{"id":330937,"date":"2021-01-27T04:27:02","date_gmt":"2021-01-27T04:27:02","guid":{"rendered":"https:\/\/www.ezoic.com\/nutzung-von-data-science-kuenstlicher-intelligenz-im-digitalen-publishing\/"},"modified":"2021-07-26T20:52:02","modified_gmt":"2021-07-26T20:52:02","slug":"nutzung-von-data-science-kuenstlicher-intelligenz-im-digitalen-publishing","status":"publish","type":"post","link":"https:\/\/wp.ezoic.com\/de-lang\/nutzung-von-data-science-kuenstlicher-intelligenz-im-digitalen-publishing\/","title":{"rendered":"Nutzung von Data Science & k\u00fcnstlicher Intelligenz im digitalen Publishing"},"content":{"rendered":"

<\/span>Data Science & K\u00fcnstliche Intelligenz im digitalen Publishing<\/span><\/h2>\n

Es wurde gesagt, dass Marketer alles ruinieren. So weit w\u00fcrde ich sicherlich nicht gehen, bin aber bereit zuzugeben, dass es modernen Marketern sicherlich schwer fallen kann, differenzierte Themen wie k\u00fcnstliche Intelligenz und Data Science vollst\u00e4ndig zu verstehen. Digitale Publisher beginnen nun zu erkennen, wie un\u00fcbersichtlich diese Angelegenheit geworden ist…<\/p>\n

\"K\u00fcnstliche<\/p>\n

Mein guter Freund John Cole war k\u00fcrzlich auf einem AdMonsters-Panel mit Google und diskutierte \u00fcber das Wachstum von Data Science und das Aufkommen von k\u00fcnstlicher Intelligenz im digitalen Publishing-Bereich. Das Gespr\u00e4ch wurde recht interessant, als sie wirklich anfingen zu definieren, was diese Begriffe tats\u00e4chlich bedeuten (im Gegensatz zu dem, was Marketer Ihnen sagen, was sie bedeuten).<\/p>\n

Im Folgenden werde ich ein paar Dinge ansprechen, die w\u00e4hrend des Panels zur Sprache kamen, da sie interessant waren und einige der Probleme aufzeigen, mit denen viele digitale Publisher meiner Meinung nach zu k\u00e4mpfen haben. Ich werde auch einige Beispiele aufzeigen, wie diese Technologien und Konzepte auf moderne digitale Publishing-Abl\u00e4ufe angewendet werden k\u00f6nnen.<\/p>\n

<\/p>\n

<\/span>Was ist k\u00fcnstliche Intelligenz und maschinelles Lernen?<\/span><\/h2>\n

Ich werde versuchen, dies auf hohem Niveau und im Kontext der Welt des digitalen Publishings zu halten; andernfalls bef\u00fcrchte ich, dass dieses Thema ziemlich schnell un\u00fcbersichtlich werden k\u00f6nnte.<\/p>\n

K\u00fcnstliche Intelligenz ist eine Untergruppe des maschinellen Lernens. Maschinelles Lernen ist das \u00fcbergreifende Konzept eines Computers, der gezielt eine Art von Daten aufnimmt und im Laufe der Zeit aus diesen speziellen Daten lernt (in vielen F\u00e4llen so, dass Entscheidungen automatisiert werden k\u00f6nnen). K\u00fcnstliche Intelligenz ist ein Teilbereich, der diese Daten nimmt und auf die Art und Weise “lernt”, wie es ein menschliches Gehirn tut; es ahmt das Verhalten von Neuronen und dergleichen nach.<\/p>\n

\"maschinelles<\/p>\n

Was bedeutet das nun f\u00fcr das digitale Publishing? Erinnern Sie sich an die l\u00e4stigen Marketer, von denen ich vorhin sprach? Eines der wirklich interessanten Dinge, die im AdMonsters-Panel zur Sprache kamen, war die F\u00fclle an Technologien und Dienstleistungen, die derzeit an digitale Publisher vermarktet werden und die Begriffe “KI” oder “maschinelles Lernen” verwenden, die eigentlich keine korrekten Anwendungen dieser Begriffe sind.<\/p>\n

In vielen F\u00e4llen entscheiden sich Marketer daf\u00fcr, algorithmusgesteuerte Technologien als “K.I.” oder “maschinelles Lernen” zu bezeichnen. Obwohl der Unterschied gering erscheinen mag, sind sie tats\u00e4chlich sehr unterschiedlich.<\/p>\n

<\/span>Was ist der Unterschied zu digitalen Publishern?<\/span><\/h2>\n

In vielen F\u00e4llen werden diese Begriffe am meisten verdreht, wenn es um Dinge wie Ad Targeting, Ad Testing und verschiedene andere Formen von Ad Operations und Data Science geht. Zu erkennen, wo maschinelles Lernen und KI in diesen Bereichen tats\u00e4chlich existieren, k\u00f6nnte einen gro\u00dfen Unterschied machen, wenn Publisher zuk\u00fcnftige Strategien definieren.<\/p>\n

Der Hauptunterschied zwischen maschinellem Lernen (so etwas wie automatisiertes multivariates Testen<\/a>) & algorithmischer Optimierung (A-B-Tests<\/a>) ist dieser: Bei der algorithmischen Optimierung muss ein Mensch nicht nur entscheiden, welche Faktoren in die Berechnung einflie\u00dfen, sondern auch eine Reihe von “Wenn-dann”-Regeln fest programmieren, die bestimmen, wie die Entscheidungen getroffen werden. Sie sind verschlossen.<\/span><\/p>\n

\"data<\/p>\n

Mit anderen Worten: Algorithmische Optimierung bedeutet, dass die Regeln f\u00fcr die Maschine geschrieben werden, und beim maschinellen Lernen ist es genau umgekehrt – die Maschine schreibt die Regeln.<\/p>\n

<\/span>K\u00fcnstliche Intelligenz in die Praxis umsetzen<\/span><\/h2>\n

Nehmen wir an, wir m\u00f6chten wissen, ob die CTR mit dem geografischen Standort zusammenh\u00e4ngt (so dass wir m\u00f6glicherweise unsere Gebotsmengen nach dem geografischen Standort anpassen k\u00f6nnen). Bei der algorithmischen Optimierung betrachten wir nur wenige Faktoren – die Position, die geografische Lage, die historische CTR, das Ger\u00e4t, die vorgeschaltete Traffic-Quelle und so weiter.<\/p>\n

Wir k\u00f6nnten ein Programm schreiben, um den wahrscheinlichen Wert einer Anzeige im Laufe der Zeit statistisch vorherzusagen (aus CTR\/CPC\/eCPM) und Umsatzverbesserungen aus den bereinigten Floor-\u00c4nderungen darzustellen; aber der Hauptfehler bei dieser Art von Berechnung ist, dass wahrscheinlich Faktoren fehlen, die f\u00fcr das Gesamtziel (in diesem Fall Umsatz) entscheidend sind, aber weil unser (von uns geschriebener) Algorithmus auf das beschr\u00e4nkt ist, was wir f\u00fcr wichtig gehalten haben.<\/p>\n

\"cpms<\/p>\n

Algorithmus-getriebene Ans\u00e4tze f\u00fcr diese Strategie w\u00fcrden eine Menge wertvoller M\u00f6glichkeiten verpassen.<\/strong> Zum Beispiel der Verd\u00fcnnungseffekt anderer Anzeigen auf der Seite – ihre eigenen Preisprofile und ihre Auswirkung auf nachfolgende Seiten \/ nachfolgende Anzeigenwerte (d. h. – sollte diese Anzeige auf Tablet-Ger\u00e4ten \u00fcberhaupt f\u00fcr diesen Nutzer da sein, wenn wir Dinge wie die Dauer der engagierten Session und die Einnahmen als Ergebnis erh\u00f6hen wollen?)<\/p>\n

Maschinelles Lernen nimmt alle Signale eines Nutzers auf und gewichtet sie f\u00fcr den Publisher, indem es seine eigenen Algorithmen\/Berechnungen trainiert, die sich dann im Laufe der Zeit anpassen. Dies ist der Hauptunterschied zwischen den Arten von zusammengesetzten Ergebnissen, die Sie von K.I. im Vergleich zu algorithmisch getriebenen L\u00f6sungen erhalten k\u00f6nnen.<\/p>\n

Dies ist letztlich ein ausgefeilterer und individuellerer Ansatz, um diese Herausforderungen zu l\u00f6sen. Manchen Publishern mag das alles gleich erscheinen, aber da sich der Markt rasant entwickelt, steigt der Ruf nach individuellen Nutzererlebnissen, und das ist etwas, was nur K.I. tats\u00e4chlich bieten kann.<\/p>\n

Ein Datenwissenschaftler aus der Branche erkl\u00e4rte dies k\u00fcrzlich auf einer Veranstaltung von MediaTel<\/strong> zusammen mit The Guardian, Financial Times und Hearst Media. Sie k\u00f6nnen sich unten einen Ausschnitt aus diesem Video ansehen.<\/p>\n