Maschine, Mensch, Meinung - Prof. Dr. Andreas Moring zeigt die Potenziale von Künstlicher Intelligenz auf.

Predictive Analytics in Journalismus und Publishing

KI eröffnet auf sämtlichen Ebenen neue Chancen und Potenziale

Auch wenn es immer noch keine Glaskugel gibt, die einem die Zukunft zeigt: Journalist*innen und Medienmacher*innen können mithilfe Künstlicher Intelligenz deutlich mehr über morgen und übermorgen wissen und berichten, als noch vor wenigen Jahren. Das liegt an schier unendlichen Mengen an Daten und an Methoden und Instrumenten, diese auch auszuwerten. Das Ganze nennt sich Predictive Analytics und bietet Potenzial und Chancen auf vielen Ebenen.

Für die vergangenen Wahlen in den USA (Präsident, Kongress, Senat) taten sich Reuters und SAP zusammen. Ziel war und ist es, Predictive Analytics für den Journalismus und das Publishing zu nutzen. Mit Hilfe von SAP HANA und Lumira Software bauen die Reuters Journalist*innen und Produktentwickler*innen neue Tools, um ihren bestehenden Reuters Polling Explorer aufzumotzen und in gewisser Weise in die Zukunft sehen zu lassen: Auf diese Weise konnten mehr als 100 Millionen Antworten und Aussagen aus Umfragen zu Wahlen ausgewertet, künftige Entscheidungen und Verhaltensweisen von Wähler*innen simuliert und damit als künftige wahrscheinliche Szenarien visualisiert werden. Mit einer eigenen White House Run Applikation konnten zudem künftige Verhaltensweisen von zur Wahl stehenden Kandidat*innen simuliert und mit eigenen Vorstellungen und Zielen abgeglichen und analysiert werden.

Auch die Redaktion der US News Seite Propublica nutzt Datenanalyse und eine spezielle Form der Predictive Analytics, um Kongressabgeordnete nach ihren wahren Interessen und Themen einzuordnen. Mit einem eigens programmierten Machine Learning Algorithmus wurden alle verfügbaren Statements der 535 Kongressmänner und –frauen gescannt. Dabei setzte die Redaktion auf das sogenannte Words2Vec- oder Docs2Vec-Verfahren. Dabei werden Worte und Aussagen in Vektoren aus der linearen Algebra dargestellt und als Datenmengen repräsentiert. Damit sind sie für Computer verständlich und bewertbar. Anhand dieser Auswertungen kann der Algorithmus nun Muster und Ähnlichkeiten in den Aussagen und Statements der Abgeordneten erkennen und diese typischen politischen Strömungen zuordnen, die mit diesen Mustern und Worten statistisch eindeutig verbunden sind. Der vorhersagende Aspekt, der eben über die bisher rein beschreibende Datenanalyse hinausgeht, besteht dann darin, Prognosen zu treffen, wie sich ein/-e bestimmte/-r Abgeordnete/-r oder eine Gruppe in der Zukunft verhalten wird und was das für Auswirkungen auf Entscheidungen und politische Prozesse haben dürfte.

Buzzfeed News nutzte ebenfalls Machine Learning und Predictive Analytics für die Recherche mehrerer Geschichten über Flüge des FBI und der Homeland Security, die eigentlich hätten geheim bleiben sollen. Ein Algorithmus wurde darauf trainiert, typische Muster und Bewegungen von Spionage- und Überwachungsflügen zu erkennen. Vorgegeben wurden nur wenige Kriterien, den Rest „lernte“ die Maschine bei der Auswertung von unzähligen Flugdaten aus der Datenbank von Flightradar24. Das Ergebnis sind detaillierte Karten zu den unter „Top Secret“ laufenden Flügen. Mehr noch: Über Predictive Analytics kann sogar vorhergesagt werden, wann, wo, wer und welche Art von derartigen Spionage- und Überwachungsflügen wohl in der Zukunft fliegen wird.

Predictive Analytics ist also eine mächtige und faszinierende Methode, die insbesondere für Journalist*innen und Media Worker neue Möglichkeiten eröffnet. Außerdem wird Predictive Analytics vor allem in den Bereichen Energieversorgung, Instandhaltung, Produktionsmanagement, in der Finanz- und Versicherungswirtschaft und zunehmend auch in der öffentlichen Verwaltung eingesetzt. Bei der prädiktiven Modellierung werden anhand bekannter Werte Modelle zur Prognose der Ergebnisse für andere oder neue Daten entwickelt. Ein solches Modell generiert Ergebnisse in Form von Prognosen für die Wahrscheinlichkeit einer Zielvariablen (z.B. Erlöse, Kosten, Routen, Verhaltensweisen, etc.) basierend auf der geschätzten Signifikanz verschiedener Eingangsvariablen. Dies ist ein entscheidender Unterschied zu deskriptiven Modellen für die Analyse vergangenen Geschehens oder zu diagnostischen Modellen für die Analyse von Zusammenhängen.

Grundsätzlich gibt es zwei Arten prädiktiver Modelle: Klassifikationsmodelle sagen die Zugehörigkeit zu einer Klasse voraus. Das ist das, was beispielsweise Propublica mit den Kongressabgeordneten gemacht hat. Das Ergebnis lässt sich in der Regel als 0 oder 1 darstellen, wobei 1 bedeutet, dass die untersuchte Eigenschaft vorhanden ist. Regressionsmodelle sagen einen Zahlenwert vorher – beispielsweise wie sich der eine oder andere zur Wahl stehende Kandidat wohl in der Zukunft verhalten und welche Politik er oder sie machen wird. Zu den häufigsten Techniken prädiktiver Modellierung gehören Entscheidungsbäume, Regression und neuronale Netzwerke, die bereits in den ersten Blogposts in diesem KI Briefing beschrieben worden sind.

Neben den oben genannten Beispielen gibt es prinzipiell noch viele weitere Möglichkeiten, Predictive Analytics für Journalismus und Publishing zu nutzen. Überall da, wo Daten vorhanden sind und Aussagen über die Zukunft gesucht werden, kann Predictive Analytics zum Einsatz kommen. Wahlen sind nicht die einzigen Wettkämpfe, wo der Ausgang ungewiss und damit die Spannung am höchsten ist – und damit die Sehnsucht nach so etwas wie einer magischen Glaskugel. Der Sport ist geradezu prädestiniert für Recherchen und Stories mit Hilfe von KI und Predictive Analytics. Gleiches gilt aber auch für den Wirtschafts-, Finanz- und Börsenjournalismus, wo es ja bekanntlich um künftige Entwicklungen und erfolgreiche Strategien geht oder wo die Zukunft in Form von Aktien oder anderen Wertpapieren gehandelt wird. Genauso gut kann Predictive Analytics aber auch im regionalen oder lokalen Journalismus zum Einsatz kommen, wenn es beispielsweise um die Zukunft von Entwicklungs- und Bauprojekten geht, wo die öffentliche Meinung der Bürger*innen ebenso eine Rolle spielt wie Macht und Einfluss von Interessengruppen und lokalen Politiker*innen.

Abgesehen davon können Media Worker Predictive Analytics auch auf anderen Feldern einsetzen und für sich und ihre Geschichten und Produkte nutzen. Hier geht es um die Analyse von Nutzerdaten mit dem Ziel, Aussagen über zukünftiges Verhalten zu treffen und daraus Handlungsempfehlungen für sich selbst und sein Produkt abzuleiten. Das nennt man dann „Next Best Action“. Hier kann es darum gehen, beispielsweise den besten Zeitpunkt zu ermitteln: Wann sollte eine bestimmte Geschichte zu einem bestimmten Thema am besten über welche Social Media Plattformen ausgespielt werden, um die Zielgruppe am besten zu erreichen und einen möglichst hohen „Impact“ mit den journalistischen Inhalten zu erzeugen? Es kann auch darum gehen, wann es sich in Bezug auf welche Leser*innen, Zuschauer*innen oder Nutzer*innen lohnt, eine Paywall hochzuziehen. Wann ist der Zeitpunkt oder die Gelegenheit mit der höchsten Erfolgswahrscheinlichkeit? Wenn es darum geht, Abonnent*innen für sein Angebot zu gewinnen, können Predictive Analytics ebenfalls einen wertvollen Beitrag leisten. Der Blick in die Zukunft mittels Künstlicher Intelligenz eröffnet also gerade Media Workern neue Chancen und Potenziale, die darauf warten, entdeckt und genutzt zu werden.

 

Zum Autor: Professor Doktor Andreas Moring ist Professor für Innovation & Digital Management an der International School of Management ISM in Hamburg. Die Schwerpunkte seiner wissenschaftlichen Arbeit sind Digitale Geschäftsmodelle für Medien und Innovationsmanagement. Vor seiner aktuellen Professur arbeitete er für die Axel Springer AG, Schickler Unternehmensberatung und die Deutsche Druck- und Verlagsgesellschaft. Er wurde für seine journalistische Arbeit und von ihm entwickelte Produkte und Formate in den letzten Jahren mehrfach ausgezeichnet.

Share on facebook
Share on twitter
Share on linkedin
Share on xing
Share on print
Weitere Artikel
Um diese Zusammenarbeit gleich in die richtigen Bahnen zu lenken und mit einem gemeinsamen Grundverständnis zu beginnen, startete das Prototyping Lab mit einem Design-Sprint.

Prototyping Lab geht in die zweite Runde

Das zweite Prototyping Lab ist mit einem Design-Sprint im Coworking Space finhaven gestartet. Das Projekt bringt auch in diesem Jahr Studierende verschiedener Hochschulen mit renommierten Hamburger Medienhäusern zusammen, um gemeinsam mit neuen Technologien zu experimentieren. Zum Auftakt erarbeiteten die neuen Teams erste Entwicklungsansätze für ihre Prototypen.

Mehr lesen
Das etwas andere mobile Büro: Contentflow-Mitgründer Gregor Landwehr auf der Kirmes. Fotocredit: Julia Kneuse

Gregor Landwehr über das Erfolgsrezept von Contentflow

Kurz vor dem Graduation Pitch bei unserem Inkubator haben wir uns mit MEDIA LIFT-Mentor und contentflow-Gründer Gregor Landwehr darüber unterhalten, wie sein Jungunternehmen zum Start-up-Wunderkind avancierte, welche Rolle dabei der next media accelerator hatte und worauf es bei der Verwirklichung von Gechäftsideen ankommt.

Mehr lesen
Sara Urbainczyk: Gründerin und Geschäftsführerin von Echte Mamas

Was MEDIA LIFT-Mentorin Sara Urbainczyk (Echte Mamas) Gründer*innen rät

2016 gründete MEDIA LIFT-Mentorin Sara Urbainczyk gemeinsam mit Marion Scheithauer und Miriam Wiederer die Online-Community „Echte Mamas“. Welche Erfahrungen die Gründerin beim Aufbau des Social Media Angebots für Mütter machen durfte, wie Facebook-Gruppen bei diesem Unterfangen halfen und was Sie jungen Ideenentwickler*innen empfiehlt? Die Antwort gibt’s in diesem Blogbeitrag.

Mehr lesen
X