Prof. Dr. Michael Fretschner, smart impact Künstliche Intelligenz beim Ad-Test: Revolution im Anmarsch

The good old days

Früher war alles ganz einfach: Markenartikler erstellten ein oder zwei Videospots für Fernsehen und Kino, dazu vielleicht noch die passenden Plakate. Wenn Zeit, Überzeugung und Budget es hergaben, testete die Marktforschung die Werbemittel mit den ihr zur Verfügung stehenden, klassischen Methoden: Sie zeigte sie vorab ein paar Versuchspersonen und stellte Fragen dazu. Aber traditionelles Testen, bei dem Menschen beteiligt sind, ist teuer und langsam (für eine weiterführende Diskussion sei auf das Dossier "Quick without dirty" hingewiesen); Debatten (und Skandale) um nachlassende Panelqualität und "Panelmüdigkeit" befeuern den Market Push nach einer neuen Lösung (hier sei auf das Dossier "Repräsentativität und Zufallsstichprobe" verwiesen).

Die neue Herausforderung

Daher vernimmt man zunehmend öfter den (Kunden-)Wunsch, weg vom klassischen, langsamen Werbemitteltesten hin zum KI-gestützten, mindestens aber "datengetriebenen" Testen zu kommen, verbunden mit der Hoffnung, schneller, besser und günstiger testen zu können. Doch halt: "Schneller, besser und günstiger" - ist das nicht das magische Dreieck der Unmöglichkeit? Andererseits waren diese Restriktionen ja auch immer schon an menschliche Arbeitsleistung geknüpft - und nicht an Maschinen.

Die wirtschaftliche Relevanz wird mit einem Blick auf die globalen Werbebudgets schnell klar: Allein im Krisenjahr 2020 gaben Markenartikler knapp 500 Milliarden Euro für Werbung aus. Doch nur ein verschwindend geringer Prozentsatz der Werbemittel wird vor dem Launch getestet, hauptsächlich aus den oben genannten Gründen. Schätzungen gehen dabei von unter ein Prozent aus. Warum ist das ein Problem oder womöglich sogar fataler Fehler? Weil die Studienlage mittlerweile recht deutlich zeigt, wie wichtig die Kreativleistung im Rahmen einer Werbekampagne ist. So ermittelte eine vielbeachtete Untersuchung von Nielsen Catalina Solutions, dass die Kreation für 56 Prozent der Werbewirkung verantwortlich ist, die Ausspielung und Targeting über Media hingegen nur für 30 Prozent . Die kontrollierte Studie basiert auf der Analyse von fast 500 Kampagnen, die 2016/17 auf den wichtigsten Medienplattformen liefen, und matcht diese mit In-Store-Umsatzsteigerungen.

Beim Werbemitteltest handelt es sich folglich um ein zweischneidiges Schwert: auf der einen Seite ist er Erfolgsrezept für eine gelungene Kampagne, auf der anderen Seite ist er oftmals Painpoint für Marketing-Manager und Kreative ("zu langsam, zu ungenau, zu teuer"). Wie also kann KI heute schon helfen, den Ad-Test schneller, besser und günstiger zu machen?

Aktuelle Einsatzfelder Künstlicher Intelligenz beim Werbemitteltest

Im Folgenden sollen die verschiedenen, bereits möglichen Einsatzfelder Künstlicher Intelligenz für verschiedene Teilprobleme des Werbemitteltests vorgestellt werden. Das angelegte Verständnis von Künstlicher Intelligenz bezieht sich dabei auf die sogenannte "schwache KI". Während die "starke KI" eine Zukunft beschreibt, in der eine Maschine im Grunde zu allem fähig ist, wozu ein Mensch ebenfalls in der Lage ist, befasst sich der Bereich der schwachen KI vornehmlich damit, einzelne Fähigkeiten des Menschen auf Maschinen zu übertragen, etwa das Erkennen, Auswerten und Klassifizieren von Texten, Bildern oder Sprache. Diese Fähigkeiten lernt die schwache KI durch Methoden des Maschinellen Lernens ("Machine Learning"). Hier werden seit Jahren rasante Fortschritte gemacht und fast alle heutigen KI-Anwendungen und -Technologien basieren auf schwacher KI. Wie bereits im Editorial zum Dossier erwähnt, ist KI weit mehr als maschinelles Lernen, aber die jüngsten Erfolge, Durchbrüche und "Zaubertricks" kommen überwiegend aus diesem Bereich und haben entsprechend Anwendung zur Lösung kommerzieller Aufgaben gefunden.

Die folgende Abbildung gibt einen Überblick über die Teilbereiche maschinellen Lernens sowie die korrespondierenden Einsatzfelder (schwacher) Künstlicher Intelligenz beim Werbemitteltest:

Teilbereiche & Einsatzfelder von maschinellen Lernens  und KI bei Ad-Tests (Bild: smart impact)

Für viele Anwendungen greifen Data Scientists auf Methoden aus mehreren Teilbereichen zurück bzw. kombinieren diese. So z. B. auch im ersten Einsatzfeld "Affective Computing / Emotion AI", das zur visuellen Messung der emotionalen Reaktionen der Zielgruppe auf das Werbemittel Methoden aus dem Bereich "Dimensionsreduktion" und aus dem Bereich "Klassifikation" einsetzt. Gängige Verfahren hierfür sind z. B. Linear Discriminant Classifiers (LDC), k-Nearest Neighbor (k-NN), Support Vector Machines (SVM), PCA (Principal Component Analysis) oder Artificial Neural Networks (ANNs) (weiterführende Informationen bei Scherer et al. 2010 und dem Beitrag von Michael Bartl). So können insbesondere Werbevideos hinsichtlich ihrer emotionalen DNA bewertet werden, und zwar Sekunde für Sekunde. Das hilft Marktforschern und Kreativen im Zuge eines Pretests bereits vor Kampagnenlaunch festzustellen, ob die gewünschten emotionalen Reaktionen und Assoziationen mit Marke und Produkt wie geplant eintreffen werden.

Im zweiten Einsatzfeld "Image Recognition" können Marktforscher KI verwenden, um Bewegtbilder (Videos), Display Banner oder Out-of-Home-Plakate automatisiert einlesen und kategorisieren zu lassen. Besonders spannend dürfte das Erkennen von Objekten, ganzer Szenen, Menschen und deren emotionaler Zustände sein. So kann die KI aus den Informationen großer Tisch, viele Stühle, Kuchen, Kerzen und zehn glückliche Kinder folgern, dass es sich auf dem Bild mit großer Wahrscheinlichkeit um einen Kindergeburtstag handelt. Wenn man diese Informationen mit weiteren relevanten Features und KPIs verknüpft und einen großen Datensatz an gescorten Werbemitteln zur Verfügung hat, kann man ein Modell trainieren, das die Performanz eines Werbemittels in Abhängigkeit der Bilder-Inputs vorhersagt. Sowohl unabhängige Forscher als auch die großen Tech-Konzerne arbeiten bereits an und mit solchen Modellen (siehe z.B. Alibaba oder Google).

Im dritten Einsatzfeld "Natural Language Processing" geht es um die automatisierte Verarbeitung und Analyse menschlicher Sprache. Dabei werden maschinelle Lernalgorithmen auf Text und Sprache angewandt. Die Entwicklungen der letzten Jahre sind bemerkenswert und nicht nur bei Alexa oder Siri festzustellen. So verlautbarte Microsoft bereits im Oktober 2016, dass ihre neuronalen Netzwerke mit einer Wortfehlerrate von 5.9 Prozent in der Spracherkennung genauso gut wie Menschen sind. Doch die Sprache wird nicht einfach nur "verstanden", sie kann auch bewertet, kategorisiert, verglichen und in Hinblick auf die Maximierung relevanter KPIs trainiert werden. Bestehende Anwendungsfälle sind z. B. Sentiment-Analysen, um Stimmungen und Emotionen zu analysieren. Dies kann sich auf Dialoge in Werbevideos und Radiospots, aber auch auf Advertorial Content beziehen. Insbesondere auch die Analyse der Bedeutung und Wirksamkeit von Musikelementen in Werbemitteln kann mittels KI erleichtert werden. Eine Studie der TU München zeigte schon 2013, dass unter Verwendung der geeignetsten Features signifikante Korrelationen zwischen menschlichen Ratern und den eingesetzten Machine Learning-Modellen in Höhe von bis zu 0.78 für die emotionale Erregung ("Arousal") durch Sound-Effekte erzielt werden konnten.

Im vierten Einsatzfeld "Ad Performance Prediction" dreht sich alles um die Vorhersagegüte der Machine Learning-Modelle - dabei kann es um Vorhersagen zu den performantesten Szenen eines TV-Spots, zur Übertragbarkeit einer Kreation auf andere Märkte oder die Ex-Ante-Schätzung von Media-KPIs wie CTR, VTR und Engagement gehen. So hat Google kürzlich mit der Ankündigung seiner KI-gestützten "Bumper Machine" für Aufsehen gesorgt. Die Maschine soll ein längeres YouTube-Video in mehrere verschiedene 6-sekündige Bumper Ads umwandeln. Kantar's "Creative Transport" Modell lernt aus bisherigen Werbeanzeigen der Link-Datenbank, um vorherzusagen, wo auf der Welt ein Werbemittel gut funktionieren wird und wo nicht. Ein ähnliches Modell zur Vorhersage der Wirksamkeit eines Werbemittels in neuen Märkten hatte 2018 bereits Unruly zusammen mit der MediaCom und Hofstede Insights entwickelt. Auch Treiberanalysen mittels Random Forest oder Shapley Value Regressionen können Werbetreibenden in einem Pretest helfen festzustellen, welche Attribute ihres Werbemittels wie wirksam sind.

Zusammenfassung und Ausblick

Die Zukunft der Marktforschung an der Schnittstelle zur Künstlichen Intelligenz verspricht viel. Insbesondere beim Thema Ad-Test gibt es schon jetzt neue, teils tatsächlich günstigere, schnellere und bessere Lösungen, die die klassischen Akzeptanzprobleme der Tests beheben oder zumindest mindern können. Viele der angesprochenen Machine Learning-Methoden sind kostenfrei nutzbar oder zu günstigen, flexiblen Konditionen über APIs verfügbar. Die größten Anwenderhürden sind daher eher noch interne Datensilos und -verfügbarkeiten, der Aufbau oder Einkauf technischer Skills sowie das nötige Top-Management-Commitment zur Umsetzung erster KI-Projekte. Es zeichnet sich allerdings ab, dass diese Hürden zunehmend kleiner und die wahrgenommenen Vorteile einer KI-Lösung größer werden - es bleibt daher spannend zu beobachten, wann und wie das volle Potential von KI und Machine Learning in der Marktforschung ausgeschöpft werden wird.

Über den Autor

/cb