Synthetische Daten in der Marktforschung

Warum das für Ihre Entscheidung wichtig ist

Wenn in einer Studie von synthetischen Daten die Rede ist, kann Unterschiedliches gemeint sein. Imputation schätzt einzelne fehlende Antworten auf Basis vorhandener Daten, ein seit Jahrzehnten etabliertes statistisches Verfahren. Synthetisches Boosting füllt kleine Teilgruppen einer realen Stichprobe mit modellierten Fällen auf. Vollständig simulierte Befragte ersetzen die Erhebung ganz. Je größer der synthetische Anteil, desto mehr hängt das Ergebnis vom Modell ab und desto weniger von den befragten Menschen.

Für Entscheidungen ist deshalb die Frage wichtig, wie viel des Ergebnisses beobachtet und wie viel erzeugt ist. Synthetische Daten ergänzen vorhandene Evidenz, sie schaffen keine neue. Für Angebote, die es noch nicht gibt, fehlt die Datengrundlage, aus der ergänzt werden könnte. Ob Menschen ein neues Angebot wählen, zeigt ihr Verhalten.

Beispiel

Eine Befragung zu einem neuen Mobilfunktarif hat 1.000 Befragte, darunter nur 60 Selbstständige. Um diese Gruppe auswerten zu können, wird sie synthetisch auf 300 Fälle aufgestockt. Die aufgestockte Gruppe zeigt eine ähnliche Präferenz wie die 60 realen Fälle, nur mit scheinbar engerem Vertrauensintervall. Die Unsicherheit ist in Wahrheit die der 60 Menschen. Für die Entscheidung, ob ein Tarif für Selbstständige eingeführt wird, braucht es mehr Beobachtungen dieser Gruppe, etwa in einem Verhaltenstest mit gezielter Ansprache.

Welche Fragen Sie bei synthetischen Daten stellen sollten

Welcher Anteil der Fälle ist beobachtet, welcher erzeugt? Auf welcher Datengrundlage wurde das Modell trainiert oder kalibriert, und aus welchem Land und welcher Kategorie stammt sie? Woran wurde das Verfahren validiert, an Befragungen oder an Verhalten? Werden Vertrauensintervalle auf Basis der realen oder der aufgefüllten Fallzahl berichtet?

Wer diese Fragen beantworten kann, kann synthetische Daten sinnvoll einordnen. Für die Entscheidung über ein neues Angebot bleibt der Maßstab, wie sich reale Menschen vor diesem Angebot verhalten.

Abgrenzung

Synthetische Befragte sind eine Form synthetischer Daten, bei der die gesamte Stichprobe simuliert wird. Synthetisches Boosting ergänzt nur Teilgruppen. Synthetische Daten zum Datenschutz, etwa anonymisierte Kopien von Kundendaten, verfolgen ein anderes Ziel und sind hier nicht gemeint. Verhaltensdaten aus einem Painted-Door-Test sind beobachtete Daten: Jede gemessene Entscheidung stammt von einer realen Person.

Grenzen

Synthetische Antworten zeigen häufig künstlich geringe Streuung. In einer Replikation einer US-Wahlbefragung lagen Mittelwerte nahe am Original, rund 48 % der geschätzten Zusammenhänge wichen aber signifikant ab, und gleiche Prompts lieferten über drei Monate unterschiedliche Ergebnisse (Bisbee et al. 2024). Wer synthetische Daten nutzt, sollte offenlegen, welcher Anteil erzeugt ist, und Unsicherheit nicht künstlich verkleinern. Ein Verhaltenstest liefert dafür nur Daten zu den getesteten Varianten und Zielgruppen, nicht zu allen denkbaren.