Customer Digital Twins: Was sie sind und was sie vorhersagen können

Ein Customer Digital Twin ist ein KI-Modell eines Kunden oder eines Kundentyps, das man befragen kann. Es wird aus Daten über die repräsentierten Personen erstellt (Interviewtranskripte, Umfrageergebnisse, CRM-Notizen, öffentliche Profile, Segmentstudien) und beantwortet neue Fragen oder reagiert auf Konzepte so, wie diese Menschen es voraussichtlich tun würden.

Der Begriff stammt aus dem Ingenieurwesen: Dort ist ein digitaler Zwilling das virtuelle Modell einer Maschine oder eines Prozesses, das kontinuierlich mit der Realität synchronisiert wird, um Änderungen vorab zu simulieren. Auf Kunden übertragen bleibt das Prinzip identisch: Ideen werden am Modell getestet, bevor Zeit oder Budget für reale Zielgruppen aufgewendet werden. Der Unterschied liegt in der Komplexität: Menschen lassen sich weit schwerer modellieren als Maschinen. Ein Kunden-Zwilling ist daher immer eine Annäherung, kein exaktes Spiegelbild.

Zwilling einer Einzelperson oder Zwilling eines Segments

In der Praxis kommen zwei Arten von digitalen Kunden-Zwillingen zum Einsatz, die unterschiedliche Fragestellungen beantworten.

Eine Gruppe von Segment-Zwillingen entspricht dem, was in der Marktforschungsliteratur als synthetisches Panel bezeichnet wird. Mehr zu diesem Anwendungsbereich findet sich unter synthetische Befragte und synthetische Panels.

Wie ein Customer Digital Twin aufgebaut wird

1. Daten erfassen. Für eine Einzelperson: Interviews, frühere Umfrageantworten, Notizen und öffentlich zugängliche Inhalte, gestützt auf eine rechtmäßige Grundlage zur Nutzung. Für ein Segment: publizierte Statistiken und Studien sowie eigene Umfrageergebnisse und Interviewtranskripte.
2. Profil aufbauen. Ein Sprachmodell wird auf diese Daten konditioniert: wer der Kunde ist, was er tut, welche Aussagen er getroffen hat und welche Themen für ihn relevant sind.
3. Befragen und testen. Dem Zwilling werden Fragen gestellt, Konzepte, Landingpages oder Verpackungsdesigns vorgelegt oder strukturierte Instrumente wie Umfragen oder MaxDiff-Analysen ausgespielt.
4. Mit der Realität abgleichen. Eine Stichprobe der Antworten des Zwillings wird mit tatsächlichen Aussagen oder Handlungen realer Kunden verglichen, wobei Fehleinschätzungen dokumentiert werden.

Was die wissenschaftliche Evidenz zur Genauigkeit sagt

Die aussagekräftigsten Belege liefern Studien, in denen Zwillinge realer Personen erstellt und deren Antworten direkt mit den Angaben dieser Personen verglichen wurden.

• Ein Team unter Leitung von Forschern der Stanford University erstellte Agenten für 1.052 US-Amerikaner auf Basis zweistündiger Interviews, Umfragen oder beider Datenquellen. Bei zurückgehaltenen Fragen des General Social Survey erreichten rein interviewbasierte, rein umfragebasierte und kombinierte Agenten 83%, 82% und 86% der individuellen Test-Retest-Konsistenz der Teilnehmer über zwei Wochen. Agenten, die ausschließlich soziodemografische Daten erhielten, kamen lediglich auf 74%. Der Zugewinn durch die Kombination beider Quellen gegenüber einer einzelnen Quelle fiel moderat aus (arXiv, 2024).
• Toubia und Kollegen befragten eine repräsentative US-Stichprobe von 2.058 Personen über vier Erhebungswellen und 500 Fragen hinweg. In der letzten Welle wurden Aufgaben wiederholt, um eine Baseline für die Test-Retest-Konsistenz zu ermitteln. Die Daten wurden öffentlich bereitgestellt, um Zwillingsmethoden an realen Individuen benchmarken zu können (Twin-2K-500, arXiv, 2025).
• Auf Populationsebene stellten Bisbee und Kollegen fest, dass Modelle, die mit Personas instruiert wurden, zwar durchschnittliche Umfrageergebnisse abbildeten, jedoch zu wenig Varianz aufwiesen und bereits auf geringfügige Änderungen im Prompt empfindlich reagierten (Political Analysis, 2024).

Für die Praxis bedeutet das: Gehaltvolle Primärdaten über den Kunden wiegen schwerer als jeder andere Faktor. Doch selbst hochgradig optimierte Zwillinge erreichen nicht die Konsistenz realer Personen. Ein Zwilling, der lediglich mit einer Berufsbezeichnung und einer Altersspanne gefüttert wird, spiegelt im Wesentlichen nur die Annahmen wider, die man selbst eingegeben hat.

Anwendungsbereiche in Unternehmen

• Vorbereitung auf Sales- und Account-Gespräche. Meetings mit einem Zwilling des Einkäufers oder des Buying Centers simulieren, um kritische Fragen vorab zu identifizieren.
• Vorbereitung von Interviews. Leitfäden an Zwillingen des Zielsegments testen, bevor Termine mit echten Kunden vereinbart werden.
• Positionierung und Einwandbehandlung. Mehrere Zwillinge unterschiedlicher Kundentypen befragen, welche Hinderungsgründe einen Kauf verhindern würden, und die Muster vergleichen.
• Screening von Konzepten und Botschaften. Eine Vielzahl von Varianten auf eine engere Auswahl reduzieren, bevor Tests mit realen Zielgruppen starten.
• Permanenter Kundenbeirat. Zwillinge zentraler Kundensegmente vorhalten, um Entscheidungen zu Produkt-Roadmaps oder Copywriting schnell gegenzuprüfen.

Grenzen: Wann man sich nicht auf einen Zwilling verlassen sollte

• Repräsentative Schätzungen wie Marktgröße, Marktdurchdringung oder die exakte Quote kaufbereiter Kunden.
• Exakte Zahlungsbereitschaft oder Preiselastizitäten.
• Behauptungen, die publiziert, regulatorisch geprüft oder auditiert werden.
• Physische, sensorische Produkttests oder Tests im realen Gebrauch.
• Kundengruppen, über die kaum Informationen vorliegen, sowie neue Produktkategorien mit dünner Datenbasis.
• Finale Geschäftsentscheidungen, die sich nur mit hohem Aufwand revidieren lassen. Hier dient der Zwilling dazu, die Fragestellung zu schärfen - die Entscheidung selbst erfordert Feedback realer Kunden.

Zwillinge realer, identifizierbarer Personen berühren zudem den Datenschutz. Es dürfen nur Daten eingesetzt werden, für deren Nutzung eine Berechtigung vorliegt. Geplante Vorhaben sollten stets mit dem internen Datenschutzteam abgestimmt werden.

Wie Minds Customer Digital Twins umsetzt

In Minds entspricht ein digitaler Zwilling einem Mind. Ein Mind kann für eine konkrete Person anhand einer LinkedIn-URL, einer Website oder eines Dokuments erstellt werden - oder für einen Kundentyp anhand einer Beschreibung, ergänzt um Primärdaten wie Interviewnotizen, Umfrageergebnisse oder Studien. Mehrere Minds eines Segments bilden eine Audience. Eine Study kann dieser Audience offene wie geschlossene Fragen stellen, MaxDiff-Analysen durchführen oder Konzepte, Bildmaterial, Websites und Texte präsentieren.

Über die Audience Validation lässt sich eine Audience mit echten, publizierten Umfragen oder mit selbst hochgeladenen Datensätzen abgleichen. Jede Umfrage erhält einen Score von bis zu 100 Punkten samt 95%-Konfidenzintervall. Nicht berücksichtigte Fragen werden samt Begründung ausgewiesen, sodass vorab transparent ersichtlich ist, wie präzise die Zwillinge die realen Antworten dieser Zielgruppe abbilden. Die von Minds veröffentlichten Replikationsstudien anhand von fünf öffentlichen Datensätzen sind dokumentiert unter Wir haben synthetische Zielgruppen an der Realität getestet.

Einen Vergleich mit Tests im realen Markt bietet der Beitrag Marktforschung mit Digital Twins vs. reale Testmärkte. Weiterführende Definitionen finden sich in den Glossareinträgen Digital Twin Consumer und Digital Twin Buyer.

Quellen

• Park, J. S. und Kollegen (2024). LLM Agents Grounded in Self-Reports Enable General-Purpose Simulation of Individuals. arXiv 2411.10109.
• Toubia, O. und Kollegen (2025). Twin-2K-500: A dataset for building digital twins of over 2,000 people based on their answers to over 500 questions. arXiv 2505.17479.
• Bisbee, J., Clinton, J. D., Dorff, C., Kenkel, B. und Larson, J. M. (2024). Synthetic Replacements for Human Survey Data? The Perils of Large Language Models. Political Analysis, 32(4), 401-416.
• Minds (2026). We Tested Synthetic Audiences Against Reality.