Anzeige

Road to DMEXCO: Dstillery-Targeting

„Wir glauben, dass wir einer der wenigen sind, die den kompletten Funnel abbilden“

Evan Hills Melind Han Williams Dstillery

Evan Hills und Melinda Han Williams wurden von ihren internationalen Kunden gedrängt, endlich nach Europa zu expandieren - Foto: Dstillery

Dstillery kommt anlässlich der DMEXCO nach Deutschland. Die New Yorker haben ein Targeting-Produkt im Gepäck, das das Beste aus den Welten Behavioral Targeting und Kontext-Targeting kombiniert. Vielversprechend und absolut DSGVO-konform.

Anzeige

Zur diesjährigen DMEXCO kommt richtig Schwung in die Debatte um neue Targeting-Systeme. ID-Lösungen, Serverside Tracking, Behavioral Targeting und kontextuelles Targeting buhlen um die Budgets der Marketer mit dem Versprechen, bessere Trefferquoten zu erzielen als klassisches Targeting auf Basis von Daten Dritter (3rd-Party). Gleichzeitig kommen die meisten Lösungen ohne personenbezogene Daten aus oder holen sie erst nach expliziter Einwilligung ein.

Dstillery sieht die Gunst der Stunde gekommen und wagt sich über den großen Teich. Das Unternehmen wurde bereits 2008 gegründet, unter anderem von Alan Murray. Der ist in der Branche kein Unbekannter, gründete er doch 2007 ein Unternehmen namens Integral Ad Science, das heute zu den führenden Anbietern für AdVerification gehört.   

MEEDIA hatte das Vergnügen, mit Evan Hills, Senior Vice President für Strategie und Partnerschaften und mit Melinda Han Williams zu sprechen. Sie ist Chief Data Scientist.

Melinda und Evan, auf eurer Website behaupten ihr, dass Behavioral Targeting besser ist als kontextuelles Targeting. Warum sollte das so sein? Beide Ideen sind ja nicht wirklich neu.

Evan: Wenn man es genau nimmt, dann versuchen wir das Beste aus beiden Welten zu kombinieren. Unser Produkt macht kontextuelles Targeting, aber eben nicht auf Grundlage einer semantischen Analyse, wie die meisten Tools da draußen. Und gleichzeitig macht unser Tool Behavioral Targeting, aber eben nicht auf Grundlage einer Personalisierung und personenbezogener Daten, was ebenfalls der Ansatz der meisten Tools da draußen ist. Unser Ansatz funktioniert komplett ohne Personenbezug und Cookies.

Dstillery
Der Lebensmittelhändler Stop & Shop erzielte mit Dstillery-Targeting in einem Test 72 Prozent mehr Conversions als klassisches Behavioral Targeting und 12 Prozent mehr als mit kontextuellem Targeting. Foto: FLICKR CREATIVE COMMONS/MIKE MOZART

Das müsst ihr etwas genauer erklären. Wie kann Kontextbezug aussehen, ohne eine semantische Analyse vorzunehmen?

Evan: Uns interessiert überhaupt nicht, welche Inhalte auf der Seite sind. Uns interessiert, welche Rolle die Seite für die Customer Journey spielt. Wenn wir mit unserem System in einer Website verbaut sind, dann schauen wir uns vor allem an: Wo kommt der User her und wo geht er hin. Aus der Menge der Daten bilden wir die Customer Journey nach und so können wir einem Werbungtreibenden erklären, wo er am besten wirbt, um seine Ziele zu erreichen.

Und was ist anders beim Behavioral Targeting?

Melinda: Uns interessiert überhaupt nicht, wer der einzelne Nutzer ist. Üblicherweise würde man das Verhalten eines Nutzers beobachten und dann z.B. in einem Profil abspeichern. Uns interessiert am meisten, ob die User ein Verhalten an den Tag legen, das für den Werbetreibenden interessant ist. Das geschieht aber über Millionen von Sessions in aggregierter Form und wenn wir beide Ansätze miteinander kombinieren, dann können wir so etwas abbilden wie eine „Verhaltenslandkarte“ des Internets. Wir fragen also gar nicht so sehr „warum“ ein User auf eine Seite kommt und eine Handlung durchführt, sondern bleiben bei der nackten Wahrscheinlichkeit. Wenn der User auf einer Seite ist, dort ein Werbebanner sieht, ist die Wahrscheinlichkeit höher, dass er z.B. ein Produkt kauft. Das reicht, um Werbeplätze zu identifizieren die für ein Unternehmen mit einem solchen Ziel spannend sind.

Was ist denn im Ergebnis der Unterschied zwischen eurer Methode und klassischem Kontext-Targeting?

Melinda: Naja, für uns ist vor allem interessant wie eine Seite wirklich benutzt wird. Wir wollen ja, dass die Werbungtreibenden mit ihrer Anzeige eine Handlung auslösen. Und wenn diese Anzeige auf einer Seite landet, die z.B. sehr spannenden Content hat, aber die User komplett damit beschäftigt sind den Content zu lesen und niemals auf Anzeigen klicken, dann ist das für unsere Werbungtreibenden nicht hilfreich.

Aber wie lässt sich denn ein günstiges Verhalten vorhersagen, wenn es doch Interdependenzen zwischen der Seite, dem Werbemittel und dem Verhalten des Nutzers gibt? Sie müssten ja die Wirkungskraft des Werbemittels vorher mit einberechnen.

Melinda: Das ist genau der nächste Schritt. Man kann z.B. eine Kampagne sukzessive verstärken. Sie fängt dort an, wo man sich relativ sicher ist, dass die Werbeplatzierung zu den Bedürfnissen des Werbungtreibenden passt und fängt an, das Verhalten zu messen. Aus dieser Messung lassen sich Ableitungen treffen, auf welchen anderen Seiten das gleiche Werbemittel wahrscheinlich auch funktioniert.

Aber wäre nicht die logische Folgerung daraus, dass man zur Marke zurückgeht und ihr sagt, sie möge das Werbemittel auf diese und jene Art verändern?

Melinda: Theoretisch wäre das möglich, aber das ist nicht unsere Idee. Wir nehmen das gegebene Werbemittel und suchen dafür die beste Platzierung. Allerdings sollte man als Werbungtreibender immer einen Blick dafür haben, dass es andere Werbemittel gibt, die eventuell mehr Wirkung erzielen. Dafür sind aber andere Systeme zuständig, z.B. für DCO, Dynamic Creative Optimization.

Dieser Ansatz funktioniert doch nur für Performance-Kampagnen. Bei Brand-Kampagnen muss es gar nicht zu einer Interaktion mit dem Werbemittel kommen. Es genügt, wenn es wahrgenommen wird.

Evan: Auf den ersten Blick könnte das so sein, aber unsere Technologie kann mehr. Tatsächlich glauben wir sogar, dass es einer der wenigen Ansätze ist, die überhaupt in der Lage sind, den kompletten Funnel abzubilden. Mal abgesehen von Retargeting. Aber an Retargeting glauben wir nicht wirklich.


Foto: Imago / Panthermedia

Sie brauchen noch viel mehr DMEXCO-Content?

Vier Wochen lang bereiten wir Sie auf das Jahres-Highlight in Köln vor.

Begleiten Sie uns auf der Road to DMEXCO


Entscheidend ist, welche KPI der Advertiser anlegt, um ein gewünschtes Ergebnis zu bekommen. Ist es nur das Maximum an Aufmerksamkeit auf einem Werbemittel, vielleicht bei einer klassischen Branding-Kampagne, dann kann unsere Technik die Seiten identifizieren, die den Traffic liefern, der genau das bedient. Das Tracking des Verhaltens bedeutet ja nicht nur Klickverhalten. Es geht auch um Verweildauer, Scroll-Tiefe oder Scroll-Geschwindigkeit. Aber tatsächlich ist es natürlich in der Praxis auch bei Branding-Kampagnen üblich, eine Handlung auszulösen. Die User sollen sich zumindest auf eine Landing Page oder auf die Website des Werbungtreibenden durchklicken. Und schon haben wir ein Conversion Signal, das wir nutzen können.

Wenn man einen solchen analytischen Ansatz fährt, muss man dann nicht omnipräsent sein mit der eigenen Lösung, um entsprechend viele Daten zu sammeln?

Evan: Oder man stützt sich auf eine repräsentative Panellösung. Und das ist unser Ansatz. Natürlich sehen wir, dass wir in Europa anderen Herausforderungen gegenüberstehen, weil die Regeln im Datenschutz deutlich strenger sind. Aber wir haben in Deutschland z.B. die GfK als Partner und nutzen deren Online-Panels, um unsere Modelle zu füttern.

Wenn ihr eine Panellösung benutzt, führt das dazu, dass ihr entsprechende Signale eigentlich vor allem für Marken erhaltet, die schon gut am Markt präsent sind.

Evan: Das stimmt absolut. Wir brauchen eine gewisse Menge an Signalen, um zuverlässige Prognosen zu erstellen. Es wird uns wahrscheinlich schwerfallen, eine gute Platzierung für eine Anzeige zu finden, die zum Download eines Whitepapers über das Thema Windkraftanlagen verführen soll. Natürlich arbeitet das statistische Modell besser, wenn viele Daten da sind.

Welche Daten nutzt ihr genau?

Evan: Wir schauen uns an, was die Menschen vor dem Besuch einer Seite gemacht haben und danach. Wir analysieren also in der Seite, ob die Menschen die Handlung durchführen, die der Advertiser möchte. Und bei diesen Leuten schauen wir, wo sie herkamen. Und wir lizensieren Daten von Diensten, die ein OptIn haben und ein Panel betreiben. In Deutschland sind das so um 300.000 User der GfK.

Ist da dann auch die Google-Suche dabei?

Melinda: Wir schauen nicht konkret danach, welche Suchbegriffe die Menschen bei Google eingegeben haben. Wir schauen uns auf einer etwas höheren Ebene an, welche Art von Verhalten die Menschen an den Tag gelegt haben. Und da zählt natürlich das Suchen über Google auch dazu. Aber es gibt interessantere Zusammenhänge. Zum Beispiel informiert sich jemand über eine Baufinanzierung, dann könnte es sein, dass er auch Interesse an neuen Möbeln hat.

Evan: Oder ein ganz greifbares Beispiel:  Man stelle sich vor, wir wollen Mitte September nach Köln reisen. Da gibt es naheliegenderweise einen ganz natürlichen Ablauf. Es beginnt zum Beispiel mit der Suche nach einem Flug, dann braucht man ein Hotel und danach einen Mietwagen. Wenn also eine Mietwagenfirma werben möchte, könnte es eine gute Idee sein, das dort zu tun, wo Hotelzimmer gebucht werden.

Melinda: Die Beispiele, die wir jetzt nennen, sind die, die wir uns selbst ausdenken können. Das Coole an Machine Learning ist, dass auch Verbindungen gefunden werden, auf die man mit gesundem Menschenverstand gar nicht kommt. Wir nehmen diese Daten und legen sie praktisch über eine Landkarte des deutschen Internets. Wir gehen in unseren Targeting-Empfehlungen nicht mehr zurück auf den einzelnen User, sondern nutzen die aggregierten Zahlen.

Wie viele User braucht man, um genug Trainingsdaten zu haben?

Evan: In einem Land wie Deutschland brauchen wir mindestens 100.000 Nutzer. In Slowenien brauchen wir weniger.

Woher wisst ihr, dass die Daten keine Verzerrung beinhalten?

Melinda: Das wissen wir tatsächlich nicht. Wir führen Plausibilitätsanalysen durch und suchen uns natürlich den Datenpartner aus, von dem wir glauben, dass die Daten gut sind. Das ist vor allem auch in unserem eigenen Interesse, da wir nach Performance bezahlt werden. Das Modell muss schon funktionieren.

Die Menge der Daten reicht aber nicht, um Nischenmärkten zu bedienen.

Evan: Es gibt Dinge, die werden nicht funktionieren. Es kann sein, dass zu wenig Daten vorliegen. Es kann aber auch sein, dass die Personas nicht spezifisch genug sind. Wie targeted man Wassertrinker? Da können wir keinen Mehrwert liefern. Aber immer, wenn es starke, digitale Signale gibt, kommen wir ins Spiel. Es geht auch um das gesamte Setup. Wir machen gerade eine Kampagne mit einem französischen Käsefabrikanten. Der will Käsekäufer erreichen. Er hat dazu noch Viewability-Metriken definiert und stellt bestimmte Anforderungen an Brand Safety. Da wird es dünn. Die Kampagne läuft ordentlich, aber für Nischen-Targeting ist das Produkt nicht gemacht. Wir passen besser zur Deutschen Bank, wenn es darum geht, dass Endkunden ein Konto eröffnen sollen.

Für welche Branchen eignet sich der Ansatz?

Melinda: Wir sind ziemlich gut bei Finanzthemen.

Evan: Wir haben gerade eine Kampagne für eine Outdoor-Company gemacht, die hat deren KPI geshreddert. Die haben ihr gesamtes normales Targeting gestoppt und arbeiten nur noch mit unserem Ansatz. Und wir haben gesehen, dass unser Ansatz sehr gut dafür funktioniert, Menschen in einen Laden oder ein Restaurant zu bringen. Tatsächlich sind wir uns da gar nicht so sicher, was der Grund für den starken Effekt ist. Wir haben das mit einem Schnellrestaurant getestet und sehr starke Ergebnisse erzielt.

Gibt es identifizierbare Unterschiede zwischen der Wirkung klassischer Targeting-Daten und denen von Dstillery?

Melinda: Der große Unterschied ist, dass ID-basierte Lösungen oder klassisches Behavioral Targeting nur die Menschen findet, die schon ein Profil haben. Das ist bei uns natürlich anders, weil uns die Person nicht interessiert.

Evan: Das gilt natürlich auch für User mit Safari, Firefox oder Adblocker.

Das würde den Schluss nahelegen, beide Methoden zu mischen.

Melinda: Das ist es, was unsere Kunden mehr und mehr tun. Sie nutzen ID-free als Ergänzung zu der bestehenden ID- oder Cookie-Lösung.

Wie geht ihr in den deutschen Markt?

Evan: Der Hauptgrund ist, dass Agenturen aus den USA, mit denen wir zusammenarbeiten uns dazu gedrängt haben. Sie haben gesagt, dass sie die Lösung genau dort im Einsatz haben wollen, wo der Datenschutz noch mehr Bedeutung hat. Und das ist offensichtlich in Europa der Fall. In England und Deutschland gibt es Agenturen, die wirklich mit einem Privacy-First-Ansatz unterwegs sind. In den USA ist das eher ein sekundärer Faktor. Wenn wir mit Bestandskunden in den deutschen Markt kommen, kann das hoffentlich auch deutsche Werbungtreibende überzeugen. Unsere erste wichtige Zielgruppe sind die Agenturen.

Welchen Stellenwert hat die DMEXCO?

Melinda: Für uns ist es die Chance, unseren Ansatz einem breiten Publikum aus der Branche zu zeigen. Und wir sind sehr gespannt auf das Feedback. Wir sprechen auf der DMEXCO die Einladung aus, das Produkt mit uns zu testen.

Anzeige