Top 12 Beispiele für die Anwendung von KI im Marketing

Der Einsatz von Künstlicher Intelligenz im Marketing ist auf dem Vormarsch. Es gibt viele Beispiele, wie die Nutzung von Daten Effizienz erhöht, besser planen lässt und zu höherer Konvertierung führt. Im folgenden möchten wir ausgewählte Anwendungsfälle vorstellen, wie KI im Marketing genutzt wird. 

Produktempfehlungen

Ob E-Commerce, produzierendes Gewerbe oder Services: Für jeden Kunden gibt es oft viele Produkte, die ein Unternehmen anbietet. Doch welches passt am besten? Im Mittelstand ist diese Frage zusätzlich schwierig zu beantworten: Es gibt selten spezialisierte Abteilungen für spezialisierte Produkt-/Servicekategorien.

Dabei kann maschinelles Lernen helfen um so-genannte Empfehlungssysteme zu entwickeln. Hierbei werden vergangene Daten über Transaktionen (z.B. Einkäufe, Service-Buchungen, Bestellungen) genutzt um eine möglichst passgenaue nächste Produktempfehlung für jeden Kunden zu entwickeln.

Die Empfehlungen basieren auf statistischen Häufigkeiten: Wenn ein Kunde ein Produkt gekauft oder Service gebucht hat, wird analysiert, welche anderen Produkte / Services von anderen Kunden, die ebenso das Originalprodukt gekauft haben, erworben wurden. Mit diesem Wissen befähigt man Marketing, Aussendienst und Customer Success Teams die beste Empfehlungen passgenau auszuspielen.

Textgenerierung mittels NLP für Content Marketing

Eines der Themen mit dem größten Hype ist momentan die Text-Generierung durch Natürliche Sprachverarbeitung (Natural Language Processing, NLP). Neuronale Netze werden auf hundert tausenden von Schriftstücken trainiert, um einen sinnvollen Output von menschähnlicher Qualität zu generieren. 

Anwendungsfälle dieser Technik ist selbstverständlich Content Marketing, aber auch Produktbeschreibungen aus Stammdaten oder ähnliches fallen in diese Kategorie. Wer schnell automatisch qualitativ hochwertige Texte generieren kann, reduziert Aufwand in seiner Websitepflege und hat starke Vorteile im SEO. Ein erhöhtes Besucheraufkommen und somit erhöhter Umsatz ist die Folge.

Datenbasierte Personas

Personas sind eine Art Steckbrief einer Kundengruppe, die in Marketing, Strategieplanung und Produktentwicklung zum Einsatz kommen. Das Ziel ist es, verschiedene Gruppen innerhalb aller Kunden zu identifizieren und deren Bedürfnisse klar zu verstehen. Mit diesem Wissen kann man zielgerichtet Prozesse und Aktivitäten steuern, um möglichst passgenau seine Kunden zu bedienen.

Datenbasierte Personas werden hierbei meist durch die KI-Methode “Clustering” erstellt. Clustering erstellt Gruppen aus Daten, die sich ähnlich sind. Im konkreten Fall der Personas bedeutet dies vor allem Stammdaten (z.B. aus einem CRM) und Verhaltensdaten (z.B. Transaktionsdaten von Einkäufen).

Gemeinsam schafft es dadurch künstliche Intelligenz, Muster in den Daten zu erkennen, um ähnliche Gruppen auszuweisen. Diese können dann zum Beispiel ganz praktisch im Newsletter-Marketing, bei der Entwicklung neuer Produkte oder strategischen Themen eingesetzt werden.

Lead forecasting: Die Effekte unserer Marketingmaßnahmen

Wer genügend Metriken über seine Marketinginitiativen sammelt, kann sich durch diese Historie auch mittels KI eine Vorhersage über die Zukunft ableiten lassen. Mit sauberem Tracking kann maschinelles Lernen trainiert werden um ein Vorhersagemodell zu erstellen.

Dadurch weiß man nicht nur, was zukünftige Maßnahmen erlauben, sondern kann auch die beitragenden Faktoren identifizieren. Der Vorteil ist, dass aus der Bandbreite an möglichen Initiativen die beste ausgewählt werden kann. Dies führt zu einem möglichst hohen Ertrag und somit sehr hoher Kosteneffizienz.

Lead conversion probability 

Jede Marketingabteilung hat begrenzte Ressourcen. Daher gilt es, sich auf die Leads zu konzentrieren und diese (manuell) zu kontaktieren, die eine sehr hohe Chance auf Konvertierung haben. Doch bei hunderten, teils tausenden von Leads ist dies ein sehr aufwendiger Prozess. 

Der Einsatz von maschinellen Lernen hilft hier: Anhand von historischen Daten wird ein statistisches Modell erstellt, welches vorhersagt, welche Leads wahrscheinlich konvertieren. Der Effekt sind viel effizientere Lead-Verfolgung, niedriger Sales-Cycle und somit stark erhöhter Umsatz.

Sentimentanalyse im Marketing

Eines der bekanntesten Beispiele für den Einsatz von KI im Marketing ist Sentimentanalyse. Produktreviews, Beiträge in den sozialen Medien, Unternehmensbewertungen oder Service-Meldungen werden mittels natürlicher Sprachverarbeitung analysiert um die Sprachfärbung (positiv, negativ, neutral) zu extrahieren.

Die Anwendung von Sentimentanalyse im Marketing ist breit: Priorisierung von Nachrichten, Quantifizierung von Feedbacksart oder Benachrichtigung bei negativen Veröffentlichungen. Die Marketing- und Kundensupportteams können schnell darauf reagieren und Schaden oder Frust vermeiden.

Lead Scoring 2.0: Kontakte verlässlich bewerten

Wie viel Wert hat ein Lead? Welche Leads werden vom Marketing an den Vertrieb übergeben? Das sogenannte Lead Scoring ist üblicherweise die Zuweisung eines Werts an einen Lead – und somit die Einordnung, ob und wie er weiterverfolgt wird.

Meistens geschieht Lead Scoring manuell von Marketeers. Es werden Metriken festgelegt und diese dann auf einzelne Leads umgelegt. Aufwendig und auch wenig aussagekräftig, da die Metriken einseitig festgelegt werden.

Da kommt KI ins Spiel: Legt man Scores hingegen nachträglich für Leads fest, kann man einen Algorithmus trainieren, der davon ein generisches Modell ableitet. Somit kann für jeden Lead vorher und vollautomatisch ein Score vorhergesagt werden. Dies führt zur Auswahl der passendsten Leads – und hoffentlich mehr Vertragsabschlüssen.

Chatbots: Automatisch Anfragen beantworten

Immer mehr Kundenanfragen laufen digital ab. Menschen haben wenig Zeit und auch zunehmend weniger Lust auf synchrone Problemlösung: In Telefonwarteschlangen warten kommt nicht mehr in Frage.

Der Wechsel zu digitalen Servieabwicklungen erlaubt einerseits, mehr Volumen pro Mitarbeiter abzufertigen. Schließlich kann ein Mitarbeiter mehr Chats und E-Mails gleichzeitig betreuen als Telefonate. Andererseits erlaubt er auch Automatisierung.

Hier kommen Chatbots ins Spiel. Künstliche Intelligenz klassifiziert Anfragen und identifiziert, welche Abteilung dafür verantwortlich ist – ob Marketing oder der Kundenservice. Danach kann der Algorithmus determinieren, ob es ein klar definiertes Problem ist und automatisiert beantwortet werden kann. Zum Beispiel durch den Verweis auf eine FAQ, durch die Zustellung eines Links oder andere digitale Lösungen.

Kurzum, Chatbots zeigen (potentiellen) Kunden wie ihre Probleme automatisiert gelöst werden können. Ob nun Marketing, Sales oder Service: Jede Abteilung kann diese KI geschickt einsetzen.

SEO Optimierung: Besseres Ranking, mehr Traffic

Themen identifizieren, über die Mitbewerber berichten. Keywords identifizieren, die im Trend liegen. Inhalte optimieren. Traffic vorhersagen. Es gibt dutzende von Anwendungsfällen die KI im SEO-Bereich einsetzen und somit den Bereich Marketing stärken.

Alle Beispiele haben zum Ziel entweder vorhandenen Content besser ranken zu lassen oder neuen Content zu identifizieren um neuen Traffic anzuziehen. Besonders interessant wird künstliche Intelligenz in diesem Bereich, um Muster zu erkennen, die für Menschen aufgrund der Vielzahl an Webseiten nicht mehr identifizierbar sind. 

Analyse, Korrektur und Vorhersage von CRM Datenqualität 

Okay, viele werden den Kopf schütteln. Ist die Datenqualität eines CRMs wirklich ein Fall für Künstliche Intelligenz?

Unserer Meinung nach: Ja! Ob regelbasiert oder auf mit der Hilfe von maschinellem Lernen: Die Analyse und bestenfalls Korrektur von Datenqualität ist fundamental für alle anderen datenbasierten Anwendungsfälle.

Wie funktioniert es? Viele Datenqualitätsprobleme können relativ einfach festgestellt werden: Dubletten, Leere Einträge, falsche Datentypen und mehr sind schnell identifiziert. Wir haben sogar ein Produkt entwickelt, das dies auf allen Datensätzen ermöglicht.

Doch gibt es einen weiteren Weg: Die manuelle Identifikation von schlechten Einträgen und darauf basierende Trainieren eines Vorhersagemodells erlaubt es, KI direkt einzusetzen um schlechte Einträge kontinuierlich zu identifizieren. Im besten Fall noch bevor sie ins CRM, PLM, PIM oder PDM kommen. Die Pflege von Datenqualität zahlt sich aus!

Vorhersage Kundenabwanderung

Ein weiterer Anwendungsfall ist die Vorhersage von Kundenabwanderung. Während dieses Vorgehen sehr präsent in SaaS und anderen Abo-Unternehmen ist, hat es dennoch auch seine Berechtigung im Mittelstand.

Die Idee ist, dass man durch Künstliche Intelligenz vorhersagt, wie wahrscheinlich es ist, dass ein bestehender Kunde zukünftig nicht mehr einkauft oder ein bestehendes Vertragsverhältnis kündigt. Das Ziel ist eine Reduktion des Aufwands, indem man ganz bestimmte Kunden identifiziert, statt sich gleichheitlich um alle sorgen zu müssen.

Dazu nutzt man historische Daten (z.B. Transaktionen, Service-Anfragen, Verhalten) und Stammdaten (z.B. Unternehmensgröße, Dauer Vertrag) um daraus abzuleiten, welche Kunden in Gefahr laufen. 

Das Ziel ist klar: Diese Kunden proaktiv und dediziert zu kontaktieren, Angebote zu machen oder betreuen zu lassen, um die Abwanderung zu verhindern. Dies ist eine klare Effizienzsteigerung und erlaubt Kundenbindung aber sogar Up-Sellig und Cross-Selling.

Was unsere Kunden beschäftigt: Topic Modelling

Eine der vielen Aufgaben im Marketing ist, zu verstehen was mögliche Kunden beschäftigt. Fragen, Unklarheiten, Bedienprobleme, Kostenbedenken und vieles mehr können Gründe sein, weshalb jemand nicht Kunde wird.

Als Marketing kann man diese Bedenken identifizieren und proaktiv aufgreifen. Durch die Analyse von Beiträgen in sozialen Medien und auf E-Commerce Plattformen können sogenannte “Topics”, also Themen die die Kunden beschäftigen, extrahiert werden.

Diese Themen, zum Beispiel schlechte Bedienbarkeit eines Produkts, vermeintliche hohe Kosten oder Unklarheiten in den Features, können nachfolgend in Marketinginitiativen aufgegriffen und präventiert werden.

Kilian