Wir schreiben das Jahr 2020 und schon seit einigen Jahren, so sagt man, sind Daten das neue Öl. Daten werden überwiegend durch unseren technologischen Fortschritt automatisch gesammelt und in unterschiedliche Personengruppen / Zielgruppen zugeteilt - sinnvolle Datenverknüpfungen.

Oder wie es die Data-mining-Firma Science Rockstars (!) auf ihrer Website markig ausdrückt >> Ihre nächste Handlung ist eine Funktion des Verhaltens von anderen und Ihrer eigenen Vergangenheit. <<

Bei der Planung digitaler Werbung haben konstante Parameter wie beispielsweise soziodemographische Merkmale immer schon eine wichtige Rolle gespielt, um Personen in der gewünschten Zielgruppe mit Werbung zu bespielen. Damit nicht genug wurden natürlich auch über verschiedenste Data Management Plattformen die Interessen der Benutzer in Erfahrung gebracht und ebenso verknüpft, in Profilen mit Indexabgleich - um so stetig die Affinität zu den einzelnen Interessen und Aktualität dieser Daten abzuprüfen. Immerhin mussten die jeweiligen Userprofile in den Zielgruppen, so aktuell wie nur möglich sein.

Profile sind aber nicht nur einfache Abbildungen der Einzelnen, keine digital personas oder data shadows mehr. Sie repräsentieren nicht mehr das, was koventionellerweise als >> Individuum <<, im Sinn einer in räumlicher und zeitlicher Hinsicht einheitlichen Identität bezeichnet wird. Die Profile bestehen vielmehr einerseits aus subindividuellen Elementen, jenen Fragmenten des erfassten Verhaltens, die sich für eine bestimmte Anfrage auswerten lassen, ohne dabei den Anspruch zu erheben, eine Person als Ganze zu repräsentieren, und andererseits aus dynamischen Clustern von mehreren Personen, so dass die zu modellierende Person gleichzeitig verschiedene Positionen in der Zeit einnehmen kann.

So hat man die Möglichkeit, eine weibliche Zielperson mit dem Alter XY auf unterschiedlichen Webseiten im Internet zu erreichen. Allerdings wird hier die komplette Zielgruppe mit dazugehörigen Konstanten beworben. Zwar wurde die Reichweite, auf unsere Interessen und gewünschten Zielgruppen eingebucht und begrenzt, aber es bleibt trotz allem noch ein recht großer Streuverlust über. Durch die zeitliche Spreizung werden Vorhersagen wie diese möglich: Eine Person, die bisher x getan hat, wird mit einer Wahrscheindlichkeit von y die Handlung z ausführen.

Genau hier setzt Personen basiertes Marketing an.

Bereits vorhandene Daten werden mit weiteren Metadaten angereichert und für die Ausspielung herangezogen. Damit sind noch genauere Cluster möglich und kann der Streuverlust auf ein Minimum reduziert werden. So kann bspw. die AdvertisingID herangezogen werden, um den Benutzer auf einem anderen Gerät wieder zu erreichen. Sprich Re-Targeting bereits erreichter Benutzer bspw. um zu einem späteren Zeitpunkt den Benutzer erneut mit einer Botschaft zu bespielen.

Zusätzlich zu den unterschiedlichsten Re-Targeting Optionen stehen natürlich weitere Parameter wie GPRS zur Verfügung, um die Botschaft auch am gewünschten Ort auszuspielen oder für erweiterte Footfall Attribution auf Basis von Phasen. Dazu werden im ersten Schritt alle Personen die sich in Ballungszentren befinden markiert und definierte Locations (Points of Interest) definiert. Im zweiten Schritt werden die Points of Interest beobachtet und ebenfalls alle Personen markiert. Im dritten Schritt werden die Übereinstimmungen aus Schritt 1 + 2 identifiziert.

Dadurch ist es möglich auch äußerst komplexe Zielgruppen abzubilden. Da die Daten nicht mehr ausschließlich zur Segmentierung in Zielgruppen gesammelt werden, sondern auf Basis des Clients und der zeitlichen Parameter.

Zusätzlich ist es uns möglich den Client / Benutzer immer persönlicher anzusprechen und auf seine jeweiligen Bedürfnisse zu triggern. Seine individuelle virtuelle Costumer Journey beginnt, er kann immer tiefer in den Funnel gezogen werden, bis der Benutzer schlußendlich zu einem glücklichen Kunden wird.