In den letzten Jahren hat künstliche Intelligenz die Art und Weise, wie Unternehmen Daten verarbeiten und mit Kunden interagieren, grundlegend verändert und neue Möglichkeiten für das Marketing eröffnet. Tatsächlich ermöglicht es KI, große Mengen an Signalen zu analysieren, was ein tieferes Verständnis von Präferenzen und Verhalten erlaubt. Dieses Wissensniveau ermöglicht die Erstellung hochgradig personalisierter Kampagnen, was das Kundenerlebnis und das Engagement verbessert.
In diesem Zusammenhang stellt der Einsatz von KI zur Identifizierung und Aktivierung von Nutzerinteressen ein innovatives und potenziell bahnbrechendes Instrument zur Ermittlung der Intention des Kundenstamms dar.
In der Vergangenheit wurden Nutzerinteressen identifiziert, indem die Anzahl der besuchten Inhalte in bestimmten Bereichen der Website untersucht wurde. Dieser Ansatz, der von DMPs häufig für kontextbezogenes Targeting verwendet wurde, war im Wesentlichen statistisch-deterministisch und nutzte die einfache Informationsarchitektur einer Website aus.
Möchten Sie diese Strategie umsetzen?
Unsere KI-Modelle helfen Ihnen, diese Ergebnisse in Wochen statt Monaten zu erzielen.
Erfahren Sie wieIn der Folge veröffentlichten große Werbeplattformen wie Google sehr ausgereifte Algorithmen, um den Inhalt der vom Nutzer gelesenen Seite zu verstehen und deren Bedeutung zu extrahieren. Heute haben wir dank der weltweiten Verbreitung von KI die Möglichkeit, Ansätze zu nutzen, die denen großer DMPs sehr ähnlich sind, jedoch mit zwei entscheidenden Vorteilen.
Der erste Vorteil ist, dass wir uns nicht mehr ausschließlich auf die Informationsarchitektur verlassen müssen: KI ist in der Lage, die Website transversal zu analysieren, Inhalte zu verstehen und zu interpretieren, deren Kern zu extrahieren und sie dem Nutzer unabhängig von seinem Standort korrekt zuzuordnen.
Der zweite Vorteil liegt in der Individualisierung: KI erlaubt es uns, genau die Interessen auszuwählen, die wir extrahieren möchten, und sie an den Geschäfts- und Kundenbedürfnissen auszurichten.
Wie in einem unserer letzten Artikel ausführlich beschrieben, haben wir bei Bytek einen auf Embeddings basierenden Ansatz implementiert und einen proprietären Algorithmus entwickelt, um Nutzern Interessen präzise zuzuordnen. Der Onboarding-Prozess wird kollaborativ gestaltet: Wir organisieren Workshops mit Kunden, um die für ihr Geschäft relevantesten Themen (Custom Interests) zu identifizieren, die auf spezifischen Seiten und Inhalten getrackt und dann einzelnen Nutzern zugeordnet werden können. Dieser Ansatz ermöglicht es uns auch, besondere Lebensereignisse zu identifizieren, die Präferenzen und Verhalten beeinflussen können.
Zusätzlich zum Tracking von Lebensereignissen und benutzerdefinierten Interessen identifizieren wir mit derselben Methodik auch Interessen in Bezug auf spezifische Produkte oder Dienstleistungen. Wir analysieren das Verhalten der Nutzer auf Seiten, die zuvor mittels KI gelabelt wurden, und vergleichen es sowohl mit der persönlichen Navigation als auch mit der anderer Nutzer mit ähnlichen Präferenzen.
Diese auf First-Party-Daten basierenden Informationen bereichern unser Verständnis des Nutzers und können auf verschiedenen Plattformen aktiviert werden: CRM, Marketing-Automatisierungssysteme, Kampagnen auf Google Ads und Meta, Programmatic Advertising und sogar auf der Website für gezielte Personalisierung.
In den folgenden Abschnitten werden wir die Wege und Strategien zur Aktivierung der Interessenanalyse im Detail untersuchen und praktische sowie maßgeschneiderte Ansätze aufzeigen, die das Engagement und die Ergebnisse von Marketingkampagnen optimieren können.
CRM-Aktivierung und Cross-Sell-Erlebnisse
Ein Bereich mit großem Potenzial bei der Aktivierung der Ergebnisse der Nutzerinteressenanalyse ist das Cross-Selling. Durch die Integration der Interessen direkt in das CRM werden diese Daten sofort für den Vertriebsbereich verfügbar und nutzbar. Dies ermöglicht es dem Vertriebsteam, proaktiv zu agieren. Wenn die Analyse beispielsweise ein Interesse an Lebensversicherungen ergibt, kann der Vertriebsmitarbeiter schnell handeln und eine dedizierte Strategie aktivieren: Er oder sie kann den Kunden direkt kontaktieren oder vorkonfigurierte E-Mail-Vorlagen verwenden, die beim Erkennen eines spezifischen Interesses versandbereit sind. Darüber hinaus können diese Vorgänge vollständig automatisiert werden, indem alle Kunden im CRM mit ähnlichen Interessen gruppiert und ihnen personalisierte Mitteilungen gesendet werden.
Diese Strategien sind eine wesentliche Praxis im modernen Marketing. Die Fähigkeit, in Echtzeit zu verstehen, wann ein Nutzer eine spezifische Kaufabsicht zeigt, ist entscheidend. Durch die präzise Arbeit mit Interessen können wir diese Gelegenheiten identifizieren und entsprechend handeln.
Zudem werden Mitteilungen, die auf spezifischen Interessen und beobachtetem Verhalten basieren, vom Kunden nicht als aufdringlich wahrgenommen. Im Gegenteil: Daten zeigen, dass sich Engagement- und Konversionsraten deutlich verbessern, da der Inhalt genau zum Zeitpunkt und zu den Bedürfnissen des Nutzers passt und so ein wertvolleres und relevanteres Erlebnis schafft.
Personalisierung mit LLMs
Der Einsatz von Large Language Models zur Personalisierung stellt eine weitere Möglichkeit dar, die Analyse von Nutzerinteressen zu nutzen. Durch Prompt Engineering ist es möglich, Variablen wie spezifische Kundenmerkmale, Segmentzugehörigkeit, erkannte Interessen, den Kundenwert (z. B. Customer Lifetime Value) und den Tone of Voice einzubeziehen, der ebenfalls durch die Interessenanalyse identifiziert werden kann.
Tatsächlich ist es möglich, eine Taxonomie von Tonalitäten zu erstellen und zu verstehen, welcher Kommunikationsstil auf der eigenen Website tatsächlich verwendet wird. Oft ist man davon überzeugt, einen bestimmten Tone of Voice zu verwenden, aber die Inhaltsanalyse kann offenbaren, dass ein anderer genutzt wird. Diese Erkenntnis kann dann in die Prompts integriert werden, um hochwirksame Personalisierungsergebnisse zu erzielen.
Reporting
Reporting auf Basis der Interessenanalyse bietet ein tiefgreifendes Verständnis des eigenen Kundenstamms und ermöglicht fundierte Entscheidungen. Wenn wir beispielsweise nach der Berechnung der Interessen einzelner Nutzer fortschrittliche Clustering-Systeme wie k-Means-Modelle anwenden, können wir die relevantesten Kundencluster identifizieren und deren gemeinsame Interessen entdecken. Diese Erkenntnisse liefern wertvolle Hinweise zur Verfeinerung von Marketing- und Vertriebsstrategien.
Eine der Schlüsselstrategien besteht darin, den Redaktionsplan an die vorherrschenden Interessen der besten Kunden anzupassen.
Wenn Nutzer zudem Interesse an bestimmten Themen zeigen, aber keine damit verbundenen Produkte kaufen, besteht möglicherweise eine Diskrepanz zwischen dem Angebot und ihren Präferenzen. In diesen Fällen ist es sinnvoll, die Produktstrategie zu überprüfen und die Kommunikation an die tatsächlichen Bedürfnisse der Kunden anzupassen.
Eine weitere wichtige Variable ist die Veränderung der Interessen im Laufe der Zeit, insbesondere mit zunehmendem Alter der Kunden. Kundenkohorten entwickeln sich wie Generationen: Ein Unternehmen, das vor zehn Jahren einen überwiegend 30-jährigen Kundenstamm hatte, sieht sich heute einer Gruppe von 40-jährigen Kunden mit anderen Bedürfnissen und Interessen gegenüber. Die Fähigkeit, diese Veränderungen über Dashboards zu verfolgen, die Echtzeitdaten liefern, ist essenziell, um Marketingstrategien an den sich entwickelnden Bedürfnissen des Kundenstamms auszurichten.
Interessen mit Event-driven Marketing aktivieren
Event-driven Marketing ist ebenfalls eine mögliche Strategie zur Aktivierung von Daten aus der Analyse von Nutzerinteressen. Dank Technologien der künstlichen Intelligenz ist es möglich, identifizierte Interessen in Ereignisse umzuwandeln, die in Echtzeit aktiviert werden können. Dieser Ansatz ermöglicht die Entwicklung reaktiver Maßnahmen auf Basis spezifischer Trigger, die aktiviert werden, wenn bestimmte Nutzerverhaltensweisen oder Interessenbekundungen auftreten.
Beispielsweise lassen sich Trigger konfigurieren, die beim Zeigen eines bestimmten Interesses den Versand personalisierter E-Mails auslösen, die von einer KI mittels Prompt Engineering generiert wurden. Parallel dazu können Retargeting-Strategien auf Plattformen wie YouTube aktiviert werden, um spezifische Kampagnen für Nutzercluster zu erstellen, die kürzlich ein bestimmtes Interesse bekundet haben.
Eine weitere Ebene der Personalisierung kann durch den Einsatz von Tools wie Mutiny erreicht werden, die es ermöglichen, das Nutzererlebnis in Echtzeit zu modifizieren. In diesem Zusammenhang kann ein Unternehmen das Erscheinungsbild von Landingpages oder spezifischen Inhalten auf seiner Website dynamisch an die vom Nutzer geäußerten Interessen anpassen. Wenn ein Nutzer die Seite besucht, erkennt das System dessen Interesse und passt den Inhalt sofort an, indem es maßgeschneiderte Angebote oder Aktionen präsentiert, um die Effektivität der Kommunikation und das Engagement zu maximieren.
Das Verständnis der verschiedenen Entscheidungsfenster ist entscheidend, da es erlaubt, den Werbedruck und die Personalisierungsaktivitäten optimal zu kalibrieren und die günstigsten Momente zur Beeinflussung der Verbraucherentscheidung zu nutzen.
