27. März 2019

Mehr Liquidität und intelligenteres Arbeiten durch maschinelles Lernen

Erfahre, wie du die Kampagneneffizienz und Budgetoptimierung in automatisierten Systemen verbessern kannst.

Themen

Werbe-Insights Mediaplanung und -einkauf

INHALTE

Jedes Jahr wächst die Medienlandschaft durch neue Kanäle, Formate und Daten – und dadurch werden die Aufgaben von Mediakäufern immer komplexer. Mediateams sind es gewohnt, exakte Pläne auszuarbeiten und umzusetzen. Trotzdem verbringen sie oft mehr Zeit als nötig mit dem Erstellen, Anpassen und Optimieren von Kampagnen. Um relevante Optionen in Echtzeit auszuwerten, gibt es mittlerweile maschinelle Lernsysteme, die in Ad Exchanges eingebettet sind und eine Vielzahl von ständig variablen Datenpunkten verarbeiten. Wenn Teams einen Teil der Kontrolle abgeben, können sie von der Liquidität profitieren, die maschinelle Systeme ermöglichen. Diese „Liquidität“ beschreibt einen Zustand, in dem jeder Euro in die wertvollste Impression fließen kann.

Das maschinelle Lernen ist in den Bereichen Marketing und Werbung noch nicht lange im Einsatz. Viele Marketer haben noch nicht ganz verstanden, was maschinelles Lernen ist und wie es funktioniert – und fragen sich, ob es sie ersetzen wird. Kurz gesagt: Maschinelles Lernen im Bereich Mediabuchung verwendet serielle Algorithmen und prädiktive Analysen, um die richtige Zielgruppe zur richtigen Zeit und zum besten Preis zu finden. Und nein, maschinelles Lernen ersetzt niemanden.

Innerhalb von automatisierten Systemen sagt maschinelles Lernen anhand von unzähligen Datenpunkten in kurzer Zeit voraus, welche Personengruppen auf eine Werbeanzeige reagieren werden. Diese Informationen werden dann an die automatisierten Systeme zur Anzeigenplatzierung weitergegeben. Mediateams, die diese Technologie nutzen, können auf neue Effizienzchancen und überraschende Insights zugreifen. Außerdem sparen sie Zeit, die sie in höhergelagerte Projekte investieren können.

Maschinelles Lernen verbessert die Optimierung in automatisierten Systemen.

Fast zehn Jahre lang haben Marketer auf herkömmlichen Ad Exchanges ihre Gebote abgegeben – um spezifisches Werbeinventar für vordefinierte Zielgruppen zu erhalten. Mediateams kennen die manuellen Vorgänge: Anzeigeneinheiten auswählen, potenzielle Kunden identifizieren, Höchstpreise festsetzen. Dabei ist oft nicht klar, welcher Aspekt der Anzeigen zur Performance beiträgt. Bisher musste ein Team in Dutzenden von Tests konkrete Statistiken sammeln, um herauszufinden, wie eine Kampagne für echten Mehrwert optimiert werden kann.

Maschinelles Lernen erleichtert diesen Prozess enorm, da es Systeme unterstützt, automatisch die beste Buchungsoption finden. Die Käufer legen dabei ein Kampagnenziel fest, auf das die KI hinsteuert. Dann setzen sie Kampagnenparameter fest, die einen möglichst großen Datensatz umfassen. Die Modelle und Algorithmen des maschinellen Lernens sagen die wertvollsten Werbemöglichkeiten voraus – basierend auf den eingehenden Daten und in Echtzeit, während die Anzeigen bereitgestellt werden. Sie nehmen die erforderlichen Änderungen vor, um sicherzustellen, dass die Kampagne deine Ziele zum bestmöglichen Preis erreicht.

Maschinen brauchen Handlungsspielraum, um deine Ziele zu erreichen.

Für Mediaplaner und -käufer, die Kampagnen normalerweise über traditionelle Ad Exchanges schalten, kann es ungewohnt sein, einen Teil ihrer Arbeit Maschinen anzuvertrauen. Automatisierte Systeme, die maschinelles Lernen nutzen, funktionieren jedoch am besten mit weit gefassten Parametern.

Teams, die mit diesen Systemen arbeiten, sollten sich nicht zu sehr auf bestimmte Platzierungen, Plattformen oder Zielgruppen festlegen. Denn nur mit ausreichend Spielraum kann das System aus einem größeren Angebot die Option mit der besten Performance ermitteln. So können Planer, die neue Wege gehen, mit überraschenden Zielgruppen-Insights belohnt werden. Und für Medienkäufer bleibt mehr Zeit, um größere Zusammenhänge zu analysieren.

Um erfolgreich für Liquidität zu optimieren, müssen Mediakäufer und -planer natürlich auch die richtigen Kampagnenziele festlegen. An diesen Zielen orientieren die Systeme ihre Berechnungen. Daher sollten sie eng mit realen Geschäftsergebnissen verknüpft sein. Marketer, die für Direct-Response-Ziele optimieren, können innerhalb des Systems verschiedene zuverlässige Signale nutzen, wie etwa Verkäufe, Downloads und andere Conversions. Beim Optimieren für Markenziele wie Reichweite, Bekanntheit oder Stimmung sollten Marketer unter Umständen testen, welche Signale am besten funktionieren.

Was bedeutet das für Marketer?

Sorge für mehr Liquidität, indem du maschinelles Lernen mit automatisierten Systemen verknüpfst.
Selbst die besten Mediateams sind bei der Verarbeitung komplexer Datensätze in Echtzeit nicht so effizient wie die Kombination aus maschinellem Lernen und Automatisierung. Nutze die Liquidität dieser Systeme um sicherzustellen, dass jeder Euro so effizient wie möglich eingesetzt wird.
Lockere die Zügel, um Liquidität zu erreichen.
Weit gefasste Parameter funktionieren hier am besten. Indem du bestimmte Elemente einer Buchung nicht festlegst, stellst du sicher, dass das System möglichst viele Optionen findet – und zum Erreichen der Kampagnenziele die besten davon auswählt.
Wähle Ziele aus, die sich an realen Geschäftsergebnissen orientieren.
Die Systeme steuern auf diese vorgegebenen Ziele zu. Ob eine Kampagne effizient ist, hängt also letztlich von deiner Wahl des Kampagnenziels ab.