Auswahl der passenden Kampagne

Nutzer-Analyse (Nutzerklassifikation)

Die jüngste Historie des Nutzers in der aktuellen Session liefert wichtige Anhaltspunkte für die Kampagnenauswahl und insbesondere die Gestaltung und Ansprache im Werbemittel. Hierzu sind zunächst konkrete Merkmale zu identifizieren, ihre technische Ableitbarkeit zu klären, auszuwählen und zu Merkmal-Sets zusammenzufassen. Die jeweiligen Kontexte werden sowohl thematisch erfasst, als auch in Bezug auf ihre Auswirkungen auf Stimmung oder Verhalten des Nutzers untersucht. Ergänzend ist auch ein Konzept zur Verwaltung von Session- Informationen über Cookies beim Nutzer zu entwickeln.

Die vom Behaviour-Targeting-Anbieter United Internet Media AG (Anbieter des Open Source Systems TGP) bereits verfügbaren Nutzerprofile, die aus der Session-übergreifenden Nutzer-Historie gewonnen werden, sollen ebenfalls in das Targeting in AdMotional mit einfließen.

Zur Erfassung und Beschreibung des Einflusses einer Web-Site auf die Stimmung des Nutzers sollen in Zusammenarbeit mit der Universität Bonn die bekannten Modelle zur Beschreibung von Emotionen bzw. Stimmungen auf ihre Anwendbarkeit für AdMotional überprüft, ggfs. erweitert / angepasst und so ein geeignetes Modell zur Klassifikation von Emotionen bzw. Stimmungen entwickelt werden. Darauf aufbauend sind Verfahren zur Abbildung der Information über die besuchte Web-Site auf das Stimmungsmodell zu entwickeln (Emotionale Klassifikation). Dazu sind Untersuchungen an Probanden unter Laborbedingungen notwendig, welche von der Universität Bonn (Klinik für Epileptologie, Medizinische Fakultät der Rheinischen Friederich-Wilhelms Universität) mit Hilfe der funktionellen Kernspintomographie durchgeführt werden.

Einbindung weiterer Informationsbestände

Neben Kontext- und Nutzer-Informationen sollen weitere Informationen zum Targeting herangezogen werden können. Dazu gehören u.a. Geo-Informationen (Lokalisierung), Wetterdaten und z.B. aktuelle Konzertveranstaltungen. Diese sind auf ihre Eignung (Bezug zum Targeting) und Verfügbarkeit (technisch und wirtschaftlich) hin zu untersuchen. Eine weitere Herausforderung in diesem Arbeitspaket besteht darin, die anzubindenen Datenbestände performant zur Verfügung zu stellen. Um das optimale Targeting einer breiten Masse von mobilen Endgeräten zugänglich zu machen, soll neben der Erfassung der Position per GPS auch die Lokalisierung per WLAN-Hotspots und anhand der Mobilfunk- Funkzellen-IDs auf ihre Eignung und Anwendbarkeit für AdMotional untersucht werden.

Regelbasiertes, lernfähiges Targeting

Ziel ist die Untersuchung der Anforderungen an und Definition Auswahl einer Regelsprache, mit der die Abhängigkeiten zwischen nutzerspezifischen und Landing-Page-bezogenen Eigenschaften durch logische Ausdrücke repräsentiert werden können. Desweiteren ist ein Wissensverarbeitungsverfahren zu identifizieren, mit dem aus diesen Abhängigkeiten zwischen o.g. Informationen und der emotionalen Stimmung des Nutzers sowie daraus ableitbarem Verhalten (Click oder Action) deduktiv eine Wissensbasis aufgebaut werden kann, die Schlussfolgerungenfür das Ausspielen der Kampagne erlaubt.

Zentrale Aufgabe des klassischen Targeting ist es, die jeweils am besten geeignete Kampagne und das entsprechende Werbemittel auszuwählen – abhängig von Kampagnenzielen und interner Kampagnenoptimierung sowie einfachen Kriterien wie statischem Kontext (sog. Channels), Zeit und Ort (IP-Targeting bzw. Lokalisierung). Unter Berücksichtigung aller berücksichtigten Kriterien sind die passendste Kampagne und Parameter zur Gestaltung des Werbemittels auszuwählen. Diese Auswahl erfolgt regelbasiert. Die einzelnen Targeting-Regeln enthalten einerseits logische Ausdrücke über Bedingungen an einzelne Targeting-Kriterien und andererseits aus den erfüllten Kriterien abgeleitete Werte für die Gestaltungsparameter zur Werbemittelauswahl bzw. -generierung.

Für den zu entwickelnden Regelmechanismus sind die zunächst zu berücksichtigenden Targeting-Kriterien auszuwählen. Eine Beschränkung wird aus Komplexitätsgründen notwendig sein; weitere Kriterien können aber im Zuge der empirischen Überprüfung der Relevanz dieser Kriterien hinzukommen und andere, als weniger relevant nachgewiesene Kriterien, ersetzen. Ziel dieses Arbeitspaketes ist die Entwicklung und Anwendung einer Methodik, um die Targeting-Relevanz der unterschiedlichen in AdMotional einfließenden Informationen – von Emotion über Kontext, Session-Historie und anderen bis hin zur Uhrzeit – beurteilen und im Idealfall messen zu können.

Zur Optimierung des Targetings soll der Regelmechanismus um eine Rückkopplung des Targeting-Erfolgs erweitert werden. Dazu ist nach erfolgter Werbemittelausspielung festzustellen, ob die gewünschte Wirkung (Click oder Action) erfolgt ist. Wenn ja, so wird die entsprechende Targeting-Regel bestärkt. Auf diese Weise wird der Regelmechanismus lernfähig.