Scoring bei Realytics bezeichnet die Analyse von Sitzungen einer Kohorte, die unmittelbar nach der Ausstrahlung eines Spots stattfinden. Ziel ist es, einen Algorithmus zu entwickeln, der die Sitzungen identifiziert, die höchstwahrscheinlich einem TV-Spot ausgesetzt waren.
Das mag jetzt vielleicht etwas komplex klingen, aber lassen Sie uns erklären, was genau wir damit meinen.
Wie wir in unserem Artikel über die Realytics Baseline bereits erläutert haben, öffnet sich automatisch ein Analysefenster von wenigen Minuten, sobald ein TV-Spot ausgestrahlt wird. Innerhalb dieses Zeitfensters können wir den direkten Impakt eines Spots messen. Diese kurze Zeitdauer bezeichnen wir als „Kohorte“, in der wir alle Webbesuche auf einer Seite verfolgen (oder Anrufe in einem Call-Center oder App-Downloads).
Der nächste Schritt ist unser Scoring-Algorithmus. Jeder Sitzung innerhalb des Analysefensters wird eine Bewertung zugewiesen, um zu bestimmen, ob der Webbesucher vom TV-Spot beeinflusst wurde oder nicht.
Alle identifizierten Personen nennen wir „TV scored“ und jeder von ihnen erhält eine von zwei „Noten“: entweder eine „Null“ oder eine „Eins“.
Die mit „0“ benoteten Personen sind die Sitzungen, die zur Baseline gehören, d.h. die Besucher, die auf die Website gehen (oder die App herunterladen etc.) ohne einen TV-Spot gesehen zu haben. Die mit „1“ benoteten Sitzungen sind die, die wirklich von Fernsehen kommen.
Wie kann man so etwas unterscheiden?
Der intelligente Algorithmus von Realytics berücksichtigt verschiedenste Faktoren: Das Betriebssystem (Windows, iOs …), den Gerätetypen (Mobiltelefon, Desktop, Tablet…), den Webbrowser, das Land, den Moment des Öffnens der Sitzung im Bezug auf die Zeit der Spot-Ausstrahlung, den Channel-Typ (direkt, SEO, SEA), das Zugriffssystem (App, Website…) und so weiter. Viele Kriterien werden analysiert um eine genaue Qualifizierung zu gewährleisten.
Die mit „1“ benoteten „TV scored“ sind also qualifiziert, weil sie besonders viele Kriterien mit den Webseiten Besuchern gemein haben, d.h. ihr Verhalten lässt am ehesten auf das Fernsehen hindeuten.
Wo befinden sich, Ihrer Meinung nach, die Besucher, die am wahrscheinlichsten vom Fernsehen kommen?
Man vergleicht den Rest der Kohorte mit diesem Segment (das am wahrscheinlichsten auf Grund eines TV-Spots auf die Website kommt) aus „TV scored“ mit der Note „1“.
Unser Scoring-Algorithmus ist wie ein Sportler. Er entwickelt sich ständig weiter und wird auf allen Segmenten der Sitzungen trainiert, die einen gleichen Eintrittspunkt (Web, App, App Installation, SMS) und den gleichen Gerätetyp (Smartphone, Computer ...) aufweisen.
Im Allgemeinen wird jedes Scoring-Modell (personalisiert für jeden Kunden) erst alle 5, dann 25, 125, 625 ... Tage überarbeitet, um die genausten Daten zu liefern. Durch Machine Learning betrachtet Algorithmus die besten Sitzungen und lernt wieder zu erkennen, wenn er eine Kohorte analysiert.
Warum qualifizieren wir die Benutzer und vergeben einen Score? Einige Gründe:
Digital Follow-Up ermöglicht es Ihnen unter anderem, die Kundenerfahrung ihres TV-Publikums auf den digitalen Kanälen zu verlängern.
Retargeting & Scoring
Retargeting wird verwendet, um die identifizierten engagierten TV-Zuschauer einer Online-Werbung des Werbetreibenden auszusetzen. Es ist beispielsweise möglich, ein TV-Segment auf Facebook anzusprechen. Der Lieferdienst AlloResto hat durch diese Methode eine Konversions-Steigerung von 200% verzeichnet.
Bei der Lösung Digital Follow-Up verwenden wir Retargeting nur auf die mit „1“ benoteten „TV scored“.
Die Kohorten & Scoring
Wir verfolgen über 30 Tage die durch das Scoring bearbeiteten Kohorten und differenzieren zwischen denen mit der Note „1“ oder „0“, abhängig von denen vom Werbetreibenden gewählten Metriken.
Nach den 30 Tagen vergleicht das Realytics Team die Resultate der kontrollierten Metriken der zwei Gruppen. Das erlaubt es uns zu definieren, ob die von TV kommenden Besucher reaktiver als der Durchschnitt der zur Baseline zählenden Besucher sind.
Look alike & Scoring
Jetzt verstehen wir, dass wir mithilfe des Scoring-Algorithmus den Benutzern, die innerhalb des Analysefensters auf eine Website gelangen (die Kohorte), eine „Note“ zuweisen können. Wenn wir diese Benutzer mit denen vergleichen, die außerhalb der Kohorte gelangen, können wir dann nicht auch die TV-Zielgruppe erweitern, die von der Werbung erreicht wird?
Dazu reicht es aus, die Customer Journey im Web, die Länge der Sitzungen, das Device und andere Kriterien zu vergleichen, um Profile zu finden, die den mit „1“ benoteten Benutzern der Kohorte ähneln. Danach wird eine bestimmte Ähnlichkeitswahrscheinlichkeit festlegen, um die ähnlichen Benutzer zur finden. Zum Beispiel kann man entscheiden, nur die Profile zu nehmen, die den mit „1“ Benoteten zu 70% ähneln.
Brand Effect zielt auf die Markenbekanntheit ab und erlaubt es den Werbetreibenden, den globalen Impakt ihrer TV-Kampagne zu messen, um den Grad der Auswirkung auf die Marke festzustellen. In dieser Strategie wird dementsprechend die Marke in den Fokus genommen, was sich in den Branding KPIs widerspiegelt.
Brand Effect ist dazu da, verschiedene Indikatoren (Geolokalisierung, Sozio-Demografie, Suchanfragen in den Suchmaschinen) zu berücksichtigen und die Mediaplanung danach auszulegen und anzupassen.
Wo finden wir hier den Scoring-Algorithmus?
Scoring erlaubt es uns nicht nur die Geolokalisierung der mit „1“ benoteten „TV scored“ zu bestimmen, aber auch sie nach Region zu unterscheiden.
Soziodemografisch lassen sich das Alter, das Geschlecht und die Interessensfelder der mit „1“ und „0“ benoteten Benutzer vergleichen.
Unser Scoring-Algorithmus ist daher äußerst wichtig für diese beiden Lösungen und trägt dazu bei, die Besucher, die durch TV-Werbung auf die Website gelangen, genauer zu identifizieren. Dadurch müssen wir uns weniger auf Wahrscheinlichkeiten stützen und eine zuverlässigere Statistik liefern.