Künstliche Intelligenz in Marketing und Werbung - 5 Beispiele für echte Traktion

In den Hunderten von Interviews mit Forschern und Führungskräften, die wir in den letzten drei Jahren durchführen durften, sind nur wenige Anwendungen für künstliche Intelligenz mehr verbreitet als Marketing und Werbung. Bei Gesprächen mit Führungskräften und Forschern aus Unternehmen von Facebook über Baidu und IBM bis hin zu AT & T war das Marketing ein Dauerbrenner in Gesprächen mit den heißesten Anwendungen der KI.

Dieser Artikel zielt darauf ab, als eine Art leitender Grund für die Schnittmenge von KI und Marketing zu dienen, und der Artikel selbst wurde für diesen Zweck in drei verschiedene Abschnitte unterteilt:

Real-World-Beispiele für Marketing- und Werbeanwendungen mit künstlicher Intelligenz, die heute eine bedeutende Rolle spielen
Aufkeimende zukünftige Anwendungen für AI in Marketing / Werbung
Ein kurzes Glossar grundlegender marketingbezogener KI-Begriffe mit Links zu glaubwürdigen Referenzen.
5 Aktuelle Anwendungen der Künstlichen Intelligenz in Marketing und Werbung
Im Folgenden finden Sie sieben äußerst häufige Beispielanwendungen, die wir für diesen Artikel hervorheben möchten. Dazu finden Sie eine kurze Beschreibung, wie der KI-Ansatz funktioniert und welche Unternehmen die Anwendung derzeit nutzen.

In diesem Abschnitt des Artikels wollte ich vermeiden, dass (a) Anwendungen mit begrenzter Traktion (spekulative oder aufkeimende Anwendungen sind für den nächsten Abschnitt reserviert) und (b) AI - Anwendungen, die sich heute nur teilweise mit dem Marketing überschneiden (IE : Betrug und Sicherheit könnten / sollten als ihre eigene Kategorie angesehen werden und werden hier nicht als Marketingantrag bezeichnet).

Eine vollständige Liste der derzeit praktikablen AI-Marketing-Anwendungen wäre viel breiter, aber wir haben uns entschieden, uns auf einige der beliebtesten Anwendungen im Marketing zu konzentrieren:
1 - Suche
Wenn Sie im Jahr 2005 einen E-Commerce-Shop "durchsuchten", um ein Produkt zu finden, würden Sie kaum das gewünschte Ergebnis finden, es sei denn, Sie wüssten genau, wie es heißt. Die heutige "Suche" ist viel intelligenter und die verbesserte Kapazität hilft Ihnen nicht nur bei der Suche nach Informationen über Google, sondern auch bei der Suche nach den richtigen Produkten auf Amazon oder Target.com, den richtigen Filmen auf Netflix und mehr.

Vor zehn Jahren hat die Eingabe von "Herren Flip Flops" bei Nike.com möglicherweise nicht die gewünschten Ergebnisse gebracht. Heute tut es sehr viel.

Die Suchverbesserung für eCommerce und Marketing hat sich aufgrund der gleichen zugrunde liegenden Faktoren, die die "Suche" insgesamt verbessert haben, verbessert:
Technologien wie Elasticsearch sind mittlerweile relativ verbreitet und ermöglichen es kleinen E-Commerce-Stores, mehr zu suchen, als nur Keywords zu vergleichen
Data-as-a-Service-Unternehmen (wie Indix ua) machen es einfacher als je zuvor, aus Suchdaten aus anderen größeren Quellen zu schöpfen und Ihre eigene Online-Produktsuche zu informieren, ohne eigene Suchmodelle von Grund auf neu trainieren zu müssen
Andere misc Verbesserungen, wie zum Beispiel: Software zum Erkennen von häufigen Rechtschreibfehlern ist nun üblicher und kann für Rechtschreibfehler nach Kontext kalibriert werden (IE: "Season Cikets" können als "Dauerkarten" verstanden werden, während "Cikets" allein schwieriger sein könnten ohne Kontext unterscheiden)
Google hat gute Arbeit geleistet, indem es einige ihrer eigenen Suchverbesserungen und Entwicklungen in ihren "Inside Search" -Schriften vereinfacht und erklärt hat.
Unser kürzlich stattgefundenes Interview mit Samuir Raman (Data Science in Mattermark) erklärt einige der Dynamiken, die bei der Verbesserung der Suche eine Rolle spielen (vollständige Folge hier).

In Zukunft können Verbraucher erwarten, dass mehr und mehr E-Commerce-Websites in die Fußstapfen von Google und anderen treten, wenn sie Autosuggest, vorgeschlagene Korrekturen, "erweiterte" Suchoptionen und andere derartige Verbesserungen implementieren.
2 - Empfehlungsmaschine
Empfehlungs-Engines sind eine Seltenheit in der Welt des digitalen Marketings, da diese Marketing-Technologie oft von Kunden geschätzt und sogar geliebt wird. Amazons Buch- oder Produktempfehlungen sind exzellent, Spotify kennt Ihren Musikgeschmack so gut, diese Art von "Entdeckerhilfe" unter den Millionen von verfügbaren Möglichkeiten macht sie für Unternehmen mit riesigen Beständen (sowohl digital als auch physisch) unverzichtbar.

Die heutigen ausgefeilten Online-Empfehlungen gehen weit über eine einfache, vom Menschen festgelegte Reihe von Richtlinien oder sogar eine einfache Reihe historischer Bewertungen anderer Benutzer hinaus. Eine Empfehlungsmaschine (Sie werden auch häufig den Begriff "Empfehlungssystem" hören) kann aus einer Vielzahl nuancierter Daten ziehen, um aus Verhaltensweisen, Aktionen usw. Rückschlüsse zu ziehen.
Netflix berücksichtigt nicht nur, welche Filme eine Person angeschaut hat oder welche Bewertungen sie diesen Filmen geben - sie analysieren auch, welche Filme mehrfach angeschaut, zurückgespult, schnell weitergeleitet usw. werden. Diese unzähligen Verhaltensweisen, wenn korreliert und bewertet über Millionen anderer Benutzer, helfen, die besten Empfehlungen herauszubekommen.

Es gab einige Laien-freundliche Video-Tutorials zu den Grundlagen von Empfehlungssystemen, einschließlich einer kurzen Empfehlungsvideo-Serie von Andrew Ng, die die Uhr wert sind. Harvard hat auch ein nützliches 13-minütiges Intro-Video.
3 - Programmatische Werbung
In Kursivschrift folgt eine kurze Erklärung der programmatischen Werbung von Seer Interactive, die die Grundlagen sehr gut erklärt hat:

Einfach ausgedrückt ist programmatische Werbung der automatisierte Prozess des Kaufs und Verkaufs von Anzeigeninventar über einen Austausch, der Werbetreibende mit Publishern verbindet. Dieser Prozess nutzt Technologien künstlicher Intelligenz ... und Echtzeitgebote für Inventar über mobile, Display-, Video- und soziale Kanäle - sogar im Fernsehen.

Künstliche Intelligenz-Technologien verfügen über Algorithmen, die das Verhalten eines Besuchers analysieren und Echtzeit-Kampagnenoptimierungen für ein Publikum ermöglichen, das mit höherer Wahrscheinlichkeit konvertiert wird. Programmatische Unternehmen haben die Möglichkeit, diese Zielgruppendaten zu sammeln, um dann genauer zu zielen, ob es sich um die erste Partei (ihre eigene) oder um einen Drittanbieter handelt.
Programmatischer Medienkauf umfasst den Einsatz von DSPs, SSPs und DMPs. DSPs (Demand Side Platforms), die den Kauf von Anzeigeninventar auf dem offenen Markt erleichtern, bieten die Möglichkeit, Ihre Zielgruppe aufgrund der Integration von DMPs (Datenverwaltungsplattformen) zu erreichen. DMPs sammeln und analysieren eine erhebliche Menge an Cookie-Daten, um es dem Vermarkter dann zu ermöglichen, fundiertere Entscheidungen darüber zu treffen, wen seine Zielgruppe sein könnte.

Das klassische Beispiel für programmatische Werbung ist die SEM-Werbung auf Kanälen wie Google (AdWords), Facebook und Twitter. Unternehmen wie PredictiveBid und der in Israel ansässige Albert haben sich entschieden, einen Schwerpunkt auf programmatische Werbung zu legen.
Programmatische Anzeigen bringen eine enorme Menge an Effizienz in das "Inventar" von Website- und App-Viewern. Plattformen wie Google und Facebook haben den Standard für effiziente und effektive Werbung gesetzt - und es kann davon ausgegangen werden, dass diese Systeme immer benutzerfreundlicher werden, damit nicht-technische Vermarkter Kampagnen online starten, ausführen und messen können (für mich alle

4 - Marketingprognosen
Dieser Abschnitt könnte als "Insight from Marketing Data" bezeichnet werden, ein viel breiteres Thema. Eine der einfachsten Marketinganwendungen für Business Intelligence-Daten besteht jedoch in der Fähigkeit, Vorhersagen zu unterstützen, die durch Entwicklungen in der KI wesentlich verbessert werden.
Wir werden wahrscheinlich einen weiteren ganzen Artikel (oder sogar einen gesamten Marktbericht) auf dem Gebiet der Business Intelligence verfassen. BI und Marketing überschneiden sich jedoch so gründlich, dass es unlogisch wäre, auf die rasanten Fortschritte im Marketing zu verweisen, ohne auf die zugrunde liegende Technologie zu verweisen, die Unternehmen hilft, diese Flut von Marketingdaten zu verstehen und Maßnahmen zu ergreifen.

Unternehmen wie Rapidminer, Birst, Sisense und andere zielen darauf ab, Industriestandards für Business Intelligence und Vorhersagen zu werden. Aufgrund des (in der Regel) hohen Volumens und der quantifizierbaren Natur von Marketingdaten (Klicks, Views, Time-on-Page, Käufe, E-Mail-Antworten, ...) können Modelle oft viel schneller auf Marketingdaten trainiert werden als auf anderen Informationen als HR-Daten, Bestandsdaten, etc ...

Die Möglichkeit, den Erfolg einer E-Mail-Kampagne oder einer Marketinginitiative vorherzusagen, kann Unternehmen helfen, ihre Marketingbemühungen (in Display, Text, Video oder sogar Direct Mail) kontinuierlich zu verbessern.
Von den 2000+ Marketing-Technologie-Unternehmen auf dem Markt zum Zeitpunkt dieses Schreibens, eine breite Schwade Deal mit Daten-Management und Analyse. Wir können in Zukunft mehr von diesen Unternehmen erwarten, und raffiniertere Marketingbemühungen von großen und kleinen Unternehmen, wenn diese Technologien / Bewertungsinstrumente sich verbessern und mehr Mainstream werden.

5 - Sprache / Texterkennung (Conversational Commerce)
Im Jahr 2014 und sogar im größten Teil des Jahres 2015 hätte man mit Sicherheit sagen können, dass Chatbots und Spracherkennung zwar eine interessante Anwendung für künstliche Intelligenz darstellten, sich aber im Marketing oder in der Werbung noch immer nicht legitimiert hatten.

Ab dem Jahr 2016 hat sich eine Welle legitim realisierbarer Speech- und Chat-Interfaces in die Marketing-Welten eingeschlichen - und einige von ihnen zeigten große Versprechungen. Hier sind ein paar Beispiele von Traktion heute:
Amazon Echo - Echo war ein bemerkenswerter Erfolg, um das Internet der Dinge in die Realität umzusetzen ... vor allem in seiner Fähigkeit für Benutzer, Einkäufe einfach durch Sprechen mit der Maschine zu tätigen. Sie können ein Uber-Auto oder eine Domino-Pizza nur mit Sprache bestellen.
Facebook Messenger - Mit dem Facebook Messenger können Nutzer die Online-Offline-Strategie für chatbasierte Einkäufe modellieren. Blumen können (und bald noch viel mehr) über den Chat bestellt werden.
Baidus Duer - Baidus neuer Chatbot-Assistent ist in der Lage, Produkte innerhalb seiner Oberfläche zu bestellen (PC World erhielt einige der ersten Coverages des Bot hier)
Andere - Google und (angeblich) Apple arbeiten an Echo-Wettbewerbern, und der Wettbewerb darüber, welche Marke zum "Dreh- und Angelpunkt" des Smart Home wird, sollte sich als aufregend erweisen.
Während Chatbots und die Verarbeitung natürlicher Sprache nicht in die Marketingabteilungen der meisten kleinen Unternehmen Amerikas Einzug gehalten haben, machen die Anwendungen der größten und heißesten Tech-Unternehmen sicherlich Wellen und machen deutlich, dass es einen größeren Trend gibt.

AI in Marketing / Werbung - Neue Möglichkeiten
Zwar gibt es Hunderte von potenziellen Anwendungen von Künstlicher Intelligenz in Marketing und Werbung, doch die folgende kurze Liste zeigt einige der Möglichkeiten auf, die wir für aufregend und in der kommenden halben Dekade für durchführbar halten:

Bilderkennung / Machine Vision: In naher Zukunft könnten Verbraucher im Web oder auf dem Handy Produkte (oder ähnliche Produkte) nach Bildern "suchen". Dies kann so einfach sein, wie ein Foto eines Schuhs, den Sie kaufen möchten, oder eine Web-App, um ein bestimmtes Bild auszuwählen, das Sie in einer Google-Suche gefunden haben. Unternehmen wie CamFind und ihre Konkurrenten experimentieren bereits in diesem Bereich.
Unser Podcast enthält einige erstaunliche Forscher und Führungskräfte im Bereich der industriellen Bildverarbeitung. Unser Interview mit Nathan Hurst von Shutterstock könnte für Leser mit Interesse an der Zukunft der Bilderkennung von besonderem Interesse sein.

Kundensegmentierung: Unternehmen wie AgilOne ermöglichen Vermarktern, die Kommunikation per E-Mail und Website zu optimieren und kontinuierlich vom Nutzerverhalten zu lernen (eConsultancy).

Inhaltserzeugung: Sie wissen vielleicht bereits, dass ein bedeutender Teil der Sport- und Finanzartikel von Maschinen geschrieben wird, nicht von Menschen. Ja - erwarte mehr davon.

Unternehmen wie Automated Insights und Narrative Science haben Wege gefunden, bestimmte Informationen (Domains wie Sport und Finanzen sind mit Zeitdaten und nummerierten Daten beladen) in menschenlesbare Artikel zu verwandeln, die manchmal nicht von denen zu unterscheiden sind, die von Menschen geschrieben wurden. Zukünftig können Unternehmen Produktbeschreibungen und ganze produktbezogene Artikel haben, die vollständig auf Maschinen basieren und auf Informationen über die betreffenden Produkte basieren.

Die Personalisierung von Inhalten wird ebenfalls ein wichtiger Zukunftstrend sein (Adobe und andere Unternehmen konkurrieren bereits mit diesem Feature).

Glossar der marketingbezogenen Künstlichen Intelligenz Begriffe
Bei Ihrer weiteren Erkundung dieser Domäne werden Sie wahrscheinlich mit einer Vielzahl von Fachbegriffen und Branchenjargon in Berührung kommen. Im Folgenden finden Sie eine Reihe von Begriffen, die wir für Führungskräfte und Produktmanager als wichtig erachten:

Programmatische Werbung: Einfach gesagt, programmatische Werbung ist der automatisierte Prozess des Kaufs und Verkaufs von Anzeigeninventar durch einen Austausch, der Werbetreibende mit Verlagen verbindet. Dieser Prozess nutzt Technologien künstlicher Intelligenz ... und Echtzeitgebote für Inventar über mobile, Display-, Video- und soziale Kanäle - sogar im Fernsehen.
Supply-Side-Plattform (SSP): Eine Software, mit der Werbung automatisiert verkauft wird. SSPs werden am häufigsten von Online-Publishern verwendet, um Display-, Video- und Handy-Anzeigen zu verkaufen.
Demand-Side-Plattform (DSP): Ein System, das es Käufern von digitalem Werbeinventar ermöglicht, mehrere Ad Exchange- und Datenaustauschkonten über eine Schnittstelle zu verwalten.
Empfehlungs-Engine: Eine Empfehlungs-Engine ist ein Feature (kein Produkt), mit dem Elemente gefiltert werden, indem vorhergesagt wird, wie ein Benutzer sie bewerten könnte. Es löst das Problem, Ihre vorhandenen Benutzer mit den richtigen Artikeln in Ihrem massiven Bestand (d. H. Zehntausende bis Millionen) von Produkten oder Inhalten zu verbinden.
Echtzeitgebote (Real-Time Biding, RTB): Bezieht sich auf den Kauf und Verkauf von Online-Anzeigenimpressionen durch Echtzeitauktionen, die in der Zeit stattfinden, die eine Webseite zum Laden benötigt. Diese Auktionen werden oft durch Anzeigenbörsen oder angebotsseitige Plattformen erleichtert.