Was ist ein digitaler Zwilling?

Digitale Zwillinge ermöglichen eine kontinuierliche Überwachung, Simulation und Analyse eines Objekts, Produkts oder Systems über seinen Lebenszyklus hinweg, von Entwurf und Produktion bis zur Wartung und Stilllegung. Sie können auch externe Prozesse und kritische Variablen einbeziehen, die sich auf die Leistung eines Assets auswirken.

Ein Hauptmerkmal ist der bidirektionale Datenaustausch in Echtzeit zwischen dem Objekt und seiner virtuellen Nachbildung, wodurch sichergestellt wird, dass die simulierten Bedingungen die physikalische Welt genau widerspiegeln. Unternehmen können zudem mehrere digitale Zwillinge miteinander verknüpfen, um komplexere Systeme zu modellieren und so eine umfassendere Strategie zur digitalen Transformation oder zu Industrie 4.0 umzusetzen.

Indem sie Einblicke in die aktuelle Funktionsweise eines Objekts bieten – und Prognosen darüber liefern, wie es sich in zukünftigen Szenarien verhalten könnte –, helfen digitale Zwillinge Unternehmen dabei, ihre Effizienz zu steigern, Innovationen voranzutreiben und datengestützte, fundierte Entscheidungen zu treffen. Häufige Anwendungsfälle sind Prozessoptimierung, vorausschauende Wartung, Lieferkettenoptimierung und Produktentwicklung.

Viele moderne Anbieter von Digital-Twin-Lösungen, darunter Siemens, General Electric, Nvidia, IBM, Bentley und Microsoft, bieten ein umfassendes Leistungsspektrum an. Die Pakete können Hardware-Komponenten (wie beispielsweise Sensor-Kits), Datenprozessoren, Synchronisationsdienste, Simulations-Engines, Analyseplattformen und Visualisierungs-Dashboards umfassen. Unternehmen mit spezialisierteren Anwendungen könnten jedoch stattdessen einen modularen Ansatz wählen und mehrere Dienste auswählen, die ihren Anforderungen entsprechen.

Digitale Zwillinge können praktisch jedes Objekt darstellen, von Gebäuden und Brücken über Autos und Flugzeuge bis hin zu historischen Artefakten und sogar der Erde. Sie können auch komplexe Systeme wie Verkehrsströme, Wetterereignisse, Behandlungspläne im Gesundheitswesen und Fabrikabläufe modellieren. Schließlich können digitale Zwillinge in eher experimentellen Kontexten auf realen oder fiktiven Personen basieren, einschließlich modellierter Stimme, Aussehen und Persönlichkeitsmerkmalen.

Digitale Zwillinge sind mittlerweile branchenübergreifend weit verbreitet: Eine Studie von Strategic Market Research aus dem Jahr 2023 ergab, dass rund 75 % der Unternehmen sie in irgendeiner Form einsetzen. Diese Initiativen können kostspielig und ressourcenintensiv sein. Für viele Unternehmen lohnen sich die Investitionen jedoch: Laut einer Hexagon-Umfrage aus dem Jahr 2025 berichten 92 % der Unternehmen, die digitale Zwillinge bereitstellen, von einer Rendite von über 10 %, während mehr als die Hälfte eine Rendite von mindestens 20 % erzielt.

• Ein physisches Objekt, das ein Unternehmen in einer virtuellen Umgebung überwachen, analysieren oder simulieren möchte
  
  
• Ein virtuelles Modell, das als digitale Darstellung eines realen Objekts oder Systems dient
  
  
• Datenquellen wie Sensoren oder Internet-of-Things-Geräte (IoT), die kontinuierlich relevante Messwerte wie Temperatur, Druck oder Bewegung erfassen
• Eine Datenpipeline, die Sensordaten an das virtuelle Modell überträgt und es in Echtzeit mit dem zugehörigen physischen Asset synchronisiert.
  
  
• Eine Feedback-Schleife, die Erkenntnisse oder Steuersignale vom digitalen Zwilling zurück an das physische Asset sendet, um Leistung, Effizienz und Entscheidungsfindung zu optimieren
  
  
• Eine Analyse-Engine – oft basierend auf maschinellem Lernen oder künstlicher Intelligenz – die Datenmuster erkennen, zukünftige Szenarien simulieren, prädiktive Analysen durchführen und bei der Asset-Verfolgung helfen kann.
  
  
• Visualisierungsoberflächen und Dashboards, die es Teams ermöglichen, mit einer 2D- oder 3D-Darstellung von Assets oder Systemen zu interagieren

Obwohl sich die Workflows für digitale Zwillinge je nach Branche und Anwendung stark unterscheiden, umfassen die meisten diese grundlegenden Schritte:

Ein Unternehmen könnte damit beginnen, ein physisches Objekt mit einer Reihe von Sensoren auszustatten, die dessen Leistung, Zustand und Betriebsumgebung erfassen. Im Kontext des IoT setzen Unternehmen möglicherweise „intelligente Objekte“ ein, die oft mit eingebauten Sensoren ausgestattet sind, welche kontinuierlich Daten erfassen und teilen können. In IT-Umgebungen können Teams digitale Darstellungen von Anwendungen, Software und Computern (virtuelle Maschinen) mithilfe von Virtualisierungstechnologien erstellen. Anschließend können sie Softwareagenten einsetzen, um Daten an oder in der Nähe des digitalen Vermögenswerts zur Überwachung und Analyse zu sammeln.

Ein virtuelles Modell ist eine digitale Nachbildung eines Objekts oder Systems, die mit den Daten aus dem realen Gegenstück erstellt wird. Er ist mit Schlüsselattributen ausgestattet, die ihm helfen, realistisch auf Variablen wie Umgebungsbedingungen und Interaktionen mit verwandten Systemen zu reagieren.

Zum Beispiel simuliert ein digitaler Zwilling einer Flugzeugturbine nicht nur Verschleiß und Ausfall im gleichen Maße wie sein reales Gegenstück, sondern berücksichtigt auch aerodynamische Kräfte während des Flugs sowie den Einfluss verbundener Motor- und Hydraulik-Komponenten. Diese detaillierte Modellierung trägt dazu bei, dass der digitale Zwilling zuverlässig simulieren kann, wie sein reales Gegenstück unter verschiedenen Bedingungen reagieren könnte.

Die Live-Datenintegration ermöglicht eine kontinuierliche Kommunikation in Echtzeit zwischen dem digitalen Zwilling und seinem physischen Gegenstück. Diese dynamische Feedback-Schleife kann Unternehmen dabei helfen, die Leistung zu optimieren, die Zuverlässigkeit des Systems zu verbessern und vorausschauende Wartung umzusetzen – wenn Teams Probleme im Voraus vorhersehen, wodurch Ausfallzeiten reduziert und die Lebensdauer der Assets verlängert wird. Unternehmen automatisieren oft den Datenaustauschprozess, sodass sie mehr Zeit haben, sich mit übergeordneten strategischen Aufgaben zu befassen.

Digitale Zwillinge ermöglichen es Teams, sichere und kosteneffiziente Experimente in einer virtuellen Umgebung durchzuführen. Zum Beispiel kann ein Team im Fertigungskontext simulieren, wie ein Montageband-Upgrade die Fertigung und die Leistung beeinflussen könnte. Oder es wird getestet, ob eine preisgünstigere Verpackungsvariante den Strapazen von Versand und Vertrieb standhält. Durch das Erkunden verschiedener „Was-wäre-wenn“-Szenarien helfen digitale Zwillingplattformen Teams, die operative Effizienz zu steigern und die Produktqualität zu verbessern, ohne die Risiken und Kosten für reale Tests.

Analyse-Engines können bestimmte betriebliche Änderungen vorschlagen – wie die Skalierung der Cloud-Kapazität, Produktionsvolumen oder Teambudgets –, um Teams bei der Leistungsoptimierung und Ausgaben zu helfen. Sie könnten auch in Plattformen für Kundenbeziehungsmanagement (CRM) und ERP-Tools (Enterprise Resource Planning) integriert werden, um Produktionsabläufe und Kundenfunnel zu optimieren.

Sowohl Simulationen als auch digitale Zwillinge helfen Teams dabei, Szenarien in einer digitalen Umgebung nachzubilden und zu testen. Während digitale Zwillinge jedoch ein reales Objekt und seine spezifischen Eigenschaften widerspiegeln, existieren Simulationen oft vollständig in der virtuellen Welt ohne unmittelbare Verbindung zu realen Systemen.

Anders ausgedrückt: Simulationen sind statisch; sie führen vordefinierte Szenarien durch, ohne einen eingebauten Mechanismus, um ihre Ergebnisse auf ein physikalisches System zu übertragen. Im Gegensatz dazu können digitale Zwillinge dynamisch Echtzeitbedingungen widerspiegeln und gleichzeitig Informationen an die physischen Systeme senden, die sie darstellen.

Ein weiterer Unterschied besteht darin, dass Lösungen für digitale Zwillinge mehrere Assets und Systeme miteinander verbinden können, anstatt sie isoliert auszuwerten. Teams können nahtlos Komponenten hinzufügen oder entfernen, um reale Szenarien abzubilden und festzustellen, wie sich Änderungen an einem Asset auf das Ökosystem auswirken könnten.

3D-Modelle sind statische Darstellungen eines Objekts zu einem bestimmten Zeitpunkt. Unternehmen können sie verwenden, um zu verstehen, wie ein Objekt aussieht, aber nicht, wie es sich verhält. Für sich genommen kann ein 3D-Modell keine Zukunftsszenarien beurteilen oder Bedingungen in Echtzeit darstellen. Allerdings dienen 3D-Modelle häufig als grundlegende Komponente sowohl digitaler Zwillinge als auch von Simulationen und liefern präzise visuelle und räumliche Darstellungen physischer Assets oder Prozesse.

Obwohl Teams verbundene digitale Zwillinge (Netzwerke aus verbundenen digitalen Zwillingen) bauen können, um ein breiteres Bild der Systemleistung zu erfassen, werden diese Netzwerke typischerweise genutzt, um die Lebensdauer von Assets innerhalb einer einzigen Produktionsumgebung zu optimieren. 

Digitale Threads hingegen sind oft umfassender angelegt und verknüpfen Daten über mehrere Abteilungen, Prozesse und Umgebungen hinweg, um einen unternehmensweiten Überblick über Anlagen und Systeme zu gewinnen. Digitale Threads können Daten aus verschiedenen Produktionsumgebungen zentralisieren, so dass sie für alle Stakeholder im Unternehmen zugänglich sind.

Letztlich sind digitale Fäden ideal, um einen ganzheitlichen Überblick über die ineinandergreifenden Systeme des Unternehmens zu erhalten, während digitale Zwillinge besser für die Feinabstimmung einzelner Assets und Prozesse geeignet sind.

Es ist üblich, dass verschiedene Arten von digitalen Zwillingen, die jeweils eine andere Vergrößerungsebene bieten, in einer einzigen Produktionsumgebung nebeneinander existieren. Zu den vier Haupttypen gehören:

Komponentenzwillinge, auch Teilezwillinge genannt, bilden einzelne Komponenten nach und bieten so einen detaillierten Einblick in spezifische Teile. Ein Komponentenzwilling könnte beispielsweise mithilfe einer Reihe von Sensoren ein Ventil in einer Ölpipeline, einen Motor in einer Windkraftanlage oder einen Turbolader in einem Auto nachbilden.

Asset-Zwillinge replizieren komplette Funktionseinheiten, die oft aus zwei oder mehr Komponenten bestehen, und zeigen, wie diese Komponenten in Echtzeit interagieren. Asset-Zwillinge könnten beispielsweise ein Ventilsystem einer Ölpipeline (bestehend aus mehreren Ventilen und Rohren), einen Antriebsstrang einer Windkraftanlage (bestehend aus Motor, Getriebe und Welle) oder das Turboladersystem eines Autos (bestehend aus Turbolader, Ladeluftkühler und Kompressor) nachbilden.

System- oder Unit-Twins ermöglichen es Unternehmen zu verstehen, wie Assets zusammenpassen, um ein größeres, integriertes System zu bilden. Sie bieten Einblick in die Interaktionen von Assets und identifizieren Möglichkeiten für Leistung auf Systemebene. System-Zwillinge können einen Abschnitt einer Ölpipeline (bestehend aus mehreren Ventil- und Pumpensystemen), eine Windkraftanlage (bestehend aus Motoren, Rotorblättern und Steuerungssystemen) oder den Antrieb eines Fahrzeugs (einschließlich Motor, Getriebe und Kardatenwelle) widerspiegeln.

Prozess-Zwillinge bieten den umfassendsten Überblick und zeigen, wie Systeme in einer Produktionsanlage, einer Lieferkette oder einem betrieblichen Workflow zusammenarbeiten. Prozess-Zwillinge können dazu beitragen, dass die gesamte Produktionsumgebung – und nicht nur bestimmte Komponenten – mit optimaler Effizienz arbeitet. Prozess-Zwillinge könnten ein durchgängiges Ölverteilungsnetz, einen energieerzeugenden Windpark oder einen Automobilfertigungsprozess nachbilden.

Digitale Zwillinge geben Unternehmen einen besseren Einblick in komplexe Systeme und bieten gleichzeitig die Flexibilität, mehrere Betriebskonfigurationen zu untersuchen, bevor reale Ressourcen für sie bereitgestellt werden. Zu den wichtigsten Vorteilen gehören:

Digitale Zwillingslösungen helfen Unternehmen, verschiedene Produktdesigns, Workflows und Fertigungsprozesse in einer virtuellen Testumgebung zu erproben, wodurch Innovationen beschleunigt und die Markteinführungszeit verkürzt werden.

So können beispielsweise Luft- und Raumfahrtingenieure digitale Zwillinge von Versuchsflugzeugen mit unterschiedlichen Flügel- und Antriebsdesigns erstellen, um festzustellen, welche Iteration für die weitere Entwicklung vielversprechend ist. Dieser Ansatz ist weitaus kostengünstiger und sicherer als der Bau und das Testen physischer Flugzeugprototypen für jedes vorgeschlagene Design.

Nachdem ein neues Produkt in Produktion gegangen ist, können digitale Zwillinge dabei helfen, Systeme widerzuspiegeln und zu überwachen, um während des gesamten Fertigungsprozesses eine maximale Effizienz zu erreichen und aufrechtzuerhalten. Teams können auch Möglichkeiten zur Kostensenkung identifizieren, ohne die aktuellen Workflows zu beeinträchtigen.

So kann ein Unternehmen beispielsweise in der virtuellen Umgebung ein kostengünstigeres Material oder einen kostengünstigeren Fertigungsprozess testen – und prüfen, ob die Leistungs- und Emissionsstandards eingehalten werden können –, bevor es diese in größerem Umfang einführt. Digitale Zwillinge können auch historische Daten für die vorausschauende Wartung nutzen (Forecasting, welche Assets wahrscheinlich ausfallen werden, bevor ein Fehler auftritt).

In komplexen modernen Systemen kann eine einzelne Fehlfunktion oder ein Asset-Ausfall weitreichende Störungen verursachen, insbesondere wenn es den Teams schwerfällt, die Asset-Ursache zu ermitteln. Zum Beispiel könnte ein kleiner Stromkreis, der Kühlventilatoren in einem Rechenzentrum steuert, ausfallen und eine Überhitzung auslösen, die ein ganzes Serverrack offline schaltet.

Digitale Zwillinge können dieses Problem lösen, indem sie den Echtzeit-Zustand einzelner Komponenten, einschließlich Sensoren, Schaltungen und Kondensatoren, wiedergeben. Durch die kontinuierliche Kommunikation mit dem physischen System kann ein digitaler Zwilling Frühwarnzeichen wie ungewöhnliche Temperaturspitzen erkennen und drohende Ausfälle vorhersehen. Diese Fähigkeit hilft Teams, frühzeitig zu handeln, wodurch Ausfallzeiten und kostspielige Fehler vermieden werden.

Um wettbewerbsfähig zu bleiben, müssen Unternehmen ihre Geschäftstätigkeit schnell skalieren, um der sich ändernden Produktnachfrage, den wirtschaftlichen Bedingungen und den strategischen Prioritäten gerecht zu werden. Traditionell ist die Skalierung nach oben oder unten ein langsamer, mühsamer Prozess, der von den Teams eine sorgfältige Validierung neuer Systeme erfordert, bevor diese im gesamten Unternehmen eingeführt werden. Digitale Zwillinge machen diesen Prozess schneller und riskanter, indem sie eine virtuelle Umgebung bieten, in der Teams Parameter sicher anpassen und Konfigurationen testen können, bevor sie universell bereitgestellt werden.

Digitale Zwillinge können sich auch mit Live-Systemen verbinden, so dass sie kontinuierlich Skalierungsanpassungen in Echtzeit an ihre physischen Gegenstücke übermitteln können. Beispielsweise könnten digitale Zwillingsplattformen Algorithmen verwenden, um bei Nutzungsspitzen automatisch Cloud-Knoten hinzuzufügen oder zu entfernen, um Engpässe im Datenverkehr zu reduzieren und eine stabile Leistung aufrechtzuerhalten.

Viele Branchen setzen auf digitale Modelle, um komplexe Systeme zu verstehen, Innovation voranzutreiben, Equipment instand zu halten und die Effizienz zu optimieren. Digitale Zwillinge werden in den folgenden Branchen und Anwendungen häufig eingesetzt:

Organisationen können digitale Zwillinge verwenden, um Strahltriebwerke, Lokomotivmotoren, Stromerzeugungsturbinen, Anlagen der Energieversorgung und andere Stromerzeugungssysteme zu modellieren. Digitale Plattformen für digitale Zwillinge können Zeitrahmen für regelmäßige Wartung festlegen, Hardware-Unregelmäßigkeiten erkennen und das Testen neuer Komponenten ermöglichen. Darüber hinaus können sie den Übergang zu erneuerbaren Energien erleichtern, indem sie den Netzbedarf überwachen, neue Anlagenkonfigurationen simulieren und die Entwicklung des Netzes prognostizieren.

Physikbasierte digitale Zwillingssysteme können Ingenieuren helfen, langlebige, sichere und kosteneffiziente Bauwerke zu entwerfen, darunter Gebäude, Bohrplattformen, Kanäle, Dämme und Brücken. Sie können beispielsweise feststellen, ob eine bestimmte Brücke starken Wind, Regen und Verkehr standhält, was Ingenieuren die Möglichkeit gibt, ihr Design vor Baubeginn zu ändern.

Digitale Zwillinge können auch bereits errichtete Strukturen erkennen, zum Beispiel indem sie zeigen, wie wichtige Systeme – wie Sanitäranlagen, HLK, Elektrik und Sicherheit – innerhalb eines Bürogebäudes miteinander interagieren. Diese Erkenntnisse können als Grundlage für Building Information Modeling (BIM) -Systeme dienen, die digitale Repräsentationen einer Struktur verwenden, um deren Bau und Wartung zu verwalten.

In der Fertigung können digitale Zwillinge (oft mit KI-Funktionen ausgestattet) die Qualitätskontrolle, das Lieferkettenmanagement und die Fehlererkennung verbessern, indem sie den gesamten Lebenszyklus eines Produkts überwachen. Ein Elektronikhersteller kann beispielsweise eine digitale Nachbildung einer Fabrikhalle erstellen, die den Bestand, Produktionspläne, Equipment und andere Betriebsdaten des realen Standorts widerspiegelt.

Digitale Zwillinge können wichtige Erkenntnisse liefern, und zwar durch die Vorhersage des Krankheitsverlaufs, die vorhersagt, wie Patienten auf verschiedene Behandlungsoptionen reagieren könnten, und durch eine verbesserte Diagnose, die mithilfe hochdetaillierter Modellierungen feststellt, wie Interaktionen zwischen Organen und Körpersystemen die Gesundheit beeinflussen können.

Sie können auch Krankenhäusern helfen, ihre Abläufe zu optimieren – einschließlich Personal, Zeitplanung und Wartung der Geräte – und den Übergang zu personalisierter Gesundheitsversorgung zu erleichtern, bei der die Behandlungen individuell angepasst werden.

Digitale Zwillinge werden im Automobildesign umfangreich eingesetzt, sowohl zur Verbesserung der Fahrzeugleistung als auch zur Steigerung der Produktionseffizienz. Beispielsweise können Fahrzeugentwickler umfangreiche Sicherheits- und Emissionsprüfungen mit virtuellen Nachbildungen durchführen, bevor sie reale Fahrzeuge als Vergleichsmaßstab heranziehen.

Bauingenieure und Stadtplanungsexperten nutzen digitale Zwillinge, um zu simulieren, wie Fußgänger und Fahrzeuge sich durch Städte bewegen. Stadtmodelle integrieren häufig 3D- und 4D-räumliche Daten, IoT-Objektdaten und KI-gestützte Analysen, um zu simulieren, wie neue Richtlinien, Infrastrukturverbesserungen oder Verkehrssysteme die gebaute Umwelt beeinflussen könnten. Digitale Zwillinge spielen eine Schlüsselrolle in intelligenten Städten, die IoT-verbundene Geräte nutzen, um kontinuierlich Daten zu sammeln und auszutauschen, die zur Verbesserung der Lebensqualität und der Nachhaltigkeit genutzt werden können.

Das Konzept hinter der digitalen Zwillingstechnologie geht auf die 1960er Jahre zurück, als die NASA physische Nachbildungen ihrer Raumfahrzeuge baute, um zu untersuchen, wie sie auf verschiedene Bedingungen reagieren könnten, bevor sie ihre realen Gegenstücke in den Orbit schickten. Als 1970 eine Explosion an Bord das Leben der Apollo-13-Besatzung bedrohte, nutzte die NASA diese Modelle, um verschiedene Rettungsszenarien vom Boden aus zu untersuchen, wie aus dem Technical Reports Server der NASA hervorgeht. Obwohl diese frühen Bemühungen physische statt virtuelle Kopien verwendeten, ebneten sie den Weg für das, was später als „digitale Zwillinge“ bekannt werden sollte.

Im Jahr 2002 entwickelte der Wissenschaftler und Wirtschaftsmanager Michael Grieves ein Product Lifecycle Management (PLM)-Framework, das ein physisches Produkt durch kontinuierlichen Datenaustausch mit seinem virtuellen Gegenstück verbindet. Acht Jahre später prägte John Vickers von der NASA in einer technischen Roadmap der NASA offiziell den Begriff „Digital Twin“, wobei er auf Grieves’ Konzept der „gespiegelten Räume“ (Mirrored Spaces) aufbaute.

Der Markt für digitale Zwillinge wächst rasant, so ein Bericht von Fortune Business Insights. Es wird erwartet, dass der Markt von 24,5 Milliarden USD im Jahr 2025 auf 259,3 Milliarden USD im Jahr 2032 anwachsen wird, wobei Branchen wie Smart Cities, Luft- und Raumfahrt, Gesundheitswesen und Fertigung das Wachstum vorantreiben. Zu den neuen und aufstrebenden Funktionen des digitalen Zwillings gehören:

Generative KI kann auf Basis historischer und Echtzeitdatensätze vorhersagen, wie Systeme in Zukunft reagieren könnten. Diese Funktion befähigt Teams, besser informierte operative Entscheidungen und Investitionen zu treffen. KI-Technologien können digitalen Zwillingssystemen auch helfen, optimal zu skalieren und Ressourcen ohne menschliches Eingreifen bereitzustellen.

Anstatt nur routinemäßige, sich wiederholende Aufgaben zu automatisieren, können KI-Modelle digitale Zwillinge verwenden, um längerfristige, mehrstufige Entscheidungen zu treffen. So kann sich beispielsweise der Ausfall einer Komponente kaskadenartig auf das Netz auswirken und benachbarte Anlagen und Systeme beeinträchtigen. die zuständigen Teams jedes Mal zu benachrichtigen, wenn eine Komponente gewartet werden muss; Verbesserungsempfehlungen für Netzwerke, um die Wahrscheinlichkeit von Ausfällen zu verringern und in einigen Fällen sogar operative Änderungen selbstständig implementieren.

Ähnlich wie Software as a Service (SaaS) wird auch Digital Twin as a Service (DTaaS) bei Unternehmen immer beliebter. Die Bereitstellungsmethode ermöglicht es Unternehmen, digitale Zwillinge schnell über die Cloud zu implementieren und zu skalieren, ohne sie von Grund auf neu programmieren oder die Server, auf denen sie leben, warten zu müssen.

Entwickler entwerfen digitale Zwillinge, die das menschliche Verhalten und die Kognition widerspiegeln können. „Digitale Doppelgänger“ können sowohl für private Zwecke (wie die Bewahrung von Vermächtnissen oder die Einbindung der Zielgruppe) als auch für berufliche Zwecke (wie die Schulung von Mitarbeitern oder die Automatisierung sich wiederholender Aufgaben) genutzt werden.

Sie können auch in Forschungskontexten nützlich sein. So können Forscher beispielsweise Experimente mit fiktiven Nutzern durchführen, um zu simulieren, wie echte Menschen auf neue Produkte und Funktionen reagieren könnten. Unternehmen können diese Ergebnisse dann zusammenfassen, um Trends auf Bevölkerungsebene zu prognostizieren.