Auszug aus unserem gleichnamigen Podcast-Beitrag (Folge 17)
Consumer Neuroscience und Künstliche Intelligenz – zu diesem spannenden Thema waren wir im Gespräch mit Prof. Dr. rer. nat. Kai-Markus Müller von der Hochschule Furtwangen. Die Forschungsfelder des „Professor of Consumer Behavior“ – auf Deutsch „Professor für Konsumentenpsychologie und Verbraucherverhalten“ – liegen in den Bereichen Consumer Neuroscience, Behavioural Pricing und Consumer Psychology.
Wie faszinierend diese Themen sind und welche Rolle die Künstliche Intelligenz dabei spielt, wissen wir spätestens, seit wir Prof. Müller im Oktober letzten Jahres auf unserem 4. Smart Data & KI-Tag in Karlsruhe persönlich getroffen haben. Dort begeisterte er uns unter anderem mit einem kleinen Experiment, das er mit den Teilnehmenden – „ganz leger“, wie er selbst sagt – zum Thema „Preise“ durchgeführt hat.
Dr. Wierse: Professor Müller, erzählen Sie doch bitte einmal kurz, was genau Sie da gemacht haben.
Prof. Müller: Ich habe einfach ein Produkt – in diesem Fall das neuste iPhone – gezeigt und das Publikum gefragt, ob von mir vorgegebene Preisvorschläge passen oder nicht. Hierfür mussten die Leute Kärtchen hochhalten. Bei 3.000 Euro signalisierten alle sehr schnell „teuer“, bei 530 Euro „billig“. Schaut man hierbei auf die Reaktionszeiten, erkennt man, dass die Leute bei einer eindeutigen Einschätzung sehr schnell reagieren. Bringe ich dagegen einen recht realistischen Wert von 1.300 Euro ins Spiel, wägen sie ab und reagieren den Bruchteil einer Sekunde langsamer. Analysiert man dies mit fortgeschrittenen statistischen Methoden über viele Studienteilnehmer hinweg, sieht man, dass sich ein eindeutiger Reaktionszeitanstieg ergibt. Dieser lässt sich messen und auswerten – und man lernt, wann man die realistische Wahrnehmung getroffen hat. Wir haben diese Erkenntnis in unseren Forschungen natürlich mit Hirnscans gegenvalidiert und in diversen Felduntersuchungen geschaut, ob die Leute dann auch wirklich zu diesem Preis kaufen. Das ist entscheidend. Es muss ja stimmen.
Dr. Wierse: Besonders faszinierend bei Ihrem Experiment war, dass sie auf einer verdeckten Tafel etwas aufgezeichnet hatten. Jeder von uns war davon ausgegangen, dass sie die hochgehaltenen Karten zählen. Sie hatten aber rein gefühlsmäßig die Reaktionszeiten notiert. Wir haben also am Ende nicht – wie vermutet – erfahren, wer für wieviel Euro noch gekauft hätte, sondern wie die Reaktionszeiten ausgefallen sind. Das war der „Trick“ bei der Sache. Sie arbeiten hier also indirekt; sprich, selbst wenn sie etwas Klares fragen, ist es gar nicht die eigentliche Antwort, die wichtig ist, sondern etwas ganz anderes. Hier kommen wir dann auch zu dem Punkt, was Consumer Behaviour und Big Data miteinander zu tun haben. Denn auch bei Data Analytics ist es ja so, dass wir, wenn wir Daten erheben, nicht nur direkt an das denken müssen, was wir fragen, sondern eben auch an Dinge, die drumherum sind.
Prof. Müller: Genau. Das erste, was man im Psychologie-Studium lernt, ist: Wenn du etwas über Menschen herausfinden willst, frage sie nicht einfach, sondern mache ein gutes Experiment. Bei Data Analytics berufen wir uns im Prinzip auf Befragungsdaten. Da besteht natürlich immer eine gewisse Gefahr, dass wir ein Garbage-In-Garbage-Out-Problem haben. Sprich, wenn wir schlechte Daten reinholen, können wir noch so tolle Algorithmen haben – es wird hinten trotzdem nur marginal etwas Verbessertes herausrauskommen. Meine Mission ist es deshalb, an der Datenerhebung zu arbeiten, damit man für KI und Co. saubere Daten liefern kann.
Dr. Wierse: Am vereinfachten Beispiel des Experiments heißt das: Wenn Sie die Daten „Reaktionszeit“ nicht erheben, werden Sie kein zuverlässiges Ergebnis bekommen. Das bedeutet aber auch, dass sich Datenanalysten mehr mit dem menschlichen Faktor beschäftigen sollten, nicht? Denn es spielt ja immer auch der sogenannte Bias, die Voreingenommenheit, mit rein. Bei Ihrem Experiment umgehen Sie den Bias mit ihrem Trick geschickt, denn jeder möchte das Smartphone ja eigentlich so billig wie möglich bekommen. Können Sie aus Ihrer Sicht die Relevanz des Themas Bias und den Zusammenhang zwischen dem Bias der realen Welt und dem Bias beim Einsatz der Künstlichen Intelligenz bzw. der Data Analytics bewerten?
Prof. Müller: Wir hatten es ja schon kurz angesprochen: Bei der Datenanalyse an sich kann man nicht so viel falschmachen. Es ist aber schon so: Statistik ist eine Kunst und Wissenschaft, bei der man viele Schritte gehen, immer sauber bleiben und irgendwann eine Entscheidung treffen muss – beispielsweise darüber, welches Zeitfenster man analysieren möchte, wenn es etwa um Verhaltens- oder Maschinendaten geht. Auch hier spielt aber natürlich ein menschlicher, psychologischer Bias mit rein. Denn ein Wissenschaftler kann sich ja, sollte ihm das Ergebnis nicht zusagen, dazu entscheiden, doch lieber ein anderes Zeitfenster zu betrachten oder seine Daten doch ein bisschen anders zu operationalisieren.
Deshalb sollte man sich, wenn man sauber arbeitet, immer vorher entscheiden, wie man es genau analysieren und machen will. Und dann schauen, was dabei herauskommt.
Dr. Wierse: Man muss sich also auch als Mensch, als Data Analyst, durchaus bewusst sein, was man da tut – und darüber im Klaren sein, dass man aufgrund des menschlichen Aspekts des Bias quasi selber auch Teil des Problems sein kann. Das heißt der Bias in der Data Analytics und der Bias, den wir als Menschen haben, sind zwei Seiten derselben Medaille.
Bei der KI sind ja die neuronalen Netze das wesentliche Element – in Anlehnung an das Gehirn. Wie sehen Sie das denn als Forscher? Wenn Sie auf die KI schauen und auf das, was sie aus der biologischen Sicht sehen? Wo stehen wir da? Haben wir überhaupt schon etwas verstanden im biologischen Sinne?
Prof. Müller: Das ist eine sehr vielschichtige Frage. Als ich vor 20 Jahren studierte, hieß es noch, es sei unmöglich, einem Rechner Gesichtswahrnehmung beizubringen. Inzwischen gibt es aber KI-Modelle, die dies sehr gut können. Es gibt bei strategischen Themen mittlerweile auch Programme, die den Menschen problemlos überspielen, z.B. im Schach. Man hat also Fortschritte gemacht im Bereich der neuronalen Netze und der Künstlichen Intelligenz. Das Gehirn wird mittlerweile in vielen Fällen übertrumpft.
Es gibt aber auch noch eine Reihe von Themen, in denen das Gehirn weiterhin besser ist. Es ist aber ja auch eher die Perspektive: Wer kann was wie gut? Die Frage ist, woher kommt es, dass Rechner manche Dinge besser können als das Gehirn? Viele dieser Modelle erhalten ihre Inspiration aus der Hirnforschung, von neuronalen Modellen, von Modellen, wie sich Nervenzellen verändern. Der Elefant im Raum dabei ist ja: Funktioniert so das Gehirn, oder ist es ein Modell, das sich ein paar Ideen aus der Biologie geklaut hat? Von „Bionic uploaded“ sind wir, glaube ich, noch weit entfernt. Wenn neuronale Netze wirklich eine Entsprechung des Gehirns wären, wären wir heute schon weiter in der Behandlung von Parkinson oder Alzheimer. Oder wir hätten vielleicht irgendwo einen Google-Stick implantiert und könnten unser Gedächtnis mal eben kurz uploaden. Das dies nicht geht, zeigt aus meiner Sicht, dass es sich schon noch um sehr unterschiedliche Mechanismen handelt.
Man muss dabei auch sehen: Es gibt zwei ganz große Möglichkeiten, etwas zu entwickeln. Es gibt den Ingenieur. Er baut etwas – von Null auf Hundert, auf der grünen Wiese – und erhält das optimale Produkt. Und es gibt die Biologie. Sie passiert nicht auf der grünen Wiese, sondern über Evolution. Wir haben Jahrmillionen von evolutionärem Gepäck, das wir mit uns herumtragen. Es ist schon Wahnsinn, dass wir in selbst gebauten Gebäuden sitzen, Technik nutzen, uns unterhalten und uns verstehen können. Viele Lebewesen können das nicht. Das ist faszinierend, das ist das Mysterium des Lebens. Aber es ist natürlich nicht optimal. Es ist einfach entstanden. Ein neuronales Netz dagegen kann man von Null auf Hundert her-programmieren, ohne dass man Jahrmillionen an schwerem evolutionärem Gepäck mit sich herumträgt.
Dr. Wierse: Wir haben ein wirklich sehr komplexes Gehirn und längst noch nicht alles verstanden, was da passiert. Und wir haben ein eigentlich recht überschaubares Abbild, das relativ gut zu erklären ist. Der Höhenflug der KI in den letzten Jahren hat ja ganz wesentlich mit der gestiegenen Rechenleistung zu tun; nur dank dieser funktioniert das schon länger bestehende Konzept der neuronalen Netze inzwischen. Heute sind wir ja am Höchstleistungsrechenzentrum Stuttgart; gleich hier drüben steht einer der schnellsten Rechner überhaupt. Welche Rolle spielt denn diese Rechenleistung für Ihre Arbeit? Benutzen Sie überhaupt solche Rechner, oder genügt Ihnen da eher ein Laptop?
Prof. Müller: Bislang mache ich noch sehr viel auf Laptops, die ja auch immer schneller werden. Für einfache Hirnscans, MRT-Daten oder EEG-Daten, reichen sie eigentlich aus. Es gibt ja jetzt auch neue Tools, die wir in Zusammenarbeit mit Unternehmen entwickeln und anbieten: betriebswirtschaftliche Tools. Darüber messen wir die Zahlungsbereitschaft. Man kann damit tolle Sachen machen, beispielsweise fragen, wo prozentual der höchste Verkauf liegt.
Besonders spannend wird es, wenn man Feedback aus dem Markt bekommt. Dann haben wir unsere Vorhersagen, die Unternehmensdaten und noch einen weiteren Kooperationspartner, mit dem wir das derzeit europaweit modellieren. Beispielsweise für europaweite Produkte. Je nachdem, was man messen möchte, kann man die ganzen Daten – also die Kostenseite, die Primärforschungsseite – mittels unterbewusster Methoden und ökonomischer Materialien zusammenführen. Dann wird es spannend, und ich komme sicher auf Sie zu. Denn dann brauchen wir Höchstleistungsrechner.
Dr. Wierse: Da sind sicher nicht nur die eigenen Preise relevant, sondern auch die der Konkurrenz? Wird die Konkurrenz mit einbezogen, wachsen die Datenmengen automatisch. Kann man mit KI und Data Analytics verstehen, was da passiert?
Prof. Müller: Das wäre eine noch weitere Dimension. In solchen Fällen sage ich Unternehmern aber immer: Der größte Konkurrent sind wir selber. Wir sollten mehr auf unser eigenes Produkt schauen und uns von dem Gedanken befreien, dass es irgendwo auf der Welt noch weitere Anbieter gibt, die etwas billiger machen als man selbst. Wir haben ein eigenes Produkt und sicherlich auch Grund, darauf stolz zu sein. Natürlich ist es schon spannend, auf die Konkurrenz zu schauen. Die Modellierungsmöglichkeiten wachsen ins Unendliche. Was passiert beispielsweise, wenn die Konkurrenz und ich mit dem Preis hochgehen und nur einer von uns geht wieder runter? Wie verändern sich die Marktanteile? Wie wahrscheinlich ist es, dass die Konkurrenz mitgeht? Bin ich eher Stratege, Preisführer oder Preisfolger? Da kann man die Komplexität beliebig vergrößern.
Dr. Wierse: Dafür wären viele Rechner erforderlich. Aber unter Umständen ist es gar nicht so sinnvoll, dies in seiner ganzen Komplexität ergründen zu wollen.
Prof. Müller: Möglicherweise. Oder man schaut einfach mal, was möglich ist.
Dr. Wierse: Genau, das ist ja auch unsere Aufgabe hier: neue Dinge auszuprobieren.
Ich komme jetzt zu einem anderen Thema: Beim Stichwort Psychologie oder Verhalten denkt man ja nicht unbedingt gleich an schnelle Computer und IT. Aber ich erinnere mich an eine sehr gute Freundin, die Psychologie studiert hat und tatsächlich sehr viel mit Statistik zu tun hatte. Nun braucht man dafür nicht gleich einen Supercomputer, aber sehen Sie die Data Analytics oder KI, wie wir sie heute kennen, als ein ganz normales Werkzeug, das Ihnen bei der täglichen Arbeit hilft, oder ist es doch eher etwas Besonderes?
Prof. Müller: Die Grundlagen sind ganz wichtig. Jeder Psychologe – ganz unabhängig davon, ob er studiert oder wo er arbeitet – braucht eine statistische Grundausbildung. Denn als Psychologe muss man zuerst über Daten und Experimente verstehen, nicht über Gefühle, Verhalten und Erleben. Man objektiviert. Das ist ganz wichtig. In der Psychologie geht es darum, menschliches Erleben und Verhalten mit wissenschaftlichen Methoden zu beschreiben und zu erklären. Und dabei spielen Wissenschaftstheorie und Experimentalmethodik eine große Rolle. Nicht nur die Analyse, sondern auch die Fragen: Wie baue ich ein Experiment auf? Welche Daten sind überhaupt interessant für meine Studie? Erst dann geht es an die Analyse; zunächst einmal mittels einfacher Statistik. Das lernt man auch im Studium. Es macht viel Spaß. Es erweitert den eigenen Horizont. Man wächst daran. Man fühlt sich nach der Statistik-Vorlesung wie ein anderer Mensch. Zumindest ich! (*lacht*) Ich hoffe, der ein oder andere Student auch.
Heutzutage stehen in den höheren Semestern dann natürlich auch Themen wie „Consumer Analytics“ auf dem Lehrplan. Da geht es dann beispielsweise um Fragen wie: Wie setze ich Google Analytics ein, um einen ECommerce Store zu analysieren? Und es geht zunächst einmal um multivariante Themen, multivariante Statistiken, Faktorenanalyse oder eine multivariante Varianzanalyse. Das ist noch keine KI, aber je mehr man sich mit den Themen beschäftigt, desto weiter wächst auch das Verständnis dafür. Und man versteht dann auch viel besser, wie man es einsetzen kann. Und letzten Endes ist es schon so, dass man dann auch bei psychologischen Daten, auch bei sehr großen Datenmengen, sehr viel besser auswerten kann. Darin liegt ja auch die große Stärke von Google, Facebook und Co. Nicht umsonst heißt es ja, Daten sind das neue Öl. Das gilt auch für Verhaltens- und psychologische Daten. Big-Data-Kenntnisse sind da schon vonnöten. Inwiefern man hierbei auch KI einsetzen kann? Ich stelle mir vor, dass KI vor allem dann stark sein wird, wenn es um Prognosen, also Verhaltensprognosen, geht. Aber da wissen Sie vermutlich mehr als ich.
Dr. Wierse: Worauf müssen wir als Kunden uns denn in Zukunft einstellen? Müssen wir befürchten, dass Ihre Wissenschaft zusammen mit der KI für jedes Produkt und jeden Menschen genau den Preis berechnen kann, der gerade so unterhalb der jeweiligen Schmerzschwelle liegt? Da wird mir schon etwas unwohl. Ist das ein realistisches Szenario? Oder ist das eine übertriebene Angst, die man da hat?
Prof. Müller: Zunächst einmal: Wenn man eine derartige Forschung betreibt, ist es eigentlich nie eine Forschung am Einzelobjekt. Es sind immer statistische Daten über Verteilungen, und es geht darum, wie optimiert sich das Unternehmen. Jetzt passiert es natürlich, dass sie als Käufer auf eine Sache reingefallen sind und merken, dass sie vielleicht im Discount etwas gekauft haben, was es woanders günstiger gegeben hätte. Das sind Sachen, da sind wir machtlos. Dem kann man nur mit strikten Einkaufslisten entgegenwirken. Wenn Sie aber gerne shoppen gehen oder im Urlaub flanieren, wären Sie schnell unglücklich, wenn Sie sich ständig den Kopf über den Preis zerbrechen. Der Spaß geht verloren. Was ist ein hoher Preis? Ist der niedrige Preis immer der Beste? Das ist die Frage!
Man weiß aus der Hirnforschung, dass ein und derselbe Wein, wenn er teurer deklariert wird, besser schmeckt. Das kann man bei Gehirnscans sehen. Es werden Gehirnareale aktiviert, die es nur dann werden, wenn man etwas besonders Leckeres isst. Man weiß es auch von Schmerzmedikamenten. Niedrigpreisige Medikamente haben einen kleinen Placebo-Effekt, teurere haben einen größeren. Ist es jetzt gut, wenn ich ein billiges Aspirin kriege, oder ist es nicht gut? Das ist die Frage.
Dr. Wierse: Es ist nicht schwarz-weiß. Wir als Menschen sind da immer noch sehr komplex. Sie haben ein Buch zum Thema geschrieben: „The Invisible Game: The Secrets and the Science of Winning Minds and Winning Deals“ Da steckt auch drin, dass Sachen im Verborgenen passieren. Sollten wir es uns alle kaufen, damit wir wissen, was da abgeht? Worum geht es in dem Buch?
Prof. Müller: Das Buch kam erst vor wenigen Wochen raus. Ich habe es gemeinsam mit Gabriele Rehbock, einer außerordentlich erfahrenen und hochprofessionellen Top-Verkäuferin geschrieben. Es ist ein Buch, in dem auch vieles von dem, worüber wir heute gesprochen haben, „übersetzt“ wird. Aus den datengetriebenen Konsumentenverhaltensforschungen und aus diesen ganzen Datenmassen wurden sehr viele und sehr wichtige konsumenten-psychologische und entscheidungs-psychologische Theorien entwickelt. Das heißt, wir wissen ganz viel darüber, wie Menschen sich entscheiden. Und dieses Wissen ist zwar spannend, aber auch nur teilweise nutzbar. Es wird oft auch einfach ausprobiert. Wenn Sie jetzt aber in der großen weiten Geschäftswelt arbeiten, in der Sie große Deals verkaufen – beispielsweise drei Schiffe im Jahr oder, wie Gabriele Rehbock, riesige Chemieprojekte im dreistelligen Millionenbereich –, dann müssen diese „sitzen“. Die dürfen sie nicht verhauen, da können sie nicht herumprobieren! Das bedeutet: In diesem Fall brauchen Sie das ganze Wissen aus der Konsumentenpsychologie, um es optimal einsetzen zu können. In unserem Buch haben wir deshalb das Beste aus der Konsumentenpsychologie herausgezogen und für den professionellen Verkäufer aufbereitet.
Dr. Wierse: Das klingt spannend, ich habe das Buch bereits auf meinem Nachttisch 😉. Vielen Dank für das Interview!
Sie möchten das Interview in voller Länge genießen? Dann hören Sie in unseren Podcast (Folge 17) rein. Hier erhalten Sie nicht nur alle Antworten in voller Länge, sondern erfahren auch, was für Prof. Müller das bisherige Highlight seiner Karriere war und warum er selbst seine Forschung besonders spannend findet – es lohnt sich!