Grundlagen

Deep Learning, Neuronale Netze und Marketing Automation

Neurales Netz
© unsplash.com/JJ Ying

Es gibt zahlreiche Software-Lösungen zur Automatisierung von Prozessen und zur Optimierung von Marketingmaßnahmen in Unternehmen. Richtig eingesetzt können Tools und KI-Anwendungen, z.B. in Form von Deep Learning bzw. Neuronalen Netzen und Marketing Automation, enorm zur Effizienzsteigerung im Arbeitsalltag und zur Erreichung von Unternehmenszielen beitragen.

Deep Learning

Beim Deep Learning, einer Art des maschinellen Lernens das in seiner Struktur und Funktionsweise jener des menschlichen Gehirns nachempfunden ist, handelt es sich um Algorithmen, die große Datenmengen mit Hilfe von Künstlichen Neuronalen Netzen (KNN) analysieren und komplexe Probleme lösen können (Grellmann, 2021). Deep Learning wird im Rahmen von Künstlicher Intelligenz dort eingesetzt, wo Big Data nach Mustern, Trends und Erkenntnissen durchsucht werden soll, beispielsweise bei der Sprach-, Gesichts- oder Objekterkennung (Microsoft, 2020).

Wie jeder Machine Learning-Algorithmus wird auch der Deep Learning-Algorithmus mit Daten trainiert. Dies ist aufgrund der komplexen Rechenleistung und der enormen Datenmengen die hierfür verwendet werden extrem zeit- und rechenintensiv (Wuttke, 2022).

Voraussetzungen für den erfolgreichen Einsatz von Deep Learning

In vielen Unternehmen mangelt es an einer soliden Datenlage als Ausgangsbasis für den erfolgreichen Einsatz von maschinellem Lernen. Mit der passenden (langfristigen) Daten- und ML-Strategie, dem Etablieren von Standards und Prozessen zur gezielten Sammlung und Erfassung von Daten, sowie laufend kuratierten Datenbanken kann der Weg für strategisch sinnvolle Anwendungen geebnet und kostspielige, zeitintensive Nachbereitung von Datensätzen vermieden werden. Es empfiehlt sich, im Vorfeld Anwendungsfälle zu ermitteln, bevor Deep Learning in einem Unternehmen eingesetzt wird und zu prüfen, welchen unternehmerischen Herausforderungen (z.B. Betrugserkennung und -prävention, Ableitung von Maßnahmen aufgrund der Auswertung von Nutzerverhalten auf der Unternehmenswebsite etc.) mit Hilfe von Künstlicher Intelligenz begegnet werden kann. Experten empfehlen, den „Fokus zunächst auf [die] Generierung von Mehrwert und einem iterativen Vorgehen oder Lernprozess [zu legen]. Somit kann es sinnvoll sein, zunächst isoliert zu beginnen, Anwendungsfälle zu erproben und anschließend die Technologie zu integrieren beziehungsweise die Technologie in den allgemeinen Betrieb zu überführen.“ (Breinich-Schilly, 2022)

Bei allen Vorteilen, den der Einsatz von KI-Anwendungen mit sich bringen kann darf nicht darauf vergessen werden, dass die Maschinen nur Aufgaben lösen können, auf deren Problemlösung sie spezialisiert sind, da sie durch das Training mit enormen Datenmengen darauf vorbereitet und angelernt wurden (Breinich-Schilly, 2022).

Künstliche Neuronale Netze (Artificial Neural Networks)

„Künstliche neuronale Netze (KNN) [auch Neuronale Netze oder Artificial Neural Networks, ANN] sind dem menschlichen Gehirn nachempfunden. Sie basieren auf Algorithmen, die durch Knoten, auch Neuronen genannt, miteinander verbunden sind und dienen dem maschinellen Lernen. KNN ermöglichen es Maschinen, selbstständig Datensätze auszuwerten und zu interpretieren und so eigenständig Probleme zu lösen.“ (Schmidt, 2022)

Künstliche Neuronale Netze bestehen aus mehreren Neuronenschichten bzw. Entscheidungseinheiten und erlernen im Rahmen von Deep Learning, einem Teilbereich des maschinellen Lernens, selbständig Probleme zu lösen ohne dafür explizit programmiert worden zu sein (Lin, 2022). Neuronale Netze reagieren auf neue Einflussfaktoren flexibel und anpassungsfähig, indem sie sich durch Hinzufügen weiterer Knotenpunkte vergrößern (Jörs, 2021). Auch können die Lern-Modelle Annahmen treffen und testen. Die dafür eingesetzten Algorithmen tauschen während des Lerntrainings/Rechenvorgangs intern Informationen durch mehrere Schichten hindurch aus, weshalb der Lernvorgang als „tiefes Lernen“ (Deep Learning) bezeichnet wird (Lin, 2022). Neuronale Netze die Supervised Learning Verfahren nutzen, können Fehler eigenständig durch „Backpropagation“ (Fehlerrückführung) korrigieren und Gewichte im neuronalen Netz so anpassen, dass die Fehler kleiner werden (Aunkhofer, 2019). „Diese Technologie ist in der Lage, große Mengen strukturierter und unstrukturierter Daten zu verwalten und daraus zu lernen. Das Modell verbessert sein Lernen, wenn es mehr Daten erhält, was zu genaueren Ergebnissen führt,“ so Lin (2022).

Wo lineare Schätzmodelle an ihre Grenzen stoßen, ist der Einsatz eines Neuronalen Netzes angezeigt. Es handelt sich dabei um eine nichtlineare Funktion, die aus Daten lernt (Jörs, 2021).

Wie funktionieren Neuronale Netze?

Künstliche Neuronale Netze bestehen aus der Zusammensetzung vieler einfacher, parallel arbeitender Neuronen, die „sich gegenseitig Informationen in Form von Aktivierungssignalen über gerichtete Verbindungen [zuschicken].“ (Anonym [sic], 2021 nach Kruse et al., 2015 und Wuttke, 2020)

Ein einfaches Neuronales Netz besteht aus drei Schichten (Grellmann, 2021):

  • Eingangsschicht (auch Eingabeschicht oder Input Layer)
  • Verborgene Schicht/en (auch Versteckte Schicht/en oder Hidden Layer/s)
  • Ausgangsschicht (auch Ausgabeschicht oder Output Layer)

Stark vereinfachte Erklärung zur Funktionsweise Neuronaler Netze und deren inhärenten Informationsaustausch (Studyflix GmbH., o. D.):

  • Neuronen in der Eingabeschicht („Input Layer“) nehmen Informationen auf und gebe diese mit Gewichtungen an die verborgene(n) Schicht(en) („Hidden Layers“) weiter.
  • In den darunter liegenden, verborgenen Schichten („Hidden Layers“) werden die aufgenommenen Informationen weitergesendet und in weiteren Schichten neu gewichtet. Wie die Informationen in den Hidden Layers verarbeitet werden und die Gewichtungen ausfallen ist nicht erklärbar, weshalb hinsichtlich des Prozesses rund um die Lösungsfindung oft von einem „Black Box“-Problem die Rede ist. Deep Learing-Algorithmen verarbeiten Informationen in enorm vielen Ebenen und Schichten.
  • Die Neuronen der Ausgabeschicht („Output Layer“) liefern das Ergebnis der verarbeiteten Informationen aus den Hidden Layers. Das Resultat kann z.B. eine Wahrscheinlichkeitsverteilung zeigen und als Entscheidungsgrundlage für zu setzende Marketingmaßnahmen dienen.
Neuronales Netz mit Eingabeschicht (Input Layer), verborgener Schicht (Hidden Layer) und Ausgabeschicht (Output Layer)
Quelle: in Anlehnung an Dontsov, 2021

Neuronale Netze und Marketing Automation

Neuronale Netze werden u.a. beim Real-Time-Bidding (RTB, oder Real-Time-Advertising, RTA) eingesetzt. Bei diesem Echtzeit-Auktionsverfahren für Display Ads entscheiden Werbetreibende ob sie ein Gebot für eine online Werbefläche abgeben möchten, um als Höchstbietende den Zuschlag zu erhalten. Werbetreibende erhalten dazu vorab eine Benachrichtigung von der Auktionssoftware. Der Benachrichtigung voraus geht ein Prozess bei dem Algorithmen automatisiert innerhalb von Millisekunden Schätzungen darüber abgeben, wie wahrscheinlich es ist, dass Personen, die Webseiten von Werbetreibenden besuchten, deren Produkte kaufen werden. Die Basis für diese Entscheidung fällt die Software „interessenbasiert“ aufgrund gesammelter Daten („Targeting“) zum Nutzerverhalten des Users auf von ihm besuchten Websites. Hier kommt Deep Learning zum Einsatz, um eine Kaufneigung vorherzusagen (Nelissen, 2018).

Zur Vorhersage der Kaufneigung einer Person werden relevante Verhaltensmerkmale (z.B. der Besuch bestimmter Unterseiten einer Unternehmenswebsite) definiert. Diese Merkmale beeinflussen die Entscheidungsfindung bzw. Schlussfolgerung des neuronalen Netzes hinsichtlich Ausspielung von Werbeinhalten an geeignete Zielpersonen (Nelissen, 2018).

Targeting von Userverhalten für die Vorhersage der Kaufneigung eines Websitebesuchers im Rahmen von Real-Time-Bidding
Quelle: in Anlehnung an Nelissen, 2018

„[Werbetreibende] können beim Real-Time-Bidding für jede einzelne Ad Impression durch einen Nutzer bzw. potenziellen Betrachter der Website Gebote abgeben. Und je mehr Informationen über den potenziellen Betrachter des Werbemittels verfügbar sind, desto höher sind in der Regel die Gebote.“ (Mattscheck, o. D.)

Neuronale Netze kommen also, wie eingangs erwähnt, bei der Lösung komplexer Probleme zum Einsatz und finden vor allem in den Bereichen Diagnose, Prognose, Optimierung, Datenanalyse und Simulation Anwendung. In Ergänzung zum o.e. Beispiel sind weitere Einsatzbereiche für Neuronale Netze (SAS Institute Inc., o. D.):

  • Betrugserkennung (z.B. Kreditkartenbetrug)
  • Optimierungen im Bereich der Transportlogistik
  • Schrifterkennung (OCR = Optical Character Recognition) und Spracherkennung (NLP = Natural Language Processing)
  • Diagnose im medizinischen Bereich
  • Kundenzentriertes Marketing
  • Prognosen für den Finanz- und Versicherungsbereich
  • Steuersysteme für Roboter
  • Prognosen zur Strom- und Energieversorgung
  • Steuerung von (automatisierten) Prozessen und Qualitätskontrolle
  • Bestimmung chemischer Verbindungen
  • Bewertung von Ökosystemen (Messung der ästhetischen Qualität von Landschaften)
  • Bildverarbeitungssysteme zur Analyse von Foto- und Bewegtbilddaten, z. B. bildgebende Diagnoseverfahren in der Medizin, Robotik oder Gesichts- und Objekterkennung

Quellen:

Anonym [sic] (2021). Neuronale Netze zur Bilderkennung. Zusammenhang zwischen Lernrate und Vorhersagekraft, München, GRIN Verlag, Abgerufen am 29. Dezember 2022, von https://www.grin.com/document/1139820

Aunkofer, B. (2019, 20. Oktober). Interview: Data Science im Einzelhandel. Data Science Blog. Abgerufen am 2. Jänner 2023, von https://data-science-blog.com/blog/tag/german-interview/

Breinich-Schilly, A. (2022, 6. September). Datenqualität hemmt Machine-Learning-Projekte in Banken. springerprofessional.de. Abgerufen am 29. Dezember 2022, von https://www.springerprofessional.de/bank-it/machine-learning/datenqualitaet-plagt-banken-bei-machine-learning-projekten/23453382

Dontsov, A. (2021, Dezember 7). Neuronale Netze. nativDigital. Abgerufen am 1. Jänner 2023, von https://nativdigital.com/neuronale-netze/

Grellmann, M. (2021, 4. Dezember). 10 Deep Learning Algorithmen, die Sie kennen sollten. Martin Grellmann. Abgerufen am 27. Dezember 2022, von https://martin-grellmann.de/10-deep-learning-algorithmen-die-sie-kennen-sollten

Jörs, M. (2021, 5. Oktober). Targeting von Marketingkampagnen mit Daten aus neuronalen Netzen. Skyscraper Marketing GmbH. Abgerufen am 1. Jänner 2023, von https://skyscraper.marketing/blog/targeting-mit-neuronalen-netzen/

Lin, P. (2022, 10. Oktober). Deep Learning in Digital Marketing. Abgerufen am 29. Dezember 2022, von https://www.marketingaiinstitute.com/blog/deep-learning-in-digital-marketing

Mattscheck, M. (o. D.). Real-Time-Bidding (RTB) – Definition | Onlinemarketing-Praxis. In onlinemarketing-praxis.de. Abgerufen am 2. Januar 2023, von https://www.onlinemarketing-praxis.de/glossar/real-time-bidding-rtb

Microsoft. (2020, 9. April). Microsoft erklärt: Was ist Deep Learning? Definition & Funktionen von DL. News Center Microsoft Deutschland. Abgerufen am 29. Dezember 2022, von https://news.microsoft.com/de-de/microsoft-erklaert-was-ist-deep-learning-definition-funktionen-von-dl/

Nelissen, N. (2018, 5. Januar). What is Deep Learning? Here’s Everything Marketers Need to Know. Abgerufen am 29. Dezember 2022, von https://blog.hubspot.com/marketing/what-is-deep-learning

SAS Institute Inc. (o. D.). Neuronale Netze – Was ist das und warum sind sie wichtig? sas.com. Abgerufen am 2. Januar 2022, von https://www.sas.com/de_at/insights/analytics/neural-networks.html

Schmidt, J. (2022, 2. Dezember). Neuronale Netze: Funktionsweise, Arten und Anwendung. Abgerufen am 29. Dezember 2022, von https://blog.hubspot.de/sales/neuronale-netze

Studyflix GmbH. (o. D.). Neuronale Netze • Was ist ein neuronales Netz? studyflix.de. Abgerufen am 29. Dezember 2022, von https://studyflix.de/informatik/neuronale-netze-4297

Wuttke, L. (2022, Mai 21). Deep Learning: Definition, Beispiele & Frameworks. datasolut GmbH. https://datasolut.com/was-ist-deep-learning/


Deep Learning, Neuronale Netze und Marketing Automation in aller Kürze:

Was ist Deep Learning?

Deep Learning ist eine Form des maschinellen Lernens, die große Datenmengen mit Hilfe von Künstlichen Neuronalen Netzen analysiert und komplexe Probleme lösen kann. Diese Methode ist Teil der Künstlichen Intelligenz und wird eingesetzt, um in Big Data Mustern, Trends und Erkenntnissen zu suchen, beispielsweise bei der Sprach-, Gesichts- oder Objekterkennung.

Wie funktioniert der Deep Learning-Algorithmus?

Wie jeder Machine Learning-Algorithmus wird auch der Deep Learning-Algorithmus mit Daten trainiert. Hierfür werden große Datenmengen mit Hilfe von Künstlichen Neuronalen Netzen analysiert und komplexe Probleme gelöst. Da dieser Vorgang sehr zeitaufwendig und rechenintensiv ist, bedarf es entsprechender technischer Ressourcen.

Was sind die Voraussetzungen für den erfolgreichen Einsatz von Deep Learning in Unternehmen?

Damit der erfolgreiche Einsatz von Deep Learning in Unternehmen gewährleistet werden kann, ist eine solide Datenlage als Ausgangsbasis notwendig. Es empfiehlt sich daher, eine (langfristige) Daten- und ML-Strategie zu entwickeln und Standards sowie Prozesse zur gezielten Sammlung und Erfassung von Daten zu etablieren. Zudem sollten Anwendungsfälle ermittelt und geprüft werden, welchen unternehmerischen Herausforderungen mit Hilfe von Künstlicher Intelligenz begegnet werden kann.

Wie kann Deep Learning zur Effizienzsteigerung im Arbeitsalltag und zur Erreichung von Unternehmenszielen beitragen?

Durch den Einsatz von Deep Learning können Unternehmen ihre Arbeitsprozesse automatisieren und optimieren. Hierbei werden große Datenmengen analysiert und komplexe Probleme gelöst, was zu einer erhöhten Effizienz im Arbeitsalltag führt. Zudem können Unternehmensziele schneller und effektiver erreicht werden.

Was sind die Grenzen des Einsatzes von KI-Anwendungen wie Deep Learning?

Die Grenzen des Einsatzes von KI-Anwendungen wie Deep Learning liegen darin, dass Maschinen nur Aufgaben lösen können, auf deren Problemlösung sie spezialisiert sind. Das bedeutet, dass sie durch das Training mit enormen Datenmengen darauf vorbereitet und angelernt werden. Es ist daher wichtig, realistische Erwartungen an den Einsatz von KI-Anwendungen zu haben und nicht zu vergessen, dass diese Technologie auf bestimmte Probleme spezialisiert ist.

Was sind Künstliche Neuronale Netze?

Künstliche Neuronale Netze bestehen aus vielen Neuronen, die durch gerichtete Verbindungen miteinander vernetzt sind. Sie arbeiten parallel und tauschen Informationen in Form von Aktivierungssignalen aus.

Aus wie vielen Schichten besteht ein einfaches Neuronales Netz?

Ein einfaches Neuronales Netz besteht aus drei Schichten: Eingangsschicht, verborgene Schicht/en und Ausgangsschicht.

Wie funktioniert die Informationsverarbeitung in den verborgenen Schichten eines Neuronalen Netzes?

In den verborgenen Schichten werden die Informationen weitergesendet und neu gewichtet. Wie genau die Informationen verarbeitet werden und welche Gewichtungen verwendet werden, ist jedoch oft nicht erklärbar, weshalb hier oft von einem „Black Box“-Problem gesprochen wird.

Wo werden Neuronale Netze im Marketing eingesetzt?

Neuronale Netze werden unter anderem im Real-Time-Bidding (RTB) eingesetzt, um die Wahrscheinlichkeit vorherzusagen, dass Personen, die eine bestimmte Webseite besucht haben, das beworbene Produkt kaufen werden. Diese Informationen dienen als Entscheidungsgrundlage für das Setzen von Geboten auf Werbeflächen.

Wie werden relevante Verhaltensmerkmale zur Vorhersage der Kaufneigung einer Person definiert?

Zur Vorhersage der Kaufneigung einer Person werden relevante Verhaltensmerkmale wie der Besuch bestimmter Unterseiten einer Unternehmenswebsite definiert. Diese Merkmale beeinflussen die Entscheidungsfindung des neuronalen Netzes hinsichtlich der Ausspielung von Werbeinhalten an geeignete Zielpersonen.

Wie funktionieren künstliche neuronale Netze?

Künstliche neuronale Netze nutzen Algorithmen, um Daten zu verarbeiten und Zusammenhänge zu erkennen. Die einzelnen Neuronen sind durch Gewichte und Schwellenwerte miteinander verbunden. Durch das Anpassen dieser Parameter werden die Zusammenhänge zwischen den Daten erkannt. Beim Deep Learning tauschen die Algorithmen während des Lerntrainings intern Informationen durch mehrere Schichten hindurch aus, wodurch der Lernvorgang als „tiefes Lernen“ bezeichnet wird.

Wo liegen die Grenzen von Künstlicher Intelligenz und Deep Learning?

Die Maschinen können nur Aufgaben lösen, auf deren Problemlösung sie spezialisiert sind, da sie durch das Training mit enormen Datenmengen darauf vorbereitet und angelernt wurden. Auch können sie keine menschlichen Erfahrungen und Wertvorstellungen in ihre Entscheidungsfindung einbeziehen. Darüber hinaus erfordert der erfolgreiche Einsatz von Künstlicher Intelligenz eine solide Datenlage als Ausgangsbasis sowie die Berücksichtigung ethischer und gesellschaftlicher Implikationen.

Similar Posts