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

Meta OpenEnv AI-Hackathon in Indien bietet Direktinterviews und einen Preisgeld von 30.000 US-Dollar
Meta veranstaltet Indiens erstes OpenEnv AI Hackathon in Zusammenarbeit mit Hugging Face und PyTorch, bei dem Entwickler Verstärkungslernumgebungen für KI-Agenten erstellen. Die besten Teams erhalten direkte Vorstellungsgespräche mit den KI-Teams von Meta und Hugging Face sowie einen Preispool von 30.000 US-Dollar.

Bloomberg berichtet: Arbeitsplatzverluste in den USA durch KI-Belastung beginnen zuzunehmen
Bloomberg berichtet, dass die USA erhebliche Arbeitsplatzverluste in KI-exponierten Berufen verzeichnen, wobei eine Diskussion auf Hacker News auf reale Auswirkungen auf Entwickler und andere Wissensarbeiter hinweist.

Microsofts BitNet ermöglicht die Inferenz von 100-Milliarden-Parameter-LLMs auf einer einzelnen CPU
Microsofts Open-Source-BitNet-Projekt erreicht 100B-Parameter-LLM-Inferenz mit 5-7 Token/Sekunde auf einer einzelnen CPU, wobei das 2B-Parameter-Modell 0,4 GB Speicher und 29 ms Latenz verwendet und dabei auf Benchmarks mit Vollpräzisionsmodellen gleichzieht.

Kimi K2.7-Code: Open-Source Codierungsmodell mit besserer Token-Effizienz
Moonshot AI hat Kimi K2.7-Code veröffentlicht, ein Open-Source-Bild-Text-zu-Text-Modell mit verbesserter Token-Effizienz für Programmieraufgaben. Verfügbar auf Hugging Face mit 334 Likes und Novita-Inferenzunterstützung.