Autor: BVDW (Yannick Tesche), Facebook (Thorsten Müller-Klockmann), Google (Ludwig Brütting, Daniel Meyer)

• Die Anzahl der möglichen Werbemöglichkeiten und Werbekontakte im Internet ist immens und größer als bei allen anderen Mediengattungen. Selbst die Abfrage nur der wichtigsten Online-Werbeträger würde eine Befragung überfrachten.
• Aus dem Werbeträger-Kontakt alleine kann noch kein Werbemittel-Kontakt abgeleitet werden. Denn durch Targeting, Frequency Capping und andere Besonderheiten der digitalen Werbung ist es wahrscheinlich, dass unterschiedliche Nutzer eines Werbeträgers (z.B. Facebook) selbst bei identischer Nutzungs-Dauer und Nutzungsdatum völlig unterschiedliche Werbung ausgespielt bekommen.

• Das fragmentierte Nutzungsverhalten im Internet führt dazu, dass Nutzer eine Vielzahl von Websites nutzen – viele davon nur gelegentlich oder selten. Im Gegensatz zu Medien wie Radio oder Publikumszeitschriften, bei denen es ein begrenzteres Repertoire an genutzten Werbeträgern und ritualisierte oder regelmäßige Nutzungsgewohnheiten gibt, landen Online-Nutzer auch auf Websites, die sie durch Links oder Suchmaschinen gefunden haben und an deren Nutzung sie sich nicht automatisch bei einer Befragung erinnern können. Ein großer Teil der Werbekontakte wird bei einer Befragung deshalb nicht erfasst.
• Das zunehmend an Bedeutung gewinnende Programmatic Advertising verstärkt die oben genannten Punkte, da u.U. die Plattformen, auf denen die Kampagne ausgeliefert wird, vor Kampagnenstart zum Teil gar nicht bekannt sind.

Neben Intermedia-Studien mit Kontaktmessung, wie sie von den anderen Mediengattungen eingesetzt werden, gibt es zahlreiche andere Methoden zur Erforschung der Werbewirkung. Die Vermarkter Digitaler Werbung setzen im stärkeren Maße Experimente, A/B-Tests, Zeitreihen-Analysen und Marketing-Mix-Modellings ein. Diese Methoden werden an anderer Stelle erörtert. [z.B. künftiges Kompendium Modellings oder Kompendium Experimentelle Forschung]

Der BVDW verfügt mit der „Branding Effects Database“ über eine Kampagnendatenbank, in der Studien mit unterschiedlichen Methoden eingegangen sind. Derzeit liegen Daten für mehr als 230 Kampagnen von über 270.000 Befragten vor.

Dadurch lassen sich einige Aussagen über die Unterschiede zwischen technischer Messung und Befragung aufstellen. Basis sind Befragte, für die ein technisch gemessener Kontakt sicher zuordnen war und gleichzeitig eine Recognition-Abfrage des entsprechenden Werbemittels vorliegt. Über alle Kampagnen hinweg fällt auf, dass diese Gruppe eine Recognition zwischen 10% bis 80% haben. Der Mittelwert liegt bei ca. 25 - 35% Recognition einer Kampagne. Das zeigt, dass die abgefragte Recognition nicht den tatsächlichen Kontakt zuverlässig abbildet.

Beim Einsatz von 3rd-Party-Messungen besteht die Herausforderung in der Erfassung der Werbekontakte “in-app” – dies ist bisher nicht möglich. Dies gilt für alle Formen digitaler Werbung „in-app“, wie bspw. video, audio etc. Gängige Verfahren der Messung von browserbasierter Nutzung (wie etwa der Einsatz von Mess-Software auf dem Endgerät des Befragten oder das Tagging der Werbemittel) funktionieren „in-app“ bislang nicht.

Die Messung von Werbekontakten „in-app“ gelingt aktuell nur über die Advertising Device ID (siehe oben) sowie einer Kooperation mit dem Anbieter der App. Damit gibt es keine einfache Lösung für eine „in-app“ Werbekontaktbestimmung. Allerdings wird in der Branche kontinuierlich an der Lösung des Problems gearbeitet.

• Online-Werbung ist meist nicht-linear - z. B. gibt es keinen Zeitbezug oder Buchungszeitraum. Die Werbemittel werden dynamisch ausgeliefert.
• Auslieferung auf unterschiedlichen Devices. Dies ist relevant, wenn es zu unterschiedlichem Nutzungsverhalten pro Device innerhalb eines Online-Werbeträgers/Plattform kommt.
• Targeting: beschreibend: demo, device, geo (Gebiete bis hin zu einzelnen Geschäften), context; basierend auf Verhalten: re-targeting; abgeleitet: affinity/ interest, emotional, look-alike audiences; etc.

• frequency capping (cross-platform, Kontaktmengen/ -klassen)
• dynamisches Pricing (z.B. Auktionsmodelle)
• verhaltensbasierte Auslieferung (z. B. unterschiedliches Werbeinventar pro Nutzer)

Die komplexen und detaillierten Möglichkeiten des Targetings und programmatisch/auktionsbasierter Auslieferung von digitaler Werbung erschweren häufig die Auswahl von Test- und Kontrollgruppen bzw. ein Modelling.

Allgemein gilt, dass zwischen den Gruppen Strukturgleichheit über alle Variablen herrschen sollte, die bei der Auslieferung der zu messenden Kampagne eine Rolle spielen, bzw. diese Variablen in einem Modeling berücksichtigt werden sollten. Hier kann es beispielsweise um folgende Punkte gehen:

• Demografisches, regionales und/oder Interessenbasiertes Targeting
• Nutzungshäufigkeit der werberelevanten Plattformen (kein Vergleich von „exposed“=heavy user vs „unexposed“=Low or non user!), dies sollte u.a. auch bei der Auswertung verschiedener Kontaktklassen berücksichtigt werden.
• Spezielle Targeting Kriterien, wie z.B.
  • Vorheriger Besuch einer Website oder Betrachtung einer anderen vorgeschalteten Werbung beim Retargeting.
  • Allgemeines Lookalike Targeting, beim dem User, die einer z.B. aus CRM Daten bekannten Kerngruppe über eine große Anzahl verschiedenster Merkmale ähnlich sind, angesprochen werden sollen.
  • Optimierungs-Kriterien, bei denen Algorithmen über die Zeit lernen, User anzusprechen, die eine höhere Wahrscheinlichkeit haben, eine gewisse Reaktion auf die Werbung zu zeigen, wie z.B. anschließende Websitebesuche, App-Installationen, Conversions.

Falls diese genannten Merkmale bei einer Kampagne eine Rolle spielen, sollte darauf geachtet werden, dass zwischen Kontroll- und Testgruppen über alle Punkte Ähnlichkeit herrscht, da ansonsten verzerrte Ergebnisse zustande kämen. Wenn z.B. über Retargeting einem Produkt gegenüber sowieso schon affine Personen angesprochen werden, darf man diese Personen nicht mit einer Kontrollgruppe vergleichen, die diese Affinität nicht haben.

Ein Weg, dies sicherzustellen, ist eine Randomisierung schon bei der Werbeauslieferung, d.h. ein Auslieferungsalgorithmus könnte die Auslieferung an Personen unterdrücken, die alle Kriterien für die Auslieferung erfüllen und würde diese dann der Kontrollgruppe für die Werbewirkungsforschung zuweisen.

Weiterhin ist sicherzustellen, dass parallele Werbekontakte in ggf. nicht messbaren Medien unterschiedlich verteilt sein können und somit auch Unterschiede zwischen Kontroll- und Testgruppe erzeugen könnten, die nicht am eigentlich gemessenen Medium liegen. Der oben beschriebene Randomisierungsansatz würde für eine entsprechende Strukturgleichheit sorgen, da auf diese Weise die Wahrscheinlichkeit für Kontakte in anderen Medien zwischen beiden Gruppen zwar unbekannt, aber zumindest identisch ist.

Für digitale Medien wird empfohlen, Kontakte direkt zu messen. Damit ist eine Kontaktberechnung – anders als bei anderen Medien – nicht nötig; es liegt über die Messung eine 0/1 Information vor.

Eine Kalibrierung oder Gewichtung an externen Vorgaben (wie bspw. einer Währungs-Studie) ist nicht üblich.

Zur Fusion einer technischen Werbekontaktmessung mit einem Befragungsdatensatz liegen bislang kaum Erfahrungswerte vor. Fusionen von digitaler Nutzung mit anderen Datenquellen werden durchgeführt, allerdings vor allem im Bereich der Nutzung von digitalen Inhalten, nicht Werbung.

Die Besonderheiten digitaler Werbung (siehe oben) schränken die Umsetzbarkeit von Datenfusionen deutlich ein. Die Identifikation von geeigneten Bindegliedern ist aufgrund von frequency capping, targeting Optionen etc. deutlich schwieriger als bei anderen Medien.

Grundsätzlich geeignet ist eine technische Messung von digitalen Werbekontakten. Aufgrund der aufgeführten Besonderheiten von digitaler Werbung wird eine Befragung des Werbekontaktes nicht empfohlen.

Beim Einsatz von 3rd party Messungen besteht die Herausforderung in der Erfassung der Werbekontakte “in-app”.

Es ist zu überlegen, ob andere Methoden der Werbewirkungsforschung nicht geeigneter sind als Kontakt-bezogene Intermedia-Studien. Zum Beispiel empfehlen sich Werbewirkungs-Experimente sowie Marketing-Mix-Models (MMMs).