Maschinelles Lernen im Marketing

Wie bereits in den ersten Blogbeiträgen erwähnt wird KI bzw. ML schon seit längerer Zeit erfolgreich in verschiedene Bereiche implementiert. Auch in Unternehmen und speziell im Marketing steigt die Bedeutung der neuen Technologie immer mehr.[1] Zu welchem Erfolg die Verwendung der Künstlichen Intelligenz führen kann, wird an Unternehmen wie beispielsweise Facebook, Microsoft, Amazon oder Alphabet, der Konzernmutter von Google, ersichtlich. Existierten diese Unternehmen vor 10 Jahren kaum, gehören die innovativen Firmen mittlerweile zu den einflussreichsten Unternehmen weltweit und sind aus unserem Alltag oft nicht mehr wegzudenken.[2] Da es jedoch unzählige Arten gibt Marketing mit Hilfe von Maschinellem Lernen zu verbessern, wollen wir uns in diesem Blogpost besonders auf personalisierte Empfehlungen und die dynamische Preisoptimierung konzentrieren.

Für eine Studie zur aktuellen Nutzung der künstlichen Intelligenz im Marketing wurden 208 Marketing-Manager aus der DACH Region befragt. Dabei empfanden 80% der Befragten KI im Marketing für den Unternehmenserfolg wichtig. Aus der Umfrage kann außerdem entnommen werden, dass ausschließlich 26,5% der Teilnehmer bereits die Technologie im Marketing nutzen, und davon auch nur 7% intensiv. Somit ist in diesem Umfeld durchaus noch eine ausgiebige Auseinandersetzung und Aufarbeitung nötig, um im internationalen Markt wettbewerbsfähig bleiben zu können und ungenutztes Potenzial verwerten zu können. Vor allem in Bereichen wie Consumer Insight und Data sehen die Marketing-Manager am meisten Potenzial für die Technologie.[3]

Personalisierte Empfehlungen

Die Relevanz von personalisierten Empfehlungen steigt in der heutigen Zeit immer mehr. Zu wissen, wie sich Kunden verhalten, welche Vorlieben diese haben und in welcher Lebensphase sie sich gerade befinden, ist essenziell, um eine persönliche und emotionale Kundenbeziehung aufzubauen.[4] Personalisierte Empfehlungen reichen vom News Feed, wie beispielsweise bei Facebook, über personalisierte Suchen, wie bei Google, bis hin zu individuellen Kaufempfehlungen bei Amazon oder Serien- und Musikvorschläge bei Netflix und Spotify. Sie alle verwenden Maschinelles Lernen mit intelligenten Algorithmen in Kombination mit den einzelnen Kundenprofilen, um personalisierte Inhalte für Kunden bereitstellen zu können.

Personalisierung in Onlineshops

Durch Recommendation Engines (RE) in Onlineshops, wie beispielsweise be iAmazon, werden dem Kunden personalisierte Kaufempfehlungen vorgeschlagen. Laut einer Studie ließen sich 79% der Probanden nachweislich durch personalisierte Vorschläge häufiger zum Kauf verleiten. Besonders bei jüngeren Teilnehmern, den16-29-Jährigen, wurde dieses Phänomen nachgewiesen.[5] Ziel dabei ist es, den Gesamtumsatz zu maximieren. Bei der häufig sehr großen Auswahl an Produkten und den sich schnell ändernden Preisen, zum Beispiel in der Textilbranche, ist es umso wichtiger, einen intelligenten Algorithmus bei den RE zu hinterlegen.[6] Somit können diese in Echtzeit dynamisch lernen und Fehler in der Produktempfehlung vermieden werden. Amazon benutzt Reinforcement Learning und ist auch als Vorreiter in diesem Gebiet bekannt. Dabei wird nicht nur auf unternehmensinterne personenbezogene Daten, sondern ebenso auf Social Media-Daten, von beispielsweiseTwitter, Facebook und Google, zugegriffen. So kann Amazon in Kombination mit dem digitalen Fußabdruck, den jeder User hinterlässt, Kundenbedürfnisse ableiten. Dadurch werden dem Kunden, auch wenn er die Seite nur für ein Produktbesucht, auf Basis anderer online verfügbaren Daten, personalisierte Empfehlungen vorgeschlagen.[7]

Die primäre Aufgabe des Reinforcement Learning bei RE ist somit, im Verlauf des gesamten Websitesbesuchs des Kunden, die richtigen Maßnahmen zutreffen, um den größtmöglichen Gewinn zu erwirtschaften.[8]

Dynamische Preisoptimierung

Bedingt durch das Internet und den aufkommenden Preisvergleichsportalen, steigt die Preistransparenz, wodurch es für Kunden immer einfacher wird, den günstigsten Preis für ein Produkt zu finden. Um mit den Wettbewerbern mithalten zu können und um den zahlreichen Einflussfaktoren des Preises gerecht zu werden, ist eine dynamische Preisoptimierung nötig.[9 ]Amazon, als Vorreiter in diesem Gebiet, konnte im April 2017 etwa 3,6 Mio. dynamische Preisschritte vorweisen.[10] Daher werde nimmer häufiger Preisstrategien mit Hilfe von künstlicher Intelligenz eingesetzt.[11] Hierbei ist es nicht das Hauptziel die Preise der Konkurrenten zu unterbieten, sondern den Preis anzubieten, den der Kunde bereit ist zu bezahlen. In diesem Zusammenhang werden auch häufig die Begriffe Dynamic Pricing und intelligentes Couponing verwendet.

DynamicPricing

Unter Dynamic Pricing versteht man dabei die Preisstrategie, bei der Unternehmen die Preise für Produkte oder Dienstleistungen permanent der aktuellen Marktsituation anpassen. Diese Preisanpassung erfolgt oft maschinell anhand definierter Algorithmen. Bei dieser Methode werden neben Wettbewerbspreisen zusätzlich externe Faktoren, wie Angebot und Nachfrage, das Wetter oder der Wochentag, mit einbezogen. Hierbei rückt vor allem die Preisakzepttanz der Kunden in denVordergrund, welche für jeden Kunden individuell zu bestimmen ist.  Durch Algorithmen wird zu jeder Zeit für jedes Produkt der optimale Preis für einen Kunden berechnet.[12]

Fazit

Neben den personalisierten Empfehlungen und der dynamischen Preisoptimierung gibt es weitere zahlreiche Gebiete, wie das Marketing eines Unternehmens mit Hilfe von Machine Learning unterstützt werden kann. Trends, wie beispielweise Predictive Shipping, die intelligente Bilderkennung, ChatBots, virtuelle Assistenten, uvm. sind weitereTrends, die bereits implementiert werden.

Künstliche Intelligenz ist derzeit zwar bereits in vielen Köpfen verankert und die steigende Relevanz ist bekannt, jedoch mangelt es nach wie vor in der erfolgreichen Implementierung in Unternehmen.[13] Hierbei sollte vorallem das Know-how der Marketing-Manager erweitert werden, um einei ntensive Nutzung der KI im Marketing zu ermöglichen. Jedoch sollte auch beachtet werden, die neue Technologie nicht nur zu verwenden, weil es von vielen anderen genauso gemacht wird. Erst nachdem bewusst entschieden worden ist, wofür und weshalb KI in einem Unternehmen eingesetzt werden soll, sollte die Umsetzung stattfinden.

______________________________________________________________________

Quellen:

[1]Vgl.Claudia Bünte, Künstliche Intelligenz – die Zukunft des Marketing: Ein praktischer Leitfaden für Marketing-Manager, essentials (Wiesbaden: Springer Fachmedien Wiesbaden, 2018), S. 11.

[2] Vgl. ‘2018 Studie Kuenstliche Intelligenz –  Die Zukunft Des Marketings.Pdf’, S. 10.

[3]Vgl. ‘2018 Studie Kuenstliche Intelligenz – Die Zukunft Des Marketings.Pdf’, S. 10–11.

[4]Vgl. Tanja Kruse Brandão and Gerd Wolfram, Digital Connection: Die Bessere Customer Journey Mit Smarten Technologien – Strategie Und Praxisbeispiele, 2018, S. 9

[5]Vgl. ‘Studie Personalisierte Werbung’, p. 5.

[6]Vgl. Peter Gentsch, Künstliche Intelligenz für Sales, Marketing und Service(Wiesbaden: Springer Fachmedien Wiesbaden, 2018), S. 177.

[7]Vgl. Soraya Sedkaoui, Data Analytics and Big Data(Hoboken, NJ: ISTE Ltd/John Wiley and Sons Inc, 2018), S. 165–66.

[8]Vgl. Gentsch, S. 182.

[9]Vgl. Rainer Gläß and Rainer Gläß, Anwendungen: Effizienz erhöhen und Kunden gewinnen, Künstliche Intelligenz im Handel, Raimer Gläß ; 2 (Wiesbaden: Springer Vieweg, 2018), S. 9.

[10]Vgl Tim Pototzki, ‘Repricing-Barometer: Preisaktivität steigt im April um fast ein Viertel’.

[11]Vgl. Gläß and Gläß, S. 9.

[12]Vgl. Gläß and Gläß, S. 10–13.

[13]Vgl. ‘2018 Studie Kuenstliche Intelligenz –  Die Zukunft Des Marketings.Pdf’, S. 18.

Print Friendly, PDF & Email

One thought on “Maschinelles Lernen im Marketing

  1. Marcus Birkenkrahe

    Sie sprechen häufig von “häufig”, unklar bleibt, was das eigentlich bedeutet. Ich verstehe die verschiedenen Anwendungen; unklar ist, warum Sie zwei herausgreifen – am Ende (NACH Ihrem Fazit? – das ist strukturell ungeschickt) erwähnen Sie dann noch einige mehr. Aus der Einleitung geht diese Auswahl jedenfalls nicht hervor – da geben sie Informationen, die eher an den Schluss gehören, oder die man jedenfalls an die beiden Themen (Personalisierung/Pricing) anbinden muss – “Consumer Insight and Data” bzw Wettbewerbsfähigkeit – wenn ich es richtig verstanden habe. Der Übergang von diesem interessanten Aspekt zum nächsten fehlt für mich völlig. Und was ist “Intelligentes Couponing”, bzw. wo kann ich mehr über diese ganzen Verfahren erfahren, von denen Sie wissen – oder kommen die alle noch in weiteren Blogartikeln?

Leave a Reply

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