Die Zahl vergleichbarer Angebote steigt mit der rasanten Entwicklung der digitalen Technologien an. Unternehmen müssen daher nach effektiven Lösungen suchen, um das Marketingbudget, Online-Marketing-Content oder personalisierte Empfehlungen für Kunden zu optimieren. Geeignete Lösungen stellt das Reinforcement Learning (zu Deutsch: bestärktes Lernen), ein Teilbereich des Maschinellen Lernens, dar. In diesem Artikel wollen wir deshalb aufzeigen, wie Reinforcement Learning zu einer deutlichen Optimierung des eigenen Marketings führen kann.
Sie haben Interesse hinsichtlich des Einsatzes von Reinforcement Learning? Lassen sie sich von Novustat bei der Auswahl geeigneter Marketing-Algorithmen oder -Modelle beraten! Gerne beraten wir Sie bei der Datenauswertung zu Marketingzwecken!
[cta-mobile-element]
Was ist Reinforcement Learning?
Bei einem Training der Software-Agenten nutzt man Q-Learning und definiert zuvor die gewünschten Resultate. Der Begriff Q-Learning stammt von der Q-Funktion, die ein gewünschtes Output einer Aktion ermittelt. Das Ziel von Reinforcement Learning ist es, Software-Agenten so zu trainieren, dass bestimmte Aktionen einer beliebigen Verhaltensvariante in einer (Lern-) Umgebung folgen. Zu Trainingszwecken werden dabei die Informationen zum gewünschten Output in die Software-Agenten eingespeist. Bei positiven Resultaten, die dem gewünschten Output entsprechen, bestärkt man die Software-Agenten in ihrer Entscheidung. Für negative Resultate bestraft man diese Systeme dahingegen. Damit „lernt“ ein Software-Agent, welche Resultate gewünscht sind und kann auf diese Informationen für künftige Szenarien zugreifen und gewünschte Aktionen folgen lassen. So trägt Reinforcement Learning zu einer höheren Lerneffektivität bei.
Novustat berät Sie gerne bei der Auswahl der Analysemethoden oder beim Einsatz von Data Mining-Modellen für die Optimierung Ihres Marketingbudgets, des Online-Marketing-Contents oder bei der Verbesserung von personalisierten Empfehlungen.
5 Beispiele für den Einsatz von Reinforcement Learning Marketing
Nachfolgend sind fünf Beispiele für den Einsatz von Reinforcement Learning im digitalen Marketing aufgeführt.
Personalisierte Produktempfehlungen
Personalisierte Produktempfehlungen sollen Kunden bei der Kaufentscheidung unterstützen. Bei der Abgabe dieser Empfehlungen stoßen Unternehmen jedoch auf Hindernisse, wie umfangreiche Datenvolumina hinsichtlich der Kundeninformationen und sich stetig weiterentwickelnde Kaufintentionen oder Verzerrungen dieser Informationen. Auf diese dynamischen Faktoren kann man mithilfe der Methoden des Reinforcement Learnings reagieren. Damit lassen sich qualitativ hochwertige Empfehlungen für Kunden abgeben.
Die Informationen für das Reinforcement Learning kann man in einer Tabelle abbilden. Die Zeilen umfassen alle potenziellen Beobachtungen und die Spalten alle potenziellen Aktionen. Diese Q-Tabelle ist nur in kleinen Beobachtungsszenarien einsetzbar. Wenn es sehr viele Möglichkeiten gibt, wie bei einer Online-Plattform mit Millionen von Artikeln, dann muss ein neuronales Netz eingesetzt werden, um diese hohen Datenvolumina bewältigen zu können.
Für die Online-Plattform Alibaba wurde zu diesem Zweck beispielsweise ein Reinforcement Learning-Algorithmus Robust DQN (Deep Q Network) entwickelt. Normalerweise können Reinforcement Learning-Systeme nur innerhalb statischer Umgebungen reagieren. Mithilfe von Robust DNQ können jedoch auch in realen und dynamischen Umgebungen maßgeschneiderte Kundenempfehlungen ausgesprochen werden.
Optimierung des Marketingbudgets
Die Herausforderung für die meisten Unternehmen liegt darin, die Marketing-Maßnahmen dahingehend zu optimieren, dass Werbeanzeigen den höchstmöglichen Return on Investment (ROI) liefern. Es muss ermittelt werden, welche Marketingkampagnen kostenintensiv und welche davon weniger sinnvoll sind. Außerdem müssen Unternehmen herausfinden, welche Werbemaßnahmen für Kunden besonders attraktiv sind und auf welche Art die loyalsten Kunden angezogen werden. Mithilfe des Einsatzes der Methoden von Reinforcement Learning Marketing können diese Fragen beantwortet werden, was den ROI des Marketingsbudgets deutlich steigern kann.
Auswahl vom besten Online-Marketing-Content durch das Reinforcement Learning Marketing
Auch die Auswahl vom besten Online-Marketing-Content lässt sich mit Methoden von Reinforcement Learning Marketing vornehmen. Baidu, der chinesische Google-Konkurrent, setzt dafür beispielsweise den Reinforcement Learning-Algorithmus Moonrise ein. Mithilfe des Einsatzes von Moonrise konnten Verbesserungen bei der Suchrelevanz und der Anzeigenleistung und ein höherer ROI pro Anzeige erzielt werden. Vor dem Einsatz von Moonrise verließ sich Baidu auf überwachte Modelle des Maschinellen Lernens. Diese waren jedoch nicht effektiv, insbesondere wenn diverse Variablen, wie Kundenbedürfnisse und -wünsche mitberücksichtigt werden sollten. Mithilfe des Einsatzes von Moonrise konnte das Unternehmen optimale Resultate bei Suchanfragen mit Schlüsselwörtern, Abbildungen und Videos erzielen. Zudem konnte Baidu so höhere Conversions und eine höhere Anzeigeneffektivität erreichen.
Steigerung des Customer-Lifetime-Value
Im digitalen Marketing stellt der Customer-Lifetime-Value (CLV) eine wichtige Messgröße dar. Mithilfe des CLV kann man die Umsatzhöhe prognostizieren, die man während der gesamten Kundenbeziehung erzielen könnte. Für die Optimierung des CLV ist ein Reinforcement Learning-Algorithmus empfehlenswert, der personalisierte Anzeigenempfehlungen anstelle des traditionellen Ansatzes anzeigt, bei dem die Anzahl der sofortigen Klicks maximiert wird. Durch die Optimierung des CLVs können so verbesserte personalisierte Empfehlungen ausgesprochen werden, die langfristig zu einem höheren ROI führen.
Preisanpassungen
Bei Preisanpassungen, insbesondere Preiserhöhungen, sollte man vorher abschätzen können, wie Kunden darauf reagieren werden. Mithilfe des Einsatzes von Reinforcement Learning Marketing ist es möglich, zukunftsorientierte Kundenaktionen zu modellieren und etwaige Reaktionen auf Preisänderungen zu prognostizieren. Ein New Yorker Forscher hat z.B. einen inversen Reinforcement Learning-Algorithmus entwickelt, mit dem man Preiserhöhungen simulieren und die Reaktionen einer Zielgruppe vorhersagen kann. Somit lässt sich auch die Attraktivität diverser Preispläne für Angebote messen.
Fazit: Reinforcement Learning birgt klare Potenziale für Marketing
Wie die vorgenannten Beispiele zeigen, birgt der Einsatz von Reinforcement Learning Marketing viele Potenziale. Bei zielgerichteter Nutzung lassen sich beispielsweise personalisierte Angebote, das Marketingbudget oder der Online-Marketing-Content effizienter gestalten.