Login

Marketing und Data Science

Mit Big Data zu Onlinewerbung ohne Streuverlust: Wunschtraum, Albtraum oder Wirklichkeit?

Mark Grether

Big Data gewinnbringend zu nutzen scheint im Erfolgsfall bestechend einfach zu sein, ist in der Umsetzung aber oft deutlich schwieriger.

Big Data und die Onlinewerbung: Hohe Erwartungen
Big Data ist gegenwärtig in aller Munde und wird als die nächste große Innovationsherausforderung für das Marketing gesehen. Die Digitalisierung des gesamten Werbeumfelds führt zu immer größeren Datenmengen, die gesammelt, analysiert und interpretiert werden wollen. Durch eine zeitnahe und umfassend datengetriebene Entscheidungsunterstützung erhoffen sich Unternehmen erhebliche Wettbewerbsvorteile durch verbesserte Prozesse und mehr Möglichkeiten für die Individualisierung und Personalisierung von Leistungen. Ein wichtiges Anwendungsfeld dieser Personalisierung ist die digitale Werbung. Werbung, die auf die Bedürfnisse ihrer Empfänger abgestimmt ist, soll besser wirken, weniger kosten und die Akzeptanz in der Gesellschaft erhöhen. Unternehmen wie Google und Facebook nehmen hierbei eine Vorreiterrolle ein und zeigen anhand ihrer Börsenbewertungen, welche wirtschaftlichen Potentiale durch Big Data erschlossen werden können.

Ein neuer Datenmarkt entsteht
Aber nicht nur Werbetreibende setzen hohe Erwartungen an die Möglichkeiten von Big Data. Fortschritte im Bereich der Datenbank- und Analysesysteme haben dazu geführt, dass sich neben großen, finanzkräftigen Unternehmen auch immer mehr kleinere Unternehmen diesem neuen Betätigungsbereich widmen. Abbildung 1 zeigt, wer und was sich so alles auf diesem neuen Markt rund um Big Data tummelt.

Speziell im Bereich der Onlinewerbung versuchen viele Unternehmen durch die Nutzung von Big Data Tools eigene Geschäftsideen aufzubauen und ein Stück vom wachsenden Onlinewerbekuchen für sich zu deklarieren. Im digitalen Jargon werden diese Unternehmen Third-Party Data Provider genannt. Sie übertragen das profitable Daten-Geschäftsmodell, das große Marktforschungsinstitute wie GfK, TNS, Nielsen und Comscore in der Vergangenheit im nicht digitalen Umfeld aufgebaut haben, in die digitale Welt: Nutzerdaten, die durch die Analyse des Nutzungsverhaltens im Internet erschlossen wurden, werden verkauft und lizenziert.

Doch den unbestrittenen Chancen stehen nicht zu unterschätzende Risiken entgegen. Ein gewinnbringender Einsatz von Big Data ist nicht ohne Tücken und einige Geschäftsmodelle im Dunstkreis von Big Data und der Onlinewerbewelt funktionieren schlichtweg nicht. Vielen dieser jungen Unternehmen gelingt es kaum, einen Wettbewerbsvorteil am Markt zu erzielen. Sie kämpfen ums wirtschaftliche Überleben.

Mit Big Data zu optimierter Werbung
Das große Versprechen von Big Data an die Werbung ist eine verbesserte Treffsicherheit der Kommunikation. Werbung soll relevanter und durch geringere Streuverluste auch günstiger werden. Je nach Zielsetzung der geplanten Werbemaßnahme sind unterschiedliche Daten interessant.

Grundsätzlich können Werbeziele eher performancebezogen sein oder mehr der Markenpflege dienen. Je stärker der unmittelbare Verkaufserfolg im Vordergrund steht, desto mehr benötigt man Daten, die der individuellen Kundenansprache und dem Re-Targeting förderlich sind. Wenn es hingegen eher um die Steigerung der Bekanntheit einer Marke geht, stehen allgemeinere Interest-Daten und eine unspezifischere Ansprache von Konsumenten im Vordergrund (siehe Abb. 2).

  • Big Data und Performance Marketing
    Beim Performance Marketing erfolgt die Abrechnung für Werbung immer nur dann, wenn eine zuvor vereinbarte Handlung des angesprochenen Online-Nutzers erfolgt. Im einfachsten Fall ist diese Handlung ein Klick auf das Werbemittel. Mit Hilfe von Big Data kann nunmehr untersucht werden, welche Variablen diesen Klick beeinflussen. Häufig kommen dabei Verfahren des Predictive Re-Targeting zum Einsatz. Ausgangspunkt hierbei sind Daten von Nutzern, die bereits sehr nahe an der gewünschten Handlung waren. Mit Hilfe von Data Mining Tools werden dann weitere Nutzer gesucht, die möglichst ähnliche Verhaltensprofile aufweisen. Die Datenmengen und die Datenheterogenität bei der Suche nach diesen statistischen Zwillingen sind enorm und häufig weisen die Datensätze große Lücken auf. Außerdem müssen die Daten innerhalb von Millisekunden ausgewertet werden.
    Wenn es jedoch gelingt, eine ausreichende Anzahl solcher Zwillinge zu finden, können Reichweiten und Klickraten deutlich gesteigert werden. Erreicht man beispielsweise bei einer Kampagne mit einem Tausenderkontaktpreis von einem Euro den Faktor 5, so beträgt der Wert des Algorithmus, der diese Steigerung ermöglicht, fünf Euro (pro tausend). Der Wert der Werbefläche wird also verfünffacht.
     
  • Big Data und Branding
    Eine häufige Zielsetzung von Branding-Kampagnen ist es, die Bekanntheit für eine Marke oder ihr Image zu verbessern. Traditionell ist das ein Gebiet der TV-Werbung und so wurden Kennzahlen wie die Nettoreichweite oder Gross Rating Points aus der TV-Werbung in die Onlinewerbewelt übernommen. Der Erfolg einer Branding-Kampagne wird durch die möglichst umfassende Ansprache einer bestimmten Zielgruppe beurteilt. Diese Zielgruppensegmente werden in vielen Fällen über soziodemographische Merkmale wie Alter und Geschlecht definiert. Data Mining wird eingesetzt, um eine möglichst valide Vorhersage dieser Merkmale bei möglichst vielen Online-Nutzern zu treffen. Meist bedeutet mehr Reichweite eine geringere Genauigkeit der Merkmalsprognose und dieser Trade-off muss abgewogen werden. Validität der Daten vorausgesetzt, kann ein Werbetreibender seine Mediakosten auf diese Weise signifikant reduzieren. Die Werbung wird nur an seine Zielgruppe ausgeliefert und Streuverluste dadurch deutlich verringert. Ein gutes Beispiel für diese Form der Datennutzung ist Facebook. Mit den Log-in-Daten seiner Nutzer verfügt Facebook über sehr valide Alters- und Geschlechtsangaben und erzielt enorme Reichweiten über unterschiedliche Endgeräte. Die Datenbasis ist für die zielgruppengenaue Auslieferung von Werbung ideal. Insbesondere bei Videowerbung, die vorrangig zur Steigerung der Bekanntheit von Marken eingesetzt wird, sind Alter und Geschlecht gut geeignete Targeting-Kriterien.

Die Tücken der Monetarisierung von Big Data in der Werbung
Was im Erfolgsfall bestechend einfach aussieht, ist in der Umsetzung aber oft deutlich schwieriger. Das gilt vor allem für die bereits angesprochenen Third-Party Data Provider, die nicht wie Facebook oder Google eigene Daten selbst nutzen, sondern von der Vermarktung dieser Daten leben. Neben der Datenqualität besteht das größte Problem darin, einen angemessen Preis für die Daten zu ermitteln. Die Box beschreibt, warum die Wertermittlung und die Beurteilung der Datenqualität schwierig sind. Für die Preisbildung bei Daten ergeben sich dadurch die folgenden Herausforderungen.

 

Box: Die Crux mit dem Wert von Daten für die Onlinewerbung

Der Wert von Daten variiert mit jeder Anwendung
Eine spezifische Information über einen Online-Nutzer, z. B. ob er männlich oder weiblich ist, ob er finanz- oder sportaffin ist, ob er in New York oder in Los Angeles wohnt, ist dann wertvoll, wenn damit die Streuverluste bei einer Online-Werbekampagne sinken. Den genauen Wert definieren die Kosten der Werbefläche bzw. die Einsparungen durch den gezielteren Einsatz. Wenn man zum Beispiel nur Männer erreichen möchte, muss man ohne Kenntnis des Geschlechts statistisch betrachtet zwei Werbungen ausspielen. Kennt man das Geschlecht aber vorab, reicht eine Ausspielung für den gleichen Effekt. Bei Werbeflächenkosten für ein klassisches Banner von einem Euro (pro tausend Kontakten) ist also eine Ersparnis von einem Euro (pro tausend Kontakten) realisierbar. In diesem Fall beträgt der Wert der Information zum Geschlecht einen Euro mal der geplanten Reichweite. Wenn aber die Information bei der Ausspielung eines Videowerbeformates mit Kosten von 20 Euro (pro tausend Kontakten) genutzt wird, hat die gleiche Information plötzlich einen Wert von 20 Euro und beträgt das Zwanzigfache.

Die Datenqualität ist schwer einschätzbar
Die Validität der automatisch generierten Online-Nutzerdaten ist ein weiteres fundamentales Problem. Die Überprüfung, ob ein Cookie eines Online-Nutzers diesen wahrheitsgemäß beschreibt, erfolgt durch Drittunternehmen wie z. B. Nielsen oder Comscore. Jedoch verwenden diese Unternehmen eigene proprietäre Messansätze, sodass deren Messungen nicht immer deckungsgleich sind. Tests in den USA und in UK haben gezeigt, dass unterschiedliche Datenprüfer ein- und demselben Online-Nutzer unterschiedliche Geschlechter zuordnen. Ein Teil der Datenprüfer klassifiziert männlich, ein anderer weiblich. Der Datenanbieter selbst kann sich deshalb im Vorfeld einer Werbekampagne keinen Überblick über die tatsächliche Qualität der eigenen Daten verschaffen. Gleiches trifft auf den Datenverwender zu. Solange es keinen Validierungsstandard gibt, weiß der Datenverwender nicht, welcher Anbieter gute Daten liefert und geht somit ein Risiko ein.

  • Der Kunde definiert die Kontaktzahl
    Nicht nur der Tausenderkontaktpreis ist unklar. Auch die Kontaktzahl ist weniger eindeutig, als es auf den ersten Blick scheint. Bei der Ausspielung von Onlinewerbung hat sich die Praxis durchgesetzt, dass sowohl der Medienverkäufer (Publisher) als auch der Medieneinkäufer (Mediaagentur, Werbetreibende) die Häufigkeit der Ausspielung von Werbemitteln zählt. Auf Basis der beidseitigen Zählungen erfolgt die Abrechnung nach dem Tausenderkontaktpreis. Haben also beide Parteien 1000 Werbeauslieferungen gezählt, ist der vorab vereinbarte Preis durch den Werbetreibenden an den Vermarkter zu bezahlen. Nur bei größeren Abweichungen erfolgt eine technische Überprüfung der Abweichungsursache.Eine Zählung bei der Nutzung von Daten während der Ausspielung von Onlinewerbung gibt es bisher jedoch nicht in vergleichbarem Umfang. Sie erfolgt in der Regel nur auf der Seite der Werbetreibenden, sodass der Datenanbieter auf korrekte Angaben vertrauen muss. Systeme und Prozesse, wie sie bei der Zählung der Werbemittelausspielung etabliert sind, gibt es nicht. Der Datenanbieter ist also auf ehrliches Verhalten des Datenverwenders angewiesen.
     
  • Preisabschläge bei fraglicher Qualität der Nutzerdaten
    Die in der Box beschriebene Problematik der Datenvalidierung kann zu mangelndem Vertrauen in die Qualität der zu kaufenden Daten führen. Oftmals fordern Käufer daher Risikoabschläge für die nicht gesicherte Validität der Daten. Ob diese gerechtfertigt sind, kann man nur schwer feststellen.
     
  • Die Kostenstruktur fördert den Preisdruck
    Wenn eine digitale Information erst einmal erhoben wurde, z. B. dass ein Online-Nutzer männlich ist, kann diese beliebig häufig verkauft werden. Die Verkaufskosten sind marginal und der Deckungsbeitrag deshalb auch bei geringen Preisen schon positiv. Diese Situation führt im Wettbewerb zu einer abwärtsgerichteten Preisspirale. Der Dateneinkäufer kann in Verhandlungen Preise oft signifikant nach unten verhandeln. Er weiß, dass der Verkäufer auch bei geringen Preisen einen positiven Deckungsbeitrag erzielen wird.

Neben der Datenqualität besteht das größte Problem darin, einen angemessen Preis für die Daten zu ermitteln.

  • Preisabschläge bei fraglicher Qualität der Nutzerdaten
    Die in der Box beschriebene Problematik der Datenvalidierung kann zu mangelndem Vertrauen in die Qualität der zu kaufenden Daten führen. Oftmals fordern Käufer daher Risikoabschläge für die nicht gesicherte Validität der Daten. Ob diese gerechtfertigt sind, kann man nur schwer feststellen.
     
  • Die Kostenstruktur fördert den Preisdruck
    Wenn eine digitale Information erst einmal erhoben wurde, z. B. dass ein Online-Nutzer männlich ist, kann diese beliebig häufig verkauft werden. Die Verkaufskosten sind marginal und der Deckungsbeitrag deshalb auch bei geringen Preisen schon positiv. Diese Situation führt im Wettbewerb zu einer abwärtsgerichteten Preisspirale. Der Dateneinkäufer kann in Verhandlungen Preise oft signifikant nach unten verhandeln. Er weiß, dass der Verkäufer auch bei geringen Preisen einen positiven Deckungsbeitrag erzielen wird.
  • Möglicher Datendiebstahl
    Ein weiteres Problem besteht darin, dass der Verwender die Daten in sein eigenes System integrieren muss, um sie zu nutzen. Sobald diese integriert sind, könnte er sie weiternutzen, ohne dafür zu bezahlen. Der Datenanbieter kann das nicht oder nur mit großem technischen Aufwand nachprüfen. Das führt zu einer zusätzlichen Abhängigkeit, da der Geschäftserfolg des Datenanbieters auf dem Vertrauen zum Käufer beruht und dessen ordnungsgemäße Verwendung der Daten voraussetzt.

 

Vom Wunschtraum über den Albtraum zur Wirklichkeit?
Die beschriebenen Herausforderungen führten dazu, dass viele Datenanbieter inzwischen wieder vom Markt verschwunden sind oder von größeren Technologieunternehmen wie Oracle, Salesforce oder Adobe aufgekauft wurden. Die Nutzung von Big Data, die bei Google, Facebook und anderen Global Players schon Wirklichkeit ist, wurde für sie zum Albtraum.

Aber gibt es auch Lösungen, um kleinen Datendienstleistern Erfolg zu ermöglichen? Der vielversprechendste Ansatz erscheint die Bündelung von Daten mit Werbetechnologie und Werbefläche. Wenn diese Bündel aus einer Hand kommen und quasi als Kombiprodukt verkauft werden, fallen die meisten Problemfelder im Bereich der Preisbildung weg. Big Data kann besser genutzt werden, um die Werthaltigkeit von Medien effektiv zu steigern, um aus der Differenz zwischen breit gestreutem und gezieltem Medieneinsatz eine Marge zu erzielen und um seine vollen wirtschaftlichen Potenziale auszuschöpfen.

Wenn dann auch noch die Datenqualitätsprobleme gelöst sind, bleibt weder für die Datenanbieter noch für deren Kunden der gewinnbringende Einsatz von Big Data ein Wunschtraum, sondern wird Realität.

Autor/en

Mark Grether, Global Chief Operating Officer, Xaxis, New York City , US. mark.grether@gmail.com