Die erste Säule beschreibt die grundsätzliche Datenverfügbarkeit und die Qualität der Daten, die als Unterbau des Targetings dienen sollen, unabhängig davon, ob es sich um kontextuelle Targetings (umfeldbezogen) oder direkt adressierbares Targeting (userbezogen) handelt. Eines ist dabei klar: ohne Daten, kein Targeting!

Die zweite Säule beschreibt die kaufmännische Effizienz des Targeting-Einsatzes. Aus der Einkaufsperspektive muss der Zielgruppen-TKP mit Targeting günstiger sein als derjenige, der ohne Targeting aufzuwenden ist.

Die dritte Säule beschreibt die technologischen Aspekte, die für eine effiziente Nutzung des Targetings relevant sind. Dabei spielen logistische Aspekte eine entscheidende Rolle. Daten, die in einer hohen Qualität, im besten Fall sogar kostengünstig zur Verfügung stehen, geben zunächst keinen Aufschluss darüber, ob sie auch effizient im Targeting-Kontext eingesetzt werden können. Die Datenlogistik, das heißt wie die Daten von A nach B kommen, im Zweifel in den gewünschten Aggregations-Zuständen, ist dabei von enormer Relevanz: Das ist der Aspekt, der immer ein wenig zu technisch, zu “nerdig” und zu “unsexy” war und damit auch nie wirklich als relevantes Gesprächsthema Einzug in den Branchen-Talk gehalten hat.

Beschäftigt man sich innerhalb des programmatischen Ökosystems mit der Targeting-Frage, beschäftigt man sich unweigerlich auch mit der Frage, auf welcher Seite das Targeting stattfinden soll – auf der Demand-Seite, also auf DSP-Ebene, oder eben auf der Sell-Side, also auf der SSP-Seite. Historisch betrachtet – und das wird vor allem daran liegen, dass die Demand-Seite einen stärkeren Ruf nach Targeting hatte – fand das Targeting eher auf der Demand-Seite statt. Das wirft die Frage auf, ob das eigentlich zwingend so sein muss? Klar ist, dass sich in den letzten Jahren die Demand- und die Supply-Seite in technologischer Hinsicht aufeinander zubewegt haben. Supply-Side-Plattformen (SSP) tun das durch die Etablierung entsprechender Kuratierungs-Plattformen, Demand-Side-Plattformen (DSP) tun das im Wesentlichen dadurch, dass sie sich direkt in das Headerbidding des Supply-Angebots graben und damit gewissermaßen die SSPs umgehen.

Die Frage bleibt, wer langfristig die Hoheit über die Zielgruppenansprache gewinnt.

Wenn man sich mit dem Thema Targeting im programmatischen Kontext genauer beschäftigt, wird man unweigerlich über Begriffe wie Traffic Shaping, Traffic Compression oder Call Limitation stolpern. Auch wenn sich die oben genannten Verfahren leicht unterscheiden, geht es im Kern um Folgendes:
Eine SSP kann aufgrund begrenzter Rechen- und Datenverarbeitungs-Kapazitäten unmöglich jeder einzelnen DSP innerhalb einer Auktion einen Bid-Request anbieten. Genauso verhält es sich auf der DSP-Seite. Auch hier müssen aufgrund von Kosten- und Effizienz-Überlegungen Entscheidungen getroffen werden, auf welchen Bid-Requests eigentlich geboten wird. Das passiert natürlich weder manuell noch nach bestimmten linearen Methoden. Auf der Equativ-SSP sind beispielsweise KI-Systeme im Einsatz, die diese Aufgabe sowohl auf Adcall-Level als auch auf Bid-Request-Level über hunderttausendmal in der Sekunde erledigen.

Auf Adcall-Level ist es eine klassische Ja-Nein-Entscheidung. Hier wird entschieden, ob eine Auktion aufgrund bestimmter Bedingungen überhaupt zu Stande kommt. Auf dem Bid-Request-Level geht es um die Frage, welchen DSPs der Bid-Request angeboten wird. Während der Datenmodellierung wird die Entscheidung dabei auf Basis von Parametern wie Inventarquelle, Website, Format, Impression Type, Umfeld, Plattform, Integrationstyp, Adressierbarkeit, et cetera, aber eben auch vom Targeting abhängig gemacht. Der sogenannte “Regulator” beeinflusst dann diese Entscheidung noch auf Basis von Zeit, Datencenter, maximale QPS (Queries per second), et cetera, in Echtzeit.

Vereinfacht ausgedrückt hat das zur Konsequenz, dass nur ein Bruchteil der Requests die DSP erreicht, weil viele im Bietverfahren aufgrund mangelnder Biet-Wahrscheinlichkeiten im Entscheidungsprozess durchfallen.

Nun, sehr viel. Versuchen wir einmal mögliche Szenarien zu skizzieren. In dem einen Szenario wird ein bestimmtes Targeting (zum Beispiel unter Einsatz von soziodemografischen Third-Party-Daten) auf der DSP-Seite zum Einsatz kommen, im anderen der Einsatz des gleichen Targetings, nur eben auf SSP-Seite.

Szenario DSP-Targeting: Die SSP, die mit den Inventaren und Datenpartnern aufgrund ihrer Rolle eigentlich enger verknüpft ist, schickt gelenkt durch die oben beschriebenen Parameterwerte Bid-Requests an die DSP, ohne dabei die Targeting-Kriterien zu berücksichtigen. Im Auktionsprozess führt das unweigerlich dazu, dass Inventare, die eigentlich innerhalb der Zielgruppe liegen würden, die DSP gar nicht erreichen und dass die DSP aber wiederum genau diese Bid-Requests verarbeiten muss, die für sie wertlos sind. Es werden also technische Kosten auf DSP-Seite und auf SSP-Seite erzeugt, die eigentlich nicht sein müssten, quasi ein doppelter Fail.

Szenario SSP-Targeting: In diesem Szenario wird der Entscheidungsprozess um die Targeting-Information erweitert. Dies führt dazu, dass der DSP-Seite nur potenzielle Impressions angeboten werden, die auch innerhalb der Zielgruppen-Definition liegen. Das steigert die Targeting-Effizienz enorm, indem Kosten auf der SSP- und DSP-Seite vermieden werden.

Bei den beschriebenen Szenarien handelt es sich um eine vereinfachte Darstellung, die in der täglichen Praxis sicherlich komplexer ist und in der auch andere Faktoren eine Rolle spielen. Sie verdeutlichen allerdings, dass in einer programmatischen Welt, in der SSPs aufgrund von Inventar-übergreifenden Kuratierungsmöglichkeiten eine neue Rolle einnehmen können und auch werden.

Die Entscheidung über die Zielgruppe und das entsprechende Targeting auf SSP-Seite führt dazu, dass Impressions und die dahinterliegenden Nutzer vor den genannten Filteralgorithmen identifiziert werden können. Es gehen weniger relevante Nutzer auf der Strecke zwischen SSP und DSP verloren, die Match-Rate steigt und der Streuverlust wird minimiert.