Adzine Top-Stories per Newsletter
PROGRAMMATIC

Machine Learning im Programmatic Advertising

Von Jens von Rauchhaupt, 20. April 2018
kirill_makarov, Adobe Stock

Gerade im Programmatic Advertising werben Adtech-Anbieter der Buy-Side mit speziellen Funktionen, die auf Basis von Machine Learning optimale Ergebnisse im Mediaeinkauf liefern sollen. Aber wie kommmt Machine Learning beim Programmatic Advertising überhaupt zur Anwendung? David von Hilchen, DACH-Chef von iotec, ein britischer Anbieter einer Demand Side Platform (DSP) gibt Auskunft.

ADZINE: Herr von Hilchen, wie kann eigentlich Machine Learning dem programmatischen Mediaeinkauf helfen?

von Hilchen: Machine Learning- und insbesondere Deep Learning-Algorithmen sind in der Lage, eigenständig Muster in rohen Daten zu identifizieren und mit einem vorgegebenen Ziel Strategien zu entwickeln, wie dieses Ziel am besten und effizientesten zu erreichen ist. Im Programmatic Advertising kann eine solche Technologie dabei helfen aus den rohen Daten zu Rezipienten- und Konsumentenverhalten, Werbemittelplatzierungen, historischer Kundendaten und Umfeldern, Charakteristika einer gesuchten Zielgruppe zu identifizieren. Merkmale, die beispielsweise alle Frauen gemein haben, die zwischen 18 und 34 Jahre alt sind, in einer Großstadt wohnen und sich für ein wendiges Auto für die Stadt interessieren. Möglich ist auch, die Charakteristika bereits existierender Kunden einer Marke zu ermitteln.

Im Programmatic Advertising kann eine solche Technologie dabei helfen aus den rohen Daten zu Rezipienten- und Konsumentenverhalten, Werbemittelplatzierungen, historischer Kundendaten und Umfeldern, Charakteristika einer gesuchten Zielgruppe zu identifizieren.

(David von Hilchen, iotec)

So kann Machine Learning für jede programmatisch durchgeführte Online- oder Mobilekampagne ein Zugewinn bedeuten – sowohl im Branding als auch in der Performance. Die Stärke liegt dabei ganz klar in der Präzision, die nach einer gewissen Lernphase entsteht, aber auch der Möglichkeit, die ausgetretenen Pfade der herkömmlichen Annahmen-basierten Zielgruppenansprache zu verlassen, inkrementelle Zielgruppen anzusprechen und neue Kunden zu gewinnen, die sonst durchs Raster gefallen wären.

ADZINE: Und wo kommen die Daten her?

von Hilchen: Welche Daten genutzt werden können und sollten unterscheidet sich von Kunde zu Kunde und von Kampagnenziel zu Kampagnenziel. Grundsätzlich können alle Daten eines herkömmlichen programmatischen Setups eingesetzt werden. Sei es aus einer Kunden-DMP oder einem Data-Exchange. Das Machine Learning erweitert dann das bestehende Potential. In vielen Fällen werden aber auch die 1st Party-Daten einer Marke und der Kunden auf seiner Webseite herangezogen. Hat der Werbetreibende diese Daten nicht bereits aufbereitet in einer DMP vorliegen, werden auf der Website des Werbetreibenden sogenannte “Tracking-Pixel” implementiert, die nicht personenbezogene Kundendaten, wie Verhalten auf der Webseite, verwendeter Browser, Endgerät und bis zu 60 weitere Datenpunkte, sammeln. Selbst ohne weitere programmatische Infrastruktur, wie z.B. einer gut gepflegten DMP, reichen diese 1st Party-Daten unter Zuhilfenahme von Machine Learning in vielen Fällen aus, um beispielsweise sehr erfolgreiche Prospecting-Kampagnen umzusetzen. Ist die entsprechend genutzte DMP in der Lage, die eingesetzten Datenmuster zusätzlich noch in Echtzeit zu aktualisieren, können so ohne zusätzliche Hilfsmittel effektiv inkrementelle Neukunden gewonnen werden, da sie sich im Moment der Ansprache tatsächlich „auf dem Markt“ befinden. Bisherige Ansätze sprechen Rezipienten auf Basis historischer Daten an, deren Aktualität und Qualität in vielen Fällen unzureichend oder nicht belegbar sind.

ADZINE: Ihr Resümee?

von Hilchen: Kommt komplexes Machine Learning, wie Deep Learning, zum Einsatz und erfolgt die Ausspielung unter höchsten Markensicherheitsstandards und bei vollkommener Transparenz, kann Machine Learning für jeden digitalen Werbetreibenden ein Zugewinn sein.