Diese „3 A“ des KI-Marketings umfassen:

•             Analysieren

•             Automatisieren

•             Autonom agieren.

Alle drei Kategorien beschreiben grundlegende Einsatzbereiche für KI. Die Basis dafür bildet stets eine zunehmend angereicherte Form der Datenverarbeitung. Die hinter dieser Leistung stehende „Intelligenz“ nimmt dabei schrittweise zu.

Der Aspekt des Analysierens umfasst sämtliche Aufgaben der Datenerfassung und Dateninterpretation. Damit wird zugleich die Grundlage für die Funktionsfähigkeit intelligenter Systeme geschaffen sowie auch die für jede Form von Marketing wichtige Funktion der Informationserhebung und Schaffung von Entscheidungsgrundlagen beschrieben.

Automatisieren bezieht sich auf die darauf aufbauende Fähigkeit, weitgehend losgelöst vom weiteren individuellem Eingreifen, eben „automatisch“, zwar grundsätzlich eigenständig, aber entlang vorab definierter Rahmenbedingungen spezifische Aufgaben auszuführen.

Autonom agieren beschreibt hingegen eine eigenständige Handlungsfähigkeit eines Systems, auch ohne eine „Rückkoppelung“ mit festgesetzten „Aktionsmaximen“ und die Befähigung, womöglich eigene autonome Prozesse ohne menschliches Zutun zu etablieren.

Im Detail soll dieses Stufenmodel im Folgenden beschrieben werden:

 „A“ wie „analysieren“: Daten sammeln und strukturieren, Muster und Gesetzmäßigkeiten ableiten.

Wie schon angeführt, spielt die Verarbeitung von Daten zum Ziel der Informationsgewinnung im Marketing schon seit längerem eine zunehmend tragende Rolle. Das Diktum „Kenne Deinen Kunden!“ prägt die Arbeit in den Vertriebs- und Werbeabteilungen vieler Unternehmen; „Kennen“ und „Kunde“ haben den gleichen Wortursprung, sie sind etymologisch verwandt. Nur wenn die Vorlieben und Bedürfnisse und die Verhaltensweisen der Kunden bekannt sind, ist eine zielgerichtete Bearbeitung der Märkte möglich.

Gleiches gilt für die Anforderungen der Märkte selbst: Welche Bedingungen bestehen dort? Welche Konkurrenten existieren und wie verhalten sich diese? Zeichnen sich grundlegende Veränderungen und Trends ab, die das Marktgeschehen beeinflussen könnten? Diese und ähnliche Fragestellungen treibt Unternehmen nicht erst seit der Digitalisierung um. Die Analyse von Datenmaterial steht am Anfang aller KI-Tätigkeit. Daten bilden gewissermaßen die „Nahrung“ künstlicher Intelligenz, mit ihnen werden Künstliche Neuronale Netzwerke gefüttert, auf ihrer Basis können Algorithmen lernen und zielgerichtete Ergebnisse liefern. Wenn wir also von KI im Marketing sprechen, so bezieht sich dies zwangsläufig auf eine Form der „Daten getriebenen“ Marktbearbeitung – mindestens unterstützt oder auch maßgeblich gesteuert durch intelligente, autonom agierende Systeme. Die „intelligente“ Leistung besteht damit dann in der eigenständigen Prognose, nicht basierend auf menschlichen Annahmen und „Dreisätzen“, sondern darin, unabhängig davon Muster und Gesetzmäßigkeiten zu identifizieren.

Auf diese Weise werden nicht nur die Grundlage für automatisiertes oder autonomes Handeln geschaffen, sondern gleichzeitig auch bereits wichtige Erkenntnisse für das operative Marketing gewonnen. Neben allgemeinen Informationen zu Kunden und Märkten und der Identifizierung von „Trends“, finden diese Verwendung beispielsweise bei der Ansprache potenzieller Vertriebskontakte und der Vermeidung von Streuverlusten durch die daraus resultierende Möglichkeit der Individualisierung und Personalisierung.

Auch unternehmensinterne Informationssysteme können durch KI unterstützt oder maßgeblich geprägt werden. Die Vielzahl an Daten unterschiedlichster Herkunft und Beschaffenheit – „strukturiert“ oder „unstrukturiert“, in Text-, akustischer oder visueller Form – verhindert oft eine Erfassung und Auswertung nach herkömmlichen Methoden. Auch hier können Ansätze künstlicher Intelligenz womöglich Abhilfe schaffen. Diese in der Praxis teilweise auch als „Insight Engines“ bezeichneten Systeme decken Zusammenhänge auf und machen Wissen auf eine Art und Weise zugänglich, wie dies zuvor bestenfalls bei Googles Knowledge Graph bekannt war, indem diese ohne menschliche Anleitung sinnhafte Beziehungen von einzelnen Informationen untereinander ermitteln und diese durch eine entsprechende Abbildung für den Menschen zugänglich und konsumierbar machen.   

Um überhaupt zunächst ein KI-System „füttern“ zu können, bedarf es einer großen Anzahl von Datensätzen, die Rückschlüsse auf sinnvolle Kausalitäten und mögliche Wechselbeziehungen zwischen einzelnen Datenmerkmalen („Items“) zulassen. Nur wenn die Datenbasis qualitativ wie quantitativ höchsten Anforderungen genügt, sind diese Systeme auch in der Lage, einen sinnvollen und substanziellen Beitrag zum Unternehmenserfolg zu leisten.

Der Vorteil maschinellen Lernens, insbesondere von Deep Learning, gegenüber klassischen Verfahren des Data Minings liegt in der Fähigkeit, großen Mengen an Daten zu verarbeiten und dabei unter Umständen Zusammenhänge herzustellen, die bei herkömmlichen Vorgehensweisen nicht hätten erkannt werden können. Um dies sicher zu stellen, ist es noch wichtiger als in der rein menschlichen veranlassten Algorithmik, dass die zugrundeliegenden Daten „fehlerfrei“ vorliegen, denn mit steigendem Autonomiegrad eines Systems erhöhen sich auch die Schwierigkeiten, im Nachhinein eine unerwünschte oder schlichtweg „falsche“ Ausgabe auf den eigentlichen Fehler zurückzuführen, da der Pfad der Ergebnisfindung womöglich nur noch schwer nachzuvollziehen ist.

„A“ wie „automatisieren“: eigenständig Aufgaben innerhalb eines definierten Handlungsrahmens erfüllen

Schon seit geraumer Zeit hat sich der Begriff der Marketing Automation im digitalen Marketing etabliert. Dabei geht es um die weitgehend unabhängig vom menschlichen Eingriff ablaufende Abwicklung verschiedener, sich wiederholender Marketingprozesse in den einzelnen Segmenten des Marketing-Mix, wenngleich der Schwerpunkt in der Praxis auf der Verzahnung von Werbe- und Vertriebstätigkeiten liegt. Hier besteht seit längerem ein wachsender Markt von gewerblichen Anbietern, deren Leistungsportfolio sich durch den Rückgriff auf Technologien aus dem KI-Umfeld zunehmend erweitert.

Grundsätzlich lässt sich Marketing-Automation in drei grundlegende Bereiche unterteilen:

• Marketing Workflow Management (die Automatisierung der internen Marketingprozesse)

• Marketing Intelligence (die automatisierte Sammlung und Auswertung von Daten) und

• Marketing Dialogue Processing (automatisierte Abwickeln und/oder Steuern des Kundendialogs)

Zu den Details, hier entlang.

„A“ wie „autonom agieren“: eigenständige Handlungsfähigkeit und autonome Prozesse etablieren

Die Endstufe zum Einsatz von KI im Marketing markiert zweifelsohne deren völlige Eigenständigkeit. Gleichwohl ist festzuhalten, dass natürlich der Nutzen eines „vollständig autonomen Systems“ für die betriebliche Tätigkeit eines Unternehmens wohl kaum zielführend wäre, wenn nicht eine wie auch immer geartete Abgleichung mit dessen Zielen an irgendeiner Stelle stattfindet. Auch dürften derartige „singuläre“ Fähigkeiten im Moment technisch noch schwer abbildbar sein. Nichtsdestotrotz zeichnet sich bereits jetzt schon ein fließender Übergang zwischen „automatisierten“ und zumindest „teil-autonomen“ Ansätzen ab, insbesondere, wenn der oben angeführte Ansatz des Verstärkungslernens zum Einsatz kommt. Eine exakte Klassifizierung nach „automatisiert“ und „autonom“ gestaltet sich somit allerdings schwierig.

„Autonomie“ steht für „Selbstbestimmung“, was gleichbedeutend ist mit der Freiheit von extern aufgestellten Normen. In der Psychologie wird der Begriff auch mit „Willensfreiheit“ gleichgesetzt. Ein autonomes System ist nicht an zuvor definierte Regeln gebunden, sondern kann seinerseits neue Regelwerke aufstellen und diese selbsttätig zur Maßgabe des eigenen Handelns machen – oder auch wieder verwerfen, wenn sich eine andere Herangehensweise als sinnvoller erweist. Eine solche KI muss jedoch nicht zwingend einer der Science Fiction entlehnten „Zielvorstellung“ einer umfassenden, „generellen“ künstlich geschaffenen Intelligenz entsprechen, die in der Lage ist, vollumfänglich menschliche Verhaltensweisen und Denkmuster nachzubilden. Ein hoher Autonomiegrad kann auch innerhalb bestimmter, abgegrenzter Funktionsfelder und für spezifische Aufgabenstellungen erzielt werden.

Anwendungsgebiete der 3A

Derartige Ansätze, die auf eine hohe Eigenständigkeit des intelligenten Systems innerhalb eines definierten Aktionskorridors setzen, finden sich insbesondere in der intelligenten Verkehrssteuerung, beim „autonomen“ Fahren, militärische Anwendungen – Drohnen, militärische Robotersysteme – zählen ebenso hierzu. Auch diese werden natürlich nicht frei von jeglichen Regeln „trainiert“, sondern auf Basis eines vorab festgelegten „Verhaltenskodexes“ (beispielsweise Verkehrsregeln, „Entschlüsselung“ und Bedeutung von Verkehrsschildern) „angelernt“. 

Dabei steht beim Lernen dieser Systeme oft eine Ergebnisorientierung im Vordergrund. Je nach Aufgabe erscheint nicht zwingend der Weg hierzu entscheidend, sondern ist stattdessen allein oder in erster Linie die tatsächliche Erreichung eines in irgendeiner Form quantifizierbaren Zieles Ausschlag gebend. Daher stellt, wie bereits erwähnt, das Reinforcement Learning meist eine sinnvolle Trainingsmethode in diesem Kontext dar. Dieses kann aber durchaus zuvor, auf dem Weg zur Autonomie, durch die anderen Trainingsverfahren flankiert werden oder auf deren Ergebnissen aufbauen.

Im betriebswirtschaftlichen Aufgabenfeldern, insbesondere im Marketing, scheinen entsprechende Entwicklungen noch vergleichsweise schleppend voranzugehen. Wir befinden uns derzeit offensichtlich noch sehr am Anfang des Weges von der Marketing-Automation zur Marketing-Autonomisierung durch KI. Gleichwohl zeichnen sich auch hier erste Anwendungsmöglichkeiten ab. Intelligente Systeme, die eigenständig Kennzahlen und KPIs („Key Performance Indicators“) aus einer Vielzahl an im Unternehmen vorliegender Daten ermitteln und deren Erfolgswirksamkeit von der KI selbst anhand der späteren Entwicklungen in der Realität autonom evaluiert wird oder auch wirklich „intelligente“ und eigenständig handelnde Bots im Kundenservice oder Vertrieb, die nicht nur vorab fest definierten Protokollen folgen, sondern selbständig durch „Trial and Error“ erfolgreiche Prozeduren etablieren, könnten mögliche Beispiele hierfür sein.

Der Artikel beruht auf dem Buch von Andreas Wagener Künstliche Intelligenz im Marketing – ein Crashkurs, Haufe, Freiburg, 2019

Mehr zum Thema hier:

Vortrag/Keynote von Prof. Dr. Andreas Wagener: „Ein neues Zeitalter im Marketing: Künstliche Intelligenz, maschinelle Kreativität, virtuelle Realitäten & DNA-Targeting„:

Mehr Informationen zum Thema KI im Marketing finden Sie im Buch von Andreas Wagener Künstliche Intelligenz im Marketing, Haufe, Freiburg, 2023

Mehr zu Themen wie Industrie 4.0, Big Data, Künstliche Intelligenz, Digital Commerce und Digitaler Ökonomie finden Sie auf unserer Newsseite auf XING sowie auf Facebook.

Der Beitrag Die 3A des KI-Marketings erschien zuerst auf Nerdwärts.de.

Der berühmte „Target“-Case oder was unser Kaufverhalten über uns aussagt.

Mehr zum Thema hier:

Vortrag/Keynote von Prof. Dr. Andreas Wagener: „Ein neues Zeitalter im Marketing: Künstliche Intelligenz, maschinelle Kreativität, virtuelle Realitäten & DNA-Targeting„:

Mehr Informationen zum Thema KI im Marketing finden Sie im Buch von Andreas Wagener Künstliche Intelligenz im Marketing, Haufe, Freiburg, 2023

Mehr zu Themen wie Industrie 4.0, Big Data, Künstliche Intelligenz, Digital Commerce und Digitaler Ökonomie finden Sie auf unserer Newsseite auf XING sowie auf Facebook.

Der Beitrag Die Schwangere im Supermarkt… und was Daten über uns aussagen erschien zuerst auf Nerdwärts.de.

Beispiele für gelungene Anwendungen automatisierter Texterstellung finden sich derzeit vor allem in der Sportberichterstattung, was vermutlich auch an der verhältnismäßig einfachen „Operationalisierung“ liegen dürfte. Auf retresco können etwa Begegnungen des jeweils letzten Fußballbundesliga-Spieltags ausgewählt werden. Für diese erstellt das System dann automatisiert einen journalistischen Bericht. Da es sich dabei um eine Verarbeitung vergleichbarer Ereignisse handelt – ein Tor wird erzielt, ein Spieler wird verletzungsbedingt ausgewechselt oder ein Team „mauert“ sich zum Unentschieden – ist es möglich, hier einzelne Versatzstücke zu „programmieren“, die bei Eintreten der jeweiligen Situationen automatisch durch die Befüllung der Variablen angereichert werden. Je detaillierter es gelingt, die Varianten einer Spielentwicklung vorwegzunehmen, umso „lebendiger“ und vielfältiger wirkt dann auch der generierte Text.

Automatisch erstellte standardisierte Berichte

Auch in anderen, ähnlich systematisierbaren Inhaltsumfeldern finden sich derartige Ansätze, insbesondere im Finanzbereich, bei der Erstellung von Geschäftsberichten. Schon seit 2014 setzt etwa die amerikanische Nachrichtenagentur Associated Press bei der Publikation von Meldungen zu der Veröffentlichung von Geschäftsberichten Automatisierungsverfahren ein. Kurz zuvor hatte bereits zudem der „Quakebot“, der Los Angeles Times für Schlagzeilen gesorgt, der eigenständig eine Meldung über ein Erdbeben in Kalifornien verfasste und im Content Management System der Zeitung „publikationsbereit“ ablegte. Das System war so programmiert, dass es auf einen automatisch abgesetzten Alarm der für die Erdbebenüberwachung zuständigen Behörde „U.S. Geological Survey“ reagierte, der dann den „Startschuss“ für die Texterstellung abgab. Einen ebenfalls insbesondere von der Medienbranche mit Spannung verfolgte Entwicklung zeichnet sich mit dem Ansatz der Washington Post und ihrem System „Heliograf“ ab, das angeblich unter der Beteiligung von 200 Technikern und Entwicklern entstanden ist, und das im Rahmen der übergeordneten Content-Tool-Plattform „Arc“, in die es eingebettet ist, als „intelligenter Storytelling Assistent“ dienen soll.

Amazon: Heliograf und ModBot

Der Übergang von „einfachen“ Algorithmen, die vorgefertigte Lückentexte befüllen, bis zu „echten“ intelligenten und autonomen Systemen gestaltet sich dabei scheinbar fließend.  Während die meisten derzeit verfügbaren Textgeneratoren eher zur ersten Kategorie zählen dürften, nimmt die Washington Post, die seit 2013 dem Amazon-Gründer Jeff Bezos gehört, für „Heliograf“ in Anspruch, dabei auf Instrumente der KI zurückzugreifen. Dabei werden Rückschlüsse aus den zahlreichen Interaktionen zwischen menschlichen Redakteuren und maschinellem System gezogen, etwa wenn der automatisch erstellte Text nochmals eine Überarbeitung durch einen Journalisten erfährt. Diese Erkenntnisse können dann in die Optimierung des Systems einfließen. Auch auf Querverweise aus anderen Teilsystemen – neben Heliograf umfasst die Arc-Suite unter anderem auch einen intelligenten „Moderations-Bot“ („ModBot“) für die Verwaltung der Social-Media-Kommentare – kann die Software entsprechend reagieren und beispielsweise eigenständig neue relevante Themen identifizieren.

Content Augmentation

Neben der Erstellung gänzlich neuer Inhalte rückte zuletzt auch der Ansatz der „Content Augmentation“, der „inhaltlichen Erweiterung“ textlicher Vorarbeiten, in den Fokus. Auf Grundlage einer semantischen Analyse gilt es dabei zunächst „passende“ externe Ergänzungen zu einem bereits existierenden Text zu suchen. Mit diesen zusätzlichen Informationen – beispielsweise geänderte tagesaktuelle Bezüge oder fortlaufende Entwicklungen bestimmter Ereignisse –  wird der Text dann laufend automatisch angereichert.

Auf das Marketing übertragen ergeben sich daraus natürlich zahlreiche Implikationen für die Kommunikation. Denkbar sind eine Reihe von Maßnahmen von der Erstellung von Werbetexten, die automatisierte textliche Befüllung von Landingpages für bestimmte, vielleicht auch zeitlich befristete, Aktionen bis hin zu den bereits genannten Segmenten wie Content-Marketing, Native Advertising oder allgemein in der Öffentlichkeitsarbeit. Auch für die Kommunikation in den Sozialen Medien bieten sich derartige Verfahren an.

Textgenerierung im Marketing

Das britische Unternehmen Echobox beispielsweise soll auf Grundlage von KI bereits bestehenden Content für die Publikation in sozialen Netzwerken wie Facebook oder Twitter automatisch aufbereiten, mit der Prämisse, dabei eine möglichst gute „Performance“ des entsprechenden Posts zu erzielen. Dazu wird laufend und in „Echtzeit“ eine große Zahl an Daten ausgewertet, die Performance-Ergebnisse fließen automatisiert in die Optimierung der zugrundeliegenden Publikationsmechanik ein. Zuvor „scannt“ ein Algorithmus die verfügbaren Inhalte eines Unternehmens, berechnet die Wahrscheinlichkeit einer „positiven Aufnahme“ in den sozialen Medien und leitet daraus einen Bewertungsindikator sowie auch einen erfolgsorientierten „Publikationsplan“ für die einzelnen Inhalte ab. Das Ergebnis der Ausspielung wird dann gemessen mittels einschlägiger Kennzahlen wie der „Click-Through-Rate“ (Klickrate) oder der „Engagement Rate“, welche die Interaktionen – ein „Like“, ein Kommentar, eine Weiterverbreitung – eines Social-Media-Posts ins Verhältnis zu der Summe der Sichtkontakte (den Ausspielungen an Social-Media-Nutzer), dieses Posts setzt.

Einen ähnlichen Ansatz verfolgt auch Yala, das durch den Rückgriff auf maschinelles Lernen und Algorithmen und die Analyse der bisherigen „Posting-Historie“ erkennen will, wann optimale Zeitpunkte zur Publikation von Content in den Sozialen Medien bestehen. Dabei funktioniert „Yala“ zudem als Chatbot, der gewissermaßen „selbst“ die Interaktion mit den Nutzern sucht.

KI und Textgenerierung in der Werbung

Phrasee, bewirbt die eigenen Leistungen vollmundig mit dem Anspruch, mittels KI eine bessere Werbeansprache liefern zu können, als ein menschlicher Texter jemals dazu in der Lage wäre. Das Unternehmen konzentriert sich auf die Generierung von überwiegend kurzen Werbetexten. Ziel ist es, auf Grundlage von Deep-Learning-Verfahren optimierte Betreffzeilen von Werbe-E-Mails sowie perspektivisch auch Texte für Anzeigen in sozialen Netzwerken oder bei Google autonom zu generieren. Dabei sollen keine „griffigen Slogans“ von der Stange zum Einsatz kommen. Angeblich beziehen stattdessen die lernenden Algorithmen bei der Ausformulierung auch die Tonalität und die „Corporate Identity“ des jeweiligen Kunden mit ein.

Der Artikel beruht auf dem Buch von Andreas Wagener Künstliche Intelligenz im Marketing – ein Crashkurs, Haufe, Freiburg, 2019

Vortrag/Keynote von Prof. Dr. Andreas Wagener: „Ein neues Zeitalter im Marketing: Künstliche Intelligenz, maschinelle Kreativität, virtuelle Realitäten & DNA-Targeting„:

Mehr Informationen zum Thema KI im Marketing finden Sie im Buch von Andreas Wagener Künstliche Intelligenz im Marketing, Haufe, Freiburg, 2023

Mehr zu Themen wie Industrie 4.0, Big Data, Künstliche Intelligenz, Digital Commerce und Digitaler Ökonomie finden Sie auf unserer Newsseite auf XING sowie auf Facebook.

Der Beitrag KI und automatisierte Textgenerierung im Marketing erschien zuerst auf Nerdwärts.de.