Warum prädiktive Verhaltensanalysen das Retargeting für immer verändern werden

Beim Retargeting werden alle Kunden gleich behandelt, unabhängig von ihrem Verhalten vor Ort. Aus diesem Grund ist Behavioral Targeting mit Algorithmen bereit, dieses Modell auf den Kopf zu stellen.

Beim Standard-Retargeting besucht ein Verbraucher eine E-Commerce-Site wie Amazon und geht dann seinem Tag nach. Beim Besuch anderer Websites wie CNN sieht er Amazon-Anzeigen, sofern Amazon andere interessierte Werbetreibende wie Best Buy oder Target überbietet.

Die meisten Unternehmen sprechen Verbraucher auf die gleiche Weise an, unabhängig von ihrer Absicht. Wenn sie einen potenziellen Käufer sehen, der ihre Website besucht und Produkte durchstöbert – oder sogar Produkte in einen Warenkorb gelegt hat – bieten sie auf Werbeflächen, die nach dem Verlassen des Kunden neu ausgerichtet werden.

Aber denken Sie kurz darüber nach: Der Kunde, der einen Artikel in den Warenkorb gelegt hat, ist dem tatsächlichen Kauf viel näher. Verglichen mit dem Kunden, der nur ein paar Produkte durchstöbert hat, ist es wahrscheinlicher, dass er oder sie zurückkehrt und die Transaktion abschließt, wenn er eine Anzeige auf einer anderen Website sieht.

Nehmen wir an, ein Kunde hat BestBuy durchsucht und dann Target besucht und tatsächlich ein Produkt in einen Warenkorb gelegt. Historisch gesehen, würden Best Buy und Target diesen Kunden auf die gleiche Weise ansprechen. Aber es macht keinen Sinn, es so zu machen.

Der Kunde war viel näher dran, ein Produkt von Target zu kaufen. Infolgedessen sollte Target für diesen bestimmten Kunden Werbung schalten, da Target eine bessere Chance hat, dieser Person tatsächlich etwas zu verkaufen. Aber wenn Best Buy Target überbietet, sieht dieser Kunde möglicherweise Anzeigen für Produkte, die er wahrscheinlich nicht kaufen wird. Und Best Buy verschwendet ehrlich gesagt sein Geld.

Seien wir schlau beim Retargeting

Ich denke, algorithmisches Retargeting ist das nächste große Ding in der Online-Werbung. Durch die Entwicklung eines Algorithmus, der Kunden basierend auf dem Website-Verhalten und ihrer Position im Kaufzyklus segmentiert, können Marken die Effektivität ihrer Retargeting-Programme erhöhen und dadurch die Kosten senken.

Wir können den Grad des Interesses sowie spezifische Interessensgebiete messen und die Absichten der Kunden vorhersagen. Marken können diese Daten dann verwenden, um ihre Retargeting-Bemühungen auf die Kunden zu fokussieren, die am wahrscheinlichsten einen Kauf tätigen.

Dies bedeutet, dass Unternehmen, anstatt Millionen von Dollar auszugeben, um alle Kunden in allen Phasen blindlings neu anzusprechen, aggressiv auf diejenigen abzielen, die dem Kauf am nächsten sind, Werbegelder effektiver ausgeben und die Conversions steigern können.

Algorithmisches/behavioral Retargeting mit Lenovo

Lenovo ist eine Marke, die neben klassischem Retargeting auch algorithmisches Retargeting testet. Bei ersterem verwendet es Verhaltensmodelle – die 300 bis 400 Variablen umfassen – basierend auf demografischen und psychografischen Daten.

„Als wir die beobachteten Daten wirklich betrachteten, war es in unserem Fall eine kleine Gruppe – 1 Prozent der Kunden sind für die meisten Einkäufe verantwortlich“, sagt Ajit Sivadasan, Vice President und General Manager of Global E-Commerce bei Lenovo. „Und der Unterschied zwischen denen, die kaufen und nicht kaufen, beträgt fast das 900-fache. Menschen, die kaufen, haben einen 900-mal höheren Transaktionswert pro Einheit als diejenigen, die keine Kaufneigung haben.“

Ein besseres Kundenerlebnis

Sivadasan stellte auch fest, dass Marken mit Standard-Retargeting allen potenziellen Kunden das gleiche Erlebnis bieten. Lenovo konzentriert sich auf das 1 Prozent der Käufer und verzichtet darauf, die anderen 99 Prozent mit Marketing zu überschwemmen.

Oder wie Ashish Braganza, Director of Global Business Intelligence der Marke, es ausdrückte, Lenovo war vor diesen Tests sehr regelbasiert. Die Regel lautete im Allgemeinen, dass, wenn jemand seinen Einkaufswagen verlässt, er überall neu anvisiert wird.

„Wenn sie aufgeben und zu Yahoo oder MSN oder CNET wechseln würden, würden wir ein Retargeting durchführen, weil wir Inventar kaufen, um ein Retargeting durchzuführen. Es ist eine sehr Spray-and-Pray-Methodik“, sagt Braganza. „Sie wissen nicht, ob Sie Geld für diese Person, ihren Wert und ihre Neigung, ein Produkt zu kaufen, ausgeben sollten.“

Mit algorithmischem Retargeting kann Lenovo jedoch Cluster von Kunden mit hohem und geringem Wert erstellen und Medien entsprechend kaufen. Über die Warenkörbe hinaus betrachtet die Marke, welche anderen Produkte sich jemand angesehen und mit denen er interagiert hat.

Die Analyse, was Menschen tun, nachdem sie etwas in ihren Einkaufswagen gelegt haben, gibt Lenovo mehr Sicherheit, um vorherzusagen, wer eine höhere Kaufneigung hat. Im Gegenzug ermöglicht es Lenovo auch, seine Displayausgaben effizienter zu gestalten, indem es sich an den Handlungen eines Verbrauchers orientiert, anstatt zu sprühen und zu beten.

Ein höheres Maß an Vertrauen

Nach umfangreichen Tests sagte Sivadasan, dass er ziemlich sicher ist, dass dieses Modell funktioniert und Lenovo jetzt herausfindet, wie es auf seine End-to-End-Reisekarte angewendet werden kann.

„Es gibt ein paar Dinge, die wir tun müssen, um wirklich zu verstehen, wie sich das Modell aus Sicht der Erfahrung manifestiert und was für jedes der Kundensets entscheidend ist, und um wirklich herauszufinden, ob wir 60 Tage lang die gleiche Erfahrung machen, 90? Tage, ein Jahr? Wie ist das Protokoll?“ fragt Sivadasan. "Ich habe das Gefühl, dass wir es wirklich schaffen wollen, also könnten wir in den nächsten sechs Monaten in einem Land testen."

Nach Simulationen hat Lenovo ein hohes Maß an Vertrauen, dass algorithmisches Retargeting das regelbasierte Retargeting übertrifft, aber die Marke muss jetzt tatsächliche Tests implementieren. Basierend auf ersten Tests sagte Braganza jedoch, dass Lenovo in der Lage zu sein scheint, zusätzliche Conversions zu geringeren Kosten zu erzielen, was Einsparungen für das Unternehmen insgesamt und mehr Effizienz bei der Verwendung seiner Marketing-Dollars bedeutet.

„Das Schöne an Programmatic ist, dass die Zukunft darin bestehen wird, dass Algorithmen mit anderen Algorithmen konkurrieren“, sagt er. „Mein Team ist dort, wo wir sein wollen, mit der Möglichkeit, die Wirksamkeit verschiedener Algorithmen zur Optimierung unserer Medienausgaben zu testen. Es wird nicht eins und fertig sein. Es ist ein Anfang, aber im Grunde ist es ein Wettlauf um einen besseren Algorithmus.“

Jay Marwaha ist Präsident und CEO von SYNTASA.