Inhalt
- Was ist Reinforcement Learning?
- Keine Bugs, kein Stress - Ihre schrittweise Anleitung zur Erstellung lebensverändernder Software, ohne Ihr Leben zu zerstören
- Maschinen für Vermarkter
- Kommt bald
- Größer denken
- Weg zur Adoption
Quelle: Juliatimchenko / Dreamstime.com
Wegbringen:
Reinforcement Learning ist eine Teilmenge der künstlichen Intelligenz und des maschinellen Lernens, die Ergebnisse vorhersagen und Benutzern helfen kann, bessere Entscheidungen zu treffen.
Vermarkter sind ständig auf der Suche nach skalierbaren und intelligenten Lösungen, um sich in den zunehmend wettbewerbsintensiven Marketingbedingungen zu behaupten. Es ist kein Wunder, dass künstliche Intelligenz (KI) und maschinelles Lernen (ML) jetzt von Marken und ihren Marketingorganisationen massenhaft übernommen werden. (Weitere Informationen zu den Grundlagen von ML finden Sie unter Maschinelles Lernen 101.)
Für die Uneingeweihten kann KI im Allgemeinen als Technologie betrachtet werden, wenn ein Computer die definierten Aufgaben automatisiert, die ein Mensch ansonsten ausführen würde. Maschinelles Lernen als Funktionsbereich innerhalb der KI ist, wenn einem Computer ein Endziel vorgegeben wird, er jedoch die beste Route selbst berechnen muss.
Heutzutage werden diese Technologien - insbesondere maschinelles Lernen - in vielen Bereichen des Marketings eingesetzt, darunter Anzeigenbetrugserkennung, Prognose des Verbraucherverhaltens, Empfehlungssysteme, kreative Personalisierung und mehr.
Das ist zwar in Ordnung und gut so, aber es gibt eine neue Ableger-Technologie, die für Vermarkter die von maschinellem Lernen verursachte Nachfrage wirklich erfüllen wird. Dies wird als "Reinforcement Learning" (RL) bezeichnet.
Was ist Reinforcement Learning?
Der Schrittwechsel von ML zu RL ist mehr als nur ein Buchstabe. Die meisten Aufgaben, die dem maschinellen Lernen übertragen werden, umfassen die Verwendung eines einzigen Schritts wie „Dieses Bild erkennen“, „Buchinhalt verstehen“ oder „Betrug aufspüren“. Für einen Vermarkter ist ein Geschäftsziel wie „Benutzer anziehen, binden und einbinden“ Inhärent mehrstufig und langfristig, was mit maschinellem Lernen nicht einfach zu erreichen ist.
Hier kommt das Lernen der Bestärkung ins Spiel. Bei RL-Algorithmen geht es darum, eine sich entfaltende und sich ständig ändernde Reise zu optimieren - eine, bei der dynamische Probleme auftreten. Durch die Verwendung einer mathematischen „Belohnungsfunktion“ zur Berechnung des Ergebnisses jeder Permutation kann RL in die Zukunft schauen und den richtigen Anruf tätigen.
Die besten Beispiele für diese Spitzentechnologie sind heute Spiele und selbstfahrende Autos. Als das AlphaGo-System von Google im vergangenen Jahr den weltbesten Spieler des Brettspiels Go besiegte, war ihre geheime Sauce das Lernen der Verstärkung. Während für Spiele Regeln festgelegt wurden, ändern sich die Optionen eines Spielers für den Weg zum Sieg dynamisch je nach dem Status des Bretts. Beim verstärkten Lernen berücksichtigt das System alle möglichen Permutationen, die sich je nach nächster Bewegung ändern können.
Ebenso geht ein selbstfahrendes Auto auf eine Reise, bei der die Straßenregeln und der Standort des Ziels festgelegt bleiben, sich aber die Variablen auf dem Weg - von Fußgängern über Straßensperren bis hin zu Radfahrern - dynamisch ändern. Aus diesem Grund setzt OpenAI, die von Teslas Elon Musk gegründete Organisation, fortschrittliche RL-Algorithmen für seine Fahrzeuge ein.
Keine Bugs, kein Stress - Ihre schrittweise Anleitung zur Erstellung lebensverändernder Software, ohne Ihr Leben zu zerstören
Sie können Ihre Programmierkenntnisse nicht verbessern, wenn sich niemand um die Softwarequalität kümmert.
Maschinen für Vermarkter
Was bedeutet das für Vermarkter?
Die Kernherausforderungen vieler Vermarkter entstehen durch die Tatsache, dass sich die Geschäftsbedingungen ständig ändern. Eine erfolgreiche Kampagnenstrategie kann im Laufe der Zeit ungünstig werden, während eine alte Strategie neue Impulse erhalten kann. RL ist ein Schritt in Richtung Nachahmung der wahren menschlichen Intelligenz, bei der wir aus dem Erfolg und / oder Misserfolg mehrerer Ergebnisse lernen und eine erfolgreiche Strategie der Zukunft entwickeln. Lassen Sie mich einige Beispiele nennen:
1. Verbesserung der Benutzerbindung
Konzentrieren wir uns auf das Kundenengagement für eine Restaurantkette und das Ziel, es im nächsten Jahr zu verzehnfachen. Heutzutage könnte eine Marketingkampagne einen Geburtstagsgruß mit einem Rabattangebot beinhalten, vielleicht sogar basierend auf den Essenspräferenzen. Dies ist ein lineares Denken, bei dem der Vermarkter einen Start- und einen Endpunkt definiert hat.
In einer geschäftigen Welt verändert sich das Leben der Kunden ständig in Echtzeit - manchmal sind sie engagierter, manchmal weniger. Beim Lernen der Verstärkung würde ein System ständig neu kalibrieren, welche Taktiken in der Marketing-Waffenkammer zu einem bestimmten Zeitpunkt die beste Chance haben, den Empfänger in Richtung des Endziels des 10-fachen Engagements zu bewegen.
2. Dynamische Budgetvergabe
Stellen Sie sich nun ein Werbeszenario vor, in dem Sie ein Budget von 1 Million US-Dollar haben und bis zum Monatsende jeden Tag etwas ausgeben müssen, das auf vier verschiedene Kanäle verteilt ist: TV, Loyalty Promotions und Google. Wie können Sie sicherstellen, dass Sie das Budget optimal ausgeben? Die Antwort hängt vom Tag, den Zielbenutzern, dem Inventarpreis und einer Reihe anderer Faktoren ab.
Beim verstärkten Lernen würden Algorithmen historische Daten zu Anzeigenergebnissen verwenden, um Belohnungsfunktionen zu schreiben, die bestimmte Ausgabenentscheidungen bewerten. Es berücksichtigt aber auch Echtzeitfaktoren wie die Preisgestaltung und die Wahrscheinlichkeit eines positiven Empfangs durch das Zielpublikum. Durch iteratives Lernen würde sich die Verteilung der Werbeausgaben im Laufe des Monats dynamisch ändern. Obwohl das endgültige Ziel festgelegt ist, hat RL das Budget in allen Szenarien so gut wie möglich zugewiesen. (Weitere Informationen zu AI im Marketing finden Sie unter Wie künstliche Intelligenz die Vertriebsbranche revolutionieren wird.)
Kommt bald
Reinforcement Learning erkennt die Komplexität und die Tatsache an, dass die Menschen heterogen sind und diese Wahrheiten berücksichtigen, und verbessert im Laufe der Zeit jede weitere Aktion, wenn sich die Teile Ihres Spielplans ändern.
Reinforcement Learning ist nach wie vor weitgehend Forschungsprojekten und führenden Anwendern vorbehalten. Das mathematische Konzept und die mathematische Technik gibt es schon seit über 40 Jahren, aber dank dreier Trends war der Einsatz erst seit relativ kurzer Zeit möglich:
- Verbreitung von Rechenleistung durch leistungsstarke Grafikprozessoren (GPUs).
- Cloud Computing stellt High-End-Prozessorleistung zu einem Bruchteil der Kosten für den Kauf der GPUs selbst zur Verfügung, sodass Dritte eine GPU mieten können, um ihr RL-Modell für mehrere Stunden, Tage oder Wochen zu einem relativ günstigen Preis zu trainieren.
- Verbesserung von numerischen Algorithmen oder intelligenten Heuristiken. Einige kritische numerische Schritte in einem RL-Algorithmus können jetzt viel schneller konvergieren. Ohne diese magischen numerischen Tricks wären sie auch mit den derzeit leistungsstärksten Computern nicht realisierbar.
Größer denken
All dies bedeutet, dass Marken und Vermarkter die neuen Möglichkeiten des verstärkenden Lernens bald in großem Umfang nutzen können. Um es zu akzeptieren, ist jedoch ein Umdenken erforderlich. Für einen Marketing Manager bedeutet diese Technologie die Möglichkeit, die Hände vom Lenkrad zu nehmen.
Jedes Unternehmen hat ein Ziel, aber wenn Sie tief in den Gräben sind, können die täglichen Maßnahmen, die in Richtung dieses Ziels ergriffen werden, verschwimmen. Jetzt können Entscheidungsträger mithilfe der RL-Technologie das Ziel festlegen und können sicherer sein, dass die Systeme ihren besten Weg dorthin finden.
In der Werbung beispielsweise erkennen heutzutage viele Menschen, dass Metriken wie die Klickrate (Click-through-Rate - CTR) lediglich Proxys für echte Geschäftsergebnisse sind, die nur gezählt werden, weil sie zählbar sind. RL-gesteuerte Marketing-Systeme werden solche Zwischenkennzahlen und das damit verbundene schwere Heben weniger hervorheben und es den Vorgesetzten ermöglichen, sich auf die Ziele zu konzentrieren.
Dies setzt voraus, dass Unternehmen ihre großen Probleme viel proaktiver und langfristiger angehen. Wenn die Technologie ausgereift ist, werden sie ihr Ziel erreichen.
Weg zur Adoption
Das Reinforcement-Lernen kann von Marken noch nicht in vollem Umfang genutzt werden. Vermarkter sollten sich jedoch etwas Zeit nehmen, um dieses neue Konzept zu verstehen, das die Art und Weise, wie Marken Marketing betreiben, revolutionieren und einige der frühen Versprechen des maschinellen Lernens erfüllen könnte.
Wenn der Strom ankommt, wird es Marketing-Software mit einer Benutzeroberfläche geben, aber die Aufgaben, die von dieser Software benötigt werden, werden radikal vereinfacht. Für die Mitarbeiter wird es weniger bewegliche Schalter und Eingaben von Zahlen geben, und es werden weniger Analyseberichte gelesen und auf diese reagiert. Hinter dem Dashboard übernimmt der Algorithmus den größten Teil davon.
Es ist unwahrscheinlich, dass RL von Anfang an mit der menschlichen Intelligenz mithalten kann. Die Geschwindigkeit seiner Entwicklung würde von den Rückmeldungen und Vorschlägen der Vermarkter abhängen. Wir müssen sicherstellen, dass wir einen Computer bitten, das richtige Problem zu lösen, und ihn bestrafen, wenn dies nicht der Fall ist. Klingt so, als würdest du dein eigenes Kind unterrichten, oder?