53% Steigerung der Klickzahlen nach Einführung von KI-basierten Marketing-Tools

Innowise hat eine auf KI und maschinellem Lernen basierende Analyseplattform entwickelt, die dabei hilft, Nutzeranfragen mit den relevantesten Anzeigen abzugleichen.

Der Kunde

Branche

Vertrieb und Marketing

Region

Kunde seit

2022

Unser Kunde ist eine leistungsorientierte Online-Marketing-Agentur, die Werbekampagnen, Content-Erstellung und SEO-Dienstleistungen anbietet, um qualifizierte Leads und Transaktionen für ihre Kunden zu steigern.

Detaillierte Information über den Kunden kann aufgrund der Bestimmungen des NDA nicht veröffentlicht werden.

Herausforderung: Überwindung der mangelnden Keyword-Abdeckung durch KI im digitalen Marketing

Da sich die digitale Werbung ständig weiterentwickelt, sind die Nutzer mit der Fülle der Möglichkeiten oft überfordert. Trotzdem fällt es Online-Marketing-Agenturen immer noch schwer, ihre Zielgruppe mit relevanten Produktempfehlungen zur richtigen Zeit auf der Grundlage von Nutzeranfragen zu erreichen.

Unser Kunde sah sich mit einem grundlegenden Problem auseinandergesetzt: Das Empfehlungssystem für Anzeigen war nicht ausreichend optimiert, um Suchmaschinenanzeigen anzubieten, die den Bedürfnissen der Nutzer entsprachen. Während der Werbemaßnahmen fand sich die Agentur mit einer Reihe von bedeutenden Herausforderungen konfrontiert: Etwa 30-40% der von den Nutzern der Suchmaschine gestellten Anfragen wurden nicht durch relevante Anzeigen abgedeckt. Darüber hinaus war eine große Anzahl der vorhandenen Anzeigen irrelevant, da sie schlecht mit den Nutzeranfragen übereinstimmten.

Die Ursache des Relevanzproblems lag in der mangelnden Abdeckung relevanter Keywords und Assets durch das bestehende Anzeigensystem, was sich auf die Klicks der Nutzer und die Leistung der Anzeigenkampagnen auswirkte. Die bestehende Plattform des Kunden bot nur unzureichende Analysemöglichkeiten, was es schwierig machte, Relevanzprobleme zu beheben und die Ursachen für schlecht abgedeckte Anfragen zu ermitteln. Die Anzahl der nicht abgedeckten oder irrelevant abgedeckten Anfragen war zu groß für eine detaillierte Datenbetrachtung und die Identifizierung der Ursachen für lokale Anzeigen mit geringer Leistung.

Um diese Probleme zu lösen, wandte sich unser Kunde an Innowise mit der Idee, erweiterte Analysen und Zusammenfassungen für geclusterte Untergruppen von Benutzerabfragen zu erstellen, um intelligentere Erkenntnisse zu gewinnen. Der Kunde schlug Innowise die Idee vor, erweiterte Analysen und Zusammenfassungen für geclusterte Untergruppen von Benutzerabfragen zu erstellen, um intelligentere und bessere Einblicke zu erhalten.

Zusammenfassend lässt sich sagen, dass der Umfang der Arbeiten Folgendes umfasste:

Analyse und Clustering der Nutzeranfragen;
Identifizierung von Zielgruppen von Nutzern und ihren Merkmalen, um die Ergebnisse von Anzeigenempfehlungen zu verbessern;
die Angabe der relevantesten Anzeigen für die Abfragecluster;
Identifizierung der Lücken in den vorhandenen Anzeigen durch Analyse der Abfragecluster, die von den vorhandenen Anzeigen nur unzureichend abgedeckt wurden.

Lösung: KI-basierte Marketing-Tools für optimierte Werbekampagnen

Unser Team schloss das Projekt erfolgreich ab und entwickelte eine Plattform zur Analyse von Werbekampagnen mit einem Keyword-Ranking-Analysator unter Verwendung von kürzlich erschienenen SOTA-Modellen zur Verarbeitung natürlicher Sprache. Das gesamte neuronale Netzwerk wurde in der AWS-Cloud bereitgestellt.

Die Plattform ist in Google integriert und ermöglicht die Arbeit mit statistischen Daten über Nutzeranfragen, die Identifizierung von unentdeckten Anfragen oder solchen mit unwirksamer Werbung, die Aufteilung in Untergruppen und die Erstellung von Zusammenfassungen für bestimmte Kategorien von großen Datenmengen, um die angezeigten Anzeigen anzupassen.

Unser Team hat die Lösung entwickelt, um das vorherige System zu ersetzen, das nur grundlegende Statistiken lieferte und nicht in der Lage war, die Werbeergebnisse schnell zu analysieren und das Matching auf der Grundlage der gewonnenen Erkenntnisse anzupassen.

Clustering und Zusammenfassung von Nutzeranfragen mit dem Keyword Ranking Analyzer Tool

Auf der Grundlage der Anforderungen des Kunden sammelten wir Google-Analytics-Daten zu Nutzeranfragen mit nicht angezeigten Anzeigen. Unsere Spezialisten konfigurierten ein System, um diese Anfragen zu analysieren und sie mit Hilfe von semantischen Einbettungen aus Modellen der BERT-Familie und verschiedenen Clustering-Techniken wie hdbscan, dbscan, T-SNE und KMeans zu clustern. Die Webanwendung ermöglichte auch die Sammlung aggregierter Statistiken über einen Pool von Benutzeranfragen. Je nach gewählter Granularität war es auch möglich, aggregierte Statistiken für einen Pool von Benutzeranfragen zu sammeln und Zusammenfassungen für jede einzelne Gruppe zu erstellen. Wir haben BERT, grundlegende statistische Werkzeuge und Themenmodellierung verwendet, um eine Wolke von Tags mit den beliebtesten Begriffen in einer bestimmten Gruppe von Abfragen anzuzeigen. Die Benutzer konnten auch eine GPT-Modell generierte Zusammenfassung auf der Grundlage der angegebenen Cluster.

Intelligente Analyse und Clustering von Nutzeranfragen mit irrelevanter Werbung

Die von uns entwickelte Plattform ermöglicht die Darstellung von Nutzerinteraktionen mit bestimmten Anzeigen, so dass durch die Analyse von Interaktionsdaten irrelevante Anzeigen identifiziert werden können, die auf unpassende Suchanfragen abgestimmt sind. Durch die Verwendung umfangreicher Statistiken, Tags und Zusammenfassungen spezifischer Suchanfragen mit wenig erfolgreichen Ergebnissen ist es nun möglich, den Grund für Unterschiede zwischen den Interessen der Nutzer und den angezeigten Anzeigen zu ermitteln. Diese Funktion der Plattform ist ein wesentliches Instrument, um Lücken in bestehenden Anzeigen für bestimmte Nutzergruppen und deren Merkmale zu identifizieren und zu schließen.

Abgleich zwischen nicht abgedeckten Nutzeranfragen und den relevantesten Anzeigen

Durch den Einsatz von KI- und ML-Tools bietet die Plattform potenzielle Anzeigenübereinstimmungen für Gruppen von Suchanfragen, für die es zuvor keine relevanten Anzeigen gab. Wir haben dies erreicht, indem wir textuelle Darstellungen von Abfrageclustern generiert und Anzeigen erstellt haben, indem wir die relevantesten Anzeigen für jedes Cluster mit Hilfe von Ähnlichkeitsbewertungen aus Transformatormodellen spezifiziert haben. Darüber hinaus haben wir diese Anzeigen für bestimmte Nutzergruppen angepasst, indem wir Prompt-Engineering an den Modellen der GPT-Familie durchführten, um relevantere und ansprechendere Anzeigen zu erstellen, die auf ihre spezifischen Interessen zugeschnitten sind. Anhand der auf dem Dashboard angezeigten Daten zu bestehenden Suchanfragen ermittelt und generiert das System relevante Anzeigenoptionen für bestimmte Anfragesegmente. Mit diesem Ansatz konnten wir feststellen, welche aktuellen Anzeigen mit bisher unbefriedigten Nutzeranfragen verknüpft werden können, und latente Anforderungen für die künftige Anzeigengenerierung aufdecken oder solche Anfragen mit vorgefertigter Werbung korrelieren, die am besten zu ihnen passt.

Technologien

Plattformen

AWS

Frontend

React, Redux, HTML5, CSS3, Formik, Jupp, Material UI

Backend

Python 3.x, Flask (Mikrodienste), Flask-restful, Celery, RabbitMQ

AWS S3 PostgreSQL, AWS Sagemaker (Pipelines, Feature Store), AWS Glue PySpark, Spark AWS Airflow

DS, ML & MLOps

AWS Sagemaker (Studio, Experiments, Notebooks, AutoML, Model Monitoring), Scikit-learn, Matplotlib, BERT, Pandas, Numpy

Prozess

Auf Anfrage des Kunden identifizierte unser Team die wichtigsten potenziellen Anwendungsfälle für erweiterte und visuelle Analysen, indem es Informationen aus Google Analytics zusammenfasste. Wir haben dann eine große Menge an Daten über Nutzeranfragen und Interaktionen mit angezeigten Anzeigen erhalten.

Unser erster Schritt bestand darin, die Informationen auf der Grundlage der von den Nutzern in den Suchstring eingegebenen Schlüsselwörter in kleinere Untergruppen zu gruppieren. Wir verwendeten generative Modelle wie GPT, um textuelle Darstellungen für jede geclusterte Datengruppe zu erstellen. Die daraus resultierenden Zusammenfassungen wurden auf der Plattform angezeigt, um detaillierte Informationen über unentdeckte Suchanfragen oder Suchanfragen mit schlecht performenden Anzeigen zu liefern, was ein besseres Verständnis der Gründe für Irrelevanz und anschließende Anpassungen der Anzeigen ermöglicht.

Der nächste Schritt bestand darin, die relevantesten Anzeigen vorzuschlagen, die möglichst genau mit den unentdeckten Suchanfragen übereinstimmen sollten, um die Leistung zu verbessern. Wir suchten nach Anzeigen aus einer Liste schriftlicher Anzeigen, die so viele Suchanfragen wie möglich abdeckten, um die Lücken zu füllen und suggestive Zusammenfassungen für potenzielle Übereinstimmungen zu erstellen.

Beim Projektmanagement hielten wir uns an die agile Methodik mit täglichen Meetings zur Besprechung abgeschlossener und geplanter Aufgaben und zweiwöchentlichen Telefonaten mit dem CEO. Unser Team kommunizierte über Slack, wies Aufgaben zu und überwachte die Leistung über Jira und Confluence.

Derzeit ist das Projekt noch nicht abgeschlossen; in dieser Phase unterstützen wir die Plattform weiterhin und implementieren neue Funktionen.

Team

Projektmanager

Dateningenieure

Backend-Entwickler

Front-End-Entwickler

Ingenieure für Datenwissenschaft

QA-Ingenieure

Ergebnisse: Mehr Nutzerklicks auf Anzeigen mit KI-basiertem Keyword-Ranking-Analysator

Wir haben eine KI-gestützte Anwendung entwickelt, die unserem Kunden relevantere und zielgerichtetere Werbung liefert, indem sie die Zugehörigkeit des Nutzers zu einer Gruppe erkennt und diese Informationen nutzt, um intelligentere und bessere Erkenntnisse für die Personalisierung von Werbung zu gewinnen. Die Webanwendung analysierte laufende Werbekampagnen und fand Lücken in der Werbung, die unseren Kunden daran hinderten, alle notwendigen Nutzer zu erreichen.

Darüber hinaus kann die Lösung nun automatisch neue Anzeigen generieren und so die Texterstellungsprozesse des Unternehmens optimieren.

Insgesamt hat die Plattform zu einem Anstieg der Nutzer-Klicks auf Anzeigen um 53% geführt. Wir haben auch Empfehlungen für Texter auf der Grundlage der dichtesten und größten Cluster erstellt, sodass sie Anzeigen erstellen können, die bis zu 92% der erforderlichen Nutzeranfragen abdecken. Wir erforschen weiterhin die Möglichkeiten der KI im digitalen Marketing und entwickeln weitere KI-basierte Marketing-Tools, um die Plattform weiter zu verbessern.

Projektdauer

März 2022 - Laufend

25%

Zeitersparnis bei der Erstellung neuer Anzeigen

53%

Steigerung der Klickzahlen

Unsere aktuellen Fallstudien

Kontaktieren Sie uns!

Einen Anruf buchen oder füllen Sie das Formular unten aus und wir melden uns bei Ihnen, sobald wir Ihre Anfrage bearbeitet haben.

Name

Unternehmen

E-Mail

Telefon

Nachricht Bitte fügen Sie Projektdetails, Dauer, Technologie-Stack, benötigte IT-Experten und andere Infos bei.

Bitte fügen Sie Projektdetails, Dauer, Technologie-Stack, benötigte IT-Experten
und andere Infos bei.

Hängen Sie nach Bedarf zusätzliche Dokumente an.

Datei hochladen

Sie können bis zu 1 Datei von insgesamt 2 MB anhängen. Gültige Dateien: pdf, jpg, jpeg, png

Bitte beachten Sie, dass Innowise mit dem Anklicken der Schaltfläche 'Senden' Ihre persönlichen Daten nach der Datenschutzrichtlinie verarbeiten wird, um Ihnen die gewünschten Informationen zukommen zu lassen.

Wie geht es weiter?

Sobald wir Ihre Anfrage erhalten und bearbeitet haben, werden wir uns mit Ihnen in Verbindung setzen, um Ihre Projektanforderungen zu besprechen und eine NDA (Vertraulichkeitserklärung) für die Vertraulichkeit der Informationen zu unterzeichnen.

Nach der Prüfung der Anforderungen erstellen unsere Analysten und Entwickler einen Projektvorschlag, der Arbeitsumfang, Teamgröße, Zeit- und Kostenschätzung enthält.

Wir vereinbaren einen Termin mit Ihnen, um das Angebot zu besprechen und eine Vereinbarung mit Ihnen zu treffen.

Wir unterzeichnen einen Vertrag und beginnen umgehend mit der Arbeit an Ihrem Projekt.