08.08.2023 | Data Engineering, Künstliche Intelligenz, Maschinelles Lernen

Sprachmodelle in der betrieblichen Marktforschung: Wie von ChatGPT & Co. profitieren?

Die Marktforschung hat sich in den letzten Jahrzehnten dramatisch verändert. Mit der Explosion digitaler Daten und der steigenden Nutzung von Künstlicher Intelligenz (KI) entstehen völlig neue Ansätze zur Gewinnung von Erkenntnissen und zur Entscheidungsfindung. Eine solche Innovation ist die Verwendung von Large Language Models (LLMs) wie ChatGPT in der betrieblichen Marktforschung. Bei SKOPOS ELEMENTS unterstützen wir Unternehmen dabei, diese aufstrebende Technologie effektiv zu nutzen und ihre Marktforschungsstrategien zu transformieren.

Vielseitige Anwendungen: Große Sprachmodelle in der Marktforschung

Große Sprachmodelle (Large Language Models, LLMs) wie ChatGPT, Google’s Bard oder Meta’s Llama sind seit einigen Monaten in aller Munde. Dies sind KI-Modelle, die darauf trainiert sind, menschenähnliche Texte zu genieren. Basis für diese Modelle ist ein sehr großer Satz an Textdaten aus dem Internet – hier sind Websites, Artikel, Nachrichten, soziale Netzwerke und vieles mehr eingeflossen. Dass diese Sprachmodelle nun als Chatbots zur Verfügung stehen, hat wesentlich zu ihrer Popularität in den letzten Monaten beigetragen. Doch sie können auch dabei helfen, große Mengen an unstrukturierten Textdaten – wie Social-Media-Posts oder Kundenbewertungen – schnell und effizient zu analysieren. Im Gegensatz zu herkömmlichen Textanalyseverfahren können LLMs nicht nur die oberflächlichen Merkmale eines Textes erfassen, sondern auch tiefere Bedeutungen und Zusammenhänge. Dies ist ein unschätzbarer Wert für die Marktforschung, weil es Unternehmen ermöglicht, in kurzer Zeit tiefe Einblicke in ihre Zielgruppen zu gewinnen.

In unserem Webinar „ChatGPT entfesselt“ haben wir uns bereits mit den Hintergründen der Funktionsweise und zwei beispielhaften Use Cases beschäftigt.

Hier kannst Du Dir das Webinar noch einmal ansehen:

Zur Aufzeichnung

Im Folgenden möchten wir ein paar weitere Use Cases für große Sprachmodelle in der Marktforschung skizzieren:

Textdaten schnell und effizient auswerten

Die großen Sprachmodelle, die unter anderem ChatGPT und Bard zugrunde liegen, können dazu beitragen, bestehende Daten aus der Marktforschung besser zu nutzen. Gerade offene Texte aus Kundenbefragungen oder Google-Bewertungen enthalten umfangreiche Insights, die so schneller nutzbar gemacht werden. Zwar lassen sich diese Texte auch einfach in ChatGPT reinkopieren, die größten Mehrwerte entfalten diese Modelle aber, wenn sie weiter trainiert und auf die Bedürfnisse und Besonderheiten Deines Unternehmens zugeschnitten werden. Die Größe der Sprachmodelle erlaubt es, bereits mit wenigen Instruktionen und Trainingsdaten bereits eine hohe Genauigkeit auch auf sehr spezifischen Daten zu erreichen. Deshalb unterstützen wir Unternehmen dabei, solche Modelle zu erstellen und die bestehenden Daten effektiver zu nutzen.

Personas erlebbar machen

In vielen Unternehmen werden Segmentierungsstudien durchgeführt, um Zielgruppen besser zu verstehen. Häufig werden dabei Personen nach ihren Einstellungen und Bedürfnissen befragt und anschließend zu einigen wenigen Segmenten zusammengefasst – man spricht dann von einer sogenannten psychografischen Segmentierung. Um diese Segmente im Unternehmen bekannt zu machen, werden häufig sogenannte Personas formuliert. Hierbei handelt es sich um beispielhafte Personen, die den Eigenschaften eines Segments entsprechen. Vielleicht hängen auch in Deinem Unternehmen bereits Poster mit solchen Personas?

Mit LLMs lassen sich die Personas noch erlebbarer machen: Ähnlich wie ChatGPT können die Personas in interaktive Chatbots überführt werden, sodass Ihre Kolleginnen und Kollegen konkrete Fragen an die Personas stellen können – vielleicht wird so aus dem Persona-Poster bald ein WhatsApp-Kontakt für all Ihre Kolleginnen und Kollegen?

Personas erlebbar machen - Sprachmodelle in der betrieblichen Marktforschung

Unsere Data Scientists unterstützen Marktforschende dabei, solche Chatbots auf Basis großer Sprachmodelle umzusetzen und so Segmentierungen noch erlebbarer werden zu lassen.

Der Insights Bot – quantitative Daten schnell abfragen und zusammenfassen

Während die beiden zuvor genannten Use Cases vor allem auf die Nutzung von Textdaten eingingen, können Sprachmodelle aber sogar quantitative Daten verarbeiten. Das erlaubt uns, auch verbal Fragen an einen Chatbot zu stellen, der im Hintergrund aggregierte Studien-Daten hat:

Liegen also sämtliche Insights-Daten entsprechend aufbereitet vor – beispielsweise in einem Data Stack – so kann ein Chatbot auf Basis großer Sprachmodelle wie GPT-4 oder Meta’s Llama-2 genutzt werden, um diese Insights abzufragen. Durch das umfangreiche, codierte Wissen dieser Sprachmodelle sind sogar weiterführende Fragen auf Basis dieser Daten möglich:

Bei SKOPOS ELEMENTS implementieren wir für unsere Kundinnen und Kunden Data Stacks, damit die Insights-Daten für KI-Anwendungen wie diese optimal vorbereitet sind. Unsere Data Scientists entwickeln dann entsprechende Reportings und auch Chatbots, um den großen Fundus an Insights-Daten nutzbar zu machen.

Fazit

Dies waren nur drei beispielhafte Use Cases, bei denen wir den Einsatz von großen Sprachmodellen in der Marktforschung sehen. Bei allen Anwendungsfällen gibt es noch einiges zu beachten und zu lernen: Große Sprachmodelle sind noch eine neue Technologie, bei der noch nicht alle Schwierigkeiten und Möglichkeiten bekannt sind. Wir sind neugierig darauf, welche Entwicklungen es hier noch geben wird – und probieren gemeinsam mit unseren Kundinnen und Kunden aus, was heute bereits möglich ist.

Dabei sind wir davon überzeugt, dass bei Standard-Lösungen viel Potenzial auf der Straße bleibt. Daher entwickeln wir gemeinsam mit unseren Auftraggeberinnen und Auftraggeber individuelle Lösungen, wie beispielsweise trainierte und angepasste Sprachmodelle, um Use Cases und Daten optimal abzubilden.

Wir freuen uns darauf, auch Sie künftig dabei zu unterstützen, große Sprachmodelle für die Marktforschung einzusetzen!

Transparenzhinweis: Teile dieses Journal-Beitrags wurden mit ChatGPT vorgeschrieben und von uns umformuliert, erweitert und ergänzt.