Innenansicht eines Computers

Künstliche Intelligenz ist nach der Cloud und Automatisierung der nächste große Trend in nahezu allen Geschäftsbereichen. Doch wie genau kann KI im Marketing eingesetzt werden und welche Bereiche können schon jetzt vom Einsatz profitieren?

Wie können Sie künstliche Intelligenz im Marketing einsetzen und wie können diese Anwendungen Ihre Kundenerlebnisse optimieren und Ihre Arbeit erleichtern?

Voice Commerce

Durch virtuelle Sprachassistenten wie Siri, Alexa oder Echo wird es für Nutzer immer einfacher, Suchen via Sprachbefehl zu aktivieren. Wenn es um das Einkaufen von Waren geht, nennt man dies mittlerweile „Voice Commerce“, also den Einkauf via Stimme. Spannend am Voice Commerce ist vor allem, wie es altbekannte Suchmaschinen-Regeln langfristig verändern wird, da der Mensch naturgemäß anders spricht als er schreibt und so Keywords anders angeben wird als in ein Suchfeld.

Noch befindet sich der Voice Commerce-Markt in der Entwicklung und auch Nutzer sind bislang zurückhaltend. Diversen Berichten zufolge nutzen die wenigsten Besitzer von Sprachassistenten wie Alexa und Co die Geräte, um einzukaufen. Gründe dafür könnten Usability und Datenschutzbedenken sein.

Doch auch wenn der direkte Kauf weniger über Sprachassistenten erfolgt, können Unternehmen die Informationsfunktion nutzen, um Aufmerksamkeit zu generieren. Wer hier frühzeitig aufmerksam darauf achtet, wie die Suchalgorithmen der Sprachassistenten funktionieren und wofür Nutzer Sprachassistenten brauchen, kann dies langfristig für sich nutzen und sich dadurch erhebliche Wettbewerbsvorteile sichern.

Recommendation Engines

Recommendation Engines sind im Grunde keine Neuheiten mehr auf dem Markt. „Kunden, die Artikel X gekauft haben, haben sich auch Artikel Y angesehen“ ist mittlerweile Standard im eCommerce. Dennoch gibt es drastische Unterschiede, wie diese Produktempfehlungen generiert werden.

Neben dem genannten Beispiel könnte eine komplexe Engine beispielsweise auch das individuelle Kaufverhalten des Nutzers berücksichtigen und nur die Produkte empfehlen, die sich ähnliche Nutzer angeschaut haben und nicht alle Nutzer, unabhängig vom Profil und Kaufverhalten.

Unterschieden wird hier zwischen „Collaborative Filtering“ und dem „Content-Based Approach“.

Collaborative Filtering: die Empfehlungen berücksichtigen Variablen wie User-Bewertungen und das Nutzerverhalten und basieren die Vorschläge auf Inhalte, die von ähnlichen Nutzern bevorzugt wurden.

Content-Based Approach:  Hier wird die Empfehlungen auf dem kategorisierten Content und dem individuelle Nutzerverhalten basiert, ohne dass das Verhalten ähnlicher Nutzer hinzugezogen wird. Dazu muss jedoch der Content genau für bestimmte Nutzertypen und Kaufphasen kategorisiert werden.

Eine grundlegende Herausforderung ist dabei immer, den Input des Nutzers sinnvoll zu bewerten. Kaufe ich zu Weihnachten Produkte für Freunde und Familie, so möchte ich nicht, dass diese Einkäufe fortan meine Empfehlungen beeinflussen.

Für Nutzer sind erfolgreiche Empfehlungen übrigens auch außerhalb der Produktsuche äußerst beliebt. Plattformen und Apps wie Spotify, Netflix und Flipboard passen Musik-, Film- und Beitragsideen nach den favorisierten Inhalten des Nutzers an. Das funktioniert mal mehr, mal weniger gut, ist jedoch immer noch besser als die „einer für alle“-Methode. Unternehmen können dies insbesondere im Lead Management bzw. bei der Betreuung von Bestandskunden einsetzen, wenn es um mehrwertigen Content oder interessante Angebote auch außerhalb der Produktpalette geht (Webinare, Events, etc.).

Forecasting

Wenn es um digitale Trends geht, wird oft mehrheitlich auf die kundenseitige Anwendung geschaut, obwohl diverse Themen (insbesondere Chatbots, Internet der Dinge, etc.) auch intern im Unternehmen erfolgreich eingesetzt werden können.

Gerade beim Marketing-Forecast, also der Prognose über Erfolge, generierte Leads und Umsätze, hilft künstliche Intelligenz etwa, um Stolperfallen im regulären Forecasting zu umgehen. Alexis Getscher schreibt auf dem Blog von bizible:

„Marketer vertrauen oft auf den Durchschnitt. Dabei werden jedoch zu häufig Annahmen gemacht, die für mehr Unsicherheit sorgen, je langfristiger das Forecasting ist.“

KI kann hingegen so eingesetzt werden, dass eben nicht der Durchschnitt, sondern die Erfolge individueller Kampagnen, Kanäle und Inhalte gemessen und für zukünftige Prognosen bewertet werden können. Dadurch können Kampagnen bis auf individuelle Kunden bewertet und geplant werden und zwar soweit, dass das Modell beispielsweise sogar die Leads bzw. Kunden für die Kampagne festlegen kann, die mit höchster Wahrscheinlichkeit positiv darauf reagieren.

Grundlage für ein gutes Forecasting – wie übrigens in allen KI-Bereichen – ist natürlich eine saubere Datenbank, klare Variablen und Ziele.

Kundensegmentierung

Die Kundensegmentierung ist ein stetig relevantes Thema, das insbesondere im Rahmen von Marketing Automation eine große Rolle spielt. Je besser Kundensegmente ermittelt werden können, desto relevanter kann die Kommunikation erfolgen. KI ist hier nahezu essenziell, um ab einer bestimmten Kundenanzahl nicht nur Segmente zu bestimmen, sondern diese auch sukzessive anzupassen.

Das bedeutet im Jahr 2018, dass jeder Kunde zwar jederzeit einem Segment zugeordnet werden kann, dass sein Verhalten jedoch maßgeblich Einfluss darauf hat, ob er in diesem Segment bleibt oder nicht. Verändert ein Lead oder Kunde also sein Verhalten oder kommen neue Informationen hinzu, werden auch die zugeordneten Segmente entsprechend angepasst.

Diese Herangehensweise kann übrigens im gesamten Lead Management-Prozess genutzt werden. Mein Kollege Dr. Michael Ziegler hat hier im Blog beispielsweise erläutert, wie das Verfahren für Lead Scoring eingesetzt werden kann.

Bilderkennung

Im eCommerce-Bereich ist die Automatisierung von Bilderkennungen bereits ein brisantes Thema. Je mehr Produkte man hat, desto mühsamer wird es nämlich, diese manuell zu beschreiben. Eine gute Produktbeschreibung ist hingegen das A und O des Online-Handels, immerhin kann der Kunde das Produkt nicht selbst in die Hand nehmen und begutachten.

Mit KI können bestimmte Metadaten (etwa Farbe und Form) automatisch erkannt und eingetragen werden. Je mehr Produkte die Anwendung bestimmt, desto besser können die Eigenschaften erkannt werden.

In anderen Bereichen kann die Erkennung und Kategorisierung von Bildern helfen, die eigene Bildsprache zu optimieren, etwa auf sozialen Netzwerken. Welche Bilder performen aus welchen Gründen am besten? Und lässt sich dieser Erfolg wiederholen?

Auch können Unternehmen es nutzen, um rein visuelle Posts von Leads und Kunden zu entziffern und darauf zu antworten. Ähnlich wie beim eCommerce-Beispiel können so bestimmte Formen erkannt und je nach Bedarf zugeordnet werden (Urlaubsorte, Gruppenfotos, Tierbilder, etc.).

Wie bereits im Punkt Voice Commerce erwähnt: die Art und Weise, wie wir kommunizieren, wird in den nächsten Jahren klassische Keyword-Suchen und SEO-Maßnahmen gehörig durcheinanderbringen.

Erfahren Sie im Whitepaper, wie Sie mit Predictive Marketing KI-Methoden einsetzen und das Kundenerlebnis optimieren können. Oder schauen Sie direkt auf unserer Leistungsseite, was unsere Experten im Bereich Analytics für Ihr Unternehmen tun können.

Print Friendly, PDF & Email
0 Kommentare

Dein Kommentar

An Diskussion beteiligen?
Hinterlasse uns Deinen Kommentar!

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.