Connected TV ist für Werbetreibende ein echtes Werbe-Eldorado – engagierte Zielgruppen treffen auf Special-Interest-Content, digitale Geräte erlauben die granulare Ansprache auf der Basis von DSGVO-konformen Daten. Hinzu kommt: Eine Erfolgsmessung von Kampagnen in Echtzeit ist möglich.

Auch die aktuelle Cookieless-Debatte tangiert CTV kaum, da diese Mediengattung per se ohne Cookies funktioniert. Ist das ein Nachteil? Keineswegs, denn erstens sind Third-Party-Cookies ohnehin eine zunehmend obsolet werdende Targeting-Methode, und zweitens rückt ohne Cookies das kontextuelle Targeting in den Fokus, um Zielgruppen auf kreative und effektive Weise zu erreichen.

Kontextuelles Targeting verwendet die Interessen der Nutzer:innen, die anhand der von ihnen konsumierten Inhalte ermittelt werden. Diese Methode macht Werbung nicht nur relevanter und attraktiver für die Zuschauer:innen, sondern erhöht auch die Effektivität der Kampagnen. Anders als klassische Targeting-Kampagnen, die häufig demografische Daten wie Alter und Geschlecht berücksichtigen, ermöglicht kontextuelles Targeting im CTV eine präzisere Ansprache der Zielgruppen nach ihren Interessen.

CTV-Kampagnen können auf umfangreiche Content-Informationen zurückgreifen, um Zielgruppen gezielt anzusprechen. Diese Metadaten umfassen nicht nur Informationen wie Programmtitel, Beschreibung und Schlagworte der Sendung, sondern auch Daten über das Zuschauerverhalten, wie beispielsweise die bevorzugten Genres und die Sehdauer. Dadurch können Werbetreibende ihre Botschaften so gestalten, dass sie zur aktuellen Stimmung und den Interessen der Zuschauer:innen passen.

Daneben verwendet CTV auch technische Metadaten wie Gerätetyp, Plattform und Ähnliches (z.B. Betriebssystem) sowie den geografischen Standort für ein geobasiertes Targeting. Ergänzt werden können diese Metadaten durch Messungen wie zum Beispiel Streaming-Aufrufe, Completion Rates, Nutzungshäufigkeit oder Verweildauer. Mit solchen Messdaten können Werbetreibende die Performance von Kampagnen in Echtzeit tracken und optimieren.

Die Erfassung der Content-Metadaten erfolgt sowohl manuell als auch automatisch. Bei der automatischen Generierung kommen Texterkennungsalgorithmen und maschinelles Lernen zum Einsatz, um Streaming-Inhalte genau zu kategorisieren. Die Erfassung und Analyse der Content-Metadaten machen anschließend das Ad Matching möglich: Ein Beispiel wäre die Ausspielung von Automobil-Werbung in Auto-affinen Inhalten.

Für eine noch bessere Zielgruppenansprache geht es allerdings um mehr als nur Content-Metadaten. Wollen Werbetreibende die volle Breite und Tiefe des Kontextes nutzen, muss der bisherige Metadaten-Begriff erweitert werden: Neben dem Nutzerverhalten können auch emotionale Zustände des Zuschauers und Objekte im Content wie „Strand“ oder „Auto“ in den Metadaten erfasst werden. Die Herausforderung besteht im ersten Schritt darin, maschinell alle relevanten Merkmale der Bilder und Videos zu erfassen, in denen Werbung integriert ist.

Im zweiten Schritt geht es um die Bildung von Zielgruppen-Segmenten. Sogenannte “Content-Ähnlichkeits-Detektoren” analysieren die Metadaten in Bezug auf Content und Kontext. Auf dieser Basis finden diese Tools die entsprechenden Zuschauer-Segmente, die mit ähnlichem Sehverhalten, Interessen und Themenkontext – Stichwort „Content-Similarity“– verknüpft sind. Hinter „Content-Similarity“ steckt also die Idee, ähnliche Inhalte zu identifizieren und auf dieser Basis Zielgruppen-Segmente zu erstellen, die Werbetreibenden Orientierung bieten. Ähnlichkeits-Detektoren basieren auf dem Konzept des digitalen Zwillings, wie es im Digitalmarketing verwendet wird.

Für ein zeitgemäßes Targeting sollten Kampagnen-Profis Content und Kontext erfassen. Metadaten, die beides abbilden, werden deshalb zum neuen Goldstandard im Connected TV. So können Werbetreibende ein durchweg nahtloses und natürliches Werbeerlebnis schaffen.

Von derartig optimierten Werbekampagnen profitieren nicht nur Werbetreibende, sondern auch die Zuschauer:innen. Kontextuelle Ads werden als weniger aufdringlich wahrgenommen und daher eher akzeptiert. Das verbessert die Zuschauer-Erfahrung im CTV. Da Werbung im Interessensumfeld der Zuschauer:innen stattfindet, interagieren diese mehr mit den Werbeinhalten als mit nicht-kontextuell ausgespielter Werbung. Aus diesem Grund sind kontextuelle Ads wirksamer und erzielen höhere Conversion Rates als nicht-kontextuelle.

Die Ausspielung von Werbung anhand von Metadaten kann neben I/O-Buchungen auch programmatisch erfolgen. Dies ermöglicht Marketern eine noch präzisere Segmentierung und Echtzeit-Targeting über Demand-Side-Plattformen (DSPs).

Aktuelle Tools zeigen, dass künstliche Intelligenz und kontextuelles Targeting gut zusammenpassen. Auf einem neuen Niveau sind KI-Systeme in der Lage, Inhalte in Text und Bild zu verstehen. Dadurch können Werbetreibende zukünftig ihre Werbung auf Basis von Content-Kategorien anpassen, die über die übliche Einordnung hinausgehen. Eine wichtige Weiterentwicklung ist die Fähigkeit, vorhandene Werbemittel so zu erstellen, dass sie zum Kontext und Inhalt passen. Die Königsdisziplin in diesem Bereich ist die "Predictive Personalization" – eine Methode, bei der KI anhand von Datenanalysen und Vorhersagen personalisierte Werbung erstellt, die auf die zukünftigen Bedürfnisse und Interessen der Zuschauer:innen abgestimmt ist. Wie in vielen anderen Bereichen ebnet KI auf diese Weise den Weg für noch erfolgreichere Kampagnen im CTV.