Predictive Modelling hilft, die Herausforderungen der Skalierung zu meistern, wenn Werbebudgets über ständig wachsende Anzeigenportfolios verteilt und optimiert werden. So funktioniert es.
Werbebudgets wöchentlich zu verteilen und neu zuzuweisen kann schwierig und zeitaufwendig sein, besonders bei Dutzenden oder Hunderten globalen Kampagnen über mehrere Plattformen hinweg. Werden Werbeausgaben nicht optimiert und Budgets nicht wirksam verteilt, führt das jedoch zu erheblicher Geldverschwendung.
Das zentrale Ziel ist, Budgets so zu verteilen, dass sie den grösstmöglichen Wert fürs Geschäft schaffen. Deshalb haben wir einen Algorithmus entwickelt, der nahtlose Budgetverteilung und -optimierung ermöglicht. Bei einem Kunden, der 170 Google-Ads-Kampagnen weltweit betrieb, konnten wir mit diesem Ansatz den durchschnittlichen ROAS (Return on Advertising Spend) in weniger als zwei Monaten von 2,8 auf 8,4 steigern.
So funktioniert der Algorithmus:
Wir haben Predictive Modelling auf Basis historischer Daten genutzt, um die Budgetverteilung zu optimieren. Hier die Faktoren, die unser Modell für die dreifache ROAS-Steigerung genutzt hat:
- Datennormalisierung: Unterschiedliche Kampagnen haben meist unterschiedliche Laufzeiten und Startdaten, weshalb wir sie zunächst auf dieselbe Skala bringen mussten, bevor sie vergleichbar wurden.
- Conversion Rate: hilft uns einzuschätzen, wie gut eine Kampagne Nutzer in Kunden verwandelt, und entsprechend jene zu priorisieren, die die meisten Kunden bringen.
- Conversion Value: hilft uns, den Umsatz jeder Kampagne einzuschätzen, und entsprechend jene zu priorisieren, die den meisten Umsatz bringen.
- ROAS: der Return on Advertising Spend erlaubt es uns, die Profitabilität jeder Kampagne einzuschätzen, und entsprechend die profitabelsten zu priorisieren.
- Anpassungsfaktor: Die Erwartungen müssen je nach Phase der Kampagne variieren, ob TOFU (Top of Funnel), MOFU (Middle of Funnel) oder BOFU (Bottom of Funnel). Performt eine Kampagne in einer bestimmten Funnel-Phase überdurchschnittlich, können wir Budgets entsprechend umverteilen.
- Impression Share: erlaubt uns, das Wachstumspotenzial einer Kampagne einzuschätzen. Manche Kampagnen haben bei Impressions bereits ihren Höhepunkt erreicht, andere haben noch grosses Wachstumspotenzial. Sehen wir bei einer Kampagne grossen Wachstumsspielraum, erhält sie einen grösseren Budgetanteil.
- Mindestbudget: Schliesslich berechnen wir das Mindestbudget für jede Kampagnenkategorie (TOFU, MOFU oder BOFU). So stellen wir ein Mindestmass an Markensichtbarkeit sicher, auch wenn Performance das Hauptziel bleibt.
Zum Abschluss
Jedes Unternehmen hat begrenzte Ressourcen. Es gibt mehrere aktive Werbeplattformen, und innerhalb jeder davon unzählige Aktivitäten oder Kampagnen. Mit historischen Daten lassen sich Predictive Models bauen, um fundiert einzuschätzen, welche Kampagnen und Plattformen realistisch am besten performen dürften. Diese Modelle erlauben es, Werbebudgets wirksam zu verteilen und so Performance und Profitabilität zu steigern, bei geringerem Risiko.
Solche Algorithmen bieten enormen Mehrwert, indem sie Zeit und Geld sparen, dennoch sollte man ihre Grenzen kennen. Predictive Models basieren auf vergangener Performance, weshalb spätere Kampagnenänderungen nicht automatisch berücksichtigt werden. Deshalb bleiben menschliche Anpassungen wichtig. Ebenso wichtig: alles richtig zu messen, denn was Sie nicht messen, können Sie auch nicht verbessern.
Früher haben wir für diesen Kunden drei Stunden pro Woche allein für das Budgetmanagement aufgewendet, heute läuft alles besser und schneller im Hintergrund. Das schafft Freiraum für Strategiearbeit und maximiert so die Wirksamkeit der Kampagnen insgesamt.
Wir passen unseren Ansatz an die individuellen Bedürfnisse jedes Kunden an, denn Predictive Models müssen auf Ihre Daten, Ihr Geschäft und Ihre konkreten Ziele zugeschnitten sein. Fällt es Ihnen schwer, Ressourcen effizient zu verteilen, kontaktieren Sie uns noch heute, damit wir eine passende Lösung für Sie entwickeln.