Die Leistungsfähigkeit von Produkttests mit synthetischen Daten

Synthetische Daten revolutionieren Branchen vom Gesundheitswesen über Finanzdienstleistungen bis hin zur Automobilindustrie, indem sie Simulationen und Datenerweiterung ermöglichen. Wir bei Ipsos glauben, dass synthetische Daten völlig neue Möglichkeiten für die Marktforschung eröffnen, insbesondere im Bereich der Produkttests. Viele Unternehmen sind sich jedoch hinsichtlich der Qualität synthetischer Daten oder ihrer Bewertung unsicher.

In diesem Ipsos Views-Papier geben unsere Experten Empfehlungen zur Generierung und Auswertung hochwertiger synthetischer Daten und untersuchen, wie synthetische Daten speziell für Produkttests eingesetzt werden können.

Generierung und Auswertung synthetischer Daten

Um synthetische Daten zu generieren , die reale Daten effektiv nachahmen, muss ein Modell der künstlichen Intelligenz (KI) zunächst anhand relevanter, realer Daten trainiert werden. Wie in unserem ersten Beitrag der Reihe Humanizing AI erläutert, sind KIs einfach Algorithmen; sie besitzen keine eigene Intelligenz, bis sie trainiert werden. Durch das Lernen anhand von Trainingsdaten erwerben KIs die Intelligenz, die wir mit ihnen assoziieren.

Auch der Bewertungsprozess ist unkompliziert. Synthetische numerische Daten sollten zumindest reale Daten in Bezug auf gängige statistische Maße widerspiegeln. Je näher synthetische Daten an menschlichen Daten sind, desto weniger Risiko gehen wir bei ihrer Verwendung ein. Allerdings besteht immer ein gewisses Risiko, da synthetische Daten reale Daten nie in jeder Hinsicht perfekt nachahmen können.

Ansätze zur Generierung synthetischer Daten lassen sich in zwei Kategorien einteilen: LLMs (Large Language Models) und Nicht-LLMs, die sich durch ihren textuellen bzw. numerischen Charakter unterscheiden. In diesem Artikel untersuchen wir beide Ansätze.

Das Produkterlebnis ist von Natur aus menschlich

Wie Menschen auf Produkte oder das Leben im Allgemeinen reagieren, wird nicht nur in Form von Fakten- oder Bedeutungswissen im Gehirn erfasst; auch unser Körper und unsere Sinneserfahrungen spielen eine bedeutende Rolle.

In diesem Dokument werden die Ergebnisse unserer beiden Forschungsstränge vorgestellt, deren Ziel es war, die Mindestanzahl menschlicher Testpersonen zu ermitteln, die zum Testen von Produkten mit synthetischen Daten erforderlich ist, um brauchbare Ergebnisse zu erzielen. Um die wichtigsten Ergebnisse der Forschung zu erfahren, können Sie auch unsere nützliche Infografik herunterladen .

Wenn eine KI nicht anhand von realen Daten trainiert wurde, die für Ihr Unternehmen relevant sind, kann sie keine synthetischen Daten generieren, die dieselben Eigenschaften wie reale Daten aufweisen. So einfach ist das!

Wichtige Erkenntnisse:

1. Synthetische Daten werden niemals menschlich sein.
KI allein kann niemals unsere Produkterfahrungen widerspiegeln, die die fünf Sinne, Emotionen, Erwartungen und Kontext kombinieren. Daher ist es unser Ziel, den menschlichen Input mit synthetischen Daten zu ergänzen, nicht ihn zu ersetzen.

2. Die Genauigkeit hängt von den Trainingsdaten ab.
Der Wert synthetischer Daten ist nicht binär (gut oder schlecht); die Genauigkeit synthetischer Daten hängt von vielen Faktoren ab, einschließlich der Unterschiede in den Daten, die wir replizieren möchten, und der Repräsentativität der realen Daten, mit denen wir eine KI trainieren, damit sie lernt. Die Verwendung synthetischer Daten sollte strategisch erfolgen und die damit verbundenen Risiken und Vorteile berücksichtigen.

3. Bei genauer Darstellung können damit Produkttests durchgeführt werden.
Synthetische Daten können die Agilität der Marktforschung steigern und sind daher ideal für ressourcenintensive Bereiche wie Produkttests – sie senken Kosten, sparen Zeit und bieten zusätzliche Vorteile für detaillierte Untergruppenanalysen.

This is an automatic translation, for the original version, please click here:

https://www.ipsos.com/en-ch/humanizing-ai-2-the-power-of-product-testing-with-synthetic-data