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

Von allen Fortschritten in der modernen Werbung sind nur wenige aufregender als maschinelles Lernen. Es verändert die Art und Weise, wie Unternehmen Daten sammeln und analysieren, und sogar die Möglichkeiten, die Daten leisten können.

Aber mit revolutionärer Technologie stellen sich große Fragen. Was, warum und wie funktioniert es? Diese und mehr beantworten wir heute.

Was ist maschinelles Lernen in der Werbung?

Machine Learning in der Werbung bezieht sich auf den Prozess, bei dem die Werbetechnologie Daten aufnimmt, analysiert und Schlussfolgerungen zur Verbesserung einer Aufgabe formuliert. Einfacher ausgedrückt: So lernt die Werbetechnik.

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

Je mehr Daten eine Machine-Learning-Technologie verarbeitet, desto mehr lernt sie über diese Aufgabe und desto besser kann sie sie ausführen. 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 oft 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 daher 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 bleiben. Die als „dunkle Daten“ bezeichneten Hauptgründe für ihre Nichtverwendung sind die folgenden:

Fehlende Tools, fehlende Daten, zu viele Daten und isolierte Systeme halten Unternehmen davon ab, das Beste aus ihrem Publikum herauszuholen. Allen 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, Vice President und Managing Director des Data Center of Excellence des IAB, sagt, es sei KI:

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

Daten zu zähmen und mit KI „auf die nächste Stufe“ zu bringen, scheint ein futuristisches Konzept zu sein, aber es ist etwas, das seit Jahren geschieht. Dennoch beginnen Werbetreibende erst an der Oberfläche des Potenzials von KI zu kratzen.

5 Beispiele für maschinelles Lernen in der Werbung

Machine Learning in der Werbung ist nicht immer leicht zu erkennen, da eine komplexe Verarbeitung hinter den Kulissen stattfindet. Es besteht eine gute Chance, dass einige Ihrer bevorzugten Tools 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, haben Sie ein begrenztes Budget. Und das zwingt Sie, 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 seine Zielgruppe machen, auch die Art und Weise einschränken, wie Sie werben. Beispiel: Wenn es sich bei Ihrem Produkt um ein Videospiel handelt, können Sie Anzeigen für junge Spieler und ihre Eltern mittleren Alters schalten, Großeltern oder ältere Spieler jedoch nicht berücksichtigen. Solche Annahmen können Sie Einnahmen kosten.

Auf der VentureBeat Transform 2018 AI Conference wurde dieses Szenario von Julie Shumaker, VP von Unity Advertiser Solutions, vorgestellt. Es ist genau die Art von Problem, die maschinelles Lernen beheben kann:

Werbetreibende könnten sehr spezifische Ziele haben, wie zum Beispiel eine 17-Dollar-Spielinstallation an einen 22-jährigen Spieler zu verkaufen, sagte sie. Sie denken vielleicht nicht an eine 65-jährige Frau. Aber maschinelles Lernen könnte zeigen, dass diese Frau im Laufe von drei Tagen wahrscheinlich etwa 3,99 US-Dollar ausgeben wird. Und wenn die Akquisitionskosten 75 Cent betragen, ergibt dies einen ebenso guten ROI wie höhere Dollar-Ziele für typischere Anzeigenziele.

Aufgrund ihrer kostengünstigen Fähigkeit, riesige Datenmengen zu verarbeiten, eignen sich Technologien für maschinelles Lernen hervorragend, um Einnahmemöglichkeiten aufzudecken, die durch Budget und menschliche Annahmen eingeschränkt 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 die verrückten Sachen ausprobieren“, sagt John Koetsier, VP of Insights bei Singular, einer Marketingdatenplattform.

Einer der Kunden von Singular verfolgte beispielsweise den unkonventionellen Ansatz, eine Anzeige für ein Videospiel zu schalten, ohne ein tatsächliches Gameplay zu zeigen. Die kontraintuitive Kampagne führte zu vielen Gesprächen über das Produkt bei der Zielgruppe.

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

2. Anzeigenmotiv verbessern

Zielgruppen reagieren unterschiedlich auf Anzeigen. Medien, Schriftarten, Call-to-Action – das sind einige der kreativen Zutaten, die die Leute zum Klicken oder Abschalten bringen.

Während viele der Ansicht sind, dass maschinelles Lernen ausschließlich quantitative Daten umfasst, ist dies nicht der Fall. Rajiv Bhat, Senior Vice President of Data Sciences and Marketplace bei InMobi, sagt, dass ein Predictive Analytics-System auch bei der Entwicklung besserer Creatives helfen kann:

In einem solchen System werden Daten über vergangene Creatives und vergangene Kampagnen gecrusht, um genau zu bestimmen, was für laufende Bemühungen funktionieren würde. Mit dieser KI-Anwendung können Marken ein besseres Gefühl dafür bekommen, wie sich alles von Messaging, 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 „Creative AI“ genannte Dienst für maschinelles Lernen 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 feststellen, welches Creative sich positiv auf das Publikum ausgewirkt hat. Und dieses spezielle System kann so spezifisch werden wie die Art und Weise, wie Menschen in 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 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, Detaillierungsgrad, 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 Bereiche bewertete: Offenheit, Gewissenhaftigkeit, Extrovertiertheit, Verträglichkeit und Neurotizismus. Dann versuchten sie herauszufinden, welche Bilder welche Persönlichkeitsmerkmale ansprachen. Dabei entdeckten sie unter anderem:

• Extrovertierte Menschen bevorzugten einfache Bilder und Bilder, die Personen zeigten
• Aufgeschlossene Menschen bevorzugten Bilder ohne Personen und mit coolen Farben wie Blau und Schwarz
• Menschen mit hohem Neurotizismus mochten ruhige und minimal anregende Szenen

In einer Folgestudie fanden die Forscher heraus, dass Probanden Anzeigenbilder bevorzugten, die zu ihrer Persönlichkeit passten. Noch wichtiger ist jedoch, 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 gaben sie eine positivere Einstellung und Kaufabsicht an.

3. Steigern Sie die kontextuelle Relevanz

Theoretisch sollte das Entwerfen einer großartigen Anzeige ausreichen, um eine großartige 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 dem richtigen Targeting zur richtigen Zeit geschaltet werden. Bhat sagt, dass dies auch ein Prozess ist, der durch maschinelles Lernen verbessert wird:

Es ist beispielsweise möglich, dass Creatives mit mehr Farbkontrast nachts besser abschneiden oder Anzeigen mit Sportstars am Wochenende am besten abschneiden. KI kann diese Granularität und Erkenntnisse für die Entwicklung und Leistung von Anzeigenkreativen bereitstellen.

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

Anstatt sich ausschließlich auf Zielgruppendaten zu verlassen, werden zunehmend Technologien des maschinellen Lernens verwendet, um On-Page-Daten zu verarbeiten. 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 lassen die Grenzen zwischen Mensch und Maschine verschwimmen, wie sich in Anwendungen wie der Sentimentanalyse zeigt – Maschinen sind zunehmend in der Lage, die in einem Text geäußerten Meinungen zu identifizieren und zu kategorisieren, um festzustellen, ob der Autor die Einstellung zu einem bestimmten Thema oder Produkt hat positiv, negativ oder neutral ist.

Die Nuance entwickelt sich hier ständig weiter, während sich die Sprache ausdehnt und Dinge wie Sarkasmus und Emoticons enthält, um die Bedeutung auszudrücken. Die rasanten Fortschritte beim Deep Learning ermöglichen es Computern, Bilder und Videos menschenähnlicher zu verarbeiten.

Grundsätzlich kann ein Verständnis des Inhalts einer Seite dazu beitragen, dass Werbetreibende und Publisher relevantere Werbung schalten. Auf einer komplexeren Ebene ermöglicht es Werbetreibenden, einige beeindruckende Dinge zu tun.

Vodafone-Beispiel

Betrachten Sie ein Beispiel von Vodafone in Großbritannien, das damit werben wollte, das iPhone X zu tragen. Aufgrund der stark restriktiven Markennutzungsrichtlinien von Apple fiel es dem Unternehmen schwer, das Produkt tatsächlich zu erwähnen.

Also haben sie sich die maschinelle Lerntechnologie von GumGum zunutze gemacht. Bei der Bereitstellung analysierte diese Technologie On-Page-Bilder, um iPhone-Anzeigen zu finden, und platzierte dann Vodafone-Anzeigen darüber. Dies war den Verbrauchern klar genug, die aufgrund der Assoziation der Anzeigen verstanden, dass das Unternehmen das iPhone tragen würde.

Jeep-Beispiel

Jeep, ein weiterer GumGum-Kunde, entschied sich, die Verhaltensmodellierung zu überspringen und stattdessen den Kontext zu nutzen. Mit seiner Machine-Learning-Technologie durchsuchte das Unternehmen Webseiten nach Bildern von Modellen, die mit ihrem 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 die Markenreputation bewirken. Angesichts der zunehmenden Anzahl programmatischer Anzeigen, die auf markenunsicheren Placements geschaltet werden (z (wie viele mit YouTube gezwungen wurden.)

4. Zielen Sie auf definiertere Segmente ab

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 1:1-Personalisierung, die sich Kunden wünschen.

Aber um auch nur annähernd eine 1:1-Personalisierung zu erreichen, benötigen Sie zunächst eine riesige Datenmenge. Dann brauchen Sie einen ausgeklügelten Algorithmus für maschinelles Lernen, um die Daten zu sichten und in etwas Brauchbares zu verwandeln.

Glücklicherweise sind dies beide Funktionen großer Netzwerke wie Facebook, Google und LinkedIn. Sie sammeln riesige Datensammlungen über ihre Nutzer – 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 den Tagesablauf, die Interaktionen, Standpunkte 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 als „Liebesbrief“ für zukünftige Geschäftseinblicke bezeichnen, weil es „ein Ausdruck der Wahrheit in schriftlicher Form“ ist.

Für Unternehmen ist die Wahrheit in Form von Kundeninformationen nicht einfach. Wenn es also im Überfluss gesammelt und von Netzwerken wie Facebook und Google genutzt wird, wird es zu einer wertvollen Möglichkeit, Ihre Zielgruppe deutlich auf eine Zielgruppe einzugrenzen, die Ihr Angebot wahrscheinlicher 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 von dieser Zielgruppe das Ziel, für das Sie bieten, am ehesten erreicht.

Gleichzeitig ist diese Praxis wertlos, wenn Sie einfach Ihre Zielgruppe eingrenzen und das gleiche Anzeigenerlebnis bieten. 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 personalisierte Anzeige haben, die auf ihren Daten basiert. Und um dieses Erlebnis fortzusetzen, sollte jede Anzeige die Nutzer auf eine ebenso personalisierte Post-Klick-Seite leiten.

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

Wenn sie jedoch eine Anzeige sehen, während sie sich ein Video-Tutorial ansehen, sehen sie etwa Folgendes:

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

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

5. Bieten Sie strategischer

Bei programmatischer Werbung sind nicht alle Impressionen das wert, was Sie bereit sind, dafür zu bieten. Einige sind. Und manche sind sogar noch mehr wert.

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

Nehmen Sie zum Beispiel Smart Bidding von Google: eine automatisierte Gebotsstrategie, die mithilfe von maschinellem Lernen die Conversions oder den Conversion-Wert in jeder Auktion optimiert. Dies wird als "Auktionszeitgebote" bezeichnet. Laut Google gibt es fünf Arten von Smart Bidding-Strategien:

• Ziel-CPA: Ziel-CPA legt Gebote fest, um möglichst viele Conversions auf oder unter dem von Ihnen festgelegten Ziel-CPA (Cost-per-Action) zu erzielen.
• Ziel-ROAS: Mit dem Ziel-ROAS können Sie Gebote basierend auf einem Ziel-ROAS (Return on Advertising Spend) abgeben. Mit dieser Strategie können Sie bei dem von Ihnen festgelegten Ziel-Return-on-Ad-Spend (ROAS) mehr Conversion-Wert oder Umsatz erzielen.
• Conversions maximieren: Mit der Option "Conversions maximieren" werden Gebote automatisch so festgelegt, dass Sie die meisten Conversions für Ihre Kampagne erzielen und gleichzeitig Ihr Budget ausgeben.
• Auto-optimierter CPC: Mit dem auto-optimierten Cost-per-Click (ECPC) können Sie mehr Conversions durch manuelle Gebote erzielen. ECPC passt Ihre manuellen Gebote automatisch für 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 ausgewähltes Ziel am effektivsten sind. Diese Daten enthalten einen weitaus größeren Bereich von 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, Web-Platzierung und mehr.

Da Smart Bidding basierend auf Daten aus all Ihren Kampagnen optimiert werden kann, können auch neue Kampagnen eine höhere Leistung erzielen. Sie sollten jedoch keine Geschäftsentscheidungen basierend auf Kampagnenergebnissen treffen, bis Sie eine ausreichend große Stichprobe haben: mindestens 30 Conversions (50 für 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 genauso der Fall wie bei jedem anderen: bessere Chatbots, Spracherkennung, Bildverarbeitung usw.

Aber maschinelles Lernen kann heute einen großen positiven Einfluss auf Ihre Kampagnen haben . Gebotsstrategien, kreative und vor allem Personalisierung können sich exponentiell verbessern, wenn Sie ein für Sie geeignetes Modell für maschinelles Lernen finden. 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 Bemühungen um maschinelles Lernen herausholen, indem Sie personalisierte Post-Click-Landingpages von Instapage verbinden. Holen Sie sich hier eine Demo.