Online Special Big Data Analytics

Data Science und Marktforschung … zwei Welten treffen aufeinander?

   Artikel anhören
© EDELWEISS, RAWPIXEL / FOTOLIA; MONTAGE: P&A
Manchmal hat man den Eindruck, zwei Welten prallen aufeinander: Auf der einen Seite die klassisch ausgebildeten Marktforscher, mit ihren Umfragen und Stichproben. Ihnen gegenüber stehen die Data Scientists, bewaffnet mit Algorithmen und geballter Technologie-Kompetenz. Wie unterscheiden sie sich wirklich und welche Forscher werden in Zukunft gebraucht?
Im Marketing gibt es eine Entwicklung, die manche verwirrt: Mehr und mehr Formen und Bereiche der Marktforschung werden als solche nicht mehr bezeichnet. Usability, Customer Experience Management, Customer Feedback, Social Media Listening, Ad Tech – alles Themen, bei denen Daten und Erkenntnisse für Marketing-Entscheidungen fruchtbar gemacht werden, die aber oft nicht von klassischen Marktforschern bearbeitet werden, sondern von Programmierern, Online-Marketing-Leuten oder Tech-Experten. Das Gleiche gilt für alles, was mit den Schlagworten „Big Data“ und „Künstliche Intelligenz“ (KI) assoziiert wird. Hier gibt es eine eigene Disziplin: Data Science. In den Szenen der digitalen Geschäftswelt ist der Data Scientist der Held, während Marktforscher als ziemlich altmodisch angesehen werden. Ihre Methoden stehen in dem Generalverdacht, veraltet zu sein und die digitale Welt nicht mehr angemessen zu spiegeln.


Dabei scheinen die Institute auf den ersten Blick das Thema Data Science absorbiert zu haben. Große Institute betreiben eigene Geschäftsbereiche, die sich ihm widmen. In der Kommunikation spielen Daten und KI eine immer wichtigere Rolle – man möchte dokumentieren, dass man up-to-date ist. Data-Science-Kompetenz ist ein Wettbewerbsvorteil, nicht nur gegenüber anderen Instituten, sondern auch gegenüber Unternehmensberatungen, Software-Entwicklern und neuen KI-Startups. Weshalb Data Scientists auf dem Arbeitsmarkt heiß begehrt sind. Sie können sich aussuchen, ob sie zu Firmen gehen, die sich mit FinTech, E-Commerce oder Life Science beschäftigen – wenn sie nicht gleich ihr eigenes Startup gründen. Marktforschungs-Institute können da oft nicht mithalten.

Auf der anderen Seite beäugen viele Marktforscher die Data-Science-Bewegung skeptisch bis ängstlich – machen digitalisierte Methoden und künstliche Intelligenz den braven Marktforscher, der methodisch korrekte Informationen erhebt und diese nach allen Regeln der Wissenschaft interpretiert, über kurz oder lang überflüssig?


Das Verhältnis von Data Science und Marktforschung ist ambivalent. Was niemand bestreitet: Dadurch, dass Konsumenten und Unternehmen sich der Infrastruktur des Internets und mobiler Technologie bedienen, hinterlassen sie Unmengen von Datenspuren. Jeder Besuch einer Website, jeder Kauf in einem Online-Shop, jeder Klick auf einen Werbebanner generiert digitale Fußabdrücke. Diese „Digital Trace Data“ liefern eine Vielzahl von Informationen, die für Unternehmen, den Staat oder für uns selbst wertvoll sind. Deshalb werden Daten gerne als das „neue Öl“ bezeichnet. Doch reich werden nur diejenigen, die in der Lage sind, das Öl zutage zu fördern. Die Bohrtürme des neuen Öls sind die Methoden des „Data Science“, der Datenwissenschaft. Mit ihnen werden die Datenmengen gesammelt, geordnet, analysiert, auf Muster und Zusammenhänge analysiert und mitunter direkt für Entscheidungen und Aktionen eingesetzt. Die Marketing-Welt ist hin- und hergerissen. Während die einen darauf hinweisen, dass doch letztendlich der Mensch im Mittelpunkt stehen müsse, sehen die anderen schon eine Art technologisches Paradies herannahen. Data Science wird vor diesem Hintergrund als ausgesprochen sexy wahrgenommen: Potent, modern, gewinnbringend. Deshalb nennen Werbeagenturen jetzt ihre Abteilungen für Marktforschung „Data Science“, „Data Intelligence“ oder „Data Analytics“. Natürlich sind Marktforschungsinstitute ebenso anfällig für den Zeitgeist. Andererseits sehen viele Marketing-Leute Data Science eher als eine Konkurrenz zu klassischen Methoden – und damit als mögliche Alternative zur Mafo-Branche. Die selbstbewussten Marktforscher wissen, dass marketing- und kundenbezogene Data Sciences und Business Intelligence ein Teil der Marktforschung sind. Andere sehen sich trotzdem in die Defensive gedrängt.

Wenn wir idealtypisch Data Science und klassische Marktforschung gegenüberstellen, treten bedeutsame Unterschiede hervor. Die Datenmengen, die durch die verschiedenen digitalisierten Prozesse entstehen, sind sehr umfangreich. Nach Schätzungen von Experten verdoppelt sich die im Internet entstehende Datenmenge alle zwei Jahre. Daneben erscheinen die Datensätze selbst der größten Umfragen überschaubar. Solche Datenmengen führen nicht nur zu Problemen bei der Speicherung, sondern auch bei der Auswertung.

Während die Daten der klassischen Marktforschung meist strukturiert sind, handelt es sich bei den Digital Trace Data um unstrukturierte Datenmengen. Strukturiert bedeutet: Die Daten sind in Form von Variablen, Spalten und Zeilen geordnet und stehen somit bereit zur Auswertung. Die Logik dieser Datensätze hat sich seit den Zeiten der Lochkarten kaum geändert, alles ist schön aufgeräumt. Anders bei Digital-Daten: Sie sind ein riesiger Haufen von Code – ungeordnet, von unterschiedlicher Größe, geschrieben in bestimmten Programmiersprachen. Aus diesen unstrukturierten Daten müssen erst einmal strukturierte Informationen extrahiert werden.
Für diesen Prozess benötigt man Programmierkenntnisse und muss mit Programmiersprachen wie etwa Python vertraut sein. Deshalb sind viele Data-Scientists Informatiker und Programmierer. Sie kommen aus einem ganz anderen Umfeld als die meisten Marktforscherinnen und Marktforscher, bei denen die Sozialwissenschaften überwiegen. Data-Leute und Mafo-Leute kommen offensichtlich aus zwei unterschiedlichen Kulturen.

Auch der Forschungsprozess bei einem Big-Data-Projekt ist meist ein anderer als in der klassischen Marktforschung. Bei der Analyse großer, unstrukturierter Datenmengen kommt die klassische Vorgehensweise der Datenanalyse an ihre Grenzen. Die Marktforschung ist vom Ideal der empirischen Sozialwissenschaft geprägt. Der Forscher stellt deshalb erst Hypothesen auf, entwickelt Untersuchungsdesigns, schafft sich ein begrenztes Set an relevanten Variablen und arbeitet mit einer Handvoll standardisierter Datenanalyse-Verfahren. Das funktioniert aber meistens nicht mit den Digital-Trace-Daten. Hier kommen automatisierte Prozesse zum Einsatz: Algorithmen und Programme, die Informationen suchen und sammeln, „Künstliche Intelligenz“ genannt. Um es etwas plakativ zu formulieren: Nicht Menschen machen die Hauptarbeit bei diesen Datenanalysen, sondern Maschinen. Ihr Vorgehen ist theorielos, es wird so lange herumprobiert, bis ein Muster erkennbar ist.

Marktforscher versus Data-Scientist

Was man nicht vergessen darf: Marktforscher arbeiten meist mit Datensätzen, die sie selbst geschaffen haben oder die gezielt für Marktforschungszwecke angelegt wurden – in der Regel Umfragen, Daten aus Handels-Panels oder andere Art von Statistiken und Zählungen. Die Digital-Trace-Daten entstehen mehr oder minder automatisch, immer wenn jemand sein Smartphone benutzt oder eine Website besucht. Dass sie für Marktforschungsfragen analysiert werden, ist nur eine Art der Zweitverwertung. Ein Data Scientist muss deshalb erst einmal nachdenken, welche Fragen er an die Daten stellen kann.

Marktforscher arbeiten mit Stichproben, die ein repräsentatives Bild der Grundgesamtheit liefern sollen. Data Scientists nutzen vorhandene Datensätze, mitunter vollständige, die eine eigene Grundgesamtheit darstellen, etwa alle Amazon-Kunden oder Bewegungsdaten von Smartphone-Nutzern in einem Gebiet. Die Frage, ob die Erkenntnisse für Fälle außerhalb dieser Grundgesamtheit gültig sind, stellt sich ihnen nicht. Meist sind ihre Fragestellungen begrenzt auf die vorhandenen Daten, zum Beispiel welche Waschmaschinen Amazon-Kunden kaufen.

Schließlich unterscheidet sich der Output der Data-Science-Analysten von denen der Marktforscher. Letztere liefern Tabellen, Grafiken, PowerPoint-Präsentationen, schriftliche Reports und Interpretationen, manchmal sogar Empfehlungen – also „Insights“ oder Erkenntnisse, die dem Auftraggeber helfen, die Welt etwas genauer zu verstehen und dadurch bessere Entscheidungen zu treffen. Die Daten-Science-Leute entwickeln hingegen oft Tools und Produkte, bei denen Algorithmen dafür sorgen, dass Daten direkt in Handlungen umgesetzt werden: Ein Website-Besucher mit einem bestimmten Datenprofil bekommt automatisch einen Werbebanner gezeigt, ein Kunde mit einem spezifischen Aktivitätsprofil empfängt eine automatisch erstellte personalisierte E-Mail. Dass von vielen Marktforschern diskutierte Problem der „Insight Activation“ – der Umsetzung von Forschungsergebnissen in konkrete Entscheidungen – wird hier über einen direkten Kurzschluss gewährleistet. Analysierst Du noch oder beeinflusst Du schon?

Ein letzter Unterschied hat etwas mit der „Open Source“-Haltung zu tun. Viele der Tools, Software-Quellcodes und Applikationen im Bereich Data Science sind frei verfügbar. Die Idee des „Open Source“ ist bei den Datenfreunden tief verankert und oft ein Wert an sich. Marktforschungsinstitute und deren Software-Dienstleister sind hingegen nicht selten Geheimniskrämer. Ihre Instrumente sind proprietär, oftmals „Black Boxes“, und werden als Betriebsgeheimnis behandelt.

Am Anfang war die Sozialforschung

Man sieht: Es gibt unterschiedliche Positionen von Data Science und Marktforschung. Nicht alle sind wirklich gravierend. Beide Disziplinen haben ähnliche Aufgaben und schöpfen methodisch aus denselben Quellen. Big Data und Mafo können ihre enge Verwandtschaft nicht verleugnen, selbst wenn die kulturellen Differenzen manchmal überbetont werden, um sich voneinander abzugrenzen. Der Soziologe Armin Nassehi geht in seinem lesenswerten Buch „Muster“ sogar noch einen Schritt weiter: Die Mutter der Digitalisierung sei die Sozialwissenschaft. In einer komplexen Gesellschaft ist deren Beobachtung und das Finden versteckter Regeln eine Notwendigkeit. Was mit Sterbetafeln und Sozialstatistik begann, führte zur Soziologie und Meinungsforschung und schließlich zu den Segnungen der Digitälität – Online-Dating, Fitness-Tracking, auf Algorithmen basierende Entscheidungen jeglicher Art.

Mafo-Leute und Data-Leute könnten sich gut ergänzen und gegenseitig bereichern, wenn sie mehr miteinander reden würden. Das gilt nicht nur für die Bereiche, die sich schon jetzt überlappen, sondern wäre insbesondere spannend für die heterogenen Felder: zum Beispiel qualitative Marktforschung auf der einen Seite, Analyse von Sensordaten auf der anderen Seite. Es lohnt sich, hier aufeinander zu zugehen.

Tech-Verständnis als Kernkompetenz

Trotzdem gibt es eine existenzielle Frage, die Marktforscher umtreibt. Werden sie in einer automatisierten, durchdigitalisierten Welt der klugen Maschinen überflüssig? Langfristig gibt es dazu kontroverse Meinungen (siehe den Pro- und Contra-Kasten). Mittelfristig werden sie wohl gebraucht, allerdings müssen sie lernen, mit Datenquellen jenseits von Umfragen und qualitativen Interviews umzugehen. Stichprobenbasierte Umfragen werden zwar weiterhin eine wichtige Quelle bleiben, allerdings nur eine von vielen. Chancen bestehen in der Verknüpfung von Datenquellen ebenso wie in der quellenübergreifenden Interpretation. Langfristig wird aber die zunehmende Automatisierung aller Marketing-Maßnahmen nicht ohne tiefergreifende Veränderungen in der Marktforschung bleiben. Je mehr Marketing-Maßnahmen direkt, personalisiert und datengesteuert ablaufen, desto mehr verändern sich die Aufgaben der zwischengeschalteten Professionen: Marktforscher, aber auch Agenturen und Marketing-Manager werden zunehmend Aufgaben an Algorithmen und Maschinen abgeben. Kenntnisse über Technologie könnten Grundvoraussetzung für eine Karriere im Marketing sein, allerdings wird KI die Bedienung künftig erleichtern. Für die folgenden Generationen von Marktforschern werden Big Data, KI und Data Science eine Selbstverständlichkeit sein. Die Marktforschung hat heute die schwierige Aufgabe, die Weichen dafür zu stellen.
Erschienen in planung&analyse 2/2020 - jetzt lesen >>
Bitte loggen Sie sich hier ein, damit Sie Artikel kommentieren können. Oder registrieren Sie sich kostenlos für H+.
Ich habe die Datenschutzbestimmungen zur Kenntnis genommen und akzeptiere diese.
stats