Wie Sie Ihr Marketing im Zeitalter der KI zukunftssicher machen

Künstliche Intelligenz ist keine glänzende neue Sache mehr. Es ist schon eine Weile hier. Wenn Sie eine Google-Suche durchgeführt oder auf ein empfohlenes Produkt, einen Artikel oder einen Film geklickt haben, haben Sie damit interagiert.

Wenn Sie ein Vermarkter sind, haben Sie wahrscheinlich bereits damit gearbeitet. Werbung auf Google Ads, Bing oder Facebook arbeitet mit KI.

Also hören Sie auf, sich gegen „den Aufstieg der Maschinen“ zu wappnen. Die Maschinen sind hier, und sie sind wirklich ziemlich gehorsam. Sie sind großartig darin, einige der langweiligsten Aufgaben des Marketings zu automatisieren.

Die Frage ist, wo geht diese ganze Automatisierung hin? Wie viele Aufgaben werden Maschinen übernehmen? Wie wird Ihre Arbeit aussehen, wenn sie sich weiterentwickeln? Und wie können Sie sich und Ihr Unternehmen positionieren, um das Beste daraus zu machen?

Die Antwort ist einfacher als Sie denken. Aber es ist eine vierteilige Antwort.

1. Bilden Sie sich weiter.

Pop-Quiz: Was ist der Unterschied zwischen maschinellem Lernen und künstlicher Intelligenz?

Darauf können die meisten Marketer keine Antwort geben. Wir wissen wahrscheinlich, dass eine KI ausgeklügelter ist als maschinelles Lernen, und dass maschinelles Lernen eine Teilmenge der KI ist…. aber von da an werden die Dinge düster.

Hier ist eine Definition:

KI ist jede Technologie, die es einem System ermöglicht, menschenähnliche Intelligenz zu demonstrieren… Maschinelles Lernen ist eine Art von KI, die anhand von Daten trainierte mathematische Modelle verwendet, um Entscheidungen zu treffen. Wenn mehr Daten verfügbar werden, können ML-Modelle bessere Entscheidungen treffen.

Ehrlich gesagt, für reale Marketinganwendungen – Dinge, die Sie in den nächsten drei Jahren bei der Arbeit sehen werden – müssen sich Marketingspezialisten derzeit wahrscheinlich nicht allzu viele Gedanken über echte künstliche Intelligenz machen. Google Ads wird nicht anfangen, Witze zu erzählen. Aber maschinelles Lernen ist definitiv im Spiel, ebenso wie Automatisierung.

Das ist eine gute Sache. Bei guter Verwaltung kann maschinelles Lernen Sie viel effizienter und effektiver machen. Unser PPC-Gebots- und Budgetverwaltungstool verwendet beispielsweise vollwertiges maschinelles Lernen, um Gebote und Budgets zu verwalten.

Wie unser E-Book „The Agency Guide to Automated Bidding Essentials“ erklärt,

Einfaches automatisiertes Bieten besteht darin, einen Computer einer Reihe von Regeln folgen zu lassen, die als Reaktion auf bestimmte Auslöser PPC-Gebote um bestimmte Beträge erhöhen oder verringern. Diese Art der Automatisierung lernt nicht, sie wird einfach nach voreingestellten Regeln ausgeführt.

Diese Stufe der automatisierten Gebotsabgabe unterscheidet sich nicht so sehr von einem Marketingautomatisierungssystem, das eine bestimmte E-Mail zu einem bestimmten Zeitpunkt versendet, nachdem jemand ein bestimmtes Whitepaper heruntergeladen hat. Es handelt sich um eine vordefinierte Aktion, die ein Vermarkter festlegen und dann erwarten kann, dass die Software jedes Mal ausgeführt wird, wenn dieses Ereignis eintritt.

Maschinelles Lernen ist viel ausgefeilter.

„Während einfache automatische Gebote erfordern, dass ein Mensch zuerst einen Ziel-CPA festlegt, zielt ein maschinelles Lernsystem darauf ab, den niedrigstmöglichen CPA für die höchste Anzahl von Klicks und Conversions zu erzielen.“ Dazu muss das maschinelle Lernsystem Dutzende verschiedener Prioritäten und Daten verwalten Eingaben („Microservices“, wie wir sie nennen), um das gewünschte Ergebnis zu liefern.

Während also automatisiertes Bieten sicherlich den Arbeitsaufwand eines Vermarkters reduzieren kann, „wird maschinelles Lernen:

• Erzielen Sie die meisten Conversions zu einem Durchschnittspreis unter der maximalen Preisobergrenze
• Stellen Sie sicher, dass das Budget für den gesamten Zeitraum reicht
• Stellen Sie sicher, dass die Anzeigen jeden Tag für die gesamte im Werbezeitplan festgelegte Dauer in der Auktion sind.“

Das ist eine ganz andere Größenordnung. Und wenn wir unser Marketing für das KI-Zeitalter neu aufbauen wollen, müssen wir verstehen, wie diese Systeme funktionieren und sich im Detail unterscheiden.

Für eine überraschend klare Erklärung, wie Systeme für maschinelles Lernen aufgebaut sind, sehen Sie sich die Videoserie „AI Adventures“ von Google an. Die Videos werden im Laufe der Serie technischer, aber die ersten sind sehr zugänglich.

Hier ist ein Sampler. In diesem Video sehen Sie, wie ein maschinelles Lernprogramm entworfen und trainiert werden kann, um zwischen Bier und Wein zu unterscheiden.

2. Bereinigen Sie Ihre Daten.

Automatisierung, maschinelles Lernen und KI laufen alle auf Daten. Und so wird der Spruch „Garbage in, Garbage out“ in den kommenden Jahren noch mehr Bedeutung haben.

Wie Sie wissen, ist Datenmanagement ein großes Thema im Marketing. Oft haben wir Legacy-Systeme, die Daten generieren, die nicht mit Daten aus anderen Systemen „sprechen“. Oder wir haben Daten, die unstrukturiert sind und daher nicht von einem maschinellen Lernprogramm verarbeitet werden können.

Googles Definition von maschinellem Lernen lautet „Daten zur Beantwortung von Fragen verwenden“. Dies ist eine ausgezeichnete, klare Erklärung, und wenn Sie bereits über Datenqualität und -organisation nachdenken, gibt es Ihnen einen großen Hinweis darauf, wie organisiert und genau Ihre Daten sein müssen, bevor jemand Fragen dazu stellen kann.

Schließlich … wie viele Duplikate sind Ihrer Meinung nach in Ihrer Interessentendatenbank? Haben Sie jedes Bild, das Sie jemals im Marketing verwendet haben, in einem Content Vault, organisiert nach Dateiformat, Thema, mehreren Tags, Erstellern und wo dieses Bild überhaupt verwendet wurde?

Das sind organisierte Daten. Und es ist ein entscheidender Teil der Zukunftssicherheit Ihres Unternehmens, damit Sie später mit KI – oder in diesem Jahr mit maschinellem Lernen und Automatisierung – ausgefallene Zauberei anwenden können.

3. Ziele definieren.

Maschinen sind toll. Sie tun genau das, was Sie ihnen sagen. Und sonst nichts. Das kann sehr demütigend sein.

Ich habe vor etwa zwanzig Jahren Perl (eine Programmiersprache) studiert und sofort gemerkt, dass, wenn irgendetwas schief geht, es nicht am Code oder der Hardware liegt. Es war meines. Wenn ich nicht den richtigen Operator benutzte oder nur irgendwo ein Komma übersah, würde die Maschine pflichtbewusst und perfekt gemäß meinen Anweisungen ausführen … was nicht dem entsprechen würde, was ich eigentlich wollte.

Die meisten von uns müssen nicht direkt programmieren (ein großes Dankeschön an alle Apps, mit denen wir im Grunde über ihre benutzerfreundlichen WYSIWYG-Schnittstellen programmieren können). Aber wir müssen unsere Anweisungen richtig machen.

Wenn Sie also einen Marketing-qualifizierten Lead für Ihre Anwendung für maschinelles Lernen auf eine bestimmte Weise definiert haben, wird sie Personen auf der Grundlage genau dieser Anweisungen finden. Wenn Ihre Anweisungen fehlerhaft sind, werden Ihre Ergebnisse fehlerhaft sein. Geben Sie nicht der Anwendung die Schuld.

Dies ist wichtig zu verstehen, wenn Sie automatisierte Systeme mit Daten einrichten möchten. Die Daten müssen korrekt und lesbar sein. Und dann müssen die Anweisungen, die Sie der Maschine geben, um ihre Arbeit zu erledigen, korrekt sein.

Wenn Sie einer Maschine schlechte Anweisungen geben, wird sie Sie nicht korrigieren (es sei denn, jemand hat einen Code geschrieben, um Ihre Anweisungen zu überprüfen). Es wird nur pflichtbewusst Ihre Gebote abgeben und beispielsweise die falsche Zielgruppe für Ihre neue Werbekampagne zurückgeben. Sie werden vielleicht nicht erkennen, dass Ihre Anweisungen schlecht waren, bis Ihnen der Vertrieb drei Monate später sagt: „Die Leads aus dieser Kampagne waren schrecklich.“

Das hat noch eine andere Ebene: Wir müssen unsere Ziele quantifizieren können.

Wenn wir also sagen „Ich möchte das Kundenerlebnis verbessern“, ist das großartig … aber wie können Sie das für einen Computer quantifizieren? Sie benötigen einige sehr spezifische Messungen und sehr spezifische Eingaben, um diese Messungen zu verfolgen, bevor der Computer beginnen kann, das Kundenerlebnis zu verbessern.

Computer sind unglaublich granular; Sie können nicht die Schlussfolgerungen und Schlussfolgerungen ziehen, die Menschen so mühelos ziehen. Deshalb können wir unsere Jobs behalten, aber es ist auch die einschüchternde Arbeit von Programmierern – hochgesteckte Ziele in programmatische Schrauben und Muttern zu zerlegen.

Wenn Sie Ihr Marketing zukunftssicher machen möchten, müssen Sie zuerst all diese Grundlagen und Schrauben – diese Ziele und Definitionen – einwählen.

4. Optimieren Sie für die Sprachsuche.

Hoffentlich waren unsere Vorschläge bisher konkret genug. Aber wenn nicht, hier ist eine sehr klare Anweisung: Beginnen Sie mit der Optimierung für die Sprachsuche.

Dies ist ein Aspekt der KI, der definitiv bereits vorhanden ist. Wie Cady Condyles in „AI is Smarter Than You: Adapting your Retail Strategy to Keep Up“ (ihre Keynote-Präsentation auf der Hero Conf London) erwähnte, werden bis 2020 30 % des Surfens im Internet bildschirmlos sein – über digitale Sprachassistenten.

Die Spracherkennung ist eine der bisher bedeutendsten Entwicklungen der KI. Die Suche ist eine weitere wichtige KI-Errungenschaft. Wenn Sie also Ihre Marke und Ihr Marketing für KI positionieren möchten, müssen Sie Ihre Bemühungen auf einen ganz bestimmten Punkt konzentrieren: die Sprachsuche.

Die Optimierung für die Sprachsuche ist eigentlich nur ein Beispiel für einen früheren Punkt, der hier besprochen wurde: Bereinigen Sie Ihre Daten. Machen Sie es für die Maschinen zugänglich. Die Optimierung einer Website für die Sprachsuche ist genau das: Wir nehmen einen Mischmasch von Daten (unsere Websites) und destillieren sie zu etwas, das eine maschinelle Lern- oder KI-Anwendung analysieren kann.

Eine weitere Empfehlung von Cady, „nutzen Sie absichtsbasierte KI, um Ihre Käufer zu identifizieren und zu erreichen“, ist ein umgekehrtes Beispiel für dieses Prinzip. Wenn Sie absichtsbasierte KI verwenden, um mit Menschen zu kommunizieren, müssen Sie sich in ein System einklinken, das Petabytes an Daten von menschlichen Browsern verarbeitet und in eine maschinelle Lernanwendung destilliert hat.

Auch hier wurden Rohdaten zu einer Anwendung synthetisiert, die Muster erkennen und Maßnahmen empfehlen kann.

Abschließende Gedanken

Es wird immer mehr davon geben, riesige Datensätze zu nehmen und darin Muster und Trends zu finden. Und das ist gut so – maschinelles Lernen und KI brauchen viele Daten, um zu funktionieren. Sie brauchen vorhersehbare Umgebungen und konsistente Aufgaben, um wirklich zu glänzen.

Das ist genau der Grund, warum menschliche Vermarkter nirgendwo hingehen. Wir Menschen können mit begrenzten Daten ganz gut funktionieren. Wir können uns schnell an neue Situationen anpassen und sind großartig darin, große kognitive Sprünge zu machen. Die Maschinen sind noch nicht da.

Bildnachweis

Beitragsbild: Unsplash / Franck V
Bild 1: über das Machine Learning eBook von Acquisio