KI im Marketing – Von der Technologie zum Wettbewerbsvorteil

Artikel erschienen in Transfer - Zeitschrift für Kommunikation und Markenmanagement (02/2024)

Dr. Dirk Held
Co-Founder & Chief Strategy Officer, aimpower GmbH

Dr. Christian Scheier Co-Founder & Chief AI Officer,
aimpower GmbH

In der sich ständig wandelnden Marketinglandschaft stehen Teams zunehmend vor der Herausforderung, mit einer wachsenden Komplexität und Dynamik umzugehen. Diese ist geprägt durch eine Zunahme an Daten, Distributionskanälen und Werbeformaten bei gleichzeitig schrumpfenden Budgets und Personalmitteln. Künstliche Intelligenz (KI) erweist sich als transformative Kraft, die darauf ausgerichtet ist, den Marketingprozess durch Steigerung der Effizienz und der Gesamteffektivität grundlegend zu verändern. Dieser Artikel untersucht die Integration von KI im Marketing und beschreibt einen strategischen Ansatz zur Identifizierung und Priorisierung relevanter Anwendungsfälle, zur Bestimmung wesentlicher Eigenschaften von KI-Lösungen und zur Gewährleistung einer erfolgreichen Implementierung.

Einleitung

Marketingteams stehen vor wachsender Komplexität und Dynamik – mehr Daten, Distributionskanäle und Werbeformate, fragmentierte Agenturlandschaft, Budgetdruck und Personalknappheit. Künstliche Intelligenz (KI) kann diesen Herausforderungen begegnen und Prozesse effizienter gestalten sowie die Gesamteffektivität steigern. Oft beginnen Kunden mit dem vagen Wunsch nach KI, ohne konkrete Anwendungsfälle oder Mehrwert im Blick zu haben. Ein systematisches Vorgehen, basierend auf Kompetenzaufbau und Integration der Technologie, ist entscheidend. Die Herausforderung liegt darin, aus der Vielfalt der KIAngebote diejenigen zu identifizieren, die Mehrwert bieten, und eine nachhaltige KI-Strategie zu entwickeln.

Zwei Arten von KI

Zunächst ist es essenziell, zwischen zwei grundlegenden Arten von KI zu unterscheiden: analytische KI und generative KI. Analytische KI-Modelle prognostizieren, klassifizieren und evaluieren auf der Grundlage gelernter Muster, während generative KI darauf abzielt, neue Texte, Bilder oder Klänge zu erzeugen (Scheier, 2024).
>Tabelle 1 zeigt Beispiele für den Einsatz dieser beiden KIArten im Marketing-Prozess. Aktuell dominiert das Thema generative KI (Scheier, 2024). Über viele Jahre wurden aber mit KI meist analytische Modelle und Lösungen gemeint. Entscheidend ist, dass der durch generative KI erzielte Effizienzgewinn ohne die Gewährleistung der Effektivität und Qualität der generierten Inhalte ins Leere läuft. Zunehmend kommen deshalb beide KI-Arten integriert zum Einsatz: generative KI erstellt Inhalte und diese werden dann von analytischer KI hinsichtlich Verständlichkeit, Markenpassung und Branding, Aufmerksamkeit oder Überzeugungskraft automatisiert bewertet, das Ganze supervisiert, bzw. evaluiert durch menschliche Experten .

Relevante Anwendungsfälle identifizieren und priorisieren

KI bietet viele Möglichkeiten, deren Nutzen sich nur erschließt, wenn klar ist, wofür sie einzusetzen sind. Relevante Anwendungsbereiche im Marketing sind die Optimierung des Marketingprozesses und die Verbesserung des Kundenerlebnisses. Dabei helfen Fragen wie: Wo kann die Effektivität gesteigert, die Geschwindigkeit erhöht, die Kosten gesenkt, die Konsistenz gewährleistet und die Qualität verbessert werden? Ob und wie eine KI-Lösung dabei hilft, diese Probleme zu lösen, ist zunächst zweitrangig. Ausgangspunkt ist der Mehrwert für das Marketingteam – die KI ist nur Mittel zum Zweck. Die Priorisierung der Use Cases erfolgt zunächst durch das Ausklammern selten auftretender Fälle, da KI ihre Stärken vor allem in der Automatisierung häufiger Prozesse ausspielt. Wenn ein Unternehmen hochfrequent Werbung in den sozialen Medien oder im Shopper-Marketing entwickelt, kann der Einsatz einer analytischer KI für die Effektivitätsprüfung geeignet sein, während eine generative KI zur Erstellung dieser Inhalte eingesetzt werden kann.

Einige KI-Lösungen erfordern einen hohen Aufwand, während andere sehr einfach und schnell umzusetzen sind. Es gibt keine allgemeingültige Regel. Die Antworten auf die folgenden Fragen können jedoch Hinweise darauf geben, wie leicht oder schwer die Einführung einer KI-Lösung ist.

• Wie einfach ist es, die Lösung in bestehende Frameworks, Prozesse und Systeme zu integrieren?

• Welche Fähigkeiten müssen die Nutzer haben, um die Lösung effektiv nutzen zu können?

• Sind ready-to-use-Lösungen verfügbar und sind sie von ausreichender Qualität?

• Erfordert das KI-Modell Training oder Anpassung?

• Sind Daten verfügbar, bzw. wie einfach ist es, Daten zu beschaffen, um eine unternehmensspezifische KI-Lösung zu trainieren oder eine KI-Lösung anzupassen, z. B. Normen?

• Gibt es rechtliche Barrieren, die die Implementierung der Lösung behindern könnten?

Generell gilt es, zu Beginn solche KI-Lösungen zu priorisieren die einerseits einen hohen Mehrwert bieten und andererseits möglichst einfach umzusetzen sind.

Die richtige Lösung finden

KI-Technologie entwickelt sich rasant, und beinahe wöchentlich kommen neue Entwicklungen hinzu. Unternehmen befinden sich noch immer in einer steilen Lernkurve, was schnell zu Unsicherheiten führen kann. Die Eignung einer KI-Lösung hängt vom jeweiligen Anwendungsfall ab und ist letztlich eine empirische Frage, die durch Ausprobieren beantwortet werden muss. Jedoch ermöglicht eine präzise Definition der Anwendungsbereiche eine effektivere Bewertung von Anbietern und Lösungen. Dabei sind einige der folgenden allgemeinen Aspekte unserer Erfahrung nach hilfreich in der Bewertung (>Tabelle 2).

(1) Datensicherheit und Transparenz
Der Einsatz von KI erfordert eine zunehmende Beachtung der Datensicherheit. Es ist entscheidend, dass KI-Lösungen Zugriffsrechte sicher verwalten und Anbieter transparent mit Daten umgehen. Wichtige Fragen umfassen die Nutzung und das Eigentum von Trainingsdaten und KI-Modellen sowie die Speicherung und Weitergabe dieser Daten, insbesondere bei der generativen KI mit Verbindungen zu vorwiegend US-amerikanischen Anbietern. Transparenz im Umgang mit Kundendaten ist essenziell für Vertrauen und Integrität.

(2) Evidenz-basiert und valide
Die Frage nach der Validität ist für die meisten Nutzer von KI-Lösungen von zentraler Bedeutung – und das völlig zu Recht. Dabei ist zwischen der internen und der externen Validität einer KI-Lösung zu differenzieren. Die interne Validität bezieht sich auf das Training des KI-Modells und ist bei der analytischen KI immanenter Bestandteil des Trainingsprozesses, da hier immer ein Validierungsdatensatz separiert wird, um die Vorhersagegüte des Modells zu evaluieren. Ein Modell ist valide, wenn es in der Lage ist, von den Trainingsdaten korrekt auf diese Validierungsdaten zu generalisieren (z. B. durch ein Bild oder einen Text ausgelöste Emotion). Die externe Validität betrifft die Frage, ob die Daten selbst und damit die Vorhersagen des KI-Modells bzw. der KI-Lösung repräsentativ für das jeweilige Problem sind, für das sie entwickelt wurden (z. B. Wirksamkeit eines Werbemittels). Bei generativen KI-Lösungen ist es schwieriger, die Validität zu prüfen, da diese Systeme häufig plausible Antworten geben, auch wenn sich diese dann als falsch bzw. „halluziniert“ erweisen oder systematische Verzerrungen enthalten (z. B. bevorzugte Generierung von Menschen bestimmter Herkunft). Unabhängig von der Art der KI sollte der Anbieter Informationen darüber liefern, mit welchen Daten das oder die Modell(e) trainiert wurde(n) und wie die Validität der Modelle sichergestellt wird.

(3) Flexibel anpassbar und erweiterbar
Viele Anbieter nutzen universelle „One-size-fits-all“ KI-Lösungen, doch die Komplexität des Marketings erfordert maßgeschneiderte Ansätze. Flexibilität in der Anpassung von Normen, Benchmarks und die Feinjustierung von KI-Modellen ist entscheidend, um nachhaltigen Erfolg und Akzeptanz im Unternehmen zu sichern. Marketingteams verfügen in der Regel über fest etablierte Frameworks und Prozesse. Die Wahrscheinlichkeit einer erfolgreichen Implementierung und die damit verbundenen Erfolgschancen steigen erheblich, wenn sich die KI-Lösung nahtlos in diese Strukturen einfügt. Ein Beispiel hierfür ist das Unternehmen PepsiCo, das als Use Case die Optimierung der Effektivität seiner Point-of-Sale (POS)-Materialien identifiziert hat. Auf Basis neurowissenschaftlicher Erkenntnisse wurde ein „Effectiveness Playbook“ entwickelt und die daraus gewonnenen Prinzipien in eine maßgeschneiderte KI-Lösung integriert (Auswahl der Kennzahlen, deren Benennung und Aggregation zu übergeordneten Metriken etc.) (aimpower, 2024). Zwar hätte die KI-Lösung auch ohne diese Anpassungen ihre Funktion erfüllt, aber die Kompatibilität mit den bestehenden Prozessen und Frameworks erleichtert die Einführung erheblich. Genau hierin liegt der Schlüssel: KI-Lösungen müssen eine flexible Anpassung an die spezifischen Prozesse und Anforderungen eines Unternehmens ermöglichen. Des Weiteren stellt sich die Frage nach den Kosten und dem damit verbundenen Nutzen. Unserer Erfahrung nach führen Unternehmen zwei Arten von Kosten-Nutzen-Kalkulationen im Kontext von KI-Lösungen durch.

a) Die KI ersetzt bestehende, meist teurere, Lösungen. Ein Beispiel dafür sind klassische Pretests oder Verpackungstests, die nun ganz oder teilweise von KI-Lösungen ersetzt werden, was in der Regel signifikante Kosten- und Zeitersparnisse mit sich bringt, aber eine entsprechende Validierung der KI-Lösung voraussetzt.
b) Die KI ermöglicht das Testen bisher ungetesteter Kontaktpunkte, z. B. im Shopper-Marketing oder von digitalen Werbemitteln. Ob die so erzeugten Mehrwerte die Investitionen rechtfertigen, hängt von vielen Faktoren ab. Unsere Erfahrung zeigt, dass insbesondere die Effizienz der Teams oft signifikant steigt, da nun objektive Kennzahlen zur Bewertung der Kontaktpunkte vorliegen.

Bei der Auswahl einer KI-Lösung ist darauf zu achten, ob es Einschränkungen bezüglich der Anzahl der Nutzer oder der Anzahl der Durchläufe gibt. Fallen solche Einschränkungen weg, rechnet sich eine KI-Lösung in der Regel deutlich schneller, da Teams rund um die Uhr mit der KI arbeiten und viele Entwürfe testen und iterativ optimieren können.

KI Plattform versus individuelle KI-Lösungen

Jeder Use Case scheint eine neue spezifische KI-Lösung hervorzubringen. Doch die richtige Lösung ist mehr als nur das KI-Modell, auf dem es basiert. Nötig ist auch eine Benutzeroberfläche, die Bereitstellung des Outputs für den Nutzer und die Integration in bestehende Prozesse, ganz zu schweigen von Nutzer- und Rechtemanagement, Datenschutz, Leistungsfähigkeit und anderen technischen Grundlagen. Daher orientieren sich viele Unternehmen mittlerweile an integrierten KI-Plattformen: einem zentralen Ort, an dem die analytischen und generativen KI-Lösungen über alle Anwendungsbereiche im Marketing hinweg zusammengeführt werden. Eines der weltweit führenden FMCG-Unternehmen hat sich für diesen Ansatz entscheiden. Für dieses Unternehmen haben wir einen „OneStop-Shop“ für KI-Lösungen entwickelt, der derzeit in 35 Ländern und 22 Sprachen für über zehn Produktkategorien verfügbar ist (>Abbildung 2). Mitarbeiter können über diese Plattform aus mehr als zwanzig dedizierten KI-Lösungen auswählen, sei es zur Überprüfung und Optimierung von Verpackungsdesigns, zur Wirkungsanalyse digitaler Werbemittel oder zur automatisierten Analyse von Konsumentenreaktionen aus den sozialen Medien oder aus Marktforschungsstudien. In der Regel werden dabei Inhalte hochgeladen (z. B. Designs oder Konsumentenreaktionen) und wenige Minuten später wird ein Ergebnisbericht erzeugt (als interaktives Dashboard und herunterladbare PowerPoint-Datei). Auf unserer KIPlattform brainsuite.ai bieten wir dabei nicht nur die von uns entwickelten KI-Lösungen an, sondern ermöglichen auch die Einbindung von Lösungen anderer KI-Anbieter. Konkret sehen die Nutzer der Plattform jede Lösung als eine Kachel, auf die sie Klicken können, um eine Lösung zu starten – ob es sich dabei um ein Tool von uns selbst oder von einem Drittanbieter handelt, ist zweitrangig und für den Mitarbeiter in der Regel unerheblich.

Ohne erfolgreiche Implementierung kein Mehrwert

Selbst die beste Lösung kann scheitern, wenn die Implementierung nicht gelingt und die Lösung nicht genutzt oder nicht verstanden wird. Nach unserer Erfahrung hilft es, die folgenden drei Punkte zu fokussieren.

(1) Klein starten
Das bedeutet nicht, dass Unternehmen zwangsläufig mit kleineren und einfacheren Lösungen starten. Es bedeutet vor allem, dass zunächst die Kompetenzen innerhalb des Teams aufgebaut werden müssen. Trotz einer allgemeinen Vorstellung von KI und deren Funktionsweise stellt die praktische Anwendung oft eine Neuheit dar, die den schrittweisen Aufbau von Kompetenzen innerhalb der Teams erfordert.

(2) Prozesse bedenken
Selbst die fortschrittlichste KI-Lösung ist nutzlos, wenn sie nicht nahtlos in die internen Prozesse eines Unternehmens integriert ist. Es ist von entscheidender Bedeutung, genau zu verstehen, wer die KI-Lösung nutzen wird, zu welchem Zweck, aus welchem Grund, zu welcher Zeit und auf welche Weise.

(3) Schrittweise ausrollen und begleiten
KI-Lösungen rufen oftmals zahlreiche Fragen hervor, die insbesondere dann auftreten, wenn sie im täglichen Betrieb eingesetzt werden. Daher empfiehlt es sich die KI-Lösung schrittweise auszurollen. Ein Beispiel hierfür ist das Unternehmen Henkel (aimpower, 2023), das unsere KI-Lösungen unter anderem zum Prüfen und Optimieren der ECommerce-Materialien einsetzt. Nachdem sie ihren Anwendungsfall definiert hatten und die KI-Lösung individuell angepasst wurde, erfolgte ein erster Test mit einer kleinen Nutzergruppe. Im Anschluss an diese Pilotphase wurden interne „Champions“ benannt. Die Teams sendeten daraufhin Materialien an die Champions, diese bearbeiteten sie mit Hilfe der KI-Lösung und besprachen die Ergebnisse innerhalb der Teams. Auf diese Weise wurden die Teams schrittweise mit der KI-Lösung vertraut gemacht. Danach erfolgten weitere Schulungen aller relevanten Personen. Heute nutzen weltweit mehrere hundert Mitarbeiter die KI-Lösung. Dieses schrittweise Vorgehen fördert die Akzeptanz und beschleunigt letztendlich die Einführung und Nutzung der Technologie.

Herausforderungen und Blick in die Zukunft

Auch wenn sich die KI-Technologie rasant entwickelt und verbessert, bleiben Herausforderungen. Viele KI-Lösungen werden auf Daten trainiert, die besonders leicht verfügbar sind, z. B. englische Texte oder Bilder von Menschen bestimmter Ethnien. Um wirklich weltweit einsetzbar zu sein, müssen Daten aller relevanten Kulturen und Sprachen für das Training von KI-Lösungen berücksichtigt werden. Hier ist die bereits angesprochene Flexibilität und Anpassungsfähigkeit wichtig. Eine weitere Herausforderung ist die Rückkopplung von KI-Lösungen mit menschlichen Urteilen und Daten. Statt einer Trennung von „KI versus Marktforschung“ geht es darum, diese beiden Arten von Daten zu integrieren und gegenseitig nutzbar zu machen. Es ist zu erwarten, dass in naher Zukunft Angebote entstehen, die eine Integration aller für das Marketing relevanten Daten, inklusive KI-basierter Daten, ermöglichen.

Management-Takeaway
Erste Beispiele aus der Praxis zeigen die Möglichkeiten des Einsatzes von KI-Lösungen im Marketing. Um KI-Lösungen erfolgreich zu nutzen, sollte man klein starten, Prozesse bedenken und schrittweise ausrollen.

Literatur
aimpower (2023). Vom virtuellen Konsumenten profitieren - wie HENKEL mit AI das perfekte Einkaufserlebnis schafft. Abruf von https://www.de.aimpower.ai/case-study-henkel.
aimpower (2024). Kreativ-Teams mit AI Skills – wie PepsiCo mit AI Effektivität und Share-of-Attention am Point-of-Sale maximiert. Abruf von https://www.de.aimpower.ai/casestudy-pepsico.
Kozyrkov, C. (26.10.2018). Is your AI project a nonstarter? Here’s a reality check(list) to help you avoid the pain of learning the hard way. Abruf von https://kozyrkov.medium. com/ai-reality-checklist-be34e2fdab9.
Scheier, C., & Held, D. (2024). Double Impact: Harnessing Generative and Evaluative AIs for Effective Marketing Decisions. NIM Marketing Intelligence Review,16(1) 36-41. Abruf von https://doi.org/10.2478/nimmir-2024-0006.
Turi, P. (16.06.2019). uri2 edition #8: Hans-Christian Schwingen über Firmen-Turnschuhe als Erfolgssymbol. Abruf von https://t1p.de/ny4tm.