Symbolbild

„Das könnte Ihnen auch gefallen“ – jeder kennt die Empfehlungen von Amazon & Co., die zu einem Folgekauf anregen sollen. Diese Empfehlungen beruhen auf einfachen Hochrechnungen. Der Frankfurter Professor für Betriebswirtschaftslehre Thomas Otter hingegen arbeitet mit einem dynamischen Modell der Marketingforschung – wie in der jüngsten Ausgabe des Wissenschaftsmagazins „Forschung Frankfurt“ zum Schwerpunktthema Chancen und Risiken der Digitalisierung zu lesen ist.

Die Daten eines Nutzers analysieren und mittels eines Extrapolationsverfahrens sein Verhalten über den gesicherten Bereich hinaus bestimmen – so ermitteln Unternehmen heutzutage die Kaufinteressen ihrer Kunden. Dabei kommt zwar moderne Technologie wie maschinelles Lernen und künstliche Intelligenz zur Anwendung. Nicht berücksichtigt wird hingegen, dass die Daten über die Kunden dynamisch sind, dass sie sich verändern, weil die Marketing-Entscheidung selbst in die Umgebung eingreift.

Wie reagiert also etwa der Kunde, wenn ein Unternehmen sein Produkt und dessen Preis ändert? Wenn ein Händler sein Sortiment erweitert oder ein Konkurrenzunternehmen mit einem attraktiveren Angebot mitmischt? „Antworten auf solche Fragen sind für eine Marketing-Entscheidung von elementarer Bedeutung“, sagt Wirtschaftswissenschaftler Otter.

Der englische Mathematiker Thomas Bayes (1701-1761) gibt Thomas Otter mathematische Methoden an die Hand, mit deren Hilfe solche bedingten Wahrscheinlichkeiten bei geringer Datenmenge ermittelt werden können. Dank moderner Computertechnologie sind die komplizierten Rechenoperationen nun problemlos möglich. Die Voraussetzung: die Aufgabenstellung muss vorab in Mathematik übersetzt worden sein. Ohne die Kenntnis von Programmiersprachen geht für Thomas Otter und seine Mitarbeiterinnen und Mitarbeiter deshalb nichts.

Auch das „Bauchgefühl“ von Mitarbeitern eines Unternehmens hat in Otts Modellen seinen Platz – und erweitert die üblichen statistischen Verfahren damit um den menschlichen Faktor. Wann eine Anzeige in den Medien sinnvoll ist, an welchen Tagen oder Wochen die meisten Kunden auf Werbung ansprechbar sind, haben langjährige Mitarbeiter einer Firma oft im Gespür. Ein externer Berater, der mit statistischen Modellen operiert, dagegen nicht.

„Ich möchte dazu beitragen“, führt Ott aus, „dass man bei Marketing-Anwendungen die Hoffnung aufgibt, dass die Daten sprechen, denn das tun sie nicht. Auch maschinelles Lernen ändert daran in der Regel nichts. In entscheidungsrelevanten Situationen“, ist der Professor an der Goethe-Universität überzeugt, „übertrifft die Bayes‘sche Methode der bedingten Wahrscheinlichkeitsrechnung einfachere Theorien um Längen.“

Mehr Informationen: www.forschung-frankfurt.de

Anzeige

Kommentieren Sie den Artikel

Bitte geben Sie Ihren Kommentar ein!
Bitte geben Sie hier Ihren Namen ein