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.

Podcasts haben sich zwar sehr langsam, dafür aber nun nachhaltig als ernstzunehmendes digitales Medium bei den Nutzern etabliert – für verschiedenste Formate und eine Vielzahl von Themen. Auch für die Kommunikation von Unternehmen, entweder als „Corporate Podcast“ oder als Kanal für die Platzierung von Werbung werden sie damit zunehmend interessanter.

Podcast-Marketing als Potenzialträger

Eine aktuelle Studie der Hochschule Hof beleuchtet nun die Möglichkeiten, die Podcasts für die Zielgruppen-Kommunikation bieten. Auf Basis von Tiefeninterviews mit einschlägigen Experten wurden die Chancen und Herausforderungen für ein Podcast-gestütztes Marketing untersucht. Dabei zeigte sich, dass insbesondere jenseits typischer Corporate-Podcast-Formate eine Reihe von sinnvollen Anknüpfungspunkten durch die Nutzung von Podcasts als Werbemedium gegeben sind. Nicht zuletzt durch die Corona-Pandemie wuchs der erreichbare potenziell Kundenstamm stark an. Trotz eines erhöhten Wachstums auch bei älteren Adressaten dominieren die 20-35jährigen immer noch die Hörerschaft der Podcasts. Gerade diese Zielgruppe allerdings ist heute oftmals nur noch schwer über andere, herkömmliche Medien zu erreichen.

Paid Media als Treiber im Podcast-Marketing

Werbeformen in der Podcast-Umwelt werden durch steigenden Marktdruck dynamischer und nähern sich zunehmend den typischen Online-Medien und der dortigen automatisierten Auslieferungspraxis an. Jedoch auch trotz dieser wachsenden „Mechanisierung“ dürften Nischen-Formate weiterhin bestehen bleiben und ein individualisiertes Eingreifen erfordern, so die Studie. Allgemein, egal ob fest oder dynamisch implementiert, wird Native Ads dabei der höchste Wirkungsgrad zugesprochen. Herkömmliche Audio Ads erscheinen ebenso möglich, wenngleich damit der „Host-Vorteil“ des Podcasts nicht genutzt werden würde. Inzwischen haben auch Targeting-Methoden Einzug ins Podcast-Marketing gefunden, was nicht zuletzt auch die Einstiegshürde für KMUs und geringere Budges senkt. Gleichfalls ermöglichen die Einführung von IAB-Standards ein transparentes Reporting, was zumindest perspektivisch zu einem erhöhten Vertrauen der Werbetreibenden führen sollte. Insgesamt, so das Fazit der Untersuchung, bietet die Vermarktungsseite des Marktes, zumindest hierzulande, noch Professionalisierungspotenzial, wenngleich die Relevanz von Podcast-Marketing im Kommunikationsmix an Relevanz gewinnen wird.

Die vollständige Studie von René Schmalzl „Podcasts im Marketing – Eine empirische Analyse des auditiven Mediums im Unternehmenskontext“ findet sich hier und erschien in der Hofer Schriftenreihe zur Digitalen Ökonomie (Band Nr. 11), Herausgeber: Andreas Wagener

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.

Empfohlene Ressourcen fuer Podcaster und Content Creator

Der Beitrag Podcast-Marketing: Internet-Audio als Werbekanal 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.

AdBlocker im Netz, auf werbefinanzierten Seiten, sind ja gegenwärtig schon ein großes Thema. Das Prinzip, Werbung aus dem Sichtfeld zu verbannen, hat nun ein gewisser Jonathan Dubin auf das reale, echte Leben übertragen. Na ja, jedenfalls zum Teil, denn es bedarf dafür eines „Virtual Reality“-Endgerätes, wie einer Oculus Rift. Mit der VR-Brille auf den Augen, ausgestattet mit Dubins „Brand Killer Real Life AdBlocker“ können unliebsame Darstellungen, etwa Markenbilder, „verpixelt“ und damit unkenntlich angezeigt werden. So ist es möglich, die Werbemittel- und Markenreaktanz aus der Online- in die reale Welt zu übertragen (s. Video)
Wir finden: eine Anwendung mit ungeheurem Potenzial, wie gemacht für Eskapisten: Anstatt ungewollter Werbung und Markenabbildungen lässt sich das Konzept sicherlich auch auf Gesichter ungeliebter Verwandter und Kollegen oder überhaupt auf alles, was wir in unserem Leben unsichtbar machen möchten, übertragen – die hausgemachte Filterbubble für das analoge Leben.

Der Beitrag Adblocker für das „echte“ Leben mit Virtual Reality Brille erschien zuerst auf Nerdwärts.de.