Zusammenfassung
Realtime Advertising (RTA) bietet die Möglichkeit auf Ebene einzelner Nutzer (Grundsätzlich ist im Folgenden immer die weibliche und männliche Form gemeint.) zu entscheiden, ob und zu welchem Preis eine werbliche Anzeige ausgeliefert werden soll. Einhergeht dies mit einer Vielzahl von Daten, die genutzt werden können, um diese Entscheidung zu treffen. Mit der Realtime-Advertising-Budgetallokation im Mediamix und der Aussteuerung auf Nutzerebene zeigt der vorliegende Beitrag die zwei grundsätzlichen Entscheidungsbereiche auf. Es werden die Herausforderungen und daraus abgeleiteten Anforderungen an geeignete Modelle und Verfahren zur Entscheidungsunterstützung skizziert. Gängige Heuristiken und die aktuelle Entwicklung im Bereich der statistischen Modellbildung werden aufgezeigt.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
z. B. www.xplosion.de.
- 2.
z. B. www.wywy.com.
- 3.
Statistische Modelle sind grundsätzlich in der Lage kompliziertes Nutzerverhalten zu erklären. So können beispielsweise Vorhersagen getroffen werden, welches Produkt vermutlich gekauft bzw. wie hoch der erwartete Umsatz sein wird. Der Einfachheit halber gehen wir im Folgenden davon aus, dass vorhergesagt werden soll, ob ein Nutzer zum Kunden wird oder nicht.
- 4.
z. B. www.adference.com.
Literatur
Anderl, E., I. Becker, F. Wangenheim, und J. Schumann. 2013. Putting attribution to work: A graph-based framework for attribution modeling in managerial practice. Social Science Research Network 2343077.
Archak, N., S. M. Vahab, und S. Muthukrishnan. 2010. Mining advertiser-specific user behavior using adfactors. Proceedings of the 19th international conference on world wide web 2010, 31–40.
Chatterjee, P., D. L. Hoffmann, und T. P. Novak. 2003. Modelling the clickstream: Implications for web-based advertising efforts. Masrketing Science 22 (4): 520–541.
Dinner, I., H. van Heerde, und S. Neslin. 2011. Driving online and offline sales: The cross-channel effects of digital versus traditional advertising. Social Science Research Network 1955653.
Nottorf, F. 2014. Modeling the clickstream across multiple online advertising channels using a binary logit with Bayesian mixture of normal. Electronic Commerce Research and Applications 13 (1): 45–55.
Nottorf, F., und B. Funk. 2013a. A cross-industry analysis of the spillover effect in paid search advertising. Electronic Markets 23 (3): 205–216.
Nottorf, F., und B. Funk. 2013b. The economic value of clickstream data from an advertiser’s perspective. Proceedings of the 21st ECIS conference 2013, Utrecht.
Olejnik, L., M.-D. Tran, und C. Castelluccia. 2014. Selling off privacy at auction. Proceedings of the NDSS 2014, San Diego.
Schröter, A., P. Westermeyer, C. Müller, T. Schlottke, und C. Wendels. September 2013. Real Time advertising – funktionsweise, akteure und strategien. http://rtb-buch.de.
Stange, M., und B. Funk. 2014. How big big data needs to be? The learning curve in Bayesian user journey analysis. Working paper. Leuphana Universität.
Yuan, S., J. Wang, und X. Zhao. 2013. Real-time bidding for online advertising: Measurement and analysis. Proceedings of the ADKDD 2013. arXiv:1306.6542.
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2014 Springer Fachmedien Wiesbaden
About this chapter
Cite this chapter
Funk, B. (2014). Kanalübergreifende Werbewirkungsanalyse in Echtzeit. In: Busch, O. (eds) Realtime Advertising. Springer Gabler, Wiesbaden. https://doi.org/10.1007/978-3-658-05358-1_4
Download citation
DOI: https://doi.org/10.1007/978-3-658-05358-1_4
Published:
Publisher Name: Springer Gabler, Wiesbaden
Print ISBN: 978-3-658-05357-4
Online ISBN: 978-3-658-05358-1
eBook Packages: Business and Economics (German Language)