Retargeting kann ein teures Unterfangen sein und die Erfolgschancen sind unterschiedlich für jeden Besucher. Die Vorhersagen von Mapps künstlicher Intelligenz können dabei helfen, Besucher zu klassifizieren aufgrund ihres Verhaltens in Nutzer, die sehr wahrscheinlich konvertieren, die wahrscheinlich konvertieren und die wahrscheinlich nicht konvertieren.
Diese Klassifikation kann genutzt werden, um Listen und Segmente auf anderen Plattformen zu befüllen, zum Beispiel auf Facebook, Yahoo, Bing und vielen anderen. Sobald diese Listen für die unterschiedlichen Nutzergruppen existieren, kann die Gebotsstrategie für jede Liste angepasst werden, zum Beispiel ein hohes Gebot auf Nutzer mit hoher Konversionswahrscheinlichkeit, ein mittleres Gebot auf Nutzer mit mittlerer Konversionswahrscheinlichkeit und keine Gebote auf Nutzer mit niedriger Konversionswahrscheinlichkeit.
Genauso könnte man auch aufhören auf Nutzer mit hoher Konversionswahrscheinlichkeit zu bieten, weil sie auch ohne Werbung konvertieren, viel bieten auf Nutzer, die auf der Kippe stehen und ein wenig auf Nutzer, die eine geringe Konversionswahrscheinlichkeit haben. Welche Strategie die richtige ist hängt ganz von der Seite und dem Produkt ab.

Neben der Konversionswahrscheinlichkeit, bietet die künstliche Intelligenz auch Vorhersagen über den erwarteten Customer Lifetime Value (CLV) und damit die Möglichkeit, Nutzer weiter zu klassifizieren und Gebotsstrategien anzupassen.

Diese Matrix aus erwartetem Kundenwert (CLV) und Konversionswahrscheinlichkeit visualisiert eine Gebotsstrategie, die die Klassifizierung möglich macht.

Nutzer mit einem hohen erwartetem CLV erhalten durchweg höhere Gebote als Kunden mit mittlerem und gerinem erwartetem CLV, aber die Gebote werden nochmal angepasst an die Konversionswahrscheinlichkeit.

In der Praxis müssen die Segmente zu den Zielplattformen via Audience Stream exportiert werden. Dazu müssen die Segmente/Listen auf der Zielplattform kreiert werden und das korrespondierende Pixel in den Audience Stream kopiert werden. Dann kann der Audience Stream das gewünschte Segment befüllen. Wenn 9 Segmente zu viel erscheinen, kann man auch sehr gut mit einer 4-Felder-Matrix anfangen und nur zwischen hoher/niedriger CLV und hoher/niedriger Konversionswahrscheinlichkeit unterscheiden und auf alle Nutzer mit mittleren Werten unmodifiziert bieten.

Bitte beachten

Audience Streams übertragen Segmentinformationen live, wenn der Nutzer gerade auf der Website ist. Der Transfer kann nicht stattfinden, wenn der Nutzer nicht auf der Website ist bzw. vor Einrichtung des Audience Streams auf der Website war. Vorhersagen sind in Echtzeit verfügbar, basierend auf dem Verhalten in der gegenwärtigen Session, so dass Nutzer sofort klassifiziert werden können, selbst wenn es ihr erster Besuch ist. Vorhersagen, die auf dem Verhalten aus mehreren Sessions beruhen, sind in der Regel genauer.