Wir präsentieren Adobe Journey Optimizer Experimentation Accelerator – einen „AI first“-Ansatz zur Skalierung von Experimenten.
09-10-2025
Experimente sind zu einem wesentlichen Bestandteil der Optimierung von Customer Experiences durch Marken geworden. Heutzutage legen Teams großen Wert darauf, vermehrt zu experimentieren und die gesamte Customer Journey zu optimieren – von der Akquise über die Bindung bis zur Loyalität. Doch für viele Marken hat sich gezeigt, dass es schwierig ist, Experimente erfolgreich umzusetzen und zu skalieren. Hindernisse dabei sind manuelle Prozesse, begrenzte Ressourcen, isolierte Erkenntnisse und Renditen, die sich nicht beziffern lassen.
Zusätzlich zu den technischen Herausforderungen fällt es vielen Teams in Unternehmen, die A/B-Tests über Kanäle und Oberflächen hinweg durchführen, schwer zu ermitteln, ob ähnliche Tests bereits durchgeführt wurden, warum ihre leistungsstärksten Tests erfolgreich sind oder wie sie ihre Teststrategien priorisieren sollen. Sie suchen nach einer Lösung, die all ihre Daten und Testerkenntnisse zusammenführt, um ihre Teams abzustimmen und die Geschwindigkeit und den Umfang des Lernens, Teilens und Optimierens in ihren Experimentierprogrammen zu verbessern.
Adobes nächste Generation von Experimenten.
Wir freuen uns, die Einführung von Adobe Journey Optimizer Experimentation Accelerator bekannt zu geben. Die „AI first“-Anwendung ermöglicht Growth- Marketing-, Produkt- und Experimentier-Teams eine konstruktive Zusammenarbeit. In einem zentralen Arbeitsbereich können sie Experimentierstrategien priorisieren, den prognostizierten Mehrertrag (Umsatz) und die Conversion steigern sowie die Learnings aus Experimenten skalieren.
Gestützt durch den Adobe Experience Platform Experimentation Agent, automatisiert diese neue Anwendung die Analyse von Experimenten und reduziert den manuellen Aufwand. Dies bietet die folgenden Vorteile:
- Entdecken, was funktioniert und warum: Ihr könnt schnell bessere Experimente entwickeln, indem ihr wertvolle Erkenntnisse zu Inhalten, Zielgruppen und Verhalten aufdeckt, die erklären, warum Tests erfolgreich sind oder scheitern.
- Generieren von wirkungsvollen Ideen für Tests: Lasst euch neue Testmöglichkeiten empfehlen, die nach prognostizierter Leistung geordnet sind, um einen Mehrertrag und eine höhere Conversion zu erzielen.
- Verbesserung aktiver Experimente: Führt schnelle Test-Iterationen für aktive Experimente und Optimierungszyklen durch, um das Geschäftswachstum und die Erreichung von KPIs zu beschleunigen.
- Zentralisierung globaler Experiment-Trends: Überwacht und teilt Learnings Team-übergreifend mit Governance- und Stakeholder-Zusammenfassungen.
Journey Optimizer Experimentation Accelerator lässt sich nahtlos mit Experimenten in Adobe Target und Adobe Journey Optimizer integrieren. Dies führt zu einer signifikanten Verbesserung der Wirkung bestehender Tests und Workflows für die Journey-Orchestrierung. Diese Integration wirkt als Kraftmultiplikator für Teams, um die gesamte Customer Journey zu optimieren.
c Ich kann mir vorstellen, wie die Lösung unsere Experimentierkultur vertieft und unsere Intuition für unsere Mitglieder schärft, um bessere, fortschrittlichere und sogar beschleunigte A/B/n-Tests und Erkenntnisse zu erzielen.“
Melissa Brancato
Director, Digital Optimization bei AAA Northeast
Experimentierstrategien priorisieren.
Teams wissen zwar in vielen Fällen, ob ein Test erfolgreich war, aber nur wenige haben die Zeit und das Fachwissen, um herauszufinden, warum das so ist. Um diese Lücke zu schließen, müssen Datenanalyse-, Produkt- und Optimierungs-Teams zeitaufwendige manuelle Analysen durchführen. Das verlangsamt die Entscheidungsfindung und den Austausch von Learnings. Allzu oft bleiben Erkenntnisse in unergründlichen Spreadsheets verborgen oder sind über Präsentationen verstreut. Von daher ist es schwierig, Strategien zu priorisieren oder Erfolge zu wiederholen.
Experimentation Accelerator schafft Abhilfe, indem er KI einsetzt, um Erlebnisvarianten aus vergangenen und aktiven Tests zu analysieren und Optimierungsmuster automatisch zu erkennen. Diese Muster werden als KI-Experiment-Erkenntnisse aufgedeckt, die mit der Leistung von Experiment-, Journey- und Zielgruppenattributen korrelieren. Mit nur wenigen Klicks könnt ihr als Team auf klare, benutzerfreundliche Erkenntnisse zugreifen und diese weitergeben. Diese verdeutlichen nicht nur, welche Experimentkomponenten funktioniert haben, sondern auch das Warum und für welche Zielgruppe.
Für Adobe-Teams, die Experimente auf Adobe.com durchführen, hat sich dieser Ansatz als transformativ erwiesen.
„Was man wirklich versucht, ist, eine Wissens- und Erkenntnisdatenbank auf der Grundlage von Experimenten aufzubauen, die die eigene Strategie beeinflusst … Jedes Mal, wenn man also ein Experiment durchführt, führt man nicht nur ein Experiment durch, sondern macht das nächste Experiment besser.“
David Arbour
Senior Research Scientist, Adobe
Mit mehr kontextbezogenen Erkenntnissen und einer klareren Begründung für die Leistung erhalten Teams ein besseres Gefühl dafür, wo sie bei der Konzeption ihres nächsten Tests ansetzen müssen. Dies führt zu intelligenteren, schnelleren Entscheidungen – und einem besseren Verständnis der Gesamtauswirkungen von Experimenten auf die zentralen Geschäftsziele und KPIs.
Auswirkungen auf Kampagnen und Journeys: Zeitleistenansichten und dynamische Filter helfen dabei zu visualisieren, welchen inkrementellen Einfluss Experimente auf wichtige Geschäftskennzahlen über Kampagnen und die Bereitstellung von Customer Journeys haben. So können Teams die Gewinne einzelner Experimente, Starttermine und Änderungen an Originalversionen oder Varianten sehen, die sich auf bestimmte Geschäftskennzahlen und KPIs auswirken.
Wirkungsvolle Wachstumschancen identifizieren.
Nicht zu wissen, was als Nächstes getestet oder welche Änderungen am Experiment vorgenommen werden sollen, kann den Fortschritt erheblich aufhalten. Allzu oft verlassen sich Teams auf ihr Bauchgefühl oder spontanes Brainstorming. Die Folge: verpasste Chancen, wie die Optimierung von Onboarding-Prozessen, die Personalisierung von Inhalten basierend auf Mitgliedervorteilen oder andere wichtige Interaktionen.
Mit Journey Optimizer Experimentation Accelerator können Teams Wachstumstreiber mithilfe von KI-Experiment-Chancen identifizieren, um Daten aus Experiment-Erkenntnissen und strategischen Geschäftsziele zu verknüpfen. Diese KI-generierten Chancen sind neue Testideen, die nach ihren prognostizierten Mehrertrags- und Conversion-Werten geordnet sind. Sie entstehen dynamisch, indem sie kontinuierlich aus dem gesamten Experiment-Ökosystem einer Marke lernen.
Beispielsweise könnten einer Marke aus der Finanzdienstleistungs- und Versicherungsbranche verschiedene Testideen vorgeschlagen werden. Diese könnten bestimmte Inhalte mit Mitgliedervorteilen hervorheben, um zu zeigen, wie Social Proofing Call-to-Actions (CTAs) beeinflussen kann. Oder sie bieten mehrere Wege zur Interaktion (wie Online-Angebote, Anrufe und terminierte Beratungen) für allgemeine Marketing-Strategien, um die Wahrscheinlichkeit für eine Steigerung und Conversion zu erhöhen. Die Ansicht zur Bewertung von Chancen im Produkt bietet euch eine schnelle Orientierung über die potenziellen Learning-Auswirkungen. Neue Testideen werden dabei mit früheren Leistungen verglichen, während Begründungen und evidenzbasierte Beispiele erläutern, warum ein vorgeschlagener Test von Bedeutung ist.
Detailansicht der Chance: KI-Experiment-Chancen identifizieren kontinuierlich wichtige Conversion-Treiber und generieren KI-gestützte Testideen, geordnet nach der höchsten Wahrscheinlichkeit für eine Steigerung – und helfen Teams, anhand von wirkungsvolleren Ergebnissen herauszufinden, was als Nächstes getestet werden soll.
Teams für Growth-Marketing, Produkte und Experimente können diese neuen Agent-basierten KI-Workflows nutzen, um datengestützte Klarheit darüber zu gewinnen, was als Nächstes zu testen ist und wie die Gesamterfolgsquote von Experimenten verbessert werden kann. Dies unterstützt ein schnelleres und wirkungsvolleres Geschäftswachstum.
„Mit Adobe Journey Optimizer Experimentation Accelerator sahen wir eine relative Steigerung unserer Erfolgsquote um 24 % und einen durchschnittlichen ROI von 212 % pro Test. Unsere ersten Ergebnisse sind vielversprechend, und wir werden weiterhin die Grenzen dessen ausloten, wie KI unsere Experimentiermaßnahmen beeinflusst.“
Paul Aleman
Principal Product Manager, Adobe
Optimierung bei aktiven Experimenten beschleunigen.
Die Skalierung traditioneller A/B-Testmethoden erfordert oft größere Stichproben und lange Wartezeiten, um statistische Signifikanz zu erreichen. Dies kann drastisch einschränken, wie viele Experimente eure Teams durchführen und wie schnell sie dazulernen können. Da sich die Orchestrierung der Customer Experience dahingehend entwickelt, dass Erlebnisse für jede einzelne Person an jedem Touchpoint dynamisch personalisiert werden, benötigen Teams eine Möglichkeit, neue generative KI-Inhalte zu aktivieren und für eine kontinuierliche Optimierung schnell zu iterieren.
Journey Optimizer Experimentation Accelerator führt KI-adaptive Experimente ein, einen neuen Ansatz zur Durchführung intelligenterer Tests für alle Kampagnen und Customer Journeys. KI-Modelle ermöglichen es Teams, KI-gestützte Testideen in aktiven Experimenten spontan zu aktivieren, indem sie Workflows mit menschlicher Beteiligung nutzen. Diese Workflows passen Testvarianten in Adobe Target oder Journey Optimizer kontinuierlich an und validieren sie. Dies verbessert den inkrementellen Mehrertrag, ohne die statistische Genauigkeit zu beeinträchtigen. KI-adaptive Experimente geben Teams die Möglichkeit, generative KI und neue Testideen mit kleineren Stichprobengrößen zur Validierung der Ergebnisse zu nutzen. Durch die Integration in bestehende Experimentier-Workflows ermöglicht diese schnelle Iterationsmethode den Anwendenden, mehr zu testen, schneller zu lernen und sich auf das zu konzentrieren, was Ergebnisse liefert.
Experiment-Management zentralisieren.
Mit der Ausweitung des Experimentierens in einem Unternehmen wachsen auch die Herausforderungen bei der Verwaltung. Ergebnisse sind oft in Silos und isolierten Systemen gespeichert, sodass es neuen Teams schwerfällt, aus früheren Arbeiten zu lernen, nachzuverfolgen, welche Tests aktiv sind, oder einen messbaren Beitrag zu den Geschäfts-KPIs nachzuweisen.
Journey Optimizer Experimentation Accelerator bietet Teams eine zentrale Verwaltung und Funktionen, um den Austausch von Learnings zu fördern – und fungiert so als Experimentier-Hub, in dem Teams ihre Testprogramme verwalten, organisieren und skalieren können. Ein zentraler Katalog von Experimenten sowohl in Adobe Target als auch in Journey Optimizer bietet intelligente Filter- und benutzerdefinierte Tagging-Funktionen. Dieser Katalog bietet Self-Service-Einblicke in das, was getestet wurde, wie es abgeschnitten hat und was daraus gelernt wurde, um Redundanzen zu reduzieren und die Wiederverwendung bewährter Strategien zu fördern. Teams müssen nicht mehr stundenlang personalisierte Reports oder Ergebnisse für Stakeholder von Hand zusammenzustellen. Stattdessen können sie jetzt die Ergebnisse von Experimenten einfach in präsentationsfertige Ansichten exportieren, die auf funktionsübergreifende Learnings und Stakeholder-Updates zugeschnitten sind.
Seite für das Experiment-Inventar: Zeigt alle Experimente jedes Teams mit Schnellfiltern an, um nach Status, Quelle, Leistung und mehr zu organisieren.
Eine neue Ära für Experimente und KI.
Mit der Weiterentwicklung von Daten und KI ist das Experimentieren zu einem der stärksten Unterscheidungsmerkmale für Marken geworden. Diese Ära für Experimente und KI erschließt neue Methoden zur Skalierung von Erkenntnissen, zur Beschleunigung des Wachstums und zur Einbindung von künstlicher Intelligenz in jeden Schritt der Customer Journey. Mit Adobe Journey Optimizer Experimentation Accelerator können Marken endlich das volle Potenzial ihrer Daten im gesamten Unternehmen freisetzen und so jedes Experiment zu einem Wachstumstreiber machen.
Um mehr über Adobe Journey Optimizer Experimentation Accelerator zu erfahren, besucht unsere Übersichtsseite, um zu erkunden, wie Agent-basierte und generative KI das Experimentieren und die Optimierung neu definieren.
Als Senior Product Marketing Manager bei Adobe bringt Brent datengesteuerte Lösungen auf den Markt und gestaltet die nächste Generation von Agent-basierten KI-Produkten für Kundschaft und Partner. Mit über 12 Jahren Erfahrung in den Branchen CXM und MarTech löst Brent leidenschaftlich gerne komplexe Optimierungsherausforderungen und setzt sich für Experimente als Wachstumstreiber ein. Auf diese Weise versetzt er Engineering-, Produkt- und Marketing-Teams in die Lage, schneller zu innovieren, intelligenter zu konkurrieren und die Orchestrierung der Customer Experience neu zu gestalten.
Unsere Empfehlungen für euch.
https://business.adobe.com/fragments/resources/cards/thank-you-collections/ajo
