Predictive Targeting: Als Erster wissen, was Kunden wünschen

Fachartikel aus Leitfaden Digitaler Dialog:
http://www.marketing-boerse.de/Info/details/Leitfaden-Digitaler-Dialog


Es würde einem Unternehmen den entscheidenden Vorsprung im sich rasant wandelnden Online-Business verschaffen, wenn es aktuell und flexibel neue Entwicklungen im Markt vorhersagen könnte. Wenn es kontinuierlich relevante Informationen identifizieren, Wünsche und Trends erkennen könnte, um darauf adäquat und schnell zu reagieren. Diesen Herausforderungen begegnet das Predictive Targeting.

Marketing 2.0

Unternehmen greifen offline auf die Analyse unternehmensinterner Datenbestände unter anderem mit Reporting, Data Mining und Marktbeobachtungen zurück. Um Erfolge zu messen oder neue Bedarfe ihrer Zielgruppen schon früh zu erkennen und möglichst schnell darauf eingehen zu können. Online werden meist kostengünstige Webanalysen (Klickrates, Page-Impressions…) als Messlatte herangezogen.

Doch das Web entwickelt sich rasant und mit ihm seine Nutzung. So bot es vor noch nicht einmal zehn Jahren statische Websites (Web 1.0), ließ diese dann dynamisch werden (1.5) und trat ab 2005 als Web 2.0 in die interaktive Phase – und das Web 3.0 steht bereits in den Startlöchern. Mit vielfältigen Angeboten und Anwendungsmöglichkeiten durchdringt das Medium Internet den globalen Markt, alle Gesellschaftsschichten und Ethnien.

51,4 Millionen Menschen in Deutschland (73,1 Prozent) sind bereits online [1]. Sie nutzen das Web immer ausgiebiger (Suche, E-Mail, Shopping, Foren, Blogs, Podcasting, Onlinespiele …) und zunehmend auch für die Recherche nach Produkten und Dienstleistungen. So hat sich das Internet zum weltweiten, hart umkämpften Marktplatz entwickelt.

2011 machten die Ausgaben für Online-Marketing 19,6 Prozent der Gesamtaufwendungen für Werbung aus, mit steigender Tendenz in allen Branchen [2]. Denn dieser Marktplatz eröffnet die vielfältigsten Marketingmöglichkeiten – und fordert daher auch völlig neue Marketing-Strategien. Zeitgemäße Werbung muss medienübergreifend, zielgruppenspezifisch und relevant sein. Wer neue Kunden finden und Bestandskunden an sich binden will, muss diese heute ganz persönlich mit maßgeschneiderten Botschaften ansprechen. Nur auf diesem Weg lassen sich die Response- und die Konversionsraten steigern. Dabei gilt es, die Kosten möglichst niedrig zu halten [3].

Diesen Herausforderungen begegnen neue Technologien und Methodiken. So liefert die Logfile-Analyse (Logfiles = internetbasierte Protokolldaten) Informationen zur Herkunft des Besuchers, zum Browser, den er nutzt, sowie zu Anzahl und Art der von ihm besuchten Seiten.

Anhand dieser Informationen erfahren Unternehmen mehr über das typische Klickverhalten ihrer Kunden. Sie bestimmen mit diesem Wissen als Grundlage zum Beispiel die Positionierung der Werbung für ihr Produkt, die ihre Kunden am besten anspricht. Oder sie nutzen die Erkenntnisse über Ein- und Ausstiegsseiten zur kontinuierlichen Verbesserung der Struktur ihrer Websites und optimieren so ihre Repräsentanz im Web.

Immer wichtiger wird es, auch Daten, die im Rahmen von Social Media-Kampagnen beziehungsweise durch Social Media Monitoring gewonnen werden, als Treiber für die Unternehmensentwicklung zu nutzen.

Predictive Behavioral Targeting

Für die strategische Planung sind zuverlässige Vorhersagen über zukünftige Entwicklungen im Verhalten und im Bedarf der Kunden unerlässlich. Das Predictive Behavioral Targeting stellt solche Vorhersagen auf ein statistisch abgesichertes Fundament.

Was es leistet
Predictive Behavioral Targeting liefert fundierte Prognosen über das wahrscheinliche zukünftige Verhalten von Website-Besuchern und macht so Kundenprofile wirklich spannend. Natürlich sind nach wie vor auch Informationen zu den historischen und aktuellen Gewohnheiten wertvoll. Denn Predictive Targeting „lernt“ auch aus „alten“ Daten, wobei als „alt“ schon die Daten vom Vortag bezeichnet werden. Doch es gilt zudem, im Kundenverhalten Muster zu identifizieren, die zum Beispiel auf den speziellen Bedarf eines bestimmten Users hinweisen.

Angewandte Methoden
Neben Data Mining kommen beim Predictive Behavioral Targeting Methoden wie deskriptive Statistik, Click-Stream-Analysen, Diskriminanzanalyse, Regressionsverfahren, Entscheidungsbäume, Neuronale
Netze, Case-Based Reasoning (CBR) oder Zeitreihen-Analysen zum Einsatz.

Die Erstellung der Vorhersagemodelle über das zukünftige Verhalten der Website-Besucher basiert auf Analysen von Userprofilen und Userstrukturen (Alter, Lebensstil, Zugehörigkeit zu Peer Groups, Surfverhalten …). So erfolgt zum Beispiel die Entscheidung, welches Banner welchem User gezeigt werden soll, auf Grundlage der Sites, die er besucht. Oder auf Basis dessen, was er auf diesen Sites tut und welche Interessen er im Social Web offenbart. Unterschieden wird in OnSite Behavioral Targeting (für eine spezifische Website) und Network Behavioral Targeting (Analysen in komplexen Netzwerken, die mehrere Websites umfassen).

Während das Contextual Advertising auf Basis des Contents die Seite identifiziert, die am besten für eine Anzeige geeignet ist, identifiziert das Predictive Behavioral Targeting auf Grundlage des Nutzerverhaltens in der Vergangenheit die geeignete Person für ein Angebot. Durch die Möglichkeit, Nutzerprofile zu identifizieren, eröffnet das Predictive Behavioral Targeting den Weg für Relevant Advertising.

Weiterentwicklung
Die Komplexität des Predictive Behavioral Targeting ist Garant für aussagekräftige Vorhersagen, aber auch Ursache für einen hohen Zeitbedarf, wenn alle Vorgänge „von Hand“ ausgeführt werden. Je mehr Zeit vergeht, bis die Informationen aus dem Predictive Behavioral Targeting in der richtigen Form am rechten Ort bereitstehen, desto kürzer wird der Vorsprung, den sie verschaffen.

Um den benötigten Zeitaufwand extrem zu minimieren, wurde für die Modellierung des Realtime-Online-Verhaltens das vollautomatische Predictive Targeting entwickelt.

Vollautomatisches Predictive Targeting
Unter Einsatz der notwendigen Algorithmen zu Analysen in Echtzeit eröffnet das vollautomatische Predictive Targeting neue, individuelle und nachhaltige Formen der Kommunikation – und bietet dabei den entscheidenden Zeitvorsprung – durch Modellierung des Realtime-Online-Verhaltens.

Dies bedeutet einen Evolutionsschritt vergleichbar dem vom Handwerk zur Fabrikation – inklusive Abstriche an der Komplexität. Der klassische Weg, komplexe Vorhersagemodelle von Hand zu bauen, steht für die „Meisterwerkstatt“. Doch auch ein großer Stab von Analytikern kann die immensen Datenmengen nicht in Echtzeit bewältigen – eine vollautomatisierte „Montagestraße“ für Vorhersagemodelle dagegen schon.

Module
Kernstück des vollautomatischen Predictive Targeting-Systems ist der Bau von Vorhersagemodellen. Dabei beinhaltet ein Modul alle Funktionalitäten, um mit einem Team von Analytikern komplexe Vorhersagemodelle von Hand zu bauen („Meisterwerkstatt“). Das zweite Modul („Montagestraße“) baut vollautomatisiert einfache, klickbasierte Vorhersagemodelle, sichert automatisch deren Qualität und stellt sie zur Anwendung bereit.

In der „Montagestraße“ werden alle Modelle berechnet, bei denen es sich um eine relativ einfache Aufgabenstellung aus dem Bereich der Vorhersagen (Predictive Modelling) handelt. Das sind zum Beispiel die Modelle, deren Zielvariable eine dichotone Struktur haben (geklickt oder nicht geklickt, gekauft oder nicht gekauft, besucht oder nicht besucht und Ähnliches). Diese Vorhersagemodelle decken unter anderem einen großen Teil der Aufträge zur Banneroptimierung durch Behavior Targeting ab. Spezialanalysen wie Clusteranalysen werden durch das Analyseteam in der „Werkstatt“ durchgeführt.

Durch einen administrativen Prozess wird entschieden, ob ein Vorhersagemodell in der Werkstatt oder in der Montagestraße gefertigt
werden soll. Jedes Modell erhält eine eindeutige ID (Identifikation) und wird archiviert. Folgende wesentliche Elemente beinhaltet die Montagestraße:


Module des automatischen Targeting-Systems
• Steuerung:
– Administration
– Modellmanagement
– Variablenverwaltung
• Modellentwicklung:
– Selektion der Zielvariable=1 und Selektion der Zielvariable=0
– Modellspezifische Stichprobenziehung
– Bereitstellung Entwicklungsdatei Train und Validierungsdatei Test
– Modellentwicklung
– Modellvalidation
– Qualitätsmonitor
– Freigabeprozess
– Übergabeprozess
• Modellüberprüfung
– Modellspezifische Stichprobenziehung
– Modellüberprüfung
– Qualitätsmonitor
– Bestätigungsprozess
• Modellarchiv
• Variablen-Aufbereitung und -Bereitstellung


Wie es funktioniert
Die Bereiche „Meisterwerkstatt“ (Arbeitsbereich des Analyseteams) und „Montagestraße“ (automatisches Targeting) werden in die bestehende Architektur eines Unternehmens so eingebunden, dass die Umgebung und ihre Vorteile soweit wie möglich genutzt werden können.

Generell gilt: Alle entwickelten Modelle werden als Code/Skript übergeben und inklusive ihrer Metadaten in einem Archiv auch über ihren Einsatz hinaus archiviert. Die Anwendung der auf den Modellen basierenden Skripte erfolgt als letzter Schritt der Variablen-Berechnung am Ende einer Session beziehungsweise eines Slots, vergleichbar der Berechnung einer komplexen Profilvariablen. Für jedes aktive Modell wird somit immer zum Zeitpunkt der allgemeinen Profilvariablen-Berechnung der jeweilige Prognosewert pro Unique Client (individueller User) berechnet und in einer eigenen Variable gespeichert.

Diese modellspezifischen Variablen werden dann, vergleichbar allen anderen genutzten Profilvariablen, dem Targetbuilder (Instrument zur Auslieferung zielgruppenspezifischen Contents) zur eigentlichen Zielgruppenbestimmung zur Verfügung gestellt.

Im Targetbuilder werden diese Vorhersagefunktionen neben Und/Oder-Verknüpfungen von Profilen verwendet, um Zielgruppen für Online-Kampagnen bereitzustellen und zu kennzeichnen. So wird jeder User mit den treffenden Bild- und Textwelten und passenden Angeboten angesprochen.

Datenflüsse und Datenbasis
Die Basis für alle Analysen bilden die erhobenen Surf- und Verhaltensdaten des Unique Client auf den jeweiligen Websites sowie seine Interessen, die er im Social Web erkennen lässt (Social Graph). Idealerweise können diese durch Informationen aus Befragungen oder Login-Daten angereichert werden.

Man kann zwischen Standard-/generellen und verhaltens-/interessensbedingten Informationen unterscheiden. Diese Profil- und Verhaltensdaten pro Unique Client werden mit Bezug auf unterschiedliche Zeitfenster berechnet. Aus beiden wird eine Vielzahl von Variablen gebildet.

Im Rahmen der Modellierung in der Montagestraße kommt nur ein geprüftes Subset von Variablen zum Einsatz, um die für die Automatisierung unerlässliche Stabilität, Robustheit und Performance zu gewähren. Damit eine Modellierung unter Nutzung der aktuellen Session erfolgen kann, ist es unabdingbar, dass zu jedem beliebigen Zeitpunkt in einer Session auf die Session-Daten zugegriffen werden kann.

Ein wesentlicher Teilschritt der täglichen Profilbildung ist die Datenaufbereitung. Sie wird sowohl für die Modellbildung und -überprüfung als auch für die Anwendung, also die Berechnung von Scorewerten, benötigt und ist der zeitkritischste Bereich.

Herausforderungen/kritische Erfolgsfaktoren
Die Komplexität des vollautomatischen Predictive Targeting und der Modellierung des Realtime-Online-Verhaltens birgt einige statistische Herausforderungen: Bei der Stichprobenziehung muss die minimale sinnvolle Anzahl der Event=1 (zum Beispiel Klicks), Schichtungsverhältnisse, Sampling-Routinen et cetera sensibel festgelegt werden. Prognoseverfahren sind hinsichtlich Güte der Vorhersage, Stabilität, Performance in der Entwicklung und so weiter auszuwählen. Robustheit, Laufzeitverhalten, Parametrisierung, Fehlererkennung und Automatisierbarkeit müssen bei der Auswahl qualitätssichernder Methoden berücksichtigt werden [5).

Damit das vollautomatische Predictive Targeting sein volles Potenzial entfalten kann, sollten zudem noch folgende kritische Erfolgsfaktoren bedacht werden:

Predictive Targeting – kritische Erfolgsfaktoren
• Reale und „gefühlte” Verstöße gegen den Datenschutz.
• Wem gehören welche Daten und wie dürfen sie genutzt werden?
• Die Verknüpfung der Daten aus der Onlinewelt mit den Informationen aus den Marketing-Datenbanken.
• Umgang mit „Cookie-Löschern“.
• Priorisierungsvorgaben im Adserver.
• Das gezeigte Werbemittel ändert sich im Laufe der Kampagne oder passt nicht zur Zielgruppe.
• Beeinflussen nicht kontrollierbare Optimierungsschritte/Algorithmen des Adservers das ursprünglich vorhergesagte Klickverhalten massiv?
• Fehlen Tags (Meta-Informationen über Ursprung oder Verwendungszweck) im Banner?
• Erfolgen so wenig Klicks, dass es zu lange dauert, eine kritische Menge zum Modellieren zu erhalten?

Mögliche Anwendungsfelder

Gelingt es, die Relevanz von Onlineangeboten zu steigern, erhöht sich die zu erwartende Response (zum Beispiel Klicks) und damit der ROI (Return-of-Investment) für ein Unternehmen.

Das vollautomatische Predictive Targeting ermöglicht es, zielgruppengenau zu werben, neue Kunden zu gewinnen und Bestandskunden besser zu binden. Und mit zunehmender Weiterentwicklung der Technologien werden sich auch die Anwendungsfelder ausweiten, die bisher dem klassischen Scoring vorbehalten waren.

Anwendung Kundenbindung
Im Bereich der Kundenbindung schärft das Predictive Targeting unter Miteinbeziehung von Informationen aus der Welt des Social Web die Bestandskundenprofile. Sobald ein Kunde sich zum Beispiel auf der Unternehmens-Website einloggt, können ihm genau auf seine Interessen zugeschnittene Gutscheine, Angebote oder Special Features präsentiert werden.

Zudem unterstützt das vollautomatische Behavioral Targeting auch klassische Aufgaben wie die Entwicklung und Durchführung präventiver Maßnahmen auf Kunden mit hoher Kündigungsgefährdung.

Das geschieht durch Identifikation der Merkmale/Faktoren, die mit hoher Signifikanz zur Kündigung bei Bestandskunden führten (retrograder Ansatz). Diese Merkmale/Faktoren werden auf den aktiven Kundenbestand übertragen und identifizieren so Bestandskunden mit hoher Kündigungsgefährdung.

Anwendung Neukundengewinnung
Um neue Kunden zu gewinnen, gilt es, neue Interessenten/Leads für die jeweiligen Produkte zu identifizieren und gezielte Kommunikationsstrategien zu entwickeln (Welchen Kunden erreiche ich über welchen Werbeweg, wann und wo?). Welche Inhalte (Content) sprechen die Zielgruppe an und in welchem Kontext? Das Predictive Behavioral Targeting findet Antworten auf diese Fragen und liefert wertvollen Input für innovative Produktentwicklung unter Berücksichtigung crossmedialer Aspekte.

Behavioral Targeting
… ist eine Werbe-Methode, mit deren Hilfe Werbebotschaften gezielt bestimmten Usern gezeigt werden. Es können mit Hilfe des vollautomatischen Predictive Targeting auf der gleichen Website, abhängig von den vorhandenen Kundenprofilen, zeitgleich unterschiedliche profilspezifische Banner gezeigt werden. Zum Beispiel zeitgleich auf derselben Platzierung Banner für Kosmetik, Autos, Reisen, … Das heißt: Dieselbe Platzierung kann mehrfach verkauft werden.

Information Brokering
Je aussagekräftiger die Profildaten, desto effektiver können sie als strategischer Erfolgsfaktor genutzt werden. Das vollautomatische Predictive Targeting stellt spezifische und selektierbare Zielgruppeninformationen bei der Vermarktung der Adressen und Qualifikationsmerkmale und zur Entwicklung innovativer Business-Modelle (zum Beispiel im Anzeigenverkauf ) bereit. Auf weite Sicht dient es zudem zur Erweiterung von Mafo-Daten um „echte Profildaten“.

Ein Anwendungsbeispiel aus der Praxis

Ein Online-Medienhaus registrierte vor ein paar Jahren einen stetigen Rückgang der Response auf seine Online-Bannerwerbung.

Es stellte sich die Aufgabe, prototoypisches Surfverhalten als Indikator für die Zugehörigkeit der User zu bestimmten Zielgruppen zu finden. Die Ergebnisse dieser Analyse sollten für Target-Bannerwerbung genutzt werden. Das heißt, Kunden, die eine Schwellenwahrscheinlichkeit zu einer bestimmten Zielgruppe überschreiten, erhalten relevante zielgruppenspezifische Werbeeinblendungen (Banners).

Mit Hilfe eines vollautomatischen Textmining-Verfahrens wurde eine Verpixelung und Idexierung (AGOF-Code) der Sites zur Identifikation der Inhalte durchgeführt. Die relevanten Logfile-Daten wurden ermittelt und selektiert. Um diese anzureichern, wurden zur Aufbereitung ergänzend Daten aus den Kundeninformationen (Login) herangezogen.

Durch die Analyse der Daten (Regressionen und Entscheidungsbäume) wurden Regeln aufgedeckt, die die Zuordnung zu einer bestimmten Zielgruppe erlaubten. Nachdem die gefundenen Regeln im Hinblick auf ihre Generalisierbarkeit überprüft und validiert waren, wurden sie an den Adserver/Targetbuilder zur Steuerung der aktuellen Werbeeinblendungen übergeben.

Somit erhielten die User bei jedem Besuch auf der Website die Werbeeinblendungen, die ihren Vorlieben am besten entsprachen. Das Ergebnis: Die Klickrate auf die Bannerwerbung des Online-Medienhauses ist 2,5 - 3,3 Mal besser – und diese Entwicklung hält
stetig an.

Fazit

Vollautomatisches Predictive Targeting und Modellierung des Realtime-Online-Verhaltens stehen am Anfang ihrer Entwicklung. Sie sind wertvolle Instrumente, vorausgesetzt, bei der Implementierung und im Umfeld werden Anforderungen und kritische Erfolgsfaktoren sorgfältig beachtet.

Denn dann berücksichtigt das vollautomatische Predictive Targeting auch den buchstäblich letzten Klick in Echtzeit und seine Vorhersagen erfolgen flexibel und top-aktuell. So ermöglicht es rasche Reaktionen auf Veränderungen und Tendenzen auf dem sich rasant wandelnden Online-Marktplatz.

Literatur

[1] Quelle: AGOF e.V. / internet facts 2012-02, http://www.agof.de/index.583.html

[2] OVK ONLINE REPORT 2012/ 01 – bvdw.org/fileadmin/bvdw-shop/ovk_report2012_1.pdf

[3] David S. Evans –The Online Advertising Industry: Economics, Evolution and Privacy – in The Journal of Economic Perspectives, Volume 23, Number 3, pp. 37-60(24), Verlag: American Economic Association, 2009, http: //www.ingentaconnect.com/content/aea/jep/2009/00000023/00000003/art00003

[4] Andrea Ahlemeyer-Stubbe – Vollautomatisches Predictive Targeting und Modellierung des Realtime-Online-Verhaltens in Deutscher Dialogmarketing Verband e. V. (Hrsg.) – Dialogmarketing Perspektiven 2010/2011, Tagungsband 5, wissenschaftlicher interdisziplinärer Kongress für Dialogmarketing, S. 217-225, Gabler-Verlag, 2011.

[5] Petra Perner (Hrsg.), Case-Based Reasoning and the Statistical Challenges, Springer-Verlag 2007.

Roland Fiege, Social Media Balanced Scorecard: Erfolgreiche Social Media-Strategien in der Praxis: Erfolgreiche Corporate Social Media-Strategien in der Praxis, Springer-Verlag, erscheint im 3. Quartal 2012.

Prof. Dr. Shirley Coleman / Andrea Ahlemeyer-Stubbe: A Practical Guide to Data Mining for Business and Industry, Verlag: John Wiley & Sons Limited, erscheint im 1. Quartal 2013.