KI-gestützte digitale Kundenzwillinge

Die Forschung zu Konsumverhalten erfährt durch den Einsatz neuer Technologien eine bedeutende Weiterentwicklung. Digitale Kundenzwillinge simulieren Meinungen, Präferenzen und zukünftiges Verhalten realer Kunden. Grundlage für die Erstellung der digitalen Kundenzwillinge ist eine umfangreiche Datensammlung und -analyse von digitalem Konsumverhalten und Nutzerpräferenzen. Für den Einsatz in der Marketingpraxis und -forschung wird den digitalen Kundenzwillingen ein großes Potenzial zugesprochen, da sie kosten- und zeitintensive Befragungen realer Personen ersetzen können. Mit der Entwicklung neuer technologischer Lösungen geht die zentrale Frage einher, wie verlässlich die KI-generierten Kundendaten sind und ob sie tatsächlich ein zuverlässiger Ersatz für die Befragung realer Menschen sind.

Für das Marketing eröffnen die digitalen Kundenzwillinge neue und spannende Forschungsfelder: Wie können Daten effektiv genutzt werden, um die Bedürfnisse realer Kunden besser zu verstehen und vorherzusagen? Wie interagieren digitale Kundenzwillinge mit verschiedenen etablierten Marktforschungsmethoden? Wie kann die Reliabilität der Kundenzwillinge optimiert werden? Wie können Kundenzwillinge in der Marketingpraxis und -forschung sinnvoll eingesetzt werden?

Empfohlene Startliteratur:

• Argyle, L. P., Busby, E. C., Fulda, N., Gubler, J. R., Rytting, C. & Wingate, D. (2023). Out of One, Many: Using Language Models to Simulate Human Samples. Political Analysis. 31(3), 337-351. doi:10.1017/pan.2023.2

• Brand, J., Israeli, A. & Ngwe, D. (March 21, 2023). Using GPT for Market Research. Harvard Business School Marketing Unit Working Paper. No. 23-062. http://dx.doi.org/10.2139/ssrn.4395751

• Chen, Y., Andiappan, M., Jenkin, T. & Ovchinnikov, A. (May 20, 2023). A Manager and an AI Walk into a Bar: Does ChatGPT Make Biased Decisions Like We Do? http://dx.doi.org/10.2139/ssrn.4380365

• Demszky, D., Yang, D., Yeager, D.S. et al. (2023). Using Large Language Models in Psychology. Nature Review Psychology. 2, 688–701. https://doi.org/10.1038/s44159-023-00241-5

• Dillon, D., Tandon, N., Gu, Y. & Gray, K. (2023). Can AI Language Models Replace Human Participants? Trends in Cognitive Sciences. 27(7), 597-600. https://doi.org/10.1016/j.tics.2023.04.008

• Hagendorff, T., Fabi, S. & Kosinski, M. (2023). Human-like Intuitive Behavior and Reasoning Biases Emerged in Large Language Models but Disappeared in ChatGPT. Nature Computational Science. 3, 833–838. https://doi.org/10.1038/s43588-023-00527-x

• Hutson M. (2023). Guinea Pigbots. Science. 381(6654), 121-123. 10.1126/science.adj6791

• Kirschner, S. N. (2024). GPT and CLT: The Impact of ChatGPT’s Level of Abstraction on Consumer Recommendations. Journal of Retailing and Consumer Services. 76, 103580. https://doi.org/10.1016/j.jretconser.2023.103580

• OpenAI. (2023). GPT‐4 Technical Report. arXiv. https://arxiv.org/pdf/2303.08774

• Paul, J., Ueno, A., & Dennis, C. (2023). ChatGPT and Consumers: Benefits, Pitfalls and Future Research Agenda. International Journal of Consumer Studies. 47(4), 1213–1225. https://doi.org/10.1111/ijcs.12928

• Rahwan, I., Cebrian, M., Obradovich, N., et al. (2019). Machine Behaviour. Nature. 568(7753), 477–486. https://doi.org/10.1038/s41586-019-1138-y

• Santurkar, S., Durmus, E., Ladhak, F., Lee, C., Liang, P., & Hashimoto, T. (2023). Whose Opinions do Language Models Reflect? arXiv. https://arxiv.org/pdf/2303.1754

• Sarstedt, M., Adler, S. J., Rau, L. & Schmitt, B. (2024). Using Large Language Models to Generate Silicon Samples in Consumer and Marketing Research: Challenges, Opportunities, and Guidelines. Psychology & Marketing. 1-17. https://doi.org/10.1002/mar.21982