• Treffer 1 von 1
Zurück zur Trefferliste

Analyzing paid search campaigns using keyword-level data and Bayesian statistics

Analyse bezahlter Suchkampagnen mithilfe von Daten auf Keyword-Ebene und Bayes‘scher-Statistik

  • Online marketing, especially Paid Search Advertising, has become one of the most important paid media channels for companies to sell their products and services online. Despite being under intensive examination by a number of researchers for several years, this topic still offers interesting opportunities to contribute to the com- munity, particularly because of its large economic impact and practical relevance as well as the detailed and widely unfiltered view of consumer behavior that such marketing offers. To provide answers to some of the important questions from advertisers in this con- text, I present four papers in my thesis, in which I extend previous works on optimization topics such as click and conversion prediction. I apply and extend methods from other fields of research to specific problems in Paid Search. After a short introduction, I start with a paper in which we illustrate a new method that helps advertisers to predict conversion probabilities in Paid Search using sparse keyword- level data. We address one of the central problems in Paid search advertising, which is optimizing own investments in this channel by placing bids in keyword auctions. In many cases, evaluations and decisions are made with extremely sparse data, al- though anecdotal evidence suggests that online marketing is a typical
  • Online-Marketing, insbesondere Suchmaschinenwerbung, ist zu einem der wichtigsten bezahlten Mediakanäle für Unternehmen geworden, um Produkte und Dienstleistungen online zu vertreiben. Insbesondere aufgrund seiner hohen praktischen Relevanz sowie der detaillierten und weitgehend ungefilterten Sichtweise auf Konsumentenverhalten, stellt sich dieses Thema als besonders interessantes Forschungsgebiet dar. Um in diesem Zusammenhang Antworten auf wichtige Fragen von Werbetreibenden zu geben, werden ich in der Arbeit vier Aufsätze vorgestellt. Nach einer kurzen Einführung, wird mit einem Beitrag begonnen, in dem ein neues Verfahren dargestellt wird, mit dessen Hilfe Werbetreibende die Wahrscheinlichkeit von Conversions in der bezahlten Suche auf Keyword-Ebene vorhersagen können. In vielen Fällen werden Bewertungen und Entscheidungen auf Basis von extrem wenigen Daten durchgeführt. Im vorgestellten Algorithmus werden zusätzliche Informationen aus der Gruppierung von Keywords zur Verbesserung von Prognosen verwendet. Im Folgenden wird die Entwicklung eines nicht-reaktiven, experimentellen Verfahrens für A / B-Tests von Paid Search-Werbemaßnahmen beschrieben. Abschließend werden zwei Beiträge präsentiert, in denen Bayes´sche Methoden zur Bewertung der Auswirkungen bestimmter Textinhalte in bezahlten Suchanzeigen angewendet werden.

Volltext Dateien herunterladen

Metadaten exportieren

Weitere Dienste

Teilen auf Twitter Suche bei Google Scholar
Metadaten
Verfasserangaben:Tobias-Benedikt Blask
URN:urn:nbn:de:gbv:luen4-opus-145002
URL: https://pub-data.leuphana.de/frontdoor/index/index/docId/863
Betreuer:Burkhardt Funk (Prof. Dr.)
Gutachter:Reinhard Schulte (Prof. Dr.)GND, Jorge Marx Gómez (Prof. Dr.-Ing. habil.)GND
Dokumentart:Dissertation
Sprache:Englisch
Erscheinungsjahr:2018
Datum der Veröffentlichung (online):26.06.2018
Veröffentlichende Institution:Leuphana Universität Lüneburg, Universitätsbibliothek der Leuphana Universität Lüneburg
Titel verleihende Institution:Leuphana Universität Lüneburg
Datum der Abschlussprüfung:13.06.2018
Datum der Freischaltung:26.06.2018
Freies Schlagwort / Tag:Baye´sche-Statistik; Datenerhebung auf Keyword-Ebene; Umfrage; bezahlte Suchkampagne
keyword-level data; paid search campaigns
GND-Schlagwort:Analyse; Erhebung; Online-Marketing
Fakultät / Forschungszentrum:Fakultät Wirtschaftswissenschaften / Institut für Wirtschaftsinformatik (IIS)
DDC-Klassifikation:3 Sozialwissenschaften / 31 Statistiken / 310 Sammlungen allgemeiner Statistiken
Lizenz (Deutsch):License LogoDeutsches Urheberrecht