Künstliche Intelligenz, Analytik und digitales Marketing

Daten, Daten, Daten. Wir haben so viel, aber kennen wir die volle Macht aller Informationen, die uns zur Verfügung stehen? Angesichts der zunehmenden Komplexität und schieren Größe von Datensätzen und Marketingmöglichkeiten bieten künstliche Intelligenz (KI) und ihre Untergruppen (Verarbeitung natürlicher Sprache, Computer Vision und maschinelles Lernen) eine effiziente Möglichkeit, all diese Daten für die Erfassung zu organisieren und zu nutzen Erkenntnisse aus Digital Analytics. Diese Teilmengen sind in den letzten Jahren aufgrund ihrer genauen Vorhersagenatur immer beliebter geworden, um den ROI zu verbessern und den Gesamtgewinn zu steigern. Hier sind nur einige der Möglichkeiten, wie Unternehmen bereits Lösungen für maschinelles Lernen nutzen.

Verarbeitung natürlicher Sprache

Wenn Sie jemals einen Chatbot oder Siri verwendet haben, waren Sie der Verarbeitung natürlicher Sprache (NLP) ausgesetzt. Die menschliche Sprache ist äußerst komplex und vielfältig. Obwohl die Sprache theoretisch strukturiert ist, existieren in Wirklichkeit syntaktische, semantische und phonetische Variationen innerhalb von Sprachen, was bedeutet, dass es schwierig sein kann, festgelegte Ziele für die textuelle oder verbale Extraktion festzulegen. In diesem Fall ist NLP wichtig, weil wir einem Programm beibringen können, syntaktische, semantische und phonetische Muster zu identifizieren, um Daten auf diese Weise zu organisieren.

Warum kümmern wir uns?

Die Verarbeitung von Millionen von Wörtern würde viel zu lange dauern, wenn wir stattdessen ein Programm trainieren könnten, um Daten in einer Form zu strukturieren, die wir verwenden können, um Marketingstrategien zu informieren.

NLP-Verarbeitungsdiagramm: Zeigt den Prozess, in dem Daten so organisiert sind, dass sie leichter verarbeitet werden können

Computer Vision

Computer Vision verändert nicht nur die Art und Weise, wie wir einkaufen, fahren und uns bei Geräten anmelden, sondern auch die Art und Weise, wie wir vermarkten. Eine der wichtigsten Möglichkeiten, wie wir Vision-Programme nutzen können, ist die Implementierung kontextbezogener Anzeigen. Angenommen, Sie werben für ein Yoga-Studio. Drittanbieter-Partner können Websites scannen, um nach Bildern zu suchen, die Yoga ähneln, beispielsweise eine Website, die Yoga-Posen zeigt. Sie tun dies, indem sie Bildsegmentierung verwenden (abgekürzter Prozess siehe unten). An dieser Stelle kann eine Anzeige für Ihr Yogastudio geschaltet werden, um sicherzustellen, dass Sie eine relevantere Zielgruppe erreichen, als dies bei einer reinen Zielgruppenausrichtung der Fall wäre.

Eine weitere Anwendung für Computer Vision ist Social Listening. Diese Arten von Programmen können erkennen, wann Ihre Marke erwähnt oder ihre Fotos verwendet wurden, was Ihnen einen besseren Einblick in die Leistung der Marke geben kann. Computer Vision ist im Marketingbereich relativ neu und keineswegs perfekt, da die Segmentierung eines Bildes viel schwieriger ist als die Segmentierung eines Wortes. Derzeit werden Initiativen zur Nutzung von Computer Vision von Unternehmen wie GumGum und Vibrant Media vorangetrieben. Insgesamt deuten die Trends in der Werbung nicht darauf hin, dass diese Art der Werbung das Kontext- und Benutzer-Targeting ersetzen wird, sondern eine zusätzliche Option für das Targeting sein wird. Zielgruppen- und Kontext-Targeting werden aufgrund der Zuverlässigkeit von 1st- und 2nd-Party-Daten weiterhin entscheidend sein.

Warum kümmern wir uns?

Als Marketingprofis müssen wir schnell handeln, um die richtige Zielgruppe zur richtigen Zeit zu erreichen. Mit der visuellen Natur unserer Gesellschaft können wir die Fähigkeiten der Vision-Technologie nutzen, um unsere Targeting-Optionen im digitalen Marketing zu diversifizieren.

Bildverarbeitung: Der Prozess, bei dem das Bild aufgenommen und die Teile des Bildes extrahiert werden, um besser organisierte und standardisierte Teile zu entwickeln

Maschinelles Lernen

Während maschinelles Lernen und NLP in der Art und Weise, wie sie Daten durchsuchen, sehr ähnlich sind, besteht der Hauptunterschied darin, dass NLP sprachlich ausgerichtet ist, was bedeutet, dass die Daten zuerst strukturiert werden müssen. Maschinelles Lernen konzentriert sich jedoch mehr auf die statistische Seite der Verarbeitung strukturierter Daten. Maschinelles Lernen wird häufig in NLP-Praktiken eingesetzt. Die häufigste Art und Weise, wie maschinelles Lernen im Marketing eingesetzt wird, bezieht sich auf gezielte Kurations- und Gebotsstrategien. Beim Bieten sind die Tage des manuellen Verkaufens und Kaufens von Inventar gezählt. Wir verwenden jetzt so weit wie möglich maschinelle Lernalgorithmen, um das optimale und effizienteste Gebot für das Inventar zu ermitteln.

Dies ist mit der Entwicklung von Gebotsmultiplikatoren innerhalb der programmatischen Landschaft sogar noch weiter gegangen. Sie können Multiplikatoren einrichten, die, wenn ein bestimmter Aspekt aufgerufen wird (Gerätetyp, Zielgruppe, Geo usw.), Ihr maximal festgelegtes Gebot um einen bestimmten Prozentsatz überschreiten können, wenn der Algorithmus erkennt, dass das Inventar, auf das Sie bieten, sehr hoch ist wahrscheinlich den KPI übertreffen.

Was die Zielgruppen betrifft, so können diese Algorithmen Zielgruppensegmente basierend auf den beobachteten Mustern erstellen. So werden zum Beispiel Facebook Lookalike Audiences erstellt. Nachdem der Algorithmus das Zielgruppensegment bestimmt hat, kann er nach Mustern suchen, die außerhalb dieses Segments zu sehen sind (Instanzen, die weniger häufig vorkommen) und feststellen, dass es sich um ein Doppelgänger und eine vorhergesagte gute Leistung des zuvor bestimmten Segments handeln könnte.

Warum kümmern wir uns?

Maschinelles Lernen bringt uns einem effizienten Angebot und einem relevanteren Publikum näher. Da der Markt aufgrund zusätzlicher Gebotsebenen (bevorzugt, Header Bidding usw.) immer wettbewerbsintensiver wird, da immer mehr Marken digitale Medien nutzen, müssen wir alles tun, um mit unserer Gebots- und Zielgruppenstrategie wettbewerbsfähig und dennoch kosteneffektiv zu bleiben.

Maschineller Lernprozess: Oben ist der Prozess dargestellt, bei dem Rohdaten in strukturierte Daten umgewandelt werden und strukturierte Daten in Daten umgewandelt werden, die analysiert werden können

Die Zukunft steckt voller Möglichkeiten für KI und Marketing. Ein interessantes Beispiel, das es bereits gibt, ist der Einsatz von geozielgerichteter Werbung in Autos: Mit der Entwicklung und Weiterentwicklung von selbstfahrenden Autos werden Verbraucher in der Lage sein, georelevante Werbung im Auto zu sehen.

Mit Blick auf die Zukunft wird es mehr automatisierte Gebotsoptionen geben. Obwohl die Gebotsabgabe bereits bis zu einem gewissen Grad automatisiert ist, sind Werbetreibende bei der Definition von KPIs, auf die der Algorithmus hin optimiert, etwas eingeschränkt. Möglicherweise sehen wir etwas, das es einem Algorithmus ermöglicht, Gebote für spezifischere KPIs zu planen und festzulegen, die über CPMs und CTRs hinausgehen. Mit all den granularen Daten, die wir mithilfe von KI erfassen und organisieren können, wird eine weitere Anpassung der Anzeigen möglich sein. Mithilfe dynamischer Creatives und Daten können wir Creatives anzeigen, die bei der Zielgruppe besser ankommen.

Insgesamt müssen wir als Vermarkter die vor uns liegenden technologischen Entwicklungen voll ausschöpfen, um fundierte, effiziente und effektive Marketingentscheidungen zu treffen.

Weiterführende Literatur:

Forbes, TechEmergence und AI4Marketing