Thompson Sampling
Bayesianischer Bandit-Algorithmus, der Aktionen proportional zur Wahrscheinlichkeit wählt, dass sie optimal sind.
Thompson Sampling wählt Optionen proportional zur Wahrscheinlichkeit, dass sie optimal sind – der eleganteste Bandit-Algorithmus, seit 1933 bekannt, aber erst seit 2010 populär.
Erklärung
Thompson Sampling unterhält eine Posterior-Verteilung über die Belohnung jeder Option. In jeder Runde sampelt es aus jeder Posterior und wählt die Option mit dem höchsten Sample. Natürlich balanciert es Exploration (unsichere Optionen) und Exploitation (bekannt gute Optionen).
Relevanz für Marketing
Optimal für Marketing-Optimierung: Ad Creative Selection, Headline Testing, Recommendation Ranking – effizienter als A/B Tests bei vielen Varianten.
Häufige Fallstricke
Prior-Wahl beeinflusst Ergebnisse. Delayed Rewards (z.B. Conversions Tage später) erfordern spezielle Anpassungen. Non-stationäre Umgebungen brauchen Decay.
Entstehung & Geschichte
William R. Thompson veröffentlichte den Algorithmus 1933 – einer der frühesten ML-Algorithmen überhaupt. Chapelle & Li (2011) zeigten seine Effizienz für Online-Werbung. Heute Standard bei Google, Netflix und Spotify für Personalisierung.
Abgrenzung & Vergleiche
Thompson Sampling vs. UCB (Upper Confidence Bound)
UCB wählt deterministisch die Option mit höchstem oberen Konfidenzband; Thompson Sampling ist stochastisch (sampelt aus Posteriors).
Thompson Sampling vs. Epsilon-Greedy
Epsilon-Greedy exploriert zufällig mit fester Rate ε; Thompson Sampling exploriert intelligent proportional zur Unsicherheit.
Weiterführende Ressourcen
Anwendungsfälle im Marketing
Performance-Marketing-Teams nutzen Thompson Sampling, um Kampagnen-Ideen schneller zu generieren und A/B-Tests in Stunden statt Wochen auszurollen.
Content-Abteilungen setzen Thompson Sampling ein, um redaktionelle Pipelines zu beschleunigen — von Recherche und Outline bis zu mehrsprachiger Lokalisierung.
Im Customer Support liefert Thompson Sampling die Grundlage für intelligente Chatbots, die Tier-1-Anfragen automatisiert lösen und Tickets um 40–60 % reduzieren.
Analytics- und Insights-Teams kombinieren Thompson Sampling mit BI-Dashboards, um große Datenmengen in Echtzeit zu interpretieren und proaktive Handlungsempfehlungen abzuleiten.
Produkt- und Innovationsabteilungen prototypisieren mit Thompson Sampling neue Features, ohne tiefe Engineering-Ressourcen zu binden.
Compliance- und Legal-Teams setzen Thompson Sampling ein, um Verträge, Briefings und Marketing-Assets automatisiert auf regulatorische Anforderungen wie den EU AI Act zu prüfen.
Häufige Fragen
Was ist Thompson Sampling?
Bayesianischer Bandit-Algorithmus, der Aktionen proportional zur Wahrscheinlichkeit wählt, dass sie optimal sind. Im Kontext von Künstliche Intelligenz bezeichnet Thompson Sampling einen etablierten Ansatz, der von KI-Marketing-Teams in DACH zunehmend operativ genutzt wird, um Effizienz und Qualität messbar zu steigern.
Warum ist Thompson Sampling für Marketing-Teams 2026 relevant?
Optimal für Marketing-Optimierung: Ad Creative Selection, Headline Testing, Recommendation Ranking – effizienter als A/B Tests bei vielen Varianten. Unternehmen, die Thompson Sampling strukturiert einführen, berichten typischerweise von 20–40 % Effizienzgewinn in den ersten 6 Monaten.
Wie führe ich Thompson Sampling im Unternehmen ein?
Eine pragmatische Einführung von Thompson Sampling beginnt mit einem klar abgegrenzten Pilot-Use-Case, klaren KPIs (z. B. Zeit-, Kosten- oder Conversion-Effekt), einem cross-funktionalen Team aus Marketing, Daten und IT sowie einer Governance-Grundlage gemäß EU AI Act und DSGVO. Nach 6–8 Wochen folgt die Skalierung auf weitere Use Cases.
Welche Risiken und Fallstricke gibt es bei Thompson Sampling?
Typische Fallstricke bei Thompson Sampling sind unklare Zielbilder, fehlende Daten-Qualität, mangelnde Akzeptanz im Team sowie zu späte Einbindung von Datenschutz und Compliance. Diese Risiken lassen sich mit einem strukturierten Readiness-Check, klaren Verantwortlichkeiten und einer realistischen Roadmap deutlich reduzieren.