Content Optimierung

Glossar
TypKI-UseCase

Als Erfolgsformel im Marketing gilt bereits seit längerer Zeit ein erfolgreiches Content Marketing und eine zielgruppenrelevante Ansprachen.

Dabei wird jedoch in der Regel nicht das Potenzial digital verfügbarer Daten zur automatisierten Content-Erstellung genutzt. Customer Insight, das systematische Ableiten und Erklären um zu erforschen, was der Kunden denkt und wie dieser sich verhält bzw. was seine Bedürfnisse sind, ist eine der zentralen Aufgaben der klassischen Marktforschung. Algorithmenbasierte Technologie-Plattformen ermöglichen auf Basis von Künstlicher Intelligenz eine transparente und effiziente Mediaplanung, welche dieser Herausforderung begegnen kann.

Problemstellung & Zielsetzung

Infografiken können automatisch erzeugt werden, um für ausgewählte Branchen die Geschäftsentwicklung in Abhängigkeit vom Einsatz bestimmter Technologien, vom digitalen Reifegrad oder vom Werbeeinsatz aufzuzeigen. Durch ein Analyseteam erfolgt die redaktionelle Beschreibung und Erklärung der generierten Einblicke. Hierbei kommt die Computerlinguistik zum Einsatz. Damit sind Systeme gemeint, die basierend auf Zahlen und einzelnen Fakten Texte erstellen. Diese sind nur schwer von menschengeschriebenen Texten unterscheidbar. Die klassische Marktforschung verfügt über ein umfangreiches Instrumentarium, um die Einschätzung von Kunden zu Produkten zu erhalten. Darunter gehören Fokusgruppen, Kundenbefragungen, Ratings und Reviews, die über verschiedene Internetplattformen global verteilt sind. Diese werden über Bots intelligent erfasst und integriert. KI und Algorithmen können eine Vielzahl relevanter aktiver und reaktiver Media-Datenpunkte erfassen und systematisch automatisiert auswerten.

Mögliche KI-Methodiken

Content wird überwiegend (zumindest im Kontext von Marketing) in sprachlicher (Text, Audio) oder visueller Form generiert. Daher gelten vor allem Ansätze der Natürlichen Sprachverarbeitung und des Computer Vision als Voraussetzung für die Datenverarbeitung.

Welche methodischen Ansätze sich für die Datenverarbeitung eignen, sind abhängig von Aufgabe und den spezifischen Anforderungen. Prinzipiell lassen sich aber die folgenden Ansätze anwenden und auch kombinieren, um verschiedene Aspekte in Bezug auf Content-Optimierung zu unterstützen:

  1. Machine Learning
    1. Supervised Learning - um in gelabelten Daten Muster zu erkennen, welche Inhalte z.B. gut bei einer Zielgruppe ankommen.
    2. Unsupervised Learning - um in nicht gelabelten Daten, Strukturen und Muster sichtbar zu machen, wie z.B. das Clustern von Zielgruppen.
    3. Reinforcement Learning - um in einer dynamischen Umgebung, optimale Entscheidungen zu unterstützen, wie z.B. welcher Content zu welchem Zeitpunkt am besten funktioniert.
  2. Deep Learning - auf Basis der methodischen Ansätze des Machine Learning für große Datenmengen.
    1. Recurrent Neural Networks (RNNs) - für textbasierte Analysen.
    2. Convolutional Neural Networks (CNNs) - für Bildanalysen von Standbildern (Fotos, Grafiken, Diagramme, etc.) und Bewegtbilder (Videos, Live-Streams, etc.).
    3. Transformer-Modelle - für Übersetzungen, zur Fragenbeantwortung, Textzusammenfassung oder auch Fragenbeantwortung.

Risiken & Chancen

Best Practices

Quellen