Digitale Zwillinge im Marketing und in der Marktforschung

Wie digitale Zwillinge für Verbraucher neue Erkenntnisse ermöglichen und warum die Validierung von Biosensoren für ihren Erfolg entscheidend ist

Digitale Zwillinge von Verbrauchern – virtuelle Modelle, die das Kaufverhalten, die Aufmerksamkeit und die Emotionen von Käufern simulieren – verändern die Marktforschung zunehmend. Dieser Artikel befasst sich mit der Methodik, der Debatte um die Validität synthetischer Befragten und der Rolle von Biosensor-Plattformen wie iMotions bei der Verankerung von Verbraucherzwillingen in realen menschlichen Reaktionen.

Das Konzept des digitalen Zwillings fand im Marketing über einen anderen Weg Einzug als in der Technik, wo der Begriff vielleicht geläufiger ist. Industrielle digitale Zwillinge begannen mit Sensoren an physischen Anlagen; digitale Zwillinge im Marketing entstanden aus der Erkenntnis, dass Verbraucher – genau wie Turbinen und Lieferketten – als Systeme mit messbaren Eingaben und vorhersehbaren Ergebnissen modelliert werden können.

In den letzten Jahren hat das Zusammenspiel von großen Sprachmodellen, Infrastrukturen für Verhaltensdaten und Verbraucher-Neurowissenschaften dazu geführt, dass sich diese Idee von einem spekulativen Konzept zu einer funktionierenden Methodik entwickelt hat – mit all den Fragen zur Validität, die eine rasche Einführung mit sich bringt.

Für Marktforscher, Experten für Verbraucheranalysen und Wissenschaftler, die sich mit Verbraucherverhalten befassen, ist der digitale Zwilling des Verbrauchers mittlerweile eine ernstzunehmende methodische Option.

Dieser Artikel untersucht, was „Consumer Twins“ eigentlich sind, welchen Platz sie im Gesamtkontext synthetischer Befragungsmethoden einnehmen, was die aktuelle Forschung über ihre Validität aussagt und warum die biosensorbasierte Validierung – wie sie von Plattformen wie iMotions ermöglicht wird – für die Glaubwürdigkeit von auf Twins basierenden Erkenntnissen zunehmend entscheidend wird.

Was ist ein digitaler Zwilling für Verbraucher?

Die Terminologie in diesem Bereich ist noch nicht einheitlich, und bevor wir weitermachen, ist Klarheit wichtig. In der Marktforschungsbranche hat sich eine Tendenz zu drei mehr oder weniger locker definierten Kategorien synthetischer Methoden herausgebildet, die sich in erster Linie dadurch unterscheiden, inwieweit sie auf Daten von echten Personen basieren.

Reine synthetische Befragte sind KI-generierte Personas, die auf der Grundlage von Volkszählungsdaten, Verhaltensmodellen und Vorinformationen aus großen Sprachmodellen erstellt werden. Sie sind nicht mit einer bestimmten realen Person verbunden. Sie eignen sich für Simulationen auf Bevölkerungsebene, zur Erweiterung von Umfragen sowie für explorative Arbeiten, bei denen es darum geht, aggregierte Antwortmuster zu approximieren, anstatt individuelles Verhalten vorherzusagen.

Synthetische Verbraucher sind eine Spezialisierung synthetischer Befragter, die speziell auf Marktforschungsanwendungen zugeschnitten sind. Sie sind darauf ausgelegt, das Denk- und Verhaltensmuster echter Käufer bei der Bewertung von Produktkonzepten, Preisgestaltung und Botschaften nachzubilden, und werden in der Regel für Konzepttests, Botschaften-Tests und die Erkundung in frühen Phasen eingesetzt.

Digitale Zwillinge für Verbraucher befinden sich am konkretesten Ende des Spektrums. Ein Verbraucher-Zwilling ist eine virtuelle Darstellung einer bestimmten Person oder eines genau definierten Verbrauchersegments, die auf der Grundlage realer Daten auf individueller Ebene – aus Umfrageantworten, Verhaltensbeobachtungen, Transaktionsverläufen, Interviewprotokollen und/oder angegebenen Präferenzen – erstellt wird und so konzipiert ist, dass sie sich im Laufe der Zeit weiterentwickelt, sobald neue Daten hinzukommen. Während ein synthetischer Verbraucher eine verallgemeinerte Persona ist, handelt es sich bei einem digitalen Zwilling um ein dynamisches, kalibriertes Modell einer bekannten Person oder eines Mikrosegments.

Diese Unterscheidung ist wichtig, da sich die Validierungsstrategien, Anwendungsfälle und Risiken in diesen Kategorien unterscheiden. Ein rein synthetischer Befragter wird in der Regel anhand aggregierter Bevölkerungsstatistiken validiert. Ein Consumer Twin wird hingegen anhand der tatsächlichen Antworten der realen Person oder des Segments validiert, das er repräsentiert; dadurch ist es ihm möglich, spezifische Vorhersagen für diese Person oder Gruppe zu generieren.

Wie Verbraucherzwillinge tatsächlich erstellt werden

Die meisten Produktionsimplementierungen von Consumer Twins kombinieren drei Ebenen von Eingaben.

Verhaltens- und Transaktionsdaten bilden das empirische Fundament. Kaufhistorie, Interaktionen im Web und in Apps, Daten aus Treueprogrammen, Mediennutzungsmuster und CRM-Datensätze beschreiben, was der Verbraucher tatsächlich getan hat. Diese Daten haben den Vorteil, dass sie beobachtet und nicht selbst angegeben werden, und sie liefern die zeitlichen Muster, die einen Zwilling dynamisch statt statisch machen.

Daten zu Präferenzen und Einstellungen geben Aufschluss darüber, was Verbraucher über sich selbst sagen. Umfrageergebnisse, Interviewprotokolle, Ergebnisse aus Fokusgruppen und Paneldaten liefern Einblicke in die Beweggründe und Denkweisen, die Verhaltensdaten allein nicht erfassen können. Dank von Retrieval-Augmented-Generation-Techniken ist es zunehmend möglich, LLM-basierte Zwillinge auf Transkripten aus echten Gesprächen mit den dargestellten Personen zu gründen.

Demografische und kontextbezogene Daten verankern den „Twin“ in einer bestimmten Bevölkerungsgruppe – Alter, Einkommen, geografische Lage, Haushaltszusammensetzung, Lebensphase. Untersuchungen haben gezeigt, dass LLM-basierte synthetische Befragte deutlich bessere Ergebnisse erzielen, wenn sie dazu angehalten werden, die demografischen Merkmale der Person zu berücksichtigen, die sie verkörpern, wobei Alter und Einkommensniveau besonders wichtige Variablen für die Anpassung an die Antwortverteilungen in der realen Welt sind.

Der „Twin“ selbst wird in der Regel als LLM mit strukturiertem Zugriff auf diese Daten implementiert, ergänzt durch den Abruf von Transkripten und Verhaltensaufzeichnungen der Person und durch Prompting oder Fine-Tuning so eingeschränkt, dass er in der Art und Weise der dargestellten Person reagiert. Bei komplexeren Implementierungen werden zusätzliche Verhaltensmodelle, Kaufabsichtsmodelle, Aufmerksamkeitsmodelle und Emotionsmodelle auf das LLM-Fundament aufgesetzt, um spezifische Vorhersagen für bestimmte Reize zu generieren.

Wo Verbraucher-Zwillinge zum Einsatz kommen

Die Marketinganwendungen von Digital Twins lassen sich in fünf sich überschneidende Anwendungsfälle einteilen.

Konzept- und Produkttests. Dies ist die am häufigsten genutzte Anwendungsform. Eine Marke bewertet ein neues Produktkonzept, ein Verpackungsdesign oder eine Rezeptur, indem sie einem Zwilling (oder einer Gruppe von Zwillingen, die der Zielgruppe entsprechen) den Stimulus vorlegt und die erwarteten Reaktionen in Bezug auf Aspekte wie Attraktivität, Einzigartigkeit, Kaufabsicht und Passung zur Produktkategorie erfasst.

Jüngste Forschungsergebnisse haben gezeigt, dass Methoden zur Bewertung semantischer Ähnlichkeit, die auf LLM-basierte synthetische Verbraucher angewendet wurden, bei 57 Umfragen zu Körperpflegeprodukten mit 9.300 menschlichen Antworten eine Test-Retest-Reliabilität von 90 % erreichten. Dies liefert den bislang stärksten veröffentlichten Beweis dafür, dass synthetische Verbraucher unter geeigneten methodischen Bedingungen die aggregierte Bewertung menschlicher Konzepte nachbilden können.

Werbung und Kreativtests. Mit Twins lässt sich vorhersagen, welche Werbevarianten in Bezug auf Interaktion, Erinnerung und Überzeugungskraft voraussichtlich am besten abschneiden, noch bevor die Marke ihre Medienausgaben festlegt. Die wirtschaftlichen Vorteile sind überzeugend: Herkömmliche Vorabtests für einen einzelnen 30-Sekunden-Spot erfordern in der Regel mehrere hundert Befragte und wochenlange Feldarbeit; mit Twins lassen sich Hunderte von Varianten innerhalb weniger Stunden testen.

Simulation der Customer Journey und Optimierung der Kundenerfahrung. Für bestimmte Kundensegmente können verschiedene Varianten der Customer Journey – unterschiedliche Onboarding-Abläufe, Maßnahmen zur Kundenbindung, Serviceinteraktionen – getestet werden, um herauszufinden, welche Wege zu den besten Ergebnissen führen. Dadurch verlagert sich die Gestaltung der Customer Journey von einer rein historischen Attributionsanalyse hin zu einer zukunftsorientierten Simulation.

Preis- und Sortimentsforschung. Studien zur Zahlungsbereitschaft im Conjoint-Stil werden zunehmend auf twin-basierte Methoden umgestellt, bei denen der „Twin“ Kompromisse zwischen Preis-, Merkmals- und Markenkombinationen in einem weitaus größeren Umfang bewertet, als dies bei herkömmlichen Studien mit menschlichen Probanden möglich ist.

Verfeinerung der Personalisierung und Segmentierung. Auf einer eher analytischen Ebene können (sofern die Datenlage dies zulässt) „Zwillinge“ einzelner Kunden genutzt werden, um personalisierte Empfehlungen, Inhaltsvarianten oder Angebote zu testen. Dadurch kann die Personalisierungs-Engine schneller lernen, als dies allein durch Live-A/B-Tests möglich wäre.

Das Gültigkeitsproblem (?)

Der methodischen Dynamik rund um Verbraucher-Twins steht eine umfangreiche Validitätsliteratur gegenüber, die Ende 2025 und Anfang 2026 ausgesprochen gemischte Ergebnisse liefert.

Die vielversprechenden Ergebnisse sind real. Über die oben erwähnte Studie zu Körperpflegeprodukten hinaus haben begutachtete Forschungsarbeiten und Arbeitspapiere gezeigt, dass auf LLM basierende synthetische Befragten bestimmte aggregierte Muster in der politischen Meinung, den Verbraucherpräferenzen und qualitativen Antworten reproduzieren können.

Arbeiten der Harvard Business School, des MIT Sloan und mehrerer Marketingfakultäten an Universitäten haben sich eingehend mit diesen Methoden befasst. Das „International Journal of Research in Marketing“ hat in Zusammenarbeit mit dem Marketing Science Institute zur Einreichung von Beiträgen für eine Sonderausgabe aufgerufen, die sich speziell mit generativer KI, synthetischen Daten und synthetischen Befragten in der Marktforschung befasst, was darauf hindeutet, dass die Wissenschaft dieses Thema für eine eingehende Auseinandersetzung für wichtig erachtet.

Die entmutigenden Ergebnisse sind ebenso real. Eine umfassende Auswertung von neun offenen und kommerziellen LLMs durch Tjuatja und Kollegen ergab, dass die Modelle im Allgemeinen kein menschenähnliches Verhalten bei Antwortverzerrungen im Item-Format zeigen, die Menschen zuverlässig aufweisen. Bisbee und Kollegen dokumentierten in „Political Analysis“ das, was sie als „die Gefahren großer Sprachmodelle“ bezeichneten, als synthetische Umfrageteilnehmer, einschließlich einer erheblichen Sensitivität gegenüber der Formulierung von Eingabeaufforderungen und demografischen Abfragestrategien. Yu und Kollegen verglichen GPT-4 und Llama3 mit menschlichen Antworten auf standardisierte Empathie-Fragebögen und stellten fest, dass GPT-4 zwar die erwartete Faktorstruktur der Fragebögen reproduzierte, jedoch nicht die Größenordnung der menschlichen Werte, während Llama3 selbst bei der Faktorstruktur versagte.

In der Fachliteratur tauchen immer wieder bestimmte Fehlerarten auf:

• Schmeichelei und positive Voreingenommenheit. Große Sprachmodelle, die darauf trainiert sind, hilfsbereit und zuvorkommend zu sein, liefern oft unrealistisch positives oder unkritisches Feedback, wenn sie als künstliche Befragte eingesetzt werden, und lassen dabei negative Reaktionen und Produktmängel unberücksichtigt, die echte Verbraucher erkennen würden.
• Unzureichende Varianz der Antworten. Synthetische Befragte liefern oft Antwortverteilungen, die zu gleichmäßig und zu zentriert sind, wodurch die Ausreißer und Randfälle, die das reale Verbraucherverhalten kennzeichnen, geglättet werden.
• Verzerrung durch soziale Erwünschtheit. Jüngste Forschungsergebnisse belegen, dass große Sprachmodelle (LLMs) bei Umfrageantworten menschenähnliche Verzerrungen durch soziale Erwünschtheit zeigen – was zunächst positiv klingt, bis man erkennt, dass genau diese Verzerrung das ist, was gut konzipierte Marktforschung eigentlich vermeiden will.
• Empfindlichkeit gegenüber der Fragestellung. Schätzungen auf der Grundlage synthetischer Befragter reagieren sehr empfindlich auf die Formulierung der Frage, die Beschreibung der Personenrolle und die Reihenfolge der Antwortmöglichkeiten, was es schwierig macht, ohne sorgfältige methodische Kontrollen stabile Schätzungen zu erhalten.
• Gültigkeit auf Populationsebene, nicht jedoch auf individueller Ebene. Mehrere Studien haben gezeigt, dass synthetische Methoden aggregierte Antwortmuster recht gut nachbilden können, während sie die Antworten bestimmter Einzelpersonen nicht vorhersagen können – ein Unterschied, der für Personalisierungsanwendungen von großer Bedeutung ist.
• Halluzination. Generative Modelle erzeugen gelegentlich Informationen, die plausibel erscheinen, aber sachlich falsch sind, was zu irreführenden Ergebnissen führen kann, wenn dies bei der Validierung nicht erkannt wird.

Zusammenfassend lässt sich sagen, dass digitale Zwillinge für Verbraucher zwar nützlich, aber für sich genommen noch nicht vertrauenswürdig sind. Sie lassen sich gut zur Erarbeitung von Hypothesen nutzen, bilden bestimmte aggregierte Muster zuverlässig nach und liefern qualitativ hochwertige Ergebnisse, die wirklich aufschlussreich sind – doch müssen ihre Ergebnisse anhand realer menschlicher Reaktionen kalibriert werden, bevor sie als Grundlage für weitreichende geschäftliche Entscheidungen herangezogen werden können.

Warum die Validierung von Biosensoren wichtig ist

An dieser Stelle nimmt die methodische Geschichte für Marktforscher ihre interessanteste Wendung. Bei der herkömmlichen Validierung synthetischer Befragten wurden bisher Daten aus Umfragen mit echten Menschen als Referenz herangezogen – dabei wurde die vom „Zwilling“ prognostizierte Likert-Antwort mit den Antworten verglichen, die echte Menschen auf dieselben Fragen gegeben hatten. Dies ist zwar notwendig, aber nicht ausreichend, und zwar aus einem Grund, den Marketingfachleute seit Jahrzehnten kennen: Was Verbraucher über einen Reiz sagen und wie sie tatsächlich darauf reagieren, sind zwei verschiedene Dinge.

Die Konsumenten-Neurowissenschaft hat diese Diskrepanz ausführlich dokumentiert. Schon das bloße Nachdenken über eine Reaktion kann diese verändern, und Selbstauskunftsmethoden unterliegen der sozialen Erwünschtheit, Erinnerungsverzerrungen und nachträglicher Rationalisierung. Ein „Konsumentenzwillingsmodell“, das darauf trainiert ist, Vorhersagen darüber zu treffen, was Menschen sagen, wird bestenfalls genau vorhersagen, was Menschen tatsächlich sagen.

Dies lässt nicht zwangsläufig Rückschlüsse auf vorbewusste Aufmerksamkeit, emotionale Valenz, kognitiven Aufwand oder andere Aspekte der Reaktion zu, die das tatsächliche Kaufverhalten beeinflussen – Aspekte, denen laut der breiteren Literatur zur Konsumenten-Neurowissenschaft der überwiegende Teil der Entscheidungsfindung zugeschrieben wird.

Die biosensorbasierte Validierung bietet eine Möglichkeit, diese Lücke zu schließen. Das Verfahren ist im Prinzip einfach: Man lässt denselben Reiz, den der Testteilnehmer bewertet hat, auf eine kleine, aber repräsentative Stichprobe echter Probanden einwirken, die mit Eye-Tracking, Gesichtsausdrucksanalyse, GSR und gegebenenfalls EEG ausgestattet sind.

Vergleichen Sie die Vorhersagen des „Twins“ zu den Messgrößen, die die Biosensoren erfassen können – visuelle Aufmerksamkeitsmuster, emotionale Reaktionen, Erregung, kognitive Belastung – mit den tatsächlich aufgezeichneten physiologischen Reaktionen. Nutzen Sie die Abweichungen, um den „Twin“ zu kalibrieren und festzustellen, in welchen Bereichen seine Vorhersagen zuverlässig sind und wo sie versagen.

Dieser Kalibrierungs- und Validierungskreislauf weist mehrere attraktive Eigenschaften auf. Biosensorische Messungen unterliegen weniger den Antwortverzerrungen, die sowohl bei menschlichen Umfragen als auch bei synthetischen Befragten auftreten, und bieten somit eine unabhängige Referenz. Sie liefern kontinuierliche, zeitaufgelöste Daten anstelle von einzelnen zusammenfassenden Werten, was bedeutet, dass eine einzige Biosensorstudie Zwillingsvorhersagen über viele Zeitpunkte innerhalb eines einzelnen Reizes hinweg validieren kann. Zudem sind die Daten im Allgemeinen nicht mit dem vergleichbar, was ein LLM-basierter Zwilling erzeugen kann, wodurch es schwieriger ist, dass sie versehentlich in den Trainingsprozess gelangen.

iMotions liefert die Referenzdaten

Da iMotions Lab eine multimodale Biosensor-Forschungsplattform ist, die sich ideal für Anwendungen in der Verbraucher-Neurowissenschaft eignet und Eye-Tracking, Mimikanalyse, GSR/EDA, EEG, EKG sowie Sprachanalyse in eine synchronisierte Datenerfassungs- und -analyseumgebung integriert, ist die Validierung anhand von Verbraucher-Twins durch verschiedene Funktionen von iMotions von unmittelbarer Relevanz.

Multimodale Stimulus-Tests. Die iMotions Lab-Plattform unterstützt identische Studiendesigns für bildschirmbasierte Studien, VR-Umgebungen, In-Store-Kontexte unter Verwendung von Eye-Tracking-Brillen sowie naturalistische Umgebungen. Für ein Verbraucher-Twin-Modell, das in den Bereichen digitale Werbung, Verpackung, Einzelhandelsumgebungen und Produkterlebnisse validiert werden muss, verringert diese Kontextunabhängigkeit methodische Abweichungen.

Abdeckung der Methoden der Konsumenten-Neurowissenschaft. iMotions unterstützt ausdrücklich die zentralen Methoden des Neuromarketings: visuelle Aufmerksamkeit mittels bildschirmbasiertem Eye-Tracking, emotionale Reaktion mittels Affectiva-Gesichtsausdrucksanalyse und Stimmungsanalyse, physiologische Beteiligung mittels GSR sowie neuronale Reaktion mittels EEG-Integration. Jede dieser Methoden entspricht einer Dimension der Konsumentenreaktion, die ein Modell vorhersagen möchte.

Integration von Umfragen. Die Plattform verfügt über ein integriertes Umfrage-Tool, mit dem Forscher die angegebenen Antworten der Teilnehmer mit deren unbewussten Biosensor-Reaktionen im Rahmen derselben Studie abgleichen können. Dies ist besonders nützlich für die Zwillingsvalidierung: Ein Forschungsteam kann sowohl die expliziten Likert-Bewertungen (die der Zwilling vorhersagen sollte) als auch die impliziten Biosensor-Reaktionen (die eine unabhängige Validierung liefern) in einem einzigen integrierten Datensatz erfassen.

Skalierbarkeit über alle Forschungsphasen hinweg. iMotions bietet Konfigurationen an, die von webcam-basierten Fernstudien – geeignet für größere Stichproben und schnellere Iterationen – bis hin zu fortschrittlichen multimodalen Laboraufbauten für eine hochpräzise Validierung reichen. Für Zwillings-basierte Forschungsprogramme ist dies nützlich, da sich die Validierungsstrategien in verschiedenen Phasen unterscheiden: In der frühen methodischen Arbeit können labortaugliche Instrumente bei kleinen Stichproben zum Einsatz kommen, während die fortlaufende Kalibrierung eines eingesetzten Zwillings aus Gründen der Skalierbarkeit auf Webcam-basierte Fernstudien zurückgreifen kann.

Datenexport und -integration. Rohdaten und abgeleitete Kennzahlen können in Formaten exportiert werden, die mit nachgelagerten Analysen in R, Python, SPSS und anderen statistischen Umgebungen kompatibel sind. Dadurch lassen sich die Ergebnisse der Biosensoren in dieselben Modellierungsabläufe integrieren, mit denen der Zwilling selbst trainiert und bewertet wird.

Die Rolle, die iMotions in einem auf einem digitalen Zwilling basierenden Forschungsprogramm spielt, besteht nicht darin, den digitalen Zwilling zu ersetzen, sondern als Validierungs- und Kalibrierungsschicht zu fungieren. Der digitale Zwilling generiert Vorhersagen in großem Maßstab; iMotions liefert die als Referenz dienenden Biosensordaten, anhand derer festgestellt wird, ob diese Vorhersagen zuverlässig sind und wo sie korrigiert werden müssen.

Ein repräsentativer Validierungsablauf

Eine repräsentative Methodik für eine durch Zwillingsstudien validierte Verbraucherforschung könnte wie folgt ablaufen.

Das Forschungsteam erstellt oder lizenziert einen Verbraucher-Twin, der das Zielsegment repräsentiert und auf verfügbaren Daten auf Einzelpersonenebene basiert – Umfrageantworten, Interviewprotokolle, Verhaltensaufzeichnungen, demografische Hintergründe. Für die jeweilige Forschungsfrage werden Stimulusvarianten generiert: Varianten von Werbemitteln, Verpackungsdesigns, Produktkonzepte, Customer-Journey-Abläufe.

Das Modell bewertet jede Variante und liefert prognostizierte Werte für die relevanten Reaktionsdimensionen (Anziehungskraft, Aufmerksamkeit, emotionale Valenz, Kaufabsicht) sowie qualitative Erläuterungen zu den Bewertungen. Die Varianten werden nach ihrer prognostizierten Leistung gereiht, und die besten Kandidaten sowie eine kleine Auswahl kontrastierender Kandidaten werden für die Validierung mittels Biosensor ausgewählt.

In einer auf iMotions basierenden Studie wird eine überschaubare Stichprobe von echten Befragten, die dem Zielsegment entsprechen, rekrutiert und den ausgewählten Reizen ausgesetzt, wobei Eye-Tracking-Daten, Gesichtsausdrucksanalysen, GSR-Messungen und Umfrageantworten synchron erfasst werden. Die Biosensordaten werden zu den entsprechenden Reaktionsdimensionen verarbeitet, die das Twin-Modell vorhergesagt hat – Aufmerksamkeit anhand von Blickmustern, emotionale Valenz anhand von Gesichtsausdrücken, Erregung anhand von GSR-Messungen und explizite Bewertungen anhand der Umfrage.

Die Vorhersagen des Twins werden mit den Daten des Biosensors und den Umfragedaten verglichen. An dieser Stelle sind drei Ergebnisse möglich: Die Vorhersagen des Twins stimmen gut mit der menschlichen Reaktion überein (der Twin ist für diesen Stimulus-Typ kalibriert und kann für die weitere Bewertung von Varianten herangezogen werden), die Vorhersagen des Twins weisen systematische Verzerrungen auf, die korrigierbar sind (die Kalibrierung wird angepasst und der Arbeitsablauf fortgesetzt), oder die Vorhersagen des Twins stimmen nicht mit der menschlichen Reaktion überein (der Twin ist für diese Stimulus-Kategorie nicht geeignet und es sind traditionelle Methoden erforderlich).

Der validierte Modellzwilling mit dokumentierter Kalibrierung kann dann zur Bewertung weiterer Varianten herangezogen werden, und zwar mit größerer Zuverlässigkeit, als dies bei einem nicht kalibrierten Modellzwilling der Fall wäre. Regelmäßige Revalidierungsstudien stellen sicher, dass die Vorhersagen des Modellzwillings auch weiterhin die Reaktionen der Menschen widerspiegeln, während sich Produkte, Märkte und das Verbraucherverhalten weiterentwickeln.

Methodische Überlegungen

Für jedes Team, das den Einsatz von Twin-basierten Methoden in der Verbraucherforschung in Betracht zieht, sind einige wichtige Hinweise zu beachten.

Die Wirksamkeit dieser kategorialen Verallgemeinerung ist nicht erwiesen. Die meisten positiven Validierungsergebnisse wurden bislang in relativ eng gefassten Produktkategorien erzielt – Körperpflegeprodukte, Konsumgüter und Werbung in etablierten Kategorien. Die Wirksamkeit bei komplexen B2B-Kaufentscheidungen, Luxusgütern, kulturspezifischen Produkten und wirklich neuartigen Kategorien ist nach wie vor nicht erwiesen.

Aussagen auf Populationsebene versus Aussagen auf individueller Ebene. Die stichhaltigsten veröffentlichten Belege sprechen für den Einsatz synthetischer Methoden bei aggregierten Vorhersagen. Aussagen zur Vorhersage auf individueller Ebene – „dieser bestimmte Kunde wird auf diese bestimmte Weise reagieren“ – sind deutlich weniger fundiert und sollten mit Vorsicht betrachtet werden, insbesondere bei Personalisierungsanwendungen, bei denen es auf die individuelle Genauigkeit ankommt.

Datenqualität der Datenbasis. Ein Verbraucher-Twin ist nur so gut wie die Daten auf Einzelpersonenebene, auf denen er basiert. Twins, die auf ausführlichen Transkripten von Gesprächen mit echten Verbrauchern aus dem Zielsegment basieren, schneiden besser ab als Twins, die allein auf demografischen Merkmalen beruhen. Investitionen in die Datenbasis sind in der Regel die methodische Entscheidung mit dem größten Hebeleffekt.

Ethik und Datenschutz. Verbraucher-Digital-Twins werfen andere ethische Fragen auf als betriebliche Digital-Twins. Wenn ein Digital-Twin eine bestimmte, identifizierbare Person repräsentiert, hat diese Person in der Regel Rechte hinsichtlich der Verwendung ihrer Daten und der Art und Weise, wie der Digital-Twin in ihrem Namen handelt. Aggregierte Segment-Digital-Twins sind ethisch weniger problematisch, erfordern aber dennoch eine sorgfältige Einwilligung und Transparenz. Die DSGVO, der CCPA und neue KI-spezifische Vorschriften stimmen darin überein, dass auf personenbezogenen Daten basierende Verbraucher-Digital-Twins eine ausdrückliche Einwilligung und sinnvolle Transparenz erfordern.

Das Problem der Schmeichelei und der Positivitätsverzerrung ist real. Teams, die bei Go/No-Go-Entscheidungen über Produkteinführungen auf Consumer Twins zurückgreifen, sollten besonders vorsichtig sein, da LLM-basierte Methoden nachweislich dazu neigen, übermäßig positive Vorhersagen zu liefern. Die Validierung mittels Biosensoren ist eine der wirksamsten Schutzmaßnahmen gegen diese Verzerrung, da physiologische Reaktionen weniger anfällig für diese durch das Training bedingte Positivität sind.

Wohin sich die Branche entwickelt

Drei Entwicklungen dürften die Twin-Methodik im Konsumgüterbereich in den nächsten Jahren prägen.

Zunächst einmal geht die Integration von Verhaltens- und Biosensordaten in das Training von digitalen Avataren über die Validierungsphase hinaus und entwickelt sich zu einer echten Verankerung. Anstatt Avatare auf der Grundlage von Textdaten und demografischen Informationen zu erstellen und diese anschließend mit Biosensoren zu validieren, beginnen führende Forschungsprogramme damit, Biosensordaten direkt in das Training der Avatare einzubeziehen. So entstehen Avatare, die von Anfang an sowohl bewusste als auch unbewusste Reaktionsmuster vorhersagen können.

Zweitens werden die Methoden zur Korrektur und Kalibrierung immer ausgefeilter. In jüngsten wissenschaftlichen Arbeiten wurden Techniken eingeführt, die während der Inferenzphase die Antworten synthetischer Befragter so anpassen, dass sie mit den Verteilungen menschlicher Antworten besser übereinstimmen, und zwar bei begrenzter Verfügbarkeit menschlicher Daten – wodurch die Twin-basierte Forschung für Teams praktischer wird, die sich keine fortlaufende Validierung durch eine große Anzahl menschlicher Teilnehmer leisten können.

Drittens entwickeln sich derzeit regulatorische und methodische Standards. Die Berufsverbände der Marktforschungsbranche, wissenschaftliche Fachzeitschriften und große Auftraggeber aus der Industrie sind sich zunehmend einig hinsichtlich der Erwartungen an Transparenz, Validierung und Berichterstattung bei Zwillingsstudien. Studien, die lediglich Zwillingsprognosen ohne menschliche Validierung präsentieren, werden zunehmend mit Skepsis betrachtet, während Studien, die sowohl die Zwillingsprognosen als auch die Validierung durch Biosensoren oder Menschen dokumentieren, als legitime methodische Beiträge angesehen werden.

Erste Schritte

Für Forschungsteams, die eine Tätigkeit in diesem Bereich in Betracht ziehen, umfasst der praktische Weg drei Phasen.

Zunächst sollten die Kategorien und Entscheidungen ermittelt werden, für die Twin-basierte Methoden geeignet sind – in der Regel Forschungsfragen mit hohem Volumen und geringem Risiko, bei denen Geschwindigkeit und Umfang einen klaren Vorteil gegenüber herkömmlichen Methoden bieten, und zwar in Produktkategorien, für die Validierungsnachweise vorliegen.

Zweitens: Schaffen Sie Kapazitäten zur Validierung von Biosensoren. Genau für diesen Anwendungsfall wurden Plattformen wie iMotions Lab entwickelt, die die für die Zwillingsvalidierung erforderlichen Methoden der Konsumenten-Neurowissenschaften, multimodale Synchronisation und Umfragintegration abdecken. Der Aufbau solcher Validierungskapazitäten macht den Unterschied zwischen Zwillingsforschung, die glaubwürdige Erkenntnisse liefert, und Zwillingsforschung, die zu spekulativen Behauptungen führt.

Drittens sollten interne methodische Standards entwickelt werden, um festzulegen, wann Zwillingsvorhersagen direkt herangezogen werden können, wann sie einer Validierung durch Biosensoren bedürfen und wann traditionelle Forschungsmethoden am Menschen weiterhin erforderlich sind. Die ausgereiftesten Programme betrachten Zwillinge, Biosensoren und traditionelle Forschungsmethoden als sich ergänzende Ansätze, die je nach Forschungsfrage kombiniert werden sollten, und nicht als konkurrierende Alternativen.

Die Technologie entwickelt sich so rasant, dass jede heute eingenommene methodische Position innerhalb eines Jahres einer Überarbeitung bedürfen wird. Doch das zugrunde liegende Prinzip – dass synthetische Vorhersagen auf realen menschlichen Reaktionen beruhen müssen und dass diese Reaktionen am genauesten durch multimodale Biosensormethoden gemessen werden – dürfte unabhängig von künftigen methodischen Entwicklungen Bestand haben.

Literaturhinweise und weiterführende Literatur

• Bisbee, J. et al. (2024). Synthetische Ersatzdaten für Umfragedaten? Die Gefahren großer Sprachmodelle. Political Analysis, 32(4), 401–416.
• Goli, A., & Singh, A. (2024). Können große Sprachmodelle menschliche Präferenzen erfassen? Marketing Science.
• Argyle, L. P. et al. (2023). Aus einem viele: Einsatz von Sprachmodellen zur Simulation menschlicher Stichproben. Political Analysis, 31(3), 337–351.
• Tjuatja, L. et al. (2024). Zeigen große Sprachmodelle menschenähnliche Antwortverzerrungen? Eine Fallstudie zur Umfragegestaltung. Transactions of the Association for Computational Linguistics.
• LLMs reproduzieren menschliche Kaufabsichten durch die Ermittlung semantischer Ähnlichkeiten anhand von Likert-Bewertungen (2025). arXiv:2510.08338.
• International Journal of Research in Marketing & Marketing Science Institute. (2025). Aufruf zur Einreichung von Beiträgen für eine Sonderausgabe: Generative KI, synthetische Daten und synthetische Befragte in der Marktforschung.
• Almeida, G. F. C. F. et al. (2024). Eine Untersuchung der Psychologie des moralischen und rechtlichen Denkens von LLMs. Artificial Intelligence, 333.