Hersheys Multi-Agent AI führt Marketing-Mix-Modellierung monatlich statt vierteljährlich durch

Hershey hat ein Multi-Agenten-KI-System von Mutinex eingesetzt, das auf Claude und Gemini basiert, um Marketing-Mix-Modellierung (MMM) über sein gesamtes Markenportfolio zu automatisieren. In Kombination mit Tracer für das Daten-Pipeline-Management verwandelt das System einen rückwärtsgerichteten jährlichen Prozess in eine monatliche, stets verfügbare Messfähigkeit.
Was sich geändert hat
Früher führte Hershey drei Mal im Jahr MMM-Analysen für etwa fünf Marken durch, wobei die Ergebnisse Monate nach dem Datenzeitraum eintrafen. Vinny Rinaldi, VP für Medien und Marketingtechnologie, sagte: „Wir erhielten den vollständigen Bericht über die Daten von 2024 Mitte 2025, während wir bereits für 2026 planten.“ Mit dem neuen System können sie Modelle in nur drei Wochen ausführen und streben eine monatliche Messung für das gesamte Portfolio an – bis zu 12 Mal im Jahr.
Technische Architektur
Mutinex verwendet eine Multi-Agenten-Architektur: Jeder Agent ist ein Bereichsspezialist – einer versteht Marketing-Ökonometrie, ein anderer kennt Wettbewerbspreistheorie, ein weiterer diagnostiziert Modellfehler. Tracer fungiert als Datenplumbing-Schicht, die fragmentierte Daten aus Marketing- und Einzelhandelssystemen bereinigt und standardisiert, um die Modelle schneller und zuverlässiger auszuführen. Sarah Martinez, CCO von Tracer, bemerkte: „Die meisten Unternehmen haben kein KI-Problem. Sie haben ein Datenbereitschaftsproblem.“
Auswirkungen
Erste Anzeichen deuten darauf hin, dass Hershey eine Steigerung der umsatzbezogenen Medienerlöse um 4-5% erwartet. Das System deckt sowohl Medien- als auch Handelsmarketingausgaben ab, die insgesamt über 2 Milliarden US-Dollar betragen. Rinaldi bezeichnete es als „einen kompletten Gamechanger-Moment“ für das Unternehmen. Die Umstellung ermöglicht monatliche Entscheidungen zur Budgetverteilung anstelle von jährlichen Anpassungen auf Basis veralteter Daten.
Breiterer Kontext
Dieser Fall zeigt, wie agentische KI Marketingmessung für Investitionsentscheidungen glaubwürdig machen und die Skepsis gegenüber Attribution verringern kann. Lou Paskalis, Marktberater bei Mutinex, sagte: „Marketing wird im Hinblick auf Investitionen nicht als glaubwürdig angesehen. Das liegt zu einem großen Teil an der Skepsis gegenüber der historischen Vorgehensweise bei der Attribution.“
📖 Read the full source: HN AI Agents
👀 Siehe auch

OpenClaw: Vier kritische Probleme, die Entwickler kennen müssen
Von Image-Passthrough-Fehlern über tote Kanaladapter, Sperrdateisichtbarkeit und fehlende Parallelkoordination – vier produktionswirksame Probleme aus dem OpenClaw-Repository (366k Sterne).

OpenClaw 2026.3.11 Release fügt lokale Ollama-Einrichtung, multimodalen Speicher und Discord-Thread-Steuerung hinzu
OpenClaw 2026.3.11 führt eine erstklassige Ollama-Einrichtung mit rein lokalen oder hybriden Modi ein, fügt multimodale Bild- und Audio-Indizierung zur Speichersuche mit Gemini-Embeddings hinzu und bietet konfigurierbare Discord-Thread-Archivierungszeiten.

GitHub Copilot aktualisiert Datennutzungsrichtlinie für Modelltraining
GitHub wird ab dem 24. April 2026 Interaktionsdaten von Copilot Free-, Pro- und Pro+-Nutzern zur Schulung von KI-Modellen verwenden, sofern Nutzer nicht widersprechen. Copilot Business- und Enterprise-Nutzer sind von dieser Änderung ausgenommen.

KI und Rechenzentren treiben US-Stromnachfrage 2026–2027 auf Rekordhoch
Die US-Energieinformationsbehörde (EIA) prognostiziert einen rekordhohen Stromverbrauch in den Jahren 2026–2027, hauptsächlich getrieben durch den rasanten Anstieg von KI-Workloads und den Ausbau von Rechenzentren.