Problem
Ein Kunde aus der Unterhaltungsindustrie produzierte jedes Quartal große Mengen an Kreativ-Assets und Promo-Medien und brauchte eine Möglichkeit, vorherzusagen, welche bei seiner Zielgruppe ankommen würden, bevor Distribution und Paid-Media-Budget committet werden. Die bestehende Analytics zeigte Post-Launch-Performance, lieferte aber kein Signal im Pre-Launch-Fenster, in dem die Entscheidungen tatsächlich fallen.
Ansatz
Multimodales Creative-Intelligence-Modell gebaut, das visuelle und Audio-Embeddings des Assets mit strukturierten Katalog-Metadaten (Genre, Talent, Format, Release-Fenster) und historischen Audience-Performance-Signalen kombiniert. GPT-4V, Gemini und Claude in einer geschichteten Pipeline eingesetzt — zuerst zur Charakterisierung der Assets entlang publikumsrelevanter Dimensionen, dann zur Projektion gegen historische Performance-Verteilungen vergleichbarer Inhalte. Output in den bestehenden Media-Analytics-Workflow des Kunden als Pre-Launch-Scoring-Schicht integriert.
Stack
GPT-4V · Gemini · Claude · multimodal embeddings · catalogue metadata pipeline · entertainment-industry creative-evaluation framework
Ergebnis
Pre-Launch-Scoring der Kreativ-Performance wurde zu einem strukturierten Input für die Greenlight- und Distributions-Entscheidungen des Kunden und ersetzte das, was zuvor eine Mischung aus Intuition und Post-hoc-Analytics war. Framework übertragbar auf benachbarte Problemklassen in der Media-Analytics — Content-Commissioning, Format-Auswahl, Thumbnail- und Key-Art-Tests — überall, wo historische Performance-Verteilungen als Lernsignal existieren.