Schap

Kategorie: Marketing

  • LLMs lesen deine Kommentarspalte

    LLMs lesen deine Kommentarspalte

    Anfang des Jahres hatte ich ein Gespräch mit Leuten aus einem großen Softwareunternehmen, das mir im Kopf geblieben ist. Ihre Beobachtung: Wenn du einen KI-Assistenten nach einer Marke fragst, stützt sich die Antwort erstaunlich stark auf die öffentliche Stimmung. Forenbeiträge, Bewertungsportale, die Kommentare unter Social-Media-Posts. Nicht die sorgfältig formulierten Produktseiten. Nicht die Pressemitteilungen.

    Denk kurz darüber nach, was das bedeutet. Jahrelang war ein kritischer Kommentar unter einem Instagram-Post ein kleines Kundenservice-Thema. Jemand ist verärgert, vielleicht antwortest du, vielleicht nicht, und eine Woche später erinnert sich niemand mehr daran.

    Heute ist dieser Kommentar Trainingsmaterial dafür, wie Maschinen dich beschreiben.

    Das öffentliche Bild ist schief

    Jetzt kommt der unangenehme Teil. Die meisten Marken mit einer treuen Community haben einen ziemlich einseitigen öffentlichen Fußabdruck:

    • Die zufriedenen Kunden reden an geschlossenen Orten. Partnerportale, private Gruppen, interne Foren, direkte Gespräche mit ihrer Ansprechperson. Viel Wohlwollen, aber fast nichts davon ist für einen Crawler sichtbar.
    • Die unzufriedenen Kunden reden öffentlich. Ein Bewertungsportal, ein Kommentar unter deinem neuesten Video, ein Thread in einem offenen Forum. Dorthin gehen Leute, wenn sie das Gefühl haben, nirgendwo sonst gehört zu werden.

    Das öffentliche Bild ist also oft schlechter als die Wirklichkeit. Und genau dieses öffentliche Bild sehen KI-Assistenten.

    Mit mehr Werbung oder einer besseren Über-uns-Seite löst du das nicht. Du löst es dort, wo es passiert: in den Kommentaren.

    Aus Social Listening wird Arbeit an der eigenen Geschichte

    Social Listening war früher ein Reporting-Job. Erwähnungen zählen, Stimmung messen, ein Diagramm ins Monatsdeck. Nützlich, aber passiv.

    Im KI-Zeitalter wird daraus Arbeit an der eigenen Geschichte. Die Frage ist nicht mehr nur „Wie denken die Leute über uns?“, sondern „Welche Geschichte erzählt das Öffentliche über uns, und kommen wir darin überhaupt vor?“

    Das verändert, wie eine gute Antwort aussieht.

    Die Standardantwort macht es schlimmer. „Das tut uns leid, bitte wende dich an unser Support-Team.“ Diese Antwort hat jeder schon hundertmal gesehen. Sie sagt den Lesern, und jeder Maschine, die mitliest, dass das Problem immer noch ungelöst ist und sich die Marke nicht damit beschäftigt hat.

    Die konkrete Antwort verändert das Bild. Geh auf das eigentliche Problem ein, öffentlich, in ein paar Sätzen. Ist es ein bekanntes Problem, sag, wie es sich lösen lässt. Braucht es ein Gespräch, sag, wer anruft und wann. Die nächste Person mit demselben Problem findet die Antwort genau dort, und die KI auch.

    Dann schließ den Kreis. Wenn das Problem von jemandem wirklich gelöst ist, darfst du ruhig fragen, ob die Person ihre Bewertung aktualisiert oder einen Kommentar ergänzt. Viele machen das, weil sie nie auf die Marke wütend waren, sondern darauf, ignoriert zu werden.

    Wo KI-Agenten helfen

    Das ist viel Arbeit, wenn du es von Hand über mehrere Accounts und Plattformen machst. Und genau bei dieser Art von Arbeit glänzen Agenten, solange ein Mensch das Sagen behält.

    So sieht das Setup aus, das ich in den letzten Monaten aufgebaut habe:

    1. Eine wöchentliche Sentiment-Auswertung. Ein Agent holt Kommentare und Nachrichten von allen Marken-Accounts, bewertet die Stimmung jedes einzelnen und gruppiert sie nach Thema.
    2. Eine „Wartet noch“-Liste. Alle, die eine Frage gestellt oder sich beschwert haben und noch keine echte Antwort bekommen haben. Kein Diagramm. Eine Liste von Menschen. Eine Erkenntnis dabei: Die meisten „beantworteten“ Nachrichten in unseren Analytics waren in Wahrheit automatische Antworten innerhalb von Sekunden. Die behandeln wir jetzt als unbeantwortet.
    3. Antwortentwürfe. Für jeden offenen Punkt entwirft der Agent eine Antwort nach unseren eigenen Richtlinien: Tonalität, was wir zu bekannten Problemen sagen, wann wir an den Support übergeben. Die Entwürfe sind Ausgangspunkte, kein Autopilot.
    4. Ein Mensch prüft und postet. Immer. Der Agent hat nicht den Kontext, um zu wissen, ob dieser Kunde gestern schon mit jemandem gesprochen hat, und er soll nicht allein für die Marke sprechen.
    5. Aktiv gute Bewertungen sammeln. Jede Woche ein paar neue Bewertungen von Kunden, die ganz offensichtlich zufrieden sind, damit das öffentliche Bild nicht nur von den lautesten wenigen bestimmt wird.

    Nichts davon ist ausgefeilte Technologie. Es ist eine Routine, und der Agent macht diese Routine so günstig, dass man sie auch wirklich durchhält.

    Community-Ansicht: wer noch auf eine echte Antwort wartet, mit Antwortentwurf
    Nachgestellte Ansicht mit erfundenen Daten: So sieht das echte Tool aus, aber alle Namen und Zahlen hier sind ausgedacht.

    Was du lassen solltest

    Ein paar Dinge würde ich vermeiden:

    • Lass den Agenten nicht allein posten. Eine einzige schlecht eingeschätzte automatische Antwort an einen verärgerten Kunden, öffentlich, macht viel sorgfältige Arbeit zunichte.
    • Diskutiere nicht öffentlich. Ist eine Bewertung unfair, nenn die Fakten einmal, ruhig, und biete ein Gespräch an. Wer vernünftig wirkt, entscheiden die Leser.
    • Fälsch nichts. Gekaufte oder erfundene Bewertungen sind keine Abkürzung. Sie sind ein Risiko, für Menschen wie für Maschinen.
    • Verwechsle Menge nicht mit Abdeckung. Zehn schnelle Antworten auf einfache Fragen wiegen eine unbeantwortete Beschwerde nicht auf, die einen Monat lang dort steht.

    Die Kurzfassung

    KI-Assistenten lernen deine Marke über das kennen, was öffentlich ist. Und das Öffentliche ist oft zugunsten der wenigen Unzufriedenen verzerrt, weil die vielen Zufriedenen woanders reden.

    Behandle also jeden öffentlichen Kommentar als Teil der Geschichte deiner Marke. Geh auf das eigentliche Problem ein, öffentlich, wie ein Mensch. Nutz Agenten, um alles zu finden, was noch wartet, und um die Antworten zu entwerfen. Und lass einen Menschen auf den Senden-Button drücken.

    Jeder Kommentar ist ein Kunde. Und heutzutage ist jeder Kommentar auch eine Quelle.

  • Miss die Antwort, nicht die Frage

    Miss die Antwort, nicht die Frage

    Jedes Unternehmen sitzt auf einem riesigen Stapel ungelesener Marktforschung. Er heißt Support-Postfach. Jeder Live-Chat, jedes Ticket, jede E-Mail ist ein Kunde, der dir in eigenen Worten sagt, was er nicht versteht, was er will und wo dein Produkt oder dein Content ihn im Stich lässt.

    Marketing liest das selten. Nicht, weil es niemanden interessiert, sondern weil niemand Zeit hat, Tausende Gespräche zu lesen. Mit KI gilt diese Ausrede nicht mehr. Ein Agent kann jedes Gespräch von gestern lesen, bevor du deinen ersten Kaffee getrunken hast.

    Wir machen das jetzt seit ein paar Wochen. Das haben wir dabei gelernt.

    Der Trick: Schau, was der Support erklären musste

    Unsere erste Idee war naheliegend: die Kundenfragen nehmen, prüfen, ob unsere Wissensdatenbank sie beantwortet, und die Lücken auflisten. Das hat nicht gut funktioniert. Kunden stellen vage Fragen in ihren eigenen Worten. „Es geht nicht mehr“ passt zu keinem Artikel.

    Der Durchbruch kam, als wir es umgedreht haben. Miss nicht die Frage. Miss die Antwort. Schau dir an, was die Person im Support schreiben musste, um den Fall zu lösen. Wenn der Support etwas ausführlich und schriftlich erklären musste, ist genau diese Erklärung das, was in der Dokumentation fehlt.

    Mit dieser Änderung wurde die Lückenanalyse über Nacht brauchbar. Für jedes abgeschlossene Ticket vergleicht das Tool die Antwort aus dem Support mit unserer Wissensdatenbank. Es verwendet eine einfache Stichwortsuche über eine lokale Kopie aller Artikel, das ist schnell und braucht überhaupt keine KI. Wo es eine echte Lücke gibt, entwirft es den Text, der ergänzt werden sollte. Das Dokumentationsteam markiert jeden Fund als offen, übernommen oder verworfen.

    Eine Regel hält das Ganze ehrlich: Ein Thema gilt nur dann als „nicht dokumentiert“, wenn die Suche mit mindestens zwei unterschiedlichen Formulierungen nichts gefunden hat.

    Doku-Lücken aus Support-Antworten, mit Textvorschlag
    Nachgestellte Ansicht mit erfundenen Daten: So sieht das echte Tool aus, aber alle Namen und Zahlen hier sind ausgedacht.

    Erkenntnis 1: Das Tempo war nie das Problem

    Als wir angefangen haben, unsere Live-Chats zu bewerten, habe ich langsame Reaktionszeiten erwartet. Alle beschweren sich übers Warten im Chat.

    Falsch. Wenn jemand einen Chat angenommen hat, dann innerhalb von Sekunden. Das Problem war, dass zu viele Chats gar nicht angenommen wurden. Es ging um Abdeckung, nicht um Tempo.

    Das ist ein ganz anderes Problem mit einer ganz anderen Lösung: Schichtplanung statt Schulung. Seit es jeden Morgen sichtbar war, ist der Anteil der angenommenen Chats innerhalb weniger Wochen deutlich gestiegen. Niemandem musste man sagen, dass er sich beeilen soll. Die Zahl musste nur auf dem Tisch liegen.

    Erkenntnis 2: Die Stille nach der ersten Antwort

    Dasselbe Muster haben wir bei den Support-Tickets gesehen. Wir haben mit einer Zufallsstichprobe von hundert abgeschlossenen Tickets angefangen, um die Realität zu sehen, bevor wir irgendetwas bauen. Die ersten Antworten kamen schnell. Aber ein spürbarer Anteil der Tickets wurde geschlossen, ohne dass der Kunde eine echte Antwort bekommen hatte, und manche lagen mitten im Gespräch fast zwei Wochen still.

    Das Tempo stimmte. Die Stille danach nicht.

    Also haben wir eine kleine Beobachtungsliste gebaut: offene Tickets, bei denen die letzte Nachricht vom Kunden kommt und seit Tagen niemand geantwortet hat. Das ist keine Analyse, das ist eine To-do-Liste. Und es ist eine der meistgenutzten Seiten, die wir haben.

    Ticket-Watch: offene Tickets, in denen der Kunde zuletzt geschrieben hat
    Nachgestellte Ansicht mit erfundenen Daten: So sieht das echte Tool aus, aber alle Namen und Zahlen hier sind ausgedacht.

    Erkenntnis 3: „Beantwortet“ heißt nicht beantwortet

    In unserer Social-Media-Analyse wollten wir wissen, wie gut wir auf Kommentare und Direktnachrichten antworten. Das Analytics-Tool sagte: auf fast alle.

    Als wir genauer hingeschaut haben, waren die meisten dieser „Antworten“ automatische Nachrichten, die innerhalb einer Minute verschickt wurden. Ein Mensch hatte sie nie gesehen. Heute behandeln wir jede Antwort der Marke innerhalb von sechzig Sekunden als Auto-Reply und listen die Leute auf, die noch auf eine echte Antwort warten.

    Die Lektion lässt sich verallgemeinern: Wann immer dir ein Tool eine verdächtig gute Zahl liefert, prüf, wie sie gezählt wurde.

    Warum das Aufgabe des Marketings ist

    Man könnte sagen, das ist alles Kundenservice. Es ist aber nicht nur das. Was Kunden im Support fragen, ist das, wonach sie vor dem Kauf suchen werden. Was der Support erklären muss, ist das, was deine Website, deine Produktseiten und dein Content nicht erklären. Wo Kunden hängen bleiben, macht deine Kommunikation ein Versprechen, das das Produkterlebnis nicht hält.

    Es ist außerdem das beste Content-Briefing, das du je bekommen wirst. Jede Erklärung, die der Support immer wieder schreibt, ist ein Blogbeitrag, ein Video oder ein Hilfeartikel, der darauf wartet, geschrieben zu werden, und zwar gleich mit dem genauen Wortlaut der Kunden.

    So fängst du an

    1. Lies zuerst selbst eine Stichprobe. Nimm hundert zufällige Gespräche und lies sie. Danach weißt du, was du messen willst, und du erkennst, wenn die KI danebenliegt.
    2. Stell das vollständige Gespräch neben jedes KI-Urteil. Die Leute müssen nachprüfen können.
    3. Miss die Antwort, nicht die Frage, wenn du Lücken im Content suchst.
    4. Mach aus Erkenntnissen Listen, keine Diagramme. „Diese zwölf Kunden warten“ ist nützlicher als eine Trendlinie.
    5. Sei misstrauisch bei guten Zahlen. Prüf, wie sie gezählt werden.

    Deine Kunden sagen dir längst, was du reparieren und was du schreiben sollst. Neu ist nur, dass du es dir endlich leisten kannst, allen zuzuhören.

  • Dein erfolgreichster Post lügt dich an

    Dein erfolgreichster Post lügt dich an

    „Welche unserer Posts funktionieren am besten, und wovon sollten wir mehr machen?“

    Das ist die naheliegendste Frage, die du einer KI zu deinen Social-Media-Kanälen stellen kannst. Es ist aber auch eine Frage, bei der die KI komplett und selbstbewusst danebenliegen kann und dir Empfehlungen gibt, die genau in die falsche Richtung zeigen.

    Uns ist genau das passiert. Hier ist, wie es dazu kam, und welche Regeln wir seitdem befolgen.

    Das Quartal, das keines war

    Als ich zum ersten Mal einen Agenten unsere Performance auf YouTube und Instagram analysieren ließ, sahen die Ergebnisse großartig aus. Ein Quartal stach mit Abstand als unser stärkstes heraus, mit durchschnittlich um ein Vielfaches mehr Aufrufen pro Video als in jedem anderen Quartal. Die Empfehlung der KI: mehr von dem machen, was wir damals gemacht haben.

    Das Problem: In diesem Quartal liefen zwei große Kampagnenfilme mit ordentlich Mediabudget dahinter. Die haben nicht „performt“. Für ihre Sichtbarkeit wurde bezahlt. Als wir sie herausgenommen haben, fiel der Durchschnitt für dieses Quartal ungefähr auf ein Zehntel, und es stellte sich heraus, dass es unser schwächstes Quartal war, nicht unser bestes.

    Jede Empfehlung auf Basis der ersten Version wäre falsch gewesen. Und sie hätte vollkommen plausibel ausgesehen, mit Diagrammen und allem Drum und Dran.

    Regel 1: Trenn bezahlt von organisch, bevor du irgendetwas rankst. Nicht als Fußnote, nicht als Filter, den man optional setzen kann. Als ersten Schritt, jedes Mal. Wir nennen das inzwischen unsere eiserne Regel, und sie steht in den Analyse-Anweisungen, damit kein Agent sie überspringen kann.

    Ein Ausreißer lässt alles andere schlecht aussehen

    Selbst nachdem wir die Kampagnen entfernt hatten, stießen wir auf ein zweites Problem. Ein beworbenes Video hatte so viele Aufrufe, dass daneben jedes normale Video winzig wirkte. In einem Ranking nach Durchschnittswerten sah ein ganz normales gutes Video mehr als hundertmal schlechter aus als der Spitzenreiter. Das ist keine Erkenntnis, das ist Rauschen.

    Wir sind auf Mediane umgestiegen. Der Median zeigt dir, was ein typischer Post leistet. Den einen Post, der viral gegangen ist oder beworben wurde, ignoriert er. Plötzlich wurden die Unterschiede zwischen Formaten und Themen wieder sichtbar: welche Arten von Posts verlässlich etwas besser laufen und welche verlässlich etwas schlechter.

    Regel 2: Nimm den Median für „typisch“, und schau dir Ausreißer getrennt an. Ausreißer sind interessant. Sie sollten nur nicht deine Basislinie bestimmen.

    „Engagement“ ist nicht gleich Engagement

    Unterschiedliche Plattformen zählen unterschiedliche Dinge. Auf einem Netzwerk enthielt das „Engagement“ im Analytics-Tool auch Link-Klicks, auf einem anderen nicht. Legst du sie nebeneinander, wirkt eine Plattform aus rein technischen Gründen viel ansprechender als die anderen.

    Regel 3: Vergleich innerhalb einer Plattform, nicht plattformübergreifend, außer du hast geprüft, dass die Zahlen dasselbe bedeuten.

    Eine Kennzahl, drei Definitionen

    Dasselbe Problem gibt es auch in Unternehmen. Für eine unserer zentralen Geschäftskennzahlen haben wir drei verschiedene Definitionen gefunden, die im Umlauf waren, in drei verschiedenen Präsentationen. Jede war vertretbar. Zusammen führten sie dazu, dass jedes Meeting mit einer Debatte darüber begann, wessen Zahl stimmt.

    Gelöst haben wir es, indem wir die Definition einmal aufgeschrieben haben, an einem einzigen Ort, und ein kleines Tool gebaut haben, das sie live aus dem CRM berechnet. Niemand muss der Definition für immer zustimmen. Aber alle verwenden dieselbe, bis sie geändert wird, an genau diesem einen Ort.

    Regel 4: Jede Kennzahl hat genau eine schriftliche Definition. Vor allem, wenn eine KI rechnet. Sie nimmt die Definition, die sie zuerst findet.

    Achte aufs Kleingedruckte

    Ein paar weitere Fallen, in die wir getappt sind:

    • Währungen. Als wir den Partnerumsatz über Länder hinweg mit einem einzigen Schwellenwert verglichen haben, wirkten Partner in Ländern mit einer anderen Währung um ein Vielfaches größer, als sie waren. Rechne immer um, bevor du vergleichst.
    • Auto-Replies. „95 % der Nachrichten beantwortet“ kann heißen: „95 % der Leute haben eine automatische Nachricht bekommen.“ Schau dir an, wie schnell die Antworten kamen.
    • Datenschutz in den Daten. Manche Analytics-Exporte enthalten Links zu Profilbildern mit Zugriffstokens darin. Entferne die, bevor irgendetwas gespeichert oder angezeigt wird.

    Lass die KI zählen, nicht denken

    Das alles heißt nicht, dass KI schlecht in Analytics ist. Bei den mühsamen Teilen ist sie hervorragend: Daten aus APIs holen, sie bereinigen, das Sentiment Tausender Kommentare bewerten, Content-Ideen entwerfen, die auf die echten Posts und Kommentare verlinken, aus denen sie stammen.

    Aber sie hat keine Ahnung, dass für einen Post bezahlt wurde, dass eine Plattform anders zählt oder dass dein Unternehmen eine Kennzahl auf eine bestimmte Weise verwendet. Sie liefert so oder so einen schönen, selbstbewussten Report.

    Die Checkliste ist also kurz:

    1. Bezahltes zuerst raus. Immer.
    2. Mediane für die Basislinie, Ausreißer extra.
    3. Vergleich Gleiches mit Gleichem.
    4. Eine Definition pro Kennzahl, einmal aufgeschrieben.
    5. Lies ein paar der Top-Posts selbst, bevor du dem Ranking glaubst.

    Dein erfolgreichster Post ist vielleicht wirklich dein bester. Stell nur sicher, dass er es sich verdient hat.