Identifikation im Vergleich: Möglichkeiten der Nutzer-Messung im Jahr 2019

Wer digitale Werbung macht und die Performance stetig verbessern möchte, muss den Nutzer so gut wie möglich über verschiedene Kanäle hinweg identifizieren können. In Zeiten, da die hierfür so zentralen Cookies häufig abgelehnt werden und ein Zugriff auf die Nutzerdaten erschwert wird, braucht es neue Lösungen, um eine akkurate Nutzer-Erkennung und -Messung zu ermöglichen. Hierfür eignet sich ein Blick auf den probabilistischen Ansatz; doch dieser darf nicht isoliert betrachtet werden.

Der deterministische und der probabilistische Ansatz

Um den einzelnen Nutzer vor dem Bildschirm zu identifizieren, gibt es zwei unterschiedliche Herangehensweisen: die deterministische und die probabilistische.

Erstere wird insbesondere von Tech-Riesen genutzt und kann die Nutzer eindeutig erfassen, indem sie auf Cookies oder Logins zurückgreift. Probabilistische Methoden werden zusätzlich zu der rein deterministischen Herangehensweise von spezialisierten Dienstleistern entwickelt und angeboten. Sie analysieren für die Nutzer-Identifikation die unterschiedlichen deterministischen Signale des Endgeräts, wie Informationen zu Bildschirmauflösung, Gerätetyp, Standort und Netzwerk und kombinieren diese mit probabilistischen Annahmen. Die individuelle Kombination dieser nicht personenbezogenen Parameter lässt mit einer relativen Wahrscheinlichkeit einzelne Nutzer ohne Zurückgreifen auf Cookies einer Kampagne zuordnen.

Cookie-Ablehnung beeinträchtigt deterministische Methode

Deterministische Lösungen sind im Rahmen des digitalen Marketings weit verbreitet und greifen in der Regel auf Cookie-Informationen zu, um den Kampagnenerfolg auszuwerten. Ihre Insights stehen üblicherweise über verschiedene Mediakäufe hinweg kostenlos zur Verfügung. Der Wert der generierten Erkenntnisse ist dabei allerdings massiv eingeschränkt, da die eingeschränkte Cookie-Nutzung bzw. -Ablehnung sie besonders stark trifft und zu unzuverlässigen oder sogar kontraproduktiven Kampagnenergebnissen führt. Werbetreibende sollten darauf achten, ob sie Einblick erhalten, mit welcher Genauigkeit Nutzer erfasst werden.

Pro und Contra der probabilistischen Lösungen

Die Vorteile der probabilistischen Lösungen sind eine maßgebliche Antwort auf die Nachteile der deterministischen:

• Sie benötigen keine Cookies oder Logins, um den Nutzer wiederzuerkennen.
• Die Identifikation kann sowohl auf Cookies basieren als auch auf cookielosen Identifikatoren – das Problem der Cookie-Ablehnung wird somit umgangen.
• Insights sind detailliert verfügbar und für eine unabhängige Analyse geeignet.

Cookielosem Tracking gehört die Zukunft

Die Ablehnungs- und Löschungsrate der Cookies ist hoch und nimmt stetig weiter zu. Eine genaue Ermittlung von Reichweite, Frequenz sowie saubere Attribution wird auf dieser Basis immer schwieriger.

Unsere Analyse zeigt, dass in jeder Kampagne inzwischen mehr als zwei Drittel (über 70%) der Cookies an Cookie-Verweigerer gehen. Obwohl die Anzahl der Nutzer, die Cookies ablehnen, deutlich niedriger ist (gut 30%), sind diese Nutzer für einen überproportionalen Anteil der Cookies verantwortlich, die jedoch unmittelbar gelöscht werden und den Datenbestand stark verunreinigen.

Funktionieren Cookies wie vorgesehen, so ergibt sich ein zusammenhängendes Bild der Kampagneninteraktionen eines Nutzers. Dieses Bild wird jedoch getrübt und auseinandergerissen, wenn Cookies abgelehnt werden. Da nur der Klick zugeordnet werden kann, ergibt sich ein unzuverlässiges, verzerrtes Reporting. Unser Cookie Rejection Report zeigt, dass die Reichweite auf Cookie-Basis viel zu hoch ausgewiesen wird (um 89 Prozent), die Frequenz hingegen 47 Prozent zu niedrig. Der Grund ist, dass der User bei jedem Kontakt mit dem Werbemittel ein neues Cookie gesetzt bekommt, das nach der Session wieder gelöscht wird. Somit wird er jedes Mal irrtümlich als neu erreichter Nutzer fehlidentifiziert. Die Kampagnenreichweite wird fälschlich in die Höhe getrieben, gleichzeitig erscheint die Häufigkeit, mit der das Werbemittel an ihn ausgespielt wurde, viel zu gering.

Der große Nutzen einer deterministischen Methode, bei der Nutzer zweifelsfrei identifiziert werden können, erweist sich vor dem Hintergrund der rückläufigen Cookie-Akzeptanz so immer mehr als Trugschluss. Unterdessen entwickeln sich probabilistische Methoden in Verbindung mit Machine Learning immer weiter.

Zeitgemäße Nutzer-Messung basiert auf einer Kombination

Erfolgsversprechend sind heute Lösungen, die deterministische und probabilistische Faktoren smart kombinieren. Die Gerätesignale bilden die deterministische Basis, sie können eindeutig – und datenschutzkonform – ausgelesen werden. Aufgrund dieser Daten allein kann jedoch nicht hinreichend verifiziert werden, ob es sich um einen bekannten oder einen neuen Nutzer handelt. In einem einfachen theoretischen Use Case ist es beispielsweise möglich, dass zwei Nutzer ein exakt gleich konfiguriertes Gerät verwenden. Der einzige Unterschied besteht im Standort: Einer der User befindet sich in einem Netzwerk in Hamburg, der andere hat kurz darauf in München einen Kontakt mit der Online-Kampagne. Nun ist die Wahrscheinlichkeit, dass dasselbe Gerät innerhalb einer sehr kurzen Zeit von Hamburg nach München gelangt, extrem gering. Mithilfe der probabilistischen Annahme kann also darauf geschlossen werden, dass es sich trotz der identisch konfigurierten Geräte um zwei unterschiedliche Nutzer handelt.

Wird diese Kombination aus deterministischen und probabilistischen Daten durch künstliche Intelligenz und Machine Learning ergänzt, ergibt sich eine vollständig datenschutzkonforme Methode, um genau zu überprüfen, ob es sich um einen bekannten oder um einen neuen Nutzer handelt. Diese Auditing-Funktion benötigt weder Zugriff auf die Daten in den verschlossenen Walled Gardens der GAFA, noch ist sie auf die zunehmend unzuverlässigen Cookies angewiesen. In einer von den amerikanischen Tech-Riesen unabhängigen Online-Werbelandschaft liegt zukünftig in der ausgeklügelten Kombination von deterministischen und probabilistischen Elementen der Schlüssel zum Erfolg.

Mit cookielosem Tracking lässt sich die vollständige Conversion Journey als zusammenhängendes Bild darstellen, in dem jede Werbemittelinteraktion einen anteiligen Verdienst zugeschrieben bekommt. In Verbindung mit Metriken, die die tatsächliche Performance wiedergeben, können Marketingverantwortliche hinsichtlich ihrer Budgetverteilung, Taktik und Werbemittelauswahl bessere Entscheidungen treffen.