Wie multiple Regressionen bei der Entwicklung
Werbung
Marketagent.com Schweiz AG Wie multiple Regressionen bei der Entwicklung von Unternehmensstrategien helfen Jede Marken-Zielgruppe hat eigene Treiber Wer eine Marke erfolgreich führen will, muss Kenntnis darüber haben, welche Eigenschaften sich positiv und negativ auf die Beliebtheit oder die Kaufbereitschaft dieser Marke auswirken. Denn was die Befragten losgelöst von Marken als wichtig für ein bestimmtes Produkt oder eine Dienstleistung einstufen, kann bei der konkreten Kaufentscheidung, also in dem Moment, in dem ein Produkt mit einer Marke verbunden wird, eine ganz andere Bedeutung erhalten. So kann zum Beispiel das Preis-/Leistungsverhältnis einer Dienstleistung unabhängig von einem bestimmten Unternehmen als äusserst wichtig eingestuft werden. Geht es aber darum, welche Faktoren einen Einfluss auf den Kauf eines Produkts bei einem bestimmten Unternehmen haben, kann es sein, dass das Preis/Leistungsverhältnis nur noch eine untergeordnete oder auch gar keine statistisch signifikante Bedeutung mehr hat und stattdessen andere Faktoren entscheidend werden. Bei Ihren Konkurrenten können die Kauftreiber wiederum ganz andere sein. Entscheidungen für Produkte oder Dienstleistungen hängen unter anderem stark von den damit verbundenen Unternehmen und Marken ab. Jedes Unternehmen hat eine eigene Zielgruppe und diese Zielgruppe „funktioniert“ anders als die Zielgruppe eines anderen Unternehmens. Mit Regressionsanalysen Kundenzufriedenheits- oder Kaufbereitschafts-Treiber entschlüsseln Um sich an die „Funktionsweise“ der eigenen Zielgruppe heranzutasten, sind (multiple) lineare Regressionsanalysen ein zielführender Ansatz. Wohl deshalb gehören sie zu den am häufigsten eingesetzten multivariaten statistischen Analyseverfahren im Marketing. Multiple Regressionsanalysen untersuchen Stärke und Richtung eines Zusammenhangs zwischen einer abhängigen Variablen, dem sogenannten Kriterium, und mehreren unabhängigen Variablen, auch Prädiktoren genannt. Das kann zum Beispiel der Zusammenhang zwischen verschiedenen für die jeweilige Branche im Allgemeinen relevanten unabhängigen Faktoren wie Preis-Leistungs-Verhältnis, Sympathie und Erreichbarkeit und einer abhängigen Variablen wie der Kaufbereitschaft sein. Denn um eine Variable wie Kaufbereitschaft zu erklären, reicht eine einzige erklärende Variable meist nicht aus. Es müssen in der Regel mehrere Faktoren miteinander kombiniert werden, um zu einer zuverlässigen Vorhersage der Kaufbereitschaft oder Kundenzufriedenheit zu gelangen. Die multiple Regressionsanalyse berücksichtigt dabei nicht nur die isolierten Wirkungen jeder einzelnen unabhängigen Variablen auf die abhängige Variable, sondern auch die Beziehungen der unabhängigen Variablen untereinander. Auf diese Weise lassen sich zentrale positive Einflussfaktoren für die Zufriedenheit Ihrer Kunden oder die Beliebtheit spezifischer Marken-Produkte aufdecken und gegenüber weniger relevanten oder sogar negativen Prädiktoren abgrenzen. Wird der geplante Abbau von Filialen und die damit zusammenhängende schlechtere Erreichbarkeit zu einer tieferen Kundenzufriedenheit führen? Oder hat sich eine Preiserhöhung und die damit möglicherweise verbundene schlechtere Beurteilung des Preis-/Leistungsverhältnisses negativ auf die Kaufbereitschaft ausgewirkt? Mit Hilfe von Regressionsanalysen lassen sich nicht nur Ursachen und Determinanten des Käuferverhaltens analysieren, sondern auch Massnahmen oder Trendprognosen erstellen. Ziel ist es dabei stets, die abhängige Variable bestmöglich vorherzusagen. Man spricht in diesem Zusammenhang von der erklärten Varianz, angegeben durch das Bestimmtheitsmass r2. Sowohl in Bezug auf den Anteil erklärter Varianz als auch in Bezug auf jeden einzelnen Prädiktor im Modell wird bei einer Marketagent.com Schweiz AG, Seefeldstrasse 281, 8008 Zürich, Dr. Cornelia Eck Tel. +41 (0) 43 818 52 14, E-Mail [email protected], www.marketagent.com Marketagent.com Schweiz AG Regressionsanalyse überprüft, ob die in der Stichprobe gefundenen Zusammenhänge signifikant, also auf die Grundgesamtheit übertragbar sind. Die Auswahl der Prädiktoren ist entscheidend – sowohl im Vorfeld als auch im Anschluss an eine Regressionsanalyse Die Entscheidung, welche unabhängigen Variablen in das Regressionsmodell aufgenommen werden sollen, sind im Vorfeld einer Untersuchung aufgrund sachlogischer Überlegungen oder - im Idealfall - qualitativer Vorstudien zu treffen und nachträglich analytisch zu überprüfen. Je genauer man die Varianz, also die unterschiedlichen Werte der abhängigen Variable vorhersagen kann, desto besser ist das Regressionsmodell. Dennoch sollte man versuchen, die Anzahl der Einflussfaktoren zu begrenzen. Steigt der Anteil der erklärten Varianz einer abhängigen Variable durch die zusätzliche Aufnahme eines weiteren signifikanten Faktors in das Regressionsmodell nur noch unwesentlich, steht die statistische Signifikanz der Handlungsrelevanz gegenüber. Wenn vier unabhängige Faktoren allein beispielsweise 42% der Varianz der abhängigen Variable erklären und man durch die Aufnahme einer fünften unabhängigen Variable lediglich eine Steigerung von 42 auf 42,9% erreichen könnte, ist es effizienter, sich auf die ersten vier unabhängigen Variablen zu konzentrieren, da diesen vier „Schrauben“ mit Abstand das grösste Gewicht zufällt (vgl. Abb. 1 und Abb. 2). Fiktives Illustrationsbeispiel für die praktische Relevanz von Kaufbereitschaftstreibern eines Markenprodukts 13% 2% 14% Sympathie 41% Erreichbarkeit 22% Sympathie Preis-Leistung 42% 22% Erreichbarkeit Qualität 22% Abb. 1: r2 = 42,9% Internationalität Preis-Leistung 22% Qualität Abb. 2: r2 = 42% Der statistisch zwar ebenfalls nachweisbare Effekt der fünften Variable (vgl. Abb. 1) steht praktisch in keinem Kosten-Nutzen-Verhältnis mehr. Voraussetzung für ein stabiles Regressionsmodell ist zudem, dass die Prädiktoren möglichst unabhängig voneinander sind, also untereinander nicht zu stark korrelieren. Mit zunehmender Anzahl an Prädiktoren steigt die Gefahr, dass diese Voraussetzung verletzt wird. Im besten Fall läge die Schätzgenauigkeit der abhängigen Variable durch die unabhängigen Variablen im Regressionsmodell bei 100%. In einem solchen idealen Fall wäre die Kundenzufriedenheit oder die Kaufbereitschaft genau vorhersagbar, wenn man Informationen über alle signifikanten unabhängigen Variablen aus dem Modell hätte. Und nicht nur das: Schraubt man an diesen Faktoren so, dass sich deren Wahrnehmung positiv verändert, müsste auch die Kaufbereitschaft entsprechend steigen. Einen Anteil erklärter Varianz von 100% zu erreichen, ist bei sozial- und wirtschaftswissenschaftlichen Fragestellungen jedoch höchst unwahrscheinlich, auch wenn man diverse Faktoren miteinander kombiniert. Die Anteile erklärter Varianz liegen bei sozial- und wirtschaftswissenschaftlichen Fragestellungen in der Regel deutlich tiefer, wobei in der Literatur unterschiedliche Ansichten dazu vertreten werden, was ein akzeptabler oder guter Wert in diesen Bereichen ist. Müller (2005: 32) spricht beispielsweise ab einem r2 > 60% von einem befriedigenden Ergebnis, zum Teil werden jedoch auch deutlich tiefere Werte genannt. Je mehr der Anteil erklärter Varianz von 100% abweicht, desto wahrscheinlicher ist es, dass es Marketagent.com Schweiz AG, Seefeldstrasse 281, 8008 Zürich, Dr. Cornelia Eck Tel. +41 (0) 43 818 52 14, E-Mail [email protected], www.marketagent.com Marketagent.com Schweiz AG weitere relevante Prädiktoren gibt, die noch nicht berücksichtigt wurden. Die Annäherung an eine Zielgruppe bedarf also unter Umständen mehrerer Schritte, aber jeder dieser Schritte bringt Sie einer zielführenden Unternehmensstrategie näher. Sie möchten mehr darüber wissen, wie Sie Regressionsanalysen für die Entwicklung Ihrer Unternehmensstrategien nutzen können und welche Voraussetzungen dafür erfüllt sein müssen? Wir beraten Sie gerne! Weiterführende Informationen zu linearen Regressionsanalysen in: Backhaus, Klaus; Erichson, Bernd; Plinke, Wulff; Weiber, Rolf: Multivariate Analysemethoden. Eine anwendungsorientierte Einführung. 13., überarb. Aufl. Berlin, Heidelberg 2011. Baltes-Götz, Bernhard: Lineare Regressionsanalyse mit SPSS. Online verfügbar unter: http://www.uni-trier.de/fileadmin/urt/doku/linreg/linreg.pdf (Stand: 1. August 2013; Abruf: 10. Juni 2014). Müller, Wolfgang: Multivariate Analysemethoden im Quantitativen Marketing. Statistische Konzeptionen und empirische Erfahrungsberichte. Dortmund 2005 (= Forschungspapier, Bd. 16). Online verfügbar unter: http://www.google.ch/url?sa=t&rct=j&q=&esrc=s&source=web&cd=2&cad=rja&u act=8&ved=0CC0QFjAB&url=http%3A%2F%2Fwww.fhdortmund.de%2Fde%2Foeffentl%2Fmedien%2Fschriften%2FWolfgang_Mueller__Multivariate_Analysemethoden_im_Quantitativen_Marketing.pdf&ei=ZdSWU5bOJ NSw7AbjtYDQAw&usg=AFQjCNEI2zMXhleynOiZSMvzuZIUDxpZDg&sig2=jHcMjzT7 byoGk-o5RxRGmg (Stand: August 2005; Abruf am 10. Juni 2014). Marketagent.com Schweiz AG, Seefeldstrasse 281, 8008 Zürich, Dr. Cornelia Eck Tel. +41 (0) 43 818 52 14, E-Mail [email protected], www.marketagent.com
