Mini-„Recap“ zur OTMR2019

Am 11. 10. besprach ich mit interessierten Teilnehmer_innen einige Aspekte der Arbeiten an den Datenbanksystemen rund um „InstaLoc2.0“.

Die Veranstaltung wurde von der sympathischen Kanzlei „Spirit Legal“ organisiert und meine anfängliche Skepsis (Inhalte, hoher Verkaufsdruck) wurde durch diverse Vorabgespräche und die Speakerliste beseitigt.

Aber nun zu den Eindrücken.

Die Veranstaltung startete mit einer Keynote von Glacier Kwong und hier wurde das interessierte Publikum über die aktuelle Situation in HongKong und Überwachungstendenzen seitens der staatlichen Obrigkeit(en) und Konzernen via Daten/BigData informiert. Obwohl die dargebotenen Informationen für mich (privat+geschäftlich) nicht neu waren, passte diese Keynote sehr gut. Der Grund ist: man muss permanent auch in der professionellen Benutzung und Verwertung der Plattformen auf die Gefahren des Mißbrauchs hinweisen.

Wegen meinem Interesse an u.a. konkreten Einsatzszenarien der Ergebnisse aus dem Feld der datengetriebenen Marktforschung schaute ich mir die Session von Petra Lukaschewski und Michael Benz an.

Michael Benz stellte in einem ca. 30 Minuten-Slot die Funktionsweise(n) und Logiken von „Whyapply“ vor. Es geht hierbei um eine besondere Form der Mitarbeiter_innen-Akquise via Einholen von groben Projektideen zwecks Vorabsichtung potentiell interessanter Köpfe. Soweit ich das System verstanden habe, veröffentlichen pot. Arbeitgeber_innen bei Whyapply eine besondere Form der Wettbewerbe um Ideen zur Lösung aktueller (Mini)probleme.

Petra Lukaschewski klärte das interessierte Publikum zum nachhaltigen Teamaufbau auf. Mich faszinierte hier, dass offensichtlich ein enormer Nachholebedarf beim Management konkreter Arbeits+Gehaltsverhandlungen existiert und die Gesprächspartner_innen gerade auch im Kampf um die besten Köpfe (offensichtlich) externe Hilfe zwingend notwendig eingekauft werden muss.

Ganz kurz schaute ich in den Vortrag von Dr. Jonas Kahl und Thomas Busch rein. Beide sprachen erstaunlich praxisnah über die Arbeit am Problem der Sperr- u. Löschpraxis von u.a. Tweets u. Twitteraccounts. Mir wurden hier einige Beispiele präsentiert und wir diskutierten auch über technische Muster und das Problem, dass engagierte Anwält_innen (leider) wenig Zugang zu uns Nerds haben. Vielleicht ergeben sich hier in den eventuellen Nachgesprächen weitere Kommunikationskanäle?

Fazit:

Wenn ich mir den üblichen Szene/Branche-Veranstaltungskatalog anschaue, sticht die OTMR durch den klaren Bezug auf einen richtigen Austausch von Expertenwissen hervor. Branchentypische Verkaufsgespräche entdeckte ich nicht und ich kann den Besuch dieser Veranstaltung definitiv empfehlen. Zielgruppen wären: Entscheidungsträger_innen aus sämtlichen Marketingsparten, Geschäftsführer_innen mit Bezug u./o. Entscheidungsbedarf rund um die Marketingstrategien und sämtliche Marketingdienstleister_innen inkl. Agenturen.

Ein Engagement bei der OTMR2020 ist für mich aktuell denkbar. :-)

Datenexporte: Instagram-Locationprojekt, Teil (1)

(1) Locationrecherche nach Auflistung der aktiven Accounts

SELECT location, Anz_user from(
Select location, count(username) as Anz_user from locations GROUP BY location ) as my_table
WHERE (Anz_user >= 2) order by Anz_user DESC

Diese Abfrage listet alle Locations auf, wo mind. 2 Accounts Postings abgesetzt hatten.
Datei (Paris): loc_2

(2) Locationrecherche nach Auflistung der aktiven Accounts, Anpassung nach Locationtyp

SELECT location as Ort, Anz_user from(
Select location, count(username) as Anz_user from locations GROUP BY location ) as my_table
WHERE (Anz_user >= 2) AND (location like '%museum%') order by Anz_user DESC

Diese Abfrage listet alle Locations auf, wo mind. 2 Accounts Postings abgesetzt hatten und erlaubt die Feinprüfung auf Locationtyp.
Datei (Paris), Hotel: loc_2_hotel
Datei (Paris), Museum: loc_2_museum

(3) Location- und Accountauflistung nach Suchwort (Tagsubstring)
select location, tag, username from locations where tag like '%fashion%' group by username;

Diese Abfrage listet alle Locations und Accounts auf, welche etwas zu „Fashion“ gepostet hatten
Datei (Paris), „fashion“: paris_fashion

(4) Userauflistung nach Suchwort UND Mindestaufkommen in Bezug auf die Locationaufsummierung

SELECT username, numb from(
Select username, tag, count(location) as numb from locations GROUP BY username ) as my_table
WHERE (numb >= 2) and (tag like '%fashion%') order by numb DESC;

Diese Abfrage listet alle erfassten Accounts auf, welche an mind. 2 Locations aktiv etwas zu „Fashion“ schrieben.
Datei (Paris), Loc=2, „fashion“: user_tag_fashion_2

Aktuelle Affiliatezahlen & ihre Hintergründe

Rund um den März begannen wir mit einigen tiefergehenden Umarbeitungen der twitterbasierten Netzwerkstrukturen. Im Wesentlichen wurde hierbei stärker auf Aspekte wie Natürlichkeit oder Organik geachtet und zwar dahingehend, dass besagte Konstruktionen bspw. Tweets aus einigen unserer Pinterest-Accounts generieren und Affiliate-Produkte unserer WooCommerce-Kataloge beimischen.

Zwei Ansätze werden hier verwendet:

I. Direktansprache einer Twitterkonstruktion auf Basis von dlvr.it (API)
II. Einspeisung der Inhalte, basierend auf RSS-Feeds
– Synchronisation und Verteilung mit Hilfe von „Midrub
– Dynamische Generierung der Feeds mit Hilfe einer eigenen Lösung (siehe: Beitrag aus 2014)
– NEU: Anbindung an themenspezifische Unterdatenbanken aus dem Hashtag-Projekt (Instagram)

Bereits im Februar vermuteten wir eine stärkere Bedeutung von Twitter im Zusammenspiel mit den anderen Social-Media-Plattformen.

Das sind nun die Ergebnisse für den Beobachtungszeitraum April 2017 für das Affiliate-Netzwerk Belboon:

✔ EUR ~ 21.000 Umsatz
✔ EUR ~ 1.200 Provision vor Storno
✔ 21 Verkäufe, organisch verteilt zwischen 10.04.2017 bis 27.04.2017
✔ 7 Verkäufe mit Warenwert von EUR 1.200 bis EUR 3.200 (schwankend)
✔ 14 Verkäufe mit Warenwert von EUR 200 bis EUR 969 (schwankend)

Der umsatzerwirtschaftende Affiliate-Katalog hat laut den üblichen SEO-Datendienstleistern wie bspw. XOVI einen extrem schlechten Stand bzgl. der rankenden Keywords und Wortkombinationen und dem Sichtbarkeitsindex, jedoch sehen wir in den Webmastertools beeindruckende Werte auf Basis der Produktnamen (Longtails). Der Traffic zielt primär auf die Produktseiten. Die Aufenthaltsdauer ist mit ~ 3-5 Sekunden recht niedrig, wobei laut Piwik zwischen 60 und 80% der Besucher_innen auf die hinterlegten Affiliatelinks klicken.

Die Beobachtungen und die Zahlen erlauben nun die folgenden Vermutungen:
1. Potentielle Zielgruppen informieren sich unabhängig von unseren Affiliate-Angeboten über Produkte und die Preise.
2. Informationsressourcen der Zielgruppen sind Amazon, Kataloge, Messebesuche oder Gespräche auf Social-Media-Plattformen (Facebook, Instagram, Foren, Twitter, WhatsApp)
3. Potentielle Zielgruppen interessieren sich nicht primär für hypermoderne Layouts, umfangreiche Blogbeiträge, FAQs und sonstige Ansätze, welche unabhängig vom Kaufimpuls und primär aus Sicht der Marketingbetreibenden / Marketingentscheider_innen angeboten werden
4. Beigeordnete Social-Media-Accounts (hier: Pinterest und Twitter) wirken reputationsfördernd

So, und wie sind Eure Erfahrungen? Lasst es uns wissen!

Instagram-Tool: Vier Monate Likes & Abos

Vor genau vier Monaten veröffentlichte ich den Blogpost Instagram-Tool: Ein paar Zahlen zum Like-Bot, in dem ich über die ersten Erfahrungen & Ergebnisse mit dem Like-Bot berichtet habe.

Am 24. Juni startete das Like-Bot-Experiment auf einem Instagram-Profil mit dem Thema Food & Lifestyle mit ca. 190 AbonnentInnen. Über die Sommermonate habe ich regelmäßig ca. alle zwei Tage ein Foto auf Instagram gepostet und parallel den Like-Bot eine ca. 150 Hashtags umfassende Liste „durchliken“ lassen. Als Ergebnis verzeichne ich rege Likes auf meine Postings & eine konstant steigende Abo-Zahl: Insgesamt legte der Account um 1.000 AbonnentInnen zu.

Es folgen ein paar Zahlen:

Start 24. Juni: ca. 190 AbonnentInnen
21. Juli: 300 AbonnentInnen
3. August: 400 AbonnentInnen
12. August: 500 AbonnentInnen
19. August: 600 AbonnentInnen
28. August: 700 AbonnentInnen
16. September: 800 AbonnentInnen
2. Oktober: 900 AbonnentInnen
11. Oktober: 1.000 AbonnentInnen
18. Oktober: 1.100 AbonnentInnen
24. Oktober: 1.190 AbonnentInnen

Anzahl Accounts, denen ich folge: ca. 170

Postings im besagten Zeitraum von 4 Monaten: 61
Anzahl Likes des Postings mit den wenigsten Likes: 69 (Posting vom 2. Juli)
Anzahl Likes des Postings mit den meisten Likes: 536 (Posting vom 15. August)
Durchschnittliche Likes je Posting: 239,5

Kommentare unter meinen Postings gibt es auch. Viele sind unique, viele stammen aber auch sichtbar von anderen Bots.

Dank des Like-Bots war es mir möglich, einem kaum sichtbaren Account innerhalb einer kurzen Zeit zu einer kleinen 4-stelligen AbonnentInnenzahl zu verhelfen. Zahlen in diesem Bereich stellen m. E. bereits eine solide Grundbasis für z.B. kleine mittelständische Unternehmen, kleine Online-Shops oder regional arbeitende Geschäfte dar.

Noch eine Anmerkung am Ende: Der Like-Bot ist lediglich ein kleines Script, ein Programm, das ausschließlich Likes vergibt. Es treibt keine lästigen Follow/Unfollow-Spiele und kommentiert auch keinerlei Postings mit den üblichen abgedroschenen Phrasen oder Emojis. Das Tool ist mit seinen integrierten Recherche- und Like-Funktionen deutlich intelligenter und ergiebiger als andere marktübliche Bots. Ein effektives Zusammenspiel zwischen Script und AnwenderIn ist aber dennoch Voraussetzung für gute Ergebnisse.

Sie haben Interesse an dieser Dienstleistung? Melden Sie sich einfach bei uns!

Update: Hashtaganalyse (Instagram) auf Version 0.12B

Wie bereits angekündigt habe ich neulich die Datensätze aus der Postanalyse in das Projekt eingepflegt. Diese beinhalten in der zugänglichen Version folgende Angaben:

(a) Tagsammlung
(b) Link
(c) Publish-Datum des Posts

Die Analysefunktion lässt sich über den folgenden Link erreichen und ist im System unter dem Kürzel „TF+P“ zu finden (siehe „letzte Recherchen“).

Versierte User_innen können auch das Script auch hierueber aufrufen: http://www.pontimania.de/_tools/instagram/output_txt3.php?abfr=foto&tagmin=20. Hier lassen sich die Variablen „abfr“ und „tagmin“ entsprechend der Bedürfnisse anpassen, wobei „tagmin“ hier die maximal auszulesende Ergebniszahl beschreibt.

Ich bitte zu beachten:
Das Erfassen der Posts erfordert relativ viel Speicherplatz und demzufolge wird ein lückenloses Monitoring nicht gewährleistet. Wir werden allerdings „intern“ noch über die Updatefrequenzen diskutieren und eine entsprechende Meldung in diesem Blog absetzen. Die Rechercheergebnisse aus der Tabelle „Posts“ können und sollten also primär zum Zwecke der „groben“ Inspiration dienen.

Die bestehende API wird zeitnah auf die neuen Datensätze angepasst.

Update: Recherchealgorithmus für Social Media

Nach einigen Experimenten, Zahlenstudien und vielen Gesprächen mit Kunden und befreundeten KollegInnen wird der Algorithmus um die folgenden Funktionen erweitert:

a) Vergleich von maximal 10 Metaebenen
b) Sichtbarmachung/Visualisierung der Abweichungen (Häufungen)
c) Darstellung der Ausschlüsse (Welche Interessen existieren nicht in allen Metaebenen?)

Die vorhandenen Funktionen werden zeitnah auf die Twitter und Google+ übertragen.

Pinterest: Update des Recherche-Algorithmus

Im folgendem Szenarium werden die beiden Interessensebenen „Wohnzimmer“ & „Schlafzimmer“ miteinander verglichen. Die Grundfrage besteht darin, welche tiefergehenden Interessen rund um beide Wohnbereiche im Medium „Pinterest“ sichtbar werden.

Das Schlafzimmer ● Im ersten Schritt werden mit Hilfe des Algorithmus die Rohdaten zum Thema Schlafzimmer ausgelesen. Diese Daten habe ich als Interessensmatrix bereitgestellt. Um diese Rohdaten in ein vergleichsfähiges Format zu übertragen, zählt der Algorithmus die ausgelesenen Interessen zusammen.

Das Wohnzimmer ● Auch hier werden wieder die Rohdaten in Form einer Interessensmatrix ausgelesen und als Interpretationshilfe zusammengefasst.

Die Filterprozedur lässt sich dahingehend anpassen, dass eine Mindestanzahl an ausgelesenen Interessen definierbar ist. Im Vergleich der beiden Bereiche Wohn- und Schlafzimmer ist keine Mindesthäufung vorgegeben.

Vergleich: Wohnzimmer vs. Schlafzimmer ● Durch die Zusammenzählung der Interessen aus den Rohdaten je Beobachtungsobjekt bzw. Metaebene haben wir nun die Möglichkeit geschaffen, beides miteinander vergleichen zu können. (Download).

Es bieten sich hier nun folgende Interpretationsmöglichkeiten:

a) Vergleiche
1. Zeile „Ikea“ (1)
Die Häufung bei der Spalte „Wohnzimmer“ (31) und der Spalte „Schlafzimmer“ (37) zeigt, dass potentielle InteressentInnen ein relativ deckungsgleiches Interesse an Ikeaprodukten in den Räumen haben können.

2. Zeile „Vintage“ (3)
Die Häufung bei der Spalte „Wohnzimmer“ (14) und der Spalte „Schlafzimmer“ (17) deutet darauf hin, dass potentielle InteressentInnen ein relativ deckungsgleiches Interesse am Vintagestil in den Räumen haben können.

b) Häufungen
1. Hohe Häufungen deuten auf aktuelle Vorlieben.
2. Hohe Häufungen der Interessen geben Aufschluss über die inhaltliche Gestaltung der Pinwände auf Pinterest.
3. Hohe Interessenshäufungen deuten auf eine eventuell globale und plattformübergreifende (Social Media) Vorliebe hin, die sich auch für weitere Aktivitäten im Bereich Online-Marketing nutzen lässt.
4. Es lassen sich inhaltliche und logische Querverbindungen zwischen den ausgelesenen und gefilterten Interessen bilden (Wohnzimmer: Vintage => Shabby).

Aktivitäten auf Pinterest: Eine erste Bilanz

Die konsequente Anwendung des Systems „Interessensmatrix“ auf den Themenkomplex „Wohnen und Einrichten“ ergab die folgende Entwicklung:

Auszug aus der Besucherstatistik
Lesehinweis für die folgende Zahlenreihe: Datum, Useraktivität, Besuche
Unter „Useraktivität“ verstehen wir hier die Zusammenzählung von „Klick“, „Like“ und „Repin“. Die „Besuche“ zeigen das Besucheraufkommen.

2015-02-15,134,13959 (Start: Pinwandoptimierung nach Interessensmatrix)
2015-02-16,149,14851
2015-02-17,159,15736
2015-02-18,165,16446
2015-02-19,174,17134
2015-02-20,186,18011
2015-02-21,198,18955
2015-02-22,217,20561
2015-02-23,258,22429
2015-02-24,278,23235
2015-02-25,297,24054
2015-02-26,316,24785
2015-02-27,323,25410
2015-02-28,325,25718

Ausgehend von diesen Zahlen führen wir nun ab sofort die ConversionRate-Berechnung in dieser Formel:
CR=(Besucheraktivität*100)/Besuche
ein.
Für den 15.02.2015 ergibt sich hier die CR 0,96 und für den 28.02.2015 die CR 1,26.

Besucherzusammensetzung nach Geschlecht
Female: 19191
Male: 3681
Unspecified: 2080

Interessant ist hier der enorm hohe Anteil von Besucherinnen. Man kann sicherlich unterstellen, dass in der Geschlechterauswertung eine Fehlerquote zu finden ist (Fake-Accounts, Spaß-Account, andere Geschlechtsidentität etc.). Analog zu diesen Zahlen ergibt sich dennoch die Notwendigkeit, die „Zielgruppe Frau“ hinsichtlich der Bedürfnisse und Rechercheverhalten stärker zu berücksichtigen (und dabei bitte auf sexistische Stereotypen zu verzichten).

Besucherzusammensetzung nach Sprache
German: 16433
English: 6125
Spanish: 730
Dutch: 502
French: 472

Besucherzusammensetzung nach Herkunft
Deutschland: 15751
Vereinigte Staaten: 3022
Österreich: 786
Schweiz: 622
Niederlande: 401

In den Metriken Sprache und Herkunft kann man einen deutlichen Hinweis darauf sehen, dass in Pinterest ein deutschsprachiger Markt existiert.

Friendfeed – API und Delphi

Nach langer und intensiver Recherche entdeckte ich eine Befüllungsoption für unser beliebtes „SocialMedia“ Friendfeed.

Man benötigt hier die folgenden Units.

ffapi, httpsend, synacode, TypInfo.

Unter webdelphi.ru befindet sich eine russischsprachige Anleitung und Problemlösung der API-Anbindung sowie die Unit „ffapi“.

Ich ergänze die „piXologisch EasyPromo“ um ein entsprechendes Feature und gebe zeitnah ein Update heraus.