KI ist die Geheimwaffe des Marketers
Jeder CMO steht unter dem Druck, Geschäftsergebnisse für die ausgegebenen Marketinggelder nachzuweisen. Der CEO und der Vorstand sind sich sehr wohl bewusst, wie viel Geld das Marketing für Werbung ausgibt, und fragen sich: Welchen greifbaren Nutzen haben wir von diesem Geld?
Für den CMO ist die Botschaft klar: Konzentration der Werbeausgaben auf hochwertige Verbraucher. Das bedeutet, die Verbraucher mit der höchsten Konversionswahrscheinlichkeit und einem hohen Lebenszeitwert (LTV) zu identifizieren. Aber wie?
Hier kommt die künstliche Intelligenz (KI) ins Spiel. KI ist eines der wichtigsten Werkzeuge, die Ihnen zur Verfügung stehen. Glücklicherweise ist sie in viele Plattformen integriert, die Vermarkter täglich nutzen. Erwarten Sie aber nicht, dass KI von Anfang an perfekt für Ihre Marke funktioniert. Jede KI muss auf die eine oder andere Weise trainiert werden, wie wir weiter unten sehen werden.
AI 101
Was also ist KI genau? Es handelt sich um einen Bereich der Informatik, der darauf abzielt, Maschinen zu entwickeln, die "intelligent" handeln können. Mit anderen Worten: Die KI versucht, Maschinen so zu trainieren, dass sie selbstständig hochgradig informierte Entscheidungen treffen können.
Es gibt viele Arten von KI, die in der digitalen Werbung eingesetzt werden, darunter maschinelles Lernen und natürliche Sprachverarbeitung (NLP).
Was ist maschinelles Lernen?
Maschinelles Lernen ist ein Teilbereich der KI, bei dem Computer aus Daten lernen. Der Vorteil des maschinellen Lernens ist, dass es frei von kognitiven Verzerrungen ist. Anstatt nach Daten oder Trends zu suchen, die wir bereits kennen, erkennen Algorithmen des maschinellen Lernens sinnvolle Zusammenhänge, die wir Menschen unmöglich selbst finden können.
Es gibt zwei Arten des maschinellen Lernens: überwachtes und unüberwachtes. Überwachtes maschinelles Lernen wird eingesetzt, wenn die Daten eine bestimmte Frage beantworten sollen, z. B. die Identifizierung von Katzenfotos im Internet. Um diese Aufgabe zu bewältigen, müssen dem überwachten maschinellen Lernmodell Tausende von Katzenfotos gezeigt werden, damit es beginnt, die einzigartigen Eigenschaften von Katzen zu erkennen. Die Maschine muss auch Bilder sehen, auf denen keine Katzen zu sehen sind, damit sie erkennen kann, wenn ein Bild keine Katze enthält. Diese Sammlung von Katzen- und Nichtkatzenfotos wird als Trainingsdaten bezeichnet.
Unüberwachtes maschinelles Lernen dient dazu, Muster zu erkennen, die wir sonst nicht erkennen würden. Datenwissenschaftler stellen dem Algorithmus für unüberwachtes maschinelles Lernen einen riesigen Datensatz zur Verfügung - beispielsweise alle Online-Verhaltensweisen von Verbrauchern, die eine Couch gekauft haben -, um aussagekräftige Hinweise zu entdecken.
Was ist natürliche Sprachverarbeitung (NLP)?
Die Verarbeitung natürlicher Sprache ist ein Fachgebiet, das sich an der Schnittstelle zwischen Linguistik, Informatik und KI befindet. NLP befasst sich mit der Interaktion zwischen Computern und menschlicher Sprache und mit der Frage, wie Computer so programmiert werden können, dass sie große Mengen an natürlichsprachlichen Daten verarbeiten und analysieren können.
Wie AI Vermarktern hilft, Kunden mit hohem LTV zu akquirieren
Sowohl überwachtes maschinelles Lernen als auch unüberwachtes maschinelles Lernen helfen Vermarktern dabei, sich auf hochwertige Kunden zu konzentrieren. Beim überwachten maschinellen Lernen kann ein Algorithmus Attribute und Verhaltensweisen Ihrer bestehenden Kunden untersuchen, um wichtige Muster zu erkennen. So kann er zum Beispiel ihr Online- und Offline-Verhalten untersuchen, um relevante Muster zu erkennen, die wichtige Anzeichen dafür sein können, dass sie für ein bestimmtes Produkt oder eine bestimmte Marke auf dem Markt sind.
Sobald die Maschine Muster identifiziert, die auf ein kurzfristiges Interesse an einem Produkt hindeuten, kann sie verstehen, was jemanden zu einem neuen Kunden für Ihre Marke machen könnte. Auf der Grundlage dieser Erkenntnisse können Sie dann ein Zielgruppensegment für benutzerdefiniertes Messaging und Targeting erstellen.
Beachten Sie, dass der Algorithmus einen Datenwissenschaftler benötigt, der ihm den Unterschied zwischen "dies ist ein Verbraucher, der Sportbekleidung gekauft hat" und "dies ist ein Verbraucher, der keine Sportbekleidung gekauft hat" beibringt.
Überwachtes maschinelles Lernen bei der Arbeit
Beim unüberwachten maschinellen Lernen sucht der Algorithmus nach Mustern in den Daten, ohne dass der Vermarkter Eingaben oder Anweisungen macht. Er fragt einfach: "Was sagen die Daten über unsere wertvollen Kunden aus?" Ein wesentlicher Vorteil des unüberwachten maschinellen Lernens besteht darin, dass es Vermarktern ermöglicht, eine Population bestehender und potenzieller Kunden auf dem Markt zu segmentieren und unerwartete Chancen aufzudecken. So kann ein Algorithmus für unüberwachtes maschinelles Lernen beispielsweise herausfinden, dass Verbraucher, die ein bestimmtes Produkt kaufen, eine höhere Neigung haben, ein anderes, völlig unverbundenes Produkt zu kaufen, was eine nützliche Erkenntnis bei der Suche nach neuen Kunden ist.
Unüberwachtes maschinelles Lernen bei der Arbeit
Im Gegensatz zu Vermarktern haben Maschinen keine vorgefassten Meinungen darüber, wer die Kunden einer Marke sind, und das ist ein echter Vorteil dieser Art von KI. Durch die Analyse der Verhaltensdaten der Verbraucher und die Erkennung, welche Nutzer sich am ähnlichsten sind, kann der Algorithmus Gruppen von Nutzern aufdecken, die sich ähnlich verhalten. Als Vermarkter können Sie diese Erkenntnisse nutzen, um neue Kunden-Personas zu erstellen und Verbraucher anzusprechen, die diesem Profil entsprechen und für Ihre Marke völlig neu sind.
NLP hat auch für Vermarkter viele nützliche Anwendungen. Es kann zum Beispiel die Keyword-Strategie Ihrer Konkurrenten analysieren und herausfinden, welche Begriffe Besucher auf deren Websites führen und nicht auf Ihre. Es kann Werbetexte für jede Ihrer Kunden-Personas im Handumdrehen erstellen. Und NPL ist entscheidend für Onsite-Funktionen wie Chatbots - eine Software, die menschenähnliche Unterhaltungen simulieren kann.
Durch die Nutzung der Möglichkeiten des maschinellen Lernens und der Verarbeitung natürlicher Sprache können Marktforscher deutlich besser verstehen, wer ihre Kunden mit hohem LTV sind und wo sie ähnliche Kunden finden, die für ihre Marken völlig neu sind. Außerdem erhalten sie tiefe Einblicke in die Art und Weise, wie sie neue Kunden auf ihre Websites locken und wie sie sie am besten ansprechen können, damit sie zu langfristigen treuen Kunden werden.
