Beurteilung von Placements aus statistischer Sicht - Das Modell
Nach der Darstellung einiger Grundlagen zur Beurteilung von Placements im Display-Advertising stellt der zweite Teil der Artikelserie ein statistisches Modell vor, welches die Beurteilung von Placements schneller als konventionelle Ansätze ermöglicht. Das Modell unterstützt dabei auch die Aufdeckung von Fraud. Die frühzeitige Identifikation nicht-performanter Placements ermöglicht z.T. eine erhebliche Kostenreduktion durch Ausschluss der entsprechenden Placements aus den Kampagnen.
Der hier vorgestellte Ansatz setzt gezielt ein statistisches Prognosemodell ein und bedient sich alternativer Metriken, die schneller verfügbar sind als die Conversion. Auf diese Weise wird die für die Bewertung des Placements benötigte Zahl an Impressions und Klicks massiv reduziert. Die Bewertung kann i.d.R. bereits erfolgen, bevor es die erste Conversion gibt. Die Konsequenz ist eine relevante Kostenersparnis durch die Früherkennung "schlechter" Placements, während das statistische Verfahren es gleichzeitig ermöglicht, "gute" Placements frühzeitig zu erkennen und diese schneller als Mitbewerber zu besetzen.
Das statistische Modell nutzt einerseits Metriken, die das Verhalten der Besucher auf der Landing-Page und nachgeschalteten Seiten beschreiben (z.B. Time-On-Site, Bounce-Rate, Pageviews). Diese Metriken werden als Folge eines Klicks auf das Werbebanner generiert. Ergänzend können Metriken verwendet werden, die die Placement-Domain charakterisieren (z.B. Backlink-Struktur oder Google Pagerank). Das Modell beruht auf den Annahmen, dass sich "gute" Placements durch Eigenschaften wie eine hohe Sichtbarkeit und Seriosität auszeichnen. Weiterhin sollen aus dem Verhalten der Besucher auf der Landing-Page Informationen über das Interesse am Produkt/der angebotenen Dienstleistung gezogen werden. Eine Erweiterung des statischen Modells um zusätzliche Metriken ist problemlos realisierbar.
Das Modell prognostiziert für jede Placement-Domain eine Wahrscheinlichkeit, mit der ein Besucher konvertiert, der über die Placement-Domain auf die Landing-Page gelangt. Zur einfacheren Analyse wird diese Wahrscheinlichkeit in 10 Klassen aufgeteilt, wobei die Conversionwahrscheinlichkeit in der Klasse 1 am geringsten und in der Klasse 10 am höchsten ist. Die Abbildung zeigt, dass die Placements-Domains aus den fünf unteren Wahrscheinlichkeitsklassen lediglich 7% der Conversions ausmachen – dies spricht für die Prognosekraft des Modells.
Besucher von Placement-Domains mit einer hohen Conversionwahrscheinlichkeit haben außerdem eine geringere Bounce-Rate und verweilen deutlich länger auf der Landing-Page als das bei Besuchern von Placement-Domains mit niedriger Conversionwahrscheinlichkeit der Fall ist.
Bei einem Online-Shop wäre z.B. auch denkbar, dass eine mittlere Verweildauer "optimal" ist, während Kunden, die nur kurz verweilen, nicht an den Produkten interessiert sind und Kunden, die sehr lange verweilen, unentschlossen sind und sich zwar lange informieren, jedoch letztendlich doch nichts kaufen. Auch ein solcher komplexerer Zusammenhang zwischen Time-On-Site und der Conversionwahrscheinlichkeit ließe sich durch das Modell berücksichtigen.
Von den Metriken, die die Placement-Domain charakterisieren, wird beispielhaft der Google-Pagerank betrachtet. Hierbei zeigt sich, dass die Conversionwahrscheinlichkeit bei Placement-Domains mit niedrigem Pagerank vergleichsweise gering ist, während Placement-Domains mit hohem Pagerank überproportional stark in den hohen, conversionaffinen Wahrscheinlichkeitsklassen vertreten sind.
Welche Implikationen hat das Modell hinsichtlich der Steuerung der Kampagnen? Die linke Abbildung zeigt, dass die unteren fünf Wahrscheinlichkeitsklassen 46% der Placements enthalten. Von diesen ist bereits bekannt, dass sie lediglich 7% der Conversions hervorbringen. Der hier in Form des statistischen Modells implementierte Placement-Performance-Report fällt für diese Placements negativ aus. In der Konsequenz sollten die Placements in die Blacklist aufgenommen werden. Der rechten Abbildung ist zu entnehmen, dass die betreffenden Domains 28% der Gesamtkosten verursachen. Das bedeutet, dass 28% der Kosten für lediglich 7% der Conversions aufgebracht werden.
Die Ursache hierfür liegt in der Verteilung der Kosten pro Conversion: Die Abbildung unten zeigt, dass die Kosten für eine Conversion/Acquisition (CPA) – speziell in den unteren vier Wahrscheinlichkeitsklassen (in der zweiten Wahrscheinlichkeitsklasse gab es keine Conversion, weswegen die CPA hier rechnerisch unendlich hoch sind) – deutlich höher sind. Gerade in den oberen Wahrscheinlichkeitsklassen sind die CPA gering.
Die Ursache liegt in der Preislogik von Google, die hohe Relevanz (die sich u.a. in hohen Klick- und Conversionraten artikuliert) belohnt und umgekehrt das Werben auf Plätzen mit schlechten Klick- und Conversionraten verteuert. Wer dies erkennt, kann bares Geld sparen. Auch wenn die reale Kostenreduktion nicht bei 28% liegen wird (schließlich sind einige Klicks unvermeidbar, um eine Bewertung überhaupt vornehmen zu können), ist eine Ersparnis zwischen 5% und 10% realistisch. Zudem zeigt die Analyse genau auf, wo das Budget am besten eingesetzt werden kann: In den hohen Wahrscheinlichkeitsklassen sind die CPA niedriger. Hier lassen sich durch eine leichte Erhöhung der Gebote mit vergleichsweise geringem Aufwand zusätzliche Conversions generieren.
Die zentralen Vorteile des statistischen Modells gegenüber konventionellen Ansätzen resultieren aus der Betrachtung von Conversionwahrscheinlichkeiten anstelle von Conversions. Die Conversionwahrscheinlichkeiten lassen sich für alle Placement-Domains prognostizieren – auch für die, die noch keine Conversion hervorgebracht haben. Die Bewertung der Placements und damit die Steuerung der Marketingsausgaben ist somit zu einem deutlich früheren Zeitpunkt möglich. Potenzieller Betrug durch unseriöse Placements wird unterbunden, da mangelndes "Interesse" des Klickenden an der Landingpage und eine geringe Sichtbarkeit der Placement-Domain zu einer niedrigen prognostizierten Conversionwahrscheinlichkeit führen.
