Gewinne:
- Fähigkeit, Leistungsmetriken wie CTR, Conversion, CPA, ROAS und Attribution zu verstehen und künstliche Intelligenz zu nutzen, um Daten zusammenzufassen und Erkenntnisse zu entwerfen
- Möglichkeit, Kampagnendaten anonym an künstliche Intelligenz weiterzugeben und Kommentare, Anomalieerkennung und Optimierungsvorschlagsentwürfe zu erstellen
- Wir verstehen, dass es zwingend erforderlich ist, jeden durch künstliche Intelligenz erzeugten Zahlen- und Kausalitätssatz mit den Quelldaten zu vergleichen und zu überprüfen
Sobald eine Kampagne live ist, beginnt die eigentliche Arbeit: zu verstehen, was sie bewirkt. Die Messung der Anzeigenleistung ist wichtig, um das Budget an die richtige Stelle zu verschieben und die nächste Kampagne besser einzurichten. Aber Messung ist kein Haufen Zahlen; Eine gute Analyse findet die Geschichte und den Grund hinter den Zahlen. Das nennt man Einsicht. Künstliche Intelligenz ist in dieser Phase ein großer Beschleuniger: Sie fasst in wenigen Minuten Hunderte Zeilen Kampagnendaten zusammen, weist auf Anomalien (unerwartete Abweichungen) hin und schreibt Berichtsentwürfe. Aber die unveränderliche Regel dieser Einheit lautet: Jede von der KI erzeugte Zahl und jeder Kausalitätssatz gelangt erst dann in den Bericht, wenn er mit den Quelldaten verglichen und verifiziert wird. Sprachmodelle können fließende, aber erfundene Zahlen erzeugen, wenn sie nicht vollständig auf die Daten zugreifen oder diese falsch berechnen.
Wichtige Leistungskennzahlen
Mehrere Metriken bilden die Sprache der Leistungsanalyse. CTR (Click-Through-Rate) gibt an, wie viele Personen, die die Anzeige gesehen haben, darauf geklickt haben (Klicks ÷ Impressionen). Interesse ist der Maßstab für Attraktivität. Die Conversion-Rate gibt an, wie viele Klicker die gewünschte Aktion (Kauf, Registrierung) durchführen. CPA (Cost Per Acquisition) sind die Kosten pro Akquisition (Ausgaben ÷ Anzahl der Akquisitionen). ROAS (Return on Ad Spend) ist die Rendite der Werbeausgaben: erzielte Einnahmen ÷ Werbeausgaben; Wenn Sie beispielsweise 10.000 TL ausgegeben und einen Umsatz von 40.000 TL erzielt haben, beträgt der ROAS 4. Es gibt auch eine Attribution: die Frage, welcher Anzeige/welchem Kanal eine Conversion zugeordnet werden soll. Wenn ein Kunde zum ersten Mal eine Instagram-Anzeige sieht, dann bei Google sucht und kauft, auf welchem Kanal werden Sie diesen Verkauf veröffentlichen? Das Zitiermodell trifft diese Entscheidung und wirkt sich direkt auf die Analyse aus.
Die folgende Tabelle fasst die wichtigsten Kennzahlen und deren Aussagen zusammen:
metrisch
Formel
Was steht da?
CTR (Klickrate)
Klicks ÷ Impressionen
Erregt die Anzeige Aufmerksamkeit?
Conversion-Rate
Konvertierung ÷ Klicken
Kauft es jemand, der darauf klickt?
CPA
Ausgaben ÷ Erwerb
Wie viel kostet ein Kunde?
ROAS
Einnahmen ÷ Ausgaben
Lohnt sich der Aufwand?
Frequenz
Belichtung ÷ Reichweite
Wie oft hat dieselbe Person es gesehen?
Tipp: Treffen Sie Ihre Entscheidung nicht nur auf der Grundlage einer einzigen Kennzahl. Hohe CTR, aber niedrige Conversion bedeutet „Die Anzeige lockt, aber die Seite/das Angebot hält nicht“. Das gemeinsame Lesen der Kennzahlen zeigt die wahre Geschichte.
Schritt für Schritt: von den Daten über Erkenntnisse bis hin zum Bericht
Schritt 1 – Daten sammeln und anonymisieren. Erhalten Sie Daten aus Plattform-Dashboards (Google Ads, Meta) und Analysen; Persönliche Daten (Kundennummer, E-Mail) entfernen.
Schritt 2 – Metriken berechnen und validieren. Bestätigen Sie die Gewinnchancen selbst; Geben Sie die Formel an, wenn Sie sie an AI übergeben.
Schritt 3 – Suchen Sie nach Anomalien und Mustern. Lassen Sie die KI fragen: „Welcher Kanal/Tag/Segment weicht von dem ab, was erwartet wird“; Bestätigen Sie es dann mit Daten.
Schritt 4 – Kausalität feststellen, aber vorsichtig. Unterstützen Sie Sätze mit der Aufschrift „CTR verringert, weil…“ mit Daten; Verwechseln Sie Korrelation nicht mit Kausalität.
Schritt 5 – Entwurf eines Berichts und einer Empfehlung. Erstellen Sie mit KI eine Zusammenfassung und einen Optimierungsvorschlagsentwurf. Überprüfen und bestätigen Sie jede Nummer und jeden Anspruch.
drei Mini-Koffer
Fall 1 – Kurze Zusammenfassung, verifiziertes Problem. Ein Leistungsexperte übergab anonym 300 Zeilen wöchentlicher Daten von 6 Kanälen an AI und forderte einen Entwurf einer Zusammenfassung an. KI zusammengefasst in 5 Minuten; Der Experte verglich jeden ROAS- und CPA-Wert mit seinem Dashboard und korrigierte zwei Fehlinterpretationen. Dauer: 1 Stunde statt halber Tag. Die KI gab den Entwurf vor, die Verifizierung blieb beim Menschen.
Fall 2 – erfundene Zahlenfalle. Ein Team sagte zur KI: „Unser ROAS hat letzten Monat verfehlt, Kommentar“, ohne Rohdaten anzugeben. „Etwa 3,5, gute Leistung“, schrieb die KI selbstbewusst. Der tatsächliche ROAS lag bei 1,8 und die Kampagne war tatsächlich ratlos. Der Bericht wurde korrigiert, aber das Vertrauen der Kunden war erschüttert. Fehler: Warten auf Metriken von der KI, ohne Daten anzugeben.
Fall 3 – Attributionsfehler. Eine Marke ordnete alle Verkäufe dem letzten Klick zu, gab alle Verkäufe in die Google-Suche ein und kürzte ihr Instagram-Budget. Die Verkäufe gingen im folgenden Monat zurück; weil Instagram Aufmerksamkeit geschaffen und die Suche angekurbelt hat. Sich blind auf das Einzelzitierungsmodell zu verlassen, führte zur falschen Entscheidung. Lektion: Zuschreibung ist ein Modell, keine absolute Wahrheit; Es ist notwendig, verschiedene Modelle zu vergleichen.
Vier kopierbare Vorlagen
1) Datenzusammenfassung (mit Schwerpunkt auf Validierung):
Nachfolgend finden Sie anonyme Kampagnendaten (keine Kunden-ID):[Daten/Tabelle einfügen]Aufgabe: (1) Berechnen und zeigen Sie CTR, Conversion-Rate, CPA und ROAS mit ihren Formeln an. (2) Weisen Sie auf die beiden Kanäle mit der besten und der schlechtesten Leistung hin. (3) Geben Sie deutlich an, wo Sie unsicher sind oder welche Daten in den Daten fehlen. Erfinden Sie keine Zahlen, die nicht in den Daten enthalten sind. Ich werde das Konto bestätigen.
2) Anomalie-/Musterjäger:
Nachfolgend finden Sie tägliche Daten für die letzten 4 Wochen: [Daten]. Aufgabe: Erkennen Sie unerwartete Abweichungen (plötzlicher Abfall/Anstieg). Für jede Anomalie: an welchem Tag/Kanal, wie stark sie abgewichen ist, mögliche Erklärungen (Hypothese). Geben Sie an, dass es sich hierbei um Hypothesen und nicht um definitive Ursachen handelt.
3) Causality checker:
Die Beobachtung, die ich habe, ist: „[z. B. CTR von 2 % auf 1,3 % gesunken]“. Aufgabe: Nennen Sie mögliche Gründe für diesen Rückgang (Werbemüdigkeit, Saison, Targeting-Änderung, Mitbewerberaktivität usw.). Sagen Sie mir, welche Daten ich aus welchem Grund testen kann. Stellen Sie Korrelation nicht als Kausalität dar; Machen Sie keinen Anspruch auf einen endgültigen Grund.
4) Zusammenfassung + Vorschlagsentwurf:
Von mir überprüfte Metriken: [CTR-, Conversion-, CPA-, ROAS-Werte]. Aufgabe: Schreiben Sie einen einseitigen Entwurf einer Zusammenfassung: (1) Was ist in diesem Begriff passiert (3 Punkte), (2) Was hat funktioniert/nicht funktioniert, (3) 3 Optimierungsvorschläge für den nächsten Begriff. Verwenden Sie einfach die überprüften Zahlen, die ich angegeben habe; generating new numbers.
Schwache Eingabeaufforderung / Starke Eingabeaufforderung
Schwache Eingabeaufforderung:
Bewerten Sie die Leistung meiner Kampagne und teilen Sie mir meinen ROAS mit.
No data given; KI kann nur „ROAS“ kompensieren. Die Ausgabe ist flüssig, aber unrealistisch.
Kraftvolle Aufforderung:
Ihre Rolle: Analytics-Assistent eines Performance-Marketing-Spezialisten. Nachfolgend finden Sie anonyme wöchentliche Daten (keine Namen/Identifikation): Werbeausgaben: 25.000 TL. Income: 60,000 TL. Views: 500,000. Clicks: 12,000. Konvertierung: 480. Aufgabe: (1) CTR, Conversion-Rate, CPA und ROAS mit Formel berechnen und anzeigen. (2) Einen Kommentarentwurf für einen einzelnen Absatz schreiben. (3) Keine Zahlen erfinden, die nicht in den Daten enthalten sind; Geben Sie an, dass Sie sich nicht sicher sind.
In dieser Anfrage werden die Datenerwartung, die Formel und das Verbot des „Erfindens“ deutlich. Sie überprüfen erneut die Ausgabe: CTR = 12.000 ÷ 500.000 = 2,4 %; Conversion-Rate = 480 ÷ 12.000 = 4 %; CPA = 25.000 ÷ 480 ≈ 52 TL; ROAS = 60.000 ÷ 25.000 = 2,4.
Häufige Fehler
- Metriken anfordern, ohne Daten bereitzustellen. KI kann nicht auf Ihre Daten zugreifen; Die von ihm angegebene Nummer ist gefälscht.
- Looking at one metric. Wenn die CTR hoch und die Conversion niedrig ist, liegt das Problem möglicherweise an der Seite/dem Angebot und nicht an der Anzeige.
- Verwirrende Korrelation mit Kausalität. Nur weil zwei Dinge zusammenwirken, heißt das nicht, dass das eine das andere verursacht.
- Verlassen Sie sich auf das Single-Citation-Modell. Attribution is a model; Unterschiedliche Modelle führen zu unterschiedlichen Entscheidungen.
- Die Kausalitätsaussage von AI in den Bericht aufnehmen, ohne sie zu bestätigen. „Weil…“-Sätze müssen durch Daten gestützt werden.
- Die bloße Zahl mit Einsicht verwechseln. Der Bericht listet keine Zahlen auf; sagt Ihnen, was es bedeutet und was zu tun ist.
Achtung: Der gefährlichste Satz in einem Bericht ist ein unbegründetes „weil“. KI kann einen fließenden Grund finden; Wenn Sie dem Management diesen Grund vorlegen, ohne ihn mit Daten zu belegen, kann dies zu einer falschen Entscheidung führen.
Zusammenfassend
Bei der Leistungsanalyse geht es darum, Kampagnendaten in Entscheidungen umzuwandeln. Im Mittelpunkt stehen Kennzahlen wie CTR, Conversion-Rate, CPA, ROAS und das Attributionsproblem. Künstliche Intelligenz ist ein leistungsstarker Assistent beim Zusammenfassen von Hunderten von Datenzeilen, beim Auffinden von Anomalien und beim Verfassen von Berichten. Aber jede Zahl und jeder darin enthaltene Kausalitätssatz wird erst dann in den Bericht aufgenommen, wenn er anhand der Quelldaten überprüft wurde; Das Sprachmodell kann sich anpassen, wenn es nicht auf die Daten zugreifen kann. Das gemeinsame Lesen von Metriken, die Trennung von Korrelation und Kausalität und die Nichtbindung der Zuordnung an ein einzelnes Modell sind Zeichen einer guten Analyse. Der Bericht liefert Bedeutungen und Vorschläge, keine Liste von Zahlen.
Anwendungsaufgabe
Bereiten Sie reale oder hypothetische Kampagnendaten vor (Ausgaben, Einnahmen, Impressionen, Klicks, Conversions). (1) Daten anonymisieren. (2) Lassen Sie die Metriken mit dem „Data Summierer“ berechnen und bestätigen Sie jede einzelne selbst mit der Formel. (3) Finden Sie eine Abweichung mit dem „Anomaliejäger“; Verbinden Sie es mit einer Hypothese. (4) Notieren Sie mit dem „Ursachenprüfer“ die möglichen Ursachen dieser Abweichung und wie Sie sie jeweils testen würden. (5) Erstellen Sie einen Entwurf der „Zusammenfassung“ und prüfen Sie, dass dieser nur die von Ihnen überprüften Zahlen enthält; Unterstützen Sie einen „weil“-Satz mit Daten.
Checkliste
- [ ] Ich habe die Kampagnendaten anonymisiert, bevor ich sie dem Tool übergeben habe.
- [ ] Ich habe jede Metrik selbst mit ihrer Formel überprüft.
- [ ] Ich lese die Messwerte zusammen, nicht einzeln.
- [ ] Ich habe die Kausalitätsaussagen mit Daten untermauert; Ich habe es nicht mit Korrelation verwechselt.
- [ ] Ich habe den Verweis nicht auf ein einzelnes Modell zurückgeführt, sondern verglichen.
- [ ] Ich habe nur verifizierte Zahlen in den Bericht aufgenommen; Es gibt keine gefälschten Zahlen.