July 9, 2026
Über uns
Quick TV von ShareChat ist eine schnell wachsende Microdrama-App in Indien und ein zentrales Abonnement-Produkt innerhalb des ShareChat-Ökosystems, das monatlich über 60 Millionen aktive Nutzer erreicht und täglich 400 Millionen Episodenaufrufe verzeichnet. Quick TV wurde für das Binge-Watching von Kurzserien, Thrillern und Liebesgeschichten entwickelt und bietet mundgerechte, vertikal formatierte Videos mit einer Länge von 1 bis 5 Minuten – ideal für die schnelle Unterhaltung auf dem Arbeitsweg oder in der Pause.
Herausforderung
Quick TV stand vor einer typischen, aber kritischen Herausforderung des Freemium-Abonnementmodells: hohe Abbruchraten zwischen der Testanmeldung und dem kostenpflichtigen Abonnement. Obwohl die Plattform erfolgreich Nutzer für kostenlose Testversionen gewinnen konnte, kündigte die Mehrheit vor der Umwandlung in zahlende Abonnenten. Das Kernproblem war offensichtlich: Die Optimierung allein auf Testanmeldungen reichte nicht aus. Quick TV musste Nutzer identifizieren und gewinnen, die nicht nur eine Testphase beginnen, sondern diese auch abschließen und zu zahlenden Abonnenten werden würden. Geschäftswachstum erforderte den Fokus auf Abonnement-Umsätze, nicht nur auf das Volumen der Testanmeldungen.
Lösung
Quick TV ging eine Partnerschaft mit Moloco ein, um einen maßgeschneiderten Optimierungsansatz zu entwickeln, der Nutzer mit echtem Abonnement-Interesse identifizieren konnte – statt nur Nutzer, die lediglich testen wollten. Anstatt alle Testanmeldungen gleich zu behandeln, konzentrierte sich die Strategie auf den Aufbau eines neuen Optimierungsereignisses, das das gewünschte Nutzerverhalten bei Quick TV präziser widerspiegelte.
Aufbau eines intelligenteren Optimierungssignals
Das Team von Moloco arbeitete mit Quick TV zusammen, um ein kombiniertes Optimierungsereignis zu erstellen, das den Testzeitraum selbst als Signal nutzte. Durch die Analyse des Nutzerverhaltens während der Testphase lernte das KI-Modell, Muster zu erkennen, die mit vorzeitigen Kündigungen verbunden sind. Diese Erkenntnisse wurden genutzt, um Nutzer mit geringem Interesse bei der Zielgruppenansprache herauszufiltern. Teststarts wurden als positives Eingangssignal gewertet, während Nutzer mit kündigungsanfälligem Verhalten als negatives Signal dienten. Das Ergebnis war ein Modell, das darauf trainiert wurde, Nutzer zu finden, die auch nach Ablauf des frühen Kündigungsfensters abonniert blieben.
Nutzung von werbetreiberspezifischer KI zur Steigerung der Präzision
Ein Schlüsselfaktor bei diesem Ansatz war das werbetreiberspezifische KI-Modell von Moloco, das gezielt aus den eigenen Nutzerdaten von Quick TV sowie aus gebündelten Signalen der gesamten Plattform lernte. Dies ermöglichte es dem Modell, ein präzises Verhaltensprofil eines Quick TV-Abonnenten mit hoher Kaufabsicht zu erstellen – unter Berücksichtigung der Nuancen des indischen Streaming-Marktes und der spezifischen Inhaltskategorie von Quick TV. Das KI-Modell verfeinerte sein Verständnis für wertvolle Nutzer kontinuierlich, sobald mehr Konversionsdaten verfügbar wurden.
Ergebnis
Durch die Ausrichtung auf die Absicht zum kostenpflichtigen Abonnement statt nur auf das Volumen der Testanmeldungen verwandelte Quick TV die Nutzerakquise von einem quantitätsorientierten Ansatz in einen qualitätsfokussierten Wachstumsmotor. Innerhalb eines Zeitraums von 45 Tagen (18. Dezember 2025 – 31. Januar 2026) erreichte Quick TV:
- Die Kosten pro Abonnent sanken um ca. 46 % innerhalb von 45 Tagen (Vorher-Nachher-Vergleich) nach Einführung des neuen benutzerdefinierten ML-Ereignisses am 17. Dezember 2025.
- Die D7-Kündigungsrate verbesserte sich um ca. 43 % im selben Beobachtungszeitraum, d. h. 45 Tage (Vorher-Nachher-Vergleich) nach Einführung des neuen benutzerdefinierten ML-Ereignisses am 17. Dezember 2025.
- Diese Effizienzsteigerung führte zu einer höheren Umwandlungsrate von der Testphase zum Abonnement und verbesserte den gesamten Funnel für quickTV.
Customer
ShareChat
Headquarters
Indien
Industry
Product
