Einfaches Retargeting reicht nicht mehr aus, um Nutzer im richtigen Moment zu erreichen. Deep Learning kann dabei helfen, passgenaue und personalisierte Botschaften für die Nutzer zu platzieren, die Kundenzufriedenheit zu steigern und die Effizienz von Kampagnen zu erhöhen. Gastautor Daniel Volož von RTB House erklärt, wie Deep Learning mit Hyper-Personalisierung Werbetreibenden hilft, ihr Targeting und Retargeting zu verbessern. User empfinden für sie unwichtige Werbung oft als störend. Selbst ein ideales Produkt, das in der falschen Phase der Kaufentscheidung angezeigt wird, kann sich negativ auf die Entscheidung potenzieller Kunden auswirken. Mithilfe von Deep Learning können Anbieter errechnen, wann der beste Zeitpunkt ist, einer Person eine Werbeanzeige anzuzeigen.
Deep-Learning-Algorithmen sind in der Lage, komplexe und anonymisierte Daten gebildeter Interessengruppen oder Kohorten nach Verhaltensübereinstimmungen zu durchforsten. In Echtzeit werden Verhaltensprofile erstellt, die darauf basieren, wie User auf Angebote im Onlineshop reagieren. Mit jedem getätigten Kauf ermitteln die Algorithmen zudem einen „Footprint“, der beschreibt, mit welcher Wahrscheinlichkeit Kunden, die bestimmte Produkte betrachtet oder gekauft haben, auch andere Produkte kaufen werden. Deep Learning lernt aus dem Verhalten aller Kunden und kann darauf basierend passende Waren vorschlagen, da Kunden mit ähnlichem Nutzerverhalten ebenfalls daran interessiert waren.
Deep-Learning-Algorithmen lernen effizienter
Das zahlt sich besonders im Retargeting aus. Anders als bei herkömmlichen Retargeting-Methoden kann der Deep-Learning-Algorithmus errechnen, wo sich Käufergruppen im Sales Funnel befinden und wann der individuell geeignetste Zeitpunkt ist, einer Person eine Werbeanzeige anzuzeigen. In diesem Umfang ist das ohne Deep Learning nicht möglich.
Der besondere Vorteil von Deep-Learning-Algorithmen: Je öfter man sie einsetzt, desto besser werden sie. Anders als beim maschinellen Lernen können sie 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.
Wie Deep Learning hilft, Ads bestmöglich zu platzieren
Ein Retargeting-Prozess mit Deep Learning lässt sich einfach am Kauf von Add-ons (Kopfhörer, Hülle und Co.) bei Erwerb eines Smartphones verdeutlichen. Deep Learning errechnet, ob dem individuellen Kunden ein Add-on vor, während oder nach dem Smartphonekauf bzw. überhaupt vorgeschlagen wird.
Es ist daher essenziell, effektive Marketingkampagnen zu streuen, die Nutzer in allen Phasen der Kaufentscheidung identifizieren und die passende Botschaft, das passende Produkt und das passende Medium auswählen.
Deep Learning leistet dabei wertvolle Hilfe und kann basierend auf Analysen von Millionen von Websites die Kommunikationsstrategie umsetzen und eine bis zu 16% höhere Klickrate (CTR) bei gleichbleibendem Budgeteinsatz erzielen.
Beispiel TriStyle
Die TriStyle Customerce, Digital-Einheit der TriStyle Group, zu der die Unternehmen Peter Hahn und Madeleine gehören, nutzt für ihre Targeting- und Retargeting-Strategie bereits Deep Learning, um Kunden zu dem Zeitpunkt anzusprechen, an dem ihre Kaufwahrscheinlichkeit am größten ist.
Anders als bei der früheren Retargeting-Strategie von Peter Hahn läuft die Wiederansprache heute gezielter ab. Durch Deep Learning konnte der Versender das Auftragsvolumen innerhalb von zwei Monaten um 16%, die Click-Through-Rate (CTR) um 50% und den Neukunden-Traffic um 8% steigern.
Fazit
Wenn die Reizüberflutung von Werbeanzeigen deren Effektivität senkt, können sich Werbetreibende und ihre Partner an führende Technologien wenden, um ihr Marketing zu differenzieren und ihre Kampagnen effizient zu gestalten.
Deep Learning wird immer beliebter und verändert viele verschiedene Geschäftsbereiche, von der Automobilindustrie über Entertainment bis hin zu Marketing und Handel. Investitionen in neue Lösungen stellen sicher, dass Marken im zukünftigen Wettbewerb bestehen.
Deep-Learning-Technologien ermöglichen fortschrittliche Algorithmen und Datenmodelle, mit denen Händler die Bedürfnisse der Nutzer analysieren, identifizieren und für ihr Targeting und Retargeting nutzen können.
MEHR ZUM THEMA:
