Synthetisches Boosting

Was dahintersteckt

Klassisches Boosting bedeutet, eine Untergruppe gezielt stärker zu befragen, etwa Menschen über 70 oder Kunden einer bestimmten Region. Synthetisches Boosting ersetzt diese Mehrbefragung: Ein Modell lernt aus den vorhandenen echten Antworten und erzeugt zusätzliche Antworten für die unterbesetzte Gruppe.

Die Methode setzt damit voraus, dass das Modell die Gruppe gut kennt. Genau das ist bei kleinen, spezifischen Gruppen oft schwierig. Wang und Kollegen zeigten 2025, dass Sprachmodelle demografische Gruppen verzerrt und zu flach darstellen. Brand und Kollegen fanden, dass Modelle für neue Produktmerkmale erst mit früheren menschlichen Daten derselben Kategorie brauchbare Werte liefern.

Warum das für Ihre Entscheidung wichtig ist

Synthetisches Boosting ergänzt kleine Subgruppen, schafft aber keine neue Evidenz. Die zusätzlichen Fälle enthalten keine Information, die nicht schon in den echten Antworten und im Modell steckte. Sie machen eine Auswertung möglich, aber sie machen sie nicht sicherer, auch wenn die Fallzahl größer aussieht.

Für Entscheidungen, die an einem Segment hängen, etwa ob sich ein Tarif für Selbstständige lohnt, ist das ein wichtiger Unterschied. Eine scheinbar solide Basis von 300 Fällen, von denen 250 simuliert sind, verdient das Vertrauen von 50 Fällen, nicht von 300.

Beispiel

Eine Bank befragt 1.200 Menschen zu einem neuen Girokonto. Darunter sind nur 45 Studierende, eine Zielgruppe, auf die das Produkt zielt. Mit synthetischem Boosting wird die Gruppe auf 300 aufgefüllt. Der Bericht zeigt für Studierende 52 % Interesse bei engen Konfidenzintervallen.

Die engen Intervalle spiegeln die simulierten Fälle, nicht zusätzliche Sicherheit. Wer für diese Zielgruppe entscheiden muss, gewinnt mehr durch einen Test, der Studierende gezielt über Anzeigen erreicht und ihre Abschlussabsicht misst.

Abgrenzung

Gewichtung verändert den Einfluss echter Fälle, erzeugt aber keine neuen. Imputation füllt einzelne fehlende Werte bei echten Befragten. Synthetisches Boosting erzeugt ganze zusätzliche Befragte. Silicon Sampling ersetzt eine Befragung vollständig, Boosting ergänzt sie.

Grenzen

Boosting kann für explorative Auswertungen sinnvoll sein, etwa um Hypothesen zu einer Untergruppe zu bilden. Weisen Sie synthetische Fälle im Bericht immer getrennt aus und berechnen Sie Unsicherheit auf Basis der echten Fälle.

Auch ein Verhaltenstest hat hier eine Grenze: Er braucht eine Zielgruppe, die sich über Anzeigen erreichen lässt. Sehr kleine, schwer adressierbare Segmente brauchen mehr Zeit oder Budget. Horizon klärt das vorab im Testdesign.

Prüffragen für einen Bericht mit Boosting: Wie viele echte Fälle stehen hinter jedem Segment? Wurde die Unsicherheit auf dieser Basis berechnet? Und wurden die synthetischen Fälle aus Daten derselben Kategorie und desselben Landes erzeugt?