Conversions in Echtzeit vorhersagen

Die meisten Unternehmen investieren einen signifikanten Teil ihres Werbebudgets in Retargeting-Kampagnen. Die entsprechende Retargeting-Audience wird jedoch oftmals nur nach Bauchgefühl 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 berühmtes Zitat von John Wanamaker: “Half the money I spend on advertising is wasted, the trouble is I don’t know which half”.

Das Problem im aktuellen Retargeting-Marketing

Aus 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 hätten, könnten wir dieses Wissen in unsere Kampagnen integrieren und nur die relevanten Personen ansprechen. Das würde sich auch positiv auf die Conversion Rate auswirken. Nicht zuletzt würde es potentiellen Kund:innen den Frust irrelevanter Anzeigen ersparen und so die Brand Experience verbessern. Wie können wir also die Konvertierungswahrscheinlichkeit eines/einer Webseitenbesucher:in vorhersagen und diese dann für Retargeting-Aktivitäten nutzen?

Der Weg zu einem Vorhersagemodell

Die 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 für einen unserer Kunden zu erstellen und einzusetzen. Die folgenden Schritte erklären unser Vorgehen in Kürze:

Als erstes sammelten wir Rohdaten von über 500.000 Sessions (unique website visits) inklusive aller Interaktionen, Scrolls und Engagement Indicators, die der/die Besucher:in mit der Webseite hatte. Als zweites wendeten wir eine Reihe Algorithmen auf die Daten an, um herauszufinden, welcher Algorithmus am besten die Browsing-Muster erkennt. Nach vielen Testläufen fanden wir den Algorithmus, der am genauesten vorhersagen konnte, ob ein:e Besucher:in konvertieren wird oder nicht. Als drittes stand nur noch die Challenge an, das Modell auch tatsächlich 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. Nun hatten wir ein Modell, das die Konvertierungswahrscheinlichkeit jedes/jeder einzelnen Besucher:in in Echtzeit vorhersagen konnte. Diese Vorhersagen wurden im Anschluss noch in die gewünschte Werbeplattform eingespeist.

Den Output des Vorhersagemodells nutzen

Als 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 führten ein Experiment durch, das bestätigen 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 hinzugefügt 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 für 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.

Die Differenz in der Conversion Rate zwischen den zwei Gruppen war signifikant. Mit anderen Worten: Würden wir nur die Besucher:innen aus der Gruppe mit der hohen Konvertierungswahrscheinlichkeit retargeten, hätten wir einen Conversion Uplift von 233% im Vergleich zu der anderen Gruppe. Wichtig zu erwähnen ist jedoch Folgendes: Wenn das Ziel die Maximierung der Einnahmen ist, empfehlen wir, die Kund:innen mit einer niedrigen Konvertierungswahrscheinlichkeit nicht auszuschließen. Denn auch in dieser Gruppe gibt es konvertierende Besucher:innen. Obwohl das Modell noch nicht perfekt ist, beweist das Experiment, dass das Vorhersagemodell in der Lage ist, solide vorherzusagen, welche Besucher:innen mit einer höheren Wahrscheinlichkeit konvertieren werden als andere.

Alternative Anwendungsmöglichkeiten

Das vorgestellte Vorhersagemodell könnte nebst einer besseren Audience-Bestimmung weitere Zwecke erfüllen. Zum Beispiel könnte es dynamischen Content ausspielen, um das Einkaufserlebnis individueller Webseitenbesucher:innen zu verbessern. Zusätzlich könnte die vorhergesagte Konvertierungswahrscheinlichkeit für verbessertes Reporting benutzt werden. Da diese Metrik nicht nur einzelne Interaktionen, sondern die tatsächliche Absicht eines Webseitenbesuchers widerspiegelt, lassen sich daraus Erkenntnisse über den User Intent spezifischer Besuchergruppen ableiten. Mit einer kleinen Anpassung könnte man dieses Modell außerdem so verändern, dass es die erwarteten Einnahmen, die ein individueller Besucher generieren wird, vorhersagen könnte.

Abschließend lässt sich sagen, dass es durch eine sinnvolle Nutzung von Big Data, Machine Learning Techniken und Open-Source-Software möglich 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, können wir potenziell eine viel bessere Conversion Rate generieren. Besonders wenn es darum geht, ein limitiertes Budget so effizient wie möglich einzusetzen. Weiter kann ein solches Vorhersagemodell auch für dynamischen Content, verbessertes Reporting oder die Vorhersage von Einnahmen verwendet werden. Das stellt für technisch versierte Marketingfachleute eine neue Möglichkeit dar, innovativ und kreativ zu handeln. Mit anderen Worten: Dieses Modell bietet viele verschiedene Anwendungsmöglichkeiten und damit ein neues Spielfeld im Online Marketing, in welchem Business Probleme mithilfe von Big Data und Machine Learning angegangen werden können.