ECommerce Masterminds Podcast  Deep Learning im Retargeting: Wie KI Kunden findet, die Menschen oft übersehen 

Anbieter zum Thema

Arvato Systems GmbH

Marken-MEDIA Iji GmbH

Packsize

Mehr Daten, weniger Bauchgefühl: Wie Deep Learning im Retargeting Nutzer präziser anspricht als klassische Kampagnensteuerung – und warum das auch für den Mittelstand relevant wird, erklärt Daniel Volož von RTB House.

Herr Volož, RTB House ist bekannt als Partner für die ganz großen Player im E-Commerce. Jetzt öffnen Sie Ihre Deep-Learning-Technologie über eine Self-Service-Plattform gezielt für den Mittelstand. Warum gerade jetzt?

Daniel Volož: Drei Faktoren kommen zusammen. Erstens die wirtschaftliche Lage: Der Wettbewerb hat sich verschärft, Lieferketten wurden teurer, und wir haben in den vergangenen Jahren Insolvenzen gesehen – nicht nur im Mittelstand, auch bei großen Unternehmen. Gleichzeitig hält sich der Konsument mit Ausgaben zurück. E-Commerce-Unternehmen brauchen aber Umsatz, um zu bestehen.

Zweitens die Popularisierung von künstlicher Intelligenz. Spätestens mit ChatGPT ist KI im Mainstream angekommen. Das erzeugt einen gewissen Fear of Missing Out: Jeder hat das Gefühl, andere seien technologisch schon einen Schritt weiter. Dabei ist KI kein Selbstzweck, sondern ein Werkzeug, das Menschen einsetzen, um ihre Ziele zu erreichen.

Drittens war die Produktentwicklung anspruchsvoll. Eine Lösung, die für den Kunden einfach wirkt, muss im Hintergrund sehr viel Komplexität abbilden. Bei unserer Enterprise-Lösung übernehmen geschulte Spezialisten die Ausrichtung der KI auf die wirtschaftlichen Ziele des Kunden. In einer Self-Service-Lösung muss die Technologie diese Schritte weitgehend selbst übernehmen und das über ein deutlich einfacheres Interface. Das zu entwickeln, hat Zeit gebraucht.

Fast 95 Prozent der E-Commerce-Unternehmen im DACH-Raum sind KMU. Viele schrecken vor Begriffen wie KI und Deep Learning zurück. Ab wann wird dieses Zögern zum finanziellen Risiko – gerade weil klassische Marketing-Tools ohne Third-Party-Cookies nicht mehr performen?

Daniel Volož: Hier muss ich differenzieren. Google Chrome hält in Deutschland weiterhin über 60 Prozent Marktanteil, dort funktionieren Third-Party-Cookies noch wie gewohnt. In den übrigen rund 40 Prozent der Fälle braucht es Alternativen: kontextuelles Targeting, ID-basierte Lösungen, Login-basierte Verfahren, First-Party-Daten oder LLM-basierte Ansätze. Wir selbst nutzen Large Language Models, um Datenfeeds und Website-Content zu verknüpfen und Nutzer präziser anzusprechen, auch ohne Vorhistorie.

Wichtig ist, die Funktionsweise der jeweiligen Lösung zu verstehen: Auf welche Daten greift sie zu, wie sauber ist sie datenschutzrechtlich? Manche Anbieter arbeiten sehr transparent und datenschutzkonform, andere reizen Grauzonen aus. Weder KI noch Deep Learning sind ein Allheilmittel – aber wer zögert, verliert Potenzial. Wir haben im Enterprise-Bereich Hunderte Inkrementalitätstests durchgeführt: Unsere Kerndisziplin, Retargeting, erzeugt nachweislich Umsatz, den andere Kanäle nicht liefern.

Hören Sie sich das ausführliche Interview mit Daniel Volož in unserem ECOMMERCE MASTERMINDS PODCAST an

RTB House hat eine Case Study mit dem Modehändler fashionette veröffentlicht: 30 Prozent mehr Umsatz im kritischen vierten Quartal, das ROAS-Ziel übertroffen. Wie schafft eine KI das in einem hart umkämpften, saisonalen Markt – wo menschliche Optimierung an ihre Grenzen stößt?

Daniel Volož: Der Vorteil einer KI gegenüber menschlicher Optimierung liegt darin, dass sie deutlich mehr Datenpunkte deutlich schneller verarbeiten kann und dabei nicht auf menschliche Vorannahmen angewiesen ist.

Für die Funktionsweise muss man differenzieren:: Regelbasierte KI arbeitet nach Regeln, die Data Scientists definieren. Sie kombiniert diese Regeln neu, bleibt im Kern aber von der Qualität der Regelsetzer abhängig. Deep Learning, ein neuronales Netzwerk, funktioniert anders: Es lernt aus Beobachtung, nicht aus vorgegebenen Regeln. Deshalb waren große Datenmengen für uns zu Beginn so wichtig.

Vor jeder einzelnen Impression bewertet unsere KI: Wird dieser Nutzer mit welcher Wahrscheinlichkeit konvertieren, und zu welchem ROAS? Dabei erlernt das System die Antworten auf diese Frage aus Beobachtung aller sichtbaren Customer Journeys. Das Lern-Prinzip ähnelt menschlichem Lernen – wer als Kind eine Siamkatze kennenlernt, erkennt später jede andere Katzenrasse ebenfalls als Katze. Die KI überträgt dieses Transferwissen auf Customer Journeys, Warenkorb-Inhalte und Kaufverhalten. Genau dieses Quäntchen mehr macht in umkämpften Situationen wie dem Weihnachtsgeschäft den Unterschied.

DER GESPRÄCHSPARTNER

Daniel Volož ist seit rund achteinhalb Jahren bei RTB House, über fünf davon als Managing Director DACH und begleitete den Markteintritt des Unternehmens in Deutschland, Österreich und der Schweiz. RTB House ist ein führender und weltweit agierender Programmatic Advertising Dienstleister, der eine zu 100 Prozent auf Deep Learning basierte hauseigene DSP betreibt. Das Spektrum bildet den kompletten Funnel von Branding bis zu Retargeting ab, wobei letzteres zu der Königsdisziplin des Unternehmens gehört.

Die neue Plattform wirbt mit dem Wegfall von Mindestbudgets und langfristigen Verträgen. Ist das für ein kleines Team operativ wirklich leistbar – oder braucht es am Ende doch einen teuren Spezialisten?

Daniel Volož: Spezialisten sind grundsätzlich von Vorteil, aber keine Voraussetzung. Unser Anspruch war bewusst, die Einstiegshürde niedrig zu halten: Man muss kein promovierter Data Scientist sein, um die Plattform zu bedienen. Ein Großteil der Steuerung übernimmt die KI selbst.

Wer aber einen Spezialisten hat oder sich einen leisten kann, sollte das tun – selbst eine einfache KI lässt sich dann besser steuern, und Ergebnisse müssen ohnehin ausgewertet und Entscheidungen getroffen werden. Das schafft aber auch ein  guter Allrounder im Performance Marketing. Wer das Thema Online-Marketing im Mittelstand ernsthaft angeht, wird über kurz oder lang eine dedizierte Ressource dafür aufbauen. Unsere Lösung ist schließlich nicht die Einzige, die es zu orchestrieren gilt.

Serie POAS (Profit on Ad Spend) – Teil 1

Das ROAS-Problem im E-Commerce: Mehr Umsatz, aber weniger Gewinn