Bessere Performance in der RTB-Praxis durch moderne statistische Verfahren

Dies verspricht eine optimierte Budgetallokation und dadurch deutliche Performancesteigerungen vor allem bei Real-Time Bidding Kampagnen. Im Laufe der letzten Jahre haben sich sowohl die Menge als auch der Detailierungsgrad der Daten, die werbetreibenden Unternehmungen zur Verfügung stehen, deutlich erhöht (Stichwort: User-Journeys). Gleichzeitig steigt mit zunehmender Vielfalt und Komplexität der Werbemöglichkeiten im Onlinebereich der Anspruch an das Management, diese Daten zu verstehen und zu analysieren, um die Effizienz und Effektivität der Werbeaktivitäten auch langfristig sicherzustellen. Insbesondere mit der Ankunft der neuen Werbetechnologie des Real-Time Bidding (RTB), in der Werbetreibende auf individueller Nutzerebene für die Anzeige ihrer Displaywerbung bieten – und das in Echtzeit -, sind die Kenntnisse über den Einfluss verschiedener Werbeformen auf einzelne Nutzer von höchster Bedeutung. Kurzum: welche Online-Werbemittel wirken wie auf einzelne Nutzer und wann müssen diese ausgeliefert werden, um die Erfolgsaussichten (bspw. Clicks oder Conversions) zu optimieren?

Im Rahmen ihrer Forschungstätigkeiten hat das Team von Onlinemedia Research ein mischverteiltes, binäres Logit Modell entwickelt, welches mithilfe Bayes’scher Statistik und Markov Chain Monte Carlo (MCMC)-Methoden berechnet wird (Binary Logit With Bayesian Mixture of Normals). Es bildet den Wertbeitrag unterschiedlicher Werbeaktivitäten (bspw. Paid Search, Display etc.) sowie deren Interaktionseffekte auf Ebene einzelner Nutzer ab, um zu jedem Zeitpunkt Aussagen über Klick- oder Kaufwahrscheinlichkeiten einzelner Nutzer machen zu können und so die Aussteuerung der Werbemittel – insbesondere im RTB – zu optimieren.

In einer ersten Fallstudie, die in Zusammenarbeit mit einem großen, europäischen Finanzdienstleister erstellt wurde, konnten Internetnutzer in zwei unterschiedliche Gruppen eingeteilt werden, die sich elementar in der Wahrnehmung bzw. Wirkung von Onlinewerbung unterscheiden: während bei dem Großteil der Nutzer (ca. 90%) jede eingeblendete Display Ad die Klickwahrscheinlichkeit verringert (demnach die Klickwahrscheinlichkeit der Nutzer bei der Anzeige der ersten Display Ad am größten ist), gibt es eine kleine Gruppe von Nutzern, die nicht werberesistent auf Werbung reagiert. Bei dieser kleinen Gruppe (10%), erhöht die mehrmalige Anzeige von Display Ads die Klickwahrscheinlichkeiten. Darüber hinaus konnten positive Wechselwirkungen zwischen der Paid Search Ads und Display Ads ermittelt werden.

Das Wissen, welche Nutzer wie auf Werbung reagieren und wie die Klick- und Kaufwahrscheinlichkeiten von Nutzern ermittelt werden können, eröffnet großes Potential in der individuellen Auslieferung von Onlinewerbung, wie es bspw. im RTB der Fall ist. Anhand eines Out-Of-Sample Tests (Holdout-Test) konnten bereits sowohl die Qualität der Vorhersagegenauigkeit als auch das mögliche Einsparpotential, welches durch die gezielte Auslieferung der Display-Werbung erreicht werden kann, verdeutlicht werden.

Momentan bietet Onlinemedia Research werbetreibenden Unternehmungen die Möglichkeit, die Klassifikation einzelner Nutzer durchzuführen und in den RTB-Prozess zu integrieren. Erste Studien zeigen deutliche Einsparpotentiale (je nach Setting bis zu 50%) durch eine gezielte Displayauslieferung – bei gleichbleibenden Werbeerfolg.

Näheres dazu erfahren Sie auch im Vortrag von Prof. Dr. Burkhardt Funk auf der d3con 2013 und unter onlinemedia-research.com: Performancegewinn im Real-Time Bidding aus wissenschaftlicher Perspektive (Teil 1)