Bitte aktivieren Sie Javascript in ihrem Browser um alle Vorteile von iBusiness nutzen zu können.
Welche Möglichkeiten Sie als Markenentscheider haben, Ihre Kundenschnittstelle neu zu besetzen.
Whitepaper herunterladen

Was hinter Machine Learning auf Demand Side Platforms steckt

15.01.2019 Jeder große Anbieter von Demand Side Platforms (DSP) spricht darüber: Machine Learning ist das Thema der Stunde. Ist es einfach nur das neueste Buzzword in einer Branche, die ihre Buzzwords liebt? Oder steckt mehr dahinter? Zumindest dürfte es zu den interessantesten Schlagworten seit langem gehören. Und das aus gutem Grund.

 (Bild: geralt/Pixabay)
Bild: geralt/Pixabay
Jeder große Anbieter von Demand Side Platforms (DSP) spricht darüber: Machine Learning ist das Thema der Stunde. Ist es einfach nur das neueste Buzzword in einer Branche, die ihre Buzzwords liebt? Oder steckt mehr dahinter? Zumindest dürfte es das interessanteste Schlagwort seit langem sein. Und das aus gutem Grund.

Heute, wo Transparenz und Performance entscheiden, müssen Vermarkter von allem ein bisschen "mehr" sein. Effizienter. Effektiver. Innovativer. So wundert es nicht, dass Marketingspezialisten Maschinelles Lernen als eine Möglichkeit sehen, intelligenter einzukaufen und die Erwartungen zu übertreffen, die an eine Kampagne gestellt werden. Denn Machine Learning kann relevante Markenbotschaften dynamisch zur richtigen Zeit und am richtigen Ort an die richtigen Personen spielen.

Klingt gut - und wir als Betreiber einer DSP sind uns natürlich darüber bewusst und wollen deshalb darüber aufklären. Also: Wie sollen Vermarkter darauf reagieren? Wie können sie herausfinden, was wirkliche echte Vorteile sind und was doch nur Hype und leere Versprechen?

Diese vier Schlüsselfragen können helfen, den Nutzen von Maschinellem Lernen und den Einsatz über eine DSP zu bewerten:

1. Fokus auf Datengenauigkeit legen

Vier Schlüsselfragen können helfen, den Nutzen von Maschinellem Lernen und den Einsatz über eine DSP zu bewerten. Erstens: Wie genau und vielfältig sind die Datenpunkte, die die Plattform verwendet? Denn wie effektiv Maschinelles Lernen auf einer DSP ist, hängt von der Qualität der vorhandenen Daten ab. Hochpräzise Datenpunkte und eine Vielzahl von Quellen - ob aus E-Mail, der Suche, generiert aus Apps, Benutzerregistrierung, Contentverbrauch und mehr - sorgen für den reibungslosen Betrieb der Engine. Eine DSP sollte sich nicht nur aus Nutzerdaten bedienen, wie es in der Welt des Real Time Bidding (RTB) üblich ist. Stattdessen sollte sie auch Daten aus der Deep-Site-Segmentierung aus Angebot und Nachfrage einsetzen. Zusammengefasst gilt: Nur mit einer ausreichend großen Menge an genauen und unterschiedlichen Daten kann eine DSP den besten Überblick über die wichtigsten Zielgruppen eines Werbetreibenden schaffen und diese auch erreichen.

Glücklicherweise sind im vergangenen Jahr Fragen der Datengenauigkeit und -vielfalt in den Fokus der Vermarkter gerückt. 84 Prozent der Marketingspezialisten sagen, dass ihnen Datengenauigkeit ein großes Anliegen sei, so eine aktuelle Lotame-Studie . Hier wird also genauer hingeschaut - gut so!

2. Einsatzfelder entmystifizieren

Die zweite Frage sollte lauten: Wo und wie wird Maschinelles Lernen eingesetzt? Wer Demand Side Platforms und ihr Angebot an Maschinellem Lernen beurteilen will, sollte die Bereiche und Funktionen verstehen, in denen die Technologie angewandt wird. Jeder Anbieter geht das anders an. Die einen nutzen Machine Learning zur Kampagnenoptimierung und -prognose. Die anderen verwenden es zur Modellierung von so genannten prädiktiven Zielgruppen. Hier analysiert und bewertet das "Deep Learning", relevante Datensätze mit Hilfe neuronaler Netze. Das Ziel: vorherzusagen, wie wahrscheinlich es ist, dass ein bestimmtes Publikum etwas Bestimmtes tut. Wieder andere bringen beide Varianten zum Einsatz. Die Anwendungsfälle sind vielfältig, so wird die Technologie genutzt:

  • zur Performance-Prognose. Hier ist die Aufgabe, KPI-Raten (mit den wichtigsten Kennzahlen wie CTR, CVR, IVR) pro Impression zu schätzen.
  • als Steuerungssystem, um den ROI zu maximieren und dabei die Auflagen zu Tempo und Performance einzuhalten. Erreicht wird das durch die Berechnung von Angebotsanpassungen auf Kampagnenebene.
  • zum Forecasting, um die Eigenschaften der Preis-Volumen-Kurve einer Kampagne vorherzusagen. So wird das Steuerungssystem verbessert und die Effizienz erhöht.
  • fürs Bidding, also um Performance Vorhersagen und Informationen aus dem Prognosesystem für eine optimale Angebotsabgabe zu kombinieren.

Ganz schön komplex. Diese Komplexität macht es für Marketingspezialisten umso wichtiger zu verstehen, wie Maschinelles Lernen auf einer DSP eingesetzt wird. Sind die Anwendungsfälle erst entmystifiziert, sieht man klarer. Erst dann können Entscheidungen informiert getroffen und Pläne gezielt entworfen werden.

3. Die Flexibilität hinterfragen

Eine ebenfalls wichtige Frage: Wie flexibel ist das System? Der Flexibilität der maschinellen Lernfähigkeiten einer DSP kommt eine Schlüsselrolle zu, denn sie spricht für die Qualität der Technologie. Kann das System beispielsweise die Angebotsabgabe sowohl für die Dynamik der First- als auch der Second-Price-Auction optimieren? Gebote für First-Price-Auctions erfordern nun mal genau das: Flexibilität. Es braucht eine ausgefeilte Vorhersage der konkurrierenden Angebote. Zudem zu klären: Kann das Maschinelle Lernsystem auch auf Marken-, Performance- und Mehrstufenziele optimiert werden? Hier gibt es große Unterschiede. Aus diesen Gründen wird eine DSP mit formbaren maschinellen Lernfähigkeiten heute immer wichtiger.

4. Zusammenarbeit ist das A und O

Und der vierte Prüfstein: Greifen alle Funktionen glatt ineinander? Dass eine DSP über die richtigen Algorithmen verfügt, reicht nicht aus. Sie müssen auch richtig zusammenwirken. Es gibt Standard-Algorithmen für das Maschinelle Lernen, die alle DSP nutzen können, aber was eine Maschinelle Lernmaschine wirklich auszeichnet, ist die Fähigkeit, mit anderen kundenspezifischen proprietären Algorithmen zusammenzuarbeiten. Auf diese Weise können die besten Strategien und optimale Taktiken fürs Bidding ermittelt werden, um die Kampagnenziele zu erreichen. Anders gesagt: Es muss ein Bindeglied zwischen den Systemen vorhanden sein, damit sie zusammenarbeiten, aus einer Kampagne lernen und eine bessere Performance erbringen können. Und genau das liefern viele DSP nicht.

Also - Machine Learning, Buzzword oder echter Benefit? Auf diese Frage gibt es keine einfache Antwort. Denn über eine Maschinelle Lerntechnologie verfügt heute jede DSP - doch jede hat unterschiedliche Fähigkeiten und Raffinessen. Damit Werbetreibende die besten Werkzeuge für ihre Zwecke finden, müssen sie fragen, fragen, fragen. Nur dann können sie hinter den Hype schauen - und von einer spannenden Technologie profitieren.


Markus Frank (Bild: Oath)
Bild: Oath
Markus Frank

Über den Autor: Markus Frank 'Markus Frank' in Expertenprofilen nachschlagen ist Managing Director bei Verizon Media zur Homepage dieses Unternehmens Relation Browser .

(Autor: Susan Rönisch )

Weitere Artikel zu diesem Themenbereich:

Anzeige

Ausgewählte Agenturen und Dienstleister zu diesem Themenbereich

In diesem Beitrag genannt:

Personen: Markus Frank
Firmen und Sites: verizondigitalmedia.com
Trackbacks / Kommentare
Artikel Weiterempfehlen
Empfehlen Sie diesen Artikel an Kollegen oder Freunde weiter.
Alle Meldungen vom 15.01.2019:

Für diesen Seite von iBusiness steht eine Mobile Ansicht zur Verfügung.
Umleiten?