Mobile Marketing Content-Bibliothek | AppsFlyer https://www.appsflyer.com/de/resources/ Attribution Data You Can Trust Wed, 27 Mar 2024 09:07:17 +0000 de-DE hourly 1 https://wordpress.org/?v=6.4.3 https://www.appsflyer.com/wp-content/uploads/2020/07/favicon.svg Mobile Marketing Content-Bibliothek | AppsFlyer https://www.appsflyer.com/de/resources/ 32 32 Der AppsFlyer Performance Index: Die Länderausgabe 2024 https://www.appsflyer.com/de/resources/reports/country-performance-index/ Wed, 27 Mar 2024 09:02:27 +0000 https://www.appsflyer.com/resources//2024-country-edition/

Die durchschnittliche App führt Kampagnen in vierzehn Märkten durch, aber die Entscheidung, in welche GEOs und wieviel investiert werden soll, ist für das Wachstum entscheidend. Der AppsFlyer Performance Index – Die Länderausgabe ist das einzige geobasierte Ranking der Branche, das genau diese Frage beantwortet! Wir haben mehr als neunzehn Milliarden App-Installationen und neun Metriken analysiert, […]

The post Der AppsFlyer Performance Index: Die Länderausgabe 2024 appeared first on AppsFlyer.

]]>

Die durchschnittliche App führt Kampagnen in vierzehn Märkten durch, aber die Entscheidung, in welche GEOs und wieviel investiert werden soll, ist für das Wachstum entscheidend.

Der AppsFlyer Performance Index – Die Länderausgabe ist das einzige geobasierte Ranking der Branche, das genau diese Frage beantwortet!

Wir haben mehr als neunzehn Milliarden App-Installationen und neun Metriken analysiert, die die Marktabdeckung, den User Value und die Medienkosten, die Werbeausgaben und vor allem das Penetrationspotential abdecken, um neue Märkte zu identifizieren.

Der Index beinhaltet:

  • Ein Ranking von 83 Märkten mit hoher und niedriger Performance in vierzehn Gaming-Genres und sechzehn Nicht-Gaming-Kategorien – für Android und iOS
  • Rankings für Nutzerakquise und Remarketing-Kampagnen
  • Exklusive Wachstumsmöglichkeiten und Vergleiche der Kampagnen-Performance zwischen den Ländern

The post Der AppsFlyer Performance Index: Die Länderausgabe 2024 appeared first on AppsFlyer.

]]>
Medieneinkauf auf Autopilot: Der ultimative Guide zu programmatic Advertising https://www.appsflyer.com/de/resources/guides/programmatic-advertising/ Tue, 12 Mar 2024 13:27:14 +0000 https://www.appsflyer.com/resources//medieneinkauf-auf-autopilot-der-ultimative-guide-zu-programmatic-advertising/ Programmatic advertising - featured

The post Medieneinkauf auf Autopilot: Der ultimative Guide zu programmatic Advertising appeared first on AppsFlyer.

]]>
Programmatic advertising - featured

Einleitung

Das Thema Automatisierung und künstliche Intelligenz (KI) ist aus keinem Gespräch über die Werbung wegzudenken, besonders Akronyme wie DSP, DMP und RTB in den Mix – keine Sorge, Sie werden in diesem Guide lernen, was sie alle bedeuten.

Die Bildschirmzeit ist zu einem immer größeren Teil unseres Alltags geworden, somit entwickelt sich die Werbung weiter, um mehr Menschen zu erreichen, und das immer schneller und günstiger. Die Werbung ist jedoch nicht mehr das, was sie einmal war. Die Konkurrenz ist größer denn je, wenn es nicht nur darum geht, technisch versierte Verbraucher:innen zu erreichen, sondern auch darum, sie auf eine Weise anzusprechen, die ihren Nischeninteressen entspricht.

Programmatic Advertising

Diese Technologie ermöglicht es Marken, Medientransaktionen zu automatisieren, so dass Publisher die von ihnen erzeugte Aufmerksamkeit in Echtzeit messen können. Programmatic Advertising bietet die Möglichkeit, mithilfe von Automatisierung und künstlicher Intelligenz hochgradig personalisierte Werbung zur richtigen Zeit an die richtigen Personen zu senden.

In diesem Guide erhalten Sie eine umfassende Übersicht über das programmatische Ökosystem, in dem alle wichtigen Komponenten und ihre Zusammenhänge erläutert werden. Mit den neuen Erkenntnissen können Sie Ihr digitales Marketing-Toolkit erweitern und programmatisches Marketing einsetzen.

1. Kapitel: Was ist programmatic Advertising?

Definition

1. Kapitel

Was ist programmatic Advertising?

Programmatic Advertising ist ein automatisierter Medieneinkaufsprozess, der auf KI und maschinellem Lernen basiert und es Werbetreibenden ermöglicht, Zielgruppen-Daten zu segmentieren, die effektivsten Platzierungen zu identifizieren, Auktionen durchzuführen und digitale Ad-Impressions in Echtzeit zu verkaufen. 

Dabei wird eine Kombination aus Daten von First-, Second- und Third-Party-Anbietern genutzt – darunter Keywords, Standort-Targeting, öffentliche Einträge, Registrierungsdaten und Umfragen – um Online-Werbung auf offenen und privaten digitalen Marktplätzen zu kaufen und zu verkaufen. 

Wie verbreitet ist Programmatic Advertising?

Das Interactive Advertising Bureau (IAB) hat festgestellt, dass programmatische Werbung in den letzten 20 Jahren zu einem Schlüsselelement in den meisten digitalen Werbebudgets geworden ist, da sie sich durch ihren Umfang und ihre Effizienz bei der Ausrichtung und Platzierung digitaler Werbung auszeichnet.

Laut Statista lagen die weltweiten Ausgaben für Programmatic Ads im Jahr 2022 bei 493 Milliarden US-Dollar und werden im Jahr 2023 voraussichtlich auf 557,56 Milliarden US-Dollar steigen. Und im Jahr 2022 wurden 75,6 % der Programmatic Digital Display Advertising in den USA in Mobile investiert.

Das explosive Wachstum von Programmatic ist darauf zurückzuführen, dass es den Werbeprozess maßgeblich rationalisiert. In der Vergangenheit war der Medieneinkauf ein langsamer und manueller Prozess, bei dem Publisher, Agenturen und Werbetreibende direkt um das beste Anzeigeninventar verhandelten. Werbetreibende und Publisher arbeiteten mit Agenturen als Vermittlungspartner zusammen, um über die Platzierung und den Zeitpunkt zu verhandeln und eine Zielgruppenforschung durchzuführen.

Was gilt nicht als Programmatic?

Ads, die direkt verkauft werden, mit vorher festgelegten Preisen und Zeitfenstern, werden nicht als Programmatic angesehen. Programmatic Advertising nutzt die Automatisierung, um sowohl Käufern als auch Verkäufern zu helfen, den Overhead zu reduzieren, Budgets für wirkungsvollere Platzierungen zuzuweisen und die Umsätze von Publishern zu steigern, damit diese ihr Inventar zeitnah verkaufen können.

Der Aufstieg im Programmatic Advertising

Die Anfänge der digitalen Werbung lassen sich auf ein einziges pixeliges Rechteck zurückführen. 1994 schaltete der Telekom-Gigant AT&T die erste Bannerwerbung für das Internet im Online-Magazin HotWired, dem Vorgänger von WIRED. Darin hieß es: „Hast du schon einmal hier auf die Maus geklickt? Das wirst du.“

Wie Höhlenmenschen, die sich die Hände an einem neu entdeckten Feuer verbrennen, klickten die ersten Internetnutzer:innen auf die Ad mit einer Click through Rate von satten 44 %. Es gab jedoch keine Möglichkeit, die Wirksamkeit der Ads bei der Erreichung relevanter Kundinnen und Kunden zu messen. Unabhängig davon, wer die Website besuchte, wurde immer die gleiche Ad angezeigt. Die manuelle Platzierung in den Medien schränkte die Möglichkeiten einer wirklich personalisierten Kommunikation ein. 

Mit der zunehmenden Verbreitung des Internets stieg auch die Nachfrage nach digitaler Werbung. Im Jahr 1996 wurde DoubleClick gegründet, das als erster Ad-Server gilt. Es wurde 2007 von Google für 3,1 Milliarden US-Dollar übernommen, was den Start von weiteren Ad-Servern im Ökosystem katalysierte, darunter Advertising.com, Zeo und Ad Stream. 

Kurz darauf brachte Google im Jahr 2000 sein proprietäres Ad Product, Google AdWords, auf den Markt. Dies führte schließlich zur Einführung des Google Display Netzwerks (GDN) im Jahr 2013. 

Etwa zur gleichen Zeit entwickelten Google AdEx, Microsoft AdECN, Rubicon Project und Yahoo’s Right Media eine Software für das Real Time Bidding (RTB), die Data Service Provider (DSP), Supply Side Platforms (SSP) und Ad Exchanges an einem Ort vereint. 

Programmatic ist heute in der Welt des Advertising eine feste Instanz, die 72 % des gesamten Marktes für digitale Displays ausmacht. 

Was sind die Programmatic-Advertising-Kanäle?

Großartige Technologie bringt mehr Auswahl! Programmatic Advertising wird über sieben Werbekanäle eingesetzt: Display, Video, Social, Audio, Native, Digital Out-of-Home und In-App Advertising. Gehen wir sie einzeln durch.

Display Ads

Die gängigste Form der Programmatic Advertising sind visuelle Anzeigen, die in der Kopf-, Fuß- oder Seitenleiste von Websites oder Apps platziert werden. Display Ads können anhand von Nutzerdaten dynamisch optimiert, aktualisiert und personalisiert werden. 

Video Ads

Programmatic Video Advertising erreichte im Jahr 2022 etwa 62,96 Milliarden US-Dollar und wird voraussichtlich auf 74,88 Milliarden US-Dollar im Jahr 2023 anwachsen. Für Werbetreibende gibt es drei Video-Ads-Typen.

In-Stream-Video-Ads werden im Videoplayer abgespielt. Es ist bei weitem die häufigste Art des Video Advertisings, und die Werbetreibenden können unter anderem aus folgenden Optionen wählen:

  1. Pre-Roll: Die Ad erscheint, bevor das Video abgespielt wird
  2. Mid-Roll: Die Ad läuft in der Mitte des Video-Contents
  3. Post-Roll: Die Ad läuft nach dem Ende des Videos
  4. YouTube Bumper: Kurze, aber nicht überspringbare Ads werden vor dem Video gezeigt

Out-stream Video Ads werden innerhalb von Artikeln nativ oder als Pop-up eingeblendet. 

In-display Video Ads werden in den Suchergebnissen oder als gesponserte Videoempfehlung angezeigt.

Social Ads

Ob Facebook, Instagram, Snapchat, Pinterest, TikTok oder X – Werbung auf Social Media kann über APIs (Application Programming Interfaces, die es Computerprogrammen ermöglichen, miteinander zu kommunizieren) oder über eine mit ihnen integrierte Demand-Side-Plattform (DSP) gekauft werden – mehr dazu später.

Native Ads

Native Ads sind in die Website oder App integriert und ermöglichen so eine nahtlose Darstellung. Anstelle von lauten Banner-Pop-up-Video-Ads, die einem ins Gesicht springt, fügen sich Native Ads ganz natürlich in den Content ein und bieten ein besseres User Experience. Native Ads können programmatisch in der Kopfzeile, der Fußzeile, der Seitenleiste oder innerhalb des Contents platziert werden. 

Die gängigsten Formate für Native Ads sind:

  1. In-Feed-Units: Die Ads erscheinen in Feeds, wie z. B. Paid Placements in redaktionellen Homepages, die wie ein Artikel aussehen.
  2. In-Article-Ads: Erscheinen innerhalb von Absätzen eines redaktionellen Beitrags.
  3. Paid Sear Units: Die Ads erscheinen ganz oben in den Suchergebnissen und sehen ähnlich aus wie die organischen Suchergebnisse.
  4. Referral-Widgets: Eine Empfehlung für einen ähnlichen Content, der den Nutzer:innen gefallen könnte.

Audio Ads

Podcast-Placements, Spotify-Ads und Pandora-Ads sind nur einige der Möglichkeiten, wie Werbetreibende Programmatic Ads kaufen können. Während die meisten Podcasts und Audio-Shows auf manuelle, private Ad-Deals für ihre primäre Platzierung angewiesen sind, können Programmatic Ads in großem Umfang für Freemium-Plattform-Nutzer:innen gekauft werden.  

Digitales Out-of-Home (DOOH)

Out-of-Home-Werbung, kurz OOH, war damals eine visuelle, statische Beschilderung, wie z. B. ein Einkaufsplakat auf einer Autobahnplakatwand. Da Digital Signage inzwischen erschwinglicher in der Massenproduktion ist, bietet OOH jetzt fortschrittliche Targeting- und Measurement-Tools, die früher nicht möglich waren. 

Wenn Sie nicht gerade in Sao Paulo leben (wo Outdoor-Werbung verboten ist!), sind Sie bereits einer DOOH-Werbung begegnet! DOOH-Platzierungen können programmatisch gekauft und verkauft werden, was besonders wirkungsvoll sein kann, wenn sie mit Strategien wie Geofencing kombiniert werden – bei denen relevante Ads so programmiert werden, dass sie angezeigt werden, wenn ein:e Nutzer:in ein bestimmtes geografisches Gebiet betritt.

Die neueste Einführung: Programmatic In-App Advertising

Der/Die durchschnittliche Verbraucher:in verbringt vier bis fünf Stunden pro Tag in Apps. Daher lohnt es sich, einen genaueren Blick darauf zu werfen, wie Programmatic Advertising in Mobile Apps tatsächlich funktioniert. 

Während webbasierte Ads mit Suchergebnissen, Bannern, Videos und Kleinanzeigen funktionieren, haben In-App-Ads unterschiedliche Display-Formate, Größenanforderungen und Display-Laufzeiten.

Die gängigsten Formate sind Bottom-Locked-Banner, die eine größere Reichweite bieten, und Interstitials, die zwischen den Aktionen der Nutzer:innen auftauchen, z. B. zwischen den Levels eines Games.

Rewarded Ads sind eine Möglichkeit, sich in einen Gaming-Kontext zu integrieren, in dem die Spieler:innen nach dem Anschauen einer Ad fortschreiten können. Auch wenn Werbeblocker inzwischen in bestimmten Browsern integriert sind, ist In-App-Ads (noch) nicht für Werbeblocker-Software anfällig.

Social-, News- und Gaming-Apps gehören zu den Apps mit der höchsten Mobile Nutzerpenetration und bieten ein großes Potenzial für den Return on Investment (ROI) von Programmatic In-App Advertising.

Wie hoch sind die Kosten für Programmatic?

Das Schöne an Programmatic ist die Erschwinglichkeit. Durch den Automatisierungsprozess ist die Werbung im Vergleich zum direkten Werbeeinkauf deutlich günstiger geworden. Programmatic Ads werden über die folgenden Modelle verkauft:

  1. CPM (Cost per Mille), d.h. Kosten pro tausend Impressionen.
  2. CPC (Cost per click)
  3. Cost per Action (CPA)
  4. CTC (Click-through-Conversions)

CPM ist das gängigste Modell für den Verkauf von Programmatic Ads. Der Preis, den Sie dafür zahlen, hängt jedoch vom Wettbewerb, des Inventars, der Reichweite und der Genauigkeit der Zielgruppen ab. Da Programmatic im Rahmen einer automatisierten Auktion fungiert, ist eine kleine, wettbewerbsintensive Zielgruppe wesentlich kostspieliger als eine breite, allgemeine Zielgruppe. 

Bei so vielen Variablen, die zu berücksichtigen sind, kann ein Branchendurchschnitt für CPM nicht angemessen repräsentiert werden, ob es eine effektive Kampagne für Sie ist oder nicht. Einige Publisher verkaufen ihr Premium-Inventar auch programmatisch, was mitunter teurer als andere Arten der Werbung ist. 

Vergessen Sie nicht die technischen Gebühren

Wie das Sprichwort sagt: Mach nie etwas, was du gut kannst, umsonst. So sehr der programmatische Prozess den gesamten Medieneinkaufsprozess rationalisiert hat, werden die Technologie-Gebühren von den Publisher-Umsätzen abgezogen. Die Gebühren variieren von Partner zu Partner, und je mehr Intermediäre Sie haben, desto mehr müssen Sie in Ihre Gesamt-ROI-Berechnungen einbeziehen.

2. Kapitel – Wie profitieren Werbetreibende von Programmatic Advertising?

Wie profitieren Werbetreibende?

2. Kapitel

Wie profitieren Werbetreibende von Programmatic?

Neben der Automatisierung des Werbeprozesses bietet Programmatic Advertising eine Reihe weiterer Vorteile. Es bietet ein breiteres Spektrum an Inventar, Targeting und strategischen Optionen, mit denen Werbetreibende ihre idealen Zielgruppen genauer, schneller und kostengünstiger erreichen können.

Effizienz und niedrigere CPMs

Wie die Erfindung des Fließbands, die zur Massenproduktion des Ford Model T führte, hat Programmatic Advertising die Art und Weise rationalisiert, wie Werbetreibende mehrere Zielgruppen mit einzigartigen Messaging und Creatives gleichzeitig erreichen können. Dies hat dazu geführt, dass teure Intermediäre und kostspielige Kauf- und Verkaufspraktiken weggefallen sind, wodurch die CPMs insgesamt gesenkt werden konnten.

Ein Netzwerk wie nie zuvor

Programmatic Advertising hat einen weiten Weg zurückgelegt, sowohl in Bezug auf die Möglichkeiten als auch auf die Adoption. Mittlerweile werden 72 % aller digitalen Ads programmatisch gesteuert, so dass Werbetreibende eine große Zielgruppe präzise und schnell erreichen können. 

Schnellere, transparente Insights

Was ist besser als mehr Reichweite? Mehr rechtzeitige Reichweite. Die Zeit vom Bid bis zur Auslieferung ist entscheidend, wenn Sie an den richtigen Stellen und genau zum richtigen Zeitpunkt in der Reise des Käufers auftauchen wollen. Programmatic ist nicht nur schneller, sondern lässt Werbetreibende auch sofortige, messbare Ergebnisse feststellen und ermöglicht eine flexible Feinabstimmung von Kampagnen sowie eine kontinuierliche Optimierung. Und mit Hilfe von KI wird das Zielgruppen-Targeting immer intelligenter.

3. Kapitel – Das Ökosystem im Programmatic Advertising: Wie funktioniert es?

Das Ökosystem

3. Kapitel

Das Ökosystem im Programmatic Advertising: Wie funktioniert es?

Beim traditionellen Medieneinkauf mussten Sie eine Werbeagentur beauftragen, um den richtigen Spot zu finden, den Kauf auszuhandeln, die Ad-Placement zu managen und die Performance zu messen. Genau wie früher, als man einen Wall Street Börsenmakler anrufen musste, um Aktien zu kaufen oder zu verkaufen. 

Doch genauso, wie wir heute Aktien über Apps und Robo-Advisors handeln können, hat die Programmatic den Medieneinkauf verändert. Die Trading Desk Software macht den programmatischen Kauf von Ads zugänglich und einfach. Daher übernehmen immer mehr Werbetreibende diese Aufgabe intern, um den Overhead zu minimieren und den Prozess weitgehend kontrollierbar und transparent zu machen.

Programmatic Advertising ist ein komplexes Ökosystem von miteinander vernetzten Akteuren, die den Daten- und Transaktionsfluss steuern. Um besser zu verstehen, wie der Transaktionsprozess funktioniert, sollten wir die einzelnen Akteure in diesem Ökosystem kennenlernen.

Genau wie die Wall Street die New Yorker Börse hat, wird der programmatische Marktplatz als Ad Exchange bezeichnet. Es handelt sich um einen digitalen Trading Floor, auf dem Werbetreibende über ihre Software-Schnittstelle Ad-Placements von verschiedenen Werbenetzwerken kaufen können. Es gibt zwei entgegengesetzte Enden einer Ad Exchange: die Käufer- und die Verkäufer-Seite.

Käufer-Seite

Wie der Name schon sagt, ist die Käufer-Seite für den Kauf von Ad-Placements von der Verkäufer-Seite verantwortlich. Auf der Käufer-Seite gibt es vier Hauptakteure: Demand-Side-Plattformen (DSPs), Datenmanagement-Plattformen (DMPs), Werbetreibende Werbenetzwerke und Werbetreibende.

Eine Demand-Side-Plattform (DSP) ist die Technologie, die es Werbetreibenden ermöglicht, Ads auf Publisher-Websites und Apps programmatisch zu kaufen, die auf Ad Exchanges und Werbenetzwerken verfügbar sind. 

Programmatic Advertising DSP

Jeder DSP ist mit einer Data Management Plattform (DMP)verbunden. Eine DMP sammelt und organisiert First-, Second- und Third-Party-Daten und ist die Engine, die die Daten sortiert, die Ad-Kaufentscheidungen antreiben. Technisch gesehen sind Plattformen wie Facebook und Google Ads eine Art von DSP, die ausschließlich ihr eigenes Inventar verkaufen.

Verkäufer-Seite

Sind die Parteien, die dabei helfen, Werbeflächen an die Käufer-Seite zu verkaufen. Die Verkäufer-Seite umfasst Publisher, Werbenetzwerke und Supply-Side-Plattformen (SSP).

Publishers sind digitale Publikationen, die über Ad-Inventar verfügen, das sie auf Ad Exchanges wie WIRED, Reuters, The Economist und Conde Nast verkaufen.

Ein Ein Werbenetzwerk ist eine Aggregator-Plattform, die unverkauften Werbeplatz von einer Reihe von Publishern bündelt und dieses Inventar Werbetreibenden zu einem festgelegten Preis – oft zum reduziertem Preis – anbietet. Ein Vermerk, dass die Werbenetzwerke selbst nicht programmatisch arbeiten.

Supply-Side-Plattformen (SSP) helfen Publishern, den Verkauf ihres Inventars an mehrere Käufer automatisch und effizient zu managen, um ihren Inventarwert zu maximieren. SSPs bieten oft benutzerfreundliche Schnittstellen, Analysen, Reporting, Header Bidding, Yield Optimierung und Inventar-Management.

DSPs kommunizieren mit SSPs, um zu verstehen, welches Inventar zu welchem Preis verfügbar ist. SSPs ermöglichen es Publishern, Ads nach Werbetreibenden, Format, Zielgruppe und Tarifen zu sortieren.

Third-party Services

Es sind Partner, die dazu beitragen, die Beziehung zwischen der Käufer- und der Verkäufer-Seite zu erleichtern.

Unternehmen, die Ad-Verification anbieten, arbeiten mit DSPs zusammen, um sicherzustellen, dass Viewability, Markenschutz und Traffic-Metriken akkurat sind. 

Mess- und Attributionspartner (MMP) deduplizieren Daten, messen Reichweite und Häufigkeit und stellen sicher, dass die Kampagnendaten akkurat sind.

Data Clean Rooms sind gemeinsam genutzte First-Party-Datenpools aus mehreren vertrauenswürdigen Quellen. Sie bieten eine anonymisierte Datenzusammenarbeit, ohne die Quelle preiszugeben, so dass die Privatsphäre der Verbraucher:innen geschützt ist.

Was ist der Unterschied zwischen Real-Time-Bidding und Programmatic Advertising?

Real-Time-Bidding (RTB) ist der Prozess, bei dem Werbetreibende in einer Auktion automatisch und in Echtzeit Bids für bestimmte Werbeflächen abgeben können – wir sprechen hier von Millisekunden. 

RTB ist ein programmatischer Prozess. Programmatic Advertising ist der Überbegriff, der alle Marketingaktivitäten innerhalb des Programmatic Ad Exchange umfasst.

Programmatic Advertising Prozess: eine exemplarische Vorgehensweise 

Als Sie anfingen, diesen Guide zu lesen, hatten Sie wahrscheinlich keine Ahnung, was RTB, SSP oder DSP bedeutet. Nun, da Sie es bis hierhin geschafft haben, lassen Sie uns Schritt für Schritt aufschlüsseln, wie dieser Prozess funktioniert.

  1. Ein:e Besucher:in klickt auf eine Website oder eine Mobile App.
  2. Eine Gebotsanfrage (bid request) wird mit Informationen über die Website oder die App an einen Ad Exchange gesendet, zusammen mit Opt-in-Besucherdaten (demografische, kontextbezogene, verhaltensbezogene, gerätespezifische Daten, NUR, wenn der/die Nutzer:in eine Tracking-Erlaubnis erteilt hat).
  3. Der Website- oder App-Eigentümer bietet die Ad Impression auf der Supply-Side-Plattform (SSP) zur Versteigerung an.
  4. Die Daten der eingewilligten Besucher:innen werden dann mit den verfügbaren Werbetreibenden abgeglichen.
  5. Werbetreibende auf der Demand-Side-Plattform (DSP) bieten Gebote für die Impression.
  6. Der Höchstbietende erhält den Zuschlag für die Ad Impression.
  7. Die Ad wird dem/der Nutzer:in auf der Website oder in der App ausgeliefert.
  8. Im Idealfall klickt der/die Nutzer:in auf die Ad und konvertiert. Andernfalls können Retargeting-Taktiken wie „ansprechende“ Ads eingesetzt werden, um sie zu einem späteren Zeitpunkt zur Conversion zu motivieren.
4. Kapitel - Auktionsarten von Programmatic Advertising

Auktionsarten

4. Kapitel

Auktionsarten von Programmatic Advertising

Der herkömmliche Medieneinkaufsprozess ist langwierig und mühsam und umfasst RFPs, Präsentationen und Verhandlungen – was einen Großteil der hohen Overhead-Kosten und das Risiko menschlicher Fehler in sich birgt. Hier sind die vier Auktionstypen, die dazu beigetragen haben, den Prozess von Grund auf zu rationalisieren.

Real-Time Bidding (RTB)

Programmatic Advertising RTB

Real-Time-Bidding (RTB), auch bekannt als offene Auktion oder offener Marktplatz, ist die am weitesten verbreitete programmatische Auktionsart – viele Marketers glauben sogar, es sei die einzige.

Mit RTB ist das Inventar für jeden verfügbar und wird in Echtzeit an den Höchstbietenden vergeben. Die Marketers geben ein Höchstgebot ab und legen ein Höchstbudget für eine Werbekampagne fest. Der Gewinner der Auktion muss nicht den vollen Gebotspreis zahlen, sondern einen Cent mehr als der zweithöchste Bieter. 


Vorteile von Real-Time-Bidding?

  • Einfaches Setup
  • Das Preismodell hilft Marketers, ihre Umsätze zu maximieren, ohne überhöhte Marktpreise zu zahlen
  • Verbreitet in der Branche
  • Für alle zugänglich
  • Großer Inventarpool
  • Schnelle Lieferung

Nachteile von Real-Time-Bidding?

  • Mangelnde Transparenz bei den Placements
  • In der Regel für große Top-of-Funnel-Kampagnen reserviert
  • Es gibt keine Garantie, dass Werbeplätze besetzt werden, da ein Käufer zu einem bestimmten Preis verpflichtet ist
  • Mangelnde Kontrolle und Sichtbarkeit der Placements können den Markenschutz beeinträchtigen

Privater Marktplatz (PMP)

Der private Marktplatz (PMP) verbindet RTB mit direkten Deals. Es nutzt die RTB-Auktionsmethode, arbeitet aber in einer geschlossenen Auktion, die nur für ausgewählte Werbetreibende zugänglich ist. Private Marktplätze bieten die Möglichkeit, offene Ad Exchanges zu umgehen, wobei die Deal-Konditionen im Voraus ausgehandelt werden. 

Indem sie sich direkt in das Ad-Inventar eines Publishers einklinken, können Käufer Gebote für Placements abgeben, die auf Variablen wie Zielgruppendaten, Content-Typ oder einer Reihe verschiedener Impressionsattribute basieren, die angeben, wann und wo eine Ad gesehen wurde.

Vorteile von PMPs:

  • Maximale Kontrolle über das Inventar und die Platzierung Ihrer Ads
  • Zugriff auf Premium-First-Party-Daten
  • Premium- und exklusive Placements

Nachteile von PMPs:

  • Die Publisher müssen kein Impressionsvolumen garantieren
  • Werbetreibende sind nicht verpflichtet, Inventar zu kaufen
  • Nicht immun gegen Ad Fraud

Programmatic Guaranteed 

Bei Programmatic Guaranteed, auch bekannt als Programmatic Direct, verhandeln Werbetreibende und Publisher auf individueller Basis über Inventar, Preise, Zielgruppen und Frequency Capping (wie oft die Ad angezeigt wird). Es gibt zwar keine Auktion, aber die Ad wird programmatisch geschaltet.

Es handelt sich dabei um eine Möglichkeit, eine garantierte Anzahl von Impressionen auf bestimmten Websites oder Mobile Apps zu kaufen, und ist in der Regel auf einen Festpreis und nicht auf eine Auktion ausgerichtet. 

Diese Art von Programmatic Advertising ist vor allem bei Premium-Display-Formaten, wie z. B. ganzseitigen Takeovers, üblich. Aufgrund der hohen Kosten wird es vor allem dann eingesetzt, wenn Werbetreibende genau wissen müssen, wer ihre Ads wo und in welchem Kontext sieht.

Vorteile von Programmatic Guaranteed:

  • Der sicherste Markenschutz
  • Höchste Transparenz
  • Exklusives Angebot, das anderen Marken oder Wettbewerbern nicht zur Verfügung steht

Nachteile von Programmatic Guaranteed:

  • Der Verhandlungsprozess kann lang sein
  • Das Inventar ist für den Großteil nicht verfügbar
  • Teurer als andere programmatischen Verfahren

Spot-Käufe und Preferred Deals

Preferred Deals in Programmatic Advertising

Beim Spot-Buying, auch bekannt als Preferred Deals, werden die Werbetreibenden über einen festen Preis für das verfügbare Inventar auf einem privaten Marktplatz informiert, bevor es in einer offenen Auktion zur Verfügung gestellt wird.

Vorteile von Preferred Deals:

  • Präzisere Umsatzerwartungen
  • Geringstes Risiko von Ad Fraud
  • Schnellere Bereitstellung erstklassigem Inventar ist ein Wettbewerbsvorteil 

Nachteile von Preferred Deals:

  • Kann langwierige Verhandlungen und Gespräche beinhalten
  • Werbetreibende können aus Deals aussteigen und nicht gekauften Ad-Inventory zurücklassen
  • Reserviert für große Publisher 

Self-Service vs. Managed-Service

Werbetreibende haben unterschiedliche Ziele, Budgets und Ressourcen, was bedeutet, dass es keinen Auktionstyp gibt, der für alle funktioniert. Unternehmen, die es vorziehen, sich nicht um das Thema kümmern zu müssen, bevorzugen vielleicht Managed-Services von Agenturen, die alles für sie erledigen. Wer mehr Kontrolle haben möchte und über ein kleineres Budget verfügt, kann den Prozess auch intern mit einer Self-Service-Option abwickeln. 

5. Kapitel - Programmatische Werbetrends und Best Practices für 2023

Trends und Best Practices

5. Kapitel

Trends und Best Practices für 2023

Obwohl die letzten Jahre bekanntermaßen unberechenbar waren, zeichnen sich einige klare Trends ab. Gehen wir die Trends durch, die zu erwarten sind.

Kabelschneider sind ein heißes Gut

In den USA gibt es mehr SVOD-Abonnements (Subscription Video on Demand) als Einwohner:innen, und die Zahl der Kabelabbrecher ist ungebremst. Und wo die Aufmerksamkeit ist, werden Werbetreibende folgen. Die massenhafte Annahme von Abonnement-Videodiensten hat einen großen Pool an Video-Ads geschaffen, die programmatisch gekauft und verkauft werden können.

Programmatische Werbekabelschneider SVOD

Bessere DOOH-Erlebnisse

Während man früher nur statische Werbung am Straßenrand gesehen hat, bietet die moderne Digital-Out-of-Home-Technologie (DOOH) Features wie Analysen, Geofencing, Touchscreens und Augmented Reality, um relevantere und einprägsamere Werbeerlebnisse zu schaffen. Daher wurden die DOOH-Ausgaben im Jahr 2023 um 17,77 Milliarden US-Dollar erreicht. Und eMarketer prognostiziert, dass mehr als $1 von $4, die für DOOH ausgegeben werden, programmatisch gekauft und verkauft werden. 

Der Aufstieg der Roboter?

Die Veröffentlichung von ChatGPT hat die Marketingwelt im Sturm erobert. Es wird zwar nicht die nächste industrielle Revolution auslösen, wie einige Marketing-Gurus behaupten, aber es ist sicherlich ein großer Meilenstein für die Weiterentwicklung der KI-Technologie. Da der Datenpool weiter wächst, wird die KI immer besser in der Lage sein, die richtigen Zielgruppen zu analysieren und sie mit den richtigen Platzierungen zu verbinden. 

Wird KI übernehmen? Nein, aber es wird die redundanten und manuellen Aufgaben ersetzen, die den Medieneinkaufsprozess unnötig langsam und teuer machten. 

Native kontextbezogene Ads

Drastische Änderungen beim Datenschutz werden die Werbetreibenden zwingen, ihre Budgets auf kontextbezogene Ads zu verlagern. Diese Ads werden auf der Grundlage des Inhalts der Seiten, Videos oder Webseiten geschaltet, und da sie nun programmatisch gekauft werden können, lassen sie sich sowohl auf Nutzer:innen als auch auf die Platzierung in großem Umfang abstimmen. 

Auf diese Weise können Werbetreibende auch die Vorteile nativer kontextbezogener Ads nutzen, die nahtlos in Inhalte auf Websites eingebettet sind. Diese Ads benötigen keine Cookies oder Kundendaten, sind vollständig DSGVO-konform und bieten eine viel bessere User Experience als herkömmliche Werbebanner. 

Best Practices für den programmatischen Erfolg

Investieren Sie in Ihre Creatives

Da kontextbezogene Werbung im Mittelpunkt steht, werden relevante Creatives wichtiger denn je. Programmatic ermöglicht es Werbetreibenden, dynamische und relevante Werbemittel in Echtzeit zu liefern, z. B. Werbung für Ihre BBQ-App in Gebieten, in denen gutes Wetter vorhergesagt wird.

Kombinieren und Anpassen

Experimentieren Sie mit verschiedenen Kombinationen von Targeting-Optionen, z. B. nativen Ads mit kontextbezogenem Targeting. Aber bevor Sie dies tun, stellen Sie sicher, dass Sie die richtigen Metriken für alle Ihre Kampagnen ganzheitlich messen.

Seien Sie kein Roboter

Es ist eine Sache, Ihre Ads von Robotern schalten zu lassen, aber es ist nicht nötig, wie einer zu klingen! Der beste Weg, die Ad-Performance zu verbessern, besteht darin, zu recherchieren und ein Experte für Ihre Zielgruppe zu sein. Gehen Sie über demografische Daten hinaus und schauen Sie sich an, was sie lesen, was für sie relevant ist und sogar, wovor sie sich am meisten fürchten.

Minimieren Sie Ad Fraud 

Was Programmatic angeht, ist Ad Fraud immer noch eine der größten Bedrohungen für seinen Erfolg. Der Ad-Measurement-Report von eMarketer schätzt, dass Betrug die digitalen Werbetreibenden jedes Jahr zwischen 6,5 und 19 Milliarden US-Dollar kosten wird. Ergreifen Sie die notwendigen Vorsichtsmaßnahmen, wie z. B. die Zusammenarbeit mit einem MMP und Ad-Verification-Unternehmen, um sicherzustellen, dass Sie das bekommen, wofür Sie bezahlen.

Programmatic Advertising - die wichtigsten Erkenntnisse

Zusammenfassung

Zusammenfassung

Das war’s also – alles, was Sie über programmatische Werbung wissen müssen. Lassen Sie uns mit einer kurzen Zusammenfassung der wichtigsten Punkte abschließen: 

  • Programmatic Advertising ist ein automatisierter Media-Buying-Prozess, der KI und maschinelles Lernen nutzt, um Zielgruppendaten zu segmentieren, effiziente Platzierungen zu identifizieren, Auktionen durchzuführen und digitale Ad Impressions in Echtzeit zu verkaufen.
  • Programmatische Werbung ist aufgrund ihres Umfangs und ihrer Effizienz allgegenwärtig und erreichte im Jahr 2022 Werbeausgaben in Höhe von etwa 99,43 Milliarden US-Dollar und wird voraussichtlich weiter wachsen. Es wird über mehrere Kanäle hinweg genutzt, sowohl intern als auch extern. 
  • Programmatic Advertising ist ein komplexes Ökosystem von miteinander vernetzten Akteuren, die den Daten- und Transaktionsfluss steuern. Sie können in drei Kategorien unterteilt werden: Verkäfer-Seite, Käufer-Seite und Third-Party.
  • Real-Time-Bidding (RTB), auch bekannt als offene Auktion oder offener Marktplatz, ist die gebräuchlichste programmatische Auktionsart. Es ist offen für alle und die Placement geht an den Meistbietenden. 
  • Um programmatisch erfolgreich zu sein, investieren Sie in Creatives, experimentieren Sie mit verschiedenen Kombinationen von Targeting-Optionen, recherchieren Sie Ihre Zielgruppe und minimieren Sie Ad Fraud.

The post Medieneinkauf auf Autopilot: Der ultimative Guide zu programmatic Advertising appeared first on AppsFlyer.

]]>
Prädiktive Modellierung für App-Marketers: Der komplette Guide https://www.appsflyer.com/de/resources/guides/predictive-modeling-for-mobile-marketers/ Mon, 04 Dec 2023 14:27:01 +0000 https://www.appsflyer.com/resources//pradiktive-modellierung-fur-app-marketers-der-komplette-guide/ Predictive modeling best practices

The post Prädiktive Modellierung für App-Marketers: Der komplette Guide appeared first on AppsFlyer.

]]>
Predictive modeling best practices

Heutzutage haben die Verbraucher:innen mehr Auswahl als je zuvor. Sie können ziemlich alles bekommen, was sie wollen und wann immer sie wollen. Mit der steigenden Nachfrage nach digitalen Services und Entertainment ist der Wettbewerb auf dem App-Markt härter als je zuvor. 

Um wettbewerbsfähig zu bleiben, ist es wichtig, immer einen Schritt voraus zu sein. Und genau das ermöglicht die prädiktive Modellierung: Sie hilft Marketers, Verbraucherverhalten und Trends zu verstehen, künftige Aktivitäten vorherzusagen und ihre Kampagnen auf datengestützten Entscheidungen zu planen. 

Prädiktive Analysen gibt es schon seit Jahren, und sie werden von den weltweit größten Unternehmen eingesetzt, um ihre Prozesse zu perfektionieren, Angebots- und Nachfrage-Veränderungen zu antizipieren, globale Veränderungen zu prognostizieren und historische Daten zu nutzen, um sich besser auf zukünftige Events vorzubereiten. 

Sie fragen sich, was diese seltsame Kombination aus Data Science und Marketing eigentlich ist? 

Die prädiktive Modellierung ist eine Art der Analyse, bei der maschinelles Lernen und KI zum Einsatz kommen, um historische Kampagnendaten, Daten zum früheren Nutzerverhalten und zusätzliche Transaktionsdaten zu untersuchen und zukünftige Aktionen zu prognostizieren. 

Mithilfe der prädiktiven Modellierung können Marketers schnelle Entscheidungen zur Kampagnenoptimierung treffen, ohne auf die tatsächlichen Ergebnisse warten zu müssen. Beispielsweise hat ein Algorithmus für maschinelles Lernen ergeben, dass Nutzer:innen, die innerhalb der ersten 24 Stunden Level 10 eines Spiels abgeschlossen haben, mit 80 % höherer Wahrscheinlichkeit innerhalb der ersten Woche einen In-App-Kauf tätigen. 

Mit diesem Wissen können Marketers nach Erreichen des Events innerhalb von 24 Stunden eine Optimierung vornehmen, noch bevor die erste Woche vorbei ist. Wenn die Kampagne keine gute Performance erzielt, wäre eine weitere Investition eine völlige Verschwendung des Budgets. Sollte dies jedoch der Fall sein, kann eine schnelle Verdopplung der Investitionen zu noch besseren Ergebnissen führen. 

Wie sieht es mit dem Datenschutz aus?

Wie wirkt sich der Datenschutz auf die prädiktive Modellierung aus, nachdem der Zugang zu Daten auf Nutzerebene begrenzt ist? 

Tatsache ist, dass Mobile Users in den letzten Jahren immer anspruchsvoller und kompetenter geworden sind. Da der Datenschutz im Mittelpunkt steht, muss der/die durchschnittliche App-Nutzer:in nicht mehr seine/ihre Daten zur Verfügung stellen, um eine App zu nutzen oder sogar um ein personalisiertes Erlebnis zu genießen. 

Aber tappen die Werbetreibenden wirklich im Dunkeln, wenn es um den Zugang zu Qualitätsdaten geht?

Die kurze Antwort lautet: nicht unbedingt. Mit der Kombination von prädiktiver Modellierung,SKAdNetwork, aggregierten Daten und Kohortenanalyse können Marketers selbst in einer IDFA-begrenzten Realität fundierte Entscheidungen treffen. 

Aber wo soll man beginnen? Es ist eine Sache, Events zu messen, die Performance zu beobachten und zu optimieren. Eine ganz andere Sache ist es, eine riesige Datenmenge zu analysieren und Prognosemodelle zu entwickeln und einzusetzen, die es Ihnen ermöglichen, flexible und präzise datengesteuerte Entscheidungen zu treffen. 

Machen Sie sich keine Sorgen. Wir sind hier, um Ihnen zu helfen, alles zu verstehen. 

In diesem praktischen Guide – einer Zusammenarbeit zwischen AppsFlyer, der digitalen Marketing-Agentur AppAgent und Incipia – erforschen wir, wie Marketers ihr Datenwissen auf die nächste Stufe heben und sich mit Hilfe von prädiktiven Modellen den begehrten Wettbewerbsvorteil verschaffen können. 

Grundlagen der prädiktiven Modellierung

Warum sollte man überhaupt prädiktive Modelle erstellen?

Prädiktive Modellierung bietet zahlreiche Vorteile für das Mobile Marketing, aber wir haben uns auf zwei wichtige Marketingaktivitäten konzentriert:

1. Nutzerakquise (UA)

Das typische Nutzerverhalten und die frühen Phasen zu kennen, die Nutzer:innen mit hohem Potenzial von solchen mit geringem Potenzial unterscheiden, kann sowohl bei der Akquise als auch beim Re-Engagement hilfreich sein. 

Wenn ein:e Nutzer:in beispielsweise bis zum dritten Tag X Euro generieren sollte, um nach dem 30. Tag einen Gewinn zu erzielen, und diese Zahl unter Ihrer Benchmark liegt, wissen Sie, dass Sie Ihre Bids, Creatives, das Targeting oder andere Dinge anpassen müssen, um die Kosten/Qualität Ihrer akquirierten Nutzer:innen zu optimieren oder Ihre Monetarisierungstrends zu verbessern. 

Liegt X jedoch über Ihrer Benchmark, können Sie getrost Ihre Budgets und Bids erhöhen, um einen noch größeren Nutzen aus Ihren gewonnenen Nutzern zu ziehen.

2. Datenschutzorientierte Werbung

Jahrelang bestand der größte Vorteil der Online-Werbung gegenüber der traditionellen Werbung darin, dass sie mit Hilfe großer Mengen messbarer Performance-Daten die gewünschte Zielgruppe genau bestimmen konnte. 

Je spezifischer Ihre Kampagnen sind, desto wahrscheinlicher ist es, dass Sie einen höheren LTV der Nutzer:innen und eine effiziente Budgetierung erreichen. Aber was wäre, wenn Sie die Tore zu einer größeren Stichprobengruppe öffnen und einen unmittelbaren Einblick in deren potenziellen Wert gewinnen könnten?

Mit der prädiktiven Modellierung können Sie genau das tun: Die potenzielle Zielgruppe Ihrer Kampagne erweitern. Indem Sie verschiedene Cluster von Verhaltensmerkmalen erstellen, können Sie Ihre Zielgruppe nicht nach ihrer Identität segmentieren, sondern nach ihrer Interaktion mit Ihrer Kampagne in ihrer frühesten Phase.

Was soll ich messen?

Um zu verstehen, was Sie messen müssen, damit Ihre Prognosen richtig sind, schauen wir uns an, welche Datenpunkte nützlich sind und welche nicht:

Metriken

Wie bei der Beziehung zwischen Quadrat und Rechteck: Alle Metriken sind Datenpunkte, aber nicht alle Metriken sind Key Performance Indicators (KPIs). Metriken sind einfacher zu berechnen und wesentlich effizienter als KPIs, die in der Regel komplexe Formeln beinhalten.

Beachten Sie, dass mit Apples SKAdNetwork die folgenden Metriken immer noch gemessen werden können, allerdings mit einem geringeren Genauigkeitsgrad. Mehr dazu im 5. Kapitel.

1) Ältere Metriken werden in der Regel mit geringem Vertrauen in die Gewinnprognose identifiziert, haben aber die schnellste Verfügbarkeit: 

  • Click to Install (CTI) – die direkte Conversion zwischen den beiden stärksten Touchpoints auf der Pre-Install User Journey. CTI ist sowohl sozial als auch technisch entscheidend, da niedrigere Raten auf eine nicht relevante Zielgruppe, ineffektive Creatives oder langsame Ladezeiten vor Abschluss der Installation hinweisen können.

Formel: Anzahl der Installationen / Anzahl der Ad-Clicks

  • Click through Rate (CTR) – das Verhältnis zwischen einem Klick auf eine bestimmte Ad und der Gesamtzahl der Views. Im oberen Funnel hat die CTR nur einen begrenzten Wert für andere allgemeine Marketingziele, kann aber die Effektivität der Creative einer Kampagne anhand der erhaltenen Klicks direkt widerspiegeln.

Anzahl der Klicks / Anzahl der Ad-Views

Erforderliche Daten: Impressionen, Klicks, attribuierte Installationen

2) Frühindikatoren werden in der Regel mit mittlerem Vertrauen in die Gewinnprognose und schnelle Verfügbarkeit ermittelt.
Im Zeitalter des Down-Funnel-Fokus ist eine Installation kein ausreichender KPI mehr. Die folgenden Metriken sind zwar nicht für Gewinnprognosen geeignet, können aber dennoch als Frühindikatoren dienen, die den Marketers Aufschluss darüber geben, wie wahrscheinlich es ist, dass ihre Kampagnen einen Gewinn erzielen.

Beispiele hierfür sind:

  • Cost per Install (CPI) – CPI konzentriert sich auf Paid Installationen und nicht auf organische Installationen und misst Ihre UA-Kosten als Reaktion auf Ad-Views.

Formel: Werbeausgaben / Gesamtzahl der Installationen, die direkt mit einer Werbekampagne verbunden sind

  • Die Anzahl der wiederkehrenden Nutzer:innen nach einem bestimmten Zeitraum. 

Berechnung: [(CE – CN) / CS)] X 100

CE = Anzahl der Nutzer am Ende des Zeitraums

CN = Anzahl der neuen Nutzer, die während des Zeitraums gewonnen wurden

CS = Anzahl der Nutzer zu Beginn des Zeitraums

Erforderliche Daten: Kosten, attribuierte Installationen, App-Öffnungen, (Retention Report)

Mit Ausnahme der Retention Rate sind Metriken eher an ein Marketingmodell als an Ihr Business-Modell gebunden und daher nicht geeignet, um festzustellen, ob die von Ihnen akquirierten Nutzer:innen Ihrem Unternehmen einen Gewinn bringen.

Wenn Sie 100 US-Dollar pro Klick oder pro Installation zahlen, ist es sehr wahrscheinlich, dass Sie keinen Gewinn machen werden. Wenn Ihre CTR bei 0,05 % liegt, ist es wahrscheinlich, dass die Auktionsmechanismen Sie zu einer hohen Rate pro Installation veranlassen, so dass Sie wiederum weniger Spielraum haben, um einen Gewinn zu erzielen. 

Metriken unterstützen keine Prognosen, wenn Sie versuchen, Ihren Zuverlässigkeitsbereich genauer zu kalibrieren, z. B. wenn die Profitabilität innerhalb einer Spanne von 2 bis 6 US-Dollar CPI liegt.

KPIs

Es ist wichtig, die allgemeinen KPIs in zwei Bereiche zu unterteilen:

1) Tier-2-KPI-Prädiktoren mit hoher Zuverlässigkeit – definiert durch eine mittlere bis hohe Zuverlässigkeit bei der Gewinnprognose und geringe Verfügbarkeit: 

Sie sind nützlich, um als frühe Benchmarks für den Gewinn zu dienen, und bieten mehr Vertrauen als Frühindikatoren (Metriken). Die Tier-2-KPIs brauchen mehr Zeit, um zu reifen, und bieten auch weniger Vertrauen als die Tier-1-KPIs.

*Beachten Sie, dass mit Apples SKAdNetwork die folgenden KPIs nicht zusammen gemessen werden können.

  • Kundenakquisitionskosten pro zahlende:m Nutzer:in
  • Kosten oder Conversion von Kernaktionen – z. B. Anteil der am ersten Tag gespielten Games oder Anteil der Inhaltsansicht während der ersten Session
  • Zeitbasierte Kosten oder Conversion von Hauptaktionen – z. B. Kosten pro Anzahl der gespielten Games am ersten Tag oder Kosten pro Inhaltsansicht während der ersten Session
  • Kosten pro Tag X für gebundene Nutzer:in: Gesamtausgaben pro Tag X Anzahl der an diesem Tag gebundenen Nutzer:innen. 
  • Vertikale spezifische In-App Events – z.B. Abschluss des Tutorials, Abschluss von Level 5 am ersten Tag (Gaming), Anzahl der aufgerufenen Produktseiten in der ersten Session, Anzahl der Sessions in 24 Stunden (Shopping), usw.

Erforderliche Datenpunkte: Kosten, attribuierte Installationen, App-Öffnungen (Retention Report), konfigurierte und gemessene In-App-Events, Session-Daten (Zeitstempel, genutzte Features usw.)

Für die meisten Business-Modelle können diese KPIs nicht als verlässliche Prädiktoren dienen, da sie zwar Kosten und Events berücksichtigen, die üblicherweise mit dem Gewinn korreliert sind, aber nicht die gesamte Monetarisierungsseite der Gewinngleichung berücksichtigen, da das Öffnen einer App nicht immer gleichbedeutend mit In-App-Ausgaben ist und zahlende Nutzer:innen möglicherweise mehr als einen Kauf tätigen.

2) Tier-1-KPIs, die mit hoher Wahrscheinlichkeit den Gewinn prognostizieren – frühe Umsätze und konsequente ROAS als Indikator für den langfristigen Erfolg – sind mit hoher Wahrscheinlichkeit für die Prognose des Gewinns, aber mit der langsamsten Verfügbarkeit gekennzeichnet: 

Tier-1-KPIs brauchen entweder länger, bis sie vollständig ausgereift sind, oder ihre Ermittlung erfordert komplexe Prozesse. Sie stehen jedoch in direktem Zusammenhang mit Ihrem Business-Modell und sind daher perfekt geeignet, um die Profitabilität Ihrer Marketingkampagnen zu prognostizieren. 

  • Return on Ad Spend (ROAS) – Die Ausgaben für Marketing dividiert durch die von den Nutzern in einem bestimmten Zeitraum erzielten Umsätze.

Lifetime Value (LTV) – Die Höhe des Umsatzes, die Nutzer:innen bisher mit Ihrer App generiert haben.

Formel: Durchschnittlicher Wert einer Conversion x Durchschnittliche Anzahl von Conversions in einem Zeitrahmen x Durchschnittliche Customer Lifetime

Erforderliche Datenpunkte: Kosten, attribuierte Installationen, App-Öffnungen, detailliertes Umsatz-Measurement (IAP, IAA, Abonnement, usw.)

ROAS ist zwar einfacher zu berechnen, aber es dauert Wochen oder sogar Monate, bis die Nutzer:innen weiterhin einen Umsatz generieren. In Kombination mit dem durchschnittlichen Umsatz pro Nutzer:in kann der LTV eine gute Möglichkeit sein, den voraussichtlichen Gesamtumsatz oder Wert Ihrer App zu ermitteln.

Zusammenfassend lässt sich sagen, dass die einzelnen Strategien in der folgenden Tabelle aufgeführt sind:

LTV-basierte Prognosemodelle

Die Erstellung eines LTV-Modells zur Prognose des ROAS könnte angesichts der Komplexität und der zahlreichen Prognosekonzepte, die es gibt, überwältigend sein. 

Es gibt offensichtliche Unterschiede wie Apps die Nutzer:innen binden und monetarisieren, geschweige denn wie unterschiedlich In-App-Käufe bei Games, abonnementbasierte Apps und E-Commerce-Businesses sind. 

Es ist eindeutig, dass es kein einheitliches LTV-Modell für alle geben kann. 

Um die komplexen Zusammenhänge besser zu verstehen, haben wir mit einer Reihe von Experten aus Gaming- und Nicht-Gaming-Unternehmen gesprochen, unter anderem mit Hutch Games,Wargaming, Pixel Federationund Wolt

Hier sind die wichtigsten Fragen, die wir behandelt haben: 

  1. Welche LTV-Modelle nutzen Sie? 
  2. Wie hat sich Ihr LTV-Modell im Laufe der Zeit bewährt?
  3. Wie ist die Zuständigkeit für die prädiktive Modellierung im Unternehmen geregelt?
  4. Was ist Ihre ultimative Metrik für die Nutzerakquise?
  5. Wie stehen Sie zur UA-Automatisierung und zu zukünftigen Trends?

LTV-Modelle

Aus unseren Gesprächen geht hervor, dass es bei den LTV-Prognosen drei Denkweisen gibt:

1) Retention-getriebenes / ARPDAU-Retention-Modelle

  • Konzept: Erstellen Sie eine Retentionskurve auf der Grundlage einiger anfänglicher Retentionsdaten, berechnen Sie dann die durchschnittliche Anzahl aktiver Tage pro Nutzer:in (für Tag 90, 180 usw.) und multiplizieren Sie diese mit dem durchschnittlichen Umsatz pro täglichem aktiven Nutzer:innen (ARPDAU), um den prognostizierten LTV zu erhalten.
    • Beispiel: Die Retention am T1 / T3 / T7 beträgt 50 % / 35 % / 25 %. Nach der Anpassung dieser Daten und der Berechnung ihres Integrals bis T90 ergibt sich, dass die durchschnittliche Anzahl der aktiven Tage 5 beträgt. Wenn man weiß, dass der ARPDAU 40 Cent beträgt, würde der prognostizierte T90 LTV 2 US-Dollar entsprechen.
  • Guter Bezug: Apps mit hoher Retention (Games wie MMX Racing). Einfach einzurichten, kann vor allem dann nützlich sein, wenn nicht genügend Daten für andere Modelle vorhanden sind.
  • Schlechter Bezug: Apps mit geringer Retention (z. B. E-Commerce), die nicht auf eine ausreichende Anzahl von Retentionsdaten zugreifen können, um dieses Modell aufrechtzuerhalten.

2) Ratio-gesteuert

  • Berechnung: Berechnen Sie einen Koeffizienten (T90 LTV / T3 LTV) aus historischen Daten und dann für jede Kohorte und wenden Sie diesen Koeffizienten an, um den tatsächlichen T3 LTV zu multiplizieren, um eine T90 LTV-Prognose zu erhalten.
  • Beispiel: Nach den ersten 3 Tagen liegt der ARPU für unsere Kohorte bei 20 Cent. Anhand historischer Daten wissen wir, dass T90/T3 = 3 ist. Der prognostizierte T90 LTV würde daher 60 Cent (20 Cent ARPU*3) betragen. 
  • Falls es nicht genügend historische Daten gibt, um ein zuverlässiges Verhältnis zu berechnen (d.h. wir haben nur Daten für 50 Tage und wollen eine Prognose für den T180 LTV, oder wir haben zu wenige Stichproben für den T180 LTV), kann eine erste Schätzung anhand der vorhandenen Datenpunkte vorgenommen und dann kontinuierlich verfeinert werden, wenn mehr Daten vorliegen. 

Aber in diesen Fällen ist es notwendig, solche Schätzungen mit Vorsicht zu betrachten.

  • Guter Bezug: „Standard“-Apps, einschließlich vieler Gaming-Genres oder E-Commerce-Apps. 
  • Schlechter Bezug: Abonnementbasierte Apps mit einer Woche kostenloser Testversion. Es kann viel Zeit vergehen, bis ein Kauf stattfinden kann, und da diese Methode kaufbasiert ist, wäre eine Prognose fast unmöglich.

3) Verhaltensgesteuerte Prognosen

  • Berechnung: Die Erfassung einer beträchtlichen Menge an Daten von zustimmenden App-Nutzern (Session- und Engagementdaten, Käufe, In-App-Nachrichten usw.) und deren Verarbeitung mit Hilfe von Regressionen und maschinellem Lernen, um zu definieren, welche Aktionen oder Aktionskombinationen die besten „Prädiktoren“ für den Wert eines neuen Nutzers sind.  

Ein Algorithmus weist dann jeder:m neuen Nutzer:in einen Wert zu, der auf einer Kombination von Merkmalen (z. B. Plattform oder UA-Kanal) und durchgeführten Aktionen (oft während einiger anfänglicher Sessions oder Tage) basiert.

Es ist wichtig zu erwähnen, dass seit der Einführung von Apples datenschutzorientierten Einschränkungen mit iOS 14 keine Prognosen auf Nutzerebene mehr möglich sind. Davon abgesehen sind aggregierte Nutzerprognosen noch möglich.

  • Beispiel: Nutzer:in A hatte 7 lange Sessions an Tag 0 und insgesamt 28 Sessions bis Tag 3. Sie besuchten auch die Tarife-Seite und blieben dort über 60 Sekunden lang.

Laut der Regressionsanalyse und dem auf maschinellem Lernen basierenden Algorithmus liegt die Wahrscheinlichkeit, dass sie in Zukunft einen Kauf tätigen, bei 65 %. Bei einem ARPPU von 100 US-Dollar liegt ihr voraussichtlicher LTV daher bei 65 US-Dollar.

  • Guter Bezug: Jede App mit Zugang zu einem erfahrenen Data-Science-Team, technischen Ressourcen und vielen Daten. In manchen Fällen könnte dies eine der wenigen praktikablen Optionen sein (z. B. Abonnement-Apps mit einer langen kostenlosen Testversion).
  • Schlechter Bezug: Für viele kleine und mittelgroße Apps könnte das ein Overkill sein. In den meisten Fällen können weitaus einfachere Ansätze zu ähnlichen Ergebnissen führen, sind viel einfacher zu pflegen und werden vom Rest des Teams verstanden.

Auswahl des richtigen Modells für verschiedene App-Typen

Jede App und jedes Team haben ihre eigene Mischung aus Parametern und Gesichtspunkten, die in den Auswahlprozess einfließen sollten: 

  • Auf der Produktseite ist es eine einzigartige Kombination aus App-Typ und -Kategorie, Monetarisierungsmodell, Kaufverhalten der Nutzer:innen und verfügbaren Daten (und deren Varianz). 
  • Auf der Seite des Teams geht es um die Kapazität, die technischen Fähigkeiten, das Wissen und die verfügbare Zeit, bevor das UA-Team das Betriebsmodell benötigt.

In diesem Abschnitt werden wir einige vereinfachte Beispiele für den Auswahlprozess darstellen. 

Diese basieren auf echten Fällen von drei verschiedene Apps: ein Free-to-Play-Game (F2P), eine App auf Abonnementbasis und eine E-Commerce-App. 

Abonnementbasierte Apps

Im Folgenden werden zwei Fälle von abonnementbasierten Apps behandelt, die jeweils eine andere Art von Paywall aufweisen – ein Hard Gate und eine zeitlich begrenzte kostenlose Testversion:

1. Die harte Paywall: Ein kostenpflichtiges Abonnement beginnt oft am Tag 0 (z. B. 8fit).
Gute Neuigkeiten: Wir haben bereits nach dem ersten Tag eine sehr genaue Angabe über die Gesamtzahl der Abonnenten (z. B. nehmen wir an, dass 80 % aller Abonnenten dies am Tag 0 tun werden, und die restlichen 20 % irgendwann in der Zukunft). 

Unter der Voraussetzung, dass wir unsere Abwanderungsraten und folglich unseren ARPPU bereits kennen, können wir den LTV der Kohorten leicht vorhersagen, indem wir einfach die Multiplikation von (Anzahl der Zahler:innen)*(ARPPU für ein bestimmtes Nutzersegment)*(1,25 als Koeffizient, der die zusätzlichen geschätzten 20 % der Nutzer:innen repräsentiert, von denen erwartet wird, dass sie in Zukunft kaufen werden) durchführen. 

2. Zeitlich begrenzte kostenlose Testversion: In diesem Fall wird ein Prozentsatz der Nutzer:innen nach Ablauf der Testversion in zahlende Abonnenten umgewandelt (z. B. Headspace). Das Problem ist, dass UA-Manager warten müssen, bis die Testversion vorbei ist, um die Conversion Rates zu verstehen. 

Diese Verzögerung kann besonders beim Testen neuer Kanäle und GEOs problematisch sein, weshalb Verhaltensprognosen hier nützlich sein könnten. 

Selbst bei einem moderaten Datenvolumen und einfachen Regressionen ist es oft möglich, gute Prädiktoren zu identifizieren. Wir könnten beispielsweise herausfinden, dass Nutzer:innen, die an der kostenlosen Testversion teilnehmen und in den ersten drei Tagen nach der Installation mindestens drei Sessions pro Tag absolvieren, in 75 % der Fälle zu einem Abonnement wechseln.

Obwohl der obige Prädiktor bei weitem nicht perfekt ist, könnte er für die Entscheidungsfindung in der UA präzise genug sein und dem UA-Team eine gute Handlungsfähigkeit bieten, bevor weitere Daten aufgenommen werden und ein geeignetes Modell getestet wird. 

Die Art und Gestaltung von Paywalls kann stark von der Notwendigkeit beeinflusst werden, den Traffic schnell zu bewerten. 

Sie sollten so schnell wie möglich herausfinden, ob Nutzer:innen konvertieren (oder nicht), um die Rentabilität der Kampagne zu verstehen und schnell reagieren zu können. Wir haben festgestellt, dass dies für mehrere Unternehmen einer der entscheidenden Faktoren bei der Entscheidung für eine Art von Paywall ist.

Freemium Games 

Free-to-Play (F2P) -Games haben in der Regel eine hohe Retentionsrate und eine hohe Anzahl von Käufen. 

1) Gasual Game (Diggy’s Adventure):
Für In-App-Käufe eignet sich das „Ratio-Modell“, bei dem es möglich sein sollte, den T(x)LTV nach drei Tagen ziemlich sicher vorherzusagen, da wir bis dahin die meisten unserer zahlenden Nutzer:innen bereits identifiziert haben sollten.

Für einige Games, die sich über Werbung finanzieren, könnte auch der Ansatz der Retention in Betracht gezogen werden.

2) Hardcore Game (World of Tanks oder MMX Racing):
Die ARPPU-Verteilung bei Hardcore-Nutzer:innen kann erheblich verzerrt sein, wenn die Nutzer:innen mit den höchsten Ausgaben – auch „Wale“ genannt – das X-Fache der anderen ausgeben können. 

Das „Ratio-Modell“ könnte in diesen Fällen immer noch funktionieren, sollte aber verbessert werden, um die unterschiedlichen Ausgaben-Niveaus der verschiedenen Ausgabentypen zu berücksichtigen. Hier würde eine „Nutzertyp“-Variable den Nutzern unterschiedliche LTV-Werte zuweisen, die auf ihrem Ausgabeverhalten basieren (d. h. wie viel sie ausgegeben haben, wie viele Käufe sie getätigt haben, welches Starterpaket sie gekauft haben usw.).

Je nach den Daten könnte eine erste Prognose nach dem dritten Tag erstellt werden und ein weiterer etwas später (am fünften oder siebten Tag), nachdem die Ausgaben der Nutzer:innen ermittelt wurden.

E-Commerce-Apps

E-Commerce-Apps haben in der Regel ein einzigartiges Retentionsverhalten, da ihr Start oft an eine bestehende Kaufabsicht gebunden ist, was nicht allzu oft vorkommt. 

Daraus lässt sich schließen, dass die Methode des „bindungsbasierten Modells“ im Allgemeinen nicht gut für solche Apps geeignet ist. Lassen Sie uns stattdessen zwei alternative Anwendungsfälle genauer unter die Lupe nehmen:

1) Händler für Flugtickets

Die Zeit von der Installation bis zum Kauf für Reisen ist beträchtlich, manchmal Monate lang. Da sich Käufe und Umsätze über einen längeren Zeitraum erstrecken, werden die Modelle „Ratio“ oder „Retention“ in den meisten Fällen nicht funktionieren. 

Daher sollten wir versuchen, in der ersten Session nach der Installation Verhaltenshinweise zu finden und potenzielle Prädiktoren aufzudecken, da dies oft die einzigen Informationen sind, die uns zur Verfügung stehen. 

Mit diesen Anhaltspunkten und unter der Voraussetzung, dass genügend Daten vorhanden sind, schätzen wir die Wahrscheinlichkeit, dass ein:e Nutzer:in jemals ein Ticket kauft, und multiplizieren sie mit einem ARPPU für eine relevante Kombination seiner/ihrer Merkmale (Plattform, Herkunftsland usw.).

2) Online Marketplace

Die Nutzer:innen neigen dazu, kurz nach der Installation ihren ersten Kauf zu tätigen. Hinzu kommt, dass der Versand des ersten gekauften Artikels oft viel Zeit in Anspruch nimmt. Infolgedessen neigen die Kundinnen und Kunden dazu, die erste Lieferung abzuwarten, um den Service zu bewerten, bevor sie sich zu einem weiteren Kauf entscheiden. 

Eine Prognose würde in diesem Fall keinen Sinn machen, da wir auf die Daten des „zweiten Kaufs“ zu lange warten und alle Berechnungen auf die ursprünglichen Daten beschränken. 

Je nachdem, wann die Nutzer:innen ihre Bestellungen aufgeben (die meisten nehmen ihre Bestellungen in den ersten 5 Tagen auf), können wir die Ratio-Methode (T90/T5) anwenden und das Ergebnis mit einem anderen Koeffizienten multiplizieren, der die künftigen Käufe berücksichtigt. 

Vom MVP bis zu komplexen Modellen

Alle Datenanalysten, mit denen wir bei großen Publishern gesprochen haben, waren sich einig, dass es wichtig ist, den Weg der Prognosen mit einem einfachen „Minimum Viable Product“ (MVP) zu beginnen. 

Dabei geht es darum, die anfänglichen Hypothesen zu verifizieren, mehr über die Daten zu erfahren und schrittweise ein Modell aufzubauen. In der Regel bedeutet dies, dass nach und nach weitere Variablen hinzugefügt werden, um detailliertere und präzisere Modelle zu ermöglichen (z. B. K-Faktor, Saisonalität und Werbeumsatz, zusätzlich zur ursprünglichen Segmentierung nach Plattform, Land und UA-Kanal).

Komplex ist kein Synonym für „gut“. Die UA-Manager können schnell frustriert sein, wenn ihr Zugang zu Daten blockiert ist, weil jemand komplizierte Dinge tut.

Anna Yukhtenko, Data Analyst @Hutch Games

In der Praxis haben wir festgestellt, dass die Unternehmen dazu neigen, sich an konzeptionell einfache Modelle zu halten. 

Dieses Ergebnis war überraschend. Wir gingen davon aus, dass die Datenteams, sobald sich das Produkt durchgesetzt hat, Algorithmen für maschinelles Lernen und KI einsetzen würden, um mit dem, was wir für einen Industriestandard hielten, gleichzuziehen. Wir haben uns geirrt. Zumindest teilweise. 

Obwohl viele den Wert komplexer Modelle erkennen und diese in der Vergangenheit getestet haben, haben sich die meisten schließlich für einfachere Modelle entschieden. Dafür gibt es drei Hauptgründe:

1. Kosten-Nutzen-Verhältnis fortschrittlicher Modelle

Das Kosten-Nutzen-Verhältnis bei der Erstellung und Pflege eines komplexen Modells ergibt einfach nicht das richtige Verhältnis. Wenn mit einfacheren Modellen ein ausreichendes Maß an Vertrauen für den täglichen Betrieb erreicht werden kann, warum sollte man sich dann die Mühe machen?

2. Engineering-Zeit für die Erstellung/Wartung

Die Erstellung eines fortschrittlichen Modells kann viele Engineering-Stunden verschlingen, und noch mehr, um es zu verwalten, was für kleinere Teams ein großes Problem darstellt. 

Oft hat die BI-Abteilung nur eine geringe Kapazität, dem Marketingteam zur Seite zu stehen, so dass die Marketers alleine einen ungleichen Kampf gegen Statistiken und Datenengineering bestreiten müssen.

3. Kontinuierliche Veränderungen

Jede Produktversion ist anders und wird anders monetarisiert (das Hinzufügen oder Entfernen von Features kann z. B. große Auswirkungen haben). Lokale Saisonalität und Auswirkungen auf den gesamten Markt sind zwei relevante Beispiele. 

Änderungen müssen im Handumdrehen vorgenommen werden. Die Einführung von Änderungen an einem komplexen Modell kann ein mühsamer und langsamer Prozess sein, der sich in einem schnelllebigen Mobile-Umfeld mit kontinuierlichem Medieneinkauf als fatal erweisen kann. 

Es ist viel einfacher, ein einfaches Modell zu optimieren, was oftmals von den Marketers selbst vorgenommen wird.

Für eine bestimmte App-Untergruppe könnte ein verhaltensbasiertes Modell die einzige Lösung sein. Während Unternehmen, die groß genug sind, um eine solche Investition zu tätigen, über ein erfahrenes Engineering- und Data-Science-Team verfügen sollten, entscheiden sich andere vielleicht für den Einsatz eines vorgefertigten Produkts, das ähnliche Qualitäten bietet.

Ein weiterer Datensatz, der zunehmend an Bedeutung gewinnt, sind werbegenerierte LTV-Modelle mit Schätzungen der Werbeumsätze auf Nutzerebene. Weitere Informationen zu diesem Thema finden Sie im 4. Kapitel. 

Teams und Verantwortlichkeiten

Im Allgemeinen sollte die Entwicklung, Umsetzung und Anpassung eines prädiktiven LTV-Modells eine Aufgabe für ein Analytics/Data-Science-Team sein (sofern ein solches vorhanden ist). 

Idealerweise kommen hier zwei Rollen ins Spiel: ein erfahrener Analyst mit einer großen Reichweite im Marketing, der auf strategischer und taktischer Ebene berät und entscheidet, welches Modell wie eingesetzt werden sollte. Und einen dedizierten Analysten, der tagtäglich für die LTV-Berechnungen und Prognosen zuständig ist.

Der „Tagesanalyst“ muss das Modell ständig überwachen und auf starke Schwankungen achten. Wenn beispielsweise die wöchentlich prognostizierten Umsätze nicht mit der Realität übereinstimmen und nicht innerhalb der vorgegebenen Grenzen liegen, kann eine Anpassung des Modells sofortvorgenommen werden, und nicht erst nach einigen Wochen oder Monaten.

„Teamwork kommt hier zum Vorschein. Wir haben eine Art Frühwarnsystem entwickelt, bei dem wir einmal im Monat zusammenkommen, alle Hypothesen, die in das Modell einfließen, durchgehen und dann überprüfen, ob sie noch zutreffen. Bislang haben wir etwa zwölf wichtige Hypothesen (z. B. den Wert des organischen Zuwachses, die Saisonalität usw.), die wir kontrollieren, um sicherzustellen, dass wir auf dem richtigen Weg sind.“

Tim Mannveille,  Director of Growth & Insight @Hutch Games

Sobald die Prognoseergebnisse berechnet sind, werden sie automatisch an das UA-Team weitergeleitet und von diesem eingesetzt. UA-Manager verlassen sich meist einfach auf diese Ergebnisse und berichten über Diskrepanzen, aber sie sollten versuchen, die eingesetzten Modelle auf einer allgemeinen Ebene besser zu hinterfragen und zu bewerten (es ist nicht erforderlich, die Details hinter einem komplexen Modell und seinen Berechnungen zu verstehen).

Marketing-Profis, die für dieses Kapitel interviewt wurden:

  • Fredrik Lucander von Wolt
  • Andrey Evsa von Wargaming
  • Matej Lancaric von Boombit (ehemals Pixel Federation)
  • Anna Yukhtenko und Tim Mannveille von Hutch Games
Mobile Marketing Profitabilität Excel

Wenn Sie davon ausgehen, dass Sie mit Pivot-Tabellen, berechneten Feldern, bedingten Formatierungen und Lookups die Welt von Excel für Fortgeschrittene gemeistert haben, dann werden Sie vielleicht überrascht sein, dass Sie einen noch wichtigeren Trick aus dem Excel-Playbook verpassen. 

Und nicht nur das: Mit diesem Trick lässt sich auch die Profitabilität Ihrer Mobile Marketing-Kampagnen prognostizieren! 

Das folgende Kapitel ist ein kleiner Guide für die Erstellung eigener prädiktiver Modelle mit alltäglichen Tools.

Disclaimer: Berücksichtigen Sie, dass es sich hier um eine vereinfachte Variante eines prädiktiven Modells handelt. Um diese in großem Umfang einsetzen zu können, sind hochentwickelte Algorithmen für maschinelles Lernen erforderlich, die zahlreiche Faktoren berücksichtigen, die die Ergebnisse erheblich beeinflussen können. Wenn man nur einen Faktor betrachtet, um seinen Wert ( z.B. den Umsatz) zu prognostizieren, wird die Genauigkeit wahrscheinlich nicht ausreichen.

ROAS mit linearer Trendlinie vs. ROAS über 6 Monate

Mit Hilfe eines Streudiagramms und ein wenig Algebra können Sie eine Excel-Trendliniengleichung in ein wirksames Tool verwandeln, mit dem Sie z. B. frühzeitig den Punkt ermitteln können, an dem Ihre Marketingkampagnen nachweislich einen Gewinn erzielen werden. 

Diese Methode kann Ihnen dabei helfen, von Vermutungen zu datengestützten Entscheidungen und zu einem besseren Vertrauen in die wöchentlichen Reportings zu gelangen.

Wie man einen 100%tigen ROAS nach 6 Monaten prognostiziert

Während der LTV, wenn er richtig durchgeführt wird, ein großartiger Prädiktor ist, ist der ROAS – insbesondere in der ersten Woche – aufgrund seiner breiten Zugänglichkeit eine weit verbreitete Metrik zur Gewinnmessung. 

Insbesondere werden wir den ROAS der Woche 0 (Umsatz in der ersten Woche der Nutzerakquise/Kosten für die Nutzerakquise) als zuverlässigen Prädiktor nutzen, der eine kohortenbasierte Methode zum Benchmarking der wöchentlichen Performance der Ads darstellt. 

Mit dem ROAS der Woche 0 können wir vorhersagen, ob wir nach 6 Monaten den Break-even unserer Werbeausgaben mit 100 % ROAS erreichen.

Schritt 1

Der erste Schritt zur Nutzung von Excel für die Gewinnprognose besteht darin, sicherzustellen, dass Sie genügend Daten für Woche 0 und 6 Monate haben. Während Sie technisch gesehen eine Steigung zeichnen und eine Prognose für jeden Punkt auf dieser Steigung mit zwei Datenpunkten treffen können, wird Ihre Prognose alles andere als solide sein, wenn Sie nur wenige Daten hinzufügen. 

Die ideale Anzahl der Messungen hängt von einer Vielzahl von Faktoren ab, wie z. B. dem gewünschten Konfidenzniveau, Korrelationen im Datensatz und zeitlichen Beschränkungen. Als Faustregel für ROAS-basierte Prognosen für Woche 0 sollten Sie jedoch mindestens 60 Paare von ROAS-Messungen für Woche 0 und 6 Monate anstreben. 

Es ist auch wichtig, genügend Daten zu erfassen, die das von Ihnen festgelegte Zielniveau erreicht haben. Wenn Sie 60 Datenpunkte haben, aber nur 2 Punkte, an denen die 6-Monats-ROAS 100 % übersteigt, dann wird Ihr Gleichungsmodell nicht von einem ausreichenden Verständnis dafür getragen, welche Eingaben erforderlich sind, um diesen Break-even-Punkt zu erreichen. 

Soweit Ihr Modell es beurteilen kann, könnte in diesem Fall die Voraussetzung, um nach 6 Monaten 100 % ROAS zu erreichen, entweder weitere 2 volle ROAS-Prozentpunkte oder 5 Prozentpunkte betragen, was eine sehr große Spanne ist, die sich nicht gut vorhersagen lässt.

Schritt 2

Sobald Sie genügend Informationen für das Ziel gesammelt haben, besteht der zweite Schritt darin, Ihren Datensatz in zwei Gruppen aufzuteilen, eine für das Training und eine für die Prognose. 

Legen Sie den Großteil der Daten (~80%) in die Trainingsgruppe. Zu einem späteren Zeitpunkt setzen Sie die Prognosegruppe ein, um die Genauigkeit Ihres Modells bei der Prognose der 6-Monats-ROAS anhand der ROAS der Woche 0 zu testen.

Woche 0 im Vergleich zum 6-Monats-ROAS
Bitte beachten Sie, dass die Abbildung ausschließlich der Veranschaulichung des Prognosemodells dient und nicht der Best Practice von 60 oder mehr Messungen entspricht.

3. Schritt

Der dritte Schritt besteht darin, die Daten in einem Streudiagramm darzustellen, wobei der ROAS der Woche 0 auf der x-Achse und der ROAS nach 6 Monaten auf der y-Achse liegt. 

Fügen Sie dann eine Trendlinie hinzu und ergänzen Sie die Einstellungen für die Gleichung und das R-Quadrat.

Prädiktive Modellierung: Woche 0 ROAS Schritt 3a

Stellen Sie die Trainingsdaten mithilfe eines Streudiagramms grafisch dar.

Prädiktive Modellierung: Woche 0 ROAS Schritt 3b

Klicken Sie mit der rechten Maustaste auf einen Datenpunkt und fügen Sie eine Trendlinie hinzu.

Prädiktive Modellierung: Woche 0 ROAS Schritt 3c

Addieren Sie die Trendliniengleichung und das R-Quadrat.

4. Schritt

In Schritt vier wird die lineare Gleichung y = mx + b benutzt, um den x-Wert der Gleichung (ROAS der Woche 0) zu lösen, wenn der y-Wert (ROAS nach 6 Monaten) 100 % beträgt.

Die Gleichung wird mit Hilfe der Algebra wie folgt umgestellt:

1. y = 9,2695x – 0,0936
2. 1 = 9,2695x – 0,0936
3. 1 + 0,0936 = 9,2695x
4. 1,0936 = 9,269x
5. X = 1,0936 / 9,269
6. X = 11,8 %

Auf diese Weise berechnen wir, dass die Antwort auf die Frage, wie man den Gewinn nach 6 Monaten vorhersagen kann, darin besteht, dass Ihr ROAS in der ersten Woche größer als 11,8 % sein muss.

Wenn Ihr ROAS der Woche 0 unter dieser Rate liegt, wissen Sie, dass Sie die Bids, Creatives oder Targeting anpassen müssen, um die Kosten/Qualität Ihrer akquirierten Nutzer:innen zu verbessern und Ihre Monetarisierungstrends zu verbessern. 
Wenn Ihr ROAS in Woche 0 über dieser Zahl liegt, können Sie sicher sein, die Budgets und Bids zu erhöhen!

Schritt 5

Im fünften Schritt nutzen Sie Ihr Prognosesegment des vollständigen Datensatzes, um zu beurteilen, wie gut Ihr Modell die tatsächlichen Ergebnisse vorhersagen konnte. Dies kann anhand des Mean Absolute Percentage Error (MAPE) beurteilt werden, einer Berechnung, bei der der absolute Wert des Errors (tatsächlicher Wert minus vorhergesagter Wert) durch den tatsächlichen Wert geteilt wird. 

Je niedriger die Summe des MAPE ist, desto besser ist die Prognosefähigkeit Ihres Modells.

Prädiktive Modellierung: Woche 0 ROAS Schritt 5

Es gibt keine Faustregel für einen guten MAPE-Wert, aber im Allgemeinen gilt: Je mehr Daten Ihr Modell hat und je korrelierter die Daten sind, desto besser ist die Prognosefähigkeit Ihres Modells. 

Wenn Ihr MAPE hoch ist und die Fehlerquoten inakzeptabel sind, kann es notwendig sein, ein komplexeres Modell zu nutzen. Modelle, die R und Python einbeziehen, sind zwar schwieriger zu verwalten, können aber die Prognosefähigkeit Ihrer Analyse erhöhen.
Zusammengefasst: Ein Konzept für die Prognose der Rentabilität von Marketingkampagnen.
Aber hören Sie noch nicht auf zu lesen! Dieser Guide hat noch viel mehr zu bieten.

Verbessern Sie Ihre Prognosen

Für die neugierigen Leser da draußen stellt sich vielleicht die Frage, ob die standardmäßige, lineare Trendlinie für die Gewinnprognose am besten geeignet ist. 

Vielleicht probieren Sie sogar noch ein paar weitere Trendlinien aus und stellen fest, dass sich das R-Quadrat (ein Maß für die Anpassung der Gleichung an Ihre Daten) bei anderen Gleichungen verbessert, was diese Frage noch interessanter macht.

Prädiktive Modellierung: Exponentielle Trendlinie
Exponentielle Trendlinie
Prädiktive Modellierung: Polynomiale Trendlinie
Polynomiale Trendlinie

Während das Marketing-Sprichwort „Es kommt darauf an“ auch bei der Auswahl der besten Trendlinie gilt, ist ein anderes Marketing-Sprichwort als Antwort nützlich: KISS (Keep It Simple, Dummkopf). Wenn Sie kein Statistiker oder Mathefanatiker sind, sollten Sie am besten die einfacheren Trendlinien nutzen, d. h. die linearen.

Warum ist das ein Problem? Als einfaches Beispiel könnte man das Hinzufügen von unerwarteten Daten in das Modell erwägen. In den folgenden beiden Szenarien sehen Sie, wie sich eine niedrigere ROAS der Woche 0, die sich unerwartet gut entwickelt, oder eine höhere ROAS der Woche 0, die sich unerwartet schlecht entwickelt, auf die Genauigkeit der einzelnen Trendlinienmodelle auswirkt (bewertet anhand des MAPE).

Nutzung von MAPE zum Vergleich verschiedener ROAS-Modelle

Die Nutzung des MAPE zum Vergleich der verschiedenen trendlinienbasierten Modelle zeigt, dass die linearen und exponentiellen Modelle zwar nicht in jedem Fall die genauesten, aber die konsistentesten sind.

Darüber hinaus kann maschinelles Lernen Ihnen die Möglichkeit geben, diesen Prozess zu automatisieren, größere Datenmengen zu analysieren und schnellere Erkenntnisse zu gewinnen.

Stellen Sie sicher, dass Sie den richtigen Weg gehen

Abschließend sollten Sie sich diese Liste zusätzlicher Fragen ansehen, die hilfreich sein können, um sicherzustellen, dass Ihre Prognoseanalyse auf einem soliden Fundament aufgebaut ist:

  1. Haben Sie Ihr Modell kontinuierlich mit den wichtigsten Daten aktualisiert, um es zu trainieren?
    1. Haben Sie geprüft, ob die Prognosen Ihres Modells auf der Grundlage neuer Beobachtungen zutreffen oder nahe daran liegen?
  1. Gibt es zu viele Variationen oder umgekehrt eine Überausstattung?
    1. Ein sehr niedriges R-Quadrat oder ein sehr hohes R-Quadrat deuten auf ein Problem bei der Fähigkeit Ihres Modells hin, neue Daten akkurat vorherzusagen.
  1. Haben Sie den richtigen KPI genutzt?
    1. Testen Sie verschiedene KPIs (z. B. mehr oder weniger ROAS- oder LTV-Tage) und vergleichen Sie anhand des MAPE die Profitabilität der einzelnen KPIs. 

Sie werden überrascht sein, wie schlecht die Standardmaße korreliert sind.

  1. Haben sich Ihre Frühindikatoren oder ersten Benchmarks signifikant verändert?
    1. Dies kann ein Anzeichen dafür sein, dass sich in der Praxis etwas Wesentliches geändert hat und dass sich für die Fähigkeit Ihres Modells, den Profit in Zukunft genau vorherzusagen, Probleme anbahnen.
  1. Haben Sie die Daten segmentiert?
    1. Die Segmentierung der Nutzer in homogenere Gruppen ist eine gute Möglichkeit, Störungen zu reduzieren und die Prognose Ihres Modells zu verbessern. 

Wenden Sie beispielsweise nicht dasselbe Modell auf alle Nutzer:innen in allen Kanälen und Regionen an, wenn diese Nutzer:innen deutlich unterschiedliche Retentions- und Kostentrends aufweisen.

  1. Berücksichtigen Sie die zeitlichen Einflüsse?
    1. Die meisten Marketer sind sich des Einflusses der Saisonalität bewusst, die Prognosen beeinträchtigen kann. Aber auch der Lebenszyklus Ihrer App/Kampagne/Zielgruppe/Creative kann die Fähigkeit Ihres Modells, genaue Prognosen zu erstellen, beeinflussen.
In-app ad LTV

In-App-Advertising (IAA) wird immer beliebter und hat in den letzten Jahren mindestens 30 % der App-Umsätze ausgemacht. Hyper-Casual- und Casual-Games sowie viele Utility-Apps nutzen diese Umsatzquelle natürlich als Hauptquelle für ihre Monetarisierung. 

Sogar Developer, die bisher vollständig auf In-App-Käufe (IAP) angewiesen waren, sind dazu übergegangen, mit Werbung zu monetarisieren. Das Ergebnis ist, dass viele Apps nun erfolgreich beide Umsatzquellen kombinieren, um den LTV ihrer Nutzer:innen zu maximieren. 

Ein Beispiel dafür ist Candy Crush von King.

Der LTV der hybriden Monetarisierung setzt sich aus zwei Teilen zusammen:

  1. In-App-Käufe/Abonnement-LTV: Umsätze, die aktiv von einem:r Nutzer:in generiert werden, der/die In-Game- oder In-App-Währung, besondere Gegenstände, zusätzliche Dienste oder ein kostenpflichtiges Abonnement kauft.
  2. In-App-Werbung LTV Umsätze, die passiv von einem:r Nutzer:in generiert werden, der/die sich Werbung ansieht und/oder mit ihr interagiert (Banner, Videos, Interstitials usw.)

Die Daten-Herausforderung

Idealerweise sollten Marketers in der Lage sein, den nominalen Wert jeder einzelnen Impression zu verstehen – was praktisch zu einem „Kauf“ führen würde. Wenn wir genügend Daten gesammelt haben, können wir Prognosemodelle erstellen, ähnlich denen, die wir bereits im zweiten Kapitel für In-App-Käufe beschrieben haben. 

In der Realität ist das jedoch nicht so einfach – selbst die Berechnung des LTV von In-App-Ads ist aufgrund des Umfangs und der Struktur der Umsatzdaten, auf die Marketers zugreifen können, schwierig. 

Hier sind nur einige Beispiele:

  • Es gibt nur selten eine einzige Ad-Quelle, die angezeigt wird. In Wirklichkeit gibt es viele, viele Quellen, hinter denen ein Algorithmus/Tool steht (Ad-Mediation-Plattformen), die ständig Quellen und eCPM wechseln. 
  • Wenn ein:e Nutzer:in zehn Ads ansieht, ist es durchaus möglich, dass diese von fünf verschiedenen Quellen stammen, die jeweils einen völlig unterschiedlichen eCPM haben.
  • Einige Werbenetzwerke zahlen für Aktionen (Installation, Klick) und nicht für Impressionen, was das Ganze noch weiter verkompliziert.
  • Wenn Sie mit gängigen Mediationsplattformen arbeiten, die Werbeumsätze auf Nutzerebene anbieten, bleiben die Zahlen eine Schätzung. Die entsprechenden Werbenetzwerke geben diese Daten oft nicht weiter, was in der Regel zu einer Aufteilung der erzielten Umsätze auf die Nutzer:innen führt, die die Impressionen gesehen haben.)
  • Die eCPMs können im Laufe der Zeit drastisch schwanken, und es ist unmöglich, diese Veränderungen zu prognostizieren.

LTV-Prognosemodelle für In-App-Ads

Viele der von uns befragten Unternehmen befassen sich nicht wirklich mit LTV-Prognosen für Ads. Unter den Marketern von Gaming-Apps, die sich für das Thema interessierten, war sich niemand sicher, wo sie beginnen sollten. Stattdessen war es eher ein nebenstehendes Projekt.

Im Folgenden werden die Konzepte weiter erläutert:

1. Das retention-basierte/ARPDAU-Retention-Modell

  • Berechnung: Mit dem ARPDAU-Retention-Modell, das in diesem Fall auch den zusätzlichen Beitrag von In-App-Werbeumsatze, enthält.
  • Beispiel: Die Retention von T1/T3/T7 beträgt 50 %/35 %/25 %. Nach der Anpassung dieser Datenpunkte an eine Power-Kurve und der Berechnung ihres Integrals bis D90 ergibt sich, dass die durchschnittliche Anzahl der aktiven Tage 5 beträgt. Wenn man weiß, dass der ARPDAU 50 Cent beträgt, würde der prognostizierte T90-LTV daher 2,50 $ betragen.

2. Die ratio-basierte Methode

  • Berechnung: Die Einbeziehung von Schätzungen der Werbeumsätze auf Nutzerebene werden in die Berechnung aufgenommen, um die Ratio-Methode auf gleicher Weise zu nutzen (basierend auf den Koeffizienten von T1, T3, T7, etc.).
  • Beispiel: Der aus In-App-Käufen und In-App-Werbeumsätzen berechnete ARPU liegt nach den ersten 3 Tagen bei 40 Cent. Wir wissen, dass T90/T7 = 3 ist. Der prognostizierte T90-LTV würde daher 1,20 $ betragen.

3. Die einfache Multiplikationsmethode

  • Berechnung: Berechnung des Verhältnisses zwischen In-App-Käufen und Anzeigenumsätzen zur Ermittlung eines Multiplikators für die Berechnung des Gesamt-LTV. Wenn mehr Daten vorhanden sind, können mehrere Koeffizienten für Plattform-/Länderdimensionen berechnet werden, da diese in der Regel den größten Einfluss auf das Verhältnis zwischen Anzeigen- und In-App-Umsätzen haben.

Verknüpfung mit verhaltensbasierten LTV-Prognosen

Es ist wichtig, einen weiteren Schlüsselfaktor zu erwähnen, der die potenzielle Rentabilität von App-Nutzern stark beeinflussen kann: die Kannibalisierung

Nutzer:innen, die Geld ausgeben, indem sie In-App-Käufe tätigen, haben oft einen deutlich höheren LTV als Nutzer:innen, die nur Werbung konsumieren. Es ist äußerst wichtig, dass ihre Absicht nicht durch Nachrichten über kostenlose praktische Dinge gestört wird. 

Andererseits ist es wichtig, Anreize für die Nutzer:innen zu schaffen, damit sie sich die Werbung ansehen, daher werden sie oft mit In-App-Währung oder Boni belohnt.

Wenn eine App sowohl prämierte Werbung als auch In-App-Käufe enthält, ist es möglich, dass ein:e Spieler:in, der sonst IAP-Käufe tätigen würde, dies ab einem bestimmten Punkt nicht mehr tut, da er/sie im Gegenzug für das Ansehen von Werbung eine beträchtliche Prämie in Form von In-App-Währung erhält. 

Genau hier kommen Verhaltensprognosen ins Spiel: Durch die Messung des Nutzerverhaltens kann ein Algorithmus für maschinelles Lernen die Wahrscheinlichkeit bestimmen, dass bestimmte Nutzer zu „Käufern“ werden, und aufzeigen, wo bestimmte Anpassungen des Spiels/der App erforderlich sind. 

So funktioniert der Prozess:

  1. Alle Nutzer:innen sollten mit einem werbefreien Experience beginnen, während die Engagement-Daten gemessen werden.
  1. Der Algorithmus berechnet kontinuierlich die Wahrscheinlichkeit, dass ein:e Nutzer:in zur:m Käufer:in wird.
  1. Wenn diese Wahrscheinlichkeit über einem festgelegten Prozentsatz liegt, werden keine Ad mehr geschaltet, wenn mehr Daten gesammelt werden („Warten auf den Kauf“).
  1. Wenn die Wahrscheinlichkeit unter einen festgelegten Prozentsatz fällt, ist es sehr wahrscheinlich, dass diese:r Nutzer:in nie einen Kauf tätigen wird. In diesem Fall beginnt die App mit der Schaltung von Ads.
  1. Basierend auf dem längerfristigen Verhalten der Spieler kann der Algorithmus ihr Verhalten weiter auswerten und dabei die Anzahl der Ads und die Mischung der verschiedenen Formate ändern.

Die meisten Unternehmen geben sich mit einfachen Modellen und Ansätzen zufrieden, die ein optimales Kosten-Nutzen-Verhältnis bieten, insbesondere wenn es um Umsetzungsschwierigkeiten und den Mehrwert präziserer Insights geht. 

In diesem Bereich sind bereits rasante Fortschritte zu beobachten, wobei verschiedene Lösungen auf den Markt kommen, um die Lücken zu schließen und das rasante Entwicklungstempo des Ökosystems sowie die wachsende Bedeutung der In-App-Werbung als wichtige Umsatzquelle für Apps zu ergänzen. 

Die Beitragsmethode

Während gut abgestimmte Methoden zur Verhaltensprognose die genauesten Ergebnisse bei der Attribution von Werbeumsätzen liefern können, gibt es eine einfachere und praktikablere Methode, um das Problem der Attribution von Werbeumsätzen zu einer Akquisitionsquelle zu lösen. 

Diese Methode basiert auf der Zuteilung des Anteils eines Kanals an den Werbeumsätzen anhand von aggregierten Datenpunkten zum Nutzerverhalten.

Die Deckungsbeiträge funktionieren, indem sie den Beitrag eines Kanals zum gesamten Nutzerverhalten in den Deckungsbeitrag dieses Kanals aus den von allen Nutzern generierten Werbeumsätzen umrechnen. 

Theoretisch gilt: Je mehr Aktionen die akquirierten Nutzer:innen eines Kanals in einer App tätigen, desto einflussreicher und einträglicher ist dieser Kanal, wenn es darum geht, die Werbeumsätze mit diesen Nutzern zu verbuchen.

Um das zu verdeutlichen, nehmen wir das Ganze mal auseinander:

Schritt 1

Der erste Schritt besteht darin, einen Datenpunkt auszuwählen, der für die Ermittlung des Deckungsbeitrags der einzelnen Akquisitionsquellen genutzt wird. 

Als Ausgangspunkt können Sie die Excel-Trendlinienregression nutzen, um herauszufinden, welcher KPI für das Nutzerverhalten am stärksten mit den Veränderungen bei den Werbeumsätzen korreliert. 

Da bei der Contribution-Methode der Umsatz proportional zur Gesamtaktivität zugewiesen wird, sollten Sie einen Datenpunkt wählen, bei dem es sich um eine zählbare Anzahl aktiver Nutzer:innen pro Tag handelt, und nicht um eine verhältnismäßige Retentionsrate. 

Einige Optionen sind:

  • Gesamtzahl der aktiven Nutzer:innen
  • Gesamtzahl der Sessions der Nutzer:innen
  • Gesamtdauer der Session
  • Attributionsdaten (z. B. Ad-Impressions)
  • Gesamtzahl von Key Events (z. B. gespielte Games)

Schritt 2

Sobald Sie einige Datenpunkte zur Beobachtung haben, stellen Sie jeden Datenpunkt in einem Streudiagramm den gesamten Werbeumsätzen pro Tag gegenüber, um zu sehen, wo die Korrelationen zwischen Änderungen im Nutzerverhalten und den gesamten Werbeumsätzen am stärksten sind.

Schritt 3

Fügen Sie den R-Quadrat-Datenpunkt zu Ihrem Diagramm hinzu, um festzustellen, welcher Datenpunkt die stärkste Korrelation aufweist.

Diese Excel-Methode der Trendlinienregression hat einen Nachteil: Je geringer die Schwankungen im Nutzerverhalten und bei den Werbeumsätzen sind, desto ungenauer ist die Fähigkeit des Modells, die Stärke der Korrelation zwischen den Datenpunkten zu erkennen. 

Infolgedessen werden Sie kaum in der Lage sein, einen Datenpunkt einem anderen vorzuziehen.

Prädiktive Modellierung: Beitragsmethode 3. Schritt

 In diesem simulierten Datensatz sehen wir die tägliche Anzahl der einzelnen Datenpunkte sowie die gesamten täglichen Werbeumsätze.

Prädiktive Modellierung: Gesamtzahl der aktiven Nutzer:innen des Werbeumsatzes
Prädiktive Modellierung: Gesamtzahl der Sessions
Prädiktive Modellierung: Gesamtzeit, die in der App verbracht wird
Prädiktive Modellierung: Gesamtzahl der gespielten Games

Anhand dieser simulierten Daten können wir erkennen, dass das Event mit der besten Korrelationsstärke die Anzahl der aktiven Nutzer:innen sind, basierend auf unserer R-Quadrat-Fit-Metrik. 

Das bedeutet, dass der Datenpunkt aus unserem Set, der die Veränderungen bei den Werbeumsätzen am besten erklärt, die Anzahl der aktiven Nutzer:innen ist, und wir daher die Anzahl der aktiven Nutzer:innen nutzen sollten, um die Werbeumsätze nach Kanal zuzuordnen.

Schritt 4

Sobald Sie einen KPI für das Nutzerverhalten ausgewählt haben, ist es an der Zeit, den Deckungsbeitrag zu berechnen.

Multiplizieren Sie dann den täglichen Deckungsbeitrag jedes Kanals mit den kumulierten Werbeumsätzen, die an jedem Tag erzielt werden.

Dieser Prozess setzt voraus, dass die Daten zum Nutzerverhalten pro Kanal gemessen werden und täglich zugänglich sind, so dass der Deckungsbeitrag aller Kanäle mit den Umsatzdaten jedes neuen Tages berechnet werden kann.

Hinweis: Obwohl wir hier zur Veranschaulichung nur vier Werbekanäle einbeziehen, sollten Sie hier auch Ihre organischen und anderen Kanaldaten einbeziehen, um die täglichen Umsätze vollständig dem täglichen Nutzerverhalten zuordnen zu können.

Prädiktive Modellierung: Beitragsmethode 4. Schritt

Oben sehen Sie die berechneten Werbeumsätze, die pro Tag und Kanal generiert werden, wodurch Sie die Profitabilität der einzelnen Kanäle abschätzen können.

Beachten Sie, dass Sie Ihre Einschätzung nützlicher KPIs für die Attribution von Werbeumsätzen überdenken müssen, wenn sich Trends im Nutzerverhalten und Daten zur Monetarisierung von Werbeumsätzen ändern oder neue Datenpunkte verfügbar werden.

Im obigen Datensatz ist beispielsweise gegen Ende des Berichtszeitraums (etwa ab dem 10. Januar) eine zweite Gruppierung von Datenpunkten zu erkennen, bei der deutlich mehr tägliche Werbeumsätze zu verzeichnen sind als zu Beginn des Monats. 

Dies spiegelt sich in der Gruppierung der Daten im rechten oberen Bereich jedes Streudiagramms wider, weg von der Gruppe unten links. 

Je komplexer der Datensatz ist, desto ungenauer ist diese einfache Excel-Regressionsanalyse, und desto größer ist die Notwendigkeit, eine Segmentierung und eine genauere Analyse durchzuführen.

Best Practices für die prädiktive Modellierung

Auf dem Weg in eine neue Werberealität

Prädiktive Analysen ermöglichen es Ihnen, die potenzielle Zielgruppe Ihrer Kampagne zu vergrößern, den LTV der Nutzer zu erhöhen und eine effizientere Budgetierung zu gewährleisten – und das in einer Zeit, in der wir in einigen Fällen keinen Zugang mehr zu detaillierten Performance-Daten haben. 

Indem Sie verschiedene Cluster von Verhaltensmerkmalen erstellen, können Sie Ihre Zielgruppe nicht nach ihrer tatsächlichen Identität, sondern nach ihrer Interaktion mit Ihrem Funnel in seinen frühesten Phasen kategorisieren. Diese Interaktion kann auf ihr zukünftiges Potenzial hinweisen, Ihrem Produkt einen bedeutenden Wert zu verleihen.

Die Kombination der wichtigsten Faktoren für Engagement, Retention und Monetarisierung kann die Kompatibilität eines Nutzers mit der LTV-Logik eines jeden Entwicklers korrelieren und eine pLTV-Angabe (Predicted Lifetime Value) gleich zu Beginn einer Kampagne liefern.

Maschinelles Lernen – der Schlüssel zum Erfolg

Eine Mobile App kann mehr als 200 Metriken für die Messung aufweisen, aber ein typischer Marketer wird wahrscheinlich nur maximal 25 messen. Eine Maschine hingegen ist in der Lage, all diese Informationen innerhalb von Millisekunden zu erfassen und sie für Marketing-Insights und Indikatoren der App-Funktionalität zu nutzen. 

Ein Algorithmus für maschinelles Lernen ist in der Lage, all diese Indikatoren zu berechnen und die richtigen Korrelationen für Sie zu finden. Die Berechnungen basieren auf Ihrer Definition von Erfolg, Ihrer LTV-Logik, und diese wird auf eine beträchtliche Datenmenge angewandt, um eine Korrelation zwischen frühen Engagement-Signalen und letztendlichem Erfolg zu finden.

Das bedeutet, dass Werbetreibende nicht mehr wissen müssen, WER der/die Nutzer:in ist, sondern vielmehr, WELCHEM pLTV-Profil und welchen Merkmalen er/sie entspricht. Dieses Profil sollte so genau wie möglich sein und bereits in den ersten Tagen der Kampagne zur Verfügung gestellt werden. Er sollte den LTV-Anforderungen des Werbetreibenden entsprechen, um als gültig und umsetzbar zu gelten. 

Bei E-Commerce-Apps beispielsweise ermöglicht die Berücksichtigung von Indikatoren wie frühere Käufe, Kaufhäufigkeit, Tageszeit oder Funnel-Progression dem Algorithmus, allgemeine Zielgruppen in hochgranulare, sich gegenseitig ausschließende Kohorten einzuteilen. 

Dies ermöglicht ein effektiveres Targeting und Messaging und letztlich einen höheren ROAS.

Nutzung von Cluster-LTV-Prognosen

Prädiktive Analysen helfen dabei, die Lernphase der Kampagne zu verkürzen, indem bestehende Integrationen genutzt werden, um eine genaue LTV-Prognose für die Kampagne zu erstellen. 

Mit Hilfe von maschinellem Lernen und dem Verständnis aggregierter Daten könnte die prädiktive Analyse bereits wenige Tage nach dem Start einer Kampagne potenzielle Hinweise in Form eines Scores, Rankings oder einer anderen Form von verwertbaren Erkenntnissen liefern, die den Marketern Aufschluss darüber geben, wie erfolgreich die Kampagne sein wird. 

Beispielsweise, mit KI einer Gaming-App, wurde herausgefunden, dass Nutzer:innen, die Level 10 eines Games innerhalb der ersten 24 Stunden abschließen, mit 50 % höherer Wahrscheinlichkeit zu zahlenden Nutzern werden.

Anhand dieser Informationen können Marketers entweder ihre Verluste bei einer schlechten Kampagne, die keine qualitativ hochwertigen Nutzer:innen liefert, begrenzen, bei Bedarf optimieren oder den Einsatz verdoppeln, wenn frühe Anzeichen auf einen potenziellen Gewinn hindeuten, wodurch sie in der Lage sind, schnelle Pausen-Boost-Optimierungs-Entscheidungen zu treffen. 

Die SKAdNetwork Herausforderung

Die Einführung der datenschutzorientierten Realität von iOS 14 und Apples SKAdNetwork hat eine Reihe eigener Herausforderungen mit sich gebracht, vor allem die Beschränkung der Messung von Nutzerdaten im iOS-Ökosystem auf zustimmende Nutzer:innen.

Es wird davon ausgegangen, dass dies nur der erste Schritt in Richtung eines stärker auf den Schutz der Privatsphäre der Nutzer:innen ausgerichteten Werbeumfelds ist und dass viele große Akteure der Online-Branche wahrscheinlich nachziehen werden – in der einen oder anderen Form.

Diese Veränderungen schränken nicht nur die Menge der verfügbaren Daten ein, sondern auch das Zeitfenster, in dem Marketer fundierte Entscheidungen darüber treffen können, ob eine Kampagne erfolgreich sein wird oder nicht. 

Obwohl Algorithmen des maschinellen Lernens schnell vorhersagen können, welche Kampagnen wahrscheinlich die wertvollsten Kunden bringen, gibt es weitere Einschränkungen, wie z. B. das Fehlen von Echtzeitdaten, keine ROI- oder LTV-Daten, da hauptsächlich Installationen gemessen werden, und ein Mangel an Granularität, da nur Daten auf Kampagnenebene verfügbar sind.

Wie können Sie also relevante Werbung schalten, ohne zu wissen, welche Aktionen die einzelnen Nutzer:innen durchführen? 

Sie haben es erraten: Auf maschinellem Lernen basierendes prädiktives Marketing. Mithilfe fortschrittlicher statistischer Korrelationen, die auf historischen App-Verhaltensdaten basieren, um zukünftige Aktionen vorherzusagen, können Marketer Experimente mit nicht personalisierten Parametern durchführen, wie z. B. kontextbezogene Signale und kontinuierliches Training von Machine-Learning-Modellen. 

Die Ergebnisse können dann auf zukünftige Kampagnen angewendet und weiter verfeinert werden, wenn mehr Daten gesammelt werden.  

6. Kapitel – Wachstum, Aktualisierung des Guides für die prädiktive Modellierung

1. Füttere die Bestie

Bei der Erstellung von Datenmodellen, die als Grundlage für wichtige Entscheidungen dienen, ist es nicht nur wichtig, ein bestmögliches System zu entwickeln, sondern auch kontinuierliche Tests durchzuführen, um seine Effektivität zu gewährleisten. 

Für beide Zwecke sollten Sie sicherstellen, dass Sie Ihr Prognosemodell kontinuierlich mit den relevantesten Daten füttern, um es zu trainieren. 

Überprüfen Sie außerdem immer, ob die Prognosen Ihres Modells auf der Grundlage neuer Beobachtungen zutreffen oder zumindest nahe daran liegen. 

Werden diese Schritte nicht befolgt, kann ein Modell mit einer anfänglich nützlichen Prognosekraft je nach Saisonalität, Makro-Auktionsdynamik, Monetarisierungstrends Ihrer App oder vielen anderen Gründen aus dem Ruder laufen. 

Indem Sie Ihre Frühindikatoren oder frühen Benchmarks beobachten und nach signifikanten Veränderungen der Datenpunkte Ausschau halten, können Sie abschätzen, wann auch Ihre eigenen Prognosen wahrscheinlich scheitern werden. 

Wenn Ihr Modell beispielsweise auf Daten trainiert wurde, bei denen die durchschnittliche Retentionsrate am ersten Tag zwischen 40 % und 50 % lag, die Retentionsrate am ersten Tag aber innerhalb einer Woche auf 30 % bis 40 % gesunken ist, könnte dies darauf hindeuten, dass Sie Ihr Modell neu trainieren müssen. 

Das gilt vor allem, wenn sich die Qualitätssignale der zuletzt gewonnenen Nutzer:innen verändert haben, was bei sonst gleichen Bedingungen zu Änderungen bei der Monetarisierung und dem Profit führen dürfte.

2. Wählen Sie den richtigen KPI für die Profitabilitätsvorhersage

Es stehen mehrere Optionen zur Verfügung, von denen jede eine Reihe von Kompromissen hinsichtlich Realisierbarkeit, Genauigkeit und Geschwindigkeit bei der Erstellung von Empfehlungen eingeht. 

Testen Sie verschiedene KPIs (z. B. mehr oder weniger Tage ROAS oder LTV) und nutzen Sie eine oder alle der folgenden Möglichkeiten, um den Profit von mehreren KPIs zu vergleichen:

  • R-Quadrat 
  • Ein Verhältnis von Erfolg zu Misserfolg bei zufriedenstellender Prognose
  • Mean Absolute Percentage Error (MAPE)

Sie werden überrascht sein, wie schlecht die Standardmaße korreliert sind.

3. Segmentieren Sie Ihre Daten

Die Segmentierung von Nutzern in homogenere Gruppen ist nicht nur eine gute Möglichkeit, die Conversion Rate zu verbessern, sondern auch eine bewährte Methode, Störungen zu reduzieren und die Prognosen Ihres Modells zu verbessern. 

Beispielsweise könnte es zu weniger effektiven Ergebnissen führen, wenn dasselbe Modell sowohl auf interessenbasierte Kampagnen als auch auf wertbasierte Lookalike-Kampagnen angewendet wird. Der Grund dafür ist, dass die Monetarisierung und die Lebensdauer der Nutzer:innen der einzelnen Zielgruppen wahrscheinlich sehr unterschiedlich sind. 

Außerdem kann Ihre Zielgruppe anhand verschiedener Verhaltenscharakteristiken kategorisiert werden, und zwar nicht nach ihrer tatsächlichen Identität, sondern nach ihrer Interaktion mit Ihrer Kampagne in der Anfangsphase. Diese Interaktion kann ihr zukünftiges Potenzial mit Ihrem Produkt aufzeigen.

So kann beispielsweise ein Gaming-App-Entwickler den potenziellen LTV vorhersagen, den er in einem Zeitraum von 30 Tagen aus seinen Nutzern herausholen kann. Mit anderen Worten: die Zeitspanne bis zum Ende des Tutorials (Engagement), die Anzahl der Besuche in der App (Retention) oder das Ausmaß der Werbung bei jeder Session (Monetarisierung). 

4. Denken Sie daran, Zeit einzukalkulieren

Die meisten Marketer sind sich des Einflusses der Saisonalität auf die Aufschlüsselung von Prognosen bewusst, aber auch der Lebenszyklus Ihrer App/Kampagne/Zielgruppe/Creative kann die Fähigkeit Ihres Modells, genaue Prognosen zu erstellen, beeinflussen. 

Die Trends bei den Akquisitionskosten in der ersten Woche einer neuen App-Einführung werden sich von denen im fünften Monat, im zweiten Jahr usw. deutlich unterscheiden, ebenso wie die ersten 1.000 US-Dollar an Ausgaben für ein bisher unerschlossenes Lookalike sich von den 10.000 und 50.000 US-Dollar an Ausgaben für dasselbe Lookalike unterscheiden werden (insbesondere ohne Änderung der genutzten Creative).

In-App-Werbung: Zusammenfassung

  • Die Wissenschaft der prädiktiven Analysen gibt es schon seit Jahren, und sie wird von den weltweit größten Unternehmen genutzt, um ihre Abläufe zu perfektionieren, Angebots- und Nachfrageverschiebungen zu antizipieren, globale Veränderungen vorherzusehen und historische Daten zu nutzen, um zukünftige Events zu antizipieren und vorzubereiten.
  • Auf dem Weg in eine neue, datenschutzorientierte Realität müssen wir einen neuen Messstandard annehmen – einen, der kürzere Messzeiträume erfordert und anonyme Angaben zum Nutzerpotenzial für die Entscheidungsfindung anwendet.
  • Die prädiktive Modellierung bietet genau das. Die Einführung dieser hochentwickelten Technologie in die Marketinglandschaft und ihre Umsetzung, um der Entwicklung der Branche entgegenzukommen, ist von höchster Bedeutung. 

The post Prädiktive Modellierung für App-Marketers: Der komplette Guide appeared first on AppsFlyer.

]]>
Der Stand des Gaming-App-Marketings – Ausgabe 2023 https://www.appsflyer.com/de/resources/reports/gaming-app-marketing/ Mon, 24 Jul 2023 09:01:43 +0000 https://www.appsflyer.com/resources//der-stand-des-gaming-app-marketings-2023-ausgabe/

Das Jahr 2023 begann mit Gegenwind – bevorstehende Rezession, geringere Verbraucherausgaben, Inflationsdruck, zu erwartende Entlassungen. Aber genau wie Spieler:innen sich mit den besten Waffen ausrüsten, können sich die Gaming-App-Marketer auch mit den richtigen Tools und Wissen ausstatten, um die Herausforderungen zu meistern.  Um dem Ganzen einen Sinn zu geben, haben wir im Report „Der Stand […]

The post Der Stand des Gaming-App-Marketings – Ausgabe 2023 appeared first on AppsFlyer.

]]>

Das Jahr 2023 begann mit Gegenwind – bevorstehende Rezession, geringere Verbraucherausgaben, Inflationsdruck, zu erwartende Entlassungen.

Aber genau wie Spieler:innen sich mit den besten Waffen ausrüsten, können sich die Gaming-App-Marketer auch mit den richtigen Tools und Wissen ausstatten, um die Herausforderungen zu meistern. 

Um dem Ganzen einen Sinn zu geben, haben wir im Report „Der Stand des Gaming-App-Marketings“ 38 Milliarden Installationen analysiert und bieten einen detaillierten Einblick in die wichtigsten Trends des Jahres 2022.

Was im Report enthalten ist (englischsprachiger Inhalt):

  • Installationstrends nach Plattform, Land und Genre
  • UA-Ausgaben nach Land und Genre
  • IAP- und IAA-Monetarisierung 
  • Länder- und Kategorie-Benchmarks in 16 Top-Märkten  
  • Best Practices für ein turbulentes Jahr 2023

The post Der Stand des Gaming-App-Marketings – Ausgabe 2023 appeared first on AppsFlyer.

]]>
Der Stand des E-Commerce App-Marketings – Ausgabe 2023 https://www.appsflyer.com/de/resources/reports/shopping-app-marketing-trends/ Mon, 17 Jul 2023 12:05:53 +0000 https://www.appsflyer.com/?post_type=resource&p=367943 shopping app marketing trends - OG

Wirtschaftlicher Abschwung? Konsumenten und Marketers mit knapperen Budgets? Datenschutz? Angesichts der bevorstehenden Weihnachtssaison 2023 gibt es für E-Commerce-Marketers keinen Grund zur Besorgnis.  Obwohl ein wirtschaftlicher Aufschwung erst Mitte nächsten Jahres erwartet wird, können Mobile-App-Marketer aus den E-Commerce-Trends des Jahres 2022 Zuversicht schöpfen, wenn es an die Planung der Saison 2023 geht. Es bleibt abzuwarten, wie […]

The post Der Stand des E-Commerce App-Marketings – Ausgabe 2023 appeared first on AppsFlyer.

]]>
shopping app marketing trends - OG

Wirtschaftlicher Abschwung? Konsumenten und Marketers mit knapperen Budgets? Datenschutz? Angesichts der bevorstehenden Weihnachtssaison 2023 gibt es für E-Commerce-Marketers keinen Grund zur Besorgnis. 

Obwohl ein wirtschaftlicher Aufschwung erst Mitte nächsten Jahres erwartet wird, können Mobile-App-Marketer aus den E-Commerce-Trends des Jahres 2022 Zuversicht schöpfen, wenn es an die Planung der Saison 2023 geht.

Es bleibt abzuwarten, wie sich die finanzielle Situation auf die Verbraucher- und Werbeausgaben im vierten Quartal auswirken wird. Werfen Sie einen Blick in unseren E-Commerce Report 2023, damit Sie auf eine spannende und ereignisreiche Feiertagssaison vorbereitet sind.

Was im Report enthalten ist:

  • Trends bei Installationen, Remarketing und Verbraucherausgaben von Januar 2022 bis März 2023
  • Budgets für die Nutzerakquise nach Märkten
  • Eingehende Analysen und Benchmarks für 20 Märkte weltweit
  • Praktische Tipps, wie man sich am besten auf ein wettbewerbsfähiges Q4 vorbereitet

The post Der Stand des E-Commerce App-Marketings – Ausgabe 2023 appeared first on AppsFlyer.

]]>
Das CTV-Zeitalter ist da: Der vollständige Guide für Connected TV https://www.appsflyer.com/de/resources/guides/connected-tv/ Wed, 21 Jun 2023 09:33:05 +0000 https://www.appsflyer.com/resources//das-ctv-zeitalter-ist-da-der-vollstandige-guide-fur-connected-tv/ CTV domination: The complete guide to connected TV - featured

The post Das CTV-Zeitalter ist da: Der vollständige Guide für Connected TV appeared first on AppsFlyer.

]]>
CTV domination: The complete guide to connected TV - featured
Einleitung

Videoinhalte zum “Bingen” sind zu einem der am schnellsten wachsenden Phänomene in der digitalen Werbung geworden.

Kein Wunder, dass Verbraucher:innen nicht begeistert waren, als Netflix seine Absicht verkündigte, ein werbefinanziertes Angebot einzuführen. Und das, obwohl HBO Max, Hulu, Paramount+ und Peacock ihre werbefinanzierten Abonnements bereits im Jahr 2021 eingeführt haben.

Connected TV (CTV) wird immer mehr zu einem allgegenwärtigen Teil des Alltags, da das Abnabeln von Kabelverbindungen zur Norm wird. Tatsächlich besitzen 87 Prozent aller amerikanischen Haushalte mindestens ein CTV-Gerät, ein krasser Anstieg im Vergleich zu lediglich 38 Prozent im Jahr 2012.

CTV ist in allen Altersgruppen weit verbreitet, aber am beliebtesten ist es bei den 18- bis 34-Jährigen, was diese aktive Zielgruppe für Werbetreibende besonders interessant macht.

In diesem Guide erfahren Sie alles, was Sie über die Welt von CTV wissen müssen. Egal, ob Sie Werbetreibender, Anbieter von Streamingdiensten oder Publisher (oder einfach nur ein:e neugierige:r Leser:in) sind – Sie erhalten ein umfassendes Verständnis dafür, was Connected TV ist, wie das Ökosystem funktioniert und wie Sie in dieser Ökosphäre erfolgreich werben können.

Los geht‘s.

Das CTV-Zeitalter ist da: 1. Kapitel – Was ist Connected TV?
1. Kapitel

Was ist Connected TV?

Connected TV, kurz CTV, ist ein TV-Gerät, das eine Verbindung zum Internet herstellt und es den Zuschauern ermöglicht, Videoinhalte anzusehen.

Zu den CTV-Geräten gehören alle Arten von Smart-TVs mit integriertem WLAN und Streaming, Spielkonsolen wie Xbox oder Playstation sowie Streaming-Geräte wie Apple TV, Google Chromecast, Amazon Fire TV Stick und Roku.

Es wird erwartet, dass die Ausgaben für CTV-Werbung in diesem Jahr in den USA um 33,1 % steigen und 18,9 Milliarden Dollar erreichen werden, wobei CTV in diesem Jahr mehr als zwei Drittel des Marktes für digitale Videoausgaben in den USA ausmachen wird.

Während die Budgets für lineare TV-Werbung bis Ende 2022 immer noch 68 Milliarden Dollar erreicht haben, schließt sich die Lücke schneller als je zuvor.

Was ist der Unterschied zwischen CTV und OTT?

Bevor wir uns mit dem Thema CTV befassen, sollten wir einen häufigen Fehler in der Terminologie ausräumen. Marketer nutzen CTV und OTT oft (fälschlicherweise) synonym, dabei sind die beiden Begriffe sehr unterschiedlich. 

Over-the-Top-Anbieter (OTT) bieten Premium-Videoinhalte über spezielle Apps oder Websites an und umgehen damit das traditionelle Kabel-, Satelliten- und Rundfunkfernsehen.

Einfach ausgedrückt: OTT-Inhalte werden mit CTV-Geräten angeschaut. Einige der beliebtesten OTT-Dienste sind:

  1. Netflix
  2. Disney+
  3. Hulu
  4. ESPN+
  5. Amazon Prime Video
  6. HBO Max
  7. Apple TV+
  8. CBS All Access
  9. YouTube TV
  10. Starz 
  11. Pluto TV
  12. Sling TV
  13. Tubi
  14. Fubo TV
  15. Peacock TV
  16. Vudu TV
  17. Crackle TV
  18. Kanopy TV

Wie sieht das CTV-Ökosystem aus?

Da der Unterschied zwischen CTV und OTT nun geklärt ist, wenden wir uns nun dem Ökosystem zu. Kurz gesagt, die Daten stehen im Mittelpunkt – und Technologieunternehmen kämpfen um wertvolle Werbeplätze im CTV-Ökosystem.

TV-Betriebssysteme, die Streaming ermöglichen, sammeln reichhaltige Daten, aus denen Werbetreibende Kapital schlagen können, was dazu führt, dass die physische TV-Produktion gegenüber der Einführung des Betriebssystems in den Hintergrund tritt. Dies führt letztlich zu einer Senkung der Kosten für TVs.

Samsung und LG sind zwar der erst- bzw. zweitgrößte Hersteller von TV-Geräten, ihre Betriebssysteme haben jedoch nur einen Marktanteil von vierzehn Prozent bzw. sieben Prozent, während Roku und Amazon Fire TV in den USA zusammen etwa den gleichen Marktanteil haben 60 % aller Smart-TVs zusammen – und das in einem extrem fragmentierten Umfeld. 

Dies hat zu einem Wettlauf um die größte Adaption des Betriebssystems bei Smart-TVs, Streaming-Geräten und Spielekonsolen geführt. 

Amazon hat seine Amazon Fire TV-Linie mit Alexa, Fire OS und Prime Video von Hause aus integriert, während LG, Samsung, Vizio und andere Smart-TV-Hersteller um die Dominanz in unseren Haushalten kämpfen.

Die fragmentierten Komponenten von CTV – und wie sie sich auf die Werbetreibenden auswirken

Im CTV-Ökosystem gibt es acht große Teilsegmente:

  1. Broadcasters bieten exklusive Streaming-Inhalte an (Hulu, Disney+, Netflix).
  2. CTV-Enablement-Geräte bieten TV-Streaming (Roku, Amazon Fire TV Stick).
  3. Smart-TV-Geräte verfügen über Streaming-Funktionen (Samsung TV, LG TV, TCL TV).
  4. Mobile Measurement Partner (MMPs) messen die Kampagnen-Performance genau und bekämpfen Fraud.
  5. Supply-Side-Plattformen (SSPs) sind Softwarelösungen, die den Advertising-Exchange auf Seiten des Publishers verwalten – einschließlich des Verkaufs von Werbeplätzen, der Optimierung von Deals und des Measurement der Kampagnen-Performance. 
  6. Demand-Side-Plattformen (DSPs) sind programmatische Tools, die Ad-Käufe vermitteln und Inventar auf einer einzigen Oberfläche bereitstellen. DSPs dienen Werbetreibenden auch dazu, Ad Impressions für den niedrigsten CPM zu kaufen.
  7. Werbetreibende , die Ads kaufen.

Publisher und Netzwerke, die Werbeinventar verkaufen und Player aus den oben genannten Kategorien umfassen, wie z. B. Hersteller von Smart-TV-Geräten (z. B. Samsung Ads, Vizio Ads) 


Jede Inventarquelle erhebt Daten auf andere Weise, was zu unterschiedlichen Erkenntnissen führt. Bei einigen Anbietern können Pixel genutzt werden, die ein präziseres Measurement und ein stärkeres Engagement ermöglichen. 

Häufig arbeiten Inventarquellen in „Walled Gardens“ und zwingen Werbetreibende dazu, direkt mit ihnen zusammenzuarbeiten. Sie operieren mit unterschiedlichen und begrenzten Datensätzen und verhindern, dass Daten auf Nutzerebene ihre individuellen Plattformen verlassen.

Das Ergebnis? Ein extrem wettbewerbsintensiver und fragmentierter Markt, der es für Werbetreibende immer schwieriger macht, ihre Kampagnen auf verschiedenen Geräten und Plattformen genau zu messen.

Das CTV-Zeitalter ist da: 2. Kapitel – CTV- und OTT-Monetarisierungsmodelle
2. Kapitel

CTV- und OTT-Monetarisierungsmodelle

Nachdem wir uns mit der Frage beschäftigt haben, wie CTV und OTT funktionieren, wollen wir jetzt über die finanziellen Aspekte sprechen. Es gibt vier primäre Monetarisierungsmodelle, die Sie kennen sollten.

1 – Abonnement-Video-on-Demand (SVOD)

Das am weitesten verbreitete Modell, Subscription Video on Demand, verlangt von den Nutzern eine monatliche oder jährliche Abo-Gebühr für den unbegrenzten Zugang zu den Inhalten.

Dies ist das Modell, das Netflix, Amazon Prime und Disney+ heute nutzen, und erfordert, dass OTT-Anbieter regelmäßig aktuelle, exklusive Inhalte anbieten, um eine treue Zuschauerbasis aufzubauen.

2 – Werbegestütztes Video-on-Demand (AVOD)

Bei diesem Modell werden strategische Pre-Roll-, Mid-Roll- oder Post-Roll-Ads in den Videoinhalt eingefügt. Publisher könnten auch Bannerwerbung, Sponsoring und bezahlte Platzierungen nutzen, um ihr Business zu finanzieren – anstatt sich auf wiederkehrende Abo-Gebühren zu verlassen. 

Xumo und Crackle sind zwei Plattformen, die derzeit das AVOD-Modell nutzen. 

3 – Transactional Video on Demand (TVOD)

Dieses neue und wachsende Monetarisierungsmodell konzentriert sich auf die Generierung von Umsätzen aus einmaligen Inhalten, indem für einzelne Episoden, Filme oder Pay-per-View-Events Gebühren erhoben werden. 

Anstatt sich darauf zu verlassen, ein treues und immer wiederkehrendes Publikum aufzubauen, konzentriert sich das TVOD-Modell auf die Bereitstellung von Premium- und “hyper-exklusiven” Inhalten, die anderswo nicht zu finden sind.

4 – Hybrid-Modell

Streaming-Services aller Formen und Größen experimentieren mit mehr Umsatzmodellen als je zuvor, und viele nutzen ein hybrides Modell, das eine Mischung aus zwei oder mehr Monetarisierungsmodellen darstellt. 

Zum Beispiel bietet Hulu einen werbefinanzierten Basisplan, einen Nicht-Werbeplan und ein Paket an, das mit Disney+, ESPN+ und Live-TV bereitgestellt wird.

CTV-to-CTV Attribution und Measurement

CTV-to-CTV Attribution

Wie bereits erwähnt, steigen die Zuschauerzahlen bei CTV rasant an, was es zur perfekten Lösung für die Nutzerakquise macht. Programmatisches Engagement ermöglicht hochspezifische Apps mit 1st- und 3rd-Party-Daten, so dass eine große Mehrheit der Zielgruppen erreicht werden kann.

CTV-to-CTV Attribution ist definiert als Attribution von CTV Ads, die zu CTV App Installationen führen, auf demselben Gerät und auf demselben Betriebssystem. Wir empfehlen die Zusammenarbeit mit einem MMP, der direkt mit CTV-Plattformen wie Roku, Fire TV, Apple TV, Android TV, Chromecast, Spielkonsolen und Smart TVs integriert ist, um sicherzustellen, dass Sie entscheidende Metriken wie LTV und Metadaten für eine bessere Attribution nutzen können.

Es ist wichtig zu beachten, dass jede CTV-Plattform ihre eigene Reporting-Methode anbietet, und dass das Reporting selbst im Hinblick auf Konsistenz, Granularität und Datennomenklatur variieren kann. 

Aus diesem Grund ist es wichtig, mit einem MMP zusammenzuarbeiten, der eine zentralisierte, neutrale Attribution über mehrere Medienquellen, Kanäle und Geräte hinweg bietet – konsolidiert in einem einzigen Dashboard.

Das CTV-Zeitalter ist da: 3. Kapitel - Vorteile von Connected TV für Werbetreibende
3. Kapitel

Was sind die Vorteile von Connected TV für Werbetreibende?

Es steht außer Frage, dass der CTV-Markt schneller wächst als je zuvor. Während sich der Markt auf dem Weg zur Reife befindet, gibt es noch enormen Wachstumsspielraum. Hier sind einige der wichtigsten Vorteile, die CTV für Werbetreibende bietet:

Segmentieren wie nie zuvor

Im Gegensatz zum herkömmlichen TV können Werbetreibende über CTV Zielgruppen auf der Grundlage ihrer Demografie, ihrer Interessen, ihres Kontexts, ihrer Tageszeit, ihres Geräts und ihrer geografischen Lage ansprechen.

Im Vergleich dazu stützt sich das traditionelle TV in hohem Maße auf Schätzungen von Drittanbietern wie Comscore und Nielsen, die weniger zuverlässig und oft auf Annahmen beruhen.

Da die Zuschauerzahlen für OTT-Inhalte rapide ansteigen, sind die im CTV gewonnenen Zuschauer:innen extrem engagiert und für Werbetreibende wertvoll, weshalb eine smarte Segmentierung der Schlüssel zum Erfolg in diesem Medium ist.

Markensicherheit

Werbetreibende haben viel mehr Kontrolle darüber, wo ihre Ads geschaltet werden – und zwar in großem Maßstab. Die Kombination aus spezifischem Engagement und verbesserten Systemen für den Kauf von Ads ermöglicht es Werbetreibenden, ihre Ads an der richtigen Stelle und zur richtigen Zeit auszuspielen, wodurch der Raum für Fehler oder irrelevante Ads-Platzierungen minimiert wird.

Cross-Device-Measurement und -Engagement

CTV ermöglicht es Werbetreibenden, die Performance ihrer Werbekampagnen geräteübergreifend zu messen, wobei sie sich auf eine Reihe gesammelter Daten stützen können. Mit geräteübergreifenden Daten können sie den ROAS messen, verstehen, was funktioniert – und künftige Kampagnen auf der Grundlage der bisherigen Erfahrungen optimieren.

Werbetreibende können auch kontextbezogene Customer Experiences schaffen, indem sie die Deep Linking-Technologie nutzen. Durch die Platzierung von Links und QR-Codes, die von Deep Links unterstützt werden, können Brands Mobile-App-Kampagnen auf CTV durchführen, die Nutzer:innen zu den richtigen Inhalten in ihren Apps führen. 

Die Gestaltung einer nahtlosen Journey mithilfe von Deep Links ist ein wirkungsvoller und relativ unkomplizierter Weg, der zu zufriedenen Kundinnen und Kunden, höheren Umsätzen und Return on Experience (ROX) führt.

So funktioniert die CTV-to-Mobile-Attribution

Besonders erwähnenswert ist der Cross-Device-Flow CTV-to-Mobile, bei dem Marketers für Mobile Apps Medien auf CTV kaufen, um Wachstum und Engagement für ihre Mobile Apps zu fördern.

Unabhängig davon, ob die Integration über ein SDK oder eine API erfolgt, stellen MMPs sicher, dass App-Installationen und Post-Installations-Events genau gemessen werden. 

Mit der CTV-to-Mobile Attribution können Marketers zum Beispiel erkennen, dass eine Mobile App, die installiert wurde, nachdem eine Werbung auf einem CTV-Gerät gesehen wurde, dem CTV zugeordnet werden sollte.

Größter Schwachpunkt bei CTV: Spoofing und Ad-Fraud

CTV Ad-Fraud

60 Prozent der Werbetreibenden in den USA wechseln vom linearen Fernsehen zu CTV und OTT – ein explosives Wachstum, das Fraudsters ins Visier nehmen. Das Fehlen von Sicherheitssystemen und Regulierungen stellt eine Gelegenheit für Ad-Fraud-Unternehmen wie Octobot, SneakTerra und Smokescreen dar, die 6 Millionen Dollar pro Monat abschöpfen.

Fraud tritt in der Regel in drei Formen auf:

  1. Device Spoofing: Imitation eines anderen Computersystems (nicht-menschlicher Bot-Traffic).
  2. Multiple-Device-Spoofing: Das Vortäuschen, dass Zuschauer:innen auf mehreren Geräten gleichzeitig auf Inhalte zugreifen.
  3. SDK-Hacking: Fraudsters fangen hier die SDK-Kommunikation ab und fügen gefälschte App-Installationen, Käufe und Klicks hinzu.

Kein Grund zur Sorge, denn aus diesen Betrugsfällen haben wir viel gelernt. Gehen wir also auf ein paar Möglichkeiten ein, wie Sie Fraud heute verhindern können:

So mindern Sie CTV Ad-Fraud

1. Stellen Sie klare Anforderungen an die Inventar-Partner, mit denen Sie zusammenarbeiten wollen. Arbeiten Sie nur mit zuverlässigen CTV-Anbietern zusammen, die über transparente und zugängliche Möglichkeiten zum Kampagnen-Measurement verfügen (z. B. Pixel-Tracking)

2. Arbeiten Sie mit einem vertrauenswürdigen MMP zusammen, der sicherstellt, dass Ihre Daten akkurat sind, betrügerische Aktivitäten in Echtzeit erkannt werden und die Privatsphäre Ihrer Nutzer:innen in vollem Umfang geschützt ist. 

3. Gehen Sie Ihren Zahlen auf den Grund und stellen Sie kritische Fragen, um abnormale Verhaltensmuster aufzudecken: Entsprechen diese Installationen den Zuschauergewohnheiten in diesem Land oder auf dieser Plattform? Haben die Nutzer:innen die App sofort nach dem Herunterladen deinstalliert? Gibt es Schwankungen der App-Aktivitäten, die Ihnen ungewöhnlich erscheinen?

CTV-Monetarisierungsstrategie – Best Practices

CTV-Monetarisierungsstrategie - Best Practices

Gehen wir nun darauf ein, wie Sie eine Measurement-Strategie zur Wirksamkeit Ihrer CTV-Kampagnen entwickeln können:

1. Schritt: Prüfen Sie Ihre Daten

Gross Rating Points (GRP) ist eine weithin akzeptierte Kennzahl zur Messung der Effektivität traditioneller TV-Werbeeinkäufe, bei der Werbetreibende die Publisher auf der Grundlage ihrer jeweiligen Bewertungspunkte für diese Werbung bezahlen.

Allerdings handelt es sich hierbei nicht um eine Kennzahl, die die Verhaltensmuster Ihres CTV-Publikums vollständig ausnutzt. Hier sind einige Möglichkeiten, wie Sie die Wirksamkeit Ihrer Kampagne messen können:

  1. Post-View Website visit Attribution: Die Zuschauer:innen besuchen Ihre Website, nachdem sie eine CTV-Werbung gesehen haben.
  2. Online-Kauf Attribution: Der/Die Zuschauer:in hat einen Kauf auf Ihrer Website oder über CTV getätigt, nachdem er/sie eine Ad gesehen hat.
  3. Post-View-Conversions: Die Zuschauer:innen haben Ihre Mobile App installiert und einen Kauf über die App getätigt, nachdem sie eine CTV-Werbung gesehen haben.
  4. Foot Traffic Attribution: Omnichannel-Engagements und Käufe direkt nach Ansicht einer Ad.
  5. Offline-Conversion-Tracking: Measurement, wie oft eine Person eine Ad gesehen hat, bevor ein Kauf getätigt wird.
  6. Brand Lift/Markenbekanntheit: Ihre Marktpositionierung, gemessen daran, wie gut sich die Zuschauer:innen an Ihre Marke erinnern und sich mit ihr auseinandersetzen können, nachdem sie einen CTV-Spot gesehen haben.

Denken Sie daran, dass es nicht immer einfach ist, die Daten im Zusammenhang mit diesen Aktionen zu erfassen, daher ist es wichtig, einen bewährten Measurement-Partner zu finden, der diese Aufgabe für Sie übernimmt.

2. Schritt: Konzentrieren Sie sich auf Ihre Zielgruppe

Nutzen Sie die Power der Digitalisierung, indem Sie Ihre profitabelsten Zielgruppen identifizieren. Ein idealer Startpunkt wäre die Nutzung Ihrer aktuellen Zielgruppenlisten und die Erstellung von Lookalikes (ähnlichen Zielgruppen). Anschließend können Sie die Daten von Drittanbietern wie Interessen, demografische Daten, Geräte und geografische Standorte genauer analysieren.

Je granularer Sie vorgehen, umso stärker können Sie Ihre Reichweite ausdehnen, um Ihren Zuschauern relevante Botschaften zu vermitteln – und damit letztlich die Conversion von CTV-Kampagnen zu steigern.

3. Schritt: Ständig messen, bewerten, iterieren

Die Prinzipien einer erfolgreichen CTV-Kampagne sind die gleichen wie für alle anderen digitalen Werbekampagnen. Stellen Sie sicher, dass Sie stets messen, bewerten und optimieren, und nutzen Sie die gewonnenen Erkenntnisse und Daten, um Ihre Kampagnen kontinuierlich zu optimieren. 

Damit dies gelingt, sollten Sie den Einsatz eines MMP in Erwägung ziehen, der Ihnen hilft, Deduplizierungsprobleme zu lösen, Ad Fraud zu erkennen und Ihre Attribution präzise zu messen.

Das CTV-Zeitalter ist da: Die wichtigsten Erkenntnisse
Zusammenfassung

Zusammenfassung

  • OTT und CTV sind nicht dasselbe. Einfach ausgedrückt werden OTT-Inhalte mit CTV-Geräten angezeigt.
  • Im Jahr 2012 besaßen nur 38 Prozent der amerikanischen Haushalte ein CTV-Gerät. Im Jahr 2022 besitzen 87 Prozent der Haushalte mindestens ein CTV-Gerät.
  • Die Investitionen in CTV-Werbung boomen aufgrund ihrer effektiven Zielgruppenansprache und Measurement-Möglichkeiten auf Plattformen mit hohem Engagement.
  • Die Suche nach transparenten Werbepartnern und der Einsatz eines MMP sind der effektivste Weg zur Bekämpfung von Ad Fraud und katapultieren Ihre CTV-Werbe-Performance auf die nächste Stufe.

The post Das CTV-Zeitalter ist da: Der vollständige Guide für Connected TV appeared first on AppsFlyer.

]]>
Der AppsFlyer Performance Index: Die Länderausgabe https://www.appsflyer.com/de/resources/reports/country-performance-index-2023/ Mon, 03 Apr 2023 07:59:48 +0000 https://www.appsflyer.com/resources//der-appsflyer-performance-index-die-landerausgabe/ Country-Index, Die Länderausgabe

Mobile Apps haben den gesamten Globus im Sturm erobert. Für Marketingexperten bedeutet das zahlreiche Kampagnenoptionen, mit denen sie arbeiten können. Aber in welchen Ländern ist es empfehlenswert, zu starten? Und, ebenso wichtig, wo nicht? Der AppsFlyer Performance Index – Länderausgabe ist das erste Geo-basierte Ranking der Branche, das genau diese Frage beantwortet! Wir haben 18 […]

The post Der AppsFlyer Performance Index: Die Länderausgabe appeared first on AppsFlyer.

]]>
Country-Index, Die Länderausgabe

Mobile Apps haben den gesamten Globus im Sturm erobert. Für Marketingexperten bedeutet das zahlreiche Kampagnenoptionen, mit denen sie arbeiten können. Aber in welchen Ländern ist es empfehlenswert, zu starten? Und, ebenso wichtig, wo nicht?

Der AppsFlyer Performance Index – Länderausgabe ist das erste Geo-basierte Ranking der Branche, das genau diese Frage beantwortet!

Wir haben 18 Milliarden App-Installationen von fast 30.000 Apps analysiert und 9 Metriken zu Marktreichweite, Nutzerwert, Werbeausgaben und vor allem Marktdurchdringungspotenzial berücksichtigt, um neu zu entdeckende Märkte aufzuzeigen.

Was ist drin?

  • Märkte mit hoher und niedriger Performance in 13 Gaming-Genres und 24 Non-Gaming-Kategorien – für Android und iOS
  • Rankings für die Nutzerakquise- und Remarketing-Kampagnen
  • Exklusive Wachstumschancen und Vergleich der Kampagnen-Performance zwischen den Ländern

The post Der AppsFlyer Performance Index: Die Länderausgabe appeared first on AppsFlyer.

]]>
Der AppsFlyer Performance Index: 15. Ausgabe https://www.appsflyer.com/de/resources/reports/performance-index-15/ Tue, 27 Sep 2022 10:27:42 +0000 https:////www.appsflyer.com//?post_type=resource&p=252766

Das mobile Marketing-Ökosystem sah sich im ersten Halbjahr 2022 mit einigen erheblichen Turbulenzen konfrontiert. Zusätzlich zu den anhaltenden Herausforderungen beim Measurement und der Optimierung im Datenschutzzeitalter schlugen die Makrobedingungen hart zu: Ein Wirtschaftsabschwung, ein Krieg in der Ukraine und eine Abkühlung nach Covid im digitalen Bereich hatten gleichermaßen erhebliche Auswirkungen auf den Markt. In seiner […]

The post Der AppsFlyer Performance Index: 15. Ausgabe appeared first on AppsFlyer.

]]>

Das mobile Marketing-Ökosystem sah sich im ersten Halbjahr 2022 mit einigen erheblichen Turbulenzen konfrontiert.

Zusätzlich zu den anhaltenden Herausforderungen beim Measurement und der Optimierung im Datenschutzzeitalter schlugen die Makrobedingungen hart zu: Ein Wirtschaftsabschwung, ein Krieg in der Ukraine und eine Abkühlung nach Covid im digitalen Bereich hatten gleichermaßen erhebliche Auswirkungen auf den Markt.

In seiner 15. Ausgabe untersucht der AppsFlyer Performance Index – der seit 2015 die besten Medienquellen für mobile Werbung vergleicht –, wie sich diese einzigartigen Bedingungen auf den Markt ausgewirkt haben und liefert wichtige Erkenntnisse zum Marketing in Krisenzeiten.

Was ist drin?

  • SKAN (SKAdNetwork) Index, der In-App-Engagement, Käufe und Werbesignale beinhaltet
  • Detaillierte Rankings für Reichweite, Retention und Remarketing
  • Performance der Medienquellen für zustimmende iOS-Nutzer:innen im Vergleich mit nicht zustimmenden User-Segmenten
  • Ein tiefer Einblick in die Performance von Meta, Google, Apple Search Ads, TikTok, Snap, Unity Ads, ironSource und weiteren 500 Unternehmen
  • Unübertroffene Stichprobengröße: 19.000 Apps, 11 Länder und 40 App-Branchen

The post Der AppsFlyer Performance Index: 15. Ausgabe appeared first on AppsFlyer.

]]>
Die Affinitätsmatrix für Mobile Gaming-Genres – Jahresausgabe 2022 https://www.appsflyer.com/de/resources/reports/mobile-gaming-genre-affinity/ Mon, 26 Sep 2022 11:07:31 +0000 https://www.appsflyer.com/resources//die-affinitatsmatrix-fur-mobile-gaming-genres-jahresausgabe-2022/ mobile gaming genre affinity

Wissen Sie, wie viele Casual Spieler:innen auch Action-Games spielen? Oder ob Rollenspieler:innen Puzzle-Games spielen und welches das beliebteste andere Genre bei Social Casino-Spieler:innen ist? Die Verbindungen zwischen den 17 verschiedenen Gaming-Genres sind riesig, komplex und oft versteckt. Von der Diversifizierung des Portfolios über die Segmentierung bis hin zur Monetarisierung sind sie der Schlüssel zu wichtigen Entscheidungen […]

The post Die Affinitätsmatrix für Mobile Gaming-Genres – Jahresausgabe 2022 appeared first on AppsFlyer.

]]>
mobile gaming genre affinity

Wissen Sie, wie viele Casual Spieler:innen auch Action-Games spielen? Oder ob Rollenspieler:innen Puzzle-Games spielen und welches das beliebteste andere Genre bei Social Casino-Spieler:innen ist?

Die Verbindungen zwischen den 17 verschiedenen Gaming-Genres sind riesig, komplex und oft versteckt. Von der Diversifizierung des Portfolios über die Segmentierung bis hin zur Monetarisierung sind sie der Schlüssel zu wichtigen Entscheidungen für Entwickler- und Marketer:innen gleichermaßen.

Um diese Daten auszuwerten, haben wir die Gaming-Genre-Affinitätsmatrix erstellt, die auf einer Analyse von über 200 Millionen Geräten basiert.

Was ist drin:

  • Globale und Plattform-Level-Matrix
  • Daten zu den wichtigsten Märkten weltweit
  • Eine Plattformübersicht in starken iOS-Märkten
  • Tipps, wie sich Genre-Affinitätsdaten im Marketing nutzen lassen

The post Die Affinitätsmatrix für Mobile Gaming-Genres – Jahresausgabe 2022 appeared first on AppsFlyer.

]]>
Willkommen im Dschungel – Ihr ultimativer Guide für die CTV-Werbung https://www.appsflyer.com/de/resources/guides/ctv-advertising/ Thu, 15 Sep 2022 06:28:00 +0000 https://www.appsflyer.com/resources//willkommen-im-dschungel-ihr-ultimativer-guide-fur-die-ctv-werbung/ CTV advertising guide - featured

The post Willkommen im Dschungel – Ihr ultimativer Guide für die CTV-Werbung appeared first on AppsFlyer.

]]>
CTV advertising guide - featured
Einleitung

Haben Sie sich schon einmal ohne eine Karte auf Schatzsuche begeben? Dies ist so ziemlich das, was passiert, wenn Mobile Vermarkter:innen versuchen, in den dichten Dschungel der CTV-Werbung einzutreten, ohne Planung oder eine solide Strategie zu haben. 

Jeder will ein Stück vom Kuchen bekommen und die Belohnungen sind äußerst verlockend, aber ohne die Rolle jedes einzelnen Spielers in diesem wilden Ökosystem, die verschiedenen Optionen, die Ihnen zur Verfügung stehen, und die bewährten Verfahren für erfolgreiche App-Kampagnen zu kennen, werden Sie sich wahrscheinlich verirren.

Es ist schließlich ein Dschungel da draußen. Betrachten Sie also diesen Guide hier als Ihre Karte. Pinnen Sie ihn zu Ihren Favoriten und nutzen Sie ihn als Anlaufstelle für alles, was mit der Werbung für Ihre App auf CTV zu tun hat.

Und wie immer, bevor wir mit all den neuen Dingen starten, starten wir mit dem Wichtigsten, dem „Warum“.

CTV-Guide für Werbebeitreibende - 1. Kapitel: Warum CTV
1. Kapitel

Warum ist CTV für Ihre Brand wichtig?

Die Ausgaben für CTV-Anzeigen sind in den letzten Jahren stetig gestiegen, und das Potenzial, das sie für Werbetreibende mit sich bringen, ist immens. 

Als Werbetreibender haben Sie sich wahrscheinlich schon mit dem Thema beschäftigt und vermuten, dass Sie es versuchen sollten. Aber wo soll man anfangen? Was müssen Sie beachten, bevor Sie beginnen? Und was kommt nach der Ausführung Ihrer sorgfältig geplanten CTV-Kampagne auf Sie zu?

Die Klärung dieser Fragen ist ein entscheidender Schritt, um sicherzustellen, dass Ihr Tauchgang in den Gewässern der CTV-Werbung gut geplant ist, und dieser Leitfaden gibt Ihnen die praktischen Werkzeuge und Erkenntnisse an die Hand, die Sie dafür benötigen.

Machen Sie sich bereit, mehr über das hochdynamische Ökosystem zu erfahren, an dem Sie teilnehmen werden, was Sie bei der Vorbereitung zum Start Ihrer Kampagne beachten sollten, die ersten Schritte, die Sie unternehmen müssen, bevor Sie auf „Start“ klicken, und was Sie in Bezug auf die Kampagnen-Performance erwarten können.

Immer noch nicht ganz überzeugt? Lesen Sie noch ein wenig weiter.

Hier finden Sie eine unvollständige Liste der Gründe, warum Sie CTV-Kampagnen in Ihren Marketing-Mix aufnehmen sollten:

  • Die überwiegende Mehrheit Ihrer potenziellen Kundinnen und Kunden besitzen CTV-Geräte und interagieren mit ihnen über mehrere Plattformen und Geräte hinweg, und Sie sollten dort sein, wo Ihre Zielgruppe ist.
  • CTV bietet ein besseres Targeting und eine bessere Zielgruppensegmentierung und Anzeigengestaltung. Wenn Sie wissen, wer Ihre Anzeige ansehen wird, können Sie hochgradig personalisierte und äußerst effektive Kampagnen erstellen, die zu Ergebnissen führen. 
  • CTV bietet die Möglichkeit, wirkungsvolle lokalisierte Anzeigen für ein effizientes Engagement zu erstellen. 
  • CTV bietet niedrigere Eintrittsbarrieren als lineares Fernsehen.
  • CTV ermöglicht den Zugriff auf ein umfassenderes, granulares und genaueres Reporting als lineares Fernsehen. 
  • CTV-Anzeigen haben eine hohe Abschlussrate und Sichtbarkeit.
  • CTV-Anzeigen gelten als erstklassig in Bezug auf Qualität und Zuschauer:innen-Erfahrung.
CTV-Guide für Werbebeitreibende - 2. Kapitel: Anzeigenformate und das Ökosystem
2. Kapitel

CTV, Anzeigenformate und das Ökosystem – Der Sinn dahinter

Wo kann ich meine Anzeigen schalten?

Das Wichtigste zuerst. Wenn wir über Werbung auf CTV sprechen, beziehen wir uns eigentlich auf Werbung auf OTT (Over the Top) Apps, die auf einem CTV-Gerät installiert sind, und CTV-Plattformen, die Anzeigen schalten. 

Die Differenzierung ist hier wichtig, denn Marketer:innen können Anzeigen auf Streaming-Diensten (OTT) schalten, die nicht auf CTV-Geräten wie auf Smartphones oder Desktops angezeigt werden. 

Lassen Sie es uns aufschlüsseln:

OTT – Over-the-Top-Online-Video-Streaming-Anbieter

OTT ist auf mehreren Plattformen verfügbar – wie PC, Smart TV, Handy, Gaming-Konsolen und Streaming-Boxen (wie AppleTV, Amazon Fire und Mii-Box, Chromecast und Roku).

Mit anderen Worten, OTTs sind die Streaming-Apps, die Zuschauerzahlen haben. Einige bieten eine abonnementbasierte Zuschauerzahl und andere sind werbebasiert und bieten Werbetreibenden Inventarmöglichkeiten für die Schaltung ihrer Anzeigen (z. B. AVOD und Freunde. Siehe 2. Kapitel unseres CTV-Guides, um mehr darüber zu erfahren).

Im Rahmen dieses Guides bezieht sich OTT nicht nur auf Video on Demand, sondern auch auf Live-Streaming-Shows wie Nachrichtensendungen und Sportübertragungen.

CTV – Connected TV

Ein CTV ist im Wesentlichen ein Fernseher, der sich mit dem Internet verbindet oder ein Gerät verwendet, um dies zu tun. Diese Kategorie umfasst Smart-TVs, Spielekonsolen und Streaming-Boxen, die alle als Plattform dienen, auf der Streaming-Apps (OTT) ausgeführt werden.

Allerdings zeigen viele CTV-Plattformen Ihre Anzeige auch auf ihren Geräten (z. B. auf ihrem Startbildschirm) an, im Gegensatz zu dem OTT-Dienst, den sie aktivieren (z. B. zwischen Streaming-Inhalten).

Kurz gesagt, stellen Sie sich OTT als den Content-Service vor, der auf einem CTV-Gerät streamt.

AppsFlyer Lösung: Meistgesehene CTV-Marken
Convivas Stand des Streamings (Q1 2022)

Welche Art von Anzeigen sind für Sie verfügbar?

1 – In-Stream-Videoanzeigen

Die häufigste Kategorie, In-Stream-Videoanzeigen, sind auf allen Plattformen verfügbar und integrieren sich in gestreamte Inhalte, während sie angesehen werden. 

Videoanzeigen sind in der Regel 15-30 Sekunden lang und können entweder Pre-Roll, Mid-Roll oder Post-Roll sein – jede mit ihren eigenen Vor- und Nachteilen.

Vorteile
  • Normalerweise nicht überspringbar und kann durch Betrachter:innen nicht entfernt werden. 
  • Akzeptiert von ehemals linearen TV-Zuschauern, da sie bereits mit dem Format vertraut sind.
Nachteile
  • Begrenzt auf eine maximale Länge von 60 Sekunden (längere Versionen gibt es, werden aber nicht empfohlen).
  • Kann neben mehreren anderen Anzeigen erscheinen (ähnlich einer Werbepause).

2 – Interaktive Videoanzeigen

Eine Kombination aus nativen und dynamischen Anzeigen, interaktive Videoanzeigen gibt es in verschiedenen Formen wie Canvas mit einem QR-Code, ein Overlay, während der gestreamte Inhalt angesehen wird, oder Mid-/End-Karten.

Vorteile
  • Ermutigt Nutzer:innen, mit ihrer Fernbedienung oder Handy zu handeln.
  • Kann zusätzliche Engagement-Daten bereitstellen (z. B. Anzeigenklicks und Klicks auf den Call-to-Actions in der Anzeige).
Nachteile
  • Nicht auf allen Plattformen verfügbar.
  • Möglicherweise ist eine weitere Entwicklung im Creative erforderlich. 
  • Kostet in der Regel mehr.
Wo finde ich ein Beispiel für eine interaktive Videoanzeige?

Obwohl nicht so verbreitet wie In-Stream-Videoanzeigen, sind interaktive Videoanzeigen immer noch auf programmatischen Plattformen wie Rakuten und Innovid, direkte Plattformen wie Warner Media, Roku und Amazon sowie Plattformangeboten wie Amazon Fire TV Stick verfügbar (mehr zu den Arten von Plattformen unten).

3 – Display-Anzeigen (Startbildschirm-Platzierung / Inline-Platzierung)

Diese werden häufig auf dem Startbildschirm der CTV-Plattform oder als Overlay angezeigt, während der Inhalt der Wahl gestreamt wird. Display-Anzeigen sind in der Regel kleiner, um nicht zu viel Bildschirmfläche zu beanspruchen.

Vorteile
  • Keine Längenbegrenzung wie In-Stream-Videoanzeigen.
  • Erreichen Sie eine breitere Zielgruppe, wenn sie direkt auf der Plattform angezeigt werden, da sie allen Nutzern angezeigt werden – anstatt Zuschauenden, die nur bestimmte Inhalte streamen.
Nachteile
  • Begrenzter Platz, der oft nicht den gesamten Bildschirm einnimmt, was kompakte Messages erfordert, die nur aus einem kurzen Einzeiler und einem CTA bestehen.
  • Die Anzeige ist statisch und bietet daher ein begrenztes immersives Erlebnis.
  • Nicht auf allen Plattformen verfügbar und in der Regel auf bestimmte Plattformen beschränkt, die Display-Inventar anbieten – was zu einem teureren Preis führen könnte.

Wie kann ich meine Anzeigen auf CTV/OTT schalten?

Wie kann man CTV Werbung schalten?

Als Werbetreibender sind Sie bereits mit dem Kauf von Medien vertraut und haben möglicherweise bereits zuvor Videoanzeigen Inventar gekauft. Die meisten Anzeigen waren jedoch nicht auf CTV (Anzeigen auf YouTube, Videoanzeigen auf bestimmten Websites oder sogar auf Games in mobilen Apps).

Die gute Nachricht ist, dass die Display-Möglichkeiten für CTV-Anzeigen sich nicht sehr unterscheiden:

Drei Hauptwege, um Inventar zu kaufen:

1 – Programmatisch

DSPs und Werbenetzwerke sind oft der einfachste Weg für Neulinge der CTV-Werbung, um zu starten.  

Warum? In erster Linie wegen ihrer:

  • Großen Reichweite über Plattformen hinweg
  • Niedrigeren Mindestausgaben
  • Günstigeren Cross-Screen-Blended-CPMs (z. B. CTV & Mobile Video)
  • Verfeinerten Zielgruppensegmentierung
  • Erweiterten Reporting-Optionen (z. B. Reporting auf Plattform- / Publisher-Ebene und geräteübergreifende)

Obwohl Drittanbieter-Daten und Private Marketplace (PMP) -Deals eine Vielzahl von Nischen-Targeting-Optionen bieten können, kann das Targeting in der Regel nicht auf Programm- oder Plattform-Ebene garantiert werden. 

Beachten Sie, dass programmatische Anzeigenformate in der Regel auf nicht anklickbare Videos beschränkt sind (z. B. In-Stream-Videoanzeigen). Dies liegt daran, dass CTV-Plattformanbieter die Schlüssel zu Homepage-Platzierungen und anklickbaren Display-Formaten haben. 

Folgend ein paar Worte zu Managed vs. Self-Service-programmatischen Plattformen:

Programmatische Self-Service-Werbeplattformen

Sind genau das, wonach sie klingen. Sie melden sich an, um auf die Plattform zuzugreifen und haben 100 Prozent Kontrolle über Ihre Anzeigenkäufe. 

Bei diesen Plattformen handelt es sich in der Regel um Demand-Side-Plattformen (DSPs), die Zugriff auf Werbekanäle, Publisher usw. gewähren, mit Beispielen wie MNTN, Vibe.co, TvScientific, Taboola und AdRoll.

Mit direktem Zugriff können Sie Ihre Kampagne in Echtzeit von Anfang bis Ende verfolgen und alle Anpassungen vornehmen, die Sie für richtig halten, wie Keywords oder Creative Optimierungen.

Bei einem programmatischen Self-Service-Service haben Sie die Kontrolle über die Einrichtung der Anzeigen, die Strategie, die Gebote, die kanalübergreifende Planung, die Optimierung und das Performance-Tracking.

Vorteile

  • Volle Kontrolle und Transparenz
  • Alles, was Sie intern tun müssen, sind Strategie, Ausführung und Analyse 
  • Kostengünstig – Keine Management-Gebühren und in der Regel niedriges oder kein Mindestbudget erforderlich
  • Schnell und einfach einzurichten – Sie können Ihre Kampagne in wenigen Minuten live schalten

Nachteile

  • Steile Lernkurve
  • Erfordert Vollzeit-Inhouse-Engagement
  • Spezifische Targeting-Optionen sind nur für verwaltete programmatische Dienste verfügbar

Managed programmatische Werbeplattformen

Diese Option bietet Ihnen ein Drittanbieter-Team, das als eigene Erweiterung fungiert und Ihre programmatischen Kampagnen verwaltet und betreibt. Managed Services sind Ihre ideale Wahl, wenn Sie ausgelagertes Fachwissen und Sicherheit benötigen.

Sie sind immer noch für Ihr Branding, Ihre Creatives und Ihre Strategie verantwortlich, aber Sie arbeiten mit der Agentur zusammen, um eine Kampagne zu planen, die auf Ihren Zielen, Ihrer Zielgruppe, Ihrem Budget und Ihren bevorzugten Kanälen basiert. Sobald alles finalisiert ist, übernimmt die Agentur das Tagesgeschäft Ihrer digitalen Anzeigen.

Beispiele hierfür sind Vibe.co und TvScientific, die beide zusätzlich zu ihrem Self-Service-Plan eine Managed-Werbeplattform-Option anbieten.

Vorteile

  • Strategische Empfehlungen und zugeschnittenes Reporting
  • Zugriff auf exklusives Inventar- und Segmentierung
  • Keine Lernkurve – Anbieter sind mit Best Practices bestens vertraut
  • Zugriff auf Insights über den Traffic-Muster, Benchmarks und Creatives Do’s und Don’ts

Nachteile

  • Der Start einer Kampagne dauert in der Regel länger (ca. drei Tage)
  • Beinhaltet eine Management-Gebühr zusätzlich zu einem höheren Werbebudget 
  • Um Anpassungen einzuführen, müssen Sie sich an den Anbietenden wenden
2 – Plattform Direkt

Sie können Anzeigen auch direkt von CTV-Plattformen kaufen, auf denen Zuschauer:innen Zugriff auf eine Vielzahl von Streaming-Apps (OTTs) erhalten. 

Dies kann manchmal zu niedrigeren Preisen und mehr Platzierungsoptionen führen. Amazon Fire TV und Roku bieten beispielsweise anklickbare Display-Banner, die tendenziell niedrigere eCPIs ergeben als eine typische Mid-Roll-Anzeige. 

Denken Sie jedoch daran, dass jede CTV-Plattform ihre eigenen Spielregeln hat. Smart-TV-Partner wie Samsung Ads und Inscape bieten beispielsweise native Platzierungen über lineares Fernsehen sowie CTV an.

3 – Publisher Direct

Im Fall von “Publisher-Direct” erfolgt der Ad Exchange direkt mit dem OTT-Dienstleister.

Mit direkt meinen wir, dass OTT-Werbung Ihnen mehr Kontrolle darüber gibt, wo Ihre Anzeigen platziert werden, mit garantierter Platzierung in bestimmten Programmen oder Kanälen und mit Premium-Werbespots, die sonst nicht immer für SSPs verfügbar sind (z. B. Hulu, Fox Now). 

Auf der anderen Seite können Publisher-Direct auch kostspielig sein, Ihnen eine begrenzte Reichweite bieten und Wettbewerbsbeschränkungen durch einige CTV-Apps (z. B. die Auswahl von Werbetreibenden) mit sich bringen.

CTV Übersicht
CTV-Guide für Werbebeitreibende - 3. Kapitel: Checkliste vor dem Start einer CTV-Kampagne
3. Kapitel

Erste Schritte – Ihre Checkliste und Guidelines vor dem Start einer CTV-Kampagne

Nachdem wir die Grundlagen geklärt haben, geht es nun um das „Wie“. Hier finden Sie alles, was Sie wissen müssen, bevor Sie Ihre neue CTV-Kampagne starten – von der Planung bis zur Ausführung:

1. Schritt – Creative

Viele Marken neigen dazu, endlos an ihren Creatives zu arbeiten, was hohe Kosten und unzählige Arbeitsstunden mit sich bringt. 

Aber Vorsicht – Obwohl Creatives auf jeden Fall wichtig sind, ist es genauso wichtig, genügend Ressourcen für die Perfektionierung Ihrer Strategie, Performance-Measurement und Kampagnenoptimierung bereitzustellen.

Top 5 Tipps aus der Praxis für gute Creatives

# 1 – Fassen Sie sich kurz und knackig

Trotz der Tatsache, dass CTV-Anzeigen nicht überspringbar sind, sollten Sie sich an Ihre Kernmaussagen halten und in 30 Sekunden ein sorgfältig geplantes Creative in Premium-Qualität zusammenstellen.

„30-Sekunden-Anzeigen sind optimal für die Steigerung der Conversions und führen zu einer 24-prozentigen besseren Conversion-Performance im Vergleich zur durchschnittlichen CVR.“

MNTN

Profi-Tipp – Bringen Sie Ihre stärksten Messages am Anfang des Video. Stellen Sie sich das so vor: Wenn Sie Ihr 30-Sekunden-Video nach 15 Sekunden schneiden müssten – wäre Ihre Kernaussage immer noch da?

# 2 – Fügen Sie visuelle und verbale CTAs hinzu

Im Gegensatz zu mobilen Geräten, bei denen einige Inhalte stummgeschaltet werden (Zum Beispiel bei Videoanzeigen während eines Games), sehen TV-Zuschauer:innen Ihre Anzeige mit voller Lautstärke.

„Um das Beste aus der visuellen und akustischen Kraft des TV-Formats herauszuholen, stellen Sie sicher, dass Ihr Logo in der gesamten Anzeige deutlich sichtbar ist, mit einem einzigen, klaren CTA, der sowohl visuell als auch im Voice-Over erscheint.“

Vibe.co
# 3 – Lassen Sie sich von Ihren Kampagnen-Ergebnissen den Weg weisen (und sparen Sie Zeit)

Wir wissen, wie schwierig es ist, sich kopfüber in die TV-Werbung zu stürzen, wenn das Terrain unbekannt ist, zu viele Online-Ratgeber versuchen, Sie mit Hacks zu überschütten, und kostbares Budget auf dem Spiel steht.

Viele Marketer:innen verschwenden ihre Zeit mit der Planung und Gestaltung des perfekten Creatives, verschwenden dabei aber wertvolle Zeit, die in das tatsächliche Testen ihrer Kampagnen investiert werden könnte – und lassen die Ergebnisse für sich selbst sprechen.

Der wertvollste Tipp, den wir teilen können, ist: Optimieren Sie die Creatives Ihrer Kampagne, nachdem sie live geschaltet wurde, sobald Performance-Daten verfügbar sind. Berücksichtigen Sie dabei Folgendes:

  • Es ist in Ordnung, vorhandene Creatives zu nutzen
    Nutzen Sie Ihre Social-Media-Creatives für Ihre Videoanzeigen. Solange Ihr Format den CTV-Formatanforderungen entspricht, können Sie loslegen.
  • Testen Sie Ihre Creatives
    OTT / CTV als Performance-Werbekanal unterscheidet sich in Bezug auf Targeting und Tests nicht wesentlich von denen, mit denen Sie bereits vertraut sind. 

    Planen Sie nicht die perfekte Creative, bevor Sie Ihre Kampagne starten. Führen Sie A/B-Tests mit Versionen durch, vorzugsweise basierend auf Konzepten, die bereits auf anderen Kanälen funktioniert haben, um herauszufinden, was bei Ihrer Zielgruppe am besten funktioniert hat.

„Entwerfen Sie mehrere Iterationen jedes kreativen Konzepts und testen Sie dann jedes in freier Wildbahn anhand der jeweiligen Zielgruppe. Die Ergebnisse des Tests zeigen, welches Werbe-Creative am effektivsten abschneidet, und helfen Ihnen, das Beste aus jeder Kampagne herauszuholen, auch ohne große Vorabinvestitionen.“

TvScientific
  • Personalisieren Sie Ihr Customer Experience (CX)
    CTV-Werbung ermöglicht Targeting-Funktionen, die zuvor auf dem großen Bildschirm nicht verfügbar waren – von der Tageszeit/Woche, Standorten und sogar Interessengruppen – also stellen Sie sicher, dass das Aussehen, der Sound, das Gefühl und das Messaging des Creatives diese bestimmte Zielgruppe widerspiegeln.
    Setzen Sie in Ihrem Creative eine Zielgruppenstrategie ein. Nutzen Sie beispielsweise ein sportorientiertes Creative auf einem Sportkanal.
# 4 – Nutzen Sie QR-Codes
CTV QR-Code Werbung

Dies ist eine der am häufigsten übersehenen Möglichkeiten, die bei CTV-Anzeigen genutzt werden können, obwohl sie eine der einfachsten ist.

Das Platzieren eines QR-Codes in Ihrem Creative bietet mehrere Vorteile:

  • Engagement Ihres Publikums, das normalerweise bereits ein Smartphone beim Fernsehen in der Nähe hat.
  • Bereitstellung einer kontextbezogenen Erfahrung durch Deep Links, die Ihre Nutzer:innen direkt und nahtlos dorthin bringen, wo sie in Ihrer App sein müssen.
  • Bereitstellung besserer Attributions- und Measurement-Möglichkeiten – Daten für QR-Scans, Installationen und App-Verhalten können in spezifische CTV-Werbekampagnen eingebunden werden.
# 5 – Helfen Sie den Zuschauern, Ihre App zu finden

Seien Sie so direkt wie möglich, wenn es darum geht, Ihre App zu bewerben. Zeigen Sie den Zuschauern, wie einfach es ist, sie in App Stores zu finden, indem Sie den Namen Ihrer App anzeigen, der in ein Suchfeld eingegeben wird.

„Fügen Sie in der gesamten Anzeige eine dauerhafte URL in der unteren linken oder rechten Ecke ein, damit die Zuschauer:innen nicht nach Ihrer Website suchen müssen.“

MNTN
Bonuspunkt: Keine Zeit? Keine Creatives? Kein Problem. Nutzen Sie die Services von CTV-Werbeplattformen

Viele Werbeplattformen bieten interne Creative-Services an oder arbeiten sogar mit Video-Agenturen zusammen, die Creative-Services anbieten. Dies kann in Form der Bereitstellung ihres Know-Hows und ihrer Expertise erfolgen, um auf Ihre Kampagne zugeschnittene Creatives zu erstellen, oder Sie mit vertrauenswürdigen Partnern zu verbinden.

Zusätzliche Kosten können mit solchen Services verbunden sein (aber nicht immer, da sie in den Medienausgaben der Kampagne gebündelt werden könnten). Dennoch können diese Dienste zeitkritischen oder ressourcenintensiven Werbetreibenden eine Menge Aufwand ersparen, so dass es sich lohnt, sie bei der Strategieplanung Ihrer Kampagne zu berücksichtigen.

CTV-Guide für Werbebeitreibende - 4. Kapitel: Intelligente Segmentierung / Zielgruppen
4. Kapitel

Intelligente Segmentierung / Zielgruppen

Traditionell konzentrierten sich Werbetreibende im linearen Fernsehen auf programmbasierte Einkäufe. Wenn es jedoch um die Bereiche CTV geht, bringt die Verfügbarkeit intelligenterer Plattformen viele ansprechende Targeting-Möglichkeiten mit sich. 

Wenn Sie bereits wissen, was für Sie auf anderen UA-Kanälen funktioniert, ist dies ein guter Ausgangspunkt. Jetzt müssen Sie nur noch berücksichtigen, dass es bestimmte Nuancen gibt, die bei der Ausrichtung von CTV auf Ihre digitalen Medien zu berücksichtigen sind. 

In erster Linie sind Sie als Mobile-Marketer:in wahrscheinlich daran gewöhnt, auf CPI-Basis über Run-of-Network-Partner zu arbeiten. Bei CTV beschränken sich die Preismodelle jedoch in der Regel auf CPM oder eine Pauschalgebühr.

Darüber hinaus ist die Nutzung von Daten auf Nutzer:innen-Ebene aus Ihrem DMP oder MMP für Lookalike-Zielgruppen und Remarketing ein schneller Gewinn, um die Zielrelevanz kostenlos zu erhöhen. Sie können auch in Betracht ziehen, ein paar grundlegende 3rd-Party-Filter hinzuzufügen, abhängig von den damit verbundenen Kosten. 

Beachten Sie auch, dass die Targeting-Möglichkeiten je nach MMP Ihrer Wahl leicht variieren können. 

Hier sind die sechs häufigsten Targeting-Optionen und was Sie damit tun sollten:

1 – Geolokalisierung

Die Geolokalisierung kann genutzt werden, um lokal zugeschnittene Anzeigen in großem Maßstab zu schalten. Beispielsweise kann eine E-Commerce-Marke eine Anzeige schalten, die Artikel enthält, die häufiger in kälteren Regionen gekauft werden, während andere Artikel für Strandstädte genutzt werden.

2 – Demographie

Binden Sie Zielgruppen mit ein, die für Sie relevant sind. Abhängig von der Plattform kann Ihre Segmentierung auf einer Vielzahl von demografischen Merkmalen basieren – einschließlich Geschlecht, Alter und bevorzugten Genres (z. B. Action, Reality-TV usw.).

3 – Plattform-Targeting

Ermöglicht es Ihnen, einen bestimmten CTV-Plattformanbieter anzusprechen, der das OS-Targeting garantiert – wie Roku, FireTV, Android TV, Apple TV, Chromecast, PlayStation und XBOX.

4 – Kontextbezogenes Targeting

In diesem Fall segmentieren Sie Ihr Publikum auf  Grundlage der am häufigsten konsumierten Inhalte oder des Inventars. 

Kontextbezogenes Targeting ähnelt den Identifikatoren, die App-Publisher normalerweise nach Genre, Kanal oder Kontext bereitstellen würden, wodurch Sie ein personalisiertes Erlebnis erstellen können, das die Performance Ihrer Kampagne weiter verbessert.

Definieren Sie zunächst, was Ihre Zielgruppe ausmacht, und legen Sie darauf basierend die relevanten Inhalte für Ihre Anzeige fest. Konzentrieren Sie sich beispielsweise auf Nachrichtensendungen, wenn Sie finanzbezogene Produkte haben, oder auf Familiensendungen, wenn Sie Konsumgüter anbieten.

5 – OTT / Kanal-Targeting

Ähnlich wie beim kontextuellen Targeting können sich Vermarkter:innen auch auf bestimmte OTT-Apps / -Kanäle konzentrieren oder diese vermeiden. 

Zum Beispiel wird eine Finanz-App wahrscheinlich nicht von der Anzeige auf dem Discovery Channel profitieren, während Nachrichtenkanäle einen viel höheren ROI erzielen würden.

Sobald Ihre Kampagne live ist, denken Sie daran, dass Sie die Performance pro Kanal beobachten sollten. Das Testen verschiedener Segmente und die entsprechende Optimierung wird sich als sehr nützlich erweisen, wenn Ihre Kampagne voranschreitet und Sie erfahren, was für Sie am besten funktioniert.

Sie können mehrere OTT / Kanäle gruppieren, um eine allgemeine Zielgruppe zu erreichen, oder sich auf bestimmte Kanäle konzentrieren, um eine spezifischere Zielgruppe zu erreichen.

Wichtiger zu beachtender Punkt: Auf der einen Seite garantiert Ihnen die direkte Zusammenarbeit mit einem OTT-Publisher, dass Sie Premium-Werbespots erreichen, aber auf der anderen Seite wird es Sie wahrscheinlich mehr kosten. 

Um Ihre Investition zu maximieren, identifizieren Sie, welcher OTT-Publisher die besten Ergebnisse liefert und verdoppeln Sie den Kauf von Premium-Werbespots direkt von diesem Publisher.

6 – X-Party-Daten

  • Daten auf 1st-Party- und User-Ebene
    Kostenlos und verfügbar. Warum nutzen Sie nicht Ihre eigenen Daten, um Ihre spezifischen Zielgruppen zu erreichen oder Lookalike-Listen erstellen zu können? 

    Im Gegensatz zu mobilen Apps, die von Apples Einführung der ATT-Bombe, stark betroffen waren und sind, wird der Zugriff von CTV-Werbetreibenden auf Daten auf Nutzer:innen-Ebene weniger behindert. 

    Dies bedeutet, dass die gesuchte Granularität für die intelligente Zielgruppensegmentierung und das Performance-Measurement immer noch weitgehend verfügbar ist.

„Wenn eine App an Beliebtheit gewinnt, kann es schwierig sein sicherzustellen, dass ein bestimmtes Budget nur neue Nutzer:innen erreicht, um einen inkrementellen Wert zu erzielen. Wenn Sie First-Party-Daten verwenden, sollten Sie Ihre aktive Nutzer:innen-Basis ausschließen und potenzielle Nutzer:innen ansprechen, die Ihre App noch nicht haben.“

Vibe.co
  • 2nd- und 3rd-Party-Daten
    Zusätzlich zur internen Datenerfassung sind einige CTV-Plattformen mit großen Datenbanken verbunden, die 2nd- und 3rd-Party-Daten enthalten, die eine schnelle und einfache Segmentierung und Interaktion der Zielgruppe ermöglichen.

Best Practices, Tipps und Tricks für Smart Targeting

CTV-Werbung: Best Practices, Tipps & Tricks für Smart Targeting

1 – Behalten Sie Premium-Streaming-Inhalte im Auge

Neueste Untersuchungen von TVision zeigen, dass neue Premium-Inhalte, die auf verschiedenen Streaming-Kanälen veröffentlicht werden, zu einer Erhöhung der Gesamtzeit der Zuschauer:innen auf der Plattform führen. 

Angesichts der Zeit-, Datums- und OTT-Targeting-Möglichkeiten können Marketer:innen ihre Kampagnen automatisieren, um ihre Anzeigen kurz nach dem Veröffentlichungsdatum von Premium-Shows anzuzeigen, oder performance-starke Anzeigen skalieren, um in einem kurzen Zeitraum ein breiteres Publikum zu erreichen.

2 – Programmbasiertes Targeting

Stellen Sie sicher, dass Ihre Anzeigen die relevanteste Zielgruppe erreichen, es sei denn, Sie werben für allgemeine Produkte oder Dienstleistungen. Es gibt keine Notwendigkeit, zu mutig zu sein oder zu viele verschiedene Programme und Kanäle anzusteuern. 

Halten Sie es einfach und fokussiert. Wenn Sie eine Sport-App haben – zielen Sie auf ESPN oder Sportshows.

3 – Werbefrequenz

Wenn Sie Ihre Zielgruppe zu oft ansprechen, wird es sich wahrscheinlich negativ auf Ihre Markenwahrnehmung auswirken. Als Mittelweg empfehlen wir, die Anzeige-Frequenz auf maximal drei pro Tag zu begrenzen.

4 – KPI-basierte Optimierung

Viele Netzwerke und SRNs (Self-Reporting Networks), die Ihre CTV-Kampagnen verwalten, ermöglichen es Ihnen, Ihre Kampagnenziele beim Start festzulegen. 

Das bedeutet, dass die Algorithmen der SRNs Kampagnen optimieren können, wenn Ihre Kampagnen live gehen und Performance-Daten einfließen, um voreingestellte Ziele wie ROAS, eCPA, Kosten pro Session und Cost per completed view zu erreichen (mehr zu KPIs weiter unten). 

Infolgedessen werden Ihre Anzeigen basierend auf den performance-stärksten Geos oder anderen Targeting-Elementen geschaltet, mit denen Sie Ihre KPI-Ziele erreichen können.

Wenn es beispielsweise Ihr Ziel ist, eine reine Performance-Kampagne zu starten, wäre ein ROAS- oder CPA-basiertes Ziel ideal. Dadurch wird sichergestellt, dass Ihre Kampagne die Zuschauer:innen priorisiert, die mit größerer Wahrscheinlichkeit interagieren und konvertieren.

„Das Erreichen einer hohen Reichweite ist nicht entscheidend, wenn diese Zuschauer Ihre App nicht installieren. Stellen Sie sicher, dass Sie die richtigen Zuschauer erreichen, nicht unbedingt die meisten Zuschauer, um den ROAS zu maximieren.“

TvScientific

5 – Remarketing – CTV als Omnichannel-Strategie

Sie können Nutzer:innen, die Ihre Anzeige auf ihrem Fernseher angesehen haben, mit personalisierten mobilen Nachrichten oder zusätzlichen Nachrichten, die dort weitermachen, wo die ursprüngliche Anzeige „aufgehört hat“, erneut ansprechen. 

Bei der Zusammenarbeit mit programmatischen Plattformen können die meisten Partner solche Kampagnen für Sie durchführen und Zuschauern über zusätzliche Medienkanäle Remarketing zukommen lassen.

Im Gegensatz zu kopierten Inhalten über Ihre Kanälen hinweg, führen Messages, die die Story fortsetzen, die Sie in Ihren CTV-Anzeigen eingeführt haben, zu einem höheren Engagement und weniger Werbemüdgkeit.

6 – Rückkehr zur Zielgruppen-First-Strategie

Werbung auf OTT/CTV sollte mit einer digitalen Denkweise erfolgen. Überlegen Sie bei mehreren Anzeigen und Kampagnen, wie jede eine andere Zielgruppe bedient. Im Idealfall sollte es sich so anfühlen, als sei es für diese spezielle Zielgruppe maßgeschneidert worden, um ein personalisiertes Erlebnis zu bieten, das später zu einer höheren Conversion führen kann. 

Stellen Sie dann sicher, dass sich Ihre Marketingstrategie um Ihre Zielgruppe dreht.

Unter der Annahme, dass unterschiedliche Kampagnen auf unterschiedliche Zielgruppen abzielen, hilft Ihnen die Kampagnen-Segmentierung zu verstehen, wie sich die Performance basierend auf den einzelnen Zielgruppen-Segmenten entwickelt. 

Ausgestattet mit dieser Feedback-Schleife können Sie ihre Wirksamkeit messen und bei Bedarf neue Strategien ausprobieren.

CTV-Guide für Werbebeitreibende - 5. Kapitel: Budget
5. Kapitel

Budget

Viele Plattformen erfordern ein Mindestbudget, um eine Kampagne zu starten, das 500 Euro betragen oder bei 15.000 Euro beginnen kann – in letzterem Fall umfasst es Kampagnentests und die Erkenntnisse darüber, was funktioniert und was nicht.

Art und Länge Ihrer Anzeige, Targeting-Optionen und Zielgruppenstrategie wirken sich stark auf Ihre CPM-Kosten aus. Wenn Sie beispielsweise Ihre Zielgruppe in Spitzenzeiten ansprechen, steigen die Kosten, da die CPMs entsprechend der Nachfrage steigen. 

Denken Sie daran, dass bei der ersten Ausführung Ihrer Kampagne höhere Kosten zu erwarten sind. Diese Kosten sind Teil einer Lernkurve, wenn Sie zunächst wahrscheinlich eine breitere Zielgruppe ansprechen, die nicht immer die erwarteten Ergebnisse erzielt. 

Wenn Sie Ihre Kampagnen entweder manuell oder mithilfe einer Managed-Plattform optimieren, werden die Kosten pro Performance-KPI im Laufe der Zeit sinken.

CTV-Guide für Werbebeitreibende - 6. Kapitel: Reporting und Measurement
6. Kapitel

Reporting & Measurement

KPIs

Wie können Sie den Erfolg Ihrer CTV-Kampagne messen? Beginnen Sie mit dem Festlegen von Erwartungen.

Werbung auf OTT/CTV hat zwar ihre Eigenheiten, aber viele Elemente sind denen von Videokampagnen auf Mobilgeräten oder Desktops sehr ähnlich.

Um sicherzustellen, dass Sie das Beste aus Ihren Kampagnen herausholen, finden Sie hier einige der wichtigsten KPIs, die Sie im Auge behalten müssen, gefolgt von einigen relevanten Tipps:

Grundlegende KPIs, die im Reporting Ihres Medienpartners verfügbar sind

  • Impressions – Wie oft Ihre Anzeige geschaltet wurde.
  • Abschlussrate – Die Rate, mit der Zuschauer:innen Ihre Anzeige vollständig angesehen haben.
    Wenn Ihr Kampagnenziel Branding und Bekanntheit ist, wäre dies ein außergewöhnlich wichtiger KPI, den Sie messen sollten.
  • Gesamtreichweite – Die Summe der einzelnen Haushalte, die Ihre Anzeige / Kampagnen angesehen haben.
  • Cost Per Mille (CPM) – Nun ja. 
  • Cost Per Completed View – Wie viel Sie für jede abgeschlossene Ansicht bezahlen. Eine hohe Abschlussrate ist ein guter Indikator dafür, wie relevant Ihr Targeting ist und wie ansprechend Ihre Anzeige ist. Je höher sie ist, desto niedriger wird Ihre CPCV-Rate sein.
  • Häufigkeit – Die Häufigkeit, mit der Ihre Werbeanzeige pro Haushalt ausgeliefert wird. Die Formel für die Berechnung wäre folgende: # von Impressions / # von einzigartigen Haushalten.
  • Conversions – Dies kann für alles stehen – einen Klick, eine Ansicht, eine Anmeldung, einen Kauf – und daher ist es wichtig, dass Sie im Voraus bestimmen, welche Aktionen Ihre Zielgruppe ausführen soll. Diese Aktionen sollten sich dann in Ihren Creatives in Bezug auf CTA und Messaging widerspiegeln.
  • ROAS – Return on Ad Spend oder der Gewinn, der direkt aus Ihren CTV-Kampagnen generiert wird, geteilt durch die Gesamtausgaben für diese Kampagnen. Laut Vibe.co sollte der ROAS bei sieben Tagen zwischen zehn und 20 Prozent liegen.

Denken Sie daran, dass Ihr Kampagnen-Reporting je nach Plattform, mit der Sie arbeiten, anders aussieht, was für alle drei Werbearten (programmatisch, Publisher und Plattform Direct) relevant ist.

Reporting und Measurement

Jede Plattform bietet einen Report-Abschnitt, der Kampagnen-Performance-Daten (z. B. Impressionen, completed views usw.) anzeigt, aber auch Performance-Daten enthalten kann, die – für Web-Apps – eine Pixel-Implementierung vor dem Start der Kampagne erfordern. 

Als App-Vermarkter:in sollten Sie in der Lage sein, alle Measurement-Daten Ihrer Kampagnen an einem Ort zu erhalten, entweder über das Dashboard Ihres MMPs oder durch Verknüpfung der APIs Ihres MMPs mit Ihren BI-Systemen. 

Die von Ihrem MMP zur Verfügung gestellten Kennzahlen ermöglichen es Ihnen, eine tiefere Performance-Analyse durchzuführen – einschließlich In-App-Events und LTV-Umsätze –, um den wahren Wert Ihrer Nutzer:innen zu verstehen. 

Die 3rd-Party-Daten und neutrales Measurement Ihres MMPs berücksichtigen alle Nutzer:innen-Touch-Points über mehrere Medienpartner hinweg. Der Zugriff auf konsolidierte, akkurate Kampagnen-Reports von mehreren Plattformen über ein einziges Dashboard ermöglicht es Ihnen, Äpfel mit Äpfeln zu vergleichen. 

Unter der Annahme, dass Ihre CTV-Anzeigen eine Rolle in einer größeren Multi-Channel-Kampagne spielen, hilft Ihnen das Tracking der Kampagnen-Performance auf dem Dashboard Ihres MMPs dabei, Ihren Beitrag zum größeren Mix zu verstehen. 

Die Möglichkeit, das In-App-Nutzerverhalten als UA-Quelle an CTV-Kampagnen zu binden, kann Ihnen ein gutes Verständnis dafür vermitteln, wie Sie Ihre CTV-Kampagnen über eine einfache Conversion hinaus optimieren können.

CTV-Guide für Werbebeitreibende – Zusammenfassung
Zusammenfassung
  • Auch wenn CTV-Werbung ein gewagtes Unterfangen zu sein scheint, brauchen Sie sie, um relevant zu bleiben und Ihre Reichweite zu vergrößern. CTV zu ignorieren ist, als würde man Geld auf dem Tisch liegen lassen, oder schlimmer noch, selbst zurückgelassen zu werden.
  • Vorbei sind die Zeiten, in denen das Fernsehen ein „Spray and Pray“-Medium war. CTV ist jetzt ein Performance-Kanal, der als Teil Ihrer gesamten Marketingmaßnahmen gemessen werden kann. 
  • Denken Sie daran, dass die überwiegende Mehrheit Ihrer potenziellen Kundinnen und Kunden CTV-Geräte besitzen und mit ihnen über mehrere Plattformen und Geräte hinweg interagieren – und Sie dort sein müssen, wo Ihre Zielgruppe ist.
  • CTV bietet ein besseres Targeting und eine bessere Zielgruppensegmentierung / Anzeigengestaltung. Wenn Sie wissen, wer Ihre Anzeige ansehen wird, können Sie hochgradiges, personalisiertes und äußerst effektives Messaging erstellen. Darüber hinaus haben Sie die Möglichkeit, wirkungsvolle lokalisierte Anzeigen für ein effizientes Anzeigen-Engagement zu erstellen. 
  • CTV bietet niedrigere Eintrittsbarrieren, eine hohe Abschlussrate und Sichtbarkeit sowie Zugang zu viel umfassenderen, granularen und genaueren Reports als lineares Fernsehen – was es zu einem zunehmend gefragten Medium für Werbetreibende macht.

The post Willkommen im Dschungel – Ihr ultimativer Guide für die CTV-Werbung appeared first on AppsFlyer.

]]>