Tech Deep-Dive

So funktioniert AIlon 

• Wie berechnet AIlon eigentlich meine Zielgruppe?

• Mit welchem Vorgehen können Merkmale "nachbefragt" werden, die ich für meine spezifische Analyse benötige?

• Und wie findet AIlon homogene Sub-Segmente in meiner heterogenen Zielgruppe?

Wenn du dir eine dieser Fragen zum technischen Hintergrund von AIlon stellst, liefert dieser Artikel konkrete Antworten.

Falls du bisher noch gar nicht mit AIlon gearbeitet hast und zunächst grundlegende Fragen zur Plattform und Modellierung von Zielgruppen im Kopf hast: Dieser Artikel ist der dritte und letzte Teil einer kleinen Reihe.

• Teil 1: Kilian Gührs erklärt AIlon und Zielgruppenmodellierung im Allgemeinen.
  👉 Zielgruppen analysieren und aktivieren: Ein praktischer Blick auf die Arbeit mit AIlon
  
  
• Teil 2: Niclas Bruhns zeigt an einem konkreten Beispiel, wie man eine Zielgruppe im AIlon-Dashboard  zielorientiert auswertet, um ihre Bedürfnisse zu begreifen und Ansprache-Ideen zu entwickeln. 👉 Step-by-step von der offenen Frage zur Strategie: Zielgruppen-Insights entschlüsseln und aktivierbar machen
   
• Teil 3 (dieser Artikel) erklärt das "How It Works" auf technischer Ebene und beleuchtet die verschiedenen Schritte deiner Analyse.

Das Ziel von Teil 3: Du hast ein grundlegendes Verständnis, wie AIlon Merkmale aus verschiedenen Datenquellen über ein Attribut-Netzwerk in eine repräsentative Stichprobe der Bevölkerung umwandelt. Du verstehst, wie aus deiner Zielgruppendefinition wertvolle Insights werden. Du bekommst eine Vorstellung, wie statistische Verfahren zur tiefergehenden Analyse deiner Zielgruppe eingesetzt werden.

KI-basierte Marktforschung in a Nutshell

Um die Funktionsweise von AIlon zu verdeutlichen, zeigt das folgende Bild den gesamten Prozess von Daten-Input über Data Processing bis hin zu Insights der Analytics Plattform mit optionalen Segmentierungen, Analysen und Targetings. Wenn man über die Abbildung und Verknüpfung von Merkmalen oder Datensätzen spricht, ist das im linken Teil der Grafik verortet - diese Schritte machen deine Analysen erst möglich und bilden die Basis für AIlon.

Unsere Analyse basiert auf der Fusion von drei mächtigen Datenströmen, die zusammen eine einzigartige Tiefe an Markteinblicken ergeben.

Datengrundlage

Unsere Analyse basiert auf der Fusion von drei mächtigen Datenströmen, die zusammen eine einzigartige Tiefe an Markteinblicken ergeben:

• Repräsentative Umfragedaten: Das Fundament bildet eine von uns bei der GIM (Gesellschaft für Innovative Marktforschung) in Auftrag gegebene, bevölkerungsrepräsentative Studie mit 10.000 Befragten. Diese wird nach den Goldstandards der Marktforschung erhoben und durch Daten etablierter Partner wie dem SINUS-Institut oder feingranularen Geodaten von MB-Micromarketing weiter angereichert. Hier erfassen wir soziodemografische Merkmale, Einstellungen, Markenwahrnehmung und den deklarierten Medienkonsum.
• Digitale Verhaltensdaten: Diese  „Was-Menschen-sagen“-Daten verknüpfen wir mit riesigen Mengen an Verhaltensdaten, die zeigen, „was-Menschen-tun“. Jeden Monat fließen die anonymisierten Signale von rund 8 Millionen digitalen Fußabdrücken (anonymisierte Cookie-Daten, Transaktionen, Webseitenbesuche) und 800.000 Social-Media-Profilen in unser System ein. Dazu gehören auch Seh- und Hörgewohnheiten aus TV- und Audio-Streaming.
• Optional: First Party Daten: Als dritte, optionale Säule kannst du eigene Brand Trackings, CRM-Daten oder anderweitige Studien in das System einspeisen. So lassen sich bspw. Zielgruppen basierend auf Category Entry Points (CEPs) oder bestimmten Funnel-Stufen modellieren oder Bestands-Kunden-Zielgruppen basierend auf CRM-Daten anlegen, um diese noch tiefer im Detail verstehen zu können. Wichtig: Diese werden in jedem Fall privat behandelt und stehen niemals anderen Kunden außer dir zur Verfügung!

Wie unsere KI Datenquellen verbindet

Im zweiten Schritt ist es erforderlich, die verfügbaren Quellen in ein stimmiges und zuverlässiges Bild der Gesellschaft zusammenzuführen. Dazu werden Daten-Inputs anonymisiert, gefiltert und auf ein vergleichbares Format vereinheitlicht.

Bei digitalen Fußabdrücken erfolgt zudem eine Bewertung, ob dieser von einem echten Menschen (oder einem Bot) stammt und ob die Informationstiefe ausreichend ist.

Anschließend errechnet AIlon ein Attribut-Netzwerk (bzw. auf Englisch: Knowledge Graph) und erfasst darin die Zusammenhänge von Attributen zueinander. Das können bspw. Informationen sein, welche Sendungen zusammen geschaut werden, welche Produkte gemeinsam gekauft werden, oder welche Kanäle innerhalb einer Altersgruppe besonders stark ausgeprägt sind.

Aus diesem finalen, austarierten und auf Nachhaltigkeit geprüften Netzwerk wird schließlich ein bevölkerungsrepräsentativer Datensatz mit rund 2,3 Millionen Personen in Deutschland hochgerechnet - vermutlich die umfangreichste und dynamischste Markt-Media-Studie ihrer Art.

Der bevölkerungsrepräsentative Datensatz mit rund 2,3 Millionen Personen ist vermutlich die umfangreichste und dynamischste Markt-Media-Studie ihrer Art.  

Neue Merkmale nachträglich erheben

Wenn du in der klassischen Marktforschung nach Abschluss der Befragung eine weitere relevante Frage hast (also ein Merkmal nachträglich erheben möchtest), müssen die Personen der Befragung aufwändig erneut befragt werden.

Im Gegensatz dazu erlaubt die Methodik von AIlon problemlos die Ergänzung zusätzlicher Attribute, indem diese in das Netzwerk aufgenommen werden und Verknüpfungen zu bestehenden Attributen gefunden werden.

Dazu findet die KI bspw. passende Facebook- oder Instagram-Seiten, die mit deiner Anfrage zusammenpassen oder analysiert auf inhaltlicher Ebene, welche Internetseiten mit dem Thema übereinstimmen.

Lassen sich ausreichend solcher Ansatzpunkte finden, kann das Merkmal mit aussagekräftigen Verknüpfungen in das Netzwerk integriert werden und für die Stichprobe ergänzt werden.

Sollte sich ein Thema nicht ausreichend in digitalen Fußabdrücken wiederfinden lassen, erfüllt es nicht die Qualitätsanforderungen und wird zum aktuellen Zeitpunkt nicht weiter verarbeitet.

Solltest du jedoch bereits eigene Daten zu einem Thema haben, können diese als Ergänzung herangezogen werden, um das Merkmal dennoch abzubilden.

Von der Definition zu verwertbaren Insights

Im ersten Artikel der Serie hat Kilian bereits erklärt, wie du in Textform über den Audience Recommender oder manuell zu deiner perfekten Zielgruppendefinition kommst. Bereits während du noch an der Definition feilst, zeigt dir AIlon in Echtzeit eine reduzierte Vorschau auf Basis der aktuellen Definition an - etwa zu Potential & Bevölkerungsanteil, Altersverteilung oder Bildung:

Sobald du mit Definition und Vorschau zufrieden bist, bist du nur noch einen Klick und einige Minuten Wartezeit von deinen Insights entfernt. Unser Computing Grid führt dann die Zielgruppen-Berechnung und -Aufbereitung aus und du kannst dir einen Kaffee holen oder kurz aus dem Fenster schauen 🙂 AIlon wendet deine Definition auf die Stichprobe der Bevölkerung an und errechnet, wie gut diese damit übereinstimmen. Auf dieser Basis werden dann alle dir bekannten Bereiche im Dashboard mit Leben gefüllt:

• Übersicht: Die wichtigsten Insights für dich auf einen Blick. Zusätzlich die Möglichkeit, über den Audience Explorer mit der Zielgruppe zu chatten und Insights per Text zu erfragen.
• Demografie & Geografie: Wer ist deine Zielgruppe und wo ist sie zu finden. Über unser Zusatzmodul Geografie+ kannst du deine Zielgruppe auf Micro-PLZ Ebene verorten, indem AIlon deine Definition auf über 20 Mio. Haushalte anwendet.
• Einstellungen & Verhalten: Welche Marken findet die Zielgruppe besonders gut, welche Wertevorstellungen sind relevant und Ausprägung der Big5 Psychografie Dimensionen.
• Marken & Medien: Medienkonsum auf Minutenbasis unter Berücksichtigung von Normstatistiken der Bevölkerung und Präferenzen der Zielgruppe, überdurchschnittlich relevante Umfelder sowie Influencer Affinitäten.

Je nach Darstellung kannst du die folgenden Kennzahlen analysieren:

• Anteil in Population: Prozentzahl an Personen, die in der gesamten Bevölkerung mit einem Merkmal übereinstimmen.
• Anteil in Zielgruppe: Prozentzahl an Personen, die in der betrachteten Zielgruppe mit einem Merkmal übereinstimmen.
• Indexstand: Errechnet aus Anteil(Zielgruppe) - Anteil(Population) beschreibt das generelle Verhältnis zur Population. Werte über 100 bedeuten Überrepräsentanz, Werte unter 100 stehen für Unterrepräsentanz.
• Effektgröße: Errechnet aus (Anteil(Zielgruppe) - Anteil(Population)) / Varianz(Population) beschreibt die Abweichung der Anteile relativ zur Schwankung des Merkmals in der Population. Wenn du mehr über die Effektgröße als wertvolle Kennzahl wissen möchtest, schau einmal in diesen Artikel.

Falls du einen Leitfaden zur Analyse der breiten Auswahl an Informationen brauchst, möchte ich an dieser Stelle noch einmal auf den zweiten Teil unserer Mini-Serie hinweisen: 👉 Step-by-step von der offenen Frage zur Strategie: Zielgruppen-Insights entschlüsseln und aktivierbar machen

Tiefergehende Analyse mit statistischen Methoden

Sollten die standardmäßigen Insights aus dem AIlon Dashboard dir einmal nicht ausreichen, bietet das Consulting Team mit Sicherheit eine passende tiefergehende Analyse für deine Problemstellung an.

Ob Potentialanalyse, algorithmische Segmentierung oder Datenintegration, hier können unsere Data Scientists deine Fragen datengestützt beantworten.

Ein Beispiel

Um dir einen kleinen Einblick zu verschaffen, zeige ich dir das Vorgehen einer Segmentierung vereinfacht auf 🙂

Als Beispiel nehmen wir einmal die Zielgruppe "Alkoholfreie Erfrischungsgetränke". Diese hat ein Potential von 56Mio. Personen und umfasst damit über 80% der volljährigen Bevölkerung in Deutschland. Für eine zielgerichtete Marketing-Kampagne ist diese Zielgruppe jedoch aufgrund ihrer Größe und Heterogenität ungeeignet, da bspw. Anlässe für Erfrischungsgetränke je nach Person stark unterschiedlich sein können.

In diesem Fall kann AIlon mit Hilfe einer algorithmischen Segmentierung homogene Sub-Segmente finden, die sich spezifischer ansprechen lassen können.

Im ersten Schritt legen unsere Berater mit dir gemeinsam fest, welche Merkmale für die Segmentierung als Input verwendet werden sollen (sprich auf welcher Basis Segmente gefunden werden sollen). Alternativ kann die Auswahl auch automatisch getroffen werden, um frei von Hypothesen in die Analyse zu starten. Für das Beispiel der alkoholfreien Erfrischungsgetränke beinhaltet die Auswahl unter anderem Merkmale zu Konsumverhalten, Hobbies & Freizeit, Werteorientierung sowie grundlegende Demografie & Ökonomie.

Mithilfe der Hauptkomponenten Analyse (engl. Principal Component Analysis, kurz PCA) werden die Segmentierungsmerkmale auf zwei Kerndimensionen reduziert, die innerhalb der Zielgruppe am meisten Varianz aufweisen (=Personen unterscheiden sich stark voneinander). Im Falle unseres Beispiels ergeben sich daraus die zwei Themenbereiche "Selbstverwirklichung" und "Unabhängigkeit".

Im Anschluss an die PCA werden Clustering Algorithmen (spezifisch Gaussian Mixture Models) benutzt, um verschiedene Segmentanzahlen zu ermitteln. Dabei finden die Verfahren sogenannte Sollbruchstellen in den Daten, also die Punkte an denen Personen innerhalb der zwei Überthemen deutlichere Unterschiede aufweisen.

Aus einer Kombination von statistischer Segmentierungsgüte (u.a. Silhouette Score) und praktischer Anwendbarkeit (bspw.: "Es ist ein Splitter-Segment entstanden, für das ein Targeting unverhältnismäßig teuer wäre") wird die optimale Anzahl an Segmenten automatisch ermittelt.

Die resultierenden Segmente können im Anschluss wie alle anderen Zielgruppen auch im Dashboard analysiert werden.

Wie geht's weiter?

Dieser Artikel hat dir die technische Seite der AIlon Plattform nähergebracht und bildet damit den Abschluss unserer dreiteiligen Mini-Serie. 

Wenn du tiefer einsteigen möchtest oder Fragen zur Methodik hast, hinterlasse gerne einen Kommentar 👇. Wir greifen offene Punkte auf und beantworten sie transparent.

Und wenn du sehen willst, wie das Ganze mit deiner eigenen Zielgruppe funktioniert:
Beschreibe sie einfach kurz über unsere Landing Page.

👉 ailon.io/zielgruppenbeschreibung

Wir schauen uns deine Angaben an und melden uns mit ersten datenbasierten Insights zurück.