ADZINE: Hallo Daniel, Advertiser setzen im Performance-Marketing oft mehrere DSPs ein. Wann führt dies zu besseren Ergebnissen und wann entsteht Kannibalisierung?

Daniel Volož: Ich finde es wichtig, zuerst zu klären, was mit Kannibalisierung gemeint ist. Ich konzentriere mich hier auf ein Szenario, in dem sich zwei DSPs in einer Auktion um denselben User gegenseitig vermeintlich hochbieten, ohne dabei zusätzlichen Mehrwert zu liefern – eine dystopische Darstellung. Man kann Kannibalisierung aber auch vereinfacht als Kanalüberschneidung definieren, bei der ein Kanal dem anderen etwas “wegfrisst”.

Und jetzt zurück zur eigentlichen Frage. Mehrere DSPs arbeiten dann effizient zusammen, wenn sie unterschiedlich mit Daten umgehen. Also wenn sie nicht dieselben User nach demselben Algorithmus und demselben Muster bewerten. Je unterschiedlicher Technologie und Herangehensweise sind, desto größer ist die Wahrscheinlichkeit, dass ein und derselbe User unterschiedlich eingeschätzt wird.

Am Ende rechnet eine DSP Wahrscheinlichkeiten hoch, bietet darauf und bildet Produkte in Creatives ab. Dieses Hochrechnen braucht keine Kristallkugel. Jede DSP arbeitet mit Annahmen und Verfahren. Deshalb kann beispielsweise die Kombination aus klassischen Machine-Learning-DSPs und Deep-Learning-DSPs besser funktionieren als der parallele Einsatz mehrerer Systeme, die nach ähnlichen Prinzipien arbeiten.

ADZINE: Reicht es also, verschiedene Technologien einzusetzen?

Volož: Nein. Die zweite Voraussetzung ist, dass sie nach demselben Attributionsmodell und idealerweise nach demselben Zielwert ausgesteuert werden. Wichtig ist, beide Plattformen nicht nach ihren Dashboard-Zahlen zu steuern, sondern ein unabhängiges Attributionssystem zu nutzen. Eigentlich würde ich da sogar weitergehen und sagen, dass es das Attributionsmodell sein soll, nach dem alle Marketingkanäle ausgesteuert werden.

Wenn beide nach denselben Bewertungskriterien laufen, kommt man dem Effekt nahe, als hätte man den bestehenden Retargeting-Anbieter über sein Skalierungsplateau hinaus erweitert. Jede DSP hat so ein Plateau. Ab einem bestimmten Punkt lässt sich Reichweite nicht linear weiter skalieren, ohne dass es teurer wird. Eine zweite DSP, die anders bewertet, kann zusätzliche Conversions erreichen, ohne denselben Mechanismus einfach weiter hochzudrehen.

ADZINE: Wo zeigt sich Kannibalisierung im Retargeting am ehesten?

Volož: Überschneidung, die als Kannibalisierung klassifiziert wird, entsteht dort, wo Retargeter denselben Userpool bearbeiten. Denn wenn wir jetzt von “Kannibalisierung” sprechen, sprechen wir eigentlich über eine Kanalüberschneidung. Der Effekt entsteht, wenn mehrere Anbieter denselben User als wertvoll bewerten und aggressiv in dieselbe Auktion gehen. Was man aber nicht weiß: Wer geht sonst noch aggressiv in diese Auktion? Dort sind viele andere Akteure unterwegs.

ADZINE: Woran erkennt ein Werbetreibender, dass mehrere Plattformen nicht effizient zusammenarbeiten?

Volož: Man kann sich die Customer Journeys anschauen. Bei Conversions, die einer DSP zugeordnet sind, lässt sich prüfen, wie oft die andere DSP in der Conversion Chain vertreten war. Überschneidungen wird es immer geben.

Auffällig wird es, wenn eine Plattform fast nur in den Pfaden der anderen auftaucht und kaum eigene Wirkung beisteuert. Dann sollte man prüfen, ob beide wirklich nach denselben Zielwerten arbeiten oder ob eine DSP vor allem Reichweite und aggressive Gebote aufbaut, statt das Ergebnis zu optimieren.

ADZINE: Wie sollten Mediaeinkäufer mehrere Technologien übergreifend steuern?

Volož: Die Grundlage ist ein unabhängiges zentrales Attributionssystem. Dort sieht man die Ergebnisse nach denselben Bewertungskriterien. Dann kommt die Frage, wer das Sagen hat. Wenn die DSP das Sagen hat, läuft es gegebenenfalls nicht optimal. Wenn der Kunde die Bedingungen für beide gleich vorgibt und sich alle daran halten müssen, lässt sich besser verhindern, dass es aus dem Ruder läuft. Man muss mit beiden Partnern arbeiten und klarstellen, wer Kunde und wer Dienstleister ist.

ADZINE: Retargeting steht immer wieder unter dem Verdacht, Nutzer zu erreichen, die ohnehin gekauft hätten. Wie sollte der Markt damit umgehen?

Volož: Es gibt immer wieder Tests, bei denen Retargeting einfach abgeschaltet wird, um zu sehen, ob etwas verloren geht. Diese Tests scheitern meistens. Sauberer ist ein Inkrementalitätstest. Wenn man Retargeting zeitlich versetzt abschaltet, spielen Saisonalitäten und andere Faktoren voll hinein. Du kannst eine gute Woche ohne Retargeting haben und eine schlechte Woche davor mit Retargeting, vielleicht wegen Problemen im Shop.

Besser ist – sehr vereinfacht gesagt – ein A/B-Test mit Test- und Kontrollgruppe. Man vergleicht also User, die angesprochen wurden, mit Usern, die hätten angesprochen werden sollen. Wir haben in den vergangenen Jahren viele solcher Tests gemacht. Der Tenor ist eigentlich immer derselbe: Retargeting ist inkrementell und erzielt somit Conversions und Umsätze, die ohne Retargeting nicht stattgefunden hätten. Die Inkrementalitätsrate ist je nach Fall, Branche, Zielwert und Marketing-Mix unterschiedlich.

ADZINE: Hat sich Retargeting stärker verändert, als der Markt wahrnimmt? Wird es weniger deterministisch und stärker modellbasiert?

Volož: Ein klares Jein. Retargeting war schon immer modellbasiert und das Wesen von Retargeting hat sich in den letzten zwei, drei Jahren nicht verändert. Verändert haben sich Details, welche Signale man hinzunimmt und was man berücksichtigt. Durch AI Agents, LLMs und ähnliche Technologien gibt es mehr Möglichkeiten. Wir haben zum Beispiel sowohl im deterministischen als auch im probabilistischen Bereich eine LLM-Komponente hinzugenommen.

Das ist Evolution statt Revolution. Man kann zum Beispiel einen Datenfeed stärker auf das Placement abstimmen. Wenn man keine Cookies hat, hat man keine Customer Journey. So sieht man aber, auf welchem Placement sich ein User gerade bewegt.

ADZINE: Wo liegen die Vorteile von Deep Learning im Mediaeinkauf und wo stößt die Technologie an Grenzen?

Volož: Der Vorteil von Deep Learning ist Flexibilität. Klassisches Machine Learning basiert auf Datenverarbeitungsregeln, die von Menschen definiert werden. Datenanalysten schauen sich den Datenpool an und definieren Regeln als Grundlage. Ein gutes Machine-Learning-System kann diese Regeln neu verknüpfen, aber der menschliche Input ist zu Beginn klar vorhanden.

Deep Learning arbeitet anders. Es zieht sich die verfügbaren Daten und wertet sie aus. Man gibt dem System ein Kampagnenziel, zum Beispiel einen bestimmten ROAS, und das System schaut sich die Datenpunkte an, um Muster zu erkennen. Es erkennt auch Abhängigkeiten, die wir als Menschen vielleicht nicht sehen würden.

Wenn sich Verhalten verändert, etwa durch Pandemie, geopolitische Situationen, Wirtschaftskrise oder Inflation, müssen wir nicht alle Datenverarbeitungsregeln umarbeiten. Das System entwickelt sich weiter. Die Grenze ist aber klar. Wenn weniger Daten zur Verfügung stehen, dauert es länger, bis das System genug gelernt hat. Aber selbst das kann man in den Griff bekommen.

ADZINE: Danke für das Gespräch, Daniel.