber | 204 |
Deklaration von Web Analytics | 204 |
Fehlende Deklaration untergräbt Vertrauen. | 204 |
Opt-in-Verfahren | 204 |
Abb. 10–5 Closed-Loop-Opt-in- Verfahren beim Web Analytics | 205 |
Opt-out-Verfahren | 205 |
Empfehlungen für Website-Besucher | 205 |
Empfehlungen für Website-Betreiber | 206 |
Ziel informationelle Selbstbestimmung | 206 |
11 Marktstudie zu Web Analytics & Web Controlling | 207 |
Abb. 11–1 Marktstudie zu Web Analytics & Web Controlling | 207 |
11.1 Problemstellung und Forschungsfragen | 208 |
Forschungslücke Web Analytics | 208 |
Forschungsfragen der Onlineumfrage | 208 |
Tab. 11–1 Überblick zu den Forschungsfragen der Studie (nach [Zumstein et al. 2011b, S. 2]) | 209 |
11.2 Methode | 209 |
Methode der Untersuchung | 209 |
Primärzielgruppe: Webanalysten | 209 |
Tab. 11–2 Angaben zur Datenerhebung (nach [Zumstein et al. 2011b, S. 3]) | 210 |
Tab. 11–3 Ansprache über XING (nach [Zumstein et al. 2011b, S. 4]) | 211 |
Ansprache der Experten über XING | 211 |
11.3 Resultate der Web-Analytics-Studie | 211 |
11.3.1 Branchen | 211 |
Branchen der Befragten | 211 |
Abb. 11–2 Branche der Befragten (nach [Zumstein et al. 2011b, S. 5] (n=740)) | 212 |
Web Analytics im Medien-, Informations- und Dienstleistungsbereich | 213 |
11.3.2 Unternehmensgröße | 213 |
Web Analytics und Unternehmensgröße | 213 |
½ Kleinunternehmen ¼ Mittelgroße Unternehmen ¼ Großunternehmen | 213 |
Hohes Nutzungspotenzial von Web Analytics bei KMU | 214 |
11.3.3 Anteil des Online-Umsatzes am Gesamtumsatz | 214 |
Abb. 11–3 Unternehmensgröße (nach [Zumstein et al. 2011b, S. 6] (n=740)) | 214 |
Anteil online generierter Umsatz | 214 |
Kein Online-Umsatz (Brick-and-Mortar- Unternehmen) | 214 |
Eher geringer Anteil an Online-Umsatz | 214 |
Hoher Anteil Online- Umsatz (Internetfirmen) | 214 |
Abb. 11–4 Anteil des Online- Umsatzes am Gesamtumsatz (nach [Zumstein et al. 2011b, S. 7] (n=740)) | 215 |
Web Analytics: Nicht nur für Internetfirmen Pflicht | 215 |
11.3.4 Erfahrung im Web Analytics | 215 |
Viele Firmen Web Analytics unerfahren | 215 |
Ein Viertel der Firmen sehr erfahren | 216 |
Abb. 11–5 Erfahrung im Web Analytics (nach [Zumstein et al. 2011b, S. 8] (n=740)) | 216 |
Steigende Erfahrung mit Web Analytics | 216 |
11.3.5 Abteilung des Web Analytics | 216 |
Web Analytics in der Marketing-, IT-, BI- oder Controlling-Abteilung | 216 |
Web Analytics ist in jedem Fall interdisziplinär | 217 |
11.3.6 Stellenprozente im Web Analytics | 217 |
Abb. 11–6 Abteilung des Web Analytics (nach [Zumstein et al. 2011b, S. 9] (n=740 | Mehrfachantworten möglich)) | 217 |
Web Analytics ist (noch) nur eine Nebenaufgabe. In Menschen investieren, nicht (nur) in Software | 217 |
Vollzeitstellen sind im Web Analytics eher selten. | 218 |
11.3.7 Beratung zu Web Analytics | 218 |
Abb. 11–7 Stellenprozente im Web Analytics [Zumstein et al. 2011b, S. 10] (n=740) | 218 |
Web Analytics = beratungsintensiv | 218 |
Beratung auf strategischer, konzeptioneller und operativer Ebene | 218 |
Web-Analytics-Beratung lohnt sich. | 219 |
11.3.8 Datensammlungsmethoden im Web Analytics | 219 |
Abb. 11–8 Beratung im Web Analytics (nach [Zumstein et al. 2011b, S. 11] (n=740)) | 219 |
Drei Viertel nutzen die clientseitige Daten- sammlungsmethode. | 219 |
Die Hälfte nutzt serverseitige Methode. | 219 |
Abb. 11–9 Datensammlungsmethoden (nach [Zumstein et al. 2011b, S. 12] (n=740)) | 220 |
Page Tagging wurde zum Standard | 220 |
11.3.9 Web-Analytics-Tools | 220 |
Google Analytics klarer Marktführer | 220 |
SiteCatalyst, Webtrends & eTracker ebenfalls führend | 220 |
Open-Source-Tool Piwik als gute Alternative | 220 |
Dynamischer und kompetitiver Tool-Markt | 221 |
Abb. 11–10 a + b Web-Analytics-Systeme (nach [Zumstein et al. 2011b, S. 13] (n=740)) | 221 |
11.3.10 Zufriedenheit mit Web-Analytics-Tools | 221 |
Mit ihren Tools sind fast alle zufrieden. | 221 |
Warum sind Tool- Anwender (nicht) zufrieden? | 222 |
11.3.11 Individuelle Reports im Web Analytics | 222 |
Abb. 11–11 Zufriedenheit mit Web-Analytics-Tools (nach [Zumstein et al. 2011b, S. 14] (n=740)) | 222 |
Erstellung von ziel- und benutzerspezifischen Berichten | 222 |
Fast alle erstellen individuelle Reports | 222 |
Abb. 11–12 Erstellung von individuellen Reports (nach [Zumstein et al. 2011b, S. 14] (n=740)) | 222 |
11.3.12 Nutzen von Web Analytics | 223 |
Befragung von 16 Nutzenvorteile des Web Analytics | 223 |
Überblick zu den wichtigsten Nutzen des Web Analytics | 223 |
Abb. 11–13 Nutzen von Web Analytics (nach [Zumstein et al. 2011b, S. 15] (n=740)) | 223 |
Analyse der Websitenutzung | 223 |
Analyse des User-Verhaltens | 224 |
Analyse und Optimierung von Onlinekampagnen | 224 |
Überprüfung der Website-Ziele | 224 |
Suchmaschinen- optimierung (SEO) | 225 |
Suchmaschinen- marketing (SEM) | 225 |
Verbesserung der Navigation | 226 |
Inhaltsverbesserung | 226 |
Verbesserung der Benutzerfreundlichkeit | 226 |
Unterstützung der Planung, Anordnung und Kontrolle | 227 |
Segmentierung von Besucher und Kunden | 227 |
Kundenorientierung | 227 |
Kundengewinnung | 228 |
Prozessoptimierung | 228 |
Kundenbindung | 228 |
Optimierung des Designs | 229 |
11.3.13 Probleme im Web Analytics | 229 |
Interdisziplinäre Zusammenarbeit | 229 |
Abb. 11–14 Probleme im Web Analytics (nach [Zumstein et al. 2011b, S. 23] (n=740)) | 230 |
Datenschutz | 230 |
Fehlende Ressourcen wie Zeit und Budget | 230 |
Fehlende Definition von Website-Zielen | 231 |
Fehlende Standardisierung von Metriken | 231 |
Integration von Daten | 231 |
Datensicherheit | 232 |
Interpretation von Daten | 232 |
Datenqualität | 232 |
Mangel an Wissen und Know-how | 233 |
Implementierung und Betrieb von Web Analytics | 233 |
11.3.14 Metriken des Web Analytics | 233 |
Analyse der Traffic-Quellen | 233 |
Metriken zur Inhaltsnutzung | 234 |
Standardmetriken und Metriken zum Besucherverhalten | 234 |
Metriken zu den Besuchereigenschaften und zum Kaufverhalten | 234 |
Abb. 11–15 Metriken des Web Analytics (nach [Zumstein et al. 2011b, S. 27] (n=740)) | 234 |
11.3.15 Überprüfung von Website-Zielen | 235 |
Zur Bedeutung von Website-Zielen | 235 |
11.3.16 Erreichung von Website-Zielen | 236 |
Abb. 11–16 Messung von Website- Zielen (nach [Zumstein et al. 2011b, S. 28] (n=740)) | 236 |
Web Analytics hilft in 10 von 11 Fällen, Ziele zu erreichen. | 236 |
Abb. 11–17 Erreichung von Website- Zielen [Zumstein et al. 2011b, S. 29] (n=740) | 236 |
11.4 Schlussbemerkungen | 237 |
11.4.1 Zusammenfassung | 237 |
Tab. 11–4 Überblick zu den Forschungsresultaten [Zumstein et al. 2011b, S. 31] | 237 |
11.4.2 Kritische Würdigung | 238 |
Explorationscharakter der Studie | 238 |
Repräsentativität der Studie | 238 |
11.4.3 Ausblick | 238 |
Qualitative Forschung wie Fallstudien und Interviews notwendig | 238 |
12 Vorgehensmodell & Umsetzung | 239 |
Abb. 12–1 Vorgehensmodell & Umsetzung | 239 |
12.1 Überblick über das Vorgehensmodell | 240 |
Prozessorientierte Vorgehensweise | 240 |
Definition Vorgehensmodell | 240 |
Organisations-, Markt- & Bedarfsanalyse und Technologieanalyse | 241 |
Abb. 12–2 Die sechs Schritte des Vorgehensmodells | 241 |
Kennzahlen zur Messung der Geschäftsmodelle | 241 |
Strategische Maßnahmenplanung | 241 |
Implementierung und Web Controlling | 242 |
12.2 Strategische Analysen | 242 |
12.2.1 Organisationsanalyse | 242 |
Wettbewerbsfähigkeit von Websites | 242 |
Analyse von Erfolgsfaktoren | 242 |
Servicedienstleistungen | 242 |
Verfügbarkeit von Websites | 242 |
Web Content Accessibility Guidelines | 242 |
Servicequalität | 242 |
Vollständigkeit und Konsistenz der Daten | 243 |
Bewertung des Funktionsumfangs | 243 |
Sicherheitsmanagement | 243 |
Change Management | 243 |
Skala zur Priorität von Erfolgsfaktoren | 243 |
Skala zur Leistung von Erfolgsfaktoren | 243 |
Portfolio zur Prorität und Leistung von Dienstleistungen | 244 |
Abb. 12–3 Priorität und Leistung für den Servicebereich S1 bis S7 (angelehnt an [Rockart 1982]) | 244 |
Berechnung der Prioritätswerte | 244 |
Berechnung der Leistungswerte | 244 |
Mittelwerte der Erfolgsfaktoren | 244 |
Quadrant 1 des Portfolios | 244 |
Quadrant 2 des Portfolios | 244 |
Quadrant 3 des Portfolios | 245 |
Quadrant 4 des Portfolios | 245 |
Leistungsdifferenzen | 245 |
Erkennung und Verbesserung von Defiziten | 245 |
12.2.2 Markt- und Bedarfsgruppenanalyse | 245 |
Chancen und Risiken im Unternehmensumfeld | 245 |
Attraktivität einer Branche | 246 |
Abb. 12–4 Das Modell der Wettbewerbskräfte (angelehnt an [Porter 1992] | 246 |
Analyse der Wettbewerber | 246 |
Analyse von Substitutionsprodukten | 246 |
Analyse der Kunden | 247 |
Analyse der Lieferanten | 247 |
Analyse der Branchenwettbewerber | 247 |
Analyse der rechtlichen Rahmenbedingungen | 247 |
12.2.3 Analyse der Webtechnologien | 247 |
Technologieanalyse | 247 |
Abb. 12–5 Entwicklung des Web (nach [Spivack 2007]) | 248 |
Entwicklung des WWW | 248 |
Web 1.0 | 248 |
Web 2.0 | 248 |
Blogs | 249 |
Social Bookmarks | 249 |
Wikis | 249 |
Soziale Netzwerke | 249 |
Web 3.0 | 249 |
Web 4.0 | 249 |
12.3 Erfolgsfaktoren webbasierter Geschäftsmodelle | 250 |
Erfolgsfaktoren des eBusiness | 250 |
Produkte und Dienstleistungen | 250 |
Festlegung von Anspruchs- und Zielgruppen | 250 |
Erfolgsfaktoren einzelner Elemente der digitalen Wertschöpfungskettte | 250 |
12.4 Schnittstellen im Architekturmanagement | 251 |
Abb. 12–6 Erfolgsfaktoren der digitalen Wertschöpfungskette | 251 |
Definition Webleitbild | 251 |
Architekturmanagement | 251 |
Architekturplanung | 252 |
Abb. 12–7 Aufgabenspektrum und Schnittstellen des Architekturmanagements | 252 |
Organisation des Architekturmanagements | 252 |
Teilfragen des Architekturmanagements | 252 |
Netzwerkmanagement | 253 |
Pflege einer Datenarchitektur | 253 |
Standard- vs. Individualsoftware | 253 |
Websitebezogener Betrieb & Support | 253 |
Wirtschaftlichkeit von Architekturen | 253 |
12.5 Verfeinern von Zielen, Maßnahmen und Kennzahlen | 253 |
Herunterbrechen von Website-Zielen | 253 |
Knüpfung von Metriken an Ziele und Maßnahmen | 254 |
Zielpersonen für periodische Auszüge über KPIs | 254 |
Prozesse im Reporting | 254 |
12.6 Implementierung | 255 |
Abb. 12–8 Webziele mit Maßnahmen und KPIs (angelehnt an [Hassler 2012, S. 336]) | 255 |
Make or Buy Web Analytics | 255 |
Definition Outsourcing des Webmanagements | 255 |
Service Level Agreement | 255 |
Service Level Management | 256 |
Organisation des Webmanagements | 256 |
Evolutions- und Revolutionsphasen | 256 |
Risiken im Webmanagement | 256 |
12.7 Wirkungskreislauf Business Intelligence | 257 |
Planung, Überwachung und Steuerung der Website | 257 |
Abb. 12–9 Kreislauf der webbezogenen Business Intelligence | 257 |
Strategische Ebene webbezogener BI | 257 |
Taktisch-analytische Ebene webbezogener BI | 258 |
Operative Ebene webbezogener BI | 258 |
Controlling-Objekte und Aggregationsstufen von Kennzahlen | 258 |
Glossar | 259 |
Literatur | 275 |
Index | 289 |
www.dpunkt.de | 0 |