Use Case

Teams aus Subscription, Advertising und Redaktion brauchten einen einfacheren Weg, Zielgruppen zu definieren und zu aktivieren. Der bestehende Ansatz basierte auf einer lizenzierten, nachgelagerten Aktivierungsplattform, die zwar leistungsfähig, aber komplex in der Bedienung war. Dadurch war es für Stakeholder schwierig zu erkennen, ob ein ähnliches Segment bereits existierte, und Iterationen wurden verlangsamt.

Ziel war es, die Segment-Erstellung zu vereinfachen, ohne das nachgelagerte Aktivierungssystem zu ersetzen: Stakeholder sollten ihre Intention klar formulieren, die Zielgruppenform vor dem Speichern validieren und Segmente schnell für Advertising sowie On-Site-Messaging operationalisieren.

Vorgehen

Wir entwickelten einen internen, KI-gestützten Segmentierungs-Workflow, der die Komplexität für Stakeholder reduziert und gleichzeitig das nachgelagerte Aktivierungssystem beibehält. Die Grundidee war, Segment-Discovery und Definition in eine einfache, zweckmässige Benutzeroberfläche zu verlagern, die Stakeholder-Intention in verlässliche, governte Logik übersetzt.

Auf der Datenebene bauten wir einen User-Profil-Store auf Basis von Web-Analytics-Events und Engagement-Signalen. Parallel reichern wir Verhalten durch KI-gestützte Content-Klassifikation an – Inhalte wurden nach Themen und Entitäten wie Personen und Orten getaggt – damit Nutzerverhalten kontextreicher verstanden werden kann.

Um Segmentierung zugänglich zu machen, konnten Stakeholder die gewünschte Zielgruppe in natürlicher Sprache beschreiben. Das System übersetzte die Intention in eine SQL-Abfrage, lieferte eine Schätzung der Zielgruppengrösse und zeigte eine Vorschau repräsentativer Profile, sodass schnell iteriert werden konnte, bevor ein Segment gespeichert wurde.

Lösung

Die Lösung war eine eigenständige Segmentierungs-Applikation, betrieben unabhängig vom nachgelagerten Aktivierungssystem und gestützt auf eine strukturierte SQL-Tabelle mit User-Profilen und vielen Features. Diese Features deckten Engagement-Muster sowie Lifecycle- und Kanal-Signale ab, etwa Newsletter-Beziehungen, Notification-Engagement, Recency, Frequency und weitere Besuchsmuster.

Wo es für die Aktivierung nützlich war, enthielt die Profilschicht abgeleitete demografische Wahrscheinlichkeiten, basierend auf beobachteten Verhaltensmustern und verfügbaren Standortsignalen. Dadurch wurden flexiblere Targeting-Use-Cases möglich, ohne dass Stakeholder Signale manuell über mehrere Systeme hinweg zusammenführen mussten.

Nach Bestätigung der Segment-Definition pusht die Applikation das Segment in das nachgelagerte Aktivierungssystem. Ein Synchronisationsprozess prüft kontinuierlich, ob sich die Segment-Mitgliedschaft verändert hat, und aktualisiert das Segment bei Bedarf, sodass die Aktivierungs-Audience aktuell bleibt, ohne wiederholte manuelle Neubauten.

Ergebnis

Stakeholder erhielten einen deutlich schnelleren und einfacheren Weg zur Segment-Erstellung, was die Nutzung erhöhte und den Zeitaufwand für komplexe Workflows reduzierte. Der Preview-und-Estimate-Flow verringerte Trial-and-Error und half, doppelte oder nahezu doppelte Segmente zu vermeiden, indem Ähnlichkeiten und Zielgruppenform früh sichtbar wurden.

Operativ reduzierte der Ansatz die Abhängigkeit von spezialisierten technischen Nutzern für die tägliche Segmentierungsarbeit. Teams konnten Targeting-Logik schneller iterieren, während das nachgelagerte Aktivierungssystem weiterhin als Hub für Ad-Serving sowie On-Site-Subscription- und Messaging-Erlebnisse diente.

Das Ergebnis war eine skalierbarere Audience-Activation-Fähigkeit: reichhaltigere Segmente auf Basis von Verhaltens- und Content-Intelligenz, geringerer operativer Aufwand und ein Workflow, der Stakeholder-Intention mit governter, reproduzierbarer Segment-Logik verbindet.