Künstliche Intelligenz in aller Munde

Kaum eine Diskussion um die Zukunft der Digitalisierung kommt in jüngster Zeit ohne den Begriff der „Künstlichen Intelligenz“ („KI“) aus. Dahinter verbirgt sich in der Regel die Fähigkeit autonomer digitaler Systeme, Muster und Logiken zu erkennen (etwa in Texten oder Bildern), auf dieser Basis eigenständig Entscheidungen zu treffen und aus den daraus resultierenden Aktionen selbsttätig Verbesserungen abzuleiten, also de facto – zu lernen.

Medienunternehmen und Künstliche Intelligenz

Gerade auch für Medienunternehmen ergeben sich daraus neue Szenarien: sei es, dass Inhalte per lernendem Algorithmus personalisiert und maßgeschneidert an den Nutzer ausgeliefert werden oder dass Chatbots – oder deren Hardware-gewordene Version in Form von Amazons „Echo“ und dem Sprachassistenten „Google Home“ – die bisherige meist eher einseitige mediale Informationsvermittlung in einen Dialog wandeln. Die branchenspezifischen Spielregeln könnten sich jedenfalls – wieder mal – nachhaltig ändern. In erster Linie dürfte es dabei um eine Verbesserung oder Erweiterung des medialen Angebots gehen. Aber Künstliche Intelligenz wird auch zunehmend die Prozesse in Herstellung und Vertrieb beeinflussen, indem entsprechende Systeme immer mehr Tätigkeiten automatisiert übernehmen. Auch bei der Preisgestaltung – Stichwort „Dynamic Pricing“ – kommt KI zunehmend zum Einsatz und reduziert damit den menschlichen Anteil an der Entscheidungsfindung.

„Buzzword-Hochzeit“? Blockchain & Künstliche Intelligenz

Besonders spannend wird es jedoch, wenn Künstliche Intelligenz mit einem anderen „Buzzword-Thema“ zusammenwächst – der Blockchain. Der Technologie, die der lückenfreien Abbildung der Transaktionen etwa bei der Kryptowährung Bitcoin dient, wird ja nun seit geraumer Zeit ein erhebliches „Disruptionspotenzial“ zugesprochen. Im Gegensatz zu einer herkömmlichen Datenbank, die Informationen an einer zentralen Stelle verwaltet, werden die Daten über die Blockchain „distribuiert“, also das Abbild der vorgenommenen Transaktionen an alle Netzwerkteilnehmer verteilt. Damit sind sämtliche Vorgänge lückenlos gespeichert und für jeden einsehbar.

Blockchain im Programmatic Advertising

In den USA findet dies bereits im Daten getriebenen Marketing, beim „Programmatic Advertising“, Anwendung. Hier versuchen erste Anbieter dezentral und automatisiert Werbeflächen zu vermarkten. Damit ist es grundsätzlich möglich, das bisher zentralistisch organisierte Marktsystem aufzubrechen: Die Transaktionsinformationen werden in einer Blockchain gespeichert und Pricing und Bietverhalten autonom über lernende digitale Systeme abgewickelt.

Digitale Medien und Blockchain

Analog lässt sich dieses Prinzip auf „Paid Content“-Strategien übertragen. Vorreiter ist hier aktuell die Musikbranche. Einzelne Musikdateien oder sogar bloß Teile davon, etwa ein Gitarren-Riff oder eine „bassline“, werden dezentral für verschiedene Zielgruppen – Endverbraucher, Rechteverwerter, kommerzielle Nutzer – feilgeboten. Die Blockchain ermöglicht auch hier die Transaktionsdokumentation und erlaubt sogar ein dezentrales Rechtemanagement. Über lernende Algorithmen kann man die Angebotsanalyse und den Marktmechanismus abbilden. Diese Prinzipien ließen sich sicherlich auch auf weitere Segmente der Medienbranche übertragen.

Zum Thema im Detail: Blockchain in der Musik- und Medienindustrie

Blockchain, Smart Contracts und Künstliche Intelligenz als „Game Changer“

Die Blockchain und die damit verbundene automatische Exekutierung von Verträgen via „Smart Contracts“ – könnte im Zusammenspiel mit Künstlicher Intelligenz tatsächlich zum „Game Changer“ werden – nicht nur im Bereich der Medien. Vielleicht bedarf es gerade dieser Kombination, um den einzelnen Technologie tatsächlich im ökonomischen Alltag zu verankern.

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 Künstliche Intelligenz & Blockchain: Chance für die Medienbranche? erschien zuerst auf Nerdwärts.de.

Vom Zielgruppenumfeld zur Zielperson

Im Umgang mit den Entwicklungen zu einer immer stärker hervortretenden Kleinteiligkeit bei der Zielgruppenerfassung scheint die Kommunikationspraxis ihrem akademischen Pendant weit voraus zu sein: Immer seltener erfolgt Media- und Kommunikationsplanung nach klassischen Mustern, wonach bestimmte (Premium-)Werbeumfelder belegt werden, um damit bestimmte Zielgruppen „gut“ zu erreichen und als „Beleg“ hierfür regelmäßig durchgeführte eigene oder externe Analysen, z.B. AGOF, IVW, etc. herangezogen werden.

vom Umfeld zum Profil

Als „hochwertige“ Werbeumfelder gelten diesem Verständnis nach meist „starke Medienmarken“ und „Premiuminhalte“, die dem Diktum „Content is King“ folgen. Mediaplanung richtet sich jedoch immer seltener an einem zur Zielgruppe „passenden“, vermeintlich qualitätsvollen inhaltlichen Kontext aus. Vielmehr erfährt das klassische mediaplanerische Verständnis aufgrund der fortgeschrittenen Digitalisierung eine Umkehrung: Es wird nicht mehr das passende mediale Umfeld für eine vorher umrissene Zielgruppe gesucht; stattdessen erfolgt die Zuspielung von Werbebotschaften aufgrund der über einen Mediennutzer gesammelten individuellen Daten plattformunabhängig und abgekoppelt vom inhaltlichen Umfeld. Nicht mehr der Medienkanal und der dargereichte Content entscheiden über die Werbemittelplatzierung, sondern allein die persönlichen Präferenzen einer einzelnen Zielperson. Der Qualitätsbegriff bezieht sich somit nicht mehr auf die Inhalte und die dahinter stehende Medienmarke, sondern auf die möglichst exakte Erfüllung vorab definierter Anforderungen an Rezipientenprofile.

Profilierung als Antwort auf Fragmentierung der Zielgruppen

Die technischen Entwicklungen sind durchaus in der Lage, der beschriebenen Fragmentierung der Zielgruppe zu begegnen. Durch die Profilierung ist eine deutlich feinere Granulierung bei der Ansprache möglich. Datensammlung kann crossmedial erfolgen, die oben genannten Dimensionen bieten sich dabei als Erhebungs- und Entscheidungskriterien an. Schon seit längerem erprobte Targeting-Verfahren wie Behavioral und Predictive Behavioral Targeting liefern die prozessuale Grundlage hierfür:
Beim Behavioral Targeting erfolgt die Zuspielung einer Werbebotschaft anhand des bisherigen Surfverhaltens des jeweiligen Nutzers („ex post“). Das Nutzerverhalten wird meist mit Browsercookies – kleinen Logdateien – „aufgezeichnet“, wobei – insbesondere durch Google und Facebook – hier inzwischen auch auf deutlich ausgereiftere Techniken zurückgegriffen wird, die auch die abwechselnde Nutzung verschiedener Endgeräte (Desktop, Smartphone, TabletPC) durch ein und denselben Anwender berücksichtigen.

Ausgangslage: Behavioral Targeting

Entsprechend dem aufgezeichneten Verhalten können Werbemittel als „personalisierte Empfehlungen“ ausgeliefert werden, z.B. ließe sich aus dem „Ansurfen“ von Websites, die sich inhaltlich mit beispielsweise „Elektronikthemen“ auseinandersetzen, schließen, dass sich der entsprechende Nutzer auch grundsätzlich für Produkte aus diesem Bereich interessiert. In der Folge würde er auf einer weiteren Station seines „Surftrails“ mit entsprechenden Werbemitteln konfrontiert. Eine Sonderform des Behavioral Targeting stellt das Re-Targeting dar: Anhand einer bereits vorher durchgeführten Aktion eines Nutzers wird dieser erneut mit demselben Prozess konfrontiert, weil er diesen u.U. nicht abgeschlossen hat. Häufigster Einsatz von Re-Targeting ist beim Abbruch eines Kaufvorgangs. In diesem Fall wird dem Nutzer erneut ein entsprechendes Werbemittel– z.B. des zwar im Warenkorb platzierten, aber dann nicht gekauften Produktes – auch auf anderen Webseiten, die der Nutzer ansurft, angezeigt, um diesen dann doch noch als Kunden zu gewinnen.

Während sich Behavioral Targeting auf das vorhergehende Nutzungsverhalten eines Rezipienten bezieht, orientiert sich Predictive Behavioral Targeting am erwartetem Nutzungsverhalten („ex ante“). Dafür werden übergreifend Interessenprofile aus dem Surf- und Suchverhalten verschiedener Nutzer erstellt. Anhand diesen erfolgt ein Abgleich mit dem Interessensprofil des „aktuellen“ Nutzers, woraus dann die Zuspielung von als „passend“ erachteten Werbemitteln erfolgt. Zugrunde gelegt wird ein „verhaltenstheoretischer Dreisatz“: Wenn Nutzer, die über ein ähnliches Profil, wie der aktuelle Nutzer verfügen, sich in der Vergangenheit für ein bestimmtes Angebot interessiert haben, ist die Wahrscheinlichkeit hoch, dass der Nutzer mit den ähnlichen Profileigenschaften ebenfalls Interesse daran hat, wenn ihm ein entsprechendes Werbemittel zugespielt wird.

Programmatic Marketing & Real Time Bidding

In Kombination mit dem „Big Data“- bzw. „Smart Data“-Ansatz ermöglicht die Targetingmethodik auch eine Neuausrichtung der Mediaplanung im Wege des „Programmatic Advertising“. Das gezielte Sammeln von Nutzerdaten und deren Einsatz bei der Definition und individuellen Bewertung von Zieladressaten dient hierbei der Schaffung einer Entscheidungsgrundlage bei einer „Kontaktauktion“. Surft ein Nutzer eine Webseite an, so wird dieser in Echtzeit („Real Time Bidding“) auf einem Marktplatz angeboten und gegen Höchstgebot versteigert. Der Gewinner dieser Auktion erhält das Recht auf der entsprechenden Webseite dem „gewonnenen“ Nutzer sein Werbemittel anzuzeigen. Diese Entscheidungen laufen automatisiert und in Millisekunden ab. Es bedarf also vorab einer genauen Festlegung der Entscheidungskomponenten. Neben einem maximalen Bietpreis handelt es sich dabei vor allem um eine möglichst fundierte Profilierung einzelner anvisierter Usertypen entsprechend der skizzierten Targetingansätze.

Die Bewertung des Angebotes und die Ableitung von Biet-Regeln und –Strategien, erfolgt durch die Auswertung von hierarchischen Datenclustern:

• thin data: dabei handelt es sich um frei verfügbare Daten, wie etwa Datum, Uhrzeit, verwendete Browser, Betriebssystem, URL und geographischer Lokalisierung des Users.
• first-party data: eigene interne Daten des jeweiligen Werbungtreibenden, z.B. das Kaufverhalten von eigenen Kunden, vor allem für die Nutzung bei Re-Targeting oder als Ausschlusskriterium (z.B. keine Werbemittelauslieferung an bereits bestehende Kunden)
• third-party data: externe, in erster Linie zugekaufte und idealerweise durch Big Data bzw. Smart Data-Verfahren veredelte Daten, zur Anreicherung der Profile. Diese dienen dem Abgleich mit den thin und first-party data und ermöglichen ein zielgerichtetes Prospecting. Auf diese Weise wird kann auch ein „Cross Media Targeting“ durchgeführt werden, etwa durch Synchronisierung mit TV-Werbung, um gleichzeitig zum TV-Werbespot via Real Time Bidding auch passende Werbemittel auf dem „Second Screen“ ausspielen zu können.

Eine Zusammenführung der im letzten Teil genannten Dimensionen der Fragmentierung lässt sich darüber gut abbilden. Erfolgt die Zielgruppenansprache nicht mehr von Medium aus gedacht, sondern unabhängig davon, kann der Zersplitterung der Zielgruppen entlang der Dimensionen begegnet werden, in dem diese als Profilierungskriterien entweder mit einbezogen oder bei der Profilierung als unabhängige Variablen eingestuft werden.

Der nächste Teil der Reihe (6/7) beschäftigt sich mit der notwendigen Neuausrichtung des Selbstbildnisses der Medienunternehmen.

Quellen:

Anderson, Chris (2006). The Long Tail: Why the Future of Business Is Selling Less of More. New York
Priebe, Anton (2014): http://onlinemarketing.de/news/konsequentes-wachstum-in-real-time-bidding-fliesst-immer-mehr-budget
Seebohn, Joachim (2011): Gabler Kompaktlexikon Werbung. Wiesbaden
Schroeter, Andreas / Westermeyer, Philipp / Müller, Christian / Schlottke Tobias / Wendels, Christopher (2013): Real Time Advertising Funktionsweise – Akteure – Strategien. Hamburg. rtb-buch.de/real-time-advertising-rtb.pdf

Der Beitrag Targeting, Big Data & Programmatic Advertising als Antwort auf die Fragmentierung der Zielgruppen: Zielgruppenfragmentierung und Mediaplanung im digitalen Zeitalter (5/7) erschien zuerst auf Nerdwärts.de.