Silicon Sampling einfach erklärt

Was genau ist Silicon Sampling?

Silicon Sampling beschreibt ein Befragungsdesign, in dem keine Menschen antworten, sondern ein Sprachmodell. Das Modell erhält vorab ein Profil, etwa Alter, Bildungsstand, Wohnort und Einstellungen, und beantwortet die Fragen aus dieser Rolle heraus. Wiederholt man das über hunderte unterschiedlicher Profile, entsteht eine Stichprobe, die sich auswerten lässt wie eine klassische Erhebung. Der Begriff wurde 2022 an der Brigham Young University geprägt und 2023 in der Fachzeitschrift Political Analysis veröffentlicht.

• Silicon steht für den Siliziumchip, auf dem das Modell rechnet
• Sampling steht für das statistische Ziehen einer Stichprobe
• Das Ergebnis heißt in der Literatur Silicon Sample

Wie funktioniert Silicon Sampling im Ablauf?

Der Ablauf hat vier Schritte. Zuerst wird beschrieben, welche Zielgruppe abgebildet werden soll, und zwar so präzise wie möglich. Daraus werden einzelne Profile abgeleitet, die zusammen die Verteilung der Zielgruppe nachbilden. Anschließend beantwortet das Modell den Fragebogen einmal pro Profil. Zuletzt werden die Antworten wie ein Rohdatensatz ausgewertet, inklusive Verteilungen und Kreuztabellen.

• Zielgruppe definieren, inklusive der Verteilung relevanter Merkmale
• Profile erzeugen, die diese Verteilung abbilden
• Fragebogen je Profil durchlaufen lassen
• Antworten aggregieren und wie einen Rohdatensatz auswerten

Wie groß muss eine synthetische Stichprobe sein?

Für belastbare Verteilungen haben sich mindestens 200 synthetische Befragte als praktikable Untergrenze etabliert. Darunter schwanken die Ergebnisse zwischen zwei Durchläufen zu stark, um Unterschiede zwischen Varianten sauber zu trennen. Nach oben ist die Grenze anders als bei echten Panels nicht das Budget, sondern nur die Rechenzeit. Größere Stichproben erhöhen die Stabilität, beheben aber keine Verzerrung: Ein schief konditioniertes Modell wird mit 2.000 Profilen genauso schief, nur präziser gemessen.

Wofür setzen Unternehmen die Methode ein?

Der Nutzen liegt fast immer vorne im Prozess, dort wo viele Varianten gegeneinander stehen und eine echte Befragung zu langsam oder zu teuer wäre. Sobald eine Entscheidung mit hohem Einsatz ansteht, tritt die reale Befragung wieder an ihre Stelle.

• Produktentwicklung: erste Reaktionen auf Funktionen, Design und Preislogik
• Kampagnen: Vorauswahl unter mehreren Werbebotschaften vor dem Media-Einkauf
• Trendforschung: Abschätzen, wie eine Innovation in einem Segment ankommt
• Fragebogen-Pretest: Prüfen, ob Fragen verständlich und trennscharf formuliert sind

Welche Vorteile bringt Silicon Sampling?

Die Methode verschiebt Marktforschung von einem seltenen Großereignis zu einem laufenden Werkzeug. Wenn eine Befragung Minuten statt Wochen dauert, verändert das nicht nur die Kosten, sondern die Arbeitsweise: Es wird wieder gefragt, statt geschätzt.

• Geschwindigkeit: Ergebnisse liegen in Minuten statt in Wochen vor
• Kosten: kein Recruiting, keine Incentives, keine Feldzeit
• Skalierbarkeit: die Stichprobengröße ist eine Frage der Rechenzeit
• Nischenzielgruppen: auch Segmente, für die sich kaum Teilnehmer finden lassen
• Datenschutz: es werden keine personenbezogenen Daten erhoben

Wo liegen die Grenzen der Methode?

Ein Sprachmodell gibt wieder, was in seinen Trainingsdaten häufig war. Gruppen, die dort unterrepräsentiert sind, bleiben es auch in der Simulation, und zwar ohne dass es im Ergebnis auffällt. Die Antworten wirken flüssig und plausibel, auch wenn sie falsch liegen. Deshalb ersetzt Silicon Sampling keine Erhebung, an deren Ergebnis eine teure Entscheidung hängt.

• Verzerrung aus den Trainingsdaten wird mitsimuliert, nicht korrigiert
• Minderheitenperspektiven sind systematisch unterrepräsentiert
• Stark emotionale oder sehr neue Themen werden schlecht abgebildet
• Plausibel klingende Antworten verdecken, wie unsicher das Ergebnis ist

Wie setzt man Silicon Sampling methodisch sauber ein?

Der wichtigste Schritt steht am Anfang und wird am häufigsten übersprungen: eine Kalibrierung gegen bekannte Daten. Führen Sie die Simulation zuerst zu einer Frage durch, deren reale Antwortverteilung Sie bereits kennen. Stimmt das Ergebnis, haben Sie einen Anhaltspunkt für die Belastbarkeit. Weicht es ab, wissen Sie in welche Richtung und um wie viel.

• Gegen bekannte Daten kalibrieren, bevor Sie neue Fragen stellen
• Als Ergänzung planen, nicht als Ersatz für die Hauptstudie
• Modellversion und Konditionierung dokumentieren, sonst ist nichts reproduzierbar
• Bei jeder Veröffentlichung offenlegen, dass die Daten synthetisch sind