Home Blog How to & Best Practices Case Study: Mit Wetter das CTR-Vorhersagemodell optimieren
How to & Best Practices
4 Min. zu lesen

Case Study: Mit Wetter das CTR-Vorhersagemodell optimieren

by meteonomiqs
Case Study: Mit Wetter das CTR-Vorhersagemodell optimieren

Relevanten Content zeigen, um mehr Umsatz zu erzielen

Welche Anzeige wird am wahrscheinlichsten geklickt? Wir haben das Data Science-Team von Zemanta, ein Unternehmen von Outbrain, unterstützt, ihr CTR-Vorhersagemodell mit unseren Wetterdaten und Produkt-Wetter-Indizes zu optimieren. Das Ergebnis kann sich sehen lassen: Das neue Wetter-optimierte Modell hat einen Umsatz-Uplift von +2,17 Prozent erzielt.

 

Herausforderung: Alternative zu 3rd Party Daten finden

Besonders für Native Advertising-Anbieter wie Zemanta ist es elementar wichtig, die Click-Through-Rate (CTR) möglichst genau vorherzusagen. Denn so kann die Recommendation Engine aus den verfügbaren Anzeigen genau diejenigen auswählen, die am wahrscheinlichsten geklickt werden. Außerdem hilft die Vorhersage, den Gebotspreis zu bestimmen, mit dem man bereit ist, an der Real Time Bidding-Auktion teilzunehmen. Dafür muss das CTR-Vorhersagemodell mit den richtigen Daten „gefüttert“ werden. Nutzerbezogene Daten spielen dabei eine große Rolle, werden jedoch bekanntermaßen mit den zunehmenden Datenschutzbeschränkungen immer rarer. Eine geeignete Alternative sind kontextbezogene und situative Daten, zu denen auch Wetterdaten gehören.

Herangehensweise: Neumodellierung des Vorhersagemodells mit Wetterdaten und Produkt-Wetter-Indizes

Um zunächst das Potenzial von Wetterdaten zu überprüfen, wurde im ersten Schritt ein Offline-Test mit historischen Wetterdaten durchgeführt. Der Effekt war so überzeugend, dass im zweiten Schritt ein Live-A/B-Test – Basismodell vs. „Wetterdaten-erweitertes“ Modell – aufgesetzt und das Test-Setup stetig optimiert wurde.

„Die Ergebnisse haben uns sehr beeindruckt und uns darin bestärkt, unser Vorhersagemodell auf Basis von Wetterdaten und Produkt-Wetter-Indizes von Grund auf neu zu bauen und im Rahmen eines weiteren A/B-Tests auf unserer kompletten Plattform auszurollen“, so Marko Prelevikj, Data Scientist bei Zemanta, einem Unternehmen von Outbrain.

Bei der Neumodellierung wurden folgende Daten verwendet

  • Wetterdaten: Niederschlag, Temperatur, maximale Windgeschwindigkeit, Sonnenscheindauer für 12 Märkte
  • Produkt-Wetter-Indizes: Eiscreme, Erkältungsprodukte, Schokolade, Deodorant, Do-it-Yourself, Körperpflege für trockene Haut, Gartenmöbel, Outdoor-Pflanzen, Regenschirme, Wasser für 5 Märkte

Die Produkt-Wetter-Indizes basieren auf der Verknüpfung von Wetterdaten und Daten des Consumer Panels der GfK (Gesellschaft für Konsumforschung). Dadurch können Sie entscheidende Signale liefern, wo und bei welchem Wetter das Produktinteresse groß ist und wie die Kunden dementsprechend auf Werbung reagieren.

Ergebnis

Im A/B-Test altes Modell vs. neues Wetter-optimiertes Modell zeigte letzteres eine deutliche höhere Performance, denn der Umsatz stieg damit um mehr als 2,17 Prozent.

 

Über Zemanta

Zemanta ist die weltweit führende, auf Engagement ausgerichtete, nachfrageseitige programmatische Multi-Channel-Plattform. Sie hilft Werbetreibenden, über Sichtbarkeit, Reichweite und Frequenz hinauszugehen und echtes Engagement bei echten Menschen zu erzeugen. Im Gegensatz zu herkömmlichen programmatischen Werbeplattformen, die auf den Kauf von Impressionen ausgerichtet sind, hat Zemanta eine Machine Learning-Technologie entwickelt, die Agenturen und Marken in die Lage versetzt, einen effektiven Return-on-Ad-Spend (ROAS) zu erzielen.

Zemanta arbeitet mit mehr als 50 Native-, Display- und Video-SSPs weltweit zusammen, um Skalierbarkeit und Markenintegrität zugunsten des gesamten digitalen Werbeökosystems zu gewährleisten.

 

 

Interesse geweckt? Gerne können Sie die Case Study hier downloaden.

Continue reading
How to & Best Practices 1 Min. zu lesen
Verlässliche Pollendaten für Ihre Webseite und Kampagnen
Von Ambrosia bis Erle: Wir bieten europaweit Rohdaten und Indizes für 6 verschiedene Pollen-Arten. Verfügbar via REST-API.
How to & Best Practices 5 Min. zu lesen
Case Study: Erfolgreiches situatives Targeting dank Wetterdaten
Im Rahmen einer Display-Kampagne für Schiesser Bademoden haben wir die Wirksamkeit von situativem Targeting getestet. Das Ergebnis: Eine um 70% höhere CTR.
How to & Best Practices 11 Min. zu lesen
How to Weather Tag: Wetterdaten in Google Analytics
Wir zeigen Ihnen, wie Sie mit dem Weather Tag Ihr Google Analytics-Setup mit Wetterdaten anreichern und Wettereffekte analysieren können.
How to & Best Practices 7 Min. zu lesen
5 Aspekte, auf die es bei der Auswahl einer Wetter-API ankommt
Zum Ende der Dark Sky API: 5 wichtige Kriterien, die man bei der Auswahl einer geeigneten Wetter-API beachten sollte.