Ihre Herausforderung (die meist eine Chance ist).
→ Sie wollen ihre Kunden und Nicht-Kunden besser verstehen?
→ Was wollen ihre Kunden, was beschäftigt Sie und vor allem, was tun Sie?
→ Welche Vorlieben haben Sie hinsichtlich Parteien, Marken, Themen, u.v.m.?
→ Wie ist die Psychographie (OCEAN) ihrer Fans?
Unsere Lösung.
→ Eine neue Marktforschungsform, die nicht fragt, was Menschen tun wollen, sondern
Daten generiert, die beschreiben, was Menschen tatsächlich tun.
Erster Schritt: Daten.
Die KI nutzt Language Processing, um Entitäten zu extrahieren über NER (named entity recognizer), die sowohl auf Webpräsenzen, Following-Strukturen, (Zeitungs-) Artikel und vielem
mehr angewendet werden. Über die Darstellung dieser Texte als hochdimensionale Vektoren in Neuronalen Netzwerken (high-dimensional embeddings) gelingt es der KI, die impliziten
Zusammenhänge der natürlichen Sprache mathematisch explizit darzustellen und somit nutzbar zu machen. Jede Marke oder Unternehmen ist im Endeffekt in diesem Embedding bereits erfasst.
Man spricht von semantischen Zusammenhängen. So wird aus jedem Text, Satz oder auch Wort ein Vektor, welcher den expliziten thematischen Inhalt und die relative Einordnung dessen in
der Welt
der Sprache angibt. Diese Übersetzung von Texten in einen Vektor, funktioniert auch für
Bildmaterial indem Tags für Bilder generiert werden.
Zweiter Schritt: Netzwerk.
Das enorme Netzwerk wird im zweiten Schritt von der KI mit nützlichen Meta-Informationen ergänzt: Beispielsweise kann nun über Preisdaten aus Börsen, Amazon und Ebay jedem
mathematischen Themenkomplexen ein Preis, über psychologische Forschung und Studien Persönlichkeitsmerkmale oder über soziale Medien demografische Daten wie Alter und Geschlecht
hinzugefügt werden. Für jedes dieser Merkmale erlernt die KI über Self-Evolution Cascade Deep Learning ein neues Neuronales Netzwerk. D.h. jedes Netzwerk nutzt sowohl die erlernten
mathematischen Text-Repräsentationen als auch den Output aller anderer Neuronalen Netzwerke als Input, um beispielsweise die Persönlichkeit zu errechnen. Man spricht hier von
Kaskadierung. Für optimale Performance eines jeden Netzes durchläuft jedes der Netze beim Training einen evolutionären Prozess, sodass die beste Netzarchitektur für jedes einzelne
Attribut gefunden werden kann. Durch die Kaskadierung schafft man es darüber hinaus große Fragestellungen in diverse kleinere Fragestellung herunterzubrechen. Weiterhin sorgt der
Aufbau der Neuronalen Netze für zusätzliche Performance, dadurch, dass ein Mutternetz die Struktur der Children als Input erhält mit der Zielvariablen Performance. So berechnet eine
KI die optimale Struktur von KI und es wird KI auf KI angewendet. Mit diesem Prozess berechnet die KI aktuell rund 2000 verschiedenste Attribute.
Dritter Schritt: Zusammenhänge.
Im dritten und somit letzten Schritt wird dieses enorme Netzwerk von Netzwerken genutzt, um Fragen über Interessenzusammenhänge in Gruppen zu beantworten. Dazu wird zunächst eine
Feature Selection mittels einer LASSO-Regression und einem sehr weichen Penalty durchgeführt, was zu einer großzügigen Selektion der Feature Spaces führt um jedes Feature, dass nur im
Mindesten predictive ist, mit einfließen zu lassen. D.h. mittels des extensiven Netzwerks von Netzwerken kann die KI jeden Social Media-Follow inhaltlich einordnen. Über die
Warenkorbstruktur der Profile kann die KI nun wiederum Self-Evolution Cascade Deep Learning nutzen, um genau zu bestimmen welche Interessen, Attribute, Themen und so weiter für welche
anderen Interessen kausal sind. Soll also beispielsweise eine Marke analysiert werden, werden über die Interessenstrukturen von Profilen und die Attribute sowie Themenzusammenhängen
eines jeden Interesses die für (oder auch im Gegenteil) die Marke ausschlaggebenden Merkmale identifiziert und dargestellt.
