Entwicklung Marketing Bot für das Social Media Management

Zusammenfassung

Für das eCommerce Unternehmen PosterXXL haben wir einen Social Media Management Bot entwickelt, der in Lage war Werbebudgets automatisch zu verwalten und zu optimieren. Wir nutzten dazu einen von uns entwickelten Machine Learning Algorithmus der konstant mit neuen Verkaufszahlen trainiert wurde.

Die Zielsetzung des Projekts war kurz-, mittel- und langfristig die Kundenakquisitionskosten zu senken und das Paid Social Media Management zu vereinfachen.

Über unseren Case Study Partner

PosterXXL hat es sich seit fast zwanzig Jahren zur Aufgabe gemacht, Lieblingsmomente in hochwertige Fotoprodukte zu verwandeln. Dabei bieten Sie eine große Auswahl an Qualitätsprodukten für jeden Geldbeutel und einfache Tools, zur Gestaltung an.

Ausgangssituation

Anfänglich sollten wir eine kurzfristige Lösungen zum Management des Meta Werbeaccounts finden um das System weiter optimieren. Zu diesem Zweck setzten wir unseren eigenen Machine Learning Algorithmus ein, der direkt Optimierungspotenziale aufzeigen konnte.

In einem zweiten Schritt wurde die Logik in einem täglichen Modus angewendet um regelmäßige Verbesserungen durchzuführen. Dies führte zu einer deutlichen Senkung der Kundenakquisitionskosten und reduzierte den manuellen Account Management Aufwand deutlich.

Bot Entwicklung

Die Bot Entwicklung erfolgte mit der Programmiersprache Golang und nutzte die Daten aus der Meta API. Dabei wurden die Daten des Werbekontos in unserer Datenbank mithilfe von CronJobs die über AWS ausgeführt wurden befüllt. In einem zweiten Schritt wurde unser Standard Modell auf die zur Verfügung stehenden Daten angewendet, um Verbesserungspotenziale aufzuzeigen. 

Nach manueller Begutachtung der Ergebnisse und der manuellen Umsetzung, warteten wir bis zur positiven Validierung der Änderungen. Anschließend erweiterten wir das System um tägliche Updates zu ermöglichen. Dabei war ein wichtiger Bestandteil auch die Möglichkeit keine Änderungen durchzuführen um den Meta Algorithmus nicht mit zu vielen kleineren Änderungen zu "verwirren".

Das System wurde trotzdem regelmäßig manuell prüft um Grenzfälle zu verbessern und die Account-Performance sicherzustellen.

Algorithmus Entwicklung

Auf Grundlage eines eigenen Kosten-Nutzen-Systems entwickeln wir einen "Reinforcement Learning" Algorithmus der auf die Optimierung der Zielgröße Kosten pro Kauf trainiert wurde.

Die größte Herausforderung war dabei, die Erstellung einer validen Kostenfunktion um dem System positives oder negatives Feedback passgenau zu übermitteln. Dieses Grundmodell setzten wir in einer Vielzahl von Projekten ein.