26
Marketingimplementierung (Fach) / Primäre (externe) Marketingforchung (Lektion)
Anzeige
- Verfahren zu Datenanalyse 1. Zahl der berücksichtigten Variablen · Univariate Verfahren: Betrachtung der Merkmalsausprägungen einer einzelner Variable · Bivariate Verfahren: Untersuchung der Beziehungen zwischen zwei Variablen · Multivariate Verfahren: Untersuchung der Beziehung zwischen drei und mehr Variablen 2. Geltungsanspruch · Deskriptive Verfahren: Aussagen über Strukturen in der Stichprobe · Induktive Verfahren: Übertragung von Stichprobenergebnissen auf die Grundgesamtheit 3. Partitionierung der Datenmatrix · Verfahren der Dependenzanalyse: Untersuchung der Abhängigkeit von einer oder mehreren Variablen · Verfahren der Interdependenzanalyse: Untersuchung der wechselseitigen Beziehungen zwischen zwei Variablen 4. Ausgangspunkt der Auswertung( Hypothesen ohne vor Informationen · Struktur prüfende verfahren: Überprüfung der Konsistenz der daten mit postulierten zusammenhängen( wie zusammenhänge aussehen) · Struktur entdeckende: Aufdeckung von zusammenhängen innerhalb eines Datensatzes (zwei variable hängen zusammen)
- Überblick über uni-, Bi- und multivariable/ multiple Analysenmethoden · Univariat( eine Variable): o Ziel: Analyse einer Variable(Ermittlung univariater statistischer Kennwerte) o Verfahren: Häufigkeiten, Mittelwerte, Anteilswerte, Streuungsmaße · Bivariat(zwei Variable): o Ziel: Zusammenhangsanalyse von zwei Variablen; Signifikanztestung o Verfahren: Kreuztabellen, Korrelation, bivariate Regression, Mittelwertvergleich · Multivariat/multipel(mehr als Zwei Variablen): Strukturprüfend: o Ziel: Überprüfung von zusammenhängen , die auf theoretischen Überlegungen Basieren(Deduktion); Signifikanztestung o Verfahren: Kontigenzanalyse partielle Korrelation,(multiple) Regressionsanalyse, Varianzanalyse, Diskriminanzanalyse, Strukturgleichungsmodelle Strukturentdeckend: o Ziel: Entdeckung von zusammenhängen(Induktion) o Verfahren: Faktorenanalyse, Clusteranalyse, Multidimensionale Skalierung
- Arten von fehlenden Werten Generell: →Unit-Non-Response o Proband verweigert gänzlich die Teilnahme an der Datenerhebung o Ermittlung über die Teilnahmequote(z.B. Rücklaufquote bei schriftlicher Befragung) →Item-Non-Response o Proband lässt einen Teil der Fragen unbeantwortet o Datensatz ist unvollständig Längsschnittanalysen →Wave-Non-Response o Proband nimmt an Bestimmten( einzelnen) Erhebungswellen nicht teil → Drop-Out o Proband stellt Teilnahme an einer Längsschnittsanalyse gänzlich ein(z.B. Panelsterblichkeit)
- Verfahren zur Behandlung von fehlenden Werten Behandlungsmethoden: Ignoranz/ Fallreduktion: (Fallweise, merkmalsbezogen) Imputation fehlender Werte: · Ad hoc-Verfahren: Expertenschätzungen, Mittelwert-, Modus-, Medianergänzung, Regressions-imputation, Historische Ergänzung, Hot-Deck-Verfahren, Cold-Deck-Verfahren · modellbasierte Verfahren: Maximum Likelihood-Modelle, Bayes-Schätzungen(Markov-ketten-Monte-Carlo-Methoden)
- Vorgehensweise bei der Regressionsanalyse Formulierung des Regressionsmodells Schätzung der Parameter des Regressionsmodells Überprüfung des Regressionsmodells
- Typen der Varianzanalyse Einfaktorielle Varianzanalyse( ANOVA) è Methode zur Untersuchung des Einflusses einer unabhängigen Variable auf eine abhängige Variable: y = f(x) o abhängige Variable (y) = metrisch o unabhängige variable(x) = nicht-metrisch (auch nominal) è Nominalskalierte Variablen(z.B. Werbebotschaften) schließen sich bei den Merkmalausprägungen aus und können in getrennte Gruppen eingeteilt werden o Durch Varianzanalyse kann untersucht werden, ob zwischen den Gruppen(G) signifikante Unterschiede hinsichtlich der abhängigen Variablen bestehen o Besteht ein Unterschied, dann wird davon ausgegangen, dass die unabhängige variable auf die abhängige Variable einen Einfluss hat o Ausgangspunkt der Überprüfung eines Einfluss ist die Streuungszerlegung: Gesamtstreuung(ssy) = Streuung zwischen den Gruppen (ssx) + Streuung innerhalb der Gruppen(sse) è Die Stärke des Einfluss gibt Eta² an: è Zur Signifikanzprüfung wird der F-Wert herangezogen o G = Anzahl der Gruppen o K = Anzahl der Beobachtungswerte o G− 1= Freiheitsgrade der Streuung zwischen den Gruppen(ssx) o k−G bzw. G(K-1) = Freiheitsgrade der Streuung innerhalb der Gruppe(sse)
- (Multiple) Regressionsanalyse → Regressionsgleichung : y=b0+b1x1+b2x2+b3x3+...+bnxn →Die Güte der berechneten Regressionsfunktion wird durch das Bestimmtheitsmaß (r²) charakterisiert → Das Bestimmtheitsmaß (r²) = Maß für die Stärke des Einflusses der unabhängigen auf die abhängige Variable r² = erklärte Streuung Gesamtstreuung Signifikanzprüfung o Prüfung der linearen Regressionsgeraden/ -funktion mittels F-Test: mit m= Anzahl der Regressoren(inkl.b0) und n = Stichprobenumfung o Prüfung der Regressionskoeffizienten mittels t-Test: t = bj mit bj = Regressionskoeffizient der Variablen j; Sbj S bj = Standardfehler/ Standardabweichung des Regressionskoeffizienten bj
- Multikollinearität als Verzerrungsursache bei multiplen Regressionsanalyse Unter unabhängigen Variablen besteht Zusammenhang und der Einfluss auf nicht Abhängige ist nicht mehr klar · Keine Multikollinearität: keine Verzerrung der schätzung · Mittelstarke Multikollinearität: leichte Verzerrung der Schätzung · Starke Multikollinearität: Starke Verzerrung der Schätzung Problem: Multikollinearität
- (Explorative) Faktorenanalye →Verfahren der Datenreduktion →Variablen, die in einem Beziehungszusammenhang stehen(hohe korrelation untereinander aufweisen), werden zu Faktoren(Supervariablen) zusammengefasst(strukturentdeckend) Ziel: Latente Verursachungsgrunde oder Dimensionen(Erklärungsvariablen), die unter den beobachtbaren Größen stehen, sollen aufgedeckt werden →Variablen müssen metrisch sein →Vorgehensweise ist mehrstufig o Berechnung der Korrelation zwischen den Variablen o Zusammenfassung der untereinander korrelierenden Variablen zu einem Faktor(Faktorextraktion) o Ermittlung der Faktorladungen (Korrelation der Variablen mit den extrahierten Faktoren) o Variablenzuordnung zu einem Faktor o Benennung der Faktoren(mit ihren zugehörigen Variablen)
- Wichtige Größen der Faktorenanalyse Kommunalitäten = Teil der Varianz einer Variable, der gemeinsam durch die/ alle Faktoren erklärt wird. Ist ein Maß für die Güte der Reproduktion einzelner Variable Faktorladung = Korrelationskoeffizient zwischen einer Variablen Und einem Faktor Eigenwert = Varianzbeitrag eines Faktors in Bezug auf die Varianz aller Variablen. Entspricht der Summe der quadrierten Ladungen eines Faktors über alle Variablen. Nach dem Kaiser-Kriterium werden nur Faktoren extrahiert, die mindestens einen Eigenwert von 1 haben. è Anteil erklärter Varianz = Eigenwert eines Faktors / Anzahl der Variablen
- Anzeige
- Bildung der Faktoren(Beispiel) Variablen Faktoren Alter Haushaltsgröße ← Kundenmerkmale Jahreseinkommen ← Anzahl der Mailings ← Verkaufsaktivitäten Anzahl der ADM-Besuche ←
- Clusteranalyse è Verfahren der Datenreduktion è Methode zur Zusammenfassung von Untersuchungsobjekten/ -elementen(z.B. Personen, Produkte, Einkaufsstätten) zu Gruppen è Gruppenbildung erfolgt mit dem Ziel, dass sie Gruppen bezüglich der erhobenen/ ausgewählten Eigenschaften in sich möglichst homogen und untereinander möglichst heterogen sing è Es wird kein bestimmtes Messniveau vorgeschrieben, da verschieden Proximitätsmaße (auch für nominale Variablen) errechnet werden können eh→Merstufige Vorgehensweise o Bestimmung von Ähnlichkeiten anhand eines Proximitätsmaßes o Zusammenfassung der Objekte/ Elemente zu Gruppen aufgrund der proximitätsergebnisse o Finden von Clusterbezeichnungen → Proximitätsmaße o Korrelationsmaße(Bravais-Pearson-> metrisch, Spearman-> ordinal) o Ähnlichkeitskoeffizienten(Tanimoto-koeffizient-> nominal) o Distanzmaße ( Euklidsch’e Distanz, City-Block-Distanz-> beide metrisch → Gruppierungsverfahren o agglomerative-hierarchische Verfahren(z.B. Single Linkage, Complete Linkage, Average linkage, Ward) o divisive- hierarchische Verfahren o nicht-hierarchische Verfahren (z.B. optimierungsverfahren)
- Dendrogramm zur Bestimmung der Anzahl der Cluster(Beispiel) Graphische Darstellung von Distanzen einzelner Probandenà werden zu einem großen Cluster zusammen 3 hat eine höhere Distanz als 1&2
- Diskriminanzanalyse Methode zur Analyse einseitiger Abhängigkeiten →Abhängige variable ist nicht-metrisch, die unabhängige(n) Variable(n) ist/ sind metrisch →Untersucht die Unterscheidungsfähigkeit von vorgegebenen Gruppen(a priori) hinsichtlich bestimmter variablen o analysiert, wie sich Objekte/ Elemente anhand von ausgewählte Merkmalsausprägungen unterscheiden o kann Objekte/ Elemente zu vorgegebenen Gruppen ( eindeutig) zuordnen Untersuchung von Gruppen oder Methode um Dependenzen/Abhängigkeiten zu überprüfen(z.B. nicht metrische (Käufer nicht Käufer)von metrische(alter) abhängig?)
- Grundlegende Ablaufphasen einer Conjoint-Analyse Auswahl der (Produkt-/ Dienstleistungs-) Merkmale und Merkmalsausprägungen durch den Untersuchungsleiter Festlegung der Erhebungsdesigns(Trade-off-versus Full-Profile-Methode) durch den Untersuchungsleiter Bewertung der Merkmale(stimuli) durch die Probande Schätzung der Teilnutzenwerte/ Nutzenfunktion durch den Untersuchungsleiter Interpretation der Ergebnisse und Ableitung von Handlungsempfehlungen durch den Untersuchungsleiter →Einsetzen um Teilbereiche einer gesamt Einschätzung einer Präferenz( welche Merkmale mit welche Preis Bereitschaft verbunden)
- Fiktives) Beispiel einer Conjoint Analyse Service-Merkmale Merkmalsauspräg. Reparaturgeschwindigkeit 2Tage, 1 Tag 4stunden(1/2 Tag) Hotline 24 Stunden, (stunden(Geschäft zeiten), keine Liefer-/ Montagesersice Hersteller, Händler, Kunde selbst Rücknahme von Altprodukte Inzahlungnahme, nur Rücknahme, keine Preis für Servicepaket 200 Euro, 250 Euro, 300 Euro
- Vergleichsmethoden bei der Conjoint Analyse Full-Profile-Method: Mehrere Alternativen 2-Faktoren-Methode: min. Zwei Faktoren
- Alternative Methoden der Stimuli-Bewertung in Rahmen der Conjoint- Analyse · metrische Ansätze: o Ratingskalen: (z:B. Bewerten sie die Stimuli A,B,C gemäß ihrer Präferenz auf einer Skala von 1bis 10 o Dallarmetrik: (z.B: Geben sie für die Stimuli A,B,C gemäß ihrer Präferenzen an, wie viel sie ihren in € Wert wären.) o konstant-Summen-Skalen: (z.B. Vergleichen Sie für Stimuli A,B, C gemäß ihrer Präferenz insgesamt 100 Punkte.) · nicht-metrische Ansätze: o Rangreihung: (z.B. Bringen Sie die Stimuli A,B,C gemäß ihrer Präferenz in eine Reihenfolge.) o Paarvergleiche: (z.B. Geben Sie jeweils an, welchen die Stimulus Sie bei den Paaren aus A, B, C präferieren.) o Choice-based: (z.B. wählen Sie aus den Stimulus aus den Sie präferieren.)
- Ermittlung der Teilnutzenwerte im Rahmen der Conjoint-Analyse · Grundlage = additives Nutzenmodell k = Stimulus k j = Anzahl der Eigenschaften (j=1, …, J) Mj = Anzahl der Ausprägungen von Eigenschaft j(m= 1, …, Mj; für alle j) Yk = geschätzter Gesamtnutzenwert für Stimulus k ᵦjm = Teilnutzenwert für Ausprägung m von Eigenschaft j Xjm = 1 falls bei Stimulus k die Eigenschaft j in Ausprägung m vorliegt 0 falls bei Stimulus k die Eigenschaft j nicht in der Ausprägung m vorliegt
- Allgemeine Vor- und Nachteile der (traditionellen) Conjoint-Analyse Vorteile: isolierung und Quantifizierung der nutzenbeitrage einzelner Eigenschaften realistische(weil indirekte, ganzheitliche Datenerhebung) vielseitiger Einsatz bei unterschiedlichen Anwendungsfeldern und Problemstellungen Nachteil: Einsatz nur bei begrenzter Anzahl von Eigenschaften möglich Häufige Verwendung von Ordinal-skalen(bei denen formal weder summen noch arithmetische Mittelwerte gebildet werden dürfen) übliche Addition der Teilnutzenwerte stellt eher notwendigen “kunstbegriff“ dar
- Beispiel für ein Kausalmodelle Kausalanalyse: Einfluss eines Faktors auf anderen Q-Varianzanalyse Strukturmodell: (Darstellung der Hypothetische Beziehung & ihre zusammenhänge Messmodell Einstellung Skala1 Beeinflussung Zahl der käufe Einstellung Skala 2 Einstellung kaufverhalten Wert der Käufe →Die Einstellung beeinflusst das kaufverhalten der Käufer) →keine Kausalitäten, sondern Zusammenhänge zwischen hypothetischen Größen→ über Indikatoren erhoben(z.B. die Einstellungen)
- Formen der Indikatoren/ Messmodelle Formative: Indikatoren, die korrelieren können, verursachen die latente Variable(Erklärung der konstruktvarianz) Reflektive: Latente Variable/ Faktor verursacht Indikatoren, die stark korrelieren(Erklärung der Indikatorvarianz)
- Theortische & emperische Gesichtspunkte der Entscheidung für reflektive oder formative messung Refletives Modell Formatives Modell Theoretische Überlegungen 1. Natur des Konstrukts Konstrukts existiert unabhängig von der Konstrukt ist eine Kombination seiner gewählten Messung Indikatoren 2. Richtung der Kausalbeziehung zwischen Indikator & Konstrukt -Kausalrichtung vom Konstrukt zum Indikator -Kausalrichtung vom Indikator zum -Veränderung des Konstrukts führt zu einer Konstrukt Veränderung der Indikatoren - Veränderung eines Indikators führt -Veränderung eines Indikators führt nicht zwangsläufig zu einer Veränderung zwangsläufig zu einer Veränderung aller Indikatoren des Konstrukts -Veränderung eines Indikators führt zu einer Veränderung des Konstrukts 3. Charakteristika der Indikatoren -Indikatoren sind manifestiert durch das -Indikatoren definieren das Konstrukt Konstrukt -Indikatoren gehören zu einem gemeinsamen -Indikatoren müssen nicht zu einem Thema gemeinsamen Thema gehören -Indikatoren sind austauschbar -Indikatoren sind nicht austauschbar -Das Hinzufügen oder Eliminieren - Das Hinzufügen oder Eliminieren eines Indikators verändert nicht den eines Indikators kann den Inhalt des Inhalt des Konstrukts Konstrukts verändern 4. Indikator Interkorrelationen -Indikatoren sollten hohe Inter- - Indikatoren müssen nicht korrelieren korrelation haben -Cronbach α-Koeffizient, AVE, Faktorladungen 5. Indikatorbeziehungen als Einflussfaktoren & Konsequenzen eines Konstruktes -Die Indikatorbeziehungen zum Konstrukt - Indikatoren haben nicht die gleiche haben das gleiche Vorzeichen & sind signifikant Beziehungen zum signifikant Konstrukt -Überprüfung des Konvergenz- und Diskriminanz- - Überprüfung der nomologischen Validität Validität mittels eines MIMIC Modells 6. Messfehler & Kollinearität -Identifikation der Fehlerterme - Identifikation der Fehlerterme nicht -Explorative & konfirmatorische Faktore- möglich, wenn das formative Modell analyse isoliert geschätzt -Tetrad-Test und Kollinearitätsanalyse
- 5. Datenaufbereitung und –dokumentattion Datenaufbereitung: Interpretation der Daten/ empirischen Befunde Vergleich der gelieferten Informationen mit Entscheidungsproblem Erarbeitung von Handlungsempfehlungen Datendokumentattion: Erstellung eines Berichtsbands ziel & Methodik der Untersuchung Ergebnisse der Datenanalyse Handlungsempfehlungen →Präsentation der Ergebnisse/ Handlungsempfehlungen
- Modellierung der Kundenzufriedenheit Confirm-/ Discomfirm- Paradigma o →Vergleich von pre-konsumtiven Erwartungen mit tatsächlichen Erfahrungen o →kognitiver Prozess bezieht sich auf bestimmte Kundenerwartungen und Erfahrungen. Equity Theory o →Gerechtigkeitsinterpretation hinsichtlich (monetärer & nicht-monetärer) Kosten & Nutzen einer Transaktion Attributstheorie o →Zuordnung von Merkmalen/ gründen für „Erfolg“ oder „ Misserfolg“ einer Transaktion. Zufriedenheit wird vor allem durch eigene Merkmale/ gründe verursacht. Unzufriedenheit wird i.d.R. durch externe Merkmalen/Gründen verursacht.
- Methode zur Messung der Kundenzufriedenheit „Objektive“ Verfahren: Umsatz Wiederkaufrate( Kundenbindung) „Subjektive“ Verfahren: Kompositionelle verfahren: Servqual (Service Quality): Erhebung von soll( allgemein für eine Produktgruppe oder Branche) Erhebung des Ist (an bestimmten Anbieter oder bestimmter Leistung) →Zufriedenheit wird errechnet, und nicht befragt Servperf ( sercice performance): Erhebung der Zufriedenheit bei Probanden(direkte Frage) z.B. wie zufrieden sind sie mit Parkmöglichkeiten? Problem: neue nicht zufrieden mit etwas, wissen nicht warum oder wie es sein sollte →Wichtigkeit der Teilszufriedenheiten ist nicht bekannt è soll-Ausprägung ist nicht bekannt Servimpf (Service importance Performance): Erhebung von Wichtigkeiten + Zufriedenheiten mit Teilaspekten einer Leistung è Soll Ausprägung ist nicht bekannt