Trotz ihrer entscheidenden Rolle bei der Informationsbereitstellung für politische Entscheidungen sehen sich Umfragen wachsenden Herausforderungen gegenüber, wie sinkenden Teilnahmequoten und dem Aufkommen schnellerer und wettbewerbsfähiger Datenquellen. In dem Beitrag Central bank business surveys: Version 2.0 wird die Notwendigkeit diskutiert, traditionelle Unternehmensumfragen weiterzuentwickeln und neue Technologien sowie die Digitalisierung zu nutzen, um die Möglichkeiten von „Business Surveys 2.0“ zu erschließen.
Die Nützlichkeit von Unternehmensumfragen für politische Entscheidungsträger ist unbestreitbar, was dazu geführt hat, dass immer mehr Zentralbanken in Nordamerika und Europa diese in ihre analytischen Werkzeuge aufgenommen haben. Die Banca d’Italia beispielsweise hat in den 1960er Jahren mit der Erhebung zum Haushaltseinkommen und Vermögen begonnen und später weitere Umfragen ins Leben gerufen, wie die jährliche Umfrage über Industrie- und Dienstleistungsunternehmen (INVIND) im Jahr 1972. Diese Umfragen haben es Ökonomen ermöglicht, ein tieferes Verständnis für Erwartungen und deren Zusammenhang mit dynamischen Unternehmensentwicklungen zu erlangen.
Allerdings wird die Durchführung traditioneller Unternehmensumfragen auf Basis solider Methoden wie der probabilistischen Stichprobenziehung zunehmend herausfordernd und kostspielig. Steigende Nichtantwortquoten und wachsende Bedenken hinsichtlich des Datenschutzes erschweren die Durchführung von Umfragen und gefährden die Datenqualität. Die Digitalisierung von Informationssystemen, die Verfügbarkeit administrativer Daten sowie der Einsatz von Künstlicher Intelligenz (KI) bieten jedoch vielversprechende Ansätze zur Weiterentwicklung von Umfragen.
Ein Ansatz zur Verbesserung traditioneller Umfragen ist der Einsatz großer Sprachmodelle (LLMs), die in verschiedenen Phasen des Umfrageprozesses helfen können, wie z.B. bei der Erstellung von Fragen oder der Identifizierung inkonsistenter Antworten. Zudem könnten Techniken der natürlichen Sprachverarbeitung genutzt werden, um schnell wirtschaftliche Signale aus Texten zu extrahieren. Der Einsatz KI-gestützter Interviews könnte die Qualität der Daten erhöhen, indem menschliche Fehler minimiert werden und dynamische Interviews ermöglicht werden.