2022-05-31 | Article | Insights
Einer der Hauptvorteile des programmatischen Einkaufs ist die Möglichkeit, Media auf der Grundlage von Daten in einer nutzerzentrischen Weise einzukaufen und so Kampagnen über verschiedene Publisher, Deal Arten und Werbeplätze hinweg in nahezu Echtzeit zu optimieren, ohne sich auf feste Ausgaben auf Publisher-Basis festlegen zu müssen. Die Etablierung von Optimierungsalgorithmen in Demand-side Plattformen hat in den letzten Jahren zu einer maßgeblichen Steigerung der Qualität und Effizienz der Kampagnenaussteuerung geführt, dadurch dass maschinelles Lernen eingesetzt wird, um eine höhere Rechenleistung und anspruchsvollere Analysen zu ermöglichen. Standardalgorithmen basieren jedoch auf Standard-KPIs auf der Grundlage der in der DSP verfügbaren Daten, die nicht konkret mit der Kundenprofitabilität eines Unternehmens in Zusammenhang stehen. Hier kann die Funktion Custom Bidding in Display & Video 360 (DV360) gezielt in Aktion treten.
Mit Hilfe von Custom Bidding kann bestimmt werden, wie viel eine Impression für ein Kampagnenziel wert ist. Aufgrund der gewonnenen Erkenntnisse stellt DV360 einen Algorithmus zur Verfügung, der die Gebote für die höchste Leistung auf Grundlage dieses Ziels optimiert. Hierbei gibt es zwei Herangehensweisen, Custom Bidding einzusetzen: durch die Einrichtung eines Skripts basierend auf einfachen Python-Konstrukten oder durch die Verwendung des Goal Builders in der Nutzeroberfläche.
Die Messung der Gewinnspannen zur Bestimmung der Kundenrentabilität ist für den anhaltenden Unternehmenserfolg von entscheidender Bedeutung. Sie gibt Aufschluss darüber, ob Kundengruppen Geld kosten oder einbringen. Der Fokus auf Umsatz kann dazu führen, dass einige Kundengruppen attraktiver erscheinen als sie wirklich sind. Im folgenden Beispiel sieht man, dass die Umsatzdaten allein dazu verleiten würden, dass das vorhandene Budget und die Akquisitionsbemühungen stärker auf das Segment B ausgerichtet werden, obwohl unter Einbeziehung der Kostendaten klar wird, dass das Kundensegment A weitaus rentabler ist.
Sobald ein Framework für die Messung der Marge definiert ist, kann dies für die Kampagnenoptimierung mit Hilfe von Custom Bidding eingesetzt werden.
Der erste Schritt besteht darin, Daten aus den entsprechenden CRM-/ E-Commerce-Lösungen sowie GMP-Konten in Google Cloud BigQuery zu importieren und mit Dataproc zu verarbeiten. Die Datenquellen können auf der Grundlage der Bestellnummer verknüpft werden, sodass die Marge über BigQuery Jobs oder mit BigQuery View berechnet werden kann. Anschließend lassen sich entsprechende Ergebnisse mit Hilfe von Looker Studio visualisieren. Durch die Verwendung des User Data Import lassen sich Transaktionen in Google Analytics anreichern, indem berechnete Margenwerte als benutzerdefinierte Dimension gespeichert und die Werte zu den bereits verarbeiteten Treffern hinzugefügt werden. Anschließend lassen sich Zielgruppen erstellen, die verschiedene Rentabilitäts Cluster darstellen. Bitte beachten, dass dieser Vorgang nur für Universal Analytics gilt.
Margendaten werden den entsprechenden Transaktionen in GA zugeordnet, sodass anschließend GA-Zielgruppen-Cluster auf Grundlage der Marge erstellt werden, z. B. Zielgruppen von Nutzern mit den 10 %, 20 % usw. Transaktionen mit der höchsten Marge auf der Grundlage der gekauften Produkte/ gestellten Dienstleistungsanfragen unter Berücksichtigung aller Kosten, einschließlich der im Akquisitionsprozess gewährten Rabatte.
Nachdem die Zielgruppen definiert und erstellt worden sind, kann ein eindeutiges GA-Event eingerichtet werden, das bei jedem spezifischen Zielgruppen Cluster ausgelöst wird. Anschließend können Punktzahlen für die Events festgelegt werden, um in dem benutzerdefinierten Gebotsalgorithmus verwendet zu werden. Je höher die berechnete Marge der Transaktionen der Kunden innerhalb einer bestimmten Zielgruppe ist, desto höher ist die Punktzahl, die dem ausgelösten Ereignis für diese Zielgruppe zugewiesen wird.
Die Rentabilität von Kunden zu verbessern ist ein kontinuierliches Unterfangen. Sobald die entsprechenden Daten identifiziert und Strukturen festgelegt wurden, können die Daten kontinuierlich aktualisiert werden. Verschiedene Rentabilitäts-Cluster zu bewerten und für die Kampagnenoptimierung mit Custom Bidding zu nutzen, kann einen bedeutenden Einfluss auf die Geschäftsziele haben. Dank eines individuellen Ansatzes für jede potenzielle Impression, auf die geboten wird, kann die Gewinnspanne optimiert und deutlich erhöht werden. Mit Custom Bidding lassen sich individuelle Optimierungsansätze definieren und einrichten, indem ein Algorithmus erstellt wird, der genau auf die strategischen Ziele abgestimmt ist und auf den individuellen Unternehmensdaten basiert.
Mit der Funktion "Experiments & Lift" lässt sich ein Testverfahren einrichten, um zu überprüfen, ob der Custom Bidding-Algorithmus wie gewünscht funktioniert. Dies ermöglicht den direkten Vergleich zur Bewertung der Custom Bidding-Strategie versus Standard-Gebotsstrategien bezugnehmend auf die Kampagnenleistung.