KI. Das Thema ist in aller Munde – und Marketingexpert:innen sind da keine Ausnahme. Sie haben wahrscheinlich schon von Kolleg:innen, Anbietern und Peers davon gehört, und wenn Sie für jede Erwähnung von KI einen Cent bekämen … Sie wissen schon. Mit der Veröffentlichung von ChatGPT Ende letzten Jahres hat OpenAI die Diskussion um Large Language Models (LLMs) angeheizt und 2023 als „das Jahr der KI“ eingeläutet. Drei Monate nach dem Start von ChatGPT im Februar 2023 konnte ChatGPT schätzungsweise die Marke von 1 Milliarde Seitenaufrufen und über 100 Millionen Nutzer:innen überschreiten. 

Wahrscheinlich haben Sie ChatGPT selbst schon einmal benutzt, wenn auch nur aus Neugierde. Als Marketingexpert:in kennen Sie sich wahrscheinlich gut mit den Anwendungen des Modells im Marketing aus. Letzten Endes fühlt sich aber vieles davon immer noch recht schwammig an. Deshalb finden die zahllosen MarTech-Lösungen, die die neuesten und besten generativen KI- (GenAI) und LLM-Funktionen hervorheben, immer noch keine breite Akzeptanz. In einigen Fällen bietet das Marketing-Ökosystem jedoch bereits einen praktisch nutzbaren Wert. Alle diese Lösungen haben eine Gemeinsamkeit mit den modernen Organisationen von heute: eine robuste, transparente und skalierbare Datenstrategie. Dabei ist die Voraussetzung für KI der Herzschlag des modernen Marketings: Kundendaten. 

Der Schutz der Kundendaten einer Marke ist von größter Bedeutung – Datenschutz, Compliance und Governance sollten das Fundament des Modern Data Stack einer Marke bilden. Vorschriften wie DSGVO und CPRA finden überall auf der Welt immer mehr Verbreitung. Eine Datenschutzverletzung oder auch nur die Nichtbearbeitung von Data Subject Requests (DSRs) kann eine Marke schwer schädigen, die Loyalität der Kund:innen zunichtemachen und erhebliche Geldstrafen nach sich ziehen. Wie können Marketingexpert:innen in dem Wirrwarr von Informationen über GenAI und LLM erkennen, welche Marketing-Anbieter der Datensicherheit tatsächlich Priorität einräumen? Um Ihnen dabei zu helfen, sich in diesem zunehmend hektischen Umfeld zurechtzufinden, haben wir drei Fragen sowie Empfehlungen für die Beantwortung der einzelnen Fragen zusammengestellt. Damit können Marketingexpert:innen KI-Lösungen bewerten und entschlüsseln, wie Kundendaten gesammelt und für KI-Angebote genutzt werden. 

Frage 1: Mit welcher Art von Daten trainieren Sie Ihre KI-Modelle? Und wie sammeln Sie diese Daten?

Für robuste KI-Lösungen müssen (oder wollen) Marketinganbieter Ihre Kundendaten nutzen, um anspruchsvolle Modelle zu trainieren, die genau auf Ihre Geschäftsanforderungen zugeschnitten sind und Ihnen helfen, personalisiertes Marketing zu betreiben. Daten über das Kundenverhalten auf Ihrer Website und in digitalen Anwendungen sind die Grundlage für KI-gestützte, personalisierte Erfahrungen im Marketing. Es ist keine Überraschung, dass einige Lösungen, die sich derzeit in Ihrem Stack befinden, bereits Verhaltensdaten von Kund:innen in Ihrem Namen sammeln (Webanalytik, CRM-Plattformen, Kundendatenplattformen, Produktanalytik usw.). Verhaltensdaten sind zwar wichtig, aber sie sind selten die einzige Art von Daten, die für das Training eines KI-Modells für das Marketing benötigt werden. Wenn sich Ihre Verhaltensdaten in isolierten Systemen befinden, müssen Organisationen möglicherweise Daten-Pipelines entwickeln, um das Training von KI-Modellen auf einem umfassenden Korpus der erforderlichen Daten zu unterstützen. Das führt zu mehr Komplexität und oft auch zu höheren Kosten und Ineffizienzen. Wenn der zu prüfende Marketinganbieter neu in Ihrem Stack ist, müssen Sie nicht nur ein weiteres SDK zu Ihrer Website und Ihren Anwendungen hinzufügen, sondern Sie laufen auch Gefahr, ein weiteres Datensilo für Ihre Kundendaten zu errichten.

Eine weitere Möglichkeit für Marketinganbieter, die Daten einer Marke für differenzierte Kundenerfahrungen zu nutzen, besteht in der Übernahme der Daten aus einem vorhandenen SaaS-Tool, wie den oben genannten. Wenn sich Ihre Daten beispielsweise bereits in Ihrem CRM-System befinden, warum sollten Sie dann nicht diese Daten nutzen, um Ihre KI-Modelle zu entwickeln und zu trainieren? Das ist zwar vernünftig, führt aber zu einem erhöhten Aufwand und einer zusätzlichen Komplexität beim Entwickeln einer neuen, maßgeschneiderten Integration für eine andere Punktlösung. Es ist auch wichtig, auf die Risiken hinzuweisen, die mit dieser Art von maßgeschneiderter Integration verbunden sind. In einem Szenario, in dem der bewertete Marketinganbieter mit der aktuellen Kundenengagement-Plattform einer Marke integriert ist, können sich künftige Änderungen oder Migrationen als schwieriger und teurer erweisen. Faktisch sind Sie also an diese Plattform gebunden.

Schließlich ergeben sich zusätzliche, potenzielle Risiken, wenn die zu bewertende Lösung des Marketinganbieters den Zugriff auf die Daten über herkömmliche Dateiübertragungen erfordert. In diesem Szenario opfern Marken nicht nur die Governance und Sicherheit ihrer Daten und untergraben damit möglicherweise das Vertrauen der Verbraucher:innen, sondern verlieren auch an Effizienz, wenn sie eine neue Pipeline hinzufügen, mit einem uneinheitlichen Datensilo arbeiten und durch die Speicherung der Daten auf einer weiteren Plattform Kosten entstehen. Vermutlich bietet dieser Ansatz den Marken nicht den reibungslosen Weg zur KI-Modernisierung, den sie suchen. 

Empfehlung: Finden Sie heraus, wie die Marketinglösung Kundendaten erfasst und nutzt. 

Marketingexpert:innen müssen mehr denn je digitale Signale erkennen und die Daten ihrer Organisation durch maßgeschneiderte KI-Lösungen operationalisieren. Die Art und Weise, wie die Daten erfasst werden, ist jedoch der entscheidende Faktor, den Sie berücksichtigen sollten, weil er für das Vertrauen entscheidend ist. Die Lösungen von Anbietern – und der Marketingbereich ist hier nur ein Beispiel – dürfen keine separaten Datensilos sein, die punktuelle Integrationen erfordern. Stattdessen müssen sie in der Lage sein, die gesamte Bandbreite Ihrer Daten aus Ihrer unternehmensweiten Source of Truth zu nutzen und gleichzeitig die Komplexität von Integrationen, die Vielzahl von Datenspeichern und die mit der Datenerfassung verbundenen Reibungsverluste zu beseitigen. Wenn Marketinganbieter nicht die gesamte Bandbreite der Unternehmensdaten einer Marke nutzen, um maßgeschneiderte und ganzheitliche KI-Modelle für die Marke zu entwickeln, dann entgeht Ihnen wahrscheinlich ein Mehrwert. 

Frage 2: Weshalb sollten wir Ihren Modellen vertrauen? 

Bei Anwendungsfällen im Marketing und in der Werbung vertrauen Marken auf KI-Modelle, um Texte, Inhalte und Zielgruppensegmente zu generieren, die für die Marketingbemühungen ihrer Marke hilfreich und nicht schädlich sind. Für die Marken muss es vollständig transparent sein, welche Art von Kontrollen die Lösung hat, um Ihre Inhalte gegen Halluzinationen zu schützen (Halluzinationen sind im Wesentlichen eine Reaktion eines KI-Modells, die nicht durch seine Trainingsdaten gerechtfertigt ist). Halluzinationen können in vielerlei Hinsicht Schaden anrichten. Das reicht von kleinen Tippfehlern bei der Erstellung von Inhalten bis hin zu potenziell geschäftsschädigenden Aktionen wie der Werbung für eine falsche oder konkurrierende Marke. Durch die Feinabstimmung der Modelle speziell auf die Daten der Marke verringern sie das Risiko von Halluzinationen in der Produktion, indem sie die Verantwortung für die den Modellen zugrunde liegenden Datasets tragen und diese kontrollieren.

Die internen Teams, die für die Datensicherheit in der Organisation verantwortlich sind, leisten häufig Widerstand, wenn eine Marke KI/ML-Technologien einführt. Laut einem Bericht der Harvard Business Review äußerten 79 % der leitenden IT-Führungskräfte Bedenken, dass KI-Technologien Sicherheitsrisiken bergen. Egal, für welche Lösung eines Marketinganbieters Sie sich entscheiden, sie muss von diesen internen Interessengruppen genehmigt werden und über angemessene Governance-Funktionen verfügen, damit sichergestellt ist, dass nur die richtigen Personen und Prozesse Zugriff auf personenbezogene und sensible Daten haben.

Empfehlung: Sorgen Sie dafür, dass Zugang und Governance für alle Anbieter in Ihrem Marketing Tech Stack stets gegeben sind.

Während die Lösung eines Marketinganbieters in der Lage sein sollte, alle Daten einer Organisation zu nutzen, um den gelieferten Wert zu maximieren, sollten Marken nur bei Bedarf Zugriff gewähren. Marketingexpert:innen sollten sich bei den Anbietern erkundigen, wie die Daten der Marke verarbeitet werden und ob sie diese Daten dauerhaft speichern müssen, damit die Lösung funktioniert. Moderne Marketinglösungen, die vertrauenswürdige KI bieten können, sollten nativ entwickelt werden, nahtlos mit der Datenplattform einer Marke verbunden sein oder auf eine Secure Data Sharing-Technologie setzen, bei der keine Datenkopien erforderlich sind. Diese Konzepte vereinfachen nicht nur die Jobs der IT- und Sicherheitsabteilungen, indem sie eine vollständige Kontrolle der Data Governance ermöglichen, sondern sie schaffen auch eine Vertrauensbasis für die Partnerschaft zwischen der Marke und dem MarTech-Anbieter. 

Frage 3: Bin ich mit meiner Investition an die KI in ihrer aktuellen Form gebunden oder kann ich die neuesten Innovationen nutzen, da die KI-Entwicklung ja nicht stehen bleibt?

Das Tempo der KI/ML-Innovation ist extrem hoch. Selbst OpenAI, Meta und Anthropic haben erhebliche Fortschritte bei der Qualität ihrer LLM-Modelle gemacht. Bei einem typischen SaaS-Vertrag unterzeichnen Marken einen Einjahres- oder vielleicht sogar einen Dreijahresvertrag, der auf eine feste Gebühr, ein Abonnementmodell auf Seat-Basis oder ein monatliches Abonnement für aktive Benutzer:innen ausgerichtet ist. Probleme entstehen dann, wenn die Erwartungen aus dem Verkaufsprozess nicht mit der Realität in der Produktion übereinstimmen. Manchmal führt diese Art von Geschäftsmodell sogar dazu, dass sich Marken aufgrund ihrer Investitionen an eine bestimmte Lösung gebunden fühlen.

Empfehlung: Wählen Sie Marketinganbieter mit modernen, zukunftsorientierten Geschäftsmodellen. 

Marken sollten nach verbrauchsabhängigen Preisen fragen, oder „nur für das bezahlen, was sie verbrauchen“. Die Umstellung von einem Lizenzmodell auf ein nutzungsbasiertes Modell bietet eine Reihe von Vorteilen für Unternehmen, wobei der wichtigste Aspekt die Flexibilität ist. Bei dieser Art von Preisstruktur können sie leichter mehrere Modelle von konkurrierenden Lösungen testen und möglicherweise sogar zwischen ihnen wechseln. Vielleicht sind einige Modelle für bestimmte Anwendungsfälle besser geeignet als andere. Wie dem auch sei, wenn Sie wissen, was sich hinter dem Preisschild verbirgt, können Sie auf lange Sicht eine Menge Geld sparen und haben die Möglichkeit, sich von einer schlechten Lösung zu trennen. 

Wie Snowflake Marken bei der Suche nach den richtigen Lösungen hilft

Mit der Snowflake Data Cloud behalten Sie die Kontrolle über Ihre Kundendaten und erhalten gleichzeitig Zugang zu Partnern mit den besten KI/ML-Anwendungen. In Zukunft können viele dieser KI/ML-Lösungen in Verbindung mit einem Data Clean Room als native Applikation entwickelt und ausgeführt werden, die Snowflake bereits heute bereitstellt. Als Kund:innen von Snowflake möchten Sie sicherlich genau erfahren, wie Snowflake Ihnen beim Thema KI helfen kann. Wenden Sie sich an Ihre:n Kundenbetreuer:in. Oder lassen Sie uns wissen, wie wir Ihnen helfen können, aus den Kundendaten Ihrer Marke noch heute das Optimum herauszuholen.