Wie das Wort schon vermuten lässt, zielt Retargeting darauf ab, Kunden anzusprechen, die bereits Interesse an einer Website oder einem Produkt gezeigt haben, und sie von einem Kauf zu überzeugen. Es gilt aber auch für bestehende Kunden, die bereits im Online-Shop eingekauft haben und zu weiteren Käufen angeregt werden sollen. Diese Marketingmethode können Brands bei allen Nutzern einsetzen, die eine Website oder App besucht haben – unabhängig davon, ob sie nur gestöbert haben, Produkte in den Warenkorb gelegt, aber den Kauf nicht abgeschlossen, oder tatsächlich einen Kauf getätigt haben. Beim Retargeting handelt sich um eine Strategie, die sowohl kurzfristig eingesetzt wird, um die Conversion Rate zu steigern, als auch langfristig genutzt wird, um eine dauerhafte Kundenbeziehung aufzubauen und zu fördern. 

Immer, wenn ein User mit einer Website oder App interagiert, liefert diese Interaktion dem Website-Betreiber wertvolle Informationen über die Interessen des Nutzers. Diese können sich auf eine Produktkategorie beziehen, die sich der Nutzer angesehen hat, oder auf ein ergänzendes Kleidungsstück, das zu einem bereits gekauften Artikel passt. Auf Basis dieser Informationen können Brands ihren (potenziellen) Käufern gezielt spezifische Retargeting-Ads ausspielen und sie vom Interessenten zum Käufer machen. 

Großer Markt, großer Wettbewerb

Natürlich ist der Gebrauch von Retargeting-Anzeigen in der Branche gängig und es stellt sich zurecht die Frage, wie die eigene Brand aus der Masse herausstechen kann. Zusätzlich müssen Brands auch das dynamische und sich schnell wandelnde Nutzerverhalten berücksichtigen: heute noch ein viraler Trend - morgen schon Schnee von gestern. Diese Herausforderungen erfordern nicht nur eine kontinuierliche Beobachtung und Analyse des Nutzerverhaltens, sondern auch die Flexibilität und Bereitschaft, neue Technologien und Ansätze zu integrieren. Es gibt viele Möglichkeiten, Nutzerdaten im Retargeting einzusetzen, und Demand Side Platforms (DSPs) nutzen verschiedenen Technologien, um Daten optimal zu verwenden.

Ein Deep Dive: So funktioniert Deep Learning

Eine erfolgreiche und bereits vorhandene Technologie zur Lösung der genannten Herausforderungen ist Deep Learning (DL) – eine Unterkategorie des Machine Learnings (ML), die nach dem Vorbild menschlicher Denkprozesse entwickelt wurde. Ähnlich wie ML ist auch DL in der Lage, große Datenmengen zu analysieren und daraus wertvolle Erkenntnisse sowie Empfehlungen abzuleiten. Im Gegensatz zu herkömmlichen ML-Modellen zeichnet sich DL jedoch durch eine wesentlich höhere Flexibilität aus. Ein ML-Algorithmus bedarf kontinuierlich spezifischer Anweisungen: Was soll der Algorithmus lernen und auf welche Weise? Ein DL-Algorithmus benötigt diesen Support nur während der initialen Einrichtung. Danach kann er autonom Datenmuster erkennen und daraus lernen, ohne explizit programmiert werden zu müssen, um jedes neue Merkmal oder Muster zu identifizieren, das er entdeckt.

Nutzer mit bestimmten Interessen sind mit einer gewissen Wahrscheinlichkeit an spezifischen Produkten oder Produktkategorien interessiert. Der DL-Algorithmus erkennt, welche Anzeige den Nutzer am stärksten anspricht und welche am wahrscheinlichsten zu einer Conversion führen wird – und zu welchem Zeitpunkt und auf welcher Plattform. Dies funktioniert, indem die Nutzerdaten durch mehrere Schichten des DL-Algorithmus mit zunehmender Komplexität geleitet werden.

Win-Win für beide Seiten

Deep-Learning-basiertes Retargeting bietet sowohl für Werbetreibende bzw. Brands als auch für Konsumenten erhebliche Vorteile und stellt eine unerlässliche Weiterentwicklung im Digitalmarketing dar.

Ein präziseres Targeting ist möglich, weil der DL-Algorithmus das Verhalten und die Präferenzen der Nutzer in Echtzeit analysiert und daraus Muster ableitet, die auf spezifische, künftige Kaufinteressen hinweisen. Das sind gerade bei den rasanten Entwicklungen in der Werbebranche entscheidende Punkte. Zum einen verändert sich das Kaufverhalten der Konsumenten – sie sind heute informierter, kritischer und fordern mehr Transparenz sowie maßgeschneiderte Erlebnisse. Zum anderen steigen auch die Ansprüche der Verkäufer, die ihre Zielgruppe präzise ansprechen und ihren Werbeerfolg messbar machen wollen. Der Einsatz fortschrittlicher Technologien, wie DL, eröffnet ihnen immer wieder neue Wege, gewonnene Daten effektiv zu verarbeiten und zu nutzen. Und dadurch erhöht sich deutlich die Wahrscheinlichkeit, dass der Nutzer auf eine Anzeige reagiert. Das wiederum führt nicht nur zu einer positiveren Wahrnehmung der Werbung und der Brand an sich, sondern auch zu einer effektiveren Nutzung des Werbebudgets.

Insgesamt ist Deep Learning also eine Win-Win-Situation: Konsumenten profitieren von relevanter Werbung, die ihnen hilft, Entscheidungen zu treffen. Werbetreibende erreichen ihre Zielgruppen entlang der gesamten Customer Journey präziser und können damit ihre Marketingziele effizienter und kostengünstiger realisieren.

Der Autor: Daniel Volož ist seit Januar 2020 Country Manager DACH bei dem globalen Adtech-Anbieter RTB House. Zuvor war er als Business Development Manager im Unternehmen tätig. Er ist Experte für die Entwicklung digitaler Werbe­lösungen, die ultra-personalisiertes Retargeting er­möglichen. Gemeinsam mit seinem Team unterstützt er internationale Kunden, Werbung auch in Zeiten von erhöhtem Datenschutz und Anzeigenmüdigkeit durch den Einsatz von Deep Learning relevanter zu gestalten.