Jede Zahl in RavenBI trägt ein Etikett. Wir trennen, was wir beobachtet haben, von dem, was wir berechnet haben — und geben das eine niemals als das andere aus.
Diese Seite ist kein Haftungsausschluss. Sie beschreibt, wie das Produkt funktioniert.
Beobachtet — direkt aus einer Quelle erfasst. Eine Anzeige lief an einem bestimmten Tag. Ein Produkt hatte einen bestimmten Preis. Eine Aussage stand in einem bestimmten Text. Wenn wir sagen, dass wir es beobachtet haben, dann haben wir es gesehen.
Gemeldet — von einem Dritten angegeben und von uns nicht unabhängig überprüft. Von der Plattform gemeldete Reichweiten gehören hierher.
Geschätzt — aus beobachteten Eingangsgrößen von RavenBI berechnet. Werbeausgaben werden aus Reichweite und modelliertem CPM geschätzt. Schätzungen sind Spannen, keine Festwerte, und sie tragen ihre Annahmen mit sich.
Abgeleitet — ein Indikator, den RavenBI aus mehreren Eingangsgrößen berechnet. Winner-, Momentum-, Opportunity- und Threat-Scores sind abgeleitet. Es sind eigene Indikatoren, keine Branchenstandards, und sie bedeuten genau das, was diese Methodik beschreibt.
KI-Interpretation — ein Sprachmodell hat einen Text gelesen und eingeordnet. Wo verfügbar, zeigt RavenBI den Beleg zur Einordnung: den exakten Satz aus der Quelle. Unsere Einordnung von Werbeargumenten führt diesen Beleg heute schon mit; wir weiten das auf die übrigen Klassifikatoren aus.
1. Wir trennen Fakten von Schätzungen. Jede Kennzahl ist gekennzeichnet. Eine Schätzung erscheint nie mit dem visuellen Gewicht einer Beobachtung.
2. Kein Prozentwert ohne seine Basis. Ein Prozentwert ohne die absolute Zahl dahinter ist ein rhetorisches Mittel, keine Messung. RavenBI zeigt beides und unterdrückt Prozentwerte, wenn die Stichprobe sie nicht trägt.
3. Keine Schlussfolgerung ohne ausreichende Grundlage. Unterhalb einer Mindeststichprobe zeigt RavenBI Richtung und Konfidenz statt einer präzisen Zahl. Lieber „steigend, geringe Konfidenz” als eine erfundene Zahl.
4. Fehlende Daten bleiben fehlend. Wenn eine Quelle etwas nicht hergibt, lassen wir das Feld leer. Wir füllen Lücken nicht mit plausiblen Standardwerten und leiten keinen Wert aus einer Produktkategorie oder einem Markennamen ab.
5. Jedes Signal hat eine Herkunft. Zu jedem Datenpunkt ist festgehalten, woher er stammt, wann er beobachtet wurde, welche Transformation angewendet wurde und welche Klassifikator-Version ihn erzeugt hat. Wird eine Zahl beanstandet, können wir exakt rekonstruieren, wie sie entstanden ist.
RavenBI berichtet, was es beobachtet, kennzeichnet, was es schätzt, und benennt, was es ableitet.
RavenBI verbindet Informationen aus öffentlich zugänglichen Werbetransparenz-Bibliotheken der Plattformen selbst, lizenzierten Datenanbietern, öffentlich zugänglichen Marken-Websites und Marktplätzen sowie amtlichen regulatorischen Quellen.
Auf diesem Rohmaterial bauen wir unsere eigene Schicht auf: Entitätsauflösung zwischen Marken, Produkten, Anzeigen, Landingpages und Inhaltsstoffen; Einordnung gegen kontrollierte Vokabulare; historische Snapshots; abgeleitete Indikatoren.
Diese zweite Schicht macht RavenBI zu mehr als einem Suchfeld über öffentliche Daten — und in ihr liegen zugleich unsere Schätzungen und Interpretationen. Deshalb kennzeichnen wir sie.
Wir behaupten keine vollständige Abdeckung. RavenBI beobachtet, was seine Quellen offenlegen. Das Fehlen einer Anzeige, Marke oder eines Produkts in RavenBI belegt nicht, dass es sie nicht gibt.
Wir behaupten nicht, dass Schätzungen geprüfte Zahlen sind. Schätzungen zu Werbeausgaben sind Modelle, keine von Werbetreibenden gemeldeten Ausgaben.
Wir behaupten nicht, dass unsere Einordnungen unfehlbar sind. Sie stammen von Sprachmodellen, werden gegen einen von Menschen entschiedenen Referenzdatensatz gemessen und verbessert, wenn die Messung das nahelegt.
Wir pflegen einen Referenzdatensatz: mehrere Hundert Anzeigen, unabhängig von mehreren Bewertern gelabelt, die weder die Antworten der anderen noch die des Produktivsystems sehen. Abweichungen entscheidet ein Mensch.
Jede Änderung an einem Prompt, einem Modell oder einer Taxonomie wird gegen diesen Referenzdatensatz gemessen, bevor sie Kundinnen und Kunden erreicht. Wir verfolgen Precision, Recall und — vor allem — wie oft der Klassifikator korrekt schweigt, wenn ein Text die Information schlicht nicht enthält.
Dieses letzte Maß ist wichtiger, als es klingt. Ein Klassifikator, der immer eine Antwort liefert, wirkt sicher und liegt häufig falsch. Wir zeigen lieber eine Lücke als eine Vermutung.
Wenn eine Kennzahl oder Einordnung in RavenBI aus deiner Sicht falsch ist, sag uns Bescheid. Jede Marken-, Anzeigen-, Produkt- und Inhaltsstoffseite trägt einen Meldelink; wir prüfen jede Meldung gegen die Originalquelle.
Einen Fehler zu korrigieren gehört zur Methode — es ist keine Ausnahme von ihr.