Schickler Media Index: Das geben Unternehmen 2019 für die Medienkanäle TV, Print, Digital & Co aus

Quelle: Pixabay

Der Werbemarkt wächst weiter – wenn auch etwas schwächer. Das zeigt der Schickler Media Index, eine der umfassendsten Statistiken über den deutschen Werbemarkt. Neben den klassischen Gattungen sind nahezu alle Formen digitaler Werbung enthalten, sowie Messen und Sponsoring.

Wir schätzen, dass im Jahr 2018 der Gesamtnettoumsatz um 3,3 Prozent auf fast 47,3 Milliarden Euro gestiegen ist. In 2019 hält der Trend der letzten Jahre weiter an, auch wenn das Wachstum etwas schwächer ausfallen dürfte.

Ungebremst ist der Trend, dass Unternehmen ihre Budgets in die direkte Kommunikation zu ihren Kunden erhöhen. Dazu gehören alle Wege des Corporate Publishing, insbesondere die digitalen Kanäle. App-Entwicklung, Corporate Social Media, die Erstellung von Corporate Videos und die Weiterentwicklung von Corporate Websites profitieren davon.

Online-Werbung wächst auch weiter, allerdings langsamer – mit Ausnahme der Werbung auf mobilen Endgeräten. Wir erwarten für mobile Werbung weiterhin ein deutliches Wachstum.

Die Print-Werbeträger entwickeln sich weiterhin rückläufig – wie in den letzten Jahren. Wir erwarten, dass stärkere Investitionen in neue Produkte und in die Vermarktung der Verlage diesen Trend verlangsamen – auch wenn dies noch nicht in diesem Jahr in den Gesamtmarktzahlen zu sehen sein dürfte. Wir sehen vor allem in der Zusammenarbeit mit regionalen Kunden bei einigen regionalen Verlagen schon vielversprechende Wege.

Für den Media Index wertet SCHICKLER zahleiche Quellen aus. Der Index umfasst die Ausgaben für alle Formen kommerzieller Kommunikation und zeichnet daraus ein Gesamtbild des Marktes.

Mehr zu den Studienergebnissen lesen Sie hier.

Chatbots – Funktionsweise & Relevanz für Medienunternehmen Teil 2/2

Aufgrund der potentiell hohen Effizienzsteigerungen, sieht SCHICKLER eine hohe Anwendungsrelevanz von Chatbots in Medienunternehmen. Wie bereits in Teil 1 angekündigt, besuchten ein Kollege und ich drei Chatbot Anbieter in Berlin, um Anwendungsfälle zu diskutieren und deren Chatbots kennenzulernen.

parlamind

Das Start-up parlamind wurde im Jahr 2015 gegründet. Der Fokus liegt auf der Optimierung des Kundenservices unter anderem mittels eines Chatbots. Parlamind kann an verschiedene Ticketsysteme (z.B. salesforce desk) angebunden werden und bietet zudem eine Omni-Channel Verknüpfung. Das bedeutet, dass Anfragen sowohl über E-Mail als auch über Formulare auf Websites und Chatbots in das System einfließen. Die KI von parlamind selektiert alle Anfragen und weist sie automatisch den entsprechenden Ansprechpartner zu. Einfache (standardisierte) Anfragen kann das System automatisch und in Echtzeit beantworten. Bei komplexeren Anfragen wird weiterhin ein menschlicher Servicemitarbeiter benötigt. Allerdings bietet parlamind dem Mitarbeiter eine Vorauswahl von Antwortbausteinen an, welche durch Anklicken direkt in das Antwortformular eingefügt werden. Zu Beginn der Einführung von parlamind in ein Unternehmen muss ein Skript für mögliche Anfragen und Antworten geschrieben werden. Dann kann ein Konfidenzlevel ausgewählt werden, jenseits dessen das System Anfragen eigenständig beantwortet. Wählt man beispielsweise ein Level von 90% aus, beantwortet das System eine Anfrage nur wenn es sich zu 90% (oder mehr) sicher ist, die Anfrage korrekt identifiziert zu haben und ihr eine passende Antwort zu weißen kann. Die parlamind KI arbeitet auch mithilfe von Machine Learning, das bedeutet je mehr Anfragen bearbeitet werden, desto besser kann es diese zukünftig beantworten. Das System kann zusätzlich durch Menschen trainiert werden, um einen schnelleren und besseren Lernprozess zu ermöglichen. Dazu muss der „Trainer“ Anfragen, bei denen sich das System unsicher war, im Nachhinein die korrekte Antwort zuweisen. Da parlamind hauptsächlich zur Beantwortung von Kundenanfragen dient, ist der vornehmliche Anwendungsbereich in Medienunternehmen das Kundenservicecenter. Parlamind arbeitet bereits mit einigen namhaften deutschen Verlagen zusammen. In dem Gespräch erfuhren wir zu dem, dass sich der Aufwand den parlamind Chatbot zu implementieren, sich erst ab ca. 10.000 Kundenanfragen pro Monat lohnt. Bei weniger Kundenanfragen lohnt es sich nicht, da der Bot nicht ausreichend Daten zum Lernen hat.

scalableminds

Das zweite Start-up, das wir Ihnen vorstellen möchten, ist scalableminds. Scalableminds arbeitet zusammen mit dem Start-up rasa, welches eine Open-Source Software für Chatbots anbietet. Scalableminds entwickelt seine Chatbots basierend auf der Software von Rasa. Grundsätzlich funktioniert der Chatbot von scalableminds ähnlich wie der von parlamind. Beide benötigen bei der Einführung ein geschriebenes Skript, beantworten Anfragen basierend auf einem festgelegten Konfidenzinterval und durch menschliche Unterstützung lernt der Chatbot dazu. Auch scalableminds bietet eine Omni-Channel Verknüpfung mit Kanälen wie E-Mail, Website und allen bekannten Messanger-Diensten. Zusätzlich kann der Chatbot in verschiedenen Sprachen aufgesetzt werden. Die aktuell größte Limitation des Chatbots sind Kundenanfragen, die sich aus mehreren Komponenten zusammensetzen. Möchte beispielsweise ein Zeitungskunde gleichzeitig seine Adresse ändern, die Zeitung für die nächsten 2 Woche abbestellen und noch eine Reklamation anmelden, fällt es dem Chatbot schwer eine passende Antwort zu finden, da das Problem nicht eindeutig zugeordnet werden kann und somit nicht automatisch beantwortet werden kann.

Twyla

Das dritte Start-up, das wir im Rahmen unserer Berlin Tour besuchten, ist twyla. Der Inkubator der Deutschen Telekom hub:raum investiert seit 2017 in das Start-up. Der twyla Chatbots bietet Anschlüsse an viele bekannte Ticketsysteme wie zendesk, salesforce und SAP. In den Funktionalitäten unterscheidet der twyla Bot sich nicht von deren der anderen zwei Start-ups. In Zusammenarbeit mit der Deutschen Telekom hat twyla einen „conversational store“ aufgesetzt. Anders als auf traditionellen E-Commerce Plattformen, interagiert man im conversational store mit einem Chatbot. Man teilt dem Chatbot mit, nach welchen Produkten man sucht anstatt sich selbständig durch die Website zu klicken. Damit bietet twyla auch andere Anwendungsgebiete als die Bearbeitung von Kundenanfragen. Zusätzlich setzt twyla auf eine sehr einfach zu bedienende Benutzeroberfläche, sodass nach der initialen Aufsetzung des Chatbots, jeder Mitarbeiter den Chatbot trainieren und somit optimieren kann, ohne IT-/Programmierkenntnisse zu benötigen.

Chatbots – Funktionsweise & Relevanz für Medienunternehmen Teil 1/2

Chatbots sind in unserem digitalen Alltag überall präsent: Auf Buchungsseiten für Hotels und Flüge, auf Seiten von Handyanbietern. Sie beantworten Fragen zu Produkten, unterstützen beim Lösen von Problemen und bearbeiten viele weitere Formen von Anfragen. Von vielen Nutzern oft nur als nettes Gimmick ohne wirkliche Hilfsfunktion gesehen, variieren Chatbots stark in ihrer Qualität und ihren Fähigkeiten. Doch was genau sind Chatbots und gibt es potentielle Anwendungsbereiche in Medienunternehmen?

Definition & Erklärung

Das Wort Chatbot setzt sich zusammen aus den Begriffen „Chat“ und „Robot“ und beschreibt somit einen Computer (Robot), der mit einem Nutzer interagiert (Chat). Das Ziel von Chatbots ist es, die Kommunikation mit Kunden zu automatisieren und somit ein qualitativ höherwertiges Serviceerlebnis zu ermöglichen (kein Kunde möchte 30 Minuten in einer Telefonwarteschleife feststecken). Aus Unternehmenssicht können Chatbots außerdem die Effizienz im Kundenservice steigern.

Chatbots interagieren („chatten“) mit Nutzern in Echtzeit. Dabei funktionieren die meisten Chatbots auf Textbasis. Es gibt aber auch einige, die auf Basis von Spracherkennung mit dem Nutzer kommunizieren. Die ersten Chatbots basierten auf vorgeschriebenen Dialogen. Das limitierte die Anwendung stark, denn die Chatbots konnten nur auf wenige vordefinierte Fragen antworten. Mittlerweile setzen Entwickler Künstliche Intelligenz (KI) ein, um eine individualisierte und realistische Konversation zu ermöglichen. Nutzer können mit den Chatbots über verschiedenste Kommunikationskanäle wie Websites, Social-Media-Plattformen und Instant-Messaging-Systemen interagieren. Auch der iPhone Sprachassistent Siri ist im Prinzip ein Chatbot.

Funktionsweise

Die Funktionsweise eines Chatbots lässt sich in zwei Schritte unterteilen: dem Analysieren der Anfrage und der Auswahl der Antwort. Im ersten Schritt wird der Text nach vordefinierten Regeln analysiert, oftmals sucht der Chatbot nach Schlagwörtern. Durch die Analyse kann er idealerweise die Anfrage des Kunden identifizieren. Der nächste Schritt hängt stark von der Qualität des Chatbots ab. Wie eingangs erwähnt arbeitet ein Großteil der Chatbots skript-basiert. Das bedeutet, dass einer limitierten Zahl von Anfragen eine vordefinierte Antwort zugeordnet wurde. Kann der Chatbot die Anfrage nicht eindeutig einordnen, ist er nicht in der Lage eine passende Antwort auszuwählen. Komplexere Chatbots, auch bezeichnet als selbstlernende Chatbots, agieren basierend auf Künstlicher Intelligenz und maschinellem Lernen.  Ähnlich wie bei den eingeschränkten Chatbots basieren solche, die mithilfe von Künstliche Intelligenz agieren, in der Einführungsphase auf vorformulierten Skripten. Er kann jedoch dazulernen und somit durch den kontinuierlichen Aufbau einer Wissensdatenbank immer komplexere Anfragen beantworten. Je mehr Anfragen der Chatbot bearbeitet, desto besser funktioniert er. Dabei wird sowohl die Analysefunktion als auch die Antwortfunktion kontinuierlich optimiert. Im Rahmen des Trainings ist zu Beginn jedoch immer noch eine menschliche Komponente notwendig, welche bei nicht lösbaren Anfragen die korrekte Antwort zuweist. Der Chatbot lernt dadurch hinzu und kann die Anfrage das nächste Mal eigenständig beantworten.

Relevanz für Medienunternehmen

Aktuell sieht SCHICKLER den Anwendungsbereich von textbasierten Chatbots vor allem im Kunden Service Center. Chatbots bietet dort eine gute Möglichkeit, Standardanfragen, wie z.B. das Abbestellen von Zeitungen im Urlaub, zu automatisieren und somit den Servicemitarbeitern mehr Zeit für die Bearbeitung komplexere Anfragen oder zusätzliche Aufgaben wie die Bewerbung von Kunden zu ermöglichen. Die potentiellen Kostenersparnisse im Kundenservice durch Chatbots sind enorm. SCHICKLER schätzt den Aufwand der Zeitungsbranche für Kundenservice auf 60-80 Mio. € pro Jahr. IBM gibt an, mit ihrem Chatbot Watson 80% der Kundenanfragen automatisieren zu können, was angesichts des hohen Anteils an Standardanfragen in der Zeitungsbrache realistisch erscheint. Dadurch ergibt sich ein Effizienzpotential von 48-64 Mio.€ pro Jahr. Der wesentliche Vorteil von Chatbots im Kundenservice Center bezieht sich allerdings nicht ausschließlich auf das Senken von Kosten, sondern bietet vor allem eine deutliche Steigerung der „User Experience“. Immer mehr Kunden erwarten durchgängige Erreichbarkeit im Kunden Service Center. Chatbots gewähren diesen Wunsch und eliminieren zusätzlich Wartezeiten, was schlussendlich zu einer höheren Kundenzufriedenheit führt.

Mit voranschreitender Entwicklung von KI sind zukünftige Anwendungen in Bereichen wie der Kundengewinnung oder dem Marketing denkbar. Sprachbasierte Chatbots existieren bereits in Form von Siri, Alexa und Google Assistant. Bis sie jedoch eins zu eins einen menschlichen Mitarbeiter ersetzen können, wird noch einige Zeit vergehen. Textbasierte Chatbots werden einen Großteil der Anfragen automatisieren können, jedoch werden sie weiter Limitationen haben. Die menschliche Komponente bleibt also auch in naher Zukunft ein großer Bestandteil in der Kundenbetreuung, die von den aktuellen Chatbots nicht ersetzt werden kann.

Um potentielle Anwendungsfälle von Chatbots in Medienunternehmen zu diskutieren, trafen ein Kollege und ich uns in Berlin mit verschiedenen Chatbot Anbietern. Lesen Sie unsere Erkenntnisse über die Arbeit in Teil 2.

BDZV/SCHICKLER Trendumfrage 2019 – die aktuellen Branchentrends

Künstliche Intelligenz, Preis- und Angebotsdifferenzierung sowie neue Geschäftsmodelle und Services in der Logistik. Das sind die Trends der Zeitungsbranche 2019. Sie sind das Ergebnis der Trendumfrage von BDZV und SCHICKLER. Jedes Jahr befragen wir die Top-Entscheider der Zeitungsverlage zu ihren Einschätzungen und Toptrends des jeweils gestarteten Jahres. Die Ergebnisse wurden Ende Januar von SCHICKLER-Partner Rolf-Dieter Lafrenz bei der Jahrespressekonferenz des BDZV vorgestellt.

Die Trends der Zeitungsbranche 2019

Trend 1: Künstliche Intelligenz wird in Verlagen Realität

Für Amazon, Google, Netflix und Co. ist Künstliche Intelligenz ein essentieller Bestandteil ihrer Geschäftsmodelle. Hier erwarten Top-Entscheider der Zeitungsverlage ab 2019 ein deutliches Wachstum bei den Verlagen. Medienunternehmen haben die besten Voraussetzungen für den Einsatz Künstlicher Intelligenz: die Prozesse sind vielfältig und es entstehen große Mengen an Daten, mit denen Algorithmen gespeist und verbessert werden können.

Trend 1: Künstliche Intelligenz

74% der Top-Entscheider bewerten Künstliche Intelligenz als relevant bis sehr relevant für ihre Zukunft – bei den großen Verlagen (ab 100.000 Exemplare verkaufte Auflage) sind es sogar 94%. Die größten Chancen sehen die Top-Entscheider in den markennahen Bereichen Werbemarkt, Redaktion und Lesermarkt. Hier können intelligente Algorithmen die Marktausschöpfung deutlich steigern.

Weitere Anwendungsbeispiele finden Sie auch in unserem Blogartikel Künstliche Intelligenz für Medienunternehmen und auf schickler.de/datascience.

Trend 2: Preis- und Angebotsdifferenzierung als Chance

Verlage setzen verstärkt auf moderne und flexible Preis- sowie Angebotsmodelle. Das zeigt der zweite Trend ganz deutlich. Sie richten sich damit vermehrt an die individuellen Bedürfnisse der Nutzer. Wir kennen dies in unserem Alltag beispielsweise von Mobilfunk- oder PayTV-Verträgen mit individualisierbaren Bestandteilen und verschiedenen Pricing-Modellen.

Trend 2: Preis- und Angebotsdifferenzierung

Laut unserer Trendstudie wird Preis- und Angebotsdifferenzierung von 79% der Verlage bereits eingesetzt oder der Einsatz ist innerhalb der nächsten drei Jahre geplant. Speziell bei den digitalen Angeboten ergeben sich neue Möglichkeiten. So bietet die Ibbenbürener Volkszeitung mit IVZ-Themenwelten beispielsweise schon heute ein digitales Abomodell basierend auf verschiedenen Themengebieten an, die die Nutzer nach Interesse einzeln buchen können.

Trend 3: Logistikdienstleistungen sind starke Wachstumstreiber

Logistik war schon immer eine wichtige Kompetenz der Verlage. Ursprünglich ein reines Mittel zum Zweck der Zustellung von Tageszeitung und Anzeigenblättern, haben viele Verlage in den letzten Jahren die Logistikstrukturen für den Aufbau von Briefdienstleistungen genutzt. Wachstum ist hier allerdings nur noch über eine Steigerung der Marktanteile möglich, und auch die Margen sind nicht überall befriedigend.

Trend 3: Logistikdienstleistungen

Daher folgt nun die nächste Entwicklungswelle der Logistikdienstleistungen: Verlage nutzen ihre Kompetenz und die vorhandene Infrastruktur, um neue Services rund um die Logistik aufzubauen. Hierzu gehören beispielsweise Kurierfahrten für Baustellen oder Fulfillment-Services für Online-Shops. So geben 71% der Top-Entscheider in unserer Studie an, dass Geschäftsfelder rund um die Logistik eine hohe strategische Relevanz haben – bei den großen Verlagen sogar 93%. Hierbei sollen auch neue Technologien und Arbeitsmodelle unterstützen: die drei relevantesten für Verlage sind Zusteller-Apps (74% geplante Einführung bis 2022), elektrische Zustell-Fahrzeuge (63% geplante Einführung bis 2022) und der Ausbau von Vollzeit-Arbeitsplätzen in der Logistik (62% geplante Einführung bis 2022).

Lesen Sie hierzu auch unsere passenden Artikel Zustellung nach dem Mindestlohn: „Letzte Meile“ im Fokus und Abseits der Letzten Meile: Logistik-Geschäftsmodelle.

Bei Interesse finden Sie die komplette Studie hier.

Use Case: Optimierung der B2B-Verkaufsorganisation durch Einsatz eines Recommender-Systems

Der Verkauf von Werbeplätzen im B2B-Geschäft ist ein wesentliches Geschäftsfeld in Medienhäusern. Dementsprechend kritisch ist eine effiziente und erfolgreiche Verkaufsorganisation für deren Gesamtgeschäftserfolg. Recommender-Systeme basierend auf modernen Machine-Learning Ansätzen können dabei helfen, in der Verkaufsorganisation sowohl den Absatz zu erhöhen als auch die Effizienz zu steigern. Im Folgenden diskutieren wir die Erstellung eines Kunden-individuellen Produkte-Rankings als konkrete Einsatzmöglichkeit eines Recommender-Systems in der B2B-Verkaufsorganisation. Eine allgemeine Einführung in die Funktionsweise von Recommender-Systemen, deren Einsatzmöglichkeiten in Medienunternehmen und die Chancen, die sich durch deren Nutzung bieten, finden Sie unter “Andere Kunden kauften auch…” – mehr Umsatz durch Einsatz von Recommender-Systemen im B2C- und B2B-Sales.

Abbildung 1: Welche Produkte sollen dem Kunden angeboten werden? 

Wie werden Entscheidungen in der Verkaufsorganisation getroffen?

Versetzen wir uns zunächst in folgende alltägliche Situation in Verkaufsorganisationen von Medienhäusern: Ein Verkaufsmitarbeiter besucht Firma 1 und bietet ihr Werbeplätze in Zeitung X und Online-Portal X an. Den Werbeplatz in Zeitung X konnte er bereits im letzten Jahr erfolgreich an Firma 1 verkaufen und da Zeitung X und Online-Portal X sehr ähnliche Inhalte haben, entschließt er sich dazu auch einen Werbeplatz bei Online-Portal X anzubieten. Der Verkaufsmitarbeiter stützt sich dabei hauptsächlich auf seine eigenen umfassenden Verkaufserfahrungen. Er weiß jedoch nicht, dass ein anderer Verkaufsmitarbeiter gerade bei der Firma 2, die in der gleichen Branche wie Firma 1 aktiv ist, erfolgreich Werbeplätze in Zeitung X, Zeitung Y und Zeitung Z verkaufen konnte und ein dritter Verkaufsmitarbeiter bei der Firma 3 nicht erfolgreich dabei war, zusätzlich zu Zeitung Z auch Online-Portal Z anzubieten.

Kunde Zeitung X Zeitung Y Zeitung Z Online- Portal X Online- Portal Z
Firma 1 Interessiert ??? ??? ??? ???
Firma 2 Interessiert Interessiert Interessiert
Firma 3 Interessiert Nicht interessiert Nicht interessiert

Tabelle 1: Historische Verkaufsinformationen

Recommender-Systeme können die gesamten in der Organisation angefallen Informationen auswerten und dem Verkaufsmitarbeiter automatisiert vor seinem Termin bei Firma 1 eine Liste mit Produkten erstellen, für die sich Firma 1 mit hoher Wahrscheinlichkeit interessiert. Dabei kann das System sowohl Ähnlichkeiten zwischen Kunden

  • Firma 1 und Firma 2 haben beide Werbeplätze in Zeitung X und Firma 2 zusätzlich Werbeplätze in Zeitung Y und Zeitung Z gekauft, also empfehle Firma 1 auch Zeitung Y und Zeitung Z

und zwischen Produkten

  • Zeitung Y und Zeitung Z sind ebenfalls Print-Medien und wurden mit Zeitung X zusammen gekauft, Online-Portal X enthält ähnliche Inhalte wie Zeitung X, also empfehle auch Zeitung Y, Zeitung Z, Online-Portal X

berücksichtigen.

Wie liefert ein Recommender-System optimierte Produktvorschläge?

Recommender-Systeme automatisieren die obigen Überlegungen im großen Stil. Sie sind in der Lage selbstständig wesentliche Zusammenhänge zwischen Kunden und Produkten zu erkennen und damit zuverlässige Vorhersagen für den Abschlusserfolg zu generieren. Zusätzlich zu den in Tabelle 1 dargestellten historischen Verkäufen und Verkaufsversuchen können beliebige weitere Kunden- und Produktinformationen in die Modellbildung einfließen. Ein Recommender-System bietet hierbei den großen Vorteil, dass es im Gegensatz zum menschlichen Entscheider prinzipiell beliebig große Daten- und Informationsmengen umfassend auswerten kann. Somit kann es auch Muster berücksichtigen, die erst durch die Analyse einer großen Zahl von Datenpunkten sichtbar werden. Zusätzlich trifft das System Vorschlags-Entscheidungen rein basierend auf der Daten-Faktenlage und ist im Gegensatz zum Bauchgefühl der Verkaufsmitarbeiter immun gegenüber kognitiven Verzerrungen. Nichtsdestotrotz liefern die Erfahrung und das Bauchgefühl der Verkaufsmitarbeiter wertvolle Erkenntnisse und können in hybriden Entscheidungssystemen berücksichtigt werden. 

Abbildung 2: Technischer Aufbau eines Recommender-Systems

Das Kernstück des Recommender-Systems ist ein Machine-Learning Modell, das trainiert wird um aus der Eingabe von Kunde und Produkt einschließlich zugehöriger Merkmale einen Score, wie z.B. die Verkaufs-Wahrscheinlichkeit oder den beim Kunden zu generierenden Umsatz mit diesem Produkt, zu berechnen. Basierend auf diesem Modell wird für einen Kunden ein Produkte-Ranking erstellt, indem für diesen Kunden der Score mit jedem Produkt berechnet und die Produkte nach dem Score sortiert werden. Der Output des Recommender-Systems, der dem Verkaufsmitarbeiter als Grundlage für die Vorbereitung des Termins bei Firma 1 dienen kann, könnte dann zum Beispiel wie folgt aussehen:

Rank Produkt Verkaufs-Wahrscheinlichkeit
1 Zeitung X 92%
2 Zeitung Z 63%
3 Zeitung Y 57%
4 Online-Plattform X 23%
5 Online-Plattform Z 8%

Tabelle 2: Ranking-Output des Recommender-Systems

Wie stark automatisiert diese Rankings am Ende in die Prozesse der Verkaufsorganisation eingebunden werden, können das Medienhaus und die Verkaufsmitarbeiter selbst entscheiden. Es kann direkt verwendet werden um zentral zu planen, welche Kunden mit welchen Produkten angesprochen werden, oder aber den Verkaufsmitarbeitern als Ergänzung zu ihren eigenen Einschätzungen bei der Verkaufsplanung dienen.

Welche weiteren Vorteile bietet der Einsatz eines Recommender-Systems?

Zusätzlich dazu, dass ein Recommender-System automatisiert Verkaufs-Wahrscheinlichkeiten liefert, kann es auch dabei helfen das Kaufverhalten der Kunden besser zu verstehen. Anhand des Outputs und der Zwischenergebnisse des Machine-Learning Modells können Kaufmuster aufgedeckt und homogene Kunden- und Produkt-Cluster identifiziert werden. Das folgende Bild zeigt beispielhaft die von einem Neuronalen Netz gelernten Produkt-Vektoren, so dass nahe bei einander liegende Punkte Produkte repräsentieren, die von gleichen Kunden gekauft werden. Dies erlaubt tiefe Einblicke in die Struktur des Produktportfolios rein auf Basis des Kaufverhaltens.

Abbildung 3: Darstellung der gelernten Ähnlichkeiten der Produkte (Farben entsprechen Produktgruppen und Kreisgrößen dem Gesamt-Umsatz mit diesem Produkt)

Darüber hinaus können weitere Daten-Analyse- und Clustering-Methoden genutzt werden, um das Kaufverhalten der Kunden besser zu verstehen. Besonders hervorzuheben ist dabei die Methode der Assoziationsanalyse, bei der automatisiert Regeln der Form „Wenn Zeitung X und Zeitung Y gekauft wurden, wird mit Wahrscheinlichkeit 87% auch Zeitung Z interessant sein“ gelernt werden können. Basierend auf diesen Regeln kann der Algorithmus dann Empfehlungen generieren. Zum Beispiel würde er Kunden, die Zeitung X und Zeitung Y gekauft haben, auch Zeitung Z vorschlagen. Dieser Algorithmus erstellt also nicht nur Empfehlungen “Kaufen Sie Zeitung Z”,  sondern er kann auch zusätzlich Begründungen “Wenn Zeitung X und Zeitung Y gekauft wurden, wurde oft auch Zeitung Z gekauft” für diese Empfehlungen liefern. Somit können tiefe Einblicke in die Kaufmuster gewonnen werden und die Produktempfehlungen sind einfacher zu plausibilisieren.

Recommender-Systeme und Machine-Learning-Tools können über die oben diskutierte Erstellung von Kunden-individuellen Produkte-Rankings hinaus noch weitere Aufgaben in der Steuerung der Verkaufsorganisation übernehmen. So kann zum Beispiel auch vorhergesagt werden, wann welche Kunden kontaktiert werden sollten, mit welcher Frequenz Kunden betreut und über welche Kanäle (Tele-Sales, persönlicher Besuch) optimal angesprochen werden können. Zudem können Kunden-individuell optimierte Preise und Rabatte bestimmt werden. Die Qualität dieser Vorhersagen hängt dabei stark von der vorhandenen Datenlage ab. Solange aber die endgültigen Entscheidungen bei menschlichen Entscheidungsscheidungsträgern liegen und der Output von Recommender-Systemen lediglich bei der Entscheidungsfindung unterstützt, können von Algorithmen aufgedeckte Zusammenhänge die Verkaufsplanung verbessern, ohne dass nicht erkannte Muster, die jedoch den Verkäufern durch ihre Erfahrung bekannt sind, ignoriert werden. Ein großer Vorteil von Machine-Learning Systemen ist auch, dass diese sich mit der Zeit weiterentwickeln, d.h. mit dem Zufluss neuer Daten lernen sie Zusammenhänge immer besser zu erkennen und Vorhersagen immer präziser zu treffen.

Listening-Center, Abo-Aufwertung, WLAN für alle und eine Gefängniszelle zum Auslegen – Die innovativsten Projekte der Zeitungsbranche 2018

In den drei Kategorien Produktinnovation, Vermarktungsinnovation und Neues Geschäftsfeld sowie einem Sonderpreis wurden im Rahmen des Zeitungskongresses im E-WERK in Berlin Ende September die Sieger des NOVA Innovation Award 2018 gekürt. Gemeinsam mit dem Bundesverband Deutscher Zeitungsverleger (BDZV) hat SCHICKLER diesen Award zum zweiten Mal organisiert. Die Preise gingen in diesem Jahr an

  • die Rheinische Post in Düsseldorf,
  • den Zeitverlag in Hamburg,
  • Kieler Nachrichten sowie
  • Die Welt aus Berlin.
NOVA-Award 2018: Alle Preisträger

Warum haben diese Ideen die Jury überzeugt?

1) Produktinnovation: Listening-Center der Rheinischen Post

Das Monitoring-Tool, das inhouse bei der RP entwickelt wurde, unterstützt die Lokal- und Mantelredakteure in Ihrer täglichen Recherche. Anhand eines Algorithmus werden Stimmungen aus 40 Millionen Quellen (u.a. soziale Netzwerke, Foren und Nachrichtenseiten) systematisch analysiert. Die Ergebnisse werden zusammengefasst, wodurch in Echtzeit Thementrends aufgespürt werden können.

Gerade im lokalen und regionalen Bereich hat die Lösung der RP ihre Stärken und kann sich von anderen Tools abgrenzen, wenn lokale Schlagworte mit spezifischen Filtern kombiniert werden. So erhält jede Redaktion der RP ein morgendliches Reporting mit den wichtigsten Links des individuellen Themenkosmos. Kein Wunder, dass bereits nationale und internationale Medienhäuser interessiert sind. So soll das Tool im Rahmen eines Lizensierungsmodells aktiv vermarktet werden.

NOVA-Award 2018: Preisträger Produktinnovation

2) Vermarktungsinnovation: Freunde der ZEIT des Zeitverlags

Mit Freunde der ZEIT baut der Zeitverlag ihr Zeitungsabonnement zum Clubmodell aus, welches vor allem auf die Stärkung der Abonnenten-Treue abzielt. In dieser Mitgliedschaft sind neben der Zeitung in gedruckter oder digitaler Form eine Reihe an zusätzlichen Leistungen enthalten:

  • Das Live-Programm mit verschiedensten Events, wie dem Tag der Zeit, Redaktionsbesuchen oder Workshops mit ZEIT-Experten.
  • Online-Angebote mit exklusiven Inhalten, wie Podcasts, Webinaren, E-Books oder einem eigenen WhatsApp-Channel
  • Abonnenten-Vorteile bei ausgewählten Partnern

Wir kennen nur wenige Verlage, die diesen Club-Gedanken so konsequent umsetzen, wie die ZEIT und das Handelsblatt. Neben der Steigerung der Kundenbindung und damit höhere Aboerlöse können diese Leistungen auch durch neue Vermarktungsansätze monetarisiert werden. Bei den diversen Veranstaltungen können Kooperationen mit Sponsoren geschlossen werden und durch die Vorteilsangebote von Partnern werden deren Produkte beworben.

NOVA-Award 2018: Preisträger Vermarktungsinnovation

3) Neues Geschäftsfeld: #SH_WLAN der Kieler Nachrichten

Weiter weg vom klassischen Zeitungsgeschäft befindet sich die Innovation der Kieler Nachrichten. Sie haben das Ziel, über das Verbreitungsgebiet ein möglichst umfassendes WLAN-Netzwerk zu spannen. Bislang sind bereits über 1.500 Hot-Spots in Schleswig-Holstein installiert, an denen sich schon 700.000 Personen registriert haben. Dies gelang der Kieler Nachrichten gemeinsam mit ihren beiden Partnern Sparkassen Schleswig-Holstein und Ruckus Accespoints. Die Access-Points werden lokalen Geschäftskunden gegen eine variable Gebühr je nach User-Zugriffen bereitgestellt. Neben dieser Einnahmequelle können auch gezielte Inhalte sowie Werbung an den Access-Points ausgespielt werden, was durch den Verlag gesteuert wird. Neben diesen finanziellen Aspekten, war der gesellschaftliche Charakter dieser Idee für die Jury ausschlaggebend.

NOVA-Award 2018: Preisträger Neues Geschäftsfeld

4) Sonderpreis: Deniz Yücels Leben der Welt

Auch für die erstmalige Vergabe des Sonderpreises spielte das Kriterium gesellschaftlicher Nutzen eine übergeordnete Rolle. Denn diese – vor allem inhaltlich getriebene – Idee ist weder skalierbar noch gut auf andere Verlage übertragbar. Trotzdem hat sie die Jury mit ihrer Kreativität überzeugt. Auf Basis einer Originalzeichnung Yücels aus dem Gefängnis, wurde der Grundriss seiner Zelle 1:1 nachempfunden und in einer Sonderausgabe der Welt abgedruckt. Aus den jeweiligen Blatt-Rückseiten der Zeitung konnten sich die Leser den Grundriss der Zelle maßstabsgetreu zu Hause auslegen. Ein deutliches Zeichen der Redaktion für den freien Journalismus.

NOVA-Award 2018: Preisträger Sonderpreis

Wieder einmal konnte die Branche mit diesem Event zeigen, dass sie trotz der schwierigen Marktsituation durchaus gute Ideen hervorbringt. Nur durch Innovation kann nachhaltiges Wachstum generiert werden. Wie Sie als Verlag die Zukunft selbst gestalten können, erfahren Sie in unserem aktuellen Einblick zum Innovationsmanagement bei Verlagen.

Diesen können Sie hier anfordern:

https://www.schickler.de/2018/11/innovationsmanagement-wie-medienhaeuser-auch-in-zukunft-relevant-bleiben/

#DataDeepDive – dpa Hackathon mit Schickler Data Science Team

Unter dem Motto #DataDeepDive fand vom 29. November bis 1. Dezember bereits zum dritten Mal der dpa Hackathon im Newsroom der deutschen Presseagentur (dpa) in Berlin statt. Ziel war es, datengetriebene Lösungen zu entwickeln, um die Arbeit der Journalisten im dpa-Newsroom zu erleichtern und neue datenbasierte Produkte oder Produktverbesserungen für die Nachrichtenagentur zu kreieren. Die behandelten Themen umfassten unter anderem die automatisierte Erstellung von journalistischen Inhalten in Text und Graphiken (Robot Journalism), die Auswertung und Erkenntnisgewinnung aus öffentlichen Datenquellen (Public Data) und die Verwendung von Nutzerdaten zur optimalen Ausspielung von Inhalten (DataDriven-Publishing).

Abbildung 1: Logo des Hackathons

Das Format des Hackathons und die bunte Mischung von circa 80 Teilnehmen aus den Bereichen Software-Entwicklung, Journalismus und Data Science boten optimale Voraussetzungen für die Entwicklung innovativer Ideen. Zudem bekamen die Teilnehmer von den dpa-Mitarbeitern im Newsroom direkte Einschätzungen zur Umsetzbarkeit und zum Nutzen ihrer Konzepte.
Nur 50 Stunden hatten die Teilnehmer Zeit um von den ersten Ideen bis zum finalen Pitch tragfähiger Konzepte und zur Vorstellung funktionsfähiger Prototypen zu gelangen. Trotzdem haben sich insgesamt 11 Teams gefunden, denen es in dieser kurzen Zeit gelungen ist 11 Projekte zu erarbeiteten, die aufzeigen wie die Zukunft redaktioneller Arbeit und journalistischer Produkte aussehen könnte.

Mit Robot Journalism werden automatisiert Texte und Graphiken erstellt

Die Teams Regio Reports und Loki beschäftigten sich mit der Frage, wie Lokaljournalisten aus großen öffentlichen Datensätzen, wie sie zum Beispiel das statistische Bundesamt regelmäßig veröffentlicht, mit geringem Aufwand für ihre Region relevante Einsichten gewinnen können. Sie entwickelten Algorithmen, die automatisiert Zusammenfassungen und Graphiken für jede Region erstellen und diese an die Lokalredaktionen versenden. Das Team Loki programmierte zudem einen Chatbot, über den Journalisten entsprechende Inhalte anfragen können und der diese dann automatisiert bereitstellt. Das Team Regio Reports wurde für sein Konzept mit dem Preis Best of API Prototype ausgezeichnet.

Abbildung 2: Das Team VizGov gewinnt den Preis Best Overall (Foto dpa)

Das Team VizGov, das mit dem Preis Best Overall ausgezeichnet wurde, konnte die Jury mit einem Programm überzeugen, das automatisiert Bundestagsprotokolle auswertet. So kann das Tool zum Beispiel feststellen, welche Fraktion für die meisten Zwischenrufe verantwortlich ist oder welcher Abgeordnete bei seinen Redebeiträgen den meisten Applaus oder die meisten Lacher erntet. Auch das Team VizGov programmierte einen Chatbot, dem Journalisten solche Fragen stellen können und der dann automatisiert die erfragte Information aus den Protokollen extrahiert.
Journalisten bietet sich eine Vielzahl von Möglichkeiten einen Text oder eine Graphik zu gestalten. Oft jedoch fehlt die nötige Information darüber, welche Form dem Leser am besten gefallen wird. Einen interessanten Workaround für dieses Problem entwickelte das Team Fluid Articles. Es kreierte ein Tool zur Erstellung interaktiver Graphiken, die der Nutzer selbst verändern kann. Anhand der Veränderungen der Graphik durch die Nutzer lernt der Algorithmus welche Darstellung den Nutzern am besten gefällt und präsentiert neuen Nutzern eine überarbeitete Darstellung. Potentiell ist ein ähnliches Konzept auch für Textinhalte denkbar. So können zum Beispiel Textteile, bei denen ein Nutzer das Lesen abbricht, automatisiert überarbeitet werden.

Smarte Algorithmen erleichtern die Arbeit in der Redaktion

Redaktionen stehen bei der Erstellung journalistischer Inhalte permanent unter Zeitdruck. Viele Teams suchten deswegen nach Lösungen um die Arbeit der Journalisten zu erleichtern und zu beschleunigen. Das Team Robocop beschäftigte sich mit dem Problem, dass täglich hunderte von Pressemitteilungen in Redaktionen eingehen und manuell die berichtenswerten Mitteilungen herausgefiltert werden müssen. Für die Entwicklung eines Algorithmus, der automatisiert Polizeiberichte scannt und nach ihrer Wichtigkeit sortiert, wurde das Team mit dem Preis Most Innovative ausgezeichnet. Weitere denkbare Anwendungen des Algorithmus umfassen die automatisierte Prüfung beliebiger Pressemitteilungen auf Relevanz oder das Durchsuchen von Social Media Feeds nach berichtenswerten Ereignissen.

Abbildung 3: Das Team Robocop bei der Arbeit (Foto dpa)

Um Journalisten bei der Recherche zu unterstützen, entwickelte das Team Context ein Programm, das die Berichterstattung über eine Person auswertet und visualisiert. So wird auf einen Blick deutlich, in welchem Kontext eine Person in der Vergangenheit im öffentlichen Interesse stand. Der Algorithmus kann zudem angepasst werden um die Berichterstattung über Organisationen, Länder, Orte und ganz allgemein Themen zu visualisieren.
Ein weiterer wichtiger Punkt für die Produktion qualitativ hochwertiger journalistischer Inhalte ist die Verifizierung von Quellen. Das Team veri easy entwickelte hierfür einen Algorithmus, der die Echtheit von Fotos analysiert. Mit dem Ziel Nachrichtenhäusern Fotos und Videos schneller zur Verfügung zu stellen kreierte das Team Crowdforce eine App, über die sowohl professionelle Fotografen als auch Amateure ihr Bildmaterial anbieten können. Journalisten können in der App dann mit Hilfe von Stichworten, Zeit- und Ort-Restriktionen passendes Material finden.

Durch DataDriven-Publishing werden Leser optimal angesprochen

Bei digitalen Medieninhalten besteht die Möglichkeit eine Vielzahl an Nutzungsparametern wie Leserzahl, Lesedauer und Lesetiefe zu erfassen. Basierend auf diesen Werten können Inhalte optimiert oder Leser-individuell ausgespielt werden. Im Gegensatz zu den Medienhäusern, die die Inhalte direkt an die Leser weitergeben, verfügt die dpa als Nachrichtenagentur, die ihre Inhalte an die Medienhäuser verkauft, allerdings nicht über diese Informationen. Deswegen entwickelte das Team HillSight ein Kooperationsmodell zur Weitergabe relevanter Performance-Parameter von den Medienhäuser an die dpa. Die dpa kann mit Hilfe dieser Informationen ihre Inhalte optimieren und ein werthaltigeres Produkt anbieten. Die Medienhäuser profitieren von der Kooperation dadurch, dass sie für die Erreichung ihrer strategischen Ziele wie Reichweite und Paid-User-Conversion maßgeschneiderte Inhalte erhalten.
Um möglichst vielen Artikeln eine interessierte Leserschaft zu verschaffen, entwickelte das Team Fair chance ein Recommender System für Online-Artikel. Das Team Vor der Tür entwickelte ein Content-Portal, auf dem auf Nachbarschaftsebene interessante Nachrichten gesammelt werden. Über das Portal können lokal relevante Nachrichten, Veranstaltungsinformationen und viele weitere Inhalte sowohl von kommerziellen Anbietern als auch von Privatpersonen geteilt werden. Die Nutzer können selbst steuern über welche Inhalte sie durch das Portal informiert werden möchten.

Schickler begleitete den Hackathon als Sponsor und war mit dem Data Science Team vor Ort. Amr Rekaby Salama und Ole Martin fungierten als Mentoren und unterstützten die Teams bei technischen und konzeptionellen Fragestellungen. Dr. Christoph Mayer war als Jury-Mitglied bei der Auswahl der besten Beiträge beteiligt.

Schickler Data Science: Künstliche Intelligenz für Medienunternehmen

Google wird bei allen seinen Angeboten in den nächsten Jahren Machine Learning einsetzen. Das gibt CEO Sundar Pichai bekannt.

Was daran bemerkenswert ist: Google sieht die größten Potenziale offenbar nicht in der Entwicklung neuer Produkte und Services, sondern im Einsatz Künstlicher Intelligenz in bestehenden Produkten, Services und Prozessen.

Und was noch bemerkenswerter ist: Die Chancen, die Google mit Künstlicher Intelligenz und Machine Learning hat, hat jedes Unternehmen – und Medienunternehmen ganz besonders: Da die Prozesse und Geschäftsbeziehungen hin zu Kunden und Unternehmen hier so vielfältig sind, ergeben sich durch den Einsatz von Künstlicher Intelligenz vielfältige Chancen – und zwar ebenfalls in der deutlichen Verbesserung bestehender Produkte, Services und Prozesse.

Schickler Data Science

Um Medienunternehmen beim Einsatz Künstlicher Intelligenz zu unterstützen hat Schickler ein eigenes in-house Data Science Team aufgebaut. Es arbeitet in Projekten Hand in Hand mit den Schickler-Beratern. Gemeinsam identifizieren sie Chancen für den Einsatz Künstlicher Intelligenz, entwickeln Algorithmen und programmieren Prototypen.

Hier einige Beispiele dafür, wie Künstliche Intelligenz das Google-Angebot verbessert:
Mithilfe Künstlicher Intelligenz kann…

  • Google Translate noch natürlicher übersetzen,
  • dem Nutzer noch passendere und relevantere Werbung angezeigt werden,
  • Google Suche noch besser verstehen, wonach der Nutzer sucht,
  • der Smartspeaker Google Home wissen, wer gerade mit ihm spricht und der Person auf sie zugeschnittene, passende Antworten geben
  • Google Maps Staus noch besser vorhersagen und Autofahrer bestmöglich zum Ziel bringen.

Diese Verbesserungen stehen natürlich nicht nur Google gut. Use Cases für Künstliche Intelligenz in Medienunternehmen gibt es viele. Einige Beispiele hierfür sind:

  • Verkaufssteuerung: Erstellen von Empfehlungen, welche Werbekunden wann und mit welchem Angebot angesprochen werden sollen,
  • Identifizierung von Upselling Möglichkeiten: Wo es sie gibt und bei welchen Kunden die höchsten Verkaufschancen bestehen; welche Leser für ein E-Paper Upselling angesprochen werden sollten und wer die höchsten Upselling-Chancen hat,
  • Paid Content: einen Online-Leser in Echtzeit klassifizieren und entscheiden, welche Inhalte vor und welche hinter die Paywall müssen und so die Conversion auf ein Paid Content-Abo erhöhen,
  • Vermeidung von Zustellproblemen Historische Daten, Wetter, Druckspezifika etc. geben preis, in welchen Bezirken der Zustelllogistik es am nächsten Tag Herausforderungen geben kann – so dass rechtzeitig gegengesteuert werden kann,
  • Prognosen im Produktionsprozess: Früherkennung, wo Herausforderungen auftauchen können, die bereits pro aktiv gelöst werden könnten (z. B. in Druckereien)
  • Die Liste lässt sich beliebig fortführen. Das Schickler Data Science Team hat einen umfassenden Katalog an Anwendungsfällen von Künstlicher Intelligenz in Medienunternehmen zusammengestellt: die Schickler Data Science Landkarte gewährt einen exklusiven Einblick.

Produkte, Services und Prozesse werden durch Künstliche Intelligenz günstiger, maßgeschneiderter und effizienter.

Welche Chancen ergeben sich bei Ihnen?

UKW vs. DAB+: Die Zukunft des Digitalradios in Deutschland

Ist DAB+ die Zukunft des Radios? Oder haben 5G, Smartspeaker & Co. die Übertragungstechnologie längst überholt? Und welchen wirtschaftlichen Effekt haben DAB+ und die immer wieder diskutierte UKW-Abschaltung für Radiosender?

DAB+ – „Digital Audio Broadcast“ – steht für die digitale statt der analogen UKW-Übertragungstechnologie. Das „+“ steht dabei für einen weiterentwickelten Standard – denn digitales Radio gibt es tatsächlich schon seit einiger Zeit. Entwickelt wurde die erste Version des Digitalradios bereits in den 90er Jahren. 2011 wurde die weiterentwickelte Version DAB+ vorgestellt. Mit einer nochmals verbesserten Audioqualität und geringeren Sendekosten soll sie UKW den Kampf ansagen. Die Vorteile, die digitales Radio mit sich bringt sind vielfältig: verbesserte Audioqualität, geringere Übertragungskosten und mehr Sender. Anders als bei UKW gibt es für DAB+-Sender fast unbegrenzt Übertragungskapazitäten. Sie bietet den Hörern eine größere Auswahl an Programmen. Zudem eröffnet DAB+ den Hörern weitere Mehrwertdienste, beispielsweise blendet es Album-Cover der jeweiligen Songs ein.

Deutschlandweit wurden bis heute fast 12 Millionen DAB+-fähige Geräte verkauft. Alleine im Jahr 2017 waren es 1,3 Millionen (Quellen: Arbeitsgemeinschaft der Landesmedienanstalten, HEMIX). Damit ist der Verkauf von DAB+-Radios im Vergleich zum Vorjahr um 11 Prozent gewachsen. Demnach haben inzwischen knapp 16 Prozent aller Deutschen Zugang zu einem DAB+-fähigen Gerät – Tendenz steigend. Die Mehrheit setzt allerdings nach wie vor auf analoges Radio – was die Reichweite von UKW mit 95 Prozent zeigt. Zudem laufen bisher lediglich 7 Prozent der Autoradios über DAB+ (Quelle: Die Medienanstalten, Digitalisierungsbericht 2017). Um die Vielfalt der verschiedenen Sender zu fördern und Kosten zu sparen, kommt immer wieder die Diskussion einer UKW-Abschaltung auf. Private Radiosender fürchten, dass sie damit in naher Zukunft deutlich an Hörern verlieren würden und so auch weniger Erlöse aus Werbung erzielen könnten. Möglicherweise könnten Hörer ohne DAB+-Gerät eher auf ein Radio verzichten, statt ein Gerät mit der neuen Technologie zu kaufen.

Die Schickler Unternehmensberatung hat in einer eigenen Studie untersucht, wie eine UKW-Abschaltung sich auf die wirtschaftlichen Effekte von privaten Radiosendern auswirkt. Die Ergebnisse präsentierte Schickler-Berater Dr. Christoph Mayer auf den Medientagen München. Aus der Studie geht hervor, dass eine Abschaltung von UKW für private Radiosender erst dann tragbar sein wird, wenn DAB+ eine Reichweite von ca. 90 Prozent erreicht. Basis der Berechnungen sind die Kosten und Einnahmen realer Radiosender in Deutschland, die stündlich zwischen 20.000 und 1 Million Hörer haben und so eine Bandbreite an privaten Radiosendern repräsentieren. Um zu prognostizieren, wann DAB+ eine Reichweite von 90 Prozent erreicht, nutzt die Studie verschiedene mathematische Modelle, die zu unterschiedlichen Verlaufsszenarien für die DAB+-Reichweite in Deutschland führen (Abbildung 1).

Abbildung 1: Szenarien für die Entwicklung der DAB+-Reichweite in Deutschland

  • Ländermodelle Norwegen und Großbritannien: Das Ländermodell überträgt die Entwicklung von DAB+ in den vergangenen zehn Jahren in Großbritannien und Norwegen auf Deutschland (Abbildung 2).

    Abbildung 2: DAB+-Reichweite Deutschland, Norwegen und Großbritannien

    Basis für das Modell lieferte die Beobachtung, dass der Stand von DAB+ in Deutschland momentan etwa dem Stand in Norwegen und Großbritannien vor zehn Jahren entspricht. Bei näherer Betrachtung allerdings erscheint ein Vergleich mit Norwegen unrealistisch: politische Abläufe in Deutschland und Norwegen unterscheiden sich grundlegend. Einen weitaus tragbareren Vergleich liefert Großbritannien: politisch und technologisch ähnliche Rahmenbedingungen ermöglichen einen direkten Vergleich. Demnach hat Deutschland im Jahr 2039 eine DAB+-Reichweite von 90 Prozent entwickelt.

  • Durchdringungsmodell: Das zweite Szenario beruht auf dem Bass-Diffusionsmodell. Das mathematische Modell untersucht den Verlauf der Durchdringung neuer Technologien am Markt und wendet es auf DAB+ an. Demnach ist die Reichweite von DAB+ in Deutschland frühestens ab 2033 groß genug, um UKW abzuschalten, ohne dass es die Überlebensfähigkeit privater Radiosender bedroht.
  • Erneuerungsmodell: Diesem Szenario liegt die Erneuerungsrate von Radiogeräten in Haushalten und Autos in Deutschland zu Grunde. Sie steigt deutlich, wenn UKW abgeschaltet ist. Das wiederum beeinflusst den Verkauf von DAB+ stark. Das Erneuerungsmodell sagt für 2036 eine Entwicklung der Reichweite auf 90 Prozent voraus.

Die Modelle vereint, dass die Reichweite von DAB+ erst in ferner Zukunft hoch genug sein wird, um für private Radiosender eine tatsächliche Alternative zu UKW darzustellen. Um die Konsequenzen einer zeitnahen UKW-Abschaltung abschätzen zu können, berechnet die Studie zusätzlich die Umsatzverluste der Radiosender bei einer Abschaltung im Jahr 2030, 2025 und zum jetzigen Zeitpunkt (Abbildung 3).

Abbildung 3: Umsatzverluste durch UKW-Abschaltung in Abhängigkeit vom Zeitpunkt der Abschaltung

Bei einer Abschaltung von UKW im Jahr 2018 müssen die untersuchten Sender mit einem Umsatzverlust von durchschnittlich über 60 Prozent rechnen.  Auch 2025 kostet eine Abschaltung noch mehr als 25 Prozent des Umsatzes.

Die Studie zeigt deutlich, dass eine vorschnelle Abschaltung von UKW die Existenz vieler Radiosender bedroht. Dem politischen Ziel von DAB+, nämlich eine größere Vielfalt an Sendern zu schaffen, könnte also schnell ein Sterben von Radiosendern folgen. Auch die eng gefasste Gegenüberstellung UKW vs. DAB+ hat sich in der Realität bereits überholt. Neue Technologien wie Smartspeaker, 5G Broadcast Mode und Co. führen zu einer Vielzahl neuer Übertragungswege. Radiosender müssen sich darauf einstellen, sämtliche Übertragungswege zu bespielen – denn am Ende entscheidet der Hörer.

Die vollständige Studie kann beim VBRA heruntergeladen werden, der auch einen Bericht zur Veranstaltung auf den Medientage München bereitstellt.

“Andere Kunden kauften auch…” – wie Recommender-Systeme zu mehr Umsatz führen

Amazon generiert 35% seines Umsatzes und Netflix 75% der Reichweite seiner Inhalte ausschließlich durch die Nutzung von Recommender-Systemen! Lernen Sie im folgenden Artikel, was Recommender-Systeme sind, was für Einsatzmöglichkeiten sich für Recommender-Systeme in Medienunternehmen bieten und welche Chancen durch ihre Nutzung realisiert werden können.

Was sind Recommender-Systeme?

Kunden oder Nutzer stehen häufig vor einer großen Auswahl an Produkten oder Inhalten. Ihre Kauf- oder Nutzungsentscheidung hängt dann maßgeblich davon ab, dass sie die für sie interessanten Produkte und Inhalte möglichst schnell und mit geringem Aufwand herausfiltern können.  Dabei helfen Recommender-Systeme (dt. Empfehlungsdienste oder Vorschlagssysteme). Das sind algorithmenbasierte Systeme, die für jeden Kunden automatisiert die Produkte auswählen können, die ihn mit hoher Wahrscheinlichkeit interessieren. Die Systeme lernen aus historischen Verkaufsdaten, Kunden- und Produktinformationen, für welche Kunden welche Produkte oder Inhalte besonders interessant sind. Sie erstellen automatisiert für jeden Kunden Rankings und können so den Prozess der optimalen Zuordnung von Kunde und Produkt bzw. Inhalt unterstützen.

Abbildung 1: Prinzipielle Funktionsweise von Recommender-Systemen

Amazon und Co. – die Großen machen es vor

Prominente Unternehmen zeigen, was für ein enormes Potential Recommender-Systeme bieten: Amazon zum Beispiel generiert 35 Prozent seines Umsatzes über Käufe, die durch Produktvorschläge ausgelöst wurden. 75 Prozent der Filme und Serien bei Netflix werden gesehen, weil sie das hauseigene Recommender-System vorgeschlagen hat. Die Online-Werbeeinnahmen von Medienunternehmen skalieren hauptsächlich mit der Reichweite und Nutzungsdauer von Online-Inhalten. So zeigt insbesondere das Netflix-Beispiel, welche Chancen Recommender-Systeme Medienunternehmen bieten, ihre Umsätze zu steigern. Heutzutage nutzen die meisten Menschen täglich Suchmaschinen wie Google. Sie sind im Wesentlichen nichts anderes als riesige Recommender-Systeme, die zu Suchbegriffen passende Webseiten vorschlagen. Die meisten Kunden von Medienhäusern sind zudem mit Vorschlagssystemen aus dem Onlinehandel und von Unterhaltungsplattformen wie Netflix, Youtube und Spotify bestens vertraut – und schätzen deren Vorzüge. Folglich ist das Risiko, dass eigene Systeme wenig oder schlecht angenommen werden, verhältnismäßig gering.

Abbildung 2: Artikelvorschlagssystem von Amazon

Die Einsatzbereiche in Medienhäusern sind vielfältig

Gerade in Medienhäusern ist mit Recommender-Systemen viel möglich: So können zum Beispiel Cookies oder User-Accounts tracken, welche Nutzer welche Inhalte auf Online-Nachrichtenseiten lesen. Basierend auf diesen Informationen können dann automatisiert nutzerspezifische Inhalte vorgeschlagen werden – so dass für den Nutzer beispielsweise am Ende eines Artikels weitere für ihn interessante Artikel verlinkt sind oder individuelle Startseiten für ihn erstellt werden. Weiterhin können Recommender-Systeme dabei helfen, welche Nutzer welche Werbung über Pop-Ups oder Banner zu sehen bekommen. Werbung, die mit hoher Wahrscheinlichkeit für den Nutzer relevant ist, kann die Click-Through-Raten und damit auch die Werbeeinnahmen massiv erhöhen. Im Kundenservice können Recommender-Systeme automatisiert Lösungen für eingehende Anliegen vorschlagen. Sie können dann entweder direkt an den Kunden gesendet werden oder den Service-Mitarbeiter bei der Kundenberatung unterstützen. Weiterhin stehen Mitarbeiter in der Verkaufsorganisation von Medienhäusern täglich vor der Entscheidung, an welche Kunden sie mit welchen Produkten herantreten. Oft entscheiden sie dann basierend auf persönliche Erfahrungen. Ein Recommender-System kann die Erfahrungen aller Mitarbeiter für die gesamte Organisation zugänglich machen, den Mitarbeitern bei der Entscheidung helfen und neue Zusammenhänge aufdecken (Vgl. Christoph Mayer, Künstliche Intelligenz und Maschinelles Lernen: Hintergrund, Anwendungsfälle und Chancen für Medienunternehmen, erschienen in MedienWirtschaft 03/2018).

Immer niedriger: die technischen Hürden

Obwohl man den Einsatz hochentwickelter Machine-Learning-Methoden, wie sie bei Recommender-Systemen verwendet werden, hauptsächlich mit führenden Technologie-Unternehmen aus dem Silicon Valley verbindet, sind die Hürden für die Einführung von Recommender-Systemen überraschend niedrig. Als Datengrundlage reichen bereits einfache Aufzeichnungen darüber, welcher Kunde in der Vergangenheit welche Produkte gekauft bzw. welche Inhalte konsumiert hat. Die Einbeziehung weiterer Kunden- und Produktinformationen kann die Qualität von Recommender-Systemen zusätzlich verbessern. Schickler-interne Untersuchungen basierend auf realen Datensätzen haben aber gezeigt, dass bereits ausschließlich auf der Verkaufshistorie trainierte Systeme sehr gute Ergebnisse liefern können. Zudem können Systeme variabel aufgesetzt werden, so dass neu verfügbare Kunden- und Produktdaten später ergänzt werden können. Zusätzlich dazu, dass die benötigten Daten oft schon vorhanden sind, wird auch das Aufsetzen der Algorithmen immer einfacher. Zum einen gibt es mittlerweile eine sehr hohe Verfügbarkeit von Machine-Learning APIs, die viele vorgefertigte Programmbausteine beinhalten und somit die Entwicklung entsprechender Recommender-Systeme massiv beschleunigen können. Zum anderen stehen Cloud-Services wie Amazon Web Services für einen flexiblen und kostengünstigen Betrieb dieser Systeme zur Verfügung.

Fazit: Ergreifen Sie die Chancen

Medienhäusern bieten sich durch den Einsatz von Recommender-Systemen vielseitige Möglichkeiten um Umsätze zu erhöhen und Prozesse effizienter zu gestalten. Zusätzlich können dabei die Kundenzufriedenheit durch ein individuelleres und gezielteres Angebot gesteigert und Mitarbeiter in ihrer Arbeit entlastet und unterstützt werden. Die oben genannten Anwendungsbeispiele umfassen nur einen Ausschnitt potentieller Einsatzmöglichkeiten von Recommender-Systemen. Viele weitere Anwendungen insbesondere auch unter Einbeziehung weiterer Data-Science Methoden sind denkbar. Im Zeitalter der Daten sind, zumindest unter der Voraussetzung von entsprechender Datenverfügbarkeit und Integrierbarkeit von automatisierten Lösungen in bestehende Systeme, weiteren Anwendungen kaum Grenzen gesetzt.

Wenn Sie neugierig geworden sind, Fragen haben oder einfach mehr wissen möchten, steht Ihnen das Schickler Data-Science-Team gerne zur Verfügung: datascience@schickler.de