Wann synthetische Daten sinnvoll sind

Die meisten Customer-Experience-Teams haben kein Problem mit fehlenden Daten. Sie haben ein Problem mit dem Zugriff darauf. Die Datensätze, die die Frage beantworten würden, liegen in Systemen, die durch Datenschutzrecht, Lieferantenverträge oder ein Sicherheitsteam abgeschirmt sind, das im Zweifel Nein sagt. Also wartet das Modell, die Testumgebung bleibt leer, und die Erkenntnis, die in diesem Quartal hätte geliefert werden können, kommt erst im nächsten Jahr, wenn überhaupt.

Synthetische Daten sind die Antwort auf diesen Engpass. Sie werden von einem Algorithmus erzeugt, der die statistische Form echter Datensätze lernt, also die Verteilungen und die Zusammenhänge zwischen den Feldern, und daraus neue Datensätze erstellt, die wie das Original aussehen, aber zu keiner realen Person gehören.

Der Wandel ist bereits im Gange

Die Entwicklung verläuft so steil, dass es eine strategische Entscheidung ist, sie zu ignorieren, und keine neutrale.

Der Markt zieht mit. Grand View Research beziffert den Markt für die Erzeugung synthetischer Daten für 2023 auf rund 218 Millionen Dollar und rechnet bis 2030 mit einem Wachstum auf knapp 1,8 Milliarden, bei einer jährlichen Wachstumsrate von über 35%. Das ist kein Hype-Geld. Hier behandeln Beschaffungsteams synthetische Daten als Infrastruktur.

Wann sie ihren Platz verdienen

In einer überschaubaren Zahl von Situationen lohnen synthetische Daten den Aufwand. Überall sonst sind sie eine erzwungene Lösung.

1. Die Daten sind sensibel. Kundendatensätze enthalten personenbezogene Informationen und regulierte Felder. Eine synthetische Kopie erhält die Zusammenhänge, die Analysten benötigen, lässt sich aber auf keine reale Person zurückführen. So werden Entwicklung und Tests möglich, ohne Echtdaten offenzulegen.
2. Die Daten sind knapp. Seltene, aber entscheidende Momente, etwa ein Härtefallantrag, ein Kündigungsgespräch oder ein Betrugs-Grenzfall, tauchen in den Logs kaum auf. Die synthetische Erzeugung liefert einem Modell genug Beispiele aus dem Long Tail, damit es daraus lernen kann.
3. Die Daten lassen sich nicht weitergeben. Wenn Verträge oder gesetzliche Vorgaben Sie daran hindern, echte Datensätze mit einem Partner oder einem Offshore-Team zu teilen, lässt sich eine synthetische Version ungehindert weitergeben und löst Blockaden in der Zusammenarbeit.
4. Das Original gibt es noch nicht. Wer ein neues Produkt, eine neue Journey oder einen neuen Kanal vor dem Launch testen will, hat keine Historie, auf die er zurückgreifen kann. Synthetische Szenarien füllen die Lücke, sodass das System auf Belastung geprüft wird, bevor ein Kunde es überhaupt berührt.

Synthetische Daten lösen ein Zugriffsproblem, kein Qualitätsproblem. Wenn Ihre echten Datensätze gut und zugänglich sind, nutzen Sie sie.

Das alles funktioniert, weil eine sauber validierte synthetische Kopie dasselbe Signal trägt. In einem kontrollierten Experiment des MIT erzielten Data Scientists, die mit synthetischen Datensätzen arbeiteten, in den meisten Tests Ergebnisse, die sich nicht signifikant von denen unterschieden, die mit den echten Daten erzielt wurden.

Wann Sie die Finger davon lassen sollten

Der typische Fehler besteht darin, synthetische Daten als kostenlosen Ersatz für echte Daten zu behandeln. Das sind sie nicht. Der Generator kann die seltenen Ereignisse übersehen, auf die es am meisten ankommt, kann ergebnisrelevante Zusammenhänge verwischen oder stillschweigend die Verzerrungen der Daten erben, aus denen er gelernt hat. Bei Entscheidungen mit hohem Einsatz, also Kredit, Anspruchsberechtigung und allem, was die Existenzgrundlage eines Menschen betrifft, gehören synthetische Daten in den Test, nicht in das produktive Scoring.

Derselbe Datenschutzdruck, der synthetische Daten attraktiv macht, erhöht zugleich die Versuchung, Abkürzungen zu nehmen. Im Cisco-Benchmark aus dem Jahr 2025 räumte fast die Hälfte der Organisationen ein, personenbezogene oder nicht öffentliche Informationen in generative KI-Tools eingegeben zu haben, und nahezu jeder Befragte rechnet damit, Budget zugunsten von KI umzuschichten. McKinsey wiederum stellt fest, dass 47% der Organisationen bereits mindestens eine negative Folge generativer KI erlebt haben. Die Lehre daraus ist nicht, langsamer zu werden. Sie lautet: validieren.

Ein kurzer Leitfaden, um es richtig zu machen

1. Legen Sie fest, was „gut genug” heißt, bevor Sie überhaupt etwas generieren. Machen Sie es an einer nachgelagerten Kennzahl fest, an der Modellgenauigkeit auf echten Holdout-Daten, nicht daran, wie realistisch die Datensätze aussehen.
2. Wählen Sie die Methode passend zu den Daten. Einfache Perturbation, generative Modelle und regelbasierte Szenarien lösen unterschiedliche Probleme. Entscheiden Sie nach dem Anwendungsfall, nicht nach dem Markennamen.
3. Validieren Sie gegen zurückgehaltene echte Daten. Prüfen Sie die Verteilungen, die wesentlichen Zusammenhänge und ob ein auf synthetischen Daten trainiertes Modell auch bei echten Fällen funktioniert.
4. Dokumentieren Sie die Grenzen und lassen Sie Menschen über die Entscheidungen mit hohem Einsatz entscheiden. Nutzen Sie synthetische Daten als Ergänzung zu echten Daten, nicht als Ersatz für das Urteilsvermögen, das hinter einer Entscheidung stehen sollte, die einen Kunden betrifft.

So eingesetzt, leisten synthetische Daten genau eine Sache zuverlässig: Sie räumen den Zugriffsengpass aus dem Weg, sodass Ihr Team in dem Tempo bauen, testen und lernen kann, das das Geschäft tatsächlich verlangt. Die Teams, die vorne liegen, sind nicht jene, die die meisten synthetischen Datensätze erzeugen. Es sind jene, die genau wissen, welche Entscheidungen das Original verdienen.

Wie wir diese Disziplin in die Praxis umsetzen, sehen Sie in unserer Advisory-Praxis und in unserer Modellierung des Predictive Satisfaction Score. Werfen Sie auch einen Blick in unsere Fallstudien.