Maschinelles Lernen ist in aller Munde, aber wie sieht es eigentlich in der Praxis als Teil einer digitalen Marketingstrategie aus?
Sie sind auf eine maschinelle Lernstrategie gestoßen, wenn Sie eine Website verwendet haben, die Produkte basierend auf früheren Einkäufen empfiehlt.
Maschinelles Lernen ist eine Facette der künstlichen Intelligenz (KI), die Algorithmen verwendet, um bestimmte Aufgaben wie Produktempfehlungen zu erledigen.
Es kann eine Vielzahl von Funktionen für digitale Vermarkter erfüllen, darunter:
Maschinelles Lernen ist seit Jahren im digitalen Marketing.
Tatsächlich verwenden Sie maschinelles Lernen, wenn Sie Suchmaschinen verwenden.
Obwohl dies für die meisten noch eine neue Strategie ist, haben viele Unternehmen damit begonnen, diese Technologie in ihre Marketingkampagnen zu integrieren.
Nachfolgend finden Sie acht Beispiele für maschinelles Lernen im digitalen Marketing.
1. Verfolgung
Im Jahr 2019 ging der Bankengigant Chase Bank eine Partnerschaft mit Persado ein, um bei der Erstellung von Marketingtexten für seine Kampagnen zu helfen.
Sie forderten das KI-Unternehmen auf, eine Kopie zu erstellen, die mehr Klicks bringt – was sie auch taten.
Beispiele für durch maschinelles Lernen generierte Kopien sind:
Menschliche Kopie: „Gehen Sie papierlos und verdienen Sie $5 Cash Back.“
Maschinell erstellte Kopie: „Zeitlich begrenztes Angebot: Wir belohnen Sie mit $5 Cash Back, wenn Sie papierlos werden.“
Ergebnisse: Die KI-Kopie generierte fast doppelt so viele Klicks.
Menschliche Kopie: „Greifen Sie auf Bargeld aus dem Eigenkapital Ihres Hauses zu“ mit einem „Schauen Sie sich an“-Button.
Maschinell erstellte Kopie: „Es ist wahr – Sie können Bargeld aus dem Eigenkapital Ihres Hauses freischalten“ mit einem schnellen „Click To Apply“.
Ergebnisse: Die KI-Kopie zog 47 Bewerber pro Woche an, während die menschliche Kopie 25 Bewerber pro Woche anzog.
Menschliche Kopie: „Beeilen Sie sich, es endet am 31. Dezember. Verdienen Sie 5 % Cashback in Kaufhäusern und Großhandelsclubs.“
Maschinell erstellte Kopie: „In Bezug auf Ihre Karte: 5 % Cash Back warten auf Sie“
Ergebnisse: Die KI-Kopie generierte fast das Fünffache der eindeutigen Klicks.
Während die maschinell erstellte Kopie bei den Kunden möglicherweise besser abgeschnitten hat, ist es wichtig, sich daran zu erinnern, dass sie mit menschlichen Textern funktioniert hat, die sie mit Ideen fütterten.
Gemeinsam können menschliche Texter und maschinelles Lernen Texte erstellen und optimieren, die Anklang finden.
2. Starbucks
Mit Geschäften auf der ganzen Welt erhält Starbucks viele Daten.
Starbucks kann mit der Starbucks-Treuekarte und der mobilen App auf Kaufeinblicke zugreifen und diese Informationen in Marketingmaterialien umwandeln. Diese Strategie wird als prädiktive Analyse bezeichnet.
Beispielsweise erfasst maschinelles Lernen die Getränke, die jeder Kunde kauft, wo und wann er sie kauft, und gleicht diese mit externen Daten wie Wetter und Werbeaktionen ab, um den Kunden ultrapersonalisierte Anzeigen zu liefern.
Ein Beispiel ist die Identifizierung des Kunden über das Point-of-Sale-System von Starbucks und die Bereitstellung der bevorzugten Bestellung für den Barista.
Die App kann auch neue Produkte basierend auf früheren Einkäufen vorschlagen (die sich je nach Wetterbedingungen oder Feiertagen ändern können).
Maschinelles Lernen kann das Rätselraten bei Produktempfehlungen beseitigen.
Einzelhandelsgiganten wie Starbucks haben Millionen von Kunden, aber sie können jedem das Gefühl geben, personalisierte Empfehlungen zu erhalten, weil sie Daten schnell und effizient sichten können.
3. eBay
eBay hat Millionen von E-Mail-Abonnenten. Jede E-Mail benötigte ansprechende Betreffzeilen, die den Kunden zum Klicken veranlassen würden.
Die Bereitstellung von über 100 Millionen auffälligen Betreffzeilen erwies sich jedoch als überwältigend für menschliche Autoren.
Geben Sie maschinelles Lernen ein.
eBay hat sich mit Phrasee zusammengetan, um ansprechende Betreffzeilen zu generieren, die keine Spamfilter auslösen. Darüber hinaus stimmte die maschinell erstellte Kopie mit der Markenstimme von eBay überein.
Ihre Ergebnisse zeigen Erfolg:
- 15,8 % Anstieg der Öffnungsraten.
- 31,2 % Steigerung der durchschnittlichen Klicks.
- Über 700.000 inkrementelle Öffnungen pro Kampagne.
- Über 56.000 inkrementelle Klicks pro Kampagne.
Maschinelles Lernen kann die entmutigendsten Aufgaben übernehmen und sie innerhalb von Minuten im großen Maßstab erledigen.
Infolgedessen können sich Unternehmen mehr auf große Kampagnen als auf Mikroaufgaben konzentrieren.
4. Doordash
Doordash führt Tausende von Marketingkampagnen über seine Marketingkanäle durch.
Ihr Team aktualisiert Gebote manuell basierend auf der Leistung der Anzeigen.
Das Team stellte jedoch fest, dass diese Aufgabe zeitaufwändig und überwältigend war.
Also wandte sich Doordash dem maschinellen Lernen zu, um seine Marketingausgaben zu optimieren.
Es baute eine Marketing-Automatisierungsplattform auf der Grundlage von Attributionsdaten auf.
Diese Daten sagen dem Unternehmen, auf welchem Kanal der Kunde mit welcher Kampagne konvertiert hat.
Es kann jedoch schwierig sein, diese Art von Daten sofort zu sammeln, wenn Tausende von Kampagnen gleichzeitig laufen.
Maschinelles Lernen hilft bei der Bewältigung dieser Aufgabe, indem es diese Daten sammelt und Ausgabenempfehlungen erstellt, damit sie ihr Budget schnell und effizient optimieren können.
5. Autodesk
Autodesk erkannte den Bedarf an ausgefeilteren Chatbots.
Verbraucher sind oft frustriert über die Einschränkungen von Chatbots und sprechen daher lieber mit einem Menschen.
Chatbots können jedoch dabei helfen, Kunden effizient zu den Inhalten, Verkäufern oder Serviceseiten zu führen, die sie benötigen.
Also wandte sich Autodesk dem maschinellen Lernen und der KI zu.
Der Chatbot von Autodesk verwendet maschinelles Lernen, um einen Dialog basierend auf Suchmaschinen-Schlüsselwörtern zu erstellen.
Dann kann sich der Chatbot am anderen Ende mit dem Kunden verbinden, was schnellere Konversionsraten ermöglicht.
Seit der Implementierung seines Chatbots hatte Autodesk das Dreifache der Chat-Engagement und eine 109-prozentige Steigerung der auf der Seite verbrachten Zeit.
6. Baidu
Im Jahr 2017 baute Baidu, die chinesische Suchmaschine, ein System namens Deep Voice, das maschinelles Lernen nutzt, um Text in Sprache umzuwandeln. Dieses System kann 2.500 Stimmen mit jeweils einer halben Stunde Daten lernen.
Baidu erklärt, dass Deep Voice zu immersiveren Erfahrungen in Videospielen und Hörbüchern führen kann.
Baidus Ziel mit Deep Voice ist es, Maschinen beizubringen, menschlicher zu sprechen, indem sie Tausende menschlicher Stimmen imitieren.
Die Suchmaschine hofft, dass das System bald 10.000 oder mehr Stimmen mit unterschiedlichen Akzenten beherrschen kann.
Wenn es perfektioniert ist, könnte Deep Voice Dinge verbessern, die wir jeden Tag verwenden, wie:
- Siri.
- Alexa.
- Google-Assistent.
- Übersetzung in Echtzeit.
- Biometrische Sicherheit.
Es kann sogar Menschen helfen, die ihre Stimme verloren haben, wieder zu kommunizieren.
Obwohl es in letzter Zeit keine Updates gab, bleibt Baidu zuversichtlich, dass Deep Voice unsere Technologie revolutionieren wird.
7. Schneidermarken
Tailor Brands nutzt maschinelles Lernen, um seinen Benutzern bei der Erstellung von Logos zu helfen.
Die Maschine „This or That“ hilft Tailor Brands, den Geschmack eines Benutzers mithilfe von Entscheidungsalgorithmen zu verstehen.
Durch die Auswahl von Beispielen dessen, was ihnen gefällt, teilen Benutzer dem Logo-Generator ihre Vorlieben für Stile, Schriftarten und andere Designaspekte mit.
Tailor Brands verwendet lineare Algebra.
Die Entscheidung jedes Benutzers wird in eine Gleichung eingespeist, die der Maschine hilft, die Vorlieben des Benutzers zu lernen.
Wenn jemand das nächste Mal ein Logo erstellt, kann Tailor Brands Stile zeigen, die denen ähneln, die sie zuvor verwendet haben.
8. Yelp
Yelp erhält jeden Tag weltweit Millionen von Fotos.
Das Unternehmen erkannte, dass es eine ausgeklügelte Methode brauchte, um Fotos bestimmten Unternehmen zuzuordnen.
Also entwickelten sie ein Fotoverständnissystem, um semantische Daten über einzelne Fotos zu erstellen.
Dieses System ermöglicht es Yelp, Fotos in Kategorien zu sortieren, die für die Suche des Benutzers relevant sind.
Zunächst erstellte Yelp Etiketten für die Fotos, die sie von Benutzern erhalten haben, wie „Getränke“ oder „Menü“.
Als nächstes sammelte das Unternehmen Daten aus Bildunterschriften, Bildattributen und Crowdsourcing.
Dann implementierte es maschinelles Lernen, um die Fotoetiketten zu erkennen, anhand derer das System die Fotos in Kategorien einteilen konnte.
Dieses Fotoklassifizierungssystem trägt dazu bei, ein besseres Benutzererlebnis auf Yelp zu schaffen.
Beispielsweise kann es helfen, Titelbilder zu diversifizieren und Registerkarten zu erstellen, mit denen Benutzer genau zu den gesuchten Informationen springen können.
Digitale Vermarkter kratzen nur an der Oberfläche dessen, was maschinelles Lernen für sie tun kann.
Menschen und Maschinen können zusammenarbeiten, um in kürzerer Zeit aussagekräftigere Kundenerlebnisse und optimiertere Kampagnen zu schaffen. Es ist eine Win-Win-Win-Situation.
Mehr Ressourcen:
Vorgestelltes Bild: /Shutterstock