15. Mai 2024

Nutzersegmentierung für gezielte Customer-Insights der abl Webseite ohne den Einsatz von Cookies

Case Study

Ausgangslage

Die allgemeine baugenossenschaft luzern, abl, ist die grösste Wohngenossenschaft der Zentralschweiz. Sie steht für bezahlbaren und nachhaltigen Wohnraum ohne Spekulation. In einer Zeit, in der Datenschutz und Transparenz entscheidend sind, hat sich die abl von Google Analytics-Lösung abgewandt und die Open-Source-Alternative Matomo eingeführt – und das ganz ohne Cookies. Diese Strategie ermöglicht es der abl, den Datenschutz ihrer Websitebesucher:innen zu stärken sowie auf einen Cookie-Banner zu verzichten.

Ziel

Das Hauptziel war es, auch ohne Cookies detaillierte und aussagekräftige Customer-Insights zu generieren, die es der abl ermöglichen, ihre Webpräsenz effektiv auf die Bedürfnisse ihrer Nutzer:innen abzustimmen.

Vorgehen

Obwohl durch die Tracking-Lösung ohne Cookies einige Daten nicht mehr erfasst werden können, ermöglicht die Segmentierung der Nutzer:innen in spezifische Gruppen, wie beispielsweise Mieter:innen und Mitglieder, eine tiefere Analyse ihres Verhaltens und der Nutzung der Website. Diese Segmente werden durch Analyse ihres Verhaltens und ihrer Interaktionen mit der Website identifiziert.

Erfolgsfaktoren

Für eine effektive Segmentierung haben wir unterschiedliche Verhaltensmuster als Identifier, Strong Signals und Weak Signals definiert. Diese Unterscheidungen sind essenziell, um die Zugehörigkeit zu einer Nutzergruppe zuverlässig vorherzusagen. Obwohl die Zuverlässigkeit mit schwächeren Signalen abnimmt, sind alle drei Ebenen entscheidend für eine detaillierte Analyse und Eingrenzung der Nutzersegmente. Mehr zu unserer Methode der Nutzersegmentierung in diesem Blogbeitrag.

Ergebnisse

Durch die Einführung der Nutzersegmentierung konnte die abl ihre Analysen und Reportings präzisieren. Die durch Matomo bereitgestellten Funktionen erlauben es, Daten zu spezifischen Gruppen direkt während des Trackings zu sammeln und somit detailliertere Einblicke in das Nutzerverhalten zu gewinnen. 

Wirkung

Die gewonnenen Erkenntnisse aus den Nutzerdaten ermöglichen es dem Kommunikationsteam der abl, gezieltere und wirkungsvollere Massnahmen zu planen und umzusetzen. Dies verbessert nicht nur das Nutzererlebnis auf der Website, sondern entspricht auch den hohen Datenschutzstandards der abl, da keine sensiblen Daten der Besucher:innen gesammelt werden.

15. Mai 2024

Nutzersegmentierung für gezielte Customer-Insights der abl Webseite ohne den Einsatz von Cookies

Case Study

Ausgangslage

Die allgemeine baugenossenschaft luzern, abl, ist die grösste Wohngenossenschaft der Zentralschweiz. Sie steht für bezahlbaren und nachhaltigen Wohnraum ohne Spekulation. In einer Zeit, in der Datenschutz und Transparenz entscheidend sind, hat sich die abl von Google Analytics-Lösung abgewandt und die Open-Source-Alternative Matomo eingeführt – und das ganz ohne Cookies. Diese Strategie ermöglicht es der abl, den Datenschutz ihrer Websitebesucher:innen zu stärken sowie auf einen Cookie-Banner zu verzichten.

Ziel

Das Hauptziel war es, auch ohne Cookies detaillierte und aussagekräftige Customer-Insights zu generieren, die es der abl ermöglichen, ihre Webpräsenz effektiv auf die Bedürfnisse ihrer Nutzer:innen abzustimmen.

Vorgehen

Obwohl durch die Tracking-Lösung ohne Cookies einige Daten nicht mehr erfasst werden können, ermöglicht die Segmentierung der Nutzer:innen in spezifische Gruppen, wie beispielsweise Mieter:innen und Mitglieder, eine tiefere Analyse ihres Verhaltens und der Nutzung der Website. Diese Segmente werden durch Analyse ihres Verhaltens und ihrer Interaktionen mit der Website identifiziert.

Erfolgsfaktoren

Für eine effektive Segmentierung haben wir unterschiedliche Verhaltensmuster als Identifier, Strong Signals und Weak Signals definiert. Diese Unterscheidungen sind essenziell, um die Zugehörigkeit zu einer Nutzergruppe zuverlässig vorherzusagen. Obwohl die Zuverlässigkeit mit schwächeren Signalen abnimmt, sind alle drei Ebenen entscheidend für eine detaillierte Analyse und Eingrenzung der Nutzersegmente. Mehr zu unserer Methode der Nutzersegmentierung in diesem Blogbeitrag.

Ergebnisse

Durch die Einführung der Nutzersegmentierung konnte die abl ihre Analysen und Reportings präzisieren. Die durch Matomo bereitgestellten Funktionen erlauben es, Daten zu spezifischen Gruppen direkt während des Trackings zu sammeln und somit detailliertere Einblicke in das Nutzerverhalten zu gewinnen. 

Wirkung

Die gewonnenen Erkenntnisse aus den Nutzerdaten ermöglichen es dem Kommunikationsteam der abl, gezieltere und wirkungsvollere Massnahmen zu planen und umzusetzen. Dies verbessert nicht nur das Nutzererlebnis auf der Website, sondern entspricht auch den hohen Datenschutzstandards der abl, da keine sensiblen Daten der Besucher:innen gesammelt werden.

15. Mai 2024

Nutzersegmentierung für gezielte Customer-Insights der abl Webseite ohne den Einsatz von Cookies

Case Study

Ausgangslage

Die allgemeine baugenossenschaft luzern, abl, ist die grösste Wohngenossenschaft der Zentralschweiz. Sie steht für bezahlbaren und nachhaltigen Wohnraum ohne Spekulation. In einer Zeit, in der Datenschutz und Transparenz entscheidend sind, hat sich die abl von Google Analytics-Lösung abgewandt und die Open-Source-Alternative Matomo eingeführt – und das ganz ohne Cookies. Diese Strategie ermöglicht es der abl, den Datenschutz ihrer Websitebesucher:innen zu stärken sowie auf einen Cookie-Banner zu verzichten.

Ziel

Das Hauptziel war es, auch ohne Cookies detaillierte und aussagekräftige Customer-Insights zu generieren, die es der abl ermöglichen, ihre Webpräsenz effektiv auf die Bedürfnisse ihrer Nutzer:innen abzustimmen.

Vorgehen

Obwohl durch die Tracking-Lösung ohne Cookies einige Daten nicht mehr erfasst werden können, ermöglicht die Segmentierung der Nutzer:innen in spezifische Gruppen, wie beispielsweise Mieter:innen und Mitglieder, eine tiefere Analyse ihres Verhaltens und der Nutzung der Website. Diese Segmente werden durch Analyse ihres Verhaltens und ihrer Interaktionen mit der Website identifiziert.

Erfolgsfaktoren

Für eine effektive Segmentierung haben wir unterschiedliche Verhaltensmuster als Identifier, Strong Signals und Weak Signals definiert. Diese Unterscheidungen sind essenziell, um die Zugehörigkeit zu einer Nutzergruppe zuverlässig vorherzusagen. Obwohl die Zuverlässigkeit mit schwächeren Signalen abnimmt, sind alle drei Ebenen entscheidend für eine detaillierte Analyse und Eingrenzung der Nutzersegmente. Mehr zu unserer Methode der Nutzersegmentierung in diesem Blogbeitrag.

Ergebnisse

Durch die Einführung der Nutzersegmentierung konnte die abl ihre Analysen und Reportings präzisieren. Die durch Matomo bereitgestellten Funktionen erlauben es, Daten zu spezifischen Gruppen direkt während des Trackings zu sammeln und somit detailliertere Einblicke in das Nutzerverhalten zu gewinnen. 

Wirkung

Die gewonnenen Erkenntnisse aus den Nutzerdaten ermöglichen es dem Kommunikationsteam der abl, gezieltere und wirkungsvollere Massnahmen zu planen und umzusetzen. Dies verbessert nicht nur das Nutzererlebnis auf der Website, sondern entspricht auch den hohen Datenschutzstandards der abl, da keine sensiblen Daten der Besucher:innen gesammelt werden.

Kontakt

Kontakt

Kontakt

Möchten Sie Ihr Webanalytics durch Nutzersegmentierung optimieren? Wenn ja, freue ich mich darauf, von Ihnen zu hören, damit wir gemeinsam unverbindlich mögliche Lösungsansätze besprechen können.

Mélanie Bigler, Data Analystin

E-Mail: melanie@layer.swiss

Möchten Sie Ihr Webanalytics durch Nutzersegmentierung optimieren? Wenn ja, freue ich mich darauf, von Ihnen zu hören, damit wir gemeinsam unverbindlich mögliche Lösungsansätze besprechen können.

Mélanie Bigler, Data Analystin

E-Mail: melanie@layer.swiss

Möchten Sie Ihr Webanalytics durch Nutzersegmentierung optimieren? Wenn ja, freue ich mich darauf, von Ihnen zu hören, damit wir gemeinsam unverbindlich mögliche Lösungsansätze besprechen können.

Mélanie Bigler, Data Analystin

E-Mail: melanie@layer.swiss

Layer führt Sie zielorientiert durch die Vielschichtigkeit Ihrer Nutzer- und Kundendaten, um eine datengetriebene Arbeitsweise und Strategie zu ermöglichen.

datahub gmbh
Sentimattstrasse 6
6003 Luzern

©2023 datahub gmbh. All rights reserved.

Layer führt Sie zielorientiert durch die Vielschichtigkeit Ihrer Nutzer- und Kundendaten, um eine datengetriebene Arbeitsweise und Strategie zu ermöglichen.

datahub gmbh
Sentimattstrasse 6
6003 Luzern

©2023 datahub gmbh. All rights reserved.

Layer führt Sie zielorientiert durch die Vielschichtigkeit Ihrer Nutzer- und Kundendaten, um eine datengetriebene Arbeitsweise und Strategie zu ermöglichen.

datahub gmbh
Sentimattstrasse 6
6003 Luzern

©2023 datahub gmbh. All rights reserved.