Marken und Werbetreibende müssen wissen, welche Anzeigen einer Kundin oder einem Kunden präsentiert wurden, welche Kampagnen am erfolgreichsten waren und welche Touchpoints für die Conversions entscheidend waren.
Es kann jedoch enorm schwierig sein, herauszufinden, wie sich Userinnen und User nach der Interaktion mit einer Anzeige verhalten. Denn die Informationen, die Werbetreibenden zur Verfügung stehen, sind unter Umständen lückenhaft. Kundinnen und Kunden nutzen im Verlauf ihrer Customer Journey möglicherweise verschiedene Browser und Geräte. Oder sie recherchieren online, kaufen jedoch im Ladengeschäft. Vielleicht haben sie mehrere Anzeigen gesehen, aber nur eine davon hat sie zum Kauf veranlasst.
Unternehmen müssen nach wie vor datengetriebene Entscheidungen treffen und versuchen, die Customer Journey zu optimieren. Hier kommen Machine-Learning-Modelle ins Spiel.
Und das ist nur eine von vielen Schwierigkeiten: Als Folge der Pandemie erleben wir ein sich weiter veränderndes Kaufverhalten. Gleichzeitig änderte sich aber auch die Einstellung zum Datenschutz im Internet, weshalb Werbetreibende für die Messung ihrer digitalen Maßnahmen neue Wege gehen müssen.
Trotz alledem müssen Unternehmen datengetriebene Entscheidungen treffen und versuchen, die Customer Journey zu optimieren, wo immer es möglich ist. Hier kommen Modelle für Machine Learning ins Spiel: Wenn keine direkten Nutzerdaten zur Verfügung stehen, sind Unternehmen darauf angewiesen, dass Machine Learning diese Lücken schließt.
So funktioniert Machine Learning
Modelle von Machine Learning generieren sich aus der Analyse großer Mengen historischer Daten. Damit lassen sich Trends und Zusammenhänge zwischen wichtigen Datenpunkten ermitteln. Anhand dieser Informationen werden dann genaue Vorhersagen zum Nutzerverhalten getroffen.
Werbetreibende setzen Machine Learning schon seit Jahren ein, um Conversion-Raten zu schätzen, wenn zwischen Anzeigeninteraktionen und Conversions Datenlücken bestehen. Das ist beispielsweise der Fall, wenn eine Nutzerin oder ein Nutzer im Internet auf eine Anzeige klickt, die Transaktion jedoch im Ladengeschäft erfolgt. Diese Modelle können aber auch eingesetzt werden, wenn andere, bisher erfasste Datenarten nicht mehr verfügbar sind. Zum Beispiel, weil Nutzerinnen und Nutzer Cookies ablehnen.
Im vergangenen Jahr hat Google für Werbetreibende im Europäischen Wirtschaftsraum und im Vereinigten Königreich den Consent Mode (Einwilligungsmodus) eingeführt. Damit lässt sich das Verhalten von Google-Tags automatisch entsprechend der von der Nutzerin oder dem Nutzer erteilten Cookie-Einwilligung anpassen. Werden mithilfe von Machine Learning die Verhaltensmuster von Personen erkannt, die Cookies zustimmen, können anhand dieser Muster Attributionspfade für diejenigen erstellt werden, die Cookies ablehnen. Seit diesem Jahr bietet Google Conversion-Modellierung über den Consent Mode an. So ist es Werbetreibenden möglich, den Weg vom Anzeigenklick bis zur Conversion nachzuvollziehen und gleichzeitig die Datenschutzeinstellungen der Nutzerinnen und Nutzer zu respektieren.
Methoden über die Conversion-Modellierung hinaus
Die Conversion-Modellierung ist jedoch nur ein Bereich, bei dem sich durch Machine Learning Lücken schließen lassen, wenn keine messbaren Daten verfügbar sind. Im Folgenden betrachten wir vier Fälle, in denen wir durch Machine Learning Informationen gewinnen können.
Verhaltensmodellierung
Ist Ihr Unternehmen auf eine Zukunft ohne Drittanbieter-Cookies vorbereitet? Und falls ja: Stellen Sie in den Analyseberichten dennoch Datenverluste fest?
Durch Verhaltensmodellierung gewinnen Unternehmen über Conversion-Informationen hinaus auch dann Einblicke in andere Aktionen auf Websites oder in Apps, wenn Cookies zu Analysezwecken nicht zugestimmt wurde. Hierbei werden die Aktivitäten ähnlicher Nutzerinnen und Nutzer zugrunde gelegt, die die Zustimmung erteilt haben. Darauf basierend wird dann das Verhalten derjenigen modelliert, die Cookies abgelehnt haben. So können Werbetreibende Nutzerinnen und Nutzer sowie Sitzungen verknüpfen, um beispielsweise herauszufinden, wie viele neue Kontakte sie durch ihre letzte Kampagne gewonnen haben.
Attributionsmodellierung
Vielleicht arbeiten Sie bereits mit einer Form der Attributionsmodellierung, mit der Werbetreibende feststellen können, welche Kontaktpunkte auf der Customer Journey das Kaufverhalten am stärksten beeinflussen? Oder Sie möchten auch Ihre kanalübergreifenden Mediaausgaben optimieren?
Es gibt zwar viele Möglichkeiten, den verschiedenen Marketing-Touchpoints Anteile an Conversions zuzuordnen. Doch datengetriebene Attributionsmodelle liefern die genauesten Ergebnisse, da sie Machine Learning nutzen, um zu entscheiden, wie wichtig jeder Kontaktpunkt für eine Conversion ist. Bei anderen Attributionsmodellen wird möglicherweise nur der ersten oder der letzten von Nutzerinnen oder Nutzern angeklickten Anzeige der gesamte Wert der Conversion zugeordnet. Datengetriebene Attributionsmodelle hingegen vergleichen die Pfade von Nutzerinnen und Nutzern, die eine Conversion ausführen, mit den Pfaden derer, bei denen es nicht zu einer Conversion kommt. Auf diese Weise lassen sich Muster für Anzeigeninteraktionen ableiten, die zu Conversions führen.
Online-zu-Offline-Modellierung
Haben Sie Ihre Geschäftsstandorte in Ihre Werbekampagnen integriert? Nutzen Sie bereits stationäre Verkaufsdaten, um die Messbarkeit Ihrer Online-Werbung zu verbessern?
Die Online-zu-Offline-Modellierung kann Käufe oder Besuche, die vor Ort getätigt wurden, den Online-Werbekontaktpunkten zuordnen. Bisher konnten Werbetreibende sich kein genaues Bild davon machen, ob diese Online-Touchpoints tatsächlich zu Verkäufen im Laden führten. Aber bei der Online-zu-Offline-Modellierung können Signale aus mehreren Quellen wie Umfragen, Online-Anfragen für Wegbeschreibungen oder Anrufe bei einem lokalen Shop mit Daten zu Ladenverkäufen kombiniert werden. So lässt sich die Wirkung der jeweiligen Marketingkampagne abschätzen.
Unique-Reach-Modellierung
Sind Messwerte zur Zielgruppenreichweite wichtig für Ihre Geschäfts- und Marketingaktivitäten? Gibt es ein bestimmtes Segment, das Sie bereits erfolgreich ansprechen, oder eines, bei dem Sie die Ergebnisse verbessern möchten?
Anhand der Unique-Reach-Modellierung können Werbetreibende feststellen, wie oft und auf welchem Gerät Personen aus einer bestimmten demografischen Gruppe eine bestimmte Anzeige gezeigt wurde. Oft werden im Laufe des Tages mehrere Geräte verwendet. Dadurch ist es für Werbetreibende schwieriger, zu bestimmen, ob ein Anzeigenaufruf auf einem Computer oder einem Mobilgerät von ein und derselben Person stammt. Bei Unique-Reach-Modellen lässt sich mithilfe von Machine Learning die Gesamtreichweite einer Anzeige messen. Dabei wird berücksichtigt, ob eine Nutzerin oder ein Nutzer die Anzeige auf verschiedenen Geräten sieht, und auch, ob sich mehrere Personen ein Gerät teilen. Diese Informationen können Werbetreibenden helfen, die effektivsten Kontaktpunkte für ihr Werbebudget zu finden.
Zukunftssichere Messmethoden jetzt etablieren
Wir empfehlen, sich die verschiedenen Arten der Datenmodellierung einmal genau anzusehen. Prüfen Sie gemeinsam mit Ihrem Team, inwieweit Sie die Modelle bereits nutzen oder ob es Möglichkeiten gibt, neue auszuprobieren.
In einer Welt mit immer weniger Cookies und anderen Identifikationsmerkmalen hängt die zuverlässige Messung stark davon ab, wie klug eigene Daten, datenschutzkonforme Verfahren wie Datenaggregation und Modelle für Machine Learning eingesetzt werden. In Zukunft werden diejenigen der Werbetreibenden Erfolg haben, die schon heute aktiv handeln.
