Google liefert mit FLEDGE und FLoC einen neuen Lösungsansatz

FLEDGE (First Locally-Executed Decision over Groups Experiment) ist eine In-Browser-API, die es Werbungtreibenden und Ad-Tech-Unternehmen ermöglichen wird, interessengruppenspezifisches Retargeting zu betreiben, ohne von Third-Party-Cookies abhängig zu sein, und so Nutzer vor Cross-Site-Tracking zu schützen. Der Ansatz basiert auf einem Interest Group-Gedanken. Anstatt die Daten eines einzigen Nutzers als Grundlage der Retargeting-Strategie zu verwenden, liegt der Schlüssel in der Beobachtung von Nutzergruppen, die ähnliche Interessen haben und häufig bestimmte Websites besuchen. RTB House war von Anfang an eng in das Projekt involviert und war die erste Demand-Side-Plattform, die das FLEDGE-AD System der nächsten Generation erfolgreich für den globalen Kauf echter Werbeanzeigen genutzt hat.

Während FLEDGE den Bereich des Retargetings abdeckt, fokussiert sich FLoC (Federated Learning of Cohorts) auf die Ansprache von Neukunden. Der FLoC-Ansatz basiert auf der Idee, dass der Browser Personen mit ähnlichem Surfverhalten gruppiert und sie einer Kohorte zuordnet, die von den Werbungtreibenden gezielt angesprochen werden kann.

Allerdings haben traditionelle maschinelle Lernsysteme Schwierigkeiten mit diesen neueren, komplizierteren, und vor allem anonymisierten Datensätzen. Es sind Lösungen nötig, mit deren Hilfe man Daten über das Nutzerverhalten sammeln kann, um nach wie vor relevante und effiziente Werbung zu ermöglichen – und gleichzeitig die Privatsphäre der Nutzer zu wahren. RTB House liefert mit Deep Learning die Lösung für Kampagnen, welche für jede Stufe des Funnels in der Welt ohne Cookies geeignet ist.

Deep Learning ermöglicht die Auswertung anonymisierter Daten

Mithilfe der Deep Learning-Algorithmen können Werbungtreibende auf Basis der durch FLEDGE gebildeten Interessensgruppen, oder der FloC IDs nach Verhaltensübereinstimmungen suchen. „Deep“ beschreibt die Anzahl der Schichten, in der die Daten verarbeitet werden. In jeder Schicht werden immer komplexere Merkmale aus den Rohdaten extrahiert. Im Zusammenhang mit gezielter Werbung können untere Schichten eine Nutzergruppe identifizieren, während eine höhere Schicht ein bestimmtes Interesse innerhalb dieser Gruppe erkennt. Auf diese Weise bestimmen die Deep-Learning-Algorithmen effektiv, an welcher Position sich ein User im Sales Funnel befindet, und wählen passgenaue Inhalte für diesen User aus.

Der besondere Vorteil von Deep Learning: Je öfter man es einsetzt, desto besser wird es. Anders als beim maschinellen Lernen können Deep-Learning-Algorithmen Muster ohne menschliches Eingreifen erkennen, was ein viel effizienteres Selbstlernen ermöglicht. Der Algorithmus wird auf der Grundlage der Daten, mit denen er gefüttert wird, immer präziser. Was Deep Learning wirklich auszeichnet, ist seine Fähigkeit, mit großen, komplizierten und sogar unstrukturierten Datensätzen zu arbeiten, ohne dass ein Mensch definieren muss, nach welchen Mustern es suchen soll. Kampagnen können so eine bis zu 47 % höhere Videoabschlussrate und eine bis zu 33 % bessere Sichtbarkeit im Vergleich zu globalen Marktbenchmarks erzielen. Deep Learning-Technologien werden demnach nicht mehr nur ein technologischer Vorteil sein, sondern zu einem unverzichtbaren Element in der täglichen Arbeit eines jeden Marketers werden.

Es wird Zeit, dass sich die Branche aus der Schockstarre löst. Wir stehen vor einer neuen Aufgabe, die intensive Zusammenarbeit erfordert und deren endgültige Lösung noch einen langen Weg vor sich hat. Der Algorithmus von RTB House hat sich bei Performance-Kampagnen bereits bewährt, und wird auch schon in anderen Bereichen des Sales Funnels eingesetzt. Awareness- und Branding-Kampagnen erfordern einen ganz anderen Ansatz, auf den der Algorithmus speziell zugeschnitten werden kann. So kann jedes Unternehmen seine individuellen Ziele erreichen und jede Kombination von Viewability, VCR, Reichweite oder CTR maximieren, um den Wert von Awareness- und Branding-Kampagnen zu steigern.