QUALITÄTSKRITERIEN BEIM DATA-MANAGMENT: WAS MACHT EIN GUTES BEHAVIOURAL TARGETING AUS? 29. Juni 2016 Christian Rakowski

Transkript

1 QUALITÄTSKRITERIEN BEIM DATA-MANAGMENT: WAS MACHT EIN GUTES BEHAVIOURAL TARGETING AUS? 29. Juni 2016 Christian Rakowski

2 AGENDA 1. Mission Statement 2. Abgrenzung & weiterführender Verweis 3. Der Nutzer 4. Der Prozess 5. Die Qualität

3 MISSION STATEMENT 1 TARGETING DIE RELEVANTE WERBEBOTSCHAFT dem richtigen Nutzer zum richtigen Zeitpunkt auf dem richtigen Screen am richtigen Ort AUSSPIELEN. 3

4 MISSION STATEMENT 2 TARGETING ÜBERBLICK Technisches Targeting Uhrzeit, Provider, Betriebssystem, Browser, Bandbreite, GeoLoc, FC, Semantisches Targeting Textinhalt, Kontext, Taxonomie, Suchwort, Behavioral-Targeting Surfverhalten, Nutzersegment, vergangene Aktion, nutzerbezogene Daten, Retargeting Social-Media-Targeting 4

5 MISSION STATEMENT 3 BEHAVIORAL-TARGETING Kriterium Werbeschaltung Beispiel Surfverhalten Nutzersegment vergangene Aktion nutzerbezogene Daten anhand aufgezeichneter Daten zum Surfverhalten anhand eines zugeordneten Nutzersegments auf Basis des Surfverhaltens anhand aufgezeichneter Daten über einen vorherigen Besuch der Webseite anhand von Daten, die vom Nutzer bereitgestellt wurden Werbung für Sportschuhe an Nutzer, die öfters auf Sportseiten unterwegs waren Werbung für Damenschuhe an Personen, deren Surfverhalten auf weibliches Geschlecht schließen lässt Werbung für ein rotes Kleid bei Amazon an Nutzer, die zuvor bei Amazon nach einem solchen Kleid gesucht haben n Werbung für ein Konzert der Rolling Stones an Nutzer, die auf Facebook ein Alter von 60 Jahren und Interesse an Musik angegeben haben 5

6 MISSION STATEMENT 4 DATAMANAGEMENT ÜBERBLICK Datenmanagement ist die Menge aller methodischen konzeptionellen organisatorischen technischen Maßnahmen und Verfahren zur Behandlung der Ressource Daten mit dem Ziel, die Daten mit ihrem maximalen Nutzungspotenzial in die Geschäftsprozesse einzubringen und im laufenden Betrieb die optimale Nutzung der Daten zu gewährleisten. (Quelle: Wikipedia) 6

7 MISSION STATEMENT 5 DATAMANAGEMENT PLATFORM Quelle: 7

8 ABGRENZUNG UND VERWEIS 1 VERWEIS BVDW «LEITFADEN ZUR BEURTEILUNG VON TARGETING-QUALITÄT» 8

9 ABGRENZUNG UND VERWEIS 2 VERWEIS GÜTESIEGEL TARGETING 7 Kategorien mit insgesamt 61 Kritieren: 1. Datenschutz 2. Erfahrung 3. Daten 4. Zielgruppen 5. Profilierung 6. Targeting-Modell 7. Qualitätsmanagement Quelle: 9

10 DER NUTZER 1 DER SYSTEMATISCHE FEHLER ZWISCHEN PERSON UND NUTZER Eine Person hat mehrere Nummern Mehrere HTTP Cookies Mehrere AdvertiserID^s Mehrere Kundennummern Mehrere Accounts, Fingerprints, MAC, IP, OHNE OPT IN MUSS PSEUDONYMISIERT WERDEN MARKIERT WERDEN UMGEBUNGEN / GERÄTE MEHRERE PERSONEN BENUTZEN EIN GERÄT EINE PERSON NUTZT MEHRERE GERÄTE 10

11 DER NUTZER 3 WIE GUT WIRD EINE PERSON ERKANNT? 11

12 DER NUTZER 2 QUALITÄT DES IDENTIFIERS, QUALITÄT DER TRENNSCHÄRFE Single Client Single User Single Client Multi User Multi Client Single User Multi Client Multi User M:N Relationen Lebensdauer eines Identifiers Manipulierbarkeit eines Identifiers Mehrdeutigkeit eines Identifiers 12

13 DER NUTZER 2 ÜBERTRAGUNGSFEHLER VON AUSSAGEN / INFORMATIONEN ID MATCHING DoubleClick DFP DoubleClick DBM Appnexus Facebook YouTube Adswizz DooH Segments Lotame Profiles Lotame Profiles 1plusX Segments 1plusX LDN Segments 3rd Segments GB DMP Lotame GB DMP Lotame 1plusX AddThis (CH) BidStream Splicky Tracking Lotame Tracking 1plusX Campaign Adswizz Campaign DFP Campaign DBM Campaign MaB (DooH) 13

14 PROZESS 1 DIE TARGETINGSCHLEIFE 14

15 PROZESS 2 VOGELPERSPEKTIVE - NUR GEMESSENE DATEN Nur harte Daten Page Impression Taxonomie Events Eventtypisierung & Kategoriserung Mappings zur Veredelung z.b. IP, PLZ vom Nutzer angegebene Daten geleitendes Zeitfenster (8 bis 12 Wochen) Projektion auf Zielgruppenmerkmale Aussagenlogik Anzahl Tage Anzahl gleicher Beobachtungen Kombination von Profilmerkmalen & Ausprägungen 15

16 PROZESS 2 VOGELPERSPEKTIVE - VORHERGESAGTE DATEN Analytical Data Set wird teilweise verwendet Hochwertige Daten werden als Trainsets Zusätzliches Erheben von Daten Prediction ab ca Datensätzen Richtige Modellwahl Zyklischer Modellrefresh Gini Koeffizienten Verteilungsstabilität ROC & AUC Monitoring 16

17 QUALITÄT 2 QUALITÄT IST KEIN ZUFALL Beurteilung von Datenquellen Nutzer können schwindeln Daten sind nicht verifiziert Daten sind veraltet -> Nicht jede Datenquelle ist auch geeignet Businessregeln um Widersprüche aufzulösen male, female, both Schieberegler vorsehen (High Quality, High Reach) Gültigkeit von Aussagen begrenzen Schwellwerte, Monitorings, KPI 17