Grundlagenwissen Artificial Intelligence im Marketing, Teil 1

KI ist gekommen, um zu bleiben

| Autor / Redakteur: Patrick Edlefsen / Nico Litzel

Der Autor: Patrick Edlefsen ist Managing Director DACH von Sizmek
Der Autor: Patrick Edlefsen ist Managing Director DACH von Sizmek (Bild: Sizmek)

Wie wird Künstliche Intelligenz unser Leben beeinflussen? Die Erwartungen reichen von virtuellen persönlichen Assistenten, über vollautomatisierte Produktionsstätten bis hin zu übergreifend intelligenten maschinellen Wesen mit menschlichem bzw. übermenschlichem Potenzial. Doch ist unsere Vorherrschaft als intelligenteste Spezies tatsächlich in Gefahr? Oder ist die Echtzeitauswertung- und Verarbeitung der Gesamtheit unserer Sinne so komplex, dass technische Infrastruktur und Echtzeitdatenverarbeitung unüberwindbare Hindernisse darstellen?

Um all diese Fragen beantworten zu können, lohnt sich ein Blick in die Vergangenheit. Was vor einigen Jahren allein schon aufgrund fehlender Ressourcen unmöglich schien, ist durch die infrastrukturelle Entwicklung bereits Realität: Datenspeicherung in leistungsfähigen Rechenzentren, die für KI-Anwendungen unabdingbar ist und kontinuierlich größere Kapazitäten erfordert, ist heute zu einem Bruchteil der Kosten möglich, die noch vor zwanzig Jahren angefallen wären. Genauer gesagt war Speicher im Jahr 2000, passenderweise, noch 2000-mal teurer als heute. Erst durch die Verfügbarkeit kostengünstigen Speicherplatzes wird die Nutzung von KI im kommerziellen Maßstab realisierbar. Was nicht heißen soll, dass die Invasion der Technologie kurz bevorsteht, ganz im Gegenteil.

KI ist nicht gleich KI – Qualitätsmerkmale, Definition und Learnings

Grundlagenwissen Artificial Intelligence im Marketing, Teil 2

KI ist nicht gleich KI – Qualitätsmerkmale, Definition und Learnings

24.10.18 - Schach spielen, Aktien handeln und Auto fahren: Aufgaben, die wir so gut beherrschen, dass wir in der Lage sind, die zugrunde liegenden Prinzipien zu abstrahieren und sie künstlich intelligenten Maschinen beizubringen. Da die Fähigkeiten, die eine KI erlernt und anwendet, meist sehr spezifisch sind, lassen sie sich selten bzw. nur partiell auch auf andere Aufgaben übertragen. lesen

Manfred Spitzer, ärztlicher Direktor der Universitätsklinik Ulm, schätzt die Datenmenge eines durch eine Großstadt navigierenden Menschen auf ca. 100 Megabyte pro Sekunde. Könnten wir mit vergleichbarer Geschwindigkeit Texte lesen, wären wir in der Lage, pro Minute in etwa 33.000 Bücher zu verarbeiten. Es ist also unwahrscheinlich, dass menschliches oder gar übermenschliches Potenzial bzw. technologische Singularität – also der Zeitpunkt, ab dem sich selbst induzierte Lernprozesse Künstlicher Intelligenz derart beschleunigen, dass unsere Zukunft danach unabsehbar ist – in absehbarer Zeit erreichbar werden. Dennoch übersteigen Maschinen schon heute die menschliche Leistungsfähigkeit um ein Vielfaches – allerdings nur in sehr spezifischen Anwendungsbereichen.

KI = Machine Learning = Deep Learning?

Wir können uns also vorerst zurücklehnen, die dystopischen Zukunftsszenarien hyperintelligenter Maschinen als seit jeher mit der Beschaffenheit des Themas einhergehende Neophobie abtun und nüchtern betrachten, wozu eine KI imstande ist und wie wir von ihrem Potenzial wirtschaftlich und im Hinblick auf spezifische Wertschöpfungsprozesse profitieren können. Wir nehmen den Einsatz von KI nur in den seltensten Fällen wahr und wenn wir es tun, reduzieren wir die Leistung selbstlernender Algorithmen auf „verbesserte Software”.

Künstliche Intelligenz, Machine Learning und Deep Learning – alles Buzzwords, die sich täglich in der Presse, in Meetings und sogar beim Kaffeeklatsch wiederfinden. Die Begriffe werden wild durcheinandergewürfelt und als Synonym verwendet – was sie bedeuten und weshalb sie eben keine Synonyme sind wissen dabei die wenigsten. Wie auch? Denn obwohl die akademische Forschung artifiziellen Intellektes bis in die 1950er-Jahre zurückreicht, gibt es bis heute weder eine einheitliche Definition noch universelle Terminologie.

Grundsätzlich verstehen wir unter einer KI jedes Computerprogramm, das über die schlichte Erfüllung eines programmierten Befehls hinaus Erfahrungen und einzigartige Merkmale identifiziert und clustert, um neue Probleme ohne explizit definierten Lösungsweg zu verstehen und zu lösen. KI birgt somit enormes Potenzial für Anwendungen, die automatisieren, analysieren und Vorhersagen treffen. Für Marketer bedeutet dies beispielsweise aufwendige Datenanalysen abgeben zu können, um mehr kreative Kapazität für höherwertige Aufgaben zu schaffen.

KI-Anwendungen in der Marketing-Wildnis

Mehr Kapazitäten und weniger lästige Analyseaufgaben dank automatisiert ablaufender KI-Anwendungen klingt ohne Zweifel gut, aber in welchen Szenarien finden KI-Lösungen Anwendung? Was gibt es für KI-Lösungen und wie funktionieren sie? Welche von ihnen kommen schon heute im Marketing-Mix vor und wie lassen sie sich einsetzen, um die eigene Reichweite und Wirkung zu verbessern?

Es gibt aktuell vier grundlegende KI-Anwendungen im Marketing: Predictive Analytics, Natural Language Processing, Recommender Systems und Image Recognition. Jede dieser Anwendungen ist für sich gesehen eine KI. Sie werden häufig gemeinsam eingesetzt und als System wiederum als KI bezeichnet. So verschwimmen Begriffe und sind nicht mehr klar voneinander zu trennen, weshalb es auch so schwierig ist, die Versprechen von KI-Anbietern zu verstehen und zu überprüfen. Nachfolgend eine Übersicht der vier im Marketing eingesetzten KI-Anwendungen:

Predictive Analytics verwenden Datenwissenschaft, Statistik und diverse KI-Tools, um Vorhersagen zu treffen. Je mehr Daten dem System zur Verfügung stehen, desto genauer die Vorhersage. Zahlreiche Unternehmen verwenden Predictive Analytics, um ihren Marketing-ROI zu optimieren, indem sie aussagekräftige Insights aus ihren gesammelten Datensätzen generieren. Zudem wenden sie systematisch statistische Methoden an, um neue Leads zu generieren und zu priorisieren, spezifische Targeting-Listen zu erstellen und eine aufmerksamkeitsfördernde Customer Experience bieten zu können. Das Marktforschungsunternehmen Gartner sagt dazu: „Artificial Intelligence will liberate Insights from Big Data.“

  • Natural Language Processing (NLP) bringt Maschinen bei, wie Menschen untereinander kommunizieren, damit wir keinen Binärcode lernen müssen, um mit Maschinen zu kommunizieren. Wir sind alle mit grundlegenden NLP-Anwendungen vertraut, sie verleihen virtuellen digitalen Assistenten wie Siri und Alexa die Fähigkeit gesprochene oder geschriebene Inhalte zu verstehen und darauf zu antworten. Auch Chatbots verwenden NLP, um in Online-Chats Transaktionen zu rationalisieren und die Brand Experience zu verbessern. Es ist dank NLP sogar möglich, Emotionen wie Freude, Ärger oder Dringlichkeit anhand der Stimme zu erkennen, ohne vordefinierte Keywords dafür zu nutzen.
  • Recommender Systems nutzen die Historie eines Nutzers, um Empfehlungen zu geben. Wenn uns etwa Netflix wieder einmal eine neue Serie ans Herz legt, passiert das auf Basis dessen, was wir bisher konsumiert haben und welche Merkmale das Gesehene aufweist. Marketer können auf Grundlage des digitalen Habitus des Users die Conversion Rate optimieren, indem sie bestimmte Werbeinhalte boosten und spezifische Elemente dynamisch anpassen, auf die der User mit höherer Wahrscheinlichkeit klicken wird.
  • Image Recognition erkennt dank KI Bildinhalte und sogar komplexe Bildmuster, die ein Mensch nicht erkennen könnte. Beispielsweise nutzen viele mobile Apps Image Recognition, um Produkte und Logos, ähnliche Objekte und unsere Freunde auf Bildern zu erkennen. Wird etwa ein Produkt erkannt, kann die App zusätzliche Informationen liefern und ähnliche Produkte derselben Marke, Farbe oder Art vorschlagen. Marketer können genau erkennen, wo und in welchem Kontext Unternehmenslogos und Flagship-Produkte auftauchen. Der Kontext des Bildes kann sogar Auskunft zur individuellen Wahrnehmung des Produkts und Unternehmens liefern.

Diese separaten KI-Anwendungen laufen zwar per se eigenständig ab, sind aber in der Regel Teil eines ganzheitlichen Systems. Wenn etwa ein Kunde mit einem Unternehmen in Kontakt tritt, weil er ein ausgelaufenes Produkt sucht, könnte sich folgendes Szenario ergeben: Der Kunde nimmt mittels eines Messagingdienstes Kontakt auf und ein Chatbot (NLP) fragt ihn nach einem Foto des Produkts. Image Recognition erkennt das fotografierte Objekt und ein Recommender System sucht in der aktuellen Produktpalette nach ähnlichen Produkten. Predictive Analytics bestimmen die Wahrscheinlichkeit einer umgehenden Conversion und für den Fall, dass kein Kauf abgeschlossen wird, können bei Retargetingmaßnahmen dynamisch angepasste Werbeinhalte platziert werden. Künstliche Intelligenz ist also längst nicht mehr Science-Fiction sondern Business Fact.

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 45394542 / Künstliche Intelligenz)