Schon seit Jahren begleitet uns in der Online-Media-Branche die Debatte „Performance versus Branding“. Zugleich wird damit oft die Debatte „CpX- vs. TKP-Abrechnungsmodelle“ vermengt. Beide Debatten beziehen sich natürlich auf Scheingegensätze – denn die Performance kann Branding sein, das X von CpX können Kontakte sein (Cost per Mille (CpM)).

Bei den Abrechungsmodellen kann daher bspw. jeder TKP in einen Cost per Click umgerechnet werden und umgekehrt. Bei einer durchschnittlichen Klickrate von derzeit grob 0,1% (für Standardwerbemittel) ergibt sich dann eine CpM-CpC-Parität: 1.000 Kontakte bringen einen Klick und dann gilt tatsächlich “Cost per Click = Tausend-Kontakte-Preis“.

Das ist mathematisch korrekt aber dennoch nicht immer zielführend. So wurde denn auch unlängst von Comscore auf der Interact 2010 in Barcelona wieder festgestellt: „84% of internet users will never click on any ad!“ und „You get big impacts from online advertising even if there are no clicks“.

Mit den „big impacts“ sind in der Regel Branding-Effekte gemeint, also bspw. die Steigerung der Markenbekanntheit oder der Kaufabsicht. Auch diese Effekte lassen sich erfassen. Umso verblüffender ist es, wie wenig Aufmerksamkeit bislang dem „Cost per Branding“ beigemessen wird. Dieses Konzept ist fast so alt wie die Performance-vs.-Branding-Debatte, scheint aber etwas in Vergessenheit geraten zu sein. Wenn man bspw. nach „Cost per Branding“ googelt, erhält man nur 178 Suchergebnisse – aber 657.000 für „Cost per Click“, 461.000 für „Cost per Sale“ und 58.900 für „Cost per Lead“.

Dabei gibt es wunderbare Vorarbeiten zu „Cost per Branding“. Sie stammen vom amerikanischen IAB aus dem Jahr 2003 und sind dort ziemlich versteckt in der Forschungsreihe zu Cross Media Optimization Studies (XMOS) zu finden. Um eine Vergleichbarkeit zwischen der Werbeleistung von Print, TV und Online herzustellen, wurde von Rex Briggs diese supersimple Formel verwendet:

Also einfach die Kampagnenkosten dividieren durch die Anzahl der durch die Kampagne „gebrandeten“ Personen. Wenn also bspw. das Kampagnenziel die Steigerung der Brand Awareness ist, und man aus Befragungen weiß, dass ohne Kampagnenkontakt 50 Prozent der User die Marke kennen, nach Kampagnenkontakt aber 55 Prozent, und dass die Kampagne 100.000 Personen erreicht hat, dann kennen dank der Kampagne 5.000 Personen mehr als vor der Kampagnen die beworbene Marke.

Aber man ahnt auch schon, warum ein so berechnetes „Cost per Branding“ sich allen theoretischen Überzeugungen zum Trotz in der Praxis noch nicht durchgesetzt hat: Erstens muss man Befragungen durchführen und kann sich nicht mit automatisch anfallenden Adserver-Zahlen begnügen, zweitens möchte man ggf. das Ganze pro Mensch und nicht pro Maschine berechnen.

Beide Hürden sind nun aber überwindbar. nugg.ad hat ja gerade erst am Beispiel L’Oréal demonstriert, wie man mit sehr schlanken Befragungen Branding-Werte so schnell erfassen kann, dass diese fast schon so simpel verfügbar sind wie die Klickzahlen des Adserver-Reportings.

Und da inzwischen auch jeder Adserver reportet, wie viele Clients durch die Kampagne erreicht wurden, kann man auch ohne Probleme den „Cost per branded client“ berechnen. Inwieweit man dann noch Clients (Maschinen) zu Usern (Menschen) verrechnet, ist eine andere Baustelle, die die Online-Media-Branche ebenfalls schon seit Jahren begleitet. Eine pragmatische Lösung können die Österreicher verfolgen, in dem sie einfach das Verhältnis Clients zu Usern bei der ÖWA (die österreichische IVW) nachschlagen und so dann den „Cost per branded User“ berechnen können. In Deutschland veröffentlichen bedauerlicherweise weder die AGOF noch die IVW Client-Zahlen – was aber hier wirklich hilfreich wäre.

Schon heute gilt: Auch in Deutschland lässt sich nun ohne große Probleme der „Cost per Branding“ als „Cost per branded client“ berechnen. Und dieser KPI wird dem Online-Media-Markt wichtige Impulse geben auf der Jagd nach den großen Branding-Budgets.

Related posts:

1. 10+1 Thesen für das 2010er Targeting-Jahr: Teil 1 Verdreifachung des Volumens mit TV und Branding-Kampagnen

Manchmal arbeitet man wirklich lange auf einen Punkt hin, manchmal sogar sehr lange. Und ich meine jetzt nicht “Internet-sehr-lange” (also 2-3 Wochen) sondern eher einen Zeitraum von Monaten und Jahren. Man hat ein Ziel vor Augen und verfolgt dieses trotz zahlreicher Hürden, Bedenken, diverser Engpässe, Rückschläge und Warnungen.

nugg.ad hat heute eine Case-Study veröffentlicht und zugleich den Start seiner Open Targeting Platform bekanntgegeben.

Was steckt dahinter? Die Open Targeting Platform ist ein Bündel von Lösungen, an denen wir seit langem gearbeitet haben.

1. Eine kooperative, offene Plattform für Vermarkter und Agenturen

Mit der Open Targeting Platform sind verschiedene Möglichkeiten gegeben, Targeting-Kampagnen über mehrere Vermarkter hinweg zu steuern – wahlweise koordinieren mehrere Vermarkter eine Kampagne selbst über Ihr Portfolio, indem sie z.B. übergreifendes Frequency Capping anbieten – oder eine Agentur bucht eine vermarkterübergreifende Kampagne und bezieht mehrere Vermarkter ein.

Das Besondere am nugg.ad Ansatz besteht dabei im föderalen Prinzip der Plattform, d.h. es ist immer ein loser Zusammenschluss starker lokaler Partner (=Vermarkter), über deren Ad-Server die Kampagne auch üblicherweise läuft (d.h. es ist kein zentraler Ad-Server nötig). Das ist wichtig, weil nur so der Vermarkter die Hoheit über sein Inventar und die Buchung behält, was bekanntlich bei anderen Arten des Agenturtargetings nicht immer der Fall ist. Die Agentur hat aber auch erhebliche Vorteile von dieser Art des Targetings. Zum einen muss sie natürlich kein eigenes System bauen, keine eigenen Tags einbauen lassen (was dem Vermarkter wiederum missfallen würde) usw. – vor allem aber wird der Vermarkter in dieser kooperativen Lösung, wo er als Partner der Agentur am Tisch sitzt, sein Inventar und seine Werbeplätze ganz anders ins Spiel bringen. Zum Beispiel schlicht indem er höherwertiges Inventar zur Verfügung stellt. Oder indem er bestimmte Platzierungen ermöglicht, die bei einer Netzwerkbuchung durch die Hintertür nicht verfügbar wären. Oder indem er hochwertige, interaktive Streaming-Werbemittel zulässt, die aufwändig in sein Portfolio integriert werden müssen. Viele Beschränkungen des klassischen Agentur-Targeting, die wir in einem früheren Beitrag beschrieben haben, fallen so weg.

Es ist ganz einfach – derartige Targeting-Kampagnen werden schlicht besser funktionieren. Und der heute publizierte L’Oréal Case mit der Agentur Zed digital beweist ja genau, dass man mit so einer Infrastruktur eine hochwertige Branding-Kampagne mit hoher Reichweite trotz aufwändiger Werbemittel realisieren kann!

“Es kam wesentlich mehr Reichweite in der Zielgruppe zustande, als vorher angenommen.” (Lothar Prison, Zed digital)

Wir halten diese Lösung für die beste Möglichkeit, alle Partner für eine Agentur mit Ihren Daten und Steuerungsmöglichkeiten an einen Tisch zu bringen. Agenturen werden so beeindruckende Targeting-Kampagnen realisieren können (übrigens auch mit eigenen Zielgruppen) – vor allem aber beweisen die beteiligten Vermarkter so, dass sie in der Lage sind, Ihre hochwertigen Portfolios gebündelt und flexibel an den Markt zu bringen, ohne dass die Agentur dafür Google oder andere übergreifende Plattformen nutzen müsste (mit all den bekannten Nachteilen).

Und wir nehmen damit natürlich auch Anregungen im Online Behavioral Advertising Manifest der FOMA (Verband der Media-Agenturen) auf, welches prominent dezentrale Lösungen fürs Targeting eingefordert hat mit freiem Zugang für alle Marktpartner – genau das ist die Idee hinter der Open Targeting Platform!

2. Eine Plattform für Branding-Kampagnen mit völlig neuartigen Metrics und Optimierungsmöglichkeiten

Auf dem dmmk 2007 haben wir erstmals die Idee vorgestellt, den allseits gehassten Klick als Metrik insbs. für Brandingkampagnen durch etwas Neues abzulösen. Warum überhaupt? Es gibt methodische und wirtschaftliche Gründe dafür. Methodisch ist es einfach so, dass für viele – insbesondere Brandingkampagnen – die Tatsache, dass jemand auf ein Werbemittel klickt, nur relativ wenig und bestenfalls indirekt etwas darüber aussagt, ob das Kampagnenziel erreicht wurde. Denn häufig zielt die Kampagne ja auf den “Klick im Kopf”, der User soll sich also an eine Marke/ein Produkt erinnern, es toll finden und viel später im Supermarkt dann intuitiv ins Regal greifen. Ob eine Kampagne dieses Ziel erreicht hat, lässt sich nicht besonders gut über Klicks messen – dafür benötigt man vielmehr klassische Marktforschungsmittel, die explizit die Branding-Wirkung erfassen, also Brand-Awareness, Brand-Sympathie und Purchase-Intention.

Damit können Marketiers viel mehr anfangen, wenn es um die Beurteilung der Wirkung Ihrer Kampagne geht.

Die Aufgabe bestand jetzt also darin, diese marktforscherische Wirkungsmessung so verfügbar zu machen, dass wirklich der technische Klick abgelöst werden konnte. Dies ging nur über eine sehr konsequente Standardisierung des Marktforschungs-Elementes. Hier haben wir mit den Kollegen von d.core zusammengearbeitet und herausgekommen ist ein extrem schlankes und automatisierbares Befragungswerbemittel, das nahezu vollautomatisch mit einer Kampagne mitlaufen kann.

Dadurch, dass die Branding-Messung nun einfach mitläuft und sofort als standardisierter Index zur Verfügung steht, können wir zum einen auch standardisierte Wirkungsreports für die Kampagne liefern (womit man Kampagnen auch untereinander vergleichen kann usw.), zum anderen ist es sogar möglich, die Kampagne noch während der Laufzeit auf maximale Branding-Wirkung zu optimieren. Dafür wird einfach der Algorithmus mit den Branding-Werten gefüttert und trainiert.

Zusätzlich haben wir mit einer neuartigen Kontaktklassenoptimierung, die vor allem auch ermöglicht zu niedrige Kontaktdosen zu vermeiden (sog. Frequency Boosting), die Voraussetzungen geschaffen, um die Branding-Kampagnen im gewünschten Kontaktkorridor von häufig mindestens 3 bis 8 oder 10 Kontakten z.B. auszuliefern. Dies ist extrem bedeutsam, da insbs. bei Branding-Kampagnen üblicherweise Kontaktdosen unterhalb einer Schwelle von 2-3 Kontakten als völlige Verschwendung gelten (hier ein ausführlicher Artikel zu diesem Aspekt).

Wir sind davon überzeugt, dass man mit diesen beiden Bausteinen in Zukunft eine ganz neue Generation von Online-Kampagnen wird fahren können, und zwar mit Fokus auf Branding-Wirkung bei gleichzeitiger hoher Reichweite und in optimaler Ausnutzung der hochwertigen Umfelder der beteiligten Vermarkter. Die Ergebnisse der ersten Kampagnen geben uns recht und wir sind natürlich glücklich mit L’Oréal und Zed digital gleich so einen extrem passenden Case gefunden zu haben, um alles auszuprobieren! Und natürlich sind wir den beteiligten Vermarktern für ihr Vertrauen in diesen kooperativen Ansatz dankbar und ihren Support bei der Durchführung der Kampagne.

Related posts:

1. 10+1 Thesen für das 2010er Targeting-Jahr: Teil 1 Verdreifachung des Volumens mit TV und Branding-Kampagnen

Viele Leute sehen PBT nur als ein Tool an, um Klickraten (CTR) und Konversionsraten (CR) zu steigern. Darauf aufbauend machen sie dann entsprechende Milchmädchenrechnungen um vermeintlich zu beweisen, dass es für PBT kein funktionierendes Geschäftsmodell gäbe. Dabei ist das einzige, was dieser Ansatz beweist, dass sie das volle Potenzial von PBT noch nicht erkannt haben.

Natürlich kann PBT Klick- und Konversionsraten signifikant steigern. Das hat nugg.ad mit ausreichend vielen Case Studies bewiesen. Wenn das alles wäre, wäre es aber in der Tat traurig. Schließlich wissen wir, dass nur ein geringer Anteil aller User überhaupt jemals auf Werbung klickt. Wer sich also auf die Klickrate als Performance Indikator fixiert, lässt von vornherein schon mal 80% der User außen vor. Potenzialausschöpfung sieht anders aus. Auch was die Konversionsrate betrifft, sieht es nicht besser aus. Hat doch nur ein Bruchteil aller Kampagnen eine Online-Konversion zum Ziel.

Wo also liegen die großen Potenziale, wenn nicht in CTR und CR? Um diese Frage zu beantworten, hilft ein Blick auf die klassischen Medien, auf die immer noch der Löwenanteil der gesamten Werbebudgets entfällt. In TV und Print gibt es weder CTR noch CR. Hier sind die entscheidenden Performance-Indikatoren:

• Zielgruppenanteil
• Reichweite
• Kontaktklassen
• Brand-Wirkung

Wenn es gelingt, diese vier Größen online messbar, steuerbar und optimierbar zu machen, liegt darin ein um ein Vielfaches größeres Potenzial als in der Steigerung von CTR und CR. Und genau das macht PBT:

• Eine bestimmte Zielgruppe zu erreichen, ist nicht nur in den meisten Fällen das primäre Ziel der Werbekunden, sondern auch der Sinn von Mediaplanung schlechthin. Und die messbare Steigerung des Zielgruppenanteils durch direktes Zielen auf soziodemografische Eigenschaften und Produktinteressen – auch wenn kein entsprechender Content zur Verfügung steht – ist seit jeher eine Kernleistung von PBT.

• Dass PBT die adressierbare Reichweite für jede verfügbare Zielgruppe innerhalb eines Vermarkterportfolios optimiert, ist auch bekannt. Spannend wird es, wenn man die Möglichkeit von Targeting nutzt, Reichweiten vermarkterübergreifend verfügbar zu machen. Diesen Ansatz verfolgt bspw. AdAudience und auch nugg.ad wird in Kürze eine Lösung lancieren, auf der bereits erste Kampagnen erfolgreich vermarkterübergreifend gelaufen sind.

• Dabei wurde auch die Fähigkeit von PBT genutzt, Kontaktklassen zu optimieren: Die vermarkterübergreifende (!) Kombination von Frequency Capping (zur Vermeidung der Überlieferung einzelner Nutzer) und Frequency Boosting (zur Vermeidung der Unterlieferung einzelner Nutzer).

• Zur Optimierung der Brand-Wirkung gibt es den im Herbst 2009 vorgestellten nugg.ad Branding Optmiser, mit dem der klassische Markendreiklang Bekanntheit – Sympathie – Kaufabsicht gemessen und wahlweise eine der Größen gezielt optimiert wird.

• Hinzu kommen die Möglichkeiten der Live-Marktforschung, wie z.B. der soziodemografischen Beschreibung von Usergruppen auf Basis ihres Verhaltens.

Es braucht also nicht viel Phantasie um zu erkennen, dass das Potenzial von PBT nicht nur in der Steigerung von CTR und CR liegt, sondern zum weitaus größeren Teil in der digitalen Markenkommunikation der Zukunft. Wir sprechen nicht mehr von den 20% Klickern, auf die sich Targeting-Kampagnen bisher häufig beschränkt haben, sondern von 100% der Internet-User. Und wir sprechen auch nicht von TKPs auf CPC-Niveau, sondern von Preisen, die hochwertigen Branding-Kampagnen inkl. Erfolgsnachweis gerecht werden. Das ist eine ungleich bessere Basis für erfolgreiche PBT-Geschäftsmodelle als es uns die Unkenrufe weismachen wollen.

Related posts:

1. Die 5 größten Predictive Targeting-Irrtümer – Nr.2: PBT = Low TKP
2. Die 5 größten Predictive Targeting-Irrtümer – Nr.4: Geringerer Streuverlust bedeutet immer auch eine höhere Klickrate
3. Die 5 größten Predictive Targeting-Irrtümer – Nr.5: PBT hat keinen Streuverlust

Im Zuge der Wunderloop-Insolvenzanmeldung gab es eine ganze Reihe von aufgeregten Wortmeldungen, die gleich das gesamte Targeting von unabhängigen Dienstleistern auf Publisher-Seite am Ende sehen wollten.

Das ist natürlich Unsinn und die Eifrigkeit, mit der da bisweilen zu Werke gegangen wurde, könnte eher nahelegen, dass so manches andere Geschäftsmodell unter Druck steht derzeit – aber lassen wir das …

Jedenfalls muss man erstmal sagen, dass eine Insolvenz üblicherweise nichts über den Markt aussagt, in dem ein Unternehmen operiert, sondern in aller Regel auf innere Faktoren, also meist Management und Investoren, zurückzuführen ist. Das wird ja offenbar auch in diesem Fall selbst von Leuten so gesehen, die deutlich tiefer hineinschauen können als andere.

Tatsächlich ist es nämlich so, dass sich Targeting seit einigen Monaten in einem sehr substantiellen Wachstum befindet – und zwar so deutlich, wie wir es seit der Gründung von nugg.ad noch nie gesehen haben.

Zur Illustration mal eine Kurve der Targeting-Buchungen unserer Kunden über die letzten 15 Monate.

Wie man sieht, hat nach dem Sommer 2009 eine starke Aufwärtsbewegung stattgefunden, die nach einem leichten Jahresanfangsknick in 2010 fortgesetzt werden konnte. Im letzten Monat dieser Aufzeichnungen haben wir die höchste Zahl von Targeting-Kampagnen überhaupt registriert!

Da fällt es mir schon relativ schwer, ein Ende dieser Technologie zu erkennen.

Diesen Punkt kann man also getrost abhaken.

Nun wurde zum Ausgleich versucht, das Hohelied des Agentur-Targetings anzustimmen. Das ist ja auch richtig – Agenturen sollten am Targeting teilnehmen und alle Marktteilnehmer freuen sich, dass die Agenturen inzwischen den Wert derartiger Technologien erkannt haben. Ich halte es allerdings für einen groben Fehler, die Technologie-Hoheit jetzt einfach „auf die andere Seite“ herüber ziehen zu wollen, indem man sagt, Targeting sollte eigentlich bei der Agentur liegen. Weil es einfach nicht stimmt.

Targeting ist datengetriebenes Marketing und funktioniert dann am besten, wenn alle relevanten Daten ins Spiel kommen. Und Vermarkter haben eben sehr relevante Daten über die Kundschaft. Außerdem sind es ihre Webseiten, die das ganze Spiel überhaupt erst ermöglichen, weil User diese aufrufen und den Content konsumieren. Und man sollte bei der Gelegenheit auch immer mal wieder darauf hinweisen, dass es die Vermarkterseite war, die Targeting in Deutschland entwickelt und in den Markt gebracht hat.

Was mich allerdings am meisten aufregt an dem Gezetere der letzten Tage – neben der Tatsache, dass schon am Tag der Insolvenzanmeldung Kunden mit Auffanglösungen behelligt wurden – ist dieses Heruntergeschreibe, wie es vermutlich uns Deutschen irgendwie sehr zu eigen ist.

Da wird mit Begeisterung ein Anlass gefunden, das Thema – offenbar wider besseren Wissens – zu diskreditieren. Kein Wort über die große Leistung der Kollegen von Wunderloop, die über viele Jahre neben anderen dafür gesorgt haben, dass wir in Deutschland überhaupt so eine Technologie haben. Auch natürlich kein Wort über den feinen Unterschied, ob ein Unternehmen bereits vom Markt verschwunden ist oder eben Insolvenz beantragt hat. Der Unterschied ist nämlich erheblich, vor allem für die Kollegen, die jetzt – vielleicht unter neuem Management und neuer Eignerstruktur – versuchen Ihren Laden und ihre Idee zu retten und die Sache nicht aufgeben wollen. Selbst als Wettbewerber ist es ein Gebot der Fairness, den Kollegen diese Luft zu lassen und nicht schon Nachrufe zu schreiben, während in Hamburg noch um die Jobs gerungen wird.

Vor allem aber ist diese Haltung schädlich für unsere Branche. Jetzt haben wir es endlich geschafft– nach wirklich langen Jahren der Entwicklung, Evangelisierung, unzähligen Meetings, Vorträgen, Veranstaltungen, Case-Studies usw. – dass Targeting ein wirklich substantieller Business-Faktor im Online-Marketing geworden ist. Agenturen haben den Mehrwert verstanden und vermitteln diesen Ihren Kunden. Vermarkter haben Ihre Sales-Leute geschult und intelligente Produkte geschnürt, die Kannibalisierungseffekte vermeiden. AdAudience wurde gegründet – eine in der europäischen Verlagslandschaft bemerkenswerte und mutige Initiative.

All dies ist erreicht und das Rad hat begonnen sich zu drehen. Die Targeting-Buchungen nehmen seit Monaten deutlich zu und immer mehr Kunden sagen uns, dass Targeting mittlerweile unverzichtbarer Bestandteil und ein „Umsatzkatalysator“ ihres Geschäftes ist.

Für unsere Branche steckt in dieser Entwicklung eine große Chance, denn mittlerweile gelingt es immer besser Targeting nicht nur als Pseudo-Veredelung von Ramsch-Reichweiten sondern als state-of-the-art Steuerungstechnologie gerade auch für hochwertige Kampagnen zu etablieren. Es mehren sich die Targeting Buchungen der FMCG-Kunden (hier eine gerade erst veröffentlichte Case-Study mit Knorr). Mit standardisierten Zielgruppen und vermarkterübergreifender Steuerung stehen erstmals Möglichkeiten zur Verfügung, flächenweite Zielgruppenkampagnen in definierten Kontakt-Korridoren zu fahren – was uns immer gefehlt hat um die TV-Budgets substantiell anzugraben …

Und da sollten wir das Thema plötzlich runterschreiben? Weil ein Targeting-Unternehmen in Zahlungsschwierigkeiten ist? Ohne jede weitere Evidenz?

Dass der Aufbau von neuen Technologien nicht automatisch von Anfang an zu unkontrollierbaren Erlös-Strömen führt, dürfte aus vielen anderen Beispielen bekannt sein – doch Targeting richtig gedacht ist ein langwieriger Prozess, der einiges in der Branche verändern kann und wird. Und da sind wir schon sehr weit gekommen heute – aber auch noch nicht am Ziel.

Ich würde mich freuen, wenn wir deshalb die etwas kleinkrämerische „hab doch immer schon gesagt, dass das nicht funktioniert“ Haltung mal für ein paar Monate gegen die „Wow, welche Möglichkeiten stecken da für unsere Zukunft drin“-Haltung eintauschen würden.

No related posts.

Akademisch fundierte Forschung zur Wirkung von Online-Werbung ist rar, erst Recht zu Behavioral Targeting. Etwas verspätet hier nun eine Zusammenfassung der “first systematic study for BT on real world ads click-through log in academia”.

Der Artikel „How much can Behavioral Targeting Help Online Advertising?” stammt von den chinesischen Microsoft-Forschern Jun Yan, Ning Liu, Gang Wang und Zheng Chen sowie deren beiden Universitätskollegen Wen Zhang und Yun Jiang. Der Artikel ist akademisch und liest sich somit etwas sperrig, daher hier der Versuch einer verständlichen Zusammenfassung:

Die Forscher überprüfen die Grundannahmen und Potenziale von Behavioral Targeting (BT) am Beispiel von Textanzeigen in einer „commercial search engine“ (ob das wohl die Microsoft Suchmaschine war?). Datenbasis ist ein Logfile für die Woche vom 1. bis 7. Juni 2008. Nach einigen Bereinigungen verbleiben darin über sechs Millionen Unique User und 17.901 Anzeigen.

Die Forschungsfrage lautet dann im Kern: Können mit Behavioral Targeting die Klickraten für diese Anzeigen (und damit der Umsatz für den Suchmaschinenbetreiber) gesteigert werden?

Die Antwort vorweg: ja.

Die User wurden dazu zunächst mittels Clusteranalysen gruppiert. Eine Clusteranalyse versucht, User so zu gruppieren, dass sich die User innerhalb einer Gruppe möglichst ähnlich, die Gruppen untereinander aber möglichst verschieden sind. Für dieses Clustern haben die Forscher verschiedene Ansätze miteinander verglichen, v.a. wurde unterschieden zwischen

• Long vs. Short Term User Behavior
  • Logfiledaten von allen sieben Tagen
  • vs. nur von einem Tag
• Page Views vs. Query Terms
  • die angeklickten Suchergebnisse
  • vs. die Begriffe, nach denen gesucht wurde

Ein zentraler Befund der Studie ist nun, dass die Kombination von Short Term und Query am besten funktioniert, egal, wie viele Gruppen man bildet.

wobei:

LP: Long Term + Page Views
LQ: Long Term + Query Terms
SP: Short Term + Page Views
SQ: Short Term + Query Terms

Hier die Lesehilfe zum Chart: Wenn man mit einer sog. k-means-Clusteranalyse 160 Gruppen bildet, und für diese Gruppenbildung die Kombi aus Short Term Daten und Query Terms nimmt (SQ), dann ist die Klickrate in der besten der 160 Gruppen um 670 Prozent höher (schwarzer Balken ganz rechts) als im Durchschnitt aller User.

Generell wird die Klickrate umso besser, je mehr Gruppen man bildet. In anderen Worten: je kleiner die Gruppen sind – also ein Präzisionsgewinn auf Kosten der Reichweite.

Spannend ist auch, dass Gruppen auf Basis der Logdaten des letzten Tages immer deutlich besser abschneiden als auf Basis der aller sieben Tage. Hier zeigt sich möglicherweise eine Besonderheit im Suchmaschinenmarketing, wo es oft um situative, kurzfristige Informationsbedürfnisse geht – und die sich somit nicht auf bspw. Branding-Kampagnen übertragen lassen.

Und: Gruppen auf Basis von Suchbegriffen (Queries) funktionieren bezüglich der Klickrate besser als auf Basis der angeklickten Suchergebnisse. Das dürfte hier auch intuitiv plausibel sein, denn die Suchbegriffe hat ja der User von sich aus bewusst eingegeben, während er beim Klick auf ein Ergebnis noch nicht genau wissen kann, was ihn nach dem Klick erwartet. Also sollten Suchbegriffe auch mehr über einen User aussagen als seine Klicks. Aber: Aus der Datenschutzperspektive bedeutet das auch umgekehrt, dass Suchbegriffe relativ leicht personenbeziehbar sind. Man denke an den berühmten Fall der „gläsernen Mrs. Arnold“:

„Sag mir, wonach du suchst, und ich sage dir, wer du bist: Ein Reporter der „New York Times“ identifizierte eine Surferin allein anhand der Begriffe, die sie in den vergangenen Monaten in eine Internet-Suchmaschine eingegeben hatte. Die Kundin des Providers AOL mit der Benutzernummer 4417749 interessierte sich beispielsweise für „60-jährige Single-Männer“ und litt unter „tauben Fingern“ und einem „Hund, der überall hinpinkelt“. Sie suchte einen „Gärtner in Lilburn, Georgia“ und „zum Verkauf stehende Häuser im Stadtteil Shadow Lake“. Später gab sie den Namen ihres Sohnes in die AOL-Suchmaschine ein: Er heißt Arnold mit Nachnamen. In Shadow Lake leben elf Arnolds. Nur wenige Anrufe führten den Reporter zur 62-jährigen Thelma Arnold.“

Aber zurück zu den akademischen BT-Forschungsergebnissen aus China: Wenn man also User gruppiert nach ihren Suchbegriffen des letzten Tages, dann kann man die Klickraten in den Ergebnisseiten einer Suchmaschine um – bestenfalls – bis zu 670 Prozent steigern. Die Forscher verheimlichen keinesfalls, dass dieser Wert „nur“ für die beste von 160 Gruppen erreicht wird. Entsprechend wird am Ende des Artikels der Tradeoff zwischen Präzision und Recall thematisiert. Diese beiden Begriffe sind zentral für alle statistischen Vorhersagemodelle (und gehören natürlich auch bei nugg.ad zum täglich Brot, vgl. bspw. einen Blogbeitrag vom mir zur OMD 2008).

-          Die Präzision gibt an, wie viele der vorhergesagten (hier:) Klicker auch tatsächlich klicken.

-          Der Recall gibt an, wie viele der tatsächlichen Klicker auch als Klicker vorhergesagt werden (und gibt somit eine Form der Reichweite an).

Generell gilt die Faustregel, dass die Präzision umso höher ist, je kleiner/spitzer die vorhergesagte Gruppe ist, desto geringer also der Recall ist. Das gilt auch hier:

Hier wieder die Lesehilfe: Wenn man nur die eine beste aller 160 Gruppen ansteuert, dann deckt man damit etwa 15 Prozent (=Recall, grüner Punkt ganz links) aller Klicker ab. Und: Von den Usern in dieser einen besten Gruppe klicken dann tatsächlich etwa 30 Prozent (=Precision, schwarzer Punkt ganz links (damit kann man jetzt auch in etwa die durchschnittliche Klickrate über alle User hinweg herleiten: 30 Prozent sollen ja 670 Prozent mehr sein als der Durchschnitt, also liegt der Durchschnitt bei etwa 3,9 Prozent)).

Wenn man die 20 besten aller 160 Gruppen nimmt, dann deckt man damit 80 Prozent aller Klicker ab (grüner Punkt ganz rechts), aber die Klickrate sinkt von 30 auf etwas über 10 Prozent (schwarzer Punkt ganz rechts).

Ich habe mich sehr gefreut, diese akademisch fundierte Case Study zu Behavioral Targeting zu lesen: Auch in China sucht man also den idealen Tradeoff zwischen Präzision und Reichweite. Hoffentlich gibt es auch bald akademisch fundierte Beiträge zu Behavioral Targeting außerhalb von Suchmaschinen!

Allen weitergehend Interessierten sei natürlich die Lektüre des vollständigen Artikels empfohlen – meine Zusammenfassung hier kann und soll nicht vollständig sein…

Related posts:

1. Wer macht dem Klickraten-Wahn ein Ende?

Beim Stöbern durch Firefox Add-ons bin ich auf TACO gestoßen: Den „Targeted Advertising Cookie Opt-Out“. Besonders interessant fand ich dabei, neben der Funktionalität des Tools, die damit verbundene Übersicht über 90 unterschiedliche Online Advertising Networks, die Behavioral Targeting anbieten:

Allein diese Wettbewerber-Liste ist schon spannend zu studieren. Ich kannte noch nicht alle.

TACO wird anscheinend von einer Privatperson betrieben. Dabei wird die Grundidee des NAI-Opt-Outs aufgegriffen. Bei dieser US-Anbieterinitiative kann man bekanntlich an zentraler Stelle Opt-Outs für knapp 40 Targeting-Anbieter setzen, darunter auch die GYMs (Google, Yahoo, Microsoft). TACO erweitert die NAI-Liste dann auf 90 Einträge und ersetzt deren Cookies durch permanente Opt-Out-Cookies, die auch nach dem Löschen der Cookies im Browser erhalten bleiben: “By installing TACO, these opt-out cookies are automatically installed into the Firefox browser, and are made permanant. That is, clearing your cookies will delete all regular cookies, but leave the non-identifiable opt-out cookies behind.” Vermutlich steckt die Cookie-Liste im Add-on selbst und ist damit resistent gegen das Cookie-Löschen.

Klickt man sich durch die 90 gelisteten Ad- und/oder Targeting-Networks, dann fällt auf, dass einige wenige über den Opt-Out hinaus auch einen Profile Viewer anbieten: Man kann sich also selber anschauen, was im eigenen Cookies steht bzw. diesem zugeordnet ist. Bei Tradedoubler, eigentlich ja primär ein Anbieter von Affiliate Marketing, sieht mein Profil dann bspw. so aus:

Noch detaillierter zeigt der Anbieter Safecount den Cookie-Inhalt an: Hier kann man sogar per Klick die von Safecount getrackten Werbemittel zur erneuten Ansicht aufrufen, inklusive der Angabe, wie oft man sie zuvor schon gesehen hat:

Bei manchen Anbietern kann man darüber hinaus das eigene Profil nicht nur sehen, sondern sogar auch editieren. Über den Google Ad Preferences Manager hatte ich ja hier schon vor ein paar Wochen berichtet. Eine ähnliche Funktion bietet inzwischen auch Yahoo unter dem Namen „Ad Interest Manager“. Aber auch kleinere Anbieter greifen dies inzwischen auf und bieten dem User die Möglichkeit, sich selber an Hand einer Auswahlliste Themen- bzw. Produktinteressen zuzuordnen und ggf. weitere Angaben bspw. zu Alter und Geschlecht zu machen. So auch bei eXelate, die hier stellvertretend auch für andere genannt werden:

Würde mich nicht wundern, wenn wir in Zukunft noch mehr Profile Viewer und Preference Manager zu sehen bekämen.

Related posts:

1. Reality-Check: heutige Coverage agenturgesteuerter Targeting-Systeme
2. Leutheusser-Schnarrenberger: Kein striktes Opt-In – aber deutlich mehr Transparenz und Kontrolle!
3. Google macht Predictions, ist aber vergesslich

Ich habe gemerkt, dass noch mehr gravierende Irrtümer über Predictive Targeting kursieren, als zunächst angenommen und werde deshalb die Serie vom letzten Herbst fortsetzen.

Der neueste Irrtum lautet in etwa so: Weil mit Fragebögen keine Informationen in Echtzeit erhoben werden können, können Targeting-Systeme, die Fragebögen als Datenquelle nutzen, auch keine Echtzeit-Predictions machen.

Nun, damit werden zwei Prozesse in einen Topf geworfen, die tatsächlich getrennt voneinander ablaufen. Nämlich das Lernen einerseits und das Anwenden des Gelernten andererseits.

Bevor man anfangen kann Predictions auf bestimmte Zielgruppen zu machen, muss das System lernen, was die charakteristischen Merkmale dieser Zielgruppen sind: Was zeichnet z.B. einen Autointeressierten aus? Woran erkennt man ein bestimmtes Alter, Geschlecht oder ein hohes Haushaltseinkommen?

Um diese Fragen zu beantworten, werden auf Basis des Surf-Verhaltens einerseits und weiterer Datenquellen (wie z.B. Fragebögen) andererseits generelle Modelle gebildet, die die verschiedenen Zielgruppen beschreiben. Diese Modelle werden regelmäßig aktualisiert, weil sich das Angebot und das Nutzungsverhalten im Internet mit der Zeit ändern. Da sie aber unabhängig vom einzelnen User sind, werden die Modelle nicht in Echtzeit aktualisiert. Die Merkmale, an denen man Frauen erkennt, sind heute die gleichen wie gestern.

Ganz anders sieht es aus, wenn man einzelne User betrachtet. Jemand, der sich gestern noch für Autos interessiert hat, kann sich heute für Beauty&Care oder Home&Garden interessieren. Sogar innerhalb einer Session wechseln die Interessensschwerpunkte häufig. Deshalb muss das System in Echtzeit reagieren, entscheiden, welcher Zielgruppe der User angehört, und in Echtzeit die entsprechende Prediction ausliefern.

Die zwei Prozesse Modellbildung und die dynamische Anwendung des Modells in Echtzeit laufen also unabhängig voneinander ab. Die Frage, welche Datenquellen für die Modellbildung herangezogen werden (z.B. Fragebögen), sagt nichts über die Echtzeitfähigkeit eines Systems aus. Vielmehr ist es so, dass die Echtzeitfähigkeit inzwischen für jedes Predictive Targeting-System selbstverständlich ist.

Related posts:

1. Die 5 größten Predictive Targeting-Irrtümer – Nr.3: PBT verkauft sich von allein
2. Die 5 größten Predictive Targeting-Irrtümer – Nr.1: Hochwertiger Content und PBT vertragen sich nicht
3. Die größten Predictive Targeting-Irrtümer – Nr.7: PBT ist nichts weiter als ein Performance Uplift-Tool

Der folgende Artikel ist erstmalig auf dem Blog der OMD 2008 in Düsseldorf veröffentlicht worden – und wurde an ein paar Stellen überarbeitet sowie mit einem weiteren Kapitel am Ende ergänzt.

Targeting war auf der  online-marketing- düsseldorf 2008 eines der zentralen Themen – zurecht, wie ich finde. Denn es spricht vieles dafür, dass Targeting die Werbebranche in den nächsten 10 Jahren vom Kopf auf die Füße stellen wird. Und das nicht nur im Internet! Targeting ist seit etwa drei Jahren ein Mega-Trend. Allgemein ist aber wenig bekannt, dass es Predictive Targeting schon sehr viel länger gibt – die Wurzeln reichen mindestens 20 Jahre zurück und eine der wichtigsten liegt in Deutschland.

Die Anfänge: Benutzermodellierung und Personalisierung

Der Ursprung des Predictive Targeting liegt in der Forschung zur Benutzermodellierung – die übrigens nach Meinung vieler Forscher in Deutschland ihren Anfang nahm. Schon in den 80er Jahren fanden sich zahlreiche Publikationen zu diesem Thema in der Fachöffentlichkeit. Eine der entscheidenden Personen ist dabei Prof. Alfred Kobsa, Mitgründer der Zeitschrift bzw. der Konferenzreihe „User Modeling“ und Autor zahlreicher Fachbeiträge, u.a. auch des Standardwerks über die “Benutzermodellierung in Dialogsystemen”.

Kobsa war damals Leiter eines Instituts der GMD (heute Fraunhofer Gesellschaft), die in einem Projekt unter Leitung von Dr. Josef Fink (heute Professor an der FH Frankfurt) gemeinsam mit anderen Forschungs- Einrichtungen (insb. dem European Media Laboratory des SAP-Mitgründers Klaus Tschira) ein System zur Benutzermodellierung entwickelte. Mit diesem System sollte im Rahmen einer Stadtbesichtigung von Heidelberg analysiert werden welche Sehenswürdigkeiten, Gebäude bzw. Orte Besucher interessieren. Zu diesem Zweck wurden die Bewegungen von Touristen aufgezeichnet und basierend auf Ähnlichkeiten in Profilen wurden Empfehlungen für weitere interessante Orte (i.S.v. „andere Besucher fanden auch interessant“) präsentiert.

Vom Prinzip her also eines der ersten Targeting-Systeme überhaupt – schon damals konnte man von “Predictive Targeting” sprechen, denn das System war ja in der Lage über das konkrete Verhalten hinaus Empfehlungen auszusprechen, die der Algorithmus zuvor generiert hatte.

Erste Anwendungen im Internet Hype um 2000

Zur Vermarktung von Technologie aus diversen Forschungsgruppen gründeten Fink und Kobsa mit anderen Forschern der GMD zusammen die Firma humanIT. Eine Technologie war der “Dynamic Personalization Server (DPS)”, der später als „ValueProfiler“ vermarktet wurde. Dahinter verbarg sich ein zur Marktreife entwickeltes System aus der Forschergruppe um Fink und Kobsa – also im Kern dem System, mit dem schon die Heidelberger Touristen seinerzeit gelotst wurden. Im Gegensatz zu den früheren Forscherzeiten verfolgte die Gruppe nun aber kommerzielle Interessen und richtete das Produkt am neuen Hype-Thema Internet aus. Wir erinnern uns zurück: 1998-2001, New Economy, alles ging, nichts war unmöglich.

So wurde auch mit viel Energie das Thema Targeting angegangen und es gab eine Vielzahl an Firmen und Projekten mit entsprechenden Anwendungen. Bekannt war die Technologie damals unter dem Begriff “Personalisierung”, seinerzeit vornehmlich von Content, mehr und mehr aber auch von Werbung, über deren Anpassung an den User zunehmend mehr die Rede war. Neben zahlreichen Web-Sites, die sich ganz dem vornehmlich durch User selbst anpassbaren Content widmeten (z.B. MyYahoo, „Mein T-Online“, usw.) stellte humanIT die Technologie für eines der fortschrittlichsten Personalisierungsprojekte seinerzeit im deutschen Internet zur Verfügung: die neue Website des Newsportals N24. Hier wurde erstmalig bei einem volumenstarken Endkunden-Portal mit echter “Predictive-Technologie” gearbeitet, die sowohl Content als auch Werbung an die Interessen der User anpasst.

Dazu analysierte das System permanent worauf die User klickten, legte daraus Benutzerprofile an und ergänzte diese mit entsprechenden Algorithmen (Lesetipp). Auch das Thema Datenschutz war damals schon heiß – bei N24 hatte man sich für eine im Kirch-Konzern überraschende Variante im Umgang mit diesem Thema entschieden: konsequente Pseudonymisierung, Transparenz und Offenheit. Denn die User wurden nicht nur über ihr Profil informiert, sie konnten die Mess- und Prediction-Daten auch einsehen und sogar ändern.

Kurz nach Fertigstellung der neuen N24-Website brach die Kirch-Gruppe dann in der herannahenden Internet-Eiszeit Stück für Stück auseinander. Damals versuchte auch ein anders großes Internet-Portal noch auf den Zug der Personalisierung aufzuspringen – T-Online wollte ähnlich den großen amerikanischen Portalen mit personalisierten Content-Bereichen (Mein T-Online) und Teasern die Bindung der User an das Portal erhöhen. Außerdem dachte man, dass “paid content” eine der erfolgversprechendsten Umsatzquellen werden würde. Der Zuschlag für die Lieferung der Technologie erhielt damals eine Firma namens „7d“ AG aus Hamburg – heute besser bekannt als WunderLoop.

Nicht alle der spannenden Projekte und Technologien von damals haben überlebt. Eine der fortgeschrittensten Varianten stammte von Martina Pickhardt mit Ihrer Cocus AG – die schon lange vor openID und Open-Social die Idee hatte User Ihre Profile von A nach B transportieren zu lassen – wobei B eine E-commerce Seite sein konnte die sich dann an die Interessen des Nutzers anpasste. Auch Ideen der “attention economy”, also dass User Geld dafür bekommen wenn sie Ihre Profile zur Verfügung stellen, waren damals schon implementiert. Im Vergleich dazu wirkt selbst manches was heute noch als brandneu announced wird old-fashioned.

Wiederauferstanden aus Ruinen: Die ersten Targeting-Systeme in Deutschland

Mit der Internet-Eiszeit verschwanden ab 2001 auch die Personalisierungs-Technologien fast vollständig vom Markt – weltweit. Einige wenige Technologien überlebten, wechselten aber mehrfach den Besitzer. So die Personalisierungstechnologie der 7d AG, die heute als WunderLoop-System wieder verfügbar ist und bei T-Online unter dem neuen Label “Targeting 2.0” vermarktet wird. Und auch die ehemalige Fink-/Kobsa-Technologie, die für die Personalisierung des N24 News-Portals verwendet wurde und im Gegensatz zum WunderLoop-System immer schon mit Predictive-Ansätzen ausgestattet war. Nach einigen Irren und Wirren landete diese Technolgie schließlich samt Personal beim Marktforscher TNS Emnid in Bielefeld. Ein schöner Ort um zu überwintern.

Und wie der Weltgeist so will, kam das System dann schnell wieder mit der Online-Forschung in Kontakt. Im Herbst 2002 wurde die AGOF gegründet mit dem Ziel dem Markt in schwierigen Zeiten eine Online-Währung zu geben. Die AGOF suchte dazu nach einer Möglichkeit Messdaten mit Befragungsdaten zu kombinieren und mittels Prognoseverfahren daraus einen Planungsdatensatz zu erstellen. Konsequenterweise kam dafür die Forschungsgruppe um das Profiling-System in Bielefeld wieder ins Spiel.

Ich war damals der Verantwortliche dieses Teams und erinnere mich noch genau an den Tag, als wir die Anfrage auf dem Konferenztisch in Bielefeld liegen hatten. Eine sehr attraktive Anfrage, soviel war klar. Aber faktisch unlösbar, so schien sie uns damals. Ich weiß nicht was mich dennoch dazu verleitet hat seinerzeit zu sagen “man könne es ja doch mal versuchen” – vielleicht war es der Kollege Pfeiffer aus der Statistik, der fortwährend (mehr oder weniger leicht?) den Kopf nur schüttelte — ich weiß es nicht mehr. Jedenfalls wollten wir alle mit unserem Algorithmus und dem dahinter liegenden Personalisierungssystem versuchen einen entsprechenden Datensatz hinzubekommen. Was dann kam war eine sehr harte, lehr- und entbehrungsreiche Zeit. Die zwei Jahre bis zur Auslieferung des ersten Datensatzes haben alle Beteiligten bestimmt zehn Jahre und mehr altern lassen. Aber das Ergebnis konnte standhalten und die internet facts der AGOF sind inzwischen als Marktstandard etabliert. Wow!

Mitten in dieser arbeitsreichen AGOF-Zeit kam eine nicht weniger spannende Anfrage aus Karlsruhe auf unseren Tisch: “man habe gehört, dass das eingesetzte System in der Lage wäre mehr oder weniger in Echtzeit das Profil eines Internet-Surfers zu schätzen. Ob man denn darüber mal sprechen könne?”. Und schon waren wir wieder in einem der spannendsten Targeting-Projekte dieser Zeit involviert. Der technische Projektmanager und väterliche Betreuer dieses Projektes war übrigens der Josef Fink, von dem oben schon einmal die Rede war…

Wir waren natürlich froh nach der langen Eiszeit die faszinierenden Anfänge aus der N24-Zeit wieder aufleben lassen zu können – denn eigentlich war das System ja für den Online-Betrieb konzipiert gewesen und es erschien uns manchmal fast schon absurd es für Offline-Modellierungen zu verwenden. Das Projekt mit web.de war dann auch eine faszinierende Herausforderung, war doch eines der führenden Portale im deutschen Internet mit Userinteressen quasi in Echtzeit zu versorgen. Die ursprünglichen Lasttests für unser Profiling-System waren mit 12.500 Usern gemacht worden – hier hatten wir es mit der hundertfachen Menge zu tun! Der Schwerpunkt lag jetzt ausschließlich auf Onlinewerbung, auch die Darmstädter Kollegen hatten ihren Fokus in diese Richtung geändert.

Der Grund warum web.de – später dann unter dem Dach von UIM/1&1 – bisweilen als Erfinder des Targeting für Online-Werbung gilt liegt wohl darin, dass das Team um Matthias Ehrlich von Anfang an mit voller Energie und exzellentem Marketing auf das Thema gesetzt hat. Da waren wir wirklich beeindruckt – manchmal hatte das fast schon etwas Furchterregendes, denn im Prinzip waren all diese Technologien über die Jahre immer als Addons zum Einsatz gekommen. Hier wollte es einer tatsächlich wissen und setzte mit seinem ganzen Geschäft auf den Erfolg dieser Technologie. Aus heutiger Sicht war das eine bemerkenswerte Weitsicht, die Matthias Ehrlich damals an den Tag legte.

Es war noch ein recht junger Markt, und die verfügbaren Systeme wurden anfangs nur zum Teil als Technologien zur Verminderung von Streuverlusten betrieben – viele Buchungen erfolgten auch weil das Versprechen des Targetings so verlockend war. Denn der Markt hatte noch nicht vollends verstanden worum es dabei ging und wie man die Wirksamkeit derartiger Ansätze messen kann. Auch die zahlreichen Probleme mit dem Einsatz derartiger Technologien im Buchungsalltag kamen erst nach und nach ans Licht. Zum Beispiel die notorische Reichweitenimplosion, weil einfach zu wenig „behavior“ zur Verfügung stand. Oder Schwierigkeiten mit dem Inventory Management, weil es plötzlich gar kein Inventory mehr gab, sondern nur noch frei flottierende “predictive”-Variablen. Aber die Systeme waren da und setzten einen Prozess des Umdenkens in der ganzen Branche in Gang.

Die zweite Hype-Phase: Predictive Targeting in den letzten 2 Jahren

Zur OMD06 war Targeting dann das Thema schlechthin, drei starke Anbieter waren auf dem Markt: WunderLoop, nugg.ad und UIM/TGP. Jeder sprach von der Einsatzreife und der Wirksamkeit seiner Technologie, Testprojekte begannen, es hagelte Pressemitteilungen und Finanzierungsrunden. Der zweite Hype ums Targeting, das vorher Personalisierung hieß, hatte begonnen. Immer noch völlig zu Recht, natürlich.

Wir bei nugg.ad dachten anfangs, wir würden jetzt nur noch unser ganzes Know-How in einem von Grund auf neu entwickelten System “auf die Straße bringen” müssen… aber ganz so einfach war es dann doch nicht. Die Revolution der Online-Werbung findet nun einmal nicht über Nacht statt. Ich erinnere mich noch gut an eines der allerersten Meetings mit Jochen Rabe von Interactive Media. Er fragte wie wir denn den Ad-Server anzusprechen gedächten. Wir waren ratlos. Das Konzept Ad-Server war uns schon bekannt, bei bisherigen Projekten gab es diese Schnittstelle ja auch. Allerdings meist in Form einer komplexen Backend-Integration. Wie man einen anderen Ad-Server ansprechen sollte war uns schlicht nur theoretisch klar. Andere Probleme kamen später hinzu, z.B. das Forecasting für Targeting-Kampagnen, garantierte Buchungen, Reporting, usw. Und wir mussten lernen, dass zwar jeder von Targeting sprach, im Buchungsalltag aber so gut wie keiner Ahnung davon hatte (wir ja auch nicht). Also starteten wir wieder einen langen Marsch.

Und lange Zeit – heute kann man das ja sagen – waren wir nicht wirklich sicher ob alles so funktionieren würde, wie wir uns das dachten: also eine Zielgruppe zu schätzen auf der Basis des Online-Klickverhaltens in Verbindung mit einer Befragung. Die Idee war wie oben geschildert schon ziemlich alt und auf eine Art auch gut erprobt. Auch die eingesetzten Algorithmen waren der scientific community schon längst bekannt. Aber ob es wirklich funktionierten würde, also am Ende bessere Kampagnen mit geringeren Streuverlusten herauskommen würden, war lange Zeit nur eine Hoffnung. Und wir hatten uns auch weit aus dem Fenster gelehnt, ganz zu schweigen von den vielen Fragen, die indirekt damit zusammenhängen, beispielsweise nach dem Geschäftsmodell.

In unserer anfänglichen Überzeugung und Naivität hatten wir zuerst einen echten Revenue-Share vorgeschlagen. Wir mussten dann aber schnell lernen, dass alle von der Idee begeistert waren, aber keiner offenlegen wollte, welcher Umsatz mit Targeting-Kampagnen überhaupt gemacht wurde. Auch mussten wir lernen, dass unsere akademische Argumentation bezüglich des Effizienzgewinns durch Targeting häufig durch simple Preisnachlässe am point of sale ausgehebelt wurde.

Auch nahm die Komplexität des Themas nicht ab. Nachdem wir uns nach kurzer Zeit bereits im Schlafe durch die verschiedenen Ad-Server bewegen konnten, wurde uns plötzlich klar, dass mit Ad-Networks nochmal ganz neue Probleme auf uns zukamen. Es war auf einmal nicht mehr trivial einen “Tag” auf eine Seite einzubauen, weil diese dem Vermarkter gar nicht gehörte. Außerdem waren es plötzlich nicht zwei oder drei Portale, sondern durchaus auch einmal tausend Webseiten und mehr. Und viele davon wurden nicht exklusiv beschaltet – wie sollte Targeting nur unter diesen Umständen funktionieren? Und wie mit dem Content umgehen, ganz ohne AGOF-/InfONline-Kategorien, oder ähnliches? Nun sind wir zwei Jahre weiter und wieder einen großen Schritt voran gekommen. Die Technik ist erprobt und deren Wirksamkeit auch in Ad-Networks bewiesen. Auch mit einem für alle Seiten akzeptablem Geschäftsmodell.

Mit viel Training, Schulung und Überzeugungsarbeit – immer noch und immer wieder. Die Targeting-Revolution wird kommen, davon bin ich heute überzeugter als jemals zuvor. Wir sind mittendrin! Aber sie wird weder einfach kommen, noch schnell. Es wird harte Arbeit sein, die Technologie muss noch besser werden und wir werden wahrscheinlich auch in 2 Jahren noch Überzeugungsarbeit leisten. Insofern freue ich mich heute schon auf die online-marketing-düsseldorf 2010, egal ob in Köln oder Düsseldorf, ehrlich. Targeting wird wieder ein heißes Thema sein, soviel ist sicher.

Anfang 2010 – Targeting wird zum Standard

Zur Entwicklung des Targetings in 2009 und den Aussichten für 2010 haben wir uns ja hier in diesem Blog schon verschiedentlich geäussert, deshalb hier nur im Abriss: Inzwischen wurde das TGP-System von United Internet Media in WunderLoop eingebracht und soll mit deren System verschmolzen werden. Es wird schon gemunkelt dass Torsten Ahlers bzw. sein CTO dafür den Preis für das IT-Projekt des Jahre erhalten wird (welches Jahr das sein wird muss man sehen ). Vor dem Hintergrund der oben dargestellten Geschichte stimmt diese Entwicklung ein klein wenig melancholisch – verabschiedet sich doch eines der erfahrensten und lange Zeit auch mutigsten Teams aus dem Thema – Kollegen mit denen wir sehr gerne zusammengearbeitet haben.

Davon abgesehen wird 2010 die extrem gute Entwicklung des Targetings in 2009 fortsetzen und Zielgruppenbuchungen zum Standard in der Online-Mediaplanung machen. Auf der Basis dieser soliden Entwicklung werden wir darüberhinaus weitere Produkte und Erweiterungen sehen die auf den Grund-Errungenschaften des Predictive Targetings aufsetzen – wie z.B. die Buchbarkeit nach GRP.

Die Geschichte ist jedenfalls noch lange nicht zu Ende – sie hat nur mehr Fahrt aufgenommen, und inzwischen sehr deutlich das Laborstadium verlassen. Seien wir gespannt auf das nächste Update dieses Textes…

No related posts.

Derzeit ist viel von site- oder gar vermarkterübergreifenden Targeting-Systemen die Rede, durch Adnetworks, den neuen Vermarkterverbund Ad Audience und durch Agenturen.

Zu den agenturgesteuerten Systemen sagt bspw. Klaus Ahrens von Pilot 1/0: „Agenturgesteuerte Targeting-Systeme stehen vor dem Durchbruch und bescheren dem Medium Online einen weiteren, deutlich spürbaren Effizienz-Schub. Denn erstmals steht ein einheitliches Targeting und Frequency Capping über alle Schaltungen eines Mediaplans zur Verfügung.“ (horizont.net)

Die Agenturgruppe GroupM bietet sogar schon eine Info- und Opt-Out-Site für ihr eigenes Targeting-System „targ.ad“ an.

Wie groß ist die Verbreitung solcher  Systeme schon heute? Ich habe dazu testweise die Sites der AGOF-TOP-50 mit einem Microsoft Internet Explorer 8 aufgerufen (zuvor Browserverlauf inkl. aller Cookies gelöscht), auf jeder Site fünf Klicks gemacht und dann geschaut, welche Cookies ich dabei bekommen habe.

Den IE8 habe ich gewählt, weil er mit der „InPrivate-Filterung“ ein sehr praktisches Tool bietet um zu sehen, welcher Domainserver auf wie vielen Sites Cookies setzt. Und die Cookies kann man sich unter C:\Dokumente und Einstellungen\[Benutzername]\Cookies als txt-Dateien kopieren und weiterverarbeiten.

Hier die Ergebnisse meines kleinen Tests:

Wenn man die 50 größten Sites der AGOF-Liste aufruft und je 5 Klicks macht, dann erhält man 605 Cookies.

Diese 605 Cookies stammen von 226 unterschiedlichen Domainservern.

106 von diesen 226 unterschiedlichen Domainservern sind First-Party-Domainserver im engeren Sinne, d.h. der cookiesetzende Server stimmt namentlich mit dem der aufgerufenen Website überein (bzw. sind eine Subdomain davon).

Bleiben also 121 cookiesetzende 3rd-Party-Domainserver. Darin enthalten sind u.a.

• 20 Webanalytics wie Omniture (2o7.net), webtrekk und natürlich die ivwbox.de der AGOF (Google Analytics setzt seine Cookies bekanntlich kunstvoll unter der jeweiligen 1st-Party-Domain der Google-Analytics-Kunden, der ubiquitäre Cookie-Name lautet „__utma“)
• und natürlich auch Vermarkter-Server (4) wie quality-channel.de und uimserv.net
• die ganzen Adserver  (18) wie adition, adtech, doubleclick…
• 23 Advertiser, die eigene Cookies setzen (bspw. albamoda, eprimo, schlecker…)
• die vermutlich größtenteils von den (11) Affiliate-Networks kommen (affili.net (=webmasterplan.com),tradedoubler, zanox…)
• 10 Adnetworks wie advertising.com, Fox Audience Network und specific media
• 6 cookiesetzende Server von MArktplätzen wie adscale, adjug und right media
• 7 von Targeting-Dienstleistern wie Audience Science, nugg.ad, Wunderloop
• und schließlich 14 von Agenturen, darunter Mediascale (hoc-technology.de), Quisma, newtention, Mindshare, M,P,NEWMEDIA (mp-sucess.com) und eben auch das eingangs erwähnte targ.ad (gmads.net) der GroupM

Die spannende Frage für den Aspekt „vermarkterübergreifend“ ist aber nicht die Anzahl der Cookies, sondern  die Anzahl der Sites, über die hinweg ein Cookie arbeitet. Eben dieses lässt sich recht bequem mit der InPrivate-Filterung des IE8 betrachten.  Diese IE8-Funktion sammelt per Default, welche Drittanbieter auf wie vielen der besuchten Websites ein Cookie gesetzt haben. Dieses Sammeln erfolgt nicht lokal im Rechner des Users, sondern die Daten werden an Microsoft übertragen. Die Übertragung ist per Default aktiviert und kann in den Datenschutz-Einstellungen abgeschaltet werden. Interessanterweise erfolgt das Feedback der Datensammlung durch Microsoft an den User nicht in Echtzeit, sondern mit einer Zeitverzögerung von ca. einer Stunde. Auf Basis der so gesammelten Daten kann der User dann Inhalte von Drittanbietern blockieren.

Das Ergebnis der Datensammlung nach je fünf Klicks auf die AGOF-Top-50-Sites ist unten in drei Screenshots abgebildet. Die Liste wird – logischerweise – angeführt von der ivwbox (die ja für die AGOF die Daten sammelt, der anzeigbare Höchstwert ist in dieser IE8-Funktion 30, eigentlich sind es natürlich 50 für die AGOF-Top-50). Danach folgt Google/Doubleclick mit diversen Domains. Und es zeigt sich auch, dass zumindest zwei Agenturen bereits siteübergreifend agieren: newtention auf sechs von 50 Sites und GroupM (gmads.net) auf vier Sites. Das klingt noch nicht nach einer immens hohen Coverage – wobei es auch nur je fünf Klicks auf nur 50 Sites waren.

***½~ (3.5/5)

Related posts:

1. Alles Taco: Opt Outs, Profile Viewer und Preference Manager

Was weiß der „Der Konzern, der mehr über Sie weiß als Sie selbst“ (Der Spiegel, Heft Nr. 2/2010) über mich, wenn ich gar keinen Google-Account habe? Mal schauen.

Ich surfe los und stoße gleich wieder auf einen Artikel über Google: spiegel.de meldet, dass das Bundeskartellamt ein Verfahren gegen Google eingeleitet hat. Aber darum soll es hier ja gar nicht gehen. Unter dem spiegel.de-Artikel finden sich Google-Anzeigen. Darin wirbt u.a. wer-kennt-wen.de aus dem Hause RTL. Aber auch das nur am Rande.

Hier soll es vielmehr um Google´s Interest Based Advertising (IBA) gehen. Seit einigen Wochen kann man sich als normaler User anschauen, welche Interessen Google einem zugewiesen hat. Dazu einfach http://www.google.com/ads/preferences aufrufen. Dort finde ich nun folgendes:

Ich muss dazu sagen, dass dort vor meiner spiegel.de-Lektüre gar nix stand – keinerlei Interessen. Der Kartellamt-vs.-Google-Artikel wird also nicht unplausibel als Rechtswesen, Strafrecht, Aufsichtsbehörden, Nachrichtensender, Zeitungen verschlagwortet, in Echtzeit. Durchaus beeindruckend.

Ich surfe weiter, google nach „wandern kanaren“, rufe ein paar Wander-Sites auf (wobei ich staune,  dass auf fast allen Sites Google-Anzeigen zu finden sind), und mein Interessenprofil wird entsprechend ergänzt:

Jetzt google ich noch nach „rezept sauerbraten“, lande gleich bei chefkoch.de aus dem Hause G+J, auch wieder mit Google-Anzeigen – und dann das:

„Der Konzern, der mehr über Sie weiß als Sie selbst“ hat vergessen, dass ich mich auch für Rechtswesen, Strafrecht, Aufsichtsbehörden, Nachrichtensender und Zeitungen interessiere? Ich habe mir aber auch sehr viel Zeit gelassen beim Surfen, den Kartell-Artikel hatte ich vor etwa einer halben Stunde aufgerufen.

Ich surfe weiter, google nach „garten blumenwiese“, wieder stoße ich fast sofort auf Sites mit Google-Anzeigen, mein Profil wächst wieder:

Ich mache eine Kunstpause, will wissen, nach wie vielen Minuten Google meine Interessen vergisst und ob andere Suchmaschinen mir auch fast nur Sites mit Google-Anzeigen auflisten. Dazu wechsle ich auch den Browser – natürlich nicht Safari, denn da ist ja voreingestellt, dass Cookies von Dritten nicht akzeptiert werden, mir Google also nicht das für sein Interest Based Advertising nötige Cookie namens „id“ von der Domäne doubleclick.net setzen kann. Zum Glück ist Google so userfreundlich, das Deaktivieren des Cookies direkt über http://www.google.com/ads/preferences anzubieten. Denn würde man manuell über die Browser-Optionen nur alle Google-Cookies blocken, dann wäre das Google-IBA-Cookie noch immer da – denn es ist ja ein Doubleclick-Cookie, kein Google-Cookie.

Ich bin mutig und nehme den IE8, obwohl ich XP habe und das Bundesamt für Sicherheit in der Informationstechnik mich davor warnt, weil Chinesen Google angegriffen haben. Auch hier ist  mein Profil zunächst wieder jungfräulich. Aber auch im IE8 mit Yahoo als Suchmaschine und denselben Suchbegriffen stoße ich sofort auf Sites mit Google-Anzeigen.

Inzwischen ist eine dreiviertel Stunde vergangen, in der ich den Firefox nicht angerührt habe, ich reloade http://www.google.com/ads/preferences/ und staune erneut:

Ich bin nicht nur nicht mehr Kartell-interessiert, sondern auch kein Wandersmann mehr, dafür aber ein Tierfreund. Das wusste ich noch gar nicht. Ich habe keinerlei Tier-Content angeklickt und vor weniger als einer Stunde hatte ich noch kein Interesse für “Tiere”. Google macht Predictions!

Jetzt bin ich irgendwie beruhigt: „Der Konzern, der mehr über Sie weiß als Sie selbst“ is not evil, sondern vergesslich und macht falsche Predictions. Und: „Google weist keine sensiblen Interessenkategorien zu, etwa Kategorien, die auf Rasse, Religion, sexueller Orientierung, Gesundheit oder Finanzen basieren.“ Na dann.

Und was sagt Google sonst noch zu „Werbung und Datenschutz“ (http://www.google.com/intl/de/privacy_ads.html)? Da steht u.a.:

Aha. Hat Google wirklich meine Interessen vergessen? Die kennen eine IP-Adresse und wissen für das gesamte Google-Adnetwork, wann ein Rechner mit dieser IP-Adresse auf welcher Webpage (nicht Website!) welche Werbung gesehen und angeklickt hat.

Update: Während ich die Google-Datenschutzbestimmungen gelesen habe, hat Google alle meine Interessen vergessen:

Google weiß, welche IP-Adresse wann auf welcher Webpage im Google-Adnetwork war. Über die Personenbeziehbarkeit von IP-Adressen wird in Deutschland schon lange gestritten (vgl. bspw. http://www.datenschutz-praxis.de/fachwissen/fachartikel/ist-eine-dynamische-ip-adresse-personenbezogen-oder-nicht/, übrigens auch mit Google-Anzeigen).

Zu dieser Frage gibt es ein aktuelles Beispiel aus den USA, die „Pussy“-Affäre: Ein User schrieb eben dieses Wörtchen in ein Forum.

„Natürlich wurde der Eintrag wieder gelöscht. Aber diesmal ging der zuständige Redakteur Kurt Greenbaum der Sache nach. Er prüfte die IP-Adresse des Nutzers, also die Adresse, mit der sich ein Computer im Internet anmeldet. Greenbaum fand heraus, dass sie zu einer Schule in St. Louis gehörte, und rief den Schulleiter an. Der wiederum alarmierte seinen Computerfachmann, und anhand der Netzwerkdaten in der Schule fanden sie heraus, an welchem Computer die bösen fünf Buchstaben eingegeben wurden. Der Mann, der zur Tatzeit an dem Rechner gearbeitet hatte, musste zum Vieraugengespräch ins Büro des Schulleiters. Am Ende der Unterredung reichte er seine Kündigung ein.“ (http://www.welt.de/webwelt/article5326910/Ein-Wort-zu-viel-im-Internet-kostet-den-Arbeitsplatz.html).

BTW: Auch auf welt.de finden sich Google-Anzeigen. Und auch nugg.ad Cookies. Aber nugg.ad betreibt einen aufwändigen Anonymizer, damit erst gar keine IP-Adressen ins nugg.ad-System kommen können (http://www.nugg.ad/de/produkte/datenschutz.html). Bei dynamischen IP-Adressen, wie sie in der Regel beim privaten Surfen von zu Hause aus vergeben werden, ist der Personenbezug ohne Kollaboration des Internet-Zugangsproviders allerdings nicht möglich.

Back again: Google speichert also die IP-Adresse und hat ein wirklich beeindruckend großes Adnetwork. Das kann man sich anschauen u.a. im Google Adwords Programm. Dazu muss man zunächst einen Google-Account anlegen, wozu man neuerdings auch seine Mobil-Telefonnummer angeben muss. Dann aber kann man sich mit dem sog. Placement Tool URLs auflisten lassen: „Finden Sie heraus, ob bestimmte Websites im Google-Werbenetzwerk zur Auswahl stehen und ähnliche Placements verfügbar sind.“ Ich will es herausfinden und teste im Placement Tool „spiegel.de“.

Im Google-Adnetwork finden sich dann Online-Angebote von so ziemlich allen namhaften deutschen Medienhäusern, u.a. spiegel.de, sueddeutsche.de, t-online, bild.de, faz.net, derwesten.de, focus.de, zeit.de, rtl.de, pro7.de – um nur einige besonders namhafte zu nennen. Teilweise scheinen es nur vergleichsweise kleine PI-Mengen zu sein, mit denen vielleicht nur getestet wird. Aber es sind eben auch Angebote von Medienhäusern, deren Branchenverbände derzeit eine Kartellklage gegen Google anstreben.

Auch im IE hat Google inzwischen meine Interessen wieder vergessen. Zumindest auf der für den User sichtbaren Oberfläche. Offensichtlich standen meine scheinbar vergessenen Interessen aber nicht im Cookie (dessen Inhalt hat sich nicht verändert), sondern in einer Datenbank, auf die das Cookie referenziert. Was in dieser Datenbank (noch) steht, das weiß ich nicht.

Mir war vor dieser kleinen Versuchsreihe nicht klar, dass Googles Interessen dynamisch bzw. kurzlebig sind und um Predictions angereichert werden.

Related posts:

1. Google AdSense jetzt für Targeting nutzbar!