+150 XP

Targeting und Messung von Werbung auf einem fragmentierten Bildschirm

# Targeting und Messung von Werbung auf einem fragmentierten Bildschirm

Ein Haushalt in Ohio streamt eine Kochshow auf einem Connected TV. Mitten in der Folge läuft ein 30-Sekunden-Spot für einen mittelgroßen SUV. Diese eine Impression hat ein Audience-Segment, eine Echtzeit-Auktion und eine Measurement-Pipeline durchlaufen, bevor sie auf dem Bildschirm ankam. Wer sie von Anfang bis Ende verfolgt, versteht, wie moderne TV-Werbung tatsächlich funktioniert und an welchen Stellen die Zahlen diejenigen in die Irre führen, die das Geld ausgeben.

Der Bildschirm, der fragmentierte

Jahrzehntelang war TV-Werbung einfach einzukaufen und einfach zu messen. Man buchte einen Slot bei einem Sender, und ein panelbasierter Rating-Wert sagte einem ungefähr, wie viele Menschen zugeschaut hatten.

Diese Welt ist zerfallen. Zuschauer verteilen ihre Zeit heute auf lineares TV (klassisches Broadcast und Kabel), Streaming-Apps und Kurzvideo auf dem Handy. Die größte Verschiebung ist CTV, Connected TV: jedes Fernsehgerät, das Video über das Internet streamt, sei es über einen Smart-TV, einen Streaming-Stick oder eine Spielkonsole.

CTV ist relevant, weil es addressable ist. Anders als ein Broadcast-Spot, den alle in einem Markt sehen, lässt sich ein CTV-Spot auf einen bestimmten Haushalt ausrichten. Genau diese Präzision ist der Grund, warum Marketer Budget hierher verschoben haben, und zugleich die Quelle neuer Messprobleme.

Schritt 1: Das Audience-Segment

Unsere SUV-Impression beginnt mit einem Segment: einer definierten Gruppe von Haushalten, die ein Werbetreibender erreichen will. Die Automarke könnte auf "Haushalte mit Kindern in bestimmten Metropolregionen, die vermutlich in-market für ein neues Fahrzeug sind" targeten.

Woher weiß eine Plattform, welche Haushalte passen? Ein paar gängige Quellen:

  • First-Party-Daten: Informationen, die dem Werbetreibenden gehören, etwa eigene Website-Besucher oder Loyalty-Mitglieder.
  • Third-Party-Daten: Audience-Segmente, die von Datenanbietern lizenziert werden, oft aufgebaut auf Kaufverhalten oder Demografie.
  • ACR-Daten: Automatic Content Recognition, eine Funktion vieler Smart-TVs, die erkennt, was auf dem Bildschirm läuft. Mit Einwilligung der Verbraucher meldet sie Herstellern und deren Partnern, was ein Haushalt tatsächlich gesehen hat, was für die Messung von Ad Exposure sehr wirksam ist.

Der Werbetreibende sieht selten einzelne Namen. Segmente werden um Haushalte oder gehashte Identifier herum gebaut, nicht um namentlich bekannte Personen. Datenschutzregulierung wie der California Consumer Privacy Act bestimmt, welche Daten erhoben werden dürfen und wie Verbraucher widersprechen können.

Schritt 2: Die Auktion

Wenn unser Haushalt in Ohio die Kochshow öffnet, signalisiert die Streaming-App, dass ein Werbeslot verfügbar ist. Das löst programmatischen Einkauf aus: automatisierte, auktionsbasierte Werbetransaktionen, die in Millisekunden ablaufen.

Die App sendet einen Bid Request, der die verfügbare Impression beschreibt (grob: Content-Genre, Gerätetyp und ob dieser Haushalt zu bekannten Segmenten passt). Die Systeme der Werbetreibenden bewerten ihn und bieten. Die Plattform der Automarke erkennt diesen Haushalt als "in-market SUV-Käufer" und bietet entsprechend. Das höchste relevante Gebot gewinnt, und der Spot wird ausgeliefert.

Das alles passiert, bevor die nächste Sekunde der Kochshow läuft. Wer tiefer in die Technik einsteigen will: Das IAB Tech Lab pflegt die offenen Standards, auf denen das meiste davon läuft, siehe die OpenRTB-Spezifikation.

Schritt 3: Reach und Frequency

Jetzt beginnt das Messproblem. Der Werbetreibende will nicht nur Impressions. Er will zwei Dinge wissen:

  • Reach: wie viele einzelne Haushalte den Spot mindestens einmal gesehen haben.
  • Frequency: wie oft im Durchschnitt jeder Haushalt ihn gesehen hat.

Das ist die Kernwährung einer Kampagne. Eine Kampagne kann eine Million Impressions ausliefern und trotzdem nur 200.000 Haushalte erreichen, wenn jeder den Spot fünfmal gesehen hat. Je nach Ziel kann das gewollt oder Verschwendung sein.

Hier wird es schwierig. Derselbe Haushalt sieht den SUV-Spot auf dem Smart-TV im Wohnzimmer, auf dem Tablet in der Küche und auf dem Handy im Pendelverkehr. Drei Geräte, ein Haushalt. Ohne Verknüpfung zählt die Plattform drei "erreichte" Haushalte und unterschätzt die Frequency deutlich.

Das ist das Deduplizierungs-Problem: Impressions über Geräte und Apps hinweg demselben Haushalt zuzuordnen. Dafür braucht es einen Identity Graph, ein System, das Geräte-Identifier mit einer gemeinsamen Haushalts- oder User-ID verknüpft.

Warum Fragmentierung den Reach aufbläht

Wenn zwei Streaming-Apps jeweils melden, einen Haushalt erreicht zu haben, und keine mit der anderen spricht, glaubt der Werbetreibende, er habe zwei Haushalte erreicht. Multipliziert über Dutzende Apps bläht sich der ausgewiesene Reach auf, während der echte Reach flach bleibt.

Die praktische Folge: Ein Media Buyer glaubt, eine Kampagne erreiche breit neue Zielgruppen, während sie tatsächlich immer wieder dieselben Haushalte trifft. Unabhängige Messinstitute und Branchengremien wie der Media Rating Council existieren zum Teil deshalb, um diese Zahlen zu prüfen und zu akkreditieren, damit Käufer ihnen vertrauen können.

Hier eine vereinfachte Darstellung dessen, was Deduplizierung mit denselben Rohdaten macht:

Raw impression log:
  household_A  smart_tv   10:02
  household_A  tablet     19:30   (derselbe Haushalt, anderes Gerät)
  household_B  phone      21:15

Naive count:      3 impressions, 3 "reached" devices
Deduplicated:     3 impressions, 2 households reached
                  household_A frequency = 2

Das Roh-Log ist nicht falsch. Die Interpretation ist es. Alles hängt davon ab, ob der Identity Graph diese beiden household_A-Zeilen korrekt zusammenführt.

Schritt 4: Attribution und wo sie in die Irre führt

Unser Haushalt sah den SUV-Spot am Dienstag. Drei Wochen später kauft jemand aus diesem Haushalt den SUV. Hat der Spot den Kauf ausgelöst? Attribution ist die Praxis, einer Conversion (ein Kauf, eine Anmeldung, ein Händlerbesuch) die vorausgegangenen Marketing-Kontakte gutzuschreiben.

Das verbreitetste und gefährlichste Modell ist die Last-Touch-Attribution: 100 Prozent des Credits gehen an den letzten Spot oder Klick vor der Conversion.

Last-Touch ist beliebt, weil es einfach und leicht umzusetzen ist. Es ist aus einem bestimmten Grund auch häufig falsch.

Warum Last-Touch Media Buyer in die Irre führt

Stellen Sie sich die tatsächliche Buyer Journey vor:

1. Ein CTV-Spot macht den Haushalt zuerst auf den SUV aufmerksam (Upper Funnel).

2. Ein paar Social Ads halten ihn präsent.

3. Der Käufer sucht die Marke namentlich und klickt auf eine Search Ad.

4. Kauf.

Last-Touch gibt den gesamten Credit dem Klick auf die Brand-Search-Anzeige. Aber dieser Klick kam nur zustande, weil der CTV-Spot das Interesse geweckt hat. Search hat eine Nachfrage "eingefangen", die CTV "erzeugt" hat.

Wer auf Last-Touch-Daten schaut, schließt daraus, dass CTV nicht funktioniert und Search schon, und verschiebt Budget aus genau dem Kanal heraus, der die Journey gestartet hat. Mit der Zeit versiegt die Nachfrage, weil nichts mehr den oberen Funnel füllt. Das ist einer der häufigsten und teuersten Fehler im Media Measurement.

Bessere Ansätze sind Multi-Touch-Attribution (Credit wird über mehrere Kontakte verteilt) und Incrementality-Testing: eine Kontrollgruppe zurückhalten, die keine Werbung sieht, und dann den Uplift bei den Conversions in der exponierten Gruppe messen. Incrementality beantwortet die eigentliche Frage: Was ist *wegen* der Werbung passiert, das sonst nicht passiert wäre?

🎬 [VIDEO: "How Attribution Modeling Works" - youtube.com - ein klarer Durchgang durch Last-Touch versus Multi-Touch und wo beide an ihre Grenzen stoßen]

Wissenscheck

1. Welche zentrale Eigenschaft von CTV hat Marketer dazu gebracht, Budget dorthin zu verschieben, und zugleich neue Messprobleme geschaffen?

2. Was ist im Kontext der Lektion ein Audience-'Segment'?

3. Warum wird ACR (Automatic Content Recognition) als wirksam für die Messung von Ad Exposure beschrieben?

MEHRFACHAUSWAHL

4. Wählen Sie ALLE Aussagen, die zutreffend beschreiben, wie sich moderne TV-Werbung vom älteren Broadcast-Modell unterscheidet.

Wählen Sie alle richtigen Antworten aus.

MEHRFACHAUSWAHL

5. Wählen Sie ALLE korrekten Aussagen über die Datenquellen, mit denen Audience-Segmente gebaut werden.

Wählen Sie alle richtigen Antworten aus.

Alles zusammen: das Dashboard des Käufers

Ein Media Buyer, der unsere SUV-Kampagne steuert, sollte die Zahlen in einer bestimmten Reihenfolge lesen:

  • Deduplizierter Reach und Frequency zuerst. Treffen wir neue Haushalte oder hämmern wir auf dieselben ein? Eine Frequency von 15 ist meist ein Zeichen für Verschwendung.
  • Incrementality, nicht nur Last-Touch-Conversions. Hat die Kampagne den Absatz gegenüber einer Holdout-Gruppe gehoben?
  • Cross-Screen-Sicht. Linear, CTV und Mobile sollten gemeinsam gemessen werden, weil derselbe Haushalt zwischen ihnen wechselt.

Eine wiederkehrende Falle: einen Upper-Funnel-Kanal wie CTV an Lower-Funnel-Metriken nach Last-Touch zu messen. CTV holt sich selten den letzten Klick. An einem klickbasierten Scorecard gemessen, sieht es immer schwach aus, selbst wenn es seinen Job macht.

Eine Anmerkung zu den Daten selbst

Jede Zahl hier beruht auf Datenqualität, die schwankt. Die ACR-Abdeckung hängt davon ab, welche TVs in einem Markt stehen und ob Haushalte eingewilligt haben. Identity Graphs sind Schätzungen, keine perfekte Wahrheit. Panelbasierte Messung deckt eine Stichprobe ab, nicht alle. Behandeln Sie Reach-Zahlen von Anbietern als fundierte Schätzungen und fragen Sie nach, wie dedupliziert wurde, bevor Sie einem Vergleich zwischen Plattformen trauen.

Key Takeaways

  • CTV ist addressable TV. Sein Wert liegt im Targeting eines bestimmten Haushalts, und genau deshalb wurde die Messung schwerer, als sich die Nutzung über Apps und Geräte verteilte.
  • Reach und Frequency bedeuten erst nach Deduplizierung etwas. Fragmentierung bläht den ausgewiesenen Reach auf und verdeckt die echte Frequency, solange Impressions nicht über einen Identity Graph Haushalten zugeordnet werden.
  • Last-Touch-Attribution unterschätzt systematisch Upper-Funnel-Kanäle wie CTV und schreibt dem letzten Search-Klick eine Nachfrage gut, die der frühere Spot erzeugt hat.
  • Incrementality-Testing (eine Holdout-Gruppe) beantwortet die eigentliche Frage: was wegen der Werbung passiert ist, nicht nur, was danach passiert ist.
  • Jede Zahl ist eine Schätzung. Fragen Sie, wie der Reach dedupliziert und wie Conversions attribuiert wurden, bevor Sie Plattformen vergleichen oder Budget verschieben.