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

zeigernicola@t-online.de

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.