Maschinelles Lernen ist ein Teilbereich dieses Felds. Mittels maschinellem Lernen wird ein Computer dazu gebracht, ähnlich dem Menschen durch Erfahrung zu lernen. Es werden nicht traditionell Arbeitsanweisungen Befehl für Befehl einprogrammiert. Stattdessen gewinnt der Computer analog zum Menschen Wissen aus Beispielen. Ein Lernprogramm untersucht dazu gegebene Beispieldaten auf Muster und Gesetzmäßigkeiten, zieht daraus Rückschlüsse und gibt Vorhersagen und Lösungen für zukünftige Anfragen eines Typs.
Arten des Maschinellen Lernens
Man unterscheidet verschiedene Arten des maschinellen Lernens:
Beim überwachten Lernen(Supervised Learning) findet das Lernprogramm aus gegebenen Eingaben und zugehörigen Ausgaben mit zunehmend besserer Annäherung die Berechnungsformel heraus, die zu den Ausgaben bzw. Ergebnissen führt. Diese Formel kann dann angewendet werden, um die richtigen Ausgaben oder Ergebnisse zu zukünftigen Eingaben von Daten selbstständig zu berechnen. „Überwachtes Lernen“ bedeutet, dass die Ausgaben des Lernprogramms mit den gewünschten Ergebnissen verglichen werden. Mit jedem betrachteten Beispiel kann die Formel Schritt für Schritt korrigiert, d.h. verallgemeinert werden, bis sie für jede Eingabe die gewünschte Ausgabe liefert.
Beim unüberwachten Lernen (Unsupervised Learning) werden Eingaben nach Strukturen untersucht, um Häufungen von Eigenschaften in den Daten zu entdecken. Welche das sind, ergibt sich erst im Laufe des Prozesses. In diesem Fall sind also vorab keine Ausgaben oder Ergebnisse bekannt, anhand derer das Lernprogramm lernen könnte. Das unüberwachte maschinelle Lernen werden vor allem im Bereich des Data Minings angewandt. Hier sollen aus den vorhandenen Daten bestimmte Strukturen oder Muster erkannt werden. Damit das menschliche Gehirn diese Daten interpretieren kann, werden diese oftmals visualisiert.
Heutige Bedeutung von Maschinellem Lernen
Mit der zunehmenden Menge strukturierter und unstrukturierter Daten, die durch das Internet u.a. durch verfolgbares Nutzerverhalten anfallen, lassen sich Lernalgorithmen trainieren. maschinelles Lernen hilft, komplexe Daten gezielter und schneller auszuwerten als mit traditionellen Methoden. So wird maschinelles Lernen auch im Online Marketing immer interessanter und relevanter, da hier eine große Menge an Daten zur Auswertung verfügbar ist. Somit stehen Online Marketing Agenturen wie die Online Solutions Group vor der Herausforderung die Daten aus dem maschinellen Lernen gezielt zu nutzen.
Maschinelles Lernen leistet bereits gute Dienste bei der Optimierung von Geschäftsprozessen und der Automatisierung von standardisierbaren Aufgaben. Das enorme Feld des Einsatzbereichs zeigt sich u.a. in der Finanzwelt (Aktienkursvorhersage), der Automobilentwicklung (selbstfahrende Fahrzeuge), der Medizin (Bilderkennung von Krebstumoren), Online-Kundenservice (Chatbots auf Webseiten) und im E-Commerce (Prognose vonKundenverhalten und Empfehlungssysteme). Online-Werbekampagnen können dadurch immer besser personalisiert und zugeschnitten werden. So lassen sich mittels maschinellem Lernen bezahlte Werbekampagnen über z.B. Google Ads-Kampagnen effizienter schalten. Die Qualität der Inhalte und Texte einer Webseite, als wichtigstes Kriterium für Suchmaschinen-Rankings, kann durch maschinelles Lernen besser erfasst werden als durch bisherige Parameter wie Keyword-Dichte.
Anwendungsbereich Online Marketing
Im Bereich des Online Marketings findet maschinelles Lernen bereits vermehrt Anwendung. Dies betrifft insbesondere die Bereiche der Suchmaschinenoptimierung (SEO) und der Suchmaschinenwerbung (SEA) über beispielsweise Google Ads.
Maschinelles Lernen im SEO – RankBrain
RankBrain ist eine auf Maschinellem Lernen basierte Technologie vom Suchmaschinenbetreiber Google, um den besten Inhalt für eine bestimmte Suchanfrage zu liefern. Dies unterstützt Googles Ziel, den aus Nutzersicht wertvollsten Content in Suchergebnissen am höchsten einzustufen. Der Google-Suchalgorithmus arbeitet seit 2015 mit dieser Technologie und sie kommt heute bei den meisten Suchanfragen zum Einsatz.
Die Stärke der neuen Technik liegt insbesondere bei noch nie gestellten Suchanfragen. RankBrain trifft dann auf Basis von sprachlicher Ähnlichkeit eine Vermutung, welche Begriffe oder Sätze eine verwandte Bedeutung haben könnten. Studien haben gezeigt, dass RankBrain die Beziehungen zwischen Wörtern besser interpretiert als bisherige Methoden. Dabei werden z.B. Stoppwörter (Artikel, Konjunktionen und Präpositionen) in einer Suchabfrage eingeschlossen – Wörter, die bisher von Google ignoriert wurden, aber manchmal von Bedeutung sind, um eine Suchanfrage besser zu verstehen. Darüber hinaus lernt das System auch spezifisch für das Land sowie für die Sprache, in der abgefragt wird. Wenn man in den USA eine Suchanfrage nach „boot“ stellt, wird man Ergebnisse zu Stiefeln erhalten. Wenn die Anfrage aus Deutschland kommt, werden Ergebnisse zu Booten ausgegeben.
Laut Google war RankBrain bereits 2015 der drittwichtigste Faktor im Ranking-Algorithmus, nach Backlinks (Rückverweisen) und dem Inhalt.
Google Ads Smart Bidding – Maschinelles Lernen im SEA
Während die Funktionweise des RankBrain-Algorithmus sehr abstrakt wirkt, ist das sogenannte Smart Bidding in Google Ads Smart Bidding einfacher nachzuvollziehen. Dies wird auch „automatische Gebotseinstellung“ genannt. Smart Bidding Strategien sind prinzipiell automatische conversion-basierte Gebotsstrategien für Google Ads. Dabei werden durch maschinelles Lernen die Gebote für jede Auktion optimiert. Ziel hierbei ist es das Gebot für ein Keyword so festzulegen, dass ein Nutzer mit einer hohen Conversion-Wahrscheinlichkeit die Anzeige in den Google Suchergebnissen sieht. Im besten Fall klickt der Nutzer auf die Anzeige und führt ein Conversion durch. Dies kann beispielsweise ein Kauf in einem Online Shop sein oder das Beauftragen einer Dienstleistung.
Zum Zeitpunkt der Auktion werden verschiedene Signale von den Algorithmen berücksichtigt, wie
- Gerät
- Tageszeit
- Standort & Sprache des Nutzers
- verwendetes Betriebssystem u.v.m.
Smart Bidding analysiert vergangene und aktuelle Kampagnen und ihre Performance bezüglich Klicks und Conversions. Eine ideal verlaufene Kampagne bildet die Basis für zukünftige Kampagnen mit ähnlichen Optionen. Google Ads bezieht in die Anpassung auch branchenspezifische Eigenheiten ein. Die Automation von Google Ads lernt am besten, wenn durch manuelle Nutzung und Experimente eine große Datenbasis entsteht.
Man kann damit genauere Prognosen treffen, was die Auswirkung unterschiedlicher Gebote auf Conversions und den Conversions-Wert angeht. Die Lernalgorithmen berücksichtigen eine Vielzahl relevanter Parameter zum Zeitpunkt der Auktion. Das Gebot wird innerhalb weniger Millisekunden angegeben. Eine Aufgabe die ein Mensch nicht erfüllen kann.
Die Smart Bidding Strategien in Google Ads
Zu den intelligenten Gebotsstrategien gehören,
- auto-optimierter CPC (Cost per Click)
- Ziel-CPA (Cost per Aquisition)
- Ziel-ROAS (Return on Advertising Spend)
Der auto-optimiertem CPC ist ein guter Start in die Welt des Smart Biddings. Hierbei werden die CPC-Gebote je nach Wahrscheinlichkeit der Conversion angepasst. Besitzt ein Nutzer, aufgrund seines Verhaltens eine hohe Conversion-Wahrscheinlichkeit, werden die CPC-Gebote erhöht. Ist die nicht der Fall oder die Wahrscheinlichkeit einer Conversion gering, werden die CPC-Gebote gesenkt.
Mit Ziel-CPA werden die Gebote automatisch so gewählt, dass mit einem gewünschten Ziel-CPA möglichst viele Conversions erzielt werden. Diese Gebotsstrategie optimiert die Gebotsabgabe auf den vorher festgelegten Zielbetrag. Der CPA kann mit dem CPO (Cost per Conversion), also den Kosten pro Conversion, gleichgesetzt werden.
Bei der Strategie des Ziel-ROAS werden Gebote automatisch so festgelegt, dass mit dem Ziel-ROAS ein möglichst hoher Conversion-Wert erzielt wird. Der ROAS wird in Prozent angegeben. Ein Wert von 300% sagt aus, dass der Umsatz das dreifache der Werbekosten über Google Ads betragen soll. Diese Gebotsstrategie eignet sich besonders für Google-Shopping Kampagnen.
Fazit
Maschinelles Lernen revolutioniert bereits jetzt die Marketinglandschaft. 84% aller amerikanischen Marketing-Unternehmen begannen laut einer Forbes-Umfrage 2018 mit der Einführung oder Ausweitung ihrer Nutzung von künstlicher Intelligenz. Die stetige Weiterentwicklung der Algorithmen und Technologien wird die Arbeitsweise in viele Bereichen nachhaltig verändern, nicht nur im Online Marketing.
Bildnachweis: LIGHTFIELD STUDIOS / stock.adobe.com
