5 Beispiele, die zeigen, wie maschinelles Lernen die digitale Werbung verändert

Von allen Fortschritten in der modernen Werbung sind nur wenige spannender als maschinelles Lernen. Es verändert die Art und Weise, wie Unternehmen Daten sammeln und analysieren und sogar das Verfassen von Anzeigentexten mit KI automatisieren.

Aber mit revolutionärer Technologie kommen große Fragen. Was, warum und wie funktioniert es? Heute beantworten wir diese und mehr.

Was ist maschinelles Lernen in der Werbung?

Maschinelles Lernen in der Werbung bezieht sich auf den Prozess, bei dem die Anzeigentechnologie Daten aufnimmt, sie analysiert und Schlussfolgerungen zur Verbesserung einer Aufgabe formuliert. Einfacher ausgedrückt: So lernt die Anzeigentechnologie.

Was es lernt, hängt von der Technologie ab. Es könnte alles sein, was mit Werbung zu tun hat: Medienkauf, Customer Journey Mapping, Zielgruppensegmentierung usw.

Je mehr Daten eine maschinelle Lerntechnologie verarbeitet, desto mehr lernt sie über diese Aufgabe und desto besser kann sie sie erledigen. So wie es ein Mensch tun würde.

Der Unterschied zwischen maschinellem Lernen und künstlicher Intelligenz

In Gesprächen über die fortschrittlichsten Technologien von heute werden Sie häufig die Begriffe „maschinelles Lernen“ und „künstliche Intelligenz“ hören. Sie sind verwandt, aber es ist wichtig zu wissen, dass sie nicht austauschbar sind.

Während sich maschinelles Lernen auf einen bestimmten Prozess bezieht: Maschinen, die Daten verwenden, um zu „lernen“ und ihre Funktionsweise zu verbessern, ist künstliche Intelligenz ein weiter gefasster Begriff. Es bezieht sich auf Technologien, die Aufgaben ausführen können, die traditionell menschliche Intelligenz erfordern. Maschinelles Lernen ist also ein Aspekt der künstlichen Intelligenz, aber nicht gleichbedeutend mit KI.

Warum maschinelles Lernen?

Von digitalen Transaktionen und Einzelhandelsbeständen bis hin zur Temperatur von Serverräumen gibt es wenig, was das moderne Unternehmen nicht verfolgen kann.

Und obwohl mehr Daten mehr Möglichkeiten zur Verbesserung bedeuten, gilt dies nur, wenn Sie über die erforderlichen Daten verfügen, um sie zu analysieren. Leider tun dies die meisten Unternehmen nicht.

Berichte zeigen, dass mehr als die Hälfte der heutigen Daten ungenutzt bleibt. Bekannt als „dunkle Daten“, sind die Hauptgründe, warum sie nicht verwendet werden, folgende:

Mangelnde Tools, fehlende Daten, zu viele Daten und isolierte Systeme halten Unternehmen davon ab, das Beste aus ihrem Publikum herauszuholen. All diesen Hindernissen liegt ein einfaches, aber großes Problem zugrunde: Der Mensch kann nicht mehr alles. Es gibt einfach zu viel zu identifizieren, zu sammeln und zu verarbeiten.

Die Lösung?

Orchid Richardson, Vizepräsidentin und Geschäftsführerin des Data Center of Excellence des IAB, sagt, es ist KI:

Bereits 95 % der Werbetreibenden verfügen über Terabytes und Petabytes an demografischen Daten, einschließlich personenbezogener Daten, Standortinformationen und Interessen, die sie verwenden können, um Interessenten anzusprechen, von denen sie fast nichts wissen. Künstliche Intelligenz ist eine Möglichkeit, diese Daten zu zähmen und auf die nächste Stufe zu heben.

Obwohl es wie ein futuristisches Konzept erscheint, Daten zu zähmen und sie mit KI „auf die nächste Stufe“ zu bringen, ist dies etwas, das seit Jahren geschieht. Dennoch kratzen Werbetreibende gerade erst an der Oberfläche des Potenzials von KI.

5 Beispiele für maschinelles Lernen in der Werbung

Maschinelles Lernen in der Werbung ist nicht immer leicht zu erkennen, da hinter den Kulissen eine komplexe Verarbeitung stattfindet. Es besteht eine gute Chance, dass einige Ihrer Lieblingstools maschinelles Lernen nutzen, um die Erkenntnisse zu liefern, die Sie für selbstverständlich halten.

Ob neu oder altbewährt, hier sind einige der wichtigsten Dinge, die maschinelles Lernen Werbetreibenden ermöglicht:

1. Profitieren Sie von unerwarteten Erkenntnissen

Wenn Sie ein guter Werbetreibender sind, schalten Sie Anzeigen mit Hilfe gezielter Daten. Aber die Art und Weise, wie Sie diese Daten erhalten, ist nicht perfekt.

Obwohl Sie vielleicht jeden Datenpunkt in Bezug auf Ihr Angebot analysieren möchten, arbeiten Sie mit einem begrenzten Budget. Und das zwingt Sie dazu, die wichtigsten Daten zu priorisieren, die für eine erfolgreiche Werbekampagne erforderlich sind. Priorisierung kann je nach Budget sehr wenig Daten bedeuten.

Ein weniger offensichtliches Problem ist jedoch, dass die Annahmen, die Sie über Ihr Angebot und sein Publikum treffen, auch die Art und Weise einschränken, wie Sie werben. Beispiel: Wenn Ihr Produkt ein Videospiel ist, können Sie Anzeigen für junge Spieler und ihre Eltern mittleren Alters schalten, aber keine Großeltern oder ältere Spieler berücksichtigen. Diese Art von Annahmen kann Sie Einnahmen kosten.

Auf der KI-Konferenz VentureBeat Transform 2018 wurde dieses Szenario von Julie Shumaker, Vizepräsidentin für Werbetreibendenlösungen von Unity, vorgestellt. Es ist genau die Art von Problem, das maschinelles Lernen beheben kann:

Werbetreibende könnten sehr spezifische Ziele haben, wie den Verkauf einer 17-Dollar-Spielinstallation an einen 22-jährigen Spieler, sagte sie. Sie denken vielleicht nicht an eine 65-jährige Frau. Aber maschinelles Lernen kann zeigen, dass diese Frau im Laufe von drei Tagen wahrscheinlich etwa 3,99 $ ausgeben wird. Und wenn die Anschaffungskosten 75 Cent betragen, ergibt sich ein ebenso guter ROI wie höherpreisige Ziele für typischere Werbeziele.

Aufgrund ihrer kostengünstigen Fähigkeit, große Datenmengen zu verarbeiten, eignen sich maschinelle Lerntechnologien hervorragend, um Umsatzmöglichkeiten aufzudecken, die durch Budget und menschliche Annahmen begrenzt werden können.

Unabhängig davon, ob es sich um Einblicke in Zielgruppen, interne Prozesse, Gebotsstrategien oder mehr handelt, das Verbesserungspotenzial kann groß sein.

Mit maschinellem Lernen „können Sie verrückte Dinge ausprobieren“, sagt John Koetsier, VP of Insights bei Singular, einer Marketingdatenplattform.

Einer der Kunden von Singular hat zum Beispiel den unkonventionellen Ansatz gewählt, eine Anzeige für ein Videospiel zu schalten, ohne das tatsächliche Gameplay zu zeigen. Die kontraintuitive Kampagne löste bei ihrer Zielgruppe viele Gespräche über das Produkt aus.

„Sie können viele, viele Dinge ausprobieren, weil Sie die Maschine dann in Echtzeit herausfinden lassen können, was Wirkung erzeugt“, sagte Koetsier. „Du kannst dummes Zeug machen, und manchmal ist dummes Zeug kluges Zeug.“

2. Verbessern Sie die Anzeigenkreation

Zielgruppen reagieren unterschiedlich auf Werbeanzeigen. Medien, Schriftarten, Call-to-Action – dies sind einige der kreativen Zutaten, die die Leute dazu bringen, zu klicken oder abzuschalten.

Während viele davon ausgehen, dass maschinelles Lernen rein quantitative Daten beinhaltet, ist dies nicht der Fall. Rajiv Bhat, Senior Vice President of Data Sciences and Marketplace bei InMobi, sagt, dass ein prädiktives Analysesystem auch bei der Entwicklung besserer kreativer Inhalte helfen kann:

In einem solchen System werden Daten zu früheren Creatives und früheren Kampagnen zusammengeführt, um genau zu bestimmen, was für laufende Bemühungen funktionieren würde. Mit dieser Anwendung von KI können Marken ein besseres Gefühl dafür bekommen, wie sich alles von Botschaften, Schriftarten, Farben, Bildern, Schaltflächengrößen oder Formaten auf die Gesamtleistung der Kampagne auswirkt.“

Es mag so klingen, aber ein System wie dieses ist nicht hypothetisch. Bidalgo, eine Marketing-Automatisierungsplattform für mobile Apps, bietet ein Tool, das genau dies tut. Dieser maschinelle Lerndienst mit dem Namen „Creative AI“ analysiert visuelle Medien, um kreative Ansätze zu finden, die wahrscheinlich erfolgreich sind. Sein CMO, Rishi Shiva, sagt:

Bevor Sie Hunderttausende von Dollar in die Entwicklung von Video-Assets investieren, können Sie Ihre historischen Bilder und Videos tatsächlich durch unser System laufen lassen, und es wird Ihnen tatsächlich Einblicke geben.

Sie können bestimmen, welches Creative eine positive Wirkung auf das Publikum hatte. Und dieses spezielle System kann so spezifisch werden wie die Art und Weise, wie Menschen auf Bildern posieren. Danach liefert die Software basierend auf der Analyse ein kreatives Briefing für Content-Teams.

Eine ähnliche Anwendung des maschinellen Lernens, die im Journal of Consumer Psychology ausführlich beschrieben wird, beinhaltet ein Forschungsprojekt, das Bilder mit Persönlichkeitstypen abgleicht. Darin verwendeten die Forscher Algorithmen, um 89 verschiedene Merkmale für Bilder zu identifizieren, darunter Farbton, Sättigung, Farbvielfalt, Detailgenauigkeit, Anzahl der Personen und mehr.

Die 745 Teilnehmer der Studie wurden gebeten, Bilder auf einer Skala von 1-7 zu bewerten. Als sie fertig waren, absolvierten sie einen Persönlichkeitstest, der sie in fünf Bereichen bewertete: Offenheit, Gewissenhaftigkeit, Extraversion, Verträglichkeit und Neurotizismus. Dann versuchten sie herauszufinden, welche Bilder welche Persönlichkeitsmerkmale ansprachen. Unter anderem entdeckten sie:

• Extrovertierte Menschen bevorzugten einfache Bilder und Bilder mit Personen
• Aufgeschlossene Menschen bevorzugten Bilder ohne Menschen und mit kühlen Farben wie Blau und Schwarz
• Menschen mit hohem Neurotizismus mochten ruhige und minimal stimulierende Szenen

In einer Folgestudie fanden die Forscher heraus, dass die Probanden Anzeigenbilder bevorzugten, die zu ihrer Persönlichkeit passten. Aber noch wichtiger ist, dass der maschinelle Lernalgorithmus herausgefunden hat, dass die Beziehung zwischen Persönlichkeitstyp und Bildtyp das Interesse eines Verbrauchers an einem Produkt beeinflussen kann. Die Leute bevorzugten nicht nur Bilder, die zu ihrer Persönlichkeit passten. Auch gegenüber diesen Marken berichteten sie über positivere Einstellungen und Kaufabsichten.

3. Steigern Sie die Kontextrelevanz

Theoretisch sollte das Entwerfen einer großartigen Anzeige ausreichen, um eine große Resonanz bei Ihrer Zielgruppe zu erzielen. Natürlich ist es nie so einfach.

Ihre Anzeige muss nicht nur gut gestaltet sein, sondern auch auf der richtigen Plattform mit der richtigen Ausrichtung zur richtigen Zeit geschaltet werden. Bhat sagt, dass dies auch ein Prozess ist, den das maschinelle Lernen verbessert:

Beispielsweise ist es möglich, dass Motive mit mehr Farbkontrast nachts besser abschneiden oder dass Anzeigen mit Sportstars am Wochenende am besten abschneiden. KI kann dieses Maß an Granularität und Erkenntnissen für die Entwicklung und Leistung von Anzeigenkreationen bereitstellen.

Die Kontextrelevanz wird jetzt wichtiger, da die Regulierungsbehörden hart gegen die Datennutzung vorgehen. Die DSGVO hat Datenbeschränkungen auferlegt, und andere Länder ziehen nach.

Anstatt sich ausschließlich auf Zielgruppendaten zu verlassen, werden zunehmend maschinelle Lerntechnologien zur Verarbeitung von On-Page-Daten eingesetzt. Und sie tun es auf eine Weise, die so komplex ist, dass sie fast menschlich ist. Harmon Lyons, Senior Vice President of Global Business Development bei IAS, sagt:

Aktuelle Fortschritte verwischen die Grenzen zwischen Mensch und Maschine, was sich in Anwendungen wie der Stimmungsanalyse zeigt – Maschinen sind zunehmend in der Lage, die in einem Text ausgedrückten Meinungen zu identifizieren und zu kategorisieren, um festzustellen, ob die Einstellung des Autors zu einem bestimmten Thema oder Produkt ist positiv, negativ oder neutral ist.

Nuancen entwickeln sich hier immer weiter, wenn sich die Sprache ausdehnt, und beinhalten Dinge wie Sarkasmus und Emoticons, um Bedeutung auszudrücken. Schnelle Fortschritte beim Deep Learning ermöglichen es Computern, Bilder und Videos auf menschenähnlichere Weise zu verarbeiten.

Auf einer grundlegenden Ebene kann das Verständnis des Inhalts einer Seite Werbetreibenden und Publishern dabei helfen, relevantere Werbung zu schalten. Auf einer komplexeren Ebene ermöglicht es Werbetreibenden, einige beeindruckende Dinge zu tun.

Beispiel Vodafone

Betrachten Sie ein Beispiel von Vodafone in Großbritannien, das damit werben wollte, dass es das iPhone X führen würde. Aufgrund der sehr restriktiven Markennutzungsrichtlinien von Apple hatte das Unternehmen Schwierigkeiten, das Produkt tatsächlich zu erwähnen.

Also nutzten sie die maschinelle Lerntechnologie von GumGum. Beim Einsatz analysierte diese Technologie Bilder auf der Seite, um iPhone-Anzeigen zu finden, und platzierte dann Vodafone-Anzeigen darüber. Dies war für die Verbraucher klar genug, die verstanden, dass das Unternehmen das iPhone basierend auf der Anzeigenzuordnung tragen würde.

Beispiel Jeep

Jeep, ein weiterer GumGum-Kunde, beschloss, die Verhaltensmodellierung zu überspringen und stattdessen vom Kontext zu profitieren. Mit seiner maschinellen Lerntechnologie durchsuchte das Unternehmen Webseiten nach Bildern von Modellen, die mit seinem Cherokee konkurrierten, wie dem Toyota RAV4. Dann platzierten sie, wie Vodafone, ihre Anzeigen über konkurrierenden Modellen.

Über diese Anwendungsfälle hinaus kann maschinelles Lernen großartige Dinge für den Ruf der Marke tun. Angesichts der zunehmenden Häufigkeit programmatischer Anzeigen, die auf markenunsicheren Platzierungen geschaltet werden (wie beispielsweise neben extremistischen Inhalten), kann maschinelles Lernen Werbetreibenden helfen, einen PR-Albtraum zu verhindern, bevor er passiert, und zu vermeiden, dass eine Website und ihr potenziell riesiges Publikum boykottiert werden müssen (wie viele gezwungen waren, mit YouTube zu tun.)

4. Targeting auf definiertere Segmente

Das Ziel jedes Werbetreibenden ist höchste Relevanz. Und der Weg zur Relevanz ist die Segmentierung. Je enger Ihre Zielgruppensegmente werden, desto näher kommen Sie der Bereitstellung der 1:1-Personalisierung, nach der sich Kunden sehnen.

Aber um auch nur annähernd eine 1:1-Personalisierung zu erreichen, benötigen Sie zunächst eine riesige Menge an Daten. Dann benötigen Sie einen ausreichend ausgeklügelten maschinellen Lernalgorithmus, um die Daten zu sichten und in etwas Brauchbares umzuwandeln.

Glücklicherweise sind dies beide Funktionen von großen Netzwerken wie Facebook, Google und LinkedIn. Sie sammeln riesige Sammlungen von Daten über ihre Benutzer – Hobbys, Interessen, Standort, Berufsbezeichnungen usw. – die Werbetreibende verwenden können, um ihre Zielsegmente einzugrenzen. Gil Allouche, Mitbegründer und CEO von Metadata.io, sagt, dass Daten wie diese so wertvoll sind, dass sie die Arbeit mit anderen Daten erleichtern:

Um hier nicht zu „meta“ zu werden, aber Metadaten sind Informationen, die Auskunft über andere Daten geben. Sagen wir das noch einmal anders: Metadaten fassen grundlegende Informationen über Daten zusammen, was das Auffinden und Arbeiten mit bestimmten Dateninstanzen erleichtert. Laut Smart Insights „zeichnen Metadaten ein Bild über die tägliche Routine, Interaktionen, Sichtweisen und Assoziationen einer Person, und der Grund, warum sie so nützlich sind, ist, dass sie nicht lügen.

Wenn Sie diese Art von Daten zusammenstellen, erhalten Sie das, was Gil und das Team von Metadata.io eine „Liebeserklärung“ für zukünftige Geschäftseinblicke nennen, weil es „ein Ausdruck der Wahrheit in schriftlicher Form“ ist.

Für Unternehmen ist die Wahrheit in Form von Kundeninformationen nicht leicht zu bekommen. Wenn es also in Hülle und Fülle gesammelt und von Netzwerken wie Facebook und Google genutzt wird, wird es zu einer wertvollen Möglichkeit, Ihre Zielgruppe deutlich auf eine einzugrenzen, die Ihr Angebot mit größerer Wahrscheinlichkeit in Anspruch nimmt.

Facebook sammelt Daten und ermöglicht es Ihnen, Zielgruppen zu erstellen. Noch wichtiger ist, dass die Plattform maschinelles Lernen verwendet, um zu bestimmen, wer aus dieser Zielgruppe am wahrscheinlichsten das Ziel erreicht, für das Sie bieten.

Gleichzeitig ist diese Praxis wertlos, wenn Sie einfach Ihre Zielgruppe eingrenzen und das gleiche Anzeigenerlebnis liefern. Gil hat recht, wenn er sagt: „Die besten Anzeigen sind heute überzeugende, personalisierte Inhalte mit echter Bedeutung für das Publikum einer Marke.“

Jede Zielgruppe sollte eine Anzeige haben, die auf der Grundlage ihrer Daten personalisiert ist. Und um dieses Erlebnis fortzusetzen, sollte jede Anzeige die Nutzer auf eine Post-Click-Seite leiten, die ebenso personalisiert ist.

Nehmen Sie dieses Beispiel von Abreva, die 119 verschiedene Anzeigen für ihr Produkt basierend auf dem Kontext, in dem es angesehen wurde, erstellt hat. Wenn Kunden auf die Anzeige in einem Video über beispielsweise Promi-Klatsch gestoßen sind, wurde ihnen eine Anzeige wie diese gezeigt:

Aber wenn sie eine Anzeige sehen, während sie sich ein Video-Tutorial ansehen, würden sie so etwas sehen:

Die personalisierte Kampagne führte zu einem großen Bekanntheits- und Aufmerksamkeitsschub. Abreva steigerte die Anzeigenerinnerung um 41 % und das Suchinteresse auf Google und YouTube um 342 %.

In anderen Netzwerken, wie der Google-Suche, macht maschinelles Lernen den Prozess noch schneller. Mit responsiven Suchanzeigen können Sie mehrere Versionen von Überschrift, Text und Beschreibung eingeben, und Google testet und bedient die eine mit der besten Leistung. Im Durchschnitt generieren die Werbetreibenden, die diese Funktion verwenden, eine Steigerung der Klicks um 15 %.

5. Bieten Sie strategischer

Bei der programmatischen Werbung sind nicht alle Impressionen das wert, was Sie bereit sind, dafür zu bieten. Einige sind. Und einige sind noch mehr wert.

Dank Demand-Side-Plattformen erfordert die Auswertung dieser Eindrücke kein Rätselraten mehr. Mithilfe der Technologie des maschinellen Lernens können diese Plattformen Gebote und Optimierungen abgeben, für die früher erfahrene Käufer erforderlich waren.

Nehmen Sie zum Beispiel Googles Smart Bidding: eine automatisierte Gebotsstrategie, die maschinelles Lernen verwendet, um in jeder Auktion die Conversions oder den Conversion-Wert zu optimieren. Dies wird als „Auktionszeitgebot“ bezeichnet. Laut Google gibt es fünf Arten von Smart Bidding-Strategien:

• • Ziel-CPA: Ziel-CPA legt Gebote fest, um so viele Conversions wie möglich bei oder unter dem von Ihnen festgelegten Ziel-Cost-per-Action (CPA) zu erzielen.

• • Ziel-ROAS: Mit dem Ziel-ROAS können Sie Gebote basierend auf einem Ziel-ROAS (Return on Advertising Spend) abgeben. Diese Strategie hilft Ihnen, einen höheren Conversion-Wert oder Umsatz bei dem von Ihnen festgelegten Ziel-Return-on-Ad-Spending (ROAS) zu erzielen.

• • Conversions maximieren: „Conversions maximieren“ legt Gebote automatisch so fest, dass Sie mit Ihrem Budget die meisten Conversions für Ihre Kampagne erzielen.

• Verbesserter CPC: Verbesserter Cost-per-Click (ECPC) hilft Ihnen, mehr Conversions durch manuelle Gebote zu erzielen. ECPC passt Ihre manuellen Gebote automatisch an Klicks an, die mehr oder weniger wahrscheinlich zu einem Verkauf oder einer Conversion auf Ihrer Website führen.

Welche Sie wählen, hängt vom Ziel Ihrer Kampagne, Ihrem Budget und anderen Faktoren ab. Unabhängig davon können Sie sicher sein, dass der Smart Bidding-Algorithmus von Google gut trainiert ist. Laut Google werden ständig Daten erfasst und analysiert, um zu verstehen, welche Gebote und Impressionen für Ihr gewähltes Ziel am effektivsten sind. Diese Daten enthalten eine weitaus größere Bandbreite an Parametern, als ein einzelnes Team oder eine einzelne Person verarbeiten könnte.

Es umfasst grundlegende Faktoren wie Gerät und Standort, die manuell angepasst werden können, sowie automatische Signale, die nur für Smart Bidding gelten. Diese sind zahlenmäßig weitaus größer. Hier finden Sie mehrere, darunter Website-Verhalten, Produktattribute, Webplatzierung und mehr.

Da Smart Bidding basierend auf Daten aus all Ihren Kampagnen optimiert werden kann, können sogar neue Kampagnen eine höhere Leistung feststellen. Dennoch sollten Sie keine Geschäftsentscheidungen auf der Grundlage von Kampagnenergebnissen treffen, bis Sie eine ausreichend große Stichprobe haben: mindestens 30 Conversions (50 für den Ziel-ROAS) und/oder mehr als einen Monat Laufzeit.

Beginnen Sie mit maschinellem Lernen, um die Conversions zu steigern

Werbetreibende freuen sich immer über bessere Anwendungen aktueller Technologien. Das ist beim maschinellen Lernen so wie bei jedem anderen: Bessere Chatbots, Spracherkennung, Bildverarbeitung usw.

Aber maschinelles Lernen kann heute einen großen positiven Einfluss auf Ihre Kampagnen haben . Gebotsstrategien, Kreativität und vor allem Personalisierung können sich exponentiell verbessern, wenn Sie ein maschinelles Lernmodell finden, das für Sie funktioniert. Zweifellos ist für jeden etwas dabei. Auch wenn es sich nur um Smart Bidding oder die responsiven Suchanzeigen von Google handelt.

Erfahren Sie, wie Sie noch mehr aus Ihren maschinellen Lernbemühungen herausholen können, indem Sie personalisierte Post-Click-Landingpages von Instapage verbinden. Fordern Sie hier eine Demo an.