Programmatic: Was Maschinen besser können (sollten) als der Mensch

Aus Sicht von Marius Rausch, Managing Director Central Europe von AppNexus, sollten die folgenden vier Bereiche zukünftig den programmatischen Algorithmen und Machine Learning überlassen werden.

Seit es Programmatic Advertising gibt, werden im Markt immer wieder Vermutungen darüber angestellt, ob alle Einkäufer von Werbeplätzen deshalb früher oder später ihren Job verlieren. Die rasante Entwicklung des Machine Learning für digitale Werbung facht diese Debatte erneut an.

Für Marius Rausch, VP & Managing Director Central Europe bei AppNexus, ist die Aufgabenverteilung klar: «Mensch und Maschine müssen jeweils ihre Stärken ausspielen können. Dafür muss es für die Anwender programmatischer Systeme viel einfacher gemacht werden, die wirklich wichtigen Ziele und Stellschrauben zu definieren, damit Algorithmen dann effektiv die Mikroentscheidungen übernehmen können.»

Während die Intuition und Erfahrung der Mediaeinkäufer nach wie vor im Zentrum der Kampagnenplanung stehen sollte, kann Machine Learning eine Vielzahl von datenabhängigen Optimierungen übernehmen. Für Marius Rausch sollten die folgenden vier Bereiche zukünftig den programmatischen Algorithmen und Machine Learning überlassen werden:
 
1. Pacing. Werbetreibende erwarten Ergebnisse. Diese allerdings am besten gleichmässig verteilt über die Kampagnenlaufzeit. Machine Learning kann eine effiziente, gleichmässige Zielerreichung gewährleisten, die Zeitzonen, Marktbedingungen für verschiedene Arten von Inventar und viele weitere Trends und Parameter berücksichtigt. Eine manuelle Optimierung nach unzähligen einzelnen Parametern, eine darauffolgende Analyse und schliesslich die Anpassung der einzelnen Kampagnenbausteine kostet Trader immer noch zu viel Zeit.
 
2. Discovery. Bereits vom ersten Moment einer Kampagne an kann Machine Learning das perfekte Gleichgewicht zwischen Ausgaben für die Auslieferung auf Inventar mit nachgewiesen guter Leistung und der Allokation von Budget für die Erkundung neuer Domains finden. Dies ist besonders zu Beginn von Kampagnen hilfreich, wenn die Performance in der Regel noch zu wünschen übriglässt, während Trader mit begrenzten Informationen ihre Strategie entwickeln.
 
3. Supply-Path-Optimierung. Ein grosses Problem, das sich in den letzten Jahren durch  Header-Bidding ergeben hat, ist eine Überschwemmung des Marktes mit doppelten Impressions. Einzelne Werbeplätze werden jetzt von unterschiedlichen SSPs gleichzeitig angeboten. Dadurch wird es deutlich schwerer, den optimalen Pfad zur gewünschten Impression ausfindig zu machen. Selbst wenn ein Trader die Zeit hätte, die einzelnen Impressions jeweils manuell zu prüfen, würde es unmöglich sein, herauszufinden, welcher Anbieter letztlich der beste ist. Machine Learning kann hier den effizientesten Weg zu einem bestimmten Inventar ermitteln und berücksichtigt dabei ausserdem Kosten für 3rd Parties sowie die Qualität des Inventars.
 
4. Bid-Price-Optimierung. Header Bidding und die Verbreitung von unterschiedlichen Auktionslogiken (First Price vs. Second Price) haben die Komplexität in der Gebotsstrategie gesteigert. Algorithmen können für jede Impression die optimale Strategie umsetzen und dabei dynamisch auf die unterschiedlichen Auktionstypen reagieren.
 
Wie die Zukunft des Anzeigenhandels aussehen kann und wie sich dafür die Aufgabenverteilung zwischen Mensch und Maschine verändert, hat AppNexus im Whitepaper «The Future of Trading» aufbereitet. Direktlink (PDF)

 

AppNexus ist ein Unternehmen für Internet-Technologie, das den Echtzeit-Kauf und -Verkauf von digitaler Werbung ermöglicht und optimiert.

Mi 02.05.2018 - 12:02

Kommentare

neuen Kommentar schreiben

Klartext

  • Keine HTML-Tags erlaubt.
  • HTML - Zeilenumbrüche und Absätze werden automatisch erzeugt.
  • Web page addresses and email addresses turn into links automatically.
CAPTCHA
This question is for testing whether or not you are a human visitor and to prevent automated spam submissions.