Digitale Zwillinge von Kundengruppen

Benjamin Metzig
vor 1 Tag
5 Min. Lesezeit

Leuchtende digitale menschliche Silhouette, die sich vor einem Marktumfeld in ein Datennetz auflöst

Stellen wir uns vor, ein Unternehmen möchte verstehen, wie unterschiedliche Kundengruppen auf ein neues Abo reagieren. Es füttert ein Modell mit Kaufhistorien, Umfrageantworten, Supportanfragen und Beschreibungen von Zielgruppen. Danach lässt es hunderte künstliche „Kundinnen und Kunden“ über Preis, Nutzen und Bedenken sprechen. Das Ergebnis klingt konkret: Gruppe A findet den Preis nachvollziehbar, Gruppe B fragt nach Datenschutz, Gruppe C will erst testen. Doch was ist hier eigentlich entstanden? Keine Kundengruppe im Computer, sondern ein Modell mit Annahmen über sie.

Kernpunkte

Ein digitaler Zwilling einer Kundengruppe ist ein vereinfachtes Modell, keine Kopie realer Menschen.
Simulationen können Fragen, Varianten und mögliche Reaktionen früh testen, wenn ihre Datenbasis und Annahmen offenliegen.
Plausible Dialoge sind kein Beweis dafür, dass ein Modell den Markt oder einzelne Menschen korrekt vorhersagt.
Gute Praxis vergleicht Simulationen mit echten Daten, achtet auf übersehene Gruppen und begrenzt folgenreiche Profilbildung.

Der Begriff „digitaler Zwilling“ stammt ursprünglich aus Technik und Industrie: Ein digitales Abbild eines Motors, einer Anlage oder eines Prozesses wird mit Messdaten abgeglichen, um Zustände zu beobachten oder Änderungen durchzuspielen. Bei Kundengruppen ist die Analogie nützlich, aber nur mit Vorsicht. Menschen sind keine Maschinen mit vollständig bekannten Bauteilen. Ihre Entscheidungen hängen von Kontext, Gewohnheiten, Einkommen, Erwartungen, Beziehungen und Situationen ab, die in Daten oft nur als grobe Spur vorkommen.

Gerade deshalb lohnt es sich, den Weg vom Datensatz zur Simulation sichtbar zu machen. Dann lässt sich auch besser entscheiden, wann ein digitaler Zwilling ein hilfreiches Denkwerkzeug ist – und wann er bloß eine sehr überzeugend formulierte Vermutung bleibt.

Von der Persona zum Modell

Eine klassische Persona verdichtet Interviews, Beobachtungen oder Marktdaten zu einer erfundenen Beispielperson: etwa „Mara, 34, nutzt das Angebot mobil und achtet auf Planbarkeit“. Sie soll Teams helfen, nicht bei jeder Produktentscheidung von einem abstrakten Durchschnittskunden zu sprechen. Ihre Stärke ist Orientierung. Ihre Schwäche liegt auf der Hand: Schon die Auswahl der Merkmale entscheidet, welche Perspektive sichtbar wird und welche verschwindet.

Ein digitaler Zwilling einer Kundengruppe geht einen Schritt weiter. Er kann Regeln, Datenverteilungen und Rückkopplungen enthalten. Ein statistisches Modell könnte beispielsweise schätzen, wie sich Kündigungswahrscheinlichkeiten mit Preis, Nutzung und Vertragsdauer verändern. Ein agentenbasiertes Modell lässt mehrere Kundentypen unter festgelegten Regeln handeln. Neuere Systeme nutzen Sprachmodelle, um solchen Modellfiguren Texte, Erinnerungen oder Rollenbeschreibungen zu geben. Die Antworten lesen sich dann weniger wie Tabellen und mehr wie Gespräche.

Das ist technisch interessant, aber der zentrale Unterschied bleibt: Eine Persona beschreibt; ein Modell berechnet oder generiert unter bestimmten Voraussetzungen. Beides kann nützlich sein. Beides darf nicht mit einer repräsentativen Erhebung verwechselt werden.

Die Forschung zu generativen Agenten zeigt, wie Sprachmodelle Beobachtungen speichern, verdichten und für Planung abrufen können. In einer simulierten Umgebung entstehen daraus glaubwürdige soziale Abläufe. Das demonstriert eine Architektur für künstliche Akteure. Es zeigt jedoch nicht, dass dieselbe Architektur ohne Weiteres eine konkrete Kundengruppe in einem bestimmten Markt verlässlich abbildet. Zwischen „wirkt glaubwürdig“ und „trifft die Verteilung realer Reaktionen“ liegt eine anspruchsvolle Validierungsaufgabe.

Vier Stationen, an denen sich die Qualität entscheidet

Die erste Station ist die Datenbasis. Ein Modell kann aus Transaktionen, Website-Nutzung, Supportfällen, Befragungen oder öffentlich verfügbaren Marktinformationen lernen. Jede Quelle liefert aber nur einen Ausschnitt. Kaufdaten zeigen, was gekauft wurde, nicht zwingend warum. Klickdaten erfassen Aufmerksamkeit, nicht unbedingt Zustimmung. Umfragen erreichen manche Gruppen leichter als andere. Wer einen Zwilling baut, sollte daher dokumentieren: Aus welchen Daten stammen die Merkmale? Aus welchem Zeitraum? Welche Kundinnen und Kunden fehlen vermutlich? Und welche Variablen wurden gar nicht erhoben?

Die zweite Station sind die Annahmen. Hier wird entschieden, welche Unterschiede ein Segment ausmachen: Preisempfindlichkeit, Nutzungshäufigkeit, Haushaltsgröße, technische Erfahrung oder etwas anderes. Solche Annahmen können fachlich begründet sein. Sie können aber auch soziale Klischees in eine formale Gestalt bringen. Besonders heikel wird es, wenn aus Gruppenmerkmalen Eigenschaften einzelner Personen abgeleitet werden. Der Europäische Datenschutzausschuss behandelt Profiling gerade deshalb als Verarbeitung, mit der persönliche Aspekte wie Präferenzen, Verhalten oder wirtschaftliche Lage bewertet werden können.

Die dritte Station ist die Simulation selbst. Ein Team kann Varianten gegeneinander testen: Was passiert im Modell, wenn der Probemonat entfällt, eine Erklärung verständlicher wird oder ein Tarif anders gebündelt ist? Das Ergebnis ist kein Orakel. Es ist eine konditionale Aussage: Wenn die Daten, Regeln und Modellannahmen angemessen sind, dann legt die Simulation diese Unterschiede nahe. Dieser Charakter macht sie als Hypothesengenerator wertvoll. Er macht sie ungeeignet als selbstgenügsamen Beweis.

Die vierte und wichtigste Station ist die Rückkopplung. Ergebnisse gehören gegen echte Beobachtungen geprüft: durch A/B-Tests mit klaren Schutzvorkehrungen, neue Befragungen, qualitative Interviews oder bereits bekannte Marktdaten, die nicht zum Bau des Modells verwendet wurden. Genau diese Verteilungsperspektive betont die Forschung zu synthetischen Nutzern für Empfehlungssysteme: Nicht ein einzelner gelungener Dialog entscheidet, sondern ob mehrere Aufgabentypen und Präferenzmuster mit realen Vergleichsdaten übereinstimmen.

Was die Forschung kann – und was sie nicht verspricht

Die Idee, Sprachmodelle als simulierte Stichproben einzusetzen, wird wissenschaftlich ernsthaft untersucht. Argyle und Kolleginnen und Kollegen konditionierten ein Sprachmodell mit soziodemografischen Hintergrundinformationen und verglichen generierte Antworten mit menschlichen Befragungsdaten. Sie nennen die beobachtete Ähnlichkeit „algorithmic fidelity“. Das ist ein präziserer Begriff als die Behauptung, ein Modell verstehe oder repräsentiere eine Gruppe vollständig: Er fragt nach einer messbaren Übereinstimmung in einem definierten Kontext.

Auch Aher, Arriaga und Kalai schlagen mit ihren Turing-Experimenten vor, simulierte Teilnehmende an bekannten Studien zu messen. Einige klassische Befunde ließen sich reproduzieren. Zugleich zeigte sich eine „Hyper-Accuracy“-Verzerrung: Das Modell konnte in bestimmten Aufgaben unrealistisch treffsicher oder angepasst wirken. Für Marktforschung ist das eine wichtige Warnung. Eine Simulation, die zu glatt zustimmt, zu logisch begründet oder zu konsistent reagiert, kann gerade dadurch zu optimistische Entscheidungen nahelegen.

Darum ist „echte Menschen durch KI ersetzen“ die falsche Zielformel. Der Nutzen liegt eher vor der Feldphase: Forschungsfragen schärfen, Interviewleitfäden stressen, Varianten sammeln, mögliche Missverständnisse suchen oder Hypothesen priorisieren. Danach beginnt die Arbeit mit Personen, die das Produkt tatsächlich nutzen könnten. Eine aktuelle methodische Kritik bündelt diesen Punkt: Sprachmodelle können Rollen und kognitive Muster simulieren, sollten aber menschliche Teilnehmende nicht pauschal substituieren.

Wenn Gruppen zu Zielprofilen werden

Die ethische Frage beginnt nicht erst bei einer einzelnen Namenzeile. Auch eine Gruppe kann so fein beschrieben sein, dass sie faktisch nur noch wenige Menschen meint. Werden Kaufverhalten, Standort, Gesundheitsinformationen oder finanzielle Belastung mit Modellen verbunden, steigt die Gefahr, dass Menschen nicht nur verstanden, sondern vorsortiert, ausgeschlossen oder unter Druck gesetzt werden.

Synthetische Daten können Risiken mindern, weil sie nicht einfach Rohdaten weiterreichen. Sie sind aber kein Datenschutz-Siegel. Die OECD weist darauf hin, dass selbst bei solchen Verfahren Re-Identifizierung und Verzerrungen relevant bleiben. Entscheidend ist daher nicht nur, ob eine Tabelle oder ein Agent „synthetisch“ heißt, sondern wie das Ausgangsmaterial gewonnen wurde, welche Schutzmaßnahmen gelten und welche Entscheidungen später auf dem Modell beruhen.

Hier hilft eine Unterscheidung aus dem bestehenden Wissenschaftswelle-Beitrag über Personalisierung im Design: Anpassung kann Nutzenden Wege erleichtern, sie kann aber auch Wahlräume unmerklich verengen. Ein Kundenzwilling sollte deshalb nicht nur nach Umsatz oder Klickrate bewertet werden. Sinnvolle Prüfungen fragen zusätzlich: Werden bestimmte Gruppen systematisch schlechter abgebildet? Können Betroffene nachvollziehen, warum sie eine Ansprache erhalten? Gibt es einen menschlichen Einspruch oder eine Alternative, wenn das Modell über Zugänge, Preise oder Chancen mitentscheidet?

Der nützliche Realismus: Modelle brauchen Widerspruch

Digitale Zwillinge von Kundengruppen werden dann interessant, wenn sie ihre eigene Vorläufigkeit mitliefern. Ein gutes Projekt beschreibt sein Segment nicht als Wahrheit, sondern als Hypothese mit Herkunft: Diese Daten wurden genutzt, diese Gruppen sind unterrepräsentiert, diese Annahmen treiben die Simulation, an diesen realen Daten wird sie geprüft. Dazu gehört auch, Ergebnisse zu veröffentlichen, die nicht passen. Erst der Widerspruch zwischen Modell und Beobachtung macht sichtbar, was gelernt wurde.

Für Marktforschung bedeutet das einen Rollenwechsel. Statt nach einer künstlichen Kundschaft zu suchen, die Entscheidungen endgültig abnimmt, kann man ein Modell als Prüfstand nutzen. Es hilft, bessere Fragen an echte Menschen zu stellen und riskante Vermutungen früher zu entdecken. Der digitale Zwilling ist dann kein Ersatz für Öffentlichkeit, Erfahrung und Einwilligung – sondern ein Werkzeug, das genau dort seinen Wert zeigt, wo es überprüfbar bleibt.