Wie in jeder Technologie gibt es auch bei der Marketing- und Sales-Technologie ein paar einschneidende Stellschrauben, die Tipping Points in der weiteren Entwicklung markieren. Künstliche Intelligenz gehört dabei zu den ganz großen Themen, die das Marketing und den Vertrieb der Zukunft bzw. deren Maschinenräume wie auch operationalen Strukturen massiv beeinflussen werden.
KI kann alles, oder?
KI wird eingesetzt, um Zielgruppen besser zu identifizieren und treffsicherer anzusprechen. Denn KI ist nun mal in der Lage, große Datenmengen zu analysieren und damit ein deutlich genaueres Bild des Kundenverhaltens zu prognostizieren, als es herkömmliche Vorhersage Methoden können. Das wiederum hilft Unternehmen dabei, intelligentere Entscheidungen bezüglich ihrer Strategien zu treffen, Kosten zu senken und Kundenerlebnisse zu verbessern. Wenn die Unternehmen bzw. ihrer Entscheider das wollen. Aber das steht auf einem anderen Blatt. Die wichtigsten Trends für die Kreativbranche werden in naher Zukunft erst einmal die „recht einfachen“ Automatisierungspotenziale darstellen, so wie die Generierung von synthetischen Bildern, Musik und Videos. Insbesondere die rasante Entwicklung von Sprachmodellen sowie das komplexe Verständnis von Zusammenhängen durch eine KI (siehe auch: Ontologie) wird die Produktion und Aussteuerung von Marketing- und Kommunikationskampagnen immer effizienter automatisieren. Immer mehr Werbetreibende werden sich in den nächsten Jahren von künstlicher Intelligenz leiten lassen, da diese den kreativen Spielraum erweitert, oder wie es Michael Katzlberger (Katzlberger Consulting und Marketing Club Österreich Domain-Experte) so treffsicher formulierte: „Künstliche Intelligenz wird in Zukunft das Rückgrat jedes Kreativteams sein.“ Ob die Kreativteams das genau so sehen oder doch eher keine Gefahr für ihre Kernkompetenzen wittern muss die Realität aber erst noch zeigen. Fakt ist aber, dass Daten, deren Speicherung und Analyse sowie die dabei eingesetzte künstliche Intelligenz drei grundlegende Kräfte sind, die einen aufregenden und zugegeben manchmal auch beängstigenden technologischen Phasenübergang vorantreiben, bei dem wir uns mit hoher Wandlungsgeschwindigkeit vom Ruß des Industriezeitalters in den LED-gesteuerten Sonnenaufgang des Informationszeitalters bewegen. Die MarTech Landscape war bei diesem Warp-Sprung der letzten Jahre ein verlässlicher Polarstern für den sich technologisch transformierenden Marketing-Manager. Nun aber kommen wir in eine Phase, in der wir MarTech und damit auch das Marketing auf einer ganzheitlicheren Perspektive betrachten müssen. Denn Daten in Form von Diagrammen liefern uns vernetzte Informationen, und vernetzte Informationen bieten einen Reichtum und eine Komplexität, die nur in den Beziehungen zu finden sind, die die Teile miteinander verbinden. Die Nuancen und Feinheiten, die in den Linien, die die Punkte verbinden, vorhanden sind. Dazu kommt die technologische Fähigkeit, in Zukunft Daten miteinander zu verbinden, unabhängig davon, wo sie gespeichert sind sowie unstrukturierte Daten durch KI zu strukturierten Daten automatisiert konvertieren zu lassen. Dadurch erhalten "normale" Organisationen Zugang zu einem riesigen Meer von vernetzten Informationen. Und damit kommen wir zum letzten und vielleicht aufregendsten Teil des Puzzles: Eine graphbasierte KI, die eine vernetzte Intelligenz hinzufügt, die über das Lernen in "traditionellen" euklidischen geraden Linien hinausgeht und es Computern ermöglicht, über den Tellerrand zu schauen. Weit mehr über den Tellerrand, als ein menschliches Gehirn und damit eine ordinäre Vorstands-Managementkompetenz zu leisten vermag. Das kratzt zugegeben an der Eitelkeit, verhindert aber schlussendlich nicht die damit verbundenen Konsequenzen in der Realität zukünftiger Marketing- und Sales-Operations.
Künstliche Intelligenz – Status Quo:
KI ist ein weites Feld, aber im Marketing liegt ein Fokus auf künstlichen neuronalen Netzwerken, so lange das Marketing den Anspruch hegt, der Wachstumsmotor eines Unternehmens zu sein. Ein künstliches neuronales Netz wiederum ahmt das Gehirn durch Schichten miteinander verbundener Knoten nach, die als künstliche Neuronen bezeichnet werden. Jeder Knoten wird auf der Grundlage der Stärke der Verbindungen, die in ihn hineinfließen, ausgelöst. Künstliche neuronale Netze lernen, indem sie die Eingabedaten viele Male durchlaufen und die Stärke der Verbindungen anpassen, bis das Modell die "Gewichtungen" erlernt, die die richtige Antwort vorhersagen. Große neuronale Netze stapeln wiederum Daten und Knoten in vielen Schichten und sind in der Lage, immer größere Datenmengen miteinander in Beziehung zu setzen. Ergebnisse sind Vorhersagen mit fast beängstigender Genauigkeit. Die entscheidende Frage ist jedoch: Warum nutzen die meisten Unternehmen in ihren Marketingabteilungen diese Möglichkeiten von neuronalen Netzen nicht? Oder anders ausgedrückt: Warum ist es für viele Marketingabteilungen so schwierig, mit ihren KI-Projekten etwas zu erreichen, das sich tatsächlich ergebnisrelevant im Sinne einer ganzheitlichen Unternehmenstrategie auswirkt? Konkret: Wo sind die zweistelligen Millionenbeträge, die KI belastbar zu heben vermag?
Vernetzte KI
Der Polarstern als Orientierungshilfe für den zukünftigen Maschinenraum modernen Marketings Nordstern hält eine zweiteilige Antwort auf die oben erwähnten Fragen parat: Erstens verfügen die meisten Unternehmen nicht über ausreichende Datenmengen bzw. über große Mengen an unstrukturierten Daten, die aus fragmentierten internen Datensilos stammen. Der kleinste gemeinsame Nenner ist meist nur der Speicherort in unternehmenseigenen Servern (für die traditionellen, wettbewerbsgetriebenen Unternehmen) oder einer Cloud (für die modernen, kollaborationsgetriebenen Unternehmen). Zweitens versuchen die meist nach wie vor traditionell ausgebildeten IT-Techniker und Datenanalysten, solche Daten in relationalen Datenbanken mittels linearen Algorithmen zu verarbeiten. Und selbst, wenn neuronale Graphen Netzwerke genutzt werden, kommt es häufig vor, dass sie mittels linearen Datenstrukturen trainiert werden. Das bedeutet, dass die neuronalen Netze unweigerlich diese Linearität erlernen und starre, lineare Antworten zurückliefern. Diese rechtwinklige Linearität bedeutet, dass die meisten aktuellen KI-Modelle zwar über die Werte der Daten lernen, aber keine expliziten Informationen über die verbindende Struktur der Systeme haben, in denen diese Werte existieren. Die meisten KI-Modelle haben keinen Kontext und daher auch keinen Sinn für das große Ganze. Spätestens, wenn der Chatbot in der Kundenhotline entlarvt wird, weil er Unfähig ist, aus starren Bahnen auszubrechen, ist die Enttäuschung groß. Man hatte der KI doch viel mehr zugetraut. Aber das ist ungefähr das gleiche wie mit dem Hund und Hundehalter. Meist ist es das Training und der Halter, der über die Fähigkeit des Hundes entscheidet
Diese einfache Weisheit auf KI angewendet bedeutet, dass wir KI offensichtlich netzförmig nutzen und mit Hilfe eines Graphen die nötigen Daten strukturieren sollten. Das hebt die Fähigkeit der KI für treffsichere Vorhersagen auf ein neues Level und wir sprechen zurecht von „next level AI“. Jeder Knoten im Graph Netzwerk ist dann nicht nur ein Datenpunkt, sondern auch eine Netzwerkadresse in der Cloud, und ein Beziehungsknoten für die künstliche Intelligenz, die dessen Frequentierung speichert und somit lernt. So strukturiert, kann man nuancierte, kurvenreiche, netzwerkförmige Daten in neuronale Netze schicken und ausgefeilte, kontextabhängige, netzwerkförmige Antworten zurückerhalten. Das Öl der neuen MarTech Matrix bekommt also einen exponentiell gestiegenen Wertzuwachs, solange man den Maschinenraum und damit den TechStack in Marketing und Sales diesen neuen Möglichkeiten anpasst. Wie lässt sich das bewerkstelligen? Nun, es gibt eine neue Art von graphenbasierten neuronalen Netzen, die nativ mit netzförmigen Daten arbeiten. Sie werden Graph Convolutional Networks (oder kurz GCNs) genannt und lernen nicht nur über die einzugebenden Daten, sondern eben auch über die Verbindungen zwischen ihnen. GCNs brauchen dabei sogar nicht mal riesige Datensätze, sondern können auf der Grundlage kleinerer Mengen verbundener Informationen recht intuitive Sprünge machen. Dazu verwenden GCNs einen Prozess namens Message Passing, bei dem jeder Knoten Vorhersagen macht und diese dann an seine nächsten Nachbarn im Netzwerk weitergibt. Dieser Prozess wird so lange wiederholt, bis jeder Knoten die Vorhersagen seiner Nachbarn in der nächsten Iteration berücksichtigen kann. Auf diese Weise erhält jeder Knoten im Graphen „ein Gefühl“ für das Gesamtbild. Anwendungen, die wir alle tagtäglich nutzen, wie z. B. die Routenfindung auf Google Maps werden von diesen graphenbasierten Algorithmen für maschinelles Lernen unterstützt. Alle FANG´s investieren stark in diesen Bereich und auch die industrielle Nutzung mit hohen Datenmengen und immenser Komplexität in der Skalierung nutzen solche GCNs, um Entscheidungen für ein marktgerechtes Handeln zu treffen., Die Zukunft der KI im Marketing liegt also sogar per Definition in der MarTech Landschaft und ihrer Kombinatorik der angebotenen Tools, Systeme und Portale.
KI gestützte MarTech nur auf die Produktion von Werbemitteln und Ausspielung von Werbebotschaften zu reduzieren wäre deutlich zu kurz gesprungen. Das Marketing wird sich zukünftig mit „Trainingsdaten“ für spezifische Marketinganwendungen beschäftigen müssen, sowie mit einem vielfältigen und verteilten Graphen vieler miteinander verbundener interner Anwendungen und Datenbanken. Wagemutige Unternehmen können daher einen Großteil der frühen KI auslassen (die sie anscheinend ohnehin kaum praktisch genutzt haben) und sich auf GCNs konzentrieren. In solchen Modellen kann jeder Knoten mit wenigen, aber relevanten Trainingsdaten angelernt werden, intelligente Vorhersagen über neue Situationen zu treffen. Auf diese Weise kann die KI in alle Ebenen des strategischen Marketings und Vertriebs integriert werden und liefert somit systemische Intelligenz und Automatisierung. Darüber hinaus werden die Gewichtungen, die dieser Intelligenz zugrunde liegen, nicht nur aus den Werten der Knoten im "Datennetz" gelernt, sondern auch aus der verbindenden Form des umgebenden Netzes selbst. Man kann sich diese Gewichtungen wie eine Reihe von Koordinaten vorstellen, die den Standort eines bestimmten Knotens auf einer graphenförmigen konzeptionellen Karte anzeigen. Anhand der Gewichtungen kann ein Computer den "konzeptionellen Abstand" zwischen zwei Knoten berechnen. Ein so strukturierter MarTech Stack auf Basis einen Enterprise Graph Neural Networks liefert reichhaltige netzwerkförmige Daten, aus denen systemische Vorhersagen mit größtmöglichem Überblick auf das Gesamtunternehmen und seiner Operations gezogen werden können. Es geht also bei der MarTech der Zukunft um das Denken von Computern in Kurven, und es ist schwer zu vermitteln, wie aufregend das Potenzial dieser Technologie ist. In diesem Sinne ist es möglich, dass eine MarTech Matrix in Zukunft schließlich zu so etwas wie dem Gehirn der Organisation heranwachsen kann. Dabei ist ein solcher MarTech Best-of-Breed Stack auch nichts anderes als ein Netzwerk mit einer organischen Struktur, wie sie überall in der Natur vorkommt: Das Gehirn ist ein Netz von Nervenzellen, das Kreislaufsystem ist ein verzweigtes Netz von Kapillaren. Netzwerke sind die bevorzugte Struktur des Lebens und damit auch für die Verarbeitung von Informationen und man könnte sogar sagen, dass das Leben selbst netzwerkförmig ist. Es sollte daher nicht überraschen, dass KI umso „echter“ erscheint, je mehr wir die Netzwerkform für den zugrunde liegenden TechStack nutzen, um Daten, Cloud und KI in einer organischen Struktur zu vereinen.
Es lohnt also die MarTech Landschaft aus neuer Perspektive zu betrachten. Dabei sind Kundendaten „nur“ die Basis, Verständnis und Intelligenz der Enabler, automatisierte Produktion und Kreation der Turbo für das Innovationsmanagement im Marketing und Graph Neural Networks die Königsdisziplin im marktgerechten Denken und Handeln eines digital transformierten Hochleistungsmarketings. Die dafür notwendige Arbeit vom Datensammeln und Datenaufbereitung über die Entwicklung einer nuancierten, graphenförmigen Datenstruktur bis zur Anpassung und dem Training einer KI für ein unternehmensübergreifendes konzeptionelles Modell zahlt sich wirklich aus, denn eine graphbasierte KI kann das kollektive Wissen eines Unternehmens entlang vielen Pfade abbilden und systemische Erkenntnisse liefern, die unser menschliches Hirn aufgrund der vorhandenen Datenmengen schon gar nicht mehr verarbeiten kann. Damit wird der MarTech Stack bzw. der Maschinenraum modernen Marketings ein aktiver Bestandteil, der dem Unternehmen Wachstums beschert und es der KI ermöglicht, kontextabhängige Vorhersagen zu treffen, die sich auf das Endergebnis eines Unternehmens zählbar auswirken. Dabei sind Graph Neural Networks ein zentrales Werkzeug der MarTech Landschaft, das benötigt wird, um eine einheitliche Theorie des netzwerkförmigen technologischen Phasenübergangs zu verwirklichen.
