Unter den vielen Schlagwörtern, die in der Welt von Digital Analytics kursieren – First-Party Daten, Server-Side Tracking oder Cookieless Tracking, um nur einige wenige zu nennen -, findet sich mit zunehmender Häufigkeit auch der Ausdruck Machine Learning. Alle diese Begriffe haben ihre Daseinsberechtigung in der Digitalen Analyse, sofern sie mit dem nötigen Hintergrundwissen und im richtigen Kontext verwendet werden.

Dieser Artikel soll dazu beitragen, den Ausdruck Machine Learning im Kontext der Digitalen Analyse richtig einzuordnen. Wir zeigen kurz und bündig, was Machine Learning ist (und was es nicht ist), wie und wo es zur Anwendung kommen kann und was dabei besonders beachtet werden muss.

Was ist Machine Learning

Machine Learning ist ein riesiges Gebiet innerhalb der Künstlichen Intelligenz, das vielfach verzweigt ist und aus unzähligen spezialisierten Bereichen besteht. Machine Learning als Ganzes in diesem kurzen Beitrag zu beschreiben, ist also ein Ding der Unmöglichkeit und könnte der Vielfalt dieses Gebiets nicht gerecht werden.

Im Grossen und Ganzen ist das Ziel von Machine Learning jedoch grob gesagt, aus typischerweise sehr umfangreichen Datenbeständen automatisiert statistische Modelle zu errechnen. Diese Modelle können anschliessend dazu genutzt werden, bekannte Daten zu analysieren und damit dem menschlichen Auge verborgene Zusammenhänge oder Regelmässigkeiten zu sichtbar zu machen. Ausserdem können zukünftige, noch unbekannte Daten nach demselben Muster eingeordnet und damit in Echtzeit Prognosen errechnet werden.

Was ist Machine Learning nicht

Leider wird mit dem Ausdruck Machine Learning auch oft die Werbetrommel gerührt, sodass der Eindruck entstehen kann, dass Machine Learning ein Wundermittel für alle Probleme ist. Nur, weil sich ein Produkt mit dem Wort Machine Learning schmückt, ist die Qualität dieses Produkts nicht automatisch besser als die Konkurrenz. Die Qualität eines Produkts sollte immer daran gemessen werden, was es leistet, und nicht, wie es dies tut.

Oft geht dabei vergessen, dass Machine Learning nicht gleich «Machine Thinking» ist! Machine Learning ist ein Werkzeug. Die Verwendung eines Werkzeugs muss gelernt sein. Ein Werkzeug muss dafür gebraucht werden, wofür es erfunden wurde. Ein Werkzeug gibt nicht den Bauplan vor, es muss geführt werden. Das bedeutet, dass Machine Learning uns weder das Denken, noch das Konzipieren oder Planen eines Vorhabens abnehmen kann. Machine Learning kann dann erfolgreich eingesetzt werden, wenn das Ziel, die damit verbundenen Faktoren, der Kontext und das Umfeld – also der fachliche Use Case – gegeben sind.

Voraussetzungen

Damit Machine Learning optimal eingesetzt werden kann und sein volles Potenzial ausgeschöpft wird, sind einige Grundvoraussetzungen nötig:

Daten. Da die Grundidee des Machine Learnings darin besteht, dass ein Modell anhand von Daten trainiert wird, ist die Datenqualität die wichtigste Voraussetzung. Wie gut das Modell lernt, hängt davon ab, wie gut die Daten sind, die in das System eingespeist werden. Oder anders ausgedrückt: «Garbage in, garbage out.»

Data Pipeline. Ziele, die mit Machine Learning erreicht werden sollen, sind oft an ein oder mehrere Systemen gebunden, aus denen Daten generiert werden. Dabei ist es von zentraler Beduetung, dass die Data Pipeline vom Quellsystem zum Modell und zurück das verfolgte Ziel unterstützt. Dies gilt insbesondere, wenn das Modell Datenverarbeitung in Echtzeit vorsieht.

Data Preparation. Damit das Modell die Daten verarbeiten kann, müssen diese dem Modell in entsprechend aufgearbeiteter Form zugeführt werden. Hier ist von Vorteil, wenn die Data Pipeline die Daten bis möglichst nah zum Modell leiten kann, und bereits in der Pipeline eine erste Aufbereitung oder Strukturierung der Daten vorgenommen wurde.

Um diese Voraussetzungen zu erfüllen, bieten sich im Digital Analytics Umfeld besonders spezialisierte Produkte wie jene von Tealium iQ an, die die Pipeline von der Webseite zum Modell in Echtzeit abdecken, über das Tag Management und dem damit einhergehenden strukturierten Data Layer die Datenqualität sicherstellen und dazwischen auch die Datenaufbereitung über den Customer Data Hub übernehmen, wo die Daten bereits auf Session und User Ebene aggregiert und angereichert werden können.

Gerade Tealium Predict bietet als komplett integriertes System einen einfachen Einstieg in die Welt des Machine Learnings.

Mögliche Use Cases in der Digitalen Analyse

Scoring

Beim Scoring geht es darum, das Modell mit Verhaltensdaten (z.B. Sessions) zu trainieren, aus denen hervorgeht, ob das Verhalten erfolgreich war oder nicht. Als Erfolg kann beispielsweise ein abgeschlossener Kauf oder ein anderes gewünschtes Verhalten des Besuchers definiert werden.

Dadurch erlernt das Modell, bei einem neuen (Teil-)Verhalten vorauszusagen, wie nah dieses Verhalten an einem Erfolg ist. Dies wird in Form eines Scores, beispielsweise einer Wahrscheinlichkeit, angegeben. Diese Information kann in der Folge genutzt werden, um den Besucher entweder direkt in Echtzeit mit einer personalisierten Webseite weiter in Richtung Erfolg zu führen oder diesen im Nachgang erneut gezielt anzusprechen. Die jeweilige Massnahme hängt dann vom Score ab, den das Modell ermittelt hat.

Attribution

Bei der Attribution kann das Modell mit Informationen zu einzelnen Touchpoints (z.B. Zugriffsquelle, aus der die Webseite besucht wurde) trainiert werden. Das Ziel des Modells ist in diesem Fall zu erlernen, welche Zugriffsquellen in der Gesamtjourney des Besuchers vorgekommen sind und inwiefern diese – auch indirekt – für den Erfolg verantwortlich waren.

Affinität

Die Ermittlung der Affinität zu einem bestimmten Thema oder einer Produktkategorie kann ein weiterer interessanter Use Case mit Machine Learning sein. In diesem Fall liegt der Fokus darauf, welche Bereiche der Webseite von Besuchern besucht wurden, die schliesslich einen Kauf getätigt haben.

Das Modell kann so lernen, welche Themen für Käufer unterschiedlicher Produktkategorien relevant sind. Diese Erkenntnis kann dann entweder für die Optimierung der User Experience oder für aktive Werbung verwendet werden, sowohl on- wie auch offline.

Fazit

Gut geplant, richtig und vor allem unter idealen Voraussetzungen eingesetzt hat Machine Learning durchaus ein hohes Potenzial in der Digitalen Analyse und jedes Unternehmen, das mehr aus seinen Daten holen will. Machine Learning braucht im Prinzip keine besonders teure, grosse oder leistungsfähige Infrastruktur, scheitert aber oft wegen fehlender Agilitität des Unternehmens (organisatorisch oder technisch), um die Daten fliessen zu lassen und sich die nötigen Technologien anzueignen.

Möchten Sie mit Ihrem Unternehmen auch auf den Machine Learning Zug aufspringen? Wir beraten Sie gerne!