Ulrich Rohde

Long-Tail Keywords – Was der „Rattenschwanz“ bewirken kann!

Was der „Rattenschwanz“ bewirken kann – Strategien für das Suchmaschinenmarketing (Long-Tail-Keywords)

Ulrich Rohde,  Adobe

Long Tail Keywords - Teaser Adobe

Kleinvieh macht auch Mist. Dieses Sprichwort findet im digitalen Zeitalter eine Entsprechung in einer Theorie des US-amerikanischen Journalisten und Chefredakteurs Chris Anderson. Im Jahr 2004 stellte er im „Wired Magazin“ die Theorie vor, dass man mit einer großen Anzahl an Nischenprodukten genauso große oder sogar höhere Gewinne machen kann als mit wenigen „Verkaufsschlagern“.

Grafisch dargestellt zieht der Umsatz mit diesen Produkten einen langen Schwanz hinter sich, was der Theorie den Namen „Longtail“ gab. Unter dem Strich heißt das: Unternehmen können mit der Summe vieler einzelner Produkte mit jeweils geringem Absatzvolumen einen beträchtlichen Teil ihrer Einnahmen erzielen. 

Überträgt man diese Theorie auf das Suchmaschinenmarketing, beschreibt sie die Art und Weise, wie Verbraucher nach Produkten und Dienstleistungen suchen. Bei einer typischen Suchmaschinenmarketing-Kampagne werden 80% des Gesamt-Suchvolumens von weniger als 100 häufig verwendeten Suchbegriffen bestimmt, während die restlichen 20% auf einzelne und sehr spezifische Suchanfragen zurückgehen.

Ein versierter Werbetreibender sollte diese Information gewinnbringend für den Aufbau seiner keywordbezogenen Kampagnen nutzen. Er wird dabei – zum Beispiel als Online-Reiseanbieter – sowohl für häufige Suchanfragen wie beispielsweise „Billigflüge“ bieten, aber auch für Tausende und manchmal Millionen von Keywords wie „günstige Flüge nach Estland“. Die kommen zwar selten vor, sind dafür aber sehr zielgerichtet und bringen qualifizierten Traffic in den Online-Shop.

Long Tail Keywords - Abbildung 01: Chart

 

Abbildung 1: Das Verhalten von Keywords im Longtail. Die ersten 20% der Suchworte, auch „Head“ genannt, stellen die Kernbegriffe dar und generieren im Durchschnitt 80% des Impression-Volumens, während die restlichen 80% der Keywords, der so genannte „Longtail“ 20% des Volumens verursacht.

Longtail-Keywords zeichnen sich durch einzigartige Eigenschaften aus, die sie einerseits für Kampagnen interessant machen, gleichzeitig sind sie aber auch schwer zu handhaben. Verglichen mit dem „Head“, also den häufig vorkommenden Suchbegriffen, sind sie viel zahlreicher und es ist fast unmöglich, beim Bieten den Überblick durch rein manuelle Verfahren zu behalten. Zudem sind sie extrem schwankend und ihre Performance kann sich von einem Tag auf den anderen enorm verändern (Varianz).

Long Tail Keywords - Tabelle 01

Tabelle 1: Gesamtdaten für vier Keywords (Untersuchungszeitraum 7 Tage). Die ersten beiden Suchbegriffe sind typische Head-Begriffe mit hohem Suchvolumen, während die letzten beiden Begriffe Longtail-Keywords mit geringem Suchvolumen sind. Die Performance der Kernbegriffe zu bestimmen, ist ein Kinderspiel. Aufgrund der geringen Anzahl erhaltener Klicks sieht es bei den Longtail-Keywords hingegen ganz anders aus.

Die ersten beiden Begriffe in Tabelle 1 sind Keywords mit hohem Suchvolumen, die zahlreiche Klicks und Conversions aufweisen. Der dritte und vierte Begriff sind dagegen Keywords mit äußerst geringem Suchvolumen, es handelt sich also um typische Longtail-Schlüsselworte. Ein Werbetreibender, der auf den Return on Investment (RoI) seines Suchmaschinenmarketingbudgets fokussiert ist, blickt nun auf die Leistung dieser Suchbegriffe und sieht, dass der RoI für das erste Keyword gut ist, für das zweite geringer, für das dritte fantastisch und für das vierte sehr gering.

Genügt das aber tatsächlich für eine Performance-Bewertung? Wir erkennen intuitiv, dass die Daten für die ersten beiden Keywords ausreichend sind (d. h. „Bremsteile“ ist ein lohnender Suchbegriff und „Keramikbremsen“ ist augenscheinlich unrentabel). Für das dritte und vierte Keyword mit jeweils 2 bzw. nur 1 Klick sind die Daten hingegen unzureichend für eine seriöse Beurteilung.

Der Verantwortliche für das Suchmaschinenmarketing (SEM) ist im Umgang mit dem Longtail eigentlich immer mit zwei zentralen Problemen konfrontiert. Das erste betrifft die Anzahl der genutzten Longtail-Keywords. Eine typische Kampagne umfasst Zehntausende, größere Kampagnen sogar Millionen solcher Suchbegriffe. Die manuelle Verwaltung dieser Keywords wäre schlicht und ergreifend undurchführbar. Das zweite Problem betrifft die aufgezeigte Schwankung in der Performance. Ist das dritte Keyword gut? Ist das vierte Suchwort schlecht? Nur ein hochentwickelter Longtail-Management-Ansatz kann bei der Beantwortung dieser Fragen helfen.

Risiko und Rendite abgleichen

Longtail-Keywords kann man sich wie Microcaps (Nebenwerte) im Handel an den Aktienbörsen vorstellen. Einzeln betrachtet, sind sie äußerst volatil. Gemeinsam in einem Wertpapier-Portfolio können sie hingegen sehr profitabel sein. Abbildung 2 verdeutlicht die Wirkungsweise von gutem Longtail-Management: Während nur 4% des Gesamtbudgets in den Keyword-Longtail fließen, generiert dieser 19% des Gesamterlöses. Dieser überproportionale Umsatzbeitrag bringt eine allgemeine Performancesteigerung im Bid-Management mit sich, wenn es um die Versteigerung der Suchmaschinenplätze geht.

Long Tail Keywords - Abbildung 02: Chart

Abbildung 2: Ergebnisse einer gut ausgesteuerten Kampagne, nach Head/Midterm/Longtail gegliedert. Der Longtail kostet nur 4% des Gesamtbudgets, steuert aber 19% der Einnahmen bei.

Allerdings kann ein schlechtes Longtail-Management auch die Leistung einer gesamten Kampagne nach unten ziehen. Eine optimale Management-Lösung vermittelt dagegen den Werbereibenden eine effektive Kontrolle über das Risiko, welches sie bei unterschiedlichen Varianten eingehen würden.

Herkömmliche Longtail-Management-Ansätze gehen zwar die Frage der Automatisierung des Bid-Managements an, lösen aber nicht das Problem des Risikos. Ein verbreiteter Ansatz wie die Risiko-Maximierung ermöglicht es dem Kampagnenmanager zwar, mittels Automatisierungstool Gebote für alle Longtail-Begriffe zu setzen. Und zwar bis zu einer beliebigen Höhe wie etwa dem durchschnittlichen Portfolio-CPC (Cost per Click), um so die Performance für alle Suchbegriffe zu fördern. Das Problem bei diesem Gießkannen-Ansatz ist aber, dass er keinerlei Möglichkeit der Risikoabschätzung oder -steuerung bietet.

Wenn zum Beispiel ein Suchbegriff nicht deshalb nur wenige Klicks erhielt, weil es sich um ein Longtail-Keyword handelt, sondern weil er sich auf Seite 2 der Suchergebnisse befand, könnte das Bieten zur Platzierung dieses Begriffs auf der ersten Seite der Trefferliste sehr hohe Ausgaben bedeuten. Darüber hinaus können viele Longtail-Keywords zwar auf Seite 1 wenige Klicks erzielen – was, einzeln betrachtet, geringe Ausgaben bedeuten mag. Aber auf Grund der großen Menge kann dies schnell zu hohen Gesamtausgaben führen.

Zur Veranschaulichung dieses Punktes kann man sich ein Szenario vorstellen, in dem pro Tag durchschnittlich 3.000 US-Dollar für eine große Keyword-Kampagne zur Verfügung stehen. Es wird ein Ansatz zur Risiko-Maximierung angewandt und auf alle Keywords für Position 8 geboten. Wenn 10% von 100.000 Longtail-Keywords einen Klick (bei einem CPC von 0,50 USD) erhielten, würde das unterm Strich eine Ausgabe von 5.000 USD bzw. 167% des Tagesbudgets bedeuten. Dieser Ansatz bedeutet also für den Werbetreibenden einen vollständigen Kontrollverlust über die veranschlagten Werbeausgaben. Dieses Problem wird noch verschärft, wenn das zusätzliche Geld ohne entsprechende Performancesteigerung ausgegeben wird.

Ein weiteres verbreitetes Vorgehen besteht darin, Longtail-Keywords einem häufigen Monitoring zu unterziehen und das Gebotsniveau für einzelne Suchbegriffe an deren RoI auszurichten. Allerdings weist dieser Ansatz mehrere Probleme auf. Erstens lässt sich die Performance von Longtail-Keywords nur schwer im Einzelnen messen. Zweitens ist es schwierig den Wert, ab dem für ein Keyword mehr oder weniger geboten werden soll, genau zu bestimmen. Eine Taktik wie etwa auf Keywords mit positivem RoI 10% mehr und auf solche mit negativem RoI 10% weniger zu bieten, stellt einen heuristischen Ansatz dar, der jedoch keinerlei Erfolgsgarantie und Risikokontrolle bietet.

Die Anforderungen an ein optimales Longtail-Management-System sind also außergewöhnlich und extrem anspruchsvoll. Das System muss erstens skalierbar und in der Lage sein, täglich Tausende und wenn nötig Hunderttausende Gebote für die Longtail-Keywords abzugeben. Zweitens sollte es sicherstellen, dass trotz spärlicher Daten für die Longtail-Keywords so geboten wird, dass die Ziele des Werbetreibenden maximiert werden. Überdies muss das System in der Lage sein, die Risiko/Rendite-Ergebnisse sinnvoll zu steuern. Mit einer von Hand betriebenen Lösung kann man derartigen Ansprüchen nicht gerecht werden, benötigt wird hier vielmehr ein automatisierter algorithmischer Ansatz.

Algorithmischer Ansatz steuert Verwaltung der Keywords

Die Technologie von Adobe Media Optimizer macht im Bereich des Longtail-Bid-Management genau dies. Inzwischen werden damit täglich weltweit über 100 Millionen Keywords verwaltet. Die leicht skalierbare Lösung bietet automatisierte Steuerungsmöglichkeiten zur effizienten Durchführung des Risiko/Rendite-Abgleichs. Ihr algorithmischer Ansatz baut auf der Berechnung komplexer Longtail-Modelle auf, die in der Lage sind, die Performance auch bei wenigen verfügbaren Daten vorherzusagen.

Sehen wir uns noch einmal Tabelle 1 an, um das Prinzip besser zu verstehen. Die erste und zweite Datengruppe liefern genügend historische Daten, um eine aussichtsreiche Entscheidung zu treffen. Wir können mit Sicherheit sagen, dass „Bremsteile“ bei der gegenwärtigen Angebotssituation einen RoI von 300% erbringt, mit geringen Abweichungen. Ganz ähnlich weist „Keramikbremsen“ einen Return on Invest von 50% auf. Dagegen können wir wegen der äußerst spärlichen Informationen nicht genau bestimmen, ob die aktuellen Gebote für das 3. und 4. Keyword angemessen sind. Es gibt auch keine historischen Daten, auf die wir zurückgreifen könnten.

Eine mögliche Strategie, um dieses Problem zu bewältigen, ist die Verwendung aggregierter Daten – denn damit können wir den RoI eines solchen Suchbegriffs, für den nicht ausreichend konkrete Daten verfügbar sind, wesentlich besser schätzen. Betrachten wir nun Tabelle 2, in der dieselben Daten nach Keyword-Gruppen zusammengefasst sind. Keyword 1 und 2 aus Tabelle 1 zählen zur ersten, Keyword 3 und 4 zur zweiten Keyword-Gruppe. Diese aggregierten Daten der Keyword-Gruppen sind durch das höhere Volumen an Informationen deutlich aussagekräftiger und ermöglichen dem Algorithmus eine exaktere Vorhersage für seine Longtail-Bidding-Strategie.

Man könnte diese Daten auch zusammen mit den historischen Informationen zu einem einzelnen Keyword verwenden, um eine bessere Vorhersage bezüglich dessen Ertrags zu erstellen. Sind allerdings mehr aktuelle Daten sinnvoll zusammengefasst verfügbar, ergibt sich eine höhere Konfidenz (Vertrauen) in die historischen Daten und wir können deshalb fast ausschließlich diese neueren Informationen verwenden. Bei wenig verfügbaren Informationen erhalten die aggregierten Daten allerdings grundsätzlich eine größere Bedeutung für die Performanceeinschätzung.

Long Tail Keywords - Tabelle 02

Tabelle 2: Nach Keyword-Gruppen zusammengefasste Daten

Lernbudgets balancieren das Risiko aus

Ein Longtail-Keyword-Algorithmus sollte vorzugsweise Gebote für Schlüsselworte auf der Grundlage ihres Potenzials und des Risikoniveaus abgeben. Keywords mit dem höchsten Potential und dem geringsten Risikograd ist dabei der Vorzug gegenüber Begriffen mit gerin­gem Potenzial zu geben. Weiterhin sollte ein modellbasierter Algorithmus verlässliche und genaue Vorhersagen bezüglich den mit der Strategie verbundenen potenziellen Risiken liefern.

Der in der Adobe-Lösung enthaltene Lernbudget-Algorithmus ermöglicht es Werbetreibenden, die Höhe der Ausgaben zu bestimmen, die sie in bestimmte Longtail-Keywords mit geringer Konvidenz und hohem Aufwärtspotenzial investieren möchten. Bei einem kleinen Lernbudget wird dabei ein geringerer Budgetanteil für Longtail-Keywords mit höherer Varianz investiert.

Daraus ergibt sich eine insgesamt eher geringe Varianz der erwarteten Performance. Mit einem höheren Lernbudget nimmt auch die Varianz zu. Dabei ist es aber nicht so, dass eine stärkere Varianz automatisch eine schwächere Performance impliziert. Sie impliziert lediglich größere Abweichungen innerhalb der Performance. Kurzum, Lernbudgets ermöglichen einen klassischen Risiko/Rendite-Abgleich.

Fallstudien belegen Wirksamkeit

Ein Fallbeispiel illustriert dieses Vorgehen: Die Werbeausgaben eines konkreten Kunden stiegen in einem Zeitraum von 3 Jahren von 200.000 US-Dollar auf über eine Million. Der fünffache Anstieg ging mit einer 5-fachen Zunahme der Vertragsabschlüsse einher. Hinter dieser drastischen und anhaltenden Steigerung der Performance stand der Longtail-Management-Algorithmus. Während die tägliche, von den Keywords mit spärlichen Daten generierte Conversionsrate erheblich schwankte, war die kumulative monatliche Zuwachsrate durch neue, Conversion generierende Keywords stabil. Ähnlich dem Longtail erfuhren auch Investitionen und Vertragsabschlüsse einen konstanten Anstieg. Hier griff das beständige Lernen, der Steady-Learning-Ansatz.

Ein rasch expandierendes Unternehmen benötigt hingegen oft eine offensive Longtail-Lernstrategie. Unter solchen Umständen stellt das Risiko ein geringeres Problem dar im Vergleich zum Wachstumspotenzial. In solchen Fällen kann der Lernalgorithmus extrem offensiv eingestellt werden – in dem Wissen, dass ein kurzfristiger Rückstoß einen langfristigen Gewinn liefern kann (Aggressive Learning).

Andere Ansätze

Während die proprietären Longtail-Management-Modelle und -Algorithmen von Adobe für fast jedes Szenario nutzbar sind, kann es auch einzelne Situationen geben, für die ein heuristischer Ansatz besser wäre. Wenn etwa ein Werbetreibender bereit ist, ein hohes Risiko im Gegenzug für ein äußerst rasches Engagement seiner Longtail-Keywords einzugehen, kann eine Risiko-Maximierungsregel eingesetzt werden. Diese Regeln decken mehrere „Geschmacksrichtungen“ ab, wie etwa:

  • Gebote auf Keywords zu den von Google für die erste Seite vorgeschlagenen CPC
  • für sämtliche Longtail-Keywords zu einem hohen CPC bieten und vor einer Gebotsentscheidung auf eine bestimmte Anzahl an Klicks warten
  • Für alle Keywords für eine bestimmte Position bieten etc.

In einem solchen Szenario bietet Adobe Media Optimzier ebenfalls die erforderlichen Automatisierungstools, um diese Aufgaben effizient auszuführen.

Fazit

Das Longtail-Management im Rahmen des Suchmaschinenmarketings ist eine komplexe Aufgabe und stellt besondere Anforderungen an das Automatisierungs-und Risikomanagement. Während einfache Heuristiken durchaus für die Steuerung kleiner Kampagnen geeignet sind, erfordern große Kampagnen einen algorithmischen Ansatz, wenn sie effizient ablaufen sollen. Die Modelle, die hinter der Adobe Media Optimizer-Technologie stehen, erstellen sehr genaue Vorhersagen zur Longtail-Performance und können – im Verbund mit Risiko-Management-Algorithmen – dabei helfen, den Keyword-Longtail auf steuerbare und einträgliche Weise auszubauen. Neben der algorithmischen Longtail-Optimierung bietet die Adobe Media Optimizer-Plattform einen hohen Grad an Flexibilität auch für Werbetreibende, die den „Rattenschwanz“ der Suchbegriffe lieber über eigene Geschäftsregeln steuern möchten.

Über den Autor

Ulrich Rohde - Adobe Marketing ManagerUlrich Rohde ist Marketing Manager für den Adobe Media Optimizer in Hamburg und Experte für das Thema Online-Marketing.

Literatur

Das komplette Whitepaper zum Download: Das Geheimnis hinter dem Longtail.


Kommentar schreiben