Please use this identifier to cite or link to this item: https://doi.org/10.48548/pubdata-476
Resource typeDissertation
Title(s)Multi-Channel Advertising Effectiveness
Subtitle(s)Modeling User Behavior and Approaches for Decision Support in Real-Time Advertising
Alternative title(s)Multi-Kanal Werbewirkung: Modellierung von Nutzerverhalten und Ansätze zur Entscheidungsunterstützung im Real-Time-Advertising
DOI10.48548/pubdata-476
Handle20.500.14123/511
CreatorStange, Martin
RefereeFunk, Burkhardt  0000-0001-5855-2666  105142156X
Abou Nabout, Nadia  1021147303
Niemeyer, Peter  1051421551
AdvisorFunk, Burkhardt  0000-0001-5855-2666  105142156X
AbstractOnline advertising has become one of the most important dimension of corporate communications. In recent years, a new form of advertising on the Internet has emerged: real-time advertising. Among others, it allows companies to identify potential customers and target them with respect to their interests. In this way, real-time advertising can increase advertising effectiveness and it could, at the same time, improve user experience. With the emerge of this new form of advertising, statistical models have become even more important because they are now being increasingly used to predict online user behavior. The articles included in this dissertation analyze user-level clickstream data generated during multi-channel advertising campaigns (including TV advertising) and during real-time auctions. The goal of the analyses conducted here is to better understand advertising effects and to support decision-making in this context. Most of the analyses are based on Bayesian models. These models allow for a very flexible structure, which enables researchers to model, for instance, heterogeneity across different types of users or non-linear parameters such as users´ reaction times and exponential decay of advertising effects. In addition, these models allow for the inclusion of prior knowledge of parameter distributions, and, therefore, they are well suited for iterative analyses based on clickstream data. Bayesian models can be evaluated in different ways. Instead of only relying on statistical metrics, the articles included in this dissertation aim to estimate the economic value of these models based on their predictive performance. Although this measure can only approximate their true economic value, this approach can be used to compare and evaluate different models and to illustrate the impact of predictive analyses for companies in the context of big data. This dissertation contributes to both information systems research and marketing research and has many managerial implications. First, a process is developed to determine optimal sample sizes representing the best balance between computational costs and predictive accuracy in e-commerce in particular and big data contexts in general. In practice, this process can be used to reduce infrastructure and computational costs. Second, the articles included here describe models that can be used to measure the impact of television ads on users' online shopping behavior. The models can provide insights concerning the effectiveness of individual television ads, the interactions between different advertising channels and the difference in user behavior of TV-induced customers and their non-TV-induced counterparts. Thereby, the models could support decision-making with respect to future advertising campaigns and targeting. Third, the articles describe several possibilities to extend and improve decision support systems currently used in e-commerce and marketing. These improvements enable practitioners to predict users´ interests for arbitrary products and services by using corresponding websites as dependent variables. This approach can be used to improve the effectiveness of real-time advertising campaigns, especially those intended to raise brand awareness among customers.

Online-Werbung hat sich zu einer der wichtigsten Dimensionen der Unternehmenskommunikation entwickelt. In den letzten Jahren hat sich eine neue Form der Werbung im Internet herausgebildet: Real-Time-Advertising. Unter anderem ermöglicht es Unternehmen, potenzielle Kunden zu identifizieren und sie mit Bezug auf ihre Interessen gezielt anzusprechen. Auf diese Weise können die Werbewirksamkeit erhöht und die User Experience verbessert werden. Mit dem Aufkommen dieser neuen Form der Werbung sind statistische Modelle umso wichtiger geworden, weil sie zunehmend dazu verwendet werden das Online-Nutzerverhalten vorherzusagen. Die in dieser Dissertation enthaltenen Artikel analysieren Clickstream-Daten auf Benutzerebene, die während Mehrkanal-Werbekampagnen (einschließlich TV-Werbung) und bei Echtzeit-Auktionen generiert werden. Ziel der hier durchgeführten Analysen ist es, Werbewirkungen besser zu verstehen und Entscheidungen in diesem Zusammenhang zu unterstützen. Die meisten Analysen basieren auf Bayesianischen Modellen. Diese Modelle ermöglichen eine sehr flexible Struktur, die es Forschern ermöglicht zum Beispiel die Heterogenität der Benutzer oder nichtlineare Parameter, wie Reaktionszeiten der Anwender und exponentieller Zerfall von Werbewirkung, zu modellieren. Darüber hinaus ermöglichen diese Modelle die Einbeziehung von Vorkenntnissen von Parameterverteilungen und eignen sich daher gut für iterative Analysen auf Basis von Clickstream-Daten. Bayesianische Modelle können auf unterschiedliche Weise ausgewertet werden. Anstatt sich nur auf statistische Metriken zu verlassen, zielen die in dieser Dissertation enthaltenen Artikel darauf ab, den ökonomischen Wert dieser Modelle anhand ihrer Vorhersagekraft abzuschätzen. Obwohl diese Maßnahme den tatsächlichen ökonomischen Wert nur approximieren kann, kann dieser Ansatz verwendet werden, um unterschiedliche Modelle zu vergleichen und zu bewerten. Diese Dissertation trägt sowohl zur Wirtschaftsinformatik-Forschung als auch zur Marketing-Forschung bei und hat viele Implikationen. Erstens wird ein Verfahren entwickelt um optimale Stichprobengrößen zu bestimmen, die die optimale Balance zwischen Infrastrukturkosten und Vorhersagekraft im E-Commerce und anderen Big-Data-Kontexten darstellen. In der Praxis kann dieses Verfahren genutzt werden, um ebendiese Kosten zu senken. Zweitens beschreiben die hier enthaltenen Artikel Modelle, mit denen die Auswirkung von Fernsehwerbung auf das Online-Shopping-Verhalten der Nutzer gemessen werden kann. Die Modelle können Erkenntnisse über die Effektivität einzelner Fernseh-Spots, die Interaktionen zwischen verschiedenen Werbekanälen und die Unterschiede im Nutzerverhalten von TV-induzierten Kunden und deren Nicht-TV-induzierten Pendants liefern. In der Praxis könnten die Modelle Entscheidungen in Bezug auf zukünftige Werbekampagnen und das Targeting unterstützen. Drittens beschreiben die Artikel verschiedene Möglichkeiten zur Erweiterung und Verbesserung der Entscheidungsunterstützungssysteme, die derzeit im E-Commerce und im Marketing eingesetzt werden. Die in dieser Dissertation vorgeschlagenen Verbesserungen ermöglichen es Praktikern, Interessen von Nutzern für beliebige Produkte und Dienste vorherzusagen. Der Ansatz kann genutzt werden, um die Effektivität von Real-Time-Advertising-Kampagnen zu verbessern, insbesondere um die Marktbekanntheit gezielt zu steigern.
LanguageEnglish
KeywordsDatenanalyse; Werbung; Marketing; Internet; Nutzerverhalten
Date of defense2017-01-20
Year of publication in PubData2017
Publishing typeFirst publication
Date issued2017-02-22
Creation contextResearch
Granting InstitutionLeuphana Universität Lüneburg
Published byMedien- und Informationszentrum, Leuphana Universität Lüneburg
Files in This Item:
File SizeFormat 

DissertationMartinStange.pdf
MD5: 8e2de3dac9c3747e1fe67c26e4d2d5ee
License:  Nutzung nach Urheberrecht
open-access

2.14 MB

Adobe PDF
View/Open

Items in PubData are protected by copyright, with all rights reserved, unless otherwise indicated.

Citation formats
Access statistics

Page view(s): 21

Download(s): 9