Jenseits der Binärlogik: warum „Ja/Nein“ nicht mehr reicht

Lange Jahre baute die Suche nach ähnlichen Audiences (Lookalike) auf starrer Binärlogik. Der Werbetreibende setzte eine Bedingung: „Meine Zielgruppe sind alle, die 30 Sekunden auf der Site waren, 80 % der Seite gescrollt und Button N geklickt haben.“ Wer die Bedingung erfüllte, bekam eine „1“ (Ziel), alle anderen eine „0“ (Nicht-Ziel).

Das Problem dieses Ansatzes: Er ignoriert, wie stark die Audience „aufgewärmt“ ist. Ein Nutzer, der 28 Sekunden auf der Site war und das Produkt genau betrachtet hat, aber nicht geklickt hat, bekam dieselbe „0“ wie ein Zufallsbesucher, der den Tab nach einer Sekunde schloss. Um diesen verborgenen Wert zu fangen, gehen moderne ML-Architekturen von der Klassifikation (1/0) über zum Intent-Scoring (Intent Scoring), indem jeder Besucher auf einer Skala von 0 bis 100 bewertet wird.

Scoring-Architektur: 3D-Nutzermodell

Damit der Algorithmus die Conversion-Wahrscheinlichkeit präzise vorhersagt, entsteht das Nutzerprofil im System nicht als flache Aktionsliste, sondern als dreidimensionale Matrix (Merkmalsvektorraum):

• 1. Kontextvektor (Wo und wie?)
  Dazu gehören aggregierte technische und Geo-Daten: Zeitzone, Gerätetyp, Browserkategorie und Einstiegsquelle (organisch, Direct, eine konkrete Kampagne). Das bildet das Basisporträt des Besuchs.
• 2. Historischer Vektor und Abklingfunktion (Time Decay)
  Das Interesse eines Menschen ist nicht konstant. Hat der Nutzer vor einem Monat nach einem Kühlschrank gesucht, ist das aktuelle Interesse null. War es heute Morgen — ist es maximal. Der Algorithmus berechnet das kumulierte Interesse an Site-Kategorien mit einer mathematischen Zeitabklingfunktion: ältere Aktionen verlieren allmählich Gewicht und machen frischen Absichten Platz.
• 3. Vektor des aktuellen Verhaltens (Mikrokonversionen)
  Das ist eine Dynamik-Analyse: Scrollgeschwindigkeit (liest die Person aufmerksam oder rast sie durch?), Interaktionsmuster mit UI-Elementen in den ersten Sekunden des Besuchs.

Adaptivität statt starrer Rahmen: sanftes Abschneiden von Anomalien

Wenn wir den Nutzer von 0 bis 100 bewerten, entsteht das Problem der „überhitzten“ Audience. Ein Content-Manager, der zwei Stunden am Tag Produkte hochlädt, erfüllt in der banalen Statistik alle Zielaktionen mit „100 Punkten“ — für Werbung ist er aber wertlos.

Historisch lösten Systeme das mit einem harten Filter: „länger als eine Stunde auf der Site — Bot oder Admin.“ Was aber, wenn Sie einen langen, spannenden Artikel ausspielen und die durchschnittliche Verweildauer organisch steigt? Der harte Filter schneidet Ihre treueste Audience ab.

Sanftheit und Adaptivität: so schneidet ClikBy Anomalien ab

Harte Schwellen wie „wenn der Nutzer länger als 2 Stunden bleibt — Bot“ sind hoffnungslos veraltet. Fügen Sie einen fesselnden Longread hinzu, steigt die durchschnittliche Besuchsdauer, und der harte Filter schneidet Ihre treueste Audience ab. In ClikBy haben wir das Problem gelöst, indem wir einen adaptiven, sanften Anomaliekoeffizienten (A_i).

Schritt 1. Absolute Zahlen zugunsten von Perzentilen aufgeben

Das ClikBy-System nutzt keine hardcodierten Limits mehr (z. B. „maximal 50 Sessions“). Stattdessen analysiert der Algorithmus laufend die Datenverteilung der letzten 3–7 Tage und bestimmt automatisch:

• Den Median (die Norm) — das aktuelle Standardverhalten der Audience auf dieser konkreten Site.
• 95. Perzentil (P₉₅) — die Grenze, oberhalb derer nur die 5 % aktivsten („überhitzten“) Nutzer liegen.
• 99. Perzentil (P₉₉) — die Zone extremer Ausreißer, in der Content-Manager, Parser und über Nacht offene Tabs leben.

Wenn sich das Nutzerverhalten ändert, verschieben sich die Metriken P₉₅ и P₉₉ automatisch. Die Plattform passt sich der „neuen Norm“ der Site ohne manuelles Eingreifen an.

Schritt 2. Sanfte Straffunktion (Abkling-Sigmoid)

Statt einer scharfen Abschneide-„Stufe“ nutzen wir eine umgekehrte logistische Kurve. Solange das Nutzerverhalten innerhalb von P₉₅ bleibt, ist ihr Multiplikator A_i = 1 (keine Strafe). Sobald die Anomaliegrenze überschritten wird, beginnt der Koeffizient sanft gegen null zu gehen, nach der Formel:

So funktioniert es in der Praxis (finales Scoring)

Angenommen, die Regeln eines Online-Shops haben dem Nutzer 80 Rohpunkte Interesse (RawScore). Schauen wir, wie das 3D-Paradigma von ClikBy in verschiedenen Situationen greift:

Champion-Challenger: Algorithmenkampf um den ROI

Im industriellen Marketing führt der Einsatz eines einzigen, selbst klugen Modells oft zur Stagnation. Um die Qualität des eingekauften Traffics laufend zu verbessern, kommt eine Architektur des A/B-Testings von Modellen (Champion-Challenger).

Wie funktioniert das in der Praxis? Система параллельно рассчитывает скоринг двумя разными алгоритмическими пайплайнами. Алгоритм «А» может делать ставку на глубокую историю визитов, а экспериментальный алгоритм «Б» — придавать больший вес микро-поведению в текущей сессии.

Nutzer, bei denen die Modelle übereinstimmen, gehen in die Basiskampagne. Segmente, in denen sie divergieren, werden (streng nach gehashten IDs) getrennt und in unterschiedliche Kampagnen geschickt, die gegeneinander antreten. Über die finale Lead-Kosten (CPA) und den durchschnittlichen Interesse-Score des gewonnenen Traffics kann der Marketer mathematisch belegen, welcher Algorithmus für dieses Geschäft besser arbeitet.

„Diese ganze tiefe prädiktive Mathematik wäre ohne ein striktes Privacy by Design-Konzept unmöglich. In unserem System gibt es keine Namen, IP-Adressen oder rohe Cookies. Wir arbeiten ausschließlich mit irreversiblen Hashes und Verhaltensvektoren. Das System weiß, dass "Vektor X wird mit 85 % Wahrscheinlichkeit einen Kauf abschließen", aber es weiß nicht, wer hinter diesem Vektor steht. So erreichen wir beispiellose Genauigkeit bei Lookalike-Audiences und bleiben dabei in den absoluten, strikten Grenzen von GDPR und CCPA.“

Audit Ihrer aktuellen Lookalike-Audiences anfragen