W&V Data Marketing Day 2017:
Wie Machine Learning Marketern helfen kann
Künstliche Intelligenz und Machine Learning verändern die Suche nach Informationen – nicht nur für den Konsumenten, sondern auch für Marketer.
Foto: W&V Archiv
Bereits im Herbst 2015 ließ der Suchmaschinengigant Google die Bombe platzen. Ein Blick in die damals veröffentlichten Bilanzen offenbarte erneut erhebliche Investitionen in die Bereiche Machine Learning und Künstliche Intelligenz, womit sich ein bereits länger kursierendes Gerücht bestätigte. Google hatte begonnen, einen signifikanten Teil der millionenfachen Suchanfragen von einer Künstlichen Intelligenz verarbeiten zu lassen. Mittlerweile gehört der "Rank Brain" getaufte Algorithmus zu einem der wichtigsten Faktoren.
Googles "Rank Brain" kann Wörter, Phrasen und Sätze nicht nur semantisch interpretieren und ihnen im Zusammenhang mit der Suchanfrage des Nutzers eine über die tatsächlich benutzten Wörter hinausgehende Bedeutung zuweisen. Bei doppeldeutigen oder unbekannten Wörtern "errät" das System, worum es dem Nutzer geht, bildet daraus neue relevante Verknüpfungen und erlernt im Laufe der Zeit neue Bedeutungen.
Die Bestätigung durch Googles Senior Research Scientist, Greg Corrado, machte eine ganze Reihe von Suchmaschinenoptimierer höchst nervös. Ein intelligentes, selbstlernendes System lässt sich nur wesentlich umständlicher erforschen, schwieriger austricksen und kaum noch manipulieren, da der Algorithmus wesentlich schneller Muster und Gesetzmäßigkeiten erkennt und diese auf neue Websites und Suchmuster übertragen kann. Die tatsächliche Intention eines Nutzers rückt in den Fokus, die vermeintlich allgemeingültige Relevanz einer Website wird mit jeder individuellen Suchanfrage "aufs Neue" berechnet.
Parallel zu dieser Entwicklung investieren Google und Unternehmen wie Microsoft oder Adobe enorme Summen in die Erkennung anderer Medien. So hat sich im Laufe der zurückliegenden Jahre die Fähigkeit zur Erkennung und Zuordnung von Bildern dramatisch verbessert. Deren Inhalt kann bereits seit geraumer Zeit auf bekannte Motive und Gegenstände gescannt werden, die Erkennung des Eiffelturms, eines Fahrrads, einer Personengruppe oder eines Tieres ist für die Systeme überhaupt kein Problem mehr. Vielmehr sind die Systeme mittlerweile in der Lage, ein Bild über die einzelnen Gegenstände hinaus als Ganzes zu erfassen und zu erkennen, dass beispielsweise "ein lächelndes jüngeres Paar mit zwei Fahrrädern an einem Sommertag vor dem Eiffelturm" posiert. In der Folge konzentrieren sich die Entwickler auf die Interpretation des Bildes, auf seine tatsächliche Bedeutung, über das reine Motiv hinaus.
Die momentan rasante Entwicklung der Technologien basiert auf einigen Faktoren. Zum einen ist es mit der Verfügbarkeit enormer Rechen- und Speicherkapazitäten erstmals in der "Geschichte der Suche" überhaupt möglich, diese enormen Datenmengen in einer adäquaten Performance und Skalierbarkeit zu verarbeiten. Zum anderen ist es auch zwingend nötig, denn nur über automatisch erfassbare, kategorisierbare, bewertbare und im jeweiligen Kontext einzuordnende Daten wird man die enorm wachsende Menge an Informationen sinnvoll nutzen können.
"Machine Learning" umfasst also die automatisierte Entwicklung von Algorithmen auf der Grundlage erkennbarer Muster innerhalb eines großen Datenbestandes. Wird ein solches Muster in einer zuvor definierten Genauigkeit erkannt, kann es in der weiteren Entwicklung der Algorithmen automatisch berücksichtigt werden.
Die daraus resultierende beziehungsweise wechselwirkend arbeitende Künstliche Intelligenz von Algorithmen basiert in der Regel auf Neuronalen Netzwerken. Hierbei handelt es sich um einen Verbund von Algorithmen, die für die Erkennung der entsprechenden Muster und Regelmäßigkeiten verantwortlich sind und deren Relevanz einordnen. Algorithmen in solchen Neuronalen Netzwerken können gleichberechtigt nebeneinander oder in verschiedenen Ebenen oder Instanzen arbeiten. So können zum Beispiel bestimmte Algorithmen die zuvor von anderen Algorithmen gewonnen Erkenntnisse verifizieren, mit anderen Signalen und Mustern abgleichen und daraus die tatsächliche Relevanz der Daten ableiten.
KI für Marketer: Mobiles Data-driven Cross-Channel Marketing
Selbstverständlich lassen sich die mit künstlicher Intelligenz gewonnen Erkenntnisse in vielfältiger Weise auch für Marketer nutzen - genau genommen dürfte dies ein treibender Faktor zum Beispiel bei Google sein. Schließlich spielt es für das Unternehmen eine entscheidende Rolle, dass neben möglichst relevanten Suchergebnissen auch möglichst relevante Werbeanzeigen ausgespielt werden, deren Klassifizierung letztendlich auf denselben Mustern, Regeln und Mechanismen basiert. Facebook verfolgt einen vergleichbaren Ansatz und versucht bereits seit geraumer Zeit, verschiedene Inhalte - Bilder, Videos, Posts und Anzeigen - abhängig von den unterschiedlichsten Nutzersignalen auszuspielen oder auszublenden.
In diesem Zusammenhang wächst die Bedeutung der Parameter, die nicht zwingend offensichtlich sind, aber durchaus gezielt "getriggert" werden können. Es ist mehr oder weniger einleuchtend, dass Facebook und Google in absehbarer Zeit immer öfter dazu übergehen werden, ein zuvor erkanntes Konsumentenverhalten einer definierten Gruppe oder einer einzelnen Person bei der Ausspielung von Werbeanzeigen zu berücksichtigen. Theoretisch wäre es besonders für Facebook bereits möglich, basierend auf dem momentanen Verhalten eines Nutzers in Echtzeit Rückschlüsse auf dessen "Stimmung" zu ziehen, die wiederum maßgeblich seine aktuelle Interaktions- oder sogar Kaufbereitschaft mit einer bestimmten Marke oder für ein bestimmtes Gut beeinflussen könnte.
Marketer können - wiederum mit der Unterstützung von Künstlicher Intelligenz - ein unter Umständen auch nur potentiell mögliches Verhalten eines Kunden gezielt aufgreifen, in dem sie für den entsprechenden Fall ein Szenario oder "Muster" entwerfen. Mit gezielt für den jeweiligen Fall vorbereiten bzw. tatsächlich nur zum passenden Zeitpunkt, am passenden Ort oder für die passende Person ausgespielten Werbemitteln kann das Marketing Momentum exakt genutzt werden.
Fester Bestandteil solcher Bestrebungen sollte selbstverständlich die Messung und Evaluierung der Resultate sein, um daraus (im Idealfall in Echtzeit) neue und bessere Erkenntnisse in der fortlaufenden Kampagne abzuleiten. Über eine entsprechende Analyse könnten zum Beispiel die Werbemittel mit der höchsten Relevanz und der besten Performance kanalübergreifend eingesetzt werden, sofern sich auf mehreren Kanälen entsprechende Parallelen innerhalb eines einmal erkannten Musters zeigen.
Eine weitere Möglichkeit wäre zum Beispiel die Verknüpfung von zuvor nicht in Verbindung gebrachten ortsbasierten Daten. Zeigen sich dabei rückblickend personalisierte Regelmäßigkeiten, können die Erkenntnisse aus verschiedenen Kampagnen unter Umständen vorausschauend miteinander verknüpft werden. So wird der Vielflieger nicht nur zum Mietwagen-Kunden oder Hotelgast, sondern bei seiner Landung abends um 21 Uhr auch zum Interessenten für einen Coffee-to-go. Zu wissen, dass man ihn just in diesem Moment wesentlich besser auf einem bestimmten Channel erreicht, ist dann elementar.
Lernen Sie mehr zum Thema "Machine Learning" auf dem W&V Data Marketing Day 2017. Zum Programm geht es hier.
Machine Learning verändert die Welt der Suche nach Informationen – nicht nur für den Konsumenten, sondern auch für Marketer. Digitale Assistenten unterstützen die Suche nach Auffälligkeiten im Konsumentenverhalten, nach Bildern, die Marken-Botschaften unterstreichen oder nach Kanälen, mit denen Konsumenten am besten erreicht werden – Machine Learning verändert die Suche nach Insights wie nie zuvor.
Dr. Thomas Meyer, Director Business Development, Adobe Central Europe
