Wie man Signalverlust überwindet, indem man eine neue Datenrealität aufbaut

Die Datenschutzära hat zu einem Verlust von Datensignalen geführt, der die Fähigkeit der Vermarkter, ihre Kampagnen zu zielen, zu messen und zu optimieren, erheblich beeinträchtigt hat. Laut Mckinsey sind bis zu $10 Milliarden aufgrund von Signalverlust gefährdet – allein in den USA!

Dank Innovation und Anpassung ist es jedoch mehr als möglich, die Herausforderung zu überwinden, indem man eine neue Datenrealität aufbaut, die auf der Schließung von Lücken in bestehenden Daten sowie der Schaffung neuer Datensignale basiert.

In diesem Blog erklären wir, was zu dieser Realität geführt hat, den Einfluss des Signalverlusts auf das Marketing und wie man ihn überwinden kann. Fangen wir an.  

Was ist Signalverlust

Der Verlust von Datensignalen als Ergebnis abnehmender Nutzerlevel-Datenidentifikatoren. Diese Identifikatoren waren und sind in einigen Fällen das Rückgrat, auf dem die leistungsorientierte Marketingmessung basiert. Signalverlust ist daher eine massive Veränderung und Herausforderung in der digitalen Marketinglandschaft.   

Hintergrund: Was zu dieser Realität geführt hat

In den letzten Jahren gab es eine verstärkte Überprüfung durch Gesetzgeber und Verbraucher, um die Privatsphäre der Nutzer durch verschiedene Vorschriften (GDPR, CCPA, DMA, um nur einige wichtige zu nennen) zu schützen.

Im Kern geht es darum, zu kontrollieren, wie Nutzerdaten auf verschiedenen Unternehmen geteilt werden und wie die Zustimmung zur Weitergabe dieser Daten angefordert und präsentiert wird.

Parallel dazu (ob reaktiv oder proaktiv) haben Google und Apple Mechanismen entwickelt, um Nutzerdaten zu begrenzen/deprecieren über: 

• App Tracking Transparency (ATT) Dies führte dazu, dass die Installationsrate mit einer IDFA von 80 % (aufgrund von begrenztem Werbe-Tracking) auf nur 27 % (immer noch sehr wichtig für Modellierungen) fiel.

• Android – Google Advertising ID (GAID) Abwertung: Es wird angenommen, dass Google schließlich den Nutzerlevel-Identifikator von Android vollständig abwerten wird, jedoch nicht vor 2025.

• Web – 3rd Party-Cookies: Nach Jahren der geplanten Abwertung von Cookies in seinem Chrome-Browser entschied Google im Juli 2024, sie doch beizubehalten und einen ähnlichen Ansatz wie bei ATT zu verfolgen. „Anstatt Drittanbieter-Cookies abzuwerten, würden wir eine neue Erfahrung in Chrome einführen, die es den Menschen ermöglicht, eine informierte Entscheidung zu treffen…“ „Wir diskutieren diesen neuen Weg mit den Regulierungsbehörden und werden mit der Branche in Kontakt treten, während wir dies umsetzen“, sagte das Unternehmen in einer Erklärung. 
  
  Obwohl Google keine Details zu dieser „neuen Erfahrung in Chrome, die es den Menschen ermöglicht, eine informierte Entscheidung zu treffen“, bereitgestellt hat, scheint der Signalverlust gemildert zu werden, indem er von einer vollständigen zu einer teilweisen Abwertung nur bei nicht einwilligenden Nutzern übergeht. Aber wie viel genau, ist unmöglich zu sagen, da es noch viele Unbekannte gibt: Wird Google einen Opt-out- oder Opt-in-Mechanismus verwenden? Einzel- oder Doppelzustimmung (Werbetreibende und Publisher-Seite)? Strikte/feste oder flexible Nutzung von Sprache/UX-Funktionalität? Die Zeit wird es zeigen.

Aber während der Verlust von nutzerbezogenen Daten derzeit eine Realität auf iOS aufgrund von ATT ist, wird er bald auf Android und später auf das Web ausgeweitet, was alle digitalen Vermarkter betrifft. Und während jedes Szenario anders ist, bleibt die zugrunde liegende Geschichte dieselbe.

Der Einfluss des Signalverlusts auf Werbetreibende

Während dieser Wandel im Ökosystem ein dringend benötigter Schritt ist, um weit verbreitetem Missbrauch von Nutzerdaten entgegenzuwirken, war es eine schmerzhafte Anpassung für Vermarkter, die auf nutzerbezogene Daten für Targeting, Messung und Optimierung angewiesen sind. 

 Measurement

Der Signalverlust hat einen erheblichen Einfluss auf die Messung und schafft zwei Hauptprobleme für Vermarkter:

a) Fragmentierte Daten sind seit Jahren eine Herausforderung, haben jedoch seit der Veröffentlichung von iOS 14.5 erheblich zugenommen. Um nur die wichtigen Datenquellen zu nennen:

• MMP Attribution (deterministisch und probabilistisch) und die daraus resultierenden In-App-Daten
• Betriebssystem- und Store-Daten (SKAN und später Sandbox) und die daraus resultierenden In-App-Daten
• MMP-Attributionsdaten
• iOS einwilligende Nutzerdaten
• Apple Search Ads-Daten
• Top-down-Messdaten (Inkrementalität und MMM)
• Über mobile Daten hinaus: CTV, Web, PC&C, offline

Und das ist nur in iOS.

Wie reconciliert man Daten aus so vielen Quellen und Frameworks, um die Performance zu verstehen?

b) Eingeschränkte und verzögerte Daten:

SKAN und AdAttributionKit (SKANs Nachfolger) bieten absichtlich verzögerte Signale und nur bis zu 64 Werte (und nur 3 in späteren Postbacks). Und trotz Verbesserungen im AdAttributionKit und Sandbox Daten, die angeblich eine 30-tägige LTV erreichen, werden OS-Daten weiterhin verzögert und eingeschränkt eintreffen. Da Marketer auf Echtzeit-, post-install Signale zur Optimierung angewiesen sind, ist die Tatsache, dass OS-Daten verzögert und eingeschränkt sind, ein erhebliches Hindernis. 

 Targeting

Wenn nutzerbezogene Daten nicht verfügbar sind:

• Werbetreibende können keine Remarketing-Segmente erstellen, und infolgedessen können sie nicht effektiv mit ihren bestehenden engagierten Kunden interagieren, was zu höheren Kosten pro Aktion führt.
• Werbetreibende können keine Ausschlusslisten erstellen, sodass sie am Ende die gleichen Nutzer anvisieren, was zu höheren Kosten pro neuer Akquisition führt.
• Die Fähigkeit von Ad-Netzwerken, die Auslieferung zu optimieren, wird erheblich beeinträchtigt, was zu höheren Kosten insgesamt führt.

Kurz gesagt, der Signalverlust, der aus Datenschutzmaßnahmen resultiert, hat die Vollständigkeit der Daten beeinträchtigt, was ein Risiko für Fehlinterpretationen und folglich irreführende Einblicke und falsche Entscheidungen darstellt. Infolgedessen ist die Arbeit eines Marketers im Zeitalter des Signalverlusts 10-mal schwieriger und so ist auch die Messung!

Wie man den Signalverlust überwindet, um Vertrauen in die Messung aufrechtzuerhalten.

Vor ATT hatten Marketer eine umfassende Sicht mit vollständiger Granularität der nutzerbezogenen Daten, wie ein Ultra-HD 8k-Bild:

Die neue Datenrealität, in der nutzerbezogene Daten abnehmen, ist jedoch eine Tatsache, und es gibt kein Zurück. In dieser Realität gibt es viele Lücken, die es schwierig machen, das vollständige Bild zu sehen.

Daher müssen Marketer jedes verfügbare Datensignal nutzen und die verschiedenen Datenquellen in eine einzige Quelle der Wahrheit konsolidieren, um ihre Kampagnen mit Vertrauen zu messen.

Um ein neues „Datenbild“ zu erstellen, müssen Lücken überall dort gefüllt werden, wo es möglich ist, und neue Datensignale müssen hinzugefügt werden, um weiter zu kompensieren. Schauen wir uns das näher an.

 1) Das Schließen der Lücken im bestehenden Datensatz durch Modellierung

Modellierung gibt es schon seit Jahren, aber sie war in der Vergangenheit nicht wirklich notwendig, da die meisten Daten deterministisch waren. In einer Realität mit Signalverlust wird sie jedoch unerlässlich, und sie kann mit Modellen durchgeführt werden, die die Privatsphäre der Nutzer:innen NICHT verletzen. Und mit KI an unserer Seite verbessert sich die Genauigkeit der Modelle dramatisch.

Modellierung wird verwendet, um die Lücken in folgenden Bereichen zu schließen:

1. OS Attribution: Da SKAN-Daten spät und begrenzt eintreffen (und auch die Daten aus dem Sandbox), entstehen Lücken in den Daten. Mit Modellierung können Echtzeitsignale, geo-level Daten (nicht verfügbar in SKAN) und LTV Daten für Tag 7, Tag 30 und darüber hinaus bereitgestellt werden.

• Modellierung auf der Mediaseite: Die SKAN-Einschränkungen erschweren die Messung für Self-Reporting Networks, und da sie immer ausschließlich auf deterministische Attribution angewiesen waren, verpassen sie Chancen. Durch die Nutzung von probabilistischer Modellierung zusätzlich zu deterministischen Modellen gewinnen sie verlorenes Vertrauen zurück. Laut unserer Analyse hat Snap seinen Anteil am iOS-Installationskuchen um 138 % erhöht, und sein eCPI ist um 46 % gesunken. Diese Gewinne resultierten aus dem vollständigen SSOT-Ansatz – der Deduplizierung von Daten über SKAN, konsentierte Attribution und aggregierte Kampagnenmodellierung – nicht aus der Identifizierung einzelner nicht konsentierter Nutzer:innen.

Darüber hinaus haben große Medienunternehmen wie Google und Meta auch mehr Gewicht auf Modellierung gelegt, um die Herausforderungen des Datenverlusts in ihren Werbe- und Marketingstrategien zu navigieren und zu überwinden.

Zum Beispiel nutzt Google Ads maschinelles Lernen, um Bietstrategien zu verfeinern, während die Ads Manager-Plattform von Meta prädiktive Modellierung einsetzt, um die Anzeigenauslieferung und das Targeting anzupassen. Zusätzlich nutzen beide Unternehmen Datenmodellierung, um personalisierte Erlebnisse zu schaffen, relevante Zielgruppen zu erreichen und die Kampagnenleistung zu optimieren.

• Bottom-up (Last Touch) Messung: Inkrementalität und Media Mix Modelling (MMM) bieten eine komplementäre Perspektive auf die Kampagnenleistung, ohne sich ausschließlich auf Last Touch Bottom-up-Signale verlassen zu müssen.

Um mit der Analogie des hochauflösenden Bildes fortzufahren, hat die Modellierung geholfen, einige Löcher zu füllen, aber es ist immer noch nicht genug. 

 2) Nutzung und Erstellung neuer Signale

1. Kreative und Kampagnensignale im oberen Trichter: Mit weniger Signalen im unteren Trichter liegt der Fokus nun mehr auf dem oberen Trichter, wo eine Fülle von Daten zu Kreativen und Kampagnen vorhanden ist. Dies umfasst zwei Bereiche:

• Daten von Kreativen: Reiche und hochgradig granulare Signale können beispielsweise durch die Identifizierung von Szenentypen (z. B. nutzergenerierte Inhalte, Animation/Realfilm, Eröffnung/Schluss) und spezifischen Elementen (alles von Farbe, Landschaft, Objekten, Texten usw.) innerhalb einer einzelnen Anzeige gewonnen werden.

• Enriched Engagement Types Der aktuelle Attributionsstandard, der nur Klicks oder Ansichten betrachtet, ist fehlerhaft. Es gibt viele Signale dazwischen, die wertvolle Leistungsdaten liefern und die Attributionslogik neu definieren können.

2) [Mehr] 1st-Party-Daten: Da der Datenaustausch zwischen verschiedenen Unternehmen begrenzt ist, sinkt der Wert von 3rd-Party-Daten. Stattdessen müssen Vermarkter ihre Nutzung von 1st-Party-Daten erhöhen und deren Sammlung und Nutzung priorisieren. Dies umfasst:

• Wie man sie richtig sammelt, Nutzer nach ihren Informationen fragt (UX und rechtliche Aspekte eingeschlossen)
• Wie man sicherstellt, dass die Daten sauber und umsetzbar sind
• Wie man sie in Owned Media verwendet
• Wie man sie in bezahlten Medien (Remarketing, Handelsmedien) verwendet

Diese Daten müssen nicht nur innerhalb der eigenen Umgebung eines Unternehmens bleiben. Eine Daten-Kollaborationsplattform kann dann als vertrauenswürdige Umgebung für die Monetarisierung von 1st-Party-Daten, die Aktivierung von Zielgruppen und die Messung dienen. Indem Marken diese Daten auf datenschutzkonforme Weise mit verschiedenen Unternehmen teilen, können Vermarkter das Potenzial ihrer eigenen hochgradig wertvollen Daten wirklich maximieren.

3) Omni-Channel-Signale: Apps, Web, CTV, PC & Konsole sowie Handelsmediennetzwerke und Außenwerbung bieten einzigartige Möglichkeiten, um digital eine Nutzerbasis zu gewinnen und zu engagieren. Durch die Verbindung der Attribution über Kanäle hinweg können Vermarkter neue Datenpunkte und Nutzerverhalten über ihre verschiedenen Plattformen hinweg verknüpfen, um ein ganzheitliches Verständnis dafür zu bieten, wie plattformübergreifendes Marketing Geschäftsergebnisse beeinflusst.

Eine „Single Source of Truth“ (SSOT) Wie oben erwähnt, hat die Datenfragmentierung zu einer äußerst verworrenen Realität geführt, die für Vermarkter weitgehend nicht umsetzbar geworden ist.

Hier kommt SSOT ins Spiel, das eine einzige Realität schafft, indem es Daten aus mehreren Quellen kombiniert und robuste technische Lösungen anwendet, um doppelte Installationen zu identifizieren und zu entfernen, fehlende Daten/Lücken in Geos, Web-to-App, längere LTV, null CV-Modellierung, organisch, Remarketing usw. zu füllen.

Laut unserer Analyse sieht die durchschnittliche App, indem sie die Daten in eine einzige Ansicht konsolidiert, einen Anstieg der zugeordneten Installationen um 29 %, einen Rückgang des eCPI um 40 % und einen Anstieg des Umsatzes um 62 %, der dem Marketing zugeordnet wird.

Derzeit konzentriert sich SSOT auf iOS, aber die Lösung für Web und Android wird ähnlich sein.

Wenn wir neue Datensignale hinzufügen, gewinnen wir Informationen, die zuvor nicht vorhanden waren, um ein umfassenderes Bild unseres Marketings zu erhalten.

Unterm Strich:

Der Signalverlust hat ein herausforderndes Umfeld für Performance-Vermarkter geschaffen. Mit abnehmenden Nutzerdaten ist es viel schwieriger, Wachstum zu erzielen. Innovative Lösungen sind erforderlich, um die Lücken in den vorhandenen Daten zu schließen und neue Datensignale zu schaffen, damit Performance-Vermarkter die Kontrolle zurückgewinnen und ihre Kampagnen mit Zuversicht messen können.