Synthetische Konsumenten beweisen ihre Praxistauglichkeit

• Synthetische Konsumenten/Kunden (Synthetic Consumer), die reale Kunden mit KI nachbilden, werden über qualitative Exploration hinaus für wiederholbare quantitative Analysen genutzt und beschleunigen Produktentwicklung, Marketingtests und das Training von Mitarbeitenden im Feld
• Wenn Unternehmen mit ihren eigenen Daten zu Transaktionen, Verhalten, Demografie und Kundenfeedback digitale Zwillinge oder segmentbasierte Personas erstellen, sind Kontext und Verlässlichkeit höher als bei ausschließlicher Abhängigkeit von externen Daten
• Bei der Rückvalidierung einer früheren Conjoint-Studie eines Consumer-Tech-Unternehmens reproduzierten synthetische digitale Zwillinge rund 90 % der Kernergebnisse wie wesentliche Merkmale, Präferenzanteile für Produkte und Portfolioentscheidungen
• Durch breite Tests von Preis-Funktions-Kombinationen, das frühe Aussortieren schwacher Ideen und die Vorabprüfung schwer erreichbarer Kundengruppen können Befragungen mit Menschen auf besonders wertvolle Fragen fokussiert werden
• Anfangs sollten sie bestehende Forschung eher ergänzen als ersetzen; erforderlich sind Rückvalidierung, Kontrolle über eigene Daten, eine Mischung aus Eigenentwicklung und Einkauf sowie Anpassungen bei Prozessen und Governance. LLMs fehlt echte Empathiefähigkeit, daher bleibt menschliches Urteilsvermögen wichtig

---

Definition synthetischer Konsumenten und Hintergrund ihrer Einführung

• Synthetische Konsumenten sind KI-generierte Repräsentationen, die Verhalten, Präferenzen und Entscheidungen realer Kunden nachahmen
  • Sie können als digitale Zwillinge einzelner Kunden oder als auf Kundensegmenten basierende Personas erstellt werden
  • Dabei werden interne Daten wie Transaktionen, Verhaltensdaten, Demografie und Kundenbefragungen mit externen Daten wie Produktbewertungen und Social-Media-Sammlungen kombiniert
• Die Nachfrage nach kontinuierlicher Beobachtung der Performance von Produkten und Services hat die Grenzen klassischer Forschungsmethoden überschritten, und der Bedarf an mehr Geschwindigkeit sowie geringeren Kosten und Risiken fördert die Einführung digitaler Stellvertreterkunden
• Unternehmen, die schneller iterieren, mehr Ideen testen und schwache Konzepte früh verwerfen, erzielen dauerhaft bessere Ergebnisse als Unternehmen, die an langsame, isolierte und einmalige Insight-Zyklen gebunden sind
• Der praktische Einsatz in Unternehmen hat bereits begonnen
  • US Bank nutzt synthetische Zielgruppen, um zu verstehen, wie Kundensegmente einschließlich vermögender Haushalte über Finanzthemen denken, und um Botschaften sowie Werbemittel vor der Einführung zu testen und zu verbessern
  • Target simuliert mit synthetischen Zielgruppen Verbraucherreaktionen auf Produkte und Promotionen, bevor echte Tests auf der Website durchgeführt werden

Strukturelle Grenzen klassischer Kundenforschung

• Traditionelle Forschung bleibt wertvoll, doch bei Conjoint-Analysen und diskreten Wahlmodellen ist die Zahl realistisch testbarer Preisniveaus, Funktionen und Interaktionseffekte begrenzt
  • Nach Abschluss einer Studie entsteht oft der Bedarf, weitere Variablen zu testen, oder Ergebnisse außerhalb des Testumfangs zu extrapolieren, was das Lernen verlangsamt und die Unsicherheit erhöht
• Bei Befragungen mit Menschen sind wegen zunehmenden Antwortbetrugs und schwankender Teilnahmequalität größere Stichproben oder teure Qualitätskontrollen nötig, um valide Daten zu erhalten
  • Gegen das Eindringen von Bots in Umfragen müssen die Schutzmaßnahmen laufend verbessert werden
  • Auch das klassische Problem bleibt bestehen, dass das Gesagte von Menschen vom tatsächlichen Verhalten abweichen kann
• In B2B-Märkten kann die Zahl zentraler Kunden, etwa CFOs einer bestimmten Branche, so klein sein, dass sich nur schwer eine verlässliche Stichprobe gewinnen lässt

Wie eigene Daten die Leistungsfähigkeit quantitativer Analysen erhöhen

• Produkt-, Strategie- und Marketingteams nutzen kommerzielle KI-Tools, um qualitative Insights zu Funktionen, Preisen und Botschaften zu gewinnen, doch diesen Tools fehlen oft eigene Kundendaten als Grundlage, statistische Validierung und klare Governance
• Neuere LLMs verfügen bei strukturierten Aufgaben über stärkere Schlussfolgerungsfähigkeit, stabilere Abwägungen und sind besser an menschlichen Entscheidungsmustern ausgerichtet
• Ein Consumer-Tech-Unternehmen nutzte eine frühere groß angelegte quantitative Conjoint-Studie als Ground Truth und rückvalidierte synthetische Ergebnisse daran
  • Auf Basis historischer Daten auf Ebene einzelner Befragter wurden digitale Zwillinge erstellt und mit denselben Aufgaben wie in der Originalstudie konfrontiert
  • Die Originalstudie, die zur Validierung diente, wurde aus den Trainingsdaten des Modells ausgeschlossen
  • Die digitalen Zwillinge reproduzierten rund 90 % der Kernergebnisse der Originalstudie
    • Sie identifizierten die einflussreichsten Funktionen für die Kundenwahl
    • Sie reproduzierten die Präferenzanteile der meisten getesteten Produkte
    • Sie rekonstruierten korrekt Portfolioentscheidungen darüber, welche Produkte eingeführt oder beibehalten werden sollten
    • Sie erzeugten vielversprechende erste Kurven zur Preissensitivität

Vergleichsvalidierung mit einer GLP-1-Konsumentenumfrage

• Beim Vergleich synthetischer Konsumenten mit einer bestehenden Umfrage unter menschlichen Konsumenten zu Einstellungen, Nutzung und Verhalten rund um GLP-1-Medikamente ergaben sich ähnliche Resultate
  • Synthetische Befragte wurden auf Basis von demografischen Daten und Einstellungsdaten erzeugt
  • Ausgewertet wurden Antworten auf geschlossene Fragen und Fragen mit einer 5-Punkte-Skala
• Die synthetischen Ergebnisse stimmten eng mit den Antworten von Menschen überein; eine größere Streuung zeigte sich nur bei mehrdeutigen Fragen
• Welche Fragen und Aufgaben man einem LLM gibt, beeinflusst die Ergebnisse, doch synthetische Konsumenten erreichen auch für quantitative Zwecke zunehmend ein verlässliches Niveau
• Werden externe Daten mit proprietären eigenen Daten des Unternehmens kombiniert, kommen feinere Kontexte hinzu und die Verlässlichkeit der Ergebnisse steigt

Einsatz in Produktentwicklung und Marketing

• Synthetische Konsumenten können bestehende Forschungsergebnisse im Produktentwicklungsprozess erweitern
  • Neue Preisniveaus, Bundles und Funktionskombinationen lassen sich testen, ohne Feldforschung von Grund auf neu durchführen zu müssen
  • Reaktionen auf Änderungen bei Produkt, Preis und Botschaft können je Kundensegment feinjustiert und einem Stresstest unterzogen werden
  • Frühe Konzepte, Funktionen und Botschaften lassen sich schnell vorsortieren, damit Forschung mit Menschen auf die wertvollsten Fragen fokussiert wird
  • Schwer zugängliche Segmente lassen sich mit geringem Risiko testen, bevor selten verfügbare reale Kunden angesprochen werden
• Dieselben Prinzipien lassen sich nicht nur auf Marketing in der Konsumgüterindustrie, sondern auch auf B2B anwenden
  • Durch die Simulation von Buyer-Personas und dialogfähigen Avataren können Vertriebsteams den Umgang mit Einwänden üben und ihr Value Proposition sowie ihre Botschaften verbessern
• Ein globales Dienstleistungsunternehmen baute synthetische Personas mit über Jahre bei Kunden erhobenen Net Promoter®-Loyalitätsdaten auf
  • Parallel wurden auf dieselben Daten klassische statistische Segmentierungsverfahren mit latenten Klassen angewendet, die zu ähnlichen Ergebnissen kamen
  • Anschließend wurden externe Daten und öffentliche Dokumente in das LLM eingebracht, um den Kontext zu ergänzen
  • Vertriebsteams konnten ihre Pitches gegen Executive-Personas üben, darunter CIOs, die besonderen Wert auf Preis-Leistungs-Verhältnis legen
  • Das Modell wurde innerhalb weniger Wochen skaliert und in Niederlassungen weltweit ausgerollt

Einführungsstrategie zur Ergänzung bestehender Forschung

• Zu Beginn ist es wirksam, synthetische Konsumenten nicht als Ersatz, sondern als ergänzende Schicht zur bestehenden Forschung einzuführen
  • Sie helfen, Optionen einzugrenzen, Annahmen unter Druck zu testen und Forschung mit Menschen auf besonders wertvolle Fragen zu konzentrieren
  • Der Aufbau kann mit einem Proof of Concept beginnen, der die Genauigkeit belegt
• Synthetische Konsumenten sollten nicht als einzelnes Tool, sondern als Fähigkeit der Organisation verstanden werden
  • Unternehmen müssen Definitionen von Personas, Simulationen von Entscheidungen und die Validierung der Ausgaben je Anwendungsfall selbst kontrollieren
• Für eine erfolgreiche Einführung sind vier Bedingungen nötig
  • Rückvalidierung: Erst der Nachweis der Verlässlichkeit im Vergleich zu früheren Studien schafft Akzeptanz für synthetische Insights in der Organisation
  • Eigene Daten: Wichtiger als die Modellauswahl sind die Daten und Kontexte, auf denen das Modell basiert, etwa frühere Kundenforschung, Preis- und Verkaufsdaten, Segmentierungsmerkmale und Kundenfeedback
  • Balance zwischen Eigenentwicklung und Einkauf: Anbieterprodukte sind nützlich für qualitative oder leicht strukturierte frühe Experimente, doch für den Einsatz auf Entscheidungsebene müssen sie mit internen Modellen kombiniert werden, damit Daten, Logik und Lernen kontrollierbar bleiben. Derzeit gibt es kein kommerzielles Produkt, das alle Anforderungen erfüllt
  • Änderung des Betriebsmodells: Prozesse, Entscheidungsrechte und Governance müssen angepasst werden, und Forschungsteams sollten auch ihre Fragestellungen überarbeiten, damit sie synthetischen Zielgruppen bessere Eingaben liefern. Ebenso muss die Zusammenarbeit von Forschungs-, Produkt- und Marketingteams neu gestaltet werden

Ausbau zu einer dauerhaften Insight-Infrastruktur

• Führende Unternehmen erzielen bereits frühe Effekte durch schnellere Iteration, reichhaltigere Daten und Insights sowie höhere Genauigkeit bei realen Marktergebnissen
• Synthetische Konsumenten könnten mit der Zeit zu einer wiederverwendbaren Entscheidungsinfrastruktur werden, die das Lernen der Organisation akkumuliert
• Wenn Umfang und Anwendungsfälle wachsen, können sie als stets aktive Insight-Plattform für Produkt, Marketing und Customer Experience dienen
• Die im System angesammelten eigenen Daten und die Tiefe des Lernens können zu einem nachhaltigen Wettbewerbsvorteil werden, doch LLMs fehlt echte Empathiefähigkeit, weshalb sie menschliches Urteilsvermögen nicht ersetzen können

[winterjung]

Dabei muss ich auch an NVIDIA Nemotron-Personas-Korea – ein Datensatz mit 1 Million synthetischen Personas auf Basis der tatsächlichen Bevölkerungsverteilung Südkoreas denken.