Seite - 61 - in Algorithmuskulturen - Über die rechnerische Konstruktion der Wirklichkeit

2. Die algorithmische Choreographie des beeindruckbaren Subjekts 61 mit einer hohen ›Markenaffinität‹ etikettiert. Die Browser werden so nach ho- her und niedriger Markenaffinität gelistet und geordnet. Perlich zufolge wei- sen die an der Spitze gelisteten Subjekte (diejenigen mit der höchsten Mar- kenaffinität) »eine mindestens viermal höhere Konversionswahrscheinlichkeit auf, als eine beliebige Gruppe von Leuten, die die gleiche Werbung sieht«.22 Durch den Aufbau und die Nutzung markenspezifischen maschinellen Lernens kann ein Subjekt in eine Rangliste potenzieller Zielscheiben (beein- druckbare Subjekte) eingespeist werden und so in Hinblick auf alle von der Firma geführten Werbekampagnen klassifiziert werden. Wie schon angedeu- tet wird das Subjekt an der Spitze gelistet, dessen Set an Webseitenbesuchen dem Referenzmodell für eine bestimmte Marke am ehesten entspricht. So ent- steht ein Ranking bis hin zu den Subjekten mit der geringsten Markenaffinität. In einem solchen maschinell lernenden Modell besitzt jede Webseite einen Kennwert, der den Beitrag zur Prognosekraft des Modells indiziert. Dement- sprechend sind auch nicht alle Webseitenbesuche von gleicher Bedeutung für das Modell. Die Relevanz einer jeden Seite als Datenressource für ein jeweili- ges Modell wird fortlaufend überprüft um sicherzustellen, dass die jeweiligen Webseitendaten einen Prognosewert für das entsprechende Markenmodell lie- fern (Reader et al. 2012). Dieses Ranking an Erfolgsaussichten kann auch als Zielgruppe bezeichnet werden (oder in unseren Worten, als eine ansteigende Rangliste beeindruckbarer Subjekte für eine bestimmte Kampagne). Dstillery verfolgt ungefähr einhundert Millionen solcher ›Prospects‹ zu jeder Zeit. Die Ranglisten zu jeder Kampagne werden auf der Basis neu verfügbarer Daten fortlaufend aktualisiert. Folglich wird das Modell in seinem Unterscheidungs- vermögen auch fortlaufend raffinierter. Das anfängliche Modell zu einer Kam- pagne wird über einen Lerntransfer aus ähnlichen Kampagnen/Produkten realisiert (Perlich et al. 2014). Es gilt festzuhalten, dass diese Modelle gemäß dem Korrelationsprinzip arbeiten. Sie gehen davon aus, dass wir uns ähnlich verhalten (Konversionsverhalten) wie andere, die sich in einem anderen Zu- sammenhang (hinsichtlich des Browsing-Verhaltens) ähnlich verhalten haben. Eben diese Ähnlichkeiten konstituieren uns als beeindruckbare Subjekte mit bestimmten Markenaffinitäten. 22 | www.fastcompany.com/1840817/media6degrees-knows-what-you-want-buy- even-you-do (zuletzt abgerufen am 20. Februar 2016).