Targeting ist angewandte Wissenschaft. Man kann ganze Bücherregale füllen mit Wissen über Targeting, unterschiedliche Ansätze, Technologien, Strategien, Statistiken, Algorithmen, Key Performance Indikatoren, Prozesse, Best Practices, Zielgruppen, Klickraten, Conversion, Streuverlust, Case Studies und und und …

Das Problem ist nur, dass Entscheider sich für diese ganzen operativen Details überhaupt nicht interessieren. Sie wollen einfach nur wissen, wie viel Geld sie damit verdienen können. Um ihnen das zu zeigen braucht man folgendes:

1. Ein möglichst einfaches Modell des eigenen Geschäfts, das nur die wichtigsten Einflussgrößen berücksichtigt
2. Ein paar Annahmen, wie sich die Targeting-Lösung auf diese Einflussgrößen auswirkt
3. Eine Nutzenkalkulation in Abhängigkeit der erforderlichen Investition (Return on Investment)

Und so sieht das für Predictive Targeting aus:

1. Geschäftsmodell

Es gibt drei wesentliche Parameter für die Monetarisierung einer Website bzw. eines Portfolios mit Werbung:
- Verfügbare Kapazität (in Ad-Impressions pro Monat)
- Durchschnittliche Auslastung (in % der Kapazität)
- Durchschnittlicher realisierter TKP (netto-netto!, in €)

Für eine differenzierte Betrachtung ist es sinnvoll, das gesamte Inventar in drei Segmente einzuteilen:
- Top-Inventar (hohe TKP, z.B. die Homepage)
- Arbeits-Inventar (mittlere TKP, z.B. Channels)
- Rest-Inventar (niedrige TKP, z.B. unqualifizierter Content)

Mit diesen 3×3 Werten kann jede Website bzw. jedes Portfolio entweder als Kurve beschrieben werden, wobei die Fläche unter der Kurve dem Umsatz entspricht, …

… oder in einer Excel-Tabelle (fiktive Zahlen):

2. Wirkung von Predictive Targeting

Predictive Targeting hat viele verschiedene positive Einflüsse auf die Monetarisierung. Die meisten von ihnen lassen sich aber unter zwei Hauptwirkungen zusammenfassen:

I. Verlängerung der Reichweite, z.B. in Form von …
- gesteigerter Auslastung
- verlängerten Channels
- einem gut verkauften Restinventar
- etc.

II. Steigerung des TKP, und zwar nicht als Targeting-Zuschlag, sondern z.B. in Form von …
- veredelten Channels
- neuen hochpreisigen Produkten
- höheren Budget-Anteilen
- gesteigerten effektiven TKP
- etc.

Im Diagramm führt die Verlängerung der Reichweite zu einer Verschiebung der Kurve nach rechts, die TKP-Steigerung zu einer Verschiebung nach oben:

Der resultierende Pfeil ist das, was nugg.ad den Targeting Vektor nennt. Er sagt alles über Predictive Targeting in einer einzigen Kennzahl aus. Ein wahrer Key Performance Indikator! Die Fläche zwischen den beiden Kurven schließlich ist die Umsatzsteigerung, d.h. das Geld, das man mit Predictive Targeting verdienen kann.

3. Return on Investment

Nun muss die Wirkung noch quantifiziert werden. Basierend auf den individuellen Business-Zielen, Benchmarks, Erfahrungswerten und einer Analyse der eigenen Stärken und Schwächen wird eine Annahme für die Veränderung jedes einzelnen Parameters getroffen (exemplarische Zahlen):

Das Ergebnis ist eine vernünftige Nutzenkalkulation zu vertretbarem Aufwand.

Diesen Nutzen den Kosten einer Predictive Targeting-Lösung gegenüber gestellt, erhält man den Return on Investment. Auf Basis dieser Zahl kann dann eine fundierte Entscheidung getroffen werden, ob Predictive Targeting für das eigene Geschäft Sinn macht oder nicht.

Ohne die Nutzenkalkulation wäre man noch nicht einmal in der Lage zu beurteilen, ob eine angebotene Lösung preiswert oder zu teuer ist. Man wäre allein auf sein Bauchgefühl angewiesen – keine gute Grundlage für geschäftliche Entscheidungen.

Ich möchte jeden Vermarkter/Publisher ermuntern, sich sein Geschäft mal aus dieser Perspektive anzusehen. Bisher war es für jeden, der es getan hat, äußerst aufschlussreich.

Related posts:

1. Die 5 größten Predictive Targeting-Irrtümer – Nr.2: PBT = Low TKP