Die Rolle von First-Party-Daten im Machine Learning

By:

Matthew Kaplan

Jedes Machine Learning (ML) braucht Daten, um zu lernen – je mehr, desto besser. Doch damit ein ML-Modell gute Ergebnisse liefert, kommt es nicht nur auf die schiere Menge an Daten an, sondern auf Daten von höchstmöglicher Qualität.

Es war schon immer entscheidend, ML-Modelle mit relevanten First-Party-Daten zu trainieren und kontinuierlich zu versorgen. Doch da sich die Bedingungen für die Erhebung von Nutzerdaten verändert haben – von regulatorischen Anforderungen über Plattformrichtlinien bis hin zum Vertrauen der Öffentlichkeit – und sich auch die Anwendungsfälle gewandelt haben – von der Steigerung der Markenbekanntheit hin zu messbaren, monetarisierbaren Performance-Ergebnissen –, ist eine auf First-Party-Daten ausgerichtete User-Acquisition-Strategie für mobile Apps nicht mehr nur wichtig, sondern absolut unverzichtbar.

Hinweis: Dies ist der erste Beitrag einer Serie zu Machine Learning, Daten und Mobile-Performance-Werbung. Weitere Folgen erscheinen in den kommenden Monaten.

Die Rolle von Daten in der mobilen Werbung

Marketer stützen sich seit Langem auf eine Vielzahl von Informationen, um ihre Zielgruppen über verschiedene Kanäle besser zu verstehen, zu erreichen und anzusprechen. Eine zentrale Quelle sind First-Party-Daten, die AdExchanger definiert als „Daten, die von einer einzelnen Stelle über ihre direkte Beziehung zum Endnutzer erhoben werden“. Bei jedem Nutzerverhalten innerhalb einer App – von Aktionen wie Logins und Klicks über Interaktionen wie Anzeigenaufrufe bis hin zu Conversions wie Abonnements und Zahlungen – wird jede Interaktion dieses Nutzers zu First-Party-Daten für diese App.

In der Vergangenheit wurden diese First-Party-Nutzerinformationen häufig durch Third-Party-Daten ergänzt, die Epsilon definiert als Daten, die „aus einer externen Quelle stammen, die nicht der ursprüngliche Erheber dieser Daten ist“. Im mobilen Ökosystem war eine der am weitesten verbreiteten (und wirkungsvollsten) Quellen für Third-Party-Daten lange Zeit die Werbe-ID, die vom mobilen Betriebssystem auf Geräteebene vergeben wird: die Android ID (ADID) und der iOS Identifier for Advertisers (IDFA).

First- und Third-Party-Daten sind nicht die einzigen Datenquellen. Es gibt auch Second-Party-Daten, also Daten, die von einem Partner bezogen werden, verbunden mit einem gewissen Maß an ausdrücklicher Nutzereinwilligung. Zunehmend ist auch von Zero-Party-Daten die Rede: Informationen, die ein Nutzer freiwillig teilt, unabhängig von seinem Verhalten in der App – etwa Umfragen und Quizze, Nutzereinstellungen und Formulareingaben. Über diese verschiedenen Datenquellen konnten Werbetreibende ein detailliertes Verständnis ihrer Zielgruppen gewinnen und robuste Targeting-Strategien zur Gewinnung neuer Nutzer entwickeln.

Die Rolle von Daten im Machine Learning

Bevor wir uns damit befassen, warum First-Party-Daten heute so wichtig sind, treten wir einen Schritt zurück und betrachten die Bedeutung von Daten für jedes ML-Modell. Ganz gleich, welches Ziel ein ML-Algorithmus verfolgt (also wofür er entwickelt wurde): Seine Performance beruht auf hochwertigen Daten.

Wie das alte Sprichwort sagt: „Garbage in, garbage out.“ Das gilt ganz besonders für Machine Learning. Ohne hochwertige Eingaben kann kein ML-Modell hochwertige Ergebnisse liefern. Daten, die außerhalb des relevanten Rahmens liegen oder falsch gelabelt sind – garbage in –, können zu falschen Ergebnissen führen – garbage out.

Datenqualität ist nicht der einzige entscheidende Faktor – ML-Modelle benötigen auch ausreichend Daten, die unverzerrt, vielfältig und kontextuell relevant sind –, aber sie bleibt zentral. 

Wenn wir beispielsweise ein Modell zur Erkennung von Katzen entwickeln, wären Datensätze mit Bildern anderer gängiger Tiere wie Hunden und Eidechsen notwendig, damit die Maschine lernt, woran man erkennt, dass etwas keine Katze ist. Datensätze mit künstlerischen Darstellungen prähistorischer Katzen oder Daten aus CT-Scans (im Englischen „CAT scans“) könnten das Modell dagegen in die Irre führen, weil ihnen der relevante Kontext fehlt.

Die wachsende Bedeutung von First-Party-Daten

Früher standen Mobile-Performance-Werbetreibenden zahlreiche Quellen hochwertiger Daten zur Verfügung, sowohl First-Party- als auch Third-Party-Optionen. Heute jedoch nehmen Anzahl und Qualität der Third-Party-Datenquellen ab.

Zwischen regulatorischen Änderungen wie der DSGVO in Europa und dem CCPA in den USA sowie Änderungen auf Plattformebene wie Apples AppTrackingTransparency und Googles Privacy Sandbox sind hochwertige Third-Party-Daten für das Mobile-Performance-Marketing knapp geworden. Das ist ein tiefgreifender Wandel für den Bereich der mobilen User Acquisition, da viele Demand-Side-Plattformen (DSPs) bei Zielgruppensegmentierung und Targeting stark auf diese Third-Party-Signale angewiesen waren.

Sich bei mobilen Werbekampagnen auf Third-Party-Datenquellen zu verlassen, hat zudem einen erheblichen Nachteil. Diese Daten sind nicht nur häufig fehlerhaft oder irrelevant, insbesondere wenn sie nicht mit First-Party-Daten kombiniert werden, sondern ihre weitere Nutzung birgt auch rechtliche Risiken und Reputationsrisiken.

Im August 2022 einigte sich die Beauty-Marke Sephora mit dem Büro des Generalstaatsanwalts von Kalifornien auf einen Vergleich in Höhe von 1,2 Millionen US-Dollar, nachdem ihre E-Commerce-App mutmaßlich gegen die Datenschutzanforderungen des CCPA verstoßen hatte. Einen Monat später wurde gegen Instagram ein Bußgeld von 405 Millionen Euro wegen mutmaßlicher Verstöße gegen die DSGVO verhängt.

Selbst wenn es einem Werbetreibenden gelingt, hochwertige Third-Party-Daten zu finden und hohe Bußgelder zu vermeiden, kann deren Einsatz für Werbezwecke die eigenen Endnutzer verärgern oder verprellen. Schließlich geben laut KPMG 86 % der Befragten an, dass Datenschutz für sie ein wachsendes Anliegen ist, während 40 % den Unternehmen nicht zutrauen, ihre Daten ethisch zu verwenden.

Molocos Ansatz für First-Party-Daten

Moloco hat schon immer großen Wert darauf gelegt, First-Party-Daten datenschutzkonform für unsere ML-Modelle zu nutzen. Indem wir die eigenen, einzigartigen First-Party-Daten des Werbetreibenden verwenden, die ganz spezifisch für die jeweilige App sind, können wir die Trainingszeit der Modelle verkürzen und schon vor dem Start einer Kampagne einen kostenfreien Lernansatz anwenden. So erzielen Marketer bereits innerhalb von Tagen oder Wochen den ersten Return on Investment. Das gesamte Budget, das sonst in eine langwierige und teure Trainingsphase fließen würde, kann dann in die Skalierung von Kampagnen und eine höhere Performance investiert werden, die zur Monetarisierung beiträgt. 

Die Nutzung der First-Party-Daten einer App bietet Performance-Marketern viele Vorteile. So werden Kampagnen beispielsweise bei jedem einzelnen Gebot relevanter und zielgenauer.

Auch wenn der Fokus auf First-Party-Daten Vorteile bietet, ist das Volumen an First-Party-Daten oft gering, insbesondere zu Beginn einer Kampagne. Und während das Training mit großen Mengen kontextueller Daten aus einer stabilen Quelle das Garbage-in-Problem ebenfalls vermeidet, kann es leicht zu Verzerrungen führen, wenn neue externe Faktoren wie neue Vorschriften oder neue Datenstrukturen hinzukommen.

Wie die größten Werbeplattformen basiert auch die Machine-Learning-Engine von Moloco auf tiefen neuronalen Netzen, die sofort, iterativ und in Echtzeit optimieren. Wir nutzen Deep-Learning-Technologie, um die rohen First-Party-Daten des Marketers in systeminterne, künstliche Sprachen zu übersetzen. So können wir begrenzte First-Party-Daten zu einem umfangreichen Trainingsdatensatz skalieren (Generalisierung), mit dem die Modelle lernen, eine starke Performance zu erzielen – und Renditen zu erreichen, die aufgrund dieser Datenbeschränkungen nur wenige andere annähernd erzielen können.

Darüber hinaus beginnen wir bereits vor dem Kampagnenstart, unsere Modelle mit Ihren rohen First-Party-Daten zu trainieren. Unsere Modelle lernen, welche Eingaben zu einem gewünschten Ergebnis führen, noch bevor in Ihrem Auftrag eine einzige Impression eingekauft wird. Im Gegensatz dazu warten herkömmliche DSPs, bis sie genügend positive Beispiele erhalten haben, um ihre Modelle zu trainieren – ein Prozess, der Monate oder Quartale dauern kann, bis sich ein Return on Ad Spend (ROAS) einstellt.

Und während Datenschutzvorschriften die Werbetechniken auf den Kopf stellen, auf die Marketer bisher gesetzt haben, um ihre Nutzerbasis auszubauen, Nutzer zu Aktionen zu bewegen und inaktive Nutzer zurückzugewinnen, bietet Moloco eine bessere Alternative zu Third-Party-Daten, die von Endnutzern eher akzeptiert wird. Unsere Inferenzmodelle bewerten Bid Requests, um festzustellen, ob der Nutzer voraussichtlich die Kampagnenziele eines Werbetreibenden erfüllt, und berechnen einen Gebotspreis, der im festgelegten Budget bleibt. Für diese Bewertung benötigen wir keine IDFA-Daten. Und in Erwartung weiterer Änderungen an den iOS-Richtlinien bietet Moloco bereits spezifische Optionen für SKAN-Traffic.

Wenn Sie mehr über die ML-Modelle von Moloco erfahren möchten – warum sie in der Branche einzigartig sind und wie sie Performance-Marketern zum Erfolg verhelfen –, sichern Sie sich Ihr kostenloses Exemplar unseres Machine-Learning-Leitfadens. Laden Sie unseren Leitfaden herunter und erfahren Sie, wie eine DSP mit Machine Learning in Kombination mit tiefen neuronalen Netzen Ihre Performance-Marketing-Ergebnisse steigern kann.

Einladung zum Download von „Machine learning for performance marketers: a primer“.

Explore More