Exposé zur Masterarbeit - uni-kassel.de · zu einem Punkt führen, an dem ein Konsument sich...
Transcript of Exposé zur Masterarbeit - uni-kassel.de · zu einem Punkt führen, an dem ein Konsument sich...
0
Universitat Kassel
SVI Stiftungslehrstuhl fur Internationales Direktmarketing
DMCC - Dialog Marketing Competence Center
Prof. Dr. Ralf Wagner
Expose zur Masterarbeit
__________________________________________
- (Predictive) Behavioral Targeting -
Verhaltensbasierte Zielgruppensegmentierung im
Spannungsverhältnis zwischen effizienter
Kundenbedürfnisbefriedigung und der Erzeugung von
Kundenreaktanz
________________________________________________________________
Nicola Zeiger
Business Studies
Rote Breite Straße 50, 34246 Vellmar
1
Stand: 16.10.2016
Inhaltsverzeichnis
1. Einführung...............................................................................................................................2
2. Problemstellung und Zielsetzung............................................................................................2
3. Stand der Forschung................................................................................................................4
4. Hypothesenbildung..................................................................................................................6
5. Vorgehensweise der Untersuchung.........................................................................................9
6. Vorläufige Gliederung...........................................................................................................10
7. Literaturverzeichnis...............................................................................................................11
2
1. Einführung Online-Werbung erlangt in der heutigen Zeit einen immer höheren Stellenwert. Doch viele
Kunden sind übersättigt von der Werbung, die sie tagtäglich durch das Internet erreicht. Eine
permanente Versorgung mit Informationen, mit für den Konsumenten teilweise irrelevanten
Inhalten, führt dazu, dass Online-Werbung ignoriert wird oder sogar Reaktanz hervorruft (Jin
& Villegas 2007). Die Werbebanner auf den Internetseiten weisen oftmals im Schnitt nur
Klickraten von 0,1 % auf (Riekhof, Eiben & Schäfers 2009) und setzten Anfang 2013 50
Millionen Nutzer Werbeblocker ein, so wurden diese Anfang 2015 bereits von 200 Millionen
Nutzern eingesetzt (PageFair & Adobe 2015). Um dieser Entwicklung entgegenzuwirken, um
die Werbeeffektivität und -effizienz zu steigern und um die Vielzahl an Werbeeindrücken auf
die für den Kunden relevanten zu beschränken, ist das Targeting zu einem wichtigen
Bestandteil des Online-Marketings geworden (OVK 2016). Targeting ermöglicht es
Unternehmen, ihre Werbung auf Basis vorher festgelegter Kriterien „speziell fur ausgewahlte
Nutzer einzublenden“, um die eigene Zielgruppe effizienter zu erreichen und Streuverluste zu
minimieren (Eisinger, Rabe & Thomas 2006, S. 243). Dabei bietet das Internet durch seine
Interaktivität umfangreiche Möglichkeiten verhaltensbezogene Konsumentendaten
aufzuzeichnen. Bewegt sich ein Nutzer auf einer Website, so hinterlässt er große Mengen an
Daten auf dem Server, die nachverfolgt werden können. So lassen sich detaillierte Angaben
über das Kaufverhalten, die Kaufabsichten und das Informationsverhalten der Nutzer
nachvollziehen (BVDW 2008). Der Grundgedanke des Behavioral Targetings (BT) basiert
somit darauf, dass anhand des Verhaltens eines Users innerhalb eines Netzwerkes oder einer
Website auf dessen Affinitäten geschlossen werden kann (Häberle 2006). Hierfür ist es von
Vorteil, dass es technologisch möglich gemacht wurde, die Erhebung, die Aufbereitung und
Interpretation der Konsumentendaten in Echtzeit zu bewältigen (Hippner, Merzenich & Wilde
2002). Unternehmen können diese Informationen nutzen, um spezielle Zielgruppen aufgrund
ihres Surfverhaltens und/oder zusätzlicher Nutzungsdaten zu identifizieren. So wird es
ermöglicht, auf die Benutzer persönlich zugeschnittene Anzeigen zur passenden Zeit,
unmittelbar einzublenden (Evans 2009). Behavioral Targeting wird als „die Auslieferung
digitaler Werbung basierend auf dem registriert vergangenen Surfverhalten (Behavior) der
Nutzer“ bezeichnet (BVDW 2008, S. 5).
2. Problemstellung und Zielsetzung
Die oftmals als BT bezeichnete verhaltensbasierte Zielgruppenansprache ist nun seit einigen
Jahren auf dem Markt und die End User werden zunehmend mit auf sie zugeschnittener
Werbung konfrontiert. Hierfür ist eine große Anzahl von Benutzerdaten notwendig, die
3
gesammelt, gespeichert und analysiert werden müssen (Angwin 2010). Es entstehen immer
größere Netzwerke und auch Daten, die im Rahmen von Social Media-Kampagnen,
beziehungsweise durch Social Media Monitoring gewonnen werden, spielen eine immer
größere Rolle bei der Datenerfassung (Ahlemeyer-Stubbe 2013). Durch Soziale Netzwerke
lassen sich enorm viele Informationen über das Konsumverhalten der Nutzer ableiten (Klaus,
Schwerdtfeger & Wagner 2009) Besonders die Dialoge in Online Communities können viele
interessante Informationen für Unternehmen enthalten (Klaus & Wagner 2010). Die
Effektivität von verhaltensbasiertem Targeting wächst mit der Größe des Verbundes von
Website-Anbietern, die den Zugriff auf Nutzerdaten erlauben. Je größer dieses Netzwerk ist,
desto umfangreicher kann das Nutzerverhalten nachvollzogen werden (Cooley, Tan &
Srivastava 2000). Der Online User wird dadurch mit jedem Klick, den er im Internet tätigt,
transparenter.
Während sich die bestehende Literatur überwiegend mit der finanziellen Rentabilität von
Targeting-Maßnahmen aus Sicht der Unternehmen beschäftigt (u.a. Greve, Hopf & Baur 2011),
wird zunehmend vermehrt auf eine mögliche Bedrohung der Privatsphäre der End User (End
User Privacy) hingewiesen (u.a. Greve, Bauer & Hopf 2012; Schneider, Enzmann &
Stopczynski 2014). Denn obwohl die Anwendung von BT nachweislich zu verbesserten
Werbeerfolgen der Unternehmen führen kann, werden immer wieder Stimmen laut, die eine
Bedrohung in Bezug auf Sicherheitsthemen durch BT befürchten (Goldfarb & Tucker 2011;
Schneider, Enzmann & Stopczynski 2014). Einige Online-Herausgeber (z.B. Google)
verlangen in diesem Zusammenhang, dass der Benutzer explizit zustimmen muss, bevor seine
Daten gesammelt werden können. Er muss erlauben, auswählen und angeben können, welche
Informationen über ihn gesammelt werden und wofür diese verwendet werden dürfen (Chen &
Stallert 2014). Einige Studien zeigen zudem auf, dass Online User sich durch die auf sie
zugeschnittene Werbung sogar unwohl fühlen können (Helft & Tanzina 2010; Hense 2016;
BVDW 2016).
Die Gratwanderung zwischen der effizienten Ansprache eines (potenziellen) Kunden und der
Gefahr, bei diesem durch zu stark personalisierte Werbung Reaktanz auszulösen, macht das
verhaltensbasierte Targeting zu einem wichtigen Forschungsgegenstand. Die Arbeit soll in
diesem Zusammenhang einen Beitrag zur Transparenz verhaltensorientierter Targeting-
Verfahren liefern und die Prozesse vor allem hinsichtlich ihres Effekts auf den End User
analysieren.
Ziel der Arbeit ist somit:
4
Erstens einen methodischen Überblick über die Anwendungen und Prozesse der
verhaltensorientierten Zielgruppenidentifizierung zu geben, wobei der Schwerpunkt auf der
Datenerhebung, Verarbeitung und Analyse dieser Daten liegt. Zudem werden die Methoden
zur verhaltensbezogenen Zielgruppenidentifizierung untersucht. Besondere Beachtung findet
dabei die Funktionsweise der Methoden Behavioral Targeting (BT) und Predictive Behavioral
Targeting (PBT). Beim PBT werden aufgrund des Surfverhaltens eines Users, mithilfe von
statistischen Prognoseverfahren, diesem User weitere Merkmale zugeschrieben. Darauf
basierend werden dann digitale Anzeigen an Nutzergruppen ausgespielt, mit Produkten, die sie
aufgrund der Auswertung dieser statistischen Prognoseverfahren benötigen (Ahlemeyer-Stubbe
2013).
Zweitens sollen auf dieser Grundlage, die Effekte des verhaltensbasierten Targetings auf den
Endbenutzern modellieren werden. Der Umgang der End User mit Online-Daten wird
beleuchtet. Es wird untersucht, inwieweit End User dazu bereit sind, ihre Daten preiszugeben
um speziell auf sie zugeschnittene Werbung zu erhalten und ob eine höhere Mitbestimmung
bei der Datenpreisgabe zu einer höheren Bereitschaft führt, personalisierte Werbung zu
empfangen. Zudem soll ermittelt werden, wann Online-Werbung einen negativen Effekt haben
kann, ob dieses je nach Nutzer variiert und ob es Branchen gibt, in denen auf den End User
zugeschnittene Anzeigen generell negativ bewertet werden. Zuletzt wird dann die These
untersucht, dass eine speziell auf den Endkunden zugeschnittene Werbeauslieferung dessen
Verbraucherwahl einengen kann und dies zu Wettbewerbsnachteilen für andere Anbieter führt.
3. Stand der Forschung
Titel Autoren Medium Jahr
Gegenstand
Consumer privacy and
the market for
customer information
Taylor, C. RAND Journal of
Economics 2004
Privatsphäre im Internet,
Datenaustausch
Logfile-Analyse als
Instrument zur
Messung und
Auswertung von
Kundenverhalten im
Rahmen der
Erfolgskontrolle von
Websites –
Hintergrund,
Möglichkeiten und
Worzyk, T. &
Löhdefink, M.
Konsumentenverhalt
en im Internet:
Konzepte –
Erfahrungen -
Methoden
2004
Auswertung von Daten über
das Surfverhalten der
Konsumenten
5
Lösungen.
Data-Enhanced
Predictive Modeling
for Sales Targeting
Rosset, S. &
Lawrence, R. Proceedings of
SIAM Conference
On Data Mining
2006
Beschreibung und Analyse
von data-enhanced predictive
modeling (DEM).
Optimal marketing
strategies for a
customer data
intermediary
Pancras, J. &
Sudhir, K.
Journal of Marketing
Research, 2007 Datenbasiertes Marketing,
CRM
Why we twitter:
Understanding
microblogging usage
and communities.
Java, A.&
Song, X. &
Finin, T.
Proc. WebKDD 2007
Social Media, Twitter,
Datenpreisgabe
Robust
deanonymization of
large sparse datasets.
Narayanan, A. &
Shmatikov, V.
IEEE Symposium on
Security and Privacy 2008 Anonymisieren von Daten
Eye-mouse
coordination patterns
on web search results
pages.
Rodden, K. &
Fu, X. &
Aula, A. &
Spiro, I
Extended Abstracts
on Human Factors in
Computing Systems 2008
Zusammenhang von Augen-
und Mausbewegung
The Online Advertising
Industry: Economics,
Evolution and Privacy
Evans, D.
The Journal of
Economic
Perspectives 2009
Entwicklung in der Online
Werbung, Privatsphäre-
Aspekt und Rentabilität
Targeting –
Zielgruppen exakt
online erreichen
Mühling J.
Nomos
Verlagsgesellschaft
Baden-Baden
2009
Zusammenfassung von
Targeting-Arten und
Zielgruppensegmentierung
und Onlinewerbung
In the Mood to Click?
Towards Inferring
Receptiveness to
Search Advertising.
Guo, Q. &
Agichtein, E. &
Clarke, C. &
Ashkan, A.
IEEE Computer
Society
2009 Behavioral Targeting
Methodik
Large-Scale Behavioral
Targeting
Chen, Y. &
Pavlov, D. &
Canny, J.
Proceedings oft he
15th ACM SIGKDD
International
Conference on
Knowledge
Discovery and Data
Mining
2009
Algorithmen, Design,
Performance von BT-
Systemen
6
On the web’s cutting
edge, anonymity in
name only.
Steel, E. &
Angwin, J. Wall Street Journal 2010
Behavioral Targeting, Gute
Kunden können erkannt
werden
Online Targeting und
Controlling –
Grundlagen-
Anwendungsfelder-
Praxisbeispiele
Greve, G &
Bauer, Ch. &
Hopf, G.
Springer Gabler
Verlag 2011
Möglichkeiten und Grenzen
des Targetings sowie
Anwendungsfelder und
rechtliche Grundlagen des
Online Targetings
Google Completes
Rollout of Interest-
Based Advertising:
Adwords Will Be Able
to Target Customers
Based on Web
Behavior technical
report.
Bazilian, E. AdWeek 2011 Interessenbasierte Werbung
von Google
Economic and
Business Dimensions:
Online Advertising;
Behavioral Targeting
and Privacy
Goldfrab, A. &
Tucker, C. Marketing Science 2011
Privatsphäre Aspekt in der
Online Werbung
A Survey of Behavioral
Targeting and its
Technologies and
Issues
Luong, F. &
Slaughter, S. &
Spence, C.
INFO606 Dr. Il-Yeol
Song
2011
Technische Hintergründe von
Behavioral Targeting, Big
Data und Privatsphäre
Vollautomatisches
Predictive Targeting
und Modellierung des
Realtime-Online-
Verhaltens
Ahlemeyer-Stubbe A.
Dialogmarketing
Perspektiven
2010/2011
2011
Verfahren von Predictive
Behavioral Targeting,
Datenumgang
7
4. Hypothesenbildung Wie in Punkt 3 genannt, existieren bereits einige Studien, die das Thema Verhaltensbasiertes
Targeting thematisieren. Die Wirkung auf den End User wurde bislang nur angedeutet, aber
nicht tiefergehend durchleuchtet. Daher sollen die bereits erlangten Erkenntnisse aufgegriffen
und näher untersucht werden.
Vorläufige Hypothesenbildung:
1. Hypothese: Eine höhere Mitbestimmung/Transparenz bei der Preisgabe personalisierter Daten erhöht die Akzeptanz von personalisierter Werbung
Studien über Kundenreaktionen auf die Nutzung personalisierter Daten existieren bereits
einige und nahezu alle Studien bestätigten eine negative Reaktion. In einer Untersuchung von
Yu und Cude (2009) zeigte sich eine überwiegend negative Reaktion auf personalisierte E-
Mails. Für generell personalisierte Werbung stellte man ähnliche Ergebnisse fest (Pavlou &
Stewart, 2002). Diese negative Wirkung personalisierter Werbung wird in mehreren Studien
hauptsächlich auf den gefühlten Datenmissbrauch zurückgeführt (Phelps, Nowak & Ferrell
2000; Del Rey, 2009). Jin und Villegas (2007) gehen noch einen Schritt weiter und sprechen
von einer generellen Ablehnung von Online-Werbung durch den potenziellen Kunden. Yildiz
(2007) führt in diesem Zusammenhang an, dass durch eine deutlich sichtbare Option, die
Speicherung von Daten bzw. die Aussendung von Werbemitteln basierend auf den eigenen
Daten zu unterbinden, dem User eine größere Spanne der Mitbestimmung eingeräumt wird.
Dies kann zwar zum einen zu einer erhöhten Ablehnungsrate führen, da mehr User durch die
sichtbare Möglichkeit der Unterbindung auch zu dieser verleitet wird, andererseits stärkt es
Private traits and
attributes are
predictable from digital
records of human
behavior
Kosinska, M. &
Stillwell, D. &
Graepel, T.
Proceedings oft the
National Academy
of Science
2013
Verhaltensvorhersage durch
Facebook-Likes
An Economic Analysis
of Online Advertising
Using Behavioral
Targeting
Chen, J. & Stallaert,
J. The Social Science
Research Network
(SSRN)
2014
Gezielte Online Werbung;
Einfluss auf die Einnahmen
und Ausgaben der
Webetreibenden und auf die
soziale Wohlfahrt
8
jedoch das Vertrauen in das Unternehmen und fördert die Kundensouveränität (Godin, 1999).
Die Bestätigung dieser Hypothese könnte dazu beitragen, Unternehmen zu einer erhöhten
Transparenz/Selbstbestimmung im Umgang mit Kundendaten im Internet zu verleiten.
2. Hypothese: Online-User fühlen sich ab einem bestimmten Punkt durch die auf sie zugeschnittene Werbung verfolgt/belästigt
Helft und Tanzina (2010) beschreiben ein Ereignis, in der eine Probandin von ihrer Erfahrung
mit dem Online-Schuheinzelhändler Zappos berichtet. Sie beschreibt, dass sie auf ein Paar
Schuhe klickte, sich aber dafur entschied sie doch nicht zu kaufen. Sie sagt, “for days or weeks,
every site I went to seemed to be showing me ads for those shoes.” Sie fugt hinzu “it is a pretty
clever marketing tool. But it’s a little creepy, especially if you don’t know what’s going on.”
Masahiro Mori (1970) pragte den Ausdruck „Uncanny Valley“. Er stellte die Hypothese auf,
dass die Menschen positiver auf einen Roboter reagieren, je ähnlicher dieser dem Menschen
sieht. Dieses geschieht jedoch nur bis zu einem gewissen Punkt. Wird dieser Punkt
überschritten, so schlägt die Sympathie in Abneigung um. Hense (2016) führt an, dass
Behavioral Targeting eine ähnliche Form der Reaktanz auslösen kann. Eine optimale
Abstimmung von Zielperson und Auslieferung kommerzieller Botschaften kann nach Hense
zu einem Punkt führen, an dem ein Konsument sich verfolgt fühlt. Überschreitet man diesen
Punkt, wird der Nutzer dazu veranlasst, die Botschaft zu umgehen oder zu unterdrücken. Statt
eines Werbeerfolges tritt ein Negativeffekt in Kraft.
Kann die Hypothese bestätigt werden, so gilt es herauszufinden, an welchem Punkt dieser
Effekt auftritt. Die Frequenz, das Umfeld und der Personalisierungsgrad (auch PBT
miteinbezogen) der Werbebotschaft soll diesbezüglich analysiert werden.
Laut dem OKV Online Report (2016) sind mehr als vier von zehn Usern ab 14 Jahren durch
Online-Werbung schon häufiger auf Produkte aufmerksam geworden. Frauen und User
zwischen 14 und 49 Jahren sind laut der Studie überdurchschnittlich aufgeschlossen. Männer
dagegen liegen leicht unter dem Niveau der User insgesamt, über 50-jährige User zeigen sich
am wenigsten empfänglich für Werbung. Ob die zuletzt genannten User den „Uncanny
Valley“ schneller erreichen als die erstgenannten, soll ermittelt werden. Zudem wurden im
OKV Online-Report Nutzungspräferenzen aufgelistet (u.a. Suchmaschinennutzung, private E-
Mails versenden, Online-Shopping, Online-Banking, Soziale Netzwerke). Ob User, die
wenige dieser Angebote wahrnehmen, den „Uncanny Valley“ schneller erreichen als User die
diese Angebote häufiger wahrnehmen, wird geprüft. Zuletzt soll getestet werden, ob einige
9
der in der OVK Studie gelisteten Branchen (u.a. Gesundheit, Mode, Kosmetik,
Versicherungen, Finanzen etc.) durch die Aussendung personalisierter Werbung eher eine
User Reaktanz hervorrufen als andere. Dies soll dazu beitragen, personalisierte Werbung noch
effizienter an End User zu senden und dabei die Auslösung einer Reaktanz zu minimieren.
3. Hypothese: Online-User fühlen sich durch BT in ihrer Entscheidungsfreiheit eingeschränkt
Waisberg (2011) kritisiert das Behavioral Targeting, indem er darauf hinweist, dass BT nicht
nur Benutzer mit sonst unbekannten Produkten verbindet, sondern auch die Verbraucherwahl
einengen kann. Waisberg fuhrt an, dass Behavioral Technologie “reduces the information-
content to which the buyer is exposed. He sees only things which his browsing habits justify...
things that are likely to be similar to the ones he saw in the past.” Der Verbraucher sucht nicht
mehr per se. Ihm werden nur die Gegenstände gezeigt, die zu seinen Such- und
Kaufgewohnheiten passen. Waisberg nennt dies eine “schmale Welt”, in der die Verbraucher
nur Produkte sehen, die zu ihren Surfgewohnheiten passen. Andere Inhalte werden nicht
angezeigt und zurück bleibt ein Benutzer mit einem „over customized view“ auf Produkte.
Daraus entstand eine Debatte über die sogenannte „Netzneutralitat“ (Kruse 2011). Der User
soll die größtmögliche Freiheit haben, alle verfügbaren Websites zu besuchen, die er möchte.
Wenn Suchmaschinen oder Werbenetzwerke jedoch die Inhalte nach dem Nutzerverhalten
ausrichten, könnte ein Teil der Netzvielfalt verloren gehen. Der BVDW (2011) warnt hier
explizit vor einer "Überregulierung", die "zu Wettbewerbsnachteilen" für europäische und
deutsche Anbieter führen könne. Ob Verbraucher diese Einschränkung im Hinblick auf
personalisierte Werbung bewusst empfinden und sich dadurch eingeschränkt fühlen, oder ob
die Hypothese abgelehnt werden kann, soll anhand der Befragung getestet werden.
5. Vorgehensweise der Untersuchung
❖ Entwicklung der
Hypothesen aufbauend auf
den entstandenen
Forschungsfragen
Erstellung eines
Fragebogens
❖ Passanten-
befragung
❖ Auswertung &
Darstellung der
Ergebnisse
Analyse des
Forschungsstands
Bewertung des
Erkenntnisbeitrags
Limitationen
und Ausblick
Bis einschließlich: Oktober 2016 November & Dezebmber 2016 Januar 2017
ç ç
ç ç
ç
ç
ç
10
6. Vorlaufige Gliederung
1. Einleitung 1.1 Problemstellung
1.2 Zielsetzung
1.3 Vorgehensweise
2. Onlinewerbung
2.1 Begriffsdefinition 2.2 Marktsegmentierung
2.3 Werbeformen und -formate
3. Verhaltensbasierte Nutzerdaten
3.1Erhebungsmethoden der Nutzerdaten 3.1.1 Explizite Daten
3.1.2 Implizite Daten
3.2 Methoden zur Auswertung von Nutzerdaten
3.2.1 Logfile Analyse
3.2.2 Web Usage Mining
3.2.3 Personalisierungsverfahren
3.3 Handel mit Nutzerdaten und Aufbau von Netzwerken 3.4 Gesetzliche Regelungen, Datenschutz und Privatsphäre-Bestimmungen
3.5 Werbeblocker
4. Verhaltensbasiertes Targeting
4.1 Begriffsbestimmung
4.2 Behavioral Targeting
4.2.1 Methodik
4.2.2 Ausprägungen
4.3 Predictive Behavioral Targeting
4.3.1 Methodik
4.3.2 Anwendung
4.4 Bewertung des Verhaltensbasierten Targetings aus Unternehmens- und Kundensicht
5. Empirische Analyse: Wirkung von verhaltensbasiertem Targeting auf die End User
5.1 Begründung und Darstellung der Hypothesen
5.2 Vorgehensweise/Forschungsdesign
5.3 Ziel der empirischen Analyse
5.4 Ergebnisdarstellung der Untersuchungen 5.5 Zusammenfassung und Bewertung der Ergebnisse
5.6 Limitationen und Ausblick
6. Fazit
7. Literaturverzeichnis
11
7. Literaturverzeichnis Ahlemeyer-Stubbe A. (2011). Vollautomatisches Predictive Targeting und Modellierung des
Realtime-Online-Verhaltens. In Deutscher Dialogmarketing Verband e. V. (Hrsg.),
Dialogmarketing Perspektiven 2010/2011 (S. 217-225). Wiesbaden: Gabler.
Ahlemeyer-Stubbe, A. (2013). Nutzung von Informationen aus Social Media zur Optimierung
des Predicitve Behavioral Targeting. In Ceyp, M. & Scupin, J. (Hrsg.), Erfolgreiches Social
Media Marketing (S. 179-187). Wiesbaden: Gabler.
Angwin, J. (2010). The Web’s New Gold Mine: Your Secrets. Wall Street Journal, July 30.
Bazilian, E. (2011). Google Completes Rollout of Interest-Based Advertising: Adwords Will
Be Able to Target Customers Based on Web Behavior technical report. AdWeek, June 28.
BVDW (2008). Bundesverband digitale Wirtschaft, Arbeitskreis Targeting: Targeting,
Begriffe & Definitionen, Düsseldorf.
BVDW (2011). BVDW: Netzneutralität ja, Sperren nein. Verfügbar unter
http://www.heise.de/newsticker/meldung/BVDW-Netzneutralitaet-ja-Sperren-nein-
1270319.html. Abruf: 30.06.2016.
BVDW (2016). Wir müssen folgen, nicht verfolgen! Verfügbar unter
http://www.bvdw.org/presse/news/article/wir-muessen-folgen-nicht-verfolgen.html. Abruf:
28.06.2016.
Chen, Y., Pavlov, D. & Canny, J. (2009). Large-scale behavioral targeting. In Proceedings of
the 15th ACM SIGKDD international conference on Knowledge discovery and data mining
(Hrsg.), ACM (S. 209-218). New York.
Chen, J., & Stallaert, J. (2014). An economic analysis of online advertising using behavioral
targeting. MIS Quarterly, 38 (2), 429-449.
Clifford, S. (2009). Many See Privacy on Web as Big Issue, Survey Says. New York Times,
March 15.
Cooley, R., Tan, P. & Srivastava, J. (2000). Discovery of Interesting Usage Patterns from
Web Data. Verfügbar unter www-users.cs.umn.edu/cooley. Abruf: 10.06.2016.
Del Rey, J. (2010). Hey, come back here! Online ads that follow customers. In: INC, Mai, S.
116–120.
Duhigg, C. (2012). The Power of Habit: Why We Do What We Do in Life and Business. New
York.
Eisinger, T., Rabe, L. & Thomas W. (2006). Performance Marketing: Onlinewerbung
messbar, transparent, erfolgsorientiert (2. Aufl.). Göttingen: BusinessVillage Verlag.
Evans, D. (2009). –The Online Advertising Industry: Economics, Evolution and Privacy.
Journal of Economic Perspectives, 23 (3), 37-60.
Federal Trade Commission (FTC) (2010). Protecting Consumer Privacy in an Era of Rapid
Change. Verfügbar unter http://www.ftc.gov/os/2010/12/101201privacyreport.pdf. Abruf:
12
30.05.2016.
Goldfrab, A. & Tucker, C. (2011). Economic and Business Dimensions: Online Advertising;
Behavioral Targeting and Privacy. Viewpoints Communications of the ACM 54(5).
Goldfarb, A. & Tucker, C. (2011). Privacy Regulation and Online Advertising. Management
Science 57 (1), 57-71.
Greve, G., Hopf, G. & Baur, Ch. (2011). Einführung in das Online Targeting. In Bauer, Ch.,
Greve G. & Hopf G. (Hrsg.), Online Targeting und Controlling (S. 69-92). Wiesbaden:
Gabler.
Godin, S. (1999). Permission Marketing: Turning Strangers into Friends, and Friends into
Customers, New York.
Guo, Q., Agichtein, E., Clarke, C. & Ashkan, A. (2009). In the Mood to Click? Towards
Inferring Receptiveness to Search Advertising. In Proceedings of the 2009 IEEE/WIC/ACM
International Joint Conference on Web Intelligence and Intelligent Agent Technology - Vol.
1. (Hrsg.), IEEE Computer Society (S. 319-324), Washington, DC.
Haberle, E (2006): Die Effizienzsteigerer. In Media & Marketing (Hrsg.), Das Magazin fur
Entscheider in Marketing und Medien (S.58-60).
Helft, M. & Tanzina, V. (2010). Retargeting Ads Follow Surfers to Other Sites. New York
Times, August 29.
Hense, L. (2016). Wenn Online-Werbung unheimlich wird. Verfügbar unter http://www.internetworld.de/onlinemarketing/digitale-werbung/online-werbung-unheimlich-
1098817.html. Abruf: 28.06.2016.
Hippner, H., Merzenich, M., Wilde, K. (2002). Grundlagen des Web Mining - Prozess,
Methoden und praktischer Einsatz. In: Hippner, H., Merzenich, M., Wilde, K. (Hrsg.),
Handbuch Web Mining im Marketing (S. 3-31). Braunschweig/Wiesbaden.
Java, A., Song, X. & Finin, T. (2007). Why we twitter: Understanding microblogging usage
and communities. Proc. WebKDD, 56-65.
Jin, C. H., Villegas, J. (2007). Consumer Responses to Advertising on the Internet: The Effect
of Individual Difference on Ambivalence and Avoidance, in: CyberPsychology & Behavior,
Vol. 10, S. 258–266.
Klaus, M. & Wagner, R. (2010). 'Gaining 'Consumer Insights' from Influential Actors in
Weblog Network'. Classification as a Tool for Research, 553-560.
Klaus, M., Schwerdtfeger, J. & Wagner, R. 2009. 'Marketing Communication to and with Net
Citizens: Targeting by Means of a Social Network Analysis Approach', Consumer Citizenship
Network: Making a Difference - Putting Consumer Citizenship into Action, The Consumer
Citizenship Network, an Erasmus thematic network of educators and researchers, Berlin, pp.
163-177.
Kosinski, M., Stillwell, D., & Graepel, T. (2013). Private traits and attributes are predictable
13
from digital records of human behavior. Proceedings of the National Academy of Sciences,
110 (15).
Kruse, J. (2011). Netzneutralität – Soll die Neutralität des Internets staatlich reguliert werden?
Working Paper 111 der Fächergruppe Volkswirtschaftslehre an der Helmut Schmidt-
Universität Hamburg.
Luong, F., Slaughter, S. & Spence, C. (2011). A Survey of Behavioral Targeting and its
Technologies and Issues, INFO606 Dr. Il-Yeol Song.
Mori, M. (1970). The uncanny vally. Energy, 7(4), 33-35.
Mühling, J. (2007): Targeting. Zielgruppen exakt online erreichen, München.
Narayanan, A. & Shmatikov, V. (2008). Robust deanonymization of large sparse datasets.
IEEE Symposium on Security and Privacy, 111–125.
OVK (2016). OVK Online Report. Verfügbar unter bvdw.org/fileadmin/bvdw-
shop/ovk_report2016_1.pdf. Abruf: 30.05.2016.
PageFair und Adobe (2015). The cost of ad blocking, PageFair and Adobe 2015 Ad Blocking
Report, o.O.
Pavlou, P. & Stewart, D. (2002). From Consumer Response to Active Consumer: Measuring
the Effectiveness of Interactive Media. Journal of the Academy of Marketing Science, 30, S.
376–396.
Pancras, J. & Sudhir, K. (2007). Optimal marketing strategies for a customer data
intermediary. Journal of Marketing Research, 44 (4), 560–578.
Phelps, J. & Nowak G. & Ferrell E. (2000). Privacy Concerns and Consumer Willingness to
Provide Personal Information. Journal of Public Policy & Marketing, 19, S. 27–41.
Riekhof, H.C., Schäfers, T., Eiben I. (2009). Behavioral Targeting – ein effizienter Einsatz
des Online-Werbebudgets?. Arbeitsbericht des Lehrstuhls. Private Fachhochschule Göttingen.
Rodden, K., Fu, X., Aula, A. & Spiro, I (2008). Eye-mouse coordination patterns on web
search results pages. In CHI (Hrsg.), Extended Abstracts on Human Factors in Computing
Systems (S. 2997-3002). Florence.
Rosset S. & Lawrence R. (2005). Data enhanced predictive modeling for sales targeting. In
Proceedings of the 2005 SIAM International Conference on Data Mining (SDM-05).
Schneider M., Enzmann M. & Stopczynski M (2014). Web-tracking-report 2014. Technical
Report SIT-TR-2014-01, Fraunhofer-Institut für sichere Informationstechnologie.
Steel, E. & Angwin, J. (2010). On the web’s cutting edge, anonymity in name only. Wall
Street Journal, August 4.
Taylor, C. (2004). Consumer privacy and the market for customer information. RAND
Journal of Economics, 35 (4), 631–650.
Waisberg, I. (2011). Unintended Consequences of Targeting: Less Information, Less
14
Serendipity. Verfügbar unter http://online- behavior.com/targeting/unintended-consequences-
of-targeting-part-ii-1484. Abruf: 30.05.2016.
Worzyk, T. & Löhdefink, M. (2004). Logfile-Analyse als Instrument zur Messung und
Auswertung von Kundenverhalten im Rahmen der Erfolgskontrolle von Websites –
Hintergrund, Möglichkeiten und Lösungen. In Wiedmann, K., Buxel H., Frenzel, T. & Walsh
G. (Hrsg.), Konsumentenverhalten im Internet: Konzepte – Erfahrungen - Methoden (S. 405-
417). Wiesbaden: Gabler.
Yan, J., Liu, N., Wang, G., Zhang, W., Jiang, Y. & Chen, Z. (2009). How Much Can
Behavioral Targeting Improve Online Advertising? In Proceedings of the 18th International
Conference on World Wide Web (S. 261-270). Madrid.
Yildiz, H. (2007). Permission marketing and commitment: proposal for a theoretical
framework applied to e-mail opt-in. In: Recherche et Applications en Marketing, 22, S. 5–26.
Yu, J. & Cude, H. (2009). Hello, Mrs. Sarah Jones! We recommend this product!’ consumers’
perceptions about personalized advertising: comparisons across advertisements delivered via
three different types of media. In: International Journal of Consumer Studies, 33, S. 503–514.