Wir haben das Nakoa Brain, unsere KI-Datenplattform, in seine wesentlichen Bausteine zerlegt und daraus ein Schaubild gemacht, das die Zusammenhänge zeigt. Es soll drei Fragen beantworten:
- Welche Schritte durchläuft das System von den Daten bis zur ausgeführten Aktion?
- An welchen Stellen greift der Mensch ein, und was entscheidet er dort?
- Wie fließt die Wirkung einer Aktion zurück ins System?
Fünf Stationen
Eingang. Daten aus Werbe- und Handelsplattformen wie Amazon kommen über Konnektoren in die Plattform. Dazu kommen eigene Datenquellen des Kunden, etwa Produktkosten, die per Tabelle eingebracht werden, ohne dass das System sie vorher kennen muss. Neben den Daten steht der Kontext: Ziele, Taktik und Leitplanken des Kunden, etwa eine Mindestmarge oder eine Obergrenze für den ACoS.
Einordnen. Bevor Daten analysiert werden, wird festgehalten, was sie bedeuten. Die Semantik beschreibt je Quelle, was ein Feld misst und wie es sich mit anderen kombinieren lässt. Die Ontologie beschreibt, wie die Begriffe zusammenhängen, etwa welche Werbeformate es gibt und worauf sie wirken. Erst damit lassen sich Daten aus verschiedenen Quellen verknüpfen (zur Abgrenzung der Begriffe siehe Kontext als Kernaufgabe).
Analyse. Hier gibt es zwei Wege. Im Data Chat erstellt sich der Nutzer Analysen im Dialog: Er stellt eine Frage in natürlicher Sprache, das System übersetzt sie in eine Abfrage und interpretiert das Ergebnis im Kontext des Kunden (siehe Minimaler Kontext für die SQL-Generierung). Auf dem zweiten Weg sucht das System laufend selbst nach Mustern, Anomalien und Abweichungen von den Leitplanken und liefert sie als Findings aus.
Entscheiden. Aus einem Finding wird eine Entscheidungsvorlage: eine konkrete Empfehlung, etwa ein Gebot zu senken, Budget zwischen Kampagnen umzuschichten oder eine Kampagne zu pausieren. Zu jeder Empfehlung zeigt das System, auf welchen Daten sie beruht, welche Leitplanken und Ziele aus dem Kontext eingeflossen sind und welche Wirkung erwartet wird. Erst diese Transparenz versetzt den Menschen in die Lage, eine Empfehlung zu überblicken und zu beurteilen, ohne die Analyse selbst nachzubauen. Mit jeder nachvollziehbaren Empfehlung, die sich in den Daten bestätigt, wächst das Vertrauen, und damit die Bereitschaft, Entscheidungen dieser Art dem System zu überlassen.
Handeln. Nach der Entscheidung führt das System eine benannte Aktion im Kanal aus, etwa eine Gebotsänderung oder das Pausieren einer Kampagne, oder es benachrichtigt die Verantwortlichen. Einen allgemeinen Schreibzugriff auf die Plattformen gibt es nicht (siehe Reversibilität als Leitplanke für Autonomie).
Drei Stellen für den Menschen
Der Mensch greift an drei Stellen ein. Er bringt ein: Er liefert Kontext und Leitplanken und bestätigt, was das System als Kontext vorschlägt. Er versteht: Er erstellt Analysen im Dialog und erhält die Findings als Datensignale. Und er entscheidet: Er gibt eine Empfehlung frei, lehnt sie ab oder legt fest, dass Empfehlungen dieser Art künftig automatisch ausgeführt werden. Welche Aktionen sich dafür eignen, hängt daran, ob sie umkehrbar sind und ob sich ihr Effekt messen lässt (siehe Aktionen nach Effekt klassifizieren).
Der Rückweg
Unten im Bild schließt sich der Kreis. Jede ausgeführte Aktion kommt als neue Zahl in den Daten zurück. Jede Entscheidung wird Kontext: Eine abgelehnte Empfehlung sagt etwas darüber, was für diesen Kunden gilt. Das entspricht den zwei Schleifen im Das Doppelschleifenmodell für agentische Operations, einer operativen, die handelt, und einer langsameren, die aus den Ergebnissen lernt.
Ein durchgehendes Beispiel
Am deutlichsten wird die Kette an der Marge. Der Kunde bringt seine Produktkosten als eigene Datenquelle ein, und die Mindestmarge steht als Leitplanke im Kontext. Mit beidem wird in den Analysen sichtbar, welche Produkte unter Marge beworben werden. Daraus entsteht ein Finding mit einer Empfehlung, etwa das Gebot für diese Produkte zu senken. Nach Freigabe wird die Gebotsänderung ausgeführt, oder die Verantwortlichen werden benachrichtigt. Die Entscheidung geht zurück in den Kontext, die Wirkung zeigt sich in den nächsten Daten.
Was heute läuft
Eigene Datenquellen, Data Chat, Findings, Empfehlungen und Aktionen laufen heute. Der Kontext ist das zentrale Element des Systems, weil er den größten Einfluss darauf hat, dass Analysen und Empfehlungen auf die Ziele des Kunden ausgerichtet sind. Die Funktionen rund um den Kontext bauen wir deshalb mit Priorität aus: Aussagen nach Gültigkeit und Vorrang ordnen, Widersprüche auflösen und für jede Frage den passenden Ausschnitt auswählen (siehe Welche Regeln eine Kontextschicht braucht). Der nächste Schritt ist die gemeinsame Steuerung der Kanäle: Ihre Wechselwirkung wird mit einem Marketing-Mix-Modell gemessen, das wir auf Basis von Google Meridian aufbauen, und das Budget wird danach verteilt.