Machine Learning im Marketing: Einsatz, Beispiele und Messung

Machine Learning im Marketing nutzt historische Daten, um Wahrscheinlichkeiten oder Empfehlungen zu berechnen. Typische Fragen lauten: Wer reagiert wahrscheinlich auf ein Angebot? Welches Produkt passt? Welcher Kontaktzeitpunkt ist günstig? Generative KI erstellt dagegen Texte, Bilder oder Antworten. In der Praxis verbinden viele Systeme beide Ansätze, ohne die Modellart in der Quelle genau zu nennen.

Fünf Einsatzfelder im Marketing

Zielgruppen und Verhalten

Modelle können Gruppen mit ähnlichem Verhalten erkennen oder die Wahrscheinlichkeit einer Reaktion schätzen. E.ON wird als Kunde der Plattform Behave.AI genannt. Die Werkzeuge sollen Kaufverhalten, Zielgruppenprofile und Kampagnenwirkung auswerten. Für E.ON selbst nennt die Quelle aber weder Datensatz noch Ergebnis. Das ist ein belegter Einsatz ohne belastbare Wirkungsmessung.

Empfehlungen und Suche

Empfehlungen ordnen Produkte oder Inhalte nach erwarteter Relevanz. DoorDash testet einen Assistenten, der Restaurants vorschlägt und Einkaufslisten aus Text oder Fotos erstellt. Der Fall zeigt die Verbindung von Empfehlung und Dialog. Umsatz- oder Nutzungswerte fehlen noch.

Preise und Kampagnen

Modelle können Preis- und Kampagnenentscheidungen innerhalb fester Grenzen anpassen. SodaStream nutzt eine Plattform, die Preise auf Marktplätzen alle 30 bis 60 Minuten prüft und anpasst. Die Quelle belegt den Takt der Steuerung, aber kein getrenntes Umsatzplus.

Vertriebsunterstützung

Coca-Cola nutzt KI-gestützte Bestellvorschläge im Handel. Laut Quelle werden sie bei 30 Millionen Ladenbesuchen pro Woche eingesetzt. Diese Reichweite zeigt breite Nutzung. Sie beweist noch nicht, welcher Anteil am Verkauf allein durch das Modell entsteht.

Inhalte und Arbeitsabläufe

Der Tagesspiegel nutzt KI für Zusammenfassungen, Terminvorschauen, Layout und Artikelvorschläge bei Newslettern. Rund 240.000 Mails pro Woche gehen an etwa 150.000 Empfänger. Redaktionelle Inhalte bleiben in menschlicher Hand. Stripe verfolgt einen anderen Ansatz: Eine eingebettete KI-Fachrolle soll 20 Marketingmitarbeiter bei neuen Arbeitsweisen begleiten. Zum Zeitpunkt der Quelle war die Stelle ausgeschrieben; Ergebnisse lagen noch nicht vor.

Welche Daten gebraucht werden

Gute Modelle brauchen ein klares Ziel und passende Daten. Für eine Abwanderungsprognose zählen andere Merkmale als für eine Produktempfehlung. Teams sollten vor dem Modell klären, welche Daten rechtmäßig nutzbar sind, wie lange sie aktuell bleiben und ob ein Ergebnis bestimmte Gruppen benachteiligt.

Ein häufiger Fehler ist ein ungeprüfter Datenmix. Klicks, Käufe und Öffnungen messen nicht dasselbe. Auch fehlende Daten sind nicht neutral: Wer nicht erfasst wird, kann im Modell falsch eingeordnet werden.

So wird der Nutzen gemessen

Die Kennzahl folgt der Aufgabe. Für Empfehlungen eignen sich Kaufquote, Warenkorbwert und Abbruchrate. Für Kampagnen zählen zusätzlicher Umsatz, Kosten pro Abschluss und Deckungsbeitrag. Für Inhalte sind Produktionszeit, Fehler, Freigabeschleifen und Wirkung beim Leser wichtig.

Ein Vergleich braucht eine Kontrollgruppe oder einen sauberen Vorher-Nachher-Wert. Nur so lässt sich der Effekt von Saison, Preis, Kanal und Marke trennen. Die Seite ROI von Machine Learning zeigt die Kosten- und Nutzenrechnung im Detail.

Was Unternehmen vor dem Start klären sollten

• Welche Entscheidung soll das Modell verbessern?
• Welche Daten darf es nutzen?
• Welcher Ausgangswert gilt vor dem Test?
• Wer prüft Fehler und Benachteiligung?
• Wann wird ein Modell gestoppt oder neu trainiert?

Grenzen der Beispiele

Die Fälle im Register nutzen oft den Oberbegriff KI. Nicht jede Quelle nennt den genauen Algorithmus. Deshalb bezeichnet diese Seite nur typische Aufgaben als Machine Learning und gibt bei den Firmenfällen wieder, was die Quelle tatsächlich belegt. Reichweite, Investition oder ein laufender Pilot sind kein Ersatz für eine Wirkungsmessung.