KI Marketing Agentur

KI-gestützte Marketing-Strategie

Um das enorme Potenzial von Künstlicher Intelligenz (KI) im Marketing auszuschöpfen, müssen CMOs die verschiedenen Anwendungsbereiche und ihre zukünftige Entwicklung verstehen. Dieser Artikel bietet Marketing-Führungskräften einen Überblick über den aktuellen Stand der KI und stellt ein Framework vor, mit dem sie bestehende Projekte einordnen und die Einführung zukünftiger Projekte planen können. Dabei wird KI anhand von zwei Dimensionen klassifiziert: dem Grad der Intelligenz und ob sie eigenständig oder als Teil einer größeren Plattform agiert. Einfache, eigenständige Anwendungen zur Aufgabenautomatisierung sind ein guter Ausgangspunkt. Doch fortschrittliche, integrierte Anwendungen mit maschinellem Lernen haben das größte Wertschöpfungspotenzial. Unternehmen sollten daher im Zuge des Kompetenzaufbaus auf diese Technologien hinarbeiten.

Warum Marketing am meisten von KI profitieren kann

Von allen Unternehmensfunktionen hat das Marketing das größte Potenzial, von Künstlicher Intelligenz (KI) zu profitieren. Die Kernaufgaben des Marketings – Kundenbedürfnisse verstehen, sie mit Produkten und Dienstleistungen abgleichen und Menschen zum Kauf bewegen – können durch KI erheblich verbessert werden. Kein Wunder, dass eine McKinsey-Analyse aus dem Jahr 2018 mit über 400 Anwendungsfällen zeigte, dass das Marketing der Bereich ist, in dem KI den größten Mehrwert schaffen würde.

Chief Marketing Officers (CMOs) setzen zunehmend auf diese Technologie: Eine Umfrage der American Marketing Association vom August 2019 ergab, dass die Implementierung von KI in den vorangegangenen anderthalb Jahren um 27 % gestiegen war. Und eine globale Deloitte-Umfrage von 2020 unter frühen KI-Anwendern zeigte, dass drei der fünf wichtigsten KI-Ziele marketingorientiert waren: Verbesserung bestehender Produkte und Dienstleistungen, Entwicklung neuer Produkte und Dienstleistungen sowie Stärkung der Kundenbeziehungen.

Obwohl KI bereits im Marketing Fuß gefasst hat, erwarten wir, dass sie in den kommenden Jahren eine immer größere Rolle in der gesamten Funktion spielen wird. Angesichts des enormen Potenzials der Technologie ist es für CMOs entscheidend, die Arten von KI-Anwendungen zu verstehen, die heute im Marketing verfügbar sind, und wie sie sich entwickeln können. Auf der Grundlage von über einem Jahrzehnt Erfahrung in der Untersuchung von Datenanalyse, KI und Marketing sowie der Beratung von Unternehmen aus verschiedenen Branchen haben wir ein Framework entwickelt, das CMOs helfen kann, bestehende KI-Projekte zu klassifizieren und die Einführung zukünftiger Projekte zu planen. Doch bevor wir das Framework beschreiben, werfen wir einen Blick auf den aktuellen Stand der Dinge.

KI heute: Einsatzgebiete im Marketing

Viele Unternehmen nutzen KI heute für eng definierte Aufgaben wie die Platzierung digitaler Anzeigen (auch bekannt als „programmatischer Einkauf“), für die Unterstützung bei umfassenderen Aufgaben wie der Verbesserung der Genauigkeit von Vorhersagen (z. B. Umsatzprognosen) und für die Ergänzung menschlicher Tätigkeiten bei strukturierten Aufgaben wie dem Kundenservice. (Siehe Infobox „Etablierte KI-Anwendungen im Marketing“ für eine Liste gängiger Aktivitäten, die KI unterstützen kann.)

Etablierte KI-Anwendungen im Marketing

• Chatbots für Leadgenerierung, Kundensupport und Cross-Selling oder Upselling
• Analyse und Weiterleitung eingehender Anrufe
• Personalisierung von Websites und Apps
• Dynamische Preisgestaltung
• Segmentierung von Kunden
• Social Listening und Sentiment-Analyse
• Betrugserkennung
• Marketing-Mix-Modellierung
• Content-Marketing (z. B. Texterstellung, Bildgenerierung)

Unternehmen setzen KI in jeder Phase der Customer Journey ein. In der „Consideration“-Phase, wenn potenzielle Kunden ein Produkt recherchieren, spielt KI gezielte Werbung aus und kann ihre Suche unterstützen. Ein Beispiel dafür ist der Online-Möbelhändler Wayfair, der KI nutzt, um die kaufbereiten Kunden zu ermitteln und ihnen basierend auf ihrem Suchverlauf passende Produkte anzuzeigen. KI-gesteuerte Bots von Unternehmen wie Vee24 helfen Marketern, Kundenbedürfnisse zu verstehen, das Engagement bei der Suche zu erhöhen, sie in eine gewünschte Richtung zu lenken (z. B. zu einer bestimmten Webseite) und sie bei Bedarf per Chat, Telefon, Video oder sogar „Co-Browsing“ mit einem menschlichen Vertriebsmitarbeiter zu verbinden.

KI kann den Verkaufsprozess optimieren, indem sie detaillierte Daten über Einzelpersonen, einschließlich Echtzeit-Geolocation-Daten, nutzt, um hochgradig personalisierte Produkt- oder Serviceangebote zu erstellen. Im weiteren Verlauf der Customer Journey unterstützt KI beim Upselling und Cross-Selling und kann die Wahrscheinlichkeit verringern, dass Kunden ihre digitalen Warenkörbe aufgeben. Wenn ein Kunde beispielsweise einen Warenkorb füllt, können KI-Bots motivierende Erfahrungsberichte liefern, um den Verkauf abzuschließen – etwa „Toller Kauf! James aus Bayern hat die gleiche Matratze gekauft.“ Solche Initiativen können die Conversion-Raten verfünffachen oder sogar noch mehr.

Nach dem Verkauf stehen KI-gestützte Servicemitarbeiter von Unternehmen wie Amelia (ehemals IPsoft) und Interactions rund um die Uhr zur Verfügung, um Kundenanfragen zu bearbeiten. Sie können besser mit schwankenden Anfragevolumen umgehen als menschliche Mitarbeiter. Sie beantworten einfache Fragen zu Lieferzeiten oder Terminvereinbarungen und leiten komplexere Probleme an menschliche Mitarbeiter weiter. In einigen Fällen unterstützt KI menschliche Mitarbeiter, indem sie den Tonfall der Kunden analysiert und unterschiedliche Reaktionen vorschlägt, Agenten berät, wie sie die Bedürfnisse der Kunden am besten erfüllen können, oder die Intervention eines Vorgesetzten vorschlägt.

Ein Framework für KI im Marketing

Marketing-KI lässt sich nach zwei Dimensionen kategorisieren: dem Grad der Intelligenz und ob sie eigenständig oder als Teil einer größeren Plattform eingesetzt wird. Einige Technologien, wie Chatbots oder Empfehlungssysteme, können in jede der Kategorien fallen. Entscheidend für die Klassifizierung ist die Art und Weise, wie sie innerhalb einer bestimmten Anwendung implementiert werden.

Betrachten wir zunächst die beiden Arten von Intelligenz.

Aufgabenautomatisierung: Diese Anwendungen erledigen sich wiederholende, strukturierte Aufgaben, die einen relativ geringen Grad an Intelligenz erfordern. Sie folgen einem Regelwerk oder führen eine vorgegebene Abfolge von Operationen basierend auf einer bestimmten Eingabe aus, können aber keine komplexen Probleme wie nuancierte Kundenanfragen bearbeiten. Ein Beispiel wäre ein System, das automatisch eine Willkommens-E-Mail an jeden neuen Kunden sendet. Einfachere Chatbots, wie sie über Facebook Messenger und andere Social-Media-Anbieter verfügbar sind, fallen ebenfalls in diese Kategorie. Sie können Kunden bei grundlegenden Interaktionen unterstützen und sie durch einen definierten Entscheidungsbaum führen, aber sie können nicht die Absicht der Kunden erkennen, individuelle Antworten geben oder im Laufe der Zeit aus Interaktionen lernen.

Maschinelles Lernen: Diese Algorithmen werden mit großen Datenmengen trainiert, um relativ komplexe Vorhersagen und Entscheidungen zu treffen. Solche Modelle können Bilder erkennen, Texte entschlüsseln, Kunden segmentieren und vorhersehen, wie Kunden auf verschiedene Initiativen wie Werbeaktionen reagieren werden. Maschinelles Lernen ist bereits die treibende Kraft hinter programmatischem Einkauf in der Online-Werbung, E-Commerce-Empfehlungsmaschinen und Verkaufswahrscheinlichkeitsmodellen in Customer-Relationship-Management(CRM)-Systemen. Es und seine anspruchsvollere Variante, Deep Learning, sind die heißesten Technologien im Bereich KI und entwickeln sich rasch zu mächtigen Werkzeugen im Marketing. Allerdings ist es wichtig klarzustellen, dass bestehende Anwendungen des maschinellen Lernens immer noch nur eng gefasste Aufgaben erfüllen und mit großen Datenmengen trainiert werden müssen.

Betrachten wir nun eigenständige vs. integrierte KI.

Eigenständige Anwendungen: Diese sind am besten als klar abgegrenzte oder isolierte KI-Programme zu verstehen. Sie sind getrennt von den primären Kanälen, über die Kunden etwas über die Angebote eines Unternehmens erfahren, sie kaufen oder Unterstützung bei der Nutzung erhalten, oder den Kanälen, die Mitarbeiter für Marketing, Verkauf oder Service dieser Angebote nutzen. Einfach ausgedrückt: Kunden oder Mitarbeiter müssen einen zusätzlichen Schritt machen, um die KI zu nutzen.

Ein Beispiel ist die Farbfindungs-App des Farbenherstellers Behr. Mithilfe der natürlichen Sprachverarbeitung und der Tonanalysefunktionen von IBM Watson (die Emotionen im Text erkennen) liefert die Anwendung mehrere personalisierte Empfehlungen für Behr-Farben, die auf der gewünschten Stimmung der Verbraucher für ihren Raum basieren. Kunden nutzen die App, um eine Auswahlliste mit zwei oder drei Farben für den Raum zu erstellen, den sie streichen möchten. Der eigentliche Verkauf der Farbe erfolgt dann außerhalb der App, obwohl eine Verbindung zur Bestellung bei einem Baumarkt möglich ist.

Integrierte Anwendungen: Diese KI-Anwendungen sind in bestehende Systeme eingebettet und für Kunden, Marketer und Vertriebsmitarbeiter oft weniger sichtbar als eigenständige Anwendungen. Zum Beispiel ist das maschinelle Lernen, das in Sekundenbruchteilen entscheidet, welche digitalen Anzeigen den Nutzern angeboten werden sollen, in Plattformen integriert, die den gesamten Prozess des Kaufs und der Platzierung von Anzeigen abwickeln. Das integrierte maschinelle Lernen von Netflix bietet Kunden seit über einem Jahrzehnt Videoempfehlungen an; die Auswahl erscheint einfach im Menü der Angebote, die die Zuschauer beim Besuch der Website sehen. Wäre die Empfehlungsmaschine eigenständig, müssten sie eine spezielle App aufrufen und Vorschläge anfordern.

Hersteller von CRM-Systemen bauen zunehmend Funktionen für maschinelles Lernen in ihre Produkte ein. Bei Salesforce verfügt die Sales Cloud Einstein-

Suite über mehrere Funktionen, darunter ein KI-basiertes Lead-Scoring-System, das B2B-Kundenkontakte automatisch nach ihrer Kaufwahrscheinlichkeit einstuft. Anbieter wie Cogito, die KI verkaufen, die Callcenter-Mitarbeiter coacht,integrieren ihre Anwendungen ebenfalls in das CRM-System von Salesforce.

Die Kombination der beiden Arten von Intelligenz und der beiden Arten von Strukturen ergibt die vier Quadranten unseres Frameworks: eigenständige Anwendungen für maschinelles Lernen, integrierte Anwendungen für maschinelles Lernen, eigenständige Anwendungen für Aufgabenautomatisierung und integrierte Anwendungen für Aufgabenautomatisierung. Das Verständnis, in welchen Quadranten die Anwendungen fallen, kann Marketern helfen,die Einführung neuer Anwendungen zu planen und zu sequenzieren.

Ein schrittweiser Ansatz

Wir glauben, dass Marketer letztendlich den größten Nutzen aus integrierten Anwendungen für maschinelles Lernen ziehen werden, obwohl einfache regelbasierte Systeme und Systeme zur Aufgabenautomatisierung stark strukturierte Prozesse verbessern und ein angemessenes Potenzial für kommerzielle Erträge bieten können. Beachten Sie jedoch,dass die Aufgabenautomatisierung heute zunehmend mit maschinellem Lernen kombiniert wird – um wichtige Daten aus Nachrichten zu extrahieren, komplexere Entscheidungen zu treffen und die Kommunikation zu personalisieren – ein Hybrid, der sich über mehrere Quadranten erstreckt.

Eigenständige Anwendungen haben weiterhin ihren Platz, wenn eine Integration schwierig oder unmöglich ist, obwohl ihre Vorteile begrenzt sind. Daher raten wir Marketern, im Laufe der Zeit dazu überzugehen, KI in bestehende Marketingsysteme zu integrieren, anstatt weiterhin eigenständige Anwendungen zu verwenden. Tatsächlich gehen viele Unternehmen in diese Richtung; in der Deloitte-Umfrage von 2020 stimmten 74 % der globalen KI-Führungskräfte zu,dass „KI innerhalb von drei Jahren in alle Unternehmensanwendungen integriert sein wird“.

Erste Schritte mit KI im Marketing

Für Unternehmen mit begrenzter KI-Erfahrung ist es ein guter Anfang, einfache regelbasierte Anwendungen zu entwickeln oder zu kaufen. Viele Unternehmen verfolgen einen „Crawl-Walk-Run“-Ansatz und beginnen mit einer eigenständigen, nicht kundenorientierten Anwendung zur Aufgabenautomatisierung, z. B. einer Anwendung, die menschliche Servicemitarbeiter im Umgang mit Kunden unterstützt.

Sobald Unternehmen grundlegende KI-Kenntnisse und eine Fülle von Kunden- und Marktdaten erworben haben,können sie von der Aufgabenautomatisierung zum maschinellen Lernen übergehen. Ein gutes Beispiel für Letzteres ist die KI zur Kleiderauswahl von Stitch Fix, die Stylisten dabei hilft, Angebote für Kunden zusammenzustellen, basierend auf ihren selbst angegebenen Stilvorlieben, den Artikeln, die sie behalten und zurückgeben, und ihrem Feedback. Diese Modelle wurden noch effektiver, als das Unternehmen begann, Kunden zu bitten, zwischen Style Shuffle-Fotos zu wählen, wodurch eine wertvolle Quelle für neue Daten geschaffen wurde.

Neue Datenquellen – wie interne Transaktionen, externe Lieferanten und sogar potenzielle Übernahmen – sollten von Marketern ständig gesucht werden, da die meisten KI-Anwendungen, insbesondere maschinelles Lernen, große Mengen hochwertiger Daten erfordern. Betrachten Sie das auf maschinellem Lernen basierende Preismodell, mit dem das Charterflugzeugunternehmen XO sein EBITDA um 5 % steigern konnte: Der Schlüssel lag darin, externe Quellen für Daten über das Angebot an Privatjets und über Faktoren, die die Nachfrage beeinflussen, wie Großveranstaltungen,die Makroökonomie, saisonale Aktivitäten und das Wetter, zu erschließen. Die von XO verwendeten Daten sind öffentlich zugänglich, aber es ist eine gute Idee, nach Möglichkeit auch proprietäre Quellen zu nutzen, da Modelle, die öffentliche Daten verwenden, von Wettbewerbern kopiert werden können.

Automatisierung von Entscheidungen

Mit zunehmender Erfahrung im Einsatz von KI im Marketing automatisieren viele Unternehmen bestimmte Arten von Entscheidungen vollständig und schließen den Menschen ganz aus dem Prozess aus. Bei sich wiederholenden,schnellen Entscheidungen, wie sie für den programmatischen Anzeigenkauf erforderlich sind (bei dem digitale Anzeigen fast augenblicklich an die Nutzer ausgespielt werden), ist dieser Ansatz unerlässlich. In anderen Bereichen gibt die KI möglicherweise nur Empfehlungen für eine Person, die vor einer Entscheidung steht – zum Beispiel einen Film für einen Verbraucher oder eine Strategie für eine Führungskraft im Marketing. Menschliche Entscheidungen sind in der Regel den wichtigsten Fragen vorbehalten, z. B. ob eine Kampagne fortgesetzt oder eine teure Fernsehwerbung genehmigt werden soll.

Unternehmen sollten, wann immer möglich, zu stärker automatisierten Entscheidungen übergehen. Wir glauben, dass hier die größten Erträge aus der Marketing-KI zu finden sind.

Risiken beim KI-Einsatz

Die Implementierung selbst der einfachsten KI-Anwendungen kann Schwierigkeiten mit sich bringen. Eigenständige KI zur Aufgabenautomatisierung kann trotz ihrer geringeren technischen Komplexität immer noch schwierig für bestimmte Arbeitsabläufe zu konfigurieren sein und erfordert, dass Unternehmen sich entsprechende KI-Kompetenzen aneignen. Die Einführung jeder Art von KI in einen Arbeitsablauf erfordert eine sorgfältige Integration von menschlichen und maschinellen Aufgaben, damit die KI die Fähigkeiten der Menschen erweitert und nicht auf eine Weise eingesetzt wird, die Probleme schafft. Während beispielsweise viele Unternehmen regelbasierte Chatbots zur Automatisierung des Kundendienstes einsetzen, können weniger leistungsfähige Bots die Kunden verärgern. Es kann besser sein, solche Bots menschliche Agenten oder Berater unterstützen zu lassen, anstatt mit Kunden zu interagieren.

Wenn Unternehmen anspruchsvollere und stärker integrierte Anwendungen einsetzen, ergeben sich weitere Überlegungen. Insbesondere die Integration von KI in Plattformen von Drittanbietern kann schwierig sein. Ein Beispiel dafür ist der Olay Skin Advisor von Procter & Gamble, der mithilfe von Deep Learning Selfies von Kunden analysiert,ihr Alter und ihren Hauttyp einschätzt und entsprechende Produkte empfiehlt. Er ist in eine E-Commerce– und Treueplattform, Olay.com, integriert und hat in einigen Regionen die Conversion-Raten, Absprungraten und durchschnittlichen Warenkorbgrößen verbessert. Schwieriger war es jedoch, ihn in Einzelhandelsgeschäfte und Amazon zu integrieren, also Drittanbieter, die einen hohen Anteil am Umsatz von Olay haben. Der Skin Advisor ist auf der umfangreichen Shop-Seite von Olay bei Amazon nicht verfügbar, was die Fähigkeit der Marke beeinträchtigt, dort ein nahtloses, KI-gestütztes Kundenerlebnis zu bieten.

Datenschutz und Kundenzufriedenheit

Schließlich müssen Unternehmen die Interessen ihrer Kunden im Auge behalten. Je intelligenter und integrierter KI-Anwendungen sind, desto mehr Sorgen können Kunden über Datenschutz, Sicherheit und Datenbesitz haben. Kunden sind möglicherweise skeptisch gegenüber Apps, die ohne ihr Wissen Standortdaten erfassen und weitergeben, oder gegenüber intelligenten Lautsprechern, die sie möglicherweise belauschen. Im Allgemeinen haben Verbraucher die Bereitschaft (sogar den Wunsch) gezeigt, einige persönliche Daten und ihre Privatsphäre gegen den Wert einzutauschen, den innovative Apps bieten können. Die Bedenken über KI-Anwendungen wie Alexa scheinen durch die Wertschätzung ihrer Vorteile in den Schatten gestellt zu werden.

Daher ist es für Marketer, die die Intelligenz und Reichweite ihrer KI erweitern, wichtig sicherzustellen, dass die Datenschutz- und Sicherheitskontrollen transparent sind, dass die Kunden ein Mitspracherecht bei der Erhebung und Nutzung ihrer Daten haben und dass sie im Gegenzug einen fairen Wert vom Unternehmen erhalten. Um diesen Schutz zu gewährleisten und das Vertrauen der Kunden zu erhalten, sollten CMOs Ethik- und Datenschutzprüfungskommissionen – mit Marketing- und Rechtsexperten – einrichten, um KI-Projekte zu prüfen,insbesondere solche, die Kundendaten oder Algorithmen betreffen, die anfällig für Verzerrungen sein können, wie z. B.die Kreditwürdigkeitsprüfung.

Realistische Erwartungen an KI im Marketing

Obwohl Marketing-KI ein enormes Potenzial birgt, sollten CMOs realistisch bleiben, was ihre derzeitigen Fähigkeiten angeht. Trotz des Hypes kann KI immer noch nur eng gefasste Aufgaben erfüllen, nicht aber eine gesamte Marketingfunktion oder einen ganzen Prozess leiten. Dennoch bietet sie Marketern bereits jetzt erhebliche Vorteile – und ist für einige Marketingaktivitäten sogar unverzichtbar – und ihre Fähigkeiten wachsen rasant. Wir glauben, dass KI das Marketing letztlich verändern wird, aber es ist eine Reise, die Jahrzehnte dauern wird. Die Marketingfunktion und die Organisationen, die sie unterstützen, insbesondere die IT, müssen langfristig auf den Aufbau von KI-Fähigkeiten und die Bewältigung potenzieller Risiken achten. 

Unsere Marketer beginnen schon heute mit der Entwicklung einer Strategie, um die aktuellen und zukünftigen Möglichkeiten der KI zu nutzen.

Weiterführende Themen

Hauptkeywords (Short-Tail Keywords): Künstliche Intelligenz, KI, KI im Marketing, KI Marketing, Marketing KI, KI für Marketing, KI-Marketing-Strategie, KI-Marketing-Tools, Marketing mit KI, KI Marketing Trends

Money Keywords (Transaktionale Keywords): KI-Software für Marketing, KI-Tools für Marketing, KI-Marketing-Agentur, KI-Marketing-Beratung, KI-basiertes Marketing, KI-Marketing-Plattform, KI-Marketing-Lösungen, Marketing Automation KI, KI-Marketing-Software kaufen, KI im Marketing einsetzen

LSI-Keywords (Semantisch verwandte Keywords): Maschinelles Lernen, Algorithmen, Datenanalyse, Big Data, Predictive Analytics, Personalisierung, Chatbots, Empfehlungssysteme, Customer Journey, Lead-Generierung, Conversion-Optimierung, Marketing Automatisierung, Deep Learning, Natural Language Processing (NLP), Computer Vision, KI-Ethik, Datenschutz im KI-Marketing

Zusätzliche relevante Keywords: KI-Marketing-Beispiele, KI-Marketing-Fallstudien, KI-Marketing-Trends 2024, Vorteile von KI im Marketing, Herausforderungen von KI im Marketing, KI-Marketing-Tools Vergleich, KI-Marketing-Strategie entwickeln, KI-Marketing-Agentur finden, KI-Marketing-Beratung Kosten

Weiterführende Themen

• https://hbr.org/2021/07/how-to-design-an-ai-marketing-strategy
• https://www.mckinsey.com/featured-insights/mckinsey-explainers/what-is-generative-ai