Warum klassische Marktforschung versagt - mit Eike H., Statista Plus (2/3)

Welche innovativen Datenerhebungsmethoden hat eigentlich Statista plus? Wie ist Statista plus aufgestellt? Und wo geht eigentlich die Reise hin von den ehemaligen Kundenhaushforderungen bis hin zur Zukunft? Das sind alles Fragen, die ich mit dem lieben Eike von Statista plus heute besprechen. Neue Folgen jeden Freitag. In dieser digitalen Welt gibt es einen speziellen Faktor der Übererfolg und Misserfolg entscheidet. Daten. Doch nur die wenigsten wissen sie für sich zu nutzen. Wer seine Kunden verstehen will, um ihnen das Bieten zu können, was sie brauchen, kommt um ein professionelles Datenmanagement nicht herum. Jonas Rasché, die Interviewt andere Experten aus den Data-Bereichen und zeigt Schritt für Schritt, wie genau das funktioniert. Herzlich willkommen zu My Data Spatter, den Just-Data-Podcast, schön, dass ihr eingeschaltet habt. Das ist die zweite Folge mit Statista. Die erste Folge war zum Thema Strategie. Die zweite Folge geht vor allem um das Thema innovative Datenerhebung. Das spreche ich mit dem lieben Eike. Hei, hei, hei. Hallo. Stell dich kurz vor, wer du bist, was du machst. Ich glaube, es ist total spannend, deine Person erst mal zu verstehen, um dann noch mal, glaube ich, mehr rauszufinden, aus welchem Blickwinkel wir uns jetzt Statista anschauen. Von daher leg mal los. Wer bist du? Sehr gerne. Ich freue mich jetzt zu sein heute. Ich bin Eike, ich bin Teil des Management Teams bei Statista Plus. Vor Mittagrund bin ich Betriebswirt. Und seit 7 Jahren bei Statista einstieg ins Berufsleben, weil wir in der Strategieberatung, und dann war ich noch bei einem Dienstleister für die Schufer-Zentrustrie. Also, das ist so der Hintergrund, den ich habe, genau. Das heißt, in der Strategieberatung hast du auch viel mit Daten gearbeitet. Mit Mark-Daten. Genau, das war so der Einstieg. Und ähnliche Fragestellung, dann halt noch stärker auf strategische Apleitung. Und weniger tief in die Daten, das ist so der Unterschied, den ich sehe. Ja, also das Konklusio der Daten genutzt, um dann zu entscheiden, wo die Reise hingehen kann. Genau, es war dann öfter zwei Berater stehen in einem Raum und sagen, wie die Welt aussieht. Und jeweils Statista und Statista-Plus haben den Anspruch, für Licht Daten getrieben zu sein. Also, wir sind kein Berater-Beschwing. An der Stelle, wenn ich selber Experate habe, da auch extrem viel mitgenommen an der Stelle. Aber das ist so der Anspruch, den wir uns selber stellen. Sehr spannend. Die meisten Kennstattista, wahrscheinlich als große Datenplattform, wo man Statistiken und Mark-Daten runterladen kann. Und Statista-Plus ist der Bereich, wo wir Kunden spezifische Projekte umsetzen, Mark-Forschungsprojekte, Daten-Visolisierungsprojekte mit dem Schwerpunkt beispielsweise auf Kunden-Sigmentierung, Markt-Analysen und viele andere Themen. Und dabei ganz viele verschiedene Kompetenzen zusammenbringen. Ich würde so aus meiner Sicht sagen, und du sagst, manfalsch ist, ihr seid der Beratungsarm. Von Statista. Ja. Oder? So kann man euch einfach beschreiben. Ja, es ist schon eher, also, es hat keine Strategieberatung. Es hat Mark-Forschung an der Stelle. Ja. Ja. Okay, in den. Also, die Frage ist ein bisschen, weil das kommt ja auch, dass der ersten Folge raus, dass ihr auf der einen Seite ganz viele Daten, ja. Die ihr selber aufbereitet und als Selbstservice zur Verfügung stellt. Und. Das sind die Daten, die ihr sozusagen für euch und für eure Kunden, diese Disparito-Prinzip für 80% eurer Kundenhörsache eigentlich gut funktionieren. Und du bist mit deinem Team oder euren Teams für Statista-Bluss, natürlich für diese Art Sonderfälle zuständig, die nichts wangsweise so aufbereitet sind in der Plattform, wenn ich das versteh. Das trifft's an, ist sehr gut. Genau, also weil Kunden kommen halt oft dann an uns daran, die dann sehr spezifische Verstellung haben, oder auch ganz nießige Märkte, Premiumfahrer treifen, Sörverschränke und natürlich ist. Und dann fragen haben, wie groß ist eigentlich mein Markt? Das sind so die typischen Themen, mit denen wir uns auseinandersetzen. Und das ist nicht so ein klassischer Datenset, was ihr eben in der Statista-Plattform habt. Genau, das ist halt nicht auf dem Knopf. Und Daten aus der Schublade ziehen, sondern meistens fängt der Prozess dann vom Weitboard an, wo wir überlegen, wie wir jetzt die Frage knacken. Ja. Ja. Lasst uns mal vom Weitboard starten. Ihr, in der ersten Folge, so ein bisschen der Satz gefallen, innovative Datenerhebung. Also wie erhebt ihr eigentlich die Daten? Kannst du uns da nochmal mitnehmen? Wie euch da vielleicht auch zu anderen unterscheidet? Sehr gerne, genau. Also ich glaube, was das innovativste ist oder was in diesem Moment von den Weitboarden hier am meisten Spaß macht, ist die Kombination von verschiedenen Ansätzen. Ich glaube, da steckt auch schon ganz viele Innovationen drin. Ja. Wo halt auch ganz klassische Methoden dabei sind, die eine Online-Befragung durchzuführen, die immer noch ein ganz wichtiges Instrument ist, aber jede Datenerhebungsmetode einfach ihre Stärken, aber auch ihre Schwächen hat. Und gerade für so ganz spitze Fragestellung halt meistens sich eine Methode, die Frage beantwortet, sondern die Kombination unterschiedlicher Methoden, wo aber auch innovativen Methoden natürlich eine immer größere Rolle spielen. Und KI beispielsweise auch ganz Neumöglichkeiten mit sich bringt. Also Daten in ungeantem Mengen zu erheben oder auch zu analysieren, unstrukturierte Daten zu nutzen, Bilder zu analysieren und ähnliches. Das sind so Themen, die jetzt in den letzten Zeit natürlich immer mehr aufkommen. Ja. Die Frage, die gut ist, ist sozusagen so beantwortet, die Frage, die mir jetzt nur ein bisschen unter den Finger nähkeln brennt ist. Nämlich, dieses kannst du uns mal mit diesen Kombinationen aus unterschiedlichen Datenquellen einmal mitnehmen, hast du vielleicht irgendwie ein Praxis Beispiel, wo du sagen kannst. Also die Datenquellen, wie ich jetzt verstehe und so, dass ich so viel Versuch, wie zu reframe oder rebreefen, wie ich es verstanden habe. Ihr habt halt Datenquellen, die freie Netz verfügbar sind, die bereitet ihr auf, die wer refiziert ihr, die nutzt ihr. Jetzt ist natürlich der Fall beim Premium-Fahrrad reifen, hast du, glaub ich, gesagt gehabt. Da wird vielleicht diese Datenquelle gar nicht helfen, sondern nicht braucht. Umfrage Daten hast du gerade gesagt, aber vielleicht auch Bewegungsdaten im Onlinebereich. Hast du da mal ein Beispiel, was dir zusammenfügt, und warum ihr das dann zusammenfügt? Die schannte ich erst mal immer, ob unsere Daten, die wir schon haben, eine Basisbild ist, auf der Fall. Aber um bei den Beispiel Premium-Fahrrad reifen, zu bleiben. Also was wir in dem konkreten Brexit gemacht haben, ist wirklich eine klassische Online-Befragung. Also dann mehrere tausend amitzenierte Ratsportler befragt. Welche reifen sie kaufen, was sie dafür ausgeben, wie oft sie so einen reifen kaufen. Aber dann auch Online-Schops-Strukturwerte ausgewertet haben, geschaut haben. Wo nach Googleen die Leute und über solche Quellen, dann halt auch diese Befragungsdaten korrigieren konnten. Also was in dem Fall der Fall war, ist, dass Menschen einfach überschätzen, wie oft sie ein paar reifen. Kaufen? - Ja. Das ist so bei, ich glaube, der durchschnittsdeutsche, kauft nur alle sieben Jahren Fahrradreifen. Ich war überlegt, wenn ich den letzten gekauft habe. Aber wenn man das in Online-Befragung macht, dann war ich, glaube ich, der wird dann so alle zwei Jahre. Und dann schauen wir uns Hersteller an, und bringen dann halt alles zusammen, um bei dieses Bild zu bekommen. Und wo dann Befragungsdaten zum Beispiel einen ganz großen Mehrwert haben, ist dann eher so die relative Aufteilung. So jemand, die man sagt dann schon, ich kauf ein Pirelli oder ein Kontinental oder ein Schwalbe reifen, dass wissen die Leute, wenn man ambitionierter Ratschbordler ist. Aber wenn man die letzten Reifen gekauft hat, das fällt in sehr schwer. Und das halt zusammenzubringen, das ist dann der Mehrwert, den wir auch in solchen Brecken bringen. Aber auch diese Blausibilität herzustellen, ob die Daten korrekt sind. Genau. Was dann schönes Beispiel ist, in so einer Marktanalyse, der einzige Datenpunkt, der quasi die Wahrheit ist, gerade wenn es so ein nie schieger Markt ist, wie groß ist der Umsatz unseres Kunden? Und was wir beispielsweise ganz oft dann vereinbaren, ist, dass wir unseren Ansatz entwickeln, dass wir unser Ansatz ausführen und dann quasi auszeit in den Markt schätzen. Den Marktanteil unseres Kunden, und beispielsweise Markt ist ein Milliardelt, der hat 10% Marktanteil, dann sagen wir ja, du machst 100.000 Umsatz. Und das ist die Zahl, die man dann verproben kann. Und da liegen wir meistens relativ gut, manchmal auch ein bisschen daneben. Aber das ist dann halt die Chance, gemeinsam mit dem Kunden noch mal nachzudjustieren, um dann halt die Wettbewerber zu verstanden. Also der Kunde würde euch den Umsatz nicht sagen oder ihr würdet nicht, je nachdem auf öffentliche Mittel zugreifen, um es dann zu verrifizieren. Genau, also unsere Kunde sagt uns dann halt sein Eigenumsatz nicht am Anfang. Ja, ja, genau so einen anderen erst Mitte. Und dann entwickeln wir ja gemeinsam den Ansatz, um Wettbewerber abzuschätzen, beispielsweise. Ja. Jetzt hast du ja vor dem Punkt gesagt, dass in vielen Käsenden neue Datenquellen relevant sind, es hat auf Frederik in seiner Folge gesagt. Jetzt müssen wir natürlich das Thema Bass oder das Bassword AI auch mit einbringen. Wie relevant und wie nutzt ihr da, um neue Datenquellen anzubinden? Also sonst müssen die ja X-Leute beschäftigen, die dann für Premiumfahrer treffen im Netz unterwegs sind. Und überlegen, welche Markt Daten man da ziehen kann. Ja. Also ich sehe halt AI im unserem Arbeitsalltag, vor allem als Instrument, um einfach Daten zu strutturieren und zu erheben. Also die Daten sind ja da, die kommen ja nicht aus der KI, zum Beispiel bei uns. Also natürlich hat man durch die Trainings-Daten in LLM's, hat man halt einen einfachen Zugang auf das Internet, aber auch natürlich mit den Beis, der da drin ist, hallozinationen, ist eine Themen, die jeder kennt, wenn man mal mit einem Prompt daneben lag. Aber was wir dann nutzen, ist dann wirklich so ein Prozesse aufzusetzen, beispielsweise um ganz gezielt, schrittweise Daten zu erheben, zu klasstern. Und dafür natürlich die KI zu nutzen, weil man dann 10.000 von Datenpunkten, also um zu dem Fahrradreifen, beispielsweise zu kommen, ist das jetzt ein Renderat oder ist das Mountain-Buy greifen. Das haben wir früher dann mit kleinen Stichproben manuell gemacht. Das kann man jetzt natürlich mit KI viel skalierter und umfangreicher machen. Ja, was ist das? Also ihr skaliert eure, die aufgesetzt im Prozesse eben damit sehr gut. Genau. Was ich mir noch mit aufgeschrieben habe, war das Thema synthetische Daten. Ich spiele ja auch so ein bisschen durch eine Rolle. Kannst du das noch mal für die Hörer und Hörinnen ein bisschen erklären, was synthetische Daten, beziehungsweise, ich arbeite, glaube ich, mit synthetischen Popp-Buhrationen, Popp-Holationen, so. Was es ist und um welchem Mehrwert das sozusagen für euch bietet. Es ist tatsächlich ein ziemliches Hype-Thema, dabei ist es eigentlich gar kein Neues. Und der Begriff wird auch unterschiedlich verwendet. Was so ein Thema ist, was es schon seit mindestens zehn Jahren gibt, ist, dass man große sehr, sehr umfangreiche, detaillierte Datensätze hat, die aber ganz wohl Datenschutzanforderungen haben. Also ein klassisches Beispiel wäre Daten von Erkrankensversicherung, die halt Millionen von Patienten Daten haben mit Medikationen, mit Arztbesuchen, Nullenichen. Und selbst wenn man so einen Datensatz anonymisieren würde, könnte man einzelne Personen noch identifizieren, die seltenen Krankheiten haben, beispielsweise. Und so klassische synthetische Daten sind, dass man modelltriniert, was ein Datensatz produziert, der die statistischen Muster hat von dem Datensatz, aber halt komplett generiert ist. Und der Begriff, der uns in der Markforschungsindustrie, verwendet wird, ist vor allem, um Umfrage-Daten synthetisch zu erzeugen. Also, stell dir vor, du machst eine Umfrage, befragst 2000 Leute, stellst den 20 Fragen. Und dann fällt dir auf, da hat es gerne noch fünf weitere Fragen gestellt, oder eine bestimmte Zielgruppe ist, vielleicht unterrepresentiert. Und dann nutze die Kombination aus diesem Datensatz, plus KI, plus vielleicht weitere Daten, um dann 1000 weitere Befragte virtuell zu erzeugen. Und deren Antworten oft die Fragen so simulieren. Also, das heipthema in der Markforschungsindustrie funktioniert es. Also, wir experimentieren damit auch rum, also die Zahl, die genannt wird, und die ich auch jetzt aus unseren Experimenten bestätigen kann, ist, dass man so eine 80-85%-Validität erreicht. Also, Über Einstimmung mit echten Umfrage-Daten, wenn man dann Backtests Ding macht. Was wir, aber wir machen noch mal was Drittes an der Stelle. Das ist das stichwort synthetische Populationen, im Land. Was wir gerade vorantreiben, ist quasi ein digitalen Zwillig, der deutschen Bevölkerung zu bauen. Oh. Könnte dir vorstellen, dass große Datenbank mit 83 Millionen virtuellen Individuen ganz vielen Spalten, die unterschiedliche Eigenschaften, Behinheiten, Geschlecht, Alter, Wohnort, Beruf, Einkommen, Einstellungen, ganz viele verschiedene Informationen. Das sind keine echten Leute, das sind digitale Zwillinger. Bilden aber die deutsche Bevölkerung auch in kleinen Zielgruppen sehr, sehr gut ab. Und diesen Datensatz nutzen wir für Marktforschungszwecke. Also haben in beispielsweise genutzt in dem Projekt das deutsche Zentrum für Schienverkehrsforschung beim Eisenhower-Bundesamt. Die waren da sehr, sehr innovativ, wo man es vielleicht gar nicht erwarten würde. Da haben wir im Projekt gemacht, wo wir den Einfluss des Deutschland-Tickets auf die Pendel kosten und das Pendel verhalten analysiert haben. Und was das Schöne ist an dieser virtuellen Gesampe-Völkerung. Du kannst halt alle Daten da quasi rein kippen. Es gibt große Studien zum Mobilität. Wir haben sehr lange Umfrage gemacht. Es gibt viele Daten zu, wo die Leute, wo arbeiten sie, von der Bundesangtur für Arbeit. Und die haben wir alle in diesen Datensatz gebracht. Und haben dann 42 Millionen Leute Pendeln lassen. Und haben den Auto gegeben, wussten, was hat das für ein Benzin oder diese Verbrauch? Es ist ein E-Auto und konnten dann ganz, ganz tiefgehende Analysen durchführen. Und den Einfluss des Deutschland-Tickets dann aufzeigen. Und konntet ihr das validieren, ob das Modellwässige gebaut habt, auch die richtigen Ergebnisse kamen? Wir haben natürlich unsere eigene Befragung gehabt an der Stelle. Und verschiedene Mobilitätsstudien, die immer wieder zur Abgleich nutzen konnten. Aber ob jetzt die Daten jetzt genau in dem einen Landkreis richtig waren. Das ist der welchen Datenpunkt und eine Daten tiefe, die es vorher nicht gab, weil wir nur mit diesem Ansatz dann erzeugen konnten an der Stelle. Tatsächlich, also was auch ein Beispiel ist, was ich ganz spannend fand, ist, dass man auch sehen konnte, wie dann auch die unterschiedliche Methoden, dann auch ihre Limitationen haben. Also beispielsweise bei Kosten, haben wir dann auch und der Befragung, die wir durchgeführt haben, dann die Leute gefragt, was die Kosten, die du hast für das Pendeln, die du hauptsächlich Autofährst beispielsweise, und da werden die Kosten systematisch unterschätzt. So wie bei den Fahrradreifen? Genau, weil zum Beispiel Fixkosten nicht reingerechnet werden. Und gleichzeitig bei ÖPNV. Die meisten haben natürlich einen Deutschlandticket. Und da sagen, meine Pendelkosten sind 58.0. Aber ein Drittel der Fahrten ist gar nicht für den Weg zur Arbeit, sondern zu freundlichen Einkauf, Freizeit, Urlaub, was auch immer. Das heißt, eigentlich sind die echten Kosten 40 Euro. Das heißt, die Kosten für ÖPNV, wenn man pendelt, werden systematisch überschätzt und autosystematisch unterschätzt. Genau. Aber das wäre ja auch eine natürliche Antwort, weil viele nicht auf diese Kosten achten. So stand-at-kosten, die monatlich nicht auffindbar sind, wenn du einmal im Jahr Januar oder Februar deine Versicherung zahlt, oder sonst irgendwas, oder dann wird sich mit einmal rechnet. Ja, also es ist ein schönes Beispiel, weil Zielsetzung dieses Projekt ist. Also deutsche Zentrum für Schienverkehrsvorstellung hat natürlich die Motivation den Schienverkehr zu stärken und die Leute eher auf die Schiene zu bringen. Und es ist natürlich genau das, was du sagst, die Leute unterschätzen das. Und selbst wenn man in den echten Wert gibt an der Stelle, dass sie so psychologischen Effekts, die man erst mag knacken muss, an der Stelle. Jetzt haben wir ja schon ein bisschen über diese klassische Forschung gesprochen. Ihr geht, glaube ich, oder hört sich so an immer mehr in die Baswaltäben rein, eine unterstützte Modelle. Entsteht da nicht die Gefahr, und das ist, ja, glaube ich, euer größter Esset, dass die Aussagen nicht mehr validiert werden können. Also Vertrauen ist natürlich essentiell an der Stelle. Und wir arbeiten in ganz vielen Kunden auch über Jahre zusammen. Ja. Und das, was du gerade beschreibst, manchmal kann man dieses Problem gar nicht lösen. Also wenn wir jetzt für nie schiegen Markt die Markgröße abschätzen, da kennt ja keiner die Wahrheit. Also da müsstest du ja dann die Wettbewerber fragen. Was die für den Umherz machen, das wäre. Der möchte geschätzt, ist das richtig. Also solche Versuche geht es teilweise dann auch. Also das dann halt so eine Kooperation entstehe und dann unternehmen Daten austauschen. Aber es ist halt die absolute Ausnahme, wo es natürlich geht, ist, wenn wir über lange Zeitraum zusammenarbeiten und z.B. auch versuchen, in die Zukunft zu schauen, was auch mal schwer ist, dann ist immer eine Glaskugel, die man ja hat an der Stelle. Wenn die Chance haben, gemeinsam mit Kunden, das über längere Zeitraum zu machen, dann kannst du natürlich nicht sehen, wo lachst du daneben, warum gemeinsam nachz justieren. Aber das ist immer eine Hausforderung, weil der bin ich neue Daten für ganz spezifische Kundenanforderungen generieren. Ja. Ja, dann wird es natürlich auch schwer das zu validieren. Hast du technische Idee, was ihr da macht, oder so prüfte so was zweimal, dreimal gibt es da auch wieder E-Eimöglichkeiten, um diese Annahme irgendwie zu validieren? Also es sind halt auf diese Prozesse, die wir schon kurz angerissen hatten. Also wo wir dann beispielsweise immer E-Ein nutzen, um Daten zu strukturieren, dann guckt wieder ein Mensch drauf, dann justieren wir nach. Das sind so typische Vorgehensweisen in solchen Projekten, damit man nicht am Ende der Ergebnisse hat, was man gar nicht mehr erklären kann, das würde uns natürlich auch für große Herausforderungen vor unseren Kunden stellen, sondern diesen Prozess halt relativ eng begleitet an der Stelle. Weil wir besprechen bei E-Eimodellen ja immer viel vom Beis. Die Gefahr gibt es ja, dass mit den Trainingsdaten der Large Language Modelle, die ihr vielleicht auch nutzt, schon eine Verzerrung stattfindet. Also wenn du halt nur die Trainingsdaten nutzt, auf jeden Fall, also um die Beispiel aus einem Projekt zu geben, wir haben für Merst, Logistik, Studie gemacht, die Trends in der Logistik. Und haben erst mal angefangen, ganz das viele verschiedene Trends so identifizieren. Da bei auch dann die Trainingsdaten genutzt. Und wenn du jetzt fragen willst, was sind die wichtigsten Trends, dann hätte man Ergebnisse bekommen, die wir dann aber durch den Prozess, wie wir ihn gemacht haben, dass wir dann Schritt für Schritt, uns vorangearbeitet haben und dann auch KI immer wieder genutzt haben, auf diesem Weg, um Daten zu strukturieren, zu klassifizieren. Also weichst du zwei Sachen, wenn du dann geschaut, gibt es Patente zu Trends, stehen die in wissenschaftlichen Publikationen, werden die in Erningscoals von Unternehmen genannt. Und wo wir dann KI genutzt haben, ist dann um so ein Transkript von einem Erningskohl, von einem Logistik-Uternehmen oder von einem Unternehmen. Aus irgendeiner Industrie, die über Logistik sprechen, dann halt zu gucken, welche Themen und welche Trends kann man da identifizieren. Aber relativ eng, relativ eng Rahmen, dann der KI gesetzt haben, was sie in jedem Schritt genau tun soll und halt gar nicht gefragt haben, sag mir mal, was sind die Spanzen Trends in der Logistik? Weil man dann entweder das bekommt, was alles sagen, was aber nicht zwingend richtig sein muss oder auch verzerrte Ergebnisse. Also ich glaube, Frederik hat es auch gesagt, so jungen in der Loop, also immer wieder zu validieren, was die Ergebnisse da sind. Das heißt, in nutzbar AI habt aber trotzdem weiterhin natürlich die relevanten und auch erfahrenen Personen sitzen, die das überprüfen. Genau. Und ich meine, und das Entscheidende sind halt, wie die Daten. Also wir setzen halt in den selsten, sind Fällen, ich nur auf den Trainingsdaten auf, sondern schauen, was ist ein relevanter Datensatz? Und das kann ganz, ganz unterschiedliche Dinge sein. Das kann sein, was steht irgendwo im Internet, in der in der mich in Blochse, auf irgendwelchen Medienseiten, was auch immer so schieb mir, der das, das kann auch ganz, ganz unterschiedliche andere Quellen sein und nutzen, dann wirklich KI eher, um diese Daten zu klassifizieren, zu analysieren, um dann halt Schritt für Schritt Ergebnisse zu produzieren. Ich habe jetzt Verantwortung, oder bist du schon nah beim Kunden und steckst du wahrscheinlich viel im Projekt drin. Was mich total interessieren würde, ist mal so ein bisschen, was waren für dich so die überraschendsten Erkenntnisse aus den letzten Projekten oder vielleicht auch in der Zeit jetzt bei Stadista, die du so aus so Kundenprojekten rausgezogen hast? Also ein Beispiel, einst hab ich schon genannt, das war das mit dieser systematischen Unter- und Überschätzung. Das war zum Beispiel sehr plakativ an der Stelle. Ein anderes Beispiel ist, wo auch dann Effekte, die selbst unser Kunde gar nicht auf dem Schirmen hatte, dann auch zu großen Verzerrungen geführt haben. Also wir haben beispielsweise ein Projekt durchgeführt für ein Hersteller von weißer Ware, Kühlschränke, Geschirrspieler und ähnliches. Und die wollten Modell haben für einen taktischen Umsatz vorgehen. Also wo sie so ein halbes Jahr in die Zukunft schauen können, wie viele waschmaschinen und Geschirrspieler werden wir verkaufen, um danach dann Produktion und Vertriebsplanung zu machen und haben dann lange Zeitreihe analysiert von Daten und dann auch Sysionalität rausgearbeitet, Trends rausgearbeitet und hatten aber ganz, ganz große Herausforderungen. So einzelne große Pigs zu erklären und sind halt tiefer mit unserem Kunden eingestiegen. Und es hat sich rausgestellt, dass der Kunde sie selber gesagt hat, weil das waren Preiserhöhungen, die dann angekündigt worden. Also nächstes Quartal erhöhen wir die Preise um 8 Prozent. Und dann haben wir alle vorhergekommen. Und dann haben sich die ganzen Großhettler und händler natürlich die Lager voll gemacht. Und da wäre natürlich der nächste naheliegende Schritt gewesen, zu versuchen, diesen Effekt rauszurechnen. Was dann daran gescheitert ist, dass diese Daten beim Kunden nicht gut genug gefliegt waren. Also einfach diese historischen Preiserhöhungen aus den letzten zehn Jahren einfach nicht in den Systemen waren. Also es kommt immer wieder auf den Punkt zurück. Es sind halt einfach gute Daten, die dann den Unterschied machen. Jetzt fissens viele ja viel besser. Und ich kann mir gut vorstellen, dass ihr oft auch vielleicht in Runden sitzt und eure Daten Erkenntnisse präsentiert und irgendwie so ein bisschen das interne Bauchgefühl sagt, ne, so ist es nicht. Hast du, wie reagierte da? Also ich finde es eigentlich bei einer schöne Situation. Also ich finde es schön, wenn's intern passiert, wenn beim Kunden passiert, es ist schwerer. Weil wir uns natürlich, also wir entwickeln Hypotesen am Anfang von den Projekt, was wir erwarten. Und wenn dann die Ergebnisse der Hypotesen widersprechen, dann hat man entweder spannende Erkenntnisse generiert, oder man hat irgendwie ein Problem im Laufe des Prozesses. Und es ist dann eine Chance noch mal tiefer reinzugehen. Also ist dann genauso ein Punkt, wo man dann schaut, passt das alles zusammen, kann man es erklären, ermundet. Und ich mich dann immer frag, kann ich dann die Geschichte erzählen. Also kann ich mich vor den Kunden stellen, das erzähle ich dann auch den Annalisten, wenn du mir im Team eine so einen Punkt hast, stell dir vor, du bist jetzt im Kundenmiting. Und musst diesen Datenpunkt erklären. Und wenn du dann keine Geschichte hast, dann haben wir ein Problem, der an der Stelle. Also die Geschichte für Begründung, warum? Genau, genau. Und natürlich gibt's da herausfordernde Situationen. Also auch dann bei unseren Kunden natürlich auch unterschiedlich Interessen vorliegen. Also sehr für mich persönlich herausfordernde Situationen, war beispielsweise, als wir den Markt für Flip Flops mal abgeschätzt haben. Unterschiedlichen Märkten. Und die Vertriebsorganisation des Kunden, halt immer der Meinung war, wir schätzen den Markt viel zu groß an der Stelle. Weil sie dann noch viel mehr machen mussten. Weil sie dann noch viel machen, bist du in der Gänse. Und sie eigentlich schon 30 Prozent Marktanteile haben, und da gar nichts mehr zu holen ist. Und die aber gesagt, hier in der Markt ist viel größer. Die hat nur 10 Prozent Marktanteile. Und da haben wir natürlich viel Gegenwind bekommen an der Stelle. Und mussten dann sehr sehr deutlich machen. Und die Qualität mit der Qualität des Ansatzes, das versuchen zu überzeugen, was dann auch genungen ist am Ende. Das sind schon Situationen, wo man natürlich viel Gegenwind bekommt. Ja, spannend ist, glaube ich, es ist immer in der Innerie immer dieser, was ihr über euch gut über Jahre aufgebaut hat, ist natürlich dieser Trust. Aber Daten über eine Geschichte zu erzählen, ist natürlich immer der, der, der kann ein großer Erfolgspaktor sein. Und auf der anderen Seite sitzen natürlich trotzdem Leute, die auf Basis ihres Bildungsgangs, ihrer ehemaligen Erfahrung bei anderen Arbeitgebern auf Basis. Von was auch immer das Gefühl haben, die Daten müssen wie folgt sein, oder die Ergebnisse müssen wie folgt sein. Und dann arbeitest du ja schon gegen den Beis, um erst mal zu begründen, warum die die innere Überzeugung von Menschen eigentlich falsch ist. Ja. Also ne, typisches Beispiel geht in die Ähnlichrichtung, wenn wir jetzt Marktentwicklungen zum Beispiel abbilden. Und die Situation beim Kunden selber nicht, mich rosig ist, denkt natürlich auch, also ich, ich, ich, ich. Ich schrumpfe mit dem Markt, der Markt ist schlecht. Und wenn wir dann sagen, ja, nicht wechseln, mag nur du schrumpft, auch keine Schönstätten. Aber so ja, Job natürlich, die Sachen auch, so wie ihr sie wahrnehmen zu kommunizieren. Genau. - Ja. Was mich so interessieren würde, Eike, ist, wie lange bist du bei Statista? 7 Jahre. - Wie lange gibt es Statista plus? Das ist natürlich unterschiedliche Entwicklungsphasen gegangen. Also eigentlich relativ schnell, weil es ganz am Anfang von Statista einfach ein Weg war, ein bisschen Geld zu verdienen an der Stelle mit, mit Projekten. Also Statista plus, also die Marke gibt es noch nicht so lange. Aber dieses, dieses Preckgeschäft gibt es eigentlich was seit der Gründung von Statista. - Ja. Weil was mich interessieren würde, was sind typische Projekte jetzt? Wörsest der Vergangenheit. Also wie hat sich euer Geschäft verändert? Also die Projekte sind deutlich größer und komplexer geworden. Also, selbst vor 7 Jahren, als ich angefangen hab, gab es immer noch viele Projekte, die dann, man googelt mal 5 Tage ein bisschen rum, schreibt es mal auf 3 PowerPoint-Seiten. Und das ist dann das Projekt. Also da hat mir ganz viele Projekte, die so reustrukturiert waren. Und Boja einfach sozusagen, weil du es jetzt so schnell gesagt hast, aber Boja eigentlich klassische Researcharbeit gemacht habt. Genau. - Und solche Themen gibt es fast nicht mehr. Weil das natürlich Themen sind. - Internets, wie intern beim Kunden sind, oder die durch eure Plattform abgedeckt werden. Oder wie bei uns? - Ja, und auch durch alle Lämpfs an der Stelle. Dafür gibt es einfach niemand mehr Geld aus, also Tage, weil irgendwas zu verkaufen, malz, Neuigkeit, was irgendwo mitternet steht. Obwohl du musst, wer ja, aber da müssen die Leute doch verstehen, wie sie zu Promten haben. Also ich hab immer noch das Gefühl an vielen Stellen, dass, wie du sagst, du hast ja vollen gesagt, gab das Ladschdenken, welches man das ist gebeilt. Im Börskaze gibt es Quellen, an die gar nicht existiert haben. Und du kannst ja nicht mit der Management-Samory irgendwo eine Story erzählen, obwohl sie gar nicht stimmt. Ja. Also ich glaube schon, dass ich euch unterstellen würde, dass man zuerst dieser schon noch mal hingeht, um wirklich eine validierte Aussage zu machen. Vielleicht macht's Sinn, ob ihr dir auch an der Website ich hab ja so einen Testzugang mal bekommen, die Research AI, weil man den Trust hat, man hat das von euch. Ja, also ich weiß natürlich bei unserem Preikgeschäft, an der Stelle. - Also natürlich ist Statista eine Quelle, die Valide ist an der Stelle, wo wir ja auch die Strategie, beispielsweise, dann geändert haben, vorher waren wir sehr, sehr offen mit unseren Daten, damit wir gut bei Google gefunden werden. Und dann landen natürlich viele Daten in LLAMs an der Stelle, und jetzt deutlich restriktiver sind an der Stelle. Aber die Projekte, die wir jetzt unserem Preikgeschäft machen, sind einfach deutlich größer und komplexer geworden, weil die Zahlungsbereitschaft deutlich kleiner ist für diese kleine und Thema. - Und weil sie selber machen kann. Genau, oder weil zumindest die Vermutungen besteht, dass man sie selber machen kann. - Ja. Hast du ein Beispiel für ein plakatives Projekt? Hast du ja nicht gerade schon gedammt damals, oder eine größere Anvolumen am Projekt jetzt? Also sind die Unternehmen Daten informierter geworden? Also lassen Sie sich mehr Informationen von euch geben um relevante strategische Enjurymte treffen? Also die Bandbreite ist natürlich groß. - Von der Stelle. - Von Preiken. Also es gibt auch Projekte, die dann so ein Research Service, also da jetzt nicht Daten von unserer Plattform nur bereitsteht, sondern auch extern. Da kann man Pakete kaufen. Das ist so der Einstiegsprodukt sozusagen. Dann gibt es aber auch Projekte, die dann mittleren Sextillingumfang haben, also wo da wirklich ein großes Team über Monate arbeitet, und auf dessen Basis dann kunde ich relevante Strategie-Scheinsteilung trifft. Also ich gehe in neuen Markt rein, oder ich entwickele eine neue Produktlinie oder ähnliches. Du warst auch recht fertig, dass man da so viel in Spending rein. Auf jeden Fall. - Ja. Jetzt habe ich dich viel über Vergangenheit und heute gefragt. Wie wenn du eine Glaskugel vor dir stehen hast, wie siehst du dann die nächsten Jahr? Ich habe schon eine extreme Beschleunigung. Ja. - Also was super spannend ist an der Stelle, aber wo wir natürlich auch Herausforderungen haben, also weil KI auch einfach ein letzte Werbar ist, natürlich. Und solche Themen, wie wir haben vorhin über synthetische Daten, synthetische Populationen gesprochen. Das ist schon Thema, was, glaube ich, nicht nur ein Hype und Basis, sondern was auch bleiben wird. Deswegen wir aber auch viele andere in der Industrie sich damit auseinandersetzen. Also ich glaube, das wird schon Element sein, was klassische Marktforschung zumindest ergänzen wird. Und damit auch wieder neue Möglichkeiten schafft. Also meine Perspektive wäre, dass man einfach viel schneller verschiedene Variationen mal schnell prüfen kann. Also du hast 20 Ideen für Kampagnen, beispielsweise, dann jachst du die durch so eine synthetische Befragung durch und kannst halt relativ schnell die 17 Ideen ausschließen, die einfach quatsch sind. - So, wo die nicht verfreien. Und dann halt bei den drei, die Potenzial haben, dann halt in die Tiefel gehen und dann da auch dann mehr Geld ausgeben. Und dann bietet die auch mit echten Menschen in die Tiefel gehen. Ja, das habe ich auch vollen gedacht gehabt. Also als ihr gesagt habt, ihr habt jetzt sagen, die deutsche Bevölkerung dargestellt, eigentlich könnten Parteien von, ich teste meine Wahlwerbung, was natürlich nicht so cool wäre, es ist so Richtung Beeinflussung, aber viele Unternehmen könnten ja extrem Produkte-Testen, Marketing-Kampagnen-Testen, um immer wieder Feedback zu bekommen und dann natürlich mit großen Kampagnen, dann die Möglichkeit zu haben, validiert auf dem Markt zu gehen. Also diesen AB-Test zu machen, den man sonst vielleicht nicht hat. Ja, und also das wird kommen und das gibt es auch schon. Teilweise, das steckt noch in den Kindern schon. Und alle oder viele behaupten, sie können das schon. Ich bewegt sich sehr, sehr schnell. Und da ist schon eine Richtung, auch in die sich Markvorstellungen entwickeln wird. Und wir ich dann diese schnellen Tests zu machen, schnell Ergebnisse zu haben, das natürlich auch eine Erwartungshaltung dann immer weg. Spannend. - Das ist sehr spannend. Jetzt gibt es nicht alle Unternehmen, die sehr Daten getrieben sind oder Daten informiert, Daten ins Beirats. Also die drei Begriffe, die man so ein bisschen verwenden kann. Was können Unternehmen, die heute noch klassisch, so ein bisschen die Daten erheben, Marktforschung machen, von euch lernen, um den nächsten Schritt in den Bereich zu machen? Also ich glaube, dass man mit Werten vorhin das Thema so gute Promz, damit kann man schon sich eine gute Basis schaffen und sich mein Thema erschließen. Das ist sicherlich auch nichts, was jeder kann. Aber ich glaube, was jetzt auch, also wenn ich jetzt meine Tochter sehe, die ist 14, die kann das inzwischen. Also ich glaube, das wird einfach auch gut ums schreiben, gute Promz bleiben, um sich mal für eine Klassenerarbeit vorzuberechen. Und ich glaube, das wird nicht mehr zu stoppen, sein, dann wird sich dann sicherlich einfach spätestens mit der nächsten Generation etablieren. - Etablieren. Etablieren. Aber das ist natürlich nur der Anfang. Und einfach, ja, also ich glaube, es geht immer wieder auf, also die Qualität der Daten zu zurück. Und das ist halt dann auch nichts, wo die KI die helfen kann. Also wenn deine eigenen Daten schlecht sind, wenn die nicht zur Verfügung stehen, dann kannst du da so viel Analyse-Power draufwerfen, wie du möchtest. Da kommst du dann nicht besonders weit. Und halt sind einfach eine Offenheit zu haben. Wir hatten ganz am Anfang diese Situation vor dem Whiteboard an der Stelle. Zu gucken, welche Daten habe ich intern, welche Daten gibt es extern, die ich nutzen kann für die Fragestellung, die ich habe. Ich glaube, der wichtigste Punkt ist und deswegen funktioniert, glaube ich, euer Business auch gut, weil er damit früher angefangen hat, ist das Thema braust weiterhin vertrauenswürdige Quellen der Daten. Und das zu verifizieren, dass die nicht, so sagen, synthetisch hergestellt wurden, dass die nicht manipuliert wurden, dass die kein Beist sind. Natürlich habt ihr auch das Problem, aber ihr habt natürlich auch schon gute Beziehungen zu vielen der Datenquellen, die ihr schon habt. Das wird, glaube ich, der Punkt sein. Ich glaube, wir haben jetzt diesen Aus, also, er ein Modelle funktioniert gut bei der Auswertung vielleicht, bei dem Schritt, die Daten dann zu agregieren und zusammenzuführen. Aber du brauchst eben diesen ersten Punkt, Valide-Daten und dann Perspektive schraus, dieses ohne einen zwangsweise Beist zu haben, Empfehlung daraus abzuleiten. Und das heißt, eigentlich geht in der Wertschöpfung, die ihr jetzt in den vollen Breite abgedeckt habt, zum kleiner Teil vielleicht raus, was aber auch okay ist, weil ihr selber ja auch diese Technik nutzen könnt. Und dann geht es, glaube ich, in der richtige Richtung. Bis die Teile der qualifizierten Datenquellen rausgeht und auch dieser Inzall, ich glaube, dafür brauchen wir noch sehr, sehr lange. Ja. Also ein schönes Beispiel ist, die synthetische Population, um dann darauf zu kommen. Wo wir, also was wir als Basis nutzen, sind es einfach Zensus-Daten, also öffentliche Statistiken, die wir dann dysagregieren an der Stelle. Also wissen in der Gemeinde leben zehn Männer zwischen 30 und 40, dass wir in den zehn Indie-Wählern Männer, die dann 32, 35, 37 sind. Aber dann halt auch andere Datenanreichern, zum Beispiel, aus Umfragen und muss halt immer Musikwelle kennen, du musst wissen, was ist Valide, wo kommt sehr. So ein schönes Beispiel ist PKW-Besitz, wo wir gesehen haben, in den Umfragen sind so Premium-Marken, Audi, BMW, Autos, die Leute gerne fahren würden. Immer leicht unter, überrepräsentiert. So machen wie Skoda, Dutch, Jörg sind dann eher so leicht unterrepräsentiert. Und was wir dann konkret machen, ist, dass wir dann diese Daten nehmen, aber dann mit offiziellen Zulassungsstatistiken, wie wir dann im Bundesamt, am besten können. Und Matchen, das ist dann halt viel Arbeit, diesen Matching-Prozess zu machen, weil dann halt hast du eine sehr, sehr valide Datenbasis. Die zwei klassischen Fragen, die jedem Gaststelle, nämlich was machst du privat noch mit Daten? Machst du da überhaupt noch was? Nachdem du dich den ganzen Tag auch mit Kunden beschäftigst und deren Daten und Markdaten, und welchen Filmtitel würdest du denn unserer Folge geben? Also ein Thema, wo ich mich privat noch mit Daten außen an der Dätze ist, und so Kapitalmärkte, oder so. Das ist eine Anleger. Also, weil ich einfach diese Mischung aus. Du hast unendlich viele Daten, aber Psychologie spielt auch eine große Rolle. Extraelegorie, spannend finde. Und mich da dann privat noch mal mit Daten, bisschen auswerper. Und Filmtitel. Also ich. Bezeichne eigentlich immer, das Bild, was ich im Kopf habe, oder auch Skiziere für die. für die Art und Weise, wie wir an diese Praktereien gehen, sind ein großes Puzzle. Also, fängst halt an mit. mit vielen Teilen und fängst dann an die Schritt für Schritt zusammen zu Puzzeln. Also. das Puzzle oder. der Riddle. Also das. das. die Idee, die ich hätte. Ja. Vielen, vielen Dank für die Folge. (Dynamische Musik) [Musik]