KI-Projekte · Veröffentlicht

KI-gestützte Berechnung von Marktgrößen

Wie KI dabei helfen kann, Marktgrößen strukturiert, nachvollziehbar und reproduzierbar zu berechnen – mit Daten, Regeln und Transparenz.

Produktneuentwicklungen sind immer mit Kosten, Ressourcen und unternehmerischem Risiko verbunden. Umso wichtiger ist es, möglichst gezielt zu entwickeln: Welche Kundenbedürfnisse bestehen tatsächlich? Welchen konkreten Mehrwert bietet eine Lösung? Und vor allem: Für welchen Mehrwert sind Kunden bereit zu bezahlen?

Doch selbst wenn ein Produkt ein relevantes Kundenproblem löst und eine Zahlungsbereitschaft vorhanden ist, bedeutet das noch lange nicht, dass sich die Entwicklung wirtschaftlich lohnt.

Auch Faktoren wie der Wettbewerb, die eigene Marktposition, mögliche Stückzahlen, Preise und insbesondere die Größe des adressierbaren Marktes spielen eine entscheidende Rolle bei der Bewertung einer Produktidee.

Marktgrößen sind Modelle – keine exakten Wahrheiten

Die Bestimmung einer Marktgröße wird häufig so dargestellt, als ließe sich am Ende eine eindeutige Zahl berechnen. In der Praxis ist das selten der Fall.

Eine Marktgröße ist in erster Linie das Ergebnis eines begründbaren und nachvollziehbaren Modells.

Dafür werden beispielsweise Informationen über die Anzahl potenzieller Kunden, deren Bedarf, mögliche Verkaufspreise, Absatzmengen oder bestehende Markt- und Unternehmensdaten miteinander kombiniert.

Das Ergebnis ist deshalb nicht einfach „richtig" oder „falsch". Entscheidend ist vielmehr, ob die zugrunde liegenden Annahmen plausibel, fundiert und nachvollziehbar sind – oder ob sie auf unrealistischen Annahmen, ungeeigneten Daten oder methodischen Fehlern beruhen.

Genau deshalb ist Transparenz ein wesentlicher Bestandteil einer guten Marktgrößenberechnung.

Woher stammen die verwendeten Daten? Welche Annahmen wurden getroffen? Wie wurden einzelne Werte berechnet? Und was verändert sich, wenn sich eine dieser Annahmen ändert?

In der Praxis werden solche Berechnungen häufig mit Excel oder vergleichbaren Werkzeugen erstellt. Das funktioniert grundsätzlich gut, führt aber schnell zu aufwendigen Tabellen, manuellen Anpassungen und schwer nachvollziehbaren Änderungen.

Die Datenbasis entscheidet über die Qualität

Neben der Automatisierung bleibt die Qualität der Datenquelle ein Kernelement jeder Marktgrößenbestimmung.

Je nach Zielmarkt können dafür beispielsweise globale Marktforschungsunternehmen wie GfK, NielsenIQ, Gartner oder Dataforce relevante Daten liefern. Dazu gehören unter anderem Absatz- und Verkaufszahlen, Stückzahlen, Zulassungsdaten oder andere marktspezifische Kennzahlen.

Solche Daten können häufig als Exportdateien bezogen und anschließend für die eigene Berechnung aufbereitet werden.

Aus diesen Daten lassen sich beispielsweise Wachstumsraten, Umsätze, Stückzahlen oder andere Marktkennzahlen ableiten. Zusammen mit weiteren Annahmen und Faktoren entsteht daraus schließlich ein Modell zur Bestimmung der Marktgröße.

Dabei liegt eine wesentliche Herausforderung darin, dass nicht alle Faktoren die gleiche Datenqualität besitzen.

Während beispielsweise eine veröffentlichte Zulassungszahl relativ eindeutig sein kann, müssen andere Größen möglicherweise geschätzt werden:

• durchschnittliche Ersatz- oder Neukaufzyklen
• durchschnittlicher Bedarf pro Kunde
• Auslastungs- oder Effizienzwerte
• durchschnittliche Verkaufspreise
• Nutzungsdauer
• Wachstumsannahmen
• Marktanteile einzelner Kundengruppen

Zusätzlich können Fehler bereits in den Ausgangsdaten, bei der Vorfilterung oder bei der anschließenden Berechnung entstehen. Ein Zahlendreher oder eine leicht abweichende Filterdefinition kann das Ergebnis einer umfangreichen Berechnung verändern.

Genau hier kann ein KI-gestützter Ansatz interessant werden.

Die KI bekommt nicht nur Daten, sondern Regeln

Statt der KI einfach einen Datensatz und die Aufforderung zu geben, daraus eine Marktgröße zu berechnen, wird der Prozess strukturiert definiert.

Ein erster Baustein beschreibt, welche Daten erwartet werden.

Dabei kann beispielsweise festgelegt werden:

• welche Exportdateien verwendet werden,
• welche Spalten vorhanden sein müssen,
• welche Datentypen erwartet werden,
• welche Mindestinformationen enthalten sein müssen,
• welche Einheiten verwendet werden,
• welche Zeiträume abgedeckt sein müssen.

Bei der Aufbereitung würde ich dabei bewusst eher mit groben Ausgangsdatensätzen arbeiten.

Die Daten müssen nicht zwingend bereits vollständig vorgefiltert und vorgeclustert sein. Die KI kann diese Aufgabe übernehmen und beispielsweise Datensätze gruppieren, relevante Kundensegmente identifizieren oder nicht benötigte Datensätze anhand der definierten Regeln herausfiltern.

Das kann nicht nur Arbeit sparen. Es reduziert auch die Anzahl manueller Bearbeitungsschritte und damit potenzielle Fehlerquellen.

Ein zweiter Baustein beschreibt anschließend die Berechnungslogik.

Darin wird eindeutig definiert, wie aus den Ausgangsdaten und den zusätzlichen Faktoren die gewünschte Kennzahl entsteht. Die KI erhält damit nicht lediglich das Ziel, „die Marktgröße zu berechnen", sondern einen nachvollziehbaren Rechenweg.

Die KI braucht klare Grenzen

Ein dritter Baustein definiert, wie sich die KI innerhalb dieses Prozesses verhalten soll.

Das ist besonders wichtig.

Die KI soll beispielsweise prüfen, ob die eingelesenen Dateien tatsächlich den erwarteten Datenstrukturen entsprechen. Fehlen Spalten, stimmen Einheiten nicht überein oder enthält ein Datensatz unerwartete Werte, soll sie nicht einfach versuchen, das Problem selbstständig zu lösen.

Sie soll darauf hinweisen und gegebenenfalls eine Bestätigung einholen.

Gleiches gilt für die Berechnung selbst: Die vorgegebenen Rechenregeln müssen eingehalten werden. Die KI darf keine fehlenden Werte durch erfundene Daten ergänzen und keine Annahmen als Fakten darstellen.

Keine Halluzinationen, keine erfundenen Daten, keine stillschweigenden Änderungen der Berechnungslogik.

Wenn eine Information fehlt oder eine Situation nicht eindeutig durch die definierten Regeln abgedeckt ist, ist eine Rückfrage besser als eine scheinbar plausible Antwort.

KI als Plausibilitätsprüfung für Annahmen

Besonders interessant wird der Einsatz von KI bei den Faktoren, die nicht direkt aus einer Datenquelle übernommen werden können.

Nehmen wir beispielsweise an, für ein Produkt soll ein durchschnittlicher Ersatzzyklus von acht Jahren angenommen werden.

Dieser Wert kann eine wichtige Auswirkung auf die errechnete Marktgröße haben. Gleichzeitig besteht das Risiko, dass ein Erfahrungswert falsch eingeschätzt, ein Zahlendreher übernommen oder eine Annahme ohne ausreichende Grundlage getroffen wird.

Eine KI kann solche Eingaben zumindest einer zusätzlichen Plausibilitätsprüfung unterziehen.

Sie kann beispielsweise darauf hinweisen, dass ein eingegebener Wert deutlich außerhalb eines hinterlegten Erfahrungsbereichs liegt oder nicht zu den übrigen Annahmen passt.

Das ersetzt keine fachliche Validierung. Es schafft aber eine zusätzliche Kontrollinstanz.

Wenn dem Anwender selbst Erfahrungswerte fehlen, kann die KI außerdem mögliche Wertebereiche oder alternative Annahmen vorschlagen. Diese Vorschläge müssen dabei klar als Schätzungen oder Vorschläge gekennzeichnet bleiben und dürfen nicht unbemerkt in die Berechnung übernommen werden.

Vom Ergebnis zum reproduzierbaren Modell

Ein wesentlicher Vorteil eines solchen Ansatzes liegt schließlich in der Dokumentation.

Die KI kann neben der eigentlichen Marktgröße einen vollständigen Transparenzbericht erzeugen. Darin kann beispielsweise dokumentiert werden:

• verwendete Quelldateien
• Version der Quelldaten
• verwendete Datenquellen
• verwendete Filter und Cluster
• sämtliche Berechnungsschritte
• verwendete Faktoren
• Herkunft jedes Faktors
• Kennzeichnung als Quelle, Defaultwert oder Schätzung
• getroffene Annahmen
• verwendete Daten und Zeitpunkte
• Version der verwendeten KI-Konfiguration
• Ergebnis der Plausibilitätsprüfungen

Der Bericht kann dabei in dem für den Anwender passenden Format und in der gewünschten Sprache erzeugt werden.

Damit entsteht nicht nur eine Zahl, sondern eine nachvollziehbare Herleitung der Zahl.

Jede Berechnung bekommt eine Version

Noch einen Schritt weiter geht eine interne Versionierung.

Die KI kann beispielsweise in einer separaten Datei eine Versionsnummer und einen Changelog führen. Änderungen an Berechnungsregeln, Datenstrukturen oder anderen relevanten Parametern werden dort dokumentiert.

Damit lässt sich später feststellen, mit welcher Version des Berechnungsmodells ein bestimmtes Ergebnis ermittelt wurde.

Das schafft einen entscheidenden Unterschied zu einer einmalig erstellten Excel-Datei:

Das Ergebnis wird reproduzierbar.

Ändern sich später Daten, Annahmen oder Berechnungsregeln, kann nachvollzogen werden, warum sich auch die Marktgröße verändert hat.

Damit wird aus einer statischen Marktgrößenberechnung ein versioniertes und dokumentiertes Berechnungsmodell.

Wie lässt sich ein solches System heute umsetzen?

Die beschriebenen Prinzipien lassen sich inzwischen auch ohne eine eigene Softwareentwicklung praktisch umsetzen.

Moderne Large Language Models (LLMs) wie ChatGPT können beispielsweise in Form von Projekten mit eigenen Dateien, Regeln und Anweisungen konfiguriert werden. Damit lässt sich ein Rahmen schaffen, in dem die KI nicht jedes Mal neu erklärt bekommen muss, welche Daten sie verarbeiten und welche Regeln sie dabei einhalten soll.

Für eine Marktgrößenberechnung könnten beispielsweise unterschiedliche Dateien als feste Bestandteile eines solchen Projekts hinterlegt werden:

• eine Datei mit den Anforderungen an die Quelldaten,
• eine Datei mit den Berechnungsregeln,
• eine Datei mit den Verhaltensregeln der KI,
• die jeweiligen Quelldatensätze,
• sowie eine Datei für Versionierung und Changelog.

Die eigentliche Berechnung kann anschließend innerhalb dieses definierten Rahmens durchgeführt werden.

Das Prinzip ist dabei nicht auf ein bestimmtes LLM beschränkt. Auch andere aktuelle Modelle und Plattformen können für vergleichbare Ansätze eingesetzt werden. Entscheidend ist weniger die konkrete Marke des verwendeten Modells als die Frage, wie Daten, Regeln, Prüfungen und Dokumentation strukturiert werden.

Damit wird aus einem einfachen Chat mit einer KI ein deutlich strukturierterer Prozess.

Wie sich solche KI-Projekte aufbauen und welche Rolle dabei beispielsweise Regeldateien, Projektdokumentation und wiederverwendbare Arbeitsanweisungen spielen, ist ein eigener Anwendungsfall und lässt sich entsprechend separat betrachten.

Fazit

KI ersetzt nicht die fachliche Marktanalyse und schon gar nicht die unternehmerische Entscheidung.

Sie kann aber dabei helfen, einen aufwendigen Prozess zu strukturieren, zu beschleunigen und transparenter zu machen.

Der entscheidende Punkt ist deshalb nicht die Frage, ob eine KI eine Marktgröße „berechnen kann". Entscheidend ist, ob sich mit ihrer Hilfe ein sauber definiertes, nachvollziehbares und reproduzierbares Berechnungsmodell aufbauen lässt.

Wenn Datenquellen, Berechnungsregeln, Annahmen, Plausibilitätsprüfungen und Versionierung klar definiert sind, kann KI dabei weit mehr leisten als die reine Automatisierung einer Excel-Tabelle.

Sie wird zu einem Werkzeug, das Daten verarbeitet, Annahmen hinterfragt, Berechnungen dokumentiert und Veränderungen nachvollziehbar macht.

Die Qualität des Ergebnisses hängt dabei weiterhin von der Qualität der Daten und der fachlichen Logik ab. KI nimmt diese Verantwortung nicht ab – sie kann aber helfen, sie systematischer wahrzunehmen.