••• Von Georg Sander
WIEN. Werbebudgets spiegeln die verstärkte Nutzung von digitalen Kanälen wider; eine bessere Analyse und datengesteuerte Optimierung digitaler Kanäle zählt zu den wichtigsten Hausaufgaben für Marketer und ihre Unternehmen. Warum das Arbeiten mit Echtzeit-Rohdaten und Machine Learning-Algorithmen für den effizienten Einsatz des Mediabudgets entscheidend ist, lässt sich an den Beispielen Attribution, Customer Journey- Analyse und Frequency Cap erklären.
Reichweite: FC optimieren
Der Frequency Cap (FC) steuert die Anzahl der Kontakte je User mit der Kampagne und beeinflusst die Effizienz des Mediabudgets. Hier setzt die Auswertung der Rohdaten mittels Data Science an, um den optimalen Frequency Cap zu errechnen sowie Ad Collisions zu vermeiden. Eine signifikante Steigerung der UX (User Experience) sowie eine Verdoppelung des ROI ist mit der richtigen Expertise machbar.
Effizienz erhöht Relevanz
Die Customer Journey-Analyse und die Erstellung von Attributionsmodellen basieren auf granularen Daten (d.h. nicht nur auf Click-Basis, sondern sogar auf Einzel-View-Basis). Die separate Betrachtung jedes Kanals und wie er zur Zielerreichung beiträgt hilft bei der Entscheidung, wie viel Budget für welchen Kanal eingesetzt werden soll. Mit Data Science und Machine Learning sind hier unschlagbare Insights möglich – ROI-Steigerungen von 600% sind denkbar.
Erfolgskriterium Daten
Wichtige Fragen und Zusammenhänge können durch die Kombination von Rohdaten – also nicht aggregierten Daten – mit Methoden des Machine Learning beantwortet werden. Es braucht also einen 360 Grad-Blickwinkel auf die User und deren Customer Journeys, um die richtigen Entscheidungen zu treffen. Wie gut Media Efficiency funktioniert, kann man am Beispiel von Magenta sehen.
Magenta reduziert CPA
Das Unternehmen konnte ihren CPA (Cost per Action) um 22% senken: Um die Problematik der Ad Collisions zu lösen, setzte e-dialog für Magenta Telekom erstmalig einen innovativen Lösungsansatz mit dem Ads Data Hub (ADH) um.
Zur Minimierung der Ad Collisions identifizierten die Programmatic-Experten in Zusammenarbeit mit dem Cloud & Data Science Team mithilfe von Rohdaten im ersten Schritt Domains mit hoher Collision Rate und schlechter Performance, um diese auf eine Blacklist zu setzen. Domains mit hohem Volumen und hoher Collision wurden im Detail beleuchtet, um hier eine jeweils individuelle, datenbasierte Entscheidung treffen zu können.
