Zum Inhalt springen
Wissensdatenbank

KI-gestützte Kampagnenverwaltung

Diese Seite beschreibt die KI-gestützten Funktionen der Kampagnenverwaltung, mit denen Sie Umfragekampagnen im Dialog planen und verwalten.

Für die Arbeit mit der Askalot-Plattform bietet die KI-gestützte Kampagnenverwaltung zwei einander ergänzende Oberflächen:

  1. Kampagnenassistent – ein geführter, mehrstufiger Ablauf, mit dem auch Einsteiger eine Kampagne von Grund auf anlegen
  2. Chat-Oberfläche – eine jederzeit verfügbare Dialogoberfläche für spontane Anfragen und komplexe Vorgänge

Der Kampagnenassistent führt Sie durch den gesamten Prozess der Kampagnenerstellung. So kommen auch Nutzer zurecht, die mit den Abläufen der Umfrageforschung nicht vertraut sind.

  • Neuen Nutzern den Einstieg erleichtern
  • Sicherstellen, dass alle erforderlichen Schritte in der richtigen Reihenfolge erledigt werden
  • In jedem Schritt kontextbezogene Hilfe und Empfehlungen geben
  • Fehler vermeiden, indem Eingaben vor dem nächsten Schritt geprüft werden
Schritt 1: KampagnenentwurfSchritt 2: ZielgruppeSchritt 3: StichprobenstrategieSchritt 4: BefragtenpoolSchritt 5: Prüfen & StartenName und BeschreibungFragebogen auswählen oder anlegenKampagnenmodus wählenDemografische Anforderungen festlegenZiel-Stichprobengröße festlegenSchichtungsfaktoren konfigurierenStichprobenstrategie auswählen oder anlegenZielverteilungen prüfenQualitätsmaß wählenPool erzeugen: gewünschte Größe, Oversampling-FaktorQualitätskennzahlen des Pools ansehenPool optional manuell verfeinernÜbersicht aller EinstellungenGeschätzte AbschlusskennzahlenKampagne starten oder als Entwurf speichern

In jedem Schritt kann der KI-Assistent Folgendes tun:

Schritt KI-Fähigkeiten
Kampagnenentwurf Passend zu den Forschungszielen einen Fragebogen vorschlagen, einen Kampagnenmodus empfehlen
Zielgruppe Eine Stichprobengröße nach statistischen Anforderungen empfehlen, demografische Faktoren vorschlagen
Stichprobenstrategie Das Forschungsthema analysieren, Schichtungsfaktoren über Geschlecht und Alter hinaus empfehlen, Zielverteilungen vorschlagen, Zielkonflikte erläutern (siehe KI-gestützter Entwurf von Stichprobenstrategien)
Befragtenpool Qualitätskennzahlen erklären, Verbesserungen vorschlagen, wenn die Verteilung nicht zu den Zielen passt
Prüfen & Starten Die Kampagneneinrichtung zusammenfassen, mögliche Probleme markieren
User: "I want to conduct a customer satisfaction survey"
AI: I'll help you set up a customer satisfaction campaign. Let's start with the basics.
Step 1: Campaign Design
What would you like to name this campaign?
[Input: Campaign Name]
I found these questionnaires that match "customer satisfaction":
- customer_satisfaction_nps.qml (NPS + open feedback)
- customer_satisfaction_detailed.qml (comprehensive 20-question survey)
Which would you like to use, or should I help you create a new one?

Für eine repräsentative Stichprobe müssen Sie die richtigen Schichtungsfaktoren wählen. Geschlecht und Alter sind in den meisten Studien die üblichen, voneinander unabhängigen Faktoren; viele Studien brauchen jedoch zusätzliche, themenspezifische Faktoren. Der KI-Assistent hilft Ihnen, diese forschungsspezifischen Faktoren zu erkennen und zu konfigurieren.

Standardfaktoren und forschungsspezifische Faktoren

Abschnitt betitelt „Standardfaktoren und forschungsspezifische Faktoren“
Faktortyp Beispiele Einsatz
Standard (immer enthalten) Geschlecht, Alter Jede Kampagne – grundlegende demografische Abbildung
Geografisch Region, Stadt/Land, Landkreis Ortsabhängige Forschung, regionale Vergleiche
Sozioökonomisch Einkommen, Bildung, Erwerbstätigkeit Konsumforschung, Wirtschaftsstudien
Einstellungsbezogen Politische Orientierung, Werte Meinungsumfragen, Sozialforschung
Verhaltensbezogen Produktnutzung, Mediennutzung Marktforschung, Verhaltensstudien

Die KI analysiert das Forschungsthema und den Inhalt des Fragebogens und empfiehlt dazu passende Schichtungsfaktoren.

So funktioniert es:

  1. Themenverständnis: Die KI analysiert die Kampagnenbeschreibung und den Fragebogen
  2. Faktorempfehlung: Sie schlägt Faktoren vor, die unkontrolliert zu Verzerrungen führen könnten
  3. Verteilungsvorschläge: Sie empfiehlt Zielverteilungen auf Basis von Bevölkerungsdaten
  4. Abwägung: Sie erläutert Kosten und Nutzen jedes zusätzlichen Faktors
User: "I want to create a campaign to measure party preferences for the
upcoming election"
AI: For election polling, I recommend stratifying beyond standard demographics.
Standard Factors (recommended):
┌─────────────────┬────────────────────────────────────────┐
│ Factor │ Target Distribution │
├─────────────────┼────────────────────────────────────────┤
│ Gender │ Male 48%, Female 50%, Other 2% │
│ Age │ 18-29: 18%, 30-44: 22%, 45-59: 25%, │
│ │ 60+: 35% │
└─────────────────┴────────────────────────────────────────┘
Research-Specific Factors (recommended for election polling):
┌─────────────────┬────────────────────────────────────────┐
│ Factor │ Rationale │
├─────────────────┼────────────────────────────────────────┤
│ Education │ Strong correlation with voting │
│ │ patterns and party preference │
├─────────────────┼────────────────────────────────────────┤
│ Settlement Type │ Urban/suburban/rural divide affects │
│ │ political orientation significantly │
├─────────────────┼────────────────────────────────────────┤
│ Prior Vote │ Previous election choice is the │
│ (2022) │ strongest predictor of current intent │
└─────────────────┴────────────────────────────────────────┘
⚠️ Note on Political Orientation:
Including "left/right self-placement" as a stratification factor
is controversial - it can introduce bias if the target distribution
is incorrectly specified. I recommend using it for weighting
post-collection rather than pre-stratification.
Would you like me to:
1. Add Education and Settlement Type as factors?
2. Explain how to handle Prior Vote recall?
3. Show the statistical impact of each factor?
User: "Create a campaign for testing a new premium coffee brand"
AI: For premium product research, your sample needs to represent the
potential customer base, not just the general population.
Standard Factors:
┌─────────────────┬────────────────────────────────────────┐
│ Gender │ Male 48%, Female 50%, Other 2% │
│ Age │ Focus on 25-54 (primary coffee buyers) │
└─────────────────┴────────────────────────────────────────┘
Recommended Research-Specific Factors:
┌─────────────────┬────────────────────────────────────────┐
│ Factor │ Rationale │
├─────────────────┼────────────────────────────────────────┤
│ Income Bracket │ Premium products require disposable │
│ │ income - undersample low-income │
├─────────────────┼────────────────────────────────────────┤
│ Coffee │ Non-coffee drinkers are irrelevant; │
│ Consumption │ heavy users provide better insights │
├─────────────────┼────────────────────────────────────────┤
│ Purchase │ Supermarket vs. specialty store vs. │
│ Channel │ online affects brand perception │
└─────────────────┴────────────────────────────────────────┘
Should I configure these factors with recommended distributions?

Für jeden empfohlenen Faktor liefert die KI:

Konfiguration Beschreibung
Attributpfad Welches Feld der befragten Person verwendet wird (z. B. custom_attributes.education)
Faktortyp discrete (Kategorien), bucketed (Bereiche) oder geographic
Zielverteilung Die Bevölkerungsanteile, die erreicht werden sollen
Gewicht Relative Bedeutung gegenüber anderen Faktoren
Datenquelle Zensus, Panel-Daten oder eigene Vorgabe
User: "I also want to stratify by smartphone brand preference"
AI: I can add "Smartphone Brand" as a custom factor.
Configuration needed:
┌────────────────────┬──────────────────────────────────────┐
│ Setting │ Value │
├────────────────────┼──────────────────────────────────────┤
│ Factor Name │ Smartphone Brand │
│ Attribute Path │ custom_attributes.smartphone_brand │
│ Factor Type │ discrete │
│ Categories │ [Apple, Samsung, Other Android, │
│ │ Other, None] │
└────────────────────┴──────────────────────────────────────┘
What target distribution would you like?
Option A: Match market share (Apple 28%, Samsung 25%, Other Android 35%, ...)
Option B: Equal representation (20% each)
Option C: Custom distribution
Note: Your respondent database must have this attribute populated.
Currently 67% of respondents have smartphone_brand recorded.

Bevor Sie die Strategie festlegen, zeigt die KI, wie gut sie sich umsetzen lässt:

AI: Strategy Preview for "Election Poll Q1 2026"
Factors configured: Gender, Age, Education, Settlement Type
Achievability Analysis:
┌─────────────────┬───────────┬───────────┬─────────────────┐
│ Factor │ Target │ Available │ Match Quality │
├─────────────────┼───────────┼───────────┼─────────────────┤
│ Gender │ 48/50/2 │ 47/51/2 │ ✅ Excellent │
│ Age 18-29 │ 18% │ 12% │ ⚠️ Undersample │
│ Age 60+ │ 35% │ 41% │ ⚠️ Oversample │
│ Higher Ed │ 32% │ 38% │ ✅ Good │
│ Rural │ 28% │ 19% │ ❌ Gap │
└─────────────────┴───────────┴───────────┴─────────────────┘
Recommendations:
1. Young respondents (18-29) are underrepresented in your database.
Consider: Panel recruitment or oversample factor of 1.5x
2. Rural respondents are significantly underrepresented.
Options:
- Accept bias and apply post-stratification weighting
- Import additional rural respondents from external panel
- Reduce rural target to match available pool
How would you like to proceed?

Über die Chat-Oberfläche erledigen Sie spontane Vorgänge und komplexe mehrstufige Aufgaben im Dialog, ohne sich durch klassische Formulare zu klicken.

  • Erfahrenen Nutzern ermöglichen, Vorgänge schnell in natürlicher Sprache auszuführen
  • Komplexe Anfragen bearbeiten, die mehrere Objekte betreffen
  • Als Sparringspartner bei Planung und Analyse von Kampagnen dienen
  • Stapelvorgänge und Datenbearbeitung unterstützen
Vorgang Beispielanfrage
Objekte anlegen „Legen Sie ein neues Projekt namens ‚Q1 Research‘ an“
Objekte ändern „Ergänzen Sie die Kampagnenbeschreibung um die neue Frist“
Objekte abfragen „Zeigen Sie mir alle derzeit aktiven Kampagnen“
Objekte löschen „Entfernen Sie die Testbefragten aus dem Pool“
Vorgang Beispielanfrage
Strategie anlegen „Erstellen Sie eine Stichprobenstrategie für eine Wahlumfrage mit Bildung als zusätzlichem Faktor“
Faktoren ändern „Fügen Sie der bestehenden Strategie den Siedlungstyp als Faktor hinzu“
Abdeckung analysieren „Reicht meine Befragtendatenbank für eine Strategie mit 1000 Fällen und diesen Faktoren?“
Strategien vergleichen „Zeigen Sie mir, wie sich die Zielverteilungen der beiden Strategien unterscheiden“

Pools sind für den Einsatz in einer einzigen Kampagne gedacht – wer bereits teilgenommen hat, wird in der Regel nicht erneut befragt. Für neue Kampagnen erzeugen Sie mit Strategien (wiederverwendbaren Vorlagen) frische Pools.

Vorgang Beispielanfrage
Pool erzeugen „Erzeugen Sie aus der Wahlstrategie einen Pool mit 400 Personen für meine Q2-Kampagne“
Pools zusammenführen „Führen Sie die Pools ‚Urban‘ und ‚Suburban‘ zu einem neuen Pool ‚Metro‘ zusammen“
Pools filtern „Erstellen Sie aus dem Hauptpool einen neuen Pool nur mit Befragten zwischen 25 und 34“
Pools analysieren „Wie schneidet mein aktueller Pool im Vergleich zur Zielverteilung ab?“
Pools aktualisieren „Erzeugen Sie den Pool mit der aktualisierten Strategie neu“ (behält die gewünschte Größe des Pools bei)
Vorgang Beispielanfrage
Statusabfrage „Wie hoch ist die Abschlussquote der NPS-Kampagne?“
Sammelaktionen „Senden Sie allen Befragten, die noch nicht begonnen haben, eine Erinnerung“
Neuzuweisung „Verschieben Sie die unvollständigen Umfragen von Interviewer A zu Interviewer B“
Analyse „Vergleichen Sie die Rücklaufquoten der beiden Kampagnenversionen“

Pools zusammenführen

User: "Merge the 'Panel A' and 'Panel B' pools to get more respondents
for the satisfaction campaign"
AI: I'll merge those pools for you.
Found:
- Panel A: 450 respondents
- Panel B: 380 respondents
Creating merged pool 'Panel A + Panel B' with 830 respondents...
✓ Merged pool created successfully
Would you like me to:
1. Assign this pool to the satisfaction campaign?
2. Check for duplicate respondents between the pools?
3. Review the demographic distribution of the merged pool?

Komplexe Abfrage

User: "Show me which interviewers have the lowest completion rates
and suggest how to redistribute their workload"
AI: Analyzing interviewer performance for the active campaign...
Completion Rates:
┌─────────────────┬────────────┬───────────┬──────────┐
│ Interviewer │ Assigned │ Completed │ Rate │
├─────────────────┼────────────┼───────────┼──────────┤
│ Maria Santos │ 45 │ 42 │ 93% │
│ John Chen │ 50 │ 38 │ 76% │
│ Alex Kim │ 48 │ 22 │ 46% ⚠️ │
│ Sarah Johnson │ 52 │ 18 │ 35% ⚠️ │
└─────────────────┴────────────┴───────────┴──────────┘
Recommendation:
Alex Kim and Sarah Johnson have significantly lower completion rates.
I suggest redistributing their remaining 60 surveys to Maria Santos
and John Chen, who have capacity and higher completion rates.
Should I proceed with this redistribution?

Die Chat-Oberfläche behält den Kontext über mehrere Nachrichten hinweg. Das ermöglicht:

  • Anschlussfragen: „Filtern Sie diesen Pool jetzt auf Frauen“
  • Klärungsfragen: „Was meinen Sie mit ‚Oversampling-Faktor‘?“
  • Mehrstufige Abläufe: komplexe Vorgänge Schritt für Schritt aufbauen
  • Rückgängig machen: „Machen Sie die letzte Zusammenführung doch rückgängig“

Hinter Assistent und Chat-Oberfläche steht der Manager-Agent, der über MCP-Tools (Model Context Protocol) auf die Askalot-Plattform zugreift.

Der Manager verantwortet den Lebenszyklus der Kampagne: Entwurf der Stichprobenstrategie, Erzeugung des Befragtenpools, Anlegen der Kampagne und Aufsicht über die laufende Feldphase. Die Überwachung der laufenden Datenerhebung – Rücklaufquoten, Abdeckung der Segmente, Qualitätswarnungen – übergibt er an einen Sub-Agenten Field Supervisor, der Anpassungen bei Quoten, Zielgruppenansprache oder Zeitplan empfiehlt. Für den Fragebogenentwurf und die Bearbeitung von QML verweist der Manager Sie an den Designer-Agenten (siehe Fragebogengenerierung).

Über MCP-Tools (Model Context Protocol) haben Agenten Zugriff auf die gesamte Askalot-API – für Projekte, Kampagnen, Fragebögen, Befragte, Pools, Stichprobenstrategien und mehr.

Die vollständige Liste der verfügbaren Tools und ihrer Parameter finden Sie in der Referenz der MCP-Schnittstelle.

Soll der Manager-Agent eine Stichprobenstrategie begründen – „Warum die Kohorte 65+ überrepräsentieren?“, „Reicht diese Stichprobengröße für Untergruppenvergleiche?“, „Wie hoch ist der Designeffekt bei einem geschichteten Design hier?“ –, zieht er begutachtete Fachliteratur zur Stichprobenmethodik heran (Heeringa, West & Berglund 2010; Bethlehem & Biffignandi 2012; Schouten et al. 2009, 2013; sowie Kish 1965, wo die Begründung darauf aufbaut) und nennt in seiner Antwort Publikation und Jahr. Siehe Überblick über die KI-gestützten Funktionen → Fundierung in begutachteter Methodik.

KI-Agenten laufen auf den Claude-Modellen von Anthropic – den lokalen Inferenzdienst der Plattform nutzt Askalot nur für Dokument-Embeddings, nicht für Agentenaufgaben. Den Anbieter wählen Sie ausdrücklich in den Profileinstellungen; einen automatischen Wechsel zwischen den Anbietern gibt es nicht (siehe KI-Anbieter):

Gateway Modelle Einsatz
Anthropic API Claude Opus, Sonnet, Haiku Direkter API-Zugriff – Schlüssel mit nutzungsbasierter Abrechnung
AWS Bedrock Claude Opus, Sonnet, Haiku Unternehmensumgebungen mit AWS IAM und Kontrolle über den Datenstandort

Die KI-gestützten Funktionen halten sich an das bestehende Berechtigungsmodell:

Rolle Zugriff auf den Assistenten Zugriff auf den Chat
Owner Voll Voll
Manager Voll Voll
Analyst Nur Lesezugriff Nur Abfragen
Interviewer Keiner Eingeschränkt (eigene Umfragen)

  • Beim ersten Anlegen einer Kampagne
  • Beim Einarbeiten neuer Teammitglieder
  • Bei Standardkampagnen mit typischer Konfiguration
  • Wenn eine schrittweise Prüfung wichtig ist
  • Wenn Sie als erfahrener Nutzer genau wissen, was Sie wollen
  • Bei komplexen Vorgängen über mehrere Objekte hinweg
  • Für spontane Abfragen und die Erkundung von Daten
  • Für Stapelvorgänge auf vorhandenen Daten