11. Juli 2019

4 Strategien, um deine Kampagnenmessung mit maschinellem Lernen zu verstärken

Simon Ejdemyr, Datenwissenschaftler bei Facebook, erklärt Strategien zur Nutzung von maschinellem Lernen, um die Performance von Anzeigenkampagnen zu messen.

Themen

INHALTE

In einer immer komplexeren Medienlandschaft müssen Werbetreibende innovativ bei der Messung ihrer Kampagnen sein. Die Stärke von maschinellem Lernen liegt darin, Daten schnell zu interpretieren und Ergebnisse vorherzusagen. Es ist eine spannende Technologie, die Marketern helfen kann, komplexe Zusammenhänge zu überblicken und die Kampagnen-Performance besser nachzuvollziehen.

Tatsächlich kann maschinelles Lernen Werbetreibenden auf vielfältige Weise helfen. Facebook IQ hat bereits festgestellt, wie automatisierte Systeme die Kampagnenplanung und -umsetzung verbessern können. Besonders zur Ergebnismessung bietet die Technologie wertvollen Input, wenn traditionelle Methoden nicht ausreichen. Doch ist es nicht immer leicht, genau zu bestimmen, wie maschinelles Lernen am besten in die eigene Kampagnenanalyse passt.

Wir kennen die Chancen und Herausforderungen. Wir möchten Marketer dabei unterstützen, den inkrementellen Wert ihrer Marketingaktivitäten genauer zu messen. Dazu haben wir ein eigenes datengesteuertes Attributionsmodell (DDA) entwickelt, das maschinelles Lernen beinhaltet. Facebook IQ hat zusammen mit Simon Ejdemyr, einem Datenwissenschaftler unserer Marketing Science Group, die Erkenntnisse aus dieser Untersuchung zusammengefasst.

Das Team erarbeitete die folgenden vier Grundlagen, die entscheidend sind für die Entwicklung und Bewertung von maschinellen Lernlösungen zur Kampagnenmessung:

Diese 4 Aspekte sollten beim maschinellen Lernen für Kampagnen beachtet werden

Lücken in der aktuellen Strategie finden

1. Lücken in der aktuellen Strategie finden

Bevor man sich über Details Gedanken macht, empfiehlt Ejdemyr, zunächst einen Schritt zurück zu gehen und nach Lücken in der aktuellen Messstrategie zu suchen. Grundsätzlich eignet sich der Einsatz von maschinellen Lernsystemen, wenn sie helfen können, die Leistung von Kampagnen auf neue Weise zu interpretieren. Maschinelles Lernen ist jedoch keine Universallösung für alle denkbaren Probleme. „Wenn das Endergebnis keine neuen Erkenntnisse liefert, ist es egal, wie ausgefallen die Lösung auch ist. In dem Fall kann man sich die Zeit und die Kosten sparen“, sagt Ejdemyr.

„Uns war bewusst, dass Marketer in der Lage sein möchten, die kausalen Auswirkungen von Facebook-Werbung schnell und kostengünstig vorherzusagen. Das war unser Ausgangspunkt bei der Entwicklung eines zielgerichteten Tools, das die Lücke schließt zwischen experimentell gestützten Ansätzen und einfachem attributionsbasiertem Reporting. Ausgehend von einer klaren Analyse der Anforderungen konnten wir sicherstellen, dass maschinelles Lernen in diesem Modell angemessen und effektiv genutzt wird.“

Festlegen, wie Erfolg für ein Unternehmen aussieht

2. Festlegen, wie Erfolg für ein Unternehmen aussieht

Ein typischer Fehler bei der Entwicklung eines maschinell-lernbasierten Messansatzes, ist eine Methode einfach deshalb zum Erfolg zu erklären, weil sie verfügbar ist – anstatt sie zu wählen, weil sie den Bedürfnissen entspricht. Um das zu vermeiden, sollte ein Validierungs-Framework eingerichtet werden, bevor die Ergebnisse aus der neuen Lösung verwertet werden. „Aus unserer Sicht ist die Entwicklung eines Validierungssystems genauso wichtig wie die Modellentwicklung selbst“, so Ejdemyr.

Bei der Entwicklung unseres datengesteuerten Attributionsmodells haben wir Testdatenpunkte aus anderen Experimenten herangezogen, um zu sehen, wie völlig neue Eingaben verarbeitet werden. Diese Vorarbeit und Erfolgsdefinition gab uns die Zuversicht, dass unser Ansatz bei Anwendung auf neue Kampagnen gut funktionieren würde.

Sicherstellen, dass qualitativ hochwertige Inputs vorliegen

3. Sicherstellen, dass qualitativ hochwertige Inputs vorliegen

Ein Messansatz, der auf maschinellem Lernen basiert, ist auf verlässliche Daten angewiesen. „Die unterschiedlichen maschinellen Lernmethoden übernehmen zwar einen Großteil der Arbeit, allerdings können sie schlechte Inputs nicht verbessern und auch nicht entscheiden, wie die Inputs verwendet oder nicht verwendet werden sollen. Um das zu bewerkstelligen, muss die Lösung durch hochwertige Inputs und ein kompetentes Team ergänzt werden“, erklärt Ejdemyr.

Das datengesteuerte Attributionsmodell wurde teilweise ausgehend von Conversion Lift-Daten erstellt, was dem Ansatz eine solide Grundlage verleiht. Wie Ejdemyr es ausdrückt: „Hochwertige Inputs variieren je nachdem, auf welche Daten man Zugriff hat und welche Ziele man verfolgt. Doch ohne die richtigen Inputs kann man kein gutes Modell aufbauen – egal, wie komplex die Methode ist.“

Lösung weiter validieren und verfeinern

4. Lösung weiter validieren und verfeinern

Wenn man Zeit und Ressourcen in die Entwicklung eines neuen maschinell-lernbasierten Ansatzes investiert hat, kann es verführend sein, dieser Lösung blind zu folgen und die Hände in den Schoß zu legen. Modelle arbeiten jedoch in Verbindung mit anderen Tools und können sich weiterentwickeln. „Keine Messlösung ist perfekt. Die richtigen Ergänzungen und Feinabstimmungen mit anderen Maßnahmen zu finden, ermöglicht eine noch bessere Entscheidungsfindung“, sagt Ejdemyr.

Unser datengesteuertes Attributionsmodell sollte kein Ersatz für experimentelle Tests sein, sondern vielmehr eine leistungsstarke Ergänzung für Marketer, die mehr über die kausalen Zusammenhänge wissen möchten. Dabei sollte die Lösung kontinuierlich validiert und verfeinert werden, um eine effektive Zusammenarbeit mit anderen Berichtsoptionen zu ermöglichen. Ejdemyr merkt an: „Maschinelle Lernsysteme werden im Laufe der Zeit immer besser. Indem Werbetreibende beständig in diesen Ansatz investieren, können sie eine optimale Messabdeckung erreichen.“

Was bedeutet das für Marketer?

Kenne deine Bedürfnisse.
Bevor man in neue Lösungen investiert, sollte man seine aktuelle Messstrategie genau prüfen, um mögliche Lücken darin zu finden und sie mit der neuen Lösungen abzudecken. Maschinelle Lernsysteme eignen sich, um die Kampagnen-Performance auf neue Weise zu interpretieren.
Teste und lerne.
Einen neuen Ansatz zu implementieren, ist nur der Anfang. Um eine Lösung möglichst effektiv zu gestalten, muss analysiert werden, wie sie bestmöglich mit anderen Messtools funktioniert. Außerdem sollten Marketer in die kontinuierliche Verbesserung der Lösung investieren.
Sieh dir an, wie andere Marketer Messstrategien wie Inkrementalitäts- und Attributionsmodelle nutzen, um intelligentere Geschäftsentscheidungen zu treffen.