Maschinelles Lernen zählt zu den spannendsten Entwicklungen moderner Werbung. Es verändert, wie Unternehmen Daten sammeln und auswerten und welche Möglichkeiten sich daraus ergeben.
Die Technologie wirft zugleich Fragen auf: Was ist sie, warum ist sie sinnvoll und wie funktioniert sie? Betrachten wir das genauer.
Was ist maschinelles Lernen in der Werbung?
Werbetechnologie nimmt Daten auf, analysiert sie und nutzt die Ergebnisse, um eine Aufgabe besser zu erledigen. Vereinfacht gesagt lernt das System auf diese Weise, seine Arbeit als Werbespezialist zu verbessern.
Was es lernt, hängt vom System ab. Es kann um Medieneinkauf, Kundenreisen, Zielgruppen oder andere Werbeaufgaben gehen.
Je mehr relevante Daten verarbeitet werden, desto mehr kann das System über die Aufgabe lernen und desto besser kann es sie lösen, ähnlich wie ein Mensch durch Erfahrung.
Verwechseln Sie maschinelles Lernen nicht mit künstlicher Intelligenz.
Der Unterschied zwischen maschinellem Lernen und KI
Beide Begriffe fallen häufig gemeinsam, wenn es um moderne Technologie geht. Sie hängen zusammen, sind aber nicht austauschbar.
Maschinelles Lernen bezeichnet einen bestimmten Prozess: Systeme verbessern ihre Funktionen mithilfe von Daten. KI ist der weitere Begriff für Technologien, die traditionell menschliche Intelligenz erfordernde Aufgaben ausführen. Maschinelles Lernen ist also ein Teilbereich der KI, kein Synonym.
Warum maschinelles Lernen?
Von digitalen Transaktionen über Warenbestände bis zu Temperaturen im Serverraum können Unternehmen heute beinahe alles erfassen.
Berichte deuten darauf hin, dass mehr als die Hälfte der verfügbaren Daten ungenutzt bleibt. Diese Bestände werden häufig als Dark Data bezeichnet. Zu den Hindernissen gehören:
Fehlende Werkzeuge, unvollständige Datensätze, zu viele unbrauchbare Informationen und voneinander getrennte Systeme. Dahinter steht ein einfaches, großes Problem: Menschen können nicht mehr alles selbst identifizieren, sammeln und verarbeiten.
Besonders auffällig ist die Lücke beim Sammeln und Analysieren: Das Fehlen geeigneter Werkzeuge wird mit 85 % angegeben.
Werbetreibende verfügen bereits über Terabytes und Petabytes demografischer Daten, darunter persönliche Angaben, Standorte und Interessen für die Ansprache potenzieller Kunden. Bei 95 % bleibt ein erheblicher Teil dieser Informationen unzureichend verstanden. KI kann helfen, sie nutzbar zu machen und weiterzuentwickeln.Orchid Richardson
KI zur Einordnung von Daten und für den nächsten Entwicklungsschritt zu nutzen, klingt vielleicht futuristisch. Tatsächlich geschieht es seit Jahren.
Beispiele für maschinelles Lernen in der Werbung
Die Anwendung ist nicht immer sichtbar, weil die komplexe Verarbeitung im Hintergrund stattfindet. Einige Ihrer bevorzugten Werkzeuge nutzen bereits maschinelles Lernen für ihre Erkenntnisse.
Damit können Werbetreibende:
1- Unerwartete Chancen entdecken
Gute Werbung stützt sich auf gezielte Daten. Die Art ihrer Gewinnung ist jedoch nicht immer ideal.
Vielleicht möchten Sie sämtliche Informationen zu einem Angebot analysieren. Ein begrenztes Budget zwingt jedoch zur Priorisierung. Dadurch wird insgesamt weniger Wissen gesammelt.
Auch Annahmen über Angebot und Publikum können Entscheidungen beschränken. Bei einem Videospiel denken Sie möglicherweise an junge Spieler und deren Eltern, aber nicht an Großeltern. Solche Annahmen können Chancen kosten.
Auf der KI-Konferenz 2018 erläuterte Julie Shumaker, Vice President Advertiser Solutions bei Unity, ein entsprechendes Beispiel:
Ein Werbetreibender könnte einer 22-jährigen Person eine Spielinstallation für 17 Dollar verkaufen wollen und eine 65-jährige Frau gar nicht berücksichtigen. Maschinelles Lernen kann zeigen, dass diese Frau innerhalb von drei Tagen etwa 3,99 Dollar ausgibt. Kostet ihre Gewinnung 75 Cent, kann die Rendite ebenso attraktiv sein wie bei höheren Beträgen in der üblichen Zielgruppe.
Weil große Datenmengen wirtschaftlich verarbeitet werden, lassen sich Umsatzchancen erkennen, die Budgetgrenzen und menschliche Annahmen sonst verdecken.
2- Werbemittel verbessern
Menschen reagieren unterschiedlich auf Medien, Schriften und Handlungsaufforderungen. Diese Gestaltung entscheidet mit darüber, ob sie klicken oder abschalten.
Maschinelles Lernen wird häufig nur mit Zahlen verbunden. Auch vorausschauende Analysen können jedoch kreative Arbeit verbessern.
Ein System kann frühere Anzeigen und Kampagnen untersuchen, um erfolgversprechende Elemente zu erkennen. Marken verstehen so besser, wie Botschaften, Schriften, Farben, Bilder, Schaltflächengrößen und Formate die Gesamtleistung beeinflussen.Rajiv Bhat
Das ist keine bloße Theorie. Die Marketingautomatisierungsplattform Bidalgo bietet Creative AI an. Der Dienst analysiert Bildmaterial, um voraussichtlich erfolgreiche Ansätze zu erkennen.
Dabei lassen sich positive Wirkungen bis hin zu Details wie der Körperhaltung abgebildeter Menschen untersuchen. Anschließend erstellt das System ein datenbasiertes Briefing für das Kreativteam.
Eine im Journal of Consumer Psychology beschriebene Studie ordnete Bilder Persönlichkeitstypen zu. Algorithmen erfassten 89 Merkmale, darunter Farbton, Sättigung, Farbvielfalt, Detailgrad und die Anzahl abgebildeter Personen.
745 Teilnehmende bewerteten Bilder auf einer Skala von 1–7 und absolvierten einen Persönlichkeitstest zu Offenheit, Gewissenhaftigkeit, Extraversion, Verträglichkeit und Neurotizismus. Danach untersuchten die Forschenden die Zusammenhänge. Unter anderem zeigte sich:
- Extravertierte Menschen bevorzugten einfachere Bilder und Darstellungen mit Menschen.
- Offene Menschen bevorzugten Bilder ohne Personen und mit kühlen Farben wie Blau und Schwarz.
- Menschen mit stärkerem Neurotizismus mochten ruhige, reizärmere Szenen.
Eine Folgestudie bestätigte die Vorliebe für persönlichkeitsgerechte Werbebilder. Wichtiger war jedoch der erkannte Zusammenhang mit dem Produktinteresse. Die Personen mochten nicht nur die Bilder, sondern äußerten positivere Einstellungen zu den Marken und eine höhere Kaufabsicht.
3- Die kontextuelle Relevanz erhöhen
Theoretisch sollte eine hervorragende Gestaltung für eine hervorragende Reaktion reichen. Praktisch ist es komplizierter.
Die Anzeige muss auch auf der richtigen Plattform, zum richtigen Zeitpunkt und mit passender Ausrichtung erscheinen. Maschinelles Lernen kann diesen Prozess verbessern.
Statt ausschließlich Zielgruppendaten zu verwenden, analysieren Systeme zunehmend Seiteninhalte auf anspruchsvolle Weise.
Entwicklungen wie Sentiment-Analyse verwischen die Grenze zwischen menschlicher und maschineller Interpretation. Systeme erkennen Meinungen in Texten und ordnen die Haltung gegenüber einem Thema oder Produkt als positiv, negativ oder neutral ein. Diese Fähigkeit entwickelt sich mit sprachlichen Feinheiten wie Ironie und Redewendungen weiter. Fortschritte im Deep Learning ermöglichen außerdem eine zunehmend menschenähnliche Verarbeitung von Bildern und Videos.Harmon Lyons, Senior Vice President Global Business Development bei IAS
Schon das grundlegende Verständnis einer Seite hilft, passendere Werbung auszuliefern. Anspruchsvollere Anwendungen eröffnen weitere Möglichkeiten.
Das Beispiel Vodafone
Vodafone wollte im Vereinigten Königreich das iPhone X in seiner Werbung zeigen. Apples strenge Regeln zur Markennutzung erschwerten die Erwähnung.
Das Unternehmen wandte sich an GumGum. Die Technologie analysierte Seitenbilder, erkannte iPhone-Werbung und platzierte darüber Vodafone-Anzeigen.
Das Beispiel Jeep
Jeep, ebenfalls GumGum-Kunde, wählte Kontext statt Verhaltensmodellierung. Die Technologie suchte nach Bildern konkurrierender Cherokee-Modelle wie des Toyota RAV4. Darüber wurden Jeep-Anzeigen eingeblendet.
Maschinelles Lernen kann auch die Reputation schützen. Wenn programmatische Werbung in unsicheren Umfeldern wie neben extremistischen Inhalten erscheint, können solche Systeme einen PR-Schaden frühzeitig verhindern helfen.
4- Eine passendere Zielgruppe erreichen
Werbetreibende streben größtmögliche Relevanz an. Engere Segmente nähern sich der gewünschten Eins-zu-eins-Personalisierung.
Dafür sind große Datenmengen und ausreichend leistungsfähige Algorithmen erforderlich, die daraus nutzbare Entscheidungen ableiten.
Netzwerke wie Facebook, Google und LinkedIn bieten solche Möglichkeiten. Ihre Daten umfassen Interessen, Hobbys, Standorte, Berufsbezeichnungen und weitere Angaben zur genaueren Ausrichtung.
Einzelne Unternehmen können diese Informationen kaum selbst erheben. Werden eigene Kundendaten durch solche Netzwerke ergänzt, lassen sich Menschen identifizieren, die das Angebot wahrscheinlich benötigen.
Facebook sammelt Daten und ermöglicht die Bildung von Zielgruppen. Maschinelles Lernen entscheidet außerdem, für wen geboten wird und wer das gewünschte Ziel voraussichtlich erreicht.
Die stärkste Werbung bietet heute personalisierte Inhalte, die für die Zielgruppe tatsächlich Bedeutung haben.
Jede Zielgruppe sollte zu ihren Daten passende Werbung erhalten. Die Seite nach dem Klick muss dieses persönliche Erlebnis fortsetzen.
Ein Beispiel liefert Abreva mit 119 Anzeigen, die an die angesehenen Inhalte angepasst wurden.
Aus vier Grundvideos entstanden mit Director Mix 119 Fassungen mit interessengerechten Texten. Die ausgespielte Anzeige richtete sich danach, was jemand gerade ansah.
Bei Videos über Prominentenklatsch erschien diese Folge:
Botschaft 1: Über Trennungen von Prominenten kommen Sie nicht hinweg.
Botschaft 2: Eine Erkältung können Sie aber in 2,5 Tagen überwinden.
Bei Beauty-Anleitungen sah die Ansprache so aus:
Botschaft 1: Lippenherpes macht Ihnen zu schaffen.
Botschaft 2: Werden Sie Lippenherpes in 2,5 Tagen los.
Der Ansatz erhöhte Bekanntheit und Berücksichtigung. Abreva meldete 41 % mehr allgemeine Werbeerinnerung und 342 % mehr Suchinteresse in der Zielgruppe auf Google und YouTube.
Die Fallstudie von Think with Google finden Sie hier.
Responsive Suchanzeigen erlauben mehrere Titel, Textvarianten und Beschreibungen, die Google testet und kombiniert. Werbetreibende mit dieser Funktion erzielten durchschnittlich 15 % mehr Klicks.
5- Strategischer bieten
Nicht jede programmatische Impression verdient ein Gebot. Manche Gelegenheiten sind wertvoller als andere.
Demand-Side-Plattformen ersetzen einen Teil der Schätzarbeit. Maschinelles Lernen kann Gebote und Optimierungen übernehmen, für die früher erfahrene Einkäufer nötig waren.
Google Smart Bidding optimiert beispielsweise Conversions oder Conversion-Wert in jeder Auktion durch maschinelles Lernen. Das wird als Gebotsabgabe zum Auktionszeitpunkt bezeichnet.
Google beschreibt fünf Arten von Smart-Bidding-Strategien:
- Ziel-CPA: Eine Google Ads-Strategie, die möglichst viele Conversions zum festgelegten Preis pro Aktion oder darunter anstrebt. Fortschrittliches maschinelles Lernen passt das Gebot jeder Auktion an.
- Ziel-ROAS: Gebote auf Grundlage einer gewünschten Rendite der Werbeausgaben. Ziel ist mehr Conversion-Wert oder Umsatz innerhalb dieser Vorgabe.
- Conversions maximieren: Automatische Gebote sollen bei Ausschöpfung des Budgets möglichst viele Conversions erzielen. Sie werden für jede Auktion optimiert.
- Auto-optimierter CPC: Manuelle Klickgebote werden für voraussichtlich verkaufs- oder conversionstarke Klicks angepasst, um zusätzliche Conversions zu gewinnen.
Die Wahl hängt von Zielen, Budget und weiteren Faktoren ab. Smart Bidding analysiert laufend, welche Gebote und Impressionen dem Ziel am besten dienen. Dabei können mehr Leistungsparameter berücksichtigt werden, als es einer einzelnen Person oder einem Team möglich wäre.
Zum Auktionszeitpunkt werden vielfältige Signale genutzt: erkennbare Eigenschaften der Person oder des Kontexts. Dazu gehören Gerät und Standort, die auch als manuelle Gebotsanpassungen verfügbar sind, sowie zusätzliche Signale und Kombinationen für Smart Bidding. Details finden Sie hier.
Googles Empfehlung
Smart Bidding kann großen und kleinen Unternehmen helfen. Daten aus mehreren Kampagnen unterstützen die Optimierung, auch bei neuen Kampagnen ohne eigene Historie. Für eine aussagekräftige Bewertung sollte ein längerer Zeitraum, etwa mindestens ein Monat, mit wenigstens 30 Conversions gemessen werden.
Maschinelles Lernen kann Kampagnen deutlich verbessern. Gebote, Gestaltung und besonders Personalisierung profitieren, wenn ein zu Ihren Anforderungen passendes Modell eingesetzt wird.
Kommentare