Blick unter die Haube des Lookalike Modeling

Auf dem schnelllebigen digitalen Markt von heute hat es oberste Priorität, der Konkurrenz immer einen Schritt voraus zu sein. Das bedeutet, dass Sie als Medienkäufer immer auf der Suche nach Möglichkeiten sind, Ihre Zielgruppenansprache zu verbessern, damit Sie das meiste aus Ihrem Werbebudget herausholen können. 

Wahrscheinlich haben Sie die Lookalike-Modellierung zur Optimierung Ihrer Werbeausgaben verwendet. Mit der Lookalike-Modellierung können Sie Ihre First-Party-Daten nutzen, um ein erweitertes Publikum von Personen zu erstellen, bei denen die Wahrscheinlichkeit einer Konversion oder eines Engagements höher ist. Wenn Sie jedoch nicht genau wissen, wie die Lookalike-Modellierung funktioniert, schöpfen Sie möglicherweise nicht alle Möglichkeiten dieses leistungsstarken, auf maschinellem Lernen basierenden Tools aus. 

Was ist Lookalike Modeling?

Mithilfe von Techniken des maschinellen Lernens wird bei der Lookalike-Modellierung ein Datensatz - ein so genannter "Seed-Set" - Ihrer bestehenden Kunden verwendet, um eine neue, größere Zielgruppe von potenziellen Käufern zu erstellen, die ähnliche Eigenschaften und Verhaltensweisen aufweisen.

Diese gemeinsamen Eigenschaften und Verhaltensweisen bedeuten, dass Sie nun über einen hochrelevanten Pool von Personen verfügen, die mit größerer Wahrscheinlichkeit an Ihren Produkten oder Dienstleistungen interessiert sind. 

Hinter den Kulissen: Wie Lookalike Modeling funktioniert

Nachdem wir nun die allgemeine Definition der Lookalike-Modellierung kennen, ist es an der Zeit, einen Blick darauf zu werfen, was "unter der Haube" vor sich geht. Wenn Sie verstehen, wie die Lookalike-Modellierung funktioniert, sind Sie besser in der Lage, Ihr Werbebudget zu optimieren und ineffiziente Werbeausgaben zu reduzieren. 

Obwohl jede programmatische Plattform ihre eigenen Methoden hat, gibt es eine Reihe von Elementen, die dem Lookalike-Modellierungsprozess insgesamt gemeinsam sind:

Datenerhebung

Ihr Seed-Set "Ideale Kunden" wird mit First-Party-Daten erstellt. Höchstwahrscheinlich müssen Sie nicht alle oder sogar die meisten Ihrer First-Party-Daten zur Erstellung Ihres Seed-Sets verwenden. Tatsächlich hat jede programmatische Plattform unterschiedliche Einschränkungen, welche Datenpunkte sie mit Ihren First-Party-Daten abgleichen kann, um ideale Kunden in ihrem Netzwerk zu finden. Aber auch alle First-Party-Daten, die Sie nicht verwenden, können in der Pre-Seed-Phase nützlich sein, um Ihre wertvollsten Kunden herauszufiltern und einzugrenzen. 

Die von Ihnen verwendeten Seed-Set-Daten hängen von Ihren Kampagnenzielen ab. Die Daten, die zur Erstellung eines Seed-Sets für eine Kampagne verwendet werden, die auf Personen abzielt, die am ehesten Produkt A kaufen, könnten beispielsweise aus einer Liste von Kunden bestehen, die nach Verhaltens- oder Kaufhistorie-Informationen zu Produkt A gefiltert sind, wie z. B. kürzlich getätigte Käufe, wiederholte Käufe und das Hinzufügen des Produkts zu ihrem Einkaufswagen. 

Datenanalyse

Da die Attribute (und Verhaltensweisen), auf die Sie sich konzentrieren möchten, die Grundlage für Ihre Lookalike Audience bilden, sollten Sie Audiences mit Attributen erstellen, die gut zu Ihren Kampagnenzielen passen. Programmatic-Plattformen verwenden dann eine Reihe von Techniken, einschließlich Algorithmen für maschinelles Lernen, um Ihre Seed-Set-Daten zu analysieren und Muster und Ähnlichkeiten in diesen Attributen zu erkennen.

Nehmen wir an, Ihr Ziel ist es, den Bekanntheitsgrad Ihrer Marke zu erhöhen. In diesem Fall könnte die Plattform Muster in Attributen und Verhaltensweisen erkennen, die mit den Interessen, dem Social-Media-Verhalten und der Markenaffinität Ihrer breiteren Zielgruppe zusammenhängen. Für eine Konversionskampagne hingegen wären Muster in der Kaufhistorie, im Online-Einkaufsverhalten, in der Produktaffinität und in den Konversionen innerhalb der Plattform wahrscheinlich die besseren Prädiktoren. Und für beide Ziele könnten bestimmte demografische und geografische Merkmale relevant sein.

Auch bei der Auswahl der Attribute, die Sie analysieren und für Ihr Lookalike-Modell verwenden möchten, müssen Sie zwischen Qualität und Umfang abwägen. Mehr Attribute bedeuten eine gezieltere Zielgruppe, aber Sie werden wahrscheinlich eine viel kleinere Zielgruppe haben. 

Erstellung von Lookalike-Modellen/Publikum

In dieser Phase verwendet die programmatische Plattform Techniken des maschinellen Lernens um das Lookalike-Modell zu erstellen und zu trainieren. Dieses Modell enthält die identifizierten Startattribute und Verhaltensweisen, die dann verwendet werden können, um eine benutzerdefinierte Zielgruppe von Personen zu erstellen, die ähnliche Attribute und Verhaltensweisen aufweisen.

Einmal erstellt, ist Ihr Lookalike-Modell nicht in Stein gemeißelt. Stattdessen wird es von der programmatischen Plattform auf der Grundlage neuer Daten oder Variablen, die sich ergeben oder hinzugefügt werden, weiter verfeinert. Die Plattform kann auch ihre proprietären Algorithmen für maschinelles Lernen von Zeit zu Zeit anpassen oder ändern, um Änderungen in der Zielgruppe zu berücksichtigen - zum Beispiel kann die Inflation bedeuten, dass die Kunden preisbewusster werden, was zu einer Änderung ihres Kaufverhaltens führt. 

Maschinelles Lernen & Lookalike-Modellierung

Maschinelles Lernen treibt den Lookalike-Modellierungsprozess an, und jede programmatische Plattform hat ihre eigenen proprietären Algorithmen für maschinelles Lernen. 

Bei der Modellierung von Lookalikes werden in der Regel mehrere Arten von maschinellen Lerntechniken eingesetzt. Nachfolgend finden Sie vereinfachte Erläuterungen zu einigen der gängigsten Techniken:

  • PU-Lernen: PU-Lernen (positiv-unmarkiertes Lernen) arbeitet mit Daten, die nur positive Beispiele und nicht markierte Beispiele enthalten. Ihr Seed-Set enthält positive Beispiele (z. B. Kunden, die Artikel in ihren Warenkorb legen). PU-Lernen verwendet diese positiven Beispiele, um unmarkierte Beispiele in den Daten der programmatischen Plattform zu identifizieren, die den positiven Beispielen ähnlich sind. 
  • Gradient Boosting Machines (GBMs): Mithilfe eines iterativen Prozesses identifizieren GBMs Zielmarktattribute, indem sie Entscheidungsbäume verwenden, um Ergebnisse vorherzusagen (z. B. ob eine Person gerne kocht), Fehler zu erkennen und neue Entscheidungsbäume zu erstellen, die diese Fehler korrigieren. Diese Entscheidungsbäume haben in der Regel einen einzigen Wurzelknoten, von dem aus sich andere Knoten verzweigen, und der Benutzer legt eine maximale Tiefe fest, die auf den Zielen und dem Datensatz basiert. 
  • Logistische Regression: Die logistische Regression ist eine Technik des maschinellen Lernens, die die Wahrscheinlichkeit des Eintretens eines Ereignisses (z. B. die Erneuerung eines Abonnements) vorhersagt, indem sie Muster zwischen Publikumsmerkmalen und dem gewünschten Attribut (der Abonnementserneuerung) identifiziert.
  • Zufällige Wälder: Wie der Name schon sagt, verwendet die Random-Forest-Technik mehrere Entscheidungsbäume, um Vorhersagen auf der Grundlage von Kundenmerkmalen zu treffen (z. B. ob jemand auf einen Link klicken wird). Anschließend wird aus dem Gesamtkonsens dieser Entscheidungsbäume eine endgültige Vorhersage erstellt.
  • Neuronale Netze: Genau wie das menschliche Gehirn verwenden neuronale Netze miteinander verbundene Knoten ("Neuronen"), um komplexe Berechnungen mit Eingabedaten durchzuführen, die aus Kundenmerkmalen bestehen (z. B. Alter, Geschlecht, Standort). Das Ergebnis ist ein Wahrscheinlichkeitsscore, der die Wahrscheinlichkeit des gewünschten Attributs (z. B. die Beteiligung an einem Social-Media-Post) auf der Grundlage dieser Merkmale vorhersagt.
  • Support-Vektor-Maschinen (SVMs): SVMs arbeiten, indem sie die Grenze (eine so genannte Hyperebene) finden, die Kunden, die das gewünschte Attribut aufweisen (z. B. Interesse an Sport), am besten von denen trennt, die dies nicht tun. 
  • K-Nächste Nachbarn (KNN): KNN verwendet Nähe, um Vorhersagen zu treffen. Das "k" bezieht sich auf die Anzahl der nächsten Nachbarn, basierend auf ihrer Entfernung (oder Ähnlichkeit) zum Zielattribut, das für die Vorhersage verwendet wird (z. B. ob ein Kunde ein Online-Formular ausfüllen wird). 

Vor- und Nachteile des Lookalike Modeling

Die Modellierung von Lookalikes bietet Werbetreibenden mehrere Vorteile:

  • kann begrenzte First-Party-Daten erweitern
  • verbesserte Anzeigenleistung
  • gezielte Ansprache
  • kostengünstige Kundenakquise
  • bessere Konversion und Lead-Generierung

Auf der anderen Seite stehen aber auch die Nachteile:

  • mangelnde Vielfalt in den Daten von Seed-Sets und Algorithmen für maschinelles Lernen kann zu Verzerrungen führen
  • erfordert einen qualitativ hochwertigen statischen Saatgutsatz
  • keine Echtzeitdaten von Erstanbietern zur Erfassung von Verhaltens- oder Präferenzänderungen einbezieht
  • nicht in der Lage ist, ungenutzte Zielgruppen zu identifizieren

Nutzen Sie das Potenzial des Lookalike Modeling

Mithilfe der Lookalike-Modellierung können Sie eine Zielgruppe von potenziellen Käufern aufbauen, die ähnliche Eigenschaften und Verhaltensweisen wie Ihre wertvollsten Kunden aufweisen, was die Wahrscheinlichkeit von Konversionen erhöht. 

Sie können auch die Vorteile der Lookalike-Modellierung verbessern, indem Sie Ihre First-Party-Daten mit Daten von ShareThis anreichern. Unsere fortschrittlichen Data-Science-Funktionen nutzen die neuesten Best-in-Class-Techniken, um Ihr Seed-Publikum anzureichern, was den entscheidenden Unterschied bei der Lookalike-Modellierung ausmacht. Nehmen Sie Kontakt mit uns auf um mehr zu erfahren. 

Über ShareThis

ShareThis erschließt seit 2007 die Macht des globalen digitalen Verhaltens durch die Synthese von Social Share-, Interessen- und Absichtsdaten. Auf der Grundlage des Verbraucherverhaltens auf mehr als drei Millionen globalen Domains beobachtet ShareThis Echtzeit-Aktionen von echten Menschen auf echten digitalen Zielen.

Abonnieren Sie unseren Newsletter

Erhalten Sie die neuesten Nachrichten, Tipps und Updates

Abonnieren

Verwandte Inhalte