Maschinelles Lernen (ML)

Maschinelles Lernen (ML) im Detail

Im Marketing kann ML helfen, Kundenfeedback zu strukturieren, Nachfrage einzuschätzen oder passende Produkte vorzuschlagen. Der Nutzen hängt von der konkreten Aufgabe, der Datenbasis und der Einbindung in den Arbeitsprozess ab. Ein Modell erkennt statistische Zusammenhänge; seine Vorhersage erklärt nicht automatisch, warum ein Kunde handelt oder welche Maßnahme dieses Verhalten verändert.

Beim überwachten Lernen wird mit Beispielen trainiert, zu denen ein Zielwert oder eine Zuordnung bekannt ist. Unüberwachtes Lernen sucht Strukturen in Daten, etwa Gruppen ähnlicher Fälle. Beim bestärkenden Lernen werden Handlungsstrategien anhand von Rückmeldungen zu ihren Ergebnissen angepasst. Generative KI verwendet ebenfalls ML und erzeugt beispielsweise Text, Bilder oder Audio. Welche Methode passt, ergibt sich aus der Aufgabe.

Ein sinnvoller Einstieg ist eine klar abgegrenzte Entscheidung mit einem überprüfbaren Ziel. Zunächst wird festgehalten, wie gut das bisherige Verfahren funktioniert. Danach werden geeignete Daten vorbereitet, Modelle trainiert und auf getrennten Validierungs- und Testdaten bewertet. Informationen, die zum späteren Entscheidungszeitpunkt noch gar nicht vorliegen, dürfen nicht unbemerkt in die Vorhersage einfließen. Sonst kann die gemessene Güte besser aussehen, als sie im Einsatz ist.

Besser kann zum Beispiel heißen: fachlich passendere Empfehlungen, weniger falsch zugeordnete Anfragen oder zuverlässiger erkannte Themen im Kundenfeedback. Diese Qualitätsziele sollten gemeinsam mit dem Aufwand bewertet werden. Dazu zählen Datenaufbereitung, Integration, Betrieb und die Prüfung der Ergebnisse. Erst der Vergleich mit dem bisherigen Vorgehen zeigt, ob der zusätzliche Nutzen den Aufwand rechtfertigt. Eine pauschale Conversion-Steigerung oder Kostenersparnis lässt sich daraus nicht versprechen.

Für Davies Meyer gehört der KI-Einsatz zur Verbindung von Strategie, Kreation und Technologie. Die Verantwortung für Konzept und Qualität liegt bei uns. Das bedeutet für die Bewertung einer Anwendung: Ziel und Qualitätskriterien benennen, Ergebnisse fachlich prüfen und Grenzen sichtbar machen. Ein Modell-Score allein ist keine Freigabe für eine Kundenansprache.

Im Betrieb können sich Daten und Verhalten verändern. Deshalb sind regelmäßige Kontrollen, Prüfungen auf systematische Benachteiligung und ein klarer Umgang mit unsicheren Ergebnissen nötig. Bei personenbezogenen Daten müssen die zulässigen Verwendungszwecke und rechtlichen Anforderungen für den konkreten Einsatz geklärt werden. Die folgenden Szenarien beschreiben mögliche Anwendungen.