Marktforschung

1. Datensparsamkeit: Es werden nur die unbedingt notwendigen Daten erhoben.
2. Anonymität: Daten sollen, wenn möglich, anonym erhoben werden, um die Privatsphäre zu schützen.
3. Transparenz und Informationspflicht: Die Auskunftspersonen müssen klar darüber informiert werden, wofür ihre Daten verwendet werden und wie damit umgegangen wird.
4. Ethisches Vorgehen: Auch wenn unethische Methoden manchmal zu besseren Ergebnissen führen könnten, sind diese nicht zulässig, um das Vertrauen der Auskunftspersonen zu gewährleisten.

• Imageforschung, um das eigene Unternehmen zu beschreiben

• Meinungs- und Verhaltensforschung zur Kundschaft

• Marktsegmentierung zur quantitativen Typologisierung der Kundschaft

• Personas zur qualitativen Typologisierung der Kundschaft

• Marktkennzahlen zur Beschreibung des Markts 

Imageforschung: (=Untersucht das Image von Unternehmen, Marken oder Produkten. Das Image beeinflusst das Verhalten der Kunden und basiert auf Assoziationen, Wahrnehmungen und Erfahrungen.)

• Arten von Image: Branchenimage, Firmenimage, Markenimage, Produktimage.

Meinungs- und Verhaltensforschung: (=Analysiert die Bedürfnisse, Einstellungen und das Verhalten der Kunden.)

• Instrumente: Ad-hoc-Studien und Konsumentenpanels.
• Kundenzufriedenheit: Misst die Übereinstimmung zwischen den Erwartungen und der wahrgenommenen Qualität eines Produkts. Methoden: Merkmalsorientierte Verfahren (z. B. multiattributive Verfahren) oder ereignisorientierte Verfahren (z. B. Lob-Kritik-Analyse).
• Kundenbindung: Wird oft durch den Net Promoter Score (NPS) gemessen.

Marktsegmentierung:

• Teilt die Kunden in Gruppen mit ähnlichen Bedürfnissen ein. Dies ermöglicht eine gezielte Marketingansprache.
• Kriterien: Geografisch, soziodemografisch, psychografisch, konsumbezogen.

Ansätze: Nutzung bestehender Konsumententypologien, pragmatisches Vorgehen basierend auf vorhandenen Daten, Durchführung einer Ad-hoc-Studie (z. B.Clusteranalyse).

Personas: (=Detaillierte, fiktive Charaktere, die Kundengruppen repräsentieren. Helfen, Bedürfnisse und Verhaltensweisen besser zu verstehen.

• Erstellung: Pragmatisch oder durch Ad-hoc-Studien (z. B. Clusteranalyse).
• Beispiel: Die SBB nutzte eine Clusteranalyse zur Erstellung von Personas mit unterschiedlichen Mobilitätsbedürfnissen.

Marktkennzahlen:

• Wichtige Kennzahlen zur quantitativen Beschreibung des Markts:
  • Marktkapazität: Maximale Menge, die im Markt potenziell verkauft werden könnte.
  • Marktpotenzial: Gesamter potenzieller Absatz unter idealen Bedingungen.
  • Marktvolumen: Tatsächlicher Absatz im Markt.
  • Marktanteil: Anteil eines Unternehmens am Marktvolumen.
  • Marktsättigungsgrad: Verhältnis von Marktvolumen zu Marktpotenzial.
• Beispiel: Bei einer Marktkapazität von 3,3 Mio. Tonnen Schokolade in der Schweiz beträgt das Marktpotenzial 3 Mio. Tonnen und das Marktvolumen 1 Mio. Tonnen. Ein Unternehmen mit einem Produktionsvolumen von 0,1 Mio. Tonnen hätte somit einen Marktanteil von 10 %.

Grundgesamtheit

• Definition: Die gesamte Zielgruppe, über die Daten erhoben werden sollen, basierend auf dem Marktforschungsziel.
• Arten:
  • B2C-Erhebung: Befragung von Privatpersonen.
  • B2B-Erhebung: Befragung von Unternehmen (z. B. Marketingleiter).
• Besonderheiten: Bei kleinen Zielgruppen ist eine Vollerhebung möglich. In der B2B-Forschung sind oft mehrstufige Auswahlverfahren notwendig.

Stichprobe

• Definition: Eine Teilmenge der Grundgesamtheit, die ausgewählt wird, um Zeit und Kosten zu sparen.
• Maßnahmen zur Verbesserung: Erinnerungen und Incentivierungen erhöhen die Ausschöpfung.

Repräsentativität der Stichprobe

• Definition: Die Stichprobe stellt ein verkleinertes Abbild der Grundgesamtheit dar und repräsentiert deren wesentliche Merkmale.
• Merkmale:
  • Soziodemografisch: Alter, Geschlecht, Wohnort.
  • Psychografisch: Lebensstil, Wertorientierung.
• Beispiel: Eine Umfrage mit 2.000 Veganern auf einer Website ist nicht repräsentativ für die gesamte Bevölkerung.

Verfahren der Stichprobenziehung

• Zufallsauswahl (Random): Repräsentativität wird durch zufällige Auswahl erreicht.
• Bewusste Auswahl (Quota): Es werden Quotenmerkmale festgelegt, um Repräsentativität zu gewährleisten.
• Praxis-Tipp: Das Quota-Verfahren ist oft einfacher und weit verbreitet.

Gewichtung

• Definition: Anpassung der relativen Bedeutung bestimmter Personengruppen, um Unterschiede zwischen Stichprobe und Grundgesamtheit auszugleichen.
• Beispiel: In einer Umfrage zur Rollator-Nutzung werden die Daten so gewichtet, dass die Sprachregionen der Schweiz korrekt repräsentiert sind.

Stichprobenfehler und signifikante Unterschiede

• Stichprobenfehler: Gibt an, wie stark ein Wert in der Grundgesamtheit schwanken kann. Eine größere Stichprobe reduziert diesen Fehler.
• Signifikante Unterschiede: Liegen vor, wenn sich die Schwankungsbereiche zweier Werte nicht überschneiden.
  • Formel: Signifikanz = (größerer Wert – Stichprobenfehler) > (kleinerer Wert + Stichprobenfehler).

• Beispiel: Unterschiede in der Kaufwahrscheinlichkeit zwischen Marktsegmenten wie „Preisaffine“ und „Feature-Fans“.

Vorteile:

• Datenbeschaffung ist günstig oder gratis.

• Die Daten sind oft schnell verfügbar.

• Sekundärdaten sind ggf. als Zeitreihen verfügbar. Dadurch können Entwicklungen / Trends abgeleitet werden

Nachteile:

• Die Daten sind häufig wenig spezifisch / problembezogen.

• Die Daten sind evtl. nicht aktuell (genug).

• Die Daten sind oft stark zusammengefasst, d. h. zu «grob» strukturiert für detaillierte Analysen.

• Oft ist nicht genau nachvollziehbar, wie die Daten erhoben wurden.

Innerbetriebliche Datenquellen

• Bestehende Marktforschungsstudien

• CRM-Systeme, Kundendatenbanken, Data Warehouse

• Software, die Kundenverhalten misst, z. B. Web Analytics, Sensoren am POS

• Unterlagen des Rechnungswesens bzw. des Controllings, z. B. Deckungsbeiträge, Kostenstruktur

• Verkaufsstatistiken, z. B. Umsatzstatistiken, ABC-Analysen

• Dokumentation zu Kundenkontakten, z. B. Besuche oder Anrufe

• Reklamationsstatistiken, Auswertungen von Kundendienst-Kontakten

• Produktions- und Lagerstatistiken, z. B. Kapazitätsauslastung, Lagerbestände

• Konkurrenzbeobachtungen bzw. -dokumenta-tionen

• Wissen in den Köpfen erfahrener Kolleg/-innen und Fachspezialist/-innen

Ausserbetriebliche Datenquellen

• Amtliche Statistiken, z. B. Bundesamt für Statistik (BFS) oder SECO

• Daten von Statistikdienstleistern, z. B. Statista

• Veröffentlichungen von Branchen-und Wirtschaftsverbänden, z. B. WEMF, Swissmem, Economiesuisse

• Publikationen von Beratungsunternehmen und spezialisierten Anbietern

• Social Listening in sozialen Netzwerken, Kon-sumentenforen, Blogs, Marken-Communitys, Bewertungsportalen

• Veröffentlichungen in Fachzeitschriften, Tagespresse, ggf. unternehmensspezifischer Medienspiegel

• Veröffentlichungen von Unternehmen, z. B. Jahresberichte, Kataloge, Ausschrei-bungen

• Dokumentationen / Forschungsberichte von Hochschulen

Elemente der Sekundärforschung: (Unternehmensinterne Datenbanken, Web Analytics und Social Listening)

Unterschied von Web Analytics und Social Listening:

• Social Listening: Fokus auf das Monitoring von Gesprächen und Stimmungen in sozialen Medien und Online-Plattformen, um Meinungen, Trends und Kundenfeedback zu analysieren.

• Web Analytics: Fokus auf die Analyse von Website-Daten, z. B. Besucherzahlen, Klickverhalten und Conversion-Raten, um die Leistung der Website zu optimieren.

Kurz: Social Listening = Meinungen und Gespräche; Web Analytics = Verhaltensdaten.

1. Unternehmensinterne Datenbanken(=Unternehmensinterne Datenbanken nutzen vorhandene, strukturierte Daten (z. B. Kaufhistorien, demografische Daten) zur Analyse von Kundenverhalten und zur Entwicklung strategischer Einsichten.)

Beispiele:

Ein E-Commerce-Unternehmen analysiert Kaufhistorien, um personalisierte Produktempfehlungen zu erstellen.

Ein Kreditinstitut verwendet Kundendaten, um Betrugsfälle zu identifizieren.

Vorteile:

• Detaillierte Analysen: Ermöglicht tiefgehende Einblicke in das Kundenverhalten (z. B. durch Data Mining).
• Anwendungsmöglichkeiten: Unterstützt Predictive Analytics, Cross-Selling und Betrugsaufdeckung.
• Eigene Datenbasis: Direkter Zugriff auf historische und aktuelle Unternehmensdaten.

Nachteile:

• Datenqualität: Schwierigkeiten, Daten auf Richtigkeit und Vollständigkeit zu überprüfen.
• Grundgesamtheit: Keine klar definierten Grundgesamtheiten, was die Repräsentativität einschränkt.
• Exploratives Vorgehen: Oft ohne klare Hypothesen oder Zielsetzungen.
• Datenschutz: Hoher Aufwand für den Schutz sensibler Kundendaten.

1. Web Analytics: (Web Analytics analysiert das Verhalten von Nutzern auf digitalen Plattformen, etwa durch Messung von Metriken wie Unique Visitors, Verweildauer oder Konversionsraten.)

Beispiele:

Ein Unternehmen analysiert die Absprungrate (Bounce Rate) auf seiner Website, um die Benutzerfreundlichkeit zu verbessern.

Eine Online-Kampagne wird durch Klick- und Konversionsraten in Google Analytics gemessen.

Vorteile:

• Sofortige Ergebnisse: Daten können direkt und in Echtzeit erfasst werden.
• Nutzerzentrierte Messungen: Liefert Erkenntnisse, die unabhängig vom Erinnerungsvermögen der Nutzer sind.
• Effizienz: Ermöglicht eine direkte Erfolgskontrolle digitaler Maßnahmen (z. B. Kampagnenwirkung).

Nachteile:

• Repräsentativität: Daten sind oft auf digitale Nutzer beschränkt und repräsentieren nicht die gesamte Zielgruppe.
• Qualität der Tools: Abhängigkeit von Software und deren Zuverlässigkeit.
• Datenschutz: Erhebung und Speicherung sensibler Daten können problematisch sein.

1. Social Listening: (=Social Listening erfasst und analysiert Meinungen und Stimmungen von Kunden auf sozialen Medien, Blogs und Bewertungsportalen, häufig mithilfe von Text Mining und Sentiment-Analyse.)

1. Kategorisierung: Zuordnung von Aussagen zu vordefinierten Kategorien.
2. Clustering: Automatische Gruppierung von Aussagen.
3. Sentiment-Analyse: Bewertung der Aussagen als negativ, neutral oder positiv.

Beispiele:

Ein Unternehmen überwacht Twitter und Instagram, um die Kundenmeinung zu einem neuen Produkt zu analysieren.

Ein Automobilhersteller nutzt Bewertungen und Forenbeiträge, um Probleme und Verbesserungsvorschläge für ein Fahrzeugmodell zu identifizieren.