Künstliche Intelligenz – Wie Marketing und Marktforschung davon profitieren können

Leben im Zeitalter der Künstlichen Intelligenz

Die Dinge, die uns umgeben, werden immer intelligenter. Die Weiterentwicklung der künstlichen Intelligenz hat dazu geführt, dass wir mit unseren Smartphones frei sprechen können, dass Autos autonom fahren können oder auch dass die Vorteile des Menschen in Disziplinen wie Schach oder Go gegenüber den Maschinen nicht mehr gelten.

Algorithmen der künstlichen Intelligenz, wie sie hinter Alexa, Siri und Co stecken, sammeln kontinuierlich Daten, werten sie aus, entwickeln Vorhersagen und Modelle, die dann laufend getestet und optimiert werden. Oft sind diese Vorgänge nicht offen sichtbar, aber in vielen Fällen basieren sie auf neuronalen Netzen – oder wie man diese Verfahren des Maschinellen Lernens heute nennt: Deep Learning.

Nick Bostroms Buch Superintelligenz

Warum stehen wir gerade jetzt an einer Schwelle der Intelligenzexplosion, wie Nick Bostrom das in seinem sehr lesenswerten Buch „Superintelligenz“ nennt? Dahinter stecken vor allem drei Entwicklungen:

  • Immer mehr Daten sind verfügbar. Auf Social Media Plattformen teilen Milliarden von Menschen jeden Tag ihre Gedanken, Aktivitäten oder Interessen. Ein großer Teil der technischen Geräte, die uns umgeben, von der Waschmaschine bis zur Flugzeugturbine, sind mit Sensoren versehen. Und schließlich liefern Smartphones und andere Internet-of-Things-Geräte kontinuierlich Messwerte über Temperatur, Bewegung, Position, Lautstärke und viele mehr.
  • Die Rechenpower, die notwendig ist, um große Datenmengen („Big Data“) zu bewältigen, ist heutzutage kein Problem mehr. Musste man noch vor 20 Jahren ganze Rechenzentren mieten, um eine Modellrechnung über ein paar Millionen Datenpunkte zu rechnen, kann man diese Rechenpower heute bei Cloud-Anbietern wie Amazon AWS, Google, Microsoft oder IBM für wenig Geld mieten und je nach Bedarf skalieren.
  • Vielleicht der wichtigste Punkt: Leistungsfähige Algorithmen und Programmbibliotheken der Künstlichen Intelligenz wie zum Beispiel TensorFlow sind heute keine Firmengeheimnisse mehr, sondern in vielen Fällen als Open Source-Bibliotheken umsonst und sogar lizenzfrei verfügbar. In der Cloud gibt es auch Angebote, die über eine API verfügbar sind, so dass kaum noch statistische Kenntnisse erforderlich sind.

Künstliche Intelligenz in Marketing und Marktforschung

Wie sieht es in Marketing und Marktforschung aus? Meine Prognose ist, dass sich auch hier in den nächsten fünf Jahren Anwendungen durchsetzen werden, die auf künstliche Intelligenz aufbauen. Vor allem die folgenden Aspekte sollte man im Auge behalten:

  1. Intelligente Datentransformation. Wer viel mit Daten arbeitet, musste sicher schon die Erfahrung machen, dass das Datencleaning oder die Transformation der Daten – in der Data Science-Community spricht man hier von „Data Munging“ – von einem Format in das nächste oft die meiste Zeit und Mühe in Anspruch nimmt. Hier besteht großes Potential für intelligente Anwendungen, die bei ETL-Prozessen helfen, sowie für selbstlernende Systeme, die bei der Datenbereinigung helfen.
  2. Amazon Rekognition Output
  3. Tagging und Inhaltsanalyse: Die Zeit, in der Befragungen vor allem aus geschlossenen Fragen bestehen, ist vorbei. Immer häufiger findet man in den Datensätzen offene Nennungen oder sogar Bilder und Videos. Das Kodieren dieser Daten geschieht häufig manuell unter hohem Zeitaufwand, dabei ist dies das Spezialgebiet von Deep Learning-Algorithmen. Anwendungen wie Amazon Rekognition ermöglichen zum Beispiel das Erkennen und Klassifizieren von Gegenständen auf Abbildungen und mit Hilfe von Tensor Flow lassen sich Texte maschinell analysieren – bis hin zur Kodierung von Emotionen.
  4. Empfehlungen: Gerade bei großen Studien wie zum Beispiel Markt-Media-Studien oder Daten aus der amtlichen Statistik, fällt die Orientierung oft nicht leicht. Hier kann Künstliche Intelligenz den Nutzern mit Recommendation Engines helfen, auf Basis ihrer Nutzungshistorie spannende Datensätze oder Themen zu identifizieren, die für die Nutzer ebenfalls von Interesse sein könnten. In DataLion haben wir einen solchen Empfehlungsalgorithmus bereits im Einsatz. Analog zu Shopping-Websites bekommt man hier Empfehlungen à la „Wer sich für Online-Nutzung interessiert, interessiert sich auch für den Besitz von Smartphone-Marken.
  5. Recommendation engine in DataLion
  6. Mustererkennung und Auto-Discovery: Noch einen Schritt weiter gehen Mustererkennungsalgorithmen, die zum Beispiel über unterschiedliche Datensätze hinweg vergleichbare Zusammenhänge identifizieren und damit zum Beispiel die Grundlage für automatisierte Datenfusionen oder Modelings schaffen.
  7. Report-Generatoren und Data Storytelling: Wenn wir einmal etwas selbstkritisch auf die Branche blicken, stellen wir vermutlich fest, dass die wenigsten Reports und Studienergebnisse einen Nobelpreis für Literatur verdienen. „Marke A spricht vor allem junge Mütter an, während Marke B ihr größtes Potential bei der Generation X hat“. Report-Generatoren lernen automatisch aus einer großen Anzahl von Reports und übertragen dann die typischen Formulierungen auf neue Datensätze. Auf diese Weise schreiben sich – zumindest die ersten Entwürfe – von Forschungs-Reports wie von selbst. In Verbindung mit Auto-Discovery werden in Zukunft Systeme verfügbar sein, denen man nur noch mitteilen muss, für welche Themen man sich interessiert und schon werden die passenden Forschungsberichte von selbst erstellt und geschrieben.
    Google Assistant
  8. Bots, Assistenten und Natural Language Interfaces: Nicht zuletzt verändern sich auch die Interfaces, mit denen wir auf Daten zugreifen. Tabellenkalkulation und Statistiksoftware ist in Zeiten von Siri, Alexa und Co. eigentlich überholt. In Zukunft werden wir mit Analyse-Bots ganz natürlich sprechen. „Hey DataLion! Welche Notebook-Marken sind in der Zielgruppe der 30 bis 50jährigen Tech Lovers am beliebtesten? Welche Trends lassen sich erkennen?“ – und schon macht sich die künstliche Marktforschungsintelligenz auf, sucht die passenden Datensätze und Variablen heraus, analysiert die Zusammenhänge und liefert die Ergebnisse.