Individuelles maschinelles Lernen für Gebote, das die Kosten um 54% senkte und den ROAS um 81% verbesserte.
Ilja Zonov
TL;DR Snapshot
Eine grundlegende regelbasierte CPC-Gebotsstrategie wurde durch ein maßgeschneidertes Machine-Learning-Modell für eine komplexe Kampagnenstruktur ersetzt. Das ML-System sagte optimale Gebote auf granularen Ebenen voraus und erzielte damit jährliche Kosteneinsparungen im siebenstelligen Bereich, während die Leistung aufrechterhalten wurde.
-54 %
Kosten
81%
ROAS
Kunde
Unvergessliche Reiseerlebnisse
GetYourGuide ist ein führender globaler Online-Marktplatz, um Erlebnisse zu entdecken und zu buchen, für die sich eine Reise lohnt. Reisende können GetYourGuide nutzen, um in mehr als 12.000 Städten Aktivitäten zu finden, darunter Touren von lokalen Experten, exklusiver Zugang zu Sehenswürdigkeiten, die man gesehen haben muss, sowie immersive Erlebnisse auf der Wunschliste durch das Angebot 'Originals by GetYourGuide'.
Ziel
Die Effizienz durch maßgeschneiderte ML-basierte Gebotsoptimierung verbessern
Zeitleiste
A/B-Testimplementierung mit Leistungsvalidierung
Herausforderung
Komplexe Kampagnenstruktur machte Googles Smart Bidding-Funktion ineffektiv
Das bestehende regelbasierte CPC-Skript bot nur grundlegende Optimierungen an.
Die Effizienz muss verbessert werden, ohne sich auf die automatisierten Lösungen von Google zu verlassen.
Erforderliche granulare Gebotsvorhersagen auf der niedrigsten Einheitsebene
Was wir getan haben
Phase 1
Zusammenarbeit
Arbeitete mit dem internen Data-Science-Team zusammen, um ein prädiktives ML-Modell zu entwickeln.
Phase 2
Testeinrichtung
Durchgeführter kontrollierter A/B-Test zum Vergleich des ML-Modells mit dem bestehenden Skript
Phase 3
Implementierung
Angewandtes ML-Modell zur Berechnung der Gebote auf der granularsten Kampagnenstrukturebene.
Phase 4
Überwachung
Verfolgte Kosten, Nettoumsatz und ROAS-Kennzahlen während der Validierungsphase
Wichtigste Ergebnisse
-54 %
Kostenreduktion
81%
ROAS Erhöhung
$1M+
Jährliche Kostenreduzierung
Aufrechterhaltung von geschäftskritischen Leistungsniveaus
Skalierbares, automatisiertes Optimierungssystem implementiert