Marketing Automation mit AI bringt Unternehmen weiter! AI ist ein Schlagwort, das seit Jahren durch die Online-Marketing-Szene, aber noch viele andere Bereiche geistert. Als Schlüsseltechnologie ist AI nicht mehr in ferner Zukunft, sondern bereits heute in Marketing Software im Einsatz. AI-basierte Anwendungen bietet ihren Nutzern neue Möglichkeiten und noch mehr Effizienz, gerade im Lead Management. In diesem Beitrag beleuchten wir den AI-Begriff etwas genauer und zeigen, wie Anwendungen auf Basis dieser Technologie auch in KMU das Marketing noch effizienter machen.

Was ist AI?

Was bis vor wenigen Jahren noch nach Zukunftsmusik klang, ist heute längst Realität. AI steht als Abkürzung für das Englische „artificial intelligence“, was mit „künstliche Intelligenz“ übersetzt werden kann. Mit AI werden alle Maschinen beschrieben, deren Ziel es ist, intelligentes menschliches Verhalten zu imitieren. Meist geht es dabei darum, Entscheidungsstrukturen nachzubilden. So kann eine Software in die Lage versetzt werden, mit relativ hoher Eigenständigkeit Probleme zu lösen.

In der Informationswissenschaft wird zudem differenziert zwischen starken und schwachen AI: Starke AI-Systeme unterstützen den Menschen bei komplexen Aufgaben, schwache Systeme hingegen erledigen konkrete Anwendungsfälle und fungieren quasi als Unterstützungssystem für Mensch und technische Anwendungen. Schwache AI-System simulieren das intelligente Verhalten mit entsprechenden Algorithmen, die sie selbst anpassen können.
Sowohl starke, als auch schwache AI-Anwendungen besitzen ein gemeinsames Hauptmerkmal: Sie können selbst dazulernen und besitzen die Kompetenz, mit Unsicherheiten, also fehlenden Variablen, umzugehen.

Wo liegt der Unterschied zum marketing automation aiMachine Learning?

Unter Machine Learning, dem maschinellen Lernen, versteht man einen Teilbereich von AI. Der Begriff Machine Learning wird auf IT-Systeme angewendet, die bei der Analyse von Datenbeständen Muster und Gesetzmässigkeiten herausfiltern können. In den meisten Anwendungen geht es um das Erstellen statistischer Modelle, die auf Basis vorhandener Daten Prognosen errechnen. Auf diese Weise kann per Machine Learning neues Wissen erzeugt werden. Machine Learning-Systeme benötigen meist eine Lernphase, in der sie mit Daten gefüttert werden und eigene Erfahrungen für statistische Modelle sammeln können. Muster werden so erkannt, die dann auf neue Datensätze übertragen werden. Streng genommen handelt es sich bei vielen AI-Anwendungen im Kern tatsächlich um Machine Learning Software. Denn die Abgrenzung zwischen den Begriffen AI und Machine Learning ist nicht immer ganz klar zu ziehen.

AI im Marketing nutzen – das müssen Sie beachten

Internationale Unternehmen, wie Google, Microsoft, Amazon und weitere haben AI bereits als weitere Ebene in ihrem Tech Stack im Einsatz. Dass AI- und Machine Learning-Anwendungen im Marketing ein neues Zeitalter einläuten, wird spätestens dann klar, wenn man sich die Datenmengen ansieht, die zu Werbezwecken produziert werden. Fortgeschrittene Marketing Automation verfügt beispielsweise über eigene Analytik-Tools, um die Wünsche und Bedürfnisse, aber auch das Verhalten der Nutzer noch besser kennen zu lernen. Meist werden Machine Learning-Anwendungen in Marketing Automation-Systeme eingebaut. Dies versetzt die Automationsplattformen in die Lage, laufend dazuzulernen und sich ständig selbst optimieren zu können. Einzig dafür notwendig ist eine kontinuierliche Datenerfassung, welche in die Machine Learning-Anwendung zur Analyse eingespeist wird.

AI-Resultate weiternutzen mit Integrationen

Die Ergebnisse dieser Analysen können dann weitergenutzt werden, beispielsweise, um kundenspezifische Werbeanzeigen zu schalten und Empfehlungen für beispielsweise weitere interessante Produkte zu geben. Vorgeplante Anweisungen, Workflows und sogar Automationsregeln können von diesen Algorithmen in Abhängigkeit von Aktivität und Daten der Empfänger selbständig weiterentwickelt werden. So schafft Machine Learning die Grundlage für ein noch exakteres, individuelleres Reagieren auf Kundenbedürfnisse.

Anwendungsfelder für Marketing Automation mit AI und Machine Learning

Der Markt für AI- und Machine Learning-Anwendungen mit Marketing Automation vergrössert sich stetig. Grosse Anbieter von Automationsplattformen bieten entsprechende Plugins oder Apps, die mit wenig Aufwand und ohne Programmierkenntnisse Integrationen erlauben. So erhalten auch KMU mit begrenzten Ressourcen die Möglichkeit, AI zu nutzen. In Kombination mit Marketing Automation ergeben sich unter andren folgende Anwendungsfelder für eine noch bessere Produkt- und Markenerfahrung:

  • Intelligente Segmentierung durch Kombination von AI mit dem CRM
  • Kampagnensteuerung per AI
  • Produktempfehlungen/Cross Selling auf Basis von Verhaltensdaten, Kaufhistorie, Vorlieben etc.
  • E-Mail-Marketing (Verhaltensmuster erkennen, Personalisierung der Kommunikation kanalübergreifen)
  • Lead Nurturing
  • Retention und Reaktivierung (Abwandern verhindern)
  • Social Bots und Chatbots
  • Big Data-Anwendungen (Analysen und Prognosen zu Markt und Kunden)
  • Sprach- und Bilderkennung

Machine Learning kann Marketing und Vertrieb dabei unterstützen, abschlussbereite Leads noch präziser zu finden und zu konvertieren. Dazu gehört beispielsweise das Bestimmen des optimalen Versandzeitpunktes für E-Mails.

Einige Vorteile von Machine Learning auf einen Blick:

  • Mehr Kunden zu geringeren Kosten gewinnen
  • Aktionen an der höchsten Abschlusswahrscheinlichkeit orientieren
  • Präzisere Geschäftsprognosen
  • Idealen Übergabezeitpunkt eines Leads von Marketing an Sales bestimmen
  • Erkenntnisse auf Datenbasis

In 8 Schritten zum ersten AI-Projekt

Ähnlich umfassend wie die Möglichkeiten, die sich im Marketing hinter AI-Anwendungen verbergen, sind auch die Vorbereitungen für eine Implementierung. Weil entsprechende Software in Marketing Automation-Plattformen oft einfach zu integrieren ist, reduziert sich der Programmieraufwand, falls er überhaupt auftritt. Marketing Automation mit AI einzusetzen ist daher eine besonders einfache Lösung. Wesentlich zeitintensiver sind dagegen Testszenarien einzuplanen. Vorhersagen treffen kann AI bzw. Machine Learning bereits ab 100 Deals. Folgende Faktoren müssen beim Implementieren eines AI-Projekts berücksichtigt werden:

1. Datenqualität:

AI-Anwendungen sind genauso wie Marketing Automation ultimativ datenbasiert, deswegen ist eine hohe Datenqualität entscheidend. Bereits vor der Implementierung muss daher die Qualität der infrage kommenden Datensätze untersucht werden. Dies beinhaltet das Nutzen aller verfügbarer Datenquellen und das Bereinigen von Datensilos. Denn die AI-Anwendung soll mit möglichst akkuraten, strukturierten und reichhaltigen Datensätzen gefüttert werden. Bereits in diesem frühen Stadium sollte auch die Datenspeicherlösung durchdacht werden. Eine leistungsfähige Storage-Lösung, die alle von der AI-Anwendung genutzten Daten beherbergt, sichert die Zukunftsfähigkeit. Da die Algorithmen grosse Datenmengen zum Lernen benötigen, stellt eine leistungsfähige Storage-Lösung einen grundlegenden Baustein für längerfristig erfolgreichen AI-Einsatz dar.

2. Richtung bestimmen:

Unternehmen, die ganz neu in die Welt der AI starten, finden sich einer überwältigenden Anzahl an Informationen, aber auch Produkten und Dienstleistungen gegenüber. Es lohnt sich also, zunächst Zeit einzuplanen, um diese Informationen zu sortieren und eine eigene Richtung zu finden. Existiert bereits in diesem Stadium eine Zielvorstellung, kann bereits in diese Richtung recherchiert werden. Weil das Themenfeld der AI stark in Bewegung ist, gibt es sehr wahrscheinlich bereits einen ähnlichen Anwendungsfall, der als erstes Proof of Concept genutzt werden kann. Für einen ersten Einstieg gibt es die verschiedensten Online-Workshops, die speziell für Einsteiger konzipiert sind. Sie stellen einen guten ersten Einstiegspunkt in das Thema dar.

3. Konkreten Wert priorisieren, Erfolgskriterien festlegen

Bei aller Entdeckerfreude sollte der echte Nutzwert nicht ausser Acht gelassen werden. Bereits im Konzeptions- und Teststadium gilt es, den Anwendungsfall darauf auszurichten, konkreten Wert für das Unternehmen zu produzieren. Am Beginn der Überlegungen sollte eine erste Zielvorstellung stehen. Üblicherweise finden sich relativ rasch erste Anknüpfungspunkte zu bestehenden Workflows im Unternehmen. Anhand dieses ersten Anwendungsfalls ist das Definieren von Erfolgskriterien möglich. Unterscheidbar sind dabei Erfolgsfaktoren in den Bereichen Business Needs, Datenquellen und Datenqualität, aber auch Semantic Relationships und Extraction. Auch die Berechnung des ROI gehört zu den Erfolgskriterien einer AI-Implementation

4. Experimentieren:

Viele verschiedene Variablen beeinflussten die Performance von AI-Algorithmen. Individuelles Testen und Tracking von Testaufbau und Resultaten ist vor diesem Hintergrund besonders wichtig. So wird schnell erkannt, welche Faktoren sich gegenseitig beeinflussen. AI-Experimente sollten sich zunächst um einen eigenen Proof of Concept drehen. Mit eigenen Daten erfolgt dann die Testung infrage kommender Lösungen im Rahmen von Experimenten. Probleme und Hindernisse lassen sich anhand eigener Daten schnell erkennen, weil sie für ein realistisches Testszenario sorgen. Sind die Hürden zu hoch, kann eine andere Lösung in Betracht gezogen werden, ohne bereits investiert zu haben. Einstellungen, die im Experiment mit echten Daten funktioniert haben, sollten dann für den Livegang zunächst übernommen werden. Vor diesem Hintergrund ist das exakte Dokumentieren der Resultate wichtig, denn später möchte man unter Umständen auf diese Ergebnisse zurückgreifen. Dokumentation ist auch mit Hinblick auf die Reproduzierbarkeit von Ergebnissen wichtig, ebenso wie eine Versionskontrolle für Software und Daten.

5. Pilotprojekt aufbauen

Ein Pilotprojekt soll dem weiteren Sammeln von Erfahrungen mit der ausgewählten Machine Learning-Anwendung dienen. Gestartet wird, sobald das Stadium des Experimentierens erfolgreich abgeschlossen ist. Im Rahmen des Pilotprojekts erfolgt auch der Einbau der Anwendung in die endgültige Umgebung. Dazu gilt es, im Vorfeld organisatorische und technische Fragen zu klären. Im Blick stehen auch die Mitarbeiter mit ihren Kompetenzen. Mitarbeiter, die für das Pilotprojekt relevante Kenntnisse und Fähigkeiten haben, sollen mitarbeiten. Ein AI-Projekt kann aber auch an bereits bestehende Teams angegliedert werden, um deren Know-how zu nutzen. Externe Experten ergänzen bei Bedarf die inhouse vorhandenen Kompetenzen. Die Laufzeit des Pilotprojekts ist relativ kurz und sollte bei etwa zwei bis drei Monaten liegen. Zur Bearbeitung bieten sich zunächst einfache Problemstellungen an.

6. Mit einfachen Problemen starten

Ist das Pilotprojekt erfolgreich beendet, können sich Unternehmen an längerfristige AI-Einsätze heranwagen. Auch, wenn komplexe Fragen interessanter klingen, kann es sich dennoch lohnen, mit einfachen Herausforderungen zu beginnen. Einfache Methoden und Fragestellungen sind für AI-Einsteiger meist leichter zu interpretieren. Dieses Vorgehen erleichtert, die Mechanismen der Anwendungen kennen zu lernen und erlaubt, wichtige Erfahrungen für Implementierung, Training und Evaluation der Ergebnisse zu machen. Als Leitlinie für den ersten Use Case kann die Frage dienen: „Wie kann AI die bereits vorhandenen Produkte und Dienstleistungen ergänzen?“.

Auf Basis der ersten Ergebnisse dieser einfachen Problemstellungen lässt sich der AI-Einsatz schrittweise ausweiten. Idealerweise unterstützt Marketing Automation mit AI auch bei alltäglichen Workflows. Dieser selbstverständliche Einsatz schafft zusätzliche Erfahrung im Umgang mit AI und deren Rolle als Unterstützer menschlicher Mitarbeiter.

7. Feintuning:

Bereits beim Pilotprojekt sollte das Experimentieren mit dem Feintuning des AI-Systems eine Rolle spielen. Festzuhalten ist, dass generalisierte Lösungen bei AI-Anwendungen meist nicht übertragbar sind. Eine Kombination an Einstellungen, die für das eine Unternehmen funktioniert, liefert bei einem anderen Unternehmen möglicherweise nur minderwertige Ergebnisse. Das meiste aus dem neuen System herauszuholen erfordert daher viel Zeit. Deswegen ist gutes Zeitmanagement essentiell.

8. Laufende AI-Projekte optimieren

AI-Systeme haben das Potential, sich ständig weiterzuentwickeln. Auch bereits implementierte Anwendungen können sich zu mehr Erfolg hin verändern, beispielsweise indem Marketing Automation mit AI ergänzt wird. Je nach Unternehmensgrösse lohnt es sich, ein separates Testsystem beizubehalten, um darauf neue Problemstellungen zu bearbeiten. Auch auf Hardware-Ebene stehen Unternehmen vor einer Herausforderung, denn AI-Anwendungen benötigen leistungsfähige Maschinen.

Marketing Automation mit AI – jetzt beraten lassen und einsteigen

Die stetig wachsende Zahl an Lösungen, die sich AI und Machine Learning zunutze macht, spricht eine deutliche Sprache: In den kommenden Jahren ist eine zunehmend stärkere Verbreitung dieser leistungsfähigen Systeme zu erwarten. Unternehmen, die jetzt einsteigen, legen den Grundstein für Erfolg mit dieser neuen Basistechnologie. Jetzt ist es an der Zeit, Daten zu sammeln und diese nutzbringend einzusetzen, nämlich in Form von Marketing Automation mit AI! Nehmen Sie jetzt Kontakt mit uns auf und erfahren Sie, was Marketing Automation mit AI für Ihr Unternehmen tun kann – wir freuen uns auf Sie!