/ Case Study /

KI-Analyseplattform

Aufbau einer KI-gestützten Analyseplattform für die Verbraucherforschung

  • 3

    Schichten von Grund auf neu auf der GCP entwickelt – Frontend, Backend und KI-Integrationsschicht

  • 2

    Personen im Team (KI/Backend + Frontend), das den kompletten Neuaufbau der Plattform umsetzt

  • 5

    Zentrale Funktionen auf dem neuen Stack – von Abfragen in natürlicher Sprache bis zum Tagging von Marken und Schlüsselwörtern

/ 01 / Zusammenfassung

Case Study auf einen Blick

Primotly baut für die Kunden eines globalen Marktforschungsunternehmens eine KI-Analyseplattform umfassend neu auf. Die Plattform ermöglicht es den Unternehmenskunden der Agentur, Fragen zu Umfragedaten in natürlicher Sprache zu stellen. Als Antwort erhalten die Nutzer KI-generierte Zusammenfassungen der wichtigsten Erkenntnisse – ein manuelles Durchsuchen Hunderter Berichtsseiten entfällt. Primotly hat das Projekt übernommen, als es noch auf einer veralteten internen Legacy-Plattform lief, migriert es auf einen modernen Tech-Stack und baut die gesamte Anwendung – Frontend, Backend und KI-Integrationsschicht – in der Google Cloud Platform von Grund auf neu auf. So entsteht ein Produkt, das monatelang gesammelte Umfrageantworten in einen interaktiven, dialogfähigen Forschungsassistenten für Brand Manager und Marketingteams verwandelt.

/ 02 / Über den Kunden

Über den Kunden

Der Kunde ist ein globales Marktforschungsunternehmen, das im Auftrag großer Konzerne – weltweiter FMCG-Marken, Hersteller von Unterhaltungselektronik und weiterer Unternehmen aus dem Enterprise-Segment – groß angelegte Verbraucherumfragen und Analysen durchführt. Die Plattform richtet sich direkt an die Endkunden der Agentur: Brand Manager, Marketinganalysten und Forschende, die aus den für sie durchgeführten Studien schnell die wichtigsten Erkenntnisse gewinnen wollen. (Alle Angaben wurden aufgrund einer Geheimhaltungsvereinbarung (NDA) anonymisiert.)

Leistungen
  • Remote Teams
  • KI-Integration
  • Frontend-Entwicklung
  • Plattformmigration
Branche

Marktforschung / Künstliche Intelligenz (KI)

Kooperationsmodell

Team Extension – Plattformmigration und kontinuierliche Produktentwicklung

Teamgröße

2 Developer (KI/Backend + Frontend)

/ 03 / Die Herausforderung

Die Herausforderung: Forschungs­erkenntnisse, gefangen in Berichten

Die Forschungsagentur führt groß angelegte Umfragen durch und erzeugt enorme Mengen strukturierter Daten zu Verbraucherhaltungen, Markenwahrnehmung, Produktpräferenzen und Kaufverhalten. Die zentrale Herausforderung war der erschwerte Zugang zu diesem Wissen: Wie kann ein Brand Manager schnell erfahren, was die Umfragen zu einem bestimmten Thema aussagen, ohne seitenlange Dokumente lesen zu müssen?

  • 01/

    Berichtsflut

    Marktforschung erzeugt riesige Datensätze und detaillierte Berichte. Um eine konkrete Frage zu beantworten – etwa „Was halten Verbraucher von unserer Produktverpackung?“ –, musste man entweder genau wissen, wo man suchen muss, oder sich durch umfangreiche Ergebnismaterialien arbeiten.

  • 02/

    Abhängigkeit von Analysten

    Unternehmenskunden mussten häufig einen Research-Analysten hinzuziehen, um konkrete Erkenntnisse aus der Datenbank zu gewinnen. Das verlängerte und verteuerte einen Vorgang, der eigentlich eine einfache Self-Service-Abfrage sein sollte.

  • 03/

    Grenzen der alten Plattform

    Die bestehende Anwendung lief auf einer veralteten internen Plattform, die die Weiterentwicklung blockierte. Ihre Architektur konnte die fortgeschrittenen KI-Funktionen, die der Kunde einführen wollte, nicht tragen. Das machte einen vollständigen Neuaufbau der Anwendung auf einem modernen, wartungsfreundlichen Stack unumgänglich.

/ 04 / Die Lösung von Primotly

Die Lösung von Primotly: eine dialogfähige Oberfläche für Umfragedaten

Primotly hat die Plattform im bestehenden Zustand übernommen und baut das System vollständig neu auf: Dabei migriert das Team die Anwendung von der alten internen Plattform, entwickelt sie auf der GCP von Grund auf neu und liefert eine moderne KI-Verarbeitungspipeline, die Umfragedaten in Analysen auf Abruf verwandelt.

Die technische Architektur basiert auf Retrieval-Augmented Generation (RAG). Stellt ein Nutzer eine Frage, sucht das System im gesamten Korpus der Umfragedaten nach den semantisch passendsten Antworten und nutzt anschließend ein Large Language Model (LLM), um daraus eine stimmige, gut lesbare und fundierte Zusammenfassung zu erstellen.

Zentrale Funktionen

  • Abfragen in natürlicher Sprache

    Nutzer stellen ihre Fragen zu den Umfragedaten in einfacher Alltagssprache (z. B. „Welche Verpackungsmerkmale sprechen Eltern am meisten an?“ oder „Wie wird Marke X im Premiumsegment im Vergleich zu Marke Y wahrgenommen?“). Das System interpretiert diese Eingaben als semantische Abfragen statt als einfache Schlüsselwortsuche.

  • Vektorsuche mit GCP Discovery Engine

    Die Abfragen werden in Vektor-Embeddings umgewandelt und mit einer Vektordatenbank indizierter Umfrageantworten abgeglichen. Das System liefert die semantisch passendsten Ergebnisse – etwa Hunderte passende Antworten zu einer bestimmten Produkteigenschaft, sortiert nach Relevanz.

  • KI-generierte analytische Zusammenfassungen

    Ein Large Language Model (LLM) erhält die am höchsten bewerteten abgerufenen Antworten und erstellt daraus eine Zusammenfassung. Sie stellt die wichtigsten Erkenntnisse als Fließtext dar und stützt sich dabei auf die tatsächliche Sprache der Befragten.

  • Tagging von Marken und Schlüsselwörtern

    Die abgerufenen Ergebnisse werden automatisch mit Tags zu genannten Marken, besprochenen Produkteigenschaften und zentralen Themen versehen. So können Nutzer die Ergebnisse schnell nach Marke oder Thema überfliegen und gezielt in die für sie relevanten Bereiche eintauchen.

  • Vollständiger Neuaufbau der Plattform

    Primotly entwickelt die gesamte Anwendung – Frontend, Backend und KI-Integration – von Grund auf auf einem modernen Tech-Stack. Die bisherige Version auf der internen Legacy-Plattform wird vollständig ersetzt. Die Migration läuft derzeit.


/ 05 / Technische Details

Technische Details

  • 01/

    Aufbau einer produktiven RAG-Pipeline auf der GCP

    • Problem: Ein RAG-System als Demo zum Laufen zu bringen, ist vergleichsweise einfach. Es zuverlässig im Produktivbetrieb zu betreiben – mit echten Nutzern, echten Abfragen, schwankender Datenqualität und der Anforderung präziser, vollständig quellenbasierter Antworten – ist deutlich schwieriger.

    • Lösung: Die Retrieval-Schicht nutzt die GCP Discovery Engine – einen von Google Cloud verwalteten Dienst für Vektorsuche und Dokumentenanalyse. Die Umfrageantworten werden als strukturierte Dokumente indiziert, was eine semantische Suche in großem Maßstab ermöglicht. Primotly betreut den Indizierungsprozess und die Abfrageschicht. Im Syntheseschritt erstellt ein Large Language Model aus dem abgerufenen Kontext eine Zusammenfassung. Durch gezieltes Prompt Engineering ist sichergestellt, dass die Zusammenfassungen ausschließlich auf den tatsächlich abgerufenen Daten beruhen und keine Informationen ohne Grundlage in den Umfragen erzeugen (Vermeidung von Halluzinationen).

    • Ergebnis: die Nutzer erhalten Antworten, die sich auf konkrete Aussagen aus den Umfragen zurückführen lassen, mit klar sichtbarer Zuordnung zu Marken und Schlüsselwörtern im Ergebnisset.

  • 02/

    Migration der gesamten Anwendung von einer veralteten internen Plattform

    • Problem: Die Plattform war in ein internes Legacy-System eingebettet, das zahlreiche technische Einschränkungen angesammelt hatte. Die gesamte Anwendung – nicht nur das Frontend – musste auf einen neuen Tech-Stack übertragen werden, ohne die bestehende KI-Datenpipeline zu unterbrechen und ohne Beeinträchtigungen für aktive Nutzer.

    • Lösung: Statt einer schrittweisen Migration baut Primotly das System vollständig von Grund auf neu. Das Frontend entsteht in Angular, das Backend in Python – mit sauberer Trennung der Zuständigkeiten (Separation of Concerns). Die GCP-Infrastruktur – darunter Discovery Engine, Firestore und die LLM-Integrationsschicht – wird neu an die neue Anwendung angebunden. Was sich aus der bisherigen Implementierung erhalten lässt, wird übernommen; der Rest wird nach höchsten Standards neu geschrieben.

    • Ergebnis: eine vollständig eigenentwickelte, moderne Anwendung auf der GCP – frei von den Grenzen der Legacy-Plattform, mit wartungsfreundlichem Code und einem klaren Pfad für die Weiterentwicklung. Die Migration läuft derzeit.

  • 03/

    Design mit Blick auf das Nutzerprofil (Brand Manager)

    • Problem: Die Endnutzer sind keine Data Engineers, sondern Brand Manager und Marketingfachleute, die konkrete Antworten erwarten, keine komplexen Datenbanken. Die Oberfläche musste so natürlich und schnell sein wie eine Suchmaschine und zugleich die Tiefe der Informationen aus den Umfragestudien abbilden.

    • Lösung: Das neue Frontend wurde rund um die tatsächliche Arbeitsweise eines Brand Managers gestaltet: Frage eingeben, Zusammenfassung erhalten, Quellenbelege prüfen. Über das Tagging-System lassen sich die Ergebnisse blitzschnell nach Marke, Thema oder Produkteigenschaft filtern, ohne die Frage neu formulieren zu müssen. Die Oberfläche setzt auf Lesbarkeit und schnelles Erfassen statt auf dicht gepackte Tabellen.

    • Ergebnis: eine nutzerfreundliche Oberfläche, die die Hürde beim Zugang zu Forschungserkenntnissen radikal senkt: Umfragedaten sind so leicht zugänglich wie Suchergebnisse bei Google, statt in einem unübersichtlichen Berichtsarchiv verborgen zu sein.


/ 06 / Geschäftliche Auswirkungen und Ergebnisse

Geschäftlicher Impact und Ergebnisse

Brand Manager können jetzt Fragen zu Umfragedaten in einfacher Sprache stellen und erhalten in Sekunden zusammengefasste, quellenbasierte Antworten – das mühsame manuelle Durcharbeiten von Berichten entfällt vollständig.

  • Erkenntnisse im Self-Service

    Unternehmenskunden können Umfragedaten selbstständig durchsuchen, ohne für jede Frage einen Analysten einzubinden. Analysen, für die früher ein Bericht in Auftrag gegeben werden musste, stehen jetzt auf Abruf bereit.

  • Volle Kontrolle über die Plattform

    Mit der Migration vom alten internen System erhält der Kunde die volle Kontrolle über seine Infrastruktur – ohne die technischen Grenzen der Legacy-Plattform und mit der Freiheit, das Produkt eigenständig weiterzuentwickeln.

  • Moderner KI-Stack

    Die Kombination aus Vektorsuche mit der GCP Discovery Engine und einem Large Language Model ist eine hochmoderne Umsetzung der RAG-Architektur auf produktiven Umfragedaten. Diese einzigartige Funktion hebt das Produktangebot des Kunden in der Marktforschungsbranche deutlich ab.

  • Umfassende Erneuerung des Systems

    Die vollständig neu geschriebene Anwendung wird die bisherige Version ersetzen – mit einem modernen Frontend, einem sauberen Backend und einer wartungsfreundlichen Cloud-native-Architektur auf der GCP.

Tech-Stack

Frontend
Angular
Backend
Python
KI / Vektorsuche
GCP Discovery Engine
LLM
Large Language Model (Details vertraulich)
Datenbank
Firestore, GCP Discovery Engine
Cloud / Infra­struktur
Google Cloud Platform (GCP)
Architektur
Einzelner Service (Monolith)
Migration von
Veraltete interne Plattform (Legacy-In-House-Plattform)

/ Case Studies /

Unsere Case Studies

Wie können wir Ihnen helfen?

Gemeinsam finden wir die beste Lösung für Ihr Unternehmen

Kontakt aufnehmen