Das Zusammenspiel zwischen People-Based-Targeting und algorithmusoptimierter Ausspielung am Beispiel von XING - Jens Meyer, XING Marketing Solutions GmbH

Der Social Media Advertising Markt wächst rasant

Social Media Advertising – im Vergleich zu anderen digitalen Werbeformen – ist nach wie vor auf der Überholspur. Die weltweiten Umsätze wachsen seit Jahren im zweistelligen Prozentbereich und werden 90-100 Mrd USD in 2019 erreichen. In Deutschland werden inzwischen mehr als 2 Mrd USD auf Social Media Kampagnen budgetiert.

Laut Prognosen wird sich das Marktvolumen bis 2023 noch einmal verdoppeln, dies entspricht einem jährlichen Umsatzwachstum von rund 18%. Dabei treiben bestimmte Formate dieses Wachstum in besonderem Maße. Video Ads im sozialen Kontext sind mit über 100% Wachstumsrate Spitzenreiter.

Wenig überraschend ist, dass Facebook, Instagram und Co. nach wie vor die größten Kuchenstücke des Social Media Advertising Marktes ergattern. Mit rund 56 Mrd USD in 2018 (von denen 98,5% durch Werbeumsätze generiert werden) beherrscht der Facebook Konzern den Social Media Advertising Markt. Im Jahr 2019 werden sich die Werbeumsätze von Facebook voraussichtlich auf 67 Mrd. USD belaufen.

Seit rund drei Jahren investiert auch XING in den Ausbau seiner Social Media Advertising Aktivitäten. Die eigens dafür gegründete XING Marketing Solutions GmbH bietet mit XING Ads und dem XING AdManager native Werbemöglichkeiten auf dem führenden deutschsprachigen Karrierenetzwerk an.

Social Media Advertising powered by XING

XING Ads sind Anzeigen, die sich nativ – also hinsichtlich Form und Inhalt an den sie umgebenden Kontext angepasst – in unterschiedliche Seiten der Karriereplattform integrieren. Mit Hilfe des XING AdManagers werden die Anzeigen erstellt und verwaltet. Hier werden Zielgruppen anhand vielfältiger Targetingkriterien selektiert, Kampagnenbudgets und -laufzeiten festgelegt und die Anzeigen gestaltet. Zu unterscheiden sind dabei Werbeformate, Werbeziele und Werbeplatzierungen.

Werbeformate bestimmen das „Wie“ der Nutzer angesprochen wird. Hier bietet XING aktuell den Sponsored Post (als native Bild/Test Ad), den Sponsored Video Post (als Silent Autoplay Video) und die Lead Ad (als formulargestütztes Werbeformat zur Lead-Generierung) an.

Werbeziele definieren das „Was“ beworben werden soll. So können Seiten auf XING (z.B. eine Unternehmensseite oder ein auf XING vermarkteter Event) oder eine externe Website bzw. Landingpage beworben werden.

Werbeplatzierungen bestimmen „Wo“ die Ads ausgespielt werden. Neben der Startseite sind in 2019 der eigene Messenger, die Kontaktseite, die News-Seite und die XING Suche als Ausspielort für native Anzeigen hinzugekommen. Darüber hinaus ist das Notification Center zusätzlich geplant und soll noch 2019 zur Verfügung stehen.

People-Based-Targeting mit Profil- und Verhaltensdaten

Als führendes professionelles Business-Netzwerk im deutschsprachigen Raum bietet XING eine Reichweite von 16 Mio. Mitgliedern mit detaillierten Profilinformationen. Die Zielgruppenauswahl einer Social Media Kampagne mit XING Ads ist damit auf Basis von demographischen nutzergenerierten Daten, also Profilinformationen wie z.B. Tätigkeitsfeld, Karrierestufe, Branche, Region oder Altersgruppe, die der Nutzer selbst editiert hat, möglich.

Neben nutzergenerierten Profilinformationen werden die Targeting-Möglichkeiten um Verhaltensdaten ergänzt. So plant XING beispielweise das Kriterium „Jobseeker“ anzubieten, welches aus Verhaltensmustern der Mitglieder auf XING abgeleitet wird. Als Indikatoren, ob es sich bei einem Mitglied um einen „Jobseeker“ handelt, dienen unter anderem das Interesse des Mitglieds für Stellenanzeigen.

Facebook nutzt seit jeher eine Vielzahl von Verhaltenskriterien, mit deren Hilfe der Werbetreibende Zielgruppen definieren kann, so zum Beispiel das Kaufverhalten (Kaufgewohnheiten, Art des Kaufs, etc.), das Reiseverhalten (Pendler, Geschäftsreisende, etc.), das Nutzungsverhalten in Bezug auf mobile Endgeräte (nach Marke, nach Betriebssystem, etc.) oder digitale Aktivitäten, welche Nutzer ausführen, wenn sie online aktiv sind (Ersteller von Veranstaltungen, Gamer, etc.).

People-Based-Targeting im Vergleich zu anderen Formen der Zielgruppenansprache

Die Überlegenheit von People-Based-Targeting auf Basis von nutzergenerierten Daten kann gut veranschaulicht werden, indem man sie anderen Arten der Zielgruppenansprache gegenüberstellt.

In traditionellen Medien wie TV-, Print- oder Außenwerbung werden die Kunden eines Unternehmens, in der Regel die Käufer eines Produktes, demografisch beschrieben (z.B. berufstätige Männer, 30-40 Jahre, mittleres Nettoeinkommen, Affinität für Premiumfahrzeuge). Danach wird nach einem geeigneten Ort oder Medium gesucht, an dem diese Zielgruppe ihre Zeit verbringt (in diesem Fall beispielweise ein bestimmtes Magazin wie „auto motor sport“ oder Bandenwerbung in Fußballstadien). Mit diesem Ansatz werden aber eben auch Menschen erreicht, die nicht direkt in die Zielgruppe fallen, aber das gleiche Medium konsumieren oder sich am gleichen Ort aufhalten.

Streuverluste ergeben sich in ähnlicher Weise bei traditionellen online Werbeformaten, wenn auch in geringerem Ausmaß. Die Zielgruppe wird hier ebenso demografisch durch den Werbetreibenden definiert. Anschließend lässt sich für Personen dieser Zielgruppe Werbung plattform- bzw. seitenübergreifend mit Hilfe von Cookies schalten.

Effizienzverluste ergeben sich dabei insbesondere durch geschätzte Daten (der Nutzer gehört in der Regel nur mit einer bestimmten Wahrscheinlichkeit einer Zielgruppe an). Zudem ist das Targeting nicht so granular möglich, wie auf Social Media Plattformen. Zuletzt haben Cookie-basierte Ansätze Nachteile durch den zeitlichen Verfall von Cookies und werden zunehmend kritischer gesehen aufgrund datenschutzrechtlicher Vorbehalte.

Bei People-Based-Targeting wird hingegen eine einzelne Person angesprochen und eben kein theoretisches Profil oder Nutzersegment – dies unabhängig von der Plattform oder dem Gerät, auf dem sich das Individuum bewegt. Es erlaubt Marketingverantwortlichen, Kampagnen auf Personen zuzuschneiden, basierend auf allen Interessen, Charakteristiken und Affinitäten.

People-Based-Targeting spielt vor allem dann seine Stärken aus, wenn Reichweite und Aufmerksamkeit auf unterschiedlichen Plattformen und Geräten stark fragmentiert und in stetigem Wandel ist. Dabei ist stets gewährleistet, dass die richtige Anzeige zur richtigen Zeit für die richtige Person geschaltet wird. Zudem werden Messlücken, die bei Cookie-basierten Messungen auftreten, verhindert und die gesamte Consumer Journey erfasst.

Algorithmusoptimierte Ausspielung und Machine-Learning

Neben der Zielgruppendefinition des Werbetreibenden kommen bei allen Social Media Plattformen Algorithmen zum Einsatz. Vereinfacht gesagt ist das Ziel von Algorithmen das richtige Werbemittel zum richtigen Zeitpunkt im richtigen Kontext dem richtigen Nutzer anzuzeigen.

Algorithmen basieren dabei auf Machine Learning Ansätzen. Für den Werbetreibenden ist es weder möglich noch entscheidend zu verstehen, wie genau diese Modelle funktionieren - zumal die Social Media Plattformen diese Modelle nicht veröffentlichen, unterschiedliche Modelle zeitgleich zum Einsatz kommen und die Modelle durch selbstlernende Verfahren fortwährend im Fluss sind. Um das bestmögliche aus einer Kampagnenschaltung herauszuholen kann es dennoch nicht schaden, ein gewisses Grundverständnis zu erlangen. Wie also funktioniert das Zusammenspiel aus Zielgruppenselektion (durch den Werbetreibenden) und der algorithmusoptimierten Ausspielung einer Anzeige?

Um dies zu verstehen, wechseln wir auf die Betrachtungsseite zum Nutzer bzw. Besuchers der Plattform. Besucht beispielsweise ein XING Mitglied die Startseite in der XING App, wird dort ein Ad Request an das System, den AdManager, gestellt. Der AdManager hält in diesem Moment einen Pool an Anzeigen vor, die für diese Impression in Frage kommen. Also sämtliche Anzeigen, auf die die Zielgruppenkriterien des Nutzers zutreffen. Dies können mitunter mehrere hundert Anzeigen zeitgleich sein.

Die Aufgabe des Algorithmus ist es dann, die für diesen Nutzer in diesem Moment und Kontext beste Anzeige zu selektieren und dem Nutzer anzuzeigen. „Beste“ heißt in diesem Fall, dass die Klickwahrscheinlichkeit und der Gebotspreis des Werbetreibenden in einem Optimum stehen.

Welche Algorithmen kommen nun zum Einsatz? Und wie funktionieren diese genau? Wie schon zuvor angedeutet, sind die Einblicke, die die Social Media Plattformen in diesem Kontext gewähren, sehr limitiert. Für ein Grundverständnis ist es jedoch ausreichend, wenn man sich folgende Prinzipien vor Auge führt:

• Machine Learning und Mustererkennung: Algorithmen versuchen aus unstrukturierten Daten strukturierte zu machen. Sie untersuchen also Muster in diesen Daten. Beispielsweise versuchen sie zu erkennen, ob bestimmte Werbeinhalte eher an Werktagen oder an Wochenendtagen für einen bestimmten Nutzer relevanter sind. Meist werden dazu historische Performancedaten im Zusammenspiel zwischen Nutzer und Werbemittel/ Werbebotschaft analysiert und die Erkenntnisse auf die Zukunft übertragen. Algorithmen sind dabei selbstlernend und passen sich fortwährend an.
• Relevanz & Gebotspreise: Algorithmen versuchen, sowohl auf die Relevanz für den Nutzer (=Klickwahrscheinlichkeit) und die Zahlungsbereitschaft des Werbetreibenden zu optimieren. Oder anders gesagt: Je relevanter die jeweilige Anzeige, desto geringer darf der Gebotspreis sein, damit die Anzeige ausgespielt wird.

Die Mischung macht’s: People-Based-Targeting + Algorithmen

Welche Vorteile ergeben sich nun aus der Kombination von People-Based-Targeting und algorithmusoptimierter Ausspielung?

Die Vorteile von People-Based Marketing wurden oben ausgiebig erörtert. Die Zusammenfassung: Geringe Streuverluste durch Individualansprache und effizienter Zugang zu geräte- und plattformübergreifenden Reichweiten.

In Kombination mit algorithmusoptimierter Ausspielung kommt eine Anzeige aber nur dann zum Zug, wenn das Produkt aus Klickwahrscheinlichkeit (als Näherungswert für die Relevanz der Anzeige für den Nutzer) und Gebotspreis des Werbetreibenden im jeweiligen Kontext am höchsten ist.

Für den Werbetreibenden lassen sich daraus ein paar wichtige Handlungsempfehlungen ableiten:

• Zielgruppen sollten nicht zu eng gefasst werden: Möglicherweise gehen wertvolle Käufer- oder Interessentensegmente verloren, weil sich der Werbetreibende hinsichtlich seiner Zielgruppenerkenntnisse überschätzt. Sind die Zielgruppen ein wenig weiter gefasst, können Algorithmen dabei unterstützen, relevante von irrelevanten Nutzern zu trennen.
• Testen von unterschiedlichen Kampagnenvarianten: Das Erstellen von unterschiedlichen Varianten einer Kampagne bezogen auf die Zielgruppe, die Ausgestaltung der Anzeige und des Gebotspreises kann helfen, schnell die Kampagnenparameter mit der höchsten Performance zu definieren.
• Testen unterschiedlicher Social Media Plattformen gegeneinander: Auch wenn alle Social Media Networks unterschiedliche Schwerpunkte haben, kann es nicht schaden, Kampagnen auf mehreren Plattformen zu testen.

Jens Meyer
XING Marketing Solutions GmbH
jens.meyer@xing.com