Erfahren Sie, wie Sie Ihre Daten mit 5 einfachen Schritten für die KI vorbereiten können

In den vorangegangenen Kapiteln haben wir darüber gesprochen, wie sich künstliche Intelligenz auf das Marketing auswirkt und wie Sie Ihre Strategie in Richtung KI- und datengesteuerter Ansätze ändern können. In diesem Kapitel wollen wir einen Blick in die Voraussetzungen von KI werfen - Ihre Daten. Wir sprechen darüber, wie man die richtigen Daten sammelt und sie für den tatsächlichen Aufbau eines KI-Modells vorbereitet. (siehe unseren Blog-Artikel: Vorteile der KI im Marketing, um zu erfahren, warum dies wichtig ist).

Es ist bekannt, dass die Verfügbarkeit guter Daten unerlässlich ist, um das volle Potenzial der künstlichen Intelligenz auszuschöpfen. Aber was bedeutet das für Ihre Daten? Und wie müssen Sie Ihre Daten aufbereiten bzw. sicherstellen, dass Sie über die richtigen Daten verfügen, um künstliche Intelligenz anwenden zu können?

In diesem Artikel möchten wir einige Einblicke geben, wie KI tatsächlich mit Daten arbeitet und was Sie als Marketingspezialist sicherstellen müssen, um KI erfolgreich anwenden zu können.


5 einfache Schritte, um Ihre Daten für die KI vorzubereiten;

5 einfachen Schritten für die KI vorbereiten können

1. Stellen Sie sicher, dass die Daten gespeichert sind.

Alle Daten sollten zu jeder Zeit abgespeichert werden. Denken Sie dabei nicht nur an Ihr Online-CRM, sondern alle Marketing Tools. Insbesondere Kennzahlen (engl. KPIs) und deren historische Daten sind wichtig für die weitere Datenverarbeitung und Analyse.

2. Stellen Sie sicher, dass Daten für den Export zur Verfügung stehen.

Sorgen Sie dafür, dass jedes Online-Tool, das Sie verwenden, es Ihnen ermöglicht, die Daten zu exportieren, um bei Bedarf Ihre eigenen KI-Modelle damit zu entwickeln.

3. Vermeiden Sie Inkonsistenz.

Achten Sie darauf, dass Sie keine überlappenden Tools oder Technologien verwenden. Nur ein CRM nur für die Analyse ihrer Website , nur eine Applikation zu Versendung von Newsletters etc.

4. Hohe Datenqualität.

Die Sicherstellung einer hohen Datenqualität auf allen Ebenen ermöglicht es Ihnen, Ihre KI-Modelle einfacher zu erstellen und ermöglicht bessere Resultate. Das heisst, vermeiden Sie z.B. Double-Tracking oder stellen Sie sicher, dass Ihre UTM-Codes sauber und leicht zu unterscheiden sind.

5. Historische Daten.

Mit zu wenig Datenpunkten wird es nicht möglich sein, gute KI-Modelle für Ihr Unternehmen zu entwickeln. Sie müssen also sicherstellen, dass Sie über genügend Daten verfügen und diese frühzeitig speichern. Je mehr Historie Ihre KPIs haben, desto mehr Informationen können daraus gelesen werden. Stellen Sie sicher, dass Sie Ihre Daten regelmässig exportieren und abspeichern, um genügend historische Daten zur Verfügung zu haben.

Als nächsten Schritt wollen wir eine Ebene tiefer gehen und über den Prozess des Aufbaus und der Entwicklung eines KI-Modells sprechen.

Datenaufbereitung für Ihr AI-Marketing-Modell

Ein signifikanter Teil des gesamten Aufwands für die Erstellung eines KI-Modells liegt in der Vorbereitung der Daten - wir nennen diesen Teil des Prozesses vorerst "Data Engineering". In den meisten Fällen ist das “Data Engineering” für bis zu 80% des Gesamtaufwands verantwortlich. Wir haben eine Grafik erstellt, die Ihnen den gesamten Prozess aufzeigt:


Um den Gesamtprozess besser verständlich zu machen, teilen wir ihn in "Data Engineering" (in der Literatur auch Datenaufbereitung genannt) und "Model Creation" auf. In diesem Kapitel 4 sprechen wir hauptsächlich über Data Engineering und was benötigt wird, bevor wir tatsächlich ein KI-Modell entwickeln können.

Anbei ein Überblick über die verschiedenen Prozessschritte und wie sie im Marketing angewendet werden könnten:

Data Engineering

Wie bereits erwähnt, werden in der Regel 80% der Zeit für den Aufbau eines KI-Modells im "Data Engineering" verwendet. Besonders wenn Sie stark fragmentierte oder unstrukturierte Daten aus verschiedenen Quellen haben, wird dies enorm aufwändig. Im Marketing verfügen die meisten unserer Kunden über viele verschiedene Marketinginstrumente und -quellen. Dadurch werden die nachfolgenden Schritte umso wichtiger.

Daten Sammeln & Exportieren

Zuerst; bevor wir mit Daten arbeiten können, benötigen wir Daten. Klingt einfach, oder? 🙂

Nun, meistens ist es nicht so einfach und es kann schwierig, komplex und teuer sein die Daten effizient zu exportieren. Nehmen wir das folgende Beispiel für einen oft gesehenen Martech-Stack unserer Kunden:

Jedes dieser Tools hat relevante Daten, z.B. KPIs, Berichte usw. Daten, die Sie sich ansehen und zur Hand haben möchten und welche auch für das Modell wichtig werden. Mit der Durchführung integrierter Marketingkampagnen werden etliche dieser Kanäle berührt und liefern in jedem der Tools wichtige Daten. Die Erhebung und Extraktion von Daten im digitalen Marketing ist eigentlich schwieriger, als man denkt. Weil viele Anbieter keine sehr einfache und saubere Möglichkeit bieten, die Daten zu erhalten. Darauf werden wir im nächsten Artikel näher eingehen. Sie können diesen Schritt manuell durchführen, indem Sie Daten von jedem Anbieter exportieren, oder automatisierte Schnittstellen, sogenannte "APIs", von jedem der Anbieter verwenden.

Bereinigung

Wenn Sie alle Daten gesammelt haben können Sie nun mit der Bereinigung der Daten beginnen. Die Bereinigung ist sehr wichtig, um sicherzugehen, dass Sie die Daten zum Trainieren Ihres Modells verwenden können. In diesem Schritt überprüfen Sie beispielsweise, ob Ihnen Daten fehlen oder falsche Daten vorliegen und was Sie dagegen tun können. Dieser Schritt ist wieder sehr wichtig, bevor Sie ein KI-Modell entwickeln.

Transformation & Normalisierung

In diesem Schritt beginnen Sie, alle Zahlen zu betrachten, die gleich oder ähnlich aussehen. Dies wird Ihr KI-Modell schneller und besser machen. Als Beispiel haben Sie vielleicht Umsatzzahlen, die sehr hoch sind, aber Anmeldungen auf Ihrer Zielseite, die sehr niedrig sind (numerisch). In diesem Schritt verwenden Sie Logarithmen, um sie zu normieren und dem Modell den Vergleich zu erleichtern. (d.h. siehe Mathematische Funktionen, logaritmus).

Feature selection & Extraction

Am Ende des Data Engineering steht die Feature-Auswahl. Jetzt entscheiden Sie, welche Daten oder wir können auch sagen, welche "Spalte" eigentlich wichtig für das Problem ist, das Sie lösen wollen und welche Daten Sie wirklich verwenden können. Wenn Sie nur 10 Datenpunkte für eine bestimmte Spalte haben, hilft das nicht wirklich und vermeidet ein gutes Modell.


Ich hoffe, Ihnen hat dieser kleine Einblick in Data Engineering für KI im Marketing gefallen. Im nächsten Teil unseres Blogs werden wir über die Modellerstellung sprechen (2. Teil des Prozesses).

7 Steps for a successful Marketing Strategy

Subscribe here to get our guide for creating your data-driven Marketing Strategy :