- Werbung -

suchradar.de > Magazin > Archiv > Ausgabe 31 > Prediction-Modelle: Werbekampagnen-Performance nachhaltig steigern

Prediction-Modelle:
Performance von Werbekampagnen nachhaltig steigern

Prediction-Modelle stellen eine wertvolle Ergänzung zum Tracking von Online-Shops dar. Wie können diese Modelle zur Steigerung der Keyword-Performance im SEA genutzt werden? Von Tobias Kiessling.

Internet-Shop-Besitzer sind darauf angewiesen, effizient Traffic und Käufer auf den Shop zu lenken. Dabei hilft die Buchung von Google-AdWords-Anzeigen. Doch wie kann ein AdWords-Budget effizient eingesetzt werden? Und wie erkennt man möglichst schnell, welche Suchbegriffe gute Ergebnisse bringen und welche nicht?

Dieser Beitrag zeigt, wie sich Prediction-Modelle in die Erfolgskontrolle von Online-Shops integrieren lassen, um den Erfolg von Werbemaßnahmen, speziell in Google AdWords, zu steigern. Die Conversion bzw. der Sale ist und bleibt dabei die harte Erfolgskennzahl. Aber was ist, wenn es bislang keine Conversion zu einem Suchbegriff gibt, weil dieser zu neu ist oder zum Long Tail gehört? Wie bewertet man den Fall, in dem ein potenzieller Kunde einen Artikel nur in den Warenkorb legt oder sich eine Produktdetailseite anschaut? Hier liegt keine harte Kennzahl vor. Aber das Nutzerverhalten kann als Indiz gedeutet werden, dass ein bestimmter Suchbegriff einen kaufbereiten Kunden auf den Shop gebracht hat.

Conversion-Funnel zeichnet den Weg des Users bis zur Conversion nach

Abbildung 1: Conversion-Funnels machen den Weg von Klicks bis Sale deutlich

Der Pfad, den ein Besucher bis zur Conversion geht, ist je nach Produktart sehr komplex, wie Abbildung 1 zeigt. Um den Erfolg eines Suchbegriffs oder eines Online-Werbemittels zu beurteilen, darf man sich nicht nur auf die Messung der Verkaufszahlen bzw. Sales beschränken. Nur die Traffic-stärksten Suchbegriffe (sog. Short Tail) generieren genügend Klicks und Sales, um eine verlässliche Aussage zur Leistung des jeweiligen Suchbegriffes treffen zu können. Allen anderen Suchbegriffen fehlt es an statistisch signifikanten Daten. Das bedeutet, dass deren gute oder schlechte Performance stark vom Zufall abhängig ist. Diese Suchbegriffe machen aber in der Regel mindestens 50 % des eingesetzten Werbebudgets aus. Somit muss eine verlässlichere Grundlage zur Entscheidung über Pausierung oder Gebotserhöhung eines Suchbegriffs geschaffen werden.

Bereits jetzt erfolgt die Erweiterung des Datenbestandes konsequenterweise durch die Messung des gesamten Conversion-Funnels, anstatt nur die letzten Aktionen eines Besuchers, z. B. den Kauf, zu betrachten. Mit weiteren Conversion-Typen wie Leads, Signups und Page-Views können Website-Betreiber ermitteln, ob ein Artikel in den Warenkorb gelegt oder eine Produktdetailseite aufgerufen wurde. Beides kann als gutes Zeichen für einen späteren Sale gewertet werden.

Prediction-Modell sorgt für exaktere Vorhersagen zur Keyword-Performance

In der täglichen Keyword-Optimierung werden meist nur Kennzahlen wie Sales, ROI oder CPO ausgewertet. Zusätzliche Informationen aus dem Conversion-Funnel werden somit ignoriert. Ein Suchbegriff mit 100 Klicks, 10 Leads und einem Sale ist zum Beispiel wesentlich positiver zu bewerten als ein Keyword mit 100 Klicks, 2 Leads und einem Sale. Zwar führen beide Szenarien zu einem erfolgreichen Abverkauf – dies ist in der Regel jedoch keine statistisch signifikante Menge bei 100 Klicks. Mit anderen Worten: Es ist reiner Zufall, dass ein Sale vorliegt. Man hat also keine gute Entscheidungsgrundlage.

Neben der Betrachtung historischer Daten ist die spannendere Herausforderung zu ermitteln, wann es zum nächsten erfolgreichen Kaufabschluss kommt. Dabei hilft ein Blick auf die Leads, also die von Werbungtreibenden gewünschten Aktionen eines Nutzers, z. B. Anmeldungen für einen Newsletter. Aus einer höheren Zahl an Leads lässt sich bei gleichen Gegebenheiten auf eine höhere Zahl an erwarteten Sales folgern. Lässt man diese Prognosen in die tägliche Optimierung eines Kontos einfließen, verbessert sich die Performance. Je nach Conversion-Raten und Anteil an Mid- und Long-Tail-Keywords ergeben sich Leistungssteigerungen von 10 % und mehr. Gleichzeitig können verschiedene Metriken und Durchschnittswerte aus Prediction-Modellen als Erwartungswerte für die Keyword-Performance genutzt werden. Diese Werte sind wesentlich früher verlässlich bzw. statistisch signifikant als ein CPO oder ROI. Im Folgenden soll allgemein dargestellt werden, wie man ein Prediction-Modell entwickeln kann.

Wie geht man bei der Entwicklung eines Prediction-Modells vor?

Mit einem leistungsfähigen Tracking-System werden zunächst die Daten gesammelt, die für die Optimierung relevant sind. Sehr gut geeignet ist eine Web-Analyse-Software, z. B. das kostenlose Google-Tracking (sowohl AdWords als auch Analytics) oder professionelle Lösungen wie etracker, Webtrekk oder intelliAd. Diese Anbieter ermöglichen auch ein übergreifendes  Tracking, das über das reine Conversion-Tracking hinaus die unterschiedlichen Werbekanäle analysiert („Multichannel-Tracking“) und auf dieser Basis Gewichtungen zulässt. Das Ziel ist dann, schneller als bisher Hinweise auf die Qualität seiner Werbemaßnahmen zu erlangen. Auf Basis dieser Daten kann nun mit der eigentlichen Berechnung des Prediction-Modells begonnen werden. Dabei wird die Sale-Rate anhand keywordeigener Daten und eines Maßstabs zur Erweiterung der Datenmenge (Benchmark) für einen Suchbegriff vorhergesagt.

Die Daten stammen von möglichst eng verwandten Begriffen oder der Keyword-Historie. Damit lässt sich dann letztlich der erwartete CPO berechnen:

1. Benchmarks bilden:
   Auf jeder Ebene des Funnels sollte die erwartete Performance anhand vorhandener historischer oder verwandter Daten gebildet werden. Verwandte Daten können z. B. aus der AdGroup oder der Kampagne herangezogen werden. Je homogener die betrachteten Suchbegriffe, desto treffender sind die dazugehörigen Benchmarks.
   
   Beispiel: Die „Lead-to-Sale-Rate“ der AdGroup beträgt 12,5 % (man benötigt im Schnitt 8 Leads für einen Sale). Die Lead-Rate der AdGroup ist 10 % (10 Klicks für einen Lead).
   
   
2. Richtige Stufe im Funnel wählen:
   Je nach Anzahl der gemessenen Conversion-Typen hat man mehrere Stufen zur Verfügung, z. B. Page-Views, Leads oder Signups. Je weiter hinten im Funnel man sich befindet, desto weniger Daten liegen für den jeweiligen Conversion-Typ vor. Man liegt allerdings näher am Verkaufsprozess und die Vorhersagekraft der jeweiligen Conversion ist größer. Das bedeutet: Es sollten die Elemente betrachtet werden, die am Ende des Funnels liegen und eine ausreichende Datenmenge enthalten. Ob genügend Daten vorliegen, kann mithilfe des Poisson-Modells und Konfidenzintervallen ermittelt werden. Bid-Management-Systeme machen dies in der Regel automatisch.
   
   Beispiel: In einem Funnel mit Page-Views => Leads => Sales gibt es bei 50 Klicks 30 Page-Views, 8 Leads und 1 Sale. Die Wahl fällt hier auf die Leads. Denn die Zahl der Sales bei 50 Klicks ist statistisch nicht signifikant.
   
   
3. Richtige Wartezeit wählen:
   Bei der Bewertung eines Suchbegriffs steht man immer vor dem Kompromiss zwischen zu langer Wartezeit und zufallsbedingter Fehlentscheidung. Die Wartezeit richtet sich nach den Kosten und Klicks. Wie hoch die Klicks bzw. Kosten sein müssen, bevor man eine Entscheidung trifft, kann man ebenfalls über das Poisson-Modell und die sich daraus ergebenden Konfidenzintervalle berechnen. Auch hier unterstützen Bid-Management-Systeme und treffen Ihre Gebotsentscheidung zum optimalen Zeitpunkt.
   
   
4. 

   Abbildung 2: Beispiel zur Berechnung eines Prediction-Modells
   Berechnung:
   Man fügt nun die oben ermittelten Daten zusammen und kann den erwarteten CPO für den jeweiligen Suchbegriff aus dem Quotienten der betrachteten Keyword-Kosten sowie der erwarteten Conversion-Rate berechnen (Beispiel siehe auch Abbildung 2):
   
   Erwarteter CPO = CostKeyw  /  (ClicksKeyw x Lead-RateKeyw x Lead-to-Sale-RateBenchm)

Hierbei wird ein Problem des Modells sichtbar. Die Genauigkeit der Vorhersagen hängt stark von der Wahl des Benchmarks ab. Oder anders ausgedrückt: Man erkauft sich die Erhöhung der Datenmenge durch eine gewisse Unschärfe beim Benchmark. Trifft die Vorhersage aus dem Benchmark nicht annähernd für den Suchbegriff zu, so weichen die vorhergesagten CPOs mehr oder weniger stark von der Realität ab. Jedoch ist in der Regel der Vorteil durch die Erhöhung der Datenmenge weitaus größer als der Nachteil durch die zusätzliche Unschärfe.

Fallstudie: Ein Beispiel aus der Praxis

Abbildung 3: Poisson-Verteilung am Beispiel

Betrachtet wird der Fall eines Shops für hochwertige Designerkleidung. Der Verkauf von Maßanzügen bringt durchschnittlich 250 € Gewinn. Für eine einträgliche Marge können entsprechend bis zu 150 € pro Sale bei AdWords ausgegeben werden. Zur Konto-Optimierung wird eine Anzeigengruppe betrachtet. Dabei stellt sich heraus, dass ein Suchbegriff 80 € Kosten verursacht hat, ohne dass eine Conversion entstanden ist. Daraufhin wird der Suchbegriff pausiert. Wenn allerdings nach dem nächsten Klick eine Conversion aufgetreten wäre, hätte die die Möglichkeit bestanden, bei knapp 85 € Kosten 165 € Gewinn zu erwirtschaften.

Problem: Bei mehreren Tausend Suchbegriffen mit schlechter Leistung entstehen unnötige Kosten, die schnell eine relevante Höhe erreichen.

Lösung: Man könnte den Aufruf der Produktdetail-Ansicht als weiteren Conversion-Typ nutzen. Vor einem erfolgreichen Umsatz lassen sich so viel früher Hinweise auf die Performance eines Suchbegriffs ableiten. Aus den Daten verwandter AdGroups und Suchbegriffe ist ersichtlich, dass im Schnitt jeder 50. Seitenaufruf eine Conversion erzeugt. Dies kann als Anhaltspunkt für vergleichbare Suchbegriffe genutzt werden. Hat ein Suchbegriff 10 € Kosten verursacht, ohne einen Aufruf der Produktdetailseite zu generieren, lässt sich schlussfolgern, dass wahrscheinlich mehr als 500 € (10 * 50 Seitenaufrufe pro Conversion) Kosten anfallen werden, bevor eine Conversion entsteht.

Wird nur der Sale als Bewertungsgrundlage für einen Suchbegriff betrachtet, müssten je nach Rahmenbedingungen etwa 200 € Kosten abgewartet werden, bevor eine statistisch halbwegs gesicherte Aussage über die Qualität des Suchbegriffs getroffen werden kann. Mithilfe der Poisson-Verteilung und der Bestimmung der Konfidenzintervalle lassen sich je nach angesetzter Sicherheit die entsprechenden Wahrscheinlichkeiten berechnen (siehe Abbildung 3).

Über den Autor Tobias Kiessling studierte Informationswirtschaft an der Universität Karlsruhe (TH). Er ist CTO und Mit-Geschäftsführer des unabhängigen Technologie-Anbieters intelliAd Media GmbH (www.intelliad.de) mit Sitz in München. Vor der Gründung der intelliAd Media GmbH war er im Bereich der SEM-Optimierung unter anderem für den Suchwortvermarkter MIVA beratend tätig.