Marketing-Forschung II

VWA
Vorlesung
Marketing-Forschung II
4. Ziele und Durchführung empirischer Erhebungen
4.1. Die Logik der Problemlösung
Das 4 - Phasen-Schema der allgemeinen Statistik muss im Marketing zu einem
5 - Phasen-Schema erweitert werden.
4 - Phasen-Schema:
Zielformulierung
Durchführung im Felde
Sammlung
Analyse
Phase 1 der allgemeinen Statistik wird zu 1 und 2 der Marketing - Forschung –
Statistik.
1. Stufe des Konzepts
2. Verfeinerung des Konzepts
3. Phase (neu): "Feldphase" (Daten)
Eigenerhebung
primär
Fremderhebung (MaFo, Panels)
sekundär
4. Phase (neu): Analysephase - siehe dazu Kurs Statistik I im Grundstudium
5. Phase (neu): Projektbericht - Aussagen über die Punkte 1 und 2
Statistische Befunde und Retransformation in die Sprache des Marketings.
Erstellt von Romy Fuchs, Tanja Strickerschmidt, Wolfgang Huber und Gerhard Dietrich aus Mitschrift der Vorlesung von Dr. Klaus Höher
Juni 2005
VWA
Vorlesung
4.2. Datengewinnung als Grundlage
4.2.1. Bezugnahme auf die Variablen (Marketing – Forschung 1)
Siehe dazu MF1 und Skript MF2 S. 2
4.2.2. Übersicht der Erhebungstechniken
Erhebungen erfolgen in 2 Schritten:
Die Auswahl von n1- oder N2-Elementen (meist Personen im Marketing) einer
"Gesamtheit" G. (1. Schritt)
Messung von Merkmalen (verdichtet zu Variablen) an den Elementen. (2. Schritt)
3 Auswahlprinzipien:
Keine mathematische Funktionsvorschrift!
Versuche, das Mikrobild der Gesamtheit (Wirklichkeit) zu erfassen!
Verlasse dich, soweit wie möglich auf relative Häufigkeiten!
Repräsentativität
Die Anzahl der prinzipiell möglichen Stichproben der Größe n (n < N) wächst, wenn
n
das Verhältnis
gegen Null strebt.
N
Ferner:
Wenn die Anzahl zu berücksichtigender Variabler L "recht groß" ist
(z.B. 10 und mehr), dann muss auch die Größe der Stichproben n
"recht groß" sein (z.B. 500 und mehr).
IDEE
konkretisiert zu
MERKMALEN
konkretisiert zu
VARIABLEN
konkretisiert zu
VARIABLENSATZ {x1, x2, x3,…xL}
1
2
bestimmte Anzahl von N, die erforscht werden soll
Gesamtheit bekannter Elemente
Erstellt von Romy Fuchs, Tanja Strickerschmidt, Wolfgang Huber und Gerhard Dietrich aus Mitschrift der Vorlesung von Dr. Klaus Höher
Juni 2005
VWA
Vorlesung
VARIABLENSATZ {x1, x2, x3,…xL}
ELEMENTAUSWAHL
(siehe Skript)
Totalerhebung
(Selbst die bietet
keine 100%ige
Genauigkeit, da z.B.
Falschaussagen
getroffen werden.)
Stichproben
(Teile von G werden erfasst.)
Nicht Zufallsgesteuert
KonzentrationsStichprobe
(Auswahl einer
gewichtigen und
aussagekräftigen
Gruppe.
Preisgünstigste
Methode.)
QuotenStichprobe
Zufallsgesteuert
1 Urnen – Modell
(Auswahl aus der
gesamten TeilMenge.)
Mehrurnen Modell
(Künstliche
Separierung
schafft eine
Art von
Homogenität.)
4.2.3 Einzelne Erläuterungen zu Stichproben
1) Totalerhebung
Alle N – Elemente von G werden erfasst und vermessen.
Vorsicht: Das Wahrheitsargument bleibt auch bei Totalerhebung voll bestehen
(Trotz non – Response)!
Denkweise und statistische Schlüsse folgen dem Deduktionsprinzip.
Eine Induktion ist möglich, wenn die Ergebnisse für Prognosen in die Zukunft
verwendet werden.
Weil jede Variable aus dem Satz vollständig beschrieben wird, kann man – sofern
unsere Variable metrisch ist – den so genannten Totalwert A ausrechnen:
A=N*μά
(μ = arithmetisches Mittel = A/N und ά = bestimmtes Merkmal)
Erstellt von Romy Fuchs, Tanja Strickerschmidt, Wolfgang Huber und Gerhard Dietrich aus Mitschrift der Vorlesung von Dr. Klaus Höher
Juni 2005
VWA
Vorlesung
2) Stichprobe
Unsere Informationen belaufen sich nunmehr aus n < N – Elementen aus G
Denkweise und statistische Schlüsse sind Induktiv!
Stichproben folgen dem Schema des Abschnitts 4.2.2.
4.3 Totalerhebung (ein durchgerechnetes Beispiel)
4.3.1 Aufgabenstellung
Merkmale:
ά n Umsatzzahlen 2002/03, siehe Vertriebslinien (D) der Tengelmanngruppe.
G = {e1;e2;e3;…e7}
Ziele:
o Umsatzermittlung durch Totalerhebung
o Durchschnittsumsatz je Vertriebslinie
o Umsatzabschätzung unter Zuhilfenahme des
Mittelwertes/Durchschnittumsatzes einer Zufallsstichprobe
o Erneute Umsatzabschätzung, allerdings jetzt mit 2 geschichteten
Zufallsstichproben
4.2.3 Totalerhebung und Durchschnittswert
Totalwert (Gesamtumsatz) A = a1 + a2 + a3 + … + a7 = 16,49 Mrd. €

μ ά = A/N = 16,49 Mrd. € / 7 = 2,356 Mrd. €
Erstellt von Romy Fuchs, Tanja Strickerschmidt, Wolfgang Huber und Gerhard Dietrich aus Mitschrift der Vorlesung von Dr. Klaus Höher
Juni 2005
VWA
Vorlesung
4.3.3 Durchschnittsumsatzberechnung mittels 1 – Urnen – Zufallsstichprobe
Aus Kostengründen leisten wir uns nur eine 4 – elementige Zufallsstichprobe.
Wir ziehen ohne „die Berücksichtigung der Reihenfolge“!
Aus kombinatorischer Formel erhält man alle denkbaren 4 – elementigen
Stichproben.
{e1, e2, e3, e4}
{e1, e2, e3, e5}
{e1, e2, e3, e6}
{e1, e2, e3, e7}
{e1, e2, e4, e5}
{e1, e2, e4, e6}
{e1, e2, e4, e7}
{e1, e2, e5, e6}
{e1, e2, e5, e7}
{e1, e4, e5, e6}
{e1, e4, e5, e7}
{e1, e3, e4, e5}
{e1, e3, e4, e6}
{e1, e3, e4, e7}
{e1, e4, e6, e7}
{e1, e5, e6, e7}
{e2, e3, e4, e5}
{e2, e3, e4, e6}
{e2, e3, e4, e7}
{e2, e3, e5, e6}
{e2, e3, e5, e7}
{e2, e3, e6, e7}
{e2, e4, e5, e6}
{e1, e3, e5, e6}
{e1, e3, e5, e7}
{e4, e5, e6, e7}
{e1, e2, e6, e7}
{e1, e3, e6, e7}
{e2, e4, e5, e6}}}
{e2, e4, e6, e7}
{e2, e5, e6, e7}
{e3, e4, e5, e6}
{e3, e4, e5, e7}
{e3, e4, e6, e7}
{e3, e5, e6, e7}
∑= 35 Möglichkeiten
Unsere Zufalls - Stichprobe sei {e2, e4, e5, e7}
Unsere gezogene Stichprobe sei
{e2,
gleichbedeutend: x2
e4,
x4
e5,
x5
e7}
x7
Da wir keinesfalls alle N Elemente aus G vorliegen haben, können alle Handlungen
mit einer kleineren Elementemenge nur Schätzungen sein.
Wir können also nicht mehr A = N * μα erhalten. An die Stelle von μα tritt x
x
1
*
n
n
 xi
im Beispiel
x = ¼ * (x2 + x4 + x5 + x7)
i 1
x = ¼ * (0,65 Mrd. + 0,36Mrd. + 4,7 Mrd. + 4,7 Mrd. + 0,67 Mrd.) = 1,595 Mrd. €
Unsere Größe N ist uns bekannt. Daraus folgt für unsere Schätzung:
Unser geschätzter Totalwert  beträgt im Beispiel:
 = 7 (Anzahl Versuche) * 1,595 Mrd. ( x anstatt μα !) = 11,165 Mrd. €
 (Schätzung) = N * x

A=N* x
Erstellt von Romy Fuchs, Tanja Strickerschmidt, Wolfgang Huber und Gerhard Dietrich aus Mitschrift der Vorlesung von Dr. Klaus Höher
Juni 2005
VWA
Vorlesung
Es gibt damit eine Differenz wischen A und Ậ:
5,325
ÂA
=
 32,3 %
A
16,490
Frage:
Könnte  noch ungünstiger ausfallen?
Antwort:
Ja, weil es ein Âmin und ein Âmax geben kann.
Die minimalen Werte liefert uns eine der 35 Stichproben, nämlich:
{e2, e3, e4, e7}
 0,65 Mrd. + 2,14 Mrd. + 0,36 Mrd. + 0,67 Mrd. = 3,82 Mrd. €
 x min = ¼ * 3,82 Mrd. = 0,955 Mrd. €
 Âmin = N * x min = 7(Vertriebslinien) * 0,955 Mrd. = 6,685 Mrd. €
Die maximalen Werte liefert uns erneut eine der 35 Stichproben, nämlich:
{e1, e3, e5, e6}
 4,92 Mrd. + 2,14 Mrd. + 4,70 Mrd. + 3,05 Mrd. = 14,81 Mrd. €
 x max = ¼ * 14,81 = 3,70 Mrd. €
 Âmax = N * x max = 7 (Vertriebslinien) * 3,70 Mrd. = 25,90 Mrd. €
Folgerung: Âmin  Âmax.
Aber auch: Âmin  A  Âmax
4.3.4 Durchschnittsumsatzberechnung mittels 2 – Urnen – Zufallsstichprobe
Wenn unser Merkmal  gemäß betriebswirtschaftlicher Vermutung sehr stark
streut zwischen „kleinen“ und „großen“ Werten, dann sollte man sich nicht auf
eine 1 – Urnen - Stichprobe verlassen. Mann sollte vielmehr „schichten“.
„Schichten“ heißt festlegen:
Wie viele Schichten es sein sollen.
Wo die Schichtgrenzen wertmäßig zu liegen haben.
(Merke: a ist leichter festzulegen als b!)
In unserem Beispiel wählen wir zwei Schichten.
Wir zerlegen G in eine Schicht G1 und in G2.
G1 besteht nur noch aus N1 Elemente, G2 nur noch aus N2 Elementen.
 N = N1 + N2.
Für unser Merkmal  kommt der Umsatz in Frage. Wir legen eine Grenze fest.
Die Wertegrenze zwischen G1 und G2 liegt bei 1 Mrd. €.
Erstellt von Romy Fuchs, Tanja Strickerschmidt, Wolfgang Huber und Gerhard Dietrich aus Mitschrift der Vorlesung von Dr. Klaus Höher
Juni 2005
VWA
Vorlesung
Daraus resultieren sofort die Elemente in G1 und G2:
G1 = {e2, e4, e7}
und G2 = {e1, e3, e5, e6}
niedrige Werte
(kleiner 1 Mrd. €)
hohe Werte
(größer 1 Mrd. €)
 Insgesamt besteht eine niedrige Streuung!
Jetzt muss sich der Planer sich für die Größe n der Stichprobe entscheiden.
Wir gehen weiter davon aus, dass wir nur Geld für 4 Elemente besitzen.
n1 = 2
also n = n1 + n2
Das heißt: n = 4
n2 = 2
G1:
G2:
{e2;e4}  (0,65 + 0,36)  ½ * 1,01 = 0,505
{e2;e7}  (0,65 + 0,67)  ½ * 1,32 = 0,660
{e4;e7}  (0,36 + 0,67)  ½ * 1,03 = 0,515
 Minimum
 Maximum
Methodisch ereignet sich folgendes:
=
x1
{e1;e3}  (4,92 + 2,14)  ½ * 7,06 = 3,53
{e1;e5}  (4,92 + 4,70)  ½ * 9,62 = 4,81
{e1;e6}  (4,92 + 3,05)  ½ * 7,97 = 3,985
{e3;e5}  (2,14 + 4,70)  ½ * 6,84 = 3,42
{e3;e6}  (2,14 + 3,05)  ½ * 5,19 = 2,595
{e5;e6}  (4,70 + 3,05)  ½ * 7,75 = 3,875
Methodisch ereignet sich folgendes:
x2
x11 + x12
n1
(n1 = 2)
 Maximum
 Minimum
=
X21 + x22
n2
(n2 = 2)
Gefragt sind nun Schätzungen Amin & Amax:
Amin = N1 *
x 1 min
+ N2 *
x 2 min
= 3 * 0,505 Mrd. + 4 * 2,595 Mrd.
Amax = N1 *
x 1 max
+ N2 *
= 11,895 Mrd. €
x 2 max
= 3 * 0,660 Mrd. + 4 * 4,81 Mrd.
Folgerung: Âmin  Âmax.
= 21,22 Mrd. €
Aber auch: Âmin  A  Âmax
Erstellt von Romy Fuchs, Tanja Strickerschmidt, Wolfgang Huber und Gerhard Dietrich aus Mitschrift der Vorlesung von Dr. Klaus Höher
Juni 2005
VWA
Vorlesung
5. Bemerkungen zur Ordinalskalierung in der M - F
Skalen sollten immer eine ungerade Zahl an Auswahlmöglichkeiten haben, sprich
1,3,5,7,9,11. Gerade Auswahlmöglichkeiten zwingen den Befragten zu einer
Aussage, die evtl. nicht stimmt.
Beispiel:
es wird besser
es bleibt so
es wird schlechter
70% Auswahl
30% Auswahl
Eine 4er Skala würde hier die Ergebnisse verfälschen.
Beispiel:
1er Skala: Wenn Sie dafür sind, dann kreuzen Sie hier an!
Komischerweise ist das Ergebnis bei derselben Frage mit einer 2er Skala
(Auswahl ja/nein) unterschiedlich!
5.1. Skalentypen
5.1.1. Was ist eine Skala?
Eine Skala ist eine mathematische Idee darüber, wie ein Merkmal  zu zerlegen sei.
(Laut Höher: „Es gibt sie in Wirklichkeit nicht, man stellt sie sich nur vor.“)
Die Zerlegung betrifft die einzelnen Ausprägungen (d.h. "Werte").
Im Anschluss daran will man in der Marketing - Forschung wissen, wie die
Ausprägungen untereinander verknüpft werden sollten.
=> SEMANTIK = Wortinhalt, Wortbedeutung
Die Regel ist einfach, jedoch kaum in der Praxis erfüllbar:
Handle so mit den Zahlen (-werten), wie du in der Wirklichkeit mit dem Merkmal
umgehen würdest => es ist eine Frage der Benennung. (Vgl. Skript).
5.1.2. Die Grundtypen von Skalen
Nominalskala:
Operationen nur "=" oder "≠". Beispiel: Entweder Mann oder Frau bei dem Merkmal
„Geschlecht“. Man braucht mindestens 2 Merkmale.
Erstellt von Romy Fuchs, Tanja Strickerschmidt, Wolfgang Huber und Gerhard Dietrich aus Mitschrift der Vorlesung von Dr. Klaus Höher
Juni 2005
VWA
Vorlesung
Rang- oder Ordinalskala:
Im Gegensatz zur Nominalskala zerlegen wir die Operation "≠" in 2 Operationen: "<"
oder ">". Beispiel: Fritz ist größer als Franz – man vergleicht! Ein Umdrehen dieser
Merkmale ist kein Problem. Ein Fehler tritt bei der Bildung eines Durchschnitts auf,
beispielsweise bei der Berechnung des Notedurchschnitts.
Metrische Skala:
Hier werden die Differenzen zwischen Skalenpunkten zugelassen. Beispiel: Fritz ist
um 12 cm größer als Franz => man kann hier „zyklisch“ oder „monoton“ (Monotonie)
denken.
5.2. Formen von Ordinalskalen
5.2.1. Anzahl der Skalenpunkte
Durch die Auflösung des Zeichens "≠" in "<" oder ">" wird eine
Intensitätsabstufung, beispielsweise „ich mag das” (= „ich ziehe etwas vor“).
1 = schlecht
 x1 = 1
2 = unentschlossen  x2 = 2
3 = gut
 x3 = 3
die Nummerierung ist variabel, auch ein (-) ist erlaubt,
an die Adjektive muss eine bestimmte Kennung
gekoppelt sein!
Achtung:
Die Kennung der Adjektive: -30 = schlecht; 5 = unentschieden; 70 = gut
würde die Monotonie verletzen und ist somit nicht möglich.
Eine Wortkette aus Adjektiven muss zahlenmäßig in Form der Intensität stimmen.
Die Semantik (=Wortbedeutung) der einzelnen Worte gilt es in der Marketing –
Forschung zu standardisieren, d.h. es muss verstanden werden.
Zu Skalen allgemein:
Anwendung einer 7-Punkt-Skala:
Nach HAUZENEDER - Die absoluten Extremwerte (1 u. 7) werden kaum mit einem
Kreuz belegt; somit bleiben von den 7 Punkten noch 5 übrig.
Nach HÖHER - Anwendung der 5-Punkt-Skala; auch die Eckpunkte 1 und 5 werden
hier belegt.
Erstellt von Romy Fuchs, Tanja Strickerschmidt, Wolfgang Huber und Gerhard Dietrich aus Mitschrift der Vorlesung von Dr. Klaus Höher
Juni 2005
VWA
Vorlesung
5.2.1 Reduktion der Skalen nach ihrer Anzahl
5.2.2. Typische Formen von Ordinalskalen
Die „semantische Rangskala“ spiegelt den „inneren Gehalt eines Wertes“, meist
eines Adjektivs, wieder. Man soll dabei die Adjektive von negativ zu positiv
positionieren.
Beispiel:
Mode mit dem Merkmal „man liegt im Trend“:
rechts in der Skala: sportlich, trendy oder jung
links in der Skala: herkömmlich oder alt
o Es handelt sich um eine Metaskala bzw. „Überskala“,
die für mehrere Merkmale passt.
o Haltung und Stimmung: Zusammenhang zw. Einstellung
und Stimmung ist sehr groß!). Die Haltung ändert sich je
nach Stimmungslage des Beurteilenden („Zeit“).
o Sie wurde nach dem Krieg von den Verkäufern in der
Marktkonstellation „Käufermarkt“ (A>N!) entwickelt; man
konnte dadurch bestimmte Stimmungen untersuchen,
man hat L - viele Einzelskalen also eine Schar von Einzelmerkmalen, die in einer Metaskala Verwendung finden.
o schlimmste Fall bei Skalierung: nur ordinale Größen vorhanden!
Beispiel:
Für eine Metaskala wäre der Begriff Intelligenz (des Weiteren: Image, Sportlichkeit,
Kunstverständnis… usw.). Eine Beschreibung mit einem einzigen Merkmal ist nicht
möglich, man braucht vielmehr eine ganze Anzahl an Merkmalen.
Erstellt von Romy Fuchs, Tanja Strickerschmidt, Wolfgang Huber und Gerhard Dietrich aus Mitschrift der Vorlesung von Dr. Klaus Höher
Juni 2005
VWA
Vorlesung
5.3.3 Semantisches Differential
Ziel:
Das Unternehmen will feststellen, wie stark die Nachfrage auf werbepolitische
Maßnahmen reagiert. Das Unternehmen selbst ist von seinen Produkten, seiner
Leistung und seinen „Qualitäten“ überzeugt. Es hat von sich eine positive Meinung.
Durch Tests soll diese Ansicht von Konsumenten („Nachfragenden“) aus ihrer Sicht
verglichen werden.
Durchführung:
Das Unternehmen schafft sich eine Anzahl von L - statistischen Variablen Xα , die
alle an einem und derselben Skala Ω gemessen werden sollen. Ω ist dann eine
Metaskala (10 ≤ L ≥ 15). Diese L - Variablen Xα stellen wir in Teilgruppen
zusammen. Das wiederum hängt ab vom Ziel.
Was ist eigentlich das Image?
Antwort: Es ist ein inneres Bild von einem Objekt. Jedes Individuum besitzt ein
inneres Bild aus „sehr vielen“ Merkmalen in der Image - Meinung können wir nur die
wesentlichen (wirklich???) Merkmale (und das sind L - viele) herausfiltern.
7 – Punkt – Schema (nach HAUZENEDER):
-
1
x
2
xxxx
3
xx
4
5
xxxxxx xx
6
xx
7
+
16 = N ist die Anzahl der Konsumenten
1 = N ist die Bewertung des Unternehmers
Erstellt von Romy Fuchs, Tanja Strickerschmidt, Wolfgang Huber und Gerhard Dietrich aus Mitschrift der Vorlesung von Dr. Klaus Höher
Juni 2005
VWA
Vorlesung
Erklärung der Tabelle:
Der Zentralwert der Konsumenten ZK bestimmt sich aus:
ZK = a
 n 1 
 2 


N muss ungeradzahlig sein!
Eine Ordnung ist bei uns vorhanden wegen der Skala.
ZK= a
 17 1 
 2 


a =4
Jedes Merkmal besitzt einen Konsumenten-Zentralwert (siehe Berechnung!).
Diese L - Zentralwerte werden miteinander verbunden -Linienzug- und liefern
das Image des Konsumenten.
In unserem Beispiel bewertet der Unternehmer sein Outlet mit 6. Es entsteht also ein
Rangstufenunterschied von 2 Rangplätzen.
Fazit:
Es gibt 2 Linien: die Zentralwert - Linie der Konsumenten als Gesamtheit
(eigentlich eine Stichprobe) und die Linie der angekreuzten Felder der Unternehmer
=> Es gibt also 2 Images! Wenn sie zusammenfallen ist alles O.K.
Erstellt von Romy Fuchs, Tanja Strickerschmidt, Wolfgang Huber und Gerhard Dietrich aus Mitschrift der Vorlesung von Dr. Klaus Höher
Juni 2005