Jobplattformen bieten für ihre Nutzer:innen einen unglaublichen Mehrwert durch Gehaltsdaten und Statistiken, sind aber auch perfekt für Employer Branding. kununu ist inzwischen deutschlandweit die größte und wichtigste Jobplattform, mit 2,7 Millionen Nutzer:innen (Statista) und hat eine wechselvolle, aber letztlich erfolgreiche Firmengeschichte.
Was man darüber schnell vergisst, ist der Aufwand, der in der Datenerhebung steckt, um aktuelle und aussagekräftige Vergleichszahlen für Gehälter zu haben. Wir haben 1.200 Ads in über 61 Testkampagnen geschaltet, denn Datenpunkte lassen sich meist nur über gezielte Social-Media-Kampagnen erheben, da kaum ein User von sich aus diese Daten zur Verfügung stellt.
Wir haben Metas neue KI-getriebene Kampagnentypen verwendet, um für kununu Gehaltsdatenpunkte zu sammeln und dabei auch noch Geld zu sparen. Trotz der veränderten Social-Media-Landschaft ist Facebook weit davon entfernt, tot zu sein, wie manche behaupten. Von allen von uns getesteten Kanälen hat sich Facebook als effizientester Kanal für kununu herausgestellt.
Metas Machine Learning geht neue Wege
Typischerweise gehen die großen Jobplattformen gezielt auf Menschen zu, um beispielsweise Gehaltsdaten zu erfragen. Dazu müssen häufig viele Kampagnen geschaltet und betreut werden, die einen hohen Testaufwand verursachen. Die Herausforderung dabei ist, eine bestimmte Menge an Datenpunkten zu gewinnen, die außerdem ständig aktualisiert werden müssen.
In Zahlen ausgedrückt sieht die Lage so aus: Für kununu haben wir, Die Nerds, bisher mit insgesamt 2.500 Creative Assets gearbeitet. In 60 Tests haben wir Bidding, Zielgruppen und Creatives getestet, um bestmögliche Ergebnisse zu erzielen. kununus Werbekonto wird stärker durchgetestet als die meisten anderen auf der Plattform.
Ende 2022 hat Meta einen neuen Kampagnentypen, die Advantage+ Shopping Campaigns (ASC) eingeführt, die über Machine Learning selbstständig die Zielgruppe optimieren und bis zu 150 Creatives testen.
Meta verspricht mit dem neuen Ansatz mehr Effizienz bei Verkaufskampagnen – beim Algorithmus werden die Zügel locker gelassen. Da sind wir hellhörig geworden, denn warum sollte sich der Nutzen davon nur auf Verkaufskampagnen beschränken? Meta teilt diese Einschätzung: Es war also Zeit, um die Ecke zu denken und neue Anwendungsmöglichkeiten für diese Kampagnenform für kununu zu finden.
Mit ML-optimierten Kampagnen Budgets effizienter einsetzen
Da wir vieles parallel testen, sollen die A+S-Kampagnen ergänzend zur effizienteren Nutzung des uns anvertrauten Budgets eingesetzt werden. Die A+S-Kampagnen sind so aufgebaut, dass sie ein Verkaufs-Event als Basis für die Optimierung nehmen. Ein solches Verkaufs-Event wird über einen Tracking Pixel erkannt. Ein Tracking Pixel ist eine kleine Bilddatei, die von einem Server geladen wird, und so Nutzer:innen bestimmten Kampagnen zuordnen kann. Wir haben die A+S-Kampagnen so konfiguriert, dass die Abgabe eines Gehaltsdatenpunkts als Verkaufs-Event registriert und zur Optimierung verwendet wird.
Was uns überrascht hat, ist, wie gut der neue Machine-Learning-Ansatz sich abwandeln lässt. Ein Algorithmus kann Kaufinteresse und Kaufwahrscheinlichkeit sehr gut aus dem Nutzer:innenverhalten schließen, also welche Shops besucht und welche Käufe getätigt wurden.
Nur, dieser Kontext steht natürlich nicht für die Identifikation von Nutzer:innen für kununu zur Verfügung, was es anspruchsvoller macht. Außerdem kann man die Abgabe eines neuen Datenpunkts natürlich nicht mit einem Produktkauf vergleichen. Gleichwohl haben die A+S-Kampagnen ein richtig gutes Ergebnis erzielt.
- Die Kosten pro Datenpunkt wurden um 25 Prozent gesenkt.
- Die Datenpunktziele wurden deutlich schneller erreicht.
- Der Cost per Action wurde für das gesamte Werbekonto um 23 Prozent gesenkt.
Für uns sind die A+S-Kampagnen nicht mehr aus kununus Setup wegzudenken, ganz gleich, ob sie ursprünglich für unseren Use Case vorgesehen wurden, denn Zahlen sprechen für sich. Sicher ist, die Möglichkeiten der A+S-Kampagnen sind noch lange nicht erschöpft.
Fazit – MacGyver im Marketing
Was für uns im Moment eine provisorische, aber erfolgreiche Lösung ist, wird sich langfristig etablieren. Machine Learning ist schon jetzt ein fester Bestandteil vieler Tätigkeitsfelder und wird auch das Performance Marketing positiv beeinflussen, wenn es noch tiefer in die bestehende Praxis integriert wird. Marketer werden mehr Zeit haben, strategisch zu denken, anstatt A/B-Tests in vielen kleinen Schritten von Hand betreuen zu müssen. Diese Entwicklung wird angeschoben werden, sobald auch andere Werbeplattformen die Chancen von Machine Learning richtig für sich nutzen.
Powered by WPeMatico
