Von Gastautor Viktor Zawadzki, Region Manager bei MediaMath
Viele Marketer bauen auf statische Prognosen und aufwendig selbst erstellte Regelsysteme, die auf Basis von Erfahrungen und historischem Verhalten ihrer Kunden definiert wurden. Schließlich kennt niemand ihre Zielgruppe so gut wie sie selbst. Das Problem dabei ist, dass sich verändernde Umstände ohne explizite Anweisungen nicht berücksichtigt werden können. Dieser Prozess wird durch Machine Learning automatisiert. Dabei analysiert das System historische Daten über bestimmte Situationen, Aktivitäten, Nutzerinformationen wie Standorte, Uhrzeit sowie weitere Attribute und Charakteristika, die mit hoher Wahrscheinlichkeit zu Online-Käufen führen werden. Machine-Learning-Algorithmen sind, anders als regelbasierte Systeme, nicht auf historische Daten und Erfahrungen beschränkt. Sie finden in Datensätzen selbstständig auffällige Muster und Pfade, die die Wahrscheinlichkeit einer Nutzer-Aktion voraussagen. Solche Vorhersagen können selbst die erfahrensten Marketer nicht in vergleichbarer Weise treffen.
How to Machine Learning
Die Basis von Machine-Learning-Technologien für den Einsatz im Omnichannel-Marketing ist die programmatische, kanalübergreifende Verfügbarkeit sowohl von internen Daten als auch von Werbeplätzen. So sollten nicht nur klassische Online-Werbeplätze, sondern auch TV und Digital-Out-Of-Home programmatisch einkaufbar sein oder zumindest in die Einkaufsentscheidungen einfließen. Wenn Ziele, Framework oder Kontext nicht sinnvoll definiert werden, wird auch der beste Machine-Learning-Algorithmus nicht zu Resultatverbesserungen führen.
Die Übersetzung von Unternehmenszielen in Marketingziele und von Marketingzielen in messbare digitale KPIs entscheidet beim Einsatz von Machine-Learning-Algorithmen über Erfolg oder Misserfolg. Dies zu verinnerlichen und operativ umzusetzen ist für Werbetreibende häufig schwer, da dazu interne Struktur- und Prozessänderungen sowie Investments in Technologie und Know-how nötig sind. Um die oft existierende Diskrepanz zwischen Marketing- und Unternehmenszielen zu überwinden, reicht es nicht, nur messbare cookiebasierte digitale Kennzahlen in die Erfolgsauswertung miteinzubeziehen. Es müssen auch komplexere Kennzahlen, die Informationen über echte inkrementelle Umsätze geben und bei denen kurzfristige von langfristigen Effekten unterschieden werden können, berücksichtigt werden. Vielleicht war eine Marketing-Maßnahme nach Standard-Digital-KPIs erfolgreich, weil sie Klicks und Besucherzahlen erhöhte, eine große Reichweite in der Zielgruppe verzeichnete oder der digitale ROI das gesetzte Ziel übertraf. Der holistische Blick auf Finanzkennzahlen zeigt aber häufig, dass keine zusätzlichen Erlöse generiert worden sind. Wie sollen Marketer also ohne den Einbezug interner Kennzahlen aus der Finanzabteilung unterscheiden, welche inkrementellen Umsätze ihre Kampagne wirklich gebracht hat.
Was muss passieren, um das Potenzial voll auszuschöpfen?
Dass Machine Learning die digitale Welt revolutioniert, beobachten wir seit mehr als zehn Jahren. Damit das Potenzial in der Werbebranche voll ausgeschöpft werden kann, braucht es Infrastrukturen, die Marken, Konsumenten und alle zwischengeschalteten Unternehmen auf offene, konkurrenzfähige und intelligente Weise verbinden. Machine Learning muss über alle Kanäle hinweg in Echtzeit-Marketing- und Mediainvestmententscheidungen einfließen, damit die Technologie Marketer mit zusätzlichen Informationen und monetärem Nutzen unterstützen kann. Nur so kann die Basis dafür geschaffen werden, Zielgruppen durch Machine-Learning-Algorithmen mit Werbung anzusprechen, die begeistert.
Zum Autor: Als Region Manager DACH, Nordics, Central/Eastern Europe bei MediaMath verantwortet Viktor Zawadzki die zukünftige Entwicklung der Geschäfte des Technologieunternehmens auf dem mitteleuropäischen Markt. Zuvor war er als CEO bei Spree 7 tätig, einem Joint Venture zwischen MediaMath und dem Schweizer Telekommunikationskonzern Swisscom, das 2015 komplett von MediaMath übernommen wurde.
