INSIGHTS

Survival Of The Fittest: Einsatz evolutionärer Algorithmen zur Optimierung Ihrer nächsten Produktidee
Artikel

Survival Of The Fittest: Einsatz evolutionärer Algorithmen zur Optimierung Ihrer nächsten Produktidee

Stellen Sie sich das folgende Szenario vor: Sie sind der Marketingmanager für eine führende Marke von Haushaltsprodukten und denken über eine neue Linie von umweltfreundlichen Mehrzweckreinigern nach. Sie haben die Markttrends analysiert, Ihre Konkurrenz unter die Lupe genommen und explorative Fokusgruppen und Verbraucherinterviews durchgeführt. Dabei haben Sie eine Reihe von wesentlichen Merkmalen für Ihr neues Produkt identifiziert, darunter Hauptmerkmale und Benefits, Duftsorten, Verpackungsdesign, Farbschemata und grafische Elemente. Nachdem Sie alle Top-Ideen Ihrer internen Teams und der Kreativagentur kombiniert haben, haben Sie am Ende sieben potentielle Gestaltungsmöglichkeiten für jede der sechs unterschiedlichen Produkteigenschaften. Das sind mehr als 100.000* mögliche Kombinationen, die ausgesiebt werden müssen! Welche dieser Kombinationen werden am ehesten bei den Verbrauchern ankommen und zu einem Erfolg auf dem Markt führen?

Wenn Sie mit so vielen Optionen konfrontiert sind, könnte Ihr erster Schritt darin bestehen, nach bestem Wissen und Gewissen eine Handvoll Produktversionen auszuwählen und sie einer Welle von monadischen Konzepttests zu unterziehen. In einem monadischen Test wird jede Version einem separaten Panel repräsentativer Verbraucher vorgestellt, die gebeten werden, das vorgeschlagene Produktkonzept nach einer Reihe von Dimensionen (wie Kaufabsicht, Einzigartigkeit oder Relevanz) zu bewerten, bevor die Ergebnisse aller Beteiligten gemittelt werden, um die vielversprechendste Version zu identifizieren. Die Methodik hinter monadischen Tests ist anerkannt, und die Technik ist sehr effektiv, aber sie erlaubt es Ihnen nur, einen sehr kleinen Teil aller möglichen Alternativen zu erforschen. Sie müssen die Produktkonzepte vorselektieren, von denen Sie glauben, dass sie die vielversprechendsten sind, und bedenken, dass die Vorselektion notwendigerweise voreingenommen und oft politisch geladen ist. Die Wahrscheinlichkeit, die besten Optionen zu verpassen, ist hoch.

Moderne, gestützte Conjoint-Analysen können helfen: In dieser Art von Forschung wird jedem Befragten eine Reihe von Produktalternativen vorgestellt. Jeder wird gebeten, seine bevorzugte Version in jedem dieser Side-by-Side Vergleiche auszuwählen. Die gesammelten Antworten werden dann verwendet, um ein Optionsmodell zu erstellen – typischerweise ein hierarchisches bayesianisches logistisches Regressionsmodell – das die Wahrscheinlichkeit angibt, dass der Befragte in Abhängigkeit vom Wert der Attribute ein Konzept einem anderen vorzieht. Im Gegensatz zu monadischen Konzepttests ermöglicht die Conjoint-Analyse die Untersuchung aller Werte für alle Attribute, aber die aus dieser Art von Analyse resultierenden Modelle sind oft zu einfach, um die Ganzheitlichkeit der Reaktion der Verbraucher auf neue Konsumgüter zu erfassen. In den meisten realen Situationen gibt es wichtige Synergien und negative Wechselwirkungen zwischen den Attributen – insbesondere wenn es um ästhetische Elemente geht – und diese Modelle sind in der Regel nicht gut genug, um diese zu reflektieren.

Wir haben einen neuen Ansatz entwickelt, um diesen Einschränkungen zu begegnen. Er basiert auf den Prinzipien der genetischen Evolution: Wir beginnen mit einem quasi zufälligen ersten Satz von Produktversionen, präsentieren sie den Befragten und wählen anhand ihres Feedbacks die leistungsstärkeren als “Eltern zu Zuchtzwecken” aus. Der Algorithmus verwendet dann eine “genetische Kreuzung”, um Merkmale von zwei Elternteilen zu kombinieren und neue Produktkandidaten (“Nachkommen”) zu züchten; eine “Mutation”, um Merkmale einzuführen, die bei keinem der Elternteile vorhanden waren; und einen “Austausch”, um leistungsschwache Mitglieder der Bevölkerung zu eliminieren und Platz für die Nachkommen zu schaffen.

Schritt für Schritt entwickelt sich die Population neuer Produktkonzepte, um die Präferenzen der Befragten widerzuspiegeln, und am Ende bleiben vier oder fünf Top-Konzepte, die weiter untersucht werden können. Der genetische Algorithmus ist im Wesentlichen ein Such- und Optimierungsprozess, der von menschlichem Feedback bei jedem Schritt geleitet wird und als Lernsystem fungiert. Es ist nicht erforderlich, komplexes menschliches Verhalten zu modellieren – und die damit verbundenen schwierigen mathematischen Probleme zu lösen – und doch trägt es implizit zu all dieser Komplexität bei.

Der Nielsen Optimizer Service basiert auf dieser Technik und wurde bereits für Tausende von Kundenprojekten mit großem Erfolg eingesetzt. In einer frühen Vergleichsstudie wurde gemessen, dass die vom Nielsen Optimizer identifizierten Produktkonzepte im Durchschnitt einen Anstieg der prognostizierten Umsätze um 38% im Vergleich zu nicht optimierten (Best-Guess) Konzepten generieren. In der Regel werden 500 bis 1.000 Teilnehmer benötigt, um eine Nielsen Optimizer Studie durchzuführen und eine Reihe von 100.000 potenziellen Produktversionen schnell auf die vielversprechendsten Kandidaten zu reduzieren – die dann mit monadischen Tests genauer untersucht werden können.

In einer zukünftigen Ausgabe des Nielsen Journal of Measurement werden wir mehr Details über den genetischen Algorithmus hinter dem Nielsen Optimizer sowie relevante Fallstudien vorstellen. Obwohl wir noch viel zu tun haben, um die Benutzeroberfläche zu verbessern, die Analysesysteme zu verfeinern und die Lieferzeit zu verkürzen, steht außer Frage, dass diese Technik es Markenmanagern bereits ermöglicht, Zeit zu sparen, die Grundlagen zu erforschen und ihre neuen Produkte mit viel mehr Selbstvertrauen auf den Markt zu bringen.

*76 = 117,649