Unzählige Produkte, dazu noch eine Vielzahl von Layout-Varianten für dieses Format, verschiedene Farben, Hintergründe, Überschriften, unterschiedliche Beschriftungen der Call-to-Action-Buttons und Logovariationen: Wer wie Criteo den Anspruch hat, ein Banner möglichst individuell zu generieren und auszuliefern, braucht maschinelle Unterstützung. So ist „Kinetic Design“ – der Creative-Teil der Criteo-Engine – in der Lage, im Rahmen einer Kampagne 17 Billionen visuell verschiedene Varianten eines Werbemittels zu erzeugen. Automatisch und in Echtzeit, versteht sich. Die Technologien des Anbieters müssen also nicht nur entscheiden, welchen Nutzern ein Banner eingeblendet wird, sondern auch, welche Produkte der User darin zu sehen bekommt und wie diese Produkte präsentiert werden.

„Alles, was wir anbieten, basiert auf künstlicher Intelligenz. Und das seit Jahren“, erläutert Andreas Misera, Operations Director Central Europe/MEA/RU bei Criteo. Der Einkauf des Inventars wird ebenso von künstlicher Intelligenz gesteuert wie der Inhalt und das Aussehen der Banner. Dazu setzt Criteo hauptsächlich auf das klassische Machine Learning.

Machine Learning ist ein Teilbereich der künstlichen Intelligenz. Algorithmen erkennen in Datenbeständen Muster und leiten daraus Lösungen ab. Damit dies möglich ist, müssen die Systeme zunächst vom Menschen mit Daten und Algorithmen versorgt werden. Einmal initialisiert, verbessern sie selbstlernend ihre Effizienz, indem sie gemachte Erfahrungen in künftige Entscheidungen einbeziehen. Es gibt verschiedene Machine-Learning-Methoden, eine der prominentesten Methoden ist das sogenannte Deep Learning.

„Deep Learning bezieht sich weitestgehend auf ‚tiefe‘ neuronale Netzwerke“, erläutert Jochen Schlosser, Chief Strategy Officer bei Adform, einen wesentlichen Unterschied zu anderen Machine-Learning-Methoden.

Seit den 80er Jahren sind künstliche neuronale Netzwerke auf dem Vormarsch. Ihre Architektur ist dem menschlichen Gehirn nachempfunden, wobei die Neuronen wie ein Netz durch Synapsen miteinander verbunden sind. Um maschinell zu lernen, wird eine Reihe hierarchischer Schichten genutzt. Innerhalb einer solchen Stufe wird entschieden, ob eine Info weitergegeben wird. Dabei können die Synapsen auch Stufen überspringen, zurückführen und enorm viele Signale und Muster abbilden. „Vor 15 Jahren hatten neuronale Netze selten mehr als 10 Ebenen, heute sind es mehrere hundert Ebenen“, erklärt Schlosser. Entsprechend komplexer sind die Aufgaben, die mit einem solchen maschinellen Lernen gelöst werden können, weshalb man hier auch von einem Deep Learning spricht.

„KI ist im Programmatic Advertising seit Jahren massiv im Einsatz“, sagt Schlosser. Dem Experten zufolge hat heutzutage jede Demand Side Platform (DSP) einen selbstlernenden CPA-Algorithmus, der auf künstlicher Intelligenz basiert. „ROAS Optimizer, Look-alike Audiences oder auch die Audience Prediction sind ohne KI auf einer DSP undenkbar“, sagt Schlosser.

So setzt Adform schon lange umfassend auf Machine Learning. Für bestimmte Aufgabenstellungen kommen auch Deep-Learning-Methoden zum Einsatz. „Doch Deep Learning ist kein Allheilmittel. Klassische Methoden sind in vielen Fällen schneller und günstiger“, so Schlosser. Letztlich sei KI mit einem großen Werkzeugkasten vergleichbar: Für jede Aufgabe gebe es eine passende Methode, um das Ziel optimal zu erreichen.

Auch bei The Trade Desk wird KI intensiv eingesetzt. Beispielsweise verfügt die Trade Desk DSP über ein Planner-Tool, das automatisiert feststellt, auf welche Umfelder und welche geografischen Regionen eine Kampagne wie ausgesteuert werden sollte. „Wir können aus den Daten beispielsweise ableiten, in welchen Regionen eine Marke besonders bekannt ist und in welchen Regionen weniger. Eine Konsequenz könnte sein, dass in schwachen Regionen zuerst eine Branding-Kampagne ausgeliefert wird, bevor die Performance-Kampagne startet“, erläutert Lukas Fassbender, Director Business Development DACH bei The Trade Desk.

Aber das ist nur ein kleiner Ausschnitt aus der Leistungsfähigkeit der KI. So generiert die DSP schon heute einen kompletten Mediaplanvorschlag. Auf welchen Seiten sollte die Kampagne laufen, welche Deals sollten genutzt und welche Zielgruppen verwendet werden, auf welche Endgeräte sollte die Kampagne ausgesteuert werden und wie sollte das Budget aufgeteilt werden – die Antworten liefert die Maschine. „Die KI liefert einen kompletten Kampagnenvorschlag samt Budgetverteilung. Theoretisch könnte dieser Vorschlag mit einem Knopfdruck in eine Kampagne umgesetzt werden“, sagt Fassbender.

Doch in der Praxis ist es noch immer der Mensch, der die Steuerung ausübt, den Mediaplan prüft, gegebenenfalls korrigiert und Parameter nach seinen Erfahrungen ändert. Hinzu kommt: Automatisiert erstellte Mediapläne hängen von den Eingangsparametern ab, auf denen sie basieren. Auch hier kommt der Mensch ins Spiel. Um die Zielgruppe zu tracken, werden Pixel auf der Kundenseite platziert. Aber je nachdem, ob auf Homepage, einer speziellen Produktseite oder auf einer Abverkaufs-Site: Der Mensch ist es, der sich im Vorfeld überlegen muss, welche Hypothese er mit Hilfe der Maschine testen und anschließend maschinell selbstlernend optimieren möchte.

Auch Schlosser sieht den Menschen noch lange in der Kampagnenverantwortung: „Der Mensch will naturgemäß die Kontrolle behalten – und das nicht nur dann, wenn es um die Brand Safety geht.“ So werde es auf absehbare Zeit auch beim Einsatz von künstlicher Intelligenz dabeibleiben, dass viele Entscheidungen von Menschen getroffen werden, zunehmend in enger Zusammenarbeit mit der Maschine. Nur dort, wo weitestgehend vollständige Messungen und enorme Datenmengen vorliegen, könne eine Maschine die vollautomatisiert besseren Entscheidungen treffen, so Schlosser.

Dies ist bereits an vielen Stellen innerhalb der Wertschöpfungskette des digitalen Marketings der Fall: So basiert beispielsweise das aufstrebende Cross-Device-Tracking auf maschinellem Lernen. Jede einzelne Impression muss dabei bewertet werden. Die Maschine muss herausfinden, mit welcher Wahrscheinlichkeit das aufrufende Endgerät zu welchem PC beziehungsweise welcher Browser zu welchem Haushalt gehört. Auch bei Budget-Allokationen, Einkaufsoptimierungen via DSP, dynamischen Bannerkreationen, datengetriebenen Attributionen oder der Zielgruppenprofilierung mit ähnlichen Nutzern auf einer Data Management Platform (DMP) kommen maschinelle Lernverfahren zum Einsatz.

„Nachdem der Mensch entsprechende Rahmenbedingungen vorgegeben hat, können automatisierte Algorithmen die Arbeit von Agenturen sinnvoll unterstützen. Das funktioniert auf der Mikroebene bereits sehr gut“, bestätigt Sascha Jansen, CDO der Omnicom Media Group Germany. Doch auf der Makroebene sei KI bisher nicht angekommen. Spannend wäre für Jansen beispielsweise, wenn KI auch Antworten auf übergreifende Planungsfragen liefern könnte, zum Beispiel ob es Sinn macht, einen Werbeträger per Vereinbarung an sich zu binden oder flexibel zu bleiben oder dass eine KI die verfügbare Gesamtreichweite über alle Werbeträger hinweg ermittelt und auf Zuruf optimal auf die jeweiligen Umfelder oder Zielgruppen aufteilt. „Noch ist in der Mediaplanung vieles Handarbeit“, sagt Jansen. Eine echte Marketingassistenz auf KI-Basis, die übergreifend auch qualitative Informationen zusammenbringt und dem Marketer wie ein Kollege zur Seite steht, ist dem Mediaexperten zufolge noch nicht in Sicht.

Nicht zuletzt deshalb wird weiter geforscht. So könnten beispielsweise Wetterdaten ein weiterer Anwendungsfall für Deep Learning sein. Das Wetter beeinflusst nicht nur das Kaufverhalten, sondern auch das generelle Nutzerverhalten. Diese Laune der Natur ist sehr interessant für Werber, lässt sich aber nur mit Hilfe von Deep Learning in seiner Komplexität erfassen.

Auch bei Criteo wird eifrig zu KI geforscht. Im Sommer dieses Jahres hat das Unternehmen in Paris sein Artificial Intelligence Lab eröffnet. Dedizierte Aufgabe dieses Centers ist es, neue Machine‑Learning‑Technologien zu entwickeln, zu testen und großflächig auszurollen. Criteo wendet dafür 20 Millionen Euro über einen Zeitraum von drei Jahren auf.