Reinforcement Learning: Wie sich mit Artificial Intelligence Marketingkosten senken lassen

Auf derdmexco wurde Artificial Intelligence oder Künstliche Intelligenz als Buzz-Them durchs Onlinemarketing-Dorf getrieben. Seine Existenzberechtigung hat die Artificial Intelligence mit ihren Spielarten des Machine und Deep Learning, wenn sie aufs Geschäftsergebnis einzahlt. Als besonders interessantes Instrument für die Planung von Marketing- und Vertriebsaktivitäten erweist sich das Reinforcement Learning, ein spezieller Typ des Machine Learnings.

 

Schach, Go, Mario Kart – Data Scientists spielen gerne oder besser: Sie schicken gerne die von ihnen programmierte Artificial Intelligence ins Rennen. Die schlägt sich nicht nur gut auf der digitalen Rennstrecke, sondern lässt auch weltranglisten-erste Strategiespieler alt aussehen. Ob Mensch oder Maschine – um bei einem Spiel besser zu sein als die anderen, muss man es lernen und üben, üben, üben.

Reinforcement: Zuckerbrot und Peitsche für AI
Mit den enormen Rechenleistungen, auf die wir heute zugreifen können, verfügen wir über theoretisch unbegrenzte Möglichkeiten, Artificial Intelligence etwas lernen zu lassen: Der Rechner hat immer Zeit, etwas zu lernen, ist rasend schnell und ihm stehen Unmengen von Daten zur Verfügung, die er in Spielwissen verwandeln kann. Dabei lernen Maschinen nach denselben Prinzipien wie Menschen: Wenn sie etwas gut und richtig machen, erhalten sie eine positive Verstärkung (Reinforcement). Wird etwas gar nicht oder weniger gut gelöst, bleibt diese Verstärkung aus. Das Programm lernt also von den Reaktionen des Umfelds.

Gewinn mit Artificial Intelligence maximieren
Das Reinforcement Learning als Variante des Machine Learning eignet sich besonders gut, um Artificial Intelligence in der Wirtschaft einzusetzen. Indem das System nach Belohnung strebt, verbessert es sich permanent selbst. Dabei stellt sich allerdings in der Praxis die Frage, wie einzelne Schritte zu bewerten sind. So ist es beim Schachspiel gängige Praxis, den Verlust einer Figur in Kauf zu nehmen, um am Ende den Sieg davonzutragen. Die Artificial Intelligence muss also erkennen, dass der vermeintlich schlechte Zug im Hinblick auf das Gesamtergebnis ein guter Zug ist.

Erfolg des Machine Learnings zeigt sich im Endergebnis
Denn wirtschaftliche Entscheidungen werden von ihrem Ergebnis her bewertet. Wir verfolgen das Ziel, den Gewinn, also den Ertrag abzüglich der Kosten, zu maximieren. Dazu gilt es zu wissen: Wie bediene ich meine Kunden optimal? Ob Print- oder E-Mailing, Retargeting, Anruf oder gar ein persönlicher Besuch des Kundenberaters: Jeder Kontakt zum Kunden ist mit Kosten verbunden. Optimal wäre, den Kunden exakt so häufig anzusprechen, wie es nötig ist, um den maximalen Umsatz mit ihm zu machen. Sende ich ihm 15 oder sogar 20 Mailings im Jahr oder reichen eigentlich acht? Dazu genügt es nicht, ein Werbemailing isoliert zu betrachten. Ist es wirklich nötig, eine gute Kundin bei jeder Aktion in den Verteiler aufzunehmen? Wird sie dadurch von einer guten zu einer besseren Kundin? Selbst wenn sie, angeregt durch das Mailing, etwas kauft, wissen wir nicht, ob der Jahresumsatz höher ausfällt, als wenn sie das Mailing nicht erhalten hätte.

Artificial Intelligence optimiert das Geschäftsergebnis
Wie bei einem Spiel folgen bei der Kundenansprache Entscheidungen aufeinander. Wir untersuchen gerade, was passiert, wenn wir AI-Technologie über Reinforcement Learning beibringen, in einem großen und heterogenen Kundenpool – von der guten Kundin bis zur Karteileiche – die optimale Kontaktstrategie für jeden einzelnen Kunden zu finden. Das System trifft richtige und falsche Entscheidungen, wobei die richtigen Entscheidungen positiv verstärkt werden. Dabei tragen die falschen Entscheidungen entscheidend zu einem optimalen Gesamtergebnis bei. Wenn wir keine Fehler machen, können wir nicht lernen! Im Testlauf zeigen die Algorithmen eine steile Lernkurve. Da sich das Verfahren letztlich auf alle Arten von Kundenkontakt anwenden lässt, erlaubt es Unternehmen, ihre Marketings- und Vertriebsaktivitäten sehr viel präziser zu steuern und so den Gewinn zu steigern.