Das Potenzial des teilüberwachten Lernens in Vertrieb und Marketing

Was ist teilüberwachtes maschinelles Lernen?

Teilüberwachtes Lernen ist eine hybride Form des maschinellen Lernens, die eine Kombination gelabelten und nicht gelabelten Daten verwendet.

Mit dieser Technik werden Datenpunkte, je nachdem, ob sie ein Label haben oder nicht, unterschiedlich behandelt. Wenn ein Datenpunkt gelabelt ist, verwendet ihn der Algorithmus, um die Gewichtungen zu aktualisieren, die zum Beispiel den Koeffizienten in einer linearen Regressionsgleichung zugewiesen sind. Wenn der Datenpunkt nicht gelabelt ist, versucht er, die Unterschiede einzudämmen, die beispielsweise in der K-Means-Analyse erfasst werden.

Die Effizienz des teilüberwachten Lernens kann durch eine Sammlung von Algorithmen zum aktiven Lernen verbessert werden. Aktive Lernalgorithmen erreichen mit weniger Abfragen eine hohe Genauigkeit als eine zufällige Auswahl von Abfragen. Vorerst betrachten wir aber aktives Lernen als eine Form des unüberwachten Lernens.

Hier sind die zwei wichtigsten Erkenntnisse zum teilüberwachten Lernen.

1. Teilüberwachtes maschinelles Lernen behandelt gelabelte Daten genauso wie überwachtes Lernen. Es erstellt Vorhersagen und berechnet Gewichtungen für die verschiedenen Variablen.
2. Teilüberwachtes maschinelles Lernen gestaltet das Modell mithilfe nicht gelabelter Datenpunkte einheitlicher. Nicht gelabelte Beispiele bauen auf den durch gelabelte Daten erzielten Fortschritten auf.

Überwachte vs. teilüberwachte vs. unüberwachte Lerntechniken

Der größte Unterschied zwischen überwachtem, teilüberwachtem und unüberwachtem Lernen besteht darin, auf welche Arten von Daten sie sich stützen.

Unüberwachtes maschinelles Lernen trainiert seine Algorithmen anhand von gelabelten Daten. Überwachtes Lernen unterteilt sich in zwei Haupttypen: Klassifizierung und Regression. Klassifizierungsalgorithmen könnten beispielsweise Interessenten einer Position in deinem Verkaufstrichter zuordnen. Regressionsalgorithmen können Cut-off-Werte für eine Entscheidungskennzahl, wie z. B. die Gewährung von Krediten, basierend auf einer Kombination aus Faktoren identifizieren.

Überwachte Lernalgorithmen erstellen ein retrodiktives Modell, das Beziehungen zwischen Beobachtungen findet, wodurch wir Dinge erfahren, die wir bisher nicht über die Daten wussten. Da das Labeln von Daten jedoch zeitaufwendig und teuer ist, verfügen überwachte Algorithmen für maschinelles Lernen oft nicht über alle Daten, die sie benötigen, um ihr retrodiktives Potenzial voll entfalten zu können.

Unüberwachtes Lernen findet Zusammenhänge in nicht gelabelten Daten. Es kann dir nicht unbedingt sagen, was deine Daten beschreiben, aber es kann dir Ähnlichkeiten aufzeigen. Da das Labeling ohne menschlichen Input auskommt, mangelt es nicht an Daten, die in die Algorithmen eingespeist werden können.

Aber das schiere Datenvolumen in einem Speicherabbild kann die Verarbeitung so langsam machen, dass aufgrund der Flut an Daten, die in das System fließen, nur begrenzt nützliche Informationen aus den Daten gezogen werden können. Infolgedessen erreicht die Analyse möglicherweise keinen ausreichenden F1-Wert.

Der F1-Wert berechnet das Verhältnis von richtig-positiven Ergebnissen (Beobachtungen, die korrekt kategorisiert sind) zu der Gesamtzahl der falsch-positiven Ergebnisse (Beobachtungen, die als etwas kategorisiert wurden, was sie nicht sind) plus der falsch-negativen Ergebnisse (Beobachtungen, die nicht als das kategorisiert wurden, was sie sind).

Wie bereits erwähnt, müssen beim teilüberwachten Lernen nicht alle Daten gelabelt werden, sondern es werden auch nicht gelabelte Daten verwendet. Dadurch wird das teilüberwachte Lernen zu einem Mittelweg zwischen überwachtem und unüberwachtem Lernen.

Die Grundlagen des teilüberwachten Lernens

Wir sehen uns jetzt in vier Schritten an, wie teilüberwachtes Lernen funktioniert, um dir zu helfen, einige seiner wichtigsten Komponenten zu verstehen.

1. Datenlabeling

Die erste und eine der wichtigsten Komponenten sind die Daten. Wie bereits erwähnt, verwendet das teilüberwachte Lernen zum Trainieren der Algorithmen gelabelte und nicht gelabelte Daten.

Beim teilüberwachten Lernen fügst du zunächst Labels zu einigen der Daten hinzu. Auf dieser Grundlage kannst du dann aufbauen, was für die folgenden Schritte wichtig ist.

2. Modelltraining

Nachdem du die Daten gelabelt hast, musst du deinem Algorithmus beibringen, was er damit machen soll und welche Ergebnisse du erwartest, bevor du irgendwelche nicht gelabelten Daten hinzufügst.

3. Nicht gelabelte Daten integrieren

Sobald du dein Modell mit den gelabelten Daten trainiert hast, kannst du die nicht gelabelten Daten hinzufügen. Da diese Technik des maschinellen Lernens beide Datentypen nutzen kann, kannst du damit die Kosten im Vergleich zum überwachten Lernen senken, da du deinen Datensatz durch das Hinzufügen von nicht gelabelten Daten vergrößerst.

4. Modellbewertung und -verfeinerung

Zum maschinellen Lernen gehören Auswertungen und Änderungen, damit du sicher sein kannst, dass das von dir erstellte Modell korrekt ist. Das Training ist ein kontinuierlicher Prozess. Du solltest also davon ausgehen, dass du Anpassungen an deinem Algorithmus vornehmen musst.

Die Vorteile des teilüberwachten Lernens in Vertrieb und Marketing

Maschinelles Lernen im Marketing kann dir helfen, dein Lead-Scoring und damit deine Personalisierung zu verbessern, um deine Zielgruppe zu identifizieren, sie zu verwalten und die Abwanderung von Kunden zu reduzieren.

Das teilüberwachte maschinelle Lernen kann auch eine Vielzahl von Datenanalysezielen unterstützen, die für digitale Marketingaktivitäten üblich sind.

Verbesserte Kundensegmentierung

In Studien zum teilüberwachten maschinellen Lernen als Tool zur Verbesserung der Kundensegmentierung wird die Technik oft als neuronales Feedforward-Netz beschrieben, das durch einen Backpropagation-Algorithmus trainiert wird.

Wenn du keine vollständigen Informationen zu deinen Interessenten hast, kann ein teilüberwachtes maschinelles Lernprogramm Daten auffüllen, sodass du sie nicht erfassen, eingeben und verifizieren musst.

Warum ist dies wichtig?

Du hast wahrscheinlich schon vom Pareto-Prinzip gehört. Angewandt auf ein Unternehmen bedeutet es, dass du mit 20 % deiner Kunden 80 % deiner Gewinne erzielst. Oder vielleicht hast du schon einmal von dem von den Marketingforschern Reichfeld und Teal entwickelnden Konzept namens Loyalitätseffekt gehört. Eine Steigerung der Kundenloyalität um 5 % kann zu einer Steigerung deiner Gewinne um 20 bis 95 % führen.

Es gibt einen Kompromiss zwischen den Kosten der Datenerfassung und den Vorteilen einer besseren Kundensegmentierung mit überwachten Lernprogrammen. Bei teilüberwachten Lernprogrammen sind die Kosten der Datenerfassung allerdings viel niedriger.

Verbesserungen bei Lead-Scoring und -Qualifizierung

Verkäufer wollen gerne vorhersagen können, welche Leads am Ende etwas kaufen werden. Insbesondere im B2B-Verkauf liegen die Daten zum Scoren und Qualifizieren von Leads wahrscheinlich bereits in deinem Web-Tracking und deinen E-Mail-Analysen von Mailchimp sowie in den Datensätzen deiner CRM-Datenbank vor.

In einem bestimmten Umfang können Lead-Scoring und -Qualifizierung mit überwachtem maschinellem Lernen durchgeführt werden. Deine Mailchimp-Analysedaten verraten dir zum Beispiel die Anzahl der geöffneten E-Mails. Du kannst deine Verkaufsdaten analysieren und daraus die Korrelation zwischen der Anzahl der geöffneten E-Mails und dem erreichten Umsatz berechnen.

In ähnlicher Weise könntest du mithilfe deiner Web-Tracking-Daten von Mailchimp eine Statistik erstellen, die die Anzahl der Besuche auf deiner Website mit der Wahrscheinlichkeit eines Verkaufs in Zusammenhang bringt. Aber wahrscheinlich würdest du feststellen, dass nicht alle Besuche auf Webseiten gleich sind. Teilüberwachtes maschinelles Lernen kann Analysen auf den Einzelseiten identifizieren, welche die Vorhersagekraft deines Lead-Scoring- und Qualifizierungsmodells verbessern.

Die Effektivität gezielter Werbung erhöhen

Gezielte Werbung richtet sich an Zielgruppen, die, je nach beworbenem Produkt, bestimmte Eigenschaften aufweisen. Bei diesen Merkmalen kann es sich um demografische, psychografische oder Muster bei früheren Kaufentscheidungen handeln.

Sobald die Zielgruppe identifiziert ist, wird die Werbung auf Eigenschaften ausgerichtet, auf einer bestimmten Seite einer ausgewählten Website platziert oder auf der Grundlage des Verhaltens angezeigt, nachdem sich Interessenten online auf eine bestimmte Art und Weise verhalten haben.

Die Datenmenge, die Vertriebsmitarbeiter über potenzielle Kunden haben, schränkt die Effektivität gezielter Werbung ein. Teilüberwachtes maschinelles Lernen arbeitet mit den vorhandenen Daten. Es erstellt aus einer Mischung aus gelabelten und nicht gelabelten Daten ein Modell des Käuferverhaltens.

Es erstellt Pseudo-Labels, um weitere Vorhersagen zu treffen, und verfeinert das Modell mit eingehenden Verkaufsdaten. Da das Modell immer mehr Lücken in der Datenerfassung schließt, verbessert es das Wissen um die ideale Käuferpersona ständig.

Personalisierung im E-Mail-Marketing

Wir alle nutzen in unserem E-Mail-Account jeden Tag teilüberwachtes Lernen. Spamfilter funktionieren mit gelabelten Daten (Nachrichten, die du als Spam gekennzeichnet hast) und nicht gelabelten Daten (Nachrichten, die du wahrscheinlich nie sehen wirst), um die Menge an Spam-E-Mails in deiner Mailbox wenigstens zu reduzieren.

Die Herausforderung des teilüberwachten maschinellen Lernens im E-Mail-Marketing besteht darin, deine Nachrichten zu "filtern", sodass die Empfänger sie öffnen und entsprechend handeln. Dafür kann teilüberwachtes maschinelles Lernen äußerst hilfreich sein.

• Den Zeitaufwand für A/B-Tests reduzieren. Mit unüberwachtem maschinellem Lernen kannst du mehr Elemente in deine E-Mails integrieren, um Öffnungsraten, Leserengagement und Klickraten zu erhöhen.
• Den Sendezeitpunkt deiner E-Mails genau abstimmen. Du möchtest doch bestimmt wissen, wann deine Kunden die Zeit und Muse haben, deine E-Mails zu lesen? Teilüberwachtes maschinelles Lernen kann die Gewohnheiten von E-Mail-Empfängern identifizieren und dir sagen, wann du deine E-Mails versenden solltest, sodass du bestmögliche Ergebnisse erreichst.
• Mehr Personalisierung. Wenn du weißt, was deine Kunden wollen, kannst du es ihnen verkaufen!

Prädiktive Kundenabwanderungsmodellierung

Teilüberwachtes maschinelles Lernen hilft dir nicht nur dabei, Verkäufe zu tätigen. Manchmal hilft es dir, deine Beziehung zu bestimmten Kunden zu retten. Kundenabwanderungsmodelle werden durch teilüberwachtes maschinelles Lernen mit weniger Daten genauer.

Häufige Herausforderungen und Einschränkungen beim teilüberwachten Lernen

Sei dir bewusst, dass teilüberwachte maschinelle Lernmodelle beim Training besser abschneiden und ihre Qualität von ihren Trainingsdaten abhängt. Daraus können sich einige Einschränkungen ergeben.

Begrenzte gelabelte Daten und ihre Auswirkungen auf die Modellleistung

Wie bereits erwähnt, werden Modelle für maschinelles Lernen durch ihre Daten eingeschränkt. Das bedeutet, dass ein Modell mit begrenzten gelabelten Daten auf diese Informationen beschränkt ist.

Laufende Pflege erforderlich

Beim teilüberwachten Lernen ist die Arbeit nicht mit einem Mal getan. Es erfordert ständige, sachkundige Pflege. Das bedeutet, dass maschinelles Lernen eine langfristige Investition ist und immer Aufmerksamkeit braucht.

Zukunftsaussichten des teilüberwachten Lernen

Teilüberwachtes und maschinelles Lernen allgemein werden weiter wachsen und Unternehmen, die keine Ressourcen zum Aufbau eigener Modelle haben, als As-a-Service-Angebote bereitgestellt werden.

Da sie immer problemloser auf Angebote zugreifen können, werden Unternehmen maschinelles Lernen langsam als Tool begreifen, mit dem sie ihre Dienstleistungen und ihr Kundenerlebnis verbessern können.