Zwischen Biased Data und Kreation: Wie sich mit KI Marketingaufgaben verändern

Künstliche Intelligenz (KI) verändert Arbeitsbereiche, auch das Marketing. Neben den unzähligen Erleichterungen und Vorteilen liegt die Gefahr beim Einsatz von KI darin, ihr automatisch Objektivität zuzuschreiben, weil sie keine "Gefühle" hat. Tatsächlich aber hat sie einprogrammierte Vorurteile. Worauf müssen Marketer also achten, wenn sie KI einsetzen, Stichwort: biased algorithms? Problemfelder und Fragestellungen für den KI-Einsatz im Marketing könnten sein:

• Wenn die KI beispielsweise eher hell- als dunkelhäutige Menschen bevorzugt: Was muss man vorab beachten? Wie geht man mit solchen Anforderungen um?
  
• Wenn bislang Menschen Entscheidungen über Produkte, Marken, Werbung, Werbeaktionen, Preise und Vertriebskanäle getroffen haben - wie sieht künftig die Arbeitsteilung aus?
  
• Welche neuen Vermarktungsansätze entstehen durch Anwendung der künstlichen Intelligenz?

Als schwacher Trost: Das Problem von 'biased data' existiert nicht nur im Marketing, sondern in allen Bereichen. Geben Sie bei Google mal ein "Frauen können..." Dann kamen vom Autocomplete solche Optionen wie "nicht Auto fahren", "schlecht einparken" oder "nicht alleine sein". Sind die Google-Entwickler also solche Chauvinisten, dass diese Antwortoptionen gegeben werden? "Nein, Google hält einem nur den digitalen Spiegel vor, d.h. es gibt online eine vorherrschende Meinung, dass Frauen nicht Auto fahren können. Wobei jede Statistik sagt, dass Frauen besser Auto fahren", erklärt Peter Gentsch, Inhaber der Professur für internationale Betriebswirtschaftslehre mit Schwerpunkt Digital Management und Data Science an der Hochschule für Technik und Wirtschaft (HTW) in Aalen   und Managementberater  .

Biased Data ist praktisch unvermeidbar

Allerdings hat der digitale Raum eine Transparenz, egal ob die Daten biased sind oder nicht. Und durch Ratings und Reviews entsteht Sichtbarkeit, unabhängig davon, von welcher Qualität die Ratings und Reviews sind. Sie werden gesehen und ernst genommen, d.h. auch falsche Daten haben online Sichtbarkeit. In Konsequenz heißt das, dass man die Daten verstehen muss. "Das Social Dilemma zeigt ja eindrucksvoll, wie ich manipulieren und Verschwörungstheorien verbreiten kann. Als Marketer muss man das Problem der biased data kennen. Wir werden es aber nie lösen können", bremst Gentsch die Erwartungen.

Die eher technische Antwort darauf ist, dass wir Möglichkeiten der Validierung haben, wie repräsentativ die Daten sind. Man kann sich mehrere Datenquellen anschauen, kann crossvalidieren. Das ist nicht neu und nannte sich früher Data Mining. Bei der Crossvalidierung geht es darum herauszufinden, wie repräsentativ Daten sind. "Biased heißt ja nicht automatisch böse oder negativ voreingenommen. Häufig geht es um Manipulation, auch wenn es nicht beabsichtigt ist", erklärt Peter Gentsch.

Biased Data, verstanden als gesetzte Differenzierung nach verschiedenen Zielgruppen, ergibt laut Cindy-Ricarda Roberts aus Verkäufer-Perspektive viel Sinn, wenn man beispielsweise an Kosmetikprodukte oder an Kleidung denkt: "Denn ein Produkt soll ja für eine bestimmte Zielgruppe bestmöglich platziert werden und da ist ein Rückgriff auf bestimmte Merkmale der Zielgruppe durchaus relevant und zielführend", so das Argument der Medienethikerin.

Personenbezogene oder personenbeziehbare Daten versprechen Aufschluss über die Relevanz bestimmter Charakteristiken bzw. Merkmale einer Zielgruppe. Dabei hat jeder Mensch jedoch gewisse Vorurteile bzw. persönliche Wertungen. So sei es nach ihrer Ansicht nicht verwunderlich, dass durch die zunehmende Verwendung algorithmischer Systeme in Machine-Learning oder KI-Anwendungen, basierend auf einer zunehmenden Masse an Daten, dies auf verschiedenen Ebenen zu Biased Data führt. Roberts: "Was genau relevant ist und was genau zum Gegenstand der Betrachtung wird, ist bereits ja schon eine Einschränkung der Perspektive und kann bereits als 'Bias' verstanden werden."

Oft obliegen Menschen dabei der Täuschung, dass Daten die volle objektive Wahrheit darstellen. Dabei zeigen Daten in Wirklichkeit oft Informationen, die voller menschlicher Vorurteile bzw. persönlicher Wertungen bestehen und somit gerade nicht die objektive Wahrheit darstellen, betont Roberts: "Solange Menschen also Vorurteile und persönliche Wertungen haben, werden diese wohl auch in die Daten fließen." Hier könnten dann entsprechende Strategien helfen, um Biased Data beispielsweise durch Transparenz oder gezielte Diversifizierung zu entgegnen. Vollkommen "unbiased Data" scheinen ihr deshalb jedoch "recht unwahrscheinlich".

Marketer arbeiten oft mit "Daten-Blackboxes"

Entsprechend entscheidet ein Algorithmus als Verfahren, das aus historischen Daten lernt, nicht über Ergebnisse, sondern die Daten, mit denen der Algorithmus trainiert wird. "Und deshalb muss jeder Marketer lernen, wie man seine Daten überprüft", fordert Peter Gentsch. Zudem würden sich die meisten in der KI- und Marketinglandschaft, wo es um 'Make or Buy' geht, für Buy entscheiden, so seine Beobachtung. Anwendungen, wie beispielsweise Salesforce mit der AI-Komponente Einstein oder Google Tensorflow, seien "komplette Blackboxes" in Bezug auf die Daten. Gentsch: "Wenn ich über eine eigene Analyse-Infrastruktur verfüge und verstehe, kann ich viel besser aussteuern, mit welchen Daten Algorithmen trainiert werden." Im Umkehrschluss ist die Gefahr fürs Marketing: Je mehr Blackboxes man einsetzt, die großteils durch die GAFA-Welt beherrscht werden, desto weniger Einsicht in Daten und Algorithmen hat man.

Ein Algorithmus ist also quasi immer die "abstrakte statistische Version von allen Geistern im digitalen Raum", wie Peter Gentsch es nennt, aber die Qualität sei "so dermaßen gut, weil man so unfassbar viele Daten zugrunde legt". Im Sommer hat das von Tesla-Chef Elon Musk mitbegründete Forschungslabor OpenAI   seine Private-Beta-Version von GPT-3 gestartet, ein auf 175 Milliarden Parameter aufgemotztes Sprachverarbeitungsmodell, dem man einzelne Wörter, Sätze oder ganze Absätze vorgeben kann, die es dann selbst um weiteren Text ergänzt, den es im jeweiligen Kontext für wahrscheinlich hält. Und das auf ziemlich beeindruckende Weise, urteilt der Experte: "Der ist schlagfertig, humorvoll - unfassbar." Und auch wenn Daten immer ein Stück weit "biased" sein werden und wir Menschen Daten immer wieder überprüfen müssen, um den Algorithmus zu trainieren, ist beeindruckend, was heute im Marketing möglich ist, wenn wir KI auf historische Daten anwenden: Text, Bild, Bewegtbild mit KI zu erstellen, berge laut Gentsch riesiges Potenzial: " In der Produktion und der Skalierung hat man wahnsinnige Möglichkeiten."

Beeindruckend gute 'Lookalike Audiences'

Unternehmen setzen KI bereits ein, um ihre Audience besser zu verstehen und zu identifizieren. Das Unternehmen definiert, wie der ideale Kunde aussieht. Die KI kann diese Audience praktisch erlernen, indem sie ganz viele Datenpunkte aus dem Internet anreichert. Die Unternehmen wiederum werden mit Daten aus dem Internet angereichert. Und dann erstellt der Algorithmus Lookalike-Audiences und zeigt dem Unternehmen damit Leads auf, die man bislang noch nicht hatte, aber eine hohe Ähnlichkeit mit den bisherigen Kunden haben. Dazu benennt der Algorithmus noch Eigenschaften, wie beispielsweise "ist Social Media affin" etc., d.h. Lead-Erkennung, Profiling und Priorisierung kann die KI übernehmen. Die eigentliche Ansprache, das Campaigning, kann auch wieder durch KI gesteuert werden - was bereits häufig als Marketing Automation geschieht. Es können zudem auch Leads vorhergesagt werden, auch wenn die Daten 'biased' sind.

Peter Gentsch sieht vor allem im Content Marketing Potenzial: "Content Marketing ist schon lange ein Thema, skaliert aber häufig nicht, weil es so aufwändig ist Content zu erstellen." KI wurde bislang nur eingesetzt, um feste Domänen zu bespielen, wie beispielsweise den Wetterbericht oder Fußballergebnisse. Inzwischen kann KI aber intelligent-kreativen Content produzieren, wie GPT-3 zeigt. Zudem gibt es eine neue Forschungsrichtung:

Curiosity Learning: Man versucht Algorithmen neugierig zu machen.

• Man trainiert also nicht mehr nur Daten: Was kann ein A-Kunde, was ein B-Kunde?
  
• Sondern man trainiert Muster: Was macht den A- im Vergleich zum B-Kunden aus?

Das ist ein typisches Beispiel für Deep-Learning-Mustererkennung und wird belohnt, wenn A-Kunde richtig erkannt wird, d.h. der Algorithmus muss die Zukunft richtig vorhersagen. Macht er das, bekommt er eine Belohnung. Damit erreicht man, dass Algorithmen zunehmend kreativ werden. Gentsch: "Das ist fürs Marketing wichtig, weil KI bislang oft nur als Automatisierung und Effizienzsteigerung verstanden wird."

Dass auf diese Weise produzierte Inhalte funktionieren, hat die Serie 'House of Cards' auf Netflix bewiesen, die maßgeblich auf Ideen der KI beruht, dass die Zuschauer ein solches Format sehen wollen. "Wir werden zunehmend Daten und Audience-getrieben Produkte entwickeln und Content erstellen und zwar viel stärker automatisiert als bisher, im Extremfall so weit, dass jeder von uns eine komplett personalisierte Ansprache erhält", skizziert Gentsch. Dieses Leistungsversprechen ist durch eine KI auch viel leichter zu machen, weil man es skalieren kann.

Das leidige Datenthema und fehlende Phantasie

Das Problem sind bisher vor allem die Datensilos, die Verknüpfung für eine ganzheitliche Kundensicht ist schwierig. Firmen gelingt es bislang wenig, die Daten Kunden zuzuordnen und das ressourcen- und device-übergreifend. In Zukunft wird wichtiger, First-Party-Daten zu generieren und die über Lookalike-Audiences zu verlängern, prognostiziert der Experte. Und man müsse sich überlegen, wie man Datenbasen aufbauen kann. Ströer   und Otto   beispielsweise haben eine Datenallianz gegründet  , obwohl sie Wettbewerber sind. Sie mappen Kundendaten, um ein besseres Kundenverständnis zu bekommen. "Gerade im Datenumfeld muss man intelligenter und kreativer werden", fasst Gentsch zusammen.

Fragen, die sich Marketer dabei stellen müssen:

• Welche kann ich kostenlos im Internet nutzen?
  
• Welche bekomme ich über Open-Data-Source?
  
• Welche kann ich mit einem Partner gemeinsam generieren?
  
• Wenn Daten fehlen, brauche ich Datenstrategien: Wie kann ich in den nächsten Jahren die Datenlücke schließen?

Die Anforderungen der Datenschutzgrundverordnung (DSGVO) machen die Umsetzung schwieriger, aber permission-based kann man hier auch viel machen. Darüber hinaus kann man KI einsetzen, um den Kunden zu abstrahieren, weg von den konkreten Daten, um ein Stück weit synthetische, repräsentative, künstliche Daten auszubauen, die die Kunden aber repräsentieren und die datenschutzrechtlich völlig unproblematisch sind. Nicht die Algorithmen, nicht die Tools sind die Herausforderung, sondern einmal mehr die Daten, schlussfolgert Gentsch: "Darin ist uns das GAFA-Universum weit überlegen. In Kombination mit Datenschutz und oft fehlenden Skills, die KI-Tools einzusetzen, sind das die größten Hürden."

Die Anforderungen an Data Scientists und Marketer im Umgang mit KI bestehen neben den Hard Skills, also den technischen Fähigkeiten, die ein Data Scientist oder Marketer vorweisen sollte, zunehmend in der Notwendigkeit für bestimmte Soft Skills. "Vor allem eine ethische Ausbildung zum Teil der Gesamtausbildung zu machen, um ein bestimmtes Bewusstsein für ethisch kritische Aspekte zu schaffen bzw. zu schärfen, scheint hier dringend geboten. Denn nur mit dem entsprechenden Wissen über ethische Fragen, wie beispielsweise die möglichen Arten der Diskriminierung, Fragen zur Technikfolgenabschätzung und dergleichen, lässt sich Technik so gestalten, wie es gesellschaftlich gewünscht und ethisch geboten ist", plädiert Cindy-Ricarda Roberts.

Klassische Marketer werden obsolet

KI im Marketing ist laut Experten vor allem auch eins: Conversational Business. Und das wird gerade in der Corona-Zeit wichtiger. Zu dem Thema hat Peter Gentsch mit Branchenkollegen jüngst die Studie 'Conversational Business'   veröffentlicht. Gentsch: "Conversational Business bekomme ich nur hin, wenn ich Conversational AI einsetze." Für ihn einer der Game Changer im Marketing: "Wenn man heute mit einem Bot redet, muss der zum einen die Absicht erkennen - was die schon recht gut können - und zum anderen braucht man AI, um die richtige Antwort zu geben. Da tun wir uns teilweise noch schwer."

Chatbots werden besser und damit werden wir uns arrangieren müssen: "Messenger und Sprachassistenten werden die Welt verändern", ist er überzeugt. Geht es bei Chatbots heute vor allem noch um Service, gibt es zunehmend Bots, die proaktiv agieren können. Man kann im Marketing über KI schon sehr viel automatisieren. Die Kunst besteht darin zu erkennen, wann der Mensch eingreifen muss. Was ist angesichts dieser Entwicklung die Zukunft des Marketing-Mitarbeiters, wenn KI kreativere Aufgaben übernehmen kann? Momentan nutzen wir KI zur Entscheidungsfindung: einmal im Sinne von Informationsinput oder dass wir von den lästigen repetitiven Aufgaben befreit werden. Wenn KI auf einmal Musik generiert, Bilder malt, Geschichten schreibt, Werbung entwickelt, dann kommt KI in den kreativen Bereich.

Kritiker betonen, dass KI nicht kreativ sein kann, weil sie keine Geistesblitze unter der Dusche oder Emotionen hat. "Das stimmt, aber dadurch, dass sie weltweit so wahnsinnig viele Daten berücksichtigen kann, kann sie uns die Illusion einer Kreativität geben", entgegnet Gentsch und schlussfolgert: "Die klassischen Marketers werden zunehmend obsolet. Man braucht jemanden, der die vielen unterschiedlichen KIs orchestriert, füttert - dann hat man sofort ein ganz anderes Berufsbild." Der Marketer ist dann nicht mehr selber kreativ, sondern eher ein Manager von Data Scientists und Algorithmen. Er muss verstehen, wie man Systeme synchronisiert. Das Berufsbild wird sich komplett ändern.