Bid Management: Schlechte Klicks schneller erkennen

Bleibt das noch länger so? (Image published by Hospi-Table under a Creatice Commons License.)

Analysiert man SEM-Kampagnen, so fällt auf, dass oft für einen Großteil der Keywords noch nie eine Conversion angefallen ist.
Wenn man eine Conversion Rate von 3% annimmt, könnte man jetzt über die Poisson-Verteilung* ausrechnen, mit welcher Wahrscheinlichkeit bei bspw. 50 Klicks schon eine Conversion hätte eintreten müssen (das geht übrigens auch für die Fußball-WM 2010):

P(“Noch kein Kauf”) = 1 / exp(0.03 * 50) = 22.3%

Mit einer Sicherheit von 78% hätte also schon ein Kauf erfolgen sollen. Mit Vorgaben für ein Sicherheitsniveau kann man dann auch errechnen, wie lange man noch warten (und Geld ausgeben) will.

Viel praktischer und billiger wäre es jedoch, aus den schon erfolgten (nicht konvertierten) Klicks, Daten zu gewinnen, um die Conversion-Wahrscheinlichkeit schneller korrekt einschätzen zu können. Es stellt sich also die Frage, ob sich anhand des Benutzerverhaltens auf der Website schon nach wenigen Klicks erkennen lässt, ob man es mit potenziellen Käufern oder eher mit Nicht-Käufern zu tun hat. Gibt es gar explizite Verhaltensmuster von Nicht-Käufern?

Das Verhalten auf der Webseite kann mittels Web Analyse Tools gemessen werden, die auf Logdateien operieren oder über speziell dazu in die Shops eingebaute Tracking-Pixel. Die Herausforderung ist dabei die Menge des auftretenden Datenvolumens. Der Aufruf einer einzigen Seite kann pro Besucher hunderte Zeilen Einträge in der Logdatei generieren (wegen der Bilder und Videos in der Seite), deshalb bindet Software zur effizienten Auslieferung von Webseiten die Analysefunktion oft direkt in die Backend-Architektur ein. Tracking-Pixel werden meist von einem externen Server abgerufen, der so dimensioniert sein muss, dass auch in Stoßzeiten keine Engpässe entstehen. Ein bilden von Webseiten-Kategorien kann helfen, das anfallende Datenvolumen über Verdichtung zu minimieren.

Mit Machine-Learning Techniken können aus den so gewonnenen Daten nun Vorhersagemodelle erstellt werden. Der Merkmalsraum, auf dem sie operieren, ist unten skizziert. Das Problem an sich muss nicht einmal vom Gesichtspunkt einer Regression her gesehen werden, sonder ist prinzipiell eine binäre Klassifikation: Kauft ein solcher Kunde, oder kauft er nicht? Hier bieten sich Support Vector Maschinen (SVMs) förmlich an, die  mit einem entsprechenden Kernel das Problem auch bei größeren Eingabemengen lösen können. Ein neu-trainieren der resultierenden Modelle ist dann auch nicht täglich nötig, und könnte über das Wochenende erfolgen. Ist nicht nur eine harte Einteilung in Käufer und Nichtkäufer gewünscht, sondern graduelle Schätzungen, können die SVMs um fuzzy Ausgaben erweitert werden, was typischerweise unter Einbeziehung des Abstandes des aktuellen Datenpunktes zur trennenden Hyperebene geschieht (Rüping 2006*).

Als Indikatoren für die Kauf-Absicht können unter anderem folgende Merkmale dienen (die man auch jeweils als “schwache PreConversion” oder MicroConversion bezeichnet könnte):

  • Anzahl der nach der Landing Page betrachteten Seiten (mit der Bounce Rate als dem Anteil der Besucher, die nur die Landing Page angeschaut haben und dann weitergezogen sind)
  • Gesamt-Verweildauer auf der Seite
  • Warenkorb-Füllung
  • Aufruf bestimmter Inhalte der Seite (ev. als binäres Merkmal), mit möglichen Kategorien:
    1: Produkt-Detail-Seiten (signalisiert stärkeres Interesse)
    2: Informationen über das Unternehmen
    3: Versandinformationen (Vorsichtige Käufer wollen vorher wissen, was der Versand kostet.)
    4: allgemeine Informationen (über die Produktkategorie, spezielle Einsatzzwecke; kann ein Hinweis sein, dass sich der Besucher noch in einer frühen Phase des Kauf-Zyklus befindet)
  • Verwendung der Produktsuche (ev. mit Preiseinschränkung)
  • Reaktionen auf In-Site Werbebanner

* Die Poisson-Verteilung ist anwendbar, da die Einzelereignisse unabhängig sind, und p < 0.05. Siehe auch Jürgen Bortz, Statistik für Human- und Sozialwissenschaftler, Springer, 2005.

* Stefan Rüping. Robust Probabilistic Callibration. In Proceedings of the 17th European Conference on Machine Learning, ECML 2006, volume 4212 of LNAI, pages 743-750. Springer, 2006.

Shopping Basket Image published by Hospi-Table under a Creatice Commons License.

ABOUT THE AUTHOR


Maximilian Hainlein

I'm working for crealytics as Social Media and Marketing Manager since 2011. My motto: "It's better to be the needle than the haystack."

  • Maria Berger

    Hallo vor kurzem habe ich gelesen das es diverse Bid Management Systeme gibt wie z.B. Adspert die das vollautomatisch machen. Weiß jemand mehr darüber?

    Maria