Media Forecaster

Mit dem „Media Forecaster” bringt AdClear eine neue Dimension in die Budgetplanung: Das Produkt erlaubt die Prognose der Wirkung von Budgetveränderungen auf die Kanäle und deren wichtigste Erfolgskennzahlen wie Return on Investment (ROI) oder Cost per Order (CPO). Damit erhalten Advertiser erstmals die Möglichkeit, die Auswirkungen von Entscheidungen zur Budgetallokation auf die wichtigsten Erfolgsparameter vor deren Umsetzung zu simulieren.

Der Media Forecaster Prozess

Der Media Forecaster Prozess

Der Technologie liegt ein Media Forecast Algorithmus zugrunde, welcher auf der kundenspezisch erstellten, datengetriebenen Attribution basiert.
AdClear berechnet verursachungsgerecht die Beitragsleistung aller Kanäle und aller Werbemaßnahmen. Damit erfolgt, auch durch das Anreichern der Attributionsergebnisse mit den Kosten, nicht nur ein eindeutiges Bild über die Performance der Kanäle, sondern auch ein klares Bild über deren Skalierbarkeit.

Was passiert mit meinem Online-Umsatz, wenn ich mehr in den Bereich Display Marketing investiere? Wie verändern sich meine Kosten pro Konversion, wenn ich Suchmaschinen Marketing zurückfahre und mehr Budget für Affiliate Marketing bereitstellen? Diese und andere Fragen können mit Hilfe des Moduls direkt im Frontend von AdClear beantwortet werden.

Vorteile für den Advertiser

Eine integrierte, kanalübergreifende Betrachtung ersetzt bisher vorhandene, kanalspezifische “Insellösungen”

Eine integrierte, kanalübergreifende Betrachtung ersetzt bisher vorhandene, kanalspezifische “Insellösungen”

Die Simulation unterschiedlicher Budget-Verteilungsszenarien ermöglicht die bestmögliche Vorhersage der zu erwartenden Ergebnisse

Die Simulation unterschiedlicher Budget-Verteilungsszenarien ermöglicht die bestmögliche Vorhersage der zu erwartenden Ergebnisse

Eine hohe Modellgüte des Berechnungsalgorithmus wird durch den Einsatz des datengetriebenen Attributionsmodells von AdClear sichergestellt

Eine hohe Modellgüte des Berechnungsalgorithmus wird durch den Einsatz des datengetriebenen Attributionsmodells von AdClear sichergestellt

Entscheidungen über Budgethöhe und Verteilung erhalten damit eine verbesserte Grundlage

Entscheidungen über Budgethöhe und Verteilung erhalten damit eine verbesserte Grundlage

Insgesamt ergibt sich so eine signifikante Steigerung der Effizienz einzelner Kanäle und des gesamten Online-Marketing-Portfolios

Insgesamt ergibt sich so eine signifikante Steigerung der Effizienz einzelner Kanäle und des gesamten Online-Marketing-Portfolios

Funktionalität

Über das interaktive Prognosemodul können direkt im AdClear Frontend über einstellbare Regler unterschiedliche Budget-Verteilungsvarianten eingestellt werden. Die Einstellung erfolgt auf der kanalspezifischen Werbe-Elastizitätskurve. Das System berechnet zu jeder gewählten Variante eine Prognose sowohl der individuellen Kanal-Kennzahlen als auch der aggregierten Gesamtwerte.
Das Media Forecaster Dashboard

Das Media Forecaster Dashboard

Simulation von Szenarien

Durch entsprechende Wahl des Analyseziels können drei grundlegende Szenarien simuliert werden:

Media Forecaster Szenarien

Media Forecaster Szenarien

Simulation Umsatz/Kosten:
Gezeigt wird die Veränderung des Umsatzes in Abhängigkeit von dem in den einzelnen Kanälen jeweils eingesetzten Budget.
Analysebeispiel:
Welchen Gesamt-Umsatz werde ich erreichen, wenn ich den Budgeteinsatz im Kanal SEA um 2.000 EUR erhöhe?

Simulation CPO/Kosten:
Gezeigt wird die Veränderung des CPOs in Abhängigkeit vom in den einzelnen Kanälen eingesetzten Budget.
Analysebeispiel:
Wie würde sich mein Gesamt-CPO verändern, wenn ich mein Budget im Affiliate-Kanal verdoppele?
Simulation Umsatz/CPO:
Gezeigt wird die Veränderung des Umsatzes in Abhängigkeit vom CPO.
Analysebeispiel:
Welchen Umsatz werde ich erreichen, wenn ich in meinen Hauptkanälen einen CPO von 20 EUR ansteuere?

Der Anwendungsprozess

1. Tracking aufbauen:
Das AdClear-Tracking sollte seit mindestens sechs Monaten integriert und verifiziert sein.

2. Einsatz des Superior Attributors:
Berechnung der Transaktionen nach der usergetriebenen und dynamischen Attribution von AdClear.

3. Vorliegen von Kostendaten:
Für die Berechnung des statistischen Modells müssen dem System die Kostendaten auf Ebene der Haupt-Bezahlkanäle (SEA, Display, Affiliate, Newsletter, …) ebenfalls für mindestens sechs Monate zur Verfügung gestellt werden.

Media Mix Modelling

AdClear bewirkt mit dem „Media Mix Modelling” die Prognose der Wirkung von Budgetveränderungen auf die Marketing-Kanäle und deren wichtigste Erfolgskennzahlen wie Return on Investment (ROI) oder Cost per Order (CPO). AdClear berücksichtigt dabei alle eingesetzten Marketing-Kanäle, Online wie auch Offline.

AdClear setzt ein nichtlineares Machine Learning Verfahren zur Modellierung ein. Das Modell lernt aus einer Historie von bereitgestellten Daten (Kosten und Umsätze) täglicher Granularität. Eine Historie von mindestens 12 Monaten ist empfehlenswert.  Als wesentlicher Input werden Zeitreihen der Kosten für jeden in der Vergangenheit bedienten Marketing-Kanal herangezogen. Dabei unterscheidet das Modell zwischen Online- und Offline-Marketingkanälen und zwischen Werbemaßnahme (Kosten) und Werbewirkung (Adstock). Während Online-Werbemaßnahmen in der Regel kurzfristig auf den Unternehmenserfolg wirken, haben Offline-Werbemaßnahmen zusätzlich einen längerfristigen Einfluss. Das Modell verwendet daher für jeden Offline-Kanal einen individuellen Adstock, der die längerfristige Werbewirkung abbildet. Dieser Adstock wird für jeden Offline-Kanal individuell datengetrieben mithilfe statistischer Methoden ermittelt. Über die Marketing-Kosten hinaus verwendet das Modell einen Market Demand Index (MDI), der eine natürliche Nachfragesaisonalität des Marktes nach den Produkten des Kunden modelliert, sowie einen Brand Search Index (BSI), durch den die Stärke der Marke des Kunden in das Modell einfließt. Daneben werden Wochentagssaisonalitäten und Wettereffekte berücksichtigt. Zusätzlich zu diesem Standardsetup an verwendeten Variablen, können weitere durch den Kunden als relevant erachtete Variablen in das Modell aufgenommen werden.

Als Zielvariable dient dem Modell die tägliche Anzahl der in dem historischen Zeitraum realisierten Abschlüsse. Zusammen mit den Marketing-Kosten wird der zeitabhängige CPO/ROI für jeden Marketing-Kanal berechnet. Die Bewertung der Abschlüsse mit den entsprechenden Vertragsvolumina in Euro erlaubt die Berechnung von zeitabhängigen CPO/ROIs.

Der Anwendungsprozess

  1. Initiale Kalibrierung eines Marketing-Mix-Modells basierend auf der oben ausgeführten Methodik anhand der durch den Kunden zur Verfügung gestellten Daten.
  2. Bereitstellung der Marketing-Mix-Erkenntnisse in einer webbasierten Applikation:
    • Dashboards mit KPIs und verschiedenen Graphiken,
    • Balken- und Wasserfall-Diagramme der Beiträge einzelner Marketingkanäle zum Unternehmenserfolg, gemessen in Abschlüssen und Umsatz,
    • Balken-Diagramm der CPOs und ROIs aller Marketing-Kanäle,
    • Gestapelte Balken-Diagramme der attribuierten Anzahl an Abschlüssen, induziert durch die einzelnen Marketing-Kanäle im zeitlichen Verlauf,
    • Interaktionsmöglichkeiten, wie das Festlegen von Zeiträumen, Zoom-Funktionalität und Export von Graphiken,
    • Visualisierung der für die Modellierung verwendeten historischen Rohdaten.
  1. Übergabe der Zugangsdaten zur Web-Applikation und Detail-Präsentation
  2. Präsentation der Ergebnisse in Powerpoint inklusive eines Forecasts in Form von datengetriebenen Budget-Optimierungsvorschlägen bezüglich des zukünftigen Marketing-Mix.