Wir reden viel über „Big Data“ und Deep Learning Netzwerke, die Unmengen an Daten benötigen. Dabei kann es so einfach sein – jedenfalls im Marketing. Um Kundenprofile zu erstellen bedarf es nur weniger Informationen:

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 „Mögen Sie Mayonnaise?“ – 5 Fragen, deren Antworten darauf ein User-Profil zu 80% abbilden erschien zuerst auf Nerdwärts.de.

Personalisierung umschreibt allgemein das „Zuschneiden“ eines Angebotes auf bestimmte Personen oder Personengruppen. Die Personalisierung kann nach der erfolgreichen individuellen (Erst-)-Ansprache verschiedene weitere Dimensionen umfassen, von der erstmaligen „Darreichung“ eines Produktes, beziehungsweise einer Dienstleistung, über dessen individuell angepasste Verwendung, bis hin zu zielgerichteten Maßnahmen im Kundenbindungs- und Kundenrückgewinnungsmanagement. Letztlich dient Personalisierung der effektiveren und effizienteren Bedienung der Bedürfnisse des Kunden, der schnelleren und qualitativ höherwertigeren Abwicklung der Interaktionen mit diesem und folglich der Erhöhung der Kundenzufriedenheit sowie der Wahrscheinlichkeit wiederholter Kontakte und Transaktionen. Insofern können Personalisierungsmaßnahmen eines Unternehmens von der Kundengewinnungsphase bis hin zur Kundenbeziehungs- oder sogar der Trennungsphase reichen.

Personalisierung vs. Customization

Der Begriff der Customization ist mit dem der Personalisierung verwandt und wird teilweise auch synonym verwandt. Im Kern lässt sich jedoch hinsichtlich der Akteure eine Unterscheidung treffen: Personalisierung ist als gezielte und aktive Marketingmaßnahme des Unternehmens zu verstehen. Customization umfasst hingegen die Bereitstellung einer entsprechenden Möglichkeit für den Kunden, ein Produkt oder eine Dienstleistung für seine spezifischen Bedürfnisse zu individualisieren, der Kunde „personalisiert“ also selbst innerhalb eines vorgegebenen Rahmens.

Oft spricht man in Bezug auf Personalisierung auch von „Next best action“- oder „Next best offer“-Marketing. Damit wird auf den Paradigmenwechsel hingewiesen, der als Konsequenz aus einem solch dezidierten personalisierten Marketing erwächst: Unter der Maßgabe der Unternehmensziele erfolgt eine intensive Fokussierung auf den Kunden und seine Bedürfnisse. Statt, wie klassischerweise, für ein vorab formuliertes Angebot potenzielle Interessenten zu finden und anzusprechen, wird der Kundendialog situativ entschieden – jeweils nach den in einer spezifischen Konstellation vermuteten Bedürfnissen, Vorlieben und Befindlichkeiten. Es geht also darum, jedem einzelnen Kunden zum „richtigen“ Zeitpunkt das jeweils „richtige“ Angebot zu unterbreiten.

Vom Targeting zur Personalisierung

Technisch baut Personalisierung, auch in den auf die werbliche Ansprache folgenden Phasen, unter anderem auf die Instrumente des Targetings auf und wird durch weitere verfügbare Informationen, insbesondere aus dem unternehmenseigenen Umfeld, angereichert. Daraus werden individuelle Profile erstellt, die eine Zurechnung einzelner Nutzerhandlungen ermöglichen. Aus den erhobenen Daten lassen sich zudem Prognosen über die Interessen und das zukünftige Verhalten der Kunden ableiten. Diese Informationen dienen unter anderem dazu, im Einklang mit den Unternehmens- und abgeleiteten Marketingzielen, den Kunden „ideal“, ohne Friktionen, durch das Angebot zu „leiten“. Je mehr Informationen und auch je mehr Kanäle für die Durchführung des Kundendialogs existieren, umso höher sind die Anforderungen an das Entscheidungssystem. Es liegt auf der Hand, dass hier somit ein geradezu „idealtypisches“ Einsatzszenario für intelligente Systeme und maschinelles Lernen entstanden ist. Entsprechend lassen sich in diesem Kontext zahlreiche Anwendungsbeispiele zur Individualisierung von Angebotsmechanismen mit Hilfe von KI finden.

Recommendation Engines

Das Spektrum reicht von „Recommendation Engines“, die im Online-Shop automatisiert und zielgerichtet Vorschläge für ein „Cross“- oder „Upselling“ und zur Auswahl „passende“ Produktempfehlungen unterbreiten, bis hin zu anspruchsvollen Customer-Journey-Analysen über verschiedene Kontaktpunkte hinweg, die eine vollumfängliche Analyse des Kunden und seiner Vorlieben gestatten, bis hin zu individuellen und automatisch erstellten Ansprachen – wie personalisierten Texten und Webseiten.

Die Ausspielung individueller Produktvorschläge durch „Recommendation Engines“ kennt man schon seit langem im digitalen Marketing. Amazons „Kunden, die das gekauft haben, haben auch gekauft…“ ist ein auch in diesem Buch bereits vielzitierter Klassiker, der auf der Identifizierung von Mustern im Konsumentenverhalten setzt, um aus der Ähnlichkeit von Kundentypen eine effiziente Angebotsunterbreitung abzuleiten. Grundsätzlich sind diese „Empfehlungsdienste“ nicht auf den Bereich des eCommerce begrenzt, auch im Bereich der digitalen Medien kommen sie immer stärker zum Einsatz, wenn es gilt, redaktionelle Inhalte oder Werbebotschaften der Anzeigenkunden zielgerichtet auszuspielen. Auch Akteure wie Netflix oder Spotify greifen intensiv auf derartige Verfahren zurück. Und im Prinzip erfolgt auch die „organische“ Ausgabe der Suchergebnisse bei Google entlang dieser Logik.

Zuschneidung des Angebotes

Meist funktioniert dies über die Quantifizierung des individuellen, potenziellen Interesses eines Nutzers an einem „Angebot“, worüber dann die personelle Ausspielung gesteuert wird. Im Prinzip geht es dabei immer um eine Filterung der insgesamt möglichen Vorschläge, also die Konzentration auf diejenigen, zu denen am ehesten eine Affinität aus dem gesammelten Datenmaterial berechnet werden kann. Während für den Nutzer idealerweise damit mehr „Übersichtlichkeit“ erzielt wird, ist es das Ziel aus Sicht des Unternehmens auf diese Weise das Angebot entlang ökonomischer Kennzahlen zu optimieren. In der Regel geschieht dies mit dem Ziel einer höheren „Conversionrate“, die beispielsweise den Anteil derjenigen, die ein Produkt kaufen beziehungsweise nutzen oder allgemein eine bestimmte gewünschte Handlung ausführen, im Verhältnis zu der Zahl der Nutzer, die insgesamt mit dem Angebot konfrontiert wurden, ausdrückt.

Zwei Arten von Empfehlungen

Grundsätzlich lassen sich zwei Empfehlungstypen beschreiben: zum einen „inhaltliche und kontextuelle Empfehlungen“, zum anderen „kollaborative Empfehlungen“. 

• Inhaltliche und kontextuelle Empfehlungen basieren auf der individuellen Nutzung des Angebotes durch den Nutzer selbst. Aus seinem persönlichem Konsum- und Informationsverhalten sowie aus seinem Umgang mit dem Angebot wird auf bestimmte Neigungen und Interessen geschlossen. Hier spiegelt sich gewissermaßen die Logik des Behavioural Targetings wider.

• Kollaborative Empfehlungen beruhen hingegen auf der Gegenüberstellung mit vergleichbaren Nutzerprofilen („Kunden, die das gekauft haben, haben auch…“). Das entspricht in den Grundzügen der Wirkungsweise des Predictive Behavioural Targetings

Daneben sind auch weitere regelbasierte Formen („Wenn – dann“) von Empfehlungen denkbar. Im Rahmen von Clustering-Verfahren des „Unsupervised Learnings“ könnte KI dabei auch zusätzliche, „neue“ Übereinstimmungen und Regeln identifizieren, die dem menschlichen Auge zunächst verborgen geblieben sind.

Personalisierung & Customization in der Praxis

Eine der weltweit größten Online-Galerien, „Saatchi Art“, die Künstlern damit eine Plattform bieten, um direkt und mit möglichst großer Reichweite in Kontakt zu Kunstliebhabern zu treten, stand vor dem Problem, wie die über die Jahre stark angewachsene Anzahl an Kunstwerken noch marktorientiert und übersichtlich angeboten werden konnte. Bei Produkten wie diesen, die sich nicht einfach nach übereinstimmenden Merkmalen klassifizieren lassen, sondern individuelle „ästhetische“ Qualitäten aufweisen, erweisen sich klassische kollaborative Empfehlungen wie „andere Kunden kauften auch diese Kunstwerke“ oder „weitere Bilder dieses Künstlers“ nur als bedingt zielführend. Stattdessen versuchte man, Muster im spezifischen „geschmacklichen Empfinden“ der einzelnen Nutzer – anhand der Katalognutzung, etwa der Verweildauer auf einzelnen Kunstwerken, und der bisherigen Kaufhistorie zu identifizieren. Mittels Einsatz von Deep Learning sei es gelungen, die Conversion Rate deutlich zu erhöhen, wie ein A/B-Test angeblich belegte.

Ziel: Conversionoptimierung

Die britische Hotelkette „Jurys“ deckte mit Hilfe von Verfahren zur Mustererkennung auf den ersten Blick nicht offensichtliche Zusammenhänge zwischen dem Mediennutzungs- und dem Buchungsverhalten ihrer Kunden auf. Es zeigte sich, dass hierbei eine Korrelation zwischen einer Zimmerbuchung und einem medialen Interesse an Sportthemen bestand, die bisher in dieser Form nicht aufgefallen war. Eine tiefergehende Analyse brachte jedoch zu Tage, dass viele dieser gewonnenen Kunden, zuvor zielgerichtet nach Hotels in unmittelbarer Nähe von Fußballstadien suchten und dies insbesondere an Tagen, an denen Spiele der britischen Premier League terminiert gewesen waren. Ausgestattet mit dieser Erkenntnis erstellte die Hotelkette spezifische Inhalte, um diese Klientel entsprechend aufzufangen und zu kanalisieren. Die Zahl der Conversions konnte somit merklich gesteigert werden.

Koordinierung von Angebot und Nachfrage

Einen weiteren spannenden und vermutlich richtungsweisenden Versuch hat die temporäre Zimmer- und Wohnungsvermittlung „Airbnb“ unternommen. Eine interne Analyse ergab hier, dass es bei der Zimmersuche auf der Plattform notwendig ist, sich nicht nur an den Präferenzen der Mieter zu orientieren, sondern auch diejenigen der Vermieter bei der Ergebnisausgabe der Angebote passender Unterkünfte zwingend miteinzubeziehen. Ein Vertrag kommt schließlich nur dann zustande, wenn die potenziellen Vermieter auch bereit sind, einen bestimmten Übernachtungsgast zu akzeptieren – und nur dann wird auch die entsprechende Provision für Airbnb fällig.

Aus diesen Erkenntnissen entwickelte man ein komplexes Modell zur Verbesserung der Suchergebnisanzeigen, das anschließend in der Realität getestet und anhand der Conversionzahlen (also mit dem Ziel einer steigenden Anzahl von zustande gekommenen Vermietungen) optimiert wurde.

AirBnB: Abgleich Vermieter und Mieter

Ursprünglich hatte man die Relevanz und damit die Sortierung der Suchergebnisse allein an den potenziellen Mieter ausgerichtet, für die neben der Bewertung durch vorherige Nutzer, wohl vor allem Faktoren wie der Preis und der Lage bei der Entscheidung für ein bestimmtes Angebot eine Rolle spielten. Die Kriterien auf der Vermieterseite können – so das Ergebnis der Analyse –  jedoch deutlich variieren. Einerseits dürften diese tendenziell ein Interesse an möglichst wenig belegungsfreien Tagen innerhalb ihrer zeitlichen Angebotsspanne haben. Tatsächlich akzeptierten viele Anbieter eher Gäste, die eine weitgehend lückenlose Belegung ermöglichten. Andererseits steht diesem ökonomisch rationalen Verhalten auch eine eher „gelegentliche Vermietungshaltung“ gegenüber. Diese ließ sich vor allem für „kleinere“ Märkte mit vergleichsweise weniger Angebot an Unterkünften feststellen. Daneben spielten aber auch andere Faktoren eine Rolle: Ein spezifisch unterschiedliches Verhaltensmuster der Anbieter war auch bei der Vorlaufzeit einer Vermietung auszumachen.

Während im Durchschnitt Gastgeber auf Airbnb demnach zwar bevorzugten, eine Buchung mindestens eine Woche im Voraus zu erhalten, fanden sich auch durchaus Gruppen, denen ein sehr kurzfristiger Bezug lieber war. Tatsächlich stellte sich heraus, dass die diesbezüglichen Vorlieben sehr weit auseinanderklafften. Gleiches galt für andere Entscheidungsfaktoren wie die Anzahl der Gäste oder die Art des Aufenthaltes – sei es ein Wochenendtrip oder eine beruflich veranlasste Reise. Diese Erkenntnisse legten den Schluss nahe, dass eine rein durchschnittliche Betrachtung Nachteile birgt hinsichtlich der Optimierung der Conversion Rate, weil dann spezifische Gruppen mit Merkmalen jenseits des Durchschnitts auch eher unspezifisch, also letztlich unbefriedigend, angesprochen werden würden. Stattdessen könne eine sinnvolle, auf jeden Einzelfall abgestimmte Vorgehensweise die jeweils besten Ergebnisse liefern.

Dynamische Modellierung

Durch die Variabilität sowohl der Nachfrage- als auch der Angebotsseite ergibt sich eine Anforderung von hoher Komplexität an den Algorithmus, der die Ergebnisausgabe auf der Plattform steuert. Um nicht nur interessierten Zimmersuchenden ein Angebot zu unterbreiten, sondern auch gleichzeitig eine Übereinstimmung zwischen den Anbietern und Nachfragern auf der Web-Plattform erzielen zu können, bedarf es einer „dynamischen Modellierung“ mit dem Ziel, im Verhältnis zu den Ausgaben der Suchergebnisse möglichst viele Mietvereinbarungen zustande kommen zu lassen. Für jede Suchanfrage eines möglichen Gastes auf der Website berechnet das System nun die Wahrscheinlichkeit, dass ein dafür relevanter Anbieter auch bereit ist, diesem eine Unterkunft zu vermieten. Dies bestimmt dann, neben den durch die Mietpräferenz geprägten Faktoren, an welcher Stelle das jeweilige Suchergebnis in der Ergebnisanzeige ausgeben wird. Erreicht wurde dies über eine mechanisierte Auswertung vorliegenden Datenmaterials und dem Training mittels „echter“ Praxisdaten und einer laufenden „Nach-Modellierung“ anhand originärer Sucheingaben mit dem Zielkriterium der Optimierung der Conversion Rate. 

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 Personalisierung in der Kundenkommunikation mittels KI erschien zuerst auf Nerdwärts.de.

Grundsätzlich können Chat- und Voicebots beim gesamten Prozess der Kundenbearbeitung zum Einsatz kommen, um eine gute „Customer Experience“ systematisch und automatisiert zu gewährleisten und stetig zu verbessern. Als Vorteile gegenüber der klassischen Telefonhotline oder E-Mail-Anfragen gelten neben den Ressourcenersparnissen, die durch die Übertragung routinemäßiger Tätigkeiten von den menschlichen Mitarbeitern erwachsen, vor allem auch die niedrigere Hemmschwelle bei den Kunden zur Kontaktaufnahme. Zudem ermöglicht der hohe Automatisierungsgrad des Kundendialogs auch eine Verknüpfung mit den Backend-Systemen wie auch eine verlässliche Erfolgsmessung.

Arten von Chatbots im Kundenmanagement

Grob lassen sich die Bots ihrer Funktion im Kundendialog nach in folgende Kategorien gliedern:

• Content Bots: Bereitstellung, Platzierung und Distribution von Inhalten zur Kundenkommunikation
• Product Information & Recommendation Bots: Information über Produkte und Alternativen, Empfehlungen von Produkten und Angeboten entsprechend der Kundenpräferenz
• Ordering Bots: Abwicklung des Bestellverfahrens im (Online-)Handel
• Customer Service Bots: Bearbeitung von Anfragen im Customer Support und After-Sales-Service

Chatbots in der Praxis des Kundenmanagements

In der Praxis findet sich diese Aufteilung in Aufgabengebiete nicht mehr absolut trennscharf wieder. Dennoch wird versucht, die folgenden Anwendungsbeispiele entsprechend zu ordnen:

Der Premier League Club AFC Bournemouth hat unter anderem mit der Unterstützung von Microsoft  mit dem CherryBot – der Fußballverein von der englischen Südküste wird auch als „The Cherries“ bezeichnet – einen Content Bot geschaffen, der die Facebook-Messenger-Plattform nutzt, um mit seinen Fans zu interagieren und einen „Kundendialog“ zu entfalten. Ziel ist es erklärtermaßen  mit dem Bot einen virtuellen Vertreter des Vereins zu schaffen, der die Emotionalität der Anhänger aufnimmt und sich entsprechend der im Rahmen einer „Sentiment Analyse“ als vorherrschend identifizierten Stimmung zum Verein und direkt zum aktuellen Spielverlauf zu Wort meldet. Zudem soll er Fragen der Fans automatisiert beantworten können und stellt Informationen, Daten und Fakten zu den Spielen, wie auch Videohighlights zur Verfügung. Des Weiteren organisiert der „CherryBot“ Selfie-Wettbewerbe sowie eine Wahl des „Player of the Match“ durch die Teilnehmer. Die gesammelten Informationen werden für die Optimierung des weiterführenden Dialogs ausgewertet – etwa auch per Bilderkennung auf Personenfotos, um Emotionen daraus auszulesen.

Chatbots als Shoppingassistenten

Nicht nur allein online, auch im Offline-Geschäft können Bots zum Einsatz kommen. Die US-Modekette „Macy’s“ bietet ihren Kunden den digitalen Assistenten Macy’s On Call an, der dabei helfen soll, sich im Laden vor Ort zurechtzufinden. Der Chatbot versteht auch „unstrukturierte“ Textanfragen, wie „Wo finde ich Schuhe?“, und liefert daraufhin die korrekte Antwort zu den entsprechenden Produktinformationen. Auch weiterführende Beratungen und Empfehlungen von Alternativen können auf diese Weise durchgeführt werden. Beispiele für solche klassischen Recommendation Bots finden sich vor allem im Modeumfeld, wie etwa bei „H&M“, „Burberry“ oder „Tommy Hilfiker“. Diese unterbreiten, abgestimmt auf das zuvor angesehene oder bereits gekaufte Kleidungsstück, Angebote weiterer dazu passender Artikel – gewissermaßen als automatisierter Style-Berater. 

In Großbritannien setzt der deutsche Discounter „Lidl“ im stationären Handel auf einen Chatbot, der Kunden beim Kauf von Wein behilflich ist. „Margot“ geht auf die Preis- und Herkunftspräferenzen der Kunden ein und kann auch den passenden Wein zu einem Essen empfehlen. 

Die indische „HDFC Bank“ versucht die Vorabinformation der Nutzer über seine teilweise sehr komplexen und erklärungsbedürftigen Finanzprodukte über den hauseigenen Chatbot EVA abzuwickeln. Anforderungen an die Kreditvergabe, Konditionen und Detailinformationen zu Wertpapieren werden durch den Bot bereitgestellt. Auch eine rudimentäre Beratung, etwa zu einer Darlehensaufnahme, führt „EVA“ eigenständig durch. Der Chatbot kann sowohl über die Unternehmenswebsite als auch über die Sprachassistenzdienste von Google und Amazons „Alexa“ aktiviert werden.

Chatbots im Bestellprozess

Auch den anschließenden Bestellprozess können Chatbots übernehmen. Ordering Bots übernehmen im Dialog mit dem Kunden die Aufnahme der Bestellung, leiten die erfassten Informationen an die nachverarbeitende Stelle weiter, versenden eine Bestellbestätigung und geben über den Status der Bestellung im Nachgang Auskunft. Zahlreiche Beispiele gibt es hierzu vor allem im Bereich der Food-Lieferservices, bei den großen US-amerikanischen Fastfood-Unternehmen wie „Subway“, „Burger King“, „Pizza Hut“ oder „Taco Bell“.

Gleiches gilt für den Taxidienst und Uber-Konkurrenten „Lyft“, der seine Bots sowohl über den Facebook Messenger als auch akustisch via Amazon initiiert. Nutzer erhalten dort Auskunft über den aktuellen Ort eines Wagens und seines Fahrers sowie Informationen über den Fahrzeugtyp und das genaue Nummernschild. Gleichzeitig begreift „Lyft“ den hier stattfindenden Kundendialog als wichtigen Beitrag zu einer optimierten „Customer Experience“. Dazu greift man nach Unternehmensangaben auf KI zurück, auch um mögliche Kundenfragen, „vorherzusagen“ und dann den Bestell- und Abwicklungsprozess für den Passagier in Echtzeit zu personalisieren.

Chatbots im Kundenservice

Augenfällig ist der Einsatz von Chatbots und autonomen Sprachassistenten zudem im Kundenservice oder Vertrieb. Customer Service Bots können herkömmliche Kundencenter ablösen, über eine Kontaktaufnahme per E-Mail an die Stelle der zeitversetzten Kommunikation treten oder auch klassische Callcenter-Aufgaben übernehmen. Dabei geht es nicht nur um die automatisierte Verarbeitung von Serviceanfragen, den klassischen Customer Support. Chatbot-Systematiken lassen sich auch als vertriebsunterstützende Systeme im Accountmanagement, dem CRM oder bei der Verarbeitung von Kontakten zu Interessenten und potenziellen Neukunden im Rahmen des Leadmanagements nutzen.

Der Chatbot „Edward“ der Hotelkette „Radisson Blue“ bearbeitet Textanfragen (via SMS) der Übernachtungsgäste und dient der Erfüllung der so geäußerten „Kundenwünsche“. Standardfragen („Wann muss ich auschecken?“) werden damit ebenso abgedeckt wie die Aufnahme von Beschwerden, Auskünfte über nahegelegene Restaurants oder Serviceleistungen wie die Bestellung zusätzlicher Handtücher auf das Zimmer. Wichtig ist, dass dann auch semantische Unterschiede je nach Kontext erkannt werden, der Bot muss so etwa zwischen dem Wunsch eines Gastes nach Schreibpapier wie auch der aktuellen Tageszeitung – beides im Englischen „paper“ – differenzieren können. 

Andere Customer Service Bots haben Zugriff auf die hinterlegten Kundendaten und können durch den Rückgriff auf diese – wie ein menschlicher Gesprächspartner – einen individualisierten Kundensupport liefern, in der Versicherungsbranche etwa, um Rechnungen erneut auszustellen oder Bestätigungen zukommen zu lassen. In komplexeren Situationen kann der Bot dann den Prozess an einen menschlichen Mitarbeiter weiterleiten. Aufgabe des Chatbots „Lisa“ des Telekommunikationsanbieters O“ ist es, die Mitarbeiter im Kundenservice zu entlasten und bestimmte automatisierte Tätigkeiten eigenständig auszuführen. Dazu zählen etwa die Unterstützung der Kunden bei der Navigation durch das unternehmenseigene Kundenportal, zum Beispiel um die Höhe des noch verfügbaren monatlichen Datenvolumens einzusehen. „Lisa“ beruht auf der Anwendung maschineller Lernverfahren und lernt laut Unternehmensangaben auch aus den Praxiseinsätzen kontinuierlich hinzu.

Chatbots & Sprachassistenten im Vertrieb

Ebenso in der Vertriebsarbeit kommen zunehmend Chatbots und Sprachassistenten zum Einsatz. Salesforce, Anbieter von CRM-Softwarelösungen, hat mit „Einstein“ ein „Conversational CRM“ genanntes System geschaffen, das den Mitarbeitern im persönlichen und Keyaccount-Verkauf die oft als lästig empfundene schriftliche Berichtspflicht über den Inhalt und Verlauf der Kundengespräche erleichtern soll. Per „Natural Language Processing“ werden stattdessen akustische Sprachanweisungen und Äußerungen transkribiert und in das Berichtssystem übertragen. Auch Termine lassen sich auf diese Weise administrieren. Der Mitarbeiter kann sich dann regelmäßig per Voice-Nachricht über seinen Tagesplan und die Besonderheiten der zu bearbeitenden Kunden informieren lassen. 

Chatbots im Lead-Management

Auch im Bereich des Lead Nurturings können Bots einen hohen Beitrag zur Automatisierung der Sales-Aktivitäten leisten. Als virtueller „Kontakter“ sind diese geeignet, den Dialog mit Interessenten oder bereits gewonnen Kunden zu vertiefen und entsprechende Cross- und Up-Selling-Maßnahmen durchzuführen oder die Kundenbeziehung an sich zu „veredeln“, indem Präferenzen ermittelt und entsprechend systemseitig verarbeitet werden. Das setzt voraus, dass der jeweilige Gesprächspartner entweder bereits identifiziert ist oder dies dann innerhalb des Anwendungskontextes geschieht – mit Name und Adresse oder über eine vorhandene Kundennummer. Chatbots auf einer „Coporate Website“ eines Unternehmens können auf entsprechende Trackingmaßnahmen aufsetzen, die über Cookies oder „Trackingpixel“ den bisherigen Kontaktverlauf speichern und mit der hinterlegten CRM-Datenbank abgleichen. Darauf aufbauend kann individuell ein Kundendialog entsponnen werden, um neue Leads zu generieren oder die bestehende Beziehung auszubauen. Der Bot übernimmt diesen Prozess idealerweise autonom, allein auf der Basis der vorliegenden Daten und übermittelt die an einer „Conversion-Wahrscheinlichkeit“ ausgerichteten Informationen und Nachrichten an den Nutzer.

Derartige Anwendungen sind in dieser Leistungstiefe in der Praxis noch ganz am Anfang, gleichwohl gibt es hier erste Anbieter, die versuchen, dies perspektivisch als „Service von der Stange“ bereitzustellen, wie etwa Landbot.io.  Gleichwohl ist die automatisierte Erfassung von Kontaktdaten zu potenziellen Kunden aus einem Bot-Dialog und damit die Umwandlung von unstrukturierten zu strukturierten Informationen damit durchaus bereits etabliert. Chatbots ersetzen in diesem Fall das klassische „Kontaktformular“ und können daraus, ähnlich wie beim E-Mailmarketing, nach bestimmten ermittelten „Verhaltenszusammenhängen“ entsprechend segmentierte oder personalisierte Ansprachen ableiten. Auch, wenn diese oft noch auf menschlich definierten Regeln basieren, sind hier grundsätzlich auch Rückgriffe auf Machine und Deep Learning denkbar.

Chatbots in der Verhandlungsführung

Erste Versuche gibt es zudem damit, Bots auch in der Verhandlungsführung einzusetzen, wenngleich diese Bemühungen noch sehr am Anfang stehen. Die KI-Forschungsabteilung von Facebook („FAIR“) hat Bots dazu gebracht, miteinander zu „feilschen“. Trainiert wurde das System mit mehreren tausend menschlichen Verhandlungsdialogen, die man über die Crowdsourcing-Plattform Amazon Mechanical Turk erhob. Die Facebook-Forscher schufen eine Art Spiel, in dem verschiedenen Gegenständen ein Punktwert beimessen wurde, mit dem Ziel, die Bots darüber zu animieren, ergebnisorientiert über Bücher, Mützen, Basketbälle und ähnliches „zu verhandeln“.

Nachdem ein Bot den Wert eines Gegenstandes erfasst hatte, formulierte er daraus eine „Verhandlungsposition“ – beispielsweise „ich möchte alle Bücher“, weil diese den größten Wert im Vergleich mit den anderen Objekten aufwiesen. Basierend auf der Art und Weise, die das neuronale Netzwerk gelernt hatte, dass Menschen gewöhnlich verhandeln, gab es eine Kombination von Wörtern in einer bestimmten Reihenfolge aus, für die es die höchste „Belohnung“ prognostizierte. Danach generierte das System potenzielle Antworten des Handelspartners und berechnete die weiteren möglichen Optionen. Im Prinzip ähnelt diese Vorgehensweise stark dem Verfahren von Alpha Go.

Chatbots mit eigener Taktik

Indem das System seine Fähigkeiten anhand der Ausrichtung an Ergebnismaximierung verbesserte, lernte es nicht nur seine Forderungen entsprechend zu formulieren, sondern passte nach und nach auch seine Verhandlungstaktiken an. So täuschte die KI manchmal ein Interesse an einer Sache vor, nur um das Gegenüber auf die falsche Fährte zu locken und einen vermeintlichen „Kompromiss“ einzugehen, um mit dieser „Verschleierungstaktik“ aber ihr eigentliches Ziel günstiger  erreichen zu können.  Auch wenn für eine Anwendung in der praktischen Vertriebsarbeit  noch hohe Hürden bestehen – zum Beispiel müsste ein Unternehmen nicht nur das Produktportfolio und die Preismodalitäten, sondern auch die Gepflogenheiten sowie die Verhandlungsziele in einem solchen System individuell abbilden –  könnten solche Fähigkeiten perspektivisch den Einsatz von Bots im Kundendialog revolutionieren und auf eine ganze neue Basis stellen.

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 Chatbots & Sprachassistenten im Kundenmanagement erschien zuerst auf Nerdwärts.de.

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.

Maschinelles Lernen, das „Training“ von Datenmodellen und der Einsatz von Algorithmen prägen den Marketing-Alltag heute bereits nachhaltig – oft ohne, dass es für den eigentlichen Anwender sichtbar wird. Gerade haben wir uns an „Recommendation Engines“ à la Amazons „Kunden die das gekauft haben, haben auch gekauft…“ oder „lernende“, dynamische Preisverfahren, die Preise jeweils individuell und kontextuell bestimmen, gewöhnt.

Künstliche Intelligenz: zunehmend Standard im Marketing

Währenddessen schreitet die Entwicklung mit großen Sätzen voran. Immer granularer – sogar auf DNS-Ebene – lassen sich mit Hilfe von KI Angebote heute personalisieren. Gesichtserkennung wird eingesetzt, um nicht nur die Zielgruppenzugehörigkeit eines Adressaten in Echtzeit zu bestimmen, sondern auch seine Emotionen, seine Einstellung gegenüber Produkten zu identifizieren. Und ebenso in der Mediaplanung greift man heute auf immer automatisiertere Entscheidungsverfahren zurück. Die Ausspielung von Werbung erfolgt profilbasiert in Millisekunden auf Grundlage von Mobilfunk- und andere Daten, autonom entschieden und durchgeführt von einem intelligentes System.

KI im Marketing – ein neues Zeitalter?

Immer öfter erbringen intelligente Systeme jedoch auch kreative Leistungen. Sie erstellen künstliche Fotos von Dingen, die nie existiert haben, sie schaffen alternative virtuelle Realitäten mit Inhalten – textlich wie audiovisuell – die auch im Marketing Verwendung finden: Sich gegenseitig trainierende Deep Learning Netzwerke, sogenannte „GANs“ (Generative Adversarial Networks), produzieren massenhaft fotorealistische Stockbilder, die in der werblichen Kommunikation Verwendung finden können. Auch Bewegtbild lässt sich inzwischen in realistischer Optik durch KI produzieren. Sogar „virtual beings“, „virtuelle Lebewesen“, werden geschaffen, die als virtuelle Influencer Mode, Musik und andere Lifestyle-Artikel vermarkten.

Mit Recht lässt sich wohl behaupten, dass wir damit in einem neuen Zeitalter im Marketing angelangt sind.

Zum Vortrag von Prof. Dr. Andreas Wagener zu KI im Marketing: „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 im Marketing: maschinelle Kreativität und virtuelle Influencer erschien zuerst auf Nerdwärts.de.

KI im Marketing

Die Fähigkeit zu Lernen haben wir bisher immer mit Intelligenz verknüpft, nur intelligenten Lebewesen billigen wir diese Kompetenz zu: Ein Mensch erweitert im wörtlichen Sinne seinen Horizont, indem er lernt und neue Kenntnisse und Fertigkeiten erwirbt. Ein Hund kann lernen, zu apportieren oder auf bestimmte Befehle trainiert werden. Aber auch ohne menschliche Anleitungen baut er sich eigenständig einen Erfahrungsschatz auf, auf den er bei der Beurteilung von Situationen zurückgreifen kann, um sich in ähnlichen Situationen ähnlich zu verhalten – und zwar jenseits von angeborenen Instinkten. Das unterscheidet ihn von anderen, weniger oder nicht „intelligenten“ Tieren. Will man Intelligenz künstlich reproduzieren, so scheint dies zwangsläufig dazu zu führen, dass dabei insbesondere auch das permanente Ansammeln von Wissen und Erfahrungen, die fortwährende Erkennung von Wirkungszusammenhängen sowie die Ableitung und Aufbereitung von Erkenntnissen daraus ein wesentlicher Bestandteil sein muss – letztlich handelt es sich hierbei ebenso um typische Anforderungen, die auch für das Marketing gelten.

Maschinelles Lernen: eigenständige „Erkenntniszuwächse“ eines Systems

Mit „maschinellem Lernen“ (engl. Machine Learning) wird in der Regel die Fähigkeit eines Systems verbunden, automatisch zu lernen, ohne dabei fest auf die Ergebnisausgabe „programmiert“ zu sein – also ohne hierzu auf ein menschlich vorgegebenes, statisches Regelwerk zurückzugreifen oder einzelne Elemente einfach auswendig zu lernen. Vielmehr geht es darum, Erkenntniszuwächse eigenständig aus der Identifizierung von Mustern zu erzielen und bestimmte Gesetzmäßigkeiten aus bereitgestellten Datensätzen abzuleiten. Damit wird das System in die Lage versetzt, auch Vorhersagen über bestimmte Muster zu treffen, indem auf Basis der erkannten logischen Zusammenhänge Algorithmen modelliert werden, die dann automatisiert typische Datenprofile ermitteln und/oder Anomalien in der Datenstruktur aufdecken.

Unterschieden wird meist in drei Ansätze,

• dem überwachten Lernen (engl. Supervised Learning)

• dem verstärkenden Lernen (engl. Reinforcement Learning), und

• dem unüberwachten Lernen (engl. Unsupervised Learning)

wobei diese nicht nur unterschiedliche Verfahren darstellen, sondern auch grundsätzlich unterschiedliche Ziele haben.

Überwachtes Lernen: Anleitung des Systems

Von überwachtem Lernen spricht man, wenn das Ergebnis – die „Erkenntnis“ – bereits vorliegt und lediglich der Weg dorthin „trainiert“ werden soll. Dies geschieht anhand von schon existierenden Input-Output-Paaren: es liegen also ein Input-Signal und ein entsprechendes Output-Signal vor, beide haben einen kausalen Zusammenhang, d.h. das Input-Signal, eine bestimmte Ausgangslage, führt zwangsläufig zu einem bestimmten Output, also einem vorhersagbaren Ergebnis. Es geht somit darum, bekannte Gesetzmäßigkeiten nach- bzw. abzubilden, oft in Form von sogenannten „Entscheidungsbäumen“ („wenn…, dann …“). Die Ergebnisse des Lernprozesses lassen sich mit den bekannten, richtigen Ergebnissen vergleichen, also „überwachen“.

Regression und Klassifikation: quantitative und qualitative Mustererkennung

Grundsätzlich unterscheidet man zwischen Regressions- und Klassifikationsproblemen. Letztere beziehen sich auf die „Einsortierung“ einer qualitativen Erkenntnis, wie dies etwa bei der Identifizierung von Spam-Mails Anwendung findet. Das System wird hierbei mit „echten“ Spam-Mails trainiert, anhand der dabei als spezifisch erkannten Eigenschaften kann es später eigenständig entscheiden, ob eine Nachricht als Spam zu klassifizieren ist oder nicht. In der Praxis übernehmen dann häufig die Nutzer der eMail-Programme den Feinschliff: Jedes Mal, wenn wir eine Nachricht als „Spam“ markieren, lernt das System hinzu und bezieht diese neuen Erkenntnisse bei späteren Entscheidungen mit ein. „Regression“ bezieht sich stattdessen auf quantitative Ergebnisse. Hier geht es also um die Bestimmung eines Zahlenwertes, etwa zur Prognose von Preisentwicklungen oder zur Festlegung bestimmter Eintrittswahrscheinlichkeiten – wie zum Beispiel der Voraussage von Kündigungszeitpunkten oder des „Customer Life Time Values“ (des Kundenwertes). Auch dies geschieht auf der Basis „antrainierter Erkenntnisse“ von Musterzusammenhängen.

Re-Inforcement Learning – eigenständiges „Verstärkungslernen“

Das Verfahren des „Reinforcement Learning“ stellt In gewisser Hinsicht eine Sonderform des überwachten Lernens dar. Vom überwachten Lernen unterscheidet es sich jedoch dadurch, dass keine vorgegebenen korrekten Input-Output-Paare Verwendung finden. Das Training erfolgt eher situativ und dynamisch, auf der Grundlage von „trial & error“: Ähnlich wie beim menschlichen Verstärkungslernen, wird das System dazu animiert, eigenständig eine Strategie zu entwickeln, um „Belohnungen“ zu maximieren. Dazu wird ihm nicht explizit angegeben, welche Handlung in einer spezifischen Situation die beste ist, sondern zu bestimmten Zeitpunkten werden „Belohnungen“ oder auch „Bestrafungen“ erteilt, je nachdem inwieweit der eingeschlagene Weg als „richtig“ einzuschätzen ist. Daraus leitet es näherungsweise eine Nutzenfunktion ab, auf deren Grundlage versucht wird, die kausalen Zusammenhänge zu identifizieren.

AlphaGo: eigenständige Taktik durch Belohnung

Anwendung findet dieses Lernprinzip insbesondere bei Spielen. So beruhte der berühmte Erfolg des Google-Systems AlphaGo über den Go-Großmeister Lee Sedol in erheblichem Maße darauf, dass der dahinterstehenden KI, abgesehen von den grundlegenden Regeln, keine spezifischen Spielzüge und -strategien vorab antrainiert wurden, sondern sie sich eigenständig eine eigene Taktik erstellte, die sich an einer permanent optimierten „Gewinnfunktion“ ausrichtete. Das System belohnte sich durch den Sieg gewissermaßen selbst und stellte sämtliche Aktionen in den Dienst des Zieles.

Conversion-Optimierung mit Reinforcement Learning

Im Marketing ist hier insbesondere eine autonome Conversion-Optimierung denkbar. Der Motorradbauer Harley-Davidson setzte ein derartiges System ein, mit dem Ziel, möglichst viele Termine für Probefahrten vereinbaren zu können. Eine KI kombinierte dabei verschiedene Werbemittel mit verschiedenen Social-Media-Kanälen und optimierte eigenständig diese Faktoren mit dem Ziel einer möglichst hohen Anzahl an Terminvereinbarungen, wozu sich die Interessenten registrieren mussten.

Unsupervised Learning: Musteridentifizierung

Anders als bei den zuvor genannten Lern-Methoden liegen beim unüberwachten Lernen keinerlei vorgegebenen Datenpaare oder zu erreichende Zielwerte vor, mögliche kausale Zusammenhänge sind zunächst unbekannt. Stattdessen geht es gerade darum, das Vorhandensein von Mustern und Strukturen in den Daten aufzudecken und Regeln daraus abzuleiten.

Marktsegmentierung und Clusteranalyse

Typische Anwendungsfälle liegen einerseits in der Segmentierung, andererseits in der Komprimierung. Erstere hat die Gruppierung der Daten nach Gemeinsamkeiten zur Aufgabe – wie man es von einer Marktsegmentierung oder klassischen Clusteranalyse kennt. Das System erstellt also eigenständig Kriterien zur Kategorisierung und sortiert die Daten entsprechend. Dies kommt beispielsweise bei der Aufdeckung von Anomalien, etwa auch in der frühzeitigen Krebserkennung durch die Analyse von computertomographischen Körperscans zum Einsatz. Im Bereich des Marketings ist hier die automatisierte Identifizierung spezifischer Kundengruppen zu nennen, für die dann in einem nächsten Schritt maßgeschneiderte Werbemittel erstellt oder zielgenaue Produktempfehlungen abgegeben werden können.

Komprimierung und Konzentration auf das Wesentliche

Komprimierung hat das Ziel, eine Vielzahl von Eingabewerten in einer kompakteren Form darzustellen und sich auf die Hauptkomponenten von Zusammenhängen zu konzentrieren, ohne Einbußen in der Aussagekraft hinnehmen zu müssen. Abgesehen von der Möglichkeit, auf diese Weise Rechenoperationen einfacher und damit handhabbarer zu gestalten, eröffnet dies auch Ansätze wie die Haupt-Einflussfaktoren einer bestimmten Entwicklung zu identifizieren, etwa die Aufdeckung bestimmter, besonders wesentlicher und unter Umständen nicht offensichtlicher Motive für die Kündigung von Kunden.

KI im Marketing: Synchronisierung von Zielen und maschinellen Lernmethoden

Die Einsatzmöglichkeiten von KI im Marketing werden sehr stark von der Wahl der entsprechenden maschinellen Lernmethoden geprägt. Für die Praxis bedeutet dies, dass die Zielrichtung der Maßnahmen vorab detailliert festzulegen ist, um mögliche Datenmodelle exakt daran auszurichten. Nur dann gestattet der Rückgriff auf Künstliche Intelligenz die hochgradig automatisierte systematische Erfassung von Informationen sowie deren operative Verarbeitung.

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

Weitere Informationen zum Thema „KI im Marketing“ finden Sie hier:

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

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 Maschinelles Lernen und KI im Marketing: Lernmethoden und ihre Einsatzmöglichkeiten im Marketing erschien zuerst auf Nerdwärts.de.