Dynamische Paywall:
Jedem Leser seine Schranke
Eine fixe Meterung behandelt den Erstbesucher wie den Stammleser kurz vor dem Abschluss. Ein Propensity-Modell entscheidet je Leser und Artikel, wann die Paywall greift - und holt aus denselben Kontakten deutlich mehr Abos.
01 Das Problem - Die fixe Meterung verschenkt in beide Richtungen
Zu früh vergrault sie Reichweite, zu spät verschenkt sie Abschlüsse
Jede starre Regel - drei freie Artikel, dann Schranke - ist für die meisten Leser falsch: Der flüchtige Besucher wird verschreckt, bevor Bindung entsteht; der hoch engagierte Leser liest monatelang gratis weiter, obwohl er längst zahlen würde. Beides kostet Abos.
Die Abschlussbereitschaft steht in Ihren Daten: Besuchsfrequenz, Ressort-Mix, Lesetiefe, Gerät, Newsletter-Status. Die NZZ hat aus diesen Signalen ein Modell mit über 400 Merkmalen gebaut und ihre Conversion-Rate innerhalb von drei Jahren verfünffacht. Das Prinzip ist auf jedes Medienhaus übertragbar.
Nicht mehr Traffic, nicht mehr Werbedruck: nur die richtige Schranke beim richtigen Leser.
02 Das Modell - Abschlusswahrscheinlichkeit je Leser und Artikel
Gradient Boosting auf Sitzungshistorie und Artikelmerkmalen, ausgespielt in Echtzeit an der Paywall
{'kalt': 0.71, 'warm': 0.24, 'heiss': 0.05}
Erwarteter Uplift vs. fixe Meterung (Backtest): +31%Praktisch entstehen aus dem Score drei Zonen: Kalt - Paywall bleibt offen, erst Bindung aufbauen (Newsletter, Registrierung). Warm - dosierte Schranke mit Testangebot. Heiß - harte Schranke mit Vollpreis-Angebot, denn diese Leser konvertieren ohnehin. Piano misst zwischen dem höchsten und dem niedrigsten Propensity-Segment den Faktor 174 in der Abschlusswahrscheinlichkeit - Gleichbehandlung ist hier die teuerste Option.
03 Business Impact - Mehr Abschlüsse aus demselben Traffic
Der Hebel: 30 Prozent Conversion-Uplift auf die heutige Paywall-Abschlussquote
Keine Hausnummer: Jede Annahme stammt aus dem Muster-Verlag und ist zentral hinterlegt. Mit Ihren echten Zahlen ändert sich nur die Eingabe, nicht die Methode.
| Position | Wert |
|---|---|
| Paywall-Kontakte / Monat | 150.000 |
| Abschlussquote heute (0,6 %) → Neuabos / Monat | 900 |
| Basis: Zusätzliche Abos / Jahr bei +30 % Conversion | 3.240 |
| Hebel: Zusatz-Abos × 7 bezahlte Monate im 1. Jahr × ARPU | 3.240 × 7 × 10,50 € |
| Ergebnis: Mehrumsatz / Jahr | €238.140 |
Annahmen eines Muster-Verlags - in einem realen Projekt ersetzen Ihre Daten diese Werte.
Zephr/Zuora dokumentiert für dynamische Paywalls +20 bis +40 Prozent Conversion, ein INMA-Benchmark mit Propensity-Steuerung +77 bis +166 Prozent, Schibsted mit ML-gesteuerter Artikel-Auswahl +75 Prozent Abo-Verkäufe. Die Modellrechnung setzt mit 30 Prozent bewusst am unteren Rand an.
04 Nächste Schritte in Ihrem Verlag
Vom Score zum lernenden Paywall-Regelwerk
Wir rekonstruieren aus Ihren Web-Analytics- und Paywall-Daten, wer heute an der Schranke steht - und wer dort abspringt.
Das Modell läuft zunächst parallel zur bestehenden Meterung. Sie sehen an echten Sitzungen, wo es anders - und besser - entschieden hätte.
Die dynamische Schranke startet auf einem Traffic-Anteil und beweist ihren Uplift im kontrollierten Test, bevor sie skaliert.
Was das für Ihr Medienhaus bedeutet, klären wir in der KI-Beratung für Verlage.