Bei der Ausgestaltung von Marketingmaßnahmen vertrauen die meisten Unternehmen heute auf die Datenanalyse, um herauszufinden, welche Maßnahmen bzw. Strategien erfolgreich sein werden. Dabei kommen meist korrelationsbasierte Ansätze zum Einsatz. Allerdings sind diese in ihrer Natur rein beobachtend. Um den Effekt von Maßnahmen vorherzusagen, eignen sie sich nur bedingt. Aber: Menschen suchen immer nach Kausalität. Die Statistik liefert jedoch nur beobachtungsbasierte Korrelationen. Marketing-Entscheider neigen dann dazu, diese kausal fehlzuinterpretieren und falsche Schlüsse daraus zu ziehen. Die Folgen: Über- oder Unterschätzung von Erfolgen geplanter Marketingmaßnahmen und dadurch ineffizienter Budgeteinsatz.

Korrelationsanalysen unterscheiden nicht zwischen Ursache und Wirkung

Warum ist das so? Kausalität und Korrelation sind zwei verschiedene Konzepte. Eine Korrelation beschreibt lediglich eine Beziehung zwischen mehreren Merkmalen, sagt jedoch nichts über die Wirkrichtung des Zusammenhangs aus. Die Kausalität dagegen beinhaltet eine konkrete Ursache- Wirkung-Beziehung. Sie gibt nicht nur Antworten auf die Frage „was kommt häufig gemeinsam vor?“, sondern auch „was bedingt was?“.

Eine Analyse, die nur die Daten betrachtet, kann nur Korrelationen feststellen, jedoch keine Aussage über Kausalitäten treffen. Beim Planen einer Maßnahme möchte die Marketing-Entscheiderin jedoch auf die Welt einwirken – sie will intervenieren. Dazu muss mindestens sie selbst die Ursache-Wirkung-Beziehungen kennen, um Korrelationsanalysen korrekt interpretieren zu können. Idealerweise aber sind die Ursache-Wirkung-Beziehungen bereits ein Teil des Algorithmus, um menschliche Fehlinterpretationen ausschließen und mit größerer Komplexität umgehen zu können.

Auch Black-Box Ansätze stoßen an ihre Grenzen

Gerade bei zunehmender Komplexität liegt der Einsatz von Machine Learning nahe. Beim Machine Learning kommen häufig sogenannte Black-Box-Modelle zum Einsatz. Diese verfügen, bevor sie mit Daten trainiert werden, über kein oder nur Basiswissen über das zu lösende Problem. Vielmehr erlernen sie die relevanten Strukturen selbst. Darin liegt ihre große Stärke. Denn damit können sie Use-Cases bewältigen, bei denen es Menschen nicht möglich ist, die relevanten Strukturen zu benennen. So zum Beispiel bei der Klassifikation von Bilddaten wie Handschrift- oder Tieraufnahmen.

Diese große Stärke ist aber zugleich auch eine gravierende Schwäche: Viele dem Menschen offensichtlich bekannte Zusammenhänge lassen sich kaum oder nur über Umwege in die Black- Box Ansätze einpflegen. Dabei sind es aber eben jene Ursache-Wirkung-Zusammenhänge, die für korrekte Analyseergebnisse so wichtig sind.

Mit kausalem Schlussfolgern zu smarten Daten

Eine Lösung dieser Probleme bietet künstliche Intelligenz (KI) in Form kausaler Datenanalysen. Die große Stärke dieser Art des Schlussfolgerns: Man kombiniert Daten mit Expertenwissen über Ursache-Wirkung-Zusammenhänge, um nicht nur passiv-beobachtende Vorhersagen zu treffen, sondern vorauszusehen, welchen Effekt gezielte Eingriffe, also Interventionen, auf das System haben werden. Durch diese Kombination verwandelt kausale KI reine Daten in smarte Daten. Mit kausaler Datenanalyse können nun wiederum quantitative Root-Cause-Analysen oder Was-Wäre-Wenn-Auswertungen durchgeführt werden, um strategische Entscheidungen im Marketing auf stabile Beine zu stellen und darauf eine erfolgreiche Produktpolitik zu begründen.