KI im Marketing: Alles Wichtige auf einen Blick.

Warum ist es wichtig sich mit dem Thema KI im Marketing zu zu beschäftigen? Künstliche Intelligenz (KI) zählt zu den wichtigsten Treibern der digitalen Ökonomie. Davon bleiben auch Marketing und Sales nicht unberührt. Im Gegenteil: Größere Umwälzungen sind zu erwarten. Aber wo liegt der Nutzen aktuell? Wir zeigen Dir, was KI bereits kann und was noch nicht.

Definition

Künstliche Intelligenz (KI bzw. AI) ist ein Teilgebiet der Informatik und der Versuch, bestimmte Fähigkeiten und Entscheidungsstrukturen des Menschen nachzubilden. Da der Begriff nicht eindeutig abgrenzbar ist, betrachten wir drei für das Marketing besonders wichtige Teilgebiete: Machine Learning, Deep Learning und NLP.

Teilgebiete von KI

Machine Learning

Wir Menschen lösen Aufgaben auf Basis unseres Erfahrungsschatzes. Bei neuen Problemen probieren wir Dinge einfach aus und meiden es, Fehler zu wiederholen. Ähnlich funktioniert Machine Learning. So wie zum Beispiel meine App, welche Dir Kinofilme vorschlägt. Dazu muss sie vorab lediglich antrainiert werden. Durch kollaboratives Filtern aller Daten identifiziert die App bestimmte Affinitätsmuster und kann in Echtzeit Empfehlungen abgeben.

Deep Learning

Ein Teilgebiet des Machine Learnings ist unter dem Begriff Deep Learning bekannt. Maschinelles Lernen nutzt hierarchische Strukturen, welche an den Aufbau menschlicher Nervenzellen (Neuronen) erinnern. Künstliche neuronale Netze machen es möglich, eine Komplexität von bis zu hundert Millionen einzelnen Parametern und zehn Milliarden Rechenoperationen auf einmal zu verarbeiten. Das Problem: Die Entstehung des Outputs ist für den Menschen kaum noch nachvollziehbar.

NLP (Natural Language Processing)

Natural language processing bzw. Computerlinguistik hat sich unabhängig von der KI entwickelt. NLP beschäftigt sich mit den Möglichkeiten, natürliche Sprache mithilfe von Algorithmen zu verarbeiten. Erst maschinelles Lernen verhalf NLP zu einem großen Entwicklungssprung, obwohl eingesetzte Algorithmen simpler gestrickt sind als traditionelles NLP. Sie beschränken sich darauf, Muster auf Wortebene zu identifizieren. Syntax und Semantik spielen dabei keine große Rolle mehr.

Formen des maschinellen Lernens

Im Allgemeinen werden drei Formen des maschinellen Lernens (Machine Learning) unterschieden

  1. Überwachtes Lernen
  2. Unüberwachtes Lernen
  3. Selbstverstärkendes Lernen

 

Die nicht überwachte Form des Machine Learnings wird üblicherweise dazu eingesetzt, versteckte Muster in großen Datenmengen zu identifizieren und sogenannte “Daten-Cluster” zu ermitteln. Dabei bleibt das Ergebnis stets offen. Man weiß also nie, was am Ende rauskommt.

Überwachtes Lernen bedeutet, dass ein KI-Modell bereits im Vorwege mit Daten trainiert wird. Zum Beispiel mit Bildern von Produkten verknüpft mit der zugehörigen Bezeichnung („Label“). Einmal angelernt, kann so ein Modell eigenständig Zuordnungen vornehmen. d. h. zum Beispiel Produkte anhand eines Fotos erkennen. Dabei helfen sogenannte Prospensity Models (prospense = neigen). Sie deuten an, wie wahrscheinlich der Eintritt eines bestimmten Ereignisses in der Zukunft ist.

Bestärkendes Lernen geht noch einen Schritt weiter. Man spricht hier von Systemen, die eigenständig eine langfristige Strategie erlernen. Dazu werden Agenten (eigenständige Softwareprogramme) darauf angesetzt, per Trial-and-Error zu erlernen, welche Folgen eine Aktion innerhalb einer bestimmten Situation hat.

I. Einsatz zur Datenanalyse

Buyer Personas identifizieren

Große Datenmengen (Big Data) über Kunden sind gut geeignet, um die wichtigsten Buyer Personas zu ermitteln und mit KPIs wie Akquisekosten (CAC) und Kundenlebenswert (CLTV) zu versehen. Dazu wird zum Beispiel überprüft, welche Merkmale der Kunden miteinander korrelieren.

Produkte entwickeln

Mithilfe von Analysen lassen sich Branchen und Buyer Personas ermitteln, welche durch ein ungewöhnliches Kaufverhalten auffallen. Nachfolgende Interviews ergeben, dass ein Produkt zu einem anderen Zweck als vorgesehen eingesetzt wird. Die Geburtsstunde eines neuen Produkts.

Umsatz erhöhen

Wie hoch ist die Wahrscheinlichkeit, dass ein bestimmter Zielkunde innerhalb der kommenden Woche etwas kauft? Mit diesem Wissen lassen sich gezielt Kampagnen mit großen Erfolgsaussichten aufsetzen.

II. Einsatz zur Kommunikation

Das zweite große Einsatzspektrum liegt in der Kommunikation mit potenziellen Kunden. Sei es per E-Mail, über die sozialen Netzwerke oder über einen Corporate Blog. Eine sehr zeitraubende Beschäftigung, bei der man schnell die wirklich lukrativen Kunden aus dem Auge verliert.

Kampagnen optimieren

Werbeanzeigen, Landingpages und sogar Preise lassen sich in Echtzeit optimieren und personalisieren. Ebenso der Zeitpunkt für Push-Nachrichten (z.B. E-Mails). Kleinste Verbesserungen können bereits zu spürbar mehr Response führen, was sich wiederum positiv auf die Akquisekosten auswirkt.

Chatbots bereitstellen

Sogenannte Chatbots imitieren menschliche Intelligenz, indem sie Kundenfragen eigenständig interpretieren und beantworten. Zumindest in der Theorie. In der Praxis überzeugen Chatbots selten. Denn Natural Language Processing (NLP) auf Basis eines KI-Modells steckt noch in den Kinderschuhen. Gut funktionieren sie bislang im Support-Bereich, wo Kunden schnelle Antworten auf sich wiederholende Fragen wünschen.

Content Creation

Zum aktuellen Stand können KI-Werkzeuge noch keinen Content fertig produzieren. Moderne Software hilft allenfalls dabei. Vor allem für die Optimierung von Texten gibt es zahlreiche Lösungsansätze. Ebenso für (audio-) visuellen Content: Hier lässt sich mit KI-Tools bereits einiges an Arbeitszeit einsparen.

Analytics (Formen)

Im Marketing begnügt man sich meistens mit dem Betrachten der Vergangenheit. Im Fachjargon spricht man dann von Analytics bzw. Descriptive Analytics: Wer sind die bis dato ertragreichsten Kunden? Welcher Newsletter am besten performt? Wie groß sind die Akquisekosten? Alles schön und gut. Doch inwiefern sind solche Erkenntnisse tatsächlich hilfreich, wenn die Realität komplex ist?

Predictive Analytics geht einen großen Schritt weiter, denn es wagt einen Blick in die Zukunft. Was für Kundensegmente gibt es noch? Welches Potenzial haben diese Segmente? Welche Stellschraube eignet sich am besten, um zum Beispiel die Akquisekosten zu verringern?

Prescriptive Analytics beschreibt die Zukunft quasi von der anderen Seite: Auf Basis eines gewünschten Ziels (zum Beispiel Kundenakquisekosten halbieren) ermittelt ein Algorithmus mögliche Handlungsoptionen – inklusive deren Eintrittswahrscheinlichkeit und möglichen Risiken. Prescriptive Analytics ermöglicht es folglich, Marketingprozess weitgehend zu automatisieren.

Arten von Analytics für KI im Marketing

Predictive und Prescriptive Analytics haben zwar einen unterschiedlichen Fokus, aber gehören für mich dennoch zusammen. Letztlich geht es ja immer um eine Vorhersage. Rein technisch gesehen ist der Unterschied ebenfalls marginal. Insofern gilt: Spreche ich von Predictive Marketing, umfasst das stets beide Ausrichtungen.

Machine Learning

Herkömmliche Software arbeitet Schritt für Schritt einen deterministischen Algorithmus ab. Software auf Basis von Machine Learning geht weiter und lernt eigenständig hinzu, um eine bestimmte Aufgabe immer etwas besser lösen zu können. Dazu prüft sie zum Beispiel Korrelationen zwischen verschiedenen Merkmalen eines Konstrukts, z.B. das Alter und die Warenkorbgröße von Kunden. Aufgrund der enormen Leistung moderner Hardware lassen sich so in sekundenschnelle wertvolle Erkenntnisse gewinnen.

Statistik zu Predictive Marketing

Quelle: Salesforce

Formen von Machine Learning

Nicht überwachtes Lernen (Unsupervised Learning)

Die überwachte Form des Machine Learnings wird üblicherweise dazu eingesetzt, versteckte Muster in großen Datenmengen zu identifizieren und sogenannte “Daten-Cluster” zu ermitteln. Dabei bleibt das Ergebnis stets offen. Man weiß nie, was am Ende rauskommt. Tatsächlich hat die Modellierung von Clustern weniger mit Lernen als mit Fleißarbeit zu tun.

Cluster-Modellierung macht zum Beispiel Gruppen von Kunden mit einen ähnlichem Kaufverhalten sichtbar. Diese Cluster können bei zukünftigen Kampagnen helfen, den Umsatz zu erhöhen.

Ein Beispiel:

Du möchtest einen luxuriösen XXL-Camper vermarkten. Üblicherweise filterst Du nach Alter der Kunden (Ü65) und nach deren Einkommen. Aber solche Annahmen können in die Irre führen.
Einer Clusteranalyse untersucht noch viel mehr Merkmale als Alter und Einkommen. So könnte sich vielleicht herausstellen, dass junge Familien mit Hund auffällig oft so ein Fahrzeug nachfragen.

Beispiel für Clustering

In der Praxis werden natürlich noch viel mehr Attribute untersucht. Und zwar solange, bis sich verschiedene Gruppen von Attributen auftun, die sich signifikant unterscheiden. Solche Cluster werden gewöhnlich von etwa 8 bis 15 Merkmale beschrieben. Aus jedem Cluster kannst Du direkt eine neue Buyer Persona ableiten.

Wie beim traditionellen RFM Modelling (Recency, Frequency, Monetary Value) können so Kunden in einem Ranking gleich großer Gruppen (“Dezile”) eingeteilt. Jedes Dezil repräsentiert den Durchschnittswert einer bestimmten Eigenschaft, wie zum Beispiel die CLTV. Diese Technik erspart später Arbeit beim Segmentieren oder beim Design von Splittests.

Überwachtes Lernen (Supervised Learning)

Wer von Predictive Marketing spricht, meint oft die Vorhersage von bestimmten Ereignissen. Denn im Marketing hätten wir gern regelmäßig eine Vorhersage, wie z.B.  bestimmte Kunden auf ein Angebot reagieren oder wie große der Wert (CLTV) eines Neukunden ist. Beim Blick in die Zukunft helfen uns Prospensity Models (prospense = neigen).

Überwachtes Lernen kommt dann zum Einsatz, wenn ein Merkmal bekannt ist und die Wahrscheinlichkeit eines bestimmten Ereignisses gefragt ist. Zum Einsatz kommen hier meistens Regressions- und Klassifikatonsverfahren. Diese werden in einem sogenanntes KI-Modell implementiert und dann mit Trainingsdaten gefüttert.

In der Marketingpraxis ist zum Beispiel die Kaufwahrscheinlichkeit eines Leads gefragt. Dazu wird die KI mit entscheidendenn Merkmalen gefüttert (z.B. Branche, Anzahl Mitarbeiter und Postleitzahl) und als Output folgt dann ein Wert für die Wahrschenlichkeit des Kaufs innerhalb eines bestimmten Zeitraums.

Exkurs: RFM Modelling

Für die Bewertung von Kundengruppen war (und ist) RFM Modelling der Industriestandard schlechthin. Dazu wurden Daten der Vergangenheit betrachtet: Recency: Wann hat ein Kunde zuletzt bei uns gekauft? Frequency: Wie oft hat der Kunde bei uns gekauft? Monetary Value: Wie viel Erlös hat der Kunde zu verantworten?

RFM Modelling betrachtet ausschließlich die Vergangenheit, anstatt das Verhalten verschiedener Kunden zu vergleichen. Darüber hinaus beschränkt es sich auf drei Variablen. Es entspricht eher einem heuristischen Ansatz als einer echten Vorhersage.

Bestärkendes Lernen (Reinforcement Learning)

Besonder zukunftsweisend sind Systeme, die eigenständig eine langfristige Strategie erlernen. Beim bestärkenden Lernen werden sogenannte Agenten (eigenständige Softwareprogramme) darauf angesetzt, per Trial-and-Error zu erlernen, welche Folgen eine Aktion innerhalb einer bestimmten Situation hat.

Beispiel für den Ablauf von bestärkendes Lernen KI

Quelle: edureka!

In der Marketingpraxis spielt Reinforcement Learning noch keine große Rolle. Denkbar sind jedoch spezielle Klassifikationsverfahren. Diese ermitteln per Trial-and-Error, welche Produktempfehlungen den größten Erfolg versprechen. Die Kunst ist es jedoch, die richtigen Variablen („Features“) zu finden.

Beispiel: In Deinem Online-Shop möchtest Du das Cross-Selling stärken. Daher empfiehlt nun eine KI zum optimalen Zeitpunkt (Check-out) ein bestimmtes Produkt, weil das in der Vergangenheit zu einer Belohnung (Kauf) führte.

Herausforderungen

Data Scientists und erst recht den Entwicklern ist es ziemlich egal, was Marketer mit ihren Daten anfangen. Umgekehrt weiß ein Marketer oft nicht genau, welche Daten für eine Analyse sinnvoll sind und wie diese aufbereitet sein sollten. Aus diesem Spannungsverhältnis ergeben sich oft Missverständnisse. Wer Machine Learning und Marketing zusammenbringen möchte, sollte auch die verantwortlichen Menschen zusammenbringen. Gerade bei so einem komplexen Thema.

Fazit

Machine Learning im Marketing hat viele Gesichter und bietet für nahezu jedes Einsatzszenario eine Lösung. Big Data ist dabei keinesfalls Voraussetzung, aber hilfreich für schnelle Ergebnisse.

Über den Autor

Über den Autor

Frank Rix beschäftigt sich seit über 20 Jahren intensiv mit Data-Driven Marketing. Nach seinem Studium der Wirtschaftsinformatik in Flensburg beriet er u. a. Unternehmen wie Montblanc, Euler Hermes, PwC und DHL.

Ergänzende Artikel

Du möchtest Lead-Magnete auf Deiner Website intelligent ausspielen? Dann ist VERTUS das Richtige für Dich.

Artikel teilen

Share on linkedin
Share on twitter
Share on whatsapp
Share on email