ZWISCHEN MENSCH UND MASCHINE
24.06.2015

Inhalte unterhalten Menschen. Und Menschen suchen ihre Unterhaltung am liebsten selbst aus. Klassische Sehgewohnheiten wachsen, Lieblingssendungen werden einmal identifiziert und der hübsche Schauspieler macht auch immer Spaß. Egal, ob das Bewegtbild ausschließlich in der klassischen Röhre flimmert oder die Inhalte unabhängig von Gerät, Ort und Zeit konsumiert werden: Persönlich etablierte Marken bleiben erhalten.

Mein bester Freund der Algorhitmus

Wenn neue Impulse gesetzt wurden, geschah dies bisher meistens durch Word-of-Mouth-Marketing von Freunden und Bekannten. Oder die Marketingmaßnahmen des Senders lockten zum Verlassen des bekannten Terrains. Heute können die Empfehlungs-Aufgaben von Freunden technische Algorithmen übernehmen, die Nutzern passende Inhalte präzise vorschlagen. Für die Echtzeit-Vorschläge relevant ist die Auswertung von Parametern wie Inhalte-Selektion, Sehverhalten oder Nutzer-Informationen. So wird der Algorithmus zum besten Freund – mit weniger Empathie, dafür aber mit einer ähnlichen Treffergenauigkeit und einem deutlich größerem Bouquet an Vorschlägen. Denn die Maschine weiß natürlich, welcher Fundus maximal zur Verfügung steht und empfiehlt Inhalte, die der beste Freund im Zweifel gar nicht kennt.

Wissen, was morgen relevant ist

Vereinfacht dargestellt gibt es zwei Vorgehensweisen, wie diese Empfehlungs-Systeme, sog. Recommendation Engines, arbeiten. Die erste Methode orientiert sich am Inhalte-Konsum des Nutzers. Hierbei analysiert das System permanent die Nutzung des einzelnen Users und wertet Daten wie Einzelsendung, Genre, Länge, Sehdauer, Nutzungszeit etc. aus. Aus diesen Daten werden dann automatisiert Vorlieben des Nutzers abgeleitet und zielgerichtete Vorschläge entwickelt. Bekannt wurden solche Systeme durch Amazon – wenn auch zu anderem Zweck: Nutzer, die "Our Love" von Caribou gekauft haben, haben auch "Coexist" von The xx gekauft.

Ein solcher Inhalte getriebener Mechanismus wird im Sommer auf den neuen NOW-Portalen ausgerollt. Hier bekommen User dann nicht nur Formatvorschläge einzelner NOW-Plattformen, sondern aus der gesamten  senderübergreifenden NOW-Welt. Ein naheliegendes Beispiel: Ein User schaut vermehrt Shows wie "Sing meinen Song" auf VOX NOW, so bekommt er zukünftig ähnliche Sendungen auf RTL NOW empfohlen. Intelligente Recommendation Engines gehen aber noch weiter. Sie vergleichen das Nutzungsverhalten verschiedener User und schlagen auf der Basis dieser Daten weitere Inhalte vor. Wenn ein User bspw. amerikanische Crime-Serien wie CSI oder Bones auf RTL NOW anschaut, und einige andere User schauten zusätzlich noch eine Dokumentation zur Polizeiarbeit in den USA auf n-tv now, so würde er dieses Format vorgeschlagen bekommen. Mit diesem Service werden die NOW-Angebote nicht nur nutzerfreundlicher und relevanter, sondern nebenbei wird auch die vermarktbare Video-Reichweite erhöht.

Eine andere Art von Empfehlungs-Mechanismus basiert auf der Analyse von Zielgruppen. Dabei schaut sich das System Attribute der Nutzer an und clustert diese zu Zielgruppen. So kann bestimmt werden, welche Videos für bestimmte Zielgruppen interessant sind. Genau diese Videos werden dann auf Websites platziert, die diese Nutzerschaft im Fokus haben.

Thematisch passend zu 1. Mio Views

Was kompliziert klingt, macht ein erster Case von den von IP Deutschland vermarkteten Portalen VIP.de und n-tv.de sehr plakativ deutlich: Dabei wurden 30 ausgewählte Videos von VIP.de thematisch passend auf den Angeboten von n-tv integriert. Die Zahlen sprechen für sich: Drei der geteilten Videos waren unter den TOP 10 des laufenden Monats, alle „VIP-Videos“ in Summe erzielten knapp 1 Mio. Views. Zukünftig könnte dieses Modell auch datenbasiert realisiert werden. Um bei oben genanntem Beispiel zu bleiben: So könnte ein Algorithmus untersuchen, welche  Zielgruppeneigenschaften Nutzer haben, die vermehrt Videos auf VIP.de angeschaut haben. Die Videos, die überwiegend von Nutzern mit den Attributen "nachrichten- und wirtschaftsinteressiert" konsumiert werden, platziert n-tv in der Folgezeit auf ihren Angeboten. Die Idee dahinter: Wenn diese Videos auf VIP.de für die o. g. Zielgruppe von Interesse waren, liegt die Vermutung nahe, dass diese Inhalte auch die grundsätzliche Nutzerschaft von n-tv anspricht – die im Wesentlichen aus nachrichten- und wirtschaftsinteressierten Nutzern besteht.

Um die Markenkerne der einzelnen Websites nicht zu verwässern und trotzdem die Video-Reichweite zu erhöhen, sollten Inhalte sensibel und in Maßen geteilt werden – entscheidend ist beispielweise die Platzierung des Contents in den passenden Rubriken auf der Zielseite.

Gut ist nur, was individuell ist

Die Beispiele zeigen, dass Recommendation Engines einen wertvollen Beitrag leisten können, die Nutzerfreundlichkeit und Relevanz von Inhalten und ganzen Websites zu erhöhen. User werden auf Inhalte gestoßen, die sie im Zweifel nicht wahrgenommen oder als uninteressant eingestuft hätten. Natürlich hängt der Erfolg dieser Systeme elementar davon ab, wie gut die Empfehlungen funktionieren und auf den einzelnen Nutzer zugeschnitten sind. Sobald der User merkt, dass die ihm empfohlenen Inhalte nicht seinen Interessen entsprechen, wird er den vorgeschlagenen Content meiden und sich doch wieder selbst orientieren oder seinen Empfehlungssystemen aus Fleisch und Blut vertrauen.

Ansprechpartner

Tim Nieland

Tim Nieland
Product Management

+49 221 456-23330

E-Mail senden