Loading…
in Hamburg
Jetzt Ticket sichern Noch 297 Tage
Fragen zur d3con? (040) 537 99 11 35
COVID-19 Hygienemaßnahmen

Deep Learning für eine Ad-Tech-Welt ohne Third-Party-Cookies: Sucht die Branche intensiv nach einer Lösung, die es bereits gibt? - Daniel Volož, RTB House

Daniel Volož, RTB House Die Sorgen der Werbetreibenden sind groß, denn noch weiß niemand, wie Targeting nach der Abschaffung der Third-Party-Cookies funktionieren soll. Verantwortlich fühlen sich ebenfalls nur wenige Anbieter. Klar ist, der Markt verändert sich, und Werbetreibende müssen sich den neuen Technologien anpassen, um weiterhin erfolgreich zu sein.

Ist Deep Learning die Antwort, auf die alle warten?

Die Zukunft der Werbewelt ist aktuell ein großes Fragezeichen. Als 2020 bekannt wurde, dass Google die Unterstützung von Third-Party-Cookies einstellen wird, ging ein großer Aufruhr durch die Werbebranche. Denn die Abschaffung der Third-Party-Cookies macht die Bereitstellung personalisierter Werbung deutlich schwieriger und unter Zeitdruck eine gleichwertige Lösung zu finden, ist unwahrscheinlich.

Digital Advertising ist heutzutage ohne Personalisierung nicht mehr denkbar. Auch User wollen nicht mit Inhalten konfrontiert werden, die nicht zu den eigenen Interessen passen.

Wie also soll das Werben über Online-Medien ohne den Einsatz von Third-Party-Cookies funktionieren? Ein Umschwenken auf First-Party-Cookies mag zwar eine Möglichkeit sein, um regelkonforme Daten zu beschaffen, doch ist dies keinesfalls eine Eins-zu-eins-Alternative. Eine der vielversprechendsten Lösungen hierfür wird bereits in anderen Bereichen der AdTech-Branche eingesetzt und könnte die Antwort sein, auf die alle warten: Deep Learning.

Welche Alternativen gibt es zu Third-Party-Cookies?

Es gibt drei relevante Targeting Methods, an denen AdTech-Unternehmen momentan arbeiten.

Eine Möglichkeit ist die Optimierung bestehender kontextbezogener Marketingmethoden – Contextual Targeting. Dabei werden Anzeigen gezielt in einem relevanten Umfeld, auf dem sich eine bestimmte Zielgruppe aufhält, platziert. Die enorme Menge an Online-Inhalten stellt eine große Herausforderung dar, und herkömmliches maschinelles Lernen oder von Menschen geleitete Lösungen reichen nicht aus, diese Aufgabe zu bewältigen.

Die zweite Lösung ist das Individual Targeting, das sich auf andere Möglichkeiten zur Identifizierung einer Person im Internet stützt, anstatt auf Cookies. Eine Option erfordert persönliche Informationen (personally identifiable information (PII)), wie eine E-Mail-Adresse oder Anmeldedaten, um Nutzer:innen über verschiedene Websites und Geräte hinweg zu erkennen. Die andere Möglichkeit nutzt alle verfügbaren nicht-deterministischen Datenpunkte, wie die Browserversion von Nutzer:innen oder die IP-Adresse. Sie kombiniert die Datenpunkte und identifiziert Zielgruppen mithilfe statistischer Modelle. Es gibt noch weitere Tools, die hier für bestimmte Anwendungsfälle eingesetzt werden können, wie z.B. Publisher Provided IDs, die verwendet werden, um individuelle Zielgruppen zu schaffen.

Eine weitere Lösung, das Group-based Targeting, kommt von Google selbst. Das Unternehmen hat eine anonymisierte Alternative zu Tracking-Cookies von Drittanbietern entwickelt, die Google Privacy Sandbox. RTB House hat zur Entwicklung und Verbesserung dieses Systems beigetragen und war die erste Plattform, die das System erfolgreich für den globalen Kauf echter Werbeanzeigen eingesetzt hat. Innerhalb der Google Privacy Sandbox beschäftigen sich die Ansätze bei FLoC und FLEDGE mit datenschutzfreundlichen Alternativen zum Erreichen relevanter Zielgruppen.

Gleichviel für welche Lösung sich ein Unternehmen entscheidet, der Einsatz der Alternativen setzt voraus, dass die enormen Datenmengen dabei bestmöglich ausgewertet und verarbeitet werden. Dabei zählt der Einsatz von Deep Learning-Algorithmen zum vielversprechendsten Ansatz, diese Menge an Daten zu zähmen.

Im Gegensatz zu Algorithmen des maschinellen Lernens können Deep Learning-Algorithmen wesentlich kompliziertere, sogar unstrukturierte Datensätze verarbeiten. Sie erreichen dies, indem sie Daten durch eine Reihe von immer komplizierteren Schichten verarbeiten.

Deep Learning ermöglicht die Auswertung anonymisierter Daten

„Deep“ beschreibt die Anzahl der Schichten, in der die Daten verarbeitet werden. In jeder Schicht werden immer komplexere Merkmale aus den Rohdaten extrahiert. Im Zusammenhang mit gezielter Werbung können untere Schichten eine Gruppe von Nutzer:innen identifizieren, während eine höhere Schicht ein bestimmtes Interesse innerhalb dieser Gruppe erkennt. Auf diese Weise bestimmen die Deep Learning-Algorithmen effektiv, an welcher Position sich ein User im Sales Funnel befindet, und wählen passgenaue Inhalte für diesen aus.

Der besondere Vorteil von Deep Learning: Je öfter man es einsetzt, desto besser wird es. Anders als beim maschinellen Lernen können Deep Learning-Algorithmen Muster ohne menschliches Eingreifen erkennen, was ein effizienteres Selbstlernen ermöglicht. Der Algorithmus wird auf der Grundlage der Daten, mit denen er gefüttert wird, immer präziser. Deep Learning-Technologien werden demnach nicht mehr nur ein technologischer Vorteil sein, sondern zu einem unverzichtbaren Element in der täglichen Arbeit eines jeden Marketers werden.

Durch Deep Learning ist Personalisierung weiterhin effektiv möglich

Nutzungsverhalten ist dynamisch und ändert sich ständig. Durch die hoch entwickelten Algorithmen bei Deep Learning, die von selbst lernen, Veränderungen tracken und Schlussfolgerungen ziehen, werden selbst unterbewusste und nicht wissentlich gesteuerte Absichten der Nutzer:innen erkannt und genutzt. Dabei arbeitet Deep Learning nicht nach Vorgaben, sondern lernt zielgerichtet aus allen gesammelten Daten, um die bestmöglichen Ergebnisse zu erreichen.

In Echtzeit werden Verhaltensprofile erstellt, die darauf basieren, wie User auf Angebote im Online-Shop reagieren. Mit jedem getätigten Kauf ermitteln die Algorithmen zudem einen „Footprint“, mit welcher Wahrscheinlichkeit Kund:innen, die bestimmte Produkte betrachtet oder gekauft haben, auch andere Produkte kaufen werden. Deep Learning lernt aus dem Verhalten aller Kund:innen und kann darauf basierend passende Waren vorschlagen, da Kund:innen mit ähnlichem Nutzungsverhalten ebenfalls daran interessiert waren.

Mittels dieser Informationen werden aus personalisierten Anzeigen hyper-personalisierte Erlebnisse geschaffen – angetrieben von Deep Learning.

Effizientere Video-Anzeigen durch Deep Learning

In den letzten Jahren haben sich Videoformate zu wichtigen Instrumenten im Online-Marketing entwickelt. Laut Wyzowl-Befragung geben 87% der Marketingverantwortlichen an, dass Videoformate im Unternehmen eingesetzt werden, weil sie Botschaften wirkungsvoll verbreiten. Jedoch stehen Unternehmen vor den Herausforderungen, Videoanzeigen zielgerichtet einzusetzen.

Deep Learning unterstützt dabei, Daten auszuwerten und Video Ads zu platzieren. Dies ermöglicht es Unternehmen, das Nutzungserlebnis der User zu personalisieren und passgenaue Videoformate zu dem Zeitpunkt zu schalten, bei dem Nutzer:innen sich am ehesten mit dem Video beschäftigen. Bei Videowerbung kann so eine bis zu 47 % höhere Videoabschlussrate und eine bis zu 33 % bessere Sichtbarkeit im Vergleich zu globalen Marktbenchmarks erzielt werden.

Es wird Zeit, dass sich die Branche aus der Schockstarre löst

Wir stehen vor einer neuen Aufgabe, die intensive Zusammenarbeit erfordert und deren endgültige Lösung noch einen langen Weg vor sich hat. Der Algorithmus von RTB House hat sich bei Performance-Kampagnen bereits bewährt, und wird auch schon in anderen Bereichen des Sales Funnel eingesetzt. Awareness- und Branding-Kampagnen erfordern einen ganz anderen Ansatz, auf den der Algorithmus speziell zugeschnitten werden kann. So kann jedes Unternehmen seine individuellen Ziele erreichen und jede Kombination von Viewability, VCR, Reichweite oder CTR maximieren, um den Wert von Awareness- und Branding-Kampagnen zu steigern.

Jetzt ist der Zeitpunkt, bestehende Praktiken zu hinterfragen und sicherzustellen, dass man für die AdTech-Welt ohne Cookies gerüstet ist. Wir glauben, dass jede Agentur und jedes Unternehmen ihr Geschäft festigen kann und personalisierte Werbung auch weiterhin ermöglicht wird, indem Deep Learning in Zukunft als Teil der Unternehmensstrategie eingesetzt wird.

Daniel Volož, RTB House

Daniel Volož
RTB House

daniel.voloz@rtbhouse.com

Daniel Volož ist Country Manager DACH bei RTB House. Als erster DSP und Google-Partner, der das FLEDGE-Ad-System der nächsten Generation von Privacy Sandbox einsetzt, kann RTB House Einblicke in das Thema cookielose Zukunft bieten.