Adzine Top-Stories per Newsletter
DATA & TARGETING

Big Data und Machine Learning im Influencer-Marketing

Von Philipp John
26. April 2017

Influencer-Marketing hat sich im letzten Jahr vom Nischenthema zu einem der aktuell größten Branchentrends entwickelt. Damit einhergehend ließ sich eine schrittweise Professionalisierung der Disziplin beobachten, die längst noch nicht abgeschlossen ist. Leider werden aber auf Seite von Marken und Agenturen viele Entscheidungen weiterhin eher aus dem Bauchgefühl als anhand von verfügbaren Daten getroffen. Das liegt nicht zuletzt daran, dass zwar eine Menge von Daten verfügbar ist, diese für Werber aber noch viel zu selten benutzerfreundlich aufbereitet wird. Doch genau bei dieser Herausforderung können Ansätze aus dem Bereich Big Data und Machine Learning Lösungen bieten.

Eine der wesentlichen Herausforderungen, vor denen Marketer beim Werben über digitale Meinungsführer stehen, ist es, den richtigen Influencer zu finden. Oft haben sie dafür bereits Daten zu der gesuchten Zielgruppe und möglicherweise auch zum passenden Umfeld. Wollen Dienstleister hier zeitnah passende Vorschläge machen, greifen sie auf Daten über die Follower der Influencer (z. B. Demographie und Geographie) zurück. Gleichzeitig werden Hashtags und Kommentare auf passende Themen hin analysiert. Um Influencer mit besonders aktiven Followern zu finden, hilft außerdem ein Blick auf die Engagement-Rate. Wichtig ist nur: Damit das Ergebnis die Realität bestmöglich widerspiegelt, sollte die Engagement-Rate immer ins Verhältnis zur Followerzahl des Influencers zum Zeitpunkt des Postings gesetzt werden.

Wie helfen Big Data und Machine Learning beim Finden des Wunsch-Influencers?

Damit Werber hier schneller und automatisierter passende Influencer finden, kann das sogenannte Clustering helfen. Dabei entscheidet ein Algorithmus, wie sehr sich bestimmte Influencer ähneln, indem er sich einer Vielzahl von Signalen wie der Follower-Demographie, der Follower-Anzahl, den Kommentaren oder den Hashtags bedient. Das führt dazu, dass Influencer nicht nur einer Kategorie wie Beauty oder Automotive zugeordnet werden, sondern multidimensional zueinander verortet werden können. Der Algorithmus arbeitet dabei vollkommen autark und auf Basis maschinellen Lernens, das heißt ohne jegliche Vorgabe oder Klassifizierung.

Ziel ist es, dadurch ein umfangreicheres, differenzierteres Bild und nicht nur eine einfache Klassifizierung zu erreichen. So kann sich dadurch zum Beispiel zeigen, dass Influencer, die oberflächlich nicht viel gemeinsam haben, tatsächlich sehr ähnlich im Content und der Zielgruppe sind.

Die neuen Stars – in einer Galaxie

Die folgende „Influencer-Galaxie“ wurde auf Basis von Daten wie Follower-Demographie, Follower-Anzahl, Kommentaren und Hashtags von einigen tausend deutscher Influencer erstellt und verdeutlicht das Prinzip des Clusterings.

Zur Erklärung: Die Nähe der einzelnen Punkte bildet den Grad der Ähnlichkeiten in verschiedenen Dimensionen ab. Die Größe der Punkte gibt in dieser Darstellung die Follower-Anzahl wieder (Instagram-Abonnenten). Die Grafik zeigt: In dieser Galaxie ist jeder Influencer mit jedem verbunden, insgesamt wurden mehr als 600.000 Verbindungen (Kanten) berechnet.

BIld: ReachHero Die Influencer-Galaxie von ReachHero  » Vergrösserung

Beim Blick auf die gesamte Galaxie lassen sich einzelne Cluster erkennen (z. B. ein Beauty-Cluster oder ein Fashion-Cluster). Deutlich wird, dass beispielsweise Influencerinnen wie Paola Maria, Mrs. Bella, Barbara Sofie, Diana zur Löwen oder Kisu inhaltlich nah beieinander liegen. Auf der anderen Seite lassen sich auch viele kleine Influencer(innen) ausmachen, die einen ähnlichen Content posten, z. B. Soraya Ali, Liza Kohl, Alina Knips.

BIld: ReachHero Je näher die Punkte, desto ähnlicher die Influencer  » Vergrösserung

Beim tieferen Blick in die Struktur der Galaxie zeigt sich, dass Bereiche wie Fitness, Sport und Ernährung in einem Cluster gebündelt sind. Interessant ist hierbei, dass zum Beispiel ein YouTuber wie Mert Matan, der eher für sogenannte Pranks, also Streiche, bekannt ist, auch in der Nähe des Fitness-Clusters lokalisiert ist. Der Grund: Tatsächlich veröffentlicht der Influencer auch immer wieder Videos und Postings rund um das Thema Fitness. Außerdem finden sich Influencer wie beispielsweise Tim Gabel, Powerjoel, Elena (trainhard_eatwell) in der Nähe.

BIld: ReachHero Dank Algorithmus deutlich: Prank-Video-Star Mert Matan in der Nähe des Fitness-Clusters  » Vergrösserung

Auch zu den Themen Comedy, Lifestyle und Hacks lässt sich ein Cluster erkennen: Hier finden sich Influencer wie Kurono, Hey Aaron (Co-Founder von ReachHero), Udo Bönstrup oder Joon Kim. Interessant ist, dass auch Influencer wie Sarah Bock und Pia Tillman (Pia macht Kirmes) hier auftauchen. Zum einen spielt hierbei natürlich der Content eine Rolle, zum anderen gibt es direkte Verbindungen der Influencer – so haben Aaron und Pia zum Beispiel bereits gemeinsam Videos veröffentlicht und auch Sarah und Aaron haben in der Vergangenheit bereits zusammengearbeitet.

BIld: ReachHero Verbindungen zwischen YouTubern am Beispiel von HeyAaron, Sarah Bock & anderen  » Vergrösserung

Berechenbarkeit durch Machine Learning

Je nach Gewichtung der einzelnen Signale können unterschiedliche Galaxien erzeugt werden. Eine visuelle Darstellung kann Werbern unter anderem dabei helfen, neue passende Influencer zu finden. Der größte Vorteil liegt aber nicht im Visuellen, sondern in den Daten dahinter. Erst diese erlauben, Tausende von Influencern schnell und immer wieder aktuell in Gruppen zu ordnen, und ermöglichen es damit Marketern, selbst bei auf den ersten Blick themenfremden Multiplikatoren inhaltliche Anknüpfungspunkte zu finden. Ein wichtiger Schritt, um Influencer-Marketing zu automatisieren, skalierbarer und damit auch ein Stück weit berechenbarer zu machen.

Philipp John Über den Autor/die Autorin:

Bevor Philipp John 2014 zusammen mit Christian Chyzyk und Aaron Troschke mit ReachHero den ersten deutschen Marktplatz für Influencer-Marketing gegründet hat, verantworte er als Head of Business Development die Unternehmenswicklung des Marketing-Start-ups EverString im Silicon Valley. Hier kümmerte er sich vor allem um Neuerungen in den Bereichen Produkt und Business. Zuvor war Philipp John als Management Consultant in der internationalen Unternehmensberatung von A.T. Kearney tätig.