BLOG - Data Science

Johannes Lüken / Dr. Heiko Schimmelpfennig Die Strukturgleichungsmodellierung zählt zu den bedeutendsten Methoden der Kausalanalyse. Sie erweitert die multiple Regressionsanalyse in zweifacher Hinsicht: Zum einen ist es möglich, nicht nur Vermutungen über kausale Zusammenhänge mehrerer unabhängiger und lediglich einer abhängigen Variable, sondern auch über komplexere Zusammenhänge zwischen Variablen zu überprüfen. Zum anderen erlaubt sie, nicht unmittelbar beobachtbare – so genannte latente – Variablen wie Einstellung, Involvement oder Loyalität zu berücksichtigen.   Bestandteile eines Strukturgleichungsmodells Üblicherweise…

Johannes Lüken / Dr. Heiko Schimmelpfennig   Kontrolle von Störvariablen mit der Regressionsanalyse Ein statistischer Zusammenhang wie beispielsweise eine positive Korrelation zwischen Produktqualität und Kundenzufriedenheit genügt allein nicht, um die Produktqualität als Treiber der Zufriedenheit zu identifizieren. Es muss zudem ausgeschlossen sein, dass dieser statistische Zusammenhang auf Störvariable(n) zurückzuführen ist. So könnte etwa das Markenimage beide Größen beeinflussen und damit die Korrelation zumindest zu einem Teil hervorrufen. Anhand eines kleinen leicht nachrechenbaren Zahlenbeispiels wird veranschaulicht,…

Johannes Lüken / Dr. Heiko Schimmelpfennig Kausale Zusammenhänge beschreiben Beziehungen zwischen Variablen in Form von Wenn-dann- bzw. Je-desto-Sätzen. Ein typisches Beispiel ist der Zusammenhang zwischen der Kundenzufriedenheit und einem ihrer Treiber wie „Wenn die wahrgenommene Produktqualität steigt, dann erhöht sich die Kundenzufriedenheit“. Die Wenn- oder Je-Komponente enthält die Ursache bzw. unabhängige Variable, die Dann- oder Desto-Komponente die Wirkung bzw. abhängige Variable. Mit Kausalanalysen werden Vermutungen über kausale Zusammenhänge getestet. Auf diese Weise werden beispielsweise aus…

Johannes Lüken / Dr. Heiko Schimmelpfennig Bei der Tabellierung von Marktforschungsdaten ist es gang und gäbe, signifikante Unterschiede zwischen betrachteten Teilgruppen zu kennzeichnen. Nicht selten kommt es vor, dass eine Differenz zwischen zwei Gruppen als signifikant und eine größere Differenz zwischen zwei anderen Gruppen nicht als signifikant ausgewiesen wird. Eine mögliche Erklärung dafür ist, dass die ersten beiden Gruppen stärker besetzt sind als die anderen beiden.   Signifikanztest Ein in einer Stichprobe beobachteter Effekt, zum…

Johannes Lüken / Dr. Heiko Schimmelpfennig Wenn die Mittelwerte von mehr als zwei unterschiedlichen Gruppen (unabhängigen Stichproben) oder mehr als zwei Erhebungen bei denselben Personen (abhängigen Stichproben) miteinander verglichen werden sollen, reicht ein t-Test nicht mehr aus. Dann ist auf eines der nachfolgend vorgestellten Verfahren der Varianzanalyse zurückzugreifen.   Ein- und mehrfaktorielle Varianzanalyse In einem Produkttest werden drei unterschiedliche Varianten getestet. Dazu erfolgt eine zufällige Aufteilung der Probanden in drei Gruppen. Die Mitglieder einer Gruppe…

Johannes Lüken / Dr. Heiko Schimmelpfennig Signifikanztests untersuchen, inwieweit die auf Grundlage einer Stichprobe erzielten Ergebnisse auch in der dahinter liegenden Grundgesamtheit gelten. Da die wahren Werte von Parametern der Grundgesamtheit wie Mittelwert, Anteil, Korrelations- oder Regressionskoeffizient nicht bekannt sind, werden hypothetische Werte angenommen und überprüft, ob diese mit den Werten in der Stichprobe im Widerspruch stehen.   Beispiel Es soll untersucht werden, ob sich nach dem erstmaligen Verbrauch eines Produktes die Kaufbereitschaft für das…

Johannes Lüken / Dr. Heiko Schimmelpfennig Marktsimulationen ermöglichen die Prognose der Auswirkungen von Produkt- und Preisvariationen auf Marktanteile und andere ökonomischen Größen. Dazu liefert die Conjoint-Analyse mit der für jeden einzelnen Befragten ermittelten individuellen Nutzenstruktur die notwendige Datenbasis.   Grundlegendes Vorgehen Im Rahmen der im Conjoint-Modell enthaltenen Merkmale und Ausprägungen werden Produkte definiert und zu einem Set zusammengestellt. Bei metrischen Merkmalen ist man dabei nicht auf die abgefragten Ausprägungen beschränkt. Durch eine Interpolation können auch…

Johannes Lüken / Dr. Heiko Schimmelpfennig Jedes Verfahren der Conjoint-Analyse besitzt Stärken und Schwächen. Insofern lässt sich keine generelle Empfehlung geben, welches vorzugsweise eingesetzt werden sollte. Die Entscheidung für ein Verfahren ist vielmehr vor dem Hintergrund der Charakteristika der jeweiligen Fragestellung und Erhebung zu treffen. Nachfolgend werden wichtige Kriterien vorgestellt.   Anzahl der Merkmale Menschen sind allenfalls in der Lage, maximal acht Merkmale gegeneinander abzuwägen. Sollen mehr Merkmale berücksichtigt werden, muss durch den Befragten oder…

Johannes Lüken / Dr. Heiko Schimmelpfennig Unter den Conjoint-Verfahren ist das CBC am weitesten verbreitet. Aktuell kommt es in über 80% aller Conjoint-Analysen zur Anwendung. Der große Vorteil dieser Methode liegt in ihrer realitätsnahen und einfachen Datenerhebung. Der Befragte wird mehrfach vor die Aufgabe gestellt, aus einem Set von Angeboten jenes auszuwählen, das ihm am meisten zusagt. Eine None-Option kann es ihm zudem ermöglichen, sich gegen alle Angebote zu entscheiden. Die folgende Abbildung zeigt ein…

Johannes Lüken / Dr. Heiko Schimmelpfennig Die Conjoint-Analyse wird eingesetzt, wenn Produkte oder Dienstleistungen marktgerecht und auf den Kundennutzen ausgerichtet gestaltet werden sollen. Analysiert werden die Präferenzen der Nachfrager. Die Verfahren gehen davon aus, dass sich der Gesamtnutzen eines Konzeptes (einer konkreten, mehrdimensionalen Produktidee) additiv aus den Teilnutzen seiner Merkmale zusammensetzt. Aus der ganzheitlichen Beurteilung (CONsidered JOINTly) mehrerer Kombinationen von Merkmalsausprägungen wird auf deren Teilnutzen geschlossen (dekompositioneller Ansatz). Dazu braucht man nur einen Teil aller…