Augmentation ist ein anspruchsvolles generatives Verfahren, das entwickelt wurde, um die kritische Herausforderung unzureichender Fallzahlen zu bewältigen, insbesondere innerhalb spezifischer Untergruppen eines Datensatzes. In der Marktforschung tritt häufig das „kleines N-Problem“ auf, bei dem ein zentrales Untersuchungssegment durch zu wenige Befragte repräsentiert wird oder ein Ungleichgewicht zwischen den Zielgruppen vorliegt. Diese Datenknappheit macht statistische Standardanalysen unzuverlässig und macht es praktisch unmöglich, robuste Schlussfolgerungen ziehen zu können.

Das Kernziel der Augmentation ist die Erzeugung neuer, synthetischer Datenpunkte mit so hoher Qualität, dass eine Unterscheidung von denen der echten unterrepräsentierten Gruppe statistisch nicht mehr möglich ist. Dies geht weit über einfache Methoden wie das Duplizieren von Datensätzen hinaus. Stattdessen lernt das Modell nicht nur die Eigenschaften jeder einzelnen Variable, sondern auch die komplexen, multivariaten Beziehungen und Abhängigkeiten zwischen allen Variablen gleichzeitig. Es lernt beispielsweise, wie Alter, geografische Lage und geäußerte Einstellungen das Kaufverhalten innerhalb dieser spezifischen Gruppe gemeinsam beeinflussen.

Der Augmentation-Prozess isoliert die realen Befragten der Zielgruppe oder des gesamten Datensatzes und trainiert ein generatives Modell ausschließlich auf deren Daten. Nach dem Training kann dieses Modell genutzt werden, um aus der gelernten Verteilung neue Datenpunkte zu ziehen. Dabei handelt es sich nicht um reine Duplikate der Originaldaten, sondern um völlig neuartige Kombinationen von Merkmalen, die den komplexen, vom Modell gelernten Mustern folgen. Jeder synthetische Fall ist somit ein plausibles, statistisch konsistentes neues Mitglied der Untergruppe. Die Kombination der augmentierten Daten mit dem Originaldatensatz ermöglicht aussagekräftigere und robustere multivariate Analysen, die andernfalls nicht möglich wären.

Diese leistungsstarke Technik ermöglicht es Forschenden, über die reinen Antworten der Befragten hinauszugehen und tiefere, strategischere Einblicke zu gewinnen. Diese Anreicherung kann durch zwei unterschiedliche und wertvolle Ansätze erreicht werden. Der erste Ansatz generiert neue Variablen, indem er latente Strukturen innerhalb des bestehenden Datensatzes aufdeckt. Der zweite Ansatz verbindet den Datensatz mit einer externen Informationsquelle, um neues Wissen hinzuzufügen.

Interne Expansion – Neue Variablen aus bestehenden Daten generieren

Die aussagekräftigsten Erkenntnisse eines Datensatzes liegen oft nicht in den Antworten auf eine einzelne Frage, sondern im komplexen Zusammenspiel mehrerer Antworten. Die interne Expansion analysiert die Muster und Wechselbeziehungen zwischen mehreren bestehenden Variablen, um eine neue, zusammengesetzte Variable zu schaffen. Diese neue Variable repräsentiert typischerweise ein übergeordnetes Konzept oder ein latentes Konstrukt, das nicht oder nur schwer direkt messbar wäre.
 

Creation ist ein besonders ambitionierter Ansatz, dessen Nutzen jedoch mit Vorsicht zu betrachten ist, da er am weitesten von realen empirisch erhobenen Daten entfernt ist. Creation umfasst die vollständige Neuerzeugung eines synthetischen Datensatzes, um einen Markt oder eine Kundengruppe zu simulieren. Dieser Prozess stützt sich nicht auf einen einzelnen primären Datensatz, sondern synthetisiert Informationen aus mehreren, unterschiedlichen Quellen. Das Ergebnis ist eine virtuelle Umgebung, bevölkert von synthetischen Konsumenten, deren kollektives Verhalten versucht, die reale Welt widerzuspiegeln. Diese Simulationsumgebung ermöglicht es Unternehmen, risikofreie und kosteneffiziente „Was wäre wenn?“ Analysen durchzuführen, um strategische Entscheidungen zu testen, bevor sie in der realen Welt umgesetzt werden.

Dabei ist es jedoch entscheidend, sich an das Prinzip zu erinnern, das wir in unserem vorherigen Beitrag erörtert haben: Diese Modelle ermöglichen einen „retrospektiven Blick in die Zukunft“. Sie können nur Ergebnisse generieren, die auf den Mustern und Beziehungen der Daten basieren, mit denen sie trainiert wurden. Sie können in keiner Weise wirklich neuartige Markt-Shocks oder unvorhergesehene Verhaltensweisen von Konsumenten vorhersagen.

Die Anwendung quantitativer synthetischer Daten bietet Marktforschenden eine Vielzahl wertvoller Möglichkeiten, ihre Analysen effektiver, tiefer und robuster zu gestalten. Bei Produkt + Markt fokussieren wir uns dabei bewusst auf die Anwendungsfelder Imputation, Augmentation und Expansion. Wir sind überzeugt, dass belastbare Erkenntnisse stets auf real erhobenen Grunddaten basieren sollten, um Realitätsbezug und Aktualität der gewonnenen Insights garantieren zu können. Aus diesem Grund sehen wir von rein virtuellen Simulationsansätzen ab, da diese, trotz ihrer methodischen Faszination, letztlich zu weit von empirisch verankerten Daten entfernt sind, um zuverlässige Entscheidungsgrundlagen für unsere Kunden zu gewährleisten.