{"id":4255138,"date":"2021-04-01T13:12:34","date_gmt":"2021-04-01T11:12:34","guid":{"rendered":"https:\/\/www.deptagency.com\/insight\/conversions-in-echtzeit-vorhersagen\/"},"modified":"2021-04-01T13:08:39","modified_gmt":"2021-04-01T13:08:39","slug":"conversions-in-echtzeit-vorhersagen","status":"publish","type":"article","link":"https:\/\/www.deptagency.com\/de-dach\/insight\/conversions-in-echtzeit-vorhersagen\/","title":{"rendered":"Conversions in Echtzeit vorhersagen"},"content":{"rendered":"
\n\t\n\t<\/svg>\n\t\t\t\n\t\t\tZur\u00fcck zu allen Artikeln\t\t<\/span>\n\t\n<\/button>\n\t\tConversions in Echtzeit vorhersagen\t<\/h1>\n\n\t\t\t\n\t\t\t\n\t\t\t\n\t\t\t\n\t\t\t\n\t\t<\/picture>\n\t\n\t<\/div>
\n\t\t\t\n\t\n\t
\n\t\tJob Deibel\t\t
\n\t\tDirector, Data & AI \n\t\t\t<\/div>\n<\/div>\n\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\tDatum\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t\t1 April 2021\t\t\t\t<\/div>\n\t\t\t<\/div>\n\t\t\t\t<\/div>\n<\/div>\n\n
\n\t
\n\t\t\n\t\t\t\t\t
\n\t\t\t\t\n\n\t\tDie meisten Unternehmen investieren einen signifikanten Teil ihres Werbebudgets in Retargeting-Kampagnen. Die entsprechende Retargeting-Audience wird jedoch oftmals nur nach Bauchgef\u00fchl erstellt. Genauer gesagt: Nach simplen Regeln, wie beispielsweise alle Personen, die Website X besucht haben oder alle Besucher:innen, die Produkt Y angeschaut haben. Warum das im aktuellen Retargeting-Marketing ein Problem darstellt? Nun, es erinnert an ein ber\u00fchmtes Zitat von John Wanamaker: \u201cHalf the money I spend on advertising is wasted, the trouble is I don\u2019t know which half\u201d.\t<\/h2>\n\n\n\t\tDas Problem im aktuellen Retargeting-Marketing\t<\/h2>\n\n\n\t\tAus der Businessperspektive gesehen, wollen wir nicht die Webseitenbesucher:innen retargeten, die eine spezifische Interaktion mit einer Webseite hatten, sondern die, die am ehesten konvertieren werden und die Anzeigen entsprechend als relevant und informativ empfinden. Wenn wir Einsicht in die Konvertierungswahrscheinlichkeit eines\/einer individuellen Besucher:in h\u00e4tten, k\u00f6nnten wir dieses Wissen in unsere Kampagnen integrieren und nur die relevanten Personen ansprechen. Das w\u00fcrde sich auch positiv auf die Conversion Rate auswirken. Nicht zuletzt w\u00fcrde es potentiellen Kund:innen den Frust irrelevanter Anzeigen ersparen und so die Brand Experience verbessern. Wie k\u00f6nnen wir also die Konvertierungswahrscheinlichkeit eines\/einer Webseitenbesucher:in vorhersagen und diese dann f\u00fcr Retargeting-Aktivit\u00e4ten nutzen?\t<\/p>\n\n\n\t\tDer Weg zu einem Vorhersagemodell\t<\/h2>\n\n\n\t\tDie Antwort lautet: Indem man sich rohe Clickstream-Daten zu Nutze macht und verschiedene Machine Learning Techniken anwendet, um ein Modell zu schaffen, das die Konvertierungswahrscheinlichkeit von individuellen Webseitenbesucher:innen in Echtzeit vorhersagen kann. Das klingt nach elaborierten Technologien mit teuren Lizenzkosten? Im Gegenteil: Wir haben einzig und allein open-source Technologien verwendet, um ein solches Vorhersagemodell f\u00fcr einen unserer Kunden zu erstellen und einzusetzen. Die folgenden Schritte erkl\u00e4ren unser Vorgehen in K\u00fcrze:\t<\/p>\n\n\n\t\tAls erstes sammelten wir Rohdaten von \u00fcber 500.000 Sessions (unique website visits) inklusive aller Interaktionen, Scrolls und Engagement Indicators, die der\/die Besucher:in mit der Webseite hatte.\u00a0Als zweites wendeten wir eine Reihe Algorithmen auf die Daten an, um herauszufinden, welcher Algorithmus am besten die Browsing-Muster erkennt. Nach vielen Testl\u00e4ufen fanden wir den Algorithmus, der am genauesten vorhersagen konnte, ob ein:e Besucher:in konvertieren wird oder nicht.\u00a0Als drittes stand nur noch die Challenge an, das Modell auch tats\u00e4chlich in die Praxis zu integrieren. Wir implementierten es auf der Website, mithilfe des Google Tag Managers via verschiedenen JavaScripts, die relevante Informationen sowohl sammeln als auch speichern.\u00a0Nun hatten wir ein Modell, das die Konvertierungswahrscheinlichkeit jedes\/jeder einzelnen Besucher:in in Echtzeit vorhersagen konnte. Diese Vorhersagen wurden im Anschluss noch in die gew\u00fcnschte Werbeplattform eingespeist.\t<\/p>\n\n\n\t\tDen Output des Vorhersagemodells nutzen\t<\/h2>\n\n\n\t\tAls einmal alles stand, konnten wir die vorhergesagte Konvertierungswahrscheinlichkeit benutzen, um unsere Retargeting-Audience zielgerichteter zu gestalten. Das verhindert, dass irrelevante oder uninteressierte Besucher:innen angesprochen werden und verbessert die Conversion Rate. Wir f\u00fchrten ein Experiment durch, das best\u00e4tigen sollte, ob unser Modell relevante und wertvolle Vorhersagen in Echtzeit machte. Wie genau lief das ab? Wir teilten die bestehende Retargeting-Audience aus Besucher:innen, die ein Produkt angeschaut oder zum Warenkorb hinzugef\u00fcgt hatten, in zwei Gruppen ein. Die Personen in der einen Gruppe hatten eine niedrige Konvertierungswahrscheinlichkeit und diejenigen in der Anderen, hatten eine hohe. Beide Gruppen hatten die gleiche Gebotsstrategie und wurden auf Facebook gleich oft retargeted. Die Hypothese f\u00fcr dieses Experiment lautete: Die Conversion Rate der Gruppe mit einer hohen Konvertierungswahrscheinlichkeit ist statistisch besser als die der Gruppe mit einer niedrigen. Wir analysierten den Unterschied der beiden Gruppen und die Resultate waren beeindruckend.\t<\/p>\n\n\n\t\tDie Differenz in der Conversion Rate zwischen den zwei Gruppen war signifikant. Mit anderen Worten: W\u00fcrden wir nur die Besucher:innen aus der Gruppe mit der hohen Konvertierungswahrscheinlichkeit retargeten, h\u00e4tten wir einen Conversion Uplift von 233% im Vergleich zu der anderen Gruppe. Wichtig zu erw\u00e4hnen ist jedoch Folgendes: Wenn das Ziel die Maximierung der Einnahmen ist, empfehlen wir, die Kund:innen mit einer niedrigen Konvertierungswahrscheinlichkeit nicht auszuschlie\u00dfen. Denn auch in dieser Gruppe gibt es konvertierende Besucher:innen.\u00a0Obwohl das Modell noch nicht perfekt ist, beweist das Experiment, dass das Vorhersagemodell in der Lage ist, solide vorherzusagen, welche Besucher:innen mit einer h\u00f6heren Wahrscheinlichkeit konvertieren werden als andere.\t<\/p>\n\n\n\t\tAlternative Anwendungsm\u00f6glichkeiten\t<\/h2>\n\n\n\t\tDas vorgestellte Vorhersagemodell k\u00f6nnte nebst einer besseren Audience-Bestimmung weitere Zwecke erf\u00fcllen. Zum Beispiel k\u00f6nnte es dynamischen Content ausspielen, um das Einkaufserlebnis individueller Webseitenbesucher:innen zu verbessern. Zus\u00e4tzlich k\u00f6nnte die vorhergesagte Konvertierungswahrscheinlichkeit f\u00fcr verbessertes Reporting benutzt werden. Da diese Metrik nicht nur einzelne Interaktionen, sondern die tats\u00e4chliche Absicht eines Webseitenbesuchers widerspiegelt, lassen sich daraus Erkenntnisse \u00fcber den User Intent spezifischer Besuchergruppen ableiten. Mit einer kleinen Anpassung k\u00f6nnte man dieses Modell au\u00dferdem so ver\u00e4ndern, dass es die erwarteten Einnahmen, die ein individueller Besucher generieren wird, vorhersagen k\u00f6nnte.\t<\/p>\n\n\n\t\tAbschlie\u00dfend l\u00e4sst sich sagen, dass es durch eine sinnvolle Nutzung von Big Data, Machine Learning Techniken und Open-Source-Software m\u00f6glich ist, ein Vorhersagemodell zu kreieren, das Online-Marketing Fachleuten dabei hilft, relevante Personen zu retargeten und uninteressierte Webseitenbesucher zu meiden. Wollen wir das nicht alle? Wenn wir den Output eines solchen Vorhersagemodells in unsere Marketingkampagnen integrieren, k\u00f6nnen wir potenziell eine viel bessere Conversion Rate generieren. Besonders wenn es darum geht, ein limitiertes Budget so effizient wie m\u00f6glich einzusetzen. Weiter kann ein solches Vorhersagemodell auch f\u00fcr dynamischen Content, verbessertes Reporting oder die Vorhersage von Einnahmen verwendet werden. Das stellt f\u00fcr technisch versierte Marketingfachleute eine neue M\u00f6glichkeit dar, innovativ und kreativ zu handeln. Mit anderen Worten: Dieses Modell bietet viele verschiedene Anwendungsm\u00f6glichkeiten und damit ein neues Spielfeld im Online Marketing, in welchem Business Probleme mithilfe von Big Data und Machine Learning angegangen werden k\u00f6nnen.\t<\/p>\n\t\t\t<\/div>\n\t\t\t<\/div>\n\n\t\n\t