Data Science und Künstliche Intelligenz 2019 | marktforschung.dossier

Künstliche Intelligenz: Hinter Hype und Label schauen

von Dr.-Ing. Martin Hahmann, GWT-TUD

"Die Marktforschung ist eines der wichtigsten Werkzeuge des Marketings". Zu ihren Zielen gehören das "frühzeitige und rechtzeitige Erkennen von Trends" und die "Unterstützung bei der Entwicklung erfolgreicher Absatzstrategien". Was haben diese Wikipedia-Allgemeinplätze mit einem Dossier zum Thema Data Science und KI zu tun?

Betreiben wir ein kleines Gedankenspiel und suchen nach Trends, die heute als wichtig, innovativ und "sexy" gelten. Dabei stoßen wir fast zwangsweise auf das Label KI. Ein Angebot, das von Käufern als wünschenswert wahrgenommen werden soll, muss folglich den Begriff KI enthalten.

Der Erfolg dieses Ansatzes ist nicht zu übersehen. In den Medien finden sich fast täglich Beiträge zur künstlichen Intelligenz. Während ich dies hier schreibe, nimmt die Bundeskanzlerin in der Dresdner Frauenkirche an einer Diskussion zum Thema KI teil. In der Vorabliste mit Beiträgen für dieses Dossier trägt jeder Beitrag den Begriff KI im Arbeitstitel. Für das Thema dieses Dossiers ist das sicher nicht ungewöhnlich. Allerdings fällt auf, dass der Begriff Data Science trotz des größeren thematischen Umfangs und seiner früheren Prominenz – in der Zeit vor Machine Learning – kaum in Erscheinung tritt.

Die fortschreitende Digitalisierung von Datenerhebung, -aufbereitung und –analyse, die durch Begriffe wie Big Data, Data Science, Machine Learning etc. beschrieben wird, ist von essentieller Bedeutung für die Marktforschung. Trotzdem entsteht oft der Eindruck, dass die Branche sich durch den Hype um immer neue Buzzwords, wie zuletzt KI, blenden lässt und somit indirekt zum Opfer ihres eigenen Erfolgs wird.

Hype macht Innovation attraktiv. Nimmt er allerdings überhand, weckt er überzogene Erwartungen, die zwangsweise enttäuscht werden und im schlimmsten Fall dazu führen, dass wichtige Entwicklungen verpasst werden.  

Füreinander geschaffen?

Als Informatiker und Data Scientist kommt man schnell zu dem Schluss, dass Marktforschung und Data Science eigentlich perfekt zueinander passen. Immerhin betreibt die Marktforschung seit Jahrzehnten im Kern Data Science. Sie erhebt, erfasst und analysiert Daten, gewinnt Erkenntnisse und leitet aus diesen Strategien ab. Eine motivierte und umfassende Adaption des Trends durch die Branche erschien nicht nur wahrscheinlich, sondern geradezu zwingend.

Ist die Marktforschung heute der große Vorreiter im Bereich Data Science? Ich persönlich denke das nicht. Data Science und Co werden zwar angewendet, sind aber global betrachtet immer noch eher Ausnahme als Regel. Teilweise wirkt die fehlende Traktion bei diesen Themen fast fahrlässig. Die Enthüllungen um Cambridge Analytica haben das Potential und die Fähigkeiten einer durchdigitalisierten Marktforschung auf beeindruckende und sicher auch beunruhigende Weise aufgezeigt. Fast zeitgleich warf die "Akte Marktforschung" ein zweifelhaftes Licht auf klassische Methoden der Branche. Trotz dieser Ereignisse konnte sich aber z.B. die Fachgruppe Data-Science des BVM nicht etablieren.

Seit drei Jahren betreue ich den Data-Science Cup des BVM und erfahre bei den Teilnehmern aus erster Hand, dass es in der Marktforschung sehr wohl Menschen gibt, die das Thema Data Science mit Kompetenz, Engagement und Leidenschaft verfolgen. Nichtsdestotrotz ist und bleibt ihre Anzahl gering. Woran liegt das? Brauchen wir vielleicht einen KI Cup?

Eine andere Marktforschung

"Beide schaden sich selbst: der, der zu viel verspricht und der, der zu viel erwartet." Dieses Zitat von Lessing beschreibt ungefähr die Hälfte der Probleme mit denen ich während meiner Tätigkeit im Big-Data-Kompetenzzentrum ScaDS konfrontiert wurde.

Anhaltender Hype, immer neue Buzzwords und fehlende Kenntnisse erzeugen nicht nur falsche Erwartungen, sondern führen auch zu falschen Fragen. Technische Entscheidungen wie: "Python oder R?", "PostgreSQL oder Cassandra?", "Scale-out oder Scale-up?" werden in den Vordergrund gestellt. Dabei ist oft unklar, ob die avisierte Aufgabe diese Systeme überhaupt erfordert. Man beschäftigt sich damit, weil alle anderen es auch tun und man den Anschluss nicht verlieren darf.  Pauschale Aussagen wie: "Mit ein paar Gigabyte kann man kein Data Science betreiben!" oder "Machine Learning funktioniert nur mit Neuronalen Netzen und TensorFlow!" sind weitverbreitet und schlichtweg falsch. Zusätzlich existieren auch Verdrängungsängste: "Ist meine Arbeit bzw. meine Expertise jetzt überflüssig? Werde ich durch einen Algorithmus ersetzt?".

In aller Kürze klargestellt: Die Menge an Daten sagt nichts über deren Nutzen aus. Diese Aussage ist in der Marktforschung glücklicherweise bekannt wie z.B. der Beitrag "George Gallup versus The Literary Digest" von Frau Dr. Müller-Peters zeigt. Weniger, dafür sorgfältig und planmäßig erhobene Daten sind eine ideale Grundlage für qualitativ hochwertige Prognosen und Analysen. Nichtsdestotrotz existiert heute aber auch eine Vielzahl von automatisch erfassten Daten für fast alle Lebensbereiche die für die Modellierung von größtem Interesse sind. Die schiere Masse dieser Daten garantiert allerdings weder Qualität noch Nutzen. Es gilt auch hier: "garbage in, garbage out". Für die Marktforschung bietet gerade die komplementäre Nutzung dieser neuen Datenquellen in Verbindung mit klassischen gezielt erhobenen Daten ein riesiges Potential.

Data Science und Machine Learning bestehen nicht nur aus Massendaten und Neuronalen Netzen. Als universelle Funktionsapproximatoren sind Neuronale Netzte extrem mächtige und vielseitige Werkzeuge. Sie sind aber auch unglaublich komplex, rechenaufwändig und opak. Sicherlich können viele Probleme mit TensorFlow und mehreren tausend, in der Cloud zugekauften, CPU Stunden mit einer zufriedenstellenden Genauigkeit gelöst werden. Oft erreichen aber auch einfachere Verfahren vergleichbare oder bessere Ergebnisse. In jedem Fall erlauben nachvollziehbare Modelle effektivere Anpassungen als "Black-Box" Netze.   

Zum Abschluss: KI macht nicht alles besser, löst nicht jedes Problem und kann auch den Marktforscher nicht ersetzen. Der Begriff fasst mittlerweile alles mit einem Bezug zu Data Science oder Machine Learning zusammen. Im Allgemeinen versucht KI "intelligentes Verhalten" und menschliche Entscheidungen nachzubilden. Leider existiert keine genaue Definition von KI, so dass der Begriff ein unglaublich breites Feld abdeckt. Beispielsweise kann man AlphaGo als KI bezeichnen, da das System über den nächsten Zug einer Partie Go entscheidet. Parallel kann man auch eine Gartenbeleuchtung als KI bezeichnen, wenn sie sich bei einsetzender Dunkelheit einschaltet.

KI setzt Data Science und Machine Learning bzw. Mathematik und Statistik auf intelligente Art und Weise ein, um algorithmisch Entscheidungen zu fällen. Das heißt aber nicht, dass ein Entscheidungsalgorithmus an sich tatsächlich intelligent ist. Trotzdem haben viele Menschen genau diese Erwartung.

Buzzwords hin oder her, es findet eine transformative Entwicklung statt, deren Ziel eine veränderte Marktforschung mit veränderten Markforschern und vielen neuen Möglichkeiten ist. Um dieses Ziel zu erreichen, muss die Marktforschung allerdings an sich selbst vorbei und hinter Hype und Label schauen.

Dr.-Ing. Martin Hahmann ist bei der GWT-TUD für die Bereiche Datenanalyse und Zertifizierung zuständig. Davor verantwortete er an der Professur Datenbanken der Technischen Universität Dresden den Bereich Datenanalyse und war als Mitglied des Big-Data-Kompetenzzentrums "ScaDS Dresden/Leipzig" im Bereich "Big Data Lifecycle Management" tätig. Erst vor wenigen Wochen bekam er vom BVM den Preis für besonderes Engegament in der Marktforschung verliehen.

Die Beiträge des Dossiers werden sukzessive auf dieser Seite veröffentlicht. Morgen schon folgt ein Beitrag von SKOPOS.

Über marktforschung.de

Branchenwissen an zentraler Stelle bündeln und abrufbar machen – das ist das Hauptanliegen von marktforschung.de. Unser breites Informationsangebot rund um die Marktforschung richtet sich sowohl an Marktforschungsinstitute, Felddienstleister, Panelbetreiber und Herausgeber von Studien, Marktdaten sowie Marktanalysen als auch an deren Kunden aus Industrie, Handel und Dienstleistungsgewerbe.

facebook twitter google plus