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.
Dieses Modul ist Teil einer sechsteiligen Modellrechnung über ein fiktives regionales Medienhaus (55.000 Print- und 25.000 Digital-Abos). Alle Euro-Beträge sind aus den hinterlegten Annahmen des Muster-Verlags hergeleitet; die Hebel orientieren sich an veröffentlichten Branchen-Benchmarks und schöpfen deren Bestwerte bewusst nicht aus. Die gezeigten Werte sind keine Ergebnisse realer Kunden und kein Leistungsversprechen. Welche Werte auf Ihren realen Daten erreichbar sind, zeigt erst ein Pilotprojekt.
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 aus 100 bis 150 Regeln gebaut und ihre Abschlussquote innerhalb von drei Jahren verfünffacht. Das Prinzip lässt sich auf Ihr Medienhaus übertragen.
Nicht mehr Reichweite, 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: +30%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 derselben Reichweite
Der Hebel: 30 Prozent höhere Paywall-Abschlussquote gegenüber heute
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 % Abschlussquote | 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.
Ein INMA-Benchmark mit Propensity-Steuerung dokumentiert +77 bis +166 Prozent höhere Abschlussquoten, Schibsted +75 Prozent mehr Abo-Verkäufe aus ML-ausgewählten Startseiten-Artikeln. 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 Teil der Reichweite und beweist ihren Zugewinn im kontrollierten Test, bevor sie skaliert.