Datenintegration & Pipelines
Multi-Source Data Ingestion: Performancedaten aus Web-Analytics, organischen Suchanfragen und bezahlten Werbeanzeigen lagen isoliert vor. Daher wurden zunÀchst automatisierte Daten-Pipelines zur Extraktion und Konsolidierung von Daten aus Google Ads, GA4 und der Search Console aufgebaut.
Storage & Preprocessing: Die Rohdaten wurden strukturiert und bereinigt in einer zentralen PostgreSQL-Datenbank auf der Google Cloud Platform (GCP) abgelegt, um eine verlĂ€ssliche Basis fĂŒr die Modellierung zu schaffen.
Feature Engineering: Zur Vorbereitung des Modelltrainings wurden im Anschluss spezifische Zeitreihen- und Performance-Features aufbereitet, die dem Modell ermöglichen, historische Erfahrungswerte in prĂ€diktive Effizienz-KPIs zu ĂŒberfĂŒhren.
Machine Learning Modeling & API-Entwicklung
Modellevaluation & Fine-Tuning: Es wurden verschiedene Machine-Learning-Algorithmen mit Python und Scikit-Learn getestet, evaluiert und einem Feintuning unterzogen, um die prÀdiktive Genauigkeit der Prognosen zu maximieren.
KPI-basierte Optimierungslogik: Die Algorithmen wurden gezielt auf die Maximierung von Conversions bei gleichzeitig harter Deckelung von Cost-per-Click (CPC) und Cost-per-Action (CPA) ausgerichtet.
Flask API Bereitstellung: Um die mangelnde FlexibilitĂ€t in der Datennutzung zu beheben, wurden schlanke Flask-Webservices fĂŒr Modellprognosen und Handlungsempfehlungen entwickelt. Dies ermöglichte, die Modellergebnisse sowohl Fachanalysten als auch Web-Entwicklern fĂŒr direkte UI-Integrationen performant bereitzustellen.
BI-Integration & Kollaboration
Looker Studio Dashboarding: Es wurden ĂŒbersichtliche BI-Dashboards erstellt, um die Modellprognosen und die Budgeteffizienz transparent fĂŒr alle Stakeholder abzubilden.
InterdisziplinÀre Zusammenarbeit: Im Rahmen eines engen Co-Workings mit Fachteams, Web-Entwicklern und Analysten wurden die entwickelten API-Schnittstellen nahtlos in bestehende Web-Interfaces und tÀgliche Workflows eingebettet.
