> ## Documentation Index
> Fetch the complete documentation index at: https://docs.topsort.com/llms.txt
> Use this file to discover all available pages before exploring further.

# Migration historischer Daten

> Migration historischer Leistungsdaten zur Lösung des Cold-Start-Problems beim Plattformübergang

export const LastUpdatedDe = ({date}) => {
  const label = "Zuletzt aktualisiert:";
  return <>
      <style>{`
        .last-updated-component {
          display: inline-flex;
          align-items: center;
          gap: 8px;
          padding: 10px 16px;
          border-radius: 8px;
          margin-top: 12px;
          margin-bottom: 16px;
          font-size: 14px;
          background-color: rgba(0, 0, 0, 0.05);
          border: 1px solid rgba(0, 0, 0, 0.12);
          color: rgba(0, 0, 0, 0.75);
          line-height: 1;
        }

        .last-updated-component svg {
          flex-shrink: 0;
          vertical-align: middle;
        }

        .last-updated-component span {
          display: inline-flex !important;
          align-items: center !important;
          line-height: 1 !important;
        }

        [data-theme="dark"] .last-updated-component {
          background-color: #3a3a3a;
          border: 2px solid #888888;
          color: #ffffff;
        }

        [data-theme="dark"] .last-updated-component svg {
          stroke: #ffffff;
        }
      `}</style>
      <div className="last-updated-component">
        <svg width="16" height="16" viewBox="0 0 24 24" fill="none" stroke="currentColor" strokeWidth="2" strokeLinecap="round" strokeLinejoin="round">
          <circle cx="12" cy="12" r="10" />
          <polyline points="12 6 12 12 16 14" />
        </svg>
        <span>
          <strong style={{
    fontWeight: 600
  }}>{label}</strong> 
          <time dateTime={date}>{date}</time>
        </span>
      </div>
    </>;
};

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  Die Migration historischer Daten ist der Prozess der Übertragung von Leistungsmetriken und Ereignisdaten von der vorherigen Werbeplattform eines Kunden, um die Machine-Learning-Modelle von Topsort zu beschleunigen und die anfängliche Lernphase beim Plattformübergang zu verkürzen.
</div>

## Problem

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  Wenn Kunden zu Topsort migrieren, stehen ihre Kampagnen vor einem **Cold-Start-Problem**, bei dem:
</div>

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  * **Keine Leistungshistorie**: Neue Kampagnen starten ohne jegliche historische Leistungsdaten
  * **Lernphase**: Machine-Learning-Modelle benötigen 1-4 Wochen, um genügend Daten für Optimierung zu sammeln
  * **Suboptimale Leistung**: Während des Cold-Starts können Kampagnen aufgrund fehlender Trainingsdaten unterdurchschnittlich abschneiden
  * **Werbetreibendenfrust**: Werbetreibende können während der ersten Wochen reduzierte Kampagneneffizienz feststellen
</div>

<Note>
  Während die [Kampagnenmigration](/de/knowledge-base/ad-platform/campaign-migration/)
  die Kampagnenstruktur und -einstellungen behandelt, befasst sich die Migration historischer Daten
  speziell mit Leistungsdaten zur Beschleunigung des Modelltrainings und
  der Optimierung.
</Note>

## Lösung

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  Wir bieten eine **Lösung zur Ingestion historischer Daten**, die Leistungsmetriken und Ereignisdaten von der vorherigen Plattform des Kunden importiert. Diese Daten dienen als anfängliches Trainingsmaterial für die Machine-Learning-Modelle von Topsort und reduzieren die Cold-Start-Phase erheblich.
</div>

### Wie historische Daten helfen

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  **Beschleunigung des Modelltrainings:**
</div>

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  * Bietet sofortige Trainingsdaten für Machine-Learning-Algorithmen
  * Reduziert Cold-Start-Phase von 4 Wochen auf 1-2 Wochen
  * Ermöglicht schnellere Kampagnenoptimierung und Gebotsentscheidungen
</div>

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  **Leistungskontinuität:**
</div>

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  * Kampagnen können historische Leistungsmuster nutzen
  * Bessere anfängliche Gebotsempfehlungen basierend auf vergangenen Daten
  * Verbesserte Targeting-Entscheidungen aus historischem Nutzerverhalten
</div>

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  **Risikominderung:**
</div>

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  * Minimiert Leistungseinbußen während des Plattformübergangs
  * Erhält Werbetreibendenvertrauen mit vertrauten Leistungsniveaus
  * Bietet Benchmark-Metriken für Vergleich und Optimierung
</div>

### Technische Implementierung

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  Unsere historische Datenintegration:
</div>

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  * **Nimmt Ereignisdaten auf**, einschließlich organischer Impressionen, Klicks und Käufe
  * **Verarbeitet Leistungsmetriken** auf Kampagnen-, Produkt- und Nutzerebene
  * **Trainiert anfängliche Modelle** unter Verwendung importierter historischer Daten vor Go-Live
  * **Kalibriert Algorithmen** während des anfänglichen Betriebs für optimale Leistung
  * **Aktualisiert Embeddings** für Nutzer, Produkte und Placements basierend auf historischen Mustern
</div>

## Migrationsprozess

<Steps>
  <Step title="Datenbewertung und Scope-Definition">
    <div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
      **Verfügbarkeit historischer Daten bewerten**
    </div>

    * Bewerten, welche Leistungsdaten von der vorherigen Plattform verfügbar sind
    * Datenqualität und Vollständigkeit bestimmen
    * Zeitraum für historische Daten definieren (typischerweise 3-6 Monate)
    * Schlüsselmetriken identifizieren, die mit Topsort-Tracking übereinstimmen

    <div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
       
    </div>
  </Step>

  <Step title="Datenexport und Vorbereitung">
    <div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
      **Erforderliche historische Datentypen:**
    </div>

    * Kampagnenleistungsmetriken (Impressionen, Klicks, Conversions, Ausgaben)
    * Produktebenen-Leistungsdaten (Klickraten, Conversion-Raten)
    * Nutzerverhaltensereignisse (Suchen, Views, Käufe)
    * Organische Traffic-Muster und saisonale Trends
    * Gebots- und Budgetnutzungshistorie

    <Note>
      Alle historischen Daten müssen Datenschutzbestimmungen einhalten. Daten auf Nutzerebene
      müssen anonymisiert oder aggregiert werden, wenn dies durch lokale Datenschutzgesetze erforderlich ist.
    </Note>
  </Step>

  <div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
     
  </div>

  <Step title="Datenvalidierung und -verarbeitung">
    <div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
      **Qualitätssicherungsschritte:**
    </div>

    * Datenvollständigkeit und -genauigkeit validieren
    * Metriken normalisieren, um zum Topsort-Datenschema zu passen
    * Daten für Modelltraining bereinigen und verarbeiten
    * Datenanomalien oder Ausreißer identifizieren und behandeln

    <div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
       
    </div>
  </Step>

  <Step title="Modelltraining und Kalibrierung">
    <div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
      **Anfänglicher Trainingsprozess:**
    </div>

    * Historische Daten in Topsort-Trainingspipeline importieren
    * Anfängliche Machine-Learning-Modelle mit historischen Mustern trainieren
    * Algorithmen für optimale Leistung kalibrieren
    * Modellgenauigkeit gegen bekannte historische Ergebnisse validieren

    <div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
       
    </div>
  </Step>

  <Step title="Produktionsbereitstellung und Überwachung">
    <div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
      **Go-Live-Prozess:**
    </div>

    * Trainierte Modelle in Produktionsumgebung bereitstellen
    * Anfängliche Leistung gegen historische Benchmarks überwachen
    * Algorithmen basierend auf neuen Echtzeitdaten verfeinern
    * Schrittweise von historischer Datenoptimierung zu Echtzeitdaten übergehen
  </Step>
</Steps>

## Datenanforderungen

### Erforderliche Leistungsmetriken

| Metrikkategorie         | Erforderliche Felder                                                        | Beispielformat                                              |
| ----------------------- | --------------------------------------------------------------------------- | ----------------------------------------------------------- |
| **Kampagnenleistung**   | campaign\_id, date, impressions, clicks, conversions, spend                 | `campaign-123, 2024-01-15, 1000, 50, 5, 25.00`              |
| **Produktleistung**     | product\_id, campaign\_id, date, impressions, clicks, ctr, conversion\_rate | `prod-456, campaign-123, 2024-01-15, 100, 10, 0.10, 0.02`   |
| **Nutzerereignisse**    | user\_id (anonymisiert), event\_type, product\_id, timestamp, value         | `user-789, purchase, prod-456, 2024-01-15T10:30:00Z, 49.99` |
| **Organischer Traffic** | product\_id, date, organic\_impressions, organic\_clicks, search\_terms     | `prod-456, 2024-01-15, 500, 25, "summer shoes"`             |

### Beispiele für CSV-Format

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  **Kampagnenleistungsdaten:**
</div>

```csv theme={null}
campaign_id,date,impressions,clicks,conversions,spend,ctr,conversion_rate
campaign-123,2024-01-15,1000,50,5,25.00,0.05,0.10
campaign-124,2024-01-15,800,40,3,20.00,0.05,0.075
```

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  **Produktleistungsdaten:**
</div>

```csv theme={null}
product_id,campaign_id,date,impressions,clicks,conversions,revenue
prod-456,campaign-123,2024-01-15,100,10,2,49.98
prod-457,campaign-123,2024-01-15,150,8,1,24.99
```

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  **Nutzerereignisdaten:**
</div>

```csv theme={null}
user_id,event_type,product_id,timestamp,value,campaign_id
user-789,view,prod-456,2024-01-15T10:00:00Z,,
user-789,click,prod-456,2024-01-15T10:05:00Z,,campaign-123
user-789,purchase,prod-456,2024-01-15T10:30:00Z,49.99,campaign-123
```

## Modelltrainingsprozess

### Onboarding-Training

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  **Anfängliche Datenverarbeitung:**
</div>

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  * Historische Ereignisdaten werden in Trainingspipelines eingespeist
  * Modelle werden mit 3-6 Monaten historischer Leistungsdaten trainiert
  * Anfängliche Embeddings für Nutzer, Produkte und Kampagnen werden erstellt
  * Baseline-Leistungsvorhersagen werden etabliert
</div>

### Kontinuierliche Optimierung

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  **Kontinuierliches Lernen:**
</div>

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  * **Tägliche Updates**: ID-Lookup-Embeddings werden mit neuen Daten aktualisiert
  * **Wöchentliches Retraining**: Vollständiges Modell-Retraining, das sowohl historische als auch neue Daten einbezieht
  * **Echtzeitanpassung**: Nutzerverhalten-Embeddings werden kontinuierlich aktualisiert
  * **Leistungsüberwachung**: Historische Leistung mit aktueller Leistung vergleichen
</div>

<Tip>
  Die Kombination aus historischen Daten und Echtzeitlernen erreicht typischerweise
  optimale Leistung in 2-3 Wochen, verglichen mit 4-6 Wochen bei reinem Cold-Start.
</Tip>

## Erfolgsmetriken

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  Der Erfolg der Migration historischer Daten wird gemessen durch:
</div>

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  * **Reduzierte Cold-Start-Phase**: Lernzeit von 4 Wochen auf 1-2 Wochen verkürzt
  * **Leistungskontinuität**: Kampagnenleistung innerhalb von 10-15% historischer Niveaus ab Tag eins
  * **Modellgenauigkeit**: 20-30% verbesserte Vorhersagegenauigkeit im Vergleich zu Cold-Start-Szenarien
  * **Werbetreibendenzufriedenheit**: Werbetreibendenvertrauen während Übergang aufrechterhalten oder verbessert
</div>

## Integration mit Kampagnenmigration

### Komplementäre Prozesse

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  Die Migration historischer Daten funktioniert parallel zur [Kampagnenmigration](/de/knowledge-base/ad-platform/campaign-migration/):
</div>

1. **Kampagnenstruktur**: Basis-Kampagnenmigration behandelt Einstellungen, Budgets und Targeting
2. **Leistungsdaten**: Migration historischer Daten liefert die Leistungsgrundlage
3. **Kombinierter Nutzen**: Zusammen gewährleisten sie sowohl funktionale Kampagnen als auch optimierte Leistung ab Tag eins

### Empfohlene Reihenfolge

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  1. Schließen Sie zuerst die [Kampagnenmigration](/de/knowledge-base/ad-platform/campaign-migration/) ab, um die Kampagnenstruktur zu etablieren
  2. Führen Sie die Migration historischer Daten parallel während der Testphase aus
  3. Stellen Sie Kampagnenstruktur und trainierte Modelle gleichzeitig bereit
  4. Überwachen Sie die Leistung gegen historische Benchmarks
</div>

<Warning>
  Die Migration historischer Daten erfordert zusätzliche technische Koordination und kann
  den gesamten Migrationszeitplan um 1-2 Wochen für Modelltraining und
  Validierung verlängern.
</Warning>

## Nächste Schritte

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  Für Kunden, die an der Migration historischer Daten interessiert sind:
</div>

<div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
  1. **Bewerten Sie die Datenverfügbarkeit** Ihrer aktuellen Plattform
  2. **Koordinieren Sie technische Teams**, um Anforderungen an historische Daten zu besprechen
  3. **Planen Sie die Datenextraktion** parallel zum Kampagnenmigrationszeitplan
  4. **Koordinieren Sie mit dem Machine-Learning-Team** für Modelltrainingsanforderungen
</div>

***

<LastUpdatedDe date="2025-11-18" />