Case & Story: Bark

Bark.com hat ein B2B-Prädiktionsmodell für tROAS-Ausschreibungen entwickelt, um die Anmeldung von hochwertigen Dienstleistungsanbietern zu fördern.

23%Steigerung der LTV-Einnahmen

33% Steigerung des LTV ROAS

Das Unternehmen

Bark ist der größte und am schnellsten wachsende Marktplatz für Dienstleistungen in Großbritannien, der Verbraucher*innen und Unternehmen mit den richtigen Fachleuten für ihre Projekte in über 1.000 verschiedenen Kategorien zusammenbringt.

Bark wurde 2015 gegründet, hat seinen Hauptsitz in London und ist weltweit in Großbritannien, Frankreich, den USA, Irland, Kanada, Südafrika, Australien, Neuseeland und Singapur tätig.

Das Geschäftsmodell

Das Geschäftsmodell von Bark besteht daraus, Privatpersonen mit Fachleuten aus verschiedenen Bereichen zu vernetzen: Reinigungskräfte, Personal Trainer, Webdesigner und mehr. Einzelne Kund*innen können auf der Bark-Webseite ein Inserat aufgeben, in dem sie um professionelle Hilfe bitten – ohne Vermittlungsgebühren. Bark schickt diese Anzeige dann an verbundene Fachleute in der Umgebung, die bei Interesse diese Aufträge mit zuvor gekauften Credits erwerben und so die E-Mail-Adresse und Telefonnummer der Person erhalten, die die Anzeige veröffentlicht hat.

Darüber hinaus können Fachleute optional eine monatliche Gebühr an Bark zahlen, um als Elite-Profi zu erscheinen und von Bark empfohlen werden.

Die Zielsetzung

Das Ziel von Bark war es, die eigenen Kampagnen so auszurichten, dass sie Fachleute ansprechen, die regelmäßig Credits verwenden.

Die hauptsächliche Herausforderung der Kampagne bestand darin, dass das Volumen der Conversions, d. h. der Fachleute, die auf die Suchkampagne klickten und innerhalb von sieben Tagen Credits kauften, so gering war, dass die Algorithmen von Google nicht lernen und daher nicht für diese Nutzer*innen optimiert werden konnten.

Der Lösungsansatz

Making Science schlug vor, eine zusätzliche Signalart zu den bereits vorhandenen Signalen von Bark hinzuzufügen. Diese neuen Signale werden generiert, wenn Nutzer*innen/Berufstätige ein Abonnement abschließen, wobei neuen Nutzern, die noch nie ein Abonnement abgeschlossen haben, Priorität eingeräumt wird. Unser Machine-Learning-Modell weist dem Nutzer einen Wert zu, der die erwarteten Einnahmen in Form von Kreditverbrauch plus einer monatlichen Gebühr innerhalb der nächsten 90 Tage angibt.

Das Projekt wurde in der US-Kampagne aktiviert und die Zielsetzung erreicht, indem das Volumen der Signale (neue Fachleute mit potenziellem wiederkehrendem Kreditverbrauch) mit 20 multipliziert wurde und sie auf der Grundlage ihres Wertes markiert wurden. Dies ermöglichte es den Google-Search-Smart-Bidding-Kampagnen mit tROAS-Gebotsstrategien (ROAS mit erwartetem Wert), über genügend Daten zum Lernen zu verfügen und auf die gewünschte Zielgrupppe zu optimieren, die Bark ansprechen wollte (Interessent*innen mit höherem Wert).

Die Ergebnisse

Die Implementierung von hochwertigen Kundeninformationen in der Value-Based Bidding-Strategie ermöglichte Bark:

• Den 90-Tage-LTV-Umsatze gegenüber dem 7-Tage-Umsatzmultiplikator um 23 % im
  Vergleich zur Kontrollgruppe erhöhen
• Den 90-Tage-LTV-ROAS um 33 % bei gleichbleibendem 90-Tage-LTV-Umsatz steigern