Machine Learning im Marketing: Ein anwendungsorientierter Überblick

Laut einer Studie von Google und dem MIT SMR sind 74 Prozent der Teilnehmer der Ansicht, dass ihr Unternehmen die eigenen Ziele besser erreichen könnte, wenn mehr in maschinelles Lernen und Automatisierung investiert werden würde. Daten gelten auch im Marketing als entscheidender Erfolgsfaktor und trotzdem bleiben sie häufig ein zu wenig genutztes Kapital. Es herrscht noch immer eine große Diskrepanz zwischen dem Wissen über die Wichtigkeit des Einsatzes von Daten und der tatsächlichen Nutzung im Marketing. 

Durch die Integration von maschinellem Lernen (auch Machine Learning) kann diese Kluft überwunden werden. Immer mehr Marketer wollen mithilfe von maschinellem Lernen ihre strategischen Ansätze optimieren. Darunter fällt sowohl die Verbesserung des Kundenerlebnisses und damit die Steigerung der Kundenzufriedenheit als auch die Identifizierung von neuen Möglichkeiten zur Produktentwicklung sowie die Verringerung der Abwanderungsrate.

Es gibt nur ein Problem: Maschinelles Lernen ist unglaublich komplex. Marketer können also nicht erwarten, dass die Implementierung allein dazu führt, dass sich alle Ergebnisse über Nacht verbessern. Gerade zu Beginn müssen sie sich intensiv mit Machine Learning auseinandersetzen und trotz der großen Informationsflut rund um das Thema noch den Überblick behalten. Sie müssen herausfinden, wie sie das Beste für sich aus der Technologie herausholen können. 

Was bedeutet maschinelles Lernen im Marketing?

Karen Hao, Journalistin für künstliche Intelligenz beim MIT Technology Review, erklärt:

Algorithmen für maschinelles Lernen verwenden Statistiken, um Muster in riesigen Datenmengen zu identifizieren. Und Daten umfassen hier vieles – Zahlen, Wörter, Bilder, Klicks und so weiter. Alles, was digital gespeichert werden kann, kann in einen maschinellen Lernalgorithmus eingespeist werden. Eigentlich ist dieser Prozess recht simpel: Finden Sie das Muster und wenden Sie es an.

Marketing-Experten hatten schon immer die Möglichkeit, große Datenmengen zu sammeln, da sie viele Kundendaten zur Hand haben. Machine Learning kann ihnen nun dabei helfen, aus diesen Informationen noch weitere Erkenntnisse zu gewinnen. Mithilfe von Analysetechniken wie Data Mining und Predictive Analytics können Marketer durch maschinelle Lernalgorithmen autonomes Marketing aufbauen. Durch die Identifizierung bestimmter Muster in Kundendaten und die kontinuierliche Anpassung der Marketing-Aktivitäten an diese Muster, ersetzt maschinelles Lernen hunderte traditionelle, manuelle Marketingmodelle, mit denen es bisher nicht möglich war, Vorgänge zu skalieren.

Unabhängig von der jeweiligen Strategie hängt der Marketing-Erfolg generell davon ab, das richtige Angebot zum richtigen Zeitpunkt auf dem richtigen Kanal für jeden einzelnen Kunden individuell zu identifizieren. Machine Learning ist hier der Schlüssel zum Erfolg – aber nur, wenn Marketer in der Lage sind, die Algorithmen auch mit den richtigen Daten zu füttern.

Die Dateneingabe beeinflusst maschinelles Lernen 

Im Marketing basiert maschinelles Lernen in hohem Maße auf dem Konzept „Garbage In, Garbage Out“. Es spielt dementsprechend keine Rolle, wie viel Geld in Lösungen und Kundendaten investiert wurde. Wenn die Dateneingabe für die Algorithmen ungenau, von geringer Qualität oder auf eine andere Weise fehlerhaft sind, können ihre Ergebnisse nicht zum gewünschten Marketing-Erfolg führen.

Heute werden mehr Daten generiert als je zuvor. Es stellt sich aber die dringende Frage, wie diese Daten für maschinelles Lernen aufbereitet werden können. Eine Studie ergab in diesem Zusammenhang, dass 92 Prozent der Werbetreibenden Kundendaten nicht optimal nutzen. Dies lässt sich auf Probleme beim Zugriff, der Vereinheitlichung und der Analyse zurückführen.

Das Problem ist, dass mittlerweile sehr viele spezifische Daten verwaltet werden müssen und Kundendaten aus vielen verschiedenen Richtungen zusammenfließen, darunter:

• Datensätze aus dem CRM
• POS- und E-Commerce-Transaktionsdaten
• Engagement bei Marketing-Automation-Kampagnen
• Informationen aus dem Kundenservice
• Social-Media-Interaktionen
• Browserdaten für Website-Besucher
• Informationen aus Pay-per-Click-Kampagnen

Für einen erfolgreichen Einsatz von Machine Learning im Marketing müssen all diese Kanäle zusammengeführt werden, damit Algorithmen größere Verhaltensmuster erkennen können. Gerade aus technischer Sicht ist dies jedoch leichter gesagt als getan. Deshalb ist es so wichtig, den richtigen Technologie-Stack zu identifizieren. Die Überprüfung der Datengenauigkeit, die Zusammenführung aller Marketingkanäle und die Generierung umsetzbarer Erkenntnisse mithilfe von Algorithmen für maschinelles Lernen wird erheblich erleichtert, wenn nicht alles manuell und von einer Person ausgeführt wird.

Der erste Schritt bei der Implementierung von maschinellem Lernen in Marketing-Prozesse sollte also sein, die Herausforderungen bei der Dateneingabe zu lösen. Sobald der Technologie-Stack festgelegt wurde, können Marketer sich Gedanken über die spezifischen Prozesse machen, die sie optimieren wollen. 

Vier Anwendungsfälle für Machine Learning

Neben der Bereinigung des Datensatzes und der Auswahl der richtigen Lösungen für maschinelles Lernen, ist es wichtig, auch zu wissen, was mit ihnen tatsächlich möglich ist. Der Aufbau autonomer Marketing-Aktivitäten mittels Machine Learning bringt viele Vorteile. Die folgenden vier Anwendungsbeispiele sind die gängigsten Methoden, um die Technologie zu nutzen:

1. Verbesserung der Personalisierung und des Targetings

Anstatt Marketing-Botschaften breit zu streuen, können Marketing Teams mithilfe von maschinellen Lernalgorithmen ermitteln, welche Konsumenten wann am wertvollsten sind. Darüber hinaus können wichtige Erkenntnisse über bestimmte Kunden und Interessenten gewonnen werden, mit denen sich dann die Werbebotschaften personalisieren lassen – mit der richtigen Technologie auch auf individueller Ebene.

2. Kundenabwanderung reduzieren

Es ist bei Weitem kostengünstiger, bestehende Kunden ans Unternehmen zu binden, als ständig neue zu gewinnen. Marketing-Experten haben die Abwanderung von Kunden schon immer nachverfolgt, aber maschinelles Lernen bietet die Möglichkeit, Muster zu identifizieren. Es gibt unter anderem Aufschluss darüber, wann Kunden dazu neigen, nicht mehr bei dem Unternehmen zu kaufen, welches Kundenverhalten zur Abwanderung führt, wie sich die Abwanderung auf die Leistung des Unternehmens auswirkt und wie sie verhindert werden kann.  

3. Den Customer Lifetime Value verstehen

Maschinelles Lernen ermöglicht es, Verhaltensmuster zu finden, die einen höheren Customer Lifetime Value (CLTV) anzeigen. Zudem erhalten Marketer ein tieferes Verständnis darüber, welche Faktoren den CLTV bestimmen.

4. Attribution optimieren

Durch die vielen Kanäle, die nachverfolgt und analysiert werden können, ist es heute schwerer denn je, Attribution zu verstehen. Machine Learning geht über die einfache Abbildung der Customer Journey hinaus und identifiziert und analysiert Muster in Ereignisketten, die dazu führen, dass ein Kunde die vom Unternehmen gewünschte Aktion ausführt (Kauf, E-Mail-Registrierung oder Anmeldungen zum Beispiel). Obwohl es beim Machine Learning auch zu einem Algorithmic Bias kommen kann, also zu algorithmischen Vorurteilen, durch fehlerhafte Daten, kann maschinelles Lernen dennoch eine Vielzahl menschlicher Fehler aus dem traditionellen Attributions-Tracking beseitigen.

Fazit

Der gegenwärtige Trend um das Thema erschwert es Unternehmen vielleicht zunächst, direkt einen praktikablen Weg zu finden, maschinelles Lernen für sich einzusetzen. Doch konzentrieren sich Marketer wirklich auf das, was für sie selbst umsetzbar und wirkungsvoll ist, lässt sich mithilfe der Technologie die persönliche und vor allem individuelle Interaktion mit dem Kunden in den Mittelpunkt des Marketings rücken. Das sorgt wiederum für echte personalisierte Erlebnisse, die mehr Kundenzufriedenheit und Markenbindung mit sich bringen. Die vier genannten Möglichkeiten sind nur Beispiele dafür, wie Unternehmen maschinelles Lernen für Marketing-Prozesse nutzen können. Sobald mit den richtigen Daten und dem passenden Technologie-Stack eine Basis geschaffen wurde, können Marketer damit beginnen, Machine Learning ganz individuell und innovativ für sich zu nutzen.