März 19, 2019
Teilen

KI-gestützte Werbung: Von Personalisierung zu Relevanz

Werbetreibende arbeiten kontinuierlich daran, Konsumenten genau die richtigen Produkte zu zeigen – und zwar genau im Moment der höchsten Kaufbereitschaft. Die zunehmende Bedeutung von künstlicher Intelligenz in der Werbeindustrie hat dieses Bestreben deutlich vereinfacht. Personalisierung ist heute nicht mehr nur ein optionaler Pluspunkt; aus Sicht sowohl der Werbetreibenden als auch der Kunden ist Personalisierung Pflichtprogramm.

Der Einsatz künstlicher Intelligenz hat die Werbung mit Produktempfehlungen umfassend transformiert. Diese Werbeform spielt jetzt eine entscheidende Rolle in der Customer Journey.

Machine Learning ist in der Lage, große, sich ständig verändernde Datenbestände zu verarbeiten und vorherzusagen, welche weiteren Produkte für einen Käufer von besonderem Interesse sind. Im Idealfall bedeutet das: Der Nutzer sieht beim Browsen im Internet sehr viel weniger Ads mit Produkten, die ihn überhaupt nicht interessieren.

Doch was wäre, wenn der heutige Stand von personalisierten Produktempfehlungen nur der Anfang ist? Wenn wir mittels künstlicher Intelligenz Werbung generieren könnten, die höchst relevant sowie kontextbezogen ist und so die Kunden mit ihrer Botschaft deutlich besser erreicht?

Das Criteo AI Lab entwickelt und testet neue Modelle für das Machine Learning, die das Leistungsspektrum von digitaler Werbung völlig neu definieren werden. Unsere Forschungsarbeit im Bereich der Empfehlungssysteme weckt die berechtigte Hoffnung auf eine strahlende Zukunft für Produktempfehlungen.

Doch bevor wir einen Blick in die Zukunft wagen, sollten wir zunächst betrachten, wie sehr künstliche Intelligenz die digitale Werbung bereits transformiert hat – und was wir im Bereich der automatisierten Produktempfehlungen bereits alles erreicht haben.

Wie ermöglicht Machine Learning leistungsstarke Personalisierung?

Werbetreibende fühlten sich jahrelang durch die immer weiter wachsenden, oft für sie völlig nutzlosen Datenberge überfordert. Doch jetzt fragen sie: Verfüge ich über genug Daten? Verfüge ich über die richtigen Daten? Und, vielleicht am wichtigsten: Nutze ich das volle Potenzial meiner Daten?

Die breite Nutzung künstlicher Intelligenz durch AdTech-Plattformen hat zu einem grundlegenden Wandel geführt. Je mehr Daten mittels künstlicher Intelligenz verarbeitet werden können, desto besser können solche Systeme Werbetreibenden dabei helfen, den individuellen Käufer zu verstehen und für ihn relevante Ads zu generieren. Also kann es nicht mehr zu viele Daten geben – zumindest soweit es den Einsatz künstlicher Intelligenz betrifft.

Machine Learning Modelle sind darauf trainiert, Muster in großen Beständen historischer Daten zu finden – nicht nur zum Verhalten im Onlineshopping, sondern auch im stationären Handel –, und auf Basis dieser Insights mögliche Ergebnisse vorherzusagen. Sie sind in der Lage, das bestmögliche Ergebnis zu prognostizieren – in diesem Fall also das Produkt, dass ein bestimmter Käufer kaufen möchte.

Die daraus resultierenden Ads sind auf den individuellen Käufer maßgeschneidert. Entsprechend ist die Wahrscheinlichkeit besonders hoch, dass sie zum gewünschten Ergebnis (Klick und/oder Kauf) führen. Jedes neue Ergebnis produziert Feedback für das Modell und verbessert entsprechend die Performance.

Die Stärke von KI ist es, dass dieser Prozess automatisiert ist. Dennoch müssen Werbetreibende einige zentrale Elemente verstehen:

Werbetreibende und Konsumenten: Beide Seiten profitieren von KI

Auf das Individuum personalisierte Werbung erlaubt es Werbetreibenden, das Potenzial ihrer Daten und ihrer Budgets auszuschöpfen. Machine Learning Modelle können auf die entsprechenden Zielvorgaben optimiert werden. Und die generierten Ads sind so gestaltet, dass sie das Optimum aus den Werbeausgaben herausholen.

Mit KI ist es möglich, relevante Ads mit echten 1:1-Angeboten und Inhalten zu generieren. Durch den Einsatz prognostischer Lernmodelle können KI-gestützte Produktempfehlungen Kunden genau die neuen Produkte präsentieren, die diese vermutlich gerne kaufen möchten.

Hier findet ihr mehr Informationen zur Datenverarbeitung in der Criteo Engine (in englischer Sprache).

Hyper-Relevanz: Von der Produktempfehlung bis zur Gestaltung.

Personalisierte Ads bieten Produkte an, für die sich die Kunden am wahrscheinlichsten interessieren. Für relevante Ads spielt jedoch der Kontext die entscheidende Rolle.

Mittels Machine Learning könnt ihr das Potenzial eurer Daten optimal ausschöpfen. Auf Basis früherer Interaktionen eines Nutzers mit Ads und seiner Browser-Historie generiert die Engine eine Ad in genau der richtigen Farbe sowie im richtigen Format und liefert sie über den richtigen Kanal aus. KI ist in der Lage, jedem User wirklich auf ihn und seine Bedürfnisse maßgeschneiderte Ads anzuzeigen.

Hier findet ihr mehr Informationen zu Predictive Bidding (in englischer Sprache).

KI ist nur so gut wie eure Daten

Alle Werbetreibenden wünschen sich akkurate Daten. Doch bei so großen Mengen haben nicht alle Daten die gewünschte Qualität. Beim Einsatz von KI kann eine schlechte Datenquelle aufgrund eines Dominoeffekts große Auswirkungen haben.

In vielen Bereichen des Marketing wird KI in diesem Jahr eine noch größere Rolle spielen. Doch für präzise Prognosemodelle kommt es auf die Datenqualität an. Daher solltet ihr Probleme und Sorgen zum Thema Datenqualität sofort adressieren. Ihr solltet mit vertrauenswürdigen Partnern zusammenarbeiten und in eurem Unternehmen Datenanalysten beschäftigen, die in der Lage sind, Schwachpunkte aufzuspüren und Daten von schlechter Qualität auszusieben.

KI-gestützte Werbung mit Produktempfehlungen: Wo stehen wir heute?

Unser Report State of AdTech 2019 hat gezeigt: Displaywerbung ist die weltweit am häufigsten genutzte Werbeform. Das verwundert uns nicht: Ads mit Produktempfehlungen führen Konsumenten durch die Customer Journey und bringen sie so den vielleicht entscheidenden Schritt näher an die Kaufentscheidung.

Doch die Effektivität dieser Produktempfehlungen hängt davon ab, wie ausgereift die eingesetzten Modelle sind und wie leistungsstark das hinter den Kulissen arbeitende Machine Learning ist.

Empfehlungssysteme basieren auf einer zentralen Annahme: Je mehr wir über einen Käufer wissen, desto besser können wir ihm Produkte empfehlen, die ihm gefallen und die er wahrscheinlich kaufen wird. Die frühesten Empfehlungsmodelle basierten auf dem expliziten Feedback der jeweiligen Nutzer. Doch die Technologie hat seitdem massive Fortschritte gemacht. Damals kam es vor allem auf die Vorlieben eines Kunden an und darauf, wie gut er ein Produkt auf Kategorieebene bewertet hat.

In den letzten Jahren haben jedoch zwei entscheidende Faktoren großen Einfluss auf die Weiterentwicklung der Produktempfehlungsmodelle genommen:

1. Bessere KI

Die Rechenleistung hat deutlich zugenommen und das Machine Learning hat entscheidende Fortschritte gemacht: Empfehlungssysteme arbeiten heute besser und schneller.

Das Criteo AI Lab wurde übrigens speziell dafür gegründet, um die Grenzen von Deep Learning und KI zu erforschen und zu erweitern. Unser Ziel ist es, Modelle zu entwickeln, die nicht nur den Werbetreibenden eine bessere Performance bieten, sondern den Nutzern auch ein optimales Shoppingerlebnis ermöglichen.

Da sich jedoch die Erwartungen und Ansprüche der Konsumenten stetig ändern, ist die Arbeit an unseren KI-Systemen niemals abgeschlossen.

2. Fortgeschrittene Empfehlungsmodelle

Werbetreibende fordern heute mehr von Empfehlungssystemen. Entsprechend haben sich die Modelle gewandelt und setzen auf implizites statt auf explizites Feedback. Es geht nicht mehr um die Produkte, von denen ein Nutzer sagt, dass sie ihm gefallen, sondern um die, die ihn wirklich interessieren und die er wahrscheinlich kaufen wird.

Produkte werden zudem nicht mehr nur nach ihren Kategorien bewertet, sondern bis hinunter auf die SKU-Ebene. So werden Produktempfehlungen deutlich präziser.

Unser AI Lab entwickelt und testet Empfehlungsmodelle mit dem Ziel, Relevanz zu erreichen und – in hoffentlich nicht allzu ferner Zukunft – zu übertreffen.

Aufgrund dieser beiden Faktoren haben sich neue Standards für die Werbung mit Produktempfehlungen etablieren können. Im Mittelpunkt stehen jetzt nicht mehr die Produkte und Produktkategorien, sondern der Kunde und seine Customer Journey.

Produktempfehlungen sollen im Prinzip funktionieren wie ein persönlicher Einkaufsassistent: Sie sollen Kunden dabei unterstützen, das für sie aktuell relevanteste und hilfreichste neue Produkt zu entdecken. Idealerweise können die Systeme vorhersagen, was ein Kunde kaufen will – noch bevor es selber weiß.

Für Werbetreibende sind solch ausgereifte Empfehlungsmodelle deutlich effektiver beim Umsetzen der eigenen Ziele. Gleichzeitig verbessern sie die Online-Erfahrung der Konsumenten. Wie Accenture Interactive herausgefunden hat, bevorzugen 91 % der Konsumenten Brands, die in der Lage sind, sie kanalübergreifend persönlich anzusprechen und ihnen relevante Angebote und Empfehlungen zu unterbreiten.

Die Zukunft der Empfehlungssysteme: Mehr Effizienz durch Kausalität

Intelligente Werbetreibende wollen natürlich wissen: „Was kommt als nächstes?“ Diese Frage stellen wir uns bei Criteo auch stetig. Unser AI Lab bietet eine Antwort: Zukünftige Systeme werden in der Lage sein, kausale Effekte von Produktempfehlungen auf die Nutzer zu verstehen.

Aktuelle Empfehlungssysteme basieren auf Korrelationen. Doch dank künstlicher Intelligenz können die Systeme der nächsten Generation nicht nur auf historische Daten zurückgreifen, sondern auch berücksichtigen, welchen Effekt jede Produktempfehlungs-Ad (und die Reaktion des Nutzers darauf) hat.

Mit diesen Informationen können Algorithmen in Zukunft Produktempfehlungen in Echtzeit anpassen und so den Konsumenten optimal ansprechen. Werbetreibende können dann erkennen, ob ihre Produkte tatsächlich das Verhalten der Konsumenten beeinflussen, denen ihre Ads gezeigt werden.

Zwar werden solche Kausalitätsbasierten Empfehlungsmodelle derzeit erst getestet, doch unsere Entwickler sind überzeugt, dass sie die Werbung mit Produktempfehlungen ein weiteres Mal revolutionieren werden.

Für Werbetreibende bedeutet das: Kausalitätsbasierte Produktempfehlungen nutzen Werbebudgets besser und bieten detaillierte Einsichten in das Nutzerverhalten. Letztendlich wird dieser Ansatz zu mehr Sales führen. Unser Ziel ist es, den Anteil irrelevanter Werbung zu reduzieren und sicherzustellen, dass jede Ad auf die Customer Journey des einzelnen Kunden abgestimmt ist.

Für Konsumenten werden die über das neue Modell generierten relevanten Ads deutlich vielseitiger und überraschender sein. Diese Ads werden sie auf ihrer individuellen Customer Journey inspirieren und zu neuen Produkten führen, die sie kaufen wollen.

So schöpft ihr das Potenzial eurer Daten voll aus!

KI unterstützt Unternehmen aller Größen dabei, ihre Daten sinnvoll zu aktivieren. Mit einer von modernster KI gestützten Werbeplattform könnt ihr in den Bereichen Personalisierung und Kundenerfahrung mit den größten Unternehmen der Welt mithalten.

In den nächsten drei Jahren investiert Criteo mehr als 20 Millionen US-Dollar in unser AI Lab. Ziel ist es, Unternehmen dabei zu unterstützen, das volle Potenzial ihrer Daten auszuschöpfen. Das AI Lab, die Criteo Forschung & Entwicklung sowie unser Team für Machine Learning Platform Engineering sind gemeinsam in der Lage, modernste KI nicht nur zu entwickeln, sondern auch in unsere Produkte zu integrieren. So schaffen wir Innovation, die unsere ganze Branche verwandeln wird.

Wir wünschen uns eine Zukunft, in der Werbetreibende Käuferdaten dazu nutzen, relevante Ads zu generieren, bessere Nutzererfahrungen zu schaffen und noch intensivere Kundenbeziehungen aufzubauen.

Mehr Informationen zu unserem AI Lab findet ihr unter ailab.criteo.com.