Wir leben in einer Welt voller Daten. Jeder von uns erzeugt Unmengen davon und das jeden Tag aufs neue. Das geschieht wenn wir uns im Internet bewegen, aber auch wenn wir in einem Supermarkt mit elektrischen Kassensystem einkaufen oder uns mit dem Handy in der Tasche von A nach B bewegen. Diese unglaubliche Masse an Informationen die wir hinterlassen, wurde bis vor einigen Jahren überwiegend ungenutzt erfasst, aber auf Grund von fehlender Rechenleistung und fehlenden Anwendungsbeispielen nicht wirklich genutzt.
Durch den technischen Fortschritt in der Verarbeitung von Daten und auf ihnen basierende Entscheidungsverfahren, sogenannter Algorithmen, ist es inzwischen allerdings möglich, Verhaltenswahrscheinlichkeiten zu berechnen und auch zu nutzen.
Genau hier setzt der Fullistic Ansatz in der “Pay per click”-Werbung an und erzielte damit in den letzten Jahren deutliche Fortschritte bei der Steigerung von Conversionraten – also dem Anteil an Abverkäufen oder Leads vom bezahlten Traffic. Doch an welchen Stellen genau greifen diese Automatisierungen und wie kann ich sie für mich zielführend nutzen?
Machine Learning und Algorithmen werden in der bezahlten Online-Werbung an verschiedenen Stellen genutzt, die im Folgenden analysiert und genauer beleuchtet werden.
1. Smart Bidding Gebotsstrategien
Die Entscheidung, welches Gebot das richtige für welches Keyword ist, beschäftigt uns in der Suchmaschinenwerbung schon von Anfang an. Wo früher Online-Marketing-Manager mit viel Erfahrung, Gespür und Routine granular auf Keywordebene täglich oder wöchentlich neue Werte gesetzt haben, tritt mittlerweile jede einzelne Suchanfrage in den Fokus. Nicht das Keyword alleine, sondern alle darüber hinaus zu Verfügung stehenden Informationen, wie das vorangegangene Nutzerverhalten jedes einzelnen Suchenden, wird beim Einsatz von Smart Bidding bei der Gebotsabgabe für jede einzige Suche in Echtzeit berücksichtigt. Auch in den sozialen Netzwerken als Werbeumfeld sind intelligente Gebotsstrategien inzwischen angekommen und entscheiden darüber, welche Nutzer wirklich angesprochen werden sollen.
Es wird also nicht mehr mit einem “one-size-fits-all”-Ansatz jeden Tag neu versucht, sich an seine Zielgruppe anzunähern, sondern individuell entschieden, welches Gebot zu welchem Nutzer passt.
2. Zielgruppen
Schon bereits bevor ein Nutzer überhaupt eine Suche beginnt oder in seinem Newsfeed scrollt, wird er im Vorfeld, basierend auf seinem Verhalten, unterschiedlichen Gruppen zugeordnet. Diese Gruppen reichen von Interessen über die Vermutung einer konkreten Kaufabsicht in einem Produktbereich. Diese können sowohl bei einer angepassten Nutzeransprache in den Werbemitteln oder Anzeigentexten berücksichtigt werden, als auch bei der Aussteuerung der Kampagnen basierend auf der individuellen Zielgruppenperformance.
3. Anzeigenerstellung
Auch bei der Anzeigenerstellung hat die Automatisierung keinen Halt gemacht und verschiedene Grade geschaffen. Von Anzeigen, deren Text sich dynamisch aus dem Webseiteninhalten speist, über Anzeigen, die aus einer Reihe von verschiedenen vorgegebenen Werbemitteln die auswählt, die am wahrscheinlichsten zu einer gewünschten Aktion führt, sind keine Grenzen gesetzt.
4. Keywordmatchtypes/Anzeigenauslieferung
Veränderungen durch maschinelles Lernen gibt es auch bei den Keywordmatchtypes, bei denen man bei der Suchmaschinenwerbung definiert, wie großzügig die Suchanfragen mit den eingebuchten Keywords abgeglichen werden. Hier werden unabhängig vom jeweiligen Matchtype jeweils auf immer mehr Varianten der Suchanfragen die Anzeigen ausgespielt. Dies geht bis zu inhaltlichen Übereinstimmungen bei Synonymen.
5. Attribution
Zuletzt gibt es auch beim Thema Attribution – der Logik, nach der Conversions auf Kampagnen zugeordnet werden – die Möglichkeit, von Algorithmen zu profitieren. Das automatisch von Google verwendete “Last Click”-Attributionsmodell, bei dem jede Conversion immer der Kampagne mit dem letzten Klick zugeordnet wird, hat den großen Nachteil, dass Maßnahmen, die weiter vorne im Funnel eingesetzt werden, oftmals keine Conversions zugeordnet bekommen und somit fälschlicherweise als nicht zielführend abgetan und pausiert werden. Dass Conversions aber durch die Maßnahmen vorbereitet werden können, wird nicht berücksichtigt und so wundert man sich anschließend über den Rückgang der Abschlüsse.
Bei anderen Attributionsverfahren ist es zwar möglich, jeder Conversion den gleichen Anteil zuzuordnenden, aber dennoch wird hier nicht berücksichtigt, wie stark der Einfluss der Kampagne auf die Entscheidung des Nutzers war. Das durch Machine Learning trainierte datengetriebene Modell hingegen versucht genau dies abzubilden, um somit eine fundiertere Handlung abzuleiten und bessere Analysen zu ermöglichen.
Bei all diesen Möglichkeiten sollten allerdings mehrere weiterführende Fragen zum Thema Fullistic Ansatz nicht außer Acht gelassen werden:
Zuerst müssen sich Online-Marketer fragen, ob sie genug Daten für den Einsatz der jeweiligen Maßnahme zu Verfügung haben. Nur bei einer ausreichenden Datengrundlage, die sich von Fall zu Fall unterscheidet, kann hier auch wirklich ein Mehrwert generiert werden. Des Weiteren sollte den großen Werbenetzwerken, wie Google, Facebook und Co. nicht blind vertraut werden. Jede Automatisierung muss hinterfragt, verstanden und auf den jeweiligen Anwendungszweck geprüft werden. Oftmals wird bei dem Einsatz dieser Prozesse ein großes Maß an Vertrauen vom Werbetreibenden verlangt, das nicht immer ohne vorherige Erfahrungen auf ganzer Strecke entgegengebracht werden kann.
Und so geht es weiter …
Die zentrale Frage sollte immer sein: Wie kann ich meine Zeit wertschöpfend investieren?
Wir als Experten haben bei vielen unserer Kunden erstaunlich gute Erfahrungen mit dem Einsatz des PPC Fullistic Ansatzes gemacht, allerdings lassen wir uns auf jeden unserer Kunden individuell ein und prüfen, welche Maßnahmen für ihn wirklich sinnvoll und zielführend sind.
Unsere diva-e-Spezialisten um Andreas Kirchermeier freuen sich über Ihren Anruf oder Ihre E-Mail.