Strategien zur Generierung und Messung von inkrementellen Effekten in der Werbung

Im Bereich der Werbung findet derzeit ein bedeutender Wandel statt, der auf die zunehmende Verbreitung von KI-basierten Werbekampagnen wie Googles Performance Max zurückzuführen ist. Diesem Paradigmenwechsel sind auch andere Plattformen wie Meta, LinkedIn und Bing gefolgt, die ähnliche Initiativen gestartet haben. Dies unterstreicht das universelle Interesse an KI-gesteuerten Lösungen im Pay-per-Click-Bereich. Diese Kampagnen versprechen einen revolutionären Ansatz für die Online-Werbung, bei dem der Arbeitsaufwand für Werbetreibende auf einfache Eingaben wie die URL und das gewünschte Marketingziel reduziert wird. Das Versprechen lautet, dass die künstliche Intelligenz der Plattform in der Lage sein wird, die Erstellung von Assets, die Auswahl der am besten geeigneten Kanäle sowie die Optimierungs- und Gebotsstrategien autonom zu verwalten, sodass die Werbetreibenden lediglich die erzielten Ergebnisse beobachten müssen.

Diese fortschrittlichen Werbestrategien basieren auf komplexen Algorithmen für maschinelles Lernen und prädiktive Analysen, die in der Lage sind, Nutzer mit der höchsten Konversionswahrscheinlichkeit in Echtzeit zu identifizieren und hochgradig personalisierte sowie zeitnahe Werbebotschaften auszuliefern. Der offizielle Leitfaden von Google für PMax-Kampagnen veranschaulicht das Konzept, die „richtige Person zur richtigen Zeit mit der richtigen Botschaft auf der richtigen Plattform“ zu erreichen. Ermöglicht wird dies durch die Fähigkeit von KI-Algorithmen, riesige Datensätze zum Nutzerverhalten zu analysieren und so die günstigsten Momente für eine Konversion präzise vorherzusagen.

Generative KI spielt in diesem Prozess eine entscheidende Rolle, da sie die Fähigkeit integriert, dynamische und personalisierte Inhalte direkt innerhalb der von den Plattformen angebotenen konversationellen Erlebnisse zu erstellen. Dieser Ansatz ermöglicht die automatische Generierung dynamischer Werbe-Assets, die sich in Echtzeit an die Bedürfnisse und Präferenzen der Zielnutzer anpassen.

Ein weiterer Schlüsselaspekt dieser KI-basierten Kampagnen ist ihr plattformübergreifender Charakter: Werbetreibende müssen nicht vorab festlegen, auf welchen Plattformen ihre Botschaften ausgespielt werden sollen, sei es YouTube, Gmail, Discover oder andere Kanäle. Der Algorithmus selbst bestimmt den effektivsten Kanal für jede Botschaft.

Die Komplexität und Effektivität der Algorithmen, die automatisierten, auf künstlicher Intelligenz basierenden Werbekampagnen zugrunde liegen, ist ein Thema von erheblichem Interesse und Relevanz im Kontext des modernen digitalen Marketings. Diese fortschrittlichen Technologien haben bewiesen, dass sie signifikante Ergebnisse in Bezug auf die Steigerung des ROAS und die Senkung der Akquisitionskosten liefern können, indem sie auf einem Modell basieren, das eine umfassende Datenerfassung und -analyse beinhaltet.

Zentral für diesen Prozess ist die Anwendung von Vorhersagemodellen, die das Online-Verhalten, die Präferenzen und die Pfade der Nutzer analysieren, um deren zukünftige Aktionen vorherzusehen, einschließlich des Interesses an bestimmten Produkten oder Dienstleistungen.

Diese Echtzeit-Bewertung der Interaktionsmöglichkeit basiert nicht nur auf der Konversionswahrscheinlichkeit, sondern auch auf einer Einschätzung des Wertes, den eine einzelne Impression für die Kampagne generieren kann.

Dieser ganzheitliche Ansatz ermöglicht es, Werberessourcen zu optimieren und sicherzustellen, dass die Investitionen auf die Nutzer ausgerichtet sind, die am ehesten die gewünschte Aktion ausführen. Dennoch wurden von Branchenexperten wichtige Fragen hinsichtlich der tatsächlichen Fähigkeit dieser Systeme aufgeworfen, inkrementelle Konversionen zu generieren.

Vor diesem Hintergrund haben neuere Studien begonnen, den inkrementellen Wert solcher Kampagnen zu hinterfragen, was die kritische Frage aufwirft: Bringen KI-Algorithmen in Werbekampagnen Unternehmen wirklich eine messbare und aussagekräftige inkrementelle Performance?

Wie man inkrementelle Performance erzielt

Das Erreichen inkrementeller Performance im digitalen Marketing ist eine ständige Herausforderung für Agenturen und Fachleute in diesem Bereich. Ein von Pace durchgeführtes Experiment, einer auf Marketing Science spezialisierten Agentur mit Sitz in Segeltorp, Stockholm, lieferte in dieser Hinsicht wichtige Erkenntnisse. Es demonstrierte die Wirksamkeit eines Ansatzes, der auf der Ausweitung der Reichweite der Werbebotschaft basiert, indem der Fokus der Kampagnen von der Konversion auf die Reichweite verlagert wurde.

Traditionell konzentrieren sich Online-Werbekampagnen meist auf Konversionsziele und sprechen Personen an, die bereits als kaufbereit gelten. Dieser Ansatz ist zwar effektiv bei der Generierung unmittelbarer Verkäufe, neigt aber dazu, Algorithmen „träge“ zu machen, da sie ihren Spielraum auf eine eng gefasste Zielgruppe beschränken. Das Experiment von Pace ergab jedoch, dass die Verlagerung des Budgets von konversionsorientierten zu reichweitenorientierten Kampagnen zu einer Umsatzsteigerung von 50 Prozent führte. Dieses Ergebnis unterstreicht, wie wichtig es ist, die Werbebotschaft gleichmäßiger und inklusiver zu verbreiten und so potenzielle Kunden zu erreichen, die über die unmittelbar konversionsbereite Gruppe hinausgehen.

Der Reichweiten-Algorithmus verfolgt im Gegensatz zu konversionsorientierten Algorithmen einen eher statistischen und verteilten Ansatz mit dem Ziel, die maximale Anzahl von Personen in der Zielgruppe effektiv zu erreichen. Dies führt zu einer höheren Wahrscheinlichkeit, Nutzer zu erreichen, die zwar anfangs nicht als konversionsnah eingestuft wurden, aber positiv von der Kampagne beeinflusst werden können, was somit zu signifikanten Umsatzsteigerungen beiträgt.

Ein weiterer entscheidender Aspekt, der in dem Experiment beobachtet wurde, betrifft die Tendenz von stark konversionsorientierten Kampagnen, transaktionale Inhalte und Kanäle zu bevorzugen und dabei informativere oder narrative Markenbotschaften zu vernachlässigen. Diese Wahl mag kurzfristig effizient erscheinen, führt aber im Laufe der Zeit zu einer Sättigung der Zielgruppe und einem Leistungsabfall, was die Möglichkeiten zur Generierung inkrementeller Umsätze einschränkt.

Um diese Herausforderungen zu bewältigen, ist es entscheidend, einen ausgewogenen Ansatz zu wählen, der auch Awareness-Strategien einschließt, also Initiativen, die auf das obere Ende des Marketing-Funnels ausgerichtet sind. Dies hält die Aufmerksamkeit für die Marke bei einem breiteren Publikum aufrecht und gewährleistet gleichzeitig eine effiziente Budgetallokation. Die Implementierung von Awareness-orientierten Kampagnen erfordert die Identifizierung einer klar definierten und hochqualifizierten Zielgruppe. Dies unterstreicht die Bedeutung anspruchsvoller Segmentierungsstrategien und einer sorgfältigen strategischen Planung, um den Return on Ad Spend zu maximieren.

Sich weiterentwickelnde Datenschutzbestimmungen und die daraus resultierenden Einschränkungen bei der Nutzung von Third-Party-Audiences haben Unternehmen vor die Herausforderung gestellt, ihre First-Party-Daten neu zu bewerten und ihnen einen höheren Stellenwert beizumessen. Diese Daten, die aus allen unternehmenseigenen Informationen bestehen, die direkt aus Interaktionen mit Kunden und Nutzern gesammelt werden, sind eine entscheidende Ressource für die Entwicklung gezielter und personalisierter Marketingstrategien. Während in der Vergangenheit die Fülle an verfügbaren Third-Party-Daten den Wert von First-Party-Daten möglicherweise überlagert hat, ist es heute für Unternehmen unerlässlich, diese Informationen voll auszuschöpfen, um einen Wettbewerbsvorteil aufzubauen.

First-Party-Daten beschränken sich nicht nur auf persönliche Informationen der Nutzer, sondern umfassen ein breites Spektrum an Daten, die durch Interaktionen mit den digitalen Kanälen des Unternehmens generiert werden, wie zum Beispiel das Surfverhalten auf der Website, das durch Tools wie Google Analytics erfasst wird. Diese Daten können, wenn sie ethisch und in Übereinstimmung mit den geltenden Vorschriften verwendet werden, zu einem mächtigen Hebel für die Optimierung von Werbekampagnen und fortschrittliches Targeting werden.

Ein Schlüsselelement für die Wirksamkeit von Strategien, die auf First-Party-Daten basieren, ist die Implementierung eines Systems zur dauerhaften Nutzeridentifikation, bekannt als „Persistent User ID“. Diese Technologie überwindet die Einschränkungen, die durch die verringerte Wirksamkeit herkömmlicher Tracking-Cookies und Pixel entstehen, indem sie eine stabilere und zuverlässigere Methode zur Wiedererkennung von Nutzern über verschiedene Touchpoints und Sitzungen hinweg bietet. Eine Persistent User ID kann aus verschiedenen Quellen abgeleitet werden, wie zum Beispiel E-Mail-Hashes oder Identifikatoren, die durch probabilistische Fingerprinting-Techniken generiert werden. Darüber hinaus kann durch die Nutzung retrospektiver User-IDs das vergangene Verhalten eines Nutzers abgerufen und zugeordnet werden, was die Targeting-Genauigkeit erheblich verbessert.

Der Einsatz dieser Technologie erleichtert die Erstellung von Zielgruppen-Clustern auf der Grundlage spezifischer Verhaltensweisen, Interessen und früherer Interaktionen und ermöglicht den Einsatz von Algorithmen der künstlichen Intelligenz zur weiteren Anreicherung und Segmentierung dieser Daten. Dieser Ansatz verbessert nicht heute nur die Personalisierung von Werbekampagnen, sondern ermöglicht auch gezielte Reichweitenstrategien, um neue Kunden mit hohem Potenzial abzufangen, indem First-Party-Informationen genutzt werden, um Profile zu identifizieren, die denen bestehender Kunden ähneln.

Trotz der Wahrnehmung eines vermeintlichen Endes von Lookalike-basierten Strategien profitieren Unternehmen weiterhin von weiterentwickelten Methoden wie Predictive Audiences oder Audience Expansions. Diese stellen die natürliche Evolution des Lookalike-Konzepts in einem Kontext dar, in dem First-Party-Daten eine zentrale Rolle spielen. Plattformen wie LinkedIn und Google haben fortschrittliche Algorithmen eingeführt, die First-Party-Daten nutzen, um diese Strategien zu verbessern, was die Wirksamkeit solcher Ansätze im Rahmen moderner Werbekampagnen belegt.

Parallel zur Transformation der Targeting-Strategien wird es entscheidend, neue Methoden für die Erfolgsmessung und Konversionsattribution einzuführen.

In diesem Zusammenhang erweisen sich Marketing-Mix-Modelle als effektive Lösung zur Bewertung der inkrementellen Auswirkungen von Kampagnen. Sie bieten Unternehmen die Möglichkeit, den Return ihrer Marketinginitiativen genau zu messen, wie das von Pace durchgeführte Experiment gezeigt hat.

Marketing-Mix-Modell

Marketing-Mix-Modelle (MMMs) sind eine grundlegende Säule im Bereich der Marketinganalyse und bieten eine detaillierte und quantitative Sicht auf die Wirksamkeit verschiedener Marketingmaßnahmen auf wichtige Leistungskennzahlen wie den Umsatz. Diese Modelle adressieren ein historisches Dilemma im Marketing, das John Wanamaker treffend formulierte: „Die Hälfte meines Werbebudgets ist rausgeschmissenes Geld, ich weiß nur nicht, welche Hälfte.“

Durch den Einsatz von MMMs versuchen Unternehmen, diese Unsicherheit zu beseitigen, indem sie die Allokation der Werberessourcen optimieren, um den Return on Investment zu maximieren.

In den letzten Jahrzehnten hat die digitale Marketingbranche eine bedeutende Entwicklung erlebt, die durch die zunehmende Einführung fortschrittlicher statistischer Modelle vorangetrieben wurde. Dieser Trend basiert auf drei Hauptpfeilern: einer bemerkenswerten Erweiterung der Rechenkapazitäten, einem beispiellosen Zugang zu riesigen Datensätzen, die oft nahezu in Echtzeit verfügbar sind, und einem zunehmenden Engagement der Unternehmen für eine Kultur der datengesteuerten Entscheidungsfindung. In diesem Zusammenhang haben sich MMMs weiterentwickelt und integrieren etablierte ökonometrische Methoden mit Innovationen aus der künstlichen Intelligenz und dem maschinellen Lernen.

Die Kombination von ökonometrischen Modellen, die ursprünglich in den 1960er Jahren entwickelt wurden, mit ML- und KI-Algorithmen stellt einen bedeutenden Durchbruch dar. Dieser hybride Ansatz minimiert nicht nur das Risiko menschlicher Fehler und gewährleistet genauere und zuverlässigere Analyseergebnisse, sondern reduziert auch drastisch die für die Datenverarbeitung und -interpretation erforderliche Zeit.

Während die Analyse der Ergebnisse eines Marketing-Mix-Modells in der Vergangenheit bis zu sechs Monate oder sogar ein Jahr dauern konnte, ermöglicht der Einsatz von ML- und KI-Techniken heute eine monatliche Durchführung dieser Analysen. Dies macht MMMs zu extrem leistungsfähigen Analysewerkzeugen, die in deutlich kürzerer Zeit operative Erkenntnisse liefern können. Zudem erleichtert es die Einführung agiler Marketingstrategien, bei denen Entscheidungen schnell getroffen und an sich ändernde Marktdynamiken angepasst werden können.

Wie Marketing-Mix-Modelle funktionieren und welche Informationen sie uns liefern

Marketing-Mix-Modelle stellen eine fortschrittliche und grundlegende Analysemethode im Bereich des quantitativen Marketings dar. Sie dienen dazu, die Wirkung verschiedener Faktoren auf den Umsatz einer Marke zu messen und zu isolieren, wodurch eine präzise Identifizierung der Komponenten ermöglicht wird, die zur Umsatzsteigerung beitragen. Dieser analytische Ansatz erlaubt es Unternehmen, im Detail zu verstehen, welcher Anteil des Umsatzes auf spezifische Marketingmaßnahmen zurückzuführen ist und welche Elemente nicht ihrer direkten Kontrolle unterliegen.

Die Vielseitigkeit von MMMs macht sie zu wertvollen Instrumenten für die Analyse eines breiten Spektrums von Variablen, die den Umsatz beeinflussen, sowohl im Online- als auch im Offline-Marketing. Sie berücksichtigen nicht nur direkt quantifizierbare Marketingaktivitäten wie Werbung auf verschiedenen Kanälen, sondern auch weniger greifbare Faktoren, die schwer einem spezifischen Kostenpunkt zuzuordnen sind, wie etwa Werbeaktionen und Events. Ebenfalls wichtig ist die Fähigkeit dieser Modelle, exogene Faktoren – wie etwa die Inflation – zu berücksichtigen, die sich unabhängig von den implementierten Marketingstrategien auf den Umsatz auswirken können.

Durch die Isolierung der Effekte jeder Variablen liefern MMMs wertvolle Erkenntnisse über den inkrementellen Beitrag spezifischer Marketingmaßnahmen zum Gesamtumsatz. Ein Unternehmen könnte beispielsweise feststellen, dass 92 Prozent der Umsatzsteigerung auf Print-Marketingaktivitäten zurückzuführen sind, und erhält so eine quantitative Bewertung der Effektivität dieses Kanals. Gleichzeitig sind die Modelle in der Lage, den Effekt von Variablen, die nicht mit dem Marketing zusammenhängen, „herauszufiltern“, was eine klarere Sicht auf die tatsächlichen Auswirkungen der Marketingmaßnahmen auf den Umsatz ermöglicht.

Ein entscheidender Vorteil der Nutzung von MMMs ist die Fähigkeit, die optimale Verteilung des Werbebudgets über die Marketingkanäle hinweg zu bestimmen und so die Inkrementalität zu maximieren. Dies führt zu einer effizienteren Verwaltung der Marketingressourcen und ermöglicht es Unternehmen, den Return on Ad Spend zu optimieren und ihre Kampagnen strategisch an der Effektivität jedes Kanals auszurichten.

Zusammenfassend bieten MMMs:

• Eine detaillierte Analyse des Beitrags jedes Marketingkanals.
• Die Fähigkeit, den Effekt exogener Variablen herauszufiltern, was ein genaueres Bild der Auswirkungen von Marketingaktivitäten liefert.
• Einblicke in die Kanalsättigung, die es Unternehmen ermöglichen zu erkennen, wann weitere Investitionen in einen bestimmten Kanal möglicherweise nicht mehr zu einer proportionalen Umsatzsteigerung führen.

Darüber hinaus sind MMMs nach dem „Privacy by Design“-Prinzip konzipiert, da sie auf aggregierten Daten auf Zeitebene (täglich, wöchentlich oder monatlich) und nicht auf individuellen Daten basieren. Dieser Aspekt macht sie im aktuellen Umfeld wachsender Datenschutzbedenken besonders wertvoll. Ihre Fähigkeit, ohne individuelle Nutzerdaten zu operieren, ermöglicht es, diese Analysemodelle auch angesichts der Herausforderungen durch die Einschränkung des Nutzertrackings weiterhin zu nutzen. Die Relevanz und Wirksamkeit von MMMs werden ferner durch die Investitionen großer Technologieunternehmen unterstrichen, die begonnen haben, Open-Source-Codes zu veröffentlichen, um die Einführung und Implementierung dieser Modelle zu erleichtern. Dies ist etwa bei Google der Fall, das kürzlich Meridian veröffentlicht hat. Googles Schritt, ein Open-Source-Tool für Marketing Mix Modeling (MMM) zur Verfügung zu stellen, verdeutlicht die Erkenntnis, dass der eingeschränkte Zugriff auf Schlüsseldaten innerhalb exklusiver Ökosysteme die Fähigkeit der Werbetreibenden behindert, die Wirksamkeit digitaler Anzeigen genau zu bewerten. Diese Bemühungen zeigen die wachsende Bedeutung von MMMs als unverzichtbares Werkzeug zur Analyse und Optimierung von Marketingstrategien im digitalen Zeitalter.

Lift-Experiment

Im Bereich der Analyse der Werbeperformance nutzen digitale Marketer eine Vielzahl von Tools, um die Effektivität ihrer Kampagnen zu quantifizieren. Neben den traditionellen Marketing-Mix-Modellen gibt es experimentelle Methoden wie Lift-Tests (Lift-Experimente), die die Möglichkeit bieten, die inkrementellen Auswirkungen einer Werbekampagne präventiv und präzise zu bewerten. Diese Experimente, die auf die Messung des inkrementellen Effekts ausgerichtet sind, ermöglichen es, die mit der Kampagne erzielten Ergebnisse mit denen zu vergleichen, die ohne die Kampagne eingetreten wären.

Die Anwendung fortschrittlicher statistischer Modelle ist bei der Durchführung von Lift-Tests entscheidend, da sie es ermöglicht, den Leistungsunterschied zwischen der der Kampagne ausgesetzten Gruppe und der Kontrollgruppe genau zu bestimmen. Die Auswahl dieser Gruppen basiert auf geografischen Targeting-Kriterien – eine Praxis, die eine strategische Verteilung der Kampagnensichtbarkeit ermöglicht. Vor Beginn des Experiments wird eine vorläufige Analyse durchgeführt, um festzustellen, wie die interessierende Variable geografisch verteilt ist, und um dementsprechend zu entscheiden, welche geografischen Gebiete in die Testgruppe (der Kampagne ausgesetzt) aufgenommen und welche ausgeschlossen werden (Kontrollgruppe).

Beispielhaft könnte man entscheiden, eine Werbekampagne in bestimmten Regionen Italiens zu starten, während andere ohne Kampagnenpräsenz bleiben. Während des Testzeitraums werden Daten zu Konversionen sowohl in der Test- als auch in der Kontrollgruppe gesammelt und analysiert. Am Ende des Experiments ermöglicht die Anwendung statistischer Tests die Bewertung der tatsächlichen Signifikanz des beobachteten Konversionsunterschieds, um das Vorliegen einer tatsächlichen Steigerung zu bestätigen oder zu widerlegen.

Lift-Tests erweisen sich aus zwei Hauptgründen als besonders nützlich: Erstens ermöglichen sie es, den inkrementellen Effekt einer Kampagne auf spezifische Kennzahlen wie Konversionen, Verkäufe oder Umsatz mit einem begrenzten Budget zu testen, bevor umfangreichere Ressourcen investiert werden.

Zweitens bieten sie die Möglichkeit, die Wirksamkeit verschiedener Werbestrategien zu vergleichen, indem beispielsweise die Inkrementalität von Kampagnen mit Reichweitenzielen gegenüber konversionsorientierten Kampagnen bei gleichem Werbeinhalt bewertet wird.

Darüber hinaus gewährleistet der End-to-End-Ansatz von Geo-Experimenten eine umfassende Bewertung des Potenzials einer Kampagne und optimiert die Budgetallokation auf effektive und datenschutzfreundliche Weise, da sie auf aggregierten Daten basieren.

Der Einsatz von Lift-Tests im Kontext digitaler Marketingstrategien stellt somit eine bedeutende Weiterentwicklung der Fähigkeit von Unternehmen dar, die Wirksamkeit ihrer Werbekampagnen zu messen und zu optimieren, was evidenzbasierte Entscheidungen fördert und den Return on Ad Spend erhöht.

Was Lift-Tests betrifft, die direkt von Plattformen durchgeführt werden und sich ausschließlich auf deren eigene Kanäle konzentrieren, so gestalten diese den Vergleich der Performance mehrerer Kampagnen und verschiedener Kanäle schwierig. Zudem sind diese Tests anfällig für technologische Updates und Änderungen der Richtlinien einzelner Plattformen, was die Genauigkeit der Ergebnisse beeinträchtigen kann. Daher empfiehlt es sich, für diese Tests auf externe Partner zu setzen.