Neue Methode verbessert Conversion‑Vorhersagen trotz Datenschutz

Wer im Online‑Marketing arbeitet, kennt das Problem: Durch neue Datenschutz‑Regeln und die Abschaffung von Drittanbieter‑Cookies sind direkte Verknüpfungen zwischen einem Klick auf eine Anzeige und einer späteren Conversion nicht mehr möglich. Stattdessen stehen nur noch „Attributionssets“ zur Verfügung – Gruppen von potenziellen Klicks, die mit einer Conversion in Verbindung stehen könnten.

Forscher haben dieses Problem formalisiert und ein Verfahren entwickelt, das aus diesen unscharfen Signalen eine unverzerrte Schätzung des Populationsverlusts berechnet. Dabei wird ein „oblivious adversary“ mit einer vorgegebenen Wahrscheinlichkeitsverteilung über die Kandidatenmodelle angenommen. Der Schlüssel liegt in einem neuen, unverzerrten Schätzer, der es ermöglicht, Empirical Risk Minimization (ERM) trotz fehlender exakter Labels anzuwenden.

Die Theorie liefert Generalisierungsgarantien, die sich proportional zur Informationsgehalt der Prior‑Verteilung skalieren. Gleichzeitig bleibt das Verfahren robust gegenüber Fehlern in der Prior‑Schätzung, selbst wenn die Attributionssets komplexe Abhängigkeiten aufweisen. In praktischen Tests auf Standard‑Datensätzen übertraf der Ansatz die gängigen industriellen Heuristiken deutlich, insbesondere wenn die Attributionssets groß oder stark überlappend sind.

Diese Entwicklung bietet Werbetreibenden ein leistungsfähiges Werkzeug, um Conversion‑Modelle unter strengen Datenschutzbedingungen zu trainieren, ohne auf exakte Klick‑Conversion‑Verknüpfungen angewiesen zu sein. Sie eröffnet neue Möglichkeiten für präzisere Zielgruppenansprache und effizientere Kampagnenoptimierung in einer zunehmend datenschutzorientierten Landschaft.