Web Analytics & Web Controlling (eBook)

Andreas Meier ist Professor für Wirtschaftsinformatik an der wirtschafts- und sozialwissenschaftlichen Fakultät der Universität Fribourg, Schweiz. Seine Schwerpunkte sind eBusiness, eGovernment sowie Daten- und Informationsmanagement. Nach Musikstudien in Wien diplomierte er in Mathematik an der ETH in Zürich, doktorierte und habilitierte am Institut für Informatik. Er war Systemingenieur bei der IBM Schweiz, Direktor bei der Großbank UBS und Geschäftsleitungsmitglied bei der CSS Versicherung.Darius Zumstein war Forschungsassistent am Departement für Informatik an der Universität Fribourg und schrieb eine Dissertation zum Thema Web Analytics. Er studierte Betriebswirtschaftslehre mit Fokus auf ICT-Management und Electronic Business.2011 arbeitete er als Web Analytics Consultant bei FELD M GmbH und 2012 als Web Analytics Professional bei FriendScout24 GmbH in München.Zuvor war er für verschiedene Schweizer Unternehmen im Bereich Internet und Content Management tätig.

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
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
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]
Austauschoptionen im eBusiness 19
Electronic Government 19
Austausch zwischen Einzelpersonen 19
1.3 Definitionspyramide der webbezogenen BI 19
Grundpfeiler Web Analytics & Web Controlling
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]
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]
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
Abb. 3–1 Business Intelligence & Web Controlling
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]
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])
Ziele/Erwartungen von Anspruchsgruppen 69
Festlegung von Zielgruppen 69
3.6 Immaterielle Vermögenswerte 70
Abb. 3–4 Zielgruppendefinition mit Beispielen von Website- Zielen & Webkennzahlen
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
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
Abb. 5–1 Metrikmodelle & Webkennzahlen
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])
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]
Absprünge auf der Website 104
Webmetriken der Stufe Information 104
Tab. 5–3 Webmetriken der Stufe D – Information [Zumstein & Meier 2010, S. 306]
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
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
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
5.4.10 Finanzkennzahlen 118
Online umgesetzter Umsatz 118
Definition Online-Umsatz 118
Einzel- und Gemeinkosten 118
Deckungsbeitrags- & Erfolgsrechnung
Definition Onlinegewinn 118
Rentabilitätskennzahlen 118
5.5 Überblick zu den Metriken der Kommunikation & Integration
Kommunikation mit Website-User 118
Tab. 5–4 Webmetriken der Stufe C & A: Kommunikation &
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]
5.6 Analyse und Optimierung des eBusiness anhand geeigneter Webkennzahlen 121
Webmetriken & Webkennzahlen für das eBusiness
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
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]
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
Verarbeitung großer Datenmengen 166
Komplexe Datenstrukturen 166
Kontrolle über die Daten 166
Garantierte Archivierung 166
Datengrundlage des Data Mining 167
Information = Macht & Wissen
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
Abb. 9–1 Softwareaspekte des Web Analytics & Web Controlling
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
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
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
Abb. 11–1 Marktstudie zu Web Analytics & Web Controlling
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))
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
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
Abb. 12–1 Vorgehensmodell & Umsetzung
12.1 Überblick über das Vorgehensmodell 240
Prozessorientierte Vorgehensweise 240
Definition Vorgehensmodell 240
Organisations-, Markt- & Bedarfsanalyse und Technologieanalyse
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
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