Social Media Ad Targeting & Analytics

Auch mit einer durchdachten und gut umgesetzten Contentstrategie ist es mittlerweile nicht mehr möglich, mehr als ein paar wenige Prozent der eigenen Follower in den sozialen Netzwerken zu erreichen (vgl. z.B. die monatliche Facebook Organic Reach Rate Benchmark). Ein Überfluss an Inhalten, zunehmende Konkurrenz und die Macht der Plattformbetreiber zwingen Marken praktisch dazu, Geld für bezahlte Platzierungen auszugeben. Das kann einerseits in Form von klar erkenntlichen Anzeigen erfolgen oder in Form von Native Advertising, also gesponserten Beiträgen, die sich im Hinblick auf Form und Ausdruck nicht von organischen Inhalten unterscheiden.

Bezahlte Platzierung bietet allerdings auch einige Vorteile. So können Anzeigen mit konkreter Zielsetzung, wie etwa das Klicken auf einen Website-Link oder das Sammeln von E-Mail-Adressen, erstellt werden. Oder es können mittels Ad Targeting ganz gezielt ein bestimmter – auch über die eigenen Follower hinausreichender – Personenkreis angesprochen werden.

Ad Targeting Ansätze

Im Folgenden werden verschiedene Ansätze für Ad Targeting präsentiert.

Kontextuelles Targeting

Dabei zielen Werbetreibende auf einen Kontext ab, anstatt direkt auf Personen. Dieser Ansatz ist vergleichbar mit kontextbezogener Werbung in der physischen Welt, beispielsweise dem Schalten von Anzeigen in einem Fachmagazin, einem TV-Sender oder an einem bestimmten Ort. Im Zusammenhang mit sozialen Netzwerken spielt dieser Targeting-Ansatz in erster Linie bei der Wahl der passenden Plattform eine Rolle. So werde beispielsweise seriöse Inhalte, die an ein business-orientiertes Zielpublikum gerichtet sein sollen, eher auf LinkedIn geschalten, während Imageaufbau bei einer jungen Zielgruppe wohl besser auf Instagram oder TikTok funktioniert.

Demografisches Targeting

Werbetreibende richten sich an Konsument:innen auf Grundlage deren demografischer Merkmale wie beispielsweise Alter, Geschlecht oder Sprache. Da User:innen in soziale Netzwerke eine Vielzahl solcher Daten preisgeben, können diese auch für Targeting genutzt werden. Je nach Social Media Plattform kann allerdings die Qualität dieser selbst preisgegebenen Informationen variieren. So sind üblicherweise Informationen zum Beruf auf LinkedIn akkurater und aktueller, als beispielsweise in einem Instagram oder TikTok Profil.

Eine Subkategorie des demografischen Targetings ist das Geo-Targeting, welches aufgrund der Verfügbarkeit der geografischen Lage der/-s User:in möglich geworden ist. Die Zuordnung erfolgt beispielsweise über Zuordnung durch GPS, IP-Range oder Mobilfunknetz-Triangulation.

Eine weitere Subkategorie des demografischen Targetings ist technisches Targeting, bei dem technische Informationen helfen, den sozio-demografischen Kontext der User:in genauer zu definieren. So kann man beispielsweise davon ausgehen, dass Verwender:innen des neuesten iPhones über ein höheres Einkommen verfügen. Die Möglichkeit nach bestimmten Smartphone-Modellen zu targeten bietet sich beispielsweise bei Meta (Facebook und Instagram) oder YouTube. TikTok ermöglicht darüber hinaus gleich ein Targeting nach dem Anschaffungspreis des Smartphones.

Targeting aufgrund des Suchverhaltens

Bei dieser Methode werden Anzeigen gezielt aufgrund des Suchverlaufs einer/-s bestimmten Benutzer:in geschalten. Diese Möglichkeit ist umso interessanter, je mehr Suchdaten zur Verfügung stehen. Hier hat ganz klar Alphabet einen Vorsprung. Nicht nur, weil YouTube die zweithäufig genutzte Online-Suche weltweit ist und direkt auf der Plattform viele Suchdaten generiert werden. Sondern auch die Daten der Google Suchmaschine selbst werden für YouTube Ad Targeting herangezogen und so besteht beispielsweise die Möglichkeit, Werbung an Personen auszuspielen, die gerade eine Immobilie kaufen wollen oder eine Heirat planen.

Verhaltensbasiertes Targeting

Dieser Ansatz spielt in sozialen Netzwerken eine besonders große Rolle, da aufgrund der hohen Nutzung Unmengen an Daten gesammelt werden. So lassen sich Interessen beispielsweise aus explizit abgegebenen Likes und Kommentaren ableiten, aber auch schon das kurze Stoppen bei einem Beitrag während des Scrollens durch den Newsfeed liefert einen weiteren verwendbaren Datenpunkt. Außerdem sind diese Daten auch Input für selbstlernende Algorithmen, die aufgrund von Verhaltensdaten Prognosen über die Wahrscheinlichkeit weiteren Verhaltens ermitteln z.B. die Wahrscheinlichkeit den Link in einer Anzeige zu klicken.

Die aufgrund des Userverhaltens generierte Kategorisierungen stoßen allerdings auch an Grenzen. Wenn Sie beispielsweise das Urlaubsfoto Ihres Bekannten vor dem Guggenheim Museum in Bilbao liken, so kann der Algorithmus nicht feststellen, ob Sie ein Fan moderner Architektur sind, ordnet Ihnen diese Interessenskategorie aber möglicherweise zu. Machen Sie sich selbst ein Bild der Treffsicherheit dieser Algorithmen, in dem Sie sich in Ihren Facebook Account einloggen und die Ihnen zugeschriebenen Interessenskategorien in den Anzeigeneinstellungen begutachten.

Re-Targeting

Re-Targeting ist auch eine Form von verhaltensbasiertem Targeting. Es ermöglicht die Ausspielung von Anzeigen an User:innen, die zuvor eine bestimmte Handlung gesetzt haben. Innerhalb eines sozialen Netzwerks kann das beispielsweise das Anschauen eines bestimmten Videos sein z.B. möglich bei Facebook, Instagram, YouTube oder TikTok. Es ist aber auch möglich, dass Handlungen außerhalb der jeweiligen Plattform miteinbezogen werden z.B. der Besuch einer bestimmten Website. Dafür muss die Datensammlung auf diese Webseiten ausgedehnt werden. Dies erfolgt beispielsweise im Meta-Universum über den Facebook Pixel (client-seitiges Tracking) oder die Conversion API (server-seitiges Tracking).

Targeting aufgrund von Kontaktelisten

Üblicherweise müssen sich User in sozialen Netzwerken per E-Mail-Adresse registrieren. Zu Targetingzwecken ist es jetzt auf einigen Plattformen möglich, dass Werbetreibende E-Mail-Listen (z.B. Newsletter-Verteiler oder ein Kundenstamm eines Webshops) hochladen, welche dann mit den Mail-Adressen der User-Accounts abgeglichen werden. So können Zielgruppen erstellt werden, die sehr spezifisch für diese Werbetreibenden sind. Voraussetzung, dass E-Mail-Listen bei Sozialen Netzwerken hochgeladen werden dürfen, ist die vorige Zustimmung zur Datenweitergabe durch die User:innen.

Algorithmisch erstelltes Targeting

Im Meta-Universum (Facebook und Instagram) können sogenannte Lookalike Audiences erstellt werden. Das ist eine Möglichkeit, neue Leute zu erreichen, die wahrscheinlich an Inhalten interessiert sind, weil sie Menschen ähnlich sind, die es bereits sind. Dafür identifizieren Algorithmen die gemeinsamen Qualitäten von Personen in einer bereits definierten Zielgruppe und finden Personen, die diesen ähnlich sind („wie diese aussehen“).

Social Media Ad Analytics

Die wichtigsten Kennzahlen

Die wichtigsten Kennzahlen zur Bewertung der Effektivität von Social Media Ads sind:

• Ad impressions: Eine Ad Impression wird immer dann gemeldet, wenn eine einzelne Anzeige angezeigt wird und diese potentiell gesehen werden kann.
• Click: Ein Click wird gezählt, wenn ein:e User:in auf eine Anzeige klickt.
• Click-through-rate (CTR): Die Click-through-rate ist die Anzahl an Ad Clicks dividiert durch die Anzahl der individuellen Ad Impressions. Ad CTR = Clicks / Ad Impressions
• Conversion rate (CVR) ist der Prozentsatz jener Leute, die auf eine Anzeige geklickt und anschließend ein gewünschtes Verhalten an den Tag gelegt haben z.B. einen Kauf getätigt oder einen Newsletter abonniert haben.

Zahlreiche weitere Metriken aus dem digitalen Marketing spielen auch im Social Media Bereich eine Rolle. Dazu mehr in diesem Beitrag.

Ansätze zur Bezahlung von Social Media Ads

Die wichtigsten Ansätze zur Bezahlung von Social Media Ads sind:

• CPM (Cost per mille): Gesamtkosten = (Anzahl Impressionen x CPM) / 1.000
  Bezahlt wird hier für die Ausspielung der Ad unabhängig von Benutzerinteraktionen (z.B. Klicks)
• CPC (Cost per Click = Kosten pro Klick): Gesamtkosten = Klicks x CPC
  Es wird nur für Aktion der User (klicken) bezahlt

Es gibt aber noch eine Reihe weiterer Ansätze, wie Social Media Ads bezahlt werden können. Allerdings kommt es auf die jeweilige Plattform darauf an, ob Anzeigenkauf nach diesen Ansätzen auch angeboten werden. Vor allem im Meta Universum wird hier eine breitere Vielfalt angeboten.

• CPL (Cost per Lead = Kosten pro Anfrage)
  Werbetreibende zahlen, wenn ein Leadformular ausgefüllt und übermittelt wird. Facebook bietet hierfür beispielsweise die Möglichkeit, eigene Formulare zu erstellen und E-Mail-Adressen zu sammeln.
• CPS (Cost per Sale = Kosten pro Verkauf)
  Hier zahlen Werbetreibende für einen getätigten Kauf getätigt. Diese Möglichkeit wird beispielsweise von Facebook angeboten. Allerdings dient diese Kennzahl in erster Linie dem Reporting, tatsächlich abgerechnet wird nach CPM d.h. auch wenn kein Verkauf getätigt wird, zahlen Werbetreibende.
• CPI (Cost per Installation = Kosten pro Installation)
  Auch diese Möglichkeit wird von Facebook für die Vermarktung von mobile Apps angeboten.
• CPA (Cost per Action = Kosten pro Aktion)
  Hier zahlen Werbetreibende für Benutzerinteraktionen, im Meta Universum beispielsweise für Post Interaktionen (Likes, Kommentare, Shares) oder angeschaute Videos.

Analyse der Ad Performance

Vielfältige, konfigurierbare Reports im Werbeanzeigenmanager bieten Kennzahlen und Visualisierungen. Diese ermöglichen den Vergleich von Kampagnen, Zielgruppen oder einzelnen Ads, um deren Effektivität beurteilen und die Marketingmaßnahmen im Laufe der Zeit auch optimieren zu können. Neben den bereits erwähnten Kennzahlen, finden sich hier noch weitere wichtige Performance Indikatoren, wie beispielsweise die Reichweite (die Anzahl der einzigartigen User:innen, welche die Anzeige gesehen haben), Ad Häufigkeit (wie oft wurde die Anzeige im Durchschnitt einer/-m User:in ausgespielt).

Allerdings ist auch zu beachten, dass es für eine umfassende Bewertung, insbesondere im eCommerce-Kontext, unerlässlich ist, auch Daten miteinzubeziehen, welche außerhalb der jeweiligen Social Media Plattform generiert werden. So reicht es nicht, zu wissen, wie viele User:innen über eine Ad in den Webshop geführt wurden, sondern auch, wie lange sie sich dort aufgehalten haben (Verweildauer), wie viele Seiten sie aufgerufen haben (Page Impressions) und ob sie schlussendlich auch etwas gekauft haben (Conversions). Diese Daten können nur an Social Media Plattform zurückgespielt werden, wenn einerseits im Webshop Maßnahmen zum Tracking implementiert wurden (z.B. via Facebook Pixel und Conversion API) und wenn darüber hinaus entsprechende Events konfiguriert wurden, für User-Interaktionen wie beispielsweise „zum Warenkorb hinzugefügt“, „Checkout begonnen“ oder „Kauf getätigt“.

Dos und Don'ts

Klare Marketingziele (nicht nur Ad Ziele!) setzen und deren Erreichung auch messen:
Je nach Gestaltung und Konfiguration einer Ad können unterschiedliche Ziele, wie beispielsweise Reichweite, User Engagement, Web Traffic oder Sales Conversions erreicht werden. Allerdings reicht es nicht, die Performance nur auf der Social Media Plattform zu evaluieren. So ist es zwar schön und gut wenn eine Ad, die Traffic in den Webshop bringen soll, einen hohen CTR bei gleichzeitig niedrigem CPC aufweist. Wenn allerdings ein Großteil der dadurch gewonnenen User*innen  weniger als 10 Sekunden im Shop verweilen und keine weitere Seite aufrufen, dann hat diese Ad das Ziel der Kundengewinnung klar verfehlt.

Ads passend zu einer realistisch modellierten Customer Journey aufsetzen (und nicht anhand des eigenen Wunschdenkens):
Wenn ich als Webshop-Betreiber Social Media Ads einsetze, um meine Umsätze anzukurbeln, dann wäre es natürlich wünschenswert, eine einzige Ad zu schalten, welche User:innen sofort zum Kauf bewegt. Oftmals entspricht das aber dem Wunschdenken der/-s Shopbetreiber:in, nicht dem tatsächlichen Userverhalten. Die Realität schaut meist komplexer aus und bedarf daher einer ausgeklügelteren Strategie. Hier ein Beispiel, wie ein solche Strategie aussehen könnte: In einem ersten Schritt wird eine Video Ad geschalten, welche Interesse wecken soll (Awareness). Für das Targeting könnte hier ein interessensbasierter Ansatz verwendet werden. Erst in einem nächsten Schritt werden interessierte User:innen auf die Website gebracht, um dort weiterführende Inhalte zu konsumieren (Consideration). Das Targeting könnte hier durch eine Custom Audience, basierend auf den Video Views erfolgen. In dieser Ad wird aber auch noch nicht der Verkauf forciert, sondern die Vorzüge der Marke und deren Angebot beworfen und User:innen dazu angehalten, sich mehr zu informieren. Erst in einem dritten Schritt könnte dann eine Re-Targeting Ad eingesetzt werden, ein konkretes Kaufangebot zu unterbreiten (Conversion).

Vermeiden Sie breite Interessenskategorien, da diese oft nicht sehr treffsicher sind
Wie Sie im obigen Beispiel unter verhaltensbasiertem Targeting bereits erfahren haben, muss eine Zuordnung zur Interessenskategorie „moderne Architektur“ nicht zwangsläufig dem Interesse der User:innen entsprechen. Das gilt auch für viele weitere sehr breit gefasste Interessen wie Reisen, Fotografie oder Schifahren. Fokussierte Kategorien, die nur für Ihre Zielgruppe relevant sind, helfen Ihnen dabei, Streuverluste zu vermeiden (vgl. dazu den „But no one else would“ Trick auf DigitalMarketer).

Teste, testen, testen
Durchdachte Kommunikations- und Targeting-Konzepte, sowie kreative umgesetzte Texte, Bilder und Videos helfen natürlich dabei, effektive Anzeigen zu veröffentlichen. Der entscheidende Faktor ist aber immer noch das Userverhalten. Wie reagieren die von mir angesprochenen User:innen auf die Anzeige und kann ich meine Marketingziele tatsächlich erreichen? Anstatt ewig an der perfekten Anzeige zu tüfteln, führt eine Umsetzung mehrerer Ad-Ideen und  anschließenden Split-Tests eher dazu, zu Anzeigen  zu gelangen, mit denen die gesteckten Ziele auch tatsächlich erreicht werden können. Insofern sollten Ads auch immer in mindestens 2 Phasen geschalten werden: zuerst eine Testphase in der verschiedene Ideen, Targeting-Ansätze und/oder Varianten der Creatives getestet werden. Der Großteil des Budgets wird dann in Phase 2 auf die Best-Performer gesetzt.

Weiterführende Literatur

• Finlay, S. (2014). Predictive analytics, data mining and big data: Myths, misconceptions and methods. Springer.
• Jacobson, J., Gruzd, A., & Hernández-García, Á. (2020). Social media marketing: Who is watching the watchers?. Journal of retailing and consumer services, 53, 101774.
• Kim, T., Barasz, K., & John, L. K. (2019). Why am I seeing this ad? The effect of ad transparency on ad effectiveness. Journal of Consumer Research, 45(5), 906–932.
• Knoll, J. (2016). Advertising in social media: a review of empirical evidence. International journal of Advertising, 35(2), 266-300.
• Lambrecht A., Tucker C. (2013) When does retargeting work? information specificity in online advertising. Journal of Marketing Research 50(5), 561–576.
• Voorveld, H. A., Van Noort, G., Muntinga, D. G., & Bronner, F. (2018). Engagement with social media and social media advertising: The differentiating role of platform type. Journal of advertising, 47(1), 38-54.