Maschinelles Lernen: Die wichtigsten Erkenntnisse der MRS Data Analytics Conference

Erkundung von Expertenmeinungen zu KI und der Rolle von Statistiken" in der Marktforschung

Maschinelles Lernen (ML) ist allgegenwärtig, von sozialen Medien und virtuellen Assistenten bis hin zu Finanzdienstleistungen und Datensicherheit. Für Vertriebs- und Marketingexperten bietet maschinelles Lernen eine noch nie dagewesene Analyse von Big Data. Es birgt das Potenzial, die zunehmend vielschichtigen Käuferströme zu entschlüsseln. Aber spielt maschinelles Lernen wirklich eine Rolle in der Marktforschung, einem Bereich, in dem wir uns auf analytische Methoden verlassen, um nuancierte und komplexe Entscheidungen zu verstehen? Oder ist statistisches Denken immer noch das wesentliche analytische Element hinter den Erkenntnissen, die wir heute liefern?

Das waren die Fragen, die auf der MRS Data Analytics-Konferenz 2019 in London gestellt wurden. Gemeinsam mit Kollegen von Sky, Boxclever und Honeycomb erörterte ich dieses Thema im Rahmen des Panels "The Role of Statistics and Machine Learning in Market Research".

Hier ist, was wir zu sagen hatten und was Sie über die Zukunft der Marktforschung wissen müssen.

Die Zeiten ändern sich: maschinelles Lernen als Störfaktor in der Marktforschung

Da das maschinelle Lernen mit Nachdruck Einzug in die Arena hält, versuchen Unternehmen, insbesondere Marketingexperten und Insights-Experten, sich schnell an dieses neue Analyseparadigma anzupassen. Trotz dieses lebhaften Interesses an maschinellem Lernen stellen meine Kollegen und ich fest, wie viel Verwirrung darüber herrscht, wann es eingesetzt werden soll und wann eher traditionelle statistische Ansätze.

Sollte maschinelles Lernen als wesentliches Instrument für Analyseteams in der Marktforschung behandelt werden? Spielen statistische Methoden noch eine Rolle, und wenn ja, wann ist ein statistisches Modell einer maschinellen Lernlösung vorzuziehen?

Aji Ghose, Head of Research & Analytics bei Sky, der Abteilung für Insights und Decision Science des großen Senders, hat sich zu diesem Thema geäußert. Ghose verriet, dass die Analysten von Sky zwar zu etwa 90 % "traditionelle" statistische Methoden anwenden, aber auch mit dem Einsatz eines neuronalen Netzwerks experimentiert haben, um Bilder zu verstehen und Bilder und Videos automatisch zu klassifizieren.

Welchen Platz hat das maschinelle Lernen im Marktforschungsmix?

1. Die besten Anwendungen für maschinelles Lernen

Alle Experten waren sich einig, dass maschinelles Lernen am besten bei der Untersuchung taktischer Ziele eingesetzt wird, zum Beispiel bei der Preisforschung, wenn es um die Vorhersage von Preiserhöhungen geht. Der Reiz des maschinellen Lernens liegt in der "Vorhersagegenauigkeit".

Maschinelles Lernen allein kann jedoch keine qualitativen Gründe für das liefern, was es vorhersagt oder beobachtet. Wichtige umsatzstrategische Entscheidungen bedürfen einer gründlicheren Analyse: Wichtige Stakeholder wie Markenmanager oder Einzelhändler müssen mit einem Verständnis der Gründe für Verbraucher- oder B2B-Entscheidungen überzeugt werden. Das zugrunde liegende "Warum" kann nicht allein durch maschinelles Lernen ermittelt werden.

Darüber hinaus kann das maschinelle Lernen keine langfristigen Strategien anbieten. So können beispielsweise E-Commerce-Vorschlagsmaschinen der Sorte "Wenn Ihnen dies gefällt, wird Ihnen auch jenes gefallen" einfache Urteile auf der Grundlage der Beobachtung von Verbrauchergewohnheiten abgeben, aber sie können nicht weiter in das wahrscheinliche Entscheidungsverhalten eines Verbrauchers eindringen.

2. Ein Hunger nach Daten

Maschinelles Lernen benötigt viele Daten, um ein aussagekräftiges Ergebnis zu liefern. Andere Forschungsmethoden können mit weniger mehr erreichen, d. h. mit weitaus weniger Daten mehr nützliche Ergebnisse liefern. Wie ist das möglich? Marktforschungsstatistiker arbeiten mit gezielten, nach Relevanz ausgewählten Datensätzen, während sowohl maschinelles Lernen als auch Big-Data-Techniken große Datensätze verwenden, die ursprünglich für andere Zwecke konzipiert wurden.

Dieses Szenario stand bei den Zuhörern der MRS Data Analytics Conference ganz oben auf der Tagesordnung. Sie fragten sich, ob wir uns über die Menge der jetzt verfügbaren Daten Sorgen machen sollten. Aus dem Publikum erklärte mein Kollege Marcel Slavenburg, Senior Director, SKIM, dass ein breiteres Spektrum an Datenquellen, wie maschinelles Lernen, Big Data, Drittanbieter- und Verkaufsdaten, für die "Triangulation" nützlich ist. Die Verwendung zusätzlicher Informationsquellen vermittelt ein besseres Gefühl für den Kontext der Entscheidungsfindung. Mehr Informationen ermöglichen ein differenzierteres Verständnis der Daten, was zu genaueren und umsetzbaren Erkenntnissen führt.

3. Wie Unternehmen ihre Daten nutzen

In der heutigen digitalen Welt sammeln viele unserer Kunden große Mengen an Kundendaten, wissen aber nicht, wie sie diese effektiv nutzen können. Sie haben möglicherweise Informationen in Silos gesammelt (z. B. Social Listening, CRM-Daten, Online-Daten usw.), geben diese aber intern nicht weiter. Kommt Ihnen das bekannt vor?

Auf der Podiumsdiskussion habe ich die großen Unterschiede in der Nutzung von Data Science in Unternehmen erörtert, von keinem bis hin zu Unternehmen mit Data Science-Teams, die sich mit allen Aspekten von Daten und Erkenntnissen befassen. Während einige Unternehmen maschinelles Lernen und andere Methoden nutzen, um einen 360-Grad-Blick zu erhalten, müssen andere erst noch eine Strategie definieren, die ihnen dies ermöglicht. Es wurde deutlich, dass Integration und Partnerschaften ein Weg sind, um die Art von kontextuellem Verständnis zu entwickeln, die Marcel beschrieben hat.

4. Vorsicht vor falscher Etikettierung

Bethan Blakeley, Direktorin der Data-Science-Agentur Honeycomb, wies in der Diskussion darauf hin, dass ML und KI zu solchen Schlagwörtern geworden sind, dass Marktforschungslösungen fälschlicherweise so dargestellt werden könnten, als würden sie diese neuen Technologien nutzen, obwohl es sich eigentlich um "traditionelle" Methoden handelt. Diese Verwirrung macht deutlich, wie wichtig es ist, Marktforschungspartner mit einem breiten Spektrum an Fachwissen und Erfahrung auszuwählen, damit Sie die Vorteile aller verfügbaren Methoden nutzen können. Ein Agenturpartner mit tiefen analytischen Wurzeln kann den geschäftlichen Kontext mit allen Methoden (alten und neuen) bewerten, um die beste, maßgeschneiderte Forschungsstrategie für Ihre Marke zu entwickeln.

Wie man mit Machine Learning in der Marktforschung anfängt

Aus unserer Sicht bei SKIM spielt das maschinelle Lernen heute eine wichtige Rolle in advanced analytics . Es lässt sich jedoch am besten als Teil eines ausgefeilten Analyse-Toolkits implementieren.

Wenn Sie ein Analyseteam zusammenstellen oder externe Sachverständige hinzuziehen, sollten diese über gute Kenntnisse verfügen:

• Effiziente Kommunikation zwischen den verschiedenen Kulturen, Fachsprachen und "Vokabularen" der verschiedenen Teams, die über unterschiedliche Datenbestände verfügen oder ein Interesse an deren Nutzung haben
• Berücksichtigung des Kontextes, in dem die Datensätze erstellt wurden
• Kontinuierliches Hinterfragen der Datenquellen mit gesundem Menschenverstand und Ausrichtung auf das ultimative Geschäftsziel
• Nutzung der besten Analyselösung für das Ziel, d. h. Methodenunabhängigkeit, z. B. Übergang von einer stärker automatisierten zu einer Ad-hoc-Lösung oder umgekehrt

Diese Kriterien führen zu den aussagekräftigsten Ergebnissen aus den Daten.

Wenn Sie mehr aus Ihren Daten machen wollen, können wir Sie beraten. Das Ergebnis ist eine Insights-Strategie, die Ihr Unternehmen schützt und fördert, während es auf langfristiges Wachstum abzielt. Wir verfügen über ein langjähriges Know-how im Bereich des Entscheidungsverhaltens, der Analysemethoden und des Verständnisses der heutigen Marketingherausforderungen sowie der vollständigen Integration von Daten und Analysen. Wir arbeiten mit Ihnen zusammen, um einen gemeinsamen datenwissenschaftlichen Ansatz zu entwickeln, der Ihre Datenreise richtig in Gang bringt.

Möchten Sie wissen, ob Sie die Ergebnisse des maschinellen Lernens optimal für Ihr Unternehmen nutzen? um zu besprechen, wie wir helfen können.

<![endif]–>