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.

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.

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.

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.