Einer der bedeutendsten Vorteile der programmatischen Kampagnenaussteuerung liegt in der h\u00f6heren Effizienz des eingesetzten Werbebudgets. Nicht zuletzt die Etablierung von Optimierungsalgorithmen in den Demand-Side-Plattformen (DSPs) w\u00e4hrend der vergangenen Jahre sorgte in diesem Bereich f\u00fcr einen weiteren Qualit\u00e4tssprung. Dennoch ist hier das Ende der Entwicklung noch l\u00e4ngst nicht erreicht \u2013 erst die Kombination mit menschlicher Expertise sch\u00f6pft das hohe Potenzial der k\u00fcnstlichen Intelligenz aus.<\/p>\n
Traditionellerweise werden f\u00fcr jede Kampagne bereits in der strategischen Phase der Planung individuelle Ziele formuliert. W\u00e4hrend und nach der Aussteuerung wird die Kampagnenleistung anhand einer F\u00fclle von Anbietern und Metriken analysiert, die zur Einordnung des Kampagnenerfolgs eingesetzt werden. Bei programmatischen Umsetzungen wird f\u00fcr die Optimierung in erster Linie auf jene Daten zur\u00fcckgegriffen, die in der DSP verf\u00fcgbar sind. Wenn die Wahl des Werbetreibenden f\u00fcr die Bewertung der Performance auf einen Drittanbieter f\u00e4llt, der nicht \u00fcber eine Integration mit der DSP verf\u00fcgt, kann man dessen Daten nur sehr m\u00fchsam, unvollst\u00e4ndig und \u00fcber Umwege in die Kampagnenoptimierung \u00fcberf\u00fchren. So werden beispielsweise Werte dynamisch von der DSP an den externen Anbieter \u00fcbermittelt. In der Plattform des Drittanbieters werden dann mittels Reports entsprechende Handlungen abgeleitet und manuell \u00fcber Einstellungen in der DSP umgesetzt. Wenn jedoch weitere Parameter (z.B. Uhrzeit, Wochentag) als jene, die an den Drittanbieter \u00fcbergeben wurden ebenfalls Performance-relevant sind, wird das f\u00fcr den Kampagnenmanager nicht ersichtlich. H\u00e4ufig bleiben auch erfolgsrelevante On-site- oder CRM-Daten wie Warenkorbwert oder Gewinnspanne in der Kampagnenaussteuerung unber\u00fccksichtigt \u2013 vor allem, wenn sie in der DSP nicht auf automatisierte Weise ausgewertet werden k\u00f6nnen.<\/p>\n
Um die Eingriffsm\u00f6glichkeiten in die Kampagnenperformance zu erweitern, bieten Plattformen f\u00fcr die Aktivierung von Kampagnen heutzutage standardm\u00e4\u00dfig Optimierungsalgorithmen an. Diese bedienen sich dem Feld des Machine Learnings, um Daten zu verstehen, zu sortieren und derart zu filtern, dass Informationen mit Aussagekraft betrachtet und Rauschen entfernt werden.<\/p>\n
Kampagnenoptimierung mit Standardalgorithmen<\/p>\n
Grunds\u00e4tzlich kann eine Kampagnenoptimierung auf zwei Arten erfolgen: durch Verschiebung von Budgets zwischen einzelnen Kampagnenbestandteilen oder durch die Variation der Gebotsh\u00f6he in Abh\u00e4ngigkeit von der erwarteten Erfolgswahrscheinlichkeit des Kampagnensegments. Standardm\u00e4\u00dfig werden Optimierungsalgorithmen von den DSPs zur Verf\u00fcgung gestellt und auf Basis der in der DSP verf\u00fcgbaren Daten der Werbetreibenden trainiert, die Kampagnen \u00fcber die jeweilige Plattform aussteuern. Hierbei werden standardisierte Kennzahlen als Optimierungsziele f\u00fcr die Standard-Algorithmen wie Kosten pro sichtbare Impression (vCPM), Kosten pro vollst\u00e4ndig durchgelaufenes Video (CPcV), Klickpreis (CPC) oder Kosten pro Action (CPA) herangezogen. Als Sichtbarkeitsziel wird dabei die IAB-Standarddefinition eingesetzt. <\/p>\n
Bei der Optimierung auf durchgelaufene Videos bleibt also ungewiss, ob die Quartile ebenfalls ber\u00fccksichtigt geschweige denn der User das Video wahrgenommen hat. Bei einer Klickoptimierung k\u00f6nnen die Bounces standardm\u00e4\u00dfig nicht aus der Betrachtung ausgeschlossen werden und bei der CPA- sowie CPL-Optimierung bleibt im Zweifelsfall die Priorisierung der Conversion Arten und m\u00f6gliche Zwischenziele auf der Strecke. Wenn dann der Werbetreibende feststellt, dass die Anzahl seiner Conversions zu gering ist, um darauf zu optimieren, muss er durch das Ausbleiben einer Zielpriorisierung bei Standardalgorithmen auf einen anderen KPI ausweichen. Durch die fehlende M\u00f6glichkeit, Zielpriorit\u00e4ten bzw. kombinierte Kennzahlen zu verwenden, kann es gar vorkommen, dass der Werbetreibende trotz anf\u00e4nglicher Definition mehrerer Customer-Journey-Stufen letztlich feststellt, dass er alle Kampagnenma\u00dfnahmen gleicherma\u00dfen optimieren m\u00fcsste \u2013 auf Klicks. Kritiker sagen zudem, dass sich die Standardalgorithmen der gro\u00dfen DSP-Anbieter nicht um Inkrementalit\u00e4t k\u00fcmmern, sondern lediglich versuchen, den Attributionsoutput zu optimieren. Dies w\u00e4re vergleichbar damit, Rabattgutscheine in der Warteschlange an der Kasse auszuteilen, weil der Algorithmus das Kampagnenbudget dort einsetzt, wo die beste Performance zu erwarten ist, ungeachtet dessen, ob die Anzeige dazu beitr\u00e4gt.<\/p>\n
Keine gute Idee: Rabattgutscheine an der Kasse<\/p>\n
Was ist Custom Bidding?<\/p>\n
Custom-Bidding-Algorithmen k\u00f6nnen hier Abhilfe schaffen. Durch kundenindividuelle Gebotsregeln pro Kampagne wird hierbei gew\u00e4hrleistet, dass relevante Reporting-Daten in die Kampagnenoptimierung einflie\u00dfen und keine Fehlattribution stattfindet oder KPI-Kompromisse gemacht werden m\u00fcssen. Custom-Bidding-L\u00f6sungen liefern die Antwort auf die Frage, wie man die strategischen Kampagnenziele zielgerichtet mittels kunden- und kampagnenindividueller Automatisierung erfolgreich in die Auslieferung \u00fcberf\u00fchren kann. Diese sind auf die Ziele des Kunden und sein Gesch\u00e4ft exakt abgestimmt und stellen eine Alternative zu den \u201eOne-Size-Fits-All\u201c-Algorithmen der DSPs dar. So kann ein Custom-Bidding-Algorithmus bei einer Optimierung auf Sichtbarkeit ein vom Standard abweichendes Verst\u00e4ndnis ber\u00fccksichtigen, insbesondere wenn es um Verhalten von Zielgruppen in der jeweiligen Branche geht. Weitere Erfolgsmetriken wie Klickpreis bei Display-Werbemitteln oder Cost-per-completed-View f\u00fcr Video-Kampagnen k\u00f6nnen in gew\u00fcnschter H\u00f6he dennoch einflie\u00dfen. Nicht nur positive Ereignisse, die auf das Kampagnenziel einzahlen, k\u00f6nnen Bestandteil des Trainings des Algorithmus sein, sondern auch jene Events, die es zu vermeiden gilt \u2013 beispielsweise Impressions, bei welchen die Nutzerin den Werbespot \u00fcbersprungen hat und somit von fehlendem Interesse auszugehen ist. <\/p>\n
Noch einfacher gestaltet sich das im Bereich der Conversion Optimierung. Hier k\u00f6nnen beispielsweise Warenkorbwert und Anzahl gekaufter Produkte in die Optimierung des Algorithmus mit einflie\u00dfen. Eine Fluggesellschaft kann bei ihrer Optimierung Lang- vor Kurzstreckenfl\u00fcge stellen und Aspekte wie Route, Flugpreis, Anzahl der Passagiere und Termine ber\u00fccksichtigen, sodass der durch die Kampagne generierte ROAS maximiert wird.<\/p>\n
Feinere Optimierung mit Custom Bidding<\/p>\n
Wie funktioniert Custom Bidding?<\/p>\n
Die Basis bildet stets das Kampagnenziel, welches auch den Rahmen der Analyse und Umsetzung definiert und in der Regel aus einer Kern-KPI sowie weiteren relevanten Metriken besteht. Wenn das Ziel definiert wurde, gilt es, eventuell bereits vorhandene Daten aus vorherigen Kampagnen zu extrahieren, zu transformieren, zu analysieren und zu verstehen. Die Analyse der Daten in der eigenen Datenbank ist ein teils sehr aufw\u00e4ndiger, jedoch notwendiger Prozess, um falsche Korrelationen zu vermeiden und Zusammenh\u00e4nge in Daten auch auf kausaler Ebene best\u00e4tigen zu k\u00f6nnen. Man kann sich auch hier der Hilfe von Algorithmen und neuronalen Netzen in verschiedenen Auspr\u00e4gungen bedienen, um Arbeitsschritte schneller und effizienter zu l\u00f6sen. Sobald das Verst\u00e4ndnis f\u00fcr die Struktur der Daten sowie das Verhalten und die Auspr\u00e4gungen der jeweiligen Anbieter aufgebaut wurde, kann ein statistisches Modell unter Ber\u00fccksichtigung der Kriterien des Kunden erarbeitet werden. <\/p>\n
Der Kern der Entwicklung des Modells basiert auf der Validierung. Hier kann es mehrere F\u00e4lle geben: sollten historische Daten vorhanden sein, kann eine Validierung anhand dieser vorgenommen werden. Sollte dies nicht gegeben sein, kann eine Simulation mittels zuf\u00e4llig erzeugter Werte durchgef\u00fchrt werden. Dennoch basiert hier der erste Entwurf auf einigen Annahmen, die w\u00e4hrend der Kampagne untersucht und best\u00e4tigt werden k\u00f6nnen. Weitere Erkenntnisse in der Validierung dienen dazu, das Modell zu aktualisieren und den Prozess zu wiederholen. <\/p>\n
F\u00fcr die Performanceoptimierung von vielen einzelnen Werten wird eine Custom KPI entwickelt \u2013 diese f\u00e4ngt die Kosten sowie die Nutzerinteraktionen ab und bewertet sie. Sie dient als Basis f\u00fcr Optimierungsalgorithmen, die auf ein Maximum oder Minimum dieser KPI optimieren. Wenn die Daten bereits der DSP vorliegen, kann die Custom KPI an den Bidder angeschlossen werden. Wenn die Daten externer Anbieter zum Einsatz kommen, wird zun\u00e4chst eine Zuordnung der Werte beider Systeme gew\u00e4hrleistet. Hierbei wird vorzugsweise die kleinste Ebene herangezogen, damit Spielraum f\u00fcr die Aggregation der Daten gegeben ist. Optimierungen werden \u00fcber die Schreibschnittstelle in die Plattform \u00fcberf\u00fchrt.<\/p>\n
Die einzelnen Phasen eines Custom-Bidding-Projektes verdeutlichen die Komplexit\u00e4t des Unterfangens und sollten deshalb sorgsam und mit entsprechendem Zeitinvestment geplant und umgesetzt werden.<\/p>\n
Prozess eines Custom-Bidding-Projekts<\/p>\n
Fazit und Ausblick<\/p>\n
Durch Custom-Bidding-L\u00f6sungen werden die Grenzen standardisierter Optimierungsalgorithmen und manueller Optimierung aufgehoben. Durch eine gezielte Optimierung auf Basis der relevanten Daten und der korrekten Attribution wird eine verbesserte Kampagnenleistung und somit letztlich eine Steigerung der Profitabilit\u00e4t programmatischer Umsetzungen erreicht. Auch hierbei bleiben jedoch die Herausforderungen der Messung bestehen, wenn solche vorhanden sind, beispielsweise wo Publisher eine Viewability-Messung durch die Nicht-Integration entsprechender Video Templates nicht zulassen. Diesen kann aber dadurch besser begegnet werden, dass sich Werte, die nicht vollst\u00e4ndig vorliegen, um weitere Erfolgskennzahlen erg\u00e4nzen lassen und damit insgesamt mehr Optionen f\u00fcr eine akkurate Kampagnenoptimierung bestehen.<\/p>\n