Maschinelles Lernen im digitalen Marketing: Beispiele für Anwendungsfälle

Vor ein paar Jahrzehnten war das erste, was Ihnen in den Sinn kam, als Sie das Wort „künstliche Intelligenz“ hörten, wahrscheinlich der Aufstieg der Maschinen und des Terminators mit einer abgesägten Schrotflinte. Heute hat dieser Begriff eher positive Assoziationen. Fast jeder begegnet maschinellem Lernen im Alltag. Beispielsweise können Sie mit einem Chatbot auf einer Website kommunizieren, Werbeangebote angezeigt bekommen, die Ihren Hobbys entsprechen, oder einen Spamfilter in Ihrem E-Mail-Dienst einrichten.

Für Vermarkter ist maschinelles Lernen eine Möglichkeit, wichtige Entscheidungen auf der Grundlage von Big Data schnell zu treffen. In diesem Artikel sprechen wir darüber, welche Entscheidungen Sie auf der Grundlage von Big Data treffen können.

Beginnen wir mit ein wenig Terminologie. Maschinelles Lernen (ML) ist laut Wikipedia eine Klasse von Methoden der künstlichen Intelligenz, die sich dadurch auszeichnet, dass sie keine direkten Lösungen für Probleme liefern, sondern Systeme trainieren, Lösungen anzuwenden.

Es gibt viele Methoden des maschinellen Lernens, die sich aber grob in zwei Gruppen einteilen lassen: Lernen mit Lehrer und Lernen ohne Lehrer.

Beim Lernen mit einem Lehrer liefert eine Person der Maschine Ausgangsdaten in Form von Situations-Lösungs- Paaren. Das maschinelle Lernsystem analysiert dann diese Paare und lernt, Situationen basierend auf bekannten Lösungen zu klassifizieren. Beispielsweise kann ein System lernen, wann eingehende Nachrichten als Spam markiert werden sollen.

Beim Lernen ohne Lehrer erhält die Maschine unsortierte Informationen – Situationen – ohne Lösungen und lernt, diese Situationen anhand ähnlicher oder unterschiedlicher Zeichen ohne menschliche Führung einzuordnen.

Vermarkter verwenden maschinelles Lernen, um Muster in Benutzeraktivitäten auf einer Website zu finden. Dies hilft ihnen, das weitere Verhalten der Nutzer vorherzusagen und Werbeangebote schnell zu optimieren.

In der Psychologie ist ein Muster eine bestimmte Reihe von Verhaltensreaktionen oder eine gemeinsame Abfolge von Handlungen. Daher können wir in Bezug auf jeden Bereich, in dem Menschen Vorlagen verwenden (was die meisten Lebensbereiche sind), über Muster sprechen.

Betrachten Sie das Beispiel eines Musters, das auf Websites verwendet wird. Wenn der Benutzer nicht an dem Angebot im unten gezeigten Popup-Fenster interessiert ist, kann er dieses Fenster schließen, indem er:

1. Klicken Sie auf das X -Zeichen
2. Klicken Sie auf Nein danke
3. Klicken Sie auf eine beliebige Stelle auf der Website außerhalb des Popup-Fensters.

Zusätzlich zu diesen drei Aktionen, die der Benutzer ausführen kann, schließt sich das Popup-Fenster nach einer bestimmten Zeit von selbst.

Wir erhalten also vier mögliche Benutzeraktionen:

1. Klicken Sie auf X – Kann wahr/falsch sein
2. Klicken Sie auf Nein danke – Kann wahr/falsch sein
3. Klicken Sie hinter das Pop-up – Kann wahr/falsch sein
4. Die Popup-Anzeigezeit beträgt 5 Sekunden

Wenn Hunderte solcher Parameter gesammelt werden, gewinnen die gesammelten Daten an Wert, weil sie Verhaltensmuster und Abhängigkeiten enthalten. Es verbirgt das enorme Potenzial von Verhaltensdaten und ermöglicht es uns, Benutzerdaten mit den fehlenden Parametern zu ergänzen, basierend auf den Daten, die wir bereits für andere Benutzer haben.

Beispielsweise lässt sich eine Zielgruppe am einfachsten nach Geschlecht und Alter definieren. Was aber, wenn Benutzer diese Daten nur in 10 % der Fälle ausfüllen? Wie können Sie verstehen, wie viele Ihrer Website-Benutzer zu Ihrer Zielgruppe gehören? Verhaltensmuster können helfen.

Sie können Geschlechts- und Altersdaten von 10 % der Benutzer verwenden, um Muster zu ermitteln, die für ein bestimmtes Geschlecht und Alter spezifisch sind. Dann können Sie diese Muster verwenden, um das Geschlecht und das Alter der verbleibenden 90 % der Benutzer vorherzusagen.

Mit vollständigen Daten zu Geschlecht und Alter können Sie nun allen Website-Besuchern personalisierte Angebote machen.

Die Rolle des maschinellen Lernens im Marketing besteht darin, Ihnen zu ermöglichen, schnell Entscheidungen auf der Grundlage von Big Data zu treffen.

Der Algorithmus für die Arbeit von Marketern sieht folgendermaßen aus: Marketer stellen Hypothesen auf, testen sie, bewerten sie und analysieren sie. Diese Arbeit ist langwierig und arbeitsintensiv, und manchmal sind die Ergebnisse falsch, weil sich die Informationen im Sekundentakt ändern.

Um beispielsweise 20 Werbekampagnen unter Berücksichtigung von 10 Verhaltensparametern für fünf verschiedene Segmente auszuwerten, benötigt ein Marketer etwa vier Stunden. Wird eine solche Analyse jeden Tag durchgeführt, dann verbringt der Marketer genau die Hälfte seiner Zeit damit, die Qualität von Kampagnen zu beurteilen. Beim maschinellen Lernen dauert die Auswertung Minuten, und die Anzahl der Segmente und Verhaltensparameter ist unbegrenzt.

Mit maschinellem Lernen können Sie schneller auf Änderungen in der Qualität des Traffics reagieren, die durch Werbekampagnen hervorgerufen werden. Dadurch haben Sie mehr Zeit für die Erstellung von Hypothesen als für die Durchführung von Routineaktionen.

Der Wert Ihrer Ergebnisse hängt von der Relevanz der Daten ab, auf deren Grundlage die Analyse durchgeführt wurde. Wenn Daten veraltet sind, nimmt ihr Wert ab. Ein Mensch kann die Informationsmengen, die Analysesysteme jede Minute sammeln, einfach nicht verarbeiten. Systeme für maschinelles Lernen können Hunderte von Anfragen verarbeiten, organisieren und Ergebnisse in Form einer fertigen Antwort auf eine Frage liefern.

Hauptvorteile des maschinellen Lernens im Marketing:

• Verbessert die Qualität der Datenanalyse
• Ermöglicht es Ihnen, mehr Daten in kürzerer Zeit zu analysieren
• Passt sich Änderungen und neuen Daten an
• Ermöglicht es Ihnen, Marketingprozesse zu automatisieren und Routinearbeiten zu vermeiden
• Erledigt all dies schnell

Die Essenz eines Empfehlungssystems besteht darin, Kunden Produkte anzubieten, an denen sie gerade interessiert sind.

Was ein Empfehlungssystem vorhersagt: Waren, die ein Kunde wahrscheinlich kaufen wird.

Wie diese Daten verwendet werden: Um E-Mail- und Push-Benachrichtigungen sowie „Empfohlene Produkte“- und „Ähnliche Produkte“-Sperren auf einer Website zu generieren.

Ergebnis: Nutzer sehen personalisierte Angebote, die die Kaufwahrscheinlichkeit erhöhen.

Gängige Algorithmen für diesen Zweck: K-Means-Clustering.

Im Allgemeinen besteht die Essenz aller Arten von Targeting darin, das Werbebudget nur für Zielbenutzer auszugeben.

Die am häufigsten verwendeten Targeting-Arten:

• Segment-Targeting – Zeigen Sie Anzeigen Gruppen von Benutzern mit denselben Attributen
• Trigger-Targeting – Zeigen Sie Anzeigen für Benutzer, nachdem sie eine bestimmte Aktion ausgeführt haben (z. B. ein Produkt ansehen oder einen Artikel in den Einkaufswagen legen).

Es gibt auch Vorhersage-Targeting , bei dem Sie Anzeigen für Nutzer basierend auf der Wahrscheinlichkeit eines Kaufs schalten.

Der Hauptunterschied zwischen diesen Targeting-Typen besteht darin, dass beim Predictive Targeting alle möglichen Kombinationen von Dutzenden oder Hunderten von Benutzerparametern mit allen möglichen Werten verwendet werden. Alle anderen Arten des Targetings basieren auf einer begrenzten Anzahl von Parametern mit bestimmten Wertebereichen.

Was Prognose-Targeting vorhersagt : Die Wahrscheinlichkeit, dass ein Nutzer in Wie diese Daten verwendet werden:

Beispiel 1: Um Werbekampagnen zu starten. Erstellen Sie zu diesem Zweck Segmente basierend auf der Wahrscheinlichkeit eines Kaufs und laden Sie diese Segmente in Google Ads, Facebook Ads und andere Werbesysteme hoch.

Beispiel 2: Analyse der Wirksamkeit von Werbekampagnen. Erstellen Sie zu diesem Zweck Segmente basierend auf der Wahrscheinlichkeit eines Kaufs und laden Sie diese Segmente in Google Analytics hoch und verwenden Sie sie, um die Wirksamkeit von Werbekampagnen zu analysieren (welche Kampagne führt zu den meisten Conversions).

Ergebnis: Werbung wird einem zielgerichteteren Publikum gezeigt, was die Effektivität von Kampagnen erhöht.

Gängige Algorithmen für diesen Zweck: XGBoost, CATBoost, Decision Tree (wenn wenig Daten verfügbar sind oder wenige Muster erkennbar sind).

Die bekanntesten Methoden zur Berechnung des Lebenszeitwerts oder LTV basieren auf der Kenntnis des Gesamtgewinns eines Kunden und der Zeit, die der Kunde mit dem Unternehmen interagiert hat. Viele moderne Geschäftsaufgaben erfordern jedoch, dass Sie den LTV berechnen, noch bevor ein Kunde geht. In diesem Fall besteht die einzige Lösung darin, den LTV auf der Grundlage verfügbarer Daten vorherzusagen.

Was die LTV-Prognose vorhersagt: Der LTV jedes Benutzers nach Segment.

Wie diese Daten verwendet werden:

1. Segmente werden in Push-Benachrichtigungs- oder E-Mail-Dienste geladen und für den Versand verwendet, um Kundenabflüsse (die Abwanderungsrate) zu reduzieren.
2. Segmente werden in Google Analytics hochgeladen und verwendet, um die Effektivität von Werbekampagnen basierend auf dem vorhergesagten LTV zu analysieren.

Ergebnis : Das Werbebudget pro User wird auf Basis des LTV ermittelt, was die Effektivität von Kampagnen verbessert.

Gängige Algorithmen für diesen Zweck: XGBoost, SVM, Random Forest, Logistische Regression.

Der Begriff Churn oder Outflow bezieht sich im Marketing auf Kunden, die das Unternehmen verlassen haben, und die damit verbundenen Umsatzeinbußen und wird meist in Prozent oder Geld ausgedrückt.

Mit der Vorhersage der Abwanderungsrate können Sie auf die Absicht eines Kunden reagieren, Ihr Produkt oder Ihre Dienstleistung aufzugeben, bevor er dies tatsächlich tut.

Was die Prognose der Abwanderungsrate vorhersagt: Die Wahrscheinlichkeit, dass Benutzer nach Benutzersegmenten ausscheiden

Wie diese Daten verwendet werden: Segmente können in E-Mail- oder Push-Benachrichtigungsdienste sowie in Google Ads, Facebook Ads und andere Werbesysteme hochgeladen werden. Sie können diese Informationen auch an die Kundenbindungsabteilung weitergeben, damit diese Kunden mit hoher Abgangswahrscheinlichkeit persönlich erreichen kann.

Ergebnis: Kunden binden.

Übliche Algorithmen für diesen Zweck: SVM, logistische Regression und andere Klassifizierungsalgorithmen.

Der KI-Algorithmus in OWOX BI analysiert Ihre Marketingergebnisse, vergleicht sie mit Marktdaten und zeigt, wo Ihre Wachstumszonen und Risiken liegen. Es prognostiziert auch die Umsetzung Ihres Jahresplans, sodass Sie Ihre Marketingstrategie schnell ändern können.

Kanalkapazität und Markttrends sind Wissen, das ein Unternehmen nicht alleine erlangen kann. Glücklicherweise berücksichtigt das maschinelle Lernmodell in OWOX BI Insights Daten aus Zehntausenden von Projekten, um genaue Vorhersagen zu treffen. Dies gibt Unternehmen Vertrauen in Empfehlungen zur Umverteilung ihrer Werbebudgets, da diese Empfehlungen auf Sitzungen für eine bestimmte Website basieren. Sie berücksichtigen auch Markttrends, Kanalkapazität, granulare Werbekosten und mediale Werbeimpressionen in den oberen Stufen des Trichters.

Das datengesteuerte Attributionsmodell von OWOX BI bewertet die Effektivität Ihrer Werbekampagnen unter Berücksichtigung des Beitrags jedes Kanals zur Kundenwerbung durch den Konversionstrichter. Mit diesem Modell können Sie Ihr Werbebudget unter Berücksichtigung des tatsächlichen Beitrags der Kanäle zu Conversions und ihrer gegenseitigen Beeinflussung fair verteilen.

Die Modellberechnung in OWOX BI basiert auf Markov-Ketten und maschinellem Lernen. Eine Markov-Kette ist ein probabilistisches Modell, das es Ihnen durch die Berechnung der Wahrscheinlichkeiten von Übergängen zwischen den Schritten des Trichters ermöglicht, den gegenseitigen Einfluss der Schritte auf die Conversions zu bewerten und herauszufinden, welche Schritte am wichtigsten sind.

Wenn Sie sehen möchten, wie die Zuordnung von OWOX BI funktioniert, melden Sie sich für eine Demo an. Unsere Kollegen zeigen Ihnen reale Beispiele für die Anwendung der Zuordnung und demonstrieren, wie sie für Ihr Unternehmen nützlich sein kann.

Warum wird maschinelles Lernen benötigt und wie hilft es Ihnen, das Attributionsproblem zu lösen? Dies ist ein Thema für einen separaten Artikel (den wir bereits vorbereiten).

Lassen Sie uns in diesem Artikel herausfinden, auf welcher Ebene Entscheidungen mithilfe der Zuordnung getroffen werden. Wir vergleichen diese Niveaus anhand mehrerer Kriterien:

• Die Ebene selbst
• Wichtige Entscheidungsträger
• Arten von getroffenen Entscheidungen
• Benutztes Werkzeug
• Attributionsmodelle werden am häufigsten verwendet

Ebenen, auf denen attributionsbasierte Entscheidungen getroffen werden:

1. Sehen. Die Vision eines Unternehmens wird von seinem Vorstand, seinem CEO und seinem Marketingleiter geprägt. Entscheidungen auf Visionsebene sind mit Investitionen in die Marke und dem Ausgleich von Budgets zwischen online und offline verbunden. Die Werkzeuge, die verwendet werden, um solche Entscheidungen zu treffen, sind Marktforschung und Berater. Für klassische datenbasierte Attributionsmodelle ist kaum noch Platz, da die Daten, auf denen Entscheidungen basieren, zu wenig digitalisiert sind.

2. Strategisch. Strategische Entscheidungen werden in der Regel monatlich von Marketing- und E-Commerce-Leitern getroffen. Diese Entscheidungen widmen sich der Zuweisung des Budgets zwischen den Kanälen und der Definition des KPI auf oberster Ebene. Die Tools, die bei strategischen Entscheidungen helfen, sind Visual IQ, OWOX BI oder Gelegenheitsmodelle. Hier verwendet das Unternehmen datengesteuerte Zuordnung, Variationen des Themas der Shapley-Wert- und Markov-Ketten oder trichterbasierte Zuordnung. Auf dieser Ebene ist es wichtig, die gegenseitige Beeinflussung der Kanäle zu verstehen und strategische Entscheidungen zu ihrer Entwicklung zu treffen.

3. Taktisch. Normalerweise werden taktische Entscheidungen wöchentlich oder noch häufiger vom Manager der Paid Traffic Acquisition getroffen. Die Budgetzuweisung erfolgt zwischen Kampagnen und Anzeigengruppen, und Entscheidungen zielen darauf ab, KPIs und Kampagnenziele zu klären. Für taktische Entscheidungen können Sie Google Sheets oder OWOX BI verwenden. Oft arbeiten auf dieser Ebene Spezialisten mit Google Analytics. Um die Wirkung von Medienwerbung zu bewerten, verwenden die meisten Attributionsmodelle zugehörige Conversions, Zeitverfall und Post-View.

Die Besonderheit dieser Phase ist, dass das Budget für einen Kanal bereits vergeben wurde. An diesem Punkt ist es also wichtig zu verstehen, für welche Kampagnen es ausgegeben werden soll, die Ergebnisse zu kontrollieren und ineffiziente Kampagnen schnell zu deaktivieren.

4. Ausführung. In diesem Fall erfolgt die Entscheidung, den Beitrag einer bestimmten Ankündigung oder eines Schlüsselworts zu bewerten, nahezu in Echtzeit. Solche Entscheidungen werden typischerweise innerhalb von Werbediensten (Google Ads, Facebook Ads) getroffen. Tatsächlich ist es dem Kunden egal, welche Optimierungsmechanismen hier zum Einsatz kommen, da er die Ergebnisse jeder Dienstleistung separat betrachtet.

Wie Sie sehen können, ist maschinelles Lernen am nützlichsten für strategische und taktische Aufgaben. Manchmal wird es auch auf der Ausführungsebene angewendet, aber der allgemeine Trend geht dahin, dass sich Werbesysteme schnell entwickeln und viele Daten haben. Die in diesen Systemen verwendeten internen Algorithmen zur Verwaltung von Werbekampagnen erzielen bessere Ergebnisse als ein externes Modell, das auf maschinellem Lernen basiert.

Der Grund dafür ist, dass es für die Anwendung von maschinellem Lernen notwendig ist, große Datenmengen schnell aus dem Werbedienst zu exportieren und die Ergebnisse dann schnell wieder zu importieren. Technisch ist dies im industriellen Maßstab eine schwierig zu lösende Aufgabe. Daher verlassen sich Vermarkter auf der Ausführungsebene in der Regel auf interne Algorithmen zur Optimierung von Werbediensten.

Um maschinelles Lernen zur Lösung taktischer und strategischer Probleme einzusetzen, müssen Sie die Vollständigkeit Ihrer Daten sicherstellen. Mit OWOX BI ist dies möglich. OWOX kombiniert Ihre Daten aus Ihrer Website, Ihren Werbediensten und Ihrem CRM, sodass Sie einen Trichter erstellen können, der die Besonderheiten und Bemühungen Ihres Unternehmens berücksichtigt und darauf abzielt, Kunden zu gewinnen und den Umsatz zu steigern.