Orkan Dolay, respondi Wo übertrifft der Mensch Maschinen? Automatisierung der Marktforschungsprozesse

Der Begriff "Künstliche Intelligenz" verleitet manchen zu einer großen Erwartungshaltung. Das Wort "Intelligenz" suggeriert, dass hier die Intelligenz des Menschen künstlich nachgestellt werden soll. Dass "Künstliches", genauer Maschinen, Tätigkeiten von Menschen übernehmen, welche einer Intelligenz folgen und diese Tätigkeiten überdies besser und zuverlässiger als Menschen ausüben (werden). Aber darum geht es noch gar nicht. Künstliche Intelligenz wird Menschen und auch Marktforschern kurz- und mittelfristig nicht vornehmlich die intelligenten Aufgaben, sondern eher die einfachen, nicht intelligenten Tätigkeiten abnehmen.

Man kann langfristig vielleicht davon ausgehen, dass die KI den Menschen in Kreativität und Genauigkeit übertreffen wird, dank schier endloser Skalierbarkeit der Maschinen minus des Faktors "menschliche Fehler". Doch die Realität 2019 ist: Maschinen kommen im Verstehen von einfachen Zusammenhänge bisweilen nicht mal an Kleinkinder ran und vor allem Transferleistungen vom Erlernten aufs Nicht-Erlernte als auch nicht-lineare Extrapolation sind noch ein weiter Weg. Das wurde hier auf Marktforschung.de auch bereits von Christian Thunig von Innofact beschrieben. Er meinte zudem "Künstliche Intelligenz ist in der Marktforschung auf niedrigem Niveau angekommen, und (…) wird in der Marktforschung auf absehbare Zeit also in den nächsten drei bis fünf Jahren nicht zum Game-Changer."

Aber: Was ist KI?

Meine persönliche Lernkurve in den letzten Jahren verlief in etwa so: Vor Jahren haben meine IT-Kollegen ein Tool entwickelt, das automatisiert Teilprojekte besser ausführt, als es der Mensch kann.

Ich: "Super! KI?"
Kollege : "Nee, Algorithmus"
Ich: "Schade. Wann ist es denn ne KI? Brauchst Du noch lange dafür?"
Kollege: "Wenn das Ding von selbst lernt. Nennt sich Machine Learning."
Ich: "aha"

Jahre später höre ich einen anderen Kollegen intern über Machine Learning reden.

Ich: "Prima! Wir machen endlich Machine Learning?! Also KI! Ich sage dem Marketing Bescheid, sie sollen mal gleich die domain respondi.ai buchen!"
Kollege: "Nee, ist einfaches Machine Learning. Noch kein Deep Learning, kein neuronales Netzwerk oder so…"
Ich: ("???")

Also mein Stand aktuell: KI ist mehr als Machine Learning. KI ist es erst, wenn Deep Learning hinzukommt. Das bedeutet, dass vieles, was gemeinhin als KI bezeichnet wird, häufig nur komplexere, deutlich verbesserte Algorithmen sind. Die deutliche Verbesserung kommt vom (halb-) autonomen Lernen der Algorithmen. Daher reden wir bei respondi aktuell noch ausschließlich von Automatisierungen statt KI, auch wenn wir Machine Learning anwenden, auch wenn wir Chatbots und KI’s wie IBM Watson oder Bert von Google bei der Datenverarbeitung nutzen.

Aber: Was ist Intelligenz?

Intelligenz ist ein Begriff, denn wir im Alltag häufig verwenden, und kollektiv davon ausgehen, dass wir uns alle darüber einig sind. Aber um sicher zu gehen, habe ich mich hier mal gefragt: Was ist Intelligenz?

Laut DUDEN ist Intelligenz die "Fähigkeit [des Menschen], abstrakt und vernünftig zu denken und daraus zweckvolles Handeln abzuleiten"

"abstrakt und vernünftig zu denken"

a) Was ist "denken"? Wieder laut Duden "die menschliche Fähigkeit des Erkennens und Urteilens anwenden; mit dem Verstand arbeiten; überlegen"

b) Abstrakt? "die wesentlichen, gesetzmäßigen o. ä. Züge aus etwas Konkretem, sinnlich Wahrnehmbarem ableitend"

c) Vernunft? "geistiges Vermögen des Menschen, Einsichten zu gewinnen, Zusammenhänge zu erkennen, etwas zu überschauen, sich ein Urteil zu bilden und sich in seinem Handeln danach zu richten"

Wenn ich es ausführlicher definiere, ist Intelligenz die Fähigkeit [des Menschen], die wesentlichen, gesetzmäßigen o. ä. Züge aus etwas Konkretem, sinnlich Wahrnehmbarem abzuleiten, und sein geistiges Vermögen, Einsichten zu gewinnen, Zusammenhänge zu erkennen, etwas zu überschauen, sich ein Urteil zu bilden und sich in seinem Handeln danach zu richten / daraus zweckvolles Handeln abzuleiten. Das ist auf Unternehmen und Konsumenten bezogen in etwa das, was man Business Intelligence oder Customer Intelligence nennt, das traditionelle Spielfeld der Marktforschung. Passt also.

Die KI sind (noch) bei weitem nicht so weit, dass sie tatsächlich intelligent sind. 
Aber sie können die wesentlichen, gesetzmäßigen o. ä. Züge aus etwas Konkretem, den vorhandenen Daten, immer besser erkennen. Algorithmen und "KI"-Software werden dank ihres Gedächtnisses, gepaart mit Machine Learning und Ihrer Rechenkapazität, in den nächsten Jahren (auch kurzfristig) stärker und stärker im Marktforschungsprozess auf verschiedenen Ebenen präsent sein.

Den Prozess eines Markforschungsprojekts kann man in etwa so beschreiben

1) Identifizierung eines Business Problems auf Kundenseite
2) Fragestellung
3) Briefing der internen/externen Anbieter
4) Konzeption Studiendesign
5) Datenerhebung
6) Datenaufbereitung
7) Datenauswertung/Analyse
8) Interpretation
9) Umsetzung (oder nicht) der Insights im Unternehmen

Die Qualität einer Studie hängt stark von der Qualität des Briefings ab.

Automatisierungen mithilfe von KI in den Phasen 1) bis 3): Identifizierung des Business Problems auf Kundenseite bis zum Briefing.

Unternehmen haben Unmengen an Daten. Und sie sind dank diverser Business Intelligence Solutions dabei, diese Daten immer besser zu strukturieren und zu bündeln. Teilweise mithilfe von MaFo-Dienstleistern, teilweise mit Nicht-MaFo-Anbietern. Dass SAP hier unterwegs ist, kommt nicht von ungefähr.

Ich sehe auf internationalen Konferenzen vermehrt Endkunden, die vorstellen, wie sie intern die Erkenntnisse aus der MaFo und sonstige Daten auf einer Plattform verknüpfen und intern den Stakeholdern als Tool zur Verfügung stellen. Diese Plattformen dienen zum einen dazu, "zu wissen, was wir wissen" (z.B. Microsoft) und zum anderen, dieses Wissen effizient auf alle relevanten Tische zu verteilen. Hier ist "KI" am Werk, um das vorhandene Wissen zu strukturieren, und den Stakeholdern den Zugriff zu erleichtern. Diese Lösungen "verstehen" die Frage des Nutzers, suchen und bieten ihm die entsprechenden Inhalte, aber auch themenrelevante weitere Inhalte an.

Solche "KI" helfen, die Business-Probleme besser zu identifizieren und redundante Fragestellungen zu vermeiden. Falls sich dieser Trend fortsetzt, sollte die Qualität der Briefs in Zukunft deutlich verbessert werden.

Dank dieser Plattformen werden Millionen an Arbeitsstunden eingespart, die man eben als einfache, "nicht-intelligente" Tätigkeit bezeichnen kann: das Durch-die-Ordner-durchwühlen auf der Suche nach Informationen, die man eigentlich schon (bezahlt) hat und das Strukturieren dieser Informationen. Es mag KI auf kleinem Niveau sein, nur eine Art bessere Datenbank mit angebundener Suchmaschine und Empfehlungen zur Lektüre - aber mit großem Potential zur Effizienz-Steigerung.

4) Konzeption Studiendesign

Wie soeben beschrieben, je besser man weiß, was man weiß, desto besser kann man die Fragestellungen und den Einsatz der entsprechenden Methoden definieren. Dies nutzen auch schon manche Institute wie PRS in Vivo wie Christian Dössel es hier beschrieb. Bei Konzepttests greifen sie auf ihre Tausenden bereits durchgeführten Studien mithilfe von KI zurück um eine «Vielzahl an unterschiedlichen Designalternativen auf die erfolgversprechendsten zu reduzieren». Danach macht der Mensch natürlich seine Arbeit wie bisher. Aber die Qualität vor allem der standardisierten Studien wie Konzept-Tests sollte sich mit solchen Ansätzen in Zukunft verbessern.

Die Punkte 5) bis 7): Datenerhebung, Datenaufbereitung und Datenauswertung /AnalyseDa wir bei respondi ein Online-Dienstleister sind, spreche ich jetzt hier nur mal über Online-Datenerhebung.

Unser Teil in der Wertschöpfungskette ist

A) das Rekrutieren von Panelisten
B) Panelpflege
C) Programmierung von Fragebögen oder von Plattformen für qualitative Online Marktforschung
D) Feldsteuerung
E) Datenaufbereitung
F) Tabellierungen
G) Komplexere Auswertungen

Wenn man sich die Marktpreise für Online-Interviews anschaut, ist es relativ einleuchtend, dass da sehr viel automatisiert wurde, und weiterhin wird.

A) Rekrutierung: Hier agieren alle Panelanbieter größtenteils mit Online-Werbung. Auch wenn wir intern nicht KI dafür einsetzen, arbeiten wir mit Dienstleistern, die Programmatic Advertising anwenden und in Zukunft vermehrt anwenden werden.

B) Panelpflege: Wir haben bei respondi bereits seit Jahren automatisierte Qualitäts-Scoring-Tools basierend auf Teilnahmen an Befragungen mit denen Probanden durch (halb-) automatisierte Verfahren aus Stichproben, und gegebenenfalls aus dem Panel entfernt werden. Dank Machine Learning werden sich diese Scoring-Systeme mit der Zeit verbessern.

In der Panelpflege experimentieren wir mittlerweile auch mit Chatbots und trainieren sie, bevor wir sie auf die Menschheit loslassen. Erstes Anwendungsbeispiel: Sie werden zunächst die Tausenden Anfragen bearbeiten, die eigentlich schon in unseren FAQs beantwortet werden. Denn unsere Panelisten sind unsere Kunden. Wir möchten ihnen eine optimale Customer Experience liefern. Und Informationssuche (wie oben beschrieben) ist für die meisten Customer keine gute Experience. Sie möchten einfach und schnell eine Antwort auf eine Frage. Spannend.

C) Bei Programmierungen arbeiten wir und die meisten Programmierer, die ich kenne, schon seit jeher mit Datenbanken und Listen und automatisieren, was automatisiert werden kann. Zudem werden Algorithmen eingesetzt, die der Feldsteuerung dienen.

D) Feldsteuerung: Wie gesagt, hier haben wir auch schon seit langem «handgemachte» Algorithmen eingesetzt. Sei es bei der Monadensteuerung, bei Rotationsplänen, für MaxDiffs, Conjoints etc. Zudem kommen Algorithmen bei der Stichproben-Stratifikation und Quoten-Steuerung zum Einsatz. Mit Machine Learning werden in Zukunft diese Algorithmen besser und die Projektmanager im Alltag um mehrere Stunden pro Tag entlastet.

E), F) und G): Datenaufbereitung, Tabellierungen, komplexere Auswertungen: Hier sehen wir aktuell das größte Entwicklungspotential und investieren entsprechend. Wir arbeiten mit R, Python und Machine Learning, um Auswertungen zu automatisieren und den Prozess vom Feldende bis zur Lieferung der Auswertungen zu beschleunigen.Neben unseren traditionellen Befragungsdaten (deklarativen Daten), erheben wir seit drei Jahren auch passive Daten indem wir einen Teil unseres Panels mit einer Mess-Software tracken und ihr Internetnutzungsverhalten aufzeichnen. Hier haben wir bisher über eine Milliarde an Datenpunkten gesammelt. Um diese auszuwerten arbeiten wir auch mit KIs wie IBM Watson und Bert von Google AI und sammeln da interessante Erfahrungen.

Die Kollegen haben zum Beispiel Bert mit 3 Jahren Click-Stream-Daten gefüttert und ihn autonom lernen lassen. Dann haben sie ihn gefragt: "Ronaldo?"
Bert wusste, dass Ronaldo ein Fußballspieler ist, die Nummer 7, und bei Manchester United gespielt hat usw. = Cleveres Kerlchen.

Jedoch "dachte" sich Bert umgekehrt dann auch Fußball + Manchester United + 7 = Ronaldo und hat uns auch alle Artikel ausgespuckt, die nichts mit Ronaldo zu tun haben, sondern mit der aktuellen Nummer 7 von Manchester United. = doch nicht so clever.

Eine KI oder ein Algorithmus, welches aus diesen Unmengen an Daten die Relevanten sucht, herausfiltert und strukturiert und als Grundlage für weitere Analysen aufbereitet, hat natürlich ein enormes Potential. Es muss jedoch nicht als Output erwartet werden, sondern als Grundlage, auf die der Mensch dann aufbaut. Eine neue Art von "Zwerg auf den Schultern von Riesen". Wobei jedoch der Zwerg die Probleme löst. Denn: Die Punkte 8 und 9) Interpretation und Umsetzung.

Weiter oben, bei meiner Duden-basierten Definition von Intelligenz war der letzte aber essentielle Teil der Definition "sich ein Urteil zu bilden und sich in seinem Handeln danach zu richten / daraus zweckvolles Handeln abzuleiten." Dies erfordert auf absehbare Zeit "wirkliche" Intelligenz. Menschliche.Eine intelligente Tätigkeit, für die der Mensch mehr Zeit und bessere Grundlagen erhält, dank der Automatisierungen und KIs die ihm die intellektuell weniger anspruchsvollen, zeitaufwändigen und redundanten Tasks in der Daten- und Informationsbeschaffung und –Verarbeitung abnehmen (werden).

Zum Autor: Orkan Dolay ist COO bei respondi und seit 2007 in diversen Rollen für respondi tätig. Auf der Research & Results hält Orkan am 24.10.2019 um 15.15 Uhr gemeinsam mit Marcus Schatilow (IFAK Institut GmbH & Co. KG) einen Workshop zum Thema "Marktforschungsprozess: Wo übertrifft der Mensch Maschinen? Automatisierung vs. Handwerk".