Übersicht - Datenanalysemethoden

Ein Überblick über die wesentlichen statistischen Datenanalyse-Verfahren, die in der Marktforschung bei der Auswertung von Daten eingesetzt werden:

Uni- und Bivariate Datenanalyse-Methoden:

• Häufigkeitsverteilungen: absolute und relative Häufigkeiten etc.
• Parameter von Häufigkeitsverteilungen: Lageparameter, Streuungsparameter etc.
• Assoziationsanalysen: Korrelationskoeffizienten, Kreuztabellen etc.
• Regressionsanalysen: Beziehungen zwischen einer oder mehrerer abhängigen und einer unabhängigen Variablen aufdecken. Hierbei wird untersucht, ob die abhängige Variable durch die unabhängigen erklärt werden kann. Beispiel: Kann der Absatzpreis die Absatzmenge erklären.
• Induktive Verfahren: Mittelwert- und Verteilungstests.
• Univariate Varianzanalyse: Der Einfluss einer Gruppenvariable auf eine abhängige Variable. Die Mittelwerte der abhängigen Variablen zwischen den verschiedenen Gruppen werden hierbei untersucht. Beispiel: Unterscheiden sich verschiedene Werbeaussagen hinsichtlich ihrer Glaubwürdigkeit.

Multivariate Verfahren der Datenanalyse:

Lage- und Streuungsparameter beschreiben als statistische Kennzahlen, wie Daten verteilt sind, also z.B. welche Werte im Mittel, am häufigsten usw. angegeben werden, und wie die Daten um diese Werte streuen.

Das Skalenniveau als Eigenschaft von Merkmalen bestimmt im Wesentlichen den Informationsgehalt des Merkmals und welche mathematischen Transformationen und statistischen Verfahren durchgeführt werden können.

Das Skalenniveau der Daten bestimmt:

• die mathematischen Operationen, welche mit dem Merkmal durchgeführt werden können und welche statistischen Analyseverfahren zu Auswertung infrage kommen.
• welche Transformationen durchgeführt werden können, ohne dass ein Informationsverlust auftritt.
• wie das Merkmal interpretiert werden kann.

Die verschiedene Skalenniveaus:

Die klassische 3-Teilung der Datenanalyse nach der Zielsetzung der Verfahren in einer kurzen Übersicht.

Im Wesentlichen können drei Ziele verfolgt werden, wenn die klassischen Verfahren der Datenanalyse angewendet werden:

1. Segmentierung: Zusammenfassung von Objekten zu homogenen Klassen -> Clusteranalysen.
2. Repräsentation: Darstellung der Ähnlichkeitsbeziehungen von Objekten in 2- oder 3-dimensionalen Räumen -> MDS, Korrespondenz- und Faktorenanalysen.
3. Identifikation: Überprüfung bzw. Aufdeckung von Zusammenhängen zwischen verschiedenen Merkmalen -> Diskriminanzanalysen, Conjoint-Analysen, Regressionsanalysen und Varianzanalysen.

Weiterführende Literatur:

Bei der Faktorenanalyse werden Daten entweder verdichtet (explorative Faktorenanalyse) oder eine vermutete Verdichtung wird überprüft (konfirmatorische Faktorenanalyse). Das Verfahren dient dazu, viele einzelne Merkmale möglichst informationsverlustfrei zu möglichst wenigen Faktoren zusammenzufassen. Zum Beispiel könnten aus 100 verschiedenen Merkmalen eines Autos, fünf Faktoren ermittelt werden, welche annähernd die gleichen Informationen erhalten. Ein banales Beispiel wäre z.B. die Extraktion des Faktors Verbrauch aus den drei Merkmalen l/100km auf Landstraßen/im Stadtverkehr/im Drittelmix.

Die Faktorenanalyse ist ein Verfahren der Repräsentation. Das Ziel besteht darin, die Struktur des Zusammenhangs zwischen mehreren Variablen zu untersuchen. Aus den beobachteten Beziehungen zwischen allen Merkmalen werden hypothetische Größen (sogenannte Faktoren) extrahiert, welche die beobachteten Zusammenhänge beschreiben. Hierzu werden mittels verschiedener Extraktionsmethoden (z.B. Hauptkomponentenanalyse) einige wenige Faktoren extrahiert, die eine größere Menge von Variablen mit möglichst wenig Informationsverlust zusammenfassen (-> Datenreduktion).

Man kann je nach Zielsetzung zwischen einer

1. explorativen Faktorenanalyse und einer
2. konfirmatorischen Faktorenanalyse

unterscheiden. Während bei einer konfirmatorischen Faktorenanalyse eine Struktur überprüft wird (z.B. Überprüfung einer Skala), handelt es sich bei der explorativen Faktorenanalyse um ein strukturaufdeckendes Verfahren.

Bei der Regressionsanalyse handelt es sich um ein statistisches Verfahren, mit dem das Vorhandensein von Einflüssen überprüft und gegebenenfalls die Stärke dieser Einflüsse geschätzt werden kann. Die Datenbasis für eine Regressionsanalyse sind dabei Beobachtungen bzw. Messwerte bei verschiedenen Ausprägungen der vermuteten Einflussgrößen. Es ist z.B. möglich zu überprüfen, ob der Preis einen signifikanten Einfluss auf die Absatzmenge hat. Sofern dies der Fall ist, kann dann aus den beobachteten Werten die Stärke dieses Einflusses geschätzt werden. Basierend auf diesem Schätzmodell können dann z.B. Absatzprognosen für verschiedene Preise berechnet werden.

Die lineare Regressionsanalyse ist ein Verfahren der Identifikation mit dem Ziel einen beobachteten funktionalen Zusammenhang zwischen einer abhängigen Variablen und einer (oder mehrerer -> Multiple Regression) unabhängigen Variablen zu beschreiben. Die beteiligten Variablen weisen hierbei metrisches Datenniveau auf, wobei die Einbeziehung von nominalen Merkmalen ebenfalls möglich ist (-> Dummyvariablen-Kodierung). Die beobachten Ausprägungen der Zielgröße sollen im Rahmen der Regressionsanalyse durch die beobachteten Werte der unabhängigen Variablen erklärt werden.

Der Begriff Conjoint setzt sich aus „Considered jointly“ zusammen, was „ganzheitlich betrachtet“ bedeutet. Bei der Conjoint-Analyse handelt es sich um ein dekompositionelles Verfahren, mit dem Bedeutungsgewichte einzelner Merkmale aus globalen Präferenzurteilen ermittelt werden. Die Conjoint-Analyse ist ein ursprünglich von Psychologen entwickeltes methodisches Werkzeug. Inzwischen führen fast alle Marktforschungsinstitute auch Conjoint-Analysen durch. Besonders verbreitet sind Online Conjoint-Analysen, da dieses komplexe Verfahren in einer computergestützten Befragung wesentlich einfacher umsetzbar ist. Die bedeutendsten Einsatzfelder für Conjoint-Analysen in der Marktforschung sind die Bereiche Produktforschung (z.B. Neu-Produktentwicklung, Produkt-Evolution, Sortimentsplanung), (nutzen-basierte) Markt-Segmentierung und Preisplanung.

Zielsetzung der Conjoint-Analyse:

Untersuchung eines funktionalen Zusammenhangs zwischen einem ordinalen (oder quantitativen) Merkmal (z.B. Gesamtnutzen/ Attraktivität eines Kraftfahrzeugs) und meistens mehreren nominalen Merkmalen (z.B. Hersteller, Motorisierung, verschiedene Ausstattungsmerkmale). Durch die Conjoint-Analyse soll ermittelt werden, welchen Beitrag (Teilnutzen) die einzelnen Merkmale bzw. Merkmalsausprägungen zum Gesamtnutzen leisten. Daher auch die Bezeichnung „dekompositionelles Verfahren“, denn der Gesamtnutzen (wird erfragt/ erhoben) wird bei der Conjoint-Analyse in einzelne Teilnutzenwerte (werden ermittelt/ berechnet) zerlegt. Die Teilnutzenwerte werden daher bei der Conjoint-Analyse indirekt gemessen.

Die Varianzanalyse ist ein klassisches uni- oder auch multivariates Verfahren, mit dem Mittelwerte verglichen werden können. Hierzu werden über sogenannte Faktoren Gruppen gebildet, welche auf Mittelwertunterschiede untersucht werden. Mit diesem Verfahren kann z.B. getestet werden, ob verschiedene Personengruppen wie Männer und Frauen (Faktor Geschlecht), alte und junge Personen (Faktor Alter) oder Kombinationen junge Männer (Faktor Geschlecht X Alter) eine Werbeaussage signifikant unterschiedlich hinsichtlich vorab erhobener Kriterien (z.B. der Informationsgehalt, Glaubwürdigkeit der Aussage, Gesamt-Appeal) beurteilen.

Das Ziel der Varianzanalyse (ANOVA: Analysis of Variance) besteht darin Gesetzmäßigkeiten in den Daten aufzudecken, indem die Varianz untersucht wird. Es handelt sich daher um ein mustererkennendes statistisches Verfahren. Die Varianzanalyse untersucht die Erwartungswerte zwischen verschiedenen Gruppen. Die Varianz wird hierbei zerlegt in die Innergruppen- und Zwischengruppenvarianz. Anschließend wird überprüft, ob die Varianz zwischen den Gruppen größer ist, als die Varianz in den Gruppen. Alternativ zur direkten Varianzzerlegung kann eine Varianzanalyse auch auf Basis des allgemeinen linearen Modells der Regressionsanalyse durchgeführt werden.