Werfen wir einen kurzen Blick zurück auf den 23. Juni 2020, als Apple die Updates für iOS 14 vorstellte, die das Ökosystem der Mobile Apps für immer veränderte. 

Im gesamten Ökosystem begannen alle, die gleichen Fragen zu stellen:

• Ist SKAdNetwork ein guter Weg, um Marketingmaßnahmen zu messen oder nicht? (Hinweis: beides)
• Wie hoch werden die Opt-in-Raten für das Pop-up-Fenster der App Tracking Transparency (ATT) sein? (Hinweis: höher als erwartet)
• Wenn der Großteil der Nutzer:innen das Opt-in ohnehin nicht einwilligen, warum sollte ich dann überhaupt das ATT-Pop-up anzeigen? (Hinweis: weil diese Nutzergruppe helfen wird, viele Fragen über die Gesamtnutzer:innen zu beantworten)

All diese Fragen waren natürlich völlig legitim, aber mit der Zeit stellte sich heraus, dass die folgenden Bedenken die wichtigsten waren:

Wie kann ich all diese isolierten Datenquellen zur Single Source of Truth konsolidieren?

Die Tatsache dieser neuen Realität ist, dass es mehrere Realitäts-Versionen gibt. Mit der Einführung von iOS 14 erhielten Marketers Datenströme aus vielen verschiedenen Quellen: SKAdNetwork, Nutzer:innen mit der ATT-Zustimmung, aggregierte Daten aus probabilistischer Modellierung, auf Inkrementalität basierende Insights, spezielle APIs für Apple Search Ads und mehr… 

Doch welcher Datenstrom ist hier die eigentliche Wahrheit? Wie können Marketer all diese eingehenden Daten auswerten und sich dabei sicher fühlen, dass sie die richtigen Entscheidungen treffen? Gute Frage.

Wir haben eine Lösung für dieses kritische Problem erarbeitet. Bevor wir darauf eingehen, sollten wir uns das Thema etwas genauer ansehen.

Das Problem

Im Rahmen dieser Analyse wollen wir uns auf die folgenden drei Attributionsdaten konzentrieren:

1. SKAdNetwork: Attribution erfolgte auf dem iOS Gerät
2. ATT-zugestimmte Nutzer:innen: Attribution basierend auf ID-Matching
3. Nicht zugestimmte Nutzer:innen: Attribution basierend auf dem Aggregated Advanced Privacy Framework (für Paid Media) oder probabilistische Modellierung (für Owned Media)

SKAdNetwork hat zwei wesentliche Vorteile gegenüber den anderen: Es ist deterministisch und deckt alle Nutzer:innen ab. Es hat aber auch große Nachteile: Das LTV-Measurement ist (gelinde gesagt) begrenzt. Nicht alle Flows werden abgedeckt (z. B. Mobile Web), Postbacks sind verzögert, und es gibt potenzielle Fraud-Schwachstellen, um nur einige zu nennen.

Das ID-Matching, aggregierter erweiterter Datenschutz und probabilistische Modellierung hingegen haben ihre eigenen Vorteile, aber auch eine Reihe von Nachteilen.

Vorgeschlagene Lösung: Entscheiden Sie sich je nach Bedarf für das gewünschte Modell. 

Warum es nicht funktionieren wird: Theoretisch: Problem gelöst. In Wirklichkeit ist das nicht möglich. Da die SKAdNetwork-Daten anonymisiert sind, kann kein Unternehmen wissen, ob dieselben Conversions von anderen Modellen attribuiert wurden oder nicht. Und das Gleiche gilt auch umgekehrt.

Potenziell könnte jede Installation folgendes sein:

• Attribution nur durch SKAdNetwork
• Attribution nur durch andere Attributionsarten
• Von beiden attribuiert
• Von niemandem attribuiert

Genau das ist der Zweck von SKAdNetwork: Anonymisierung. Das Design verhindert ein Reverse-Engineering für den Abgleich auf Nutzerebene durch Features wie zufällige Verzögerungen beim Auslösen des Postbacks. 

In Wirklichkeit sahen sich die Werbetreibenden jedoch mit zwei parallelen Realitäten konfrontiert.

Die meisten Lösungen für die neue iOS 14-Ära sehen derzeit so aus:

Mehrere APIs und Dashboards machen es für Werbetreibende fast unmöglich, verwertbare Insights zu ermitteln. Die einzige Lösung ist ein konsolidiertes Dashboard oder eine API, in der die Daten kombiniert, dedupliziert und vereinheitlicht werden, wobei die Privatsphäre der Nutzer:innen gewahrt bleibt und die Apple-Richtlinien eingehalten werden. Dies war jedoch – wie oben erläutert – nicht möglich.

Erhalten Sie die neuesten Marketing-News und Experten-Insights direkt in Ihre Inbox

Problem gelöst

SKAdNetwork hat seine Grenzen, und viele davon können überwunden werden, indem die Conversion-Value-Protokolle mit Innovationen ergänzt werden. Dieser Fall ist nicht anders. 

Conversion Values sind die einzige Möglichkeit für iOS Werbetreibende, den LTV der Nutzer:innen in SKAN-Kampagnen zu messen. Mit der richtigen Zuordnung dieser 64 möglichen Values können Werbetreibende den Post-Installations-Umsatz, die Aktivität und die Retention messen. 

Unsere neueste Version des AppsFlyer Conversion Studios bietet unseren Kundinnen und Kunden eine hyperflexible Konfigurationsoberfläche, in der jeder Value maximiert und im Mapping vollständig berücksichtigt werden kann.

Zwar schränken Conversion Values die Möglichkeiten des Werbetreibenden ein, den LTV zu messen (sowohl zeitlich als auch in Bezug auf die Reichweite), doch bieten sie eine Lösung für die Deduplizierung.

Ich werde es Ihnen erläutern:

1. Wenn ein:e Nutzer:in eine neu heruntergeladene App zum ersten Mal startet, versucht AppsFlyer, die Installation zu attribuieren. 

2. Unter der Voraussetzung, dass AppsFlyer die Installation attribuieren kann, wird ein einzelnes Bit aus dem SKAN Conversion Value genutzt, um ein „Attribution gefunden“-Flagge im Conversion Value über den updateConversionValue-Call anzuzeigen.

3. Wenn AppsFlyer zu einem späteren Zeitpunkt ein SKAN-Postback erhält, aggregiert AppsFlyer die Single-Source-of-Truth-Daten gemäß folgender Berechnung:
   AppsFlyer-attribuierte Nutzer:innen + SKAN-Postbacks, für die die Flagge „Attribution gefunden“ falsch ist. 

Maßgebliche Schritte auf dem Weg zu einer Single Source of Truth

Damit dies funktioniert, gibt es einen wichtigen Schritt im Prozess: Werbetreibende müssen einen Teil ihres Conversion Value für die Deduplizierung nutzen. Diese Auswahl muss vom Werbetreibenden steuerbar sein und nach Belieben ein- oder ausgeschaltet werden können.
Im neu veröffentlichten Conversion Studio, in dem Werbetreibende auf einfache Weise multimetrische Conversion Value Mappings konfigurieren können, fügen wir genau diese Option hinzu.

Wenn diese Option aktiviert ist, werden die gemeldeten Daten in aggregierten Reports konsolidiert, dedupliziert und vereinheitlicht.

Aber Moment mal, wird dadurch nicht die Privatsphäre der Endnutzer:innen beeinträchtigt?

Auf keinen Fall. Die Daten bleiben vollständig anonymisiert. Schwellenwerte, Zeitvorgaben und Verzögerungen sorgen dafür, dass niemand auf die Nutzerebene zurückgreifen kann. Alle SKAdNetwork-Schutzmaßnahmen sind nach wie vor vorhanden, um zu gewährleisten, dass die Privatsphäre der Endnutzer nicht im geringsten beeinträchtigt wird. 

Unterm Strich bleiben die Daten vollständig aggregiert und es gibt keine Möglichkeit, die Anonymität der Daten aufzuheben. Es trägt lediglich dazu bei, die aggregierten Realitäten zu deduplizieren und zu einer rein aggregativen Single Source of Truth zu gelangen. 

Zusammenfassung:

Die Profis

Siloed Datenpunkte → Single Source of Truth

Die Formel ist einfach:

Parallele Realitäten → schwer Entscheidungen zu treffen

Die Single Source of Truth → verwertbare Marketing-Insights

Maximieren Sie die Vorteile der einzelnen Modelle

Sobald Werbetreibende die Daten aus beiden Aggregationsmodellen deduplizieren können, können sie beispielsweise von den Vorteilen beider Modelle profitieren:

• Vollständiger LTV basierend auf traditionellen Attributionsmodellen
• Vollständige Abdeckung und deterministische Datenpunkte aus dem SKAdNetwork

Die Maximierung dieser Vorteile hilft Marketers, bessere Entscheidungen zu treffen, selbst in einer iOS 14+ Realität.

Keine Beeinträchtigung der Privatsphäre der Endnutzer:innen

Der SKAdNetwork-Datenschutz besteht weiter und wird nicht berührt.

Die Optimierung der SKAdNetwork-Kampagnen bleibt gleich

Die Tatsache, dass die SKAdNetwork Postbacks für alle Nutzer:innen gesendet werden, unabhängig davon, ob sie auch in parallelen Modellen attribuiert wurden oder nicht, stellt sicher, dass die Netzwerke weiterhin auf Basis der SKAN Conversion Values optimieren können.

Die Nachteile

6 Bits der Conversion Values → 5 Bits der Conversion Values

Wie bereits erwähnt, wird ein Bit zugewiesen, um festzustellen, ob die aktuelle Installation ebenfalls in einem parallelen Attribution-Modell attribuiert wurde oder nicht. Um dies zu ermöglichen, wird die kostbare Ressource der Conversion Values etwas begrenzter.

Einige unserer größten Kunden haben als Designpartner an der Planung dieser Lösung mitgewirkt und waren mehr als bereit, ein einziges Bit für das Versprechen einer Single Source of Truth bereitzustellen. Dies ist jedoch immer noch eine Entscheidung, die der Werbetreibende treffen muss.

Finale Worte

Während sich die Branche weiterhin an die neue Ära gewöhnt, ist es von entscheidender Bedeutung, dass die Genauigkeit der Daten und die Privatsphäre der Nutzer:innen weiterhin nebeneinander bestehen. Wir bei AppsFlyer haben es uns zur Aufgabe gemacht, Werbetreibende bei der Bewältigung dieser Veränderungen zu unterstützen.

Eine 100-prozentige Gewissheit über die tatsächlichen Ergebnisse Ihrer Marketingmaßnahmen ist von entscheidender Bedeutung. Eine Single Source of Truth für die Marketing Performance stellt sicher, dass Marketers ihre Werbeausgaben optimieren, ihr Business ausbauen und den Endnutzern ein hervorragendes Erlebnis bieten.

The post Attribution in iOS 14+: Von Silos zur Single Source of Truth appeared first on AppsFlyer.

The post iOS SDK v6.14.0 mit Datenschutz-Manifest appeared first on AppsFlyer.

Der erste vollständige Index der Post-ATT-Ära zeigt, welche Auswirkungen die Datenschutzänderungen von Apple auf das Mobile Media Business haben.

Auffällig sind die erheblichen Schwankungen in den Rankings des zweiten Halbjahres 2021 – vor allem bei iOS (aber auch bei Android), bei Gaming (aber auch bei Non-Gaming) und bei SRNs (aber auch bei Nicht-SRNs). 

Seit 2015 hilft der AppsFlyer Performance Index mobilen Vermarktern bei ihrer wichtigsten Entscheidungsfindung: mit welchen Medienquellen sie zusammenarbeiten sollten.

Im Jahr 2022 war eine sorgfältige Überprüfung des Index wichtiger denn je!

Der Index enthält:

• Neuer und verbesserter SKAN-Index, der In-App-Engagement, Käufe und Werbeanzeigen erfasst
• Performance Rankings für zustimmende iOS-Nutzer:innen zum Benchmarking mit nicht zustimmenden Segmenten
• Separate Rankings für Reichweite, Kundenbindung, Remarketing, Wachstum und Monetarisierung
• Ein tiefer Einblick in die Performance von Meta, Google, Apple Search Ads, TikTok, Snap, Unity Ads, ironSource und weitere 600 Unternehmen
• Unübertroffene Umfang: 18.000 Apps, 11 Regionen und 40 App-Kategorien

The post Die 14. Ausgabe des AppsFlyer Performance Index appeared first on AppsFlyer.

• INHALTSBIBLIOTHEK
• Data report

Der Stand des E-Commerce-App-Marketings
– 2024 Ausgabe

Mit Experten Beiträgen von

„In einer Welt, in der die Verbraucher von Gerät zu Gerät wechseln, einer Marke gegenüber weniger loyal sind und schwieriger zu erreichen sind, ist die Verbindung mit Ihren Kunden Ihr Wettbewerbsvorteil. Die Mehrheit der Retailer (82 % bzw. 85 %) stimmen jedoch zu, dass App-Kunden tendenziell mehr Wiederholungskäufe tätigen, im Vergleich zu Nicht-App-Kunden loyaler sind und eher bereit sind, ihre 1P-Daten zu teilen.“

Managing Director, App Ads

„Akquise sollte eine ganzjährige Angelegenheit sein, und der Schwerpunkt sollte nicht mehr auf dem Verkauf oder der Conversion, sondern auf dem Aufbau von Vertrauen liegen. Wenn Sie im April Vertrauen aufbauen und Ihre Kunden im November daran erinnern, dass Sie für sie da sind, ist die Chance größer, dass Sie ihre Aufmerksamkeit und ihr Business in der Weihnachtszeit gewinnen.“

Manager, Growth Marketing

4

Experten Beiträge

Q&A MIT LEE JONES , MANAGING DIRECTOR, APP ADS AT GOOGLE

Wie wird sich Ihrer Meinung nach das Weihnachtsgeschäft 2024 im Hinblick auf das Verbraucherverhalten entwickeln, angesichts des wirtschaftlichen Aufschwungs, und was sind die Auswirkungen für die Werbetreibenden?

Obwohl die Kunden zu vorsichtigen Entscheidern geworden sind, geben sie weiterhin Geld während der Weihnachtszeit aus. Wir haben festgestellt, dass Kunden im Laufe der Feiertage in der Regel verschiedene Haltungen einnehmen: Bewusst; auf der Suche nach Angeboten; Entschlossen und Zielstrebig.

– Bewusst: Rund drei Viertel der von Oktober 2023 bis Januar 2024 getätigten Einkäufe wurden recherchiert (Google/Ipsos, Globale Weihnachts-Shopping-Studie, Oktober 2023 – Januar 2024).

– Schnäppchenjäger: 75 % der Weihnachtseinkäufer gaben an, dass sie während der Weihnachtssaison die Augen nach Sonderangeboten offen halten (Google/Ipsos, Globale Studie über die Kontinuität der Verbraucher, August 2023).

– Entschlossen: Im vergangenen Jahr haben die Verbraucher im Durchschnitt nur weniger als die Hälfte (43 %) ihrer Weihnachtseinkäufe bis Dezember erledigt (Google/Ipsos, Globale Weihnachts-Shopping-Studie, Oktober 2023 – Januar 2024).

– Zielstrebig: 1 von 5 Einkäufen wurden mit Hilfe von Treue-Punkten während der Weihnachtszeit getätigt (Google/Ipsos, Weihnachts-Shopping-Studie, Oktober 2023 – Januar 2024).

Die Verbraucher haben spezifische Bedürfnisse, die, wenn sie erfüllt werden, ihr Vertrauen in ihre Kaufentscheidungen stärken und ihre Kaufabsicht erhöhen. Eine der wichtigsten Möglichkeiten, Ihre Marketingstrategie an diese Denkweisen anzupassen, besteht darin, den richtigen Touchpoint zum richtigen Zeitpunkt zu nutzen. Hier kommt es darauf an, einen diversifizierten Kanalmix zu nutzen und Ihre App neben Ihren anderen Kanälen zu verdoppeln.

Zum Beispiel:
– Bewusst: Da 93 % der Retailer angeben, dass Kunden die Apps ihres Unternehmens im Geschäft für mindestens einen Zweck während des Einkaufs nutzen, kann die Werbung für Ihre App dazu beitragen, dass aus der Recherche eine Aktion resultiert (Google/Ipsos, U.S., UK, DE, App-Retail-Studie, März 2023).

– Schnäppchenjäger/Zielstrebig: Ihre App ist eine großartige Möglichkeit, Ihren treuen Kundenstamm zu optimieren und auszubauen, denn 78 % laden Apps herunter, um treuebezogene Aktionen durchzuführen. Beispielsweise, um Treue-/Belohnungspunkte zu sammeln, Gutscheine und Rabatte zu erhalten, sollen häufige Einkäufe getätigt und exklusive Angebote und Deals genutzt werden (Google/Greenberg, mApp vs. mWeb, US, 2021).

In diesem Jahr stehen wir an einem echten Wendepunkt der Veränderungen, mit dem Aufstieg der KI, dem Verlust der Identifiers und verschärften Vorschriften. Wie effektiv kann das Marketing sein, um diese Probleme anzugehen?

In einer Welt, in der die Verbraucher von Gerät zu Gerät wechseln, einer Marke seltener treu sind und schwieriger zu erreichen sind, ist die Verbindung mit Ihren Kunden Ihr Wettbewerbsvorteil.

Die Mehrheit der Retailer (82 % bzw. 85 %) sind jedoch der Meinung, dass App-Kunden tendenziell mehr Wiederholungskäufe tätigen und im Vergleich zu Nicht-App-Kunden loyaler sind (Google/Kantar, US, CA, UK, DE, JP, IN, AU, BR, März – Juni 2022) und eher bereit sind, ihre 1P-Daten zu teilen (Google/MTM, Winning Apps, 2023).

Jetzt haben Sie die Gelegenheit, die Rolle des Marketings als Gewinntreiber zu festigen und zu beweisen und KI für Ihr Unternehmen einzusetzen, indem Sie alle Touchpoints, die Sie mit Ihren Kunden haben, optimieren und Ihre App für höhere Profitabilität und langfristiges Wachstum nutzen.

Doch während unsere Kernaufgabe als Marketers dieselbe ist – nämlich profitables Wachstum zu fördern und unsere Marken aufzubauen – ändert sich die Art und Weise, wie wir dieses Ziel erreichen. Die Google-KI ist nur so gut wie die Daten, die Sie einspeisen. Das gilt auch für alle Kanäle und Geräte, für die Sie KI einsetzen. Je mehr Connections Sie mit Ihren Kunden herstellen, desto mehr Connections und Verbesserungen können Sie auch für Ihre Kampagnen generieren, was sich letztendlich in Ihrer Marketing Performance widerspiegeln wird.

Wie sollten Marken angesichts der bevorstehenden Weihnachts-Shopping-Saison ihre Werbung anpassen und welche Google-Tools können sie nutzen?

Um die Nase vorn zu halten und den ROI zu steigern, müssen Marketers einen ganzheitlichen Ansatz für die Customer Journey verfolgen. Das bedeutet, dass Sie Ihre Zielgruppe nahtlos über alle Plattformen – Web, App und Desktop – erreichen müssen.

Um eine Methode dafür zu finden, haben wir ein 3-Schritte-Framework entwickelt, das alle Werbetreibenden mit einer App befolgen sollten: Messung, Optimierung und Wachstum.

Werbetreibende, die mit dem Tracking von Conversions in Web- und App-Kampagnen beginnen, können die Power von App-Conversions erkennen und mit Googles Deep Linking-, Bidding- und Tracking-Feature Web-to-App-Connect für sie optimieren.

Nachdem wir dieses Framework mit Werbetreibenden getestet haben, haben wir festgestellt, dass Werbetreibende, die Web to App Connect (W2AC) nutzen, den ROI ihrer Webkampagnen um durchschnittlich 21 % steigern können, indem sie die Ausgaben für App-Kampagnen für Installationen (ACi) erhöhen (Google Data, Global divisions, Okt – Dez 2022). Hier sind die Best Practices für die Durchführung von App-Kampagnen für Installationen zusammen mit Web-Kampagnen.

Schließlich empfehlen wir Werbetreibenden im Retail, die retailspezifischen Ads- Features von Google zu nutzen, wie z.B. Shopping Feeds, die zu einer Steigerung der Klickrate um 14% führen können (Google Data, Global divisions, Feb 2023) und saisonale Anpassungen mit Ihren App-Kampagnen für die Installation während der Hochsaison, um die Performance Ihrer Kampagnen zu maximieren.

Wie empfehlen Sie die Aufteilung der Budgets zwischen Nutzerakquise und Re-Engagement (Paid und Owned) in der Weihnachtssaison?

Um auf die Multi-Touchpoint-Reise der Kunden zurückzukommen, sollten sich Marketers darauf konzentrieren, wie Akquisitions- und Engagement-Kampagnen zusammenarbeiten, anstatt sie isoliert zu betrachten. Kunden schauen nicht auf die Kanäle, warum sollten Sie es also tun?

Bei Retail-Kunden haben wir die Erfahrung gemacht, dass sich App-Kampagnen für Installationen und Performance Max/Search gegenseitig ergänzen.

App-Kampagnen für Installationen sind die einzigen Google Ads-Kampagnen, die für App-Installationen optimiert werden können und sich als äußerst effizient für die Nutzerakquise erwiesen haben, während Web-Kampagnen wie Performance Max und Search effektiv für das Re-Engagement sind, insbesondere, wenn sie durch Features wie Web-to-App-Connect miteinander verbunden sind.

Zwei Beispiele für den positiven Effekt des gemeinsamen Einsatzes beider Kampagnen sind adidas, die organisatorische, Mess- und Kampagnen-Silos durchbrochen haben und nun dank ihrer Investitionen in Web-to-App-Connect und App-Kampagnen einen 2,4-fach höheren Search und Performance Max ROAS erzielen, sowie G-star RAW, die durch Investitionen in App-Kampagnen für Installationen (ACi) nun einen +450% höheren Performance Max ROAS erzielen.

Haben Sie Tipps für Unternehmen, deren Marketingteams zwischen Apps und Web aufgeteilt sind, wie dieses Thema zu behandeln ist?

Teams arbeiten letztlich auf der Grundlage von KPIs und Benchmarks. Um also Teams zusammenzubringen, müssen Sie auch Budgets und KPIs zusammenbringen.

Der erste Schritt besteht darin, zu kombinierten KPIs überzugehen und sie nicht nach Kampagnentypen (Akquisition vs. Engagement) oder Kanälen (Web vs. App) aufzuteilen. Dadurch wird eine teamübergreifende Zusammenarbeit ermöglicht und der Weg für eine erfolgreiche ganzheitliche Marketingstrategie freigemacht.

Ein Beispiel dafür ist einer unserer weltweit führenden Retail-Kunden, der die App- und Web-Performance völlig neu betrachtet hat, indem er den durchschnittlichen Umsatz pro Nutzer (ARPU) sowohl im Web als auch in der App analysierte und feststellte, dass er selbst in der Konjunktur mit seiner App mehr Umsatz bei geringeren Verkaufskosten erzielen konnte. Die App erzielte einen 10-fach höheren ROAS als das Web und eine 11-fach höhere Conversion Rate als das Web.

---

Maya Levin, Manager, Growth Marketing bei Bazaarvoice

Welche Strategie verfolgen Sie bei der Kombination von Akquisitions- und Remarketing-Aktivitäten im Allgemeinen und insbesondere in der Weihnachtszeit?

Bei Influenster sind wir große Fans davon, es einfach zu halten und unser wichtigstes Angebot ohne besondere Effekte zu präsentieren – Du meldest dich an, Du bekommst kostenlose Sachen, Ende der Geschichte!

Das ist in der Weihnachtssaison nicht anders, aber wir zeigen Ihnen gerne, wie Sie kostenlose Produkte erhalten können, die Sie dann verschenken können… Shopping erledigt! Wir beginnen im Oktober und informieren Sie über unsere aktuellen und kommenden Programme, damit Sie so viele kostenlose Produkte in Originalgröße erhalten, wie Sie möchten.

Beim Remarketing werden wir Sie an unsere Existenz erinnern UND Sie darum bitten, Ihre Interessen zu aktualisieren, damit wir Sie mit kostenlosen Produkten in Verbindung bringen können, die Ihnen auch zusagen. Haben Sie beispielsweise kürzlich einen Hund bekommen und nicht ausgewählt, dass Sie ein Haustier haben? Dann verpassen Sie vielleicht ein tolles Hundefutter.

Welche Herausforderungen sehen Sie in der bevorstehenden Weihnachtssaison und wie können diese Ihrer Meinung nach am besten bewältigt werden?

In jeder Shopping-Saison beginnt der Konkurrenzkampf – Marketers kämpfen um Ihre Aufmerksamkeit, und Sie möchten einfach nur durch Ihren Feed scrollen und werden mit organischen Postings, Paid Postings, als organisch getarnten Paid Postings bombardiert…

Akquise sollte eine ganzjährige Angelegenheit sein, und der Schwerpunkt sollte nicht mehr auf harten Verkäufen oder Conversions liegen, sondern auf dem Aufbau von Vertrauen. Wenn Sie im April Vertrauen aufbauen und Ihre Kunden im November daran erinnern, dass Sie für sie da sind, ist die Chance größer, dass Sie ihre Aufmerksamkeit und ihr Business in der Weihnachtssaison gewinnen.

Können Sie etwas zu Ihrer Strategie der Mediendiversifizierung sagen: Nutzen Sie einen Mix aus verschiedenen Kanälen, um Nutzer zur App zu bringen, und testen Sie neue Kanäle?

Zielgruppe ist jeder, der kostenlose Dinge liebt, also im Grunde jeder. Das bedeutet, dass wir Social-Media-Ads auf Plattformen wie Meta und TikTok, ACi auf Google kombinieren, unsere Apple- und Google Play-Storefronts pflegen und unsere Follower auf unseren organischen Kanälen begeistern.

Wir decken nicht jede einzelne Plattform ab, sondern wir erstellen Zielgruppen und überlegen, wo wir sie finden könnten. Dann testen wir mehrere Kanäle und Botschaften und finden die beste Kombination, die für Markenpräsenz und kosteneffiziente Conversion-Metriken sorgt.

Wie wichtig ist es für Ihr Business, die Loyalität Ihrer Kunden zu fördern? Ist sie wichtiger als früher, und wenn ja, warum?

Die Loyalität der Kunden war schon immer von größter Bedeutung und wird auch in Zukunft ein wichtiges Ziel für uns sein. Loyalität bedeutet Vertrauen – wenn Sie als ehrlich, fair und als eine Marke wahrgenommen werden, die sich um ihre Kunden kümmert, dann werden Ihre Kunden nicht nur bleiben, sondern sie werden zu Empfehlern und erzählen ihren Freunden von Ihnen.

Was sind die größten Trends im Bereich Creative Design und Creative Messung? Welche Arten von Creative halten Sie für besonders effektiv?

Wir sind große Fans von klassischen, zeitlosen Inhalten, die jeden ansprechen – Videos, die unser Produkt vorstellen und zeigen, wie es Ihr Leben im Grunde besser macht! Die kleinen Momente, die einen glücklich machen, wie z. B. eine Box voller Gratisprodukte oder ein Geschenk für jemanden, den man liebt.

Um die Performance zu messen und Schlussfolgerungen für unsere nächsten Maßnahmen zu ziehen, kombinieren wir die Erkenntnisse aus den Marketingplattformen, AppsFlyer und unserem BI-Tool Mixpanel, um eine möglichst umfassende Übersicht zu erhalten.

Setzen Sie KI-Tools für Creative, Messung und Optimierung ein? Was glauben Sie, wo KI zu wenig leistet oder zumindest Aufmerksamkeit erfordert?

KI ist überall und ein Segen, wenn man sie richtig einsetzt. Um das Beste aus der KI herauszuholen, sollten Sie sie in Ihre tägliche Arbeit einbeziehen und sie kontinuierlich füttern – obere Funnel-Metriken, untere Funnel-Metriken, Ad Performance, App-Nutzung, alles. Trainieren Sie sie als guten Freund, der immer den besten konstruktiven Ratschlag parat hat.

Wenn Sie in der Vergangenheit Kampagnen zur Weihnachtszeit durchgeführt haben – analysieren Sie Ihre Ergebnisse, erstellen Sie einen Jahrestrend, ermitteln Sie Stärken und Schwächen. Nehmen Sie diese Rohdaten und bitten Sie Ihren KI-Agenten, sie ebenfalls zu analysieren. Sind Sie zu ähnlichen Ergebnissen gekommen? Haben Sie neue Testmöglichkeiten entdeckt?

Was Sie nicht tun sollten, ist, es als schnelle Lösung für die Erstellung von Ads zu nutzen. „Hey 4.0, entwirf eine Werbebotschaft für kostenlose Wimperntusche, wenn du Influenster beitrittst“. Ja, es wird wahrscheinlich etwas Nettes und Eingängiges ausspucken, aber wird es auf früheren Erkenntnissen beruhen? Wird es zu Ihrer Zielgruppe passen?

---

• 1. Vor der Weihnachtssaison in UA investieren Viele Apps investieren in die Nutzerakquise, um dem Ansturm im vierten Quartal zuvorzukommen. Dieses Timing ermöglicht es ihnen, die Nutzer:innen effektiv wieder anzusprechen, die Verbraucherausgaben genau dann zu steigern, wenn sie ihren Höhepunkt erreichen, und höhere Akquisitionskosten während der Spitzenzeit zu vermeiden.
• 2. Konzentrieren Sie Ihre Maßnahmen auf den ersten Kauf Der Weg zur Loyalität beginnt mit dem ersten Kauf. Um diese Conversions zu sichern, sollten Sie Rabatte für Erstkäufer:innen ihrer App anbieten und Ihre Remarketing-Kampagnen frühzeitig starten – auf Owned und Paid Kanälen.
• 3. Kombinieren Sie Paid und Owned
  Medienstrategien Wenn die Konjunktur Anzeichen einer Erholung zeigt, sollten Sie die Gelegenheit ergreifen und Paid Remarketing zusammen mit einem starken Owned Media Push aktivieren. Mit diesem proaktiven Ansatz können Sie Ihre Gewinne in Zeiten des wirtschaftlichen Aufschwungs maximieren.
• 4. Monitoring und Diversifizierung der Medienkanäle Mit dem Markteintritt einiger großer asiatischer Anbieter verschärft sich der Wettbewerb um die Aufmerksamkeit der Nutzer:innen, was die Medienkosten in die Höhe treibt. Diese Entwicklung muss vor der Weihnachtssaison 2024 sorgfältig überwacht werden. Daher ist die Diversifizierung des Medien-Mixes – oft über die SRN hinaus – wichtiger denn je.
• 5. Mit KI-gesteuerter Creative-Messung die Granularität zurückgewinnen Nutzen Sie KI-gesteuerte Messungen, um herauszufinden, welche Elemente Ihre Ads am besten abschneiden lassen. Diese detaillierten Insights helfen, Ads effektiver zu gestalten und das Engagement zu steigern.

Sind Sie bereit, gute datengestützte Entscheidungen zu treffen?

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

• Einführung
• Was sind Data Clean Rooms?
• Überblick über einen neuen Markt
• Die Umsetzung von Data Clean Rooms

Einführung

Wenn Sie ein Marketer sind, sind Sie bestimmt in den letzten Monaten auf das Thema „Data Clean Room“ gestoßen.

Was ist das für eine seltsame, hygienische Datenkammer, von der alle reden? 

Manche bezeichnen Daten Clean Rooms als „die Schweiz der Daten“, und das zu Recht, denn sie bieten einen neutralen, sicheren Raum für einen kollaborativen Austausch von 1st-Party-Nutzerdaten. In einer Data-Clean-Room-Umgebung können zwei Parteien auf sichere Weise Daten austauschen und analysieren, wobei sie die volle Kontrolle darüber haben, wie, wo und wann diese Daten genutzt werden können. 

Marken erhalten Zugang zu dringend benötigten Daten, und das in einem rechtskonformen Rahmen, der nicht gegen die Privatsphäre der Verbraucher:innen verstößt. Während die Daten auf Nutzerebene in den Data Clean Room fließen, werden die aggregierten Erkenntnisse in einer kombinierten Zielgruppengruppe, einer Kohorte, gewonnen. 

Damit Sie gut gerüstet sind, nehmen wir Sie mit auf eine Reise durch dichte Wälder von 1st-Party-Daten – in einem Guide, der ganz dem Thema Data Clean Rooms gewidmet ist.  

Sie erfahren alles darüber, was sie sind, wie sie funktionieren, warum Marketers sie brauchen und wie Kampagnen gemessenen werden.

Aber bevor wir das tun, wollen wir damit beginnen, die uns alle an diesen Punkt gebracht hat.

1. Kapitel

Was sind Data Clean Rooms?

Die Evolution

Trotz ihres Wiederauflebens gibt es Data Clean Rooms als Infrastruktur schon seit einigen Jahren. 

Google war nicht der erste, der den Begriff geprägt hat, aber es war das erste Unternehmen, das eine Data-Clean-Room-Lösung auf den Markt gebracht hat und 2017 seinen Ads Data Hub einführte. Ziel war es, eine sichere und private Umgebung für die Anreicherung ihrer 1st-Party-Daten (aus CRMs, CDPs, Event-Logs usw.) mit Daten auf Nutzerebene zu schaffen, die im Google-Ökosystem enthalten sind, um sie anschließend für Google-Kampagnen zu nutzen.

Kurze Zeit später kündigte Facebook sein eigenes Data Clean Room Angebot an, um Daten mit seinen Kunden zu teilen. Ein Zufall? Wahrscheinlich nicht. 

Doch 2018 war das Jahr, in dem der Startschuss für die Ära des Nutzerdatenschutzes gefallen ist. Gesetze, wie die Datenschutz-Grundverordnung (DSGVO) und Apples „Intelligent Tracking Prevention 2.0“ wurden zu den neuen Datenschutz-Sheriffs.

Im Jahr 2019 folgte Amazon mit einer Data-Clean-Room-Plattform namens Amazon Marketing Cloud. Anfang 2020 trat das CCPA in Kraft und im April 2020 hielt das gesamte Mobile App-Ökosystem den Atem an, als Apple seine Opt-in-Mechanismus-Bombe in iOS 14 fallen ließ – auch bekannt als ATT (Apple Tracking Transparency)

Die Verschärfung der Gesetze zum Schutz der Privatsphäre der Nutzer:innen und die strengeren Datenschutzstandards haben die Art und Weise verändert, wie Werbetreibende und Marken Verbraucherdaten sammeln und weitergeben können.

Facebook kündigte im Oktober 2021 an, dass es Kampagnendaten auf Nutzerebene nicht mehr an Werbetreibende, sondern nur noch an Mobile Measurement Partners (MMPs) weiterleiten wird.

Zwischen Apples bahnbrechendem ATT-Framework, Facebooks Entscheidung über Daten auf Nutzerebene und dem Ende von Googles 3rd-Party-Cookies wird der Umfang und die Breite des Datenaustauschs zunehmend eingeschränkt, wodurch die Messung und Optimierung von Kampagnen schwieriger ist als je zuvor.

Daher brauchen Marken dringend neue Wege, um auf datenschutzkonforme Weise aussagekräftige Marketinginformationen zu erhalten. 

Den Auftakt zum Trend der Datenaustausch-Allianzen bildete 2019 die Zusammenarbeit von Disney mit Target, Unilever schloss sich mit Facebook, Google und Twitter zusammen, um einen kanalübergreifenden Messmodus zu schaffen, ITV ging 2020 eine Partnerschaft mit Infosum ein, und 2021 startete TransUnion seine Datenkooperation mit BlockGraph.  

Welche verbindliche Komponente hat all diese umfangreichen Datenkooperationen ermöglicht, die noch zunehmen werden? Natürlich die Data Clean Rooms.

Was ist ein Data Clean Room überhaupt?

Data Clean Rooms ermöglichen es Marketers, die Power des kombinierten Datensatzes zu nutzen und gleichzeitig die Datenschutzbestimmungen einzuhalten. Personenbezogene Informationen (PII) oder auf die Attribution beschränkte Daten einzelner Nutzer:innen werden keinem der beteiligten Mitwirkenden zugänglich gemacht, wodurch es für diese unmöglich ist, Nutzer:innen mit Unique Identifiers zu identifizieren.

Personenbezogene Daten und Daten auf Nutzerebene werden so verarbeitet, dass sie für eine Vielzahl von Messzwecken zur Verfügung gestellt werden können, wobei anonymisierte Daten entstehen, die dann mit Daten aus verschiedenen Quellen abgeglichen und kombiniert werden können. 

In den meisten Fällen sind die einzigen Ergebnisse aus dem Data Clean Room aggregierte Erkenntnisse, z. B. dass Nutzer:innen, die Aktion X durchgeführt haben, Y angeboten werden sollten.

Der Schlüsselfaktor, der Daten Clean Rooms zu einer hochgradig zuverlässigen Plattform macht, ist die Tatsache, dass der Zugang, die Verfügbarkeit und die Verwendung von Daten von allen Daten-Clean-Room-Parteien vereinbart werden, während die Datenverwaltung vom Anbieter des Daten Clean Rooms sichergestellt wird. 

Damit ist sichergestellt, dass eine Partei nicht auf die Daten der anderen zugreifen kann. Die Grundregel besagt, dass individuelle oder nutzerbezogene Daten nicht ohne Zustimmung zwischen verschiedenen Unternehmen ausgetauscht werden können.

Nehmen wir an, eine Marke möchte Erkenntnisse mit einem Supermarkt namens Target teilen. Um dies zu erleichtern, muss jede Partei ihre Daten auf Nutzerebene in einen Data Clean Room übertragen, um zu sehen, was die andere Partei bereits über gemeinsame Zielgruppen kennt, z. B. Reichweite und Frequency, Zielgruppenüberschneidungen, plattformübergreifende Planung und Distribution, Kaufverhalten und demografische Daten.

Data Clean Rooms können auch als intermediäres Tool zur Messung der Performance von Kampagnen eingesetzt werden. Anstelle von Schätzungen können Marken einen Blick unter die Haube der 1st-Party-Daten von Amazon oder Google werfen – und das alles unter Wahrung der Privatsphäre.

Im Gegenzug erhalten Werbetreibende einen aggregierten Output ohne Unique Identifiers, einschließlich Segmentierung und Look-alike Zielgruppen, der dann mit einem Publisher, einem DSP oder einem Werbenetzwerk geteilt werden kann, um eine Kampagne durchzuführen. Wenn Sie als Einzelhändler ein Werbenetzwerk betreiben, können Sie diesen Output auch für den Kauf von Ads nutzen.

Wie funktioniert ein Data Clean Room?

Der Vorgang eines Data Clean Room umfasst vier Komponenten: 

1 – Daten Ingestion

Zu Beginn werden 1st-Party-Daten (von CRMs, Websites/Apps, Attribution usw.) oder 2nd-Party-Daten von Kooperationspartnern (d. h. Marken, Partnern, Werbenetzwerken, Publishern) in den Data Clean Room eingespeist. 

2 – Vernetzung und Bereicherung

Die Datensätze werden dann auf der Nutzerebene abgeglichen und mit Hilfe von Tools wie der Datenanreicherung durch Drittanbieter aufeinander abgestimmt.

3 – Analyse

In diesem Schritt werden die Daten analysiert: 

• Überschneidungen oder Überlappungen
• Messung und Attribution
• Propensitäts-Scoring

4 – Marketing Einsatzmöglichkeiten

Am Ende der Data-Clean-Room-Reise ermöglichen aggregierte Daten-Outputs den Marketers: 

• Schaffung von mehr relevanten Zielgruppen
• Optimierung der Customer Experience und A/B-Tests
• Durchführung von plattformübergreifender Planung und Attribution
• Durchführung von Reichweiten- und Frequency-Messungen
• Durchführung von tiefergehende Kampagnen-Analysen

Nachdem wir nun das Wie behandelt haben, stellt sich die Frage, wie die Daten tatsächlich abgeglichen werden. 

Bei der Zusammenarbeit mit einem Daten Clean Room sind Identifiers wie E-Mail, Adresse, Name oder Mobile-ID sowohl auf der Seite des Werbetreibenden als auch auf der des Publishers sehr ähnlich, was einen erfolgreichen Abgleich der beiden Datenquellen ermöglicht.

Wenn solche Identifiers nicht vorhanden sind, könnten fortschrittliche Tools wie maschinelles Lernen und probabilistische Modellierung eingesetzt werden, um die Abgleichsmöglichkeiten zu verbessern.

Warum brauchen Marketers einen Data Clean Room?

An erster Stelle steht die wachsende Aufmerksamkeit für den Datenschutz. 

Aufgrund der Datenschutzbestimmungen und Walled-Garden-Initiativen zum Schutz der Privatsphäre wird es für Werbetreibende und Publisher immer komplexer, Daten zu sammeln, zu speichern, zu analysieren und weiterzugeben.

Der zweite Grund ist das mangelnde kommerzielle Vertrauen zwischen den Parteien. Wie wir alle wissen, ist die Weitergabe wertvoller 1st-Party-Daten außerhalb eines Data Clean Rooms sowohl aus rechtlicher als auch aus wirtschaftlicher Sicht riskant. 

Und schließlich ineffiziente Datensyntheseprozesse, bei denen die Datenkorrelation zwischen verschiedenen Datensätzen von Datenwissenschaftlern durchgeführt werden muss, was ein kostspieliges und zeitaufwändiges Unterfangen ist. 

Data Clean Rooms zur Rettung!

Bzgl. dem Datenschutz behalten alle Beteiligten in einem Data Clean Room die volle Kontrolle über ihre Daten, die in der Regel während des gesamten Prozesses vollständig verschlüsselt sind. Ein Data Clean Room beinhaltet strenge Regeln und Berechtigungen, bei denen jede Partei festlegt, auf welche Daten sie zugreifen und wie sie verwendet werden dürfen.  

Ein weiterer wichtiger Aspekt, der sich mit den oben genannten Herausforderungen befasst, ist der differenzierte Datenschutz, der es unmöglich macht, eine bestimmte Impression, einen Klick oder eine Aktivität einem:r bestimmten Nutzer:in zuzuordnen. 

Nicht zuletzt bieten Data Clean Rooms datenschutzgerechte Berechnungen, Abfragen und aggregierte Reports, die sich für die Integration von Datensätzen eignen. 

2. Kapitel

Überblick über einen neuen Markt

Daten auf Nutzerebene waren früher das, worauf sich Mobile Marketers voll und ganz verlassen haben. In den letzten Jahren haben jedoch die zunehmende Regulierung des Datenschutzes und die Tatsache, dass diese Daten schwerer zu finden sind als ein Schneeleopard, dazu geführt, dass die Werbetreibenden jetzt Schwierigkeiten haben, datengestützte Entscheidungen zu treffen.

Und wenn Sie glauben, dass es nur eine Phase ist, dann irren Sie sich gewaltig. Es wird prognostiziert, dass sich diese tiefgreifenden Veränderungen im Ökosystem noch beschleunigen werden, was den Zugang zu diesen Daten weiter einschränken und die Business-Optimierung noch schwieriger machen würde, als sie ohnehin schon ist.

Fallen Sie jedoch nicht vom Glauben ab. Diese Veränderungen können für Marken durchaus eine wertvolle Gelegenheit sein, ihren Wettbewerbsvorteil zu kultivieren. Forrester hat es gut ausgedrückt, als sie feststellten, dass „ethische Datenschutzpraktiken die nächste verbraucherorientierte, wertebasierte Quelle der Differenzierung sein werden“.

Data Clean Rooms haben ihren Ursprung in dieser auf den Schutz der Privatsphäre ausgerichteten Denkweise. Die Notwendigkeit der Einhaltung von Datenschutzbestimmungen und der Cross-Media-Messung und -Optimierung führt dazu, dass Data Clean Rooms zu einem unverzichtbaren Bestandteil des Tech-Stacks von Marketers werden.

Schätzungen zufolge gibt es derzeit zwischen 250 und 500 Daten-Clean-Room-Implementierungen, die entweder aktiv oder in verschiedenen Entwicklungsstadien sind.

Welcher Data Clean Room passt zu Ihnen? Schauen wir uns das mal an:

Data Clean Room Typen

Alle Data Clean Rooms helfen dabei, die Verbraucher:innen in der Masse zu verstecken, indem sie ihre Daten auf Nutzerebene de-identifizieren und sie anhand gemeinsamer Attribute in Gruppen zusammenfassen. Doch worin unterscheiden sie sich voneinander?

Um Ihnen zu helfen, sich in der sich schnell entwickelnden Landschaft der Data Clean Rooms zurechtzufinden, lassen Sie uns die vorhandenen Typen aufschlüsseln, die Performance jedes einzelnen in der Wertschöpfungskette bewerten und ihre einzigartigen Vor- und Nachteile betrachten:

Walled Gardens – Big-Tech-Plattformen

Diese Gruppe besteht aus geschlossenen Ökosystemen, bei denen der Technologieanbieter die Hardware, die Apps oder die Inhalte in erheblichem Maße kontrolliert.

Walled Gardens wurden zuerst von Google, Amazon und Meta (Facebook) eingeführt, um ihre 1st-Party-Daten sicher zu vermarkten und dabei auch Werbeausgaben von Konkurrenten abzufangen. 

Es versteht sich von selbst, dass fast 70 % aller Ausgaben für Werbemedien auf diese drei Giganten entfallen, von denen jeder den Werbetreibenden erlaubt, innerhalb ihres Walled Gardens mit Data Clean Rooms zu arbeiten: Google Ads Data Hub (ADH), Facebook Advanced Analytics (FAA), and Amazon Marketing Cloud (AMC). 

In diesen sicherheitsintensiven Umgebungen machen die Mega-SRNs die Daten auf Event-Ebene für Marketers zugänglich, damit sie fundierte Kampagnenentscheidungen treffen können, ohne die Privatsphäre der Verbraucher:innen oder das Ökosystem zu gefährden.

Pros

• Unterstützung der Anreicherung von 1st-Party-Datensätzen mit Daten auf Event-Ebene

Cons

• Bereitstellung von Rohmaterial für die Analyse. Um diese Daten für den gewöhnlichen Marketer lesbar zu machen, wird ein Team von Datenwissenschaftlern, Analysten und Ingenieuren benötigt 
• Starre Architektur
• Mangelnde plattformübergreifende Fähigkeit, verwertbare Daten zu generieren (z. B. Multi-Touch-Attribution)
• Fehlende unternehmensübergreifende Datenzusammenarbeit
• Strenge Abfragefunktionalität

Plattformübergreifende oder neutrale Akteure

Es gibt zwei Untergruppen von Data Clean Rooms, die jeweils ihre eigenen Vor- und Nachteile haben:

Abwechslungsreich

Dabei handelt es sich in erster Linie um eingesessene Unternehmen, die in angrenzenden Branchen wie Marketinganwendungen oder Cloud-Datenspeicherung tätig sind und Mechanismen für die Datenzusammenarbeit zur Erfassung von Signalen unter Einhaltung der Vorschriften anbieten. Zu dieser Gruppe gehören Anbieter wie Epsilon, Measured, BlueConic und Merkle.

Pros

• Architektonische Flexibilität
• Maßgeschneiderte Governance-Kontrollen über die Art der Daten und den Grad der Analyse

Cons

• Begrenzter Zugang zu Walled-Garden-Daten
• Enges Partner-Ökosystem 
• Begrenzte nachgelagerte Integrationen 
• Nutzung der bestehenden Funktionen der Customer Data Platform (CDP) / Complex Event Processing (CEP), was zu potenziellen Datenproblemen führen kann

Pure Players

Dies sind die jungen, kleinen bis mittelgroßen Anbieter von Daten Clean Rooms, darunter Habu, Harbr, InfoSum und Decentriq, aber auch stärker auf Unternehmen ausgerichtete Tools wie SnowFlake.

Pros

• Architektonische Flexibilität
• Nutzung der bestehenden Datenpiping- und Speicherinfrastruktur (SnowFlake)
• Zugang zu einem Ökosystem von integrierten Partnern (SnowFlake) 

Cons

• Begrenzte Granularität der 1st-Party-Daten
• Ist oft auf die Infrastruktur von Drittanbietern für die Daten-Ingestion angewiesen
• Geringe Auswahl an nachgelagerten Integrationsmöglichkeiten

Mobile Measurement Partner (MMP)

Im Idealfall ist ein MMP ein vertrauenswürdiger und unvoreingenommener Akteur, der es ermöglicht, alle verfügbaren Daten auf Nutzerebene unter Praxis der eigenen Geschäftslogik des Kunden zu nutzen und dann über aggregierte und umsetzbare Erkenntnisse zu verfügen.

Pros

• Gebundene Ressource – Datengranularität auf Nutzerebene und kanalübergreifend
• Conversion Daten in Echtzeit
• Umfassende Analysen für die Geschäftslogik von Mobile Apps
• Flexible Integrationsmöglichkeiten
• Aggregierte Report Erstattung in höchster Qualität 

Cons

• Einige Beschränkungen hinsichtlich der Datengranularität und abfragebezogener Aktionen könnten von SRN auferlegt werden
• Fehlen einer bestehenden CDP-Architektur

Um den für Sie am besten geeigneten Anbieter von Data Clean Rooms zu ermitteln, sollten Sie Ihren Hauptkanal (Mobile, App oder Web), Ihre Unternehmensgröße, Ihre Marketinganforderungen, Ihre Datenstruktur und Ihre internen Ressourcen berücksichtigen.

Wohin bewegt sich der Markt?

Die Erfassung von 1st-Party-Daten hat sich bereits zu einer äußerst strategischen Mission entwickelt, und diese Entwicklung wird sich in den kommenden Jahren noch beschleunigen. Das wachsende Interesse an einer datenschutzgerechten Zusammenarbeit jenseits von „Walled Gardens“ hat dazu geführt, dass es immer mehr neutrale Anbieter von Data Clean Rooms gibt. 

Dies ist eine gute Nachricht für unser gesamtes datenhungriges Ökosystem, denn je vielfältiger die Optionen sind, desto einfacher wird es für Unternehmen, die für ihre individuellen Anforderungen am besten geeignete Data Clean Room Plattform zu wählen. 

Und je mehr Unternehmen auf regulierten Datengrundlagen wie z. B. Daten Clean Rooms zusammenarbeiten, desto einfacher wird es für Marketers, ihre Kampagnen zu messen, zu attribuieren und zu optimieren.

Wie wählen Sie den richtigen Data Clean Room für Ihr Unternehmen?

Werbetreibende, die viel Geld für Datenökosysteme ausgeben, müssen jetzt in einen Data Clean Room investieren. Aber ganz gleich, ob Sie einen brandneuen Data Clean Room einrichten oder einen bestehenden aufrüsten wollen – wie treffen Sie eine fundierte Entscheidung über die für Ihr Unternehmen am besten geeignete Lösung?

Um Ihnen die Entscheidung zu erleichtern, wollen wir die Wettbewerbslandschaft der Data Clean Room näher beleuchten, wobei zwei Hauptfaktoren zu berücksichtigen sind:

• Der Umfang und die Qualität der Daten – die so genannte Tiefe
• Und die Vielfalt der empfangenen Daten – die so genannte Breite

Der Walled Garden hat den Vorteil der Datentiefe, aber es fehlt ihr an Vielfalt. Die Pure-Play-Gruppe bietet in der Regel nur die Data Clean Room Technologie an, aber geringe Datentiefe oder -breite. Und dann sind da noch die MMPs, die sowohl die Data-Clean-Room-Technologie, die Datentiefe und -breite als auch eine Vielzahl von Partner-Integrationen anbieten.

Wenn Sie einen Data Clean Room in Erwägung ziehen, sollten Sie einige Best Practices beachten, um das Beste aus der Lösung herauszuholen:

• Berücksichtigen Sie zunächst Ihren Hauptkanal (Mobile, App oder Web), die Unternehmensgröße, die Marketinganforderungen, die Datenstruktur und die internen Ressourcen. 
• Beginnen Sie dann damit, Ihren Data Clean Room kundenorientiert zu gestalten. Nicht nur für die Gegenwart, sondern auch für die Zukunft. Die besten Data Clean Rooms sind so eingerichtet, dass sie Veränderungen im Verbraucherverhalten antizipieren. 
• Beginnen Sie schließlich mit Tests mit einer Live-Zielgruppe. Eine Analyse des Verbraucherverhaltens in Echtzeit und die Gewinnung verwertbarer Erkenntnisse sind von unschätzbarem Wert.

Warum haben sich Data Clean Rooms (noch) nicht weiter durchgesetzt?

• Um es gleich vorweg zu nehmen: Data Clean Rooms sind nicht günstig! Die großen „Walled Garden“-Anbieter bieten zwar Alternativen, aber die logistischen und betrieblichen Hürden in der Zusammenarbeit mit diesen Plattformen können für alle Beteiligten eine Belastung darstellen. 

• Der Erfolg von Data Clean Rooms beruht auf der gemeinsamen Nutzung von Daten, und nicht alle Werbetreibenden sind bereit, detaillierte Transaktionsdaten preiszugeben, insbesondere aufgrund des Vorurteils potenzieller Datenschutzrisiken. Und wenn unausgegorene Daten eingegeben werden, kommen auch unausgegorene Daten heraus, die bestenfalls eine grobe Messung ergeben.
• Universelle Standards für die Umsetzung müssen noch festgelegt werden. Das bedeutet, dass die Zusammenführung von Daten, die in verschiedenen Formaten vorliegen, und die Vorbereitungsarbeit, die mit der Aggregation dieser Daten verbunden ist, zeitaufwändig sein kann.
• Schließlich dürfen wir nicht vergessen, dass in einigen Fällen noch Daten auf Nutzerebene verfügbar sind (z. B. bei Android-Geräten und zustimmenden iOS-Nutzer:innen), was die Dringlichkeit der Implementierung einer Data Clean Room-Losung zumindest etwas abmildern könnte.

Können diese Hürden mit dem richtigen Technologiepartner, den richtigen Ressourcen und der richtigen Datenaufbereitung überwunden werden? Ja, natürlich. Aber dazu mehr in unserem nächsten Kapitel.

3. Kapitel

Die Umsetzung von Data Clean Rooms

Inzwischen wissen wir, dass Data Clean Rooms Werbetreibenden und Publishern sichere, datenschutzgerechte Messungen bieten. 

Aber in welchen Fällen sollten Sie sie einsetzen? Welche Szenarien könnten von einer Analyse in einer Data-Clean-Room-Umgebung profitieren?

In diesem Abschnitt erfahren wir, wie Data Clean Rooms Marketers wirklich so helfen: 

1. Schaffung von mehr relevanten Zielgruppen
2. Kontinuierliche Verbesserung der Kundenerfahrung
3. Plattformübergreifende Planung und Attribution
4. Optimieren Sie Reichweite und Frequenzmessung
5. Durchführung von vertiefter Kampagnenanalyse

Schauen wir uns das in der Praxis an.

Performance Measurement

Das Tracking der Retention, ARPU, LTV und ROAS werden zu Recht als wichtige Anwendungsfälle für Data Clean Rooms genannt. Ein Data Clean Room bietet eine neutrale Umgebung, um sowohl die CRM-Daten des Werbetreibenden als auch die von den relevanten Marketingpartnern bereitgestellten Daten zur Anzeigenschaltung zu analysieren.

In diesem Anwendungsfall können Werbetreibende ihre 1st-Party-Daten im Anschluss an eine Kampagne in einen Data Clean Room hochladen, Unique Identifiers abgleichen und Analysen über ihre Kundendaten und die vom Data-Clean-Room-Anbieter zur Verfügung gestellten Daten zur Anzeigenschaltung durchführen. 

Nehmen wir an, Sie möchten Ihre neuesten Kaufdaten mit den Daten zur Anzeigenschaltung von Google vergleichen. Googles Walled Garden Data Clean Rooms – Ads Data Hub – ermöglicht es Ihnen, den prozentualen Anteil der Neukunden den Marketingaktivitäten zuzuordnen, die über die Google-Werbekanäle stattgefunden haben.  

Wenn Sie im E-Commerce tätig sind, füttern Sie den Data Clean Room einfach mit Ihren CRM-Daten, Unique Identifiers (E-Mails, Postadressen, Mobile-IDs usw.) und dem Kaufdatum. Dann wird jeder Medieneigentümer seine Daten zur Anzeigenschaltung und Unique Identifiers angeben, die zur Erstellung der Kampagnenzielgruppe genutzt werden. 

An diesem Punkt können Sie die Überschneidung zwischen neuen Kundinnen und Kunden und denjenigen, die über die einzelnen Medien auf die Kampagne aufmerksam geworden sind, genau messen und dann bestimmen, welcher Prozentsatz der neuen Kundinnen und Kunden den einzelnen Kanälen attribuiert werden kann.

2 – Aufbau detaillierterer Zielgruppen

Nachdem Apple seine ATT-Bombe platzen ließ, die den Zugang zu Daten auf Nutzerebene drastisch erschwerte, wurde Granularität die Priorität der Marketers.

Ein Data Clean Room ermöglicht einen Grad an Granularität, der bis vor kurzem einfach nicht möglich war. Es sammelt Daten von autorisierten Drittanbietern, die in eine Reihe von verhaltensbezogenen, demografischen und standortbezogenen Gruppen eingeteilt und dann zur Verbesserung Ihrer internen Datenbank für eine detailliertere Datenanreicherung und -analyse genutzt werden. 

Das Schöne daran ist, dass ein Data Clean Room nicht die Weitergabe persönlicher Daten der Nutzer:innen erfordert, um eine Analyse durchzuführen, sondern die virtuelle Vernetzung mehrerer Datenquellen durch anonymisierte Kohorten ermöglicht. 

Auf diese Weise können Marketers die Überschneidung zwischen ihrer Zielgruppe und den verschiedenen Medienzielgruppen messen. Schließlich sind sie in der Lage, die optimalen Wege zu verstehen, um ihre Zielgruppe zu erreichen, effektivere Kampagnen zu planen und die Omnichannel-Messung durchzuführen.

Wie können granulare Insights in die Zielgruppe Ihre Marketingaktivitäten verbessern? Gute Frage: 

Verfeinerung der Zielgruppenansprache

Die Segmentierung Ihrer Zielgruppen anhand fein abgestimmter Daten wie z. B. Verbraucherverhalten und Einkaufsgewohnheiten kann sich erheblich auf Ihre Kampagnenstrategie auswirken. 

Angenommen, Ihre Marke hat vor kurzem eine neue Partnerschaft mit einer anderen Marke geschlossen, deren Zielgruppe sich mit der Ihren überschneidet. Mithilfe von Data Clean Room-gestützten Insights zur Zielgruppe können Sie Überschneidungspunkte und gemeinsame Charakteristiken identifizieren, die dann für weitere strategische Analysen genutzt werden können.

Erstellung von maßgeschneiderten Inhalten und Kuratierung von Engagements

Wenn Sie die Interessen der einzelnen Marktsegmente kennen, können Sie relevantere Inhalte, Werbeempfehlungen und neue Ad-Formate erstellen, die speziell auf diese Interessen zugeschnitten sind.

Das Verfeinern Ihres Messagings, Ihrer Formate, Werbemittel und Kanäle, um jedes Segment individuell ansprechen zu können, die Sprache dieses Segments zu sprechen und seine spezifischen Probleme anzugehen, ist viel einfacher, wenn Sie eine Data-Clean-Room-Umgebung nutzen.

Anwendungsfall der granularen Segmentierung

Angenommen, Sie besitzen eine E-Commerce-Marke und Ihre 1st-Party-Daten umfassen Kundenattribute und zugehörige Produkt-SKUs (Stock Keeping Units). Sie möchten eine Kampagne durchführen, die sich an eine potenzielle Zielgruppe richtet, die ähnliche Eigenschaften aufweist, und anschließend eine relevante Remarketing-Kampagne anhand der Kaufhistorie und -häufigkeit durchführen. 

Erstellen Sie zunächst Ihre Zielsegmente. Laden Sie dann die relevanten Datensätze in einen Data Clean Room hoch, wo Ihr Team mit Werbepartnern zusammenarbeiten kann, um Ihre 1st-Party-Daten mit deren 3rd-Party-Daten zu vergleichen. Das Ergebnis sind aggregierte, umsetzbare Ergebnisse, die Ihnen helfen können, gezielte Kampagnen zu entwickeln, ohne die Privatsphäre Ihrer Nutzer:innen zu gefährden.

3 – Optimierung von Reichweite und Frequenzmessung

Sobald Sie über Impressionsdaten auf PII-Ebene von Partner-Werbenetzwerken verfügen, können Sie genau nachvollziehen, welche Ads welcher Kundin oder welchem Kunde wie oft geschaltet werden, was wiederum zur Deduplizierung der Kampagnenreichweite und -Frequenz, zur Minimierung von Ad-Fatigue und zur Verbesserung Ihrer Medienplanung genutzt werden kann. 

Data Clean Rooms können auch bestätigen, dass Sie die richtige Zielgruppe ansprechen, was Ihnen helfen wird, Ihre Segmentierungskriterien zu optimieren und zu verfeinern. Und mit Data Clean Rooms können Sie Ihre Customer Journey optimieren, indem Sie Nutzer:innen anhand ihrer Position im Funnel und ihrer Interaktion mit Ihrer Ad ansprechen. 

4 – Messung der Inkrementalität

Impressionsdaten von Publishern, Zielgruppen, 1st-Party-Response- und -Conversion-Daten können auf Nutzerebene miteinander verknüpft werden, um Ihnen zu helfen, die inkrementelle Wirkung Ihrer Marketingmaßnahmen zu verstehen.

Denken Sie an die Möglichkeit, durch A/B-Tests Vergleiche zwischen Ihren Test- und Mediationsgruppen anzustellen, oder – noch wichtiger – zwischen Ihren exponierten und nicht exponierten Gruppen. Ziemlich Beindruckend.

5 – Potenziellen Werbetreibenden die Qualität der Nutzer:innen vor Augen führen

Publisher können Daten auf Nutzerebene in die sichere Umgebung eines Clean Rooms einspeisen und Werbetreibenden die Möglichkeit geben, die Überschneidung von Kunden – und sogar die Qualität der Nutzer:innen – anhand verschiedener Merkmale zu beurteilen.

Auf der anderen Seite können Werbetreibende eine Zielgruppe aufbauen und es dann mit Publisher X testen, um die Ergebnisse zu bewerten. Sowohl für Publisher als auch für Werbetreibende ist es eine ideale Möglichkeit, sich einzubringen und den Wert der von ihnen akquirierten Nutzer:innen zu demonstrieren.

6 – Aufbau von Partnerschaften für 1st-Party-Daten

Strategisch gesehen können sich zwei Unternehmen darauf einigen, Datensätze in einer geschützten und ausschließlich genehmigten Umgebung zusammenzuführen und abzugleichen, um so neue Partnerschaften innerhalb des Medien-Ökosystems zu fördern.  

Diese sichere Queranalyse kann auch dazu beitragen, die Produktentwicklung voranzutreiben und den Marketers zu ermöglichen, ihre strategische Planung zu verbessern.

7 – Training, Inferenz und Propensity Scoring

Schließlich können Sie in einer Data-Clean-Room-Umgebung wieder Zugriff auf eingeschränkte granulare Daten auf Nutzerebene erhalten, die für die erfolgreiche Ausführung von Trainings- und Inferenzmodellen und sogar von Propensity-Modellen erforderlich sind, mit denen Sie eine Prognose über die Wahrscheinlichkeit erhalten, dass eine Kundin oder Kunde eine bestimmte Aktion durchführen wird.

The post Es ist an der Zeit, aufzuräumen – der vollständige Guide für Data Clean Rooms appeared first on AppsFlyer.

Drei Jahre nach der Einführung des Apple-App-Tracking-Transparency-Frameworks (ATT) und vor der Veröffentlichung der Privacy Sandbox für Android steht uns eine weitere wichtige Veränderung in Sachen Datenschutz bevor.

Der Digital Markets Act (DMA) der Europäischen Union ist auf dem Weg und zielt auf einen fairen Wettbewerb und eine Verpflichtung zu einem strengen Datenschutz in der Tech-Industrie ab.

Es handelt sich dabei um eine Verordnung, die einen fairen Wettbewerb fördern soll, indem Regulierungsvorschriften für große Tech-Unternehmen oder „Gatekeeper“ durchsetzt und sicherstellt, dass diese ihr Business transparent betreiben und kein Monopol auf Nutzerdaten ausüben. Dieses Gesetz hat erhebliche Auswirkungen darauf, wie diese Unternehmen weiterhin in der EU tätig sein werden, mit weitreichenden Folgen für die digitale Werbung und dem gesamten Ökosystem.

In diesem Beitrag wird erläutert, was der DMA abdeckt, welche Anforderungen und Erwartungen die digitalen Gatekeeper haben, was Werbetreibende erwarten können und wie AppsFlyer dabei hilft, den Übergang zu erleichtern, um sowohl die rechtliche Integrität als auch die Marketing-Performance zu gewährleisten.

Was ist der Digital Markets Act?

Der European Union’s Digital Markets Act (DMA) ist eine Regelung, die von der EU geschaffen wurde, um sicherzustellen, dass große Tech-Unternehmen einen fairen Wettbewerb in Bezug auf den Zugang zu Nutzerdaten, den Schutz der Privatsphäre, den Austausch und die Nutzung von Daten führen. Ihr Ziel ist es, kleineren Unternehmen und Verbrauchern eine bessere Chance im Wettbewerb mit den digitalen Giganten zu verschaffen. 

Der DMA stellt spezifische Anforderungen an große Online Plattformen und definiert sie als „Gatekeeper“ auf der Grundlage von Nutzerzahlen, Marktauswirkung und anderen Kriterien. Diese Gatekeeper müssen sich an Regeln halten, die Fairness und Transparenz bei ihren Diensten, Werbetreibenden und Angeboten fördern, darunter:

• Sicherstellung eines fairen Zugangs zu den Diensten von Drittunternehmen
• Bereitstellung von Daten für Werbetreibende und Publisher, um die Wirksamkeit ihrer Werbung zu messen
• Verbot der Nutzung der auf ihren Plattformen erhobenen Daten für ihre eigenen Werbedienste, sofern sie nicht auch anderen Werbetreibenden zur Verfügung gestellt werden
• Verbot der gemeinsamen Nutzung von Nutzerdaten durch die eigenen Diensten/Plattformen eines Gatekeepers ohne ausdrückliche Zustimmung der Nutzer:innen

DMA Zeitplan

Das Gesetz über den Digital Markets Act (DMA) wurde nach gründlicher Prüfung, Entwicklung und ausführlichen Diskussionen zur Abstimmung gestellt und anschließend von den EU-Gesetzgebern angenommen. Die Verordnung unterlag mehreren Änderungen, Überarbeitungen und Genehmigungen, bis es schließlich zur Durchsetzung kam, wobei die Gatekeeper verpflichtet sind, bis zum 6. März 2024 die Vorschriften umzusetzen.

Wie passt sich das Ökosystem an?

Gatekeepers wie Google, Meta, Apple und Amazon stehen im Mittelpunkt des Interesses der DMA. Sie müssen ihre geschäftlichen und technischen Strategien bis zum 6. März 2024 neu ausrichten, um die strengen Anforderungen der DMA zu erfüllen, und bei Nichteinhaltung drohen saftige Strafen.

In welchem Stadium befinden sich diese Giganten, wenn es um ihre Bereitschaft für diesen massiven Wandel geht?

Google

Der erste Gatekeeper, der seine DMA-Unterstützung ankündigt, ist Google. Ihr Vorgehen zum DMA beinhaltet die Aktualisierung ihrer Richtlinie über die Zustimmung der Nutzer:innen, insbesondere im Europäischen Wirtschaftsraum (EWR). Dazu gehören die Verbesserung der Transparenz bei der Datennutzung und die Anpassung an lokale Gesetze. 

Werbetreibende müssen sich ebenfalls an diese Änderungen anpassen, wozu auch die Einholung und Weitergabe von Zustimmungssignalen für Werbung und Personalisierung mit Google Ads über einen autorisierten MMP gehört. 

Zur weiteren Verdeutlichung: Google verlangt von allen Werbetreibenden, dass sie für jede Installation, jedes Event oder sogar jede Nutzerinformation, die als Teil einer Zielgruppe (Customer Match) hochgeladen wird, zwei neue Zustimmungs-Felder mit Google teilen, wenn die Daten von einem/einer Nutzer:in innerhalb des EWR stammen:

• ad_personalization=true/false: Legt die Zustimmung für personalisierte Werbung fest.
• ad_user_data=true/false: Legt die Zustimmung zur Übermittlung von Nutzerdaten an Google zu Werbezwecken fest.

Diese Signale informieren den Suchgiganten darüber, ob sich ein:e Nutzer:in innerhalb des EWR befindet und ob er damit einverstanden ist, dass seine/ihre Daten für Werbe- und Personalisierungszwecke genutzt werden.

Meta

Meta hat außerdem vor kurzem angekündigt, dass sie den Anforderungen der DMA in der EU, dem EWR und der Schweiz nachkommen und den Nutzern die Wahl bieten, wie sie Informationen zwischen ihren Diensten austauschen möchten und ob sie bestimmte Dienste gemeinsam oder getrennt verwalten wollen.

So können beispielsweise Nutzer:innen, die ihre Facebook- und Instagram-Konten miteinander verbunden haben, diese Verbindung beibehalten oder sie getrennt verwalten, was bedeutet, dass keine Daten zwischen den beiden Diensten ausgetauscht werden. Dazu gehören auch andere Facebook-Dienste wie Messenger, Marketplace, Gaming und Ads, die zusammen oder getrennt verwaltet werden können, um zu vermeiden, dass Daten zwischen ihnen ausgetauscht werden.

Apple 

Auch Apple kündigte öffentlich ihre Umsetzung an, da der DMA von Apple verlangt, iOS, Safari und den App Store als „zentrale Plattform-Dienste“ in der EU anzuerkennen, was mehrere Anpassungen zur Folge hat. 

Darüber hinaus erhalten Developer eine Option für alternative Zahlungsabwicklung und App-Distribution auf iOS, einschließlich notarieller Beglaubigung für iOS-Apps, um Sicherheit und Vertrauen zu gewährleisten. 

Damit unterstreicht Apple die Risiken dieser neuen Maßnahmen und versucht, sie durch verschiedene Schutzmaßnahmen unter Einhaltung der DMA-Vorschriften abzumildern.

Eine wesentliche Änderung in iOS umfasst neue Frameworks und APIs für die App-Distribution über alternative Marktplätze und die Möglichkeit, alternative Browser-Engines als Standard auszuwählen, was die Interoperabilität verbessert. Sie haben auch neue Geschäftsbedingungen für diese neuen Marktplätze eingeführt, was die Gebühren anbelangt.

Trotz der verstärkten Sicherheitsmaßnahmen ist Apple der Ansicht, dass der DMA weiterhin Probleme mit Betrug und Malware sowie mit der User Experience aufwirft. Die Nutzer:innen werden über die potenziellen Risiken alternativer Zahlungsmethoden aufgeklärt, wozu auch neue Labels und Informationen zur Wahrung der Transparenz gehören.

Weitere Informationen: Die Auswirkungen der EU-DMA-Änderungen von Apple: Welcher Weg lohnt sich?

Insgesamt stellt der DMA eine bedeutende Veränderung in der Branche dar, der sich die Gatekeeper nicht entziehen können. Google war der erste, der seine Updates ankündigte, Meta und Apple folgten, und andere Gatekeeper werden wahrscheinlich nachziehen.

Um sicherzustellen, dass Änderungen und Aktualisierungen entsprechend berücksichtigt werden, sollte man mit einem MMP zusammenarbeiten, der in engem Kontakt mit den Gatekeepern steht, alle Anforderungen und Prozesse kennt und den Kunden bei der Umstellung bestmöglich unterstützen kann.

Welche Auswirkungen hat das auf die Werbetreibenden?

Der DMA hat erhebliche Auswirkungen auf digitale Werbetreibende, da sie höhere Transparenzanforderungen stellt, z. B. die Offenlegung der Art und Weise, wie sie Nutzerdaten für gezielte Werbung und die Kommunikation zwischen den Diensten erheben und nutzen, und selbst das Businessmodell muss überprüft werden. 

Werbetreibende in der EU, dem EWR werden ihre Business Operations in verschiedenen Tech-Unternehmen neu bewerten müssen, was auch die Art und Weise einschließt, wie sie Werbung betreiben und ihr Business führen. 

Auswirkungen auf die Zustimmung der Nutzer:innen: 

Bei Google beispielsweise müssen die Werbetreibenden den Status der Nutzerzustimmung manuell oder über eine Consent Management Platform (CMP) weitergeben. Dies wirft auch die Frage auf, wie die Zustimmung der Nutzer:innen eingeholt werden kann, welche Auswirkungen dies auf die Werbung und das Business hat und wie diejenigen behandelt werden können, die sich dagegen entscheiden. 

Auswirkungen auf Business-Modell, Operations und Werbung:

Das Angebot von Apple verlangt von den Unternehmen, dass sie prüfen, wie ihre Apps operieren werden, wo sie beworben werden, wie ihr Business-Modell in Bezug auf Zahlungen und Käufe aussieht und vieles mehr. 

Auswirkungen auf die Trennung von Diensten und Konten: 

Metas Änderungen bestehen darin, dass sie ihren Nutzern mehr Auswahlmöglichkeiten bieten, wie ihre Dienste miteinander kommunizieren, sei es als völlig getrennte Produkte oder zusammen pro Kontoinhaber:in (Nutzer:in). 

Und natürlich gibt es noch die zusätzlichen Gatekeeper Amazon, ByteDance und Microsoft, die sich auf ihre eigene Weise an die Anforderungen der DMA anpassen werden.

Die Tatsache, dass jeder Gatekeeper die Anforderungen der DMA auf seine eigene Art und Weise erfüllt, gibt den Werbetreibenden Anlass zu heftigen Kopfschmerzen. Die neuen und unterschiedlichen Anforderungen machen es nicht nur komplizierter, sondern führen auch zu erheblicher Ungewissheit darüber, wie sich die einzelnen Anforderungen unterscheiden, welche Auswirkungen sie auf Ihr Unternehmen haben, ob sich die Änderungen gegenseitig aufheben und was die Zukunft bringt – kurz- und langfristig. 

Wir können auch davon ausgehen, dass die Gatekeeper selbst je nach Feedback und Marktakzeptanz ihre Änderungen fortlaufend aktualisieren und prüfen, ob sie den Anforderungen entsprechen.

Welche Rolle spielt AppsFlyer beim DMA? 

AppsFlyer widmet sich der Aufgabe, Marken die notwendigen Tools zur Verfügung zu stellen, um aufschlussreiche, datengesteuerte Entscheidungen zu treffen – dies war schon immer Teil unseres Services, unserer Stärke und unseres Vorteils. 

Unsere langjährige Erfahrung, unsere guten Beziehungen zu Netzwerken und Werbetreibenden sowie unser Engagement für eine unvoreingenommene Lösung, die ein Höchstmaß an Präzision und Attribution anstrebt.  

Ähnlich wie bei der Bereitstellung praktischer und gesetzeskonformer Lösungen für die DSGVO oder iOS 14 unterstützen wir die Branche bei der Anpassung an die DMA-Verordnungen und stehen in ständigem Kontakt mit den Netzwerken, um die Änderungen und ihre Bedeutung für die Werbetreibenden zu erfassen und die beste Lösung bereitzustellen. 

In diesem Fall besteht unsere Hauptaufgabe darin, präzise Attributions- und Remarketing-Möglichkeiten bereitzustellen, die die Anpassung der Gatekeeper an die DMA-Datenschutzstandards unterstützen und gleichzeitig einen nahtlosen und reibungslosen Übergang ermöglichen. Beispielsweise unterstützt unser SDK die CMP, um eine nahtlose Weiterleitung von Zustimmungssignalen zu ermöglichen.

Akzeptanz der Durchsetzung des DMA

Um sich im DMA zurechtzufinden, ist es notwendig, über regulatorische Änderungen auf dem Laufenden zu bleiben und mit wichtigen Akteuren wie Google, Apple, Meta und anderen, die noch folgen werden, zusammenzuarbeiten. 

Marken sollten sich auch proaktiv an internen Diskussionen über die Zustimmung der Nutzer:innen beteiligen und die Zusammenarbeit mit Compliance-Management-Partnern in Betracht ziehen, die sie bei diesem Prozess unterstützen.

Da Google, Apple und Meta die DMA-Durchsetzung vorantreiben, empfehlen wir, die Auswirkungen direkt mit Ihrem/Ihrer Ansprechpartner:in zu besprechen.   
Trotz der offensichtlichen Herausforderungen stellt AppsFlyer kontinuierlich Fachwissen, Support und Erkenntnisse zur Verfügung, um Unternehmen einen reibungslosen Übergang in diesem enormen Branchenwandel zu ermöglichen. Während es bereits Bestrebungen für eine stärkere Regulierung des Datenschutzes gibt, führt die DMA verschiedene Richtungen von verschiedenen Gatekeepern ein und verpflichtet zur Compliance, während sie gleichzeitig eine Möglichkeit für mehr Transparenz bietet. 

The post Der Digital Markets Act und die Auswirkungen auf Werbetreibende appeared first on AppsFlyer.

In den letzten drei Jahren haben Mobile-App-Marketers eine wilde Achterbahnfahrt hinter sich: Covid, Post-Covid, iOS 14.5 Datenschutzeinschränkungen, der Aufstieg der KI und ein globaler Wirtschaftsabschwung, dessen Auswirkungen in den Jahren 2022 und 2023 zu spüren waren. 

Die Fähigkeit, ein beständiges Wachstum durch ständige Veränderungen zu erzielen wird auch 2024 eine große Herausforderung sein, denn es zeichnen sich weitere bedeutende Veränderungen ab. Hier sind die Daten*, aus denen wir ein turbulentes Jahr 2023 abschließen können, und was wir angesichts dieser Trends im Jahr 2024 erwarten können.  

1) Die Werbeausgaben für App-Installationen sind im Jahr 2023 um 6 % auf 82 Mrd. US-Dollar gesunken

2) Nicht-organische iOS-Installationen erholen sich mit einem Anstieg von 9 % im Jahresvergleich

3) Umsätze aus In-App-Käufen stiegen bei Non-Gaming und Gaming um 19 % und 11 %

4) Android Remarketing Conversions sind im Jahresvergleich um 9% gesunken

5) Die Gesamtzahl der App-Downloads stieg im Jahr 2023 nur um 2 %, nach einem Anstieg um 10 % im Jahr 2022

Die Werbeausgaben für App-Installationen sind im Jahr 2023 um 6 % auf 82 Mrd. US-Dollar gesunken 

Im Jahr 2023 hatte der wirtschaftliche Abschwung einen erheblichen Einfluss auf die Budgets für Mobile Apps zur Nutzerakquise, die im Vergleich zum Vorjahr um 6 % auf weltweit 82 Mrd. US-Dollar sanken (mehr dazu in der Methodik am Ende des Blogs**).    

Der Rückgang ist vor allem auf einen 10-prozentigen Rückgang bei Android zurückzuführen, während iOS sogar um 2 % zulegte. Diese Diskrepanz zeigte sich noch deutlicher in den letzten drei Monaten (September bis November), in denen die iOS-Budgets um 7 % stiegen, während die Android-Budgets um 8 % sanken.

Aus vertikaler Sicht wurde bei den UA-Budgets für Non-Gaming-Apps ein Rückgang von 10 % im Vergleich zum Vorjahr verzeichnet, der auf Kürzungen in den drei wichtigsten Kategorien zurückzuführen ist: Shopping, Finanzen und Entertainment. Im gleichen Zeitraum stiegen die Ausgaben für Reise- und Lifestyle-Apps deutlich an.

Die UA-Ausgaben für Gaming-Apps blieben im Jahr 2023 dagegen ungefähr auf dem gleichen Niveau wie im letzten Jahr, allerdings unterscheiden sich Plattform und Zeitraum wieder einmal deutlich. Die Android-Budgets blieben relativ unverändert, während die iOS-Budgets um 3 % stiegen, aber der Trend hat sich im Jahr 2023 umgedreht: Während im Jahr 2022 die Ausgaben von Mai bis November stiegen, war im Jahr 2023 das Gegenteil der Fall – insbesondere in den letzten drei Monaten, in denen wir einen erheblichen plattformübergreifenden Verlust von 13 % verzeichneten: 17 % Rückgang auf Android und 8 % auf iOS. 

Zu Beginn des Jahres investierten die Gaming-Studios viel Geld, doch im weiteren Verlauf des Jahres gingen die Ausgaben deutlich zurück, da die finanziellen Reserven allmählich erschöpft waren. Zwischen Juli und November 2023 sind die Ausgaben für Gaming-Apps im Vergleich zu Februar bis Juni um 10 % gesunken, während sie im Jahr 2022 um 9 % gestiegen sind.

Innerhalb der Gaming-Branche profitierten die Casual Games (u. a. Puzzle-, Party-, Action-, Match-, Simulations-, Tabletop- und Kids-Genres) am meisten, da sie mehr Umsatz generierten (siehe 4.Trend unten) und die Budgets anderer Genres aufzehrten. Hypercasual Games mussten mit einem Rückgang von 30 % die größten Einbußen hinnehmen, während ihr Anteil an den Werbeausgaben für App-Installationen um 13 % zunahm.

Hypercasual-Games erlitten Verluste, da der Rückgang ihres LTV und ARPPU höher war als der Rückgang der Kosten pro Installation. Aufgrund der geringen Gewinnspannen war dieses Modell für viele dieser Games nicht mehr tragfähig. Dies führte zu einer Umstellung auf ein eher hybrides, beiläufiges Modell mit dem Ziel, die Umsätze aus In-App-Käufen zu steigern, um die Verluste bei den Werbeumsätzen auszugleichen.  

Was steht für 2024 an?

Angesichts der bedeutenden Veränderungen, die das Ökosystem weiterhin prägen, beobachten wir auf dem Weg in das Jahr 2024 noch viel Unsicherheit, und zwar an mehreren Fronten: 1) aus der Makroperspektive und der potenziellen wirtschaftlichen Erholung, 2) in der digitalen Marketingbranche, die seit iOS 14.5 und vor der Veröffentlichung von Androids Privacy Sandbox und der geplanten Abschaffung von Cookies in Chrome weiterhin mit datenschutzbedingten Datenverlusten zu kämpfen hat, und 3) beim Thema KI, das natürlich eine positive Disruption darstellt, gleichzeitig aber das Potenzial hat, das Business radikal zu verändern. Diese Faktoren, insbesondere die wirtschaftliche Lage, werden für die Vergabe der Budgets im Jahr 2024 eine wichtige Rolle spielen.

Die gute Nachricht ist, dass sich viele wirtschaftliche Parameter wie das BIP-Wachstum, die Inflation und die Marktentwicklung in einer weitaus besseren Lage befinden als im Jahr 2022, was uns Raum für vorsichtigen Optimismus gibt, der durchaus zu einem Anstieg der Werbebudgets für App-Installationen im Jahr 2024 führen kann.

Nicht-organische iOS-Installationen erholen sich mit einem Anstieg von 9 % im Jahresvergleich 

Nach einem Rückgang der nicht-organischen iOS-Installationen (NOI) um 15 % im Jahr 2022 im Vergleich zu 2021 – als die Schockwellen von iOS 14.5 noch zu spüren waren – kam es 2023 zu einer beeindruckenden Erholung mit einem Anstieg von 9 % gegenüber dem Vorjahr, dreimal höher als der 3 %ige Anstieg bei Android. 

Es gibt zwei Hauptgründe für die Trendwende: Die Medienkosten auf iOS sind um 10 % gesunken (gemessen an den Kosten pro Installation) – ganz im Gegensatz zu dem Anstieg um 15 % im Jahr 2022, der das Volumen der Installationen begrenzte, die Marketers kaufen konnten. Auch die Anpassung und das Know-how der Marketer, Werbenetzwerke und MMPs an die massiven Veränderungen durch ATT und SKAdNetwork und den Verlust von Datensignalen für die Optimierung haben sich verbessert. Alles in allem hat sich die Effizienz deutlich verbessert. 

Der Anstieg bei iOS ist auf Non-Gaming-Apps zurückzuführen, die im Jahresvergleich um 19 % stiegen (gegenüber einem Rückgang von 4 % bei Android), während die NOI bei Gaming-Apps relativ unverändert blieben (gegenüber einem Anstieg von 8 % bei Android). Dennoch ist die Tatsache, dass die Gaming-NOI auf iOS nicht wuchsen, immer noch eine große Verbesserung im Vergleich zu dem 9 %igen Rückgang im Jahr 2022.

Was steht für 2024 an?

Der wirtschaftliche Abschwung wird sich 2024 stark auf die Fähigkeit von Mobile-App-Marketers auswirken, die Skalierung voranzutreiben. Wie bereits erwähnt, ist das ein Grund für Optimismus.

Darüber hinaus erschweren erhebliche Veränderungen im Ökosystem die Prognosen. Mit iOS werden wir wahrscheinlich ein weiteres Wachstum erleben, insbesondere mit den großen Verbesserungen in SKAN 4. Gegenwärtig (Ende November) liegt die Akzeptanz jedoch erst bei 21 % (Anteil der Postbacks), aber wir erwarten, dass sie im ersten Quartal eine kritische Masse erreichen wird, wenn die führenden Medien ihre Implementierung abgeschlossen haben. 

SKAN 4.0 ist zwar ein positiver Schritt nach vorn, hat aber noch mit vielen Problemen zu kämpfen, insbesondere wenn es um unvollständige oder nicht verfügbare Daten aus SKAN geht. Die Nutzung einer Single Source of Truth (SSOT) zur Deduplizierung mehrerer iOS-Datenquellen führt zu höheren NOI-Zahlen und einer effizienteren Budgetzuweisung mit mehr Installationen, die dem Marketing zugerechnet werden, niedrigeren Effektivkosten und Insights nahezu in Echtzeit ( anstatt tagelangem Warten auf den Input).

An der Android-Front ist 2024 das Jahr der Privacy Sandbox . Eine vollständige Erneuerung der Android-Messung wird einen tiefgreifenden Einfluss auf die NOI haben. Daher müssen sich die Marketers über Sandbox informieren und ihre Systeme vorbereiten. Wie wir bei der Einführung von iOS 14.5 gesehen haben, kann es mindestens ein Jahr dauern, bis man sich auf solche massiven Änderungen vorbereitet, sie konzipiert hat und sie schließlich zu positiven Business-Ergebnissen führen. Es ist daher absolut wichtig, jetzt und Anfang 2024 die Nase vorn zu haben. Wir haben die Roadmap für den Erfolg der Privacy Sandbox hier skizziert. 
Die meisten Marketer scheinen optimistisch zu sein, was Sandbox angeht, zumindest laut einer Umfrage, die wir kürzlich unter 150 von ihnen durchgeführt haben:

Umsatz aus In-App-Käufen bei Non-Gaming und Gaming ist um 19 % bzw. 11 % gestiegen 

Die In-App-Käufe von Gaming-Apps erholten sich von einem Einbruch im Jahr 2022 und stiegen im Jahr 2023 um 11 %, angetrieben von Zuwächsen bei Casino- und Casual-Games – in beiden Bereichen stiegen die iOS-Zahlen deutlich. Im Gegensatz zu allen anderen Genres gab es bei den Midcore-Games leichte Rückgänge, was darauf hindeuten könnte, dass die Konjunkturabschwächung die Verbraucher:innen in Bezug auf höhere IAPs in diesen Games einschränkt.

Die Werbeumsätze oder In-App-Advertising (IAA)-Umsätze stiegen im Gaming um 4 % im Vergleich zum Vorjahr, angetrieben dank deutlicher Zuwächse bei Casual Games (einschließlich Puzzle-, Party-, Action-, Match-, Simulations-, Tabletop- und Kids-Genres), hauptsächlich auf Lasten von Hypercasual Games, deren einzige Umsatzquelle im Jahr 2023 einbrach (21 % Einbruch bei Android und 10 % Rückgang bei iOS). 

Obwohl die Ergebnisse bei Casino-Apps signifikant waren, macht dieses Genre nur 3 % der gesamten Werbeumsätze aus, verglichen mit satten 63 % bei Casual und 28 % bei Hypercasual. Der Anteil von Midcore am IAA ist mit nur 4 % ebenfalls gering.

Bei den Non-Gaming-Apps stiegen die IAP-Verbraucherausgaben, zu denen auch die Abonnementumsätze zählen, um 19 % im Vergleich zum Vorjahr. Dies ist auf erhebliche Zuwächse in den Kategorien Reisen, Food & Drink, Utility & Productivity und Lifestyle-Apps zurückzuführen, die die Verluste in den beiden größten Non-Gaming-Kategorien ausgleichen: Shopping und Finanzen, die in diesem Jahr ebenfalls an der Spitze der Kategorien standen, die ihre Werbeausgaben gekürzt haben. Zu den IAP-Umsätzen gehören auch die Abonnementumsätze, die bis 2023 um 30 % gestiegen sind und sich zu einer wichtigen Umsatzquelle für Non-Gaming-Apps entwickelt haben. 
Marketer investieren eine Menge Zeit in die Verbesserung des ARPU – ein Erfolg, der sich in einem höheren Anstieg der Umsätze im Vergleich zu den Installationen zeigt. In Gaming, wo Marketers schon immer clever waren und jetzt noch smarter werden (z. B. die Monetarisierungsmechanismen von Monopoly Go – komplex wie immer, aber auch smarter als je zuvor), während viele Non-Gaming-Apps endlich begriffen haben, warum es so wichtig ist, und verschiedene Tools zur Umsatz- und Paywall-Optimierung als Standardverfahren einsetzen).

Was steht für 2024 an?

Die App-Monetarisierung blieb in diesem Jahr über alle IAP-, IAA- und Abonnement-Umsatzströme hinweg robust, was zeigt, dass die Verbraucher:innen trotz der anhaltenden wirtschaftlichen Unsicherheit weiterhin Geld für Apps ausgeben. Dieser Trend dürfte sich angesichts der sich verbessernden Wirtschaftslage auch im Jahr 2024 fortsetzen. Dies dürfte auch den Marketern Optimismus geben, die sich mit ihren Budgets zurückhalten. Darüber hinaus erwarten wir, dass mehr Apps eine hybride Monetarisierung einsetzen werden, bei der Gaming hauptsächlich IAA und IAP und Non-Gaming überwiegend IAP und Abo-Umsätze kombiniert werden.

Android Remarketing Conversions sind im Jahresvergleich um 9% gesunken

Die Non-Gaming-Remarketing-Conversions auf Android sanken im Jahresvergleich um 9 %, was im Einklang mit dem Rückgang der Werbeausgaben für App-Installationen steht (siehe 1. Trend oben), der auf den wirtschaftlichen Abschwung zurückzuführen ist. 

Auf Länderebene wurde der Rückgang vor allem durch rückläufige Umsätze in den beiden größten Märkten für Remarketing verursacht: Indien und Brasilien. In Indien kam es zu Verlusten bei den Shopping- und stark bei den Entertainment-Apps und trotz Gewinnen in den Kategorien Finanzen sowie Food & Drink. In den USA stieg die Nutzung der Remarketing-Apps aufgrund der Zuwächse in den Kategorien Entertainment, Finanzen und Food & Drink, trotz eines Rückgangs in der größten vertikalen Kategorie – Shopping. 

Das Remarketing für Games verzeichnete einen Anstieg von 34 %, aber es sollte beachtet werden, dass dies nur einen Bruchteil des gesamten Remarketings ausmacht und einen sehr geringen Prozentsatz im Vergleich zur UA im Gaming.

Was steht für 2024 an?

Beim Übergang vom Advertising-ID-basierten Remarketing unter Privacy Sandbox zum Remarketing mit der neuen Protected Audiences API sind wir zuversichtlich, dass das Remarketing dank dieser robusten Lösung erfolgreich weitergeführt werden kann. Die Vermarkter müssen sich deshalb verschiedene Strategien zurechtlegen und sicherstellen, dass sie gut darüber informiert sind, was für einen erfolgreichen Übergang erforderlich ist.

An der iOS-Front wird auch eine angemessene Lösung für das Remarketing ohne IDFA mit SKAN 5 erwartet, das möglicherweise Anfang nächsten Jahres veröffentlicht wird. Angeblich wird nur das Re-Engagement von Nutzer:innen unterstützt, die eine App installiert haben, nicht aber von Nutzer:innen, die sie gelöscht haben. Derzeit ist nicht bekannt, wie dies funktionieren wird, aber anscheinend wird Apple ein Framework entwickeln, das sich der Protected Audiences API ähnelt. 

Es wird interessant sein zu sehen, ob die Protected Audiences API und SKAN 5 das Vertrauen der Marketer in die Möglichkeiten des Remarketings im Zeitalter der Datenschutzbeschränkungen stärken werden. 

Zusammenfassend lässt sich sagen, dass das Remarketing ein starkes Jahr 2024 vor sich hat.

Die Gesamtzahl der App-Downloads stieg im Jahr 2023 nur um 2 %, nach einem Anstieg um 10 % im Jahr 2022

Die Gesamtzahl der Mobile Apps, die von Nutzer:innen im Jahr 2023 heruntergeladen wurden, stieg nur um 2 %, verglichen mit einem Anstieg um 10 % im Jahr 2022. Dies war hauptsächlich das Ergebnis eines Rückgangs von 4 % bei Non-Gaming-Android-Apps, der im Vergleich zu anderen Kategorie/Plattform-Kombinationen am stärksten ausfiel. 

Ausschlaggebend für diesen Rückgang waren die Verluste in den drei größten Märkten für Android-Non-Gaming-Apps außerhalb von China: Indien, Indonesien und Brasilien. Und das trotz eines Anstiegs von 6 % bei den Android-Gaming-Installationen (angetrieben durch Zuwächse in Indien, Brasilien, Russland und Indonesien) und eines 7 %igen Anstiegs bei den iOS-Non-Gaming-Installationen (das Ergebnis von Zuwächsen in Russland und Großbritannien sowie in Thailand und Vietnam mit überraschend hohen iOS-Volumina).

Was steht für 2024 an?

Mit der Android Privacy Sandbox wird möglicherweise eine Anpassungsphase stattfinden, in der das Volumen der Android-Installationen, die den größten Teil der weltweiten App-Downloads ausmachen, rückläufig sein wird. 

Bonus: Mobile App-Installationen von CTV steigen um das 9-fache und der Durchschnittswert pro App steigt um das 2,5-fache

In den letzten acht Monaten haben wir einen sehr starken Anstieg Anstieg von CTV-Werbung durch Werbetreibende beobachtet, die App-Downloads fördern wollen. Zwischen Februar und September stieg die CTV-Attribution auf Mobile um das 9-fache an. 

Diese Dynamik wird besonders deutlich, wenn wir uns die durchschnittlichen Zahlen pro App ansehen. Die Zahlen hier zeigen, dass der Anstieg der Nutzung in allen Kategorien und bei den meisten Apps zu beobachten ist. Trotz des leichten Rückgangs im Juli und August nach einem fast zweifachen Anstieg hat sich die durchschnittliche Anzahl der Installationen, die CTV zugeschrieben werden, erholt und ist bis Oktober um 20 % und seit Februar um das 2,5-fache gestiegen. 

Bemerkenswerterweise ist dieser Wachstumstrend sowohl im Gaming- als auch im Non-Gaming-Sektor gleich. Da das TV jetzt ein messbarer, erschwinglicher Performance-Kanal ist, ist die Attraktivität für Performance-App-Marketers klar. 
Auch die CTV Performance ist vielversprechend: Betrachtet man die Non-SRNs, so zeigt sich, dass die Retention nach 30 Tagen die CTV-to-Mobile Attribution im Vergleich zu den reinen Handy-Nutzer:innen begünstigt – mit einem Vorsprung von 8 – 10 %. Dies ist vor allem im Sektor der Gaming-Apps von Bedeutung, wo Non-SRNs einen viel größeren Anteil haben.

Was steht für 2024 an?

Mit vielversprechenden Ergebnissen bei der CTV-to-Mobile Attribution und der erwarteten Zunahme der CTV-Werbung im Jahr 2024 mit der Einführung eines werbeunterstützten Kanals auf Amazon Prime Video (eMarketer prognostiziert ein jährliches Wachstum von 20,0 % im Jahr 2023 auf 22,4 % im nächsten Jahr) ist dieser aufstrebende Kanal für Mobile-App-Marketers auf Wachstumskurs.

*Stichprobengröße: 30 Milliarden Installationen von Januar 2022 bis November 2023 unter 40.000 Apps. Alle Ergebnisse basieren auf vollständig anonymen und aggregierten Daten. Um die statistische Validität zu gewährleisten, halten wir uns an strenge Grenzwerte und Methoden.

**App-Installations-Werbeausgaben, gemessen von allen Mobile-Measurement-Partnern, basierend auf einer branchenweiten Extrapolation der 3rd-Party-Schätzungen. 

• Ausgaben im nicht attributierten Markt (marketinggesteuerte Installationen, die nicht von einem der großen MMPs gemessen wurden) – schätzungsweise 5 – 10 %.
• Die Ausgaben in China wurden basierend auf der von data.ai ermittelten Summe von 110 Milliarden Installationen im Jahr 2022 sowie auf dem Anteil der nicht-organischen Installationen und den CPI-Daten geschätzt. 
• Das Prognosemodell basierte in erster Linie auf historischen Daten, die über 85 Milliarden nicht-organische Installationen und 60 Milliarden US-Dollar an Werbeausgaben zwischen Januar 2020 und Mai 2023 umfassen, sowie auf Schätzungen externer Analysten bezüglich der finanziellen Erholung.

The post Die Top 5 Datentrends des Jahres 2023 und die Aussichten für 2024  appeared first on AppsFlyer.

• Die datengestützte Marketing Mentalität
• Konzepte und Measurement Setup
• Insights von Top-Marketers
• Methoden zur Bewertung der Profitabilität
• LTV-Prognose von In-App-Ads
• Prädiktive Modellierung
• Best Practices
• Key takeaways

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. 

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:

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

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.

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.

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.

Stellen Sie die Trainingsdaten mithilfe eines Streudiagramms grafisch dar.

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

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.

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.

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).

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?

2. 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.

3. 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.

4. 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.

5. 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.

6. 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-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.

2. Der Algorithmus berechnet kontinuierlich die Wahrscheinlichkeit, dass ein:e Nutzer:in zur:m Käufer:in wird.

3. Wenn diese Wahrscheinlichkeit über einem festgelegten Prozentsatz liegt, werden keine Ad mehr geschaltet, wenn mehr Daten gesammelt werden („Warten auf den Kauf“).

4. 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.

5. 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.

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

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.

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.

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.  

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).

• 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.

Wie erkennen Sie, dass Ihr Marketing-Budget gut angelegt ist? Woher wissen Sie, ob sich Ihre Werbung tatsächlich auf die Verbraucher:innen auswirkt? 

Die Wahrheit ist, dass es nur eine Art von Messung gibt, die diese Frage mit absoluter Klarheit beantworten kann.

Es handelt sich um inkrementelle Tests.

Inkrementelle Tests messen den wahren und oft versteckten ROI Ihrer Werbeausgaben. 

Warum versteckt?

Die Grenzen zwischen organischem Traffic und Paid Conversions sind oft verschwommen. Es ist durchaus möglich, dass Sie für Nutzer:innen zahlen, die ohnehin konvertiert hätten. Inkrementelle Tests sind der beste Weg, um diese verborgene Beziehung aufzudecken und letztendlich den wahren Wert des Marketings zu erkennen.

Bei der Inkrementalitätsmessung  geht es nicht nur darum, Ihre Paid-Media-Aktivitäten eine Woche lang auszusetzen und die Auswirkungen zu analysieren. Die Durchführung dieser Tests ist eine knifflige Angelegenheit. In diesem Blog zeigen wir Ihnen, wie Sie die Inkrementalität berechnen und wie Sie die Ergebnisse interpretieren können.

Wir werden auch einen Blick darauf werfen, wie es sich von der Last-Click-Attribution (durch Post-Install-Optimierung) unterscheidet, und Ihnen damit ein umfassendes Verständnis dieser immer bedeutenderen Form des Measurements vermitteln.

Wie wird die inkrementelle Wirkung bestimmt?

Inkrementelle Tests bestehen aus zwei Gruppen – Test und Kontrolle.

• Die Testgruppe wird der Werbung ausgesetzt
• Die Kontrollgruppe wird für die Analyse beiseite gehalten

Mit dem Measurement können Sie die Ergebnisse der einzelnen Gruppen ermitteln, welche Conversions – sei es im Zusammenhang mit der Nutzerakquise oder dem Remarketing – ohne Werbung nicht zustande gekommen wären. Dies wird als inkrementeller Lift bezeichnet.

Ein einfaches Beispiel: Marcos Pizzeria bringt eine neue Pizza mit dicker Kruste auf den Markt und möchte den Erfolg ihrer Werbekampagne ermitteln. Nach einem Monat, in dem die Coupons an Passanten verteilt wurden, wird gemessen, wie viele der neuen Pizzen mit und wie viele ohne den Rabatt-Coupon gekauft wurden.

Der Unterschied im Umsatz zwischen den beiden Kundengruppen ist der inkrementelle Lift.

Drei Arten von inkrementellen Effekten

Inkrementelle Experimente können eine Reihe von Ergebnissen liefern:

1. Positiver inkrementeller Lift 

Im ersten Beispiel können wir sehen, dass das Experiment zu einem positiven inkrementellen Anstieg geführt hat. Das bedeutet, dass Ihre Paid-Kampagne wirksam war, da sie zu einem Anstieg der Umsätze geführt hat.  

2. Neutral

Das zweite Beispiel zeigt keinen inkrementellen Lift und er bleibt neutral. Die Kampagne generiert zwar Umsätze, zeigt aber keinen inkrementellen Wert. Das Marketing-Team muss in Erwägung ziehen, die Kampagne zu pausieren oder einen anderen Ansatz zu testen (Änderung des Creative, Aktualisierung des Targetings usw.).

3. Negativer inkrementeller Lift

Im letzten Beispiel sehen wir einen negativen inkrementellen Lift. Auch wenn es selten vorkommt, ist es möglich, dass eine Werbekampagne mehr Schaden anrichtet als Nutzen bringt (z. B. eine übermäßige Exposition in einer Remarketing-Kampagne, die zu einer negativen Markenwirkung führt). 

Es lohnt sich auch, einen Blick auf den Test selbst zu werfen und sicherzustellen, dass er richtig konfiguriert ist.

Wie funktionieren inkrementelle Tests eigentlich?

Zuerst gehen wir auf einige Grundbegriffe und Metriken ein. Im Folgenden finden Sie einige Definitionen der Terminologie, die die Inkrementalität beschreiben und Ihnen helfen wird, den Prozess noch besser zu verstehen.

Als nächstes besprechen wir den Prozess.

Fünf Phasen der inkrementellen Tests

Ein inkrementeller Test funktioniert ähnlich wie andere wissenschaftliche Experimente. Sie haben Ihre Hypothese, Methode, Sammlung und Analyse der Ergebnisse und Ihre Schlussfolgerung. 

Beim inkrementellen Test gibt es fünf verschiedene Phasen: Definition, Segmentierung, Umsetzung, Analyse und Maßnahmen. Schauen wir uns das genauer an.

1. Definieren Sie Ihre Ziele

Wenn Sie ein Inkrementalitätsexperiment starten, ist es wichtig, Ihre Hypothese zu definieren und alle wichtigen Business-KPIs zu ermitteln, die Sie näher analysieren möchten. Definieren Sie, was Sie mit dieser wissenschaftlichen Methode beweisen wollen. Untersuchen Sie zum Beispiel die Anzahl der Installationen, den ROI, den ROAS oder eine ganz andere Metrik?

2. Segmentieren Sie Ihre Zielgruppe

Wenn Sie einen inkrementellen Test mit einer Remarketing-Kampagne durchführen, wählen Sie die Zielgruppe aus, mit der Sie das Experiment durchführen möchten, und stellen Sie sicher, dass Sie einen Teil dieser Zielgruppe als Kontrollgruppe richtig segmentieren.

Profi-Tipp: Ihre Attribution-Plattform wird Ihnen dabei helfen, Ihre Zielgruppe nach Ihren Anforderungen zu segmentieren und Ihre Kampagnen entsprechend zu erstellen. 

Die Gruppen – Kontroll- und Testgruppe – sollten ähnliche Kriterien aufweisen, sich aber nicht überschneiden.

Dies kann bei UA-Kampagnen (User Acquisition) schwierig sein, da wir die Zielgruppe nicht kennen, weil wir keinen Unique Identifier haben. Zur Erklärung: Ein Unique Identifier ist genau das. Ein bestimmter Identifier, wie z. B. eine ID oder ein Code, der sich von anderen unterscheidet und einzigartig ist. Es gibt noch weitere Identifizierungsfaktoren, mit denen Sie Ihre Zielgruppe segmentieren können, wie z. B. geografische, zeitliche (ähnlich wie die drei oben genannten Arten des inkrementellen Wachstums), produktbezogene oder demografische Parameter.

3. Starten Sie das Experiment

Legen Sie die Dauer Ihres Tests und den Zeitraum fest, in dem er durchgeführt werden soll, und starten Sie ihn.

Best Practice zeigt, dass die Dauer Ihres Experiments mindestens eine Woche betragen sollte. Das Testfenster, d. h. die Tage, an denen der/die Nutzer:in vor dem Test aktiv ist, hängt vom Business-Zyklus Ihrer App und dem Datenvolumen ab, mit dem Sie arbeiten müssen.

Der Test und die Testphase sollten für einen Zeitpunkt geplant werden, an dem der Kalender frei ist, damit die Wirksamkeit Ihrer Kampagne möglichst genau dargestellt werden kann.

4. Analysieren Sie die Daten

Sobald Sie alle Daten Ihrer Kontroll- und Testgruppen erfasst haben, fassen Sie sie zusammen und vergleichen Sie sie, um den inkrementellen Lift bei einem bestimmten KPI entsprechend Ihren Zielen zu ermitteln.

Vergleichen Sie die Ergebnisse der Kontroll- und der Testgruppe. Dies wird helfen zu verstehen, warum es einen positiven, negativen oder neutralen inkrementellen Lift gab. Wenn Sie einen großen Unterschied zwischen der Kontroll- und der Testgruppe feststellen, kann das ein Anzeichen dafür sein, dass etwas mit der Konfiguration des Experiments nicht stimmt. Sie sollten dann den Test wiederholen.

Während es recht schwierig sein kann, inkrementelle Tests selbst einzurichten, gibt es Attributionsanbieter, die integrierte Tools für inkrementelle Tests anbieten. Nach dem Test können Sie alle Testdaten direkt von Ihrer Attributionsplattform in ein inkrementelles Dashboard einspeisen – ein wesentlicher Vorteil, der den Prozess strafft und effizienter macht. 

5. Maßnahmen ergreifen

Wenden Sie die gewonnenen Erkenntnisse auf Ihre Kampagnen an, um deren Wirkung zu maximieren. Dies kann das top-performende Messaging für jede Zielgruppe, der optimale Zeitpunkt für ein erneutes Engagement, oder die effektivste Medienquelle sein, um nur einige zu nennen.

Zwei wichtige Measurement-Methoden zur Inkrementalität

Wenn Sie die Daten erfasst und aggregiert haben, wie berechnen Sie dann den inkrementellen Lift?

Es gibt zwei Hauptmethoden:

1. Inkrementeller Gewinn

Messen Sie den Lift, indem Sie den inkrementellen Gewinn des tatsächlichen Werts eines bestimmten Medienkanals ermitteln. Dieser kann berechnet werden, indem der Gewinn der Kontrollgruppe vom Gewinn des Kanals abgezogen wird.

Gewinn des Kanals – Gewinn der Kontrollgruppe = zusätzlicher Gewinn 

Nehmen wir zum Beispiel an, Sie haben 2.000 US-Dollar für eine Kampagne ausgegeben. Medienkanal A brachte einen Gewinn von 5.000 US-Dollar und Medienkanal B 3.000 US-Dollar. Oberflächlich betrachtet sehen beide Kanäle profitabel aus. Ihre organische Kampagne generierte jedoch auch 3.000 US-Dollar, sodass der inkrementelle Gewinn auf Medienkanal B gleich Null war.

Wenn Sie verstehen, wie viel Gewinn Sie durch Ihre Kontrollgruppe erzielen, sehen Sie, dass alles, was unter diesem Wert liegt, Ihnen keinen zusätzlichen Gewinn bringt. Im Grunde genommen würden Sie den gleichen Gewinn erzielen, wenn Sie nicht werben würden. Sparen Sie also Ihr Budget und investieren Sie in einen Kanal, eine Aktivität, eine Medienquelle, eine Kampagne usw., die eine größere Wirkung erzielen können.

2. Inkrementeller Lift

Nutzen Sie die folgende Formel, um den inkrementellen Lift zu berechnen: Zur Verdeutlichung der Funktionsweise können wir Zahlenwerte angeben.

Nehmen wir also an, dass Ihre Testgruppe 10.000 Conversions und die Kontrollgruppe 8.000 Conversions erzielt hat.

Ein inkrementeller Lift von 25 % kann im Hinblick auf Ihre KPIs und ROAS positiv oder negativ bewertet werden.

Eine Methode, diese zu prüfen, ist die Messung der Kosten. Teilen Sie die Akquisitionskosten (CPA) durch den inkrementellen Lift, um zu ermitteln, ob dieser gleich oder höher als Ihr LTV ist.

Wenn Ihr CPA zum Beispiel 2 US-Dollar beträgt, teilen Sie das durch 0,25, was 8 US-Dollar ergibt. Wenn Ihr LTV höher als 8 US-Dollar ist, geht es Ihnen gut. Wenn dieser Wert niedriger ist, müssen Sie möglicherweise Ihre Kampagnenstrategie neu bewerten.

Inkrementalität vs. A/B-Tests

SSie haben jetzt die wichtigsten Aspekte der inkrementellen Tests kennengelernt und fragen sich vielleicht, ob der Unterschied zu A/B-Tests wirklich so groß ist?

Die Inkrementalität ist im Wesentlichen eine Art von A/B-Tests. Jede Zielgruppe sieht eine andere Version des Produkts oder der Kampagne, so dass Sie verstehen können, welche die besseren Ergebnisse liefert. Beim Standard-A/B-Testing wird Ihr Produkt oder Ihre Kampagne in zwei Gruppen unterteilt, A und B, und Ihre Zielgruppe wird in Zielgruppe 1 und Zielgruppe 2 aufgeteilt. Anschließend werden verschiedene Versionen des Produkts oder der Kampagne auf die verschiedenen Zielgruppen angewandt, um zu sehen, welche die besseren Ergebnisse liefern.

Die eine Zielgruppe sieht zum Beispiel ein Banner mit einer blauen Schaltfläche, die andere sieht denselben Banner, aber mit einer roten Schaltfläche. Die CTR des Banners für jede Zielgruppe zu vergleichen gehört zu den Standard-A/B-Tests im Marketing.

Der Unterschied zwischen A/B-Testing und Inkrementalität besteht in der Kontrollgruppe, in der einem Teil der Zielgruppe während dieser Zeit überhaupt keine Ads angezeigt werden.

Nehmen wir das obige Beispiel wieder auf, so gibt die Inkrementalität Aufschluss darüber, ob die Schaltung einer bestimmten Ad besser ist als die Nicht-Schaltung der Ad, im Vergleich dazu, ob eine Ad mit einer blauen Schaltfläche besser abschneidet als die gleiche Ad mit einer roten Schaltfläche.

Wie funktionieren die Kontrollgruppen?

Wie kann man einer Zielgruppe keine Ad zeigen, aber dennoch die Werbefläche „besitzen“?

Es gibt drei Methoden:

1. Intent-to-treat (ITT)

– bei dieser Methode werden die Ergebnisse des Experiments auf der Grundlage der anfänglichen Zuordnung zur Gruppe und nicht auf der schließlich erhaltenen Beteiligung berechnet (d. h. Sie markieren jede:n Nutzer:in im Voraus für die Test- bzw. Kontrollgruppe und stützen sich nicht auf Attributionsdaten). Sie haben die „Absicht“, ihnen Ads zu zeigen oder nicht, aber es gibt keine Garantie, dass dies auch geschieht.

2. Ghost Ads/Bids 

Dies ist ein weitereDie Ad wird dann der Kontrollgruppe vorenthalten, um den Prozess der Schaltung der Ad zu simulieren, der als Ad Serving bekannt ist, ohne für die Placebo-Ads zu zahlen. Diese Taktik wird vor allem von Werbenetzwerken angewandt, die ihre eigenen inkrementellen Tests durchführen.

3. Public Service Announcements (PSAs)  

hier werden sowohl der Test- als auch der Kontrollgruppe Ads gezeigt, wobei der Kontrollgruppe ein allgemeines PSA gezeigt wird, während der Testgruppe eine Variante gezeigt wird. Die Verhaltensweisen der Nutzer:innen in beiden Gruppen werden dann verglichen, um den inkrementellen Lift zu berechnen.

Inkrementalität vs. Attribution

Inkrementalität ist nicht dasselbe wie Attribution.

Die Attribution zielt darauf ab, zu zeigen, welcher bestimmte Kanal (oder „Touchpoint“) zu einer Conversion geführt hat: Hat der/die Nutzer:in einen Kauf getätigt, nachdem er/sie Ihre Bannerwerbung, Ihren Facebook-Post oder Ihr Suchergebnis gesehen hat? 

Natürlich ist das nicht immer so einfach, weshalb die Multi-Touch-Attribution entwickelt wurde: Sie ermöglicht es Ihnen, den Credit auf die verschiedenen Links aufzuteilen, denen ein:e Nutzer:in ausgesetzt war.   

Aber die Inkrementalität geht noch weiter: Was wäre ohne diesen Kanal passiert? Hätten Sie die Änderungen trotzdem vorgenommen? Wenn das der Fall ist, vergeuden Sie Ihr Budget. 

Inkrementalität vs. ROAS-Optimierung

Inkrementelle Tests sind kein Ersatz für traditionelle Attributionsmodelle. Sie arbeiten im Einklang mit der Attribution, um Ihnen zu helfen, Ihre Performance besser zu messen. Wenn Sie nur die Installationen messen, reicht dies nicht aus, um Ihre ROAS zu verstehen. Marketers müssen eine Reihe von Metriken nach der Installation messen und optimieren, und je tiefer die Nutzer:innen sich im Funnel befinden, desto besser.

Wenn Sie sich auf den LTV konzentrieren und vor allem Ihre Medienkosten berücksichtigen, sollten Sie erkennen, ob Ihr ROAS positiv ist. Die Inkrementalität arbeitet in diesem Rahmen und gibt Ihnen Aufschluss darüber, ob Sie einen noch besseren ROAS erzielen können, wenn Sie weniger Werbung ausgeben und dennoch die gleichen Umsätze mit organischen Nutzern erzielen.

Wie Sie Ihren iROAS berechnen

Die inkrementelle Auswirkung auf den ROAS (auch iROAS genannt) wird berechnet, indem die Differenz zwischen den Umsätzen der Testgruppe und der Kontrollgruppe durch die gesamten Werbeausgaben geteilt wird.

Wenn Sie die organischen Conversions aus der Gleichung herausnehmen, können Sie die tatsächliche Wirkung einer Kampagne berechnen und entsprechend optimieren.

WWenn Ihr iROAS zum Beispiel unter 100 % liegt, können Sie die Budgets auf Kampagnen und Kanäle mit besserer Performance übertragen. Wenn er gleich oder höher als 100 % ist, wissen Sie, dass Sie den organischen Traffic nicht kannibalisieren und dass Ihre Ads effektiv sind.

Mit dem Präfix der Inkrementalität haben Marketers eine zusätzliche und wichtige Informationsquelle, um das ROAS-Potenzial voll auszuschöpfen. Dies ist der Unterschied zwischen dem einfachen Measurement Ihres ROI / ROAS und dem Measurement des inkrementellen Lifts oder den Auswirkungen Ihrer Marketingkampagnen auf die Werbeausgaben.

Die Vorteile von inkrementellen Tests

Marketers, die inkrementelle Tests durchführen, können genau hervorheben, wie effektiv ihre Kampagne war.

• Sie haben nicht nur die Auswirkungen auf Ihren iROAS ermittelt, sondern können diese Erkenntnisse auch auf künftige Marketingstrategien anwenden.
• Inkrementelle Tests sind zum Beispiel sehr nützlich, wenn ein neuer Medienkanal getestet werden soll, bevor die Entscheidung getroffen wird, ob größere Investitionen getätigt werden sollen. Sie können auch inkrementelle Tests bei kleinen Medienkampagnen durchführen, um zu sehen, ob sich ein positiver ROAS ergibt. Wenn die Antwort „Ja“ lautet, können Sie Ihre Marketingaktivitäten in diesem Kanal getrost ausweiten.
• Ein weiteres Beispiel, bei dem sich inkrementelle Tests als nützlich erweisen, ist die Entwicklung einer Re-Engagement-Strategie. Inkrementelle Tests helfen dabei, den optimalen Tag nach der Installation herauszufinden, an dem die Nutzer:innen erneut angesprochen werden können, um den höchsten inkrementellen Gewinn aus Ihren Marketingmaßnahmen zu erzielen.
• Mit diesem Wissen sind Sie als Marketer in der Lage, fundierte Entscheidungen darüber zu treffen, welche Kanäle die größte („tatsächliche“) Wirkung erzielen und wo Sie Ihre Marketingbudgets investieren sollten.

Erhalten Sie die neuesten Marketing-News und Experten-Insights direkt in Ihre Inbox

Herausforderungen von inkrementellen Tests

Natürlich hat jede Methode ihre Herausforderungen, und das ist bei der Inkrementalität nicht anders. Sie kann komplex sein, daher sollten Sie auf Folgendes achten:

• Bei der Erstellung der Kontroll- und Testgruppen ist es wichtig, dass Sie alle Störfaktoren, die das Nutzerverhalten beeinflussen können, entfernen. 
• Sie müssen auch Ihre Daten bereinigen und sicherstellen, dass es keine Überschneidungen zwischen den Zielgruppen gibt, da dies auch die Ergebnisse beeinträchtigen kann.
• Auch die Entscheidung über die Bedingungen für Ihr Experiment ist eine Herausforderung. Jede App hat ein unterschiedliches Nutzervolumen. Daher müssen Sie entscheiden, welches Segment Sie am besten testen, ohne Ihre bestehenden Marketingaktivitäten zu beeinträchtigen. Wenn Sie ein zu kleines Segment nehmen, werden Ihre Ergebnisse unbedeutend. Es ist also eine Abwägung zwischen den optimalen Ergebnissen, auf die Sie sich verlassen können, und den Kosten für einen langen Testzeitraum.
• Es ist nicht immer möglich, alle Ihre Marketingkampagnen für eine Woche oder einen Monat zu pausieren. Wenn Sie also Ergebnisse sehen wollen, ohne mehr Zeit zu investieren, empfiehlt es sich, die Marketingquelle mit der geringsten Performance zu pausieren und diese zu messen.
• Achten Sie auf die Saisonalität. Termine im Kalender wie Black Friday, Cyber Monday, Ostern und die Weihnachtszeit wirken sich alle auf das Nutzerverhalten aus. Daher ist es entscheidend, den richtigen Zeitpunkt für den Start des Tests zu wählen. Werden diese Ergebnisse mit ruhigeren Zeiten verglichen, ergeben sich sehr unterschiedliche Ergebnisse. Als App-Marketer können Sie den optimalen Zeitraum für die Durchführung eines inkrementellen Tests auf der Basis Ihres Business-Modells und typischer Nutzertrends bestimmen.
• Schließlich bringt das inkrementelle Testen einige technische Herausforderungen mit sich. Diese Experimente sind kompliziert und erfordern eine Vielzahl von Entwicklern und Fachleuten, um die Technologie zu entwickeln, die erforderlich ist, damit Sie wirkungsvolle Ergebnisse erzielen. Die Verbindung mit den APIs der einzelnen Werbenetzwerke, der Empfang und die Zusammenführung aller Rohdaten, das Entfernen von Ausreißern und die Berechnung der statistischen Signifikanz Ihrer Ergebnisse sind zum Beispiel eine Menge praktischer Arbeit. Eine Zusammenarbeit mit einem Attributionsanbieter, der inkrementelle Tools anbietet, hilft Zeit und Geld zu sparen. Die Daten sind alle in Ihrem Attributions-Dashboard vorhanden, so dass Sie diese Informationen leicht segmentieren und zu inkrementellen Experimenten aggregieren können.

Best Practices für inkrementelle Tests für Marketers

Inkrementalität ist ein effektives Instrument, das Ihnen tatsächliche Insights und Vertrauen in Ihre Kanalauswahl, Inzwischen wissen Sie, dass inkrementelles Testen enorm wichtig, aber auch potenziell komplex ist. Wenn Sie bereit sind, den Sprung zu wagen, finden Sie hier ein paar Best Practices, die Ihnen helfen, das Beste aus der Inkrementalität herauszuholen.

1. Seien Sie sich darüber im Klaren, worum Sie bitten

Messen Sie die Gesamtwirkung einer Kampagne oder sind Sie an einem bestimmten Zielgruppensegment interessiert? Wollen Sie die Wirksamkeit der Kanäle vergleichen oder herausfinden, wie viel Sie für einen Kanal ausgeben sollten? Es gibt viele Möglichkeiten, inkrementelle Tests durchzuführen, also seien Sie präzise.

2. Erinnern Sie sich an das Re-Engagement

Wir alle wissen, dass es günstiger und einfacher ist, bestehende Nutzer:innen wieder anzusprechen, als neue zu gewinnen. Aber wie geht man das am besten an? Wenn es um Remarketing-Kampagnen geht, können inkrementelle Tests ein entscheidender Faktor sein, wenn es darum geht, die besten Kanäle und Zeitpunkte für die Wiederansprache von Nutzern zu ermitteln. 

3. Weiter testen, weiter messen

Externe Faktoren ändern sich ständig, so dass Marketers es sich nicht leisten können, stillzustehen. Ihr bevorzugter Kanal könnte Nutzer:innen gewinnen oder verlieren, neue Konkurrenten oder Technologien könnten auftauchen, oder die wirtschaftlichen Bedingungen könnten sich auf die Ausgaben der Kundinnen und Kunden auswirken. Kontinuierliche Tests sorgen dafür, dass Sie immer am Puls der Zeit sind.  

4. Scheuen Sie sich nicht, um Hilfe zu bitten

Wie wir bereits erwähnt haben, können inkrementelle Tests zeitaufwändig und technisch anspruchsvoll sein. Überlegen Sie, ob ein Partner für Mobile Measurement Ihnen das Leben leichter machen könnte: Fragen Sie nicht nur nach den Kosten, sondern auch danach, welche Segmentierung er anbietet, welche Kanäle er messen kann und wann und wie er Ihre Ergebnisse präsentieren wird.   

Zusammenfassung

Inkrementalität ist ein effektives Instrument, das Ihnen tatsächliche Insights und Vertrauen in Ihre Kanalauswahl, Budgetzuweisung und ROAS-Measurement gibt und gleichzeitig sicherstellt, dass Ihre Marketingaktivitäten ihr volles Potenzial erreichen.

Hier sind die wichtigsten Punkte, die Sie sich merken sollten: 

1. Setzen Sie auf einen ganzheitlichen Ansatz und konzentrieren Sie sich sowohl auf Paid Traffic als auch auf organischen Traffic, wobei Sie die komplexe Beziehung zwischen beiden berücksichtigen.
2. Wenn Sie einen Inkrementalitäts-Test einrichten, müssen Sie zunächst Ihre Ziele und KPIs definieren und Ihre Zielgruppe segmentieren. Stellen Sie sicher, dass Ihre Daten sauber sind. Entfernen Sie die Störfaktoren, die Ausreißer und die sich überschneidenden Zielgruppen, um sicherzustellen, dass Ihr Experiment statistisch signifikante Ergebnisse liefert.
3. Optimieren Sie die Budgetzuweisung und maximieren Sie den ROAS mit einem besseren Verständnis dafür, welche Kanäle den höchsten inkrementellen Lift liefern, welche Kohorten für Werbung empfänglicher sind und wann der optimale Zeitpunkt für ein Re-Engagement der Nutzer:innen ist.
4. LTV- oder ROAS-gesteuerte Optimierungen sind unerlässlich, um den Wert Ihrer Kampagnen zu messen, aber erst durch die Hinzufügung der Inkrementalität erhalten Sie das ultimative Gütesiegel für die Kampagneneffizienz.

Finale Worte: Measurement im Zeitalter der Privatsphäre

Mit Apples ATT-Frameworks als Teil des datenschutzorientierten Ansatzes von iOS 14+ ist die Möglichkeit, über Device Matching zu messen, weitgehend begrenzt. 

Da Apples SKAdNetwork jedoch nur etwa 68 % der Installationen erfasst, die durch nicht-organische Aktivitäten ausgelöst werden, werden andere Measurement-Methoden immer wichtiger, um die Lücke zu schließen und smarte, datengesteuerte Entscheidungen zu treffen – Methoden wie probabilistische Attribution, Web-to-App und – Sie ahnen es – Inkrementalität!

The post Alles, was Marketer über inkrementelle Tests wissen müssen appeared first on AppsFlyer.

Die datenschutzrelevanten Änderungen von Apple in iOS 14+ haben erhebliche Auswirkungen auf unser Ökosystem sowie auf Attributionsmodelle, Kampagnenoptimierung, Monetarisierung und sogar Anti-Fraud-Technologie.

Diese Veränderungen haben die Welt des Re-Engagements auf den Kopf gestellt.

Einerseits hat sich das Measurement auf iOS grundlegend verändert, andererseits wissen wir bereits, dass neue Technologien, Innovationen und eine kontinuierliche Akzeptanz uns helfen werden, diese Hürden zu überwinden.

Wie geht es also weiter? Welche Schritte können Sie unternehmen, um eine erfolgreiche Re-Engagement-Strategie zu gewährleisten und sinnvollere Interaktionen mit Ihren Nutzern zu erreichen?

In diesem Guide behandeln wir, wie Sie Ihre Kanäle diversifizieren können, um Re-Engagement im Zeitalter des Datenschutzes zu erreichen, wie Sie Ihre Re-Engagement-Taktiken verbessern können und untersuchen dann fünf Möglichkeiten, um Ihre Strategie “aufzupeppen”.

Diversifizieren Sie Ihre Kanäle

Jetzt ist der perfekte Zeitpunkt, um einen kanalübergreifenden Ansatz zu wählen.

Eine kürzlich von Braze durchgeführte Studie ergab, dass Marken, die einen kanalübergreifenden Ansatz umsetzen, bei dem sowohl produktbezogene als auch produktunabhängige Messaging-Kanäle kombiniert werden, in der Regel die höchste Performance aufweisen:

Was genau meinen wir, wenn wir von „Diversifizierung der Kanäle“ sprechen?

Schauen wir uns das mal an:

1. Owned Media

Owned Media unterliegt Ihrer vollständigen Kontrolle – von der Kreation bis zur Distribution – und ist eine wirksame Methode, um mit Ihren bestehenden und ehemaligen Kundinnen und Kunden in Kontakt zu treten.

Von Blog-Posts über SMS, Push-Benachrichtigungen und E-Mail-Kampagnen bis hin zu Webinaren und Tweets – mit Owned Media können Sie kostenlose, kontextbezogene Inhalte erstellen, die das Engagement Ihrer aktiven, inaktiven oder ehemaligen Nutzer:innen erhöhen und von den Datenschutzänderungen nicht betroffen sind.

Es gibt viele Vorteile für die Nutzung von Owned Media, um ein effektives Re-Engagement zu erreichen.

Einige Beispiele:

• Volle Kontrolle über jeden Aspekt Ihrer Inhalte.
• Sie ist kostenlos – abgesehen von den internen Ressourcen, die Sie für die Erstellung investiert haben.
• Das Risiko ist gering – bei Paid Media könnten Sie feststellen, dass Sie Ihr Budget vergeudet haben, wenn sich eine Kampagne als erfolglos erweist, und bei Earned Media (dem digitalen Äquivalent der Mundpropaganda) haben Sie keine Kontrolle über Kommentare oder mögliche Falschaussagen. Owned Media vermeidet beides vollständig.
• Sie haben mehr Kontextualität – Owned Media ermöglicht es Ihnen, eine Content-Strategie zu entwickeln, die jede Phase Ihrer User Journey anspricht, einschließlich Ihrer Nutzer:innen, die Ihre App deinstalliert haben oder inaktiv sind.

Die erste Gruppe könnte mit einem unwiderstehlichen E-Mail-Angebot zur erneuten Installation Ihrer App angeregt werden, während die zweite Gruppe gut auf eine kreative Push-Benachrichtigung reagieren könnte, die an die großartigen Eigenschaften Ihrer App erinnert.

Profi Tipp? Nutzen Sie Web-to-App-Kampagnen mit Deep Links, um Nutzer:innen zur Neuinstallation oder zum Wiedereinstieg in Ihre App zu bewegen, und leiten Sie sie von Ihrer organischen Kampagne nahtlos an die richtige Stelle in Ihrer App weiter.

2. Earned Media

Earned Media gehört zu den beliebtesten – und am schwierigsten zu erreichenden – Medien, da sie glaubwürdig gelten und eine große Reichweite haben. 

Zwar haben Sie nicht die gleiche Kontrolle über Ihre Werbung wie bei Owned Media, aber die potenzielle Resonanz und das Vertrauen, das in diese Art von Empfehlungen gesetzt wird, sind unbestreitbar.

Earned Media kann Social Sharing durch einzelne Teilnehmer:innen, Rezensionen von Bloggern oder Influencern oder einen unabhängigen Artikel über Ihr Produkt oder Ihren Service beinhalten.

Auch wenn es nicht einfach ist, Earned Media in Ihre Remarketing-Inhalte einzubauen, kann das viel bewirken.

Verbessern Sie Ihre Re-Engagement-Taktiken

1. Optimieren Sie Ihr ATT-Prompt-Messaging

Auf der Grundlage der Erfahrungen von Early Adopters aus erster Hand finden Sie hier einige einfach umzusetzende Schritte zur Optimierung Ihrer Opt-in-Raten:

Den richtigen Zeitpunkt finden 

Finden Sie Wege, um Vertrauen zu schaffen, bevor Sie Ihren Nutzern den ATT präsentieren. Beispielsweise können Sie den Wert Ihres Produkts besser darstellen oder dafür sorgen, dass Ihre Ads und Ihr tatsächliches Angebot vollständig übereinstimmen.

Dadurch erhöht sich die Wahrscheinlichkeit, dass ein Opt-in erfolgt, im Vergleich zu wenn Sie den Prompt direkt nach dem ersten Start der App anzeigen. 

Passen Sie das Dialogfeld an

Der nicht fettgedruckte Text oder „Verwendungszweck“ im ATT-Dialogfeld kann bearbeitet werden, damit Sie besser erklären können, warum Sie die IDFA des Nutzers erfassen möchten..

Das erfordert wenig Aufwand und kann erhebliche Auswirkungen auf Ihre Opt-in-Raten, die Fähigkeit zum genauen Measurement und die effektive erneute Bindung Ihrer Zielgruppe haben. 

Versuchen Sie, einen Pre-ATT-Prompt hinzuzufügen 

Durch die Anzeige eines „Pre-ATT-Prompts“ oder die Einblendung des ATT-Dialogs hinter Ihrem nativen Prompt können Sie das Design, das Timing und das Messaging vollständig an Ihre App anpassen und den Nutzer:innen letztendlich zeigen, was für sie drin ist.

2. Versuchen Sie eine intelligentere Segmentierung der Zielgruppe

Eine strategisch angelegte Zielgruppensegmentierung kann Ihnen helfen, Ihr Wachstum in einer Welt mit begrenzter IDFA zu steigern.

Hier sind einige Ideen, wie die Segmentierung Ihnen in einer Post-IDFA-Welt helfen kann:

• Cross-Promotion – Werbung für die App X bei Nutzern der App Y basierend auf deren bekannten Präferenzen.
• Maximierung der eigenen Kanäle – Erstellung maßgeschneiderten Messagings für In-App-Nachrichten, Push-Benachrichtigungen, E-Mail und SMS.
• Optimierung der Reichweite – Ausschluss von Nutzer:innen, die bereits auf eine Kampagne reagiert haben, von ähnlichen Ads in anderen eigenen Kanälen.
• Erhöhung der Retention – Ansprache von Nutzer:innen, die Zeichen einer unmittelbaren Abwanderung zeigen, z. B. einen Rückgang der Nutzung.
• Besseres Measurement – Die Verbindung von Nutzersegmenten mit der Performance auf Kampagnenebene unterstützt Sie dabei, Ihre entscheidenden Trends am Puls der Zeit zu halten.

3. Inkrementelle Investitionen

Wenn das Measurement schwierig wird, wird Inkrementalität umso wichtiger, um die inkrementelle Wirkung Ihrer Re-Engagement-Kampagnen zu ermitteln (und um zu verstehen, wo und wie Sie Ihr kostbares Marketingbudget investieren sollten). 

Denken Sie daran, dass ein angemessener Inkrementalitäts-Test ein langwieriger und komplizierter Prozess sein kann, der anfällig für schlechte Ausführung und Interpretation ist. Entscheiden Sie sich daher für einen MMP, der Inkrementalität als Teil seiner Lösung anbietet.

4. Aktualisieren Sie Ihre Measurement-Infrastruktur

In Anbetracht all dessen, was wir bereits erwähnt haben, ist ein Paradigmenwechsel hin zum datenschutzorientierten Measurement ein Muss. Anstatt nach Auswegen zu suchen, ist ein grundsätzliches Umdenken von Nöten: Die Zukunft ist privat, und das gilt auch für das Remarketing-Measurement. 

Im Folgenden werden die wichtigsten Säulen des Measurements vorstellen, die in ihrer Kombination den Marketern die Möglichkeit geben, die Performance zu steigern, ohne die Privatsphäre der Verbraucher:innen zu gefährden:

• Hochrechnungen aus einer Proxy-Gruppe von Nutzern – damit können sich die Marketers auf eine Zwischenkohorte stützen, für die detailliertere Daten verfügbar sind. Zum Beispiel durch die Nutzung von 1st-Party-Daten aus Owned Media und die gleichzeitige Anwendung von Learnings und Performance-Benchmarks auf der gesamten Nutzerbasis.
• Prädiktive Analytik – ermöglicht es Marketern, datengestützte Entscheidungen mit hohem Vertrauen zu treffen, während sie sich auf sehr limitierte Datenpunkte stützen.

Obwohl Prognosen allen Aspekten des datengesteuerten Marketings dienen können, sind sie in der Realität von iOS 14+ mehr denn je entscheidend. Sie ermöglichen es Ihnen, den LTV auf der Grundlage begrenzter Daten zu prognostizieren – oftmals sind es nur die Signale der ersten 24 Stunden. Wenn Sie den LTV Ihrer Nutzer:innen kennen, können Sie ihre Akquisitionskosten besser zuweisen.

Ein besseres Verständnis des typischen Nutzerverhaltens und der frühen Meilensteine, die Nutzer mit hohem Potenzial von Nutzer:innen mit geringem Potenzial unterscheiden, kann für die Durchführung eines gezielten und effektiven Re-Engagements äußerst nützlich sein.

5Fünf Wege, wie Sie Ihre Re-Engagement-Strategie aufpeppen können

Hier sind fünf einfache Taktiken, mit denen Sie Ihre Reichweite und Engagement-Raten maximieren können:

1. Identifizieren Sie Schwachpunkte in Ihrer App

Der erste Schritt zu einer erfolgreichen Remarketing-Strategie besteht darin, herauszufinden, wo und warum die Nutzer:innen abspringen:

Liegt es an einer schlechten oder fehlerhaften UX? Übertreibt Ihre Werbung den Wert Ihrer App? Gibt es ständige Bugs oder wiederkehrende Performance-Probleme? Werden Ihre Nutzer:innen mit zu vielen In-App-Benachrichtigungen bombardiert? 

Analysieren Sie die Events im Detail, die mit einem:r unengagierten oder sehr engagierten Nutzer:in in Verbindung gebracht werden. 

Sobald besonders sensible Events erfasst wurden, können Sie Trigger in Form von SMS, In-App-Nachrichten, Push-Benachrichtigungen, E-Mails oder Social Messages einsetzen, die die Nutzer:innen mit Belohnungen, Auszeichnungen für ihre Leistungen oder Sonderangeboten zurück in die App ziehen.

2. Nutzen Sie Social Media

Manchmal ist es am besten, die Nutzer:innen über Social Media an die Existenz Ihrer App zu erinnern, um sie wieder anzusprechen. Sorgen Sie für eine starke Präsenz in Social Media und veröffentlichen Sie regelmäßig Beiträge in den einzelnen Medien. 

Mit ansprechenden Social Content können Sie bei Ihren Nutzern im Gedächtnis bleiben und sie viel leichter wieder ansprechen, wenn ein neues Feature oder ein wichtiges Update veröffentlicht wird.

3. Perfektionieren Sie Ihre Push-Benachrichtigungen

Fragen Sie sich immer, welche Art von Reaktion Ihr Re-Engagement-Content bei Ihren Nutzern hervorruft. Wecken Sie die Neugierde? Machen Sie es Ihren Nutzern schmackhaft?

Die Engagement-Raten variieren je nach Branche, aber 40 % Engagement bei einer gezielten und rechtzeitigen Push-Benachrichtigung sind keine Seltenheit.

Nehmen Sie sich also die Zeit, Ihre Nutzer:innen kennenzulernen, Erstnutzer:innen von inaktiven Nutzern zu unterscheiden und das richtige Timing und den richtigen Ansatz für das Re-Engagement Ihrer inaktiven Nutzer:innen zu perfektionieren.

4. Gestalten Sie beeindruckende E-Mails

E-Mail-Marketing ist eine weitere großartige Möglichkeit, um Ihre App bei inaktiven Nutzer:innen zu vermarkten und sie zu einer erneuten Nutzung zu bewegen. 

Aber es reicht nicht aus, Ihren Nutzer:innen einfach eine zufällige Nachricht zu schicken. Sie müssen strategisch vorgehen, Ihre E-Mails zu relevanten Zeitpunkten versenden und Ihre Mitteilungen so weit wie möglich personalisieren, wenn Sie eine Chance haben wollen, in der Inbox Ihrer Nutzer:innen herauszustechen.

5. Ständig auf dem Prüfstand stellen

Das kontinuierliche Testen und Optimieren Ihrer Kampagnen ist ein wesentlicher Bestandteil einer Re-Engagement-Strategie.

Bei Gaming-Apps möchten Sie beispielsweise Spieler:innen ansprechen, die innerhalb eines bestimmten Zeitraums eine Auszeichnung freigeschaltet oder ein bestimmtes Level erreicht haben, dann jedoch aufgehört haben zu spielen.

Sobald Sie diese Segmente haben, können Sie A/B-Tests mit Creatives durchführen, um die richtige Kombination von Mitteilungen, CTAs und Video-Content zu finden.

Zusammenfassung

• In der Mobilen Welt findet gerade ein dramatischer Wandel statt, der sich um den Datenschutz der Nutzer:innen dreht. Heutzutage müssen digitale Marketers zuerst an die Privatsphäre ihrer Kundinnen und Kunden denken, bevor sie ihre Remarketing-Programme planen und durchführen.

• Die größte Herausforderung bei der Durchführung von Re-Engagement-Kampagnen sind die begrenzten Daten. Daher kann die Implementierung von Lösungen wie Inkrementalität Sie bei der Planung, Durchführung und Optimierung Ihrer Remarketing-Strategie unterstützen.

• Es ist wichtig zu bedenken, dass die Mobile-App-Branche sich noch in einer Übergangsphase befindet. Mit der Veröffentlichung von iOS 14.5, wissen wir bereits, dass das Ökosystem diese Hürden durch neue Technologien, den Fokus auf Innovation und eine kontinuierliche Akzeptanz überwinden kann.

The post Re-Engagement im Zeitalter des Datenschutzes appeared first on AppsFlyer.