Datensätze für die automatisierte Erstellung von Bannern, Anzeigen und Social-Posts

KI kann aus einer Eingabeaufforderung eine attraktive Anzeige erzeugen. Schwieriger ist es, Werbemittel zu produzieren, die weiterhin nutzbar bleiben, wenn sich das Produkt ändert, die Headline lokalisiert wird, der Platzierungsort wechselt, die Marke strenge Regeln hat oder die Plattform zur Ausspielzeit mehrere Assets zusammenstellt.

Das unterscheidet Trainingsdaten für Werbung von einem Ordner mit fertigen Anzeigenbildern. Ein nützliches Dataset muss möglicherweise Produkte, Quell‑Assets, Copy/Text, Layout, Typografie, Kampagnenziel, Markenregeln, Plattformkontext, Creative‑Herkunft und das final gerenderte Ergebnis miteinander verknüpfen. Ranking‑ oder Optimierungssysteme können außerdem Präferenz‑ oder Leistungsdaten benötigen.

Das passende Dataset hängt daher von der Entscheidung ab, die das KI‑System treffen muss. Ein Modell, das ein fertiges Bild generiert, hat andere Datenanforderungen als ein System, das editierbare Layouts zusammensetzt, eine Kampagne über Formate hinweg anpasst, Kandidaten‑Creatives bewertet, Ergebnisse vorhersagt oder die richtigen Quell‑Assets abruft.

Ein Werbedatensatz für KI ist eine Sammlung werbebezogener Aufzeichnungen, die verwendet wird, um Machine-Learning-Systeme für Werbung zu trainieren, feinabzustimmen, zu evaluieren, abzurufen, zu bewerten oder anderweitig zu verbessern. Die Einträge können Bilddatensätze oder Videodatensätze, Werbetexte, Produktinformationen, Designstrukturen, Kampagnenkontext, Plattform-Metadaten, kreative Beziehungen, Annotationen, Herkunft und wo angemessen Verhaltens- oder Leistungsdaten enthalten.

Für die KI-Generierung von Werbemitteln ist das entscheidende Merkmal nicht das bloße Vorhandensein von Anzeigen. Ausschlaggebend ist, ob die Darstellung die Informationen offenlegt, die das Modell zum Lernen benötigt, sowie die Beziehungen zwischen diesen Informationsbestandteilen.

Es gibt kein universelles Schema für Werbedatensätze. Welche Felder nützlich sind, hängt vom Modellziel, dem Ausgabeformat und dem erforderlichen Grad an Kontrolle ab.

Die nützlichste Beschaffungsfrage ist daher nicht „Wie viele Anzeigen sind enthalten?“ sondern „Enthält der Datensatz die für die spezifische Aufgabe des Modells erforderlichen Informationen?“

Ein zusammengeführtes JPG oder PNG zeigt das Ergebnis, kann jedoch verbergen, wie es zusammengesetzt wurde. Muss das System ein Produkt ersetzen, eine Überschrift ändern, eine CTA beibehalten, eine Kampagne übersetzen, das Design skalieren oder eine editierbare Komposition zurückgeben, profitiert das Modell davon, zu wissen, welche Elemente Assets sind, welche Texte welche Rolle spielen, wie Elemente gruppiert sind und wie die visuelle Hierarchie organisiert ist.

OCR ist nützlich, um sichtbaren Text zu extrahieren, stellt jedoch keine semantische Annotation dar. OCR kann Ihnen sagen, dass eine Phrase in einem Bild vorkommt; ein semantisches Label kann Ihnen sagen, ob es sich bei dieser Phrase um eine Überschrift, eine CTA, einen Preis, ein Angebot, einen Haftungsausschluss, einen Produktnamen oder um Begleittext handelt.

Zusammengeführte Bilder bleiben für visuelles Lernen, Retrieval und die Bewertung gerenderter Ergebnisse nützlich. Die Frage ist, ob sie für die Zielaufgabe ausreichen. Mit steigenden Kontrollanforderungen werden strukturierte oder editierbare Repräsentationen wertvoller.

Ein praktischer Werbedatensatz sollte die im Produktions-Workflow vorhandenen Einheiten unterscheiden. Eine Bilddatei kann an mehreren Einheiten beteiligt sein, aber diese sollten nicht zusammengelegt werden.

Eine nützliche Produktionshierarchie ist:

Kampagne → Creative-Familie → Creative-Variante → Plattform- oder Platzierungsvariante → Assets und Komponenten → gerenderte Ausgabe

Die Hierarchie kann dann mit Datensätzen für Produkt, Angebot, Headline, CTA, Template, Markt, Sprache, Marke und Ergebnis verknüpft werden. Diese relationale Sicht ist oft nützlicher für die Generierung und Bewertung als jedes gerenderte Bild als unabhängige Probe zu behandeln.

Eine Anzeige mit festem Layout speichert die Komposition direkt: Layout + Text + Bild + Logo → gerenderte Anzeige. Eine asset-basierte Anzeige speichert Komponentensets und Konfigurationen, sodass ein Auslieferungssystem mehrere Renderings zusammenstellen kann. Die aktuelle Responsive-Display-Ads-Dokumentation von Google ist ein konkretes Beispiel. Werbetreibende liefern mehrere Asset‑Typen, darunter Headlines, Beschreibungen, Bilder und Logos, und die Systeme von Google kombinieren diese, um in den verfügbaren Anzeigenraum zu passen. Google dokumentiert außerdem separate Spezifikationen für die Assets selbst. Für das Dataset‑Engineering bedeutet das, dass die Quell‑Assetgruppe und das ausgelieferte Creative möglicherweise getrennte Datensätze benötigen. Wenn ein System für eine Impression Headline B + Image C + Logo A + Description D zusammenstellen kann, sollte die bei dieser ausgelieferten Konfiguration beobachtete Performance nicht automatisch jedem Quell‑Asset in der ursprünglichen Gruppe gleichermaßen zugeschrieben werden. Diese Unterscheidung ist auch für neuere Kampagnenstrukturen wichtig. Googles aktuelle Guidance weist darauf hin, dass Display‑Kampagnen in Richtung Demand Gen gehen, was ein weiterer Grund ist, die Produktionsumgebung als versionierte Metadaten zu speichern, anstatt Annahmen über ein Plattformformat fest im Code zu verankern.

Das alleinige Speichern von platform = "Google" oder platform = "Meta" reicht in der Regel nicht aus, um einen Produktionsdatensatz zu erstellen. Nützlicher Kontext kann Plattform, Kampagnentyp, Platzierung, Format, Spezifikationsversion, Seitenverhältnis, Textbeschränkungen, Orientierung, Sprache, Locale und die für diese Platzierung geltenden Safe-Area-Regeln umfassen.

Safe-Areas sind kontextbezogene Eigenschaften, keine universellen Eigenschaften eines Quell-Creatives. Eine Safe-Area-Anmerkung sollte die Platzierung und die Spezifikation, zu der sie gehört, kennzeichnen. Gleiches gilt für Textbeschränkungen, unterstützte Asset-Typen und andere Plattformregeln, die sich im Laufe der Zeit ändern können.

Das allgemeine Prinzip ist einfach: Plattformmetadaten sollten die Produktionsumgebung beschreiben, die für das Creative galt, und nicht nur die Plattform nennen.

Werbetexte sollten, wenn möglich, als strukturierter Text gespeichert werden. Nützliche Rollen sind zum Beispiel Überschrift, Zwischenüberschrift, Fließtext, Produktname, Preis, Angebot, CTA, Haftungsausschluss, unterstützende Aussage und rechtlicher Text.

Text und Layout sollten nicht immer als unabhängige Felder behandelt werden. Die Länge der Überschrift kann die Zeilenanzahl, Schriftgröße, Höhe des Textfelds, Bildposition und den Weißraum verändern. Ein lokalisierter CTA kann außerdem breiter sein als die Version in der Ausgangssprache. Für die automatisierte Erstellung von Werbemitteln machen Paare wie „kurze Überschrift → Layout A“ und „lange übersetzte Überschrift → Layout B“ eine Beziehung sichtbar, die von reinem Text und rohen Koordinaten übersehen würden.

Das ist ein Grund, warum strukturierte Creative-Daten nützlicher sein können als ein Bild‑plus‑Beschriftungspaar, wenn das Zielsystem kontrollierte, editierbare Ergebnisse liefern muss.

Nützliche Layout-Anmerkungen können Bounding-Boxen, Koordinaten, Breite und Höhe, Ausrichtung, Ränder, Padding, Rasterposition, Z-Reihenfolge, Überlappung, Gruppierung und Hierarchie umfassen. Allerdings benötigen viele Ad-Generierungssysteme auch semantische Beziehungen.

Angenommen, ein Produkt ist auf der rechten Seite eines Quellbildes positioniert und auf der linken Seite befindet sich Negativraum. Ein Modell, das nur absolute Koordinaten hat, kann lernen, wo die Überschrift in einem Beispiel erscheint. Eine nützlichere Darstellung kann den Grund für diese Platzierung erfassen: die Überschrift in den verfügbaren Negativraum zu setzen und zu vermeiden, das Produkt zu überdecken.

Das legt drei ergänzende Layout-Repräsentationen nahe:

• Absolute Geometrie: Koordinaten, Abmessungen und Ausrichtung.

• Inhaltsbeziehungen: Vermeidung, Ausrichtung, Überlappung, Vordergrund/Hintergrund und Gruppierung.

• Semantische Rollen: Produkt, Überschrift, CTA, Logo, Angebot und andere Komponenten.

Neuere Arbeiten stützen diese Richtung. AnyLayout - 120K behandelt Layout-Generierung als ein instruk­tionsgesteuertes multimodales Problem mit räumlichen Annotationen und strukturierten Beschreibungen zusammengesetzter Layouts. Ein Preprint von 2025 zur inhaltsbewussten Ad-Banner-Layout-Generierung nutzt ebenfalls ein Vision-Language-Modell, um Objekte und deren räumliche Beziehungen zu erkennen, bevor Text- und Logo-Platzierungen geplant werden. 

Ein strukturierter Datensatz kann Schriftfamilie bzw. -kategorie, Größe, Gewicht, Stil, Zeilenhöhe, Zeichenabstand, Ausrichtung, Farbe und Textfeldabmessungen enthalten. Er kann auch die funktionale Hierarchie von Texten und Elementen bewahren.

Diese Unterscheidung ist wichtig, weil ein Modell sonst lediglich lernen könnte, dass sich unten Text befindet, ohne zu erkennen, dass das untere Element ein CTA, ein rechtlicher Hinweis oder ein Preis ist. Rollenbewusste Daten ermöglichen eine kontrolliertere Transformation und Bearbeitung.

E-Commerce-Werbung bringt eine Einschränkung mit sich, die in generischen Datensätzen zur Bildgenerierung unterrepräsentiert sein kann: Das Produkt muss erkennbar und konsistent bleiben, während es in eine passende Szene und ein passendes Layout eingefügt wird.

Produktpaarung, Hintergrundgenerierung und Layout-Generierung können als separate steuerbare Probleme behandelt werden. CreativeAds, ein Forschungssystem aus dem Jahr 2026 zur Generierung von Multi-Object-Anzeigen, trennt diese Phasen in seinem Workflow explizit. Die daraus resultierende ingenieurtechnische Konsequenz ist auch außerhalb dieses spezifischen Systems nützlich: Produktidentität, Szenengenerierung und Layout sollten nicht in einem undifferenzierten Bildqualitäts-Label versteckt werden, wenn das Modell unabhängige Kontrolle über sie benötigt.

Branddaten sind wichtig, wenn das System Identität wahren muss. Für Werbung sind die relevantesten Felder typischerweise Brand-ID und -Version, der anwendbare Regelsatz, zugelassene Assets, produktspezifische Regeln, Kampagnenstil und verbotene Behandlungen. Es macht wenig Sinn, ein vollständiges Brand-Governance-Framework zu wiederholen, wenn es in dem Artikel hauptsächlich um Werbedaten geht.

Der Kampagnenkontext kann Ziel, Produkt, Angebot, angestrebtes Zielgruppensegment, Funnel-Stufe, Markt, Saison, Kampagnenthema, Verkaufsargument und CTA umfassen. Definieren Sie Zielgruppenfelder sorgfältig. „Zielgruppe“ kann ein kampagnendefiniertes Segment, eine Buyer Persona, eine Plattform-Targeting-Konfiguration oder ein abgeleitetes Nutzermerkmal bedeuten. Das sind unterschiedliche Datentypen und sollten nicht zu einem einzigen mehrdeutigen Feld zusammengefasst werden.

Werbedatensätze enthalten oft visuell ähnliche Einträge, weil Kampagnen bewusst variiert werden. Veränderte Überschriften, CTAs, Preise, Produkte, Hintergründe oder Formate können Teil eines Experiments sein und sind nicht einfach nur doppeltes Rauschen.

Zu den nützlichen Lineage-Feldern gehören creative_family_id, parent_creative_id, template_id, variant_type, source_asset_ids, platform_variant_of, localized_from, campaign_version und relationship_ids. Die genauen Feldnamen können variieren, aber die Beziehungen sollten sichtbar bleiben.