Questions

Wodurch unterscheidet sich die Machine-Learning-Modellierung von Google von anderen datenschutzorientierten Ansätzen?

• Solange Nutzer die Drittanbieter-Cookies einer bestimmten Website akzeptieren, können sie auch nach ihrer Abschaffung von den Machine-Learning-Modellen als Datenquelle verwendet werden.
• Bei Google-Display- und -Videokampagnen werden Kanal- und Placement-Daten von Mitbewerbern herangezogen, damit die Algorithmen genügend Informationen haben, um gute Ergebnisse zu erzielen.
• Die Machine-Learning-Daten von Google können von Marketingteams aus den Plattformen exportiert werden, um Erkenntnisse daraus zu ziehen.
• Die Modelle sind nicht auf Cookies und andere Kennungen angewiesen, da Google-Nutzer in der Regel angemeldet sind.

 

Erläuterung:

Die Modelle sind nicht auf Cookies und andere Kennungen angewiesen, da Google-Nutzer in der Regel angemeldet sind. Dieser Vorteil ergibt sich daraus, dass Google-Nutzer oft mit ihrem Google-Konto angemeldet sind, wodurch personalisierte Daten ohne die Notwendigkeit von Cookies oder Drittanbieter-Kennungen verwendet werden können. Dies ermöglicht eine datenschutzfreundlichere Datenverarbeitung, da die Identifikation und Analyse der Nutzer über ihre Anmeldedaten erfolgt, anstatt auf cookiesbasierten Tracking-Methoden zu beruhen.

 

Welche Strategie eignet sich, um möglichst viele Websitebesucher zum Teilen ihrer E-Mail-Adressen anzuregen?

• Ihre Landingpage-Strategie anpassen und Nutzer nur auf der Zahlungsseite zum Teilen ihrer E-Mail-Adresse auffordern
• Ein Tool für die Einmalanmeldung (SSO) wie Google oder Facebook Connect verwenden, um so 20–40 % mehr E-Mail-Adressen zu erhalten
• Ein Pop-up-Fenster mit einer Aufforderung zum Teilen der E-Mail-Adresse einbinden, um mehr Nutzer zu erfassen
• Mehr Rabatte per E-Mail anbieten, um den Lifetime-Wert (LTV) zu erhöhen

 

Erläuterung:

Ein Tool für die Einmalanmeldung (SSO) wie Google oder Facebook Connect verwenden, um so 20–40 % mehr E-Mail-Adressen zu erhalten ist eine effektive Strategie, weil Einmalanmeldungen den Anmeldeprozess für Nutzer vereinfachen und beschleunigen. Nutzer müssen ihre E-Mail-Adresse nicht manuell eingeben, was die Wahrscheinlichkeit erhöht, dass sie ihre Daten teilen. Diese Methode bietet eine bequeme und schnelle Möglichkeit, die Conversion-Rate zu steigern und mehr E-Mail-Adressen zu sammeln.

 

Welchen wichtigen Vorteil bietet die Conversion-Modellierung?

• Mit der Conversion-Modellierung sorgen Sie dafür, dass die Datenanalyse für Ihre Kunden nicht mehr datenschutzkonform erfolgen muss.
• Bei der Conversion-Modellierung muss das Nutzerverhalten nicht berücksichtigt werden, da diese Analysemethode für alle Fälle geeignet ist.
• Die Conversion-Modellierung führt zu effektiver optimierten Kampagnen und Gebotsstrategien und zu besseren Geschäftsergebnissen.
• Mithilfe der Conversion-Modellierung können die Auswirkungen von Marketingaktivitäten beziffert werden, wenn sich nicht alle Conversions einer Anzeigeninteraktion zuordnen lassen.

 

Erläuterung:

Die Conversion-Modellierung führt zu effektiver optimierten Kampagnen und Gebotsstrategien und zu besseren Geschäftsergebnissen. Dieser Vorteil entsteht, weil die Conversion-Modellierung es ermöglicht, die Auswirkungen von Marketingaktivitäten präziser zu verstehen und dadurch gezielte Entscheidungen für Kampagnenoptimierung und Gebotsstrategien zu treffen. Sie hilft, wertvolle Erkenntnisse zu gewinnen, die zu einer besseren Performance und höheren Rentabilität der Marketinginvestitionen führen.

 

Aus welchem Grund ist der Bedarf an Machine Learning im digitalen Werbeumfeld seit 2017 gestiegen?

• Werbetreibende setzen verstärkt Machine Learning ein, um Muster zu erkennen, das Nutzerverhalten vorherzusagen und schneller Optimierungen vorzunehmen.
• Aufgrund höherer Nutzererwartungen, neuer Datenschutzbestimmungen und technologischer Entwicklungen ist es schwieriger geworden, die Kampagnenleistung zu analysieren.
• Data Scientists haben sich in den letzten Jahren intensiv mit Machine-Learning-Projekten beschäftigt und beträchtliche Fortschritte erzielt.
• Für Chrome wurde bekannt gegeben, dass sowohl eigene als auch Drittanbieter-Cookies eingestellt werden, sobald eine Alternative verfügbar ist.

 

Erläuterung:

Aufgrund höherer Nutzererwartungen, neuer Datenschutzbestimmungen und technologischer Entwicklungen ist es schwieriger geworden, die Kampagnenleistung zu analysieren. In den letzten Jahren haben sich die Anforderungen an den Datenschutz erhöht, insbesondere durch neue gesetzliche Bestimmungen wie die DSGVO. Dies hat dazu geführt, dass Unternehmen ihre Werbemaßnahmen anpassen müssen, um den zunehmenden Datenschutzanforderungen gerecht zu werden. Gleichzeitig sind durch technologische Entwicklungen neue Herausforderungen bei der Analyse und Optimierung von Kampagnenleistung entstanden, was den Bedarf an fortschrittlichen Methoden wie Machine Learning verstärkt hat.

 

Wie werden Unternehmen im Bereich Anzeigentechnologie die Privacy Sandbox APIs für Chrome und Android in Google Ads und anderen Produkten einsetzen können?

• Werbetreibende und Publisher werden alle Privacy Sandbox-Lösungen integrieren.
• Unternehmen im Bereich Anzeigentechnologie werden die Privacy Sandbox-Lösungen als eigenständige Produkte nutzen.
• Die Signale der Privacy Sandbox werden zusammen mit weiteren Signalen integriert.
• Unternehmen im Bereich Anzeigentechnologie werden nur noch die Signale der Privacy Sandbox APIs in Google Ads-Produkten verwenden.

 

Erläuterung:

Die Signale der Privacy Sandbox werden zusammen mit weiteren Signalen integriert, weil Unternehmen im Bereich Anzeigentechnologie diese neuen Datenschutzlösungen in Kombination mit bestehenden Signalen nutzen werden, um die Zielgenauigkeit und Effektivität von Werbekampagnen zu maximieren, während sie gleichzeitig den Datenschutzanforderungen gerecht werden. Diese Integration ermöglicht eine nahtlose Nutzung der Privacy Sandbox APIs zusammen mit anderen Datenquellen.