Gewinnung von Daten

Explorative Marktforschung

• Ausgangspunkt: geringe Problemkenntnis

• Ziele: Einsicht in die Art des Problems

  Erfassung möglicher Alternativen / relevanter Variablen Generierung von Hypothesen

Deskriptive Marktforschung

• Ausgangspunkt: Problemstruktur bekannt, aber keine Daten über die Marketing-

  Umwelt

• Ziel: Beschreibung der Marketing-Umwelt

Kausale Marktforschung

• Ausgangspunkt: Hypothesen über Wirkungszusammenhänge

• Ziele: Test dieser Hypothesen

  Bestimmung der Stärke von Zusammenhängen

Sekundärdaten: existieren bereits

• Unternehmensintern (z. B. Marketing-Aktivitäten, Transaktionsdaten, Kundendatenbanken, Online-Verhalten)

• Extern (z. B. amtliche Statistiken, Veröffentlichungen von Verbänden, wissenschaftliche Publikationen, Kundenäußerungen online)

Primärdaten: werden speziell für den Untersuchungszweck erhoben

➢ Regel: immer erst prüfen, ob Sekundärdaten vorhanden sind

/

Qualitative Datenerhebung:

• besonders geeignet für explorative MF

• Vorbereitung und Ergänzung quantitativer Forschung

• (hiermit sollen Probleme besser verstanden werden

Quantitative Datenerhebung

• besonders geeignet für deskreptive und kausake MF

• (hier wird Hypothese getestet)

-> deskriptiv: Welt beschreibend

-> kausal: Wirkungszusammenhänge

1. Definition Experiment:

   • Empirische Untersuchung zur Überprüfung von Kausalhypothesen

   • Systematische Variation der Test-Variablen unter Kontrolle aller anderen Variablen / Bedingungen

   • NUR EXPERIMENTE LASSEN KAUSALAUSSAGEN ZU

Alternative Erklärungen:

• Zufall - problematisch bei kleinem Datensatz

• Das Unternehmen hat gleichzeitig die Werbung erhöht. / Ein Wettbewerber hat den Markt verlassen.

• Das Unternehmen hat den Preis gesenkt, weil es einen höheren Absatz erwartet hat.

Beispiel: Ein Unternehmen senkt den Preis, und der Absatz steigt. → Kann man sagen, dass die Preissenkung wirksam war?

➢ Kausalität: Wenn ich eine Variable ändere (z. B. Preis), ändert sich eine andere

Variable (z. B. Absatz) als Konsequenz davon.

➢ Hypothesen über Kausalität ergeben sich aus Theorien – Empirische Überprüfung der Hypothesen führt zur Anpassung von Theorien

➢ Prüfen von Kausalität bei nicht-experimentellen Daten:

• Häufiges gemeinsames Auftreten von zwei Ereignissen

• Zeitliche Reihenfolge der Ereignisse

• Ausschließen alternativer Erklärungen  Besser mit Experiment

➢ Probleme der internen Validität (Kontrolle von Störeinflüssen):

• Nichtvergleichbarkeit von Test- und Kontrollgruppe

• Sterblichkeit von Testpersonen

• Äußere Einflüsse

• Veränderungen über die Zeit

• Änderung des Erhebungsinstrumentes

• Test-Effekte (Probanden verhalten sich anders, weil sie getestet werden)

• Raten von Hypothesen

➢ Problem der externen Validität (Realitätsnähe):

• Wenig realistische Aufgabenstellung

Teilnehmende Beobachtung

• Marktforscher als Außendienstmitarbeiter oder Verkäufer (z. B. um Kundenargumente und Verwendungsprobleme zu ermitteln)

• Marktforscher begleitet Außendienstmitarbeiter

• Marktforscher als Kunde (z. B. Mystery Shopping)

  
  

  Nichtteilnehmende Beobachtung

  • Unternehmensdaten (z. B. Absatzzahlen, Werbebudgets)

  • Scanning

  • Online-Verhalten (z. B. über Cookies)

  • Content aus sozialen Medien (z. B. Produktbewertungen)

  • Kameras, Video (z. B. Aufzeichnung von Einkaufsverhalten am Regal)

  • Apparative Beobachtung

    • Blickaufzeichnungsgerät (z. B. bei Anzeigen)

    • Pupillometrische Kamera (z. B. für Aktivierungsprozesse)

    • Galvanometer: Schweißabsonderung (z. B. für Aktivierungsprozesse)

    • Brainscans

    • Audimeter (z. B. für Fernsehbeteiligung)

➢ Ziel: Messung kognitiver und affektiver Prozesse

➢ Neurophysiologische Techniken:

• Elektrische Aktivität, z. B. Elektroencephalographie (EEG)

• Stoffwechsel-Aktivität, z. B. Magnetresonanztomographie (MRT)

1. ➢ Voraussetzung für die Interpretation: Kartographie des Gehirns ➢ Beispielhafte Erkenntnisse:

   • Testimonials von Experten führen zur Aktivierung von Gedächtnisstrukturen und steigern die Kaufabsicht

   • Für die Entstehung von Kundenloyalität sind Hirnstrukturen des Belohnungs- systems von Bedeutung

   • Markenpersönlichkeiten und menschliche Persönlichkeiten werden im Gehirn unterschiedlich verarbeitet

     
     

     ➢ Z. T. von Unternehmen genutzt für Werbe-Pretests

1. Fazit:

   • Beobachtung sinnvoll zur Erfassung von Verhalten

   • Befragung sinnvoll zur Erfassung von Präferenzen, Einstellungen, Erinnerung

/

➢ Konstrukt: Etwas, das man messen will z. B. Absatz, Persönlichkeitseigenschaften

➢ Item: Einzelnes Objektmerkmal, das gemessen wird Komplexe Konstrukte werden häufig über mehrere Items erfasst („Multi-Item-Skalen“) z. B. Markentreue: „Bei den meisten Produkten bevorzuge ich eine bestimmte Marke.“

„Um meine bevorzugte Marke zu kaufen, nehme ich einigen Aufwand in Kauf.“

„Normalerweise ist es mir wichtig, welche Marke ich kaufe.“

➢ Messen: Empirischer Vorgang, bei dem die Ausprägungen von Objektmerkmalen festgestellt werden z. B. Scanning, Befragung

➢ Skalieren: Abstrakter Vorgang, bei dem diesen Ausprägungen Zahlenwerte zugewiesen werden

z. B. 50 Stück, Einstellungswert 5 („stimme voll zu“)

Wie viele? Trade-Off:

• Je größer die Anzahl der Skalenpunkte, desto höher der Informationsgehalt

• Je kleiner die Anzahl der Skalenpunkte, desto höher die Antwortbereitschaft und die Reliabilität

• Kompromiss: 5 - 7 Skalenpunkte

  
  

  Gerade oder ungerade Anzahl? Trade-Off:

• Bei gerader Anzahl von Skalenpunkten (ohne neutralen Punkt) müssen die

  Befragten sich entscheiden.

• Bei ungerader Anzahl von Skalenpunkten (mit neutralem Punkt) höhere Antwortbereitschaft und Reliabilität

• Häufiger verwendet: Ungerade Anzahl von Skalenpunkten

➢ Likert-Skala:

• Zustimmung zu Statements (mehrere zu einem Konstrukt)

• Analyse von einzelnen Items oder Multi-Item-Skalen

➢ Semantisches Differential:

• Endpunkte mit bi-polaren Labels

• Paarvergleich, Rangordnung→Conjointanalyse ➢

• Konstantsummen-Skala:

Sie haben insgesamt 100 Punkte: Verteilen Sie diese bitte auf verschiedene Produkt- eigenschaften, je nachdem, wie wichtig diese für Sie beim Kauf eines Notebooks sind:

____ Prozessorleistung

____ Größe des Displays

____ Marke

____ Preis

/

1. Achtung: Auswahl aufs Geratewohl (Convenience Sampling) ist keine bewusste Auswahl, sondern Willkür

Vorteile:

• Berechenbarkeit des Zufallsfehlers

• Vermeidung grober Verzerrung durch Auswahl

Nachteile:

• Höhere Kosten für Planung und Durchführung

• keine Substituierbarkeit der ausgewählten Einheiten (Bias durch Antwortverweigerung

➢ Interesse am Untersuchungsgegenstand

➢ Länge der Befragung

➢ Aufmachung des Fragebogens

• Begleitschreiben mit persönlicher Anrede, Zusicherung der Anonymität,

  Beschreibung des Befragungszweckes, „Dank im voraus“

• Interessante Eröffnung

• Animation durch Format, Farbe, Grafiken, etc.

  
  

  ➢ Anreize

• Bei Konsumenten z. B. Werbegeschenk, Vergütung, Teilnahme an Verlosung

• Bei Unternehmen z. B. Bereitstellung einer Zusammenfassung der Ergebnisse

  
  

  ➢ Vorankündigung der Befragung

  ➢ Nachhaken (schriftlich oder telefonisch)

/

➢ Generalisierbarkeit = Übertragbarkeit → Kann man die Ergebnisse auf andere Objekte, Regionen, Zeiten übertragen?

➢ Generalisierbarkeit in

• Sachlicher Hinsicht

  Beispiel: Sind Preiselastizitäten für Schokolade ähnlich wie die für Joghurt?

• Räumlicher Hinsicht Beispiel: Verhalten sich Konsumenten in Deutschland so wie die in den

  Niederlanden?

• Zeitlicher Hinsicht Beispiel: Werden heute die gleichen Anforderungen an ein Smartphone gestellt wie vor 3 Jahren?

➢ Synonym: Common Method Bias

➢ Systematischer Messfehler, insbes. bei Befragungen

➢ Zusammenhang zwischen Variablen ist verzerrt, weil abhängige und unabhängige Variablen aus der gleichen Quelle stammen

→ Zusammenhang kann stärker oder schwächer erscheinen, als er ist

➢ Beispiel:

• Forschungsfrage: Wie wirkt die Organisation auf den Unternehmenserfolg?

• Befragung von einem Manager pro Unternehmen

• Befragte neigen dazu, für sie konsistente Antworten zu geben

➢ Ex ante (Vermeidung von CMV durch das Forschungs-Design):

• Möglichst objektive Daten

• Verschiedene Quellen für abhängige und unabhängige Variablen

• Nutzung verschiedener Skalen-Typen, Veränderung der Reihenfolge der Items

  
  

  ➢ Ex post:

• Komplexes Modell → reduziert die Wahrscheinlichkeit von CMV

• Statistische Methoden zur Entdeckung von CMV, z. B.

  - Harman‘s Ein-Faktor-Test (häufig eingesetzt, aber wenig effektiv) - Marker-Variable