In einer Welt, die sich ständig weiterentwickelt und in der Technologien unaufhörlich neue Horizonte eröffnen, erinnert uns ein zeitloses Sprichwort an die unausweichliche Wahrheit:
„Wer nicht mit der Zeit geht, muss mit der Zeit gehen.“
Dieses Zitat, schlicht in seiner Form, aber tiefgründig in seiner Bedeutung, ist ein Weckruf für alle, die in der Dynamik des digitalen Zeitalters erfolgreich sein wollen. Es ist ein Appell, ständig zu lernen, sich anzupassen und Innovationen nicht nur anzunehmen, sondern sie zu umarmen oder gar mitzugestalten.
In diesem Geist tauchen wir ein in die Welt des maschinellen Lernens und der Künstlichen Intelligenz (KI) für das Marketing.
Bevor wir loslegen:
Was ist maschinelles Lernen?
Maschinelles Lernen ist ein Teilbereich der Informatik, der Algorithmen entwickelt, die aus Daten lernen, Muster erkennen und Entscheidungen treffen. Diese Algorithmen erkennen Muster in Daten und treffen auf dieser Basis Prognosen oder Entscheidungen.
Statt starrer Programmierregeln nutzen diese Algorithmen historische Daten, um zu lernen und sich im Laufe der Zeit ständig zu verbessern. Eine sehr bekannte Methode des maschinellen Lernens sind tiefe neuronale Netze (Deep Learning).
Was ist Künstliche Intelligenz?
KI meint Maschinen oder Programme, die kognitive Fähigkeiten besitzen, die wir typischerweise mit menschlicher Intelligenz assoziieren, wie Lernen, Problemlösen und Entscheidungsfindung. Diese „intelligenten“ Maschinen können also komplexe Aufgaben ausführen, die traditionell menschliches Denken und Urteilsvermögen erfordern.
Wie hängt beides miteinander zusammen?
Maschinelles Lernen ist die Algorithmik, die sich hinter diesen intelligenten Maschinen verbirgt, also der „Motor unter der Haube“ von intelligenten Maschinen.
Maschinelles Lernen ist der Weg, auf dem wir KI erreichen: indem wir Maschinen beibringen, aus Erfahrungen zu lernen und sich anzupassen, ohne dass sie für jede neue Situation neu programmiert werden müssen.
Maschinelles Lernen gibt es im Marketing schon lange!
Maschinelles Lernen ist im Marketing absolut nichts Neues. Anwendungen gibt es schon seit Jahren. Dataiku liefert in dem Buch „The Ultimate Guide to Marketing AI“ detaillierte Auseinandersetzungen mit maschinellem Lernen für Marketing (Dataiku, 2020), die die folgenden Abschnitte aufgreifen.
Dazu zählen vor allem Marketing-Attribution, zielgerichtete Werbung, Echtzeit-Prognosen, dynamische Preisoptimierung und, um Kunden zu verstehen und zu segmentieren, Kundenabwanderung vorherzusagen beziehungsweise zu verhindern sowie für personalisierte Empfehlungen.
Marketing-Attribution
Marketing-Attribution ist der Prozess der Marketingmaßnahmen-/Kampagneneffektivität misst, durch Quantifizierung des Einflusses von Kampagnen auf das gewünschte Ergebnis wie etwa der Beginn einer kostenlosen Testphase oder der Kauf von Produkten.
So kannst Du Deine Marketingausgaben und Botschaften optimieren. Maschinelle Lernalgorithmen und Attributionsmodelle verarbeiten die Daten aus diversen Quellen in Echtzeit und geben sofort Feedback zu den effektivsten Kanälen.
Das spart Geld und erhöht die Reichweite an Kunden. Zeit spart es aus, und zwar dann, wenn Du Deine Kundenbeziehungsmanagement (CRM)- und Werbeplattformen mit dem maschinellen Lernsystem zur Automatisierung Deiner Kampagnen verbindest.
Das Echtzeit-Feedback des Systems erlaubt Deinem Marketingteam kreativ bei Kanälen und Botschaften zu experimentieren. In dem Moment, wo sich beispielsweise die Conversion Rate bei einer Maßnahme (einem Experiment) verschlechtert, kannst Du diese Maßnahme sofort rückgängig machen.
Zielgerichtete Werbung
Maschinelles Lernen erhöht die Zielgerichtetheit von Werbung, indem es Daten aus verschiedenen Quellen integriert und so ein vollständiges Verständnis von Publikumsinformationen, Inhaltspräferenzen und Werbekonsumverhalten schafft.
Die Werbewelt ändert sich kontinuierlich, der Markt wird immer wettbewerbsintensiver. Die datengesteuerte Segmentierung muss immer ausgefeilter sein.
Die Multimedia-Werbeplattform muss neue Fähigkeiten, Ressourcen, Prozesse und Technologien besitzen, um Werbung zur richtigen Zeit, am richtigen Ort zu platzieren und passendere, personalisierte Angebote zur Steigerung der Konversion anzubieten.
Einige Streaming-Plattformen und führende Filmstudios nutzen bereits maschinelle Lern-basierte Personalisierung von Filmtrailern, die spezifische Elemente hervorheben, von denen sie wissen, dass sie eine bestimmte Zielgruppe ansprechen.
So verwendet beispielsweise 20th Century Fox maschinelles Lernen, um Objekte und Szenen in einem Trailer zu erkennen und dann vorherzusagen, welches „Mikro-Segment“ des Publikums den Film am ansprechendsten findet (Dataiku, 2020).
Die Lernmodelle erkennen Muster aus riesigen historischen Datensätzen, sowohl aus Online-Einkaufsverhalten als auch aus Offline-Verkaufsstellendaten und prognostizieren dann das beste Ergebnis, sprich das Produkt, das jede:r Benutzer:in als Nächstes kaufen möchte.
Ob Nutzer:innen das Produkt auch wirklich kaufen oder nicht, das fließt wiederum in das maschinelle Lernmodell ein, welches von Tag zu Tag immer intelligenter und präziser wird.
Echtzeit-Prognosen
Die Echtzeit-Prognose liefert Einblicke in den Markt, den Wettbewerb und in die Kundenbasis, ihre Bedürfnisse, Probleme und Wünsche. Fast jedes Unternehmen braucht eine Prognose über die Nachfrage für Vertriebs- und Umsatzplanung, Personalplanung und für die Optimierung der Lieferkette.
Zu hohe Lagerbestände sind Geldverschwendung, zu niedrige sind verschenktes Potenzial. Die Algorithmen in der Welt des maschinellen Lernens sind mittlerweile sehr ausgereift und berücksichtigen nicht nur Trends, sondern auch Saisonalität, Feiertagseffekte und besondere Ereignisse wie beispielsweise die Europa- oder Weltmeisterschaft (die sich auf den Handel online und offline auswirken).
Ein konkretes Beispiel für eine derart ausgereifte Technologie ist Facebooks Framework namens „Prophet“ (fbprophet). Maschinelle Lernalgorithmen nutzen für solche Nachfrage-Vorhersagen riesige Datensätze aus internen ERP-, CRM-, IoT- und anderen Systemen sowie externe Informationen wie Partner, soziale Medien oder Wettervorhersagen (Dataiku, 2020).
Die Algorithmen aktualisieren ihre Vorhersage in Echtzeit und berücksichtigen jede Lieferkettenunterbrechung. Sie berücksichtigen Änderung im Wettbewerb sowie neuen Kanäle, Produkte und Naturkatastrophen.
Dynamische Preisoptimierung
Wie sieht das Gleichgewicht aus zwischen dem, was Deine Kunden bereit sind zu zahlen, und den Gewinnmargen, die Dein Unternehmen zum Überleben oder besser zum Wachsen braucht?
Walmart beispielsweise ändert seine Preise mehr als 50.000 Mal pro Monat und zeigt ein beeindruckendes Wachstum (Dataiku, 2020). Maschinelles Lernen liefert dynamische Preisgestaltungsmodelle, die die Preise der Konkurrenten überwachen und automatisch mit deren Preisen mitzuhalten oder ein klein bisschen drunter liegen.
Flugtickets sind ein gutes Beispiel für die Echtzeit-Preisgestaltung, wobei neben einer Fülle von Faktoren der Ticketpreis auch berücksichtigt, wann Du das Ticket kaufst, wie viele bereits verkauft sind und wo der Sitzplatz im Flugzeug liegt.
Kundensegmentierung
Segmentierung unterteilt einen breiten Zielmarkt in Kategorien (Verbraucher:innen, Unternehmen, …), die typischerweise gemeinsame Interessen, Merkmale oder Bedürfnisse haben. So kannst Du Dein Produkt mit der richtigen Botschaft und dedizierten Kampagnen auf die verschiedenen Segmente ausrichten.
Maschinelles Lernen kann dynamische Segmente von Benutzern bzw. Benutzerinnen oder Kunden erstellen. Und zwar basierend auf der Kombination aus Transaktionsdaten wie Zahlungshistorie, Interaktionsdaten wie Weblogs oder Sozial Media und externen Daten wie sozio-demographische Daten (Dataiku, 2020).
Und genau das macht den Unterschied. Maschinelles Lernen liefert einen 360-Grad-Blick auf Deine Kunden als Momentaufnahme in Echtzeit sowie prädiktive Einblicke in das Kundenverhalten von Morgen, also sagt ein Bild der Zukunft vorher. Für Dich werden Muster nachvollziehbar: „Wie bezahlen sie für Leistungen?
Was mögen sie in sozialen Medien? Wie sind das Wetter und der Verkehr da draußen, wenn sie Deine Produkte einkaufen? Heute und in Zukunft. Sogenanntes „Customer Lifetime Value Forecasting“ schätzt mittels maschinellem Lernen den Lebenszeitwert Deiner Kunden auf lange Sicht ein (Wuttke, 2023): Wieviel Umsatz generiert ein Kunde in den nächsten 12 Monaten?
Wird er am Ende der Vertragslaufzeit verlängern oder kündigen? Und wann muss ich darauf reagieren? Wann kauft ein Kunde das nächste Mal ein?
Vorhersage und Verhinderung von Kundenabwanderung
Churn Prediction, sprich Kundenabwanderungsvorhersage oder Churn Prevention, also die Verhinderung von Kundenabwanderung sind essenziell – nein sie sind der Schlüssel – für nachhaltiges Kundenmanagement.
Denn das Gewinnen neuer Kunden ist heute fünf- bis zehnmal teurer ist als das Halten bestehender Kunden (Dataiku, 2020). Michael Redbord, General Manager des Service Hub bei HubSpot, betont:
In einem abonnementbasierten Geschäft führt bereits eine geringe monatliche/quartalsweise Abwanderungsrate schnell zu einem bedrohlichen jährlichen Churn. Unternehmen mit hohen Abwanderungsraten müssen daher zunehmend Ressourcen in die Neukundenakquise stecken, was langfristig eine echte finanzielle Belastung ist (KDnuggets, 2019).
Ein maschinelles Lernmodell, sei es ein neuronales Netz oder eine andere Methode, die Deine Kundenperformance analysiert kann kurzfristige Trends wie Kundenabwanderung oder -zuwachs erkennen.
Marketingteams ergreifen auf Basis dieser Analyse kurzfristige Maßnahmen. Eine Langzeitanalyse benötigt aufwändigere Modelle, macht aber die Gründe für Kundenabwanderung sichtbar.
Und genau dann setzt Dein Marketingteam an der Wurzel des Problems an und entwickelt effektive Strategien zur Reduzierung des Churn. Im Idealfall implementierst Du beide Modelle und verknüpfst sie mit relevanten Kurz- und Langfristaktionen.
Wie gehst Du dabei vor? Segmentiere Deine Kunden basierend auf ihrem Verhalten und stelle die Frage: „Welche Kunden sind Dir wichtig?“ Und genau diese „wichtigen“ Kunden sind Ziel einer Churn-Reduktionskampagne.
Vergleiche und verstehe das Kundenverhalten der unterschiedlichen Segmente. Was macht Deine Abwanderer aus – was macht sie anders? Maschinelles Lernen erkennt Muster unter den Abwanderern und identifiziert genau das, was sie von anderen unterscheidet.
Wie aber bestimmst Du, welche Kunden für Dich wichtig sind? Mithilfe eines Churn-Scoring. Weise Kunden eine Punktzahl zu, die anhand sozialer Merkmale seine oder ihre potenzielle Loyalität gegenüber Deines Produkts/Diensts angibt.
Der maschinelle Lernalgorithmus warnt Dich rechtzeitig vor, wenn wichtige Kunden drohen, abzuwandern. Dann heißt es: Treueprogramm aufsetzen und anzuwenden!
Personalisierte Empfehlung
Empfehlungssysteme nutzen maschinelles Lernen, um vorherzusagen, was Nutzer:innen mögen, besonders wenn viele Optionen zur Auswahl stehen. Amazon oder Netflix sind klassische Beispiele: „Kunden die dies gekauft haben, haben auch das gekauft.“
Der Vorteil liegt auf der Hand: Kunden bekommen Kaufempfehlungen, denen sie höchstwahrscheinlich nachkommen. Für die hohe Wahrscheinlichkeit sorgt der maschinelle Lernalgorithmus. Kunden müssen nicht lange suchen und die Verkaufszahlen sind hoch.
Der Algorithmus berücksichtigt das Kaufverhalten anderer Personen und generiert darauf basierend dem Kunden eine Empfehlung (kollaborative Empfehlungssysteme) oder berücksichtigt nur die Kauf- oder Konsumhistorie des Kunden, um bei wachsender Kaufhistorie immer zielgenauer zu werden (inhaltsbasierte Empfehlungssysteme).
Neben dem Training der maschinellen Lernalgorithmen berücksichtigen diese Systeme verschiedene Aspekte wie Datenaufbereitung, Feature-Engineering, Vorverarbeitung, Workflows, Zeitpunkt der Empfehlungen, Produktänderungen und die Segmentierung von Nutzern mit ähnlichen Vorlieben (Dataiku, 2020).
Der große Fortschritt von Empfehlungssystemen sind Empfehlungen mit einer wirklich sehr hohen Passgenauigkeit (Hyper-Personalisierung). Das verdanken sie der Fähigkeit von maschinellem Lernen.
Es können sehr große Mengen unstrukturierter Daten (Browserverlauf, Seitenklicks, soziale Interaktionen wie Likes, Shares, frühere Käufe, Dauer des Seitenbesuchs, Standort, …) verarbeitet und Informationen gewonnen werden, um mehr Relevanz bei Kunden zu erreichen.
Netflix etwa ermittelt die Inhalte, die beim Kunden gut ankommen basierend auf der Analyse von Verhaltens- und demografischen Daten (Dataiku, 2020). Einige fortschrittliche Empfehlungssysteme implementieren den “Tailored Help”-Personalisierungsansatz von Gartner, der Verbraucher:innen mit maßgeschneiderter Hilfe durch den Kauftrichter führt.
Gamechanger: Gen AI
Generative KI (Gen AI) bezieht sich auf Algorithmen und Modelle, die in der Lage sind, neue, kreative Inhalte zu erstellen, sei es in Form von Bildern, Musik, Texten oder anderen kreativen Werken.
Stell Dir eine:n talentierte:n Künstler:in oder Musiker:in vor. Gib diesem bzw. dieser Künstler:in einige Pinsel, Farben und eine leere Leinwand. Anstatt ein bereits existierendes Kunstwerk zu kopieren, verwendet der bzw. die Künstler:in seine bzw. ihre Vorstellungskraft und seine bzw. ihre Fähigkeiten, um ein völlig neues Kunstwerk zu schaffen, das nie zuvor existiert hat.
Genau wie Generative KI basiert dieser kreative Prozess auf der Fähigkeit, Muster zu verstehen und sie auf innovative Weise neu zu kombinieren, um etwas Neues und Einzigartiges zu erschaffen.
Was die Erstellung von Inhalten angeht, öffnet generative KI Türen zu ganz neuen Möglichkeiten wie beispielsweise die schnelle Erstellung von Plakaten, Reklamebannern oder Produktwerbemedien in Schrift, Bild und Ton. Vor allem der Nutzen von generativer KI steht noch am Anfang.
Generative KI bringt ganz neue Möglichkeiten, von der Erstellung von Bannern, Werbegrafiken über Plakate bis hin zu komplett KI-basierten Werbevideos. Sehr beeindruckende Ergebnisse sind beispielsweise das Werbevideo von Mercedes-Benz (Generative AI, 2023), das von Lexus (Accelerista, 2018) und von WPP und NVIDIA (NVIDIA, 2023).
Das Video von Mercedes Benz ist zwar nicht per Gen AI erstellt, aber der erster Autowerbespot der Mercedes-Benz AG, dessen Video-Daten komplett von einer Game-Engine stammen.
Ein Schlüsselaspekt der Produktion ist der Einsatz eines virtuellen Kamera-Rigs, das eine physische Kinokamera in der Unreal-Engine simuliert, dem offensten und fortschrittlichsten Echtzeit-3D-Framework weltweit.
Die Unreal-Engine verfügt über moderne 3D-Algorithmen zur Erstellung fotorealistischer Bilder und immersiver Erlebnisse und verwischt die visuellen Grenzen zwischen der digitalen und realen Welt. Dieser innovative Ansatz einer Virtual Camera Production (VCP) zeigt das enorme Potenzial von Produktionstechniken im Metaverse.
3D-Algorithmen der Unreal-Engine erzeugt Video-Daten für eine Mercedes Benz Werbung (Generative AI, 2023).
Die Plattform NVIDIA Picasso ist ein generatives KI-System, das Entwicklertools und modernste Basismodelle für generative KI bereitstellt, die beeindruckende Bilder, Videos, 3D-Modelle und fotorealistische Karten der Umgebung und Beleuchtung für 3D-Szenen (360 HDRI, High Dynamic Range Image) erzeugen.
Ein Beispiel ist das SUV-Video in Abbildung 2. Picasso ist mit reichlich hochwertigem Bildmaterial von Getty Images und von Adobe trainiert, wodurch die Plattform ein ganz neues Level an Realismus und E-Commerce-Erfahrung bietet.
WPP und NVIDIA Omniverse erzeugt Produkt-Videos und 3D-Daten aus großen Datensätzen per generativer künstlichen Intelligenz (NVIDIA, 2023).
Immer mehr Tools ermöglichen den Einstieg in die Welt des 3D-Designs. Die Open-Source-Plattform Blender nutzt KI für die Kreierung realistischer 3D-Modelle. Egal, ob Du ein:e Spieleentwickler:in bist, der oder die Charaktere erschaffen möchte, oder ein:e Architekt:in, der oder die Gebäude visualisieren will – Blender weckt Deine Ideen zum Leben, und zwar in 3D.
Mit dem Plug-In von Stability AI kannst Du per Textbeschreibung neue Bilder, Texturen und Animationen erstellen. Ein ähnliche Lösung heißt SHARK, die Node.ai entwickelt hat. AMD hat Node.ai mittlerweile übernommen. Auch SHARK lässt sich per Plug-in in Blender integrieren und erzeugt mittels generativer KI faszinierende Szenen.
Das KI-Modell namens 3D-GPT generiert sogar über bloßes Prompting ganze 3D-Welten für Blender. Dafür nutzt es die großen Sprachmodelle von OpenAI. Dieses Projekt revolutioniert die Spieleentwicklung und Stadtplanung.
Hieran sind mehrere Universitäten wie die University of Oxford, die Australian National University, und die Beijing Academy of Artificial Intelligence beteiligt, welche an der Umwandlung von Text zu 3D-Räumen forschen.
Um ein 3D-Bild für eine Produktwerbung zu erzeugen, brauchst Du aber nicht zwangsläufig aufwendige 3D-Werkzeuge. Das geht auch ganz einfach mit bekannten generativen KI-Bildtools.
Lass uns als Beispiel ein Parfum-Werbebild erzeugen, wo Meereswellen gegen die schroffe Oberfläche einer Klippe prallen und auf dem Felsen ein modernes Parfumflakon im schlichten, minimalistischen Design steht.
Den folgenden Prompt für die Bildgenerierung habe ich mir von ChatGPT erstellen lassen und minimal angepasst:
“Create a 3D scene where clear water crashing against the rugged surface of a cliff. Make the water splashes and the dripping water visible. On top of the cliff, place a modern, cubic-shaped perfume bottle. The bottle has a sleek, minimalist design, reflecting elegance. The water rolls off the perfume glass. The overall scene is grayscale and evokes a sense of freshness, purity, and wetness, suitable for a high-end perfume commercial.”
Als Negativ-Prompt habe ich eingegeben:
“Round shapes, calmness”
Um unterschiedliche Methoden beziehungsweise Werkzeuge auszuprobieren, nutzen wir diesen Prompt mit den Tools Stability AI, Fotor und Adobe Firefly. Wie in Abbildung 3 dargestellt, erzeugt jedes dieser Tools sehr schnell ziemlich brauchbare Ergebnisse.
Dann frage ich ChatGPT noch schnell für diese Szene nach ein paar Slogans. Die Ergebnisse passen auch gut: “Scent of Awakening”, “Wild Elegance”, “Breath of Freedom”. Ich entscheide mich für den letztgenannten Slogan, und setze den Text überall ins Bild.
Das obere Ergebnis kommt von Stability AI, das mittlere von Fotor und das untere von Adobe Firefly. Fotor hat die Funktion “AI Expand”, um die Umgebung des Bildes, also hier das Wasser und die Parfümflasche, zu erweitern.
Sprich, das Tool Fotor “dichtet sich” eine Umgebung hinzu. Diese Funktion habe ich genutzt und dann taucht schon auf der rechten Seite im Bild ein Fels auf.
In Adobe Firefly nutze ich die Funktion, ein Referenzbild hochzuladen, an dem sich Firefly für die Bildgenerierung stilistisch orientieren soll. Für meine Parfüm-Szene nehme ich aus der freien Fotobibliothek Pexels ein Schwarz-Weiß-Bild des Fotografen Pew Nguyen, auf dem Wasser mit Meeresschaum, das gegen Küstenfelsen schlägt, dargestellt ist (Nguyen, 2022).
Das KI-generierte Ergebnis von Adobe Firefly weist deshalb eine hohe Ähnlichkeit zu diesem Foto auf, so als ob es vom selben Fotografen stammt, der am selben Ort die Parfümflasche fotografiert hat.
Verschiedene Algorithmen generieren künstliche Bilder aus sehr großen Datensätzen
Das Prinzip lässt sich natürlich auf beliebige Produkte, Szenen und Bilder für Marketingzwecke übertragen. An dieser Stelle muss ich jedoch folgendes loswerden: So genial, einfach und schnell Du derartige Bilder mit generativer KI erzeugen kannst, wenn ich die Wahl hätte, würde ich lieber mit meiner Kamera an die Küste fahren und das Foto selber machen.
Es wäre doch irgendwie schade, wenn der Reiz, authentisches, wahres Bildmaterial zu erstellen, verloren geht, nur weil die KI alles synthetisch perfekt nachstellen kann.
Für Marketingzwecke ist generative KI ein Meister im Umformulieren von Werbetexten, und zwar so, dass sie emotionale Bedürfnisse der Kunden besser ansprechen können, als es die menschlichen Kollegen bzw. Kolleginnen, sprich die Sales-Personen, können.
Nehmen wir Social Media-Texte als Beispiel – hier hat in einem großen Industrieunternehmen die KI-basierte Textoptimierung zu einer 25%-ig höheren Interkation der Leser:innen beziehungsweise Kunden mit dem Inhalt geführt.
Außerdem ist generative KI in der Lage, zu werbetreibenden Briefings (also textliche Anforderungen an eine Kampagne) automatisch die passenden Bilder zu generieren. Das spart der Marketingabteilung 2-3 Werktage pro Briefing.
Sogar im Metaverse kann künstliche Intelligenz das Marketing aufmischen, denn zukünftig werden KI-Avatare Beratungsaufgaben übernehmen, wie Du es vom Fahrradfachhandel oder Autohaus gewohnt bist – nur besser.
Warum? Die KI kennt ganz genau deine persönlichen Bedürfnisse, Ängste und Vorlieben. Sie kann jeden Einwand empathisch behandeln und weiß genau, wie sie zu antworten hat, damit Du als Kunde nicht abspringst, sondern da bleibst und vielleicht sogar kaufst.
Webseite und Logo mit Generativer KI erstellt
Logos entwerfen, Webseiten bauen sind aufwändig und teuer, wenn es eine Firma für Dich macht. Tools wie Canva’s Logo Maker, Looka oder LogoAi (logoai.com) übernehmen das Logodesign für Dich.
Diese Tools setzen Deine Vision in ein fesselndes Logo um und gestalten Deine eigene Marke, sprich übernehmen das ganze Branding. Und das erledigen diese Werkzeuge auf einem professionellen Niveau, denn sie verstehen nicht nur Deine Präferenzen in Bezug auf Farben, Formen und Stile, sondern auch die Emotionen, die Du durch Dein Logo vermitteln möchtest.
Design-Kenntnisse? Brauchst Du nicht. Die Ergebnisse, die die KI liefert, sind ästhetisch ansprechend und treffen die Essenz Deiner Marke.
Gleiches gilt für Webseiten. Plattformen wie Wix, Squarespace oder10Web (10web.io) nutzen künstliche Intelligenz, um Deine maßgeschneiderte Webseite zu bauen. Auf Vorgabe von Zweck Deiner Webseite und Deinen Designpräferenzen erstellen die Plattformen eine komplett benutzerfreundliche Website einschließlich Inhalt und passendem Layout.
Diese Plattformen bieten zahlreiche Vorlagen, aus denen Du Dir einfach eine auswählst, mit ein paar Klicks an Deine Bedürfnisse anpasst und die KI erledigt den Rest im Hintergrund.
Mächtigkeit von Gen AI entfaltet sich im Metaverse
Ein im Internet virales Video zeigt den Big Ben in London, bekleidet mit einer The North Face Jacke. Abbildung 4 zeigt den Big Ben, der eine North Face-Pufferjacke trägt und scheinbar für die Marke wirbt.
Dieses Video wurde von der Modefirma Shtreetwear auf X geteilt (Shtreetwear, 2023): Es sorgte für große Aufmerksamkeit, ist jedoch nicht real. Hierbei handelt es sich nicht um eine echte Werbung, sondern vielmehr um ein geschickt bearbeitetes, gefälschtes Video, das von einer unbekannten Person oder Gruppe mittels generativer KI beziehungsweise mittels Computer Generated Imagery (CGI) erzeugt wurde (Rao, 2023).
Dieses Werk einer Gruppe von Scherzkeksen oder eines Fan-Accounts, hat nicht nur ein virales Momentum geschickt und erfolgreich erzeugt, sondern zeigt auch die Möglichkeiten des Marketings im Metaverse.
Stell Dir vor, Du wanderst im Metaverse umher und Marken präsentieren ihre Produkte auf diese Weise. Während Du durch eine virtuelle Replik von London schlenderst, stößt Du plötzlich auf ein riesiges, virtuelles Banner, das Dir ganz gezielt auf Deine Bedürfnisse und Deinen Geschmack zugeschnittene Produkte vorstellt.
Das gilt auch für Außenwerbung an den großen Wandflächen von Hochhäusern, Litfaßsäulen oder eben für den Big Ben eingehüllt in einer modischen Jacke Deiner Lieblingsmarke.
Solche innovativen Werbeformen haben das Zeug dazu, in der virtuellen Welt des Metaverse Realität zu werden und bieten Marken neue, kreative Wege, um mit ihrem Publikum zu interagieren.
Dieses virale Video, obwohl nicht echt, eröffnet eine Diskussion über die Zukunft des Marketings und die Rolle, die generative künstliche Intelligenz und virtuelle Welten dabei spielen.
Generative Künstliche Intelligenz manipuliert Bild-/Video-Daten und bekleidet den Big Ben mit North Face-Pufferjacke (Rao, 2023).
Quellen
- Accelerista (2018, November 19). Lexus ad created by AI. YouTube. Retrieved November 4, 2023, from youtu.be
- Dataiku (2020). The Ultimate Guide to Marketing AI. pages.dataiku.com
- Generative AI (2023, May). Mindblowing first-ever Car commercial by Mercedes-Benz AG shot completely in a game engine. LinkedIn. Retrieved November 4, 2023, from linkedin.com
- KDnuggets (2019). Altexsoft: “Customer Churn Prediction Using Machine Learning: Main Approaches and Models”, kdnuggets.com
- Nguyen (2022, May 4). Pew Nguyen: Schwarz und weiß, Felsen, Schaum, einfarbig. Pexels. Retrieved November 13, 2023, from pexels.com
- NVIDIA (2023, May 29). WPP & NVIDIA Partner to Build Generative AI-Enabled Content Engine on Omniverse Cloud. YouTube. Retrieved November 4, 2023, from youtu.be
- Rao (2023). Karishma Rao: Fact Check: Is the Big Ben North Face Puffer Jacket video real? Viral campaign debunked. sportskeeda.com
- Shtreetwear (2023, November 9). The North Face Campaign (Big Ben, London), x.com
- Wuttke (2023). Laurenz Wuttke: “Maschinelles Lernen im Marketing: Vorteile und Einsatzgebiete”, datasolut.com
Sie sehen gerade einen Platzhalterinhalt von YouTube. Um auf den eigentlichen Inhalt zuzugreifen, klicken Sie auf die Schaltfläche unten. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.
Mehr Informationen
