Unternehmen möchten Content automatisieren und personalisieren. Das macht Sinn - vor allem im digitalen Zeitalter. Kunden freuen sich über personalisierte Angebote. Marketingtreibende sparen Zeit und Ressourcen. Simpel - nur nicht ganz einfach.
Die Nutzung von Machine Learning zur Erstellung von Content ist zurzeit in aller Munde - Innovative Technologien, die auf IT-Systemen basieren und durch "maschinelles Lernen" die gewünschten Inhalte für Unternehmen produzieren.
Der Haken: Menschen müssen die Maschine vorher mit Daten füttern - und ihr beibringen, was und wie sie lernen soll.
Was ist “Machine Learning” und wie können Werbeagenturen es für sich nutzen?
Machine Learning ist ein Teilbereich der Künstlichen Intelligenz. Ähnlich wie beim „Data-driven Advertising“ (datengetriebener Werbung) werden für maschinell erstellte Inhalte vorhandene Daten von Konsumenten genutzt, um daraus für die Zielgruppe relevante Inhalte für die Zukunft bereitzustellen.
Während beim Data-driven-Advertising der Mensch selbst dafür zuständig ist, Rückschlüsse aus dem vorhandenen Datenbündel der Nutzer zu ziehen und darauf basierend relevante Inhalte zu veröffentlichen, übernehmen die Technologien des maschinellen Lernens diesen Part automatisch.
Technologie - basierend auf Machine Learning - sorgt auf Grundlage von Algorithmen dafür, dass User automatisierte und personalisierte Angebote bekommen. Die Algorithmen müssen allerdings vorher vom Mensch programmiert werden. Der Mensch muss der Maschine also befehlen, worauf sie achten, wonach sie suchen und wie sie reagieren soll. 1
Dabei “lernt” die Technologie mit dem Zuwachs an Informationen aus Big-Data, wie User sich in Zukunft verhalten könnten. Je mehr Daten im System vorhanden sind, desto effektiver wird das maschinelle Lernen der Software.
Experten unterscheiden drei wesentliche Kategorien des maschinellen Lernens: überwachtes Lernen (supervised), unüberwachtes Lernen (unsupervised) und bestärkendes Lernen (reinforcement). Dabei kommen Technologien zum Einsatz, die sowohl in der Online- als auch der Offline-Welt vorteilhaft für Unternehmen sein können. 2
Die verschiedenen Bereiche unterscheiden sich im Wesentlichen in ihren Algorithmen. Beim “überwachten Lernen” verarbeitet die Technologie durch den Menschen vordefinierte Modelle, um aus vorhandenen Trainingsdaten für das gewünschte Endergebnis Zusammenhänge und Muster anzulernen. 3
Die Sprachassistenten Alexa und Siri sind ein Beispiel für Technologien mit überwachtem Lernen. Der Input des Konsumenten wird als Eingabewert verarbeitet, um das gewünschte Ergebnis bereitzustellen. Das kann zum Beispiel der Sprachbefehl an Alexa sein, die App “Spotify” auf dem Smartphone zu öffnen.
Auch in der Offline-Welt verwenden Unternehmen Machine Learning auf Basis des überwachten Lernens, um Prozesse zu optimieren und die Produktivität zu steigern.
Bei der vorausschauenden Wartung (engl. Predictive Maintenance) erkennt der Algorithmus, wann es zu Ausfallzeiten oder Fehlern in Maschinen kommen kann, um diese frühzeitig zu warten und zu minimieren. Gerade in größeren Produktionshallen kann diese Anwendung essentiell für den Erfolg des Unternehmens sein. 4
Durch “unüberwachtes Lernen” werden Datenstrukturen, Muster und auffallende Merkmale vom System selbst erkannt und dem Menschen sichtbar gemacht. Diese Art von Lernen nutzen Unternehmen häufig, um ihre Kunden zu segmentieren und in sogenannte “Cluster” einzuteilen.
Auf diese Weise können Marketingtreibende zum Beispiel eine Einteilung in “Neukunden”, “Wiederkäufer” oder auch “bevorzugte Produkte für 25-45 Jährige” erkennen und für zukünftige Kampagnen nutzen. 5
Das “bestärkende Lernen” gilt als Bestandteil des überwachten Lernens und basiert auf dem Prinzip der Belohnung und Bestrafung. Anders ausgedrückt: Der Algorithmus ermittelt Daten, die zielführend für ein gewünschtes Endergebnis sind. Unbrauchbare Daten hingegen werden nicht berücksichtigt.
Ein gutes Beispiel zeigt die Durchführung von A-/B-Tests im Newsletter-Marketing. Angenommen, beim Vergleich zweier verschiedener Betreffzeilen möchten Marketingtreibende herausfinden, welche die höchste Öffnungsrate bewirkt.
Durch maschinelles Lernen kann dem Tool “befohlen” werden, an die ersten 40% aller Abonnenten abwechselnd und gleichmäßig verteilt Betreff A und Betreff B zu schicken. Die Betreffzeile, die daraufhin die höchste Öffnungsrate aufweist, wird an die restlichen 60% der Abonnenten versendet. 6
Die erfolgversprechende Betreffzeile wird “bestärkt” - die andere Überschrift wird aus dem System ausgeschlossen und für den Rest der Abonnenten nicht mehr sichtbar.
Vorteile und Chancen durch maschinell lernende Technologien
Mithilfe von ML-Anwendungen können Unternehmen Zeit und Ressourcen sparen. Außerdem geben die vorhandenen Daten Aufschluss darüber, welches Optimierungspotential für zukünftige Werbemaßnahmen herrscht. Das gilt sowohl für den Content auf der Homepage, Blogs, Landing-Pages oder im Newsletter als auch für Ads in Social-Media-Kanälen und für die klassische Online-Werbung.
Machine Learning trifft Vorhersagen, berechnet Wahrscheinlichkeiten, gibt Einsichten, erkennt Muster und findet relevante Daten. Gerade mit Hinblick auf Content-Marketing ergeben sich dabei für Marketingtreibende ergiebige Vorteile.
Machine-Learning-Tools helfen Unternehmen beim Erstellen, Verdichten, Veröffentlichen, Überwachen und Beschaffen relevanter Inhalte. Selbst das Planen und Managen spezifischer Aktivitäten und Arbeitsschritte ist möglich. Das bewirkt eine immense Steigerung in der Produktivität. 7
Darüber hinaus haben Firmen durch maschinell produzierten Content die Möglichkeit, personalisierte Angebote direkt an der passenden Stelle im Customer-Journey des Konsumenten zu platzieren.
Tools wie wie “Granify”, “Personyze” oder “OneSpot” ermöglichen die datengetriebene Personalisierung für verschiedene Touchpoints der Kunden. Während Granify verstärkt für das E-Commerce-Business genutzt wird, erfreuen sich die User von Personyze über personalisierte Inhalte auf Landingpages oder in Newslettern. OneSpot eignet sich für verschiedene “Content-Bereiche”, vor allem personalisierte Werbeanzeigen. 8 9 10
Neben den Maßnahmen zur Automatisierung und Personalisierung von Inhalten bietet Machine Learning die Möglichkeit, vorhandene Daten übersichtlich einzusehen und abzurufen. So können die Erfolge und Misserfolge bestimmter Werbekampagnen erfasst und bewertet werden.
Diese Einsichten können Unternehmen mit in die nächste Strategy-Session nehmen und in die Budgetplanung einfließen lassen. Machine Learning trägt also dazu bei, Kosten zu reduzieren und das vorhandene Werbebudget sinnvoll einzusetzen. 11
Herausforderungen und Nachteile von Machine Learning
Bevor die vorhandenen Daten durch Machine Learning sinnvoll genutzt werden können, sind zwei wesentliche Schritte nötig, die nur vom Mensch selbst initiiert werden können.
Erstens: Der Mensch muss die „Lernalgorithmen“ bestimmen, mit denen die maschinell lernenden IT-Systeme automatisierte Handlungen vornehmen. Marketingtreibende definieren zuvor also, nach welchen Regeln und Gesetzmäßigkeiten das maschinelle Lernen funktionieren soll - sie programmieren die Algorithmen.
Um das realisieren zu können, sind kreative und lösungsorientierte Köpfe gefragt, die eine gute Portion analytisches Denkvermögen mitbringen und sich in komplexe Zusammenhänge reinfuchsen können. 12
Die zweite Herausforderung besteht im Sammeln relevanter Daten, mit dem „das System“ gefüttert wird, um zukünftig fleißig daraus lernen zu können. Gerade kleinere Firmen stehen vor der Herausforderung, mit wenig Daten-Input eine brauchbare Prognose für zukünftige Maßnahmen durchzuführen.
Darüber hinaus sind nicht alle Daten, die eine ML-Technologie bereitstellt, für das Unternehmen brauchbar. Selbst wenn genug Daten vorhanden sind, können bestimmte Tests wenig sinnvoll sein.
Bleiben wir beim Beispiel Newsletter. Der „Head of Marketing“ möchte herausfinden, welcher Wochentag die höchste Klickrate im Hinblick auf die versendeten Newsletter bringt.
Um die eigene Studie nicht zu verfälschen, werden die E-Mails immer zur selben Uhrzeit gesendet – nur eben an verschiedenen Wochentagen. Nach sechs Monaten und einem Pensum von einer E-Mail pro Woche lautet das Ergebnis: Mittwoch bringt die höchsten Klickraten.
Unklar an diesem Experiment bleibt zum Beispiel die Frage, welchen Einfluss die jeweilige Betreffzeile beim Verschicken der E-Mails hatte. Es könnte auch sein, dass die höheren Klickraten sich durch das ansprechende Thema oder den textuell verführerischen Content in der E-Mail erklären, die zufällig häufiger an einem Mittwoch zum Einsatz kamen.
Kurz gesagt: Auch wenn das Experiment zu einem Ergebnis kommt, heißt es nicht, dass dieses brauchbar ist. Marketingtreibende sollten Machine Learning also so nutzen, dass die Algorithmen nicht nur messbare Resultate liefern, sondern konkrete Handlungsempfehlungen offenbaren, die Unternehmen aus den vorhandenen Daten ableiten können.
Maschinenproduzierter Content - Ein Blick in die Zukunft
Noch vertrauen verhältnismäßig wenige Unternehmen den Technologien von Machine Learning. Das äußert sich einerseits in Bedenken, ob die ansprechende und personalisierte Ansprache „durch Maschinen“ überhaupt möglich sei. Andererseits mangelt es den Unternehmen an der Expertise im Umgang mit diesen Technologien.
Laut einer IDC-Studie im Auftrag von Criteo sollen diese Bedenken in den nächsten Jahren allerdings nach und nach verschwinden. So prognostiziert die Befragung etwa, dass Machine Learning bis zum Jahr 2022 in allen Bereichen der Werbetechnologien verankert sein wird. Auch die Ausgaben für Technologien, die auf der Basis von maschinellem Lernen funktionieren, sollen bis 2020 auf über zwei Milliarden Dollar steigen. Zum Vergleich: 2016 sind es 360 Millionen Dollar gewesen. 13
Fest steht, dass Künstliche Intelligenz den Einsatz von Werbemitteln bereits jetzt verändert und dies in Zukunft weiterhin tun wird. Während intelligente Sprachassistenten wie die Google Voice Search, Alexa oder Siri bereits ein größeres Spektrum an Nutzern aufgebaut hat, steckt nach wie vor unentdecktes Potential rund um die Einsatzmöglichkeiten von Machine Learning.
Der Facebook-Werbemanager unterstützt Unternehmen bereits durch Targeting dabei, Werbebotschaften gezielt für eine zuvor definierte Gruppe von Konsumenten sichtbar zu machen, die sich zum Beispiel auf einen bestimmten Bereich an Interessen oder geographisch abgegrenzte Regionen fokussiert.
Gemäß der Studie liegt der Trend vor allem im optimierten Targeting der Werbeanzeigen, die durch Machine Learning noch erfolgversprechender werden können. So sehen 64% der Befragten die in Echtzeit personalisierte Werbung als entscheidenden Geschäftsvorteil für zukünftiges Marketing. 14
Das befreit die Unternehmen allerdings nicht von der Notwendigkeit, im Vorfeld ausreichend relevante Daten zu sammeln, die als Input für die Auswertungen durch Machine Learning gebraucht werden. Ebenso müssen Werbestrategen in der Lage sein, die bereitgestellten Daten so zu nutzen, dass daraus gewinnbringende und zielgruppenrelevante Werbemaßnahmen produziert werden.
Quellenangaben:
[1] https://www.bigdata-insider.de/was-ist-machine-learning-a-592092/
[2] https://blog.nxtgn.de/machine-learning-alltag
[3] https://mindsquare.de/knowhow/machine-learning/
[4] https://industrie-wegweiser.de/predictive-maintenance/
[5] https://data-science-blog.com/blog/2017/07/02/uberwachtes-vs-unuberwachtes-maschinelles-lernen/
[6] https://morethandigital.info/machine-learning-grundlagen-und-definition-fuer-anfaenger-und-manager-erklaert/
[7] https://www.singlegrain.com/artificial-intelligence/how-machine-learning-is-transforming-content-marketing/
[8] https://www.granify.com/
[9] https://www.personyze.com[10] https://www.onespot.com/