Doch es gibt noch Entwicklungspotenzial. Deep-Learning-Tools sind der nächste große Bereich der KI-basierten Forschung und werden eine Welle zukünftiger Innovationen in allen Branchen auslösen – und damit eine neue Ära des Marketings einläuten, von der sowohl Werbetreibende als auch Endnutzer profitieren werden.
Unsere Benutzeroberflächen haben sich bereits an die individuellen Interessen der Nutzer angepasst und verknüpfen Brancheneinblicke und Verhaltensmuster mit personalisierter Werbung. Doch Deep-Learning-Algorithmen werden noch mehr leisten.
Deep Learning verändert unsere Vorstellung von Effektivität. Es ist das vielversprechendste Forschungsgebiet der KI und findet Anwendung in Google Translate, den autonomen Fahrzeugen von Tesla oder dem Bilderkennungsmechanismus von Yahoo. Auch in zukunftsweisenden Bereichen wird es eingesetzt.
Googles DeepMind-KI kann Fernsehsendungen besser von den Lippen ablesen als ein Profi (ein menschlicher Experte erkannte nur 12.4 % der Wörter fehlerfrei, die KI hingegen 46.8 %). Diese Algorithmen haben bereits gegen die weltbesten Pokerspieler gewonnen und können sogar selbstständig einen Film inszenieren – wie Saatchi & Saatchi kürzlich beim Cannes Lions International Festival of Creativity demonstrierte.
Und natürlich wird auch die Werbebranche von Deep Learning profitieren. Eine kürzlich erfolgte Ankündigung von Coca-Cola deutet darauf hin, dass das Unternehmen KI-Bots einsetzen will, um Musik für Werbespots zu erstellen, Drehbücher zu schreiben, Beiträge in sozialen Medien zu veröffentlichen und Werbeflächen einzukaufen – was darauf schließen lässt, dass die Revolution der Deep-Learning-basierten Werbung näher denn je zu sein scheint.
Aus Sicht des Werbetreibenden: Selbstlernende Algorithmen, die intelligent auf unerwartete Situationen reagieren
Laut einer neuen Studie von Adlucent wünschen sich Verbraucher personalisierte Werbung. 71 % der Befragten bevorzugen Anzeigen, die auf ihre Interessen und ihr Kaufverhalten zugeschnitten sind. Die Studie ergab außerdem, dass die Wahrscheinlichkeit, dass Nutzer auf eine Anzeige einer unbekannten Marke klicken, fast doppelt so hoch ist, wenn die Anzeige auf ihre Präferenzen zugeschnitten ist.
Angesichts des zunehmenden Datenzugangs und des rasanten Wettbewerbs ist es für Marketer wichtiger denn je, die Informationsflut um die Nutzer zu verstehen – und gleichzeitig einfacher denn je. Ein typisches Personalisierungsmodell lässt sich ohne hochentwickelte Algorithmen realisieren, doch diese Grenze ist längst erreicht. Neue Deep-Learning-Algorithmen hingegen können unerwartete Situationen und verborgenes Potenzial aufdecken.
Stellen Sie sich beispielsweise vor, Sie haben den Geburtstag Ihres Freundes vergessen. Da nur noch zwei Tage bleiben, ist nicht mehr viel Zeit, um nach einem Produkt zu suchen, aber noch genug, um etwas Besonderes zu finden. In solchen Fällen kann eine hochpräzise Personalisierung den entscheidenden Unterschied machen, und Deep-Learning-Modelle können erkennen, dass Sie mit Begeisterung nach etwas suchen.
Ob es sich um eine plötzliche Verhaltensänderung oder einen scheinbar dringenden Einkaufsbummel handelt, ein typisches Modell wäre für diese Datenpunkte blind, aber Deep Learning kann die Zusammenhänge herstellen.
Ein tiefgreifendes Verständnis des Kaufverhaltens von Konsumenten ist für E-Commerce-Anbieter bisher nicht weit verbreitet, aber für Marketingfachleute unerlässlich. Beispielsweise lassen sich bei typischen, vorhersehbaren Verkaufsspitzen wie dem Black Friday oder dem Weltfrauentag relativ leicht Muster im Kaufverhalten erkennen. Deutlicher wird es, wenn es darum geht, individuelle Ereignisse mit einem sehr spezifischen Kontext zu identifizieren (wie etwa den bevorstehenden Geburtstag eines Freundes oder einen anderen unerwarteten Anlass).
Hier setzt Deep Learning an und löst traditionelle Methoden ab. Inspiriert von den biologischen Neuronen in unserem Gehirn, ermöglicht Deep Learning zuverlässigere, umfassendere und maschinenlesbare Nutzerbeschreibungen des Kaufpotenzials von Kunden – ganz ohne menschliches Fachwissen.
Im Gegensatz zum traditionellen maschinellen Lernansatz ist Deep Learning in der Lage, einen einzelnen Nutzer in einer Online-Menge herauszufiltern – eine Person, die zunächst wie ein chaotisch agierender Nutzer wirkt, aber tatsächlich das größte Potenzial besitzt, einen Kauf abzuschließen.
Dies ist möglich, da selbstlernende Algorithmen jeden potenziellen Kunden, der nach einem Produkt sucht, etwas anders definieren als übliche Modelle. Sie greifen auf die bisherige Suchhistorie zurück und erkennen, dass sich das Suchverhalten des Nutzers dynamisch verändert hat. Anschließend liefern sie äußerst präzise Konversionswahrscheinlichkeiten und lernen dabei nicht nur von einem einzelnen Nutzer, sondern von jedem Nutzer im Netzwerk.
Wenn das Geburtstagsgeschenk beispielsweise „neue Kopfhörer“ wären, würde Deep-Learning-basiertes Retargeting erkennen, dass der Nutzer schnell zehn verschiedene Modelle durchsucht, die technischen Daten prüft und die Auswahl auf eine Preisspanne eingrenzt. Es würde dies als ungewöhnliche, dringende Situation einstufen, während herkömmliche Algorithmen es lediglich als unentschlossenes und sprunghaftes Verhalten interpretieren oder es gar nicht erst wahrnehmen würden.
Da der Online-Shop weiß, dass der Kunde dringend etwas kaufen muss, kann er ihn automatisch dazu drängen, den Kauf in seinem jeweiligen Online-Shop abzuschließen.
Aus Nutzersicht: Deep-Learning-Algorithmen, die Ihre Wünsche vorhersagen
Wenn künstliche Intelligenz im Vertrieb von kommerziellen Produkten oder Dienstleistungen eingesetzt wird, wird sie zu einer einzigartigen Erweiterung unserer Persönlichkeit. Im Empfehlungssystem von Netflix funktioniert sie hervorragend, und viele Filme, die auf Netflix angesehen werden, basieren auf den durch Deep Learning optimierten Vorschlägen des Unternehmens.
Amazon setzt auch auf selbstlernende Algorithmen. Das patentierte, algorithmusbasierte System für „vorausschauenden Versand“ kann Kaufmuster von Kunden hochpräzise analysieren und Marke, Preisspanne und Produkt vorhersagen. Darauf basierend kann Amazon Produkte an Verteilzentren liefern, noch bevor eine Bestellung eingeht – und revolutioniert damit den E-Commerce.
Künstliche Intelligenz, insbesondere Deep Learning, ist das ideale Werkzeug, um die Wünsche der Nutzer in der Werbebranche vorherzusagen. Die Technologie vereinfacht unser alltägliches Nutzererlebnis durch hochgradig zielgerichtete Werbung, die nicht nur Produkte enthält, die wir mit höherer Wahrscheinlichkeit kaufen werden, sondern auch solche, die wir noch nicht gesehen oder an die wir noch gar nicht gedacht haben.
Stellen Sie sich vor, Sie haben gerade eine neue Kamera gekauft. Deep-Learning-Algorithmen analysieren jedes Detail Ihres Kaufverhaltens: Kaufdatum, Kameraspezifikationen, Nutzungshistorie usw. Die Algorithmen können Ihnen so Produktempfehlungen geben, die auf Ihre persönlichen Bedürfnisse zugeschnitten sind und über herkömmliche Vorschläge hinausgehen.
Kompatible Objektive, zusätzliche Speicherkarten oder ein Kamerastativ wären gute Empfehlungen, während Ihnen eine vorgeschlagene Videoanzeige mit einer Kameradrohne vielleicht etwas zeigt, woran Sie noch gar nicht gedacht haben – was Sie aber jetzt unterbewusst haben möchten.
Deep Learning ist deshalb so wirkungsvoll, weil es auf dieselbe Weise lernt wie Menschen, nur viel, viel schneller. Es analysiert die individuellen Bedürfnisse jedes Einzelnen, berücksichtigt dabei aber auch Daten von Millionen anderer und liefert Ergebnisse in Echtzeit. Das ist eine Leistung, die kein Mensch jemals vollbringen kann.
Deep-Learning-Tools für Werbetreibende werden die Art und Weise, wie wir Produkte empfehlen, grundlegend verändern. Dabei wird der Wert potenzieller Käufer sorgfältig abgewogen, die Konversionswahrscheinlichkeit prognostiziert und – am wichtigsten – deren Wünsche kennengelernt. Selbstlernende Algorithmen ermöglichen eine hochpräzise Nutzeranalyse und steigern so die Effizienz von Werbung um etwa 40 %.
In naher Zukunft werden Werbetreibende und Nutzer eine Evolution der Werbung erleben. Auch wenn es noch etwas futuristisch anmutet, ist diese Technologie eine natürliche Weiterentwicklung hin zu mehr Effizienz im Online-Bereich.
___
by Daniel Surmacz
Quelle: ClickZ
