Traditionellerweise werden für jede Kampagne bereits in der strategischen Phase der Planung individuelle Ziele formuliert. Während und nach der Aussteuerung wird die Kampagnenleistung anhand einer Fülle von Anbietern und Metriken analysiert, die zur Einordnung des Kampagnenerfolgs eingesetzt werden. Bei programmatischen Umsetzungen wird für die Optimierung in erster Linie auf jene Daten zurückgegriffen, die in der DSP verfügbar sind. Wenn die Wahl des Werbetreibenden für die Bewertung der Performance auf einen Drittanbieter fällt, der nicht über eine Integration mit der DSP verfügt, kann man dessen Daten nur sehr mühsam, unvollständig und über Umwege in die Kampagnenoptimierung überführen. So werden beispielsweise Werte dynamisch von der DSP an den externen Anbieter übermittelt. In der Plattform des Drittanbieters werden dann mittels Reports entsprechende Handlungen abgeleitet und manuell über Einstellungen in der DSP umgesetzt. Wenn jedoch weitere Parameter (z.B. Uhrzeit, Wochentag) als jene, die an den Drittanbieter übergeben wurden ebenfalls Performance-relevant sind, wird das für den Kampagnenmanager nicht ersichtlich. Häufig bleiben auch erfolgsrelevante On-site- oder CRM-Daten wie Warenkorbwert oder Gewinnspanne in der Kampagnenaussteuerung unberücksichtigt – vor allem, wenn sie in der DSP nicht auf automatisierte Weise ausgewertet werden können.

Um die Eingriffsmöglichkeiten in die Kampagnenperformance zu erweitern, bieten Plattformen für die Aktivierung von Kampagnen heutzutage standardmäßig Optimierungsalgorithmen an. Diese bedienen sich dem Feld des Machine Learnings, um Daten zu verstehen, zu sortieren und derart zu filtern, dass Informationen mit Aussagekraft betrachtet und Rauschen entfernt werden.

Grundsätzlich kann eine Kampagnenoptimierung auf zwei Arten erfolgen: durch Verschiebung von Budgets zwischen einzelnen Kampagnenbestandteilen oder durch die Variation der Gebotshöhe in Abhängigkeit von der erwarteten Erfolgswahrscheinlichkeit des Kampagnensegments. Standardmäßig werden Optimierungsalgorithmen von den DSPs zur Verfügung gestellt und auf Basis der in der DSP verfügbaren Daten der Werbetreibenden trainiert, die Kampagnen über die jeweilige Plattform aussteuern. Hierbei werden standardisierte Kennzahlen als Optimierungsziele für die Standard-Algorithmen wie Kosten pro sichtbare Impression (vCPM), Kosten pro vollständig durchgelaufenes Video (CPcV), Klickpreis (CPC) oder Kosten pro Action (CPA) herangezogen. Als Sichtbarkeitsziel wird dabei die IAB-Standarddefinition eingesetzt.

Bei der Optimierung auf durchgelaufene Videos bleibt also ungewiss, ob die Quartile ebenfalls berücksichtigt geschweige denn der User das Video wahrgenommen hat. Bei einer Klickoptimierung können die Bounces standardmäßig nicht aus der Betrachtung ausgeschlossen werden und bei der CPA- sowie CPL-Optimierung bleibt im Zweifelsfall die Priorisierung der Conversion Arten und mögliche Zwischenziele auf der Strecke. Wenn dann der Werbetreibende feststellt, dass die Anzahl seiner Conversions zu gering ist, um darauf zu optimieren, muss er durch das Ausbleiben einer Zielpriorisierung bei Standardalgorithmen auf einen anderen KPI ausweichen. Durch die fehlende Möglichkeit, Zielprioritäten bzw. kombinierte Kennzahlen zu verwenden, kann es gar vorkommen, dass der Werbetreibende trotz anfänglicher Definition mehrerer Customer-Journey-Stufen letztlich feststellt, dass er alle Kampagnenmaßnahmen gleichermaßen optimieren müsste – auf Klicks. Kritiker sagen zudem, dass sich die Standardalgorithmen der großen DSP-Anbieter nicht um Inkrementalität kümmern, sondern lediglich versuchen, den Attributionsoutput zu optimieren. Dies wäre vergleichbar damit, Rabattgutscheine in der Warteschlange an der Kasse auszuteilen, weil der Algorithmus das Kampagnenbudget dort einsetzt, wo die beste Performance zu erwarten ist, ungeachtet dessen, ob die Anzeige dazu beiträgt.

Custom-Bidding-Algorithmen können hier Abhilfe schaffen. Durch kundenindividuelle Gebotsregeln pro Kampagne wird hierbei gewährleistet, dass relevante Reporting-Daten in die Kampagnenoptimierung einfließen und keine Fehlattribution stattfindet oder KPI-Kompromisse gemacht werden müssen. Custom-Bidding-Lösungen liefern die Antwort auf die Frage, wie man die strategischen Kampagnenziele zielgerichtet mittels kunden- und kampagnenindividueller Automatisierung erfolgreich in die Auslieferung überführen kann. Diese sind auf die Ziele des Kunden und sein Geschäft exakt abgestimmt und stellen eine Alternative zu den „One-Size-Fits-All“-Algorithmen der DSPs dar. So kann ein Custom-Bidding-Algorithmus bei einer Optimierung auf Sichtbarkeit ein vom Standard abweichendes Verständnis berücksichtigen, insbesondere wenn es um Verhalten von Zielgruppen in der jeweiligen Branche geht. Weitere Erfolgsmetriken wie Klickpreis bei Display-Werbemitteln oder Cost-per-completed-View für Video-Kampagnen können in gewünschter Höhe dennoch einfließen. Nicht nur positive Ereignisse, die auf das Kampagnenziel einzahlen, können Bestandteil des Trainings des Algorithmus sein, sondern auch jene Events, die es zu vermeiden gilt – beispielsweise Impressions, bei welchen die Nutzerin den Werbespot übersprungen hat und somit von fehlendem Interesse auszugehen ist.

Noch einfacher gestaltet sich das im Bereich der Conversion Optimierung. Hier können beispielsweise Warenkorbwert und Anzahl gekaufter Produkte in die Optimierung des Algorithmus mit einfließen. Eine Fluggesellschaft kann bei ihrer Optimierung Lang- vor Kurzstreckenflüge stellen und Aspekte wie Route, Flugpreis, Anzahl der Passagiere und Termine berücksichtigen, sodass der durch die Kampagne generierte ROAS maximiert wird.

Die Basis bildet stets das Kampagnenziel, welches auch den Rahmen der Analyse und Umsetzung definiert und in der Regel aus einer Kern-KPI sowie weiteren relevanten Metriken besteht. Wenn das Ziel definiert wurde, gilt es, eventuell bereits vorhandene Daten aus vorherigen Kampagnen zu extrahieren, zu transformieren, zu analysieren und zu verstehen. Die Analyse der Daten in der eigenen Datenbank ist ein teils sehr aufwändiger, jedoch notwendiger Prozess, um falsche Korrelationen zu vermeiden und Zusammenhänge in Daten auch auf kausaler Ebene bestätigen zu können. Man kann sich auch hier der Hilfe von Algorithmen und neuronalen Netzen in verschiedenen Ausprägungen bedienen, um Arbeitsschritte schneller und effizienter zu lösen. Sobald das Verständnis für die Struktur der Daten sowie das Verhalten und die Ausprägungen der jeweiligen Anbieter aufgebaut wurde, kann ein statistisches Modell unter Berücksichtigung der Kriterien des Kunden erarbeitet werden.

Der Kern der Entwicklung des Modells basiert auf der Validierung. Hier kann es mehrere Fälle geben: sollten historische Daten vorhanden sein, kann eine Validierung anhand dieser vorgenommen werden. Sollte dies nicht gegeben sein, kann eine Simulation mittels zufällig erzeugter Werte durchgeführt werden. Dennoch basiert hier der erste Entwurf auf einigen Annahmen, die während der Kampagne untersucht und bestätigt werden können. Weitere Erkenntnisse in der Validierung dienen dazu, das Modell zu aktualisieren und den Prozess zu wiederholen.

Für die Performanceoptimierung von vielen einzelnen Werten wird eine Custom KPI entwickelt – diese fängt die Kosten sowie die Nutzerinteraktionen ab und bewertet sie. Sie dient als Basis für Optimierungsalgorithmen, die auf ein Maximum oder Minimum dieser KPI optimieren. Wenn die Daten bereits der DSP vorliegen, kann die Custom KPI an den Bidder angeschlossen werden. Wenn die Daten externer Anbieter zum Einsatz kommen, wird zunächst eine Zuordnung der Werte beider Systeme gewährleistet. Hierbei wird vorzugsweise die kleinste Ebene herangezogen, damit Spielraum für die Aggregation der Daten gegeben ist. Optimierungen werden über die Schreibschnittstelle in die Plattform überführt.

Die einzelnen Phasen eines Custom-Bidding-Projektes verdeutlichen die Komplexität des Unterfangens und sollten deshalb sorgsam und mit entsprechendem Zeitinvestment geplant und umgesetzt werden.

Durch Custom-Bidding-Lösungen werden die Grenzen standardisierter Optimierungsalgorithmen und manueller Optimierung aufgehoben. Durch eine gezielte Optimierung auf Basis der relevanten Daten und der korrekten Attribution wird eine verbesserte Kampagnenleistung und somit letztlich eine Steigerung der Profitabilität programmatischer Umsetzungen erreicht. Auch hierbei bleiben jedoch die Herausforderungen der Messung bestehen, wenn solche vorhanden sind, beispielsweise wo Publisher eine Viewability-Messung durch die Nicht-Integration entsprechender Video Templates nicht zulassen. Diesen kann aber dadurch besser begegnet werden, dass sich Werte, die nicht vollständig vorliegen, um weitere Erfolgskennzahlen ergänzen lassen und damit insgesamt mehr Optionen für eine akkurate Kampagnenoptimierung bestehen.