Verschwenden Sie kein Geld durch schlechte Retargeting-Daten

Noch nie waren First-Party-Daten für Marketingverantwortliche so wichtig wie heute. Daher rührt das allgegenwärtige Bestreben die Technologien weiterzuentwickeln, die diese Daten nutzbar machen. Die Daten enthalten Online-Signale von Tags auf einer Website oder App SDK, aber auch Daten aus CRM-Systemen oder Offline-Marketing-Listen, die durch die Anbindung an eine DMP aktiviert werden. Leider nutzen viele Marketingverantwortliche First-Party-Daten häufig noch für zu naives, manuelles Retargeting und lassen somit das volle Potenzial ihrer Daten ungenutzt.

Marketingverantwortliche setzen heute sehr stark auf Retargeting – es liefert selbst bei einer weniger anspruchsvollen Nutzungsweise gute Resultate. Meiner Meinung nach wird jedoch zu viel Geld für Retargeting von potenziellen Kunden ausgegeben, die kein eindeutiges Interesse haben bzw. für solche, die die Verhaltensweisen einer Kaufabsicht zeigen, jedoch in Wahrheit keine Kaufabsicht hegen. Hiermit sind Nutzer gemeint, die eine Webseite zum Beispiel nur versehentlich geöffnet haben oder nur sehr kurz auf eine Seite gegangen sind.

Ich denke, es gibt grosse Qualitätsunterschiede bei Retargeting-Daten und habe festgestellt, dass das beste Retargeting-Inventar eine 10'000-fach höhere Conversion Rate erzielt und hunderte Male effektiver hinsichtlich der cost-per-action ist, als das schlechteste. Aber die meisten Unternehmen kaufen ihre Daten «im Blindflug», und zahlen für alle Qualitäten den gleichen Preis.

Während Retargeting für die meisten Kampagnen eine gute Performance abliefert, können fortschrittliche «machine learning»-Modelle, die auf künstlicher Intelligenz und selbstlernenden Algorithmen beruhen, hingegen mindestens genau so effektiv agieren wie das beste Retargeting. Das kann ich anhand der Überschneidungen sehen, die entstehen, wenn man die Performance von auf Retargeting und Prospecting beruhendem Traffic miteinander vergleicht. Dies ist wirklich spannend: Es bedeutet, Marketingverantwortliche können eine sehr gute Retargeting-ähnliche Leistung erhalten und zusätzlich noch neue Nutzer erreichen, anstatt nur bereits bekannte anzusprechen.

Selbstverständlich erreicht man die besten Ergebnisse mit einer Kombination aus First-Party-Daten und detaillierten Third-Party-Daten. Allerdings ist es hierbei nicht praktikabel, das auf die übliche Weise zu tun, indem man anhand von Booleschen Kombinationen manuell «Composite Audiences» erstellt. Ich bin der Meinung, dass Marketingverantwortliche einen Technologie-Partner brauchen – einen, der «machine learning»- Modelle nutzen kann, um die leistungsfähigsten Kombinationen von Daten automatisch zu identifizieren und ihren relativen Wert zu bestimmen.

Mit «machine learning» können Verbindungen in den Datenströmen aufgedeckt werden, die auf den ersten Blick nicht auffallen: Nutzer, die gerade eine Reise gebucht haben, weisen z.B. eine höhere Wahrscheinlichkeit auf, in den 4 bis 6 Wochen vor der Reise bestimmte Produkte zu kaufen. Dies hat eine Studie von Rocket Fuel ergeben, die auf der Auswertung von Kampagnen aus dem Bereich Hotel und Unterkunft beruht.

Daher hat es sich als sehr effektiv erwiesen, wenn die selbstlernenden Algorithmen dieses Verhalten als Attribut in die eigene Kampagne zu solchen Produkten mit aufnehmen. So können Retailer eine höhere Kampagnenleistung erzielen.

Viele DSPs bauen Modelle zur Ermittlung und dem Ausbau der Zielgruppen, die zuvor gut funktioniert haben und nutzen diese Modelle, um Personen in Zielgruppensegmente zu unterteilen. Dieser Schritt ist allerdings nur der erste in einer Reihe von Massnahmen, die dabei helfen können das meiste aus ihren Zielgruppen herauszuholen. Der gleiche Kunde ist je nach Kontext mal mehr und mal weniger wertvoll für eine Kampagne – abhängig von zahlreichen Kontextfaktoren wie Aktivität, aktuell besuchter Website oder App, Tageszeit, Wetter und unzähligen anderen. Durch die Ergänzung dieser Kontextdaten um entsprechende Verhaltensinformationen, demographische- und First-Party-Daten in einem einzigen Modell, können Sie effektiv jedem potenziellen Moment der Interaktion einen Wert zuweisen. Das bedeutet, dass jeder Moment aus den Learnings des vorherigen Moments schöpfen kann. Aus meiner Sicht ist dies der einzige Ansatz für die erfolgreiche Nutzung der kombinierten Leistung von einer DSP und einer DMP – und gleichzeitig der kombinierten Leistung von First-Party-Daten und Third-Party-Daten.

Wenn Sie den Sprung bisher noch nicht gewagt haben, tun Sie sich den Gefallen und umgehen Sie kostspielige Experimente. Nehmen Sie die direkte Abkürzung und kombinieren Sie Ihre First-Party-Daten mit «machine learning», Verhaltensinformationen, demographischen Daten, kontextuellen Daten und Third-Party-Daten um die bestmögliche Performance Ihrer Kampagne zu erzielen.

Über den Autor

Oliver Hülse verantwortet die Geschäftsaktivitäten von Rocket Fuel in Deutschland, Österreich und der Schweiz. Er ist für Kundenbeziehungen zu führenden Werbetreibenden und Agenturen verantwortlich. Zudem baut er das Hamburger Team auf und rekrutiert derzeit für die Bereiche Vertrieb und Account Management. Oliver Hülse kommt von der Adconion Media Group, wo er zuletzt als Geschäftsführer der deutschen GmbH tätig war. Der 41-jährige Hamburger begann seine Karriere vor dreizehn Jahren als Verkaufsleiter bei der Verlagsgruppe Milchstrasse und später bei Tomorrow Internet. Anschliessend fungierte er mehrere Jahre als VP International Operations bei Interactive Media CCSP.

Rocket Fuel ist ein Anbieter einer programmatischen Marketingplattform mit Moment Scoring-Technologie. Zu den Kunden zählen Marken und Agenturen, die mit Rocket Fuels zwei Säulen – Data Management Platform (DMP) und Demand Side Platform (DSP) – Performance, Awareness und Lift über alle Marketingziele, Kanäle und Endgeräte hinweg optimieren können.