Weiterführende Analysen
Die in einem Forschungsprojekt erhobenen Daten bieten bei optimal gestaltetem Projektdesign ein hohes Analysepotenzial. Die Aufgabe einer guten Marktforschung ist es, dieses Potential zu erkennen und zu verarbeiten. Mit den entsprechenden Analyseverfahren und der richtigen Anwendung können entweder versteckte bzw. noch unbekannte Strukturen entdeckt oder gezielte Fragestellungen beantwortet werden.
Wichtig ist: Es gibt nicht das eine richtige Verfahren.
Ausgewählte Analyseverfahren im Überblick:
1. Explorative Datenanalyse bzw. strukturentdeckende Modelle
Faktorenanalyse
Ziel der Faktorenanalyse ist es, eine latente Struktur in den Daten aufzudecken. Eine Vielzahl von Indikatoren wird auf wenige Zieldimensionen reduziert. Informationen werden gebündelt und können gezielt weiterverarbeitet werden. Die Zieldimensionen können hierbei zuvor bekannt sein, aber auch explorativ ermittelt werden. Weiterhin drücken die Zieldimensionen inhaltliche Zusammenhänge aus, die bei nur einzelner Betrachtung verborgen geblieben wären. Eine Anwendungsmöglichkeit findet sich vor allem bei Itembatterien.
Anwendungsbeispiel: Extraktion von Faktoren aus einer größeren Anzahl Marken-Imageitems. Diese Faktoren bilden die eigentliche Grundlage der Markenbewertung in den Köpfen der Befragten.
Multidimensionale Skalierung
Die Multidimensionale Skalierung dient der graphischen Darstellung von beurteilten Objekten durch Individuen. Zur anschaulichen Interpretation wird hier der zwei- bzw. dreidimensionale Raum gewählt. Die Distanzen der Objekte können dann als Ähnlichkeiten bzw. Unähnlichkeiten zwischen den Variablen interpretiert werden. Auch hier können bisher unbekannte Zusammenhänge zwischen den Variablen sowie latente Motivationen der Befragten ermittelt werden.
Anwendungsbeispiel: Graphische Darstellungen eines Markenpositionierungsraumes zur Abbildung der Markenbesonderheiten. Images und Marken werden in einem Koordinatensystem gemeinsam dargestellt.
Korrespondenzanalyse
Die Korrespondenzanalyse stellt die "Korrelationen" von Zeilen und Spalten einer Kontingenztabelle graphisch dar und diese können über die Achsen des Koordinatensystems interpretiert werden. Entfernungen sind im relativen Vergleich zu betrachten und die Lage spiegelt den Zusammenhang wieder. Auch die Korrespondenzanalyse kann über die dimensionsbedingte Darstellung zur Datenreduktion beitragen. Die Zielsetzung ist letztendlich ähnlich der Multidimensionalen Skalierung. Die Korrespondenzanalyse ist aber für die Verarbeitung kategorialer Daten ausgerichtet.
Anwendungsbeispiel: Graphische Darstellung des Zusammenhangs zwischen Segmenten und Marken, um aufzuzeigen, welche Segmente zu welchen Marken eine besonders ausgeprägte Affinität aufweisen.
Conjointanalyse
Die Conjoint-Analyse unterstützt bei der Produktentwicklung und gibt Hinweise auf die für einen Markt optimale Kombination von Produktfeatures, die sich an den Nutzen der Konsumenten orientieren. Anders als in der „klassischen Befragung" üblich, werden dem Befragten keine einzelnen Produktfeatures gezeigt, die dann jeweils für sich selbst als wichtig oder unwichtig bewertet werden. Stattdessen werden dem Probanden verschiedene (vollständige) Produkte vorgestellt, aus der dieser nach seiner Kaufpräferenz aussuchen soll (Trade off). Diese Produkte unterscheiden sich hinsichtlich genau definierter Merkmale wie z.B. Service, Ausstattung und Preis und weisen unterschiedliche Kombinationen der Merkmalsausprägungen auf. Anhand der Produktauswahl der Probanden werden über statistische Verfahren sogenannte Nutzenwerte für jede Ausprägung eines jeden Merkmals berechnet.
Das Ergebnis der Conjoint Analyse verdeutlicht, welche Ausprägung (z.B. rot, grün oder blau) eines bestimmten Merkmals (hier: Farbe) beim Kunden den größten Nutzen stiftet und wie wichtig das Merkmal in Relation zu anderen Produktmerkmalen ist. Der Nutzwert eines Produktes wird durch die gewichtete Summe der Einzelnutzen der enthaltenen Produktausprägungen berechnet. Der Erfolg verschiedener Produktkonfigurationen lässt sich somit beurteilen.
In der Praxis werden mehrheitlich zwei Grundverfahren der Conjoint-Analyse eingesetzt (Adaptive Conjoint-Analyse (ACA) und Choice-Based-Conjoint (CBC)), die sich durch die Auswahl und Zusammenstellung der vorgestellten Produkte unterscheiden. Daneben können auch komplexere Verfahren eingesetzt werden, um z.B. Restriktionen eines einfachen Conjoint-Design zu umgehen (z.B. Multi-Stage Conjoint).
Neben der Conjoint-Analyse bilden sich derzeit weitere Verfahren aus, die einen ähnlichen Ergebnisoutput liefern, aber eine andere Herangehensweise haben (AHP: Analytical Hierarchical Process).
Anwendungsbeispiel: Für die Produktentwicklung sollen ausgewählte Merkmale optimiert werden. Dazu möchte das Produktmanagement wissen, welche Merkmale in welchen Ausprägungen den Kunden bzw. einem speziellen Segment einen besonders hohen und geldwerten Nutzen bieten.
Clusteranalyse
Mittels der Clusteranalyse werden Personengruppen/Cluster identifiziert, die hinsichtlich der betrachtenden Merkmale/Fragen ein homogenes Antwortverhalten aufweisen. Gleichzeitig ist das Antwortverhalten zwischen den Clustern möglichst heterogen. Hinter der Clusteranalyse verbergen sich verschiedene Verfahren, die auf unterschiedlichem Weg zum gleichen Ziel kommen möchten. Die Eigenheiten der Verfahren liegen vor allem in der Anwendbarkeit bei großen Fallzahlen.
Anwendungsbeispiel: Mittels der Clusteranalyse werden verschiedene Segmente identifiziert, die durch spezifische Grundeinstellungen in Hinsicht auf die Produkte eines ausgewählten Marktes geprägt sind.
2. Zusammenhangsanalyse mit oder ohne Angabe der Richtung des Zusammenhangs
Korrelationskoeffizienten
Über den Korrelationskoeffizienten kann der lineare Zusammenhang zwischen zwei Merkmalen überprüft werden, d.h. er testet, ob sich die beiden Merkmale in dieselbe lineare Richtung bewegen. Der Korrelationskoeffizient kann aussagen, ob diese Merkmale positiv oder negativ miteinander in Zusammenhang stehen. Er ist gleichzeitig ein Maß für die Stärke des Zusammenhangs. Korrelationskoeffizienten treffen jedoch keine Aussage über die Wirkungsrichtung (Ursache-Wirkung) der Beziehung.
Anwendungsbeispiel: Messung des Einflusses der Zufriedenheiten mit einem ausgewählten Kundenprozess auf die Gesamtzufriedenheit.
Regressionsanalyse
Die Regressionsanalyse untersucht den Zusammenhang zwischen zwei oder mehreren Variablen, wobei die Wirkungsrichtung zuvor bekannt ist. Es wird zwischen abhängigen und unabhängigen Variablen unterschieden. Hierbei bewirkt die Veränderung der unabhängigen Variablen eine Veränderung der abhängigen Variable. Die ermittelten Regressionskoeffizienten geben die Steigung der Regressionsfunktion an und somit die Stärke des (linearen) Zusammenhangs. Häufig angewandte Regressionsverfahren sind die lineare Einfachregression, sowie die logistische Regression.
Anwendungsbeispiel: Identifikation von Produktmerkmalen, die die Kaufbereitschaft besonders positiv beeinflussen.
Klassifizierungsbaum
Die Methode des Klassifizierungsbaumes ermöglicht es, Gruppen zu identifizieren, die die jeweilige abhängige Variable signifikant beeinflussen. Die prozentualen relativen Häufigkeiten der Untergruppen werden über Knotenpunkte ausgegeben und können aus der Ereigniswahrscheinlichkeit für das abhängige Merkmal interpretiert werden. Die einzelnen Knoten geben die Tiefe des Entscheidungsbaumes an, wobei die Endknoten die letzten signifikanten Untergruppen beinhalten.
Anwendungsbeispiel: Ermittlung von Personengruppen (z.B. über die Kombination verschiedener soziodemographischer Merkmale), die ein besonders ausgeprägtes Kaufinteresse an einem Produkt haben.
Sie möchten mehr über Analysemethoden bei best research wissen?
Klicken Sie hier und wir rufen Sie so schnell wie möglich an (i.d.R. in den
nächsten 30 Minuten) - oder wählen Sie direkt 0521 / 2997-871.
Übrigens:
Die Verfahren sollten niemals als Selbstzweck eingesetzt werden. Die Eignung der Ergebnisse ist immer in Abhängigkeit von ihrer praktischen Relevanz zu bewerten. Deshalb kombinieren wir in der Regel statistische mit sachlogischen Analysen.