IUBH BMFO01 Marktforschung

• Merkmalsträger werden aufgefordert, ihre Position auf der interessierenden Merkmalsdimension selbst festzulegen, Maßstab mit entweder numerischer, verbaler, grafischer Benennung oder auch Kombinationen

Oftmals Wahl von Extrempositionen oder aber zur mittleren Position (Tendenz zur Mitte)

Festlegung von Forschungsoperationen, mittels derer sich entschieden lässt, ob in einer konkreten Situation ein mit einem theoretischen Begriff bezeichnetes Phänomen vorliegt oder nicht

Die Anwendung des Verfahrens ist die Messung, danach statistische Methoden, dann Vergleich und die Interpretation

1. Redigierung bzw. Editierung der vorliegenden Erhebungsbögen
2. Codierung der Erhebungsbögen
3. Dateneingabe in den Rechner
4. Fehlerkontrolle
5. Ergänzung fehlender Daten
6. Erstellung der Datenmatrix

Vollständigkeiten der Angaben

Erfassung des exakten Grund für die fehlenden Antwort

Lesbarkeit der Angaben

= Voraussetzung für die Codierung

Verständlichkeit der Angaben

Was wollte der Befragte ausdrücken?

Konsistenz der Angaben

Gibt es einen Widerspruch bei den Antworten?

Vergleichbarkeit der Angaben

Zusammenfassung in vergleichbare Einheiten

1. Erarbeitende Kategorien sollten das gesamte Spektrum der Ausprägungen abbilden (z.b. „Sonstige“ o, keine Angaben)
2. Antworten sollten immer nur einer Kategorie zuordenbar seinà Gegenseitiges ausschließen
3. „Nicht“ Antworten wenn es von keinem genannt werde
4. Ähnlich aufgebaute Fragen sollten auch ähnlich codiert werden

• Nur ein Zeichen pro Spalte, viele Software- Pakete erkennen mehrstellige Eingaben nicht
• Codes sollten numerischer Natur sein, keine Sonderzeichen
• Für Jede Variable müssen genau so viele Spalten zur Verfügung stehen, wie sie zur Erfassung sämtlicher Ausprägungen notwendig sind

Data Cleaning = Daten auf Fehler zu untersuchen damit diese korrekt sind

Stichprobenkontrolle (Double-entry- Methode)= doppelte Eingabe von Daten in zwei separate Datenstätze die dann miteinander verglichen werden von 2 verschiedenen Personen

Scanner – Technologien (nicht bei offenen Fragen)

Meisten Fehler beruhen auf Unachtsamkeit und Unkonzentriertheit

1. Fehlender Wert wird bei Datenanalyse nicht berücksichtigt (Statistik Programme)
2. Fehlende Werte werden geschätzt (imputation)
3. Bildung eines Mittelwertes
4. Ersetzen mittels der Regressionsanalyse, bei der Werte anderer Variablen herangezogen werden, die wiederum den fehlenden Wert beeinflussen

•Bilden die Häufigkeitsverteilung der Merkmale systematisch  und übersichtlich ab

•Ermittlung von Parametern der untersuchten Häufigkeit

•Lage u. Streuparameter

•einfachste Art

•Je nach Skala werden versch. Methoden eingesetzt

•Aufbereitung von Messdaten untersch. Objekte 

•Beschreibung der einzelnen Variablen sowie Häufigkeit der Merkmalsausprägungen

•Keine Zusammenhänge

•Kumulative Werte & Statistische Werte & Anteile an einer Gesamtheit

•Fehlenden Daten werden außer Acht gelassen, numeriche Anzahl derMerkmalsausprägungen

•Säulendiagramm

Kennzeichnet die Ausprägungen eines Untersuchungsmerkmals, die für die Häufigkeitsverteilung am typischsten sind

      Soll die Position mehrerer Merkmalswerte auf einer Merkmalsdimension durch einen einzelnen Wert charakterisieren

      Arithmetisches Mittel:

Summe aller Merkmal / Anzahl, normalerweise metrisches Skalenniveau, Mafo  ordinal skalierte Daten

      Median =

Markiert die Grenze zwischen den oberen und unteren 50% der Häufigkeitsverteilung

      Modus =

Ermittelt den häufigsten Wert

      Aussage über die Verteilung der gesamten gemessenen Merkmalsausprägungen

Stichproben könnten identisches arithmetisches Mittel aufweisen, obwohl sie eine andere Verteilung haben

      Für ordinal skalierte Daten

      Differenz zwischen dem größten und kleinsten Merkmalswert

Sehr beeinflussbar durch Ausreißer bzw. Extremwerte à man nimmt nur die mittleren 90 % bis 95&

      Maß für die Streuung aller gemessenen Ausprägungen um art. Mittelwert

      Am wichtigsten

Berechnung über durchschnitt. Quadratische Abweichung der einzelnen Beobachtungswerte vom arithmetischen Mittel à durch das  Quadrieren der Werte haben Abweichungen ein stärkeres Gewicht als beim Durschnitt, ist Ergebnis 0 liegt keine Streuung vor

= Quadratwurzel aus der Varianz

• Kennzeichnung von Fehlintervallen für arithmetische Mittel

Große Bedeutung, liefert für statistische Tests Informationen

•häufigste Form

•Wichtig ist die korrekte Auswahl der Variablen

•Oft Verhältnis Geschlecht mit Merkmalsauswahl oder auch Verhältnis Zufriedenheit und Lieferservice

•Vorteile: man brauch keine metrischen Skalen

•Ermittelt Strenge des Zusammenhangs zw. den Variablen

•Grad des linearen Zusammenhangs

•Grad nennt sich Korrelationskoeffizient

•dient nur als Zwischenschritt & wegbereiter für andere Verfahren

R = -1

Vollständig gegenläufiger linearer Zusammenhang, Erhöhung der Variable x, die andere Variable verringert sich immer um y à fallende Gerade

-1<r<0

Werte lassen sich mehr oder minder gut mit einer fallenden Geraden darstellen

R = 0

Es besteht kein linearer Zusammenhang, aber ggf. starke nicht-lineare Zusammenhänge 8beim Optimum)

0<r<1

Mehr oder minder guter positiver linearer Zusammenh., Zuwachs der einen = Zuwachs der anderen Vari.

R=1

Perfekter linearer Zusammengang, Zuwachs um x = Zuwachs um y

•Beziehungen zwischen einer abhängigen & einer unabhängigen Variablen & Erkennung von Zusammenhänge sowie prognostizieren von abh. Werten

•Einteilung in ab & unabhängig, metrische Skalierung

Ermittlung der Abhängigkeit einer abhängigen Variablen von mehreren unabhängigen Variablen z.B. Auswirkung des Preises auf die Abverkaufsmenge sowie Einfluss der Verkaufsförderung

Vorher: Ermittlung der Regressionskoeffizienten für die unabhängigen Variablen, metrisch skaliert und approximativ normalverteilt

      Überprüfung auf Zusammenhang zw. Abhängig u. unabhängig, keine Aussagen über das Ausmaß

Voraussetzungen:

1. Grundgesamtheit der Beobachtungswerte muss normal verteilt sein
2. Ergebnisse dürfen keine systematischen Fehler einwirken, stets Zufallauswahl
3. Erklärte u. unerklärte Varianzen müssen stets additiv miteinander verknüpft werden
4. Varianzhomogenität ist anzustreben, Varianzen in den Gruppen sollte gleich sein

      Unabhängige Variablen müssen nicht metrisch skaliert sein, nominal reicht

      Abhängige Variablen müssen metrisch skaliert sein

      Einfaktorielle Varianzanalyse = ein Einflussfaktor mit versch. Ausprägungen

Zweifaktorielle / mehrfaktorielle Varianzanalyse = Kombinationen

Will folgende Fragen beantworten:

1. Wie können mehrere Gruppen von Untersuchungseinheiten angesichts best. Merkmale getrennt werden?
2. Welche Merkmale aus der Gesamtheit aller erhobenen unabh. Merkmale trennen die Gruppe am besten
3. Welchen Anteil hat jede unabhängige Variable an der Trennung der Gruppe?
4. Welchen der vorgegebenen Gruppen sollen neu zu unters. Personen/Objekte aufgrund ihrer Merkmalsausprägungen bei den unabh. Variablen zugeordnet werden

      Analyse einseitiger Abhängigkeiten

      Abhängige Variablen : nominal skaliert

Unabhängige V. = metrisch skaliert

      Stichproben mittels Vorhersagevariablen in der Weise in Teilsegmenten aufzuspalten, dass die Zielvariable in den versch. Segmenten eine signifikant untersch. Ausprägung aufweist

      Daten werden unterteilt, oft im Baumdiagramm –> Welche Variablen haben einen starken, weniger starken oder auch gar keinen Einfluss auf die abhängige Variable

Für jedes Skalenniveau existiert ein Kontrastgruppenverfahren

Ziel:                      Größere Anzahl von Variablen auf eine kleinere Zahl voneinander unabhängiger Variablen (Faktoren)

                               Zurückzuführen = Variablenreduktion

• Entdeckung derjenigen Faktoren aus einer gegebenen Menge von Variablen, die am besten zur Erklärung von Schwankungen der Ausprägung einer abhängigen Variable dienlich sind

Beispiel:             IQ

Anwendung:     Oft Vorbereitung für andere Verfahren

Ziel:                      Verfahren zur Bildung von Gruppen (Cluster), Komprimierung auf der Objektseite

Vorgehen:          1.  Quantifizierung der Ähnlichkeiten bzw. Unähnlichkeiten von Objekten (Kunden)

2.  Zusammenfassung der Objekte, sodass sie in sich homogen sind. Die entstehenden Gruppen sollten dabei untereinander möglichst heterogen sein

à Dafür sind geeignete Segmentierungskritieren zu wählen, danach Positionierung in einem mehrdimensionalen Raum, Entfernung zwischen den Untersuchungsobjekten innerhalb des Merkmalsraums spiegelt dann die Ähnlichkeit wieder = Proximitätsmaß

Besonderheit:  Mehrere Merkmale parallel zueinander können herangezogen werden, wodurch es sich über mehrere Dimensionen erstreckt

Skalenniveau: oft werden Ordinalskalen in intervallskalen uminterpretiert

Interpreatitionsspielräume: nicht die eine richtige Lösung, sondern viele

Eingesetzter Verfahrenstyp: Viele typen, oft kein Hinweis auf Technik

Datenkonsistenz: Viele voraussetzungen, Lücken & Fehler können zu verfälschten Ergebnissen führen

•verwenden Indikatoren wie z.B. Entwicklung des Umsatzes & weisen hohe Korrelation mit der Zufriedenheit auf

•stark von anderen Faktoren beeinflussbar

•Merkmalsbezogene Verfahren = Messung von Kundenzufriedenheit über einen längeren Zeitraum

•Merkmalbezogenes multiattributives (merhdimensionales Verfahren)

•Ereignisbezogene Verfahren = Spot-Ansätze, bei bestimmtien Ereignissen, punktuelle Leistungsverbesserung

•direkte E rhebung von Zufriedenheitsurteilen ohne sperarte Messung von Erwartungen gilt als valideste Form

Multi-Indikator Skala

Kunin Skala (Grafische Visualisierung der Pole)

Skalenpunkte: 5 – 10

Hinterfragung einzelner Merkmale

Auswertung mit Kausal oder Faktoranalyse

Kurze Fragebögen, 6 -8 Seiten ist zu viel, so um die 5

• 4 Kontaktfragen, 4 Sachfragen mit Unterfragen, 1 Frage zu demografischen Merkmalen

1. Eisbrecherfragen = sollen Atmosphäre auflockern, kurz und leicht zu beantworten um für entspannte Grundstimmung zu sorgen
2. Sachfragen =Rating Skalen, vorher müssen Zufriedenheitsdimensionen definiert werden = Ergebnis einer Kausalanalyse
3. Soziodemografische Fragen