Machine Learning und Künstliche Intelligenz stehen bereits auf dem Plan der Marketers – neben der DSGVO.

Grund genug, um einen Blick darauf zu werfen, wo diese neuen Technologien bereits eingesetzt werden, welchen Grenzen sie sich stellen und wie man sich dem Thema nähern kann.

Der Fokus liegt dabei auf einem der Herzstücke im B2B-Marketing – dem Web Content Management System, kurz WCMS. Diese haben bereits einige Evolutionsstufen durchschritten: Sie sind von reinen Inhaltsmanagementsystemen zu Kundenerlebnisplattformen herangewachsen und verlassen zunehmend die „pubertäre Phase“ in diesem Bereich. Basierend auf Echtzeit-Profibildung werden Inhalte personalisiert und über den bevorzugten Kanal responsiv ausgespielt sowie mit Ergebnissen aus multivariaten Test und Heatmaps optimiert. Mit den Werkzeugen der Marketingautomatisierung, die längst in den WCMS integriert sind beziehungsweise Dienste über Core Services beziehen lassen, werden Lead Nurturing Flows und Kundenwillkommensstrecken seit Langem abgewickelt.

Der nächste Schritt in ihrer Weiterentwicklung findet nun derzeit statt. Obwohl Machine Learning (ML) und Künstliche Intelligenz (KI) an sich keine Neuigkeit mehr sind, treiben immer mehr Angebote von Anbietern wie Amazon, Google, Microsoft oder IBM die Entwicklung voran. Auch die Hersteller von WCMS erweitern ihre Angebote um Funktionalitäten, die ML oder KI einsetzen. Es lohnt sich daher, einen Blick auf die zentralen Anwendungsbereiche in diesem Kontext zu werfen.

Einsatz von ML und KI für Content Management
ML und KI finden bereits durchgängig im Bereich der Inhaltsgenerierung, -aufbereitung und -verwertung Anwendung. Bekannte Beispiele sind die automatisierte Erstellung von Webseiten, Texten zu Fußballergebnissen, Wettervorhersagen und ähnlichem. Dabei nimmt die Zahl der maschinengenerierten Texte weiterhin zu.

Auch bei der Aufbereitung von Inhalten unterstützen ML und KI, wie unter anderem von nutzergenerierten Inhalten, die über Bilderkennungsdienste ausgelesen, mit entsprechenden Tags versehen und über eine automatisierte Bildoptimierung und -aufbereitung dem Marketer eines Unternehmens zur Verfügung gestellt werden. Bei Übersetzungen erleichtern entsprechend ML- oder KI-basierte Dienste das Vorgehen. Einen ersten Vorschlag für eine Übersetzung liefert bereits die Maschine und dieser bedarf immer weniger Aufbereitung durch einen Menschen.

Bei der Verwertung von Inhalten werden ML und KI letztlich dafür eingesetzt, den richtigen Inhalt zur richtigen Zeit an die richtige Person über den richtigen Kanal auszuspielen. Sie unterstützen den Marketer unter anderem dabei zu analysieren, wie erfolgreich welcher Content ist, und sie können die Gründe dafür erkennen. Tonalität und Kontext helfen auf diese Weise dabei, Zielgruppen zuzuhören, dadurch die Ansprache zu personalisieren und etwa Bots richtig zu trainieren – sicher ein Beispiel dafür, wie wichtig der „gute Ton“ ist.

Grenzen von ML und KI für Experience Management
Hier zeigen sich auch die Grenzen und Herausforderungen von ML und KI für das Kundenerlebnis: Bots, die eine eigene Sprache entwickeln, die für den Mensch nicht mehr nachvollziehbar ist oder die Unzufriedenheit der Kunden mit einem unpersönlichen Kundenservice-Roboter, der sie erst nach einsilbigen Schilderungen ihres Anliegens mit einer „richtigen“ Person verbindet. Auch Informationen und Inhalte unterscheiden sich leider noch viel zu häufig in Abhängigkeit von Kanälen – ein klassisches Beispiel ist sicherlich, dass die Mitarbeiter im Laden meist wenig Fragen zu Transaktionen im Online-Shop klären können.

Dies sind zum einem Beispiele dafür, dass die neuen Technologien sich noch weiterentwickeln müssen und zum anderen dafür, dass die Möglichkeiten für die Verbesserung des Kundenerlebnisses nicht ausreichend eingesetzt werden. Dies spiegelt sich auch in den Ergebnissen einer Umfrage von Sitecore und Avanade zur Customer Experience, in der lediglich eine Minderheit von fünf Prozent der 1.440 Teilnehmer angibt, dass das Kundenerlebnis ihres Unternehmens für den Kunden so ist, wie es sein sollte.

Hier zeigt sich auch der Reifegrad der Organisationen: Nur drei von zehn Unternehmen schätzen sich selbst als sehr weit ein, wenn es darum geht das Kundenerlebnis zu verstehen (29 Prozent), ihre Daten und Auswertungen (28 Prozent) oder die Personalisierungsmöglichkeiten (28 Prozent). Zudem erkennen Unternehmen zwar die Einsparpotentiale und Möglichkeiten von Künstlicher Intelligenz und Machine Learning aber sie sind noch nicht reif genug, diese einzusetzen – meist aufgrund fehlender Technologie und mangels Expertise, neben kulturellen Faktoren.

Und jetzt?
Diese Hürden sind überwindbar, und meist lassen sich schon in einem eintägigen Workshop mit Kunden schnell umsetzbare Einsatzbereiche und Anwendungsszenarien entlang der Customer Journey identifizieren. Kombiniert mit den Informationen und Daten, die im Unternehmen vorhanden sind, können diese mit Hilfe von Machine Learning in Kontext gesetzt und hinsichtlich ihrer Relevanz und Auswirkung auf die Geschäftsziele bewertet werden.

Nicht zwangsweise muss hier mit ML und KI zum Ziel gekommen werden. In der Regel erleichtert dies jedoch den Erkenntnisgewinn und ebnet so den Weg für die Umsetzung der Maßnahmen, die sich hieraus ableiten lassen. Gerade die Diskussion rund um die DSGVO bietet einen guten Anlass, um sich klar zu werden, welche Informationen zu welchem Zeitpunkt in welcher Qualität und mit welchem Grad an intelligenter Automation entlang der Customer Journey wirklich benötigt werden, um ein entsprechend überzeugendes Kundenerlebnis zu gestalten.

Weitere Artikel zum Thema „Künstliche Intelligenz”:

• End-to-End-Konzepte für ein überzeugendes Kundenerlebnis
• Künstliche Intelligenz. Eine Lösung für reale Business Probleme?

Dieser Beitrag ist bereits erschienen auf marconomy.de