Künstliche Intelligenz im Social Media Marketing

Inhaltsverzeichnis

Inhaltsverzeichnis

Abbildungsverzeichnis

Tabellenverzeichnis

Abkürzungen

1. Künstliche Intelligenz als aufstrebende Technologie
1.1 Von Neugierde zum potenziellen Schmerzproblem
1.2 Forschungsziel und Forschungsfragen
1.3 Vorstellung des Unternehmens

2. Darstellung der Technologie der Künstlichen Intelligenz
2.1 Grundlagen zur Künstlichen Intelligenz
2.1.1 Definition und Abgrenzung
2.1.2 Lernverfahren
2.1.3 Einsatzzwecke
2.2 Aktuelle Einsatzmöglichkeiten im Social Media Marketing
2.3 Relevanz der Künstlicher Intelligenz für das Unternehmen VICO
Research Consulting GmbH

3. Einflussanalyse von Künstlicher Intelligenz im Social Media Marketing mit Hilfe der Szenario-Technik
3.1 Grundlagen der Szenario-Technik
3.2 Einsatz der Szenario-Technik zur Technologieanalyse und Bestimmung der Branchenbeeinflussung

4. Diskussion der Ergebnisse und Handlungsempfehlungen für VICO
4.1 Handlungsempfehlung für VICO
4.1.1 Der Status Quo bei VICO
4.1.2 Empfehlung für das positive Extremszenario
4.1.3 Empfehlung für das negative Extremszenario 61
4.1.4 Die Trendprojektion als Mittelweg
4.2 Kritische Diskussion der Ergebnisse
4.2.1 Diskussion der Szenario-Technik
4.2.2 Diskussion der Technologie der Künstlichen Intelligenz

5. Schlussbetrachtung

Literaturverzeichnis

Anhang

Abbildungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

Tabellenverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

Abkürzungen

Abbildung in dieser Leseprobe nicht enthalten

1. Künstliche Intelligenz als aufstrebende Technologie

Das Forschungsgebiet „Künstliche Intelligenz“ (KI) (englisch „Artificial Intelligence“ [AI]) versucht intelligente Systeme zu entwickeln, die „selbstständig und effizient Probleme lösen können. Der Grad der Intelligenz hängt vom Grad der Selbststän- digkeit, dem Grad der Komplexität des Problems und dem Grad der Effizienz des Problemlösungsverfahrens ab.“¹ Die Technologie ist heute in immer mehr Berei- chen anzutreffen und sorgt „nach über fünf Jahrzehnten Forschungsarbeit aktuell und in naher Zukunft für einen umfassenden Wandel in unserer Welt: Unsere Le- bensweise, Arbeit und Gesellschaft“² wird neu definiert. KI-Systeme, die ein ge- zieltes Problem lösen sollen, werden wissensbasierte Expertensysteme genannt und gehören zum Alltag von Forschung und Beruf. Oft sind die Einsatzgebiete da- bei nicht auf den ersten Blick erkenntlich oder wahrnehmbar. Klassische Anwen- dungsbereiche, die das Können einer KI aufzeigen sind derzeit Brettspiele wie Schach oder das erheblich komplexere asiatische Strategiespiel Go. Bereits im Frühjahr 2016 konnte die Google-Tochterfirma DeepMind mit ihrem KI-Algorithmus den weltbesten menschlichen Go-Spieler schlagen³. In der Medizin sind Roboter präziser als erfahrene Chirurgen und führen Operationen im Tausendstel Millime- terbereich durch⁴.

Neben diesen breit gefächerten Anwendungsgebieten „adressiert AI zunehmend auch administrative, dispositive, und planerische Prozesse im Marketing, Sales und Management.“⁵ Verschiedene Business Cases und neue Geschäftsmodelle in Firmen sowie in Start-ups in zahlreichen Ländern verdeutlichen die immer stärker werdende Relevanz des Themas KI. Im Marketing und insbesondere in der Teil- disziplin Online Marketing und dem dazugehörigen Social Media Marketing kann die KI-Technologie massiven Einfluss auf die Branche nehmen. Daten bilden die Grundlage von KI-Systemen und das Online Marketing bietet vielfältige Möglich- keiten mit Usern in Kontakt zu treten und Daten über sie zu sammeln. Die Einsatz- möglichkeiten, die der Einsatz einer KI im Marketing bietet, sind bereits heute, trotz der schnellen Weiterentwicklung der Technologie, sehr umfangreich. Der Grad der Intelligenz dieser Anwendungen ist dabei als unterschiedlich zu bewerten. Ein Chatbot, der Kundenfragen rein auf Basis eines Antwortkatalogs beantwortet ist weniger als Intelligent zu bezeichnen als ein Chatbot, der auch Fragen außerhalb eines Fragenkatalogs semantisch und inhaltlich verstehen, selbstständig recher- chieren und eine passende Antwort geben kann. Weiterhin ist es möglich, das eine KI eine große Anzahl an Nutzerdaten analysiert und das Ziel verfolgt herauszufin- den, wie die eigene Zielgruppe segmentiert ist und weiterhin automatisiert Micro- Zielgruppen erstellt. Mit dessen Ergebnissen kann wiederum ein KI-System beauf- tragt werden, eine Marketingkampagne zu erstellen und durchzuführen.

Diese Darstellung der KI sowohl im Allgemeinen als auch im Marketing, einschließ- lich der Vor- und Nachteile sowie die verschiedenen Anwendungsgebiete werden häufig in Fachartikeln, Büchern und Vorträgen thematisiert. Allerdings findet die Kombination von Social Media Daten und Künstlicher Intelligenz noch zu wenig Beachtung hinsichtlich der möglicherweise disruptiven Auswirkungen und der wei- teren künftigen Entwicklungen im Social Media Marketing. Das gesamte Umfeld und das Zusammenspiel der Social Media Branche und der KI-Technologie wird nicht ausreichend genug in Bezug auf die Einflussfaktoren und deren verschiede- nen Entwicklungsszenarien analysiert.

1.1 Von Neugierde zum potenziellen Schmerzproblem

Jedes Unternehmen wird sich in naher Zukunft mit dem Thema auseinanderset- zen. Gentsch ist der Meinung, dass sich „AI first als mögliches Mantra der massi- ven Disruption von Geschäftsmodellen und des Erschließens von fundamental neuen Märkten“⁶ durchsetzen wird. Die hohe Relevanz für Unternehmen belegt die Studie des McKinsey Global Institut, nach der 2017 weltweit insgesamt 39 Milliar- den US-Dollar von Unternehmen in die KI investiert wurden. Dies stellt eine Ver- dreifachung zu 2013 dar.⁷

In dieser Arbeit wird die Bedeutung und die Auswirkungen von der KI-Technologie im Social Media Marketing exemplarisch an dem Unternehmen VICO Research Consulting GmbH, bzw. abgekürzt VICO, in dem der Autor tätig ist, betrachtet und analysiert. Um nicht den Anschluss an den Wettbewerb zu verlieren, muss VICO sich intensiv mit der KI-Technologie auseinandersetzen und für die eigenen Zwe- cke evaluieren. Die Unternehmenshistorie ist gekennzeichnet durch einen hohen IT- und Softwarefokus. Die Produkte wurden mit Hilfe der neuesten Technologien entwickelt. Daher wurden auch Teildisziplinen der KI bereits in einzelnen Berei- chen des Unternehmens einbezogen, wie das nachfolgende Kapitel aufzeigt. Al- lerdings besteht derzeit noch die Gefahr, dass der Technologie an sich, sowie den Möglichkeiten für die Branche und den VICO-eigenen Produkten und Leistungen nicht genug Aufmerksamkeit von der Geschäftsführung gewidmet wird. Die Chan- cen und Risiken wurden zwar bereits intern erkannt, spiegelt jedoch nur eine Neu- gierde wieder.

Dabei muss innerhalb des Unternehmens beachtet werden, dass eine weitere Ent- wicklung und die weiter steigende Relevanz von KI für die Social Media Branche massiven Einfluss auf alle Unternehmen, so auch VICO und den Wettbewerbern, nehmen kann. Unternehmen, die als Vorreiter KI sinnvoll einsetzen, sei es für Mar- ketingzwecke, um bestehende Leistungen zu ergänzen oder auf deren Basis neue Produkte zu entwickeln, werden einen erheblichen Wettbewerbsvorteil haben. Ein Ignorieren der Technologie zum heutigen Zeitpunkt kann künftige Auswirkungen auf das gesamte Unternehmen haben. Die KI-Forschung strebt nach der Simula- tion von Intelligenz durch Maschinen, daher könnten KI-Systeme künftig in der Lage sein, Themenfelder zu besetzen, in denen aktuell ausschließlich Menschen tätig und denkbar sind. Emotionaler Kundenkontakt oder Kreativität kann aufgrund der benötigten komplexen Fähigkeiten nur durch den Mensch erfolgen. Auch wenn die Aussage aktuell noch stimmen mag, ist es möglich, dass diese Aufgaben auch künftig eine KI übernimmt. Durch solch elementare Änderungen in den Geschäfts- prozessen und -modellen, von denen auch das Personal betroffen ist, kann eine KI-Neugier in kürzester Zeit ohne rechtzeitige Maßnahmen zu einer großen Her- ausforderung für Unternehmen werden.

1.2 Forschungsziel und Forschungsfragen

Es gibt zahlreiche Hinweise, die die steigende Relevanz der KI-Technologie bele- gen. Nahezu täglich können aktuelle Fortschritte im Entwicklungsprozess in be- kannten Nachrichtenmedien verfolgt werden. Neue Erfolge, wie bspw. zu KI-Algo- rithmen, die wiederum zu Erfolgsgeschichten führen, werden detailliert beschrie- ben. Steigende Investitionen und Forschungsgelder sowie Diskussionen innerhalb der Marketingbranche belegen zusätzlich das Interesse an der Künstlichen Intelli- genz. Zu dem Thema gibt es derzeit viele informatikbezogene Arbeiten von Exper- ten und populärwissenschaftliche Veröffentlichungen. Klare Business-Szenarien, die den Mehrwert für die Branche und exemplarisch für einzelne Unternehmen aufzeigen, sind noch Mangelware. Weiterhin wird nur in kurzen Expertenbeiträgen auf Newsseiten der Branche auf die künftigen Entwicklungen eingegangen. Tiefer- gehende Analysen, die die Einflussfaktoren der KI-Technologie aufzeigen und die Konsequenzen konkret auf die Social Media Branche aufzeigen, existieren jedoch nicht.

Daher ist das Ziel dieser Arbeit, eine Einschätzung bzgl. des Einflusses der Tech- nologie der Künstlichen Intelligenz auf das Social Media Marketing einschließlich der Chancen und Risiken zu erarbeiten. Die Analyse erfolgt hierzu mit Hilfe der Szenario-Technik. Abhängig von dem Ergebnis, das in Form von Szenarios prä- sentiert wird, werden anschließend konkrete Handlungsempfehlungen für das Un- ternehmen VICO Research Consulting GmbH abgeleitet. Die Geschäftsleitung bekommt somit einen Überblick von der Technologie, kann die Relevanz für das Unternehmen besser einschätzen und erhält konkrete Maßnahmen für das weitere Vorgehen vor.

Zur besseren Einschätzung der Technologie und den Möglichkeiten werden zu- nächst im Kapitel 2 wichtige Grundbegriffe und Denkweisen beschrieben, detail- lierte technologische Details werden in dieser Arbeit jedoch nicht behandelt. Statt- dessen liegt der Fokus auf dem Brückenschlag von der KI-Technologie zu konkre- ten Business Cases der Social Media Marketing Branche. Im Kapitel 3 erfolgt die Anwendung der Szenario-Technik zur Prognose der Entwicklung und dem Einfluss der KI im Bereich Social Media Marketing. In dem vierten Kapitel werden die Er- gebnisse betrachtet und auf das Unternehmen VICO Research Consulting GmbH angewendet. Es werden Handlungsempfehlungen für die erarbeiteten Sze- narien gegeben. Hierbei soll u.a. die Frage geklärt werden, ob und inwieweit das Unternehmen in die Technologie investieren und sich anschließend positionieren soll. Die Arbeit schließt mit einer kritischen Diskussion der Inhalte sowie einer Schlussbetrachtung ab.

1.3 Vorstellung des Unternehmens

VICO Research Consulting GmbH (VICO) wurde 2005 als viertes Social Media Unternehmen weltweit gegründet und bietet ein führendes Social Media Monitoring Tool sowie umfangreiches Consulting zu Social Media und dem digitalen Wandel. Die Geschäftsstellen von VICO sind in Leinfelden-Echterdingen bei Stuttgart und in Köln. Derzeit sind 94 Mitarbeiter für das Unternehmen tätig. 2017 zählten zu den Kunden 65 internationale Top Marken.

Das Unternehmen ist in drei Geschäftsfelder (Units) aufgeteilt, diese nutzen das aus dem Big Data gewonnene Wissen, bauen aufeinander auf und arbeiten synergetisch zusammen:

1. Die Unit Web Intelligence (WI) umfasst alle Leistungen rund um Big Data und Social Media Monitoring. Die hier tätigen Spezialisten gewährleisten eine größtmögliche Quellenabdeckung des Social Web. Mit Hilfe von Parsern, Ro- bots, Schnittstellen und vertraglichen Vereinbarungen, wie z.B. Datenkauf oder Kooperationen mit Foren, wird hier die Datengrundlage für das Social Media Monitoring geschaffen.
2. Die Unit Research nutzt die technologische Basis von Web Intelligence für maßgeschneiderte Analysen und Reports, die speziell auf verschiedene Inte- ressensgruppen und Anforderungen zugeschnitten sind. Die Ergebnisse kön- nen zum Beispiel für das Produkt-, Qualitäts- und Innovations-Management genutzt werden.
3. Die Unit Agency nutzt die hierbei gewonnenen Erkenntnisse um darauf auf- bauend digitale Marketing-Strategien und Maßnahmen für Social Media um- zusetzen. Die Leistungen der Agency reichen von der Beratung in Fragen der Digitalisierung über eReputation und Community Management bis hin zu Kre- ativ- und Kreationsleistungen.

Die Grundlage der angebotenen Produkte und Dienstleistungen stellen die Daten aus dem Social Web dar. Über 65 Mio. verschiedene Twitter- und Facebook-Daten werden täglich bei VICO erfasst, über 2 Mio. Blog- und über 300.000 News-Feeds werden getrackt. Weitergehend sind über 13 Mio. Forendaten im Bestand. Dieses Datenvolumen wird aufgrund der weltweiten Sprach- und Länderabdeckung er- fasst. Die vielfältigen Datenmengen werden mit Hilfe von Algorithmen und Queries (Suchabfragen) von Computer Linguisten geordnet und sortiert und so für eine weitere Verwendung nutzbar gemacht, bspw. durch eine visuelle Aufbereitung in Form von Widgets und Grafiken in einem Dashboard, welches dem Anwender zur Verfügung gestellt wird.

Derzeit werden von der Unit Web Intelligence zwei Kernprodukte angeboten, die von Kunden sowie den anderen beiden Units genutzt werden. Das erste Kernprodukt ist die Social Media Monitoring Suite und besteht aus drei komplementär nutzbaren Produkten:

1. Social Media Listening: Beim Social Listening wird identifiziert, analysiert und bewertet, was über ein Unternehmen, ein Produkt, eine Marke oder eine Einzelperson im Internet sowie in den sozialen Medien geschrieben und diskutiert wird. VICO bietet hier mit dem flexiblen und individuell einstellbaren Dashboard unterschiedliche Darstellungsformen für vielfältige Einsatzzwecke.
2. VICO Analytics: Das KPI-Dashboard von VICO misst die Performance der Prä- senz der Unternehmen in den Sozialen Medien. Darüber hinaus wird ein direktes Benchmarking zur Gesamtheit des Wettbewerbs, wie auch zu einzelnen Wettbe- werbern durch die Ermittlung eines Branchen-Index ermöglicht. VICO Analytics weist zudem relevante Reichweiten-, Trend- und Stimmungsanalysen aus. Diese Social Media Key Performance Indicators (KPI) zeigen aus einer großen Fülle von Daten die maßgebenden Faktoren für den Erfolg oder Misserfolg von Aktivitäten der eigenen Social Media Präsenz auf.
3. Social Media Engagement: Die Engagement- und Publishing-Funktionen von VICO ermöglichen die Social-Media-Aktivitäten effizienter zu gestalten und den Dialog mit den Kunden zu optimieren. Alle entsprechenden Aktivitäten erfolgen von einer zentralen Stelle durch direkte Schnittstellen zu Facebook, Twitter, YouTube, G+, Instagram, Pinterest, WhatsApp, WordPress und diversen Foren.

Das zweite Kernprodukt, VICO PRISY, setzt sich aus drei weiteren Produkten zu- sammen:

1. Review Monitoring: Das Review Monitoring ermöglicht die Analyse der eigenen Produkte auf externen Online Shops und Bewertungsportalen. Alle Bewertungen und Kommentare sowie eine Gesamt-Tonalität sind hier auf einen Blick ersichtlich.
2. Price Monitoring: Das Price Monitoring stellt die Preisentwicklung der eigenen sowie der Wettbewerbsartikel in Online Shops in Form eines übersichtlichen Ma- nagement Dashboards dar. So sind u.a. exakte Preisanalysen und -anpassungen möglich.
3. App Monitoring: Im App Monitoring können durch spezielle Schnittstellen zu den App Stores die eigenen als auch die Wettbewerbs-Apps analysiert werden. Hier werden alle Bewertungen sowie historische Entwicklungsdaten dargestellt.

Zusammenfassend lässt sich festhalten, dass VICO enorme Datenmengen zur Verfügung stehen. Diese Big Data werden bereits jetzt verarbeitet und für unter- schiedliche Anwendungszwecke verwendet. Hierbei ist wichtig zu erwähnen, dass die Auswertungen der Daten und die weitere Nutzung und Verarbeitung stets durch VICO Mitarbeiter oder dem Kunden selbst erfolgt. Analysen erfolgen hän- disch durch Mitarbeiter des Bereichs Research. Werbemittelerstellung und Ad- Schaltung erfolgen durch Mitarbeiter der Agency. Ebenso die exemplarische Deu- tung sinkender App-Ratings und die Auswahl und Umsetzung der damit einherge- henden Gegenmaßnahmen. Der Einsatz menschlicher Arbeitskraft birgt hierbei unterschiedliche Vor- und Nachteile, die im Kapitel vier näher betrachtet werden. Algorithmen, die der Künstlichen Intelligenz zugeschrieben werden können, wer- den derzeit nur in bestimmten Anwendungsfällen und nur rudimentär genutzt. Um das gesamte Potenzial der Technologie und deren Bedeutung für VICO zu verste- hen, wird im folgenden Kapitel auf die Grundlagen der Technologie der Künstlichen Intelligenz eingegangen.

2. Darstellung der Technologie der Künstlichen Intelligenz

Dieses Kapitel widmet sich eingehend der Technologie der Künstlichen Intelligenz und soll ein einheitliches Verständnis der Grundbegriffe schaffen. Ein Grundver- ständnis über Algorithmen, die die Künstliche Intelligenz erst möglich machen, ist notwendig um die Leistungen und Grenzen abschätzen zu können. Zudem soll deren Relevanz für VICO hervorgehoben werden. Abschließend werden aktuelle und denkbare Einsatzmöglichkeiten im Social Media Marketing vorgestellt. Künst- liche Intelligenz mit den einhergehenden Algorithmen ist ein spezielles Themen- gebiet der IT und mitunter technisch sehr komplex. In dieser Arbeit liegt der Fokus auf der betriebswirtschaftlichen Sicht. In den nachfolgenden Kapiteln werden da- her die relevanten technischen Begriffe nur grob skizziert.

2.1 Grundlagen zur Künstlichen Intelligenz

In den letzten Jahren und Monaten erfolgten große Entwicklungen und Fortschritte im Bereich der Künstlichen Intelligenz. Konstant steigende Leistungen der Com- puter und die Verfügbarkeit von großen Datenmengen ermöglichen neue Einsatz- felder wie Spracherkennung, Übersetzung, Verhaltensmodellierung, Robotersteu- erung oder Risikomanagement.⁸ Der Einsatz dieser Technik erfolgt zunehmend in vielen Branchen, so auch verstärkt im Marketing. Mit dem vermehrten Einsatz die- ser Technik, den neu entstehenden Teilgebieten sowie allgemein genutzten Sam- melbegriffen, besteht zunehmend die Gefahr, dass relevante Begrifflichkeiten nicht korrekt genutzt oder in einem falschen Zusammenhang verwendet werden. Daher ist zunächst eine Abgrenzung und Definition dieser Begriffe nötig.

2.1.1 Definition und Abgrenzung

Das sehr breite Anwendungsfeld von Künstlicher Intelligenz wird in dieser Arbeit auf das Themenfeld Marketing, insbesondere des Social Media Marketing, be- grenzt. Die Universität Bamberg unterscheidet in der Definition zwischen aktivem und passivem Social Media Marketing. Aktiv bedeutet dabei „strategisches und funktionsübergreifendes Management sozialer Medien, um diese - allein oder in Kombination mit anderen Kanälen - zur Erreichung von Unternehmenszielen zu nutzen. Demgegenüber beschreibt passives Social Media Marketing die Nutzung von fremden Inhalten aus sozialen Medien zur Erreichung von Unternehmenszielen, ohne dass aktiv eigene Inhalte bereitgestellt werden.“⁹ Im Vordergrund stehen somit bspw. ökonomische, soziale oder ökologische Unternehmensziele, die verfolgt werden. Einzelne Teildisziplinen im Social Media Marketing können durch eine KI ergänzt und bereichert werden (s. Kapitel 2.3).

Die Quantität und Qualität der Daten aus dem Social Web sind die Grundlage der Produkte und Leistungen von VICO und anderer, ähnlich aufgestellter Anbieter. Das Zusammentragen der, im Praxisgebrauch oft als „Big Data“ bezeichneten gro- ßen Datenmengen, ist ein wichtiger Arbeitsschritt. Schließlich sind die Daten der Startpunkt, an denen Algorithmen ansetzen und einen verwertbaren Output liefern. Big Data wird als Schlagwort nicht nur in der Fachliteratur verwendet, sondern wird auch in der Tagespresse breit diskutiert. Auch wenn keine eindeutige Definition von Big Data existiert, gibt es einen allgemeingültigen Ansatz nach Adrian Merv und dem McKinsey Global Institute¹⁰ in der Publizistik und in der Wissenschaft: die vier „V“s (s. Abb. 1).

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Steinbrecher und Schumann, Update.S. 27.

Abbildung 1: Die vier „V“s von Big Data

Volume bezeichnet hierbei den umfangreichen Datenbestand, der u.a. durch das Aufkommen von Suchmaschinen, Bild- und Videoarchiven, Social Media und die weltweite Verbreitung von Smartphones entstanden ist. Variety hingegen die Viel- falt der Daten, bspw. die Speicherung von strukturierten, semi-strukturierten und unstrukturierten Multimedia-Daten (Text, Grafik, Bilder, Audio und Video). Der Be- griff Velocity bedeutet Geschwindigkeit und verlangt, dass Datenströme in Echt- zeit ausgewertet und analysiert werden können. Veracity drückt aus, dass Daten- bestände in unterschiedlicher Qualität vorliegen und dass bei Auswertungen dies berücksichtigt werden muss.¹¹

2013 führte Gartner den Begriff Künstliche Intelligenz noch in dem Hype-Circle im Zenit der „Inflated Expectation“¹², der aktuelle Hype-Cycle aus 2017¹³ führt den Begriff nicht mehr auf. Demnach hat Big Data bereits das „Plateau of Productivity“ erreicht und ist nicht mehr als ein reines Hype-Thema zu sehen. Insbesondere Social Media prägte in den letzten Jahren die Big Data. „Über 90% aller digital erfassten Daten stammen aus dem Zeitraum ab 2011. Dazu haben mehrere Fak- toren beigetragen, unter anderem die intensive Nutzung und Verbreitung sozialer Netzwerke“.¹⁴

Künstliche Intelligenz, oder kurz KI bzw. AI vom englischen „Artificial Intelligence“, und Analytics, also die Auswertung, (s. Kapitel 2.1.3) ermöglichen die intelligente Verwendung der Datenmengen und die „damit verbundene Automatisierung und Optimierung von Funktionen und Prozessen zur Erzielung von Effizienz- und Wett- bewerbsvorteilen.“¹⁵ Künstliche Intelligenz ist ein wesentlicher Bestandteil dieser Arbeit und derzeit in der Publizistik als auch im speziellen in der Marketingbranche ein oft verwendetes Buzzword und aktuell ein beliebtes Thema bei Vorträgen. Un- geachtet dem aktuellen allgegenwärtigen Fokus existiert keine allgemeingültige Definition des Begriffs. Dies wiederum ist der Tatsache geschuldet, dass es keine einheitliche Meinung darüber gibt, was Intelligenz exakt bedeutet und weiterhin, dass aktuell Maschinenintelligenz nicht mit menschlicher Intelligenz vergleichbar ist.¹⁶ Kaplan definiert Künstliche Intelligenz in Anlehnung an McCarthy, der den Begriff bereits 1956 in einem Studienprojekt prägte¹⁷, als die Schaffung von „Com- puterprogrammen oder Maschinen, die ein Verhalten an den Tag legen können, das wir als „intelligent“ bezeichneten, wenn es einem Menschen zugeschrieben werden würde.“¹⁸ Eine weitere Definition nach Elaine Rich verdeutlicht die Komplexität der Themen und auch Problemen, die durch eine KI gelöst werden sollen: „AI is the study of techniques for solving exponentially hard problems in polynomial time by exploiting knowledge about the problem domain.“¹⁹

Die reine Masse an Daten an sich bringt noch keinen Mehrwert für ein Unterneh- men, „erst Algorithmen - seien es einfach vordefinierte Mechanismen oder selbst- lernende Systeme - können aus den Daten Werte schaffen.“²⁰ Pomberger und Dobler definieren den Begriff Algorithmus als „eine vollständige, präzise und in ei- ner Notation oder Sprache mit exakter Definition abgefasste, endliche Beschrei- bung eines schrittweisen Problemlösungsverfahrens zur Ermittlung gesuchter Da- tenobjekte (ihrer Werte) aus gegebenen Werten von Datenobjekten, in dem jeder Schritt aus einer Vielzahl ausführbarer, eindeutiger Aktionen und einer Angabe über den nächsten Schritt besteht.“²¹ Der Begriff „Algorithmus“ wird in der Öffent- lichkeit oft als verallgemeinerndes Schlagwort benutzt, um zu verdeutlichen, dass etwas sehr Komplexes in einem Computer vollzogen wurde. Dies kann dadurch begründet sein, dass Organisationen dem Konsumenten nicht genau erklären wol- len oder können, warum welche Maßnahme gewählt wurde.²² Daher werden Algo- rithmen oft im Zusammenhang von Künstlicher Intelligenz verwendet oder sogar synonym genutzt. Wie die Abb. 2 verdeutlicht, sind Algorithmen zwar Bestandteil einer Künstlichen Intelligenz, können jedoch auch nach weitreichenden Anwen- dungsszenarien und Implikationen gegliedert werden.

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Gentsch, Künstliche Intelligenz für Sales, Marketing und Service, S. 15.

Abbildung 2: Zusammenhang von Algorithmik und Künstlicher Intelligenz

Diese Abbildung soll aufzeigen, dass einfache Algorithmen über Regeln definiert und ausgeführt werden. Komplexere und weniger strukturierte Aufgaben lassen sich nur schwer durch vordefinierte Regeln lösen und müssen dementsprechend von wissensbasierten Systemen unterstützt werden.²³

Diese Komplexität betrifft letztendlich das Themengebiet der Künstlichen Intelli- genz, wie in der Abbildung 2 mit Narrow, General und Super AI angedeutet wird. Diese Aufteilung ist nach Dickson²⁴ wie folgt zu unterscheiden: Narrow AI, bzw. schwache (weak) AI, bezeichnet die derzeitige vom Menschen erschaffene und technisch mögliche Künstliche Intelligenz. Diese KI ist insbesondere dafür geeig- net, einzelne und sich wiederholende Aufgaben zu erfüllen, wie bspw. Produkte in Online Shops vorzuschlagen, Verkaufsprognosen zu geben oder erfolgreicher als jeder menschliche Spieler „Go“ zu spielen²⁵. Eine Technologie wie Natural Langu- age Processing (NLP, die Verarbeitung natürlicher Sprache) hat das Ziel, dass Computer und Menschen auf Augenhöhe miteinander kommunizieren können und liefert mitunter spannende Anwendungsfälle. Ebenso sind Sprach- und Bilderken- nung faszinierende Methoden und fallen doch in das Komplexitäts-Niveau der Narrow AI. Im Wesentlichen arbeitet eine Narrow AI demnach in einem limitierten Kontext und kann Aufgaben darüber hinaus nicht erfüllen.

General AI, oder auch starke (strong) AI, ist bekannt als eine Intelligenz auf menschlicher Ebene und hat das Ziel eine Künstliche Intelligenz mit Bewusstsein zu erschaffen. Diese Ebene ist jedoch schwer zu definieren, da die menschliche Intelligenz an sich bereits schwer verallgemeinernd zu bestimmen ist. Auch wenn Menschen nicht so schnell Daten wie ein Computer verarbeiten können, ist es dem menschlichen Gehirn möglich abstrakt zu denken und Probleme zu lösen. Auch die Kreativität stellt eine Einmaligkeit dar.

Laut dem Wissenschaftler und KI-Experten der Universität Oxford Nick Bostrom haben wir eine Super AI erreicht, wenn die KI in praktisch jedem Bereich viel intel- ligenter wird als die besten menschlichen Gehirne, einschließlich wissenschaftli- cher Kreativität, allgemeiner Weisheit und sozialer Fähigkeiten.²⁶ Andere Wissen- schaftler, wie Stephen Hawking, sehen diese Art der KI sogar als Bedrohung der Menschheit an.²⁷ Eine einhergehende philosophische Voraussage, ob Künstliche Intelligenzen eine Dystopie oder Utopie hervorrufen können, ist jedoch nicht Teil dieser Arbeit.

Mit welchen Techniken die komplexen Algorithmen der Künstlichen Intelligenz trainiert werden können und die generelle Methodik funktionier, soll in dem nachfolgenden Kapitel beleuchtet werden.

2.1.2 Lernverfahren

Für die konkrete Nutzung von Künstlicher Intelligenz und die Umsetzung in rele- vante Szenarien gibt es verschiedene Werkzeuge und Methoden, die mitunter pa- rallel verwendet werden können. Mit Hilfe verschiedener Lernverfahren wird KI- Algorithmen beigebracht bestimmte Aufgaben zu erfüllen. Die zwei bekanntesten Lernverfahren bei komplexeren Algorithmen sind Machine Learning und Deep Learning und sind jeweils Teilgebiete der Künstlichen Intelligenz (s. Abb. 3)

Abbildung in dieser Leseprobe nicht enthalten

Quelle: eigene Darstellung in Anlehnung an Argility, „Artificial Intelligence | Machine Learning | Deep Learning“.

Abbildung 3: Einordnung verschiedener Lernmethoden im Bereich der

Künstlichen Intelligenz

Machine Learning

Bei Machine Learning (ML) handelt es sich um ein „Forschungsfeld in der Schnitt- menge von Statistik, Künstlicher Intelligenz und Informatik und ist ebenfalls als prädikative Analytik oder statistisches Lernen bekannt.“²⁸ „Der Begriff wird für eine Vielzahl unterschiedlicher Anwendungen und Methoden verwendet, die sich mit der „Generierung von Wissen“ befassen.“²⁹ Zahlreiche Anwendungen dieser Me- thode finden sich im Alltag wieder, bspw. automatische Empfehlungen bei Streaming Anbietern, personalisierte Musiksender oder die Erkennung von Freun- den in Fotos. ML-Algorithmen lernen fortlaufend hinzu und können so ihre Perfor- mance eigenständig verbessern. Grundlegend werden drei verschiedene Arten zu Lernen unterschieden, die unterschiedliche Vor- und Nachteile sowie Einsatzzwe- cke bieten und im Folgenden erläutert werden³⁰:

1. Überwachtes Lernen - Supervised Learning

Bei dieser Lernmethode sind neben dem Datensatz bereits die richtigen Antwort- möglichkeiten oder Ergebnisse bekannt. Dies bedeutet, dass die Trainingsdaten bereits die gewünschte Lösung, genannt Labels, enthalten. Ziel ist die Beziehung zwischen Ein- und Ausgangsdaten aufzudecken. Aufgaben im Bereich der Klassi- fizierung und der Regressionsanalyse sind prädestiniert für diese Verfahren. Ei- nige der wichtigsten Lernalgorithmen sind hierbei k-nächste-Nachbarn, lineare und logistische Regression, Support Vector Machines, Entscheidungsbäume und Ran- dom Forests.³¹

2. Unüberwachtes Lernen - Unsupervised Learning

Im Gegensatz zum überwachten Lernen werden dem System keine Zielwerte vor- gegeben und die Trainingsdaten sind nicht gelabelt. Gemeinsamkeiten und Ver- bindungen in Datensätzen sollen selbstständig identifiziert werden, bspw. mit Hilfe von Clustering-Algorithmen wie k-means. Algorithmen zur Visualisierung erstellen eine 2D- oder 3D-Repräsentation der Daten, die leicht grafisch dargestellt werden können und so weitergehende Rückschlüsse zulassen. Auch das „Lernen von As- soziationsregeln ist eine weitverbreitete unüberwachte Lernaufgabe, bei der das Ziel ist, in großen Datenmengen […] interessante Beziehungen zwischen Merkma- len zu entdecken“³², die dem Menschen nicht bewusst sind.

3. Verstärkendes Lernen - Reinforcement Learning

Dieses Modell bietet eine Alternative zum überwachten Lernen und bildet Lern- muster der Natur konzeptionell nach. Dem System liegt zu Beginn der Lernphase kein optimaler Lösungsweg vor, dieser muss iterativ durch Trial-and-Error erarbei- tet werden. Gute Ansätze werden dabei mit Belohnung gefördert und schlechte mit Bestrafungen sanktioniert. Eine Vielzahl von Umwelteinflüssen können dabei in die getroffenen Entscheidungen vom System miteinbezogen werden. Die Methode ge- hört zum Gebiet des explorativen Lernens, bei dem ein System autonom eine Lö- sung finden muss. Diese kann sich mitunter stark von den von Menschen erdach- ten Lösungen unterscheiden.

Deep Learning

Deep Learning (DL) ist eine spezielle Methode der Informationsverarbeitung und ist ein Teilbereich des Machine Learnings und nutzt dabei Künstliche neuronale Netze. Es sollen Erkenntnisse zur Funktion des menschlichen Gehirns genutzt werden, um neuronale Netze, also selbstlernende Computerstrukturen, zu entwi- ckeln, die in der Lage sein sollen, Gelerntes auf Inhalte, die der Maschine neu gezeigt werden, zu übertragen.³³ Der Lernprozess ist hier in Form von mehreren Ebenen hierarchisch organisiert. "Höhere Ebenen beinhalten dabei zunehmend abstraktere und komplexere Konzepte, die auf den jeweiligen Konzepten der nied- rigeren Ebenen basieren. Diese zunehmend abstrakteren Konzepte sollen immer stärker die eigentliche Bedeutung der Daten widerspiegeln.“³⁴ Künstliche neuro- nale Netze (KNN) imitieren mit Hilfe vieler einzelner Neuronen und komplexer Ver- bindungen das Lernverhalten des menschlichen Gehirns. Ein KNN besteht aus unterschiedlich künstlichen Neuronen. „Es ist aus einer Schicht mit Neuronen zur Eingabe von Daten in das KNN und einer Schicht mit Neuronen zur Datenausgabe aufgebaut. Dazwischen können sich mehrere sogenannte verdeckte Schichten [„Hidden Layer“] mit Neuronen befinden. Jeder Verbindung zwischen den einzel- nen Neuronen ist ein Parameter, ein sogenanntes Gewicht, zugeordnet. Aus den in ein Neuron eingehenden Daten wird auf der Basis der entsprechenden Gewichte die Ausgabe dieses Neurons ermittelt.“³⁵ Mit der Anzahl an Hidden Layers wird die Komplexität des Netzes gesteuert. Abbildung 4 zeigt den schematischen Aufbau eines KNNs.

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Hastie, Tibshirani, und Friedman, The Elements of Statistical Learning.

Abbildung 4: Schema eines künstlichen neuronalen Netzes mit einem Hid- den Layer Z, den Input-Features X, und dem Output Layer Y

Bei dem Einsatz von zahlreichen Hidden Layers können viele und mitunter kom- plexe Probleme bearbeitet und gelöst werden: Sie werden bereits erfolgreich für Aufgaben wie Spracherkennung, automatische Übersetzung, und Bilderkennung verwendet.³⁶ „Bei KNN mit nur einer oder zwei verdeckten Schichten spricht man von einer flachen Architektur. Generell verwenden herkömmliche Ansätze im Be- reich des maschinellen Lernens typischerweise derartige flache Architekturen. Beim Deep Learning werden dagegen sogenannte tiefe Architekturen genutzt. Dies beinhaltet insbesondere KNN mit mehreren verdeckten Schichten. Den ver- deckten Schichten entsprechen dabei die verschiedenen Ebenen des Lernprozes- ses.“³⁷ Die Lösungen, die durch Deep Learning entstehen, sind für den Menschen fassbar und nutzbar. Der Weg dorthin ist jedoch oft nicht nachvollziehbar und eine Back Box. Dies liegt daran, „dass, anders als bei strukturierter Datenablage etwa in einer Datenbank, die Daten von der KI in einer Weise fragmentiert abgelegt wer- den, dass sie kaum für Menschen erreichbar sind. Fortschritte bei der KI führen dazu, dass Prognosen, Entscheidungen und Handlungen einer Maschine auf Kriterien basieren, die sich selbstständig fortschreiben, während der Algorithmus weiter lernt.“³⁸ Insbesondere im Bereich der Predictive Analytics (s. nachfolgendes Kapitel) kann dies problematisch werden.

2.1.3 Einsatzzwecke

Nicht das Sammeln der Daten an sich, sondern Big Data Analytics, also die Ana- lyse von großen Datenmengen, z.B. mit Hilfe der zuvor vorgestellten Lernverfah- ren, schafft erst einen konkreten Nutzen für ein Unternehmen. Analytics bezeich- net „die Lehre oder Kunst des Analysierens also der Durchführung von Datenana- lysen. So wird der Begriff Analytics auch unmittelbar für die Menge aller Analyse- methoden verwendet. Er umfasst dann als Obermenge insbesondere Methoden aus den Bereichen Statistik und Data Mining bzw. dem maschinellen Lernen.“³⁹ Je nach Fragestellung oder Ziel, können verschiedene Analytics-Varianten herange- zogen werden. Dorschel⁴⁰ unterscheidet in Anlehnung an Mehanna, Tatzel und Vogel das Analysespektrum in fünf Einsatzzwecke (s. Abbildung 5):

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Mehanna, Tatzel, und Vogel, „Business Analytics im Controlling - Fünf Anwendungsfelder“, S. 503.

Abbildung 5: Einordnung des Analysespektrums

- Descriptive Analytics entspricht weitestgehend einem klassischen Report- ing und beantwortet anhand von etablierten Kennzahlen und bekannten Datenbeständen rückblickend die Frage, was geschehen ist.
- Diagnostic Analytics geht einen Schritt weiter und identifiziert die Ursa- chen des Geschehenen.
- Real-time Analytics versucht die Frage zu beantworten, was aktuell ge- schieht. Ein Tool hierfür ist z.B. das Social Media Monitoring
- Predictive Analytics versucht anhand historischer Daten und den identifi- zierten Mustern sowie mit Hilfe von Modellen und Algorithmen Vorhersa- gen zu treffen.
- Mit Prescriptive Analytics werden Ansätze beschrieben, bei denen kon- krete Maßnahmen empfohlen bzw. im Extremfall direkt automatisiert aus- geführt werden.

Je ausgereifter die Algorithmen, desto hochwertiger ist dabei der Output. Dies gilt insbesondere bei den komplexeren Analytics-Varianten, die wiederum einen höheren Mehrwert für das Unternehmen bieten. Insbesondere die als zukunftsorientiert charakterisierten Varianten Predictive und Prescriptive Analytics, werden hierbei als fortgeschrittene Analytics bezeichnet.⁴¹ Mithilfe der fünf Analytics-Varianten lassen sich verschiedene Use Cases realisieren.

2.2 Aktuelle Einsatzmöglichkeiten im Social Media Marketing

Die Anwendung von Künstlicher Intelligenz besitzt zahlreiche Einsatzmöglichkei- ten. Beispielsweise können intelligente Systeme im Bereich der Medizin bei der Diagnose und der operativen Behandlung unterstützen. Die von IBM entwickelte KI „Watson“ „analysiert Daten, die der Arzt eingibt und nutzt alle ihm vorliegenden Datenquellen: elektronische Krankenakten, Notizen von Ärzten und Pflegeperso- nal, Forschungsergebnisse, klinische Studien, Artikel in medizinischen Fachzeit- schriften und Behandlungsrichtlinien. Daraus erstellt Watson eine Liste mit mögli- chen Diagnosen.“⁴² Auch im Marketing finden sich zahlreiche Use Cases, so wer- den aktuell bestehende Leistungen und Produkte um KI-Features ergänzt oder auch komplett auf einer KI basierend neu entwickelt. Dies kann mitunter weitreichende Änderungen hervorrufen. Am 20.3.2018 berichtete der Branchennachrichtendienst Heise.de, dass die Modeplattform Zalando 250 Stellen in der Marketingabteilung am Unternehmensstandort Berlin streichen wird. Mit Daten- und KI-ge- triebenen Technologien integriert Zalando neue Marketingaktivitäten um genau auf den Kunden zugeschnittene Empfehlungen geben zu können.⁴³ Dies zeigt im Ansatz die Auswirkungen, die eine disruptive Technologie auslösen kann. Bestimmte Aufgaben wie das Analysieren von großen Datenmengen können besser von Algorithmen als von Menschen übernommen werden.

Neben der Optimierung von personalisierten Newslettern (individuelle Empfehlun- gen) bei Zalando, gibt es noch weitere Einsatzzwecke im E-Commerce. Der On- linehändler Otto hat ein KI-basiertes Feature zur Analyse von Produktbewertungen in seinem Webshop eingeführt. Dabei durchforstet ein Algorithmus die Produktbe- wertungen der Kunden und erkennt die wichtigsten Bestandteile, wie eindeutige Aspekte oder das Sentiment. Weiterhin werden die Aspekte in Aspektgruppen zu- sammengefasst („Weite“ und „Größe“ gehören bei Hosen zusammen) und ein Re- präsentant wird in dieser ermittelt, der dann dem Kunden als Keyword angezeigt wird (z.B. „Qualität“, „Handhabung“, „Design“ oder „Haare“). Verwendet wird hierfür Methoden des Machine Learnings und Algorithmen aus dem Teilbereich des Deep Learnings.⁴⁴ Diese Lösung bietet viele Vorteile, zum einen kommen Kunden ziel- gerichtet an Informationen. Zum anderen überzeugt Otto mit einer hohen Service- kompetenz und weiterhin kann auf diese Weise die Retourenquote gesenkt wer- den. Aktuell wird jede Nacht über eine Million Rezensionen analysiert und 164.000 Aspekte identifiziert.⁴⁵

Auch im Social Media Marketing finden sich bereits jetzt zahlreiche Anwendungs- beispiele. So werden Chatbots vermehrt von Unternehmen eingesetzt um den Usern einen zusätzlichen Service zu bieten und/oder die menschlichen Service- Teams zu entlasten. Neben einfachen Entscheidungsbäumen, die bestimmte Ant- worten auf eindeutige Fragen ermöglichen, kann auch Machine Learning einge- setzt werden, um die cloudbasierten, intelligenten Dialogsysteme fortlaufend ler- nen zu lassen. Auf diese Art wird der Dialog „menschlicher“ und Fragen können inhaltlich besser beantwortet werden.

[...]

---

¹ Mainzer, K ü nstliche Intelligenz - Wann ü bernehmen die Maschinen?, S. 3.

² Kaplan, K ü nstliche Intelligenz, S. 11.

³ Spektrum der Wissenschaft, GehirnGeist 1/2018 Die gr öß ten Experimente der Psychologie, S. 7.

⁴ Lerch und Piepenschneider, Kommunalpolitik. Was uns pr ä gt - was uns eint, S. 184.

⁵ Gentsch, K ü nstliche Intelligenz f ü r Sales, Marketing und Service, S. 2.

⁶ Gentsch, K ü nstliche Intelligenz f ü r Sales, Marketing und Service, S. 2.

⁷ Vgl. Chui, „Artificial intelligence the next digital frontier?“, S. 6.

⁸ Vgl. Brockman, Was sollen wir von K ü nstlicher Intelligenz halten?, S. 21.

⁹ o.V., „Definition Social Media Marketing - Otto-Friedrich-Universität Bamberg“.

¹⁰ Fasel und Meier, Big Data, S. 6.

¹¹ Vgl. Fasel und Meier, Big Data: Grundlagen, Systeme und Nutzungspotenziale, S. 6.

¹² Vgl. Fasel und Meier, Big Data: Grundlagen, Systeme und Nutzungspotenziale, S. 4.

¹³ Vgl. Panetta, „Top Trends in the Gartner Hype Cycle for Emerging Technologies, 2017“.

¹⁴ Steinbrecher und Schumann, Update, S. 25.

¹⁵ Gentsch, K ü nstliche Intelligenz f ü r Sales, Marketing und Service, S. 1.

¹⁶ Vgl. Kaplan, K ü nstliche Intelligenz, S. 15.

¹⁷ Kaplan, K ü nstliche Intelligenz, S. 29ff.

¹⁸ Kaplan, K ü nstliche Intelligenz, S. 15.

¹⁹ Rich und Knight, Artificial intelligence, S. 256.

²⁰ Gentsch, K ü nstliche Intelligenz f ü r Sales, Marketing und Service, S. 13.

²¹ Pomberger und Dobler, Algorithmen und Datenstrukturen, S. 33.

²² Vgl. Gentsch, K ü nstliche Intelligenz f ü r Sales, Marketing und Service, S. 14.

²³ Gentsch, K ü nstliche Intelligenz f ü r Sales, Marketing und Service, S. 15.

²⁴ Vgl. Dickson, „What is Narrow, General and Super Artificial Intelligence“.

²⁵ Vgl. Lenzen, K ü nstliche Intelligenz, S. 107f.

²⁶ Vgl. Bostrom, „How long before superintelligence?“, S. 11-30

²⁷ Vgl. Cellan-Jones, „Hawking“.

²⁸ Guido und Müller, Einf ü hrung in Machine Learning mit Python, S. 13.

²⁹ Gentsch, K ü nstliche Intelligenz f ü r Sales, Marketing und Service, S. 37.

³⁰ Vgl. Gentsch, K ü nstliche Intelligenz f ü r Sales, Marketing und Service, 38ff.

³¹ Géron, Praxiseinstieg Machine Learning mit Scikit-Learn und TensorFlow, S. 13.

³² Géron, Praxiseinstieg Machine Learning mit Scikit-Learn und TensorFlow, S. 17.

³³ Vgl. o.V., „Künstliche Intelligenz und Deep Learning“.

³⁴ Ruhlig, „Deep Learning“, S. 76.

³⁵ Ruhlig, „Deep Learning“, S. 76.

³⁶ Vgl. Engelhardt, „Eine Einführung ins Machine Learning“, S. 32.

³⁷ Ruhlig, „Deep Learning“.

³⁸ o.V., „Künstliche Intelligenz und Deep Learning“.

³⁹ Dorschel, Praxishandbuch Big Data, S. 55.

⁴⁰ Vgl. Dorschel, Praxishandbuch Big Data, S. 56.

⁴¹ Vgl. Dorschel, Praxishandbuch Big Data, S. 62.

⁴² Lummer, „Künstliche Intelligenz in der Medizin“, S. 31.

⁴³ Vgl. Mewes, „KI-gesteuertes Marketing: Zalando streicht 250 Arbeitsplätze“.

⁴⁴ Vgl. Röwekamp, „Künstliche Intelligenz beim Onlinehändler Otto“.

⁴⁵ Vgl. o.V., „Bessere Kaufentscheidungen dank künstlicher Intelligenz“.