In den vorherigen Artikeln haben wir darüber gesprochen, wie sich künstliche Intelligenz (KI) auf das Marketing auswirkt und wie Sie Ihre Strategie in Richtung KI- und datengesteuerter Ansätze ändern können. Heute wollen wir einen Blick auf die Voraussetzungen von KI werfen. Wobei es sich um Ihre Daten handelt. Wir sprechen darüber, wie man die richtigen Daten sammelt und diese für den tatsächlichen Aufbau eines KI-Modells vorbereitet. Mehr Informationen zu den Vorteilen von künstliche Intelligenz (KI) im Marketing, finden Sie in unserem Blog Artikel.
Es ist bekannt, dass die Verfügbarkeit guter Daten unerlässlich ist, um das volle Potenzial der künstlichen Intelligenz auszuschöpfen. Aber was bedeutet das für Ihre Daten? Und wie müssen Sie Ihre Daten aufbereiten? Wie können Sie sicherstellen, dass Sie über die richtigen Daten verfügen, um KI anwenden zu können?
In diesem Artikel möchten wir einige Einblicke geben, wie künstliche Intelligenz (KI) tatsächlich mit Daten arbeitet und was Sie als Marketingspezialist sicherstellen müssen, um KI erfolgreich anwenden zu können.
5 einfache Schritte, um Ihre Daten für die künstliche Intelligenz (KI) vorzubereiten
1. Stellen Sie sicher, dass die Daten gespeichert sind.
Alle Daten sollten zu jeder Zeit abgespeichert werden. Denken Sie dabei nicht nur an Ihr Online-CRM, sondern alle Marketing Tools. Insbesondere Kennzahlen (engl. KPIs) und deren historische Daten sind wichtig für die weitere Datenverarbeitung und die spätere Analyse.
2. Stellen Sie sicher, dass Daten für den Export zur Verfügung stehen.
Sorgen Sie dafür, dass jedes Online-Tool, welches Sie verwenden, es Ihnen ermöglicht, die Daten zu exportieren, um bei Bedarf Ihre eigenen künstliche Intelligenz (KI)-Modelle damit zu entwickeln.
3. Vermeiden Sie Inkonsistenz.
Achten Sie darauf, dass Sie keine überlappenden Tools oder Technologien verwenden. Daher sollten Sie nur ein CRM für die Analyse Ihrer Website und nur eine Applikation zur Versendung von Newsletters verwenden etc.
4. Streben Sie eine hohe Datenqualität an.
Die Sicherstellung einer hohen Datenqualität auf allen Ebenen ermöglicht es Ihnen, Ihre künstliche Intelligenz (KI)-Modelle einfacher zu erstellen und ermöglicht bessere Resultate. Das heißt, vermeiden Sie z. B. Double-Tracking oder stellen Sie sicher, dass Ihre UTM-Codes sauber und leicht zu unterscheiden sind.
5. Sammeln Sie historische Daten.
Mit zu wenig Datenpunkten wird es nicht möglich sein, gute künstliche Intelligenz (KI)-Modelle für Ihr Unternehmen zu entwickeln. Sie müssen also sicherstellen, dass Sie über genügend Daten verfügen und diese frühzeitig speichern. Je mehr Historie Ihre KPIs haben, desto mehr Informationen können daraus gelesen werden. Stellen Sie sicher, dass Sie Ihre Daten regelmässig exportieren und abspeichern, um genügend historische Daten zur Verfügung zu haben.
Als nächsten Schritt wollen wir eine Ebene tiefer gehen und über den Prozess des Aufbaus und der Entwicklung eines künstliche Intelligenz (KI)-Modells sprechen.
Datenaufbereitung für Ihr künstliche Intelligenz (KI)-Marketing-Modell
Ein signifikanter Teil des gesamten Aufwands für die Erstellung eines KI-Modells liegt in der Vorbereitung der Daten. Wir nennen diesen Teil des Prozesses vorerst „Data Engineering“. In den meisten Fällen ist das “Data Engineering” für bis zu 80 % des Gesamtaufwandes verantwortlich. Wir haben eine Grafik erstellt, die Ihnen den gesamten Prozess aufzeigt:
Um den Gesamtprozess besser verständlich zu machen, teilen wir diesen in „Data Engineering“ (in der Literatur auch Datenaufbereitung genannt) und „Model Creation“ auf. In diesem Abschnitt sprechen wir hauptsächlich über Data Engineering und was benötigt wird, bevor wir tatsächlich ein künstliche Intelligenz (KI)-Modell entwickeln können.
Anbei ein Überblick über die verschiedenen Prozessschritte und wie diese im Marketing angewendet werden könnten:
Data Engineering
Wie bereits erwähnt, werden in der Regel 80 % der Zeit für den Aufbau eines künstliche Intelligenz (KI)-Modells im „Data Engineering“ verwendet. Besonders wenn Sie stark fragmentierte oder unstrukturierte Daten aus verschiedenen Quellen haben, wird dies enorm aufwendig. Im Marketing verfügen die meisten unserer Kunden über viele verschiedene Marketinginstrumente und -quellen. Dadurch werden die nachfolgenden Schritte umso wichtiger.
Daten Sammeln & Exportieren
Zuerst; bevor wir mit Daten arbeiten können, benötigen wir Daten. Klingt einfach, oder?
Nun, meistens ist es nicht so einfach und es kann schwierig, komplex und teuer sein die Daten effizient zu exportieren. Nehmen wir das folgende Beispiel für einen oft gesehenen Martech-Stack unserer Kunden:
Jedes dieser Tools hat relevante Daten, z. B. KPIs, Berichte usw. Daten, die Sie sich ansehen und zur Hand haben möchten und welche auch für das Modell wichtig werden. Mit der Durchführung integrierter Marketingkampagnen werden etliche dieser Kanäle berührt und liefern in jedem der Tools wichtige Daten. Die Erhebung und Extraktion von Daten im digitalen Marketing ist eigentlich schwieriger, als man denkt. Weil viele Anbieter keine sehr einfache und saubere Möglichkeit bieten, die Daten zu exportieren. Darauf werden wir im nächsten Artikel näher eingehen. Sie können diesen Schritt manuell durchführen, indem Sie Daten von jedem Anbieter exportieren, oder automatisierte Schnittstellen, sogenannte „APIs“, von jedem der Anbieter verwenden.
Bereinigung
Wenn Sie alle Daten gesammelt haben können Sie nun mit der Bereinigung der Daten beginnen. Die Bereinigung ist sehr wichtig, um sicherzugehen, dass Sie die Daten zum Trainieren Ihres Modells verwenden können. In diesem Schritt überprüfen Sie beispielsweise, ob Ihnen Daten fehlen oder falsche Daten vorliegen und was Sie dagegen tun können. Dieser Schritt ist wieder sehr wichtig, bevor Sie beginnen ein künstliche Intelligenz (KI)-Modell zu entwickeln.
Transformation und Normalisierung
In diesem Schritt beginnen Sie, alle Zahlen zu betrachten, die gleich oder ähnlich aussehen. Dies wird Ihr künstliche Intelligenz (KI)-Modell schneller und besser machen. Als Beispiel haben Sie vielleicht Umsatzzahlen, die sehr hoch sind, aber Anmeldungen auf Ihrer Zielseite, die sehr niedrig sind (numerisch). In diesem Schritt verwenden Sie Logarithmen, um sie zu normieren und dem Modell den Vergleich zu erleichtern. (D.h. siehe Mathematische Funktionen, Logarithmus).
Feature selection und Extraction
Am Ende des Data Engineering steht die Feature-Auswahl. Jetzt entscheiden Sie, welche Daten oder wir können auch sagen, welche „Spalte“ eigentlich wichtig für das Problem ist, das Sie lösen wollen und welche Daten Sie wirklich verwenden können. Wenn Sie nur 10 Datenpunkte für eine bestimmte Spalte haben, hilft das nicht wirklich und verhindert ein gutes Modell aufstellen zu können.
Wir hoffen, Ihnen hat dieser kleine Einblick in Data Engineering für künstliche Intelligenz (KI) im Marketing gefallen. Im nächsten Teil unseres Blogs werden wir über die Modellerstellung sprechen.
