DATA & TARGETING

Neukundenansprache mit Statistischen Zwillingen

Von Oliver Hülse, 17. September 2013

Die Erstellung statistischer Zwillinge ist die Suche nach neuen Nutzern, die dieselben Eigenschaften aufweisen wie bereits konvertierte Nutzer. Statistische Zwillinge entstehen aus dem Abgleich zweier ähnlicher Datensätze. Sie werden anhand von Nutzer- und Surfverhalten gebildet. Dabei werden verschiedene Kriterien miteinander abgeglichen. Es wird geprüft, welche Message in welchem Kontext zu welcher Zeit den User positiv angesprochen hat, und gesucht nach ähnlichen Usern. Je mehr sich die Profile gleichen, desto höher die Wahrscheinlichkeit, dass auch aus dem statistischen Zwilling ein Kunde wird.

Alles beginnt mit der Beobachtung und Analyse einer gut funktionierenden Zielgruppe. Um ein statistisch rentables Datenset zu erstellen, wird für eine bestimmte Dauer ein Pixel auf der Seite des Werbetreibenden platziert. Beim sogenannten LookALike-Modelling werden dann 3rd-Party-Daten, also soziodemografische Werte wie Alter, Geschlecht, Einkommen etc. verglichen. Für die Kampagne werden so viele Menschen wie möglich, die mit diesem soziodemografischen Set zu einem bestimmten Prozentsatz übereinstimmen, erfasst. Der Nachteil bei dieser Methode ist, dass soziodemografische Daten nicht differenzierend genug sind. Es kann sein, dass zwei Frauen im gleichen Alter mit der gleichen Einkommensklasse verschiedene Kosmetikmarken benutzen oder dass eine junge und eine ältere Frau mit verschiedenen Gehältern die gleichen Kosmetikprodukte kaufen.

Die genauere Methode ist das ActALike-Modelling, bei dem die Aktionen der Nutzer betrachtet werden. Aktuelle Nachrichten oder auch das Wetter haben einen starken Einfluss auf Nutzerverhalten. Auf veränderte Handlungsweisen muss schnell reagiert werden. Das ActALike-Modelling passt sich laufend neu an. Dieses Verfahren bietet den Vorteil neuer Möglichkeiten und vermeidet unnötige Ausgaben für soziodemografische Segmente, die eventuell nicht mehr relevant oder nicht ausreichend genau sind. Der Unterschied ist, dass der richtige User nicht anhand von persönlichen Eigenschaften wie Alter oder Geschlecht gesucht wird, sondern im richtigen Kontext. Dazu werden beispielsweise die Webseiten verglichen, auf denen User surfen, oder die Zeiten und die Kanäle, über die die User dies tun. Es wird ein zutreffenderes und realistischeres Abbild der Realität wiedergegeben. Das bedeutet nicht, dass beim ActALike-Modelling nicht auch die soziodemografischen Merkmale betrachtet werden. ActALike beinhaltet LookALike, aber die Methode geht weit darüber hinaus.

Statistische Zwillinge eignen sich besonders gut für die Neukundenakquise bzw. die Gewinnung von neuen Interessenten. Über die Informationen, die Werbetreibende über ihre Kunden zur Verfügung stellen, ist zu erkennen, wie sich die gewünschte Zielgruppe im Netz bewegt und zu welcher Zeit und in welchem Kontext die User welche Aktionen durchführen. Vor Kampagnenbeginn wird bei dem Kunden auf der Webseite ein Pixel platziert, womit die Verhaltensmuster analysiert werden und ausgewertet wird, welche Profile schon vorhanden sind. Aus diesen Daten wird vorerst die Kampagnenstrategie abgeleitet. Wenn ein passendes Profil ermittelt wird, während die Ad Impressions, die von den SSPs angeboten werden, analysiert werden, wird ein Gebot abgegeben und versucht dieses Profil zu ersteigern.

Wir erstellen ein historisches Bild von jedem Nutzer. Im Durchschnitt sehen wir einen Nutzer 20 Mal am Tag. Indem wir Pixel auf den Seiten der Werbetreibenden platzieren, können wir die Besucher mit unseren eigenen Profilen abgleichen. Ein komplettes User-Bild setzt sich aus unseren historischen Daten, Kundendaten und 3rd-Party-Daten zusammen.

Die ActALike-Methode wird eingesetzt, um die Zielgruppe fortlaufend auszuwerten und somit zu gewährleisten, dass den Usern die Werbung im perfekten Kontext angezeigt wird. Einfach einen User zu finden, der einer Zielgruppe entspricht, reicht nicht aus, um erfolgreiche Resultate zu erzielen. Wenn vorhandene Nutzerdaten mit Kontextanalysen und intelligentem Messaging kombiniert werden, ist die Wahrscheinlichkeit sehr hoch, dass der User zu einem Kunden konvertiert.

Für die Bildung statistischer Zwillinge und somit den Abgleich von Datensätzen greifen wir global auf ca. 1,6 Milliarden interne, anonyme Nutzerprofile zu, die bereits in der Datenbank existieren. Das sind mehr Response-Profile als z. B. Facebook Nutzer hat. Wir benutzen die ActALike-Methode, die sich, basierend auf den Erkenntnissen unserer selbstlernenden Algorithmen, alle zehn Minuten neu anpasst. Wenn ein passendes Profil aus den ca. 1,2 Milliarden Ad Impressions, die wir von den SSPs täglich in Deutschland angeboten bekommen, angezeigt wird, wird ein Gebot abgegeben.

Wir differenzieren bei unseren Kampagnen ganz klar zwischen klassischem Retargeting und Neukundengenerierung. Das Bilden statistischer Zwillinge nutzen wir, wenn Kunden schon eine gewisse Marktpräsenz aufweisen, aber zusätzlich neue Zielgruppen erreichen oder im Neukundensegment weiter wachsen möchten. In der klassischen Neukundenakquise gewinnen wir zunächst neue Interessenten. Erst im zweiten Schritt spielt dann Retargeting eine Rolle. Neukundengewinnung und Retargeting sollten sinnvoll kombiniert werden. Wenn beides von ein und demselben Anbieter ausgeführt wird, lassen sich die Kampagnen optimal aufeinander abstimmen.

Oliver Hülse Über den Autor/die Autorin:

Oliver Hülse begründete 2012 den deutschen Standort des US-amerikanischen Unternehmens Rocket Fuel und baut Geschäft und Team seitdem kontinuierlich weiter aus. Als Geschäftsführer DACH ist er für den Auf- und Ausbau des Media- und SaaS-Geschäfts verantwortlich. Jenseits des eigenen Unternehmens setzt sich Oliver Hülse dafür ein, das Thema Programmatic am Markt weiter zu etablieren und sämtliche Akteure der Werbebranche zu informieren und aufzuklären.