Silicon Sampling in der Marktforschung: Methoden und Nutzen

Was unterscheidet synthetische von realen Daten?

Reale Daten entstehen aus einer Messung: Jemand hat geantwortet, geklickt oder gekauft. Synthetische Daten entstehen aus einem Modell, das gelernt hat, wie solche Messungen üblicherweise aussehen. Der Unterschied ist grundsätzlich: Reale Daten können überraschen, weil die Wirklichkeit nicht dem Modell folgt. Synthetische Daten können das nicht, weil sie das Modell selbst sind.

Welche Rolle spielen generative Netze wie GANs?

Ein Generative Adversarial Network besteht aus zwei Netzen, die gegeneinander arbeiten. Der Generator erzeugt Datensätze, der Diskriminator versucht zu erkennen, welche davon echt und welche erzeugt sind. Beide verbessern sich wechselseitig, bis der Diskriminator die Fälschungen nicht mehr sicher von realen Daten unterscheidet. Das Ergebnis sind Datenzeilen mit derselben statistischen Struktur wie das Original, aber ohne Personenbezug.

• Generator erzeugt Kandidaten, Diskriminator bewertet sie
• Beide Netze verbessern sich gegenseitig über viele Runden
• Ergebnis: neue Zeilen mit der Struktur des Ausgangsdatensatzes
• Grenze: Es entstehen keine Antworten auf Fragen, die nie erhoben wurden

Warum arbeitet Silicon Sampling stattdessen mit Sprachmodellen?

Ein generatives Netz kann nur reproduzieren, was im Ausgangsdatensatz steckt. Wer eine neue Frage stellt, für die es keine historischen Antworten gibt, bekommt keine Auskunft. Ein Sprachmodell dagegen antwortet auch auf Fragen, die nie erhoben wurden, weil es auf allgemeines Sprach- und Weltwissen zurückgreift. Genau darin liegt der Reiz für die Marktforschung, und zugleich das Risiko: Die Antwort entsteht aus Plausibilität, nicht aus Beobachtung.

Wie lösen künstliche Befragte das Problem der Nischenzielgruppen?

Marktforschungsinstitute scheitern regelmäßig nicht an der Methode, sondern an der Rekrutierung. Für ein Segment wie Entscheider in mittelständischen Maschinenbauunternehmen mit Exportanteil über 60 Prozent lassen sich kaum genug Teilnehmer finden, und wenn doch, sind sie teuer. Künstliche Befragte haben dieses Problem nicht: Die Stichprobengröße ist eine Frage der Rechenzeit. Der Preis dafür ist, dass gerade bei sehr spitzen Segmenten die Grundlage im Modell am dünnsten ist.

Warum brauchen synthetische Daten reale Ankerpunkte?

Wirklich belastbar werden synthetische Datensätze erst dann, wenn sie an konkreten Parametern aus echten Erhebungen andocken. Ein Mikromilieu-Modell, das aus realen Befragungsdaten stammt, liefert die Verteilung, an der sich die Simulation ausrichten lässt. Ohne solche Anker erzeugt das Verfahren zwar Zahlen, aber keine überprüfbaren.

Welchen Vorteil bietet die Methode beim Datenschutz?

Da die erzeugten Antworten keiner realen Person zuzuordnen sind, entfallen auf der Antwortseite die Pflichten, die bei einer klassischen Erhebung anfallen: Einwilligung, Auskunft, Löschung. Das vereinfacht insbesondere die Weitergabe von Datensätzen an Dritte, etwa an Agenturen oder Forschungspartner. Wichtig bleibt die Abgrenzung: Sobald eigene Kundendaten zur Konditionierung verwendet werden, gelten für diesen Schritt die üblichen Pflichten weiter.

Wohin entwickelt sich das Feld?

Die Verknüpfung realer Erhebungen mit synthetischen Ansätzen gilt inzwischen als die wahrscheinliche Zielform: eine kleine, sorgfältig erhobene reale Basis, die eine große synthetische Erweiterung kalibriert. Damit verschiebt sich der Aufwand von der Menge der Befragten hin zur Qualität der Kalibrierung.