Fragen und Antworten mit Asaf Shemesh, Produktmanager Supply, und Roy Sadaka, Teamleiter Maschinelles Lernen
Über maschinelles Lernen wird viel geredet, doch was bedeutet das eigentlich? Hinter dem Begriff „maschinelles Lernen“ verbirgt sich die Entwicklung hochpräziser Anwendungen, die im Laufe der Zeit aus gesammelten Daten lernen, um Erkenntnisse zu liefern, die einen wichtigen Beitrag zur Fällung von Geschäftsentscheidungen leisten. Machinelles Lernen ist ein Zweig der künstlichen Intelligenz (KI), der hinter den Kulissen der Consumer Insights-Branche einen großen Unterschied macht. Unsere in-House-Experten Asaf Shemesh und Roy Sadaka erklären, wie das alles funktioniert und was es für die Kunden bedeutet.
● F: Wie wird maschinelles Lernen in das Toluna-Erlebnis integriert?
● A: Wir entwickeln ein Deep-Learning-Modell, das mit den Daten unseres Befragungspanels aus den letzten zwei Jahren ständig trainiert wird. Die Idee hinter dem Modell ist es, diese Möglichkeiten zu nutzen, um genaue Vorhersagen darüber zu treffen, wie Panelisten zu bestimmten Umfragen passen würden – und sogar, wie sie bestimmte Fragen beantworten würden. Wir arbeiten ständig am fine-tuning des Systems, um das volle Potenzial auszuschöpfen, probieren verschiedene Parametersätze aus, um zu sehen, wie sie sich auf die KPIs auswirken, und testen und optimieren sie, um die Präzision zu verbessern.
● F: Können Sie ein Beispiel für maschinelles Lernen nennen, das uns im Alltag begegnet?
● A: Sicher – denken Sie an Netflix. Netflix fragt bei der Anmeldung nach einigen grundlegenden Informationen und beobachtet dann Ihr Verhalten und Ihre Verhaltensmuster im Laufe der Zeit, um Ihre Persönlichkeit besser bestimmen zu können. Auf diese Weise kann der Streaming-Dienst anhand von Vorhersagedaten Sendungen oder Filme empfehlen, die Ihnen gefallen könnten.
● F: Warum ist maschinelles Lernen für Panelmitglieder und Kunden von Toluna wichtig?
● A: Maschinelles Lernen ermöglicht es uns die Befragten – oder Personas (anhand der über sie gesammelten Informationen) – besser den Umfragen zuzuordnen, die für sie am relevantesten sind. So bleiben die Mitglieder unseres Panels motiviert, und uns ist daran gelegen, dass unsere Mitglieder so zufrieden wie möglich sind. Auf Kundenseite bietet maschinelles Lernen durch gesteigerte Effizienz, Automatisierung, bessere Informationen und Priorisierung einen Mehrwert, damit wir unseren Kunden ein höheres Maß an Geschwindigkeit und Qualität bieten können. Unsere Umfrageteilnehmer bekommen Umfragen präsentiert, die für sie relevant sind, was dazu führt, dass sie für uns weiterhin ansprechbar und engagiert bleiben.
● F: Was verstehen Sie unter Priorisierung?
● A: Umfragen haben unterschiedliche Prioritäts- und Dringlichkeitsstufen. In der Vergangenheit war die Kennzeichnung nach Priorität eine rein manuelle Aufgabe. Heute können wir mit Hilfe von maschinellem Lernen und fortschrittlichen Algorithmen entscheiden, was dringend ist und welche Umfrage wir einem Mitglied zu einem bestimmten Zeitpunkt am besten anbieten sollten. Das hilft dabei Umfragen, die fertiggestellt werden müssen, vorzuziehen.
● F: Gibt es noch weitere Vorteile die maschinelles Lernen im Bereich Consumer Insights bietet?
● A: Ja, die gibt es. Bei der Entwicklung dieser von Daten gefütterten Personas sind wir auch in der Lage, Ähnlichkeiten zwischen unseren Panelisten zu erkennen. Diese Segmentierungsfunktionen bieten eine Reihe neuer Möglichkeiten, die es vorher nicht gab, wie z. B. eine verbesserte Betrugserkennung oder die Vorhersage der Stimmung der Teilnehmer zu verschiedenen Themen. Maschinelles Lernen hilft uns auch beim Datenverkehrsmanagement, indem es die Menge des Datenverkehrs in einer bestimmten Zeit versteht und vorhersagt. Die Vorhersage der Geschwindigkeit hilft bei der Steuerung des Datenaufkommens und sorgt für ein optimiertes Befragungserlebnis.
● F: Wie wird sich das maschinelle Lernen Ihrer Meinung nach im Bereich der Consumer Insights entwickeln?
● A: In der Zukunft sehen wir vielleicht eine Welt, in der wir 100 Personen zu einer Umfrage mit einer Zielvorgabe von 1.000 Befragten schicken, ihre Daten erfassen und maschinelles Lernen einsetzen, um die Ergebnisse der anderen 900 Panelteilnehmer mit möglichst hoher Genauigkeit vorherzusagen. Ein Szenario könnte sein, dass Kunden sich für ein Panel aus virtuellen Umfrageteilnehmern entscheiden können, das komplett auf Datenrückschlüssen basiert, anstatt eine vollständige Umfrage durchzuführen.
Dies kann insbesondere dann relevant sein, wenn bestimmte, schwer erreichbare Zielgruppen fast unmöglich zu befragen sind. Kurzfristig betrachtet liegt ein großer Vorteil des maschinellen Lernens in der Verbesserung der Qualität. Es kann uns z.B. dabei helfen, Kauderwelsch und toxische Botschaften zu entfernen und sogar zu verhindern. Unsere Plattform verfügt bereits über klassische Lösungen, um diese Art von Dingen zu kennzeichnen, aber maschinelles Lernen kann sie schon im Voraus blockieren, wenn der Inhalt von einer Maschine erkannt wird.
Während wir weiterhin in unsere Plattform investieren, setzen wir gleichzeitig Prioritäten bei den technologischen Investitionen. Maschinelles Lernen hilft uns bessere Übereinstimmungen der Befragten herzustellen, ein tieferes Verständnis für sie zu entwickeln, Umfragen nach Priorität zu kennzeichnen und Betrug besser zu erkennen, ohne dass dabei die Qualität beeinträchtigt wird. Folgen Sie uns, um zu erfahren, wohin uns das führen wird.
zurš¹ck zum Blog
