Diskriminiert Google? Mit Autosuggest lassen sich Verzerrungen beim maschinellen Lernen eindrücklich zeigen. Das hat auch Einfluss darauf, wie wir mit Generativer KI, mit ChatGPT&Co, umgehen sollten. Ein kurzer Auszug aus der Hofer Stadtvorlesung mit Andreas Wagener.

Auszug aus dem Vortrag: „Von Cyborgs und Digitalen Lebewesen: Wie generative KI&VR menschliches Leben (und Sterben) verändern“

Mehr zum Thema: der komplette Vortrag 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.

Der Beitrag Warum Google Autosuggest keine Ostdeutschen (und Hessen) mag – und was das mit GenAI zu tun hat 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.

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.