Bleibt das noch länger so? (Image published by Hospi-Table under a Creatice Commons License.)

Analysiert man SEM-Kampagnen, so fällt auf, dass oft für einen Großteil der Keywords noch nie eine Conversion angefallen ist.
Wenn man eine Conversion Rate von 3% annimmt, könnte man jetzt über die Poisson-Verteilung* ausrechnen, mit welcher Wahrscheinlichkeit bei bspw. 50 Klicks schon eine Conversion hätte eintreten müssen (das geht übrigens auch für die Fußball-WM 2010):

P(“Noch kein Kauf”) = 1 / exp(0.03 * 50) = 22.3%

Mit einer Sicherheit von 78% hätte also schon ein Kauf erfolgen sollen. Mit Vorgaben für ein Sicherheitsniveau kann man dann auch errechnen, wie lange man noch warten (und Geld ausgeben) will.

Viel praktischer und billiger wäre es jedoch, aus den schon erfolgten (nicht konvertierten) Klicks, Daten zu gewinnen, um die Conversion-Wahrscheinlichkeit schneller korrekt einschätzen zu können. Es stellt sich also die Frage, ob sich anhand des Benutzerverhaltens auf der Website schon nach wenigen Klicks erkennen lässt, ob man es mit potenziellen Käufern oder eher mit Nicht-Käufern zu tun hat. Gibt es gar explizite Verhaltensmuster von Nicht-Käufern?

Das Verhalten auf der Webseite kann mittels Web Analyse Tools gemessen werden, die auf Logdateien operieren oder über speziell dazu in die Shops eingebaute Tracking-Pixel. Die Herausforderung ist dabei die Menge des auftretenden Datenvolumens. Der Aufruf einer einzigen Seite kann pro Besucher hunderte Zeilen Einträge in der Logdatei generieren (wegen der Bilder und Videos in der Seite), deshalb bindet Software zur effizienten Auslieferung von Webseiten die Analysefunktion oft direkt in die Backend-Architektur ein. Tracking-Pixel werden meist von einem externen Server abgerufen, der so dimensioniert sein muss, dass auch in Stoßzeiten keine Engpässe entstehen. Ein bilden von Webseiten-Kategorien kann helfen, das anfallende Datenvolumen über Verdichtung zu minimieren.

Mit Machine-Learning Techniken können aus den so gewonnenen Daten nun Vorhersagemodelle erstellt werden. Der Merkmalsraum, auf dem sie operieren, ist unten skizziert. Das Problem an sich muss nicht einmal vom Gesichtspunkt einer Regression her gesehen werden, sonder ist prinzipiell eine binäre Klassifikation: Kauft ein solcher Kunde, oder kauft er nicht? Hier bieten sich Support Vector Maschinen (SVMs) förmlich an, die  Continue reading “Bid Management: Schlechte Klicks schneller erkennen” »