So steigern Sie Ihr digitales Marketing mit Deep Learning-Prognosen

“We're at the beginning of a golden age of AI and are solving problems that were once in the realm of science fiction.” Jeff Bezos

Heute bezeichnen 83 % der Organisationen weltweit KI als oberste Priorität und der KI-Markt wird sich Prognosen zufolge bis 2030 verzwanzigfachen . Angesichts des zunehmenden Wettbewerbs ist es verständlich, dass Unternehmen es nicht mehr wagen, KI-Technologien zu ignorieren.

Daher ist es für viele ziemlich enttäuschend, dass Werbekampagnen trotz gewisser Fortschritte im digitalen Marketing weiterhin nicht die optimale Effizienz erreichen, da die Investitionen in Anzeigen nur unterdurchschnittliche Renditen abwerfen, Kampagnen Benchmarks und KPIs nicht erfüllen und sich der ROI nur schwer messen lässt.

Mit der Kraft der KI traditionelle Werbung revolutionieren

Im Laufe der Jahre haben Unternehmen eine beträchtliche Menge an Rohdaten angesammelt – eine wahre Goldmine an Marketingerkenntnissen, die oft nicht ausreichend genutzt und unterbewertet wird. Durch Investitionen in Werbekampagnen haben Unternehmen ein besseres Verständnis ihrer Kunden und deren Bedürfnisse gewonnen. Viele von ihnen haben jedoch noch nicht gelernt, wie sie diese Daten effektiv monetarisieren können.

Um ihre Gewinne zu steigern, begannen die Unternehmen, stärker auf Indikatoren mit höheren Margen zu achten. Dies führte zur Entlassung überflüssiger Mitarbeiter und zur Automatisierung von Arbeitsprozessen. Multinationale Konzerne und Tycoons wie Tesla investieren erhebliche Mittel in Robotik und Automatisierung, um Produktionsfehler zu minimieren und die aufgrund der Inflation steigenden Arbeitskosten zu senken.

Traditionelle Medienwerbung ist aufgrund von Informationsüberflutung und Bannerblindheit weniger effektiv geworden. Daher arbeiten Unternehmen aktiv an Personalisierung und gezielter Werbung, um Konversionsraten und Kampagneneffizienz zu steigern. Infolgedessen investieren Unternehmen mehr in die Nutzerakquise, aber ihre Erträge müssen gesichert sein.

Unternehmen mit hohen Einsätzen und engen Benutzersegmenten können mithilfe von Analysen und historischen Benutzeraktivitätsdaten herausfinden, welche Benutzer mehr Gewinn bringen und wie sie diese effizienter gewinnen können. Auf diese Weise können sie ihre Werbekampagnen optimieren und die Performance-Marketing-Kennzahlen verbessern.

Angesichts steigender Kosten auf Auktionsplattformen wie Google und Meta sehen sich Unternehmen mit erhöhten Klickkosten und mehr Wettbewerb konfrontiert. Daher ist es wichtig zu verstehen, wie schnell sich Investitionen in die Nutzerakquise amortisieren lassen. Analyselösungen wie Lemon AI können Unternehmen dabei helfen, die Amortisationszeit zu bestimmen und fundierte Entscheidungen zur Skalierung oder Anpassung ihrer Werbebudgets zu treffen.

Wie das tatsächlich funktioniert

Schauen wir uns zwei Szenarien an, die sich auf dem Markt abspielen.

1. Sie verzeichnen eine hohe Anzahl an Käufen einer sehr breiten Zielgruppe , wobei manche Nutzer Ihnen mehr Umsatz bescheren und länger bei Ihnen bleiben als andere.

   
   

Dennoch zahlen Sie für alle Benutzer Ihrer breiten Zielgruppe mehr oder weniger den gleichen Durchschnittspreis, auch wenn ihr Lebenszeitwert und ihre Bindungsrate erheblich variieren können. Dies macht Ihre Kampagnen natürlich weniger effizient als sie sein könnten. Daher ist es vernünftig, Ihre Ausgaben unter Berücksichtigung der potenziellen Rentabilität jedes Benutzers optimieren zu wollen. Deshalb ist es so wichtig, Ihre Zielgruppe danach zu segmentieren, wie viel Ihnen jedes Segment in Zukunft einbringen wird.

Basierend auf diesen Informationen können Sie für verschiedene Segmente unterschiedliche Beträge zahlen, je nach ihrem Vorhersagewert. Zum Beispiel könnte es sein

• 5 $ für Benutzer aus Segment A, die Ihnen 15 bis 20 $ einbringen,

• 7,5 $ für Benutzer aus Segment B, die Ihnen 25 bis 30 $ einbringen, und

• 10 $ für Benutzer aus Segment C mit einem potenziellen Lebenszeitwert von über 30 $.

  
  

2. Stellen Sie sich vor, Sie haben nur sehr wenige Zielbenutzer und müssen Benutzer finden, die Ihrer aktuellen zahlenden Zielgruppe ähneln, aber noch keinen Kauf getätigt haben.

   
   

In diesem Fall möchten Sie Ihr Publikum erweitern. Die Herausforderung besteht darin, dass es bei sehr wenigen Ereignissen schwierig ist, die benötigten Benutzer umgehend zu identifizieren. Was wir hier tun können, ist, unsere Vorhersagen zu nutzen, die für ein möglichst ähnliches Publikum erstellt wurden. Dadurch erhält Ihre Quelle zur Benutzerakquise viel mehr Wissen über die anzusprechenden Zielbenutzer und kann auf der Grundlage dieses Wissens leicht optimiert werden.

Wenn in der Vergangenheit beispielsweise nur 1 % Ihrer Benutzer Käufe getätigt haben, stellt eine Erhöhung Ihrer Conversion-Rate auf nur 5 % bereits eine deutliche Verbesserung dar, die große Auswirkungen auf Ihren Umsatz hat.

Es ist wichtig zu beachten, dass die Wirksamkeit der Lösung dieser Probleme immer von Mathematik und Datenverarbeitungsmethoden abhängt. Es gibt zahlreiche Methoden zur Datenerfassung, aber nicht alle Unternehmen haben gelernt, diese richtig zu analysieren und zu monetarisieren.

Zu verstehen, welche Methoden und Ansätze für eine bestimmte Branche am besten geeignet sind, kann Unternehmen einen Vorteil verschaffen und ihnen helfen, bessere Ergebnisse zu erzielen.

Bringen Sie Ihre Werbekampagnen zum Glänzen

Der erste Schritt besteht darin, das Ziel Ihrer Kampagne zu definieren. Wenn Sie beispielsweise ein neues Produkt vorstellen möchten, sei es ein neues Spiel oder eine Fitness-App, wäre Ihr erstes Ziel, Markenbekanntheit zu schaffen, damit die Leute anfangen, davon zu erzählen. Um dieses Ziel zu erreichen, können Sie verschiedene Medienkanäle wie Display & Video 360 (DV360) oder das Displaynetzwerk (GDN) von Google nutzen, wo Sie nach Möglichkeiten suchen, die Ausgaben für die effizienteste Zielgruppengewinnung zu optimieren.

Als nächstes kommt es auf die Benutzerakquise (UA) und die Leistung an, und hier haben wir zwei wesentliche Fragen.

Erstens: Wie finden wir den optimalen Marketing-Mix unter Nutzung verschiedener Kanäle?

Beispielsweise kann es eine echte Herausforderung sein, Ihr Werbebudget effizient auf verschiedene Kanäle wie Google, TikTok und andere zu verteilen. Es ist entscheidend, herauszufinden, wie Sie die beste Kombination dieser Kanäle erstellen, um Ihre Ziele zu erreichen. Ihr Marketing-Mix (der Prozentsatz des Werbebudgets, der in verschiedene Kanäle investiert wird) könnte 50 % auf Google, 30 % auf Meta, 10 % auf TikTok usw. umfassen.

Jeder Kanal verfügt über eigene Optimierungsmechanismen und es ist wichtig herauszufinden, welcher davon für Ihr Unternehmen am besten geeignet ist. Einige Optimierungs-Engines funktionieren auf bestimmten Kanälen besser, je nach Zielgruppe und einzigartigen Integrationen. Beispielsweise legen Spieleunternehmen Wert auf Integrationen mit Spielen und Formaten, die in Standard-Werbenetzwerken nicht verfügbar sind.

Führen Sie in jedem Kanal A/B-Tests durch, um die effektivsten kreativen Lösungen zu finden – Banner, Videos und Targeting-Einstellungen. Mit geeigneten Assets können Sie Ihre Ziele am effizientesten erreichen.

Die zweite Frage betrifft kanalübergreifende Strategien. Dabei geht es darum, anhand des Verhaltens Ihrer Zielgruppe zu bestimmen, wohin Sie diese leiten möchten. Wenn Sie beispielsweise feststellen, dass einige Benutzer auf dem Weg zur Arbeit den Bezahlvorgang in einer mobilen App starten und ihn dann auf der Website abschließen, können Sie Ihre Werbung anpassen, um den Vorgang für diese Benutzer zu optimieren.

Hierzu gehört auch personalisierte Werbung zu unterschiedlichen Tageszeiten und die Nutzung KI-gestützter Tools zur Vorhersage der Wirksamkeit verschiedener Banner und Anzeigeneinstellungen.

Letztendlich besteht Ihre Aufgabe darin, die optimale Kombination von Kanälen zu finden, jeden Kanal zu optimieren und eine kanalübergreifende Strategie zu entwickeln, die auf einem Verständnis des Verhaltens Ihres Publikums basiert.

Predictive UA und konventionelle Ausschreibungsverfahren

Normalerweise sammeln Sie eine ausreichende Menge historischer Daten, in der Regel über 5.000 einzelne Benutzer. Dann werden Ihre Rohdaten in ein numerisches Format umgewandelt, da Vorhersagemodelle mit Zahlen statt mit Text arbeiten. Der Prozess sieht folgendermaßen aus:

1. Datenvorbereitung : Die Daten, die Sie für das Modelltraining verwenden möchten, müssen in ein numerisches Format umgewandelt werden.

2. Modelltraining : Zum Trainieren des Modells werden historische Daten zur Benutzeraktivität verwendet. Das Modell wird trainiert, um anhand von Mustern in der Aktivität neuer Benutzer vorherzusagen, wie viel Geld sie einbringen können.

3. Modellbewertung : Das Modell wird anhand seiner Fähigkeit, Vorhersagen zu treffen, bewertet.

4. Modellbereitstellung : Nach dem Training kann das Modell in Echtzeit bereitgestellt werden, sodass Sie die Werte der Benutzer vorhersagen können, die aktuell mit Ihrer App interagieren.

5. Datenerfassung in Echtzeit : Daten zur Aktivität neuer Benutzer werden in Echtzeit erfasst.

   
   

Lemon AI automatisiert diese Schritte vollständig für Sie mit seiner patentierten Deep-Learning-Technologie, die eine Vorhersagegenauigkeit von über 90 % aufweist. Sie müssen nur auswählen , was Sie vorhersagen möchten : Dies kann entweder ein herkömmlicher Performance-Marketing-KPI (z. B. ROAS, LTV, Retention, ARPU und CAC) oder eine beliebige benutzerdefinierte Kennzahl sein, die für Ihr Unternehmen von entscheidender Bedeutung ist. Ob es darum geht, Benutzer zu identifizieren, die 100 Edelsteine ausgeben, nachdem sie 20 Level in Ihrem Spiel abgeschlossen haben, oder Benutzer, die innerhalb der letzten 30 Tage mindestens 3 Bestellungen im Wert von 500 USD auf Ihrer E-Commerce-Plattform aufgegeben haben – unsere Lösung hilft Ihnen dabei, die wichtigsten Kennzahlen basierend auf der Analyse der Rohdaten zu ermitteln und ein benutzerdefiniertes Ereignis zu erstellen, um die Leistung Ihrer App oder Website zu steigern.

Alles andere – Modelltraining, Feature-Engineering, Datenanalyse und Umwandlung in umsetzbare Erkenntnisse – geschieht automatisch und erfordert keine tiefgreifenden technischen Kenntnisse. Die Datenübertragung ohne Code über die Pull & Push API dauert nur 30 Minuten, wobei Deep-Learning-Modelle innerhalb von 48 Stunden trainiert werden. Mit der Fast-Track-Funktion können Sie selbst mit SKAN-Einschränkungen innerhalb von 15 Sekunden nach dem Start der App eines neuen Benutzers mit der Generierung erster Vorhersagen beginnen. Die nahtlose Integration mit führenden Mobile-Management-Partnern und Analysediensten rationalisiert den Prozess zusätzlich.

In Ihrem Anzeigenmanager können Sie die Leistung Ihrer optimierten Kampagnen in Echtzeit überwachen und sie basierend auf tatsächlichen Ergebnissen und Modellvorhersagen anpassen. Die intuitive Benutzeroberfläche von Lemon AI macht dedizierte Manager oder Programmierkenntnisse überflüssig, sodass die Kampagnenoptimierung so einfach ist wie das Drücken einiger Tasten und Ihnen die technischen Feinheiten erspart bleiben.

Unsere End-to-End-Analyselösung unterstützt die Automatisierung des Datenabgleichs über verschiedene Datenspeicher hinweg, seien es Mobile Measurement Platforms (MMPs), CRMs, Backend-Speicher usw. Auf diese Weise können Unternehmen nahtlos umsetzbare Erkenntnisse aus der gesamten Bandbreite der Rohdaten gewinnen, über die sie verfügen.

Durch die Automatisierung aller oben genannten Schritte wird der Anzeigenkauf wesentlich effizienter. Indem Sie Ihre Werbemaßnahmen auf der Grundlage automatisierter Kampagnen und detaillierter Analysen steuern, können Sie die KPIs im Vergleich zu herkömmlichen Werbemethoden um 30–40 % verbessern.

Es funktioniert tatsächlich!

Lemon AI ermöglicht es Unternehmen, fortschrittliche Deep-Learning-Technologie im Einklang mit ihren Zielen zu nutzen, sei es die Verbesserung von KPIs bei gleichbleibenden Kosten oder umgekehrt – die Senkung der Kosten ohne Beeinträchtigung der KPIs. In nur sechs Monaten haben wir Gesamtwerbeausgaben von 8,2 Millionen US-Dollar für mehr als 60 Kunden aus Branchen wie E-Commerce, Bankwesen, Gaming, Lieferung, Gastgewerbe und Reisen optimiert.

Hier sind nur zwei kurze Beispiele.

Fall 1: LTV-Wachstum um 49 % im E-Commerce

Herausforderung : Eine der führenden E-Commerce-Plattformen in der MENA-Region mit 25 Millionen Installationen und durchschnittlich über 650.000 monatlichen Nutzern kämpfte trotz einer breiten Produktpalette mit niedrigen LTV-, AOV- und Bindungsraten. Die mobile App nutzte prädiktive Benutzergewinnungs- und Analysetools mit wenig Erfolg.

Das Ziel bestand darin, durch die Implementierung einer umfassenden digitalen Marketingstrategie und die Optimierung der Google Ads- und Meta Ads-Kanäle ein nachhaltiges Wachstum der Geschäftskennzahlen zu erzielen, um hochwertige Nutzer anzuziehen, Wiederholungskäufe zu fördern und vorausschauende, persönliche, dynamische Angebote zu entwickeln.

So sind wir in 3 Schritten dorthin gelangt:

1. Wir haben Daten analysiert, um Kaufgewohnheiten und Abwanderungswahrscheinlichkeit vorherzusagen sowie Strategien zur Nutzergewinnung und -bindung zu optimieren.

2. Wir haben Benutzer mit dem höchsten LTV von 35 % innerhalb von 60 Tagen und solche, die innerhalb von 30 Tagen nach der Installation 3 oder mehr Käufe getätigt haben, angesprochen. Nach 3 Monaten haben wir den CAC um 17,9 % gesenkt und Banner, Texte und USPs optimiert.

3. Um das Einkaufserlebnis zu verbessern, haben wir auf Grundlage der Kaufhistorie personalisierte Produktempfehlungen implementiert und so den AOV innerhalb von fünf Monaten um 59 % gesteigert.

   
   

Ergebnisse :

Für Android: +35 % Retention, +42 % AOV, +49 % LTV am 60. Tag

Für iOS: +17 % Retention, +33 % AOV, +32 % LTV am 60. Tag

Fall 2: Der ROAS stieg bei einem Gelegenheitsspiel um 42 %

Herausforderung : Der Kunde – ein Gelegenheitsspiel mit über 5 Millionen Installationen und durchschnittlich 700.000 Benutzern pro Monat – wollte seine Werbestrategie optimieren, um den Umsatz in den Regionen MENA, Europa und APAC zu maximieren und gleichzeitig ein Gleichgewicht zwischen Benutzererlebnis und Engagement herzustellen.

Das Ziel bestand darin, den ROAS und die Kundenbindung durch In-App-Käufe mithilfe von Daten von AppsFlyer zu erhöhen.

Wie wir dorthin gekommen sind:

1. In nur acht Tagen wurde das Lemon-KI-Modell vollständig trainiert und integriert, ohne dass Code erforderlich war.

2. Wir haben ML-basierte Vorhersagen für die Top 10 %, 20 % und 30 % der Spieler nach Umsatz erstellt.

3. Für Spieler, die „Level 10“ erreicht und insgesamt 200 „Diamanten“ ausgegeben haben, haben wir ein maßgeschneidertes Event erstellt, das als Proxy-Metrik diente und die Effizienz steigerte.

   
   

Ergebnisse:

+17 % Gesamteffizienz im Vergleich zum internen Benchmark des Kunden

Für Android: +42 % ROAS, +28 % Werbeumsatz

Für iOS: +27 % ROAS, +16 % Werbeumsatz