Fachartikel

MÄR2020
Ausgabe 2/2020, Seite 58 | 20-03-58-1

KI-basiertes Verpackungsscreening in der Konsumentenforschung

Die äußeren Werte

Kann Künstliche Intelligenz die Konsumentenforschung ablösen? KI hat ihre Grenzen, richtig trainiert und eingesetzt kann sie aber ergänzen und sinnvoll unterstützen – sagt Christian Dössel und stellt einen Ansatz aus der Verpackungsforschung vor.
Fachartikel zum Thema Künstliche Immtelligenz aus dem Research & Results Magazin 2/2020Foto: © bygermina – Shutterstock
Wenn es um KI in der Konsumentenforschung geht, sprechen wir über „schwache KI“ (weak AI). Sie umfasst Systeme, die auf die Lösung konkreter Anwendungsprobleme ausgerichtet sind. Die Problemlösung erfolgt mit Methoden der Mathematik und Informatik, die speziell für die Anwendung entwickelt und für die Problemlösung zur Verfügung gestellt werden. Daraus resultierende Systeme optimieren sich selbst, schwache KI funktioniert reaktiv, erlangt kein tieferes Verständnis für die Problemlösung.
Wir wollten wissen, ob eine KI in der Lage ist vorherzusagen, welches Verpackungsdesign im Rahmen von Relaunches den größten Erfolg haben wird. Gerade für das Screening einer Vielzahl unterschiedlicher Design-Umsetzungen wäre das ein immenser Effizienzhebel.


KI lernt Verpackungsdesign

Unsere Datenbank mit Ergebnissen aus zahlreichen Verpackungsstudien, insbesondere Relaunches, hatten wir in erster Linie für normative Vergleiche (Benchmarks) genutzt. Für unseren Test, wie KI bei der Prognose der Performance von Verpackungsdesigns unterstützen kann, sahen wir uns dieses Archiv genauer an, führten Analysen hinsichtlich Verpackungsveränderungen durch: Wurde der Markenname geändert, die Produktbezeichnung, die Farbe, die Form oder der Claim? Wie wirkt sich eine Änderung auf wichtige Leistungskennzahlen aus?
Eine Technologie war nötig, um die Daten sinnvoll zu interpretieren und zuverlässige Vorhersagen machen zu können. Denn die Kraft des Machine Learning liegt in der Verarbeitung von Input und Output zu einem lernenden Algorithmus. In unserem Fall besteht der Input aus der detaillierten Beschreibung der Designelemente von Verpackungen aus vergangenen Studien, der Output sind die Ergebnisse der Designs auf Basis zentraler KPIs, die wir in den Studien erhoben haben. Wir erforschen Verpackungen ausschließlich im Kontext des Regals und beobachten dabei das Kaufverhalten. Die Trainingsdaten für den Algorithmus beruhen also auf echtem Verhalten, was die prädiktive Aussagekraft deutlich erhöht. Für eine ständige Verbesserung des Algorithmus sorgt eine kontinuierliche Aktualisierung der Datenbank.


Bewertung im Kontext

Die Vorhersagequalität der KI verglichen wir mit dem Ergebnis der Studien, um die Prognosen zu validieren und zu bewerten. Wir stellten fest: Eine Prognose allein auf Basis der KI kann wichtige KPIs bereits gut vorhersagen, war aber bei anderen noch schwach – eine im wahrsten Sinne des Wortes „schwache KI“. Hier braucht es menschliche Intelligenz, um mögliche Fehlassoziationen zu erkennen, Fehlinterpretationen zu korrigieren. Noch wichtiger: Ein Team von Verpackungsexperten muss die Ergebnisse im Kontext weiterer Variablen bewerten, die der Algorithmus nicht berücksichtigen kann, etwa Passung von Design und Markenpositionierung sowie strategischen Zielen des Relaunchs, Abgleich mit Kategorietreibern, Effekte des Wettbewerbsumfelds im Regal und so fort. Ein Panel aus erfahrenen und speziell geschulten Mitarbeitern übernimmt diesen menschlichen Part. Aufgabe ist, Design-Alternativen auf fest definierten und hochgradig prädiktiven Dimensionen zu bewerten und eine holistische Perspektive auf die Test-Designs zu geben.


Automatisiertes Verpackungs-Screening mit menschlicher Expertise

Die KI für das Screening von Verpackungen gleicht Schwachstellen und „blinde Flecken“ mit Experten-Urteilen aus. In der Praxis bietet sie eine kostengünstige, schnelle Orientierungshilfe zur Verbesserung von Verpackungsdesigns. Die Voraussetzungen hierfür sind:
  1. Briefing zum Status quo der Marke, zu Hintergründen und Zielen der Relaunch-Initiative (Kontext)
  2. Designentwürfe im Regalkontext
  3. Close-up vom Regalausschnitt
  4. Designs auf SKU-Ebene (Stock Keeping Unit)
Je nach Anzahl der zu testenden Designrouten liegen die Ergebnisse nach drei bis vier Tagen vor. Sie bestehen aus einem Ranking der Designs im Hinblick auf die Gesamtleistung sowie nach Unterkategorien. Die Expertenurteile gehen in die Erklärung der Leistung der Designs ein. (Abb. 1)
Ergebnisse des Pack Screening
Ausblick: Künstliche Intelligenz in der Konsumentenforschung

In Zeiten geprägt von Geschwindigkeit und Kosteneffizienz können KI-basierte Tools erste Orientierung für weiterführende Vertiefungen und Validierungen liefern. Außer Frage steht jedoch auch, dass die direkte Forschung mit Konsumenten immer noch Erkenntnisse liefert, die absolut notwendig und wichtig sind.
Für den Einsatz von KI müssen technologische Voraussetzungen erfüllt sein – Stichwort Trainingsdaten. Hinzu kommt eine moralische Dimension: Jeder Algorithmus unterliegt einem Bias. Dieser kann unbewusst, aber auch bewusst verstärkt werden und sich so in den Algorithmen manifestieren. Nicht zuletzt darauf hat kürzlich auch die Initiative D21 hingewiesen und ein erstes Regelwerk für den Umgang mit Algorithmen veröffentlicht.
Für die Verpackungsforschung hat sich der operative und pragmatische Einstieg in das Thema KI für uns gelohnt, haben wir mit dem AI Pack Screener doch ein Tool entwickelt, das drei derzeit wichtige Kriterien erfüllt: hohe Geschwindigkeit bei vergleichsweise geringen Kosten und konstanter Qualität. ■
Christian Dössel arbeitet als Senior Director für PRS IN VIVO in Hamburg quantitativ und qualitativ an der Schnittstelle von Konsumentenforschung und Behavioral Economics. Seit 20 Jahren ist er bereits in der Marktforschung tätig.
www.prs-invivo.com


Diese Webseite verwendet Cookies. Cookies ermöglichen uns zu verstehen, wie Besucher unsere Webseite nutzen, damit wir sie verbessern und Ihnen das bestmögliche Erlebnis bieten können. Durch den Besuch unserer Website stimmen Sie der Verwendung von Cookies zu. Durch die Cookie-Einstellungen Ihres Internet-Browsers können Sie die Verwendung von Cookies blockieren. Weitere Informationen finden Sie unter Datenschutz.
akzeptieren
Mehr Marktforschung für Sie mit dem Research & Results Newsletter.
« Zur Anmeldung »