Programmatic Marketing Auf Dem Prüfstand Augen Auf Beim
Total Page：16
File Type：pdf, Size：1020Kb
Magazin September für Data Driven 2017 Advertising Partner Neue Kunden gewinnen mit Semantic Twinning Vom positiven Sample zur Anwendung eines Targeting-Modells 4 Programmatic Marketing auf dem Prüfstand Gefordert ist ein fundamentales Umdenken bei Werbetreibenden und Agenturen 08 Augen auf beim Datenkauf Die wichtigsten Kriterien für die Beurteilung von Daten für das Programmatic Advertising 16 Jetzt schlägt AUDIENCES die Stunde der PAST THE Spezialisten LIMITS! Liebe Leserinnen und Leser, I am wenn auch ein wenig gemächlicher als anderswo, befindet sich im einzusetzen, und natürlich das Know-how, die Qualität der Daten richtig unique. deutschsprachigen Werbemarkt die klassische Umfeldplanung auf einordnen zu können. Diese Einordnung wird umso wichtiger, wenn Catch me einem deutlichen Rückzug. Inzwischen werden leicht mehr als die wir über den Tellerrand des Advertisings schauen und Programmatic Hälfte der Online-Display-Kampagnen programmatisch abgewickelt. in seiner Gesamtheit als Marketingdisziplin verstehen wollen. Es wird if you can! nicht mehr lange dauern und Programmatic wird umfassend das Einer von ... Das ist die gute Nachricht, die schlechte: Das volle Potenzial von gesamte Marketing mit allen Kommunikationskanälen entscheidend Programmatic wird längst noch nicht abgerufen und die Ursachen beeinflussen. Schon deshalb verfolgen wir auch mit diesem Magazin sind leicht ausgemacht. Es fehlt besonders aufseiten der Werbetrei- unser Projekt: zur Aufklärung und Begriffsklärung in dieser jungen benden das nötige Know-how, um datenbasierte, kreative Strategien Branche beizutragen. zu entwickeln und diese in programmatische Kampagnen umzusetzen. 0,83 Mio.* Surfern Im Mittelpunkt von Programmatic sollte eine individuelle und damit Alles Gute, personalisierte Kundenansprache stehen, auch und gerade zur Ge- Kasper Skou & Mark Elsner winnung von Neukunden. Was Werbetreibende von ihren Agenturen nun einfordern sollten, ist ein gutes Verständnis, um Daten für die Zielgruppenansprache effektiv Geschäftsführer Semasio / Managing Partner Echte Liebe Inhalt dieser Ausgabe Mit Semantic Twinning neue Programmatic Creativity Kunden gewinnen 04 Kreative Datensteuerung für 16 So wird Reichweite und mehr Markenerlebnis Performance von und Relevanz beim User Prospecting-Werbekampagnen effizient ausbalanciert Case Study Echte Liebe: Semasio Profildatenbank – August 2017 August – Semasio Profildatenbank 18 * Jameson & Ginger Ale – Programmatic Marketing – Just add friends Eine kritische Betrachtung 08 Wenn urbane Hipster Warum Programmatic Marketing in See stechen ein fundamentales Umdenken Extrem hohe Affinität User im Target „Surfer“ haben eine mindestens 7 Mal so hohe im Marketing erfordert Semasio Targetkataloge Unbegrenzte und individuelle 20 Index 700 Affinität zum Thema Surfen wie die Userpopulation. Wähle eine geringere Affinität, um mehr User zu erreichen. Nicht alles, was glänzt, ist Gold Targeting-Möglichkeiten für Eine Hilfestellung bei der 12 Euer Data Driven Advertising Beurteilung von Daten für das Hohe Affinität Programmatic Advertising Termine Übersicht Online Marketing 26 Semantisches Behavioral Events Index 100 Targeting für mehr Zielgenauigkeit 15 und Reichweite Schwache Affinität Target Surfer Niedrige Reichweite Hohe Reichweite Magazin für Magazin für 2 Data Driven Advertising Data Driven Advertising 03 Mit Semantic So wird Reichweite Twinning und Performance von Prospecting- neue Kunden Werbekampagnen gewinnen effizient ausbalanciert Im Online-Marketing werden Agenturen und Marketingabtei- lungen regelmäßig mit der Auf- gabe betraut, neue Kunden zu gewinnen. Die Umsetzung dafür fällt unter den allgemein bekann- ten Begriff ‚Prospecting‘, zu dem allerlei Herangehensweisen ent- Kasper Skou, Gründer und Geschäftsführer Semasio wickelt worden sind. Ich möchte hier einen Ansatz vorstellen, der sich als ‚Bottom-up Prospecting‘ versteht und am Markt unter Namen wie ‚Statistical Twinning‘ bzw. ‚Look-Alike Modeling‘ bekannt ist. Allerdings ist das Targeting-Modell von Semasio eine deutliche Weiterentwicklung, mit dem Werbetreibende einige typische Nachteile der klassischen Prospecting-Ansätze umgehen können. Wir nennen diesen Prospecting-Ansatz ‚Semantic Twinning‘. Das ‚positive Sample‘ Bottom-up bezeichnet die Jeder Bottom-up-Ansatz beginnt immer mit einer empirischen Auswertung Analyse „von unten nach oben“: Auf Basis einer Gruppe von Usern, die entsprechend der Kampagnenzielsetzung agiert einer definierten User und ggf. konvertiert hat. Diese Gruppe nennen wir das ‚positive Sample‘. Ein gruppe, die exem plarisch solches positives Sample kann beispielsweise über das Website-Tracking für die User steht, die erreicht wurden, sollen oder mit Hilfe der E-Mail-Adresse erhoben werden. Wichtig ist: Die User im weitere User gefun- positiven Sample besitzen eine Vielzahl von Merkmalen, die daraufhin ana- den werden. lysiert werden, inwiefern sie eine Korrelation mit den Useraktionen enthalten, die zum Erreichen der Kampagnenzielsetzung beitrugen. Zu diesen Merkmalen können soziodemografische Attribute wie Alter und Geschlecht zählen. Es können aber auch Interessen und Absichten oder das Verhalten auf der Kundenwebsite wie beispielsweise das Befüllen eines Warenkorbes mit bestimmten Produkten sein. Ebenso kommen CRM-Daten wie der Customer Lifetime Value als taugliches Attribut in Betracht. Den Auswahl möglichkeiten sind kaum Grenzen gesetzt – allerdings sind nicht alle Merkmale gleich wertvoll für die Analyse. Magazin für Magazin für 04 Data Driven Advertising Data Driven Advertising 05 Vom positiven Sample zur Anwendung Die verschiedenen Algorithmen generieren Targeting-Modelle Und so bauen wir das Semantic Model (unsere Version des Deutliche Vorteile des semantischen eines Targeting-Modells mit unterschiedlicher Komplexität. Der neueste Trend geht da- Targeting-Modells) für eine Kampagne: Ansatzes gegenüber den bekannten hin, einen Metaalgorithmus anzuwenden, der sozusagen über Die UIP analysiert das positive Sample und identifiziert, was Targeting-Modellen Jedes Bottom-up Prospecting folgt im Grunde den anderen Algorithmen steht, um ein noch besseres Ergebnis diese User semantisch gemeinsam haben, das sie von der dem gleichen Prozess: (Modell) zu produzieren. Userpopulation differenziert. Das daraus resultierende seman- Für die Erstellung klassischer Targeting-Modelle wird jedes 1. Auswahl eines positiven Samples, d. h. eine gewünschte tische Targeting-Modell wird auf die gesamte Userpopulation vordefinierte Merkmal aus ganz bestimmten Gründen erho- Gruppe von Usern, die ein Set von relevanten Merkmalen Anwendung eines Targeting-Modells (3.) angewendet und produziert ein Scoring pro User (wie gut passt ben und kann dabei von anderen Vorstellungen hinsichtlich besitzen. das Profil des Users zum Modell?). Das Ergebnis visualisieren der Merkmalsbeschreibung abweichen. Die Merkmale sind 2. Erstellung des Targeting-Modells durch ein oder mehrere Das so entwickelte Targeting-Modell wird nun auf alle Internet- wir so: meistens subjektiv ausgesucht und kategorisiert, weil sie von Algorithmen user angewendet, die mindestens eines der von dem Modell 3. Anwendung dieses Modells auf eine größtmögliche identifizierten Merkmale aufweisen. Das Ergebnis ist ein Score Userschaft des Internets pro User bzgl. der Übereinstimmung des Userprofiles mit dem 100 % Targeting-Modell. Je mehr Merkmale der User aufweist, desto 90 % Erstellung eines Targeting-Modells (1. & 2.) präziser kann die Übereinstimmung ermittelt werden. Diese Scores Affinität können dann benutzt werden, um differenzierte Einkaufsstrategien 80 % Beim Aufbau des Targeting-Modells geht es immer darum, heraus- über eine oder mehrere programmatische Einkaufsplattformen 70 % zufinden, was die User des positiven Samples gemeinsam haben (Demand Side Platforms, kurz DSPs) einzusetzen. und was sie von der gesamten Userpopulation differenziert. Dazu 60 % ein einfaches Beispiel: Angenommen wir bilden ein positives Sample Allerdings hängt die Skalierung der Kampagne davon ab, wie viele 50 % aus den Usern, die auf einer Webseite konvertiert haben. Dazu User im Internet erfolgreich angesprochen werden können, und verwenden wir eine oder mehrere Data Management Plattformen damit auch, wie viele User das TargetingModell identifiziert hat. 40 % (DMPs) und stellen dabei fest, dass 65 % der konvertierten User Mit anderen Worten: Das Targeting-Modell ist auf diese Merkma- 30 % weiblich sind. Weil aber nur ungefähr 50 % der Userpopulation le beschränkt, und umso mehr Merkmale im Modell enthalten weiblich ist, sehen wir hier eine hohe Korrelation zwischen dem sind, umso genauer kann die Zielgruppenansprache erfolgen. 20 % Merkmal weiblich und der Konvertierung. In diesem denkbar Daraus ergibt sich allerdings ein typisches Phänomen, das eine 10 % einfachen Beispiel sind wir de facto der Algorithmus. effektive Zielgruppenansprache erschwert: Die größere Anzahl von Merkmalen macht das Targeting-Modell zwar performanter, 0 % In der Realität ist das Vorgehen allerdings anspruchsvoller, und limitiert aber gleichzeitig die Reichweite der Kampagne. 10 % 20 % 30 % 40 % 50 % 60 % 70 % 80 % 90 % 100 % man würde mit der Berücksichtigung von weiteren Merkmalen Größe des Targets in Prozent bezogen auf die gesamte Userpoulation Reichweite vielmehr den multivariaten Ansatz zur Erstellung eines geeig- Semantic Twinning löst die neten Targeting-Modells wählen. Mit diesem Vorgehen wird die Reichweitenproblematik der bekannten Zusammenstellung eines umfassenden Satzes aus mehreren Prospecting-Ansätze Die UIP bezieht die