Conference Agenda

Overview and details of the sessions of this conference. Please select a date or location to show only sessions at that day or location. Please select a single session for detailed view (with abstracts and downloads if available).

 
 
Session Overview
Session
D3: The Transparent Consumer-Citizen and Fair Data Exploitation
Time:
Thursday, 08/Sept/2022:
3:45pm - 4:45pm

Session Chair: Susan Shaw, GIM Suisse, Switzerland
Location: A 132

HTW Berlin, Campus Treskowallee, Treskowallee 8, 10318 Berlin

Show help for 'Increase or decrease the abstract text size'
Presentations

GPS-Tracking mit einer Smartphone App

Beat Fischer

intervista, Switzerland

Dank GPS-Tracking mit einer Smartphone-App kann das Mobilitätsverhalten einer Person sehr detailliert getrackt werden. Die gewonnen Informationen zu Etappen, Wegen, Verkehrsmittelnutzung und Mobilitätszwecken bieten einen echten Mehrwert in vielen Forschungsbereichen. Bei diesem Referat erläutert Beat Fischer die Methodik, gibt Einblicke in die Data Science dahinter und zeigt Case Studies mit Daten aus dem Schweizer Footprints-Panel.



Social Listening mit KI intelligent auswerten

Jörg Forthmann

IMWF Institut für Management- und Wirtschaftsforschung, Germany

Die Marktforschungslegende Ray Pointner hat postuliert: „Listening is the new asking.“ Das IMWF beobachten die Kommunikation zu 27.000 Marken Unternehmen in über 400 Millionen Internetquellen. In Online-Nachrichten, Foren, Blogs, Communities, Twitter, Facebook und so weiter.

Jeden Tag sammeln wir auf diesem Weg Abermillionen von Aussagen, und um 00:00 Uhr schicken wir diese Daten auf die Amazon-Serverfarm, wo 37 Instrumente der künstlichen Intelligenz diese Aussage analysieren.

Dabei ermitteln wir nicht nur quantitative Daten, also wie viele Veröffentlichungen es in welchen Kanälen gab. Sondern wir beschäftigen uns extrem intensiv mit der Fragestellung, worüber gesprochen wird. Und das in 130 Sprachen.

Diese inhaltliche Erkenntnis ist extrem wichtig für Unternehmen, die zum Beispiel ihr mediales Umfeld oder ihre Lieferketten monitoren wollen. Früher haben wir dafür die händische Kodierung genutzt. Heute können wir in einer Nacht von 00:00 bis 6:00 morgens mehrere Millionen Aussagen vollautomatisch mit Hilfe der künstlichen Intelligenz analysieren.

Typische Ergebnisse sind zum Beispiel:

  • Über welche Themen wurde gesprochen?
  • Welche Themen sind im Kommen?
  • Welche Themen könnten kritisch sein?
  • Wie sind die aktuellen Reputationswerte?
  • Wie sind die Imagewerte und vieles mehr?

Die benötigte Rechenkapazität für die künstliche Intelligenz ist so groß, dass wir zu den Top-Ten-Kunden der Amazon-Serverfarm in Europa gehören, was so ein bisschen den Eindruck vermittelt, welche gigantische Rechnerkapazität in Anspruch genommen wird, um diese flächendeckende Inhaltsanalyse zu tätigen.

Der erfreuliche Effekt ist, dass die Kunden aus der Kommunikation der Menschen am nächsten Morgen bereits zeitnah Erkenntnisse für PR, Marketing, Vertrieb oder Compliance haben. Ein namhafter Kunde dieses Services ist E.ON. Der Energieversorger möchte zeitnah einen tiefen Einblick darüber gewinnen, wie über seine Leistungen gesprochen wird – um den Erfolg eigener Kampagnen nachzuvollziehen und kritisches Echo frühzeitig aufzufangen.



Ethik im Umgang mit Daten und Modellen: Welche praktischen Herausforderungen bringen Data Science Projekte für MarktforscherInnen

Christoph Bräunlich

BSI Software, Switzerland

Jüngste, öffentlich wirksame Vorfälle bei der Anwendung von KI zeigen, dass durch den Einsatz solcher Systeme Personen unfair behandelt werden können. Dies führt bei Unternehmen, die sich mit Data Science und KI auseinandersetzen, zu einem Bedürfnis nach einer Hilfestellung, um die eigenen Daten und Modelle verantwortungsvoll und wertebewusst zu entwickeln. Das Data Fairness Label von SWISS INSIGHTS hilft Data Scientists dabei, sich mit zwei dynamischen Fragebogen strukturiert mit Modellen und Datensätzen zu befassen und ihre Prozesse transparent zu dokumentieren. Dabei werden ethische Fragestellungen aufgedeckt, z.B. welche Verzerrungen in Datensätzen vorliegen.

Das Data Fairness Label gibt keine Entscheide vor und macht keine ethische Wertung. Es erlaubt aber, die aufgedeckten Fragestellungen zu erkennen und gemäss dem unternehmenseigenen Code of Conduct zu beantworten. Interessante oder kontroverse Fragestellungen werden in regelmässig stattfindenden Community Meetings besprochen. So sorgt das Label dafür, dass die Nutzung von Daten und die Anwendung von datengetriebenen Modellen transparent, nachvollziehbar und in diesem Sinne fair gestaltet wird.

Das Label wird in Einklang mit den gesetzlichen Bestimmungen der Schweiz und der EU entwickelt. Die Community befasst sich neben bestehenden auch mit zukünftigen Gesetzen wie dem Gesetzesentwurf über Künstliche Intelligenz der EU.

SWISS INSIGHTS hat langjährige Erfahrungen im Bereich der Selbstregulierung. Wie bereits im angestammten Bereich der klassischen Markt- und Sozialforschung werden heikle Themen auch beim noch jungen Data Fairness Label in der Community behandelt. Kritische Fragen wie beispielsweise in welchen Fällen die Selbstregulierung funktioniert oder wie Greenwashing verhindert werden kann, werden in der Community diskutiert und die Regeln auf dieser Basis gemeinsam immer wieder weiterentwickelt und verfeinert.

In diesem Vortrag stellen wir die Überlegungen bei der Entwicklung des Data Fairness Labels vor. Wir besprechen Beispiele von ethischen Fragestellungen, die von der Benutzung des Labels aufgedeckt werden können und beschreiben, wie das Label in ein Unternehmen integriert werden kann.



 
Contact and Legal Notice · Contact Address:
Privacy Statement · Conference: GOR 22
Conference Software - ConfTool Pro 2.6.145
© 2001–2022 by Dr. H. Weinreich, Hamburg, Germany