Noch vor Kurzem war KI der Neuling. Heute steht KI für performance-starke Werbung.
Dabei setzen sowohl Shopper als auch Marketer in verstärktem Maße auf KI.
Eine weltweite McKinsey-Umfrage zum Stand der KI zeigt, dass 78 Prozent der Unternehmen KI in mindestens einer Geschäftsfunktion einsetzen und 71 Prozent regelmäßig generative KI nutzen. Marketing und Sales zählen hier zu den Spitzenreitern bei der Einführung dieser Technologie.
Auf der Konsumentenseite zeigen aktuelle Studien, dass sich 71 Prozent der Shopper eine Integration von generativer KI in ihren Kaufprozess wünschen. Das heißt: KI in der Werbung hat sich von einem Nice-to-have zu einem Standard entwickelt.
Dieser Leitfaden erläutert die Grundlagen, vergleicht generative und prädiktive KI und bietet eine Roadmap mit praktischen Einsatzmöglichkeiten von KI über den gesamten Funnel hinweg.
Also, frisch ans Werk – wir haben eine Menge zu besprechen.
Was versteht man unter KI in der Werbung?
Bei KI in der Werbung geht es darum, maschinelle Intelligenz zu nutzen, um Menschen über den gesamten Ad-Lifecycle hinweg zu helfen, bessere Entscheidungen zu treffen. Dazu zählt alles von der Auswahl der Zielgruppe und dem Bidding bis hin zu Creatives, Erfolgsmessung, Optimierung usw.
Das eigentliche Ziel von KI im Bereich Werbung besteht darin, sich wiederholende Aufgaben zu automatisieren und Erkenntnisse zu gewinnen, die Menschen (wahrscheinlich) entgehen würden.
Lasst uns die wichtigen Begriffe kurz auffrischen (ihr könnt hier auch tiefer einsteigen):
- Künstliche Intelligenz. Der Oberbegriff für Systeme, die Aufgaben ausführen können, für die normalerweise menschliche Intelligenz erforderlich ist. Dazu zählen Lernen, Mustererkennung, Entscheidungsfindung und die Generierung von Inhalten.
- Maschinelles Lernen. Dieser Teilbereich der KI lernt aus Daten Muster zu erkennen, um Vorhersagen zu treffen. Ihr bietet Beispiele und ML findet das Signal.
- Deep Learning. Ein Teilbereich des maschinellen Lernens, bei dem mehrschichtige neuronale Netze zum Erlernen komplexer Darstellungen eingesetzt werden. Deep Learning ist besonders nützlich für Bilder, Audio und Sprache.
Wie passt das in euren Ad Stack?
Ein Einsatzbereich von KI ist die Ebene der Entscheidungsfindung und Content-Generierung, die auf euren bestehenden Daten aufbaut. Diese Daten fließen in Modelle ein, die wiederum eure Aktivierungskanäle – Programmatic, Retail Media Networks, Social, Search, Video und CTV – sowie eure Analytics beeinflussen.
Wenn ihr einen tieferen Einblick in die täglichen Workflows im Zusammenhang mit Performance-Werbung sucht, schaut euch Folgendes an.
Generative KI vs. prädiktive KI in der Werbung
Wer nicht hinter dem Mond lebt, ist bereits mit generativer KI vertraut. Sie ist die Grundlage für die derzeit beliebtesten KI-Tools wie ChatGPT.
Neben diesen generativen Tools gibt es aber auch spezielle Machine Learning-Modelle, die für bestimmte Aufgaben entwickelt wurden – genau wie die prädiktive KI, die als Motor für viele der Lösungen von Criteo dient.
Beide Technologien sind wichtig. In Kombination können sie noch leistungsfähiger werden.
Hier ist ein kurzer Vergleich:
| Generative KI | Prädiktive KI | |
|---|---|---|
| Ziel | Produktion von Inhaltsvariationen und Ideen | Vorhersage von Ergebnissen und Auswahl von Aktionen |
| Input Datentyp | Prompts, Brand-Richtlinien, Produkt-Feeds, Bilder/Videos | Ereignis- und Gesprächsprotokolle, Nutzerverhalten, Katalog- und Preisdaten, Kontext |
| Output | Texte, Bilder, Videos, Dialoge, strukturierte Zusammenfassungen | Scores, Gebote, Zielgruppen, Empfehlungen, Pacing und Allokation |
| Einsatz in der Werbung | Kreative Ideenfindung, Asset-Skalierung, Chatbot-Ads, lokalisierte Varianten | Targeting, Bidding, DCO, Budget- und Kanaloptimierung |
Wie KI in der Werbung funktioniert
Wenn ihr mit KI vor allem im Zusammenhang mit Tools wie ChatGPT, Claude und Gemini vertraut seid, kann es schwierig sein, eure Erfahrungen auf die Welt der Werbung zu übertragen – schauen wir uns das an.
Allgemein gesagt, folgen die meisten KI-Systeme demselben Ablauf:
Datensignale → Feature Engineering → Modelltraining → Entscheidungen im Markt → Measurement → Feedback-Loop
Das ist schon ein guter Überblick, es können aber noch mehr Dinge geklärt werden:
- Datenerhebung. Zu den erwähnten „Datensignalen“ zählen das Nutzerverhalten auf Websites und in Apps, Produktkatalogattribute, Inventar und Preise, Inhalt und Kontext sowie anonymisierte Ad-Interaktionen. Eindeutige Opt-Ins und Datenschutzkontrollen sind unabdingbar, denn ihr wollt hochwertige, datenschutzsichere Signale.
- Modelltraining. Modelle erlernen Muster, die für Werbung wichtig sind: Kaufabsicht, Reaktion auf Creatives, Churn oder prognostizierter Wert. Deep Learning hilft bei komplexen Signalen wie Bildern oder Sprache, während Gradient-Boosted Trees und logistische Regression bei strukturierten Performance-Daten nach wie vor überzeugen.
- Automatisierung und Optimierung. Die Modelle ermöglichen automatisiertes Bidding, Zielgruppenauswahl, dynamische Creative-Auswahl und Budgetzuweisung. Nahezu in Echtzeit testet, lernt und weist das System neu zu, sodass jede Impression beim nächsten Mal bessere Chancen hat, etwas zu bewirken.
Praktische Anwendungsfälle von KI in der Werbung
So also funktioniert KI in der Werbung. Vielleicht fragt ihr euch jetzt, warum ihr KI nutzen solltet.
Dafür gibt es mehrere Gründe.
Zielgruppen-Targeting und Segmentierung – Identifizieren der richtigen Kunden
Prädiktive Modelle bilden Zielgruppen auf Basis von Konversionswahrscheinlichkeiten, Absichtssignalen und Produktaffinität. Retailer und Brands nutzen zudem First-Party Daten, um Mitglieder von Kundenbindungsprogrammen oder hochwertige Kohorten im offenen Internet zu erreichen.
Ein Praxisbeispiel: Sephora kombiniert Criteo Audience Match und Dynamic Retargeting, um Mitglieder von Kundenbindungsprogrammen anzusprechen, und erzielt so über die gesamte Customer Journey einen ROI von 725 Prozent.
Dynamic Creative Optimization (DCO) – das richtige Creative zur richtigen Zeit
DCO verbindet prädiktive Entscheidungsfindung mit modularen (sprich: dynamisch erstellten) Creatives. Das System wählt Überschrift, Bild, Produkt und Preis so aus, dass sie zum Shopper und Kontext passen. Die DCO-Technologie von Criteo personalisiert Ads in Echtzeit, indem sie Insights aus Milliarden von Shoppingsignalen nutzt und die Brand-Standards einhält.
Praxisbeispiel: Shopify steigerte die Performance mit Criteo Produktempfehlungen und Dynamic Ads.
Chatbot-Ads und interaktive Erlebnisse
Generative KI ermöglicht gesprächsorientierte Formate, in denen Shopper innerhalb der Ad-Unit Fragen stellen, Produkte vergleichen und Empfehlungen erhalten können. Darüber hinaus arbeitet unser Team an Agentic-Lösungen, welche die Art und Weise, wie Konsumenten shoppen und mit Produkten (die sie lieben) interagieren, verändern werden.
Unser Chief Product Officer, Todd Parsons, stellt euch unsere Vision der Zukunft von Agentic vor.
Wie ihr KI in eurer Werbestrategie einsetzen könnt
Wir alle wissen, dass sich KI rasend schnell entwickelt. Wenn ihr diesen Text lest, gibt es wahrscheinlich bereits ein anderes Modell, eine andere Funktion oder ein anderes Tool, das um eure Aufmerksamkeit buhlt. Dennoch gibt es einige Grundlagen, die ihr in eure tägliche Kampagnenplanung einfließen lassen könnt, um KI bereits heute bestmöglich zu nutzen.
Hier sind vier Schritte, die euch den Einstieg erleichtern:
- Schritt 1: Definiert eure Kampagnenziele. Legt den KPI genau fest – inkrementelle Sales, neue Kunden, qualifizierte Leads, LTV – und bestimmt, wo ihr das messen wollt. Klare Ziele sagen den Modellen, was sie optimieren sollen.
- Schritt 2: Wählt die richtigen KI-Tools und Plattformen. Sucht nach Partnern, die starke prädiktive Modelle mit transparenter Kontrolle kombinieren und Zugang zu einzigartigen Daten haben – dem entscheidenden Treibstoff. Wenn ihr schnell starten und skalieren wollt, solltet ihr automatisierte Werbelösungen wie die GO-Kampagnen von Criteo in Betracht ziehen.
- Schritt 3: Testen und Iterieren in kleinem Maßstab. Beginnt mit einem Pilotversuch, der sauber gemessen wird – mit einer definierten Zielgruppe, klaren Kontroll- und Exposure-Gruppen und der Erfassung von Inkrementalität. Verwendet eine Handvoll Creatives (oder Module im Fall von DCO), damit das System lernen kann, ohne dass es zu Störungen kommt.
- Schritt 4: Integriert KI auf breiterer Basis in die Marketing-Automatisierung. Baut einen einfachen Datenkreislauf auf: Übertragt eingewilligte First-Party Zielgruppen sowie Conversion-Ereignisse aus eurer CDP und aus euren Analysen in Criteo. Sorgt für einen sauberen Produkt-Feed, der täglich aktualisiert wird, und bindet die Conversion-APIs an, damit die Signale im Web und in der App konsistent bleiben. Nutzt ein zielbasiertes Setup, um der KI die Gebotsabgabe, das Targeting und die Platzierung zu überlassen, während ihr die Leitplanken für ROAS, CPA und Häufigkeit festlegt.
So kommt alles zusammen
KI in der Werbung funktioniert am besten als ganzheitliches System: Prädiktive Modelle wählen den Zeitpunkt und die Zielgruppe aus, generative Modelle formulieren die Botschaft und Feedback-Loops verbessern die Ergebnisse im Laufe der Zeit, da das System lernt.
Möchtet ihr mehr über KI, maschinelles Lernen und Deep Learning für Performance Marketing erfahren? Dann erkundet unsere neuesten Artikel im Criteo Blog, beginnend mit „KI für Performance Marketer“. Wenn ihr Commerce Media- und Retail Media-Partner evaluiert, lasst uns darüber sprechen, wie ihr diese in eurer nächsten Kampagne einsetzen könnt.
