Silicon Sampling6 Min.
Revolutioniert Silicon Sampling die Marktforschung?
Zwischen Euphorie und Skepsis: Eine nüchterne Einordnung, was synthetische Stichproben in der Marktforschung wirklich verschieben und was unverändert bleibt.
WeiterlesenSynthetische Marktforschung verständlich erklärt
Silicon Sampling: Marktforschung mit synthetischen Personas
- der Marktforscher erwarten, dass synthetische Antworten in drei Jahren den Großteil der Marktforschung ausmachen
- 71 %*der Marktforscher erwarten, dass synthetische Antworten in drei Jahren den Großteil der Marktforschung ausmachen
- der Nutzer synthetischer Antworten sind mit den Ergebnissen sehr zufrieden
- 87 %*der Nutzer synthetischer Antworten sind mit den Ergebnissen sehr zufrieden
- Umsatz der weltweiten Marktforschungs- und Insights-Branche 2024
- 150 Mrd. US-$**Umsatz der weltweiten Marktforschungs- und Insights-Branche 2024
Definition
Kurz beantwortet
Silicon Sampling ist eine Marktforschungsmethode, bei der ein großes Sprachmodell auf soziodemografische Profile konditioniert wird und daraufhin Umfragefragen beantwortet, als wäre es die jeweilige Person. Aus vielen solcher simulierten Antworten entsteht eine synthetische Stichprobe, ein Silicon Sample. Der Begriff wurde 2022 an der Brigham Young University geprägt und beschreibt heute ein ganzes Feld synthetischer Marktforschung, zu dem auch synthetische Respondenten, KI-Panels und Digital Twins der Zielgruppe gehören.
Beiträge
Die neuesten Analysen zu synthetischen Personas, ihrer Belastbarkeit und ihren Grenzen. Jeder Beitrag beginnt mit einer Kurzantwort und endet mit den Quellen.
Methodik und Validität7 Min.
Ethische Fragen beim Silicon Sampling
Synthetische Befragte lösen ein Datenschutzproblem und schaffen ein Repräsentationsproblem. Dieser Beitrag ordnet beide Seiten ein und benennt, was derzeit geregelt ist und was nicht.
Weiterlesen
Prädiktive Analysen6 Min.
Marktprognosen ohne echte Befragte
Prognosen ohne Befragte klingen nach einem Widerspruch. Der Beitrag zeigt, wie das technisch funktioniert und an welcher Stelle reale Daten trotzdem unverzichtbar bleiben.
Weiterlesen
Silicon Sampling8 Min.
Silicon Sampling in der Marktforschung: Methoden und Nutzen
Ein technischer Blick auf die Methode: Wie synthetische Datensätze erzeugt werden, worin sich generative Netze und Sprachmodelle unterscheiden und wann künstliche Befragte tragfähig sind.
Weiterlesen
Grundlagen8 Min.
Synthetische Daten: Warum Unternehmen sie nutzen sollten
Synthetische Daten lösen drei praktische Probleme auf einmal: fehlende Datenmenge, rechtliche Hürden und Lücken in der Stichprobe. Was die Methode leistet und wo sie überfordert ist.
Weiterlesen
Prädiktive Analysen7 Min.
Szenario-Simulationen: Marktreaktionen antizipieren
Was wäre wenn: Szenario-Simulationen spielen Marktreaktionen durch, bevor Budget fließt. Wie das methodisch funktioniert und welche Fragen sie nicht beantworten können.
WeiterlesenStichprobe
Silicon Sampling befragt nicht eine Persona, sondern Hunderte. Jede hat ihr eigenes Alter, ihren Wohnort, ihre Haltung und ihre Lebensumstände. Erst die Menge macht aus einzelnen Antworten eine Verteilung, die sich auswerten lässt wie eine echte Befragung.
Demonstration
So entsteht eine synthetische Stichprobe
Jeder Punkt steht für einen synthetischen Respondenten. Wählen Sie eine Frage, und die 1.000 Profile ordnen sich nach ihrer Antwort. Was bei einer realen Befragung Wochen dauert, ist hier eine Rechenoperation.
Simulierte Zielgruppe: Einkaufsverantwortliche im Mittelstand
49 Euro im Monat…
129 Euro im Monat…
299 Euro im Monat…
Keine der Stufen…
Die gezeigten Verteilungen sind zur Veranschaulichung hinterlegt und stammen nicht aus einer Erhebung. Echte Ergebnisse müssen gegen reale Daten kalibriert werden.
Einordnung
Die ehrliche Antwort lautet: beides, an unterschiedlichen Stellen im Prozess. Synthetisch wird iteriert, real wird entschieden.
Zeit bis zum ErgebnisKlassisch: 2 bis 6 WochenSynthetisch: Minuten
Kosten pro DurchlaufKlassisch: vierstellig aufwärtsSynthetisch: Rechenzeit
NischenzielgruppenKlassisch: kaum rekrutierbarSynthetisch: ohne Aufwand
WiederholbarkeitKlassisch: neue Teilnehmer je WelleSynthetisch: identische Profile
Echte ÜberraschungKlassisch: möglichSynthetisch: nicht möglich
Belastbar für HauptstudieKlassisch: jaSynthetisch: nein
Begriffsfeld
Der Markt hat sich auf keine Bezeichnung geeinigt. Wer zu synthetischen Personas recherchiert, stößt auf ein Dutzend Begriffe, die teils dasselbe meinen und teils feine Unterschiede tragen. Diese Übersicht sortiert sie.
Silicon Sampling
auch: Silicon Sample, Silicon Samples, Silikon-Stichprobe
Silicon Sampling bezeichnet die Erhebung von Befragungsdaten aus einem Sprachmodell statt von Menschen. Das Modell wird auf soziodemografische Profile konditioniert und beantwortet Fragen so, wie es die jeweilige Bevölkerungsgruppe statistisch tun würde.
Synthetische Personas
auch: Synthetic Personas, KI-Personas, AI Personas, virtuelle Probanden
Synthetische Personas sind modellierte Einzelprofile, die eine Zielgruppe repräsentieren und wiederholt befragt werden können. Anders als die klassische Marketing-Persona ist eine synthetische Persona kein Steckbrief auf Papier, sondern ein antwortfähiges Objekt.
Synthetische Respondenten
auch: Synthetic Respondents, künstliche Befragte, simulierte Teilnehmer
Synthetische Respondenten sind die einzelnen simulierten Antwortgeber innerhalb einer synthetischen Stichprobe. Der Begriff betont die Rolle im Befragungsdesign, nicht die Persönlichkeit dahinter.
Synthetische Marktforschung
auch: Synthetic Market Research, KI-Marktforschung
Synthetische Marktforschung ist der Oberbegriff für alle Studiendesigns, in denen Daten ganz oder teilweise von Modellen erzeugt statt von Menschen erhoben werden. Silicon Sampling ist eine Methode innerhalb dieses Feldes.
Synthetische Daten
auch: Synthetic Data, künstlich erzeugte Datensätze
Synthetische Daten sind künstlich erzeugte Datensätze, die Struktur und statistische Eigenschaften realer Daten nachbilden, ohne personenbezogene Informationen zu enthalten. Sie entstehen über Simulationen, statistische Modelle oder generative Netze.
Algorithmic Fidelity
auch: algorithmische Treue, Modelltreue
Algorithmic Fidelity beschreibt, wie genau ein Sprachmodell die Antwortverteilungen einer realen Bevölkerungsgruppe reproduziert, wenn es auf deren Merkmale konditioniert wird. Der Begriff ist das zentrale Gütekriterium für Silicon Sampling.
Synthetische Zielgruppen
auch: Synthetic Audiences, simulierte Zielgruppen
Synthetische Zielgruppen sind aggregierte Gruppen synthetischer Personas, die gemeinsam ein Marktsegment abbilden und als Ganzes befragt werden.
KI-Panel
auch: Synthetic Panel, synthetisches Panel, AI Panel
Ein KI-Panel ist ein dauerhaft vorgehaltener Bestand synthetischer Respondenten, der wie ein klassisches Online-Panel wiederholt für Studien herangezogen wird.
Digital Twin der Zielgruppe
auch: Digital Twins, digitaler Zwilling, Consumer Digital Twin
Ein Digital Twin der Zielgruppe ist ein fortlaufend mit realen Daten abgeglichenes Modell einer Kundengruppe, das deren Verhalten simuliert und bei neuen Daten nachgeführt wird.
LLM-basierte Befragung
auch: LLM-Survey, modellgestützte Befragung
Eine LLM-basierte Befragung ist ein Studiendesign, in dem ein großes Sprachmodell den Fragebogen beantwortet. Der Begriff beschreibt die technische Umsetzung, nicht den Forschungszweck.
Hybrides Studiendesign
auch: Hybrid Research, Mixed synthetic-human design
Ein hybrides Studiendesign kombiniert synthetische Vorstufen mit einer realen Befragung an der Entscheidungsstelle. Synthetisch wird iteriert, menschlich wird validiert.
Mikromilieu
auch: Micro-Segment, feingliedriges Milieu
Ein Mikromilieu ist ein sehr fein geschnittenes Gesellschaftssegment, das neben soziodemografischen auch psychografische Merkmale wie Werte, Lebensstil und Mediennutzung berücksichtigt.
Anwendung
Der Nutzen liegt fast immer vorne im Prozess, dort wo viele Varianten gegeneinander stehen und eine reale Befragung zu langsam wäre.
Konzepttest vor dem Budget
Zwanzig Produktideen auf drei eindampfen, bevor Designressourcen gebunden werden. Die Rangfolge ist synthetisch belastbar, die absolute Zustimmung nicht.
Botschaften vorsortieren
Welche von acht Werbebotschaften trägt, entscheidet sich vor dem Media-Einkauf statt danach.
Fragebogen-Pretest
Unverständliche oder nicht trennscharfe Fragen fallen auf, bevor das reale Feld startet.
Preisbereitschaft eingrenzen
Die Richtung stimmt meist, der absolute Euro-Betrag gehört in die reale Erhebung.
Grenzen
Ein Sprachmodell gibt wieder, was in seinen Trainingsdaten häufig war. Gruppen, die dort unterrepräsentiert sind, bleiben es auch in der Simulation, ohne dass es am Ergebnis sichtbar wird. Das ist die eigentliche methodische Schwäche, nicht die Genauigkeit im Einzelfall.
- Verzerrung aus den Trainingsdaten wird mitsimuliert, nicht korrigiert
- Das Modell zeigt nie an, dass ihm zu einer Gruppe die Grundlage fehlt
- Absolute Werte wie Preisbereitschaft sind deutlich unzuverlässiger als Rangfolgen
- Strukturell neue Situationen ohne Vorbild in den Daten werden nicht erfasst
Das Gegenmittel
Kalibrieren Sie getrennt nach Untergruppen gegen Daten, deren reale Verteilung Sie bereits kennen. Ein Gesamtergebnis, das im Mittel stimmt, kann für einzelne Segmente erheblich danebenliegen.
