Werbetreibende auf Facebook kennen das Problem bei Automatisierung über Anzeigegruppen, Platzierungen und Werbeanzeigen: die Beurteilung der Leistung einer Kampagne ist schwierig und komplex.
Werbetreibende auf Facebook kennen das Problem bei Automatisierung über Anzeigegruppen, Platzierungen und Werbeanzeigen: die Beurteilung der Leistung einer Kampagne ist schwierig und komplex. Und die reine Betrachtung der Kennzahlen offeriert nicht immer Klarheit auf den ersten Blick und sorgt gerne für Verwirrung, häufig scheint es, als ob das System Impressionen zu Gunsten von schlechter abschneidenden Anzeigengruppen, Anzeigen oder Platzierungen verschiebt. Allerdings maximiert das Werbesystem von Facebook die Anzahl der Kampagnenergebnisse basierend auf der gewählten Anzeigengruppenoptimierung. Diese mögliche Fehldeutung wird auch als Breakdown-Effekt oder Aufschlüsselungseffekt gekennzeichnet.
Das Auslieferungssystem von Facebook nutzt Frequenzen und Gebote bei der Auslieferung von Werbeanzeigen. Mithilfe der Frequenzen wird gewährleistet, dass das Budget über die gesamte Laufzeit ausreicht. Die Funktion “Rabattfrequenz” senkt das Gebot, um die günstigsten Resultate zu erzielen. Gleichzeitig stellt aber Facebook sicher, dass das gesamte Budget bis zum Kampagnenende ausgegeben wird.
Während der Laufzeit einer Kampagne gibt es nur eine bestimmte Menge an Optimierungs-Events, für die das Budget ausreicht. Bei einem kleineren Budget ist es für das System von Facebook einfacher, dieses mithilfe von rabattierten Geboten vollständig für die günstigsten Events auszugeben. Bei einem grösseren Budget identifiziert Facebook zusätzliche Optimierungs-Events, um optimale Ergebnisse zu erzielen. Sobald Facebook die kostengünstigsten Events realisiert hat, muss die Plattform zu teureren Events übergehen, was bedeutet, dass Facebook die Gebote möglicherweise nicht mehr so stark (oder überhaupt nicht mehr) rabattieren kann. Die durchschnittlichen Kosten pro Optimierungs-Event steigen dann üblicherweise an. Trotzdem wird versucht, dass Events zu den günstigsten Kosten erreicht werden.
Das Auslieferungssystem von Facebook verwendet maschinelles Lernen, um die Auslieferung und das Management von Impressionen über Platzierungen, Werbeanzeigen und Anzeigengruppen übergreifend zu automatisieren. Facebook erzielt so optimale Ergebnisse. Die Automatisierung mithilfe von maschinellem Lernen führt zu besseren Ergebnissen als ein manuelles Kampagnenmanagement. Führ Werbetreibende bedeutet dies gleichzeitig Zeitersparnis beim Verwalten von Facebook-Kampagnen.
Zum Breakdown-Effekt, oder eben Aufschlüsselungseffekt kommt es, wenn sich Systemautomatisierung und Rabattfrequenz überschneiden. Erklären lässt sich der Aufschlüsselungseffekt am einfachsten anhand einem fiktiven Beispiel, in welchem stark vereinfacht der Effekt aufgezeigt wird.
Beim Start einer Kampagne mit dem Ziel “Conversions” werden zwei Platzierungen für die Werbung mit einer einzelnen Werbeanzeige ausgewählt: Facebook Stories und Instagram Stories. Das Gesamtbudget liegt bei 500 € für eine einzelne Anzeigruppe. Das Budget wird dabei auf Anzeigengruppenebene festgelegt.
Zum Start der Kampagne liefert das System von Facebook die Werbeanzeigen auf beiden Platzierungen aus, um zu testen, welche Platzierung dabei die besten Ergebnisse in einer Zielgruppe liefert. Diese erste Phase nennt man Lernphase.
Zum Beginn liefern Facebook Stories günstigere Resultate, dann identifiziert das System von Facebook einen Wendepunkt, ab dem die Kosten pro Akquise (CPA) in den Facebook Stories höher werden als die Kosten pro Akquise bei den Instagram Stories.
Am ersten Tagen liegt der CPA bei Facebook Stories bei 0.35 € und bei den Instagram Stories bei 0.72 €. Im weiteren Verlauf der Kampagne erhielten dann die Instagram Stories trotz den höheren Kosten pro Akquise einen grösseren Anteil des Budgets. Zum Ende der Kampagne stellt sich heraus, dass die Instagram Stories Platzierung deutlich mehr aus dem Budget herausgeholt hat, als die Facebook Stories, obwohl Facebook Stories zum Start hin die niedrigeren Kosten pro Akquise erzielt haben.
Die Resultate:
Platzierung | CPA | Ausgaben |
---|---|---|
Instagram Stories | 1,46 € | 450 € |
Facebook Stories | 1,10 € | 50 € |
Tag | CPA auf Instagram | CPA auf Facebook |
---|---|---|
1 | 0,72 € | 0,35 € |
2 | 0,78 € | 0,50 € |
3 | 0,88 € | 0,75 € |
4 | 1,02 € | 1,10 € |
5 | 1,20 € | 1,55 € |
6 | 1,42 € | 2,10 € |
7 | 1,68 € | 2,75 € |
8 | 1,98 € | 3,50 € |
9 | 2,32 € | 4,35 € |
10 | 2,70 € | 5,30 € |
Vor dem Moment, wo die Kosten noch niedriger auf Facebook waren als auf Instagram, gibt das System 50 € für Facebook Stories und 50 € für Instagram Stories aus. Nach dem das System erkennt hat, dass die Akquisekosten auf Facebook Stories schneller ansteigen als bei Instagram Stories, wird das restliche Budget von 400 € in Richtung Instagram Stories verschoben, um über die Kampagnenlaufzeit einen günstigeren CPA zu erzielen. Aus der Tabelle kann man entnehmen, dass Facebook Stories vor dem vierten Tag günstigere CPA erzielt haben. Die Kosten wären jedoch schneller angestiegen als in Instagram Stories. Wie man sehen kann, steigen die Kosten für Facebook Stories bis zum zehnten Tag auf 5.30 €. Die Kosten für Instagram Stories hingegen lagen bei der Hälfte.
Zum Beginn der Kampagne wurden die Werbeanzeigen vom System auf beiden Plattformen ausgeliefert, um festzustellen, wo die günstigsten Resultate zu finden waren. In der Lernphase konnten die die kostengünstigsten Ergebnisse erzielt werden, da das System diese durch den Rabattfrequenz-Ansatz zu Beginn bevorzugt. Im durchgespielten Beispiel erkannte das System, dass Facebook Stories zwar zu Beginn die besten Ergebnisse erzielten, im Verlauf der Kampagne die Kosten aber steigen würden. Aufgrund dieser erwarteten Steigerung der Kosten änderte das System die Strategie und verschob das Budget zu Gunsten von Instagram Stories. Durch die Budgetverschiebung konnte ein besserer durchschnittlicher CPA für die Kampagnenlaufzeit erzielt werden. Das System hat also mehr Conversion erzielt und somit die richtige Entscheidung getroffen.
Bei dieser Methode kann es vorkommen, dass das Reporting nicht mit den Erwartungen übereinstimmt. Wenn bei diesem Beispiel nur der CPA im Werbeanzeigenmanager angeschaut wird, könnte der Eindruck entstehen, dass die Platzierung mit dem niedrigeren durchschnittlichen CPA weniger Budget erhalten hat. Entsprechend kann es zu Verwirrung führen, da es so aussieht, als sei eine falsche Entscheidung getroffen worden. Das System von Facebook hat jedoch Budget in Echtzeit in Richtung Instagram Stories verschoben, dadurch konnten bessere Ergebnisse erzielt werden.
Bei mehreren gleichzeitigen Anzeigengruppen, Platzierungen und Werbeanzeigen empfiehlt Facebook, bei der Auswertung die Gesamtergebnisse heranzuziehen. Wenn beispielsweise die Optimierung des Kampagnenbudgets verwendet wird, versucht das System von Facebook, die höchstmögliche Anzahl an Ergebnissen über alle Anzeigengruppen hinweg zu liefern. Um den Erfolg richtig beurteilen zu können, müssen die Ergebnisse also auf Kampagnenebene betrachtet werden.
So bewertet man die Ergebnisse der automatisierten Lösungen im Werbeanzeigenmanager richtig:
Der Breakdown-Effekt, bzw. Aufschlüsselungseffekt führt im Werbeanzeigenmanager bei der Interpretation von Kampagnenergebnissen häufig zu Verwirrung. Allerdings findet hier eine Abwägung statt, bei der rabattierte Gebote und Automatisierung zum Einsatz kommen. Der Vorgang kann, ohne entsprechenden Kontext, fehlgeleitet wirken. Im Endeffekt führt er aber zu Mehrwert für die Nutzer des Facebook Werbesystems. Wichtig ist, dass das System im Normalfall zu Gunsten des Werbetreibenden arbeitet, wenn man mit flexiblen Kampagnen arbeitet. Gebote mit automatischer Platzierungen, den niedrigsten Kosten (rabattierte Gebote) und die Optimierung des Kampagnenbudgets liefern im Zusammenspiel eine maximale Performance.