Wie Datenwissenschaftler die Werbung in sozialen Medien verbessern können

Die Datenwissenschaft explodiert – was nur natürlich ist, angesichts unserer sich ständig verändernden Kultur und der Fähigkeit, alles zu lernen, was mit unseren sich schnell bewegenden Fingern erreichbar ist.

Bedenken Sie zum Beispiel, dass das Internet innerhalb des nächsten Jahres seinen 5-milliardsten Benutzer erreicht haben wird. Inzwischen werden die Menschen etwa 1,2 Billionen Google-Suchen pro Jahr durchführen, um auf die über 1 Milliarde Websites des Internets zuzugreifen.

Bei jeder Google-Suche (und anderen ähnlichen Internetaktivitäten) wird ein Datenfußabdruck erstellt, der mit Informationen über die Interessen, Verhaltensweisen und demografischen Merkmale des Benutzers gefüllt ist. Das bedeutet, dass die Welt in Daten schwimmt. Daher müssen sich viele Martech-Unternehmen, einschließlich Strike Social, auf die Intelligenz von Datenwissenschaftlern verlassen, um herauszufinden, welche Informationen nützlich sind und welche verworfen werden sollten.

Mit Data Science das Unmögliche neu denken

Data Scientists sind oft diejenigen, die die großen Fragen stellen, die scheinbar unmöglich zu beantworten sind. Ihre Neugier ermöglicht es ihnen auch, neue Modelle an der Spitze der Technologie zu entwickeln. Dies erreichen sie durch strukturiertes Experimentieren, wie das Umstrukturieren von Parametern oder das Kombinieren verschiedener Datensätze.

Es ist daher nicht verwunderlich, dass viele Data Scientists einen akademischen Hintergrund haben und über höhere Abschlüsse in Bereichen wie Biologie oder Physik verfügen.

^{Die Datenwissenschaftler Bing Bu, Dmitry Bandurin und Jeongku Lim von Strike arbeiten am Hauptsitz des Unternehmens in Chicago.}

Letzteres ist genau der Fall für das Trio von Datenwissenschaftlern von Strike Social – Dmitry Bandurin, Bing Bu und Jeongku Lim – die alle entweder in Experimental- oder Elementarphysik promoviert sind (d. h. das Studium der Grundbausteine ​​der Materie und ihrer Wechselwirkungen). Bevor sie zu Strike kamen, waren Bandurin, Bu und Lim Forschungswissenschaftler, die sich darauf konzentrierten, Elementarteilchen in großen Kollidern zu zertrümmern, um das Universum zu verstehen.

Jetzt erobern sie die Welt der bezahlten sozialen Netzwerke.

Als Senior Data Scientist bei Strike schreibt Bandurin seinem Forschungshintergrund die Fähigkeit zu, neu zu überdenken, was mit Big Data möglich ist. Und er ist es gewohnt, mit realen, experimentellen Daten zu arbeiten, um neue Ergebnisse zu erzielen.

„Es ist nie dasselbe, und es ändert sich ständig“, sagt er.

Bandurin, Bu und Lim sind sich alle einig, dass Datenwissenschaftler starke mathematische und analytische Fähigkeiten sowie Programmierkenntnisse benötigen, um die Leistungsfähigkeit der KI für bezahlte soziale Netzwerke erfolgreich zu nutzen.

Wie genau sieht ein durchschnittlicher Tag für sie aus? Bandurin schätzt, dass Meetings etwa 25–30 % seiner Zeit in Anspruch nehmen, wobei weitere 10 % für die Zusammenarbeit mit Entwicklern oder die Diskussion neuer Erkenntnisse mit dem Data-Science-Team aufgewendet werden. In der restlichen Zeit konzentrieren sich diese Data Scientists auf das Testen und Entwickeln von Modellen und implementieren sie dann in Prototypcodes.

Bu sagt, dass er auch gerne die Arbeit jedes Tages zusammenfasst und seinen Zeitplan für den nächsten Tag, die nächste Woche oder sogar den nächsten Monat plant, falls ein langfristiges Projekt auf ihn zukommt.

Wie Data Scientists Paid Social verbessern können

Die durch komplexe Modellierung erstellten Cluster helfen Datenwissenschaftlern, ihre Ergebnisse in verwalteten Werbekampagnen zu testen. Die Datenwissenschaftler und Medienteams von Strike arbeiten zusammen, um Mikrokampagnen zu entwickeln, die das diskrete Testen von Datenkombinationen ermöglichen. Wenn eine Kombination die wichtigsten Leistungsindikatoren erfüllt oder erfüllt, werden die Werbeausgaben von leistungsschwachen Anzeigengruppen auf die zielgerichteteren umverteilt.

Die Kampagnenergebnisse werden dann wieder in den Datenmix eingespeist, wo die Wissenschaftler von Strike die statistischen Modelle immer wieder verfeinern, um die Leistung zu verbessern.

Der kontinuierliche Prozess des Abfragens, Modellierens und Testens hört in der Welt der Datenanalyse nie auf – und kann es auch nicht, denn die Daten ändern sich ständig. Wenn Menschen erwachsen werden, gewinnen sie Interessen und legen alte Gewohnheiten ab. Auch die Kultur entwickelt sich weiter, wie verbesserte Kommunikationsmethoden belegen.

Mit der Technologie werden Techniken, die über Jahre perfektioniert wurden, jetzt innerhalb weniger Monate in den Schatten gestellt, wie z. B. das beschleunigte Lerntempo, das mit KI verfügbar ist.

„Angesichts des exponentiellen Anstiegs der Nutzung von Smartphones, Smart-TVs und anderer fortschrittlicher Elektronik ist das Sammeln individualisierter Informationen machbar, was eine gezielte Bereitstellung individualisierter Werbung ermöglichen wird“, sagt Bu. „In Zukunft wird das Netzwerk billiger und die Nutzungsabdeckung wird breiter, sodass das Publikum für Videoanzeigen schnell wachsen wird.“

Ohne den neugierigen Verstand der Datenwissenschaftler von Strike – und ihr unerschrockenes Engagement für Datenexperimente – wären die technologischen Fortschritte der KI nicht möglich.

So verändert ihre Arbeit die Werbung in sozialen Medien.

^{Die Datenwissenschaftler von Strike, Jeongku Lim, Dmitry Bandurin und Bing Bu, haben alle einen Doktortitel in Experimental- oder Elementarphysik.}

Data Science für besseres Publikumsmanagement

Angesichts der enormen Datenmengen, die jede Sekunde erstellt werden, müssen Marketingspezialisten fehlerhafte Ergebnisse durch inhärente Verzerrungen, unvollständige Datensätze oder zu kleine Stichproben vermeiden.

Ein Datenwissenschaftler versteht, dass das Publikum nicht nur auf demografischen Daten basiert, sondern sich aus Menschen mit unterschiedlichen Verhaltensweisen, Schmerzpunkten und Interessen zusammensetzt.

Die Qualitätsdatenanalyse bezieht Verhaltenshinweise aus Cookies, Webanalysen, nutzergenerierten Inhalten und anderen großen Datenquellen ein. Um detaillierte und nützliche Zielgruppen aufzubauen, fusionieren Data Scientists große Datensätze, damit Big Data Segmente bilden kann, die echte Einblicke in das Verhalten ihrer Kunden bieten.

Hochwertige Zielgruppen werden durch Tests in Werbekampagnen verifiziert und hängen von der Aktualität, Häufigkeit und Tiefe der Daten ab.

Denken Sie daran, dass die Erstellung von Zielgruppen mit einer Hypothese beginnt, die auf bekannten Variablen und Zielen basiert. Die anfängliche Annahme eines Versicherungsträgers könnte beispielsweise lauten: Personen im Alter zwischen 18 und 50 Jahren, die eine Online-Autoversicherung suchen und mindestens ein Auto besitzen. Eine gut formulierte Hypothese grenzt Ihre Analyse ausreichend ein und liefert gleichzeitig genügend Ergebnisse, um Erkenntnisse über Verhalten und Motivation zu gewinnen.

Datenwissenschaft für die richtige Attributionsmodellierung

Die richtige Marketingzuordnung oder die Wissenschaft, zu bestimmen, welche Botschaft zu einem Kauf geführt hat, stützt sich auf Daten sowohl von Conversions als auch von Nicht-Conversions. Da diese Daten sehr groß sein können, ist eine erweiterte Modellierung erforderlich, um das Ereignis, das zur Benutzerkonvertierung geführt hat, korrekt zu identifizieren und zuzuordnen.

Dank verbesserter Technologien wie KI verstehen Marken den Kaufweg des Verbrauchers jetzt besser. Mit genügend Daten können Wissenschaftler Marketingkanäle und -geräte durchsuchen, um Kontaktpunkte zu verbessern und Botschaften zu verbessern.

Data Science für bessere Gebote in Echtzeit

Fortschritte bei der Zielgruppensegmentierung und ein tieferes Verständnis von Conversion-Ereignissen haben zur Praxis von RTB geführt, einer Methode zum Kaufen und Verkaufen von Anzeigen. RTB ermöglicht den Kauf einer einzelnen Anzeigenimpression gleichzeitig mit dem Besuch eines Nutzers auf einer Website.

Wenn Sie sich jemals ein Produkt auf einer Website angesehen haben und dann zu Ihrem Social-Media-Feed gewechselt sind, nur um eine Anzeige für dasselbe Produkt zu sehen, haben Sie wahrscheinlich RTB durch eine zielgerichtete Anzeige erlebt.

Oder nehmen wir an, Sie haben Ihr erstes Zuhause gekauft und sind es leid, von Plastiktellern zu essen. Sie beschließen, Macy's online zu besuchen, um nach neuem Besteck zu suchen. Sie sind noch nicht zum Kauf bereit und beschließen, Facebook zu besuchen, um zu sehen, was mit Ihrer Familie und Ihren Freunden los ist. Während Sie durch Ihren Feed scrollen, entdecken Sie eine Anzeige mit dem genauen Bild des Speisetellers, den Sie gerade angesehen haben.

RTB skaliert den Kaufprozess und ermöglicht die direkte Ansprache einzelner Nutzer. Um an dem Prozess teilnehmen zu können, müssen Datenwissenschaftler Zugriff auf riesige Datenmengen haben und über das richtige Fachwissen verfügen, um nützliche Informationen zu sortieren und abzurufen, um umsetzbare Erkenntnisse zu gewinnen.

Wo die Datenwissenschaft hingeht

Manchmal scheint sich das Gebiet der Datenwissenschaft so schnell zu erweitern wie das Universum, das Bandurin, Bu und Lim so viele Jahre lang erforscht haben.

„Data Science wird weiterhin verschiedenen Unternehmen helfen, Probleme zu lösen und die Dinge stärker zu automatisieren“, sagt Bandurin. „Die Entwicklung selbstfahrender Autos ist ein Beispiel – aber auch die Automatisierung anderer Fahrzeuge, einschließlich Flugzeuge, Schachspielen, Hilfe für Menschen mit Behinderungen und echte Androiden in allen Bereichen des menschlichen Lebens.“

Das Ergebnis wird eine völlig neue Welt sein, wie wir sie kennen.