Während generative KI nicht zuletzt geeignet ist, die Erstellung von Werbemitteln, von Texten und Bildern, zu vereinfachen, sind für den ersten, vorgelagerten Schritt einer professionellen Mediaplanung zunächst vor allem analytische Kompetenzen gefragt. Klassischerweise werden dafür bestehende Auswertungen wie die Audience-Analysis von Nielsen oder Markt-Media-Studien wie die Allensbacher Markt- und Werbeträgeranalyse durchforstet. KI kann dabei helfen, diese Informationen schnell für spezifische Zwecke aufzubereiten und um weitere Daten zu Marktentwicklungen oder Erkenntnisse aus dem Social Web anzureichern. Dabei ist durchaus Augenmaß und kritische Vorsicht angebracht. Denn selbst wenn in ChatGPT & Co mittlerweile auch Quellen angegeben werden, sind diese Werkzeuge eben keine Suchmaschinen. Der Prozess der Inhaltegenerierung ist aktuell immer noch von der Quellenerzeugung abgekoppelt, d.h. es werden erst nachträglich passende Quellen zum erstellten Content angeführt. Und auch wenn die Systeme mittlerweile deutlich besser geworden sind, besteht immer noch die latente Gefahr des Halluzinierens, wenn der KI keine belastbaren Informationen zu einer Anfrage vorliegen. Demgegenüber ermöglicht die sogenannte Retrieval Augmentation Generation (RAG), die inhaltliche Anreicherung der trainierten Basis der Sprachmodelle mit Daten aus zusätzlichen Quellen. Dies erfolgt entweder über ein gezieltes „Anzapfen“ der entsprechenden Datenbank oder im einfachsten Fall über den Dateiupload, direkt im Nutzer-Interface der KI.

Auf diese Weise schafft man die Voraussetzungen, um verschiedene Szenarien analysieren und durchspielen zu können. Aus Daten vergangener Kampagnen lassen sich Muster ableiten, Prognosen werden möglich, wie Zielgruppen über verschiedene Touchpoints erreichbar sein dürften. Dadurch eröffnet sich die Möglichkeit der flexiblen Planungsanpassung und -auswertung. Die Auswirkungen von Änderungen der Kanäle oder Budgets lassen sich umgehend simulieren. Die Systeme versetzen damit die menschlichen Akteure in die Lage, schnell und präzise auch hochkomplexe Entscheidungssituationen aufzulösen.

KI und die Ausspielung von Werbemitteln

Neben dieser Effizienzsteigerung im Rahmen des traditionellen Prozesses der Mediaplanung, ermöglicht der Einsatz von KI aber auch Produktivitätsgewinne bei der Werbeausspielung und operativen Umsetzung der Mediaplanung. Schon seit geraumer Zeit lassen sich etwa im Rahmen des Programmatic Advertisings, Werbebotschaften in Echtzeit und personalisiert, vor allem basierend auf Daten aus Nutzer-Profilen ausspielen. KI kann dazu genutzt werden, den Prozess der Werbebuchung und -platzierung zu automatisieren, beispielsweise indem vorab Zielerfolgskennziffern definiert werden, die der KI vorgegeben werden. Anschließend füttert man das System mit Informationen zu möglichen Platzierungsoptionen, verfügbaren Kanälen und Werbeformaten sowie den Einschränkungen zur Laufzeit und Budgetierung der Kampagne. Auf dieser Grundlage lernt das System dann mittels „Trial & Error“ eigenständig die optimalen Entscheidungen zu treffen. Es legt fest, welche Formate in welchen Medien zu welchen Zeiten belegt werden sollten und wie das Budget somit ergebnisorientiert zu investieren sind. Dazu wird mathematisch eine Erfolgsfunktion definiert, die sich an den definierten Werbezielen, beispielsweise am maximalen „Return On Investment“ (ROI) der Kampagne, ausrichtet. Die KI korrigiert dann eigenständig den eingeschlagenen Weg der Budgetallokation, das heißt sie übernimmt die Aussteuerung und Optimierung der Werbekampagne – eine Aufgabe, die typischerweise zum Kompetenzbereich eines Mediaplaners gehört.

Selbst-Optimierung der Werbeausspielung

Der amerikanische Motorradproduzent Harley Davidson setzte beispielsweise eine KI auf sein „Media Asset Management“ an. Mit dem Ziel, Sales-Leads zu generieren, platzierte man automatisiert Anzeigen auf Google und Facebook, um Probefahrten zu bewerben. Ein KI-System wertete eigenständig aus den Interessensprofilen der Nutzer oder den verwendeten Suchbegriffen die Wahrscheinlichkeit einer „Conversion“ – also der Anmeldung für einen Probefahrttermin – aus.  Zudem generierte es aus den damit erfolgreich angesprochenen Interessenten „Look-a-like“-Profile – gewissermaßen „Steckbriefe“ – mit denen weitere potenzielle Kunden gesucht werden sollten. Auch die Werbemittel selbst unterzog das System einem entsprechenden Optimierungsprozess. Neben den Faktoren Umfeld und Nutzerverhalten wurde auch die Kombination aus Anzeigentext und Anzeigengestaltung untersucht und stetig auf das Ziel der Leadgenerierung hin verbessert. Somit entstand ein lernendes System, welches eigenständig die Werbemittelgestaltung und -platzierung kontinuierlich optimierte. 

KI in der Mediaplanung: Automatisierung und Skalierung

Inzwischen existieren aber auch Software-Plattformen, die diese Leistungen skaliert – „von der Stange“ – werbungtreibenden Unternehmen zur Verfügung stellen. Anzeigenplatzierungen lassen sich damit standardisiert über verschiedene Kanäle und Websites hinweg überwachen. Die Information über entsprechenden Bewegungen und Verhaltensweisen aktueller und potenzieller Kunden werden an zentraler Stelle zusammengeführt. Damit wird die Grundlage für ein optimiertes Mediamanagement geschaffen und eine ergebnisorientierte Distribution der Werbemittel gewährleistet.

Mithilfe von KI lassen sich enorme Datenmengen in kürzester Zeit verarbeiten. Profil- und Verhaltensdaten werden dabei innerhalb von Millisekunden mit Kontext- und Umgebungsdaten abgeglichen. Auch die Erfolgsmessung, die Kampagnenüberwachung und die Auswertung und Aufbereitung der Ergebnisse kann automatisiert über die Systeme erfolgen.

Datenzugang als Voraussetzung für den Rückgriff auf KI in der Mediaplanung

Voraussetzung dafür ist aber natürlich die entsprechende Datenbasis und der Zugang zu den Kunden-„Touchpoints“. Bei allen technischen Möglichkeiten verkörpert dies derzeit sicherlich das Nadelöhr bei der automatisierten Mediasteuerung durch KI. Auch hier können lernende Systeme zwar helfen, die blinden Flecken in der Customer Journey zu minimieren, die durch Datenschutzanforderungen oder technische Hürden zwischen einzelnen Mediengattungen und Kanälen entstehen. So lassen sich Lücken in der Surfhistorie oder in der demografischen Datenbasis auch hier durch Prognosen und Mustervervollständigungen schließen. Diese Fähigkeiten bleiben aber aktuell meist auf Akteure beschränkt, die ein umfassendes DSGVO-konformes Nutzer-Tracking gewährleisten können, also meist nur jene, die auf Basis von Registrierungen Verhaltensweisen an eine User-ID knüpfen können. In der Regel sind das jedoch nur die großen Plattformbetreiber wie etwa Google, Meta oder Amazon. Für Werbungtreibende stellt sich damit meist die Frage, ob sie bereit sind, für die Realisierung ihre Echtzeit-Mediastrategie Teil dieser Ökosysteme zu werden oder stattdessen auf Granularität und damit Präzision in der Kundenansprache zu verzichten. 

Agents und die Rolle des Menschen

Perspektivisch dürfte die Entwicklung, hin zu noch mehr Automation, weiter an Fahrt aufnehmen. Bereits heute schon wird intensiv über sogenannte „Agents“ diskutiert, autonom agierende Einzelsysteme, die nicht nur die Werbeausspielung und Auswertung, sondern weitere, auch vorgelagerte Phasen des Mediaplanungsprozesses eigenständig abdecken und die einzelnen Schritte, abgestimmt auf die individuellen Bedürfnisse des Anwenders, miteinander verzahnen. Der menschliche Arbeitsaufwand ließe sich damit zweifelsohne noch weiter reduzieren.

Allerdings sollte bei aller Begeisterung für die Technologie und dem Wissen um deren Leistungsfähigkeit auch Augenmaß bei der zukünftigen Implementierung gewahrt bleiben: KI und maschinelles Lernen beruhen meistens auf der Berechnung von Wahrscheinlichkeiten, auf Mustererkennungen und der Ableitung von Prognosen. Es liegt dabei in der Natur der Sache, dass Außergewöhnliches, Lösungen, die nicht den erlernten Normen entsprechen, von den KI-Systemen oft nicht berücksichtigt oder erkannt werden. Genau das aber, aus der Masse und dem Erwartbaren herauszustechen, dürfte oft gerade im Marketing und in der Mediaplanung den entscheidenden Erfolgsfaktor verkörpern.

Wie bei allen Anwendungsfeldern von KI gilt somit auch hier: die besten Lösungen ergeben sich aus der durchdachten Kombination, nämlich dann, wenn die Effizienz der intelligenten Systeme auf menschliche Erfahrung und Intuition trifft: Die Daseinsberechtigung von KI besteht darin, unsere Arbeit zu unterstützen und besser zu machen. Das Heft des Handelns und die finale Entscheidungskompetenz sollten wir uns von ihr nicht aus der Hand nehmen lassen.

Der Text ist ein Auszug des Beitrages Künstliche Intelligenz (KI) im Marketing –
mit maschinellem Lernen den Kundendialog aus dem Band Die 10 wichtigsten Zukunftsthemen im Marketing, herausgegeben von Marcus Stumpf (Vahlen, 2025, ISBN 978-3-8006-7782-5)

Mehr zum Thema: Vortrag/Keynote von Prof. Dr. Andreas Wagener: „Von Cyborgs und Digitalen Lebewesen: Wie generative KI&VR menschliches Leben (und Sterben) verändern“:

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.

Empfohlene Literatur

Der Beitrag KI in der Mediaplanung – die analytische und operative Effizienz intelligenter Systeme erschien zuerst auf Nerdwärts.de.

Programmatic Advertising hat nicht nur den Werbemarkt nachhaltig verändert, sondern gleichzeitig auch das Feld für eine Weiterentwicklung der Mediaplanung durch den Einsatz von KI bereitet. Dabei ist wichtig zu verstehen, dass der konzentrierte Blick auf die Nutzerdaten im Programmatic Advertising bereits zu einem tiefgreifenden Paradigmenwechsel geführt hat: Herkömmlicherweise waren in der Vergangenheit für die Platzierung in der Werbung – und zwar sowohl digital als auch analog – vor allem immer thematische Umfelder relevant. Man schaltete eine Anzeige für eine Luxusuhr im „Premiumumfeld“ eines Hochglanzmagazins oder im Wirtschaftsteil einer renommierten Tageszeitung, weil man davon ausging, dass man auf diese Weise – im Wege eines klassischen Content Targetings – am ehesten die anvisierte affine und kaufkräftige Zielgruppe erreichen konnte. Auch im WWW verfuhr man mit den Bannerbuchungen ähnlich, Online-Anzeigen wurden in vermeintlich passenden „Kanälen“ gebucht, die auf einen möglichst geringen Streuverlust hoffen ließen.

Paradigmenwechsel: Nutzerprofile statt Umfeld

Die umfangreichen Möglichkeiten heute, Daten über die Nutzer, über ihre Vorlieben und Verhaltensweisen, sammeln zu können, haben diese jahrzehntelang bewährte Vorgehensweise auf den Kopf gestellt: Man geht nun davon aus, dass es möglich ist, die Interessen und Bedürfnisse einer einzelnen Person aus den gesammelten Profildaten weitgehend exakt abzuleiten. Nicht mehr der Medienkanal und der dargereichte Inhalt entscheiden über die Werbemittelplatzierung, sondern allein die persönlichen Präferenzen der Zielperson. Nicht mehr das scheinbar passende mediale Umfeld für eine zuvor umrissene Zielgruppe wird gesucht, stattdessen erfolgt die Zuspielung von Werbebotschaften immer stärker aufgrund der individualisierten Informationen über einen einzelnen Nutzer – und zwar plattformunabhängig und zunehmend auch abgekoppelt vom inhaltlichen Kontext. Wo, an welcher Stelle, auf welchem Medium oder welchem Kanal ein Nutzer mit der Werbebotschaft konfrontiert wird, spielt nur noch eine untergeordnete Rolle, denn sein Interesse an einem zu bewerbenden Produkt ist durch die Informationsvielfalt grundsätzlich dokumentiert. Der Ort der Ansprache hat damit für den Erfolg der Werbemaßnahme an Relevanz eingebüßt.

Gezielte Mediaplanung gerät auf diese Weise zu einem äußerst komplexen Unterfangen, erfolgt sie doch nicht mehr allein entlang der Faktoren Medienkanal und Budget, sondern muss eine Vielzahl von Variablen miteinbeziehen, die nur schwer mit herkömmlichen Maßstäben zu überblicken sind. 

KI in der Mediaplanung

Sowohl bei der vorgelagerten Auswahl der Kanäle und Platzierungen als auch bei der eigentlichen Buchung sowie der dann folgenden Ausspielung der Werbemittel kann KI eine entscheidende Funktion zukommen. In der Praxis stehen diese Verfahren oft – mit Ausnahme der technologisch geprägten Werbegiganten wie Google oder Facebook – im Moment eher noch am Anfang, doch zeichnet sich auch im klassischen Daten getriebenen Werbeumfeld bereits eine Fülle an Innovationen ab, die diesen ohnehin bereits sehr automatisierten Markt zu noch mehr Eigenständigkeit entwickeln und in deren Rahmen die komplexen Entscheidungsmechanismen zunehmend auf intelligente Systeme übertragen werden.

KI sorgt für Bespielung der Kanäle

Der international tätige Bananen-Produzent Dole setzte die KI Albert für die Optimierung seiner Mediaplanung und die Bespielung der verfügbaren Kanäle ein. Dazu definierte man vorab eine Zielerfolgskennziffer, an der sich die KI orientieren sollte. Anschließend fütterte man das System mit Informationen zu möglichen Platzierungsoptionen, verfügbaren Kanälen und Werbeformaten sowie den Einschränkungen zur Laufzeit und Budgetierung der Kampagne. Auf dieser Grundlage lernte Albert mittels „Trial & Error“ die optimalen Entscheidungen zu treffen und legte fest, welche Formate in welche Medien zu welchen Zeiten belegt werden sollte und wie das Budget somit ergebnisorientiert zu investieren sei. Das System erstellte sich dazu eigenständig eine Erfolgsfunktion, die sich am maximalen „Return On Invest(ment)“ („ROI“) der Kampagne ausrichtete. Für Werbebuchungen auf Facebook stellte Albert beispielsweise fest, dass in bestimmten Regionen oder bei Nutzern mit bestimmten Endgeräten ein höherer Rückfluss aus dem Kapitaleinsatz – gemessen in Page Likes – zu verzeichnen war und passte somit eigenständig die Budgetallokation zugunsten dieser Optionen an.  Auf diese Weise übernahm die KI eine klassische Funktion – die Aussteuerung und Optimierung einer Werbekampagne –, die typischerweise zum Kernbereich des Aufgabengebietes einer Mediaagentur gehört.

Automatische Leadgenerierung mit KI

Einen ähnlichen Ansatz verfolgte Harley Davidson. Der amerikanische Motorradproduzent setzte eine KI auf sein „Media Asset Management“ an. Mit dem Ziel, Sales-Leads zu generieren, platzierte man automatisiert Anzeigen auf Google und Facebook. Ein KI-System wertete eigenständig die Wahrscheinlichkeit einer Conversion je nach verwendetem Targeting aus (Keywords und Interessenprofile). Zudem generierte es aus den damit erfolgreich angesprochenen Interessenten „Look-a-like“-Profile, die einer weiteren Verbesserung der Ansprache dienten. Auch die Werbemittel selbst unterzog das System einem entsprechenden Optimierungsprozess. Neben den Faktoren Umfeld und Nutzerverhalten wurde auch die Kombination aus Anzeigentext und Anzeigengestaltung untersucht und stetig auf das Ziel der Leadgenerierung hin verbessert. Somit entstand auch hier ein selbstlernendes System, welches eigenständig die Werbemittelgestaltung und -platzierung kontinuierlich optimierte. 

KI übernimmt Management der Media Assets

Inzwischen existieren auch Plattformen, die diese Leistungen skaliert zur Verfügung stellen. Manche Unternehmen bieten Werbungtreibenden an, die Anzeigenplatzierungen über verschiedene Kanäle und Websites hinweg zu überwachen und die Information über entsprechenden Bewegungen und Verhaltensweisen aktueller und potenzieller Kunden an zentraler Stelle zusammenzuführen.  Dies soll als Grundlage für ein optimiertes Mediamanagement dienen und eine ergebnisorientierte Distribution der Werbemittel gewährleisten.

Eine zunehmend wichtigere Rolle spielt KI bei der Marktorganisation im Programmatic Advertising bei den Ad Exchanges und der Real-Time-Vermarktung von herkömmlicher Displaywerbung. Die Informationen aus den vorliegenden Daten lassen sich zu Prognosen und Empfehlungen verdichten, die in der Kombination zu einer zielgenauen Ansprache führen können. Daraus lässt sich etwa eine automatisierte Inventarverwaltung ableiten, die, orientiert an den Bedürfnissen der Nachfrager von Werbeplatzierungen, aus den komplexen Zusammenhängen der Datenbasis entsprechende Muster ermittelt, die für eine zufriedenstellende, das heißt „Relevanz optimierte“ Angebotsunterbreitung sorgt. Dies setzt voraus, dass das Surfverhalten und die Umfeldnutzung zu aussagekräftigen Profilen verdichtet und diese Information systematisiert mit den ebenfalls dynamisch ermittelten Anforderungen der Mediaeinkäufer abgeglichen werden. Auf diese Weise kann es gelingen, die Buchungsoption mit der jeweils attraktivsten Wertschöpfung für den Werbeeinkäufer automatisiert zu identifizieren.

Berücksichtigung von Brand Safety

Viele Werbung treibenden achten bei der automatisierten Buchung von Werbeplätzen verstärkt auf die sogenannte „Brand Safety“. Wenn Buchungen anhand performance-orientierter Kriterien erfolgen, ist damit nicht gleichzeitig auch garantiert, dass die Werbung eines Unternehmens in einem „unzweifelhaften“ Umfeld ausgespielt wird. Viele Werbung treibende fürchten um ihren guten Ruf, wenn ihre Marke auf Websites auftaucht, die nicht zum mühsam gepflegten Image passen. Gleichwohl ist an dieser Stelle nochmals anzumerken, dass beim Programmatic Advertising ja meist der Nutzerkontakt ausschlaggebend für die Platzierung ist und dieser eben selbst wissentlich das entsprechende Umfeld angesteuert hat. Eine flächendeckende Buchung auf spezifischen Websites findet meistens eher nicht statt. Ob dann daraus wirklich negative Folgen für die Unternehmensreputation abzuleiten sind, sei dahingestellt.

Nichtdestotrotz ist dieser Aspekt in der Praxis für viele Werbung treibende außerordentlich wichtig. Selbst wenn eine bestimmte Umfeldplatzierung hohe Conversionzahlen aufweist, soll ein als negativ empfundener inhaltliche Kontext von der Auslieferung ausgeschlossen werden. Da die Auslieferung aber individuell, Nutzer orientiert, erfolgt, kann dies von der Werbekundenseite mit vertretbarem Aufwand meist nur im Nachhinein – im „Erfolgsfall“ – nachvollzogen werden. Für Abhilfe kann hier ebenfalls der Einsatz maschineller Lernverfahren sorgen. Aus zuvor als „negativ“ etikettierten Umfeldern lassen sich Muster für Klassifizierungen ableiten. Daraus kann das System lernen, bereits vor der Platzierung eines Werbemittels ein nicht adäquates Umfeld zu identifizieren und die Ausspielung zu unterbinden. Bislang erfolgte dies über händisch gepflegte Blacklists oder über Zertifizierungen von Websites einschlägiger Anbieter. Aber auch in diesem Bereich existieren erste Ansätze, dieses Problem über KI zu lösen– was zu einer erneuten „Disruption“ dieser bestehenden Teilmärkte führen könnte.

Blacklisting und Whitelisting

Umgekehrt ist es auch aus Publisher-Sicht manchmal angeraten, nicht jeden Werbekunden auf den eigenen Seiten Raum zu geben. Auch hier greift das Argument der Reputationsgefährdung, wenn eine sich selbst als dem „Premiumsegment“ zugehörig begreifende Website nicht durch die dort platzierte Werbung in Misskredit geraten will. Analog zur Werbekundenseite lässt sich dies nur schwer durch menschliche erzeugte „schwarze Listen“ verhindern, für die man ja eigentlich den Werbemarkt komplett kennen müsste. Auch hier könnte KI perspektivisch auf der Basis von optischer und textlicher Mustererkennung zum Einsatz kommen.

Schließlich sind auch die Nutzer selbst in der Lage, auf intelligente, selbstlernende Systeme zurückgreifen. So bietet der in den vergangenen Jahren bereits stark genutzte Adblocker-Anbieter „Eyeo“ auf einer eigenen Plattform die Möglichkeit, Screenshots missliebiger Werbung hochzuladen. Damit soll ein künstliches neuronales Netz „gefüttert“ werden, das entsprechende Anzeigen im Netz automatisch blockiert.

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 Mediaplanung, Programmatic Advertising und KI erschien zuerst auf Nerdwärts.de.