KI im Marketing: Erläuterung, Chancen, Beispiele
- Günther Klee
- 15.06.2023
- Digitalisierung
Inhaltsverzeichnis
Was versteht man unter künstlicher Intelligenz (KI) im Marketing?
Künstliche Intelligenz im Marketingkontext meint den Einsatz von Algorithmen und statistischen Modellen, um Marketingmitarbeiter zu unterstützten oder um Aufgaben sogar komplett zu automatisieren. Welche Methode(n) aus dem breiten Fachgebiet der KI konkret Anwendung finden, hängt von der Aufgabenstellung ab. Sehr häufig werden Algorithmen aus dem Gebiet des Machine Learning genutz (darunter fällt auch Deep Learning), um ein breites Aufgabenspektrum von der Analyse, Vorhersage, Optimierung und im zunehmenden Maße auch Content-Erstellung abzudecken. Die Einsatzmöglichkeiten vom Machine Learning sind sehr vielfältig, es gilt allerdings auch hier: “Wer als Werkzeug einen Hammer hat, sieht in jedem Problem einen Nagel.” Oft lassen sich auch mit “traditionellen” statistischen Ansätzen (z.B.: Prognosemodelle) sehr gute Ergebnisse bei geringerem Aufwand erzielen. Solche Modelle sind für “echte” Mitarbeiter wesentlich leichter nachvollziehbar und interpretierbar, als ein automatisch generiertes Maschine Learning Modell oder gar ein Deep Neural Network.
Welche Chancen bietet KI im Content-Marketing?
KI kann bei der Erstellung von Content wie Artikeln, Produktbeschreibungen, Social-Media-Posts zu einem gewissen Grad ohne menschliche Unterstützung übernehmen. Generierte Inhalte können zudem granular auf einzelne Personen zugeschnitten werden. Basierend auf gesammelten Daten wie Vorlieben, Verhaltensweisen oder demografischen Informationen kann die KI personalisierte Produktempfehlungen und Inhalte erstellen. Auch die Verteilung des Contents kann mithilfe von KI optimiert werden: durch die Analyse des Nutzerverhaltens wird bestimmt, wie und wann Inhalte am besten veröffentlicht werden sollten. Eine KI kann einem menschlichen Mitarbeiter als Assistent in der Contenterstellung zu Seite stehen. Ein gängiger Anwendungsfall dabei ist die Content-Optimierung - die KI analysiert zum Beispiel, welche Arten von Inhalten bei welchen Zielgruppen am besten funktionieren. Mittels A/B-Tests erhält eine KI Einsichten in die Performance unterschiedlicher Varianten gewinnen und Empfehlungen abgeben. Auch im Hinblick auf Suchmaschinen können Inhalte optimiert werden, indem die KI Keyword-Analysen durchführt und die Erstellung von Meta-Tags und Meta-Beschreibungen übernimmt.
KI-Tools im Content-Marketing: Erstellung von Texten und Artikeln
- ChatGPT… bedarf wohl keiner Vorstellung - es kann Texte generieren und Fragen beantworten, wobei die Ergebnisse in natürlichen Sprachen ausgegeben werden. Neben dem Texten von Artikeln, Beiträgen, Anschreiben, etc. kann der Chatbot auch genutzt werden, um Code-Abschnitte auszugeben oder Texte nach eingegeben Qualitätskriterien zu optimieren.
- Grammarly ist ein Tool zur Grammatik- und Rechtschreibprüfung, das KI nutzt, um Fehler in Texten zu erkennen und anschließend Vorschläge zur Verbesserung von Grammatik, Rechtschreibung und Schreibstil zu liefern
KI-Tools im Content-Marketing: Content-Personalisierung und Produktempfehlungen
- Sitecore Personalize erstellt personalisierte Inhalte und testet deren Performance (A/B-Tests), um die individuellen Präferenzen und Verhaltensmuster von Benutzern auf unterschiedlicher Plattformen zu analysieren und dementsprechend maßgeschneiderte Inhalte auszuspielen.
- Clerk.io ist ein KI-Plugin für die Erstellung personalisierter Produktempfehlungen und für die Navigation in einem Webshop. Mithilfe von Machine Learning Algorithmen werden personalisierte Empfehlungen auf Basis des Benutzerverhaltens generiert.
Welche Chancen bietet KI im Online-Marketing?
Die große Stärke von KI-Tools liegt in deren Fähigkeit, riesige Mengen an Daten zu analysieren - so können sie Trends identifizieren, Muster erkennen und Vorhersagen treffen. KI in seinen unterschiedlichen Formen ist ein wichtiges Werkzeug, um eine datengesteuerte Marketingstrategie in der Praxis realisierbar zu machen. KI-Tools finden und analysieren relevante Faktoren, um Zielgruppenprofile zu erstellen und zu optimieren. Dies ermöglicht eine genauere Ausrichtung von Anzeigen auf diejenigen User, die am ehesten auf sie reagieren (und in der Folge konvertieren).
Mit der Erstellung und Auslieferung von personalisierten Werbeanzeigen - basierend auf dem individuellen Verhalten und den Interessen der Nutzer - werden subjektiv relevantere und ansprechendere Anzeigen erstellt und somit die Konversionsraten erhöht. Große Datenmengen werden nahezu in Echtzeit ausgewertet und liefern sofortige Einblicke in die Performance von Anzeigen und Kampagnen. KI-Tools können durch maschinelles Lernen die Wahrscheinlichkeit von Klicks/Conversions für bestimmte Anzeigen und Zielgruppen antizipieren. Den Marketern hilft dies sehr bei der Budgetplanung und bei der Priorisierung von vielversprechenden Kampagnen.
KI-Tools im Online-Marketing: Zielgruppenanalyse
- Google Analytics ist allseits bekannt und nutzt KI für die Segmentierung von Zielgruppen anhand verschiedener Kriterien (z.B. demografische Merkmale, Verhaltensweisen, Interessen). Es konzentrierte sich konzentriert sich hauptsächlich auf die Analyse von Website- und App-Daten, um Einblicke in das Benutzerverhalten zu gewinnen und die Effektivität von Marketingkampagnen messen zu können.
- Sitecore CDP ermöglicht die Zusammenführung von Kundendaten aus internen (Apps, Shops, Websites, etc.) und externen (Partnerunternehmen, Google, etc.) Quellen. Sein Augenmerk liegt auf der zentralen Verwaltung, mit dem Ziel einer eine umfassende Analyse von Zielgruppen und deren Customer Journeys. Machine Learning wird genutzt, um Muster und Ähnlichkeiten in großen Datenmenge zu erkennen, aber auch um eine Zusammenführung von strukturell unterschiedlichen Datensätzen zu ermöglichen.
KI-Tools im Online-Marketing: Performance
- AdRoll wird für Display-Werbung und Retargeting genutzt - mit der Hilfe von KI-Algorithmen werden Anzeigen auf Grundlage des Benutzerverhaltens optimiert. Durch die Auswertung von Daten wie Klickverhalten, Interessen oder Standort der Benutzer ist es in der Lage hochgradig relevante Anzeigen auszuspielen.
- Google Ads nutzt KI auf vielfältige Weise: Beim Smart Bidding beispielsweise werden Gebote automatisch angepasst und die Performance zu verbessern. Responsive Search Ads hingegen nutzen die Technologie, um verschiedene Anzeigenkombinationen zu testen und die besten Ergebnisse zu erzielen.
Marketing-Beispiele für KI-Anwendungsfälle
Beispiel: Customer Lifetime Value prognostizieren
Ein E-Commerce-Unternehmen möchte den CLV für seine Kunden prognostizieren, um personalisierte Marketingstrategien zu entwickeln und so die Kundenbindung zu verbessern. Das Unternehmen sammelt historische Daten über seine Kunden, darunter Informationen wie Kaufverhalten, Bestellhistorie, Kaufhäufigkeit, durchschnittlicher Bestellwert, Interaktionen auf der Website usw. Es können verschiedene Algorithmen eingesetzt werden, um den CLV vorherzusagen. Ein möglicher Ansatz wäre ein neuronales Netzwerk, das auf den historischen Kundendaten trainiert wird. Das neuronale Netzwerk analysiert die Merkmale der Kunden und erlernt komplexe Zusammenhänge zwischen diesen Merkmalen und dem zukünftigen CLV. Nach dem Training kann das so trainierte Modell eingesetzt werden, um den CLV für neue Kunden vorherzusagen. Anhand der Kundendaten, die das Unternehmen über einen neuen Kunden hat (z. B. erste Bestellung, Produktkategorie, geografische Informationen usw.), kann das Modell den zukünftigen CLV für diesen Kunden abschätzen. In weiterer Folge wird Unternehmen personalisierte Marketingmaßnahmen entwickeln, um die Kundenbindung zu fördern, Cross-Selling-Strategien umzusetzen oder Rabattangebote zu machen, die den CLV steigern bzw. maximieren.
Beispiel: Kündigungsprävention durch KI
Ein Streaming-Service-Anbieter möchte mithilfe von künstlicher Intelligenz Kundenidentifikations- und Präventionsstrategien entwickeln, um Kunden zu halten, die eine Kündigung in Erwägung ziehen. Das Unternehmen sammelt umfangreiche Daten über das Kundenverhalten: Nutzungsverhalten, die Interaktionen mit der Plattform, die Vorlieben bei Inhalten und vieles mehr. Ein Machine Learning Algorithmus wird entwickelt, oder - genauer gesagt - auf den gesammelten Daten trainiert. Der Algorithmus lernt, Muster und Zusammenhänge zwischen verschiedenen Kundeneigenschaften und der Kündigungstendenz zu erkennen. Das Modell könnte beispielsweise feststellen, dass Kunden, die bestimmte Genres bevorzugen, eine höhere Bindung an den Streaming-Service haben und nur mit geringer Wahrscheinlichkeit kündigen. Ziel für das Unternehmen kann sein, anhand der Kundendaten eines bestimmten Kunden (z. B. Inaktivität, Abnahme der Nutzungshäufigkeit, Veränderung der Interaktionsmuster) die Wahrscheinlichkeit einer Kündigung zu berechnen. Auf Grundlage dieser Vorhersagen werden gezielte Maßnahmen ergriffen, um die Kündigungswahrscheinlichkeit wieder zu verringern: beispielsweise eine E-Mail-Kampagnen n mit individuell zugeschnittenen Sonderangeboten.
Beispiel: Preisoptimierung durch KI
Ein Online-Reisebüro möchte seine Preisstrategie für Flugtickets optimieren, um den Umsatz zu maximieren. Das Unternehmen hat Zugriff auf umfangreiche Daten über vergangene Buchungen, Preise, Nachfrage, Saisonalität, Flugstrecken und andere relevante Faktoren. Ein möglicher Ansatz besteht darin, ein Machine Learning Modell zu trainieren, das die Preiselastizität der Nachfrage analysiert. Das Modell kann feststellen, wie sich die Buchungsraten bei unterschiedlichen Preisen verhalten und welche Faktoren die Preisempfindlichkeit der Kunden beeinflussen, z. B. Reisetrends, Ferienzeiten oder die Beliebtheit bestimmter Reiseziele. Basierend auf diesen Erkenntnissen kann das Modell dynamische Preisstrategien entwickeln. Es kann Preisanpassungen in Echtzeit vornehmen, um die Nachfrage zu maximieren und die Auslastung der Flüge zu optimieren. Faktoren wie die Auslastung der Flugzeuge, die Konkurrenzsituation, die Verfügbarkeit von Sitzplätzen und die individuellen Kundenvorlieben werde dabei berücksichtigt. Das Unternehmen kann auch das Prinzip des dynamischen Preissystems anwenden, bei dem die Preise basierend auf dem Prinzip von Angebot und Nachfrage automatisch angepasst werden. Die Preise der Konkurrenz werden überwacht und fließen in die Optimierung mit ein: das Ergebnis sind wettbewerbsfähige Preise bei möglichste hoher Gewinnmarge.
Fazit: KI-gestütztes Marketing setzt sich durch
Künstliche Intelligenz hält Einzug in allen Unternehmen. Der Einsatz von KI im Marketing ist insbesondere für solche Unternehmen ein Vorteil, wo große Mengen an Kundendaten generiert und verarbeitet werden. Dies typischerweise der Fall in folgenden Branchen:
- E-Commerce-Unternehmen: z.B. für Produktempfehlungen, Preisoptimierung, Bestandsmanagement, Betrugserkennung
- Finanzdienstleister: z.B. zur Analyse des Kundenverhaltens, Betrugserkennung, Risikobewertung, personalisierte Finanzempfehlungen
- Telekommunikationsunternehmen: z.B. zur Segmentierung von Kundengruppen, personalisierten Angebotserstellung, Churn-Prävention, Optimierung von Kundenerfahrungen, Chatbots im Kundenservice
- Medienunternehmen: z.B. für personalisierte Inhalte, Empfehlungsalgorithmen, Zielgruppenanalyse, Content-Erstellung.
- Reise- und Gastgewerbe: z.B. zur personalisierten Angebotserstellung, Preisoptimierung, Kundensegmentierung, Buchung per Chatbot-Interaktion, Spracherkennungstechnologien
- Gesundheitswesen: z.B. für personalisierte Gesundheitsempfehlungen, Patientensegmentierung, Früherkennung von Krankheiten
Bei diesen Paradebeispielen handelt sich um Vorreiter bei KI-unterstütztem Marketing.
Die Technologie ist jedoch keinesfalls auf diese Branchen beschränkt und auch Unternehmen außerhalb dieser Sektoren können maßgeblich profitieren - sofern sie über eine ausreichende Menge and Daten in ausreichender Qualität zu Kunden und Interessenten verfügen.