OMR-Rückblick: 5 Trader-Tipps für den programmatischen Anzeigenhandel

Mit zunehmender Verbreitung programmatischer Werbung erhöht sich auch die technische Weiterentwicklung und somit die Komplexität des automatisierten Werbehandels. Die neue Herausforderung ist das optimale Zusammenspiel von Maschinen, Algorithmen und Menschen. In der Masterclass „Programmatic Buying: Trader lüften ihre Geheimnisse“ im Rahmen des Online Marketing Rockstars Festivals, gaben Experten von AppNexus, Performance Media, der Retail Media Group und MiQ tiefe Einblicke in ihre Arbeitsweisen.

1. Kampagnensteuerung ist Teamarbeit

„Bei uns arbeiten Plattformen, APIs, Trader und Data Scientists eng zusammen“, erklärt Tim Reimann, Head of RTA, Performance Media Deutschland. Eher zeitaufwendige Prozesse, wie Reporting oder Budget-Management von Line Items, werden von den technischen Systemen der Agentur über APIs übernommen. Der Trader kümmert sich um die Konzeption und Überwachung der Kampagnen, denn persönliche Erfahrungswerte spielen dabei eine wichtige Rolle. Damit er sich auf seine Kernkompetenzen fokussieren und Kampagnen optimal aussteuern kann, werden Sonderauswertungen, Informationen und vorkonfigurierte Kampagnen vom Data-Science-Team geliefert. Performance Media setzt bei der Gebotsverarbeitung auf AppNexus als zentrale Plattform, zum Beispiel für CPC-Prediction und andere intelligente Dienste.

2. Microoptimierung automatisieren

Robert Kraemer, AppNexus, beim OMR (Foto: Alexander Wöckener)

Basierend auf den Zielvorgaben einer Kampagne, ist die anfängliche Auswahl der Domains, auf denen eine Kampagne laufen soll sowie die Verteilung des Budgets Aufgabe des Traders. Ab dann kann aber eine intelligente Demand-Side-Plattform (DSP) die weitere Optimierung übernehmen. Beispielsweise werden Domains, die keine gute Leistung erbringen, entfernt und Budgets auf Inventare umverteilt, die besonders gut funktionieren. „Microoptimierungen sollten Aufgabe der Algorithmen sein, denn besonders bei umfangreichen Kampagnen wäre eine manuelle Anpassung viel zu aufwendig“, meint Robert Kraemer, Manager Solutions Consulting Central Europe, AppNexus. Kraemer ist der Meinung, ein Algorithmus könne die Umsetzung in diesen Fällen viel schneller und effizienter realisieren als ein Trader.

3. Gebote dynamisch anpassen

„Wir sehen, dass Kampagnen, die innerhalb einer Stunde oder eines Tages ihr Budget ausgegeben haben, in einen Schlafmodus verfallen und bis zum nächsten Zeitintervall inaktiv bleiben. Die Opportunitätskosten können recht hoch sein, da relevante Nutzer in dieser Zeit nicht angesprochen werden“, berichtet Kraemer. Eine Lösung ist das Adaptive Pacing, die kontinuierliche Anpassung der Gebotsstrategie an die aktuellen Marktgegebenheiten. Wenn sich der Preis für Inventar zum Beispiel abhängig von der Tageszeit, dem Wochentag oder der Region des Users verändert, passt der Algorithmus die Gebotsstrategie umgehend dynamisch an.

4. Datenquellen sinnvoll verknüpfen

„Eine Kampagne darf nicht dem Selbstzweck dienen. Wenn beispielsweise das Ziel erreicht wird, Onlinebuchungen für Mietwagen zu generieren, dann aber nur die Hälfte aller Buchungen tatsächlich auch zu Umsatz führen, weil nicht alle gebuchten Wagen auch abholt werden, läuft meine Kampagne ins Leere“, erklärt Stefanie Scognamiglio, Trading & Analytics Director, MiQ (ehemals Media iQ). Es ist daher ratsam alle relevanten Datenquellen zu verknüpfen. Schon bei der Segmentierung der Zielgruppen im genannten Beispiel, kann so der Fokus auf die User gelegt werden, die mit großer Wahrscheinlichkeit das Auto auch abholen und nicht nur buchen. Der Dreiklang aus sinnvollen Daten, angemessener Segmentierung und Automatisierung von datenbasierter Anzeigenausspielung ist für Stefanie Scognamiglio das Rezept für erfolgreiches programmatisches Trading.

5. Trading als Produkt behandeln

„Die Herausforderung beim Trading liegt darin, Learnings aus den vergangenen Kampagnen auf neue Kampagnen direkt zu übertragen. Die Beurteilung der Performance von Audience- Segmenten funktioniert historisch gesehen nur nach Start der Kampagne entsprechend ist dies eine der großen Herausforderungen des Data-Driven-Marketings.“ So Lars Engelbrecht, Director of Ad operations & Solutions, Retail Media Group. Um diesem Dilemma zu entgehen und dennoch gute Trading Strategien aufzusetzen, entwickelte die RMG eine eigene technische Infrastruktur in Form eines Business Intelligence Systems, in dem Daten aus Segment- und Kampagnendaten zusammenfließen und nach statistischen Modellen kontinuierlich verbessert werden. Doch eine neue Technologie allein reicht nicht: auch die Teamstruktur musste diesem agilen Ansatz angepasst werden. Silos, in denen Trader, Data Science und Development arbeiten wurden zusammengeführt und das eigentliche Trading als ein Produkt mit iterativen Sprints angesehen. Über Methodiken wie Scrum oder Kanban arbeiten alle Beteiligten in agilen Gruppen.

Tags