Die Segmentierung von Website Besuchern steigert Anzeigeneinnahmen
Online Publisher versuchen immer wieder ihre Einnahmen zu erhöhen – am besten natürlich mit wenig Einsatz von Geld oder Mühen.
Die Branche steckt voller Geschichten über Publishern, die etwas einfaches wie die Menü-Location oder das Layout verändert haben und damit ihren Verdienst oder die Besucher-Erlebnisse dramatisch verbessert haben.
Aber was, wenn es eine kleine Sache gäbe, die die meisten Publisher nicht nutzen, die jedoch mehr Wert bringt als die meisten anderen Tools?
Genau das hat Iggy Chen, der Head of Business Intelligence von Ezoic, in seiner jüngsten Fallstudie bei Google bei Pubtelligence New York erörterte.
Iggy betonte den enormen Wert, den Website-Besucher-Segmentierung für das digitale Publishing bringt. Er zeigte, zu welch dramatische Umsatzsteigerungen es kommen kann, wenn Besucher unterschiedlich behandelt werden.
Nachstehend werde ich mit Ihnen die Resultate und Beispiele teilen und darstellen, wie Sie das Ganze auf Ihren eigenen Websites umsetzen können.
Unterschiede bei Visitorn verstehen
Jeder Website-Besucher verhält sich anders. Das Verhalten und die Bereitschaft eines Besuchers, sich mit dem Inhalt einer Website auseinanderzusetzen, steuert direkt die Höhe des Umsatzes, den Online Publisher verdienen.
Sogar ohne direkte Deals wird das Einkommen der Publisher durch das Verhalten des Publikums beeinflusst. Innerhalb der programmatischen Börsen hat das Besucher-Engagement direkten Einfluss darauf, wieviel Inserenten für Anzeigen auf einer bestimmten Webseite bereit sind zu zahlen.
Darüber hinaus gilt: wie Besucher durch die Seiten auf der Website eines Publishers browsen beeinflusst direkt die Anzahl der Anzeigen-Impressionen, die pro Seite gezeigt werden; und beeinflusst damit den EPMV der Publisher (Einkommen pro tausend Besucher oder Session-Umsatz).
Wir haben dies hier in einer Studie besprochen.
Wenn wir daran denken, greifen wir uns an den Kopf und sagen: „Mit dem Verhalten meiner User verhält es sich wohl so wie mit dem Wetter, es ist etwas, das nicht verändert oder manipuliert werden kann. Oder!?“
Natürlich nicht.
Alle Veränderungen, die wir an einer Webseite vornehmen, beeinflussen direkt wie viele Seiten ein Benutzer besucht, wie lange er auf der Seite verbringt, ob er sich entscheidet, wieder zu kommen und mehr.
Laut Iggy kann man die Nutzer einer Webseite mit den Teilnehmern des Fantasy-Football bei Ezoic vergleichen. Football Fans sind der Fantasy Football Liga beigetreten, alle anderen haben ihre eigene Liga aufgestellt.
Jede Liga verfolgt die Football Saison auf unterschiedliche Art und Weise.
Iggy’s Fallstudie stellt dar, wie das Verhalten von Website Besuchern auf ähnliche Art und Weise gruppiert werden kann.
Sie zeigt, dass es nicht darum geht, eine großartige Veränderung zu finden, die bei allen wirkt sondern vielmehr darum, welche kleinen Veränderungen für unterschiedliche Besucher gemacht werden können, die Seitenansichten, Engagement-Zeit und Bounce Rates insgesamt verbessern.
Hier können Sie Iggy’s vollständige Präsentation sehen
Fallstudie über Besucher-Analyse und Optimierung
Die Fallstudie, die bei Google präsentiert wurde, war über den Publisher Tigernet.
Tigernet ist eine Online-Community für Sportfans der Clemson University. Tigernet hat ein großes Kontingent von treuen Lesern sowie gelegentliche Fans aus der weiteren College-Sportlandschaft.
Genauso wie Iggy Vergleiche zwischen dem unterschiedlichen Verhalten der Teilnehmer der Fantasy Football League gezogen hat, behauptete er, dass alle Websites – einschließlich Tigernet – Besucher-Segemente von gelegentlichen Benutzern und Superfans haben.
Er wies auch darauf hin, dass es tatsächlich Tausende von Segmenten gäbe. Aber für den Zweck seiner Studie hat er sich nur zwei sehr unterschiedliche Benutzergruppen angesehen. Die unterschiedliche Behandlung einer jeden bietet großen finanziellen Wert.
Das Ergebnis, wenn TigerNet-Besucher unterschiedlich behandelt werden
Wir wollen zunächst untersuchen, wie die Studie durchgeführt wurde.
Tigernet profitiert von Ezoic. Ezoic stellt Machine Learning bereit; die Plattform lernt im Laufe der Zeit aus dem Besucher-Verhalten und passt Dinge wie Anzeigen-Platzierungen, -Typen, und -Dichte an, um Engagement und Session-Dauer zu maximieren.
In diesem Beispiel betrachten wir zwei spezifische Besuchertypen, die Ezoic im Laufe der Zeit identifiziert hat. Iggy benutzt die Begriffe, auf die wir uns zuvor bezogen haben: Superfans und Gelegentliche Benutzer.
Wir können einige der Eigenschaften der Superfans oben sehen. Sie kommen aus dem Staat, in dem sich Clemson befindet, und sind gewöhnlich wiederkehrende Besucher, browsen oft auf dem Handy und überprüfen die Website häufig.
Die Studie untersucht, wie die Maschinen diese Besucher anders behandelte, basierend auf ihren früheren Reaktionen auf eine ganze Reihe von Variablen.
Da dies die Home Page von Tigernet ist, befinden sich die älteren Artikel weiter unten. Das System platzierte oben auf der Seite zwei Anzeigen über die Dinge, auf die sich die Superfans normalerweise konzentrieren.
Wir können davon ausgehen, dass die Superfans gut mit den älteren Nachrichten über Clemson vertraut sind; daher macht es am meisten Sinn, Anzeigen direkt oben zu platzieren.
Wie bereits besprochen: Anzeigen an Stellen zu setzen, wo das Besucher-Engagement hoch ist, kann oft höheren Wert für diese Anzeigen liefern. Aber man muss dies gut abwägen, denn durch solche Anzeigen können auch mehr Bounces und kürzere Sessions erzeuget werden.
Wenn sich der Superfan von der Home Page zur nächsten Seitenansicht bewegt, zeigt die Ezoic Plattform ihm nur zwei Anzeigen, also vier für die gesamte Session.
Aus den gesammelten Daten hat das System gelernt, dass 2 Anzeigen normalerweise die Schwelle für eine höher Anzahl von gesamten Seitenansichten für diese Art von Besucher sind. Aus diesem Grund hielt das System die Anzeigendichte unter der Schwelle, um sicherzustellen, dass die Session nicht früher als nötig endet.
Die letzte Anzeige befindet sich am Ende des Artikel. Da frühere Daten gezeigt haben, dass der Nutzer wahrscheinlich den ganzen Artikel lesen wird, hat das System die hochwertige Anzeige am Ende des Inhalts platziert; anstatt in der Mitte der Seite, wo sie den Lesefluss unterbrechen würde.
Dies macht die Anzeige auf der Website wertvoller, da bei weniger Anzeigen diese weniger ignoriert oder als nicht sichtbar erachtet werden. Dies hilft dabei, den Wettbewerb auf der Website um Anzeigenplätze hoch zu halten und maximiert gleichzeitig den Wert der individuellen Session.
Zu verstehen, wie sich Ihr Besucher verhält, erlaubt es dem System, die Anzeigen fair über die gesamte Session zu verteilen und Einkommen und Benutzer-Erlebnis zu maximieren.
Es ist auch in der Lage, die Anzeigen an Positionen zu halten, die Anzeigenwert-Schwächung verhindern.
Die Behandlung der „Gelegentlichen Benutzer“
Jetzt wollen wir uns ansehen, wie das System frühere Informationen über das Besucher-Verhalten benutzt hat, um ein anderes Besucher-Segment anders zu behandeln.
In diesem Fall betrachten wir den Gelegentlichen Benutzer. Das System hat gelernt, dass Besucher mit diesen Eigenschaften – nicht aus dem Clemson-Heimatstaat – typischerweise eine viel kürzere Session haben.
Aus diesem Grund wird der Inhalt anders monetarisiert, da es ohnehin selten vorkommt, dass diese Besucher mehr als ein oder zwei Seiten besuchen.
Da diese Besucher typischerweise die Website überfliegen, platzieren die Maschinen hochwertigere Anzeigen oben an den Anfang der Artikelseiten, wo sie die höchste Wahrscheinlichkeit haben, angesehen zu werden. Denn das System hat gelernt, dass dieser Besucher nicht immer ganz bis zum Ende der Seite liest.
Dieser Ansatz ermöglicht es dem System, den EPMV (gesamten Session-Umsatz) höher zu halten als er es sonst gewesen wäre, wenn alle User die selben statischen Anzeigen gesehen hätten.
Indem diese beiden User unterschiedlich behandelt wurden, war das System in der Lage, den gesamten EPMV für beide Nutzer-Sessions etwa 45 % höher zu halten, als wenn beide User die gleichen Anzeigen an den gleichen Stellen gesehen hätten.
Was kann uns das System sonst noch über das Verhalten von Website Besuchern sagen?
Maschinelles Lernen funktioniert zum Teil so, wie in diesem Fall, dass die Maschinen selbst herausfinden, welche Faktoren letzten Endes wichtig für den Anzeigenwert und das Benutzer-Erlebnis auf jeder individuellen Website sind.
In diesem Fall können wir einige Faktoren sehen, die es wert sind weiter verfolgt zu werden.
Diese beiden Besucher sind sehr unterschiedlich und das System hat gelernt, welche Eigenschaften beide ausmachen.
Das schließt die Beobachtung und das Verstehen folgender Metriken für unterschiedliche Besucher ein:
- Engagierte Seitenansichten pro Besuch
- Engagement-Zeit
- Navigation Bounces
- DOM Interactive und DOM Complete
- Anzahl der zurückkehrenden Besucher
- Kopieren/Einfügen pro Besuch
- Share-Interaktions-Rate
- Prozentsatz beim Scrollen
- RPM nach Seitenlänge
- EPMV nach Wortzahl auf der Landeseite
- und viele andere…
Diese Metriken bieten alle eine eher granulare Daten-Ebene in Bezug darauf, wie Besucher sich mit dem Inhalt der Website auseinandersetzen.
Dies ermöglicht es Publishern, einen langfristigen Blick auf Monetarisierung zu haben und Einkommen im Laufe der Zeit zu maximieren.
Dadurch wird auch das häufige Problem der „Über-Monetisierung“ vermieden, die zu einem Abfall der Anzeigen-Raten bei vielen Publishern führt.
Sie können all dies kostenlos in der neuen Ezoic Big Data Analytics Suite verfolgen; Publishers können auf sie kostenlos zugreifen.
Die Macht, sich an Website-Besucher-Daten in Echtzeit anzupassen
Neben der Fähigkeit, Besucher zu segmentieren und unterschiedlich zu behandeln, zeigte Iggy’s Fallstudie auch ein paar sehr deutliche Daten über den Nutzen davon, dies in Echtzeit auszuführen.
In einem Beispiel zeigte er, wie das System schnell auf einen Ansturm neuer Besucher reagierte.
Dieser Ansturm neuer Besucher war direkt mit der Verletzung des Clemson Starspielers, Greg Huegel, verbunden.
Als die Maschinen die Daten verarbeiteten, konnten sie sehen, dass das Verhalten der Benutzer während dieses Vorfalls von der Norm abwich.
Es gab einen großen Strom von neuen Benutzern aus den Sozialen Medien, die die Neuigkeiten über Facebook, Twitter und Reddit teilten.
Dies sind Benutzer, die entweder nie zuvor auf der Website gewesen sind, oder sie nur selten besuchen.
Also: wenn wir noch einmal den SuperFan und den Casual User betrachten, können wir große Unterschiede darin sehen, wie wir diese Besucher behandeln können und es gibt definitiv einige Szenarien, die optimaler sind als andere.
Über den SuperFan hat das System gelernt, dass er höchstwahrscheinlich weiterbrowsen wird. Also verteilen Sie die Anzeigen über seine gesamte Benutzerreise, was in ziemlich konsistenten CPMs auf Seiten-Ebene resultiert.
Auf der anderen Seite: für den Casual User der zum Artikel kommt, zeigt das System mehr Anzeigen auf der Seite. Denn es hat gelernt, dass der Nutzer wahrscheinlich ohnehin nur eine einzige Seite lesen wird und dann wieder geht.
Wenn wir tiefer graben und den SuperFan betrachten, der auf die Home Page anstatt auf die Anzeigenseite geht, dann werden die Maschinen ihm immer noch einige Anzeigen zeigen, denn sie wissen, dass er mit dem Layout vertraut ist und bereit ist, mit diesen Anzeigen zu leben, bis er den Inhalt findet, den er sucht.
Wenn wir diese beiden Typen von Benutzern vergleichen, dann haben sie sehr unterschiedliche optimale EPMVs und der Publisher müsste nicht nur richtig raten, welche Art von Besucher dies ist, sondern ihm auch noch die richtigen Seiten zeigen, um seinen EPMV zu maximieren. Sonst würde er Geld auf dem Tisch liegen lassen.
Wenn hier Maschinen lernen und einige der Daten filtern und nutzen, ist das sehr sinnvoll.
Benutzer-Verhalten bildet keine diskrete binäre Population
Iggy Chen weist darauf hin, dass jede Website ihre eigene Version dieser beiden Typen von Besuchersegementen hat. Er sagt auch, dass es wahrscheinlich Tausende von anderen Besuchersegmenten gibt.
Er erörterte, wie man zwischen zwei verschiedenen Besucher-Typen unterscheiden kann.
Dinge, die Publisher beeinflussen können:
- Navigationsoptionen (Seitenleiste, Menü, Links)
- Ladegeschwindigkeit – Interpretation des kritischen Pfads
- Inhaltspositionierungg
- Anzeigen-Typen (Display, Native, Link, Video)
- Anzeige-Platzierung
- Anzeige-Größen
- Vorhandensein anderer Anzeigen und ihre Platzierung
Dinge, die Publisher nicht beeinflussen können, die sie aber erklären müssen
- Betriebssystem oder Gerätetyp
- Browser-Typ
- Tageszeit/ Wochentag
- Benutzer-Verbindungsgeschwindigkeit
- Geografischer Standort
- Vorgelagerte Verkehrsquelle
- UX-Metriken von anderen Nutzern, die diese Seite besuchen
- Abonnent oder nicht-Abonnent
- Benutzerhistorie
- und vieles mehr
Die Verknüpfung dieser Daten wird es ihnen ermöglichen, unterschiedliche Besuchersegmente einzuteilen. Jedes einzelne wird sich laut Chen anders verhalten.
Wie beeinflusst dies die Einnahmen aus Anzeigen?
Bleiben wir bei unserem Tigernet-Beispiel; wir können sehen, dass es bedeutende Umsatz-Steigerungen, verbesserte Benutzer-Erlebnis-Metriken und mehr Seitenansichten verzeichnet hat.
Wenn man das Nutzer-Verhalten identifiziert und verfolgt, – so zeigt die Fallstudie – können Publisher von Technologien profitieren, die ihnen helfen, Entscheidungsprozesse zu optimieren, um Benutzer-Erlebnisse zu verbessern und den gesamten Benutzerwert zu steigern.
Letztendlich bedeutet die individuelle Behandlung eines jeden Benutzers im Laufe der Zeit glückliche Benutzer und glückliche Benutzer bedeuten glückliche Publisher.
Zusammenfassend
Möchten Sie auf Ihrer Website auch einmal so etwas ausprobieren, wie es TigerNet getan hat? Ezoic ist eine Plattform, die Publisher kostenlos benutzen können, um selbst zu testen und solche Dinge auszuprobieren.
Fragen oder Kommentare zu dieser Fallstudie? Kommentieren Sie unten, Iggy und ich werden antworten.
