Was ist wichtiger? Bestehende Einnahmen oder zusätzlich zu realisierende Gewinne?

Im Allgemeinen ist es eine ziemlich spannende und aufregende Phase für Teams, wenn sie Machine Learning, KI, Predictive Analytics und andere Algorithmen ausprobieren, die das Potenzial haben, ihre Arbeit effizienter zu gestalten. In der Presse werden die Ergebnisse solcher neuen Technologien allerdings häufig massiv überschätzt, so dass man den Eindruck gewinnen kann, dass demnächst einfach jeder Job von Maschinen übernommen werden wird. Häufig waren Marketer, die KI-basierte Marketing Software bereits ausprobiert haben, von den Ergebnissen allerdings enttäuscht. Unser Team war überrascht, das zu hören, weshalb wir den Austausch mit Pionier-Nutzern von KI-getriebenen Lösungen gesucht haben, die meist in den USA sitzen. Die erste Erkenntnis aus unseren gemeinsamen Workshops war das Gefühl, es mit einer Art Blackbox zu tun zu haben.

Zugegeben, dieser Begriff lässt sich auf die unterschiedlichsten Konzepte anwenden. Im Zentrum stand der schlichte Wunsch, zu verstehen, wie die Maschine funktioniert. Während das Tool also seinen Job gut gemacht haben mag, hat es die Tatsache ignoriert, dass Marketing-Abteilungen nicht einfach dazu da sind, die Entscheidungen des Tools per Copy & Paste umzusetzen – zumindest nicht, wenn sie über ein gut aufgestelltes und erfahrenes Team verfügen. Nicht zu vergessen, dass die Ergebnisse noch nicht einmal die Erwartungen der Marketing-Abteilung oder des Managements erfüllen konnten. Dennoch war diese Situation die perfekte Gelegenheit für uns, unsere F&E-Strategie zu überdenken. Zunächst einmal trafen wir die Entscheidung, dass wir Marketern helfen möchten, die Kriterien zu verstehen, die eine Konversion beeinflussen. Unter Konversion verstehen wir jede Art von Abschluss unterschiedlichster Handlungen: ein Kaufabschluss, das Ausfüllen eines Formulars, das Abonnieren eines Newsletters, Social-Media-Engagement oder das Aufrufen spezieller Seiten.

Machine Learning ist ein sehr weites Feld, wir haben aber beschlossen, einen ziemlich klassischen und beliebten Ansatz namens „Entscheidungsbaum“ zu wählen. Er wird in der Entscheidungstheorie verwendet, um Entscheidungsträgern dabei zu helfen, die Strategie zu ermitteln, die am wahrscheinlichsten zum gewünschten Ziel führen wird.

Ein Entscheidungsbaum ist eine Art Flussdiagramm, in dem jeder interne Knoten einen „Test“ eines Attributs darstellt (z. B. ob der Wurf einer Münze Kopf oder Zahl ergibt), jeder Ast das Ergebnis eines solchen Tests, und jedes Blatt einen Klassifikationswert (= die Entscheidung, die nach dem Berechnen aller Attribute getroffen wird). Die verschiedenen Pfade vom Wurzelknoten hin zu den Blättern stellen Klassifizierungsregeln dar.