QUESTIONSTAR

Erstellen · Befragen · Auswerten · Berichten

Kapitel 1 · Einführungskurs

Grundlagen der
Umfrageforschung

Marktforschung, Umfragemethodik und ihre praktische Anwendung — vom Forschungsproblem zum Ergebnisbericht.

Dr. Paul Marx · QUESTIONSTAR

Folie 01 · 261

QUESTIONSTAR

Erstellen · Befragen · Auswerten · Berichten

Kapitel 1 · Einführungskurs

Grundlagen der Umfrageforschung

Marktforschung, Umfragemethodik und ihre praktische Anwendung — vom Forschungsproblem zum Ergebnisbericht.

Dr. Paul Marx · QUESTIONSTAR

Folie 01 · 261

QUESTIONSTAR

Erstellen · Befragen · Auswerten · Berichten

Kapitel 1 · Einführungskurs

Grundlagen der
Umfrageforschung

Marktforschung, Umfragemethodik und ihre praktische Anwendung — vom Forschungsproblem zum Ergebnisbericht.

Dr. Paul Marx · QUESTIONSTAR

Folie 01 · 261

QUESTIONSTAR

Erstellen · Befragen · Auswerten · Berichten

Kapitel 1 · Einführungskurs

Grundlagen der
Umfrageforschung

Methodisch fundiert. Praktisch anwendbar.

Marktforschung, Umfragemethodik und ihre praktische Anwendung — vom Forschungsproblem zum Ergebnisbericht.

Dr. Paul Marx · QUESTIONSTAR

Kapitel 1 · Einführung Inhaltsverzeichnis

Inhalt

01 Einführung

1.1Marktforschung und Umfrage

1.2Typologie der Marktforschung

02 Umfrage: Messung und Skalierung

2.1Einführung

2.2Komparative Skalen

2.3Nicht-komparative Skalen

2.4Latente Konstrukte

2.5Reliabilität und Validität

03 Fragebogen

3.1Fragen stellen

3.2Bewältigung der mangelnden Antwortfähigkeit

3.3Bewältigung der mangelnden Antwortbereitschaft

3.4Erhöhung der Antwortbereitschaft

3.5Reihenfolge von Fragen

3.6Wie geht es weiter?

04 Stichproben

4.1Nicht-zufällige Stichproben

4.2Zufällige Stichproben

4.3Wahl zwischen zufälligen und nicht-zufälligen Stichproben

4.4Größe der Stichprobe

05 Datenanalyse: Übersicht über statistische Techniken

5.1Deskriptive Statistik: Darstellung und Präsentation von Daten

5.1.1Zusammenfassung qualitativer Daten

5.1.2Zusammenfassung quantitativer Daten

5.1.3Numerische Zusammenfassung von Daten

5.1.4Kreuztabellen

5.2Induktive Statistik: Kann man die Ergebnisse auf die Grundgesamtheit übertragen?

5.2.1Hypothesentest

5.2.2Stärke des Zusammenhangs in Kreuztabellen

5.2.3Beziehung zwischen zwei (metrischen) Variablen

06 Fortgeschrittene Techniken der Marktforschung: Einige nützliche Konzepte

6.1Conjoint-Analyse

6.2Marktsimulationen

6.3Segmentierung

6.4Wahrnehmungskarten

07 Ergebnisse Berichten

QUESTIONSTAR · Dr. Paul Marx 02 / 274

Kapitel 1 Sektionsübersicht

Kapitel

Einführung

1.1Marktforschung und Umfrage

1.2Typologie der Marktforschung

QUESTIONSTAR · Dr. Paul Marx 03 / 274

Kapitel 1 · Einführung Sektionsübersicht

Kapitel

Einführung

1.1Marktforschung und Umfrage

1.2Typologie der Marktforschung

QUESTIONSTAR · Dr. Paul Marx 04 / 274

1.1 · Marktforschung und Umfrage Definitionen

Was ist Forschung?

Forschung ist

Alle systematischen Bestrebungen und Bemühungen, um neue Erkenntnisse für Wissenschaft oder Industrie zu erlangen.

— Lexikon

Forschung ist

Suche und Sammlung von Informationen und Ideen in Antwort auf eine spezifische Fragestellung.

— Praktische Definition

QUESTIONSTAR · Dr. Paul Marx 05 / 274

1.1 · Marktforschung und Umfrage Definition

Umfrage

Umfrage ist eine der populärsten Methoden, primäre Daten zu erheben, wobei der Forscher mit Befragten interagiert, um Informationen über Einstellungen, Meinungen, Wissen und Verhaltensweisen von Menschen zu gewinnen.

1Einstellungen & Meinungen — wie Menschen denken und urteilen

2Wissen — was Menschen kennen und verstehen

3Verhaltensweisen — was Menschen tatsächlich tun

QUESTIONSTAR · Dr. Paul Marx 06 / 274

Eisberg-Metapher: Entscheidungsträger auf dem Schiff sieht nur die sichtbaren Symptome, der Forscher taucht zum eigentlichen Problem.

1.1 · Marktforschung und Umfrage Problemverständnis

Marktforschung

Entscheidungsträger Entscheidungsproblem Forscher Unzufriedene Kunden Gesunkener Marktanteil Fallende Verkäufe Geringer Traffic Über WasserSichtbare und messbare Symptome Grenzwertige Leistung vom Verkaufsteam Mangelhafte Belieferung Unzureichende Qualität der Produkte Unethischer Umgang mit Kunden Schlechtes Image Unter WasserDas eigentliche Business- bzw. Entscheidungsproblem

QUESTIONSTAR · Dr. Paul Marx 07 / 274

1.1 · Marktforschung und Umfrage Anwendungsbereiche

Praktische Nutzung von Umfragen

Disziplin	Anwendung
Soziologie und Politikwissenschaften	Meinungsforschung, Identifikation der Einstellungen von Bevölkerungsgruppen gegenüber sozial bedeutenden Phänomenen, Ereignissen und Fakten; Wahlforschung (z. B. Sonntagsfrage), …
Psychologie	Persönlichkeitstests, Intelligenztests, Identifikation individueller Stärken und Schwächen, psychischer Stabilität, kognitiver Störungen, sozialer Einflüsse, …
Personalwesen	Messung von Mitarbeiterzufriedenheit, Loyalität, Potenzialen, Persönlichkeitsmerkmalen, Führungsqualitäten, Produktivität, professioneller Eignung, Stressresistenz, Work-Life-Balance, …
Marketing	Markt- und Verbraucherforschung, Messung von Imagewahrnehmung, Präferenzen, Zufriedenheit und Loyalität (NPS), Zahlungsbereitschaft; Segmentierung, Positionierung, Preisbestimmung, Werbetests, Usability von Webseiten, …
Wissenschaft (im Allgemeinen)	Untersuchung von Beziehungen zwischen zwei oder mehreren Variablen, Faktoren, Phänomenen; Skalen- und Methodenentwicklung für wissenschaftliche und praktische Zwecke, …
Bildung	Wissenstests (Multiple-Choice-Prüfungen), Studenten- und Lehrerevaluation; großangelegte Bildungsstudien (z. B. PISA), …
…	… und viele weitere Anwendungsfelder

QUESTIONSTAR · Dr. Paul Marx 08 / 274

1.1 · Marktforschung und Umfrage Prozessmodell

Prozess der Marktforschung — die „5 D’s"

D1Definitionsphase

Informationsbedarf identifizieren
Forschungsproblem und -fragen definieren
Forschungsziele festlegen
Informationswert prüfen

D2Designphase

Budget
Datenquellen
Forschungsmethoden
Stichprobenplan
Kontaktmethoden
Methoden der Datenanalyse

D3Datenerhebungsphase

Daten entsprechend dem Plan erheben
oder externen Dienstleister beauftragen

D4Datenanalysephase

Daten statistisch und subjektiv analysieren
Antworten und Implikationen ableiten

D5Dateninterpretationsphase

Ergebnisse der Datenanalyse formulieren
Forschungsbericht aufbereiten

Ergebnisse haben keinen praktischen Wert, wenn das Forschungsproblem nur vage definiert ist.

Der Plan muss im Voraus festgelegt, dennoch flexibel sein — um notwendige Anpassungen einbauen zu können.

Diese Phase ist sehr kostspielig und sehr fehleranfällig.

Wahl der Datenanalysemethode hängt im Wesentlichen vom Forschungstyp ab.

Aktionsfähige Schlüsselergebnisse statt überwältigende statistische Methoden präsentieren.

QUESTIONSTAR · Dr. Paul Marx 09 / 274

1.1 · Marktforschung und Umfrage Grenzen der Marktforschung

Wann sollte man keine Marktforschungsprojekte starten?

Fall	Kommentar
Vage Ziele	Wenn Manager sich nicht darauf einigen können, welche Informationen sie zur Entscheidungsfindung brauchen. Marktforschung hilft nur, wenn sie eine konkrete Frage untersucht.
Fixierte Haltung	Wenn die Entscheidung bereits getroffen ist und die Studie nur als „Abstempelung" eines vorgefassten Plans dienen soll.
Zu spät	Wenn Ergebnisse zu spät bereitgestellt werden, um die Entscheidung noch beeinflussen zu können.
Schlechtes Timing	Wenn ein Produkt in der Degenerationsphase ist, macht es wenig Sinn, neue Produktvariationen zu erforschen.
Unzureichende Ressourcen	Es lohnt sich nicht, eine quantitative Studie aufzusetzen, solange keine statistisch signifikante Stichprobe realisierbar ist — oder wenn die Finanzen nicht reichen, die resultierenden Entscheidungen umzusetzen.
Kosten überwiegen Vorteile	Der erwartete Informationswert sollte die Kosten der Datenerhebung und -analyse übersteigen.
Ergebnisse nicht aktionsfähig	Wenn z. B. psychographische Charakteristiken genutzt werden, die nicht helfen, konkrete Entscheidungen zu treffen.
Informationen nicht erforderlich	Wenn entscheidungsrelevante Informationen bereits vorhanden sind.

QUESTIONSTAR · Dr. Paul Marx 10 / 274

Kapitel 1 · Einführung Sektionsübersicht

Kapitel

Einführung

1.1Marktforschung und Umfrage

1.2Typologie der Marktforschung

QUESTIONSTAR · Dr. Paul Marx 11 / 274

1.2 · Typologie der Marktforschung Drei Ordnungskriterien

Typologie der Marktforschung

Kriterium 1

Nach Zielen

Explorativauch diagnostisch

Deskriptiv

Kausalauch prädiktiv, experimentell

Kriterium 2

Nach Datenquellen

Primärselbst erhobene Daten

Sekundärbereits vorhandene Daten

Kriterium 3

Nach Methodologie

Qualitativverstehen

Quantitativmessen

QUESTIONSTAR · Dr. Paul Marx 12 / 274

1.2 · Typologie der Marktforschung Nach Forschungszielen

Marktforschungstypologie nach Zielen

Unsicherheit beeinflusst den Marktforschungstyp

Unsicher

Sicher

Niedrige Klarheit

Explorativ

auch diagnostisch

Problem noch ungenau definiert; Hypothesen werden gebildet.

Analyse von Daten und Aktionen, um Probleme besser zu verstehen

Welche Gründe könnten hinter der sinkenden Kundenzufriedenheit stecken?
Was hält Erstkäufer davon ab, erneut zu kaufen?

Mittlere Klarheit

Deskriptiv

Phänomene werden systematisch beschrieben und gemessen.

Sammeln und Präsentation von Fakten: wer, was, wann, wo, wie?

Wie sieht der historische Umsatztrend in der Branche aus?
Wie sind die Einstellungen der Konsumenten gegenüber unserem Produkt?

Hohe Klarheit

Kausal

auch prädiktiv, experimentell

Ursache-Wirkungs-Beziehungen werden geprüft.

Analyse der Ursache-Wirkungs-Beziehungen — „Was wäre wenn?“

Vorhersage der Ergebnisse von Marketing-Aktionen
Einfluss von Werbeausgaben auf den Umsatz (wieviel bringt ein Werbe-Euro?)

Kleinere Umfragen, Focus-Groups, Interviews

Größere Umfragen, Beobachtung, usw.

Experimente, A/B-Tests, Konsumentenpanels

QUESTIONSTAR · Dr. Paul Marx 13 / 274

1.2 · Typologie der Marktforschung Nach Datenquellen

Marktforschungstypologie nach Datenquellen

DatenquellePrimär

Generierung von Daten, die bisher noch nicht vorliegen. Diese Daten werden analysiert und können ggf. vom Forscher veröffentlicht werden.

Typische MethodenUmfragen, Interviews, Beobachtung, Experimente, …

DatenquelleSekundär

Verwendung von zu einem früheren Zeitpunkt erhobenen Daten für den beabsichtigten Untersuchungszweck.

Typische MethodenLiteraturrecherche: Bibliothek, Web, Datenbank, Archiv

QUESTIONSTAR · Dr. Paul Marx 14 / 274

1.2 · Typologie der Marktforschung Nach Methodologie

Marktforschungstypologie nach Methodologie

MethodologieQuantitativ

Beinhaltet Sammlung und Auswertung von Daten
Erfordert große Datenmengen, verwendet statistische Methoden
Strebt Repräsentativität der Ergebnisse an

Typische MethodenGrößere Umfragen, Beobachtung, usw.

MethodologieQualitativ

Versucht Konsumentenverhalten und seine Ursachen zu verstehen
Schwerpunkt auf Individuen und kleinen Gruppen
Nicht repräsentativ — eine Sichtweise verstehen, nicht alle

Typische MethodenKleinere Umfragen, Focus-Groups, Interviews, …

QUESTIONSTAR · Dr. Paul Marx 15 / 274

1.2 · Typologie der Marktforschung Methodenkombination

Triangulation

Triangulation — die Kombination von Methoden in der Studie zu demselben Thema.

Robson (1998) · Visocky & Visocky (2009)

Venn-Diagramm: drei Methoden überlappen sich, ihre gemeinsame Schnittmenge führt zur Wahrheit.

ZielWahrheit Literaturrecherche Befragung Interview

QUESTIONSTAR · Dr. Paul Marx 16 / 274

Chaotisch verwirbelte Lichtspuren in den Triangulationsfarben Rot, Grün und Blau.

1.2 · Typologie der Marktforschung Methodenideal vs. Realität

Soweit die Theorie …

Aber in Wirklichkeit ist alles chaotischer.

QUESTIONSTAR · Dr. Paul Marx 17 / 274

Kapitel 1 · Teil 2 Sektionsübersicht

Teil

Umfrage: Messung und Skalierung

2.1Einführung

2.2Komparative Skalen

2.3Nicht-komparative Skalen

2.4Latente Konstrukte

2.5Reliabilität und Validität

QUESTIONSTAR · Dr. Paul Marx 18 / 274

Kapitel 1 · Teil 2 Sektionsübersicht

Teil

Umfrage: Messung und Skalierung

2.1Einführung

2.2Komparative Skalen

2.3Nicht-komparative Skalen

2.4Latente Konstrukte

2.5Reliabilität und Validität

QUESTIONSTAR · Dr. Paul Marx 19 / 274

2.1 · Einführung Grundbegriffe

Messung

Messung — Zuweisung von Zahlen oder anderen Symbolen zu Charakteristiken von Objekten nach einer bestimmten, vorgegebenen Regel.

1Eins-zu-eins-Entsprechung der Zahlen und der zu messenden Größen

2Standardisierte Regeln für die Zuweisung der Zahlen

3Regeln dürfen nicht von Objekt zu Objekt oder in der Zeit variieren

QUESTIONSTAR · Dr. Paul Marx 20 / 274

2.1 · Einführung Grundbegriffe

Skalierung

Skalierung — beinhaltet ein Kontinuum, auf dem die Messobjekte angeordnet werden.

Schokolade

Apfel

Chips

Lakritz

Extrem lecker Extrem übel

QUESTIONSTAR · Dr. Paul Marx 21 / 274

2.1 · Einführung Messung und Skalierung

Grundlegende Typen von Skalen

Nominal

Zahlen dienen lediglich zur Klassifizierung der Objekte
nicht-kontinuierliche Skala

Ordinal

Zahlen geben die relativen Positionen der Objekte an
aber nicht die Größe der Differenz zwischen ihnen

Intervall

quasi-metrisch

Unterschiede zwischen Objekten können verglichen werden
Nullpunkt willkürlich

Metrisch

auch Ratio

Nullpunkt eindeutig festgesetzt
Verhältnisse der Skalenwerte können berechnet werden

QUESTIONSTAR · Dr. Paul Marx 22 / 274

2.1 · Einführung Skalenniveaus

Wichtige Skalen in Marketing

Skala	Beschreibung	Gängige Beispiele	Beispiele aus Marketing	Statistische Kennzahlen
Skala	Beschreibung	Gängige Beispiele	Beispiele aus Marketing	Deskriptive	Induktive
Nominalskala	Zuweisung von Zahlen zur Identifikation und/oder Klassifikation von Objekten	Reisepass-Nummer, Nummer vom Fußballspieler, Geschlecht	Brand, Geschlecht, Beruf, Typ des Lokals	Prozentwerte, Mode	Chi-Quadrat, Binomialtest
Ordinalskala	Zahlen beschreiben die Rangordnung der Objekte, jedoch nicht das Ausmaß der Unterschiede zwischen ihnen	Schulnoten, Position der Läufer im Marathonlauf	Präferenzranking, Marktposition, soziale Klasse	Perzentile, Median	Rangkorrelationskoeffizient (Spearmans ρ), Friedman-ANOVA
Intervallskala	Ermöglicht den Vergleich der Unterschiede zwischen Objekten; Nullpunkt willkürlich	Temperatur (Fahrenheit, Celsius)	Einstellungen, Meinungen, Kaufabsicht, Kundenzufriedenheit, Index-Zahlen	Range, Durchschnitt, Standardabweichung	Produkt-Moment-Korrelation (Pearsons r), t-Tests, ANOVA, Regressions- und Faktorenanalyse
Metrische Skala	Nullpunkt ist eindeutig festgelegt; ermöglicht den Vergleich der Abstände zwischen den Messwerten und deren Verhältnisse	Länge, Gewicht, Zeit, Geld	Alter, Umsatz, Einkommen, Kosten, Marktanteil	Geometrisches Mittel, Harmonisches Mittel	Variationskoeffizient

QUESTIONSTAR · Dr. Paul Marx 23 / 274

2.1 · Einführung Übersicht

Typologie von Skalierungsverfahren

Wurzel

Skalierung

Komparative Skalen

Objekte werden direkt miteinander verglichen

Paarweise Vergleiche Rangordnungsverfahren Konstantsummenverfahren Q-Sortierung & andere

Nicht-komparative Skalen

Jedes Objekt wird isoliert beurteilt

Kontinuierliche Ratingskalen

Diskrete Ratingskalen

Likert-Skala Semantisches Differential Stapel-Skala

QUESTIONSTAR · Dr. Paul Marx 24 / 274

2.1 · Einführung Gegenüberstellung

Vergleich von Skalierungsverfahren

Direkt

Komparative Skalen

Der Messwert eines Objekts ergibt sich aus dem direkten Vergleich mit einem anderen Objekt.

Daten können nur als relative Positionen interpretiert werden — nur ordinales Skalenniveau (Rangordnung).

Isoliert

Nicht-komparative Skalen

Jedes Objekt wird isoliert beurteilt — also unabhängig von anderen Objekten.

Messergebnisse werden i. d. R. als intervallskaliert oder metrisch gesehen.

Die Wahl zwischen den Skalierungsverfahren hängt ab von:

Natur der Forschungsfrage Variabilität des Messwertes in der Grundgesamtheit Methoden der Datenanalyse

QUESTIONSTAR · Dr. Paul Marx 25 / 274

Kapitel 1 · Teil 2 Sektionsübersicht

Teil

Umfrage: Messung und Skalierung

2.1Einführung

2.2Komparative Skalen

2.3Nicht-komparative Skalen

2.4Latente Konstrukte

2.5Reliabilität und Validität

QUESTIONSTAR · Dr. Paul Marx 26 / 274

2.2 · Komparative Skalen Fokus

Typologie von Skalierungsverfahren

Wurzel

Skalierung

Komparative Skalen

Objekte werden direkt miteinander verglichen

Paarweise Vergleiche Rangordnungsverfahren Konstantsummenverfahren Q-Sortierung & andere

Nicht-komparative Skalen

Jedes Objekt wird isoliert beurteilt

Kontinuierliche Ratingskalen

Diskrete Ratingskalen

Likert-Skala Semantisches Differential Stapel-Skala

QUESTIONSTAR · Dr. Paul Marx 27 / 274

2.2 · Komparative Skalen Bewertung

Vor- und Nachteile von komparativen Skalen

Vorteile

Geringe Unterschiede zwischen Objekten können registriert werden
Dieselben bekannten Referenzpunkte für alle Probanden
Einfach zu verstehen und zu nutzen
Benötigen weniger theoretische Annahmen
Reduzieren tendenziell Halo- und Carryover-Effekte

−

Nachteile

Lediglich ordinales bzw. Rangordnungs-Skalenniveau → beschränkte Auswahl an statistischen Methoden zur Datenanalyse
Daten können nur als relative Positionen interpretiert werden
Unmöglich, über das Set der bewerteten Objekte hinaus zu generalisieren

QUESTIONSTAR · Dr. Paul Marx 28 / 274

2.2 · Komparative Skalen Methode

Komparative Skalen: Paarweise Vergleiche

Paarweise Vergleiche

Probanden wählen aus jeweils zwei Objekten dasjenige aus, das nach ihrer Meinung ein bestimmtes Kriterium am besten erfüllt.

Im Folgenden werden Ihnen zehn Paare von Biermarken vorgelegt. In jedem Paar wählen Sie bitte das Bier aus, welches Sie eher kaufen würden.

Warsteiner

Köstritzer

Oettinger

Becks

Paulaner

Warsteiner

←

↑

←

Köstritzer

↑

←

↑

←

Oettinger

↑

Becks

←

Paulaner

↑

←

↑

# Mal präferiert

QUESTIONSTAR · Dr. Paul Marx 29 / 274

2.2 · Komparative Skalen Praxisbeispiel

Komparative Skalen: Paarweise Vergleiche

Wären diese zwei Computer in allem anderen gleich — welchen würden Sie bevorzugen?

Paar 3 von 10

Computer links

1 TB SSD

128 GB RAM

Computer rechts

2 TB SSD

36 GB RAM

Klar links bevorzugt Eher links Neutral Eher rechts Klar rechts bevorzugt

QUESTIONSTAR · Dr. Paul Marx 30 / 274

2.2 · Komparative Skalen Bewertung

Paarweise Vergleiche: Vor- und Nachteile

Vorteile

Direkter Vergleich und eindeutige Auswahl
Gut für Blindtests, Produktvergleiche und MDS
Ermöglicht die Berechnung des prozentualen Anteils der Probanden, die ein Objekt bevorzugen
Rangordnung kann geschätzt werden (unter Annahme der Transitivität)
Mögliche Erweiterungen: Alternative „keine Unterschiede", abgestufter Vergleich

−

Nachteile

Anzahl der Vergleiche wächst schneller als die Anzahl der Objekte — für n Objekte n(n−1)/2 Vergleiche
Reihenfolgeeffekte möglich (Einfluss der Präsentationsreihenfolge)
Aus Präferenz von A über B folgt nicht, dass der Proband A mag
Wenig realistisch für reale Wahlsituationen mit mehreren Alternativen
Verletzung der Transitivitätsannahme möglich

QUESTIONSTAR · Dr. Paul Marx 31 / 274

2.2 · Komparative Skalen Ordinale Daten

Verletzung der Transitivitätsannahme in paarweisen Vergleichen

Derselbe Proband, dieselbe Paarung — und trotzdem widersprüchliche Antworten:

Vergleich 1 Apfel > Tomate

Vergleich 2 Tomate > Apfel

Aus „Apfel ≻ Tomate" und „Tomate ≻ Apfel" lässt sich keine Rangordnung bilden — die Präferenzen sind widersprüchlich (intransitiv).

QUESTIONSTAR · Dr. Paul Marx 32 / 274

2.2 · Komparative Skalen Ordinale Daten

Verletzung der Transitivität bei Aggregation von Präferenzen

Proband #1

Apfel

Tomate

Orange

Proband #2

Tomate

Orange

Apfel

Proband #3

Orange

Apfel

Tomate

Stimmenzählung

Apfel ≻

Tomate2 : 1

Tomate ≻

Orange2 : 1

Orange ≻

Apfel2 : 1

Apfel ≻ Tomate ≻ Orange ≻ Apfel. Apfel wird gleichzeitig am meisten und am wenigsten präferiert — die Gruppenpräferenzen sind inkonsistent!

QUESTIONSTAR · Dr. Paul Marx 33 / 274

2.2 · Komparative Skalen Methode

Komparative Skalen: Rangordnungsverfahren

Rangordnungsverfahren

Probanden bringen mehrere Objekte in eine Reihenfolge — basierend auf einem bestimmten Kriterium.

Ordnen Sie bitte die unten aufgeführten Marken von Erfrischungsgetränken entsprechend Ihrer Präferenzen an. Dafür wählen Sie zunächst die Marke aus, die Sie am meisten präferieren, und weisen Sie ihr den Rangplatz 1 zu. Anschließend weisen Sie den Rangplatz 2 der zweitbesten Marke. Setzen Sie die Bewertung fort, bis Sie allen Marken einen Rangplatz zugewiesen haben. Die letzte, am wenigsten präferierte Marke muss den Rangplatz 5 bekommen.

Keine zwei Marken dürfen denselben Rangplatz erhalten.

Das Kriterium der Präferenz ist ganz Ihnen überlassen. Es gibt keine richtige oder falsche Antworten. Versuchen Sie einfach, konsistent zu sein.

Marke	Rangplatz
Pepsi-Cola	_________
Coca-Cola	_________
Red Bull	_________
Sprite	_________
7-Up	_________

QUESTIONSTAR · Dr. Paul Marx 34 / 274

2.2 · Komparative Skalen Praxisbeispiel

Rangordnungsverfahren: Beispiel

QUESTIONSTAR · Dr. Paul Marx 35 / 274

2.2 · Komparative Skalen Praxisbeispiel

Rangordnungsverfahren: Beispiele

Drag & DropTop-3 auswählen & ordnen

„Was ist Ihnen beim Einkauf am wichtigsten? Ordnen Sie die 3 wichtigsten Gründe."

Zur Auswahl

Öffnungszeiten

Kundenservice

Rückgaberecht

Ihre Rangordnung

Auswahl

Online-Angebot

Preis

Rang-MatrixRang je Zeile anklicken

„Bringen Sie die Themenbereiche in Ihre Reihenfolge (1–6)."

123456

Kommunikation & Medien2

Digitale Medientechnik6

Internet3

Büro-Peripherie4

IT-Sicherheit5

Software & Systemintegration1

QUESTIONSTAR · Dr. Paul Marx 36 / 274

2.2 · Komparative Skalen Praxisbeispiel

Rangordnungsverfahren: Beispiel

Welche Frucht mögen Sie am liebsten? — Ziehen Sie die Früchte auf die Skala.

Drag & Drop

Orange

Kiwi

Apfel

Banane

Erdbeere

Überhaupt nicht gernSehr gern

QUESTIONSTAR · Dr. Paul Marx 37 / 274

2.2 · Komparative Skalen Bewertung

Rangordnungsverfahren: Vor- und Nachteile

Vorteile

Direkter Vergleich
Realitätsnäher als paarweise Vergleiche
- Anzahl der Vergleiche ist nur (n − 1)
- Einfacher zu verstehen
- Nehmen weniger Zeit in Anspruch
- Keine nicht-transitiven Antworten
- Daten können in paarweise Vergleiche konvertiert werden
Gut für Messung von Marken- und Eigenschaftspräferenzen

−

Nachteile

Aus Präferenz von A über B folgt nicht, dass der Proband A mag
Kein Nullpunkt — keine Trennung zwischen Mögen und Nicht-Mögen
Lediglich ordinale Daten
Verletzung der Transitivitätsannahme möglich (bei Aggregation)

QUESTIONSTAR · Dr. Paul Marx 38 / 274

2.2 · Komparative Skalen Methode

Komparative Skalen: Konstantsummenverfahren

Konstantsummenverfahren

Probanden verteilen einen fixierten Betrag (z. B. Punkte, Euros, Chips, %) vollständig über ein Set von Objekten — nach einem bestimmten Kriterium.

Unterstehend ist eine Liste von fünf Eigenschaften von Autos aufgeführt. Bitte verteilen Sie 100 Punkte über diese Eigenschaften so, dass die Anzahl der Punkte, die Sie einer Eigenschaft zuweisen, deren relative Wichtigkeit für Sie widerspiegelt. Je mehr Punkte eine Eigenschaft bekommt, desto wichtiger ist sie für Sie. Wenn eine Eigenschaft für Sie unwichtig ist, weisen Sie ihr 0 Punkte zu. Wenn eine Eigenschaft doppelt so wichtig ist wie eine andere, weisen Sie ihr doppelt so viele Punkte zu.

Eigenschaft	Punkte
Geschwindigkeit	0
Komfort	15
Getriebetyp (manuell/Automatik)	5
Kraftstoff (Benzin/Diesel)	35
Preis	45
Summe	100

QUESTIONSTAR · Dr. Paul Marx 39 / 274

2.2 · Komparative Skalen Durchschnittliche Bewertung in drei Segmenten

Konstantsummenverfahren: Beispiel der Auswertung

Attribut	Segment 1	Segment 2	Segment 3
Geschwindigkeit	0	17	53
Komfort	15	23	30
Getriebe (manuell/Automatik)	5	21	10
Kraftstoff (Benzin/Diesel)	35	12	7
Preis	45	27	0
Summe	100	100	100

QUESTIONSTAR · Dr. Paul Marx 40 / 274

2.2 · Komparative Skalen Praxisbeispiel

Konstantsummenverfahren: Beispiel

Welche Merkmale eines Mietwagens sind Ihnen am wichtigsten? Verteilen Sie 100 € darauf.

Summe: 100 / 100 €✓

0 €

übrig

Zurücksetzen

Vollkasko

25 €

Klimaanlage

20 €

Navigation (GPS)

15 €

Auto max. 3 Jahre alt

10 €

Teilkasko

10 €

Kraftstoffwahl (Benzin/Diesel)

5 €

CD-Player

5 €

Radio

5 €

Schiebedach

5 €

Umgebungskarte

0 €

Rückgabe-Hinweise

0 €

QUESTIONSTAR · Dr. Paul Marx 41 / 274

2.2 · Komparative Skalen Praxisbeispiel

Konstantsummenverfahren: Beispiele

SliderAuf Skala ziehen

„Welcher Anteil Ihrer Einkäufe entfällt auf …?"

Kosmetik

25 %

Damenmode

20 %

Herrenmode

15 %

Schuhe

25 %

Sonstiges

15 %

Gesamt100 / 100 %

EingabefeldWerte eintippen

„Wie verteilen Sie 100 % Ihres Monatsbudgets?"

Wohnen40

Essen25

Freizeit20

Sonstiges15

Verbleibend0

Klick-BalkenBalken anklicken

„Wie verteilt sich Ihre Internetnutzung?"

privat

63 %

beruflich

37 %

Gesamt100 %

QUESTIONSTAR · Dr. Paul Marx 42 / 274

2.2 · Komparative Skalen Bewertung

Konstantsummenverfahren: Vor- und Nachteile

Vorteile

Kann kleine Unterschiede zwischen den Objekten messen, ohne zu viel Zeit zu beanspruchen
Metrisch skaliert → flexible Auswahl an Analyseverfahren

−

Nachteile

Ergebnisse sind auf die Liste der beurteilten Objekte beschränkt — keine Aussagen über Objekte außerhalb der Liste
Relativ hohe kognitive Belastung der Probanden, insb. bei langen Listen
- Anfällig für Rechenfehler (z. B. Verteilung von 108 oder 94 Punkten)

QUESTIONSTAR · Dr. Paul Marx 43 / 274

2.2 · Komparative Skalen Methode

Komparative Skalen: Q-Sortierung

Q-Sortierung

Rangordnungsverfahren, bei dem Objekte (in Hinblick auf ein bestimmtes Merkmal) in Stapeln sortiert werden. Genutzt, um eine hohe Anzahl an Objekten (60–140) schnell untereinander zu vergleichen.

Die Anzahl der Objekte je Stapel ist so begrenzt, dass alle Stapel zusammen die Form einer Normalverteilung nachbilden.

Das Gesundheitsministerium hat 25 Maßnahmen zur Umsetzung in Krankenhäusern entwickelt. Ordnen Sie diese nach ihrer Wirksamkeit gegen die Infektionsausbreitung ein — bitte nur eine Maßnahme pro Box.

Äußerst wirksam Ganz und gar nicht wirksam

QUESTIONSTAR · Dr. Paul Marx 44 / 274

Kapitel 1 · Teil 2 Sektionsübersicht

Teil

Umfrage: Messung und Skalierung

2.1Einführung

2.2Komparative Skalen

2.3Nicht-komparative Skalen

2.4Latente Konstrukte

2.5Reliabilität und Validität

QUESTIONSTAR · Dr. Paul Marx 45 / 274

2.3 · Nicht-komparative Skalen Fokus

Typologie von Skalierungsverfahren

Wurzel

Skalierung

Komparative Skalen

Objekte werden direkt miteinander verglichen

Paarweise Vergleiche Rangordnungsverfahren Konstantsummenverfahren Q-Sortierung & andere

Nicht-komparative Skalen

Jedes Objekt wird isoliert beurteilt

Kontinuierliche Ratingskalen

Diskrete Ratingskalen

Likert-Skala Semantisches Differential Stapel-Skala

QUESTIONSTAR · Dr. Paul Marx 46 / 274

2.3 · Nicht-komparative Skalen Definition & Varianten

Kontinuierliche Ratingskalen

Probanden bewerten Objekte, indem sie eine entsprechende Position auf einer Linie markieren, die von einem Extrem zum anderen eines bestimmten Kriteriums läuft.

Wie bewerten Sie „Real" als Lebensmittelgeschäft?

Version 1

Wahrscheinlich das schlechteste

Wahrscheinlich das beste

Version 2

Wahrscheinlich das schlechteste

020406080100

Wahrscheinlich das beste

Version 3

Wahrscheinlich das schlechteste

sehr schlechtteils teilssehr gut

Wahrscheinlich das beste

Version 4

Wahrscheinlich das schlechteste

sehr schlechtteils teilssehr gut

Wahrscheinlich das beste

QUESTIONSTAR · Dr. Paul Marx 47 / 274

2.3 · Nicht-komparative Skalen Kontinuierliche Ratingskalen · Anwendung

Perception Analyzer

Jeder Teilnehmer dreht während der Reizdarbietung — z. B. einem TV-Werbespot — ein Drehrad. So entsteht eine kontinuierliche Bewertung in Echtzeit, Sekunde für Sekunde — aggregiert über alle Teilnehmer und getrennt nach Segmenten.

Perception-Analyzer-Auswertung: Zustimmungskurven über die Spot-Dauer — Aggregierte Echtzeit-Kurven über die Spot-Dauer — getrennt nach Segmenten (0 = „Not Appealing“ … 100 = „Very Appealing“).

Teilnehmer bewerten live mit Drehrad-Handgeräten — Teilnehmer bewerten live während der Vorführung.

QUESTIONSTAR · Dr. Paul Marx 48 / 274

2.3 · Nicht-komparative Skalen Diskrete Ratingskalen

Likert-Skala

Probanden geben an, inwieweit sie den aufgeführten Aussagen zustimmen — anhand einer 5- oder 7-Punkte-Skala, die von einem Extrem zum anderen reicht.

Im Folgenden sind unterschiedliche Aussagen über „Real" aufgelistet. Bitte geben Sie an, wie stark Sie diesen Aussagen zustimmen:

	Stimme gar nicht zu	Stimme nicht zu	Neutral	Stimme zu	Stimme voll und ganz zu
Real verkauft hochwertige Waren
Real hat schlechten Service umgekehrt
Einkaufen bei Real macht mir Spaß
Real bietet eine Mischung aus verschiedenen Marken
Die Kreditpolitik in Real ist schrecklich umgekehrt
Ich mag die Werbung von Real nicht umgekehrt
Die Preise bei Real sind fair

Wichtig: Die Aussagen 2, 5 und 6 sind umgekehrt formuliert. Vor der Datenanalyse müssen diese Skalen umgekodiert werden — eine höhere Zahl soll stets eine bessere Einstellung bedeuten.

QUESTIONSTAR · Dr. Paul Marx 49 / 274

2.3 · Nicht-komparative Skalen Likert-Skala · in Online-Umfragen

Likert-Skala: Beispiele

Format · Radio-Buttons

Wie zufrieden sind Sie insgesamt mit unserem Kundenservice?

Sehr
unzufrieden

Unzufrieden

Weder noch

Zufrieden

Sehr
zufrieden

Format · Segmentierte Buttons

„Der Bestellvorgang war einfach." — Wie sehr stimmen Sie zu?

Trifft überhaupt nicht zu

Trifft eher nicht zu

Teils teils

Trifft eher zu

Trifft voll und ganz zu

Format · Nummerierte Skala

Wie wichtig ist Ihnen ein kostenloser Rückversand?

1 2 3 4 5

Überhaupt nicht wichtigSehr wichtig

QUESTIONSTAR · Dr. Paul Marx 50 / 274

2.3 · Nicht-komparative Skalen Likert-Skala · Standard-Formulierungen

Populäre Likert-Skalen in Marketing

Konstrukt	1	2	3	4	5
Einstellung	Sehr schlecht	Schlecht	Weder gut, noch schlecht	Gut	Sehr gut
Wichtigkeit	Überhaupt nicht wichtig	Unwichtig	Neutral	Wichtig	Sehr wichtig
Zufriedenheit	Sehr unzufrieden	Unzufrieden	Weder zufrieden, noch unzufrieden	Zufrieden	Sehr zufrieden
Kaufwahrscheinlichkeit(Kaufabsicht)	Definitiv nicht	Wahrscheinlich nicht	Unentschieden	Wahrscheinlich ja	Auf jeden Fall ja
Kaufhäufigkeit	Nie	Selten	Manchmal	Oft	Sehr oft
Zustimmung	Trifft überhaupt nicht zu	Trifft eher nicht zu	Teils teils	Trifft eher zu	Trifft voll und ganz zu

Skalenpunkte von 1 (niedrigste Ausprägung) bis 5 (höchste Ausprägung).

QUESTIONSTAR · Dr. Paul Marx 51 / 274

2.3 · Nicht-komparative Skalen Diskrete Ratingskalen

Semantisches Differential

Zweipolige Rating-Skala, deren Extreme mit jeweils gegensätzlichen Adjektiven beschrieben werden. Erlaubt die Messung mehrdimensionaler Einstellungen und deren Profildarstellung.

Wie schätzen Sie das Erscheinungsbild von „Kaufhof" ein? Bitte kreuzen Sie an, inwieweit Sie jeweils mehr zu der einen oder anderen Ausprägung tendieren.

Kaufhof ist …

Stark

Schwach

Unzuverlässig

Zuverlässig

Modern

Altmodisch

Kalt

Warm

Sorgfältig

Leichtsinnig

Hinweis: Die negativen Adjektive erscheinen mal links, mal rechts. So lässt sich nachträglich kontrollieren, ob Probanden gedankenlos immer dieselbe Seite ankreuzen, ohne die Adjektive zu lesen.

QUESTIONSTAR · Dr. Paul Marx 52 / 274

2.3 · Nicht-komparative Skalen Semantisches Differential · Profil

Semantisches Differential: Profil

Profildarstellung

Misst Selbsteinschätzung sowie Einstellungen gegenüber Personen oder Produkten. Jeder Punkt entspricht dem Mittelwert oder Median der jeweiligen Skala — die Verbindung der Punkte ergibt das Profil.

Hoch

Stark

Zuverlässig

Kalt

Modern

Gut

Freundlich

Hässlich

Aktiv

Jung

Vorsichtig

Klein

Sanft

Robust

Bescheiden

Tief

Schwach

Unzuverlässig

Heiß

Langsam

Schlecht

Feindlich

Schön

Passiv

Alt

Sorglos

Groß

Abstoßend

Empfindlich

Angeberisch

Beispielhaftes Profil eines Objekts — sieben Stufen zwischen den gegensätzlichen Polen.

QUESTIONSTAR · Dr. Paul Marx 53 / 274

2.3 · Nicht-komparative Skalen Semantisches Differential · Markenvergleich

Semantisches Differential: Beispiel

Profil-Vergleich

Semantische Profile der Shampoo-Marken „Herbal Magic" und „Elseve" im Vergleich zum idealen Shampoo aus Sicht der Konsumenten.

Elseve Herbal Magic Ideales Shampoo

Billig

Natürliche Inhaltsstoffe

Attraktiv

Überall verfügbar

Riecht gut

Hat Conditioner

Bekannte Marke

Für häufige Nutzung geeignet

Effekt von Glanz & Sauberkeit

Einfache Nutzung

Teuer

Keine natürlichen Inhaltsstoffe

Unattraktiv

Schwer zu bekommen

Riecht schlecht

Kein Conditioner

Unbekannte Marke

Ungeeignet

Kein Effekt

Komplizierte Nutzung

QUESTIONSTAR · Dr. Paul Marx 54 / 274

2.3 · Nicht-komparative Skalen Diskrete Ratingskalen

Stapel-Skala

Eine unipolare Ratingskala mit 10 Kategorien von −5 bis +5, ohne Neutralpunkt (0).

Sie wird oft als Alternative zum semantischen Differential verwendet, wenn sich kein sinnvolles Paar gegensätzlicher Adjektive finden lässt.

Plus-Zahl = die Phrase trifft zu, Minus-Zahl = sie trifft nicht zu. Je größer der Betrag, desto stärker.

Wie zutreffend beschreiben die folgenden Phrasen das Geschäft „Real"? Wählen Sie pro Phrase eine Zahl zwischen +5 (trifft voll zu) und −5 (trifft gar nicht zu).

+5 +4 +3 +2 +1

Hohe Qualität

-1 -2 -3 -4 -5

+5 +4 +3 +2 +1

Schlechter Service

-1 -2 -3 -4 -5

QUESTIONSTAR · Dr. Paul Marx 55 / 274

2.3 · Nicht-komparative Skalen Überblick

Wichtigste nicht-komparative Skalen

Skala	Beschreibung	Beispiele	Vorteile	Nachteile
Kontinuierliche Ratingskalen	Markierung auf einer kontinuierlichen Linie	Reaktion auf TV-Werbespots	Einfach zu bilden	Manuelle (nicht PC-gestützte) Auswertung kann sehr mühsam sein
Likert-Skaladiskret	Grad der Zustimmung auf einer Skala von 1 (stimme ganz und gar nicht zu) bis 5 (stimme vollkommen zu)	Messung von Einstellungen	Einfach zu verstehen, zu verwenden und zu bilden	Zeitaufwendiger
Semantisches Differentialdiskret	Zweipolige, siebenstufige Ratingskala mit entgegengesetzten Adjektiven an den Polen	Marken-, Produkt- und Firmenimage	Vielseitig	Keine Aussage darüber, ob die Daten intervallskaliert sind
Stapel-Skaladiskret	Unipolare Zehn-Punkte-Skala von −5 bis +5 ohne Neutralpunkt (0)	Messung von Einstellungen und Image	Einfach zu konstruieren und in Telefon-Umfragen einzusetzen	Manchmal verwirrend und schwierig anzuwenden

QUESTIONSTAR · Dr. Paul Marx 56 / 274

2.3 · Nicht-komparative Skalen Fünf Gestaltungsfragen

Konstruktion von diskreten Ratingskalen

Anzahl von Antwortkategorien

Es gibt keine einzig optimale Anzahl — traditionell werden Skalen mit fünf bis neun Kategorien verwendet.

Balanciert vs. nicht-balanciert

Generell sollte die Skala balanciert sein, um objektive Ergebnisse erzielen zu können.

Gerade vs. ungerade Anzahl

Wenn eine neutrale bzw. indifferente Antwort für manche Probanden in Frage kommt, sollte man eine ungerade Anzahl von Kategorien wählen.

Obligatorische vs. nicht-obligatorische Antwort

Können einige Probanden keine Meinung haben, verbessern nicht-obligatorische Fragen die Genauigkeit der Ergebnisse.

Beschriftung der Skalenpunkte

Nicht jeder Punkt muss beschriftet werden — entscheidend ist, Ambivalenz zu vermeiden und beide Pole (bei ungerader Anzahl auch die Mitte) eindeutig zu benennen.

QUESTIONSTAR · Dr. Paul Marx 57 / 274

2.3 · Konstruktion von Ratingskalen Gestaltungsfrage 1

Anzahl von Antwortkategorien

Es gibt keine einzig optimale Anzahl — traditionell werden Skalen mit fünf bis neun Antwortkategorien verwendet.

Mehr Kategorien erfassen feinere Unterschiede — aber die meisten Probanden kommen nur mit wenigen Kategorien zurecht.

Involvement & Wissen

mehrwenn Probanden an der Bewertung interessiert sind oder über tiefes Wissen zum Objekt verfügen.

Natur der Objekte

mehrwenn feine Unterschiede für die Objekte charakteristisch sind.

Modus der Datenerhebung

wenigerbei Telefoninterviews, wo Skalen schwerer zu überblicken sind.

Datenanalyse

wenigerfür Aggregation & Gruppenvergleiche · mehrfür anspruchsvolle, korrelationsbasierte Statistik.

QUESTIONSTAR · Dr. Paul Marx 58 / 274

2.3 · Konstruktion von Ratingskalen Gestaltungsfrage 2

Balancierte oder nicht-balancierte Skalen

Balanciert vs. nicht-balanciert

Generell sollte die Skala balanciert sein, um objektive Ergebnisse erzielen zu können.

Balancierte Skala

Sehr gut

Gut

Weder gut noch schlecht

Schlecht

Sehr schlecht

2 positiv · 1 neutral · 2 negativ — symmetrisch.

Nicht-balancierte Skala

Extrem gut

Sehr gut

Gut

Angemessen

Schlecht

Sehr schlecht

4 positiv · 2 negativ — verzerrt zu positiven Urteilen.

QUESTIONSTAR · Dr. Paul Marx 59 / 274

2.3 · Konstruktion von Ratingskalen Gestaltungsfrage 3

Gerade oder ungerade Anzahl von Antwortkategorien

Gerade vs. ungerade Anzahl

Wenn eine neutrale bzw. indifferente Antwort für manche Probanden in Frage kommt, sollte man eine ungerade Anzahl von Kategorien wählen.

Ungerade Anzahl — mit Mitte

Stimme gar nicht zu

Stimme nicht zu

Neutral

Stimme zu

Stimme voll zu

Erlaubt eine neutrale Antwort

Gerade Anzahl — ohne Mitte

Stimme gar nicht zu

Stimme nicht zu

Stimme zu

Stimme voll zu

Erzwingt eine Tendenz

Die mittlere Option zieht viele Unsichere an — und solche, die ihre Meinung nur ungern offenbaren.

Das kann die Maße der zentralen Tendenz und der Varianz verzerren.

Wollen bzw. brauchen wir „Kontrast" bei kontroversen Einstellungen?

QUESTIONSTAR · Dr. Paul Marx 60 / 274

2.3 · Konstruktion von Ratingskalen Gestaltungsfrage 4

Obligatorische oder nicht-obligatorische Antwort?

Obligatorische vs. nicht-obligatorische Antwort

Wenn einige Probanden keine Meinung haben können, verbessern nicht-obligatorische Fragen die Genauigkeit der Ergebnisse.

Wollen die Probanden nicht antworten — oder haben sie schlicht keine Meinung?

„Weiß nicht" / „Nicht zutreffend"

✓Bei sachlichen Fragen und Wissensabfragen einsetzen.

✕Nicht bei der Messung von Einstellungen und Meinungen.

Filterführung

Gezielt steuern, dass Probanden nur Fragen erhalten, die sie auch beantworten können — statt Antworten zu erzwingen.

Faustregel: Fragen ohne „weiß nicht" liefern tendenziell mehr genaue Daten — aber nur, wenn die Probanden tatsächlich eine Meinung haben.

QUESTIONSTAR · Dr. Paul Marx 61 / 274

2.3 · Konstruktion von Ratingskalen Gestaltungsfrage 5

Beschriftung der Skalenpunkte

Nicht jeder Punkt muss beschriftet werden — entscheidend ist, Ambivalenz zu vermeiden und beide Pole (bei ungerader Anzahl auch die Mitte) eindeutig zu benennen.

Soll jeder Skalenpunkt beschriftet werden — oder reichen einige ausgewählte Punkte?

Alle oder nur einige?

Keine eindeutige Evidenz, dass die Beschriftung aller Punkte besser ist als nur ausgewählter — die Forschung zeigt keinen wesentlichen Unterschied.

Zu viel verwirrt

Zu viele, zu fein differenzierte Labels können Befragte verwirren, wenn sich Begriffe kaum abgrenzen lassen (z. B. „eher positiv" vs. „ziemlich positiv").

Entscheidend: Eindeutigkeit

Ambivalenz vermeiden. Beide Pole klar benennen, bei ungerader Anzahl auch die Mitte — es muss klar sein, welches Kontinuum die Skala abbildet.

Wenig Platz

Reduzierte Beschriftung besonders sinnvoll bei Schiebereglern oder Matrix-Fragen, wo volle Beschriftung schnell unübersichtlich wird.

QUESTIONSTAR · Dr. Paul Marx 62 / 274

2.3 · Konstruktion von Ratingskalen Beschriftung der Skalenpunkte · Varianten

Wie viel beschriften? — Vier Varianten

Dieselbe Frage: „Wie wahrscheinlich kaufen Sie Produkt A erneut?"

Alle Punkte beschriftet

maximale Führung

Sehr unwahrscheinlich

Eher unwahrscheinlich

Weder noch

Eher wahrscheinlich

Sehr wahrscheinlich

Nur Zahlen

minimale Beschriftung

Nur Pole beschriftet

Endpunkte benannt

Sehr unwahrscheinlich

Sehr wahrscheinlich

Pole + Zahlen

Endpunkte benannt, Stufen nummeriert

1Sehr unwahrscheinlich

5Sehr wahrscheinlich

QUESTIONSTAR · Dr. Paul Marx 63 / 274

2.3 · Konstruktion von Ratingskalen Formulierung der Skalenpole

Spitze vs. flache Antwortverteilung

Wie extrem die Endpunkte sprachlich formuliert sind, prägt die Form der Antwortverteilung.

Extreme Pole → spitze Verteilung

äußerst zufriedenüberhaupt nicht zufrieden

Befragte meiden die Extreme — die Antworten bündeln sich in der Mitte.

Moderate Pole → flache Verteilung

zufriedenunzufrieden

Befragte nutzen auch die Endpunkte — die Antworten verteilen sich differenzierter.

Klare Meinungsdifferenzen sichtbar machen, eindeutige Stellungnahmen provozieren → Moderate Pole (flachere Verteilung)

Extreme Meinungen abgrenzen, nur starke Positionen sichtbar machen → Extreme Pole (spitzere Verteilung)

QUESTIONSTAR · Dr. Paul Marx 64 / 274

Kapitel 1 · Teil 2 Sektionsübersicht

Teil

Umfrage: Messung und Skalierung

2.1Einführung

2.2Komparative Skalen

2.3Nicht-komparative Skalen

2.4Latente Konstrukte

2.5Reliabilität und Validität

QUESTIONSTAR · Dr. Paul Marx 65 / 274

2.4 · Latente Konstrukte Multi-Item-Skalen

Latente Konstrukte und Multi-Item-Skalen

Latentes Konstrukt

Ein Sachverhalt (z. B. Kundenzufriedenheit), der nicht direkt beobachtbar bzw. messbar ist.

Das heißt nicht, dass er nicht „existiert" — sondern nur, dass er aus anderen, messbaren Sachverhalten (Indikatoren) erschlossen werden kann.

Beispiel · so wird „Zufriedenheit" abgefragt

zufriedenunzufrieden

erfreutverärgert

vorteilhaftnachteilig

angenehmunangenehm

Ich mochte es sehr… überhaupt nicht

befriedigtfrustriert

hinreißendschrecklich

7 Items · Cronbachs α = 0,84

QUESTIONSTAR · Dr. Paul Marx 66 / 274

2.4 · Latente Konstrukte Konstrukt → Dimensionen → Faktoren → Items → Skala

Latente Konstrukte: Hierarchie der Messung

QUESTIONSTAR · Dr. Paul Marx 67 / 274

2.4 · Latente Konstrukte Vorteile & Beispiele

Multi-Item-Skalen: Vorteile

Vorteile

Möglichkeit zur Beurteilung abstrakter Konzepte
Verschiedene Facetten des Konstruktes können erfasst werden
Reduktion der Datendimensionalität durch Aggregation vieler beobachtbarer Sachverhalte zu einem Modell

Beispiele für latente Konstrukte

Zufriedenheit Loyalität Vertrauen Service-Qualität Kaufabsicht Brand Image Involvement Preiswahrnehmung Benutzerfreundlichkeit

QUESTIONSTAR · Dr. Paul Marx 68 / 274

2.4 · Latente Konstrukte Skala selbst entwickeln — oder übernehmen?

Multi-Item-Skalen: baue oder klaue

Baue

Eine eigene Skala entwickeln

iterativ

Theorieentwicklung

▼

Generierung des anfänglichen Item-Pools
Theorie · Sekundärdaten · qualitative Analyse

▼

Wahl des reduzierten Item-Sets (qualitative Urteile)

▼

Datenerhebung — große Stichprobe

▼

Statistische Analyse

▼

Entwicklung einer bereinigten Skala

▼

Datenerhebung — andere Stichprobe

▼

Beurteilung: Reliabilität, Validität & Generalisierbarkeit

▼

Ableitung der finalen Skala

Klaue

Fertige, validierte Skalen übernehmen

Wo findet man fertige Skalen?

Bruner (2012): „Marketing Scales Handbook", Vol. 6 — eine Sammlung validierter Multi-Item-Maße.
marketingscales.com/research

Sowie führende Fachzeitschriften

JAMS JA JCR JM JMR JR

QUESTIONSTAR · Dr. Paul Marx 69 / 274

2.4 · Latente Konstrukte Anwendung · Kundenloyalität & -bindung

Secure Customer Index

Der Secure Customer Index fasst drei Loyalitäts-Indikatoren zu einer Kennzahl zusammen. Als Secure Customer gilt nur, wer auf allen drei Dimensionen die Top-Stufe (5) wählt — die Schnittmenge. Die Segmente geben jeweils den Anteil (%) der Kunden an.

Zufriedenheit im Allgemeinen

5 — sehr zufrieden

4 — eher zufrieden

3 — weder zufrieden noch unzufrieden

2 — eher unzufrieden

1 — sehr unzufrieden

Bereitschaft zur Weiterempfehlung

5 — werde ganz sicher weiterempfehlen

4 — werde wahrscheinlich weiterempfehlen

3 — unentschieden

2 — werde wahrscheinlich nicht weiterempfehlen

1 — werde ganz sicher nicht weiterempfehlen

Wahrscheinlichkeit der Wiederverwendung

5 — werde ganz sicher weiterverwenden

4 — werde wahrscheinlich wiederverwenden

3 — unentschieden

2 — werde wahrscheinlich nicht wiederverwenden

1 — werde ganz sicher nicht wiederverwenden

Secure Customers

Anteil, der sehr zufrieden ist / ganz sicher wiederverwenden / ganz sicher weiterempfehlen wird.

Günstige Einstellung

Anteil mit mind. der zweitbesten Stufe auf allen drei Dimensionen der Zufriedenheit und Loyalität.

Verletzte Konsumenten

Anteil: eher zufrieden · unentschieden · unentschieden.

Gefährdete Konsumenten

Anteil: eher/nicht zufrieden · wahrscheinlich oder sicher nicht wiederverwenden/weiterempfehlen.

Venn-Diagramm: Secure Customer als Schnittmenge dreier Top-Bewertungen

Sehr zufrieden Werde definitiv wieder nutzen Werde definitiv weiterempfehlen Secure Customer

Quelle: D. Randall Brandt (1996), „Secure Customer Index", Maritz Research

QUESTIONSTAR · Dr. Paul Marx 70 / 274

2.4 · Latente Konstrukte Anwendung · Loyalität über zwei Perioden

Erweiterter Secure Customer Index von Burke Inc.

Burke erweitert den Secure Customer Index um zwei zusätzliche Loyalitäts-Dimensionen (insgesamt fünf) und verknüpft den in Periode 1 gemessenen Loyalitätsindex mit dem tatsächlichen Share of Wallet in Periode 2 — also dem Anteil der Ausgaben, den der Kunde der Marke widmet.

Periode 1

Loyalitätsindex

Periode 2

Share of Wallet
(0 % – 100 %)

Fünf Dimensionen — jeweils erhoben über folgende Frage

Zufriedenheit im Allgemeinen„Wie zufrieden sind Sie mit (MARKE/UNT.) im Allgemeinen?"

Bereitschaft zur Weiterempfehlung„Wenn man Sie bitten würde, ein Unternehmen aus (BRANCHE) zu empfehlen, wie wahrscheinlich ist es, dass Sie (MARKE/UNT.) empfehlen werden?"

Wahrscheinlichkeit des Wiederverkaufs„Wie wahrscheinlich ist es, dass Sie (MARKE/UNT.) weiterverwenden werden?"

Verdiente Loyalität„(MARKE/UNT.) hat meine Loyalität verdient."

Bevorzugtes Unternehmen„Ich ziehe (MARKE/UNT.) allen anderen Anbietern vor."

Quelle: Burke Inc. · http://www.burke.com/

QUESTIONSTAR · Dr. Paul Marx 71 / 274

Kapitel 1 · Teil 2 Sektionsübersicht

Teil

Umfrage: Messung und Skalierung

2.1Einführung

2.2Komparative Skalen

2.3Nicht-komparative Skalen

2.4Latente Konstrukte

2.5Reliabilität und Validität

QUESTIONSTAR · Dr. Paul Marx 72 / 274

2.5 · Reliabilität und Validität Grundmodell der Messung

Das True-Score-Modell

Das Ergebnis der Messung ist nicht der wahre Wert einer Charakteristik, sondern nur eine Beobachtung davon. Messschieber

X_Obeobachtet = X_Twahr + X_Ssystemat. + X_Rzufällig

X_Obeobachteter Wert einer Charakteristik

X_Tder wahre Wert der Charakteristik

X_Ssystematischer Fehler

X_RZufallsfehler

QUESTIONSTAR · Dr. Paul Marx 73 / 274

2.5 · Reliabilität und Validität Zwei Gütekriterien der Messung

Reliabilität und Validität

Reliabilität

Zuverlässigkeit

Gibt an, wie zuverlässig ein Messinstrument misst — d. h. wie konsistent die Ergebnisse bei wiederholten Messungen sind.

Kein Zufallsfehler: X_R ⟶ 0 ⟹ X_O ⟶ X_T + X_S

Maßzahl ist Cronbachs Alpha (0 ≤ α ≤ 1)

Werte von α ≥ 0,7 gelten als akzeptabel

X_O = X_T + X_S + X_R

Validität

Gültigkeit

Gibt an, inwieweit ein Messinstrument auch tatsächlich den Sachverhalt misst, den es messen soll.

Also: inwiefern gemessene Unterschiede tatsächlichen Unterschieden zwischen den Objekten entsprechen (Güte der Messung).

Kein Messfehler: X_S ⟶ 0, X_R ⟶ 0 ⟹ X_O ⟶ X_T

X_O = X_T + X_S + X_R

QUESTIONSTAR · Dr. Paul Marx 74 / 274

2.5 · Reliabilität und Validität Zusammenhang

Zusammenhang zwischen Reliabilität und Validität

Treffer eng gruppiert, aber außerhalb des Zentrums

Reliabel

aber nicht valide

Geringe Reliabilität

geringe Validität

Treffer weit gestreut und außerhalb des Zentrums

Nicht reliabel

nicht valide

Reliabel und valide

das Ziel

✓Validität impliziert Reliabilität.X_O = X_T ⟹ X_S = 0, X_R = 0

✗Nicht-Reliabilität impliziert Nicht-Validität.X_R ≠ 0 ⟹ X_O = X_T + X_R ≠ X_T

✗Aus Reliabilität folgt nicht Validität.X_R = 0, X_S ≠ 0 ⟹ X_O = X_T + X_S ≠ X_T

Reliabilität ist eine notwendige, aber nicht hinreichende Bedingung der Validität.

QUESTIONSTAR · Dr. Paul Marx 75 / 274

2.5 · Reliabilität und Validität Warum beides zählt

Der Zweck einer Skala ist es, uns zu ermöglichen, die Probanden mit der höchsten Genauigkeit und Reliabilität abzubilden. Wir können nicht das Eine ohne das Andere haben und dabei unseren Daten vertrauen.

Bart Gamble Vice President Client Services
Burke, Inc. (2000–2003)

QUESTIONSTAR · Dr. Paul Marx 76 / 274

2.5 · Reliabilität und Validität Anwendung · Eine einzige Frage

Net Promoter Score^® — Prädiktor des Unternehmenswachstums?

„Wie wahrscheinlich ist es, dass Sie Unternehmen/Marke/Produkt X einem Freund, Verwandten oder Kollegen weiterempfehlen werden?"

Kritiker

Passive

Promotoren

Net Promoter Score = % Promotoren − % Kritiker → NPS−100 % … +100 %

5–10 %

Durchschnittliche Unternehmen

45 %

Unternehmen mit offenem Wachstumspotential

50–80 %

Marktführer mit hohem Wachstumspotential

Quelle: Reichheld, Fred (2003) „One Number You Need to Grow", Harvard Business Review

QUESTIONSTAR · Dr. Paul Marx 77 / 274

2.5 · Reliabilität und Validität Net Promoter Score · Warnung

Net Promoter Score^®: Warnung

Obwohl die „Weiterempfehlungs-Frage“ bei weitem die beste Einzelfrage für die Vorhersage von Konsumentenverhalten für eine Reihe von Branchen ist — sie ist nicht die beste Frage für alle Branchen. Deshalb müssen Unternehmen ihre Hausaufgaben machen und die Verbindung zwischen der Antwort und dem darauffolgenden Konsumentenverhalten für ihr Geschäftsfeld empirisch überprüfen.

Fred Reichheld, 2011 Quelle: Reichheld, F. & Markey, R. (2011). The Ultimate Question 2.0. Harvard Business Review Press, S. 50–51.

QUESTIONSTAR · Dr. Paul Marx 78 / 274

Kapitel 3 Sektionsübersicht

Kapitel

Fragebogen

3.1Fragen stellen

3.2Bewältigung der mangelnden Antwortfähigkeit

3.3Bewältigung der mangelnden Antwortbereitschaft

3.4Erhöhung der Antwortbereitschaft

3.5Reihenfolge von Fragen

3.6Wie geht es weiter?

QUESTIONSTAR · Dr. Paul Marx 79 / 274

Kapitel 3 · Fragebogen Definition & Ziele

Fragebogen

Ein Fragebogen ist eine formalisierte Liste von Fragen, die dazu dient, Informationen von Befragten zu erheben.

1Informationsbedarf in ein Set eindeutiger Fragen „übersetzen", die Probanden beantworten können und wollen

2Probanden motivieren, an der Umfrage teilzunehmen und sie abzuschließen

3Antwortfehler minimieren

QUESTIONSTAR · Dr. Paul Marx 80 / 274

3.1 · Fragen stellen Zwei Gegensatzpaare

Fragetechniken und Befragungstaktik

FormGeschlossene
vs. Offene
Fragen

Geschlossen: Auswahl aus vorgegebenen Antwortalternativen.
+ einfach zu analysieren, kein kognitiver Stress
− automatische, nicht durchdachte Antworten
Offen: Antwortalternativen nicht vorgegeben.
+ unbegrenzte Möglichkeiten, beansprucht das Gedächtnis
− komplexe Codierung, Verweigerung möglich

Analysegeschlossen → leicht auswertbar · offen → reichhaltig, aber aufwendig

AnsatzDirekte
vs. Indirekte
Fragen

Direkt: die Frage zielt unmittelbar auf den interessierenden Sachverhalt.
Indirekt: der Sachverhalt wird über eine Umweg-Formulierung erschlossen — schont sensible oder schwer artikulierbare Themen.

Beispieledirekt: „Trinken Sie täglich Alkohol?"
indirekt: „Welche Getränke bevorzugen Sie zu Mahlzeiten?"

QUESTIONSTAR · Dr. Paul Marx 81 / 274

3.1 · Fragen stellen Ein klassisches Experiment

Einfluss der Formulierung auf die Antwort

Frage A

„Darf man beim Beten rauchen?"

→ Antwort: Nein

Frage B

„Darf man beim Rauchen beten?"

→ Antwort: Ja

Gleiche Handlung, andere Formulierung — gegensätzliche Antworten.
Quelle: Noelle-Neumann & Petersen (1998), S. 192 · n = 2100, p < 0,05

Anteil der Antworten (%)

Nein

Unsicher

„Glauben Sie überhaupt an die große Liebe?"

„Glauben Sie an die große Liebe?"

n = 2100, p < 0,05

QUESTIONSTAR · Dr. Paul Marx 82 / 274

3.1 · Fragen stellen Leitfragen

Was soll man bei der Entwicklung eines Fragebogens berücksichtigen?

Ist die Frage notwendig?

Mehrere Fragen statt einer?

Hat der Proband die Information?

Kann der Proband sich erinnern?

Aufwand seitens des Probanden

Sensibilität der Frage

Ziele der Abfragen erklären

Kulturelle Aspekte

Einfach auszufüllen?

Vollständig & umfassend?

Einfluss der Formulierung

QUESTIONSTAR · Dr. Paul Marx 83 / 274

Kapitel 3 Sektionsübersicht

Kapitel

Fragebogen

3.1Fragen stellen

3.2Bewältigung der mangelnden Antwortfähigkeit

3.3Bewältigung der mangelnden Antwortbereitschaft

3.4Erhöhung der Antwortbereitschaft

3.5Reihenfolge von Fragen

3.6Wie geht es weiter?

QUESTIONSTAR · Dr. Paul Marx 84 / 274

3.1 · Fragen stellen Acht Stolperfallen

Fragen stellen

„Nicht jede Frage verdient eine Antwort."

Publius Syrus · Rom, 1. Jh. v. Chr.

Vermeiden Sie …

Mehrdeutigkeit & Unklarheit

Fachsprache, Slang, Abkürzungen

Doppelläufige Fragen

Führende Fragen

Implizite Annahmen

Implizite Alternativen

Hypothesen als Beweis behandeln

Verallgemeinerungen & Schätzungen

QUESTIONSTAR · Dr. Paul Marx 85 / 274

3.1 · Fragen stellen Regel 1 · Mehrdeutigkeit, Verwirrung, Unklarheit

Mehrdeutigkeit, Verwirrung und Unklarheit vermeiden

Die sechs W's

Formulieren Sie die Frage in Bezug auf wer, was, wann, wo, warum und wie. Besonders wichtig: wer, was, wann, wo.

Wegweiser mit Who, What, Where, When, Why, How

✕Beispiel

„Welche Marke von Shampoo nutzen Sie?"

✓Fragen Sie stattdessen

„Welche Marke oder Marken von Shampoo haben Sie persönlich zu Hause während des letzten Monats genutzt? Falls Sie mehr als eine genutzt haben, nennen Sie bitte alle."

QUESTIONSTAR · Dr. Paul Marx 86 / 274

3.1 · Fragen stellen Regel 1 · Analyse

„Welche Marke von Shampoo nutzen Sie?" — was ist unklar?

W	Aspekt	Warum unklar?
Wer	Bezugsperson	Nicht klar, ob nur der Proband selbst oder sein gesamter Haushalt gemeint ist.
Was	Bezugsobjekt	Nicht klar, wie zu antworten ist, falls mehrere Marken genutzt werden.
Wann	Bezugszeitraum	Kein Bezugszeitraum angegeben — heute Morgen, diese Woche oder das ganze Jahr?
Wo	Situation / Ort	Zu Hause, im Fitness-Studio, im Urlaub, auf Geschäftsreise?

QUESTIONSTAR · Dr. Paul Marx 87 / 274

3.1 · Fragen stellen Regel 1 · Vollständige Alternativen

Antwortalternativen vollständig & eindeutig machen

Für Eindeutigkeit statt Mehrdeutigkeit: alle realistischen Situationen mitdenken und passende Antwortalternativen vorbereiten — inkl. „trifft nicht zu" und Filterführung.

✕Beispiel

„Welchen Computertyp besitzen Sie?"

WindowsMac OS

✓Besser

„Welche Computer besitzen Sie?"

keinenWindowsMac OSAnderes

✕Beispiel

„Sind Sie zufrieden mit Ihrer jetzigen Kfz-Versicherung?"

JaNein

✓Noch besser · Filterführung

1. „Haben Sie eine Kfz-Versicherung?" (wenn nein → Frage 3)
2. „Sind Sie zufrieden mit Ihrer jetzigen Kfz-Versicherung?"

QUESTIONSTAR · Dr. Paul Marx 88 / 274

3.1 · Fragen stellen Regel 1 · Eindeutige Skalen

Skalen und Antwortalternativen müssen eindeutig sein

Vage Häufigkeiten

Wörter wie „selten", „manchmal" oder „oft" bedeuten für jeden Probanden etwas anderes. Nutzen Sie konkrete, abgegrenzte Häufigkeitsangaben.

✕Beispiel

„Wie oft kaufen Sie in einem typischen Monat in einem Supermarkt ein?"

NiemalsSeltenManchmalOftRegulär

✓Fragen Sie stattdessen

„Wie oft kaufen Sie in einem typischen Monat in einem Supermarkt ein?"

weniger als 1 Mal1–2 Mal3–4 Malöfter als 4 Mal

QUESTIONSTAR · Dr. Paul Marx 89 / 274

3.1 · Fragen stellen Regel 2 · Einfache Sprache

Fachsprache, Slang und Abkürzungen vermeiden

Einfache Wörter

Verwenden Sie einfache, alltägliche Wörter — keine Fachbegriffe, kein Jargon. Jeder Proband muss die Frage sofort verstehen.

Slang und Abkürzungen: WTF, FYI, LOL, ASAP …

Zwingen Sie den Probanden nicht, sein Gedächtnis und seine mathematischen Fähigkeiten anzustrengen. Fragen Sie die Bausteine ab.

Glas voller Bonbons und ein Taschenrechner — Schätzen großer Zahlen ist unmöglich

✕Beispiel

„Wie hoch sind die jährlichen Pro-Kopf-Ausgaben für Lebensmittel in Ihrem Haushalt?"

✓Fragen Sie stattdessen

1. „Wie viel Geld wird in Ihrem Haushalt monatlich für Lebensmittel ausgegeben?"
2. „Wie viele Mitglieder hat Ihr Haushalt?"

QUESTIONSTAR · Dr. Paul Marx 96 / 274

Kapitel 3 Sektionsübersicht

Kapitel

Fragebogen

3.1Fragen stellen

3.2Bewältigung der mangelnden Antwortfähigkeit

3.3Bewältigung der mangelnden Antwortbereitschaft

3.4Erhöhung der Antwortbereitschaft

3.5Reihenfolge von Fragen

3.6Wie geht es weiter?

QUESTIONSTAR · Dr. Paul Marx 97 / 274

3.2 · Mangelnde Antwortfähigkeit Drei Hürden

Bewältigung der mangelnden Antwortfähigkeit

Ist der Proband informiert?

Hat er die nötige Information überhaupt?

Nachdenkende Person mit Erinnerungs-Symbol

Kann der Proband sich erinnern?

Ist die Information abrufbar?

Kann der Proband artikulieren?

Kann er die Antwort formulieren?

QUESTIONSTAR · Dr. Paul Marx 98 / 274

3.2 · Mangelnde Antwortfähigkeit Hürde 1 · Information

Ist der Proband informiert?

Probanden beantworten Fragen oft, auch wenn sie nicht informiert sind.

Klassisches Experiment: Auf eine Frage zur fiktiven „Zentrale für Verbraucherbeschwerden" antworteten 51,9 % der Anwälte und 75 % der Bevölkerung — obwohl es eine solche Zentrale gar nicht gibt.

Person antwortet, obwohl sie es nicht weiß

✓Gegenmittel 1 · Filter-Fragen

Vorab nach Kenntnis bzw. Einkaufshäufigkeit fragen — z. B. in einer Studie zu 10 Einkaufsläden.

✓Gegenmittel 2 · „Weiß nicht"

Eine „Weiß nicht"-Antwortalternative anbieten, statt Antworten zu erzwingen.

QUESTIONSTAR · Dr. Paul Marx 99 / 274

3.2 · Mangelnde Antwortfähigkeit Hürde 2 · Erinnerung

Kann der Proband sich erinnern?

Erinnerungsfehler

Mangelnde Erinnerung führt zu Weglassen, Telescoping und Schaffung. Fragen Sie nach typischem Verhalten, nicht nach exakten Zählungen.

Gestützte Erinnerung: „Welche der folgenden Marken wurden gestern beworben?" (mit Liste) statt „An welche Werbespots erinnern Sie sich?"

✕Beispiel

„Wie viele Flaschen Erfrischungsgetränke haben Sie in den vergangenen vier Wochen verbraucht?"

✓Fragen Sie stattdessen

„Wie oft trinken Sie Erfrischungsgetränke in einer durchschnittlichen Woche?"

weniger als 1×1–3× pro Woche4–6× pro Woche7× oder öfter

QUESTIONSTAR · Dr. Paul Marx 100 / 274

3.2 · Mangelnde Antwortfähigkeit Hürde 3 · Artikulation

Kann der Proband artikulieren?

Hilfsmittel anbieten

Wer seine Antwort nicht formulieren kann, überspringt die Frage oder bricht ab. Bieten Sie Bilder, Schemata oder Beschreibungen zur Auswahl an.

✕Problem

Bei der Bitte, die Atmosphäre eines Kaufhauses zu beschreiben, haben viele Probanden Schwierigkeiten, ihre Antwort zu formulieren.

✓Lösung

Legt man Probanden alternative Beschreibungen der Atmosphäre vor, können sie diejenige auswählen, die ihnen am meisten gefällt.

QUESTIONSTAR · Dr. Paul Marx 101 / 274

Kapitel 3 Sektionsübersicht

Kapitel

Fragebogen

3.1Fragen stellen

3.2Bewältigung der mangelnden Antwortfähigkeit

3.3Bewältigung der mangelnden Antwortbereitschaft

3.4Erhöhung der Antwortbereitschaft

3.5Reihenfolge von Fragen

3.6Wie geht es weiter?

QUESTIONSTAR · Dr. Paul Marx 102 / 274

3.3 · Mangelnde Antwortbereitschaft Probleme & Gegenmittel

Bewältigung der mangelnden Antwortbereitschaft

Die meisten Probanden mögen es nicht …

viel Zeit und Mühe in die Beantwortung investieren

Fragen beantworten, die im Kontext unangemessen erscheinen

Informationen preisgeben, die ihnen nicht zweckdienlich erscheinen

sensible Informationen offenlegen

Drei Gegenmittel

Kontext verdeutlichen

Zweck erklären

Aufwand reduzieren

QUESTIONSTAR · Dr. Paul Marx 103 / 274

3.3 · Mangelnde Antwortbereitschaft Gegenmittel · Aufwand reduzieren

Aufwand reduzieren

Minimieren Sie den für die Beantwortung erforderlichen Aufwand. Statt frei zu erinnern, lassen Sie aus einer fertigen Liste auswählen.

✕Beispiel

„Bitte nennen Sie alle Abteilungen, bei denen Sie während Ihres letzten Besuchs im Kaufhaus eingekauft haben."

✓Fragen Sie stattdessen

„Bitte kreuzen Sie alle Abteilungen an, bei denen Sie zuletzt eingekauft haben:"

DamenbekleidungHerrenbekleidungKinderbekleidungKosmetik …Andere (bitte angeben) ______

QUESTIONSTAR · Dr. Paul Marx 104 / 274

3.3 · Mangelnde Antwortbereitschaft Gegenmittel · Kontext verdeutlichen

Kontext verdeutlichen

Kontext geben

Manche Fragen erscheinen im falschen Kontext unangemessen. Führen Sie sie mit einem erklärenden Statement ein.

Fragen zu Hygienegewohnheiten wirken in einer medizinischen Umfrage normal — in einer Umfrage über Fast-Food-Restaurants dagegen unpassend.

✓Einleitendes Statement

„Als Fast-Food-Restaurant sind wir bemüht, unseren Kunden eine saubere und hygienische Umgebung zu bieten. Deshalb möchten wir Ihnen nun einige Fragen zu Ihren Hygienegewohnheiten stellen."

QUESTIONSTAR · Dr. Paul Marx 105 / 274

3.3 · Mangelnde Antwortbereitschaft Gegenmittel · Zweck erklären

Zweck erklären

Zweck legitimieren

Erklären Sie, warum die Informationen benötigt werden — sonst wirken sie aufdringlich.

Warum interessiert sich ein Cerealien-Hersteller für Alter, Einkommen und Beruf der Probanden?

✓Informationsanfrage legitimieren

„Um zu verstehen, wie sich der Konsum von Frühstückscerealien zwischen Personen mit verschiedenem Alter, Einkommen und Beruf unterscheidet, benötigen wir von Ihnen noch folgende Informationen …"

QUESTIONSTAR · Dr. Paul Marx 106 / 274

Kapitel 3 Sektionsübersicht

Kapitel

Fragebogen

3.1Fragen stellen

3.2Bewältigung der mangelnden Antwortfähigkeit

3.3Bewältigung der mangelnden Antwortbereitschaft

3.4Erhöhung der Antwortbereitschaft

3.5Reihenfolge von Fragen

3.6Wie geht es weiter?

QUESTIONSTAR · Dr. Paul Marx 107 / 274

3.4 · Erhöhung der Antwortbereitschaft Umgang mit sensiblen Themen

Sensible Themen behandeln

Sensible Themen ans Ende des Fragebogens stellen

Mit dem Statement einleiten, dass das Verhalten nur im Allgemeinen von Interesse ist

Fragen in der dritten Person formulieren (als ob sie andere Menschen betreffen)

Die Frage in einer Gruppe anderer Fragen verstecken

Antwortalternativen vorgeben, statt konkrete Angaben oder Zahlen abzufragen

Sensible Themen

💰 Geld Privat- & Familienleben Politische & religiöse Ansichten Unfälle & Straftaten …

QUESTIONSTAR · Dr. Paul Marx 108 / 274

Kapitel 3 Sektionsübersicht

Kapitel

Fragebogen

3.1Fragen stellen

3.2Bewältigung der mangelnden Antwortfähigkeit

3.3Bewältigung der mangelnden Antwortbereitschaft

3.4Erhöhung der Antwortbereitschaft

3.5Reihenfolge von Fragen

3.6Wie geht es weiter?

QUESTIONSTAR · Dr. Paul Marx 109 / 274

3.5 · Reihenfolge von Fragen Drei Prinzipien

Reihenfolge von Fragen

Eröffnungsfragen

Sollten interessant, einfach und nicht abschreckend sein — sie entscheiden über die weitere Teilnahme.

Informationstyp

Faustregel: zuerst die forschungsrelevanten, dann die Klassifikations- und zuletzt die Identifikationsinformationen abfragen.

Schwierige Fragen

Sensible, peinliche, komplizierte oder mühsame Fragen möglichst weit hinten platzieren.

Sushi-Stücke in fester Reihenfolge auf Stäbchen — Reihenfolge zählt

QUESTIONSTAR · Dr. Paul Marx 110 / 274

3.5 · Reihenfolge von Fragen Ausstrahlungseffekte

Trichterung und Verzweigungslogik

Trichterung (Funneling)

Allgemeines vor Konkretem

1Allgemein zuerst

„Welche Aspekte spielen für Sie bei der Auswahl eines Kaufhauses eine wichtige Rolle?"

2Dann konkret

„Wie wichtig ist Ihnen die Bequemlichkeit der Lage bei der Auswahl eines Kaufhauses?"

Verzweigungslogik

Logische Anordnung

Die Frage, zu der verzweigt wird, möglichst nah an der auslösenden Frage platzieren.

Verzweigungen so anordnen, dass Probanden nicht vorhersehen können, welche Zusatzinfos abgefragt werden.

QUESTIONSTAR · Dr. Paul Marx 111 / 274

3.5 · Reihenfolge von Fragen Beispiel · Verzweigungslogik

Beispiel: Ablaufplan einer Umfrage

Ablaufplan einer Umfrage: Verzweigungslogik vom Kaufverhalten bis zur Kartennutzung

QUESTIONSTAR · Dr. Paul Marx 112 / 274

Kapitel 3 Sektionsübersicht

Kapitel

Fragebogen

3.1Fragen stellen

3.2Bewältigung der mangelnden Antwortfähigkeit

3.3Bewältigung der mangelnden Antwortbereitschaft

3.4Erhöhung der Antwortbereitschaft

3.5Reihenfolge von Fragen

3.6Wie geht es weiter?

QUESTIONSTAR · Dr. Paul Marx 113 / 274

3.6 · Wie geht es weiter? Die Einleitung

Eine überzeugende Einleitung gestalten

Interesse der Probanden wecken

Gründe und Ziele erklären

Probanden um Hilfe bitten

Betonen, dass ihre Unterstützung wertvoll ist

Sagen, wie lange die Umfrage dauert

Anonymität betonen

Anreize schaffen

Vorzugsweise nicht-monetäre Anreize.

QUESTIONSTAR · Dr. Paul Marx 114 / 274

3.6 · Wie geht es weiter? Der wichtigste Schritt

Pretesten! Pretesten! Pretesten!

Testen Sie den Fragebogen vor dem Einsatz an einer kleinen Stichprobe — und prüfen Sie jeden Aspekt:

Inhalt der Fragen Wortlaut / Formulierung Reihenfolge Form & Layout Schwierigkeit der Frage Anleitungen Analyseverfahren

QUESTIONSTAR · Dr. Paul Marx 115 / 274

Kapitel 3 · Fragebogen Zusammenfassung

Zusammenfassung

Ablaufplan

Entwickeln Sie einen Ablaufplan der erforderlichen Informationen — ausgehend vom (Markt-)Forschungsproblem.

Ist die Sequenz ausgelegt, werden die Zusammenhänge klar.

Stimmen Sie die erhobenen Daten auf den Informationsbedarf ab.

Legen Sie für jeden Bereich ein klares Ziel fest — daraus ergeben sich die Fragen.

„Kritikerhut" aufsetzen

Gehen Sie zurück zum Ablaufplan und fragen Sie zu jeder Information:

„Muss ich das wirklich wissen — und weiß ich, was ich damit tue?"

… statt „Wäre schön zu wissen, brauche ich aber nicht unbedingt."

QUESTIONSTAR · Dr. Paul Marx 116 / 274

Kapitel 4 Sektionsübersicht

Kapitel

Stichproben

4.1Nicht-zufällige Stichproben

4.2Zufällige Stichproben

4.3Wahl zwischen zufälligen und nicht-zufälligen Stichproben

4.4Größe der Stichprobe

QUESTIONSTAR · Dr. Paul Marx 117 / 274

Kapitel 4 · Stichproben Warum Sampling zählt

Der berühmteste Schlagzeilenfehler der Welt

Dewey Defeats Truman

1948: Die Chicago Daily Tribune verkündet das falsche Wahlergebnis. Präsident Harry Truman schlägt Thomas Dewey — entgegen aller Umfragen.
Grund: voreingenommene, ungenaue Meinungsumfrage.

QUESTIONSTAR · Dr. Paul Marx 118 / 274

Kapitel 4 · Stichproben Grundbegriffe

Auswahl der Stichprobe (Sampling)

Grundgesamtheit (groß) mit enthaltener Stichprobe

Grundgesamtheit (Population)

Personenkreis, den wir verstehen wollen — oft segmentiert nach demografischen/psychografischen Merkmalen.

Stichprobe (Sample)

repräsentative Teilmenge der Grundgesamtheit

Die meisten Umfragen können nicht jede Person befragen. Stattdessen wird eine Stichprobe gezogen und untersucht — diese Prozedur heißt Sampling.

Ist Sampling richtig gemacht, lassen sich die Umfrageergebnisse auf die ganze Grundgesamtheit übertragen.

Ist die Stichprobe fehlerhaft gezogen, sind alle Daten nutzlos.

QUESTIONSTAR · Dr. Paul Marx 119 / 274

Kapitel 4 · Stichproben Grundbegriffe

Auswahl der Stichprobe (Sampling)

Grundgesamtheit mit Stichprobe und Probanden

Grundgesamtheit (Population)

Personenkreis, den wir verstehen wollen — oft segmentiert nach demografischen/psychografischen Merkmalen.

Stichprobe (Sample)

repräsentative Teilmenge der Grundgesamtheit

Probanden

Menschen, die antworten

Aber nicht alle Ausgewählten antworten auch: Wer tatsächlich teilnimmt, sind die Probanden.

Die Probanden sind eine Teilmenge der Stichprobe — und nur sie liefern am Ende die Daten. Verzerrt sich diese Gruppe, verzerrt sich das Ergebnis.

QUESTIONSTAR · Dr. Paul Marx 120 / 274

Kapitel 4 · Stichproben Zwei grundlegende Methoden

Sampling: Zwei grundlegende Methoden

Methode 1

Nicht-zufällige Auswahl

Die Stichprobe wird nach dem persönlichen Urteil des Forschers gezogen — oft aufs Geratewohl (Convenience Sample, z. B. Passanten im Einkaufszentrum).

In der Regel kostengünstig; erlaubt eine grobe Einschätzung der Populationsparameter.

Aber: Der Stichprobenfehler ist nicht berechenbar → Ergebnisse sind nicht repräsentativ und nicht auf die Grundgesamtheit übertragbar.

Methode 2

Zufällige Auswahl

Die Stichprobe wird nach dem Zufallsprinzip ausgewählt.

Erlaubt statistische Verfahren zur Bestimmung der Genauigkeit der geschätzten Populationsparameter sowie zur Beurteilung ihrer Konfidenzintervalle.

Ergebnisse sind verallgemeinerbar und können auf die Grundgesamtheit übertragen werden.

QUESTIONSTAR · Dr. Paul Marx 121 / 274

Kapitel 4 · Stichproben Übersicht der Verfahren

Stichproben-Auswahlverfahren

Wurzel

Stichproben-Auswahlverfahren

Nicht-zufällige Verfahren

nach Urteil des Forschers

Willkürliche Auswahl Bewusste Auswahl Quotenplan Schneeball-Verfahren

Zufällige Verfahren

nach Zufallsprinzip

Einfache Zufallsstichproben Systematische Zufallsstichproben Klumpenstichproben Andere Verfahren

Geschichtete Zufallsstichproben

Proportioniert Disproportioniert

QUESTIONSTAR · Dr. Paul Marx 122 / 274

Kapitel 4 Sektionsübersicht

Kapitel

Stichproben

4.1Nicht-zufällige Stichproben

4.2Zufällige Stichproben

4.3Wahl zwischen zufälligen und nicht-zufälligen Stichproben

4.4Größe der Stichprobe

QUESTIONSTAR · Dr. Paul Marx 123 / 274

4.1 · Nicht-zufällige Stichproben Verfahren 1

Willkürliche Auswahl

Hand greift wahllos in eine Schale mit Bonbons

Bei der willkürlichen Auswahl (Auswahl aufs Geratewohl) gelangen die Probanden unkontrolliert in die Stichprobe — meist aus Bequemlichkeit. Oft nur, weil sie zur richtigen Zeit am richtigen Ort sind.

Typische Beispiele

Studenten & Mitglieder öffentlicher Organisationen Umfragen in Kaufläden ohne Qualifizierung der Probanden Umfragen auf den Straßen Abriss-Fragebögen in Katalogen und Zeitschriften

QUESTIONSTAR · Dr. Paul Marx 124 / 274

4.1 · Nicht-zufällige Stichproben Verfahren 2

Bewusste Auswahl

Richterhammer auf einem alten Buch — Auswahl nach Urteil

Die bewusste Auswahl ist eine Form der willkürlichen Auswahl, bei der Probanden nach dem Ermessen des Forschers in die Stichprobe gelangen.

Typische Beispiele

Testmärkte Einkaufsingenieure in der industriellen Marktforschung Mütter als „Nutzer" von Windeln

QUESTIONSTAR · Dr. Paul Marx 125 / 274

4.1 · Nicht-zufällige Stichproben Verfahren 3

Quotenplan

Die Stichprobe wird nach vorgegebenen Kontrollmerkmalen (z. B. Geschlecht, Alter, Einkommen) gezogen, sodass sie die Struktur der Grundgesamtheit proportional widerspiegelt. Die Objekte werden meist aufs Geratewohl ausgewählt — sie müssen jedoch den Quotenplan erfüllen.

Kontrollmerkmal	Grundgesamtheit	Stichprobe
Kontrollmerkmal	Anteil %	Anteil %	Anzahl
Geschlecht — männlich	48	48	480
weiblich	52	52	520
Summe	100	100	1000
Alter — 18–30	27	27	270
31–45	39	39	390
45–60	16	16	160
über 60	18	18	180
Summe	100	100	1000

Wird oft in Online-Umfragen verwendet.

QUESTIONSTAR · Dr. Paul Marx 126 / 274

4.1 · Nicht-zufällige Stichproben Verfahren 4

Schneeball-Verfahren auch Ketten-Verfahren

Schneeball rollt einen Hang hinab und wird größer

1Die erste Probandengruppe wird (in der Regel) zufällig ausgewählt.

2Nach dem Interview benennen sie weitere Personen der Zielgruppe.

3Nachfolgende Probanden werden über Weiterempfehlungen ausgewählt.

Gut zur Lokalisierung seltener Eigenschaften: schwer erreichbare Probanden (Staatsangestellte, Geschäftsführer, Obdachlose, Drogenabhängige), selten auftretende Merkmale, Käufer-Verkäufer-Paare in der industriellen Forschung.

QUESTIONSTAR · Dr. Paul Marx 127 / 274

Kapitel 4 Sektionsübersicht

Kapitel

Stichproben

4.1Nicht-zufällige Stichproben

4.2Zufällige Stichproben

4.3Wahl zwischen zufälligen und nicht-zufälligen Stichproben

4.4Größe der Stichprobe

QUESTIONSTAR · Dr. Paul Marx 128 / 274

4.2 · Zufällige Stichproben Fokus

Stichproben-Auswahlverfahren

Wurzel

Stichproben-Auswahlverfahren

Nicht-zufällige Verfahren

nach Urteil des Forschers

Willkürliche Auswahl Bewusste Auswahl Quotenplan Schneeball-Verfahren

Zufällige Verfahren

nach Zufallsprinzip

Erfordern Wissen über die Zusammensetzung der Grundgesamtheit

Einfache Zufallsstichproben Systematische Zufallsstichproben Klumpenstichproben Andere Verfahren

Geschichtete Zufallsstichproben

Proportioniert Disproportioniert

QUESTIONSTAR · Dr. Paul Marx 129 / 274

4.2 · Zufällige Stichproben Setzt Wissen über die Grundgesamtheit voraus

Einfache und systematische Zufallsstichproben

Einfache Zufallsstichproben

Jedes Element wird unabhängig von allen anderen ausgewählt. Das bedeutet:
Jedes Element der Grundgesamtheit hat eine bekannte und gleiche Wahrscheinlichkeit, ausgewählt zu werden.
Jede mögliche Stichprobe der Größe n hat eine bekannte Wahrscheinlichkeit, tatsächlich gezogen zu werden.

Wähle zufällig

AbolinaTirza

BernhardtCarina

BerzHelena

BoeckNicola

DollaseMiriam

FränzelCarolin

FrostAnnika

GoetzeAnika

JähelFelix

JankNadja

KeitzlInga

KroppJanine

KubitzkyVictoria

LangenEduard

Systematische Zufallsstichproben

Zunächst wird ein Startelement zufällig ausgewählt; anschließend wird jedes i-te Element aus dem Stichprobenplan gezogen.
Der Abstand i ergibt sich aus dem Umfang der Grundgesamtheit N zum Umfang der Stichprobe n: i = N / n

Starte hier, dann jedes i-te

AbolinaTirza

iBernhardtCarina

BerzHelena

BoeckNicola

iDollaseMiriam

FränzelCarolin

FrostAnnika

iGoetzeAnika

GrothCarolin

JähelFelix

iJankNadja

KeitzlInga

KroppJanine

KubitzkyVictoria

QUESTIONSTAR · Dr. Paul Marx 130 / 274

4.2 · Zufällige Stichproben Setzt Wissen über die Grundgesamtheit voraus

Geschichtete Zufallsstichproben

11012

246

7811

359

→

Stichprobe

210

Die Grundgesamtheit wird zunächst in nicht-überlappende Schichten (Stratas) aufgeteilt. Anschließend wird aus jeder Schicht ein (dis-)proportionaler Anteil zufällig gezogen. Elemente einer Schicht sollten einander ähnlich sein.

Gut für

Hervorheben einer bestimmten Subgruppe in der Grundgesamtheit Beobachtung von Zusammenhängen zwischen zwei oder mehr Subgruppen Repräsentative Ziehung auch kleinster und unzugänglichster Subgruppen Höhere statistische Genauigkeit

Proportioniert

Schicht	A	B	C
Umfang der Grundgesamtheit	100	200	300
Stichprobenanteil	½	½	½
Stichprobengröße	50	100	150

Disproportioniert

Schicht	A	B	C
Umfang der Grundgesamtheit	100	200	300
Stichprobenanteil	⅕	½	⅓
Stichprobengröße	20	100	100

QUESTIONSTAR · Dr. Paul Marx 131 / 274

4.2 · Zufällige Stichproben Setzt Wissen über die Grundgesamtheit voraus

Klumpenstichproben auch Cluster-Stichproben

12 34 56 78 910 1112

Aufteilung der Grundgesamtheit

→

56 1112

Stichprobe — 2 Cluster

Die Grundgesamtheit wird in exklusive Klumpen (Cluster) aufgeteilt. Anschließend werden zufällig ganze Cluster ausgewählt, die im vollen Umfang in die Stichprobe gelangen.

Pro Cluster werden entweder alle Elemente (einstufig) oder eine zufällige Teilstichprobe (zweistufig) gezogen.

Gut für

Abdecken großer geographischer Gebiete Reduktion von (Umfrage-)Kosten Wenn eine vollständige Elementliste schwer zu erstellen ist Wenn die Grundgesamtheit aus natürlichen Clustern besteht (Blöcke, Städte, Schulen, Krankenhäuser …)

QUESTIONSTAR · Dr. Paul Marx 132 / 274

Kapitel 4 Sektionsübersicht

Kapitel

Stichproben

4.1Nicht-zufällige Stichproben

4.2Zufällige Stichproben

4.3Wahl zwischen zufälligen und nicht-zufälligen Stichproben

4.4Größe der Stichprobe

QUESTIONSTAR · Dr. Paul Marx 133 / 274

4.3 · Wahl zwischen zufälligen und nicht-zufälligen Stichproben Gegenüberstellung aller Verfahren

Stärken und Schwächen von Stichproben-Auswahlverfahren

Verfahren	Stärken	Schwächen
Nicht-zufällige Auswahlverfahren
Willkürliche Auswahl	Am günstigsten, am wenigsten zeitaufwendig, am bequemsten	Fehlerbehaftet, nicht repräsentativ; nicht empfohlen für deskriptive und kausale Forschung
Bewusste Auswahl	Niedrige Kosten, bequem, nicht zeitaufwendig	Subjektiv, Ergebnisse nicht verallgemeinerbar
Quotenplan	Bestimmte Charakteristiken der Stichprobe können kontrolliert werden	Fehlerbehaftet, keine Garantie der Repräsentativität
Schneeball-Verfahren	Ermöglicht Einschätzung seltener Eigenschaften	Zeitaufwendig in der Feldforschung
Zufällige Auswahlverfahren
Einfache Zufallsstichproben	Leicht verständlich; verallgemeinerbare bzw. repräsentative Ergebnisse	Stichprobenplan schwer zu konstruieren, teuer, geringere Genauigkeit; keine Garantie der Repräsentativität
Systematische Zufallsstichproben	Kann Repräsentativität erhöhen; einfacher umzusetzen als einfache Zufallsauswahl	Kann die Repräsentativität abschwächen
Geschichtete Zufallsstichproben	Enthält alle wichtigen Subgruppen der Grundgesamtheit; hohe Genauigkeit	Relevante Aufteilungskriterien schwer auszuwählen; mehrere Kriterien nicht praktikabel; teuer
Klumpenstichproben	Einfach umzusetzen, kosteneffizient	Ungenau; komplizierte Berechnung und Interpretation der Ergebnisse

QUESTIONSTAR · Dr. Paul Marx 134 / 274

Kapitel 4 Sektionsübersicht

Kapitel

Stichproben

4.1Nicht-zufällige Stichproben

4.2Zufällige Stichproben

4.3Wahl zwischen zufälligen und nicht-zufälligen Stichproben

4.4Größe der Stichprobe

QUESTIONSTAR · Dr. Paul Marx 135 / 274

4.4 · Größe der Stichprobe Qualitative Aspekte statt Populationsgröße

Bestimmung der Stichprobengröße

Die Stichprobengröße hängt nicht von der Größe der Grundgesamtheit ab — sie wird durch die qualitativen Aspekte der Studie bestimmt:

Gewünschte Genauigkeit der Vorhersagen

Kenntnis über die Parameter der Grundgesamtheit

Anzahl von Variablen

Typ der Analyse

Wichtigkeit der Entscheidung

Rücklauf- und Abbruchsquoten

Ressourceneinschränkungen

Eine Menschenmenge formt die Silhouette einer kraftvollen Figur — viele Befragte ergeben eine belastbare Stichprobe.

QUESTIONSTAR · Dr. Paul Marx 136 / 274

4.4 · Größe der Stichprobe Richtwerte aus der Praxis

Typische Stichprobengrößen in der Marktforschung

Typ der Studie	Minimaler Umfang	Typischer Umfang
Problemidentifizierungs-Studien (z. B. Marktpotenzial)	500	1.000 – 2.000
Problemlösungs-Studien (z. B. Preissetzung)	200	300 – 500
Produkttests	200	300 – 500
Studien auf den Testmärkten	200	300 – 500
TV-/Radio-/Print-Werbung (pro Anzeige)	150	200 – 300
Audit von Test-Märkten	10 Geschäfte	10 – 20 Geschäfte
Focus-Gruppen	6 Gruppen	10 – 15 Gruppen

QUESTIONSTAR · Dr. Paul Marx 137 / 274

4.4 · Größe der Stichprobe Vom Ergebnis zur Genauigkeitsfrage

Ein Umfrageergebnis — und wie sicher ist es?

„Aus welchen Quellen beziehen Sie bevorzugt Ihre Informationen?" (n = 48.804)

Social Media32 %

Suchmaschinen24 %

News-Apps & Online-Portale18 %

Fernsehen12 %

Freunde & Bekannte9 %

Print (Zeitung/Magazin)5 %

32 %

nennen Social Media als Haupt-Informationskanal.

Aber wie nah ist dieser Wert am wahren Wert in der Grundgesamtheit?

Die Antwort liefert die Fehlerspanne — und sie bestimmt den nötigen Stichprobenumfang.

QUESTIONSTAR · Dr. Paul Marx 138 / 274

4.4 · Größe der Stichprobe Definition

Ansatz der Fehlerspanne zur Bestimmung des Stichprobenumfangs

Fehlerspanne

Fehlerspanne ist das Maß der Genauigkeit einer Umfrage.

Je kleiner die Fehlerspanne, desto genauer sind die Schätzungen der Umfrage.

Ergebnis mit Fehlerspanne

31,55 %

32,45 %

32 %

Fehlerspanne ± 0,45 Prozentpunkte

QUESTIONSTAR · Dr. Paul Marx 139 / 274

4.4 · Größe der Stichprobe Fehlerspanne berechnen

Ansatz der Fehlerspanne: zwei Formeln

x = echter Wert des Parameters x̂ = Stichprobenwert E = Fehlerspanne

Für metrische Daten

Mittelwerte

Beurteilung der auf der Stichprobe errechneten Mittelwerte

zz-Wert für das vorgegebene Vertrauensniveau

σStandardabweichung des Parameters in der Grundgesamtheit

nUmfang der Stichprobe

Für Anteile

Verhältnisse

Beurteilung errechneter Verhältnisse (Proportionen)

zz-Wert für das vorgegebene Vertrauensniveau

πSchätzwert für die Proportion in der Grundgesamtheit

nUmfang der Stichprobe

QUESTIONSTAR · Dr. Paul Marx 140 / 274

4.4 · Größe der Stichprobe Das Problem der unbekannten Streuung

Ansatz der Fehlerspanne: zwei Formeln

x = echter Wert des Parameters x̂ = Stichprobenwert E = Fehlerspanne

Für metrische Daten

Mittelwerte

Beurteilung der auf der Stichprobe errechneten Mittelwerte

Meistens unbekannt E = z · σ / Wurzel n — σ markiert

zz-Wert für das vorgegebene Vertrauensniveau

σStandardabweichung des Parameters in der Grundgesamtheit

nUmfang der Stichprobe

Für Anteile

Verhältnisse

Beurteilung errechneter Verhältnisse (Proportionen)

Meistens unbekannt E = z · Wurzel aus pi(1-pi)/n — Zähler markiert

zz-Wert für das vorgegebene Vertrauensniveau

πSchätzwert für die Proportion in der Grundgesamtheit

nUmfang der Stichprobe

QUESTIONSTAR · Dr. Paul Marx 141 / 274

4.4 · Größe der Stichprobe Worst-Case-Annahme π = 0,5

Ansatz der Fehlerspanne: zwei Formeln

x = echter Wert des Parameters x̂ = Stichprobenwert E = Fehlerspanne

Für metrische Daten

Mittelwerte

Beurteilung der auf der Stichprobe errechneten Mittelwerte

Meistens unbekannt E = z · σ / Wurzel n — σ markiert

zz-Wert für das vorgegebene Vertrauensniveau

σStandardabweichung des Parameters in der Grundgesamtheit

nUmfang der Stichprobe

Für Anteile

Verhältnisse

Beurteilung errechneter Verhältnisse (Proportionen)

Meistens unbekannt E = z · Wurzel aus pi(1-pi)/n — Zähler rot und grün markiert

Maximal bei π = 0,5

zz-Wert für das vorgegebene Vertrauensniveau

πSchätzwert für die Proportion in der Grundgesamtheit

nUmfang der Stichprobe

QUESTIONSTAR · Dr. Paul Marx 142 / 274

4.4 · Größe der Stichprobe Ansatz der Fehlerspanne

z-Werte und maximale Fehlerspanne

z-Werte

1,96 für 95 % Vertrauensniveau

2,58 für 99 % Vertrauensniveau

Maximale Fehlerspanne für 95 % Vertrauensniveau

Mit z = 1,96 und dem Maximum π = 0,5 vereinfacht sich die Formel zu:

E = z · Wurzel(π(1−π)/n) = 1,96 · Wurzel(0,5(1−0,5)/n) ≈ 1/Wurzel(n)

… die obere Grenze des Fehlers — unabhängig vom tatsächlichen Anteil π.

QUESTIONSTAR · Dr. Paul Marx 143 / 274

4.4 · Größe der Stichprobe Wie genau ist diese Zahl?

Wie hoch ist die Fehlerspanne?

„Aus welchen Quellen beziehen Sie bevorzugt Ihre Informationen?"

32 % nennen Social Media als Haupt-Informationskanal

Stichprobe 48.804 Befragte

Fehlerspanne = 1 geteilt durch Wurzel n

48.804 Probanden in der Stichprobe

√48.804 = 220,916 ≈ 221

1 / 221 = 0,0045

· 100 = 0,45 %

⇒ x = 32 % ± 0,45 %

⇒ von 31,55 % bis 32,45 %

Berechnungen zeigen approximierte Werte für 95 % Vertrauensniveau

QUESTIONSTAR · Dr. Paul Marx 144 / 274

4.4 · Größe der Stichprobe Ansatz der Fehlerspanne

Wie groß muss die Stichprobe sein?

Je höher die gewünschte Genauigkeit, desto größer muss die Stichprobe sein.

± 1 %

n = (1 / 0,01)² = 100²

10.000

± 2 %

n = (1 / 0,02)² = 50²

2.500

± 5 %

n = (1 / 0,05)² = 20²

400

± 10 %

n = (1 / 0,1)² = 10²

100

Doppelte Genauigkeit kostet die vierfache Stichprobe. Der Umfang hängt nicht von der Größe der Grundgesamtheit ab.

Berechnungen zeigen approximierte Werte für 95 % Vertrauensniveau

QUESTIONSTAR · Dr. Paul Marx 145 / 274

4.4 · Größe der Stichprobe Sonderfall

Was, wenn die Grundgesamtheit klein ist?

Für eine Fehlerspanne von ± 1 % bräuchte man:

n = (1 / 0,01)² = 100²

10.000

Was aber, wenn die Grundgesamtheit nur 100 Elemente umfasst? (z. B. Autohersteller)

Faustregel

Ist die Stichprobe größer als 10 % der Grundgesamtheit, sind Korrekturen notwendig.

Sonst überschätzt die Formel den nötigen Umfang — die endliche Grundgesamtheit verringert den tatsächlichen Stichprobenfehler.

Berechnungen zeigen approximierte Werte für 95 % Vertrauensniveau

QUESTIONSTAR · Dr. Paul Marx 146 / 274

4.4 · Größe der Stichprobe Endlichkeitskorrektur

Korrektur des Stichprobenumfangs

n_korr = n · N n + N − 1

n_korrkorrigierter Umfang der Stichprobe

n(unkorrigierter) Umfang der Stichprobe

NUmfang der Grundgesamtheit

Beispiel · N = 100

Rechnerisch nötig wären n = 10.000 — bei nur 100 Elementen in der Grundgesamtheit:

n_korr = (10.000 · 100) / (10.000 + 100 − 1)
= 1.000.000 / 10.099 ≈ 99

Mehr als die Grundgesamtheit kann man nicht befragen — die Korrektur bringt den Umfang auf ein realistisches Maß.

Berechnungen zeigen approximierte Werte für 95 % Vertrauensniveau

QUESTIONSTAR · Dr. Paul Marx 147 / 274

4.4 · Größe der Stichprobe Korrektur in der Praxis

Korrektur bei kleiner Grundgesamtheit: ± 1 %

n_korr=n · Nn + N − 1

Rechnerisch nötig

n = (1 / 0,01)² = 100²

10.000

… bei nur N = 100 Elementen in der Grundgesamtheit.

→

Korrigiert

n_korr = (10.000 · 100) / (10.000 + 100 − 1)
= 1.000.000 / 10.099

≈ 99

Berechnungen zeigen approximierte Werte für 95 % Vertrauensniveau

QUESTIONSTAR · Dr. Paul Marx 148 / 274

4.4 · Größe der Stichprobe Korrektur in der Praxis

Korrektur bei kleiner Grundgesamtheit: ± 5 %

n_korr=n · Nn + N − 1

Rechnerisch nötig

n = (1 / 0,05)² = 20²

400

… bei nur N = 100 Elementen in der Grundgesamtheit.

→

Korrigiert

n_korr = (400 · 100) / (400 + 100 − 1)
= 40.000 / 499

≈ 80

Berechnungen zeigen approximierte Werte für 95 % Vertrauensniveau

QUESTIONSTAR · Dr. Paul Marx 149 / 274

4.4 · Größe der Stichprobe Korrektur in der Praxis

Korrektur bei kleiner Grundgesamtheit: ± 10 %

n_korr=n · Nn + N − 1

Rechnerisch nötig

n = (1 / 0,1)² = 10²

100

… bei nur N = 100 Elementen in der Grundgesamtheit.

→

Korrigiert

n_korr = (100 · 100) / (100 + 100 − 1)
= 10.000 / 199

≈ 50

Berechnungen zeigen approximierte Werte für 95 % Vertrauensniveau

QUESTIONSTAR · Dr. Paul Marx 150 / 274

4.4 · Größe der Stichprobe Begriffe

Konfidenzintervall und Vertrauensniveau

Konfidenzintervall

Ein geschätzter Zahlenbereich zusammen mit der Angabe der Wahrscheinlichkeit, dass dieser Bereich den unbekannten Parameterwert enthält.

Vertrauensniveau

Der erwartete Anteil der Intervalle, die bei vielen Stichprobenziehungen den Parameterwert enthalten.

Beispiel · Arbeitsstunden

Stichprobe von 30 Personen → Ø 7,5 h. Konfidenzintervall: 7,2 – 7,8 h (Fehlerspanne ± 0,3).

95 % Vertrauensniveau heißt: Würde man die Messung 100-mal mit neuen Stichproben wiederholen, läge der echte Durchschnitt in 95 Fällen in diesem Bereich.

Viele Stichproben · 95 % treffen μ

Jeder Balken = ein Konfidenzintervall. Rot = verfehlt den wahren Wert.

QUESTIONSTAR · Dr. Paul Marx 151 / 274

4.4 · Größe der Stichprobe Zusammenhang

Konfidenzintervall, Fehlerspanne und Stichprobenumfang

Je höhere Sicherheit (Vertrauenswahrscheinlichkeit) wir brauchen, desto breiter wird das Konfidenzintervall — und desto höher die Fehlerspanne.

1,96

für 95 %

→ Fehlerspanne ≈ 1 / √n

2,58

für 99 %

→ Fehlerspanne ≈ 1,29 / √n

Mehr Sicherheit → größerer z-Wert → für dieselbe Genauigkeit braucht man eine größere Stichprobe.

95 %

E = 1,96 · Wurzel(0,5(1−0,5)/n) = 1/Wurzel(n)

99 %

E = 2,58 · Wurzel(0,5(1−0,5)/n) = 1,29/Wurzel(n)

QUESTIONSTAR · Dr. Paul Marx 152 / 274

4.4 · Größe der Stichprobe Zum Mitnehmen

Was die Fehlerspanne-Formel uns sagt

n ↑

senkt E

z ↑

hebt E

Der einzige Hebel, um die Fehlerspanne zu senken, ist ein größeres n — alles andere ist vorgegeben.

Mehr Sicherheit heißt größeres z → die Fehlerspanne wächst → man braucht ein noch größeres n, um sie wieder zu drücken.

Kleinere Fehlerspannen erfordern größere Stichproben.

Höhere Vertrauensniveaus erfordern größere Stichproben.

QUESTIONSTAR · Dr. Paul Marx 153 / 274

Kapitel 5 · Datenanalyse Sektionsübersicht

Kapitel

Datenanalyse

5.1Deskriptive Statistik: Darstellung und Präsentation von Daten

5.1.1Zusammenfassung qualitativer Daten

5.1.2Zusammenfassung quantitativer Daten

5.1.3Numerische Zusammenfassung von Daten

5.1.4Kreuztabellen

5.2Induktive Statistik: Übertragbarkeit auf die Grundgesamtheit

5.2.1Hypothesentest

5.2.2Stärke des Zusammenhangs in Kreuztabellen

5.2.3Beziehung zwischen zwei (metrischen) Variablen

QUESTIONSTAR · Dr. Paul Marx 154 / 274

Kapitel 5 · Datenanalyse Zwei Grundtypen

Typen von statistischen Analysemethoden

Typ 1

Deskriptive Statistik

Fasst die Beobachtungen aus der Stichprobe zusammen und stellt sie übersichtlich dar.

Nutzt Kennzahlen, Tabellen, Grafiken und Diagramme zur Beschreibung, Systematisierung, Organisation und Darstellung der erhobenen Daten.

Typ 2

Induktive Statistik

Macht Aussagen über die Generalisierbarkeit von Beobachtungen und Schlussfolgerungen aus Zufallsstichproben auf die Grundgesamtheit.

Beurteilt Beziehungen zwischen Variablen und quantifiziert sie: Stärke und Signifikanz, Vorhersagen und Schätzungen.

QUESTIONSTAR · Dr. Paul Marx 155 / 274

Kapitel 5 · Datenanalyse Sektionsübersicht

Kapitel

Datenanalyse

5.1Deskriptive Statistik: Darstellung und Präsentation von Daten

5.1.1Zusammenfassung qualitativer Daten

5.1.2Zusammenfassung quantitativer Daten

5.1.3Numerische Zusammenfassung von Daten

5.1.4Kreuztabellen

5.2Induktive Statistik: Übertragbarkeit auf die Grundgesamtheit

5.2.1Hypothesentest

5.2.2Stärke des Zusammenhangs in Kreuztabellen

5.2.3Beziehung zwischen zwei (metrischen) Variablen

QUESTIONSTAR · Dr. Paul Marx 156 / 274

Kapitel 5 · Datenanalyse Sektionsübersicht

Kapitel

Datenanalyse

5.1Deskriptive Statistik: Darstellung und Präsentation von Daten

5.1.1Zusammenfassung qualitativer Daten

5.1.2Zusammenfassung quantitativer Daten

5.1.3Numerische Zusammenfassung von Daten

5.1.4Kreuztabellen

5.2Induktive Statistik: Übertragbarkeit auf die Grundgesamtheit

5.2.1Hypothesentest

5.2.2Stärke des Zusammenhangs in Kreuztabellen

5.2.3Beziehung zwischen zwei (metrischen) Variablen

QUESTIONSTAR · Dr. Paul Marx 157 / 274

5.1.1 · Zusammenfassung qualitativer Daten Tabellen

Häufigkeiten und relative Häufigkeiten

Erhobene Daten · Lieblingsfarbe (n = 26)

Häufigkeitsverteilung gibt zu jedem Wert an, wie oft er in den Daten vorkommt.

Relative Häufigkeit zeigt den Anteil (bzw. Prozent) der Beobachtungen eines Wertes.

Lieblingsfarbe	Häufigkeit	Relative Häufigkeit
blau	10	10/26 ≈ 0,38
rot	3	3/26 ≈ 0,12
orange	1	1/26 ≈ 0,04
gelb	3	3/26 ≈ 0,12
grün	5	5/26 ≈ 0,19
rosa	3	3/26 ≈ 0,12
lila	1	1/26 ≈ 0,04
Gesamt	26	1,00

QUESTIONSTAR · Dr. Paul Marx 158 / 274

5.1.1 · Zusammenfassung qualitativer Daten Grafische Darstellung

Säulendiagramm

Säulenhöhe = Häufigkeit oder relative Häufigkeit

Säulen dürfen sich nicht berühren

Absolute Häufigkeiten

Lieblingsfarbe

Relative Häufigkeiten

0,38

0,12

0,04

0,12

0,19

0,12

0,04

Lieblingsfarbe

QUESTIONSTAR · Dr. Paul Marx 159 / 274

5.1.1 · Zusammenfassung qualitativer Daten Grafische Darstellung

Kreisdiagramm

Lieblingsfarbe

blau38 %

rot12 %

orange4 %

gelb12 %

grün19 %

rosa12 %

lila4 %

Sollte immer relative Häufigkeiten angeben.

Braucht Beschriftungen — direkt am Diagramm oder in der Legende.

QUESTIONSTAR · Dr. Paul Marx 160 / 274

Kapitel 5 · Datenanalyse Sektionsübersicht

Kapitel

Datenanalyse

5.1Deskriptive Statistik: Darstellung und Präsentation von Daten

5.1.1Zusammenfassung qualitativer Daten

5.1.2Zusammenfassung quantitativer Daten

5.1.3Numerische Zusammenfassung von Daten

5.1.4Kreuztabellen

5.2Induktive Statistik: Übertragbarkeit auf die Grundgesamtheit

5.2.1Hypothesentest

5.2.2Stärke des Zusammenhangs in Kreuztabellen

5.2.3Beziehung zwischen zwei (metrischen) Variablen

QUESTIONSTAR · Dr. Paul Marx 161 / 274

5.1.2 · Zusammenfassung quantitativer DatenTabellen

Tabellen

Erhobene Daten

22245333321235343123532132

Anzahl der Kinder	Häufigkeit	Relative Häufigkeit
1	3	3/26 ≈ 0,12
2	8	8/26 ≈ 0,31
3	10	10/26 ≈ 0,38
4	2	2/26 ≈ 0,08
5	3	3/26 ≈ 0,12

Diskrete Variable ist eine quantitative Variable, die entweder eine endliche Anzahl von Werten oder eine unendlich abzählbare Anzahl von Werten (z. B. 0, 1, 2, 3, …) hat.

Manchmal gibt es zu viele Werte, um für jeden Wert eine Zeile zu erstellen. Dann fasst man mehrere Werte zu Gruppen (Klassen) zusammen.

Erhobene Daten

62876758959491695276828591607772837963887988707575

	Punkte in der Prüfung	Häufigkeit
Untere Klassengrenze →	50–59	2
Obere Klassengrenze →	60–69	5
	70–79	7
Klassenbreite = 90 − 80 = 10 →	80–89	7
Klassenbreite = 90 − 80 = 10 →	90–99	4

QUESTIONSTAR · Dr. Paul Marx162 / 274

5.1.2 · Zusammenfassung quantitativer DatenVon der Tabelle zum Histogramm

Tabellen und Histogramme

Anzahl der Kinder	Häufigkeit	Relative Häufigkeit
1	3	3/26 ≈ 0,12
2	8	8/26 ≈ 0,31
3	10	10/26 ≈ 0,38
4	2	2/26 ≈ 0,08
5	3	3/26 ≈ 0,12

→

∅ Zeit unterwegs	Häufigkeit	Relative Häufigkeit
16–17,9	1	1/15 ≈ 0,07
18–19,9	2	2/15 ≈ 0,13
20–21,9	1	1/15 ≈ 0,07
22–23,9	6	6/15 ≈ 0,40
24–25,9	2	2/15 ≈ 0,13
26–27,9	1	1/15 ≈ 0,07
28–29,9	1	1/15 ≈ 0,07
30–31,9	1	1/15 ≈ 0,07

→

Durchschnittliche Zeit unterwegs

QUESTIONSTAR · Dr. Paul Marx163 / 274

5.1.2 · Zusammenfassung quantitativer DatenGrafische Darstellung

Histogramm

Ein Histogramm stellt eine klassierte Häufigkeitsverteilung grafisch dar.

Die Höhe jeder Säule entspricht der Häufigkeit (oder relativen Häufigkeit) der Klasse.

Die Breiten sind gleich und die Säulen berühren einander — anders als beim Balkendiagramm.

Durchschnittliche Zeit unterwegs

QUESTIONSTAR · Dr. Paul Marx164 / 274

5.1.2 · Zusammenfassung quantitativer DatenGrafische Darstellung

Frequenz-Polygonzug

Markiere den Mittelpunkt oben auf jeder Säule des Histogramms.

Verbinde die Mittelpunkte mit geraden Linien.

Führe die Linie an beiden Enden auf Null zurück — fertig ist der Polygonzug.

Durchschnittliche Zeit unterwegs

QUESTIONSTAR · Dr. Paul Marx165 / 274

5.1.2 · Zusammenfassung quantitativer DatenGrafische Darstellung

Kumulative Tabellen und Ogiven

Kumulative Tabelle

zeigt die Summe der Häufigkeiten bis hin und einschließlich der jeweiligen Zeile.

Ogive

ist der Graph der kumulierten relativen Häufigkeit über alle Klassen.

∅ Zeit unterwegs · jede Zeile addiert die vorige relative Häufigkeit

∅ Zeit	Relative Häufigkeit	Kumulierte rel. Häufigkeit
16–17,9	1/15 ≈ 0,07	0,07
18–19,9	2/15 ≈ 0,13	0,07+0,13 0,20
20–21,9	1/15 ≈ 0,07	0,20+0,07 0,27
22–23,9	6/15 ≈ 0,40	0,27+0,40 0,67
24–25,9	2/15 ≈ 0,13	0,67+0,13 0,80
26–27,9	1/15 ≈ 0,07	0,80+0,07 0,87
28–29,9	1/15 ≈ 0,07	0,87+0,07 0,94
30–31,9	1/15 ≈ 0,07	0,94+0,07 1,00

→

Durchschnittliche Zeit unterwegs

QUESTIONSTAR · Dr. Paul Marx166 / 274

Kapitel 5 · Datenanalyse Sektionsübersicht

Kapitel

Datenanalyse

5.1Deskriptive Statistik: Darstellung und Präsentation von Daten

5.1.1Zusammenfassung qualitativer Daten

5.1.2Zusammenfassung quantitativer Daten

5.1.3Numerische Zusammenfassung von Daten

5.1.4Kreuztabellen

5.2Induktive Statistik: Übertragbarkeit auf die Grundgesamtheit

5.2.1Hypothesentest

5.2.2Stärke des Zusammenhangs in Kreuztabellen

5.2.3Beziehung zwischen zwei (metrischen) Variablen

QUESTIONSTAR · Dr. Paul Marx167 / 274

5.1.3 · Numerische ZusammenfassungLagemaße

Lagemaße

Mittelwert

Vorteile

Einfach zu berechnen: nur aufsummieren und teilen.

Intuitiv – eine Zahl „in der Mitte“; wird von großen Werten nach oben, von kleinen nach unten gezogen.

Nachteile

Kann durch Ausreißer verzogen werden – schlecht bei stark variierenden Daten.

Der Mittelwert von 100, 200 und −300 ist 0. Das ist verwirrend.

Summe einzelner ElementeSumme durchschnittlicher Elemente

Mittelwert ist der „Schwerpunkt“ –
ganz wie der Gleichgewichtspunkt

QUESTIONSTAR · Dr. Paul Marx168 / 274

5.1.3 · Numerische ZusammenfassungLagemaße

Lagemaße

Median

x̃ = x_(n+1)/2 für ungerade n; ½(x_n/2 + x_n/2+1) für gerade n

für ungerade nfür gerade n

Vorteile

Kann gut mit Ausreißern umgehen – oft die genaueste Abbildung einer Gruppe.

Teilt die Daten in zwei gleich große Gruppen.

Nachteile

Schwieriger zu berechnen: Daten müssen zuvor sortiert werden.

Weniger bekannt; viele verwechseln „Median“ mit „Durchschnitt“.

Median ist das Element in der Mitte
einer sortierten Liste

QUESTIONSTAR · Dr. Paul Marx169 / 274

5.1.3 · Numerische ZusammenfassungLagemaße

Lagemaße

Modalwert

Vorteile

Gut für exklusive Auswahl (diese oder andere; keine Kompromisse) – funktioniert mit nominalen Daten.

Zeigt die Wahl, die die meisten wollten (der Mittelwert führt oft zu einer Wahl, die keiner wollte).

Einfach zu verstehen.

Nachteile

Erfordert mehr Aufwand: man muss die Stimmen zählen.

„Der Sieger nimmt alles“ — es gibt keinen Mittelweg.

Modalwert ist der häufigste Wert
unter allen Beobachtungen der Variable

Modalwert von

ist

QUESTIONSTAR · Dr. Paul Marx170 / 274

5.1.3 · Numerische ZusammenfassungLagemaße

Lagemaße: Mittelwert und Median bestimmen die Form der Verteilung

linksschief

symmetrisch

rechtsschief

QUESTIONSTAR · Dr. Paul Marx171 / 274

5.1.3 · Numerische ZusammenfassungStreuungsmaße

Streuungsmaße

Varianz ist der Durchschnitt von quadrierten Abständen vom Mittelwert

Empirische Varianz

(Varianz der Grundgesamtheit)

Stichproben-
Varianz

QUESTIONSTAR · Dr. Paul Marx172 / 274

5.1.3 · Numerische ZusammenfassungStreuungsmaße

Streuungsmaße

Stichproben-
Varianz

Warum Varianz?

x̄ = (1,5 + 2,5 + 3,5 − 0,5 + 4,5 + 1,5 − 2,5 − 6,5 + 2,5 − 0,5 − 2,5 − 3,5) / 12 = 0

Der Mittelwert funktioniert wie ein Gleichgewichtspunkt – die durchschnittliche Abweichung vom Mittelwert ist immer Null.

Bei der Varianz werden alle Abweichungen quadriert, damit negative und positive Abweichungen sich nicht aufheben.

QUESTIONSTAR · Dr. Paul Marx173 / 274

5.1.3 · Numerische ZusammenfassungStreuungsmaße

Streuungsmaße

Standard-
abweichung

Standardabweichung behält die Messeinheiten der Originaldaten.

Quadratzoll s = √10,6 ≈ 3,3

Zoll

Welcher Datensatz hat eine höhere Standardabweichung?

48 49 52 55 57 58 62 64 65 66 67 72 72 73 75 78 78 78 79 82 84 86 88 89 93 94 95

48 55 57 61 64 65 68 71 71 72 73 73 74 75 78 78 79 79 79 79 82 84 85 88 89 92 95

QUESTIONSTAR · Dr. Paul Marx174 / 274

5.1.3 · Numerische ZusammenfassungStreuungsmaße

Beziehung zwischen Standardabweichung und Normalverteilung

Normalverteilung mit Standardabweichungen

99,7% der Daten liegen innerhalb 3 Standardabweichungen vom Mittelwert

95% innerhalb 2 Standardabweichungen

68% innerhalb 1
Standard-
abweichung

QUESTIONSTAR · Dr. Paul Marx175 / 274

Kapitel 5 · Datenanalyse Sektionsübersicht

Kapitel

Datenanalyse

5.1Deskriptive Statistik: Darstellung und Präsentation von Daten

5.1.1Zusammenfassung qualitativer Daten

5.1.2Zusammenfassung quantitativer Daten

5.1.3Numerische Zusammenfassung von Daten

5.1.4Kreuztabellen

5.2Induktive Statistik: Übertragbarkeit auf die Grundgesamtheit

5.2.1Hypothesentest

5.2.2Stärke des Zusammenhangs in Kreuztabellen

5.2.3Beziehung zwischen zwei (metrischen) Variablen

QUESTIONSTAR · Dr. Paul Marx176 / 274

5.1.4 · KreuztabellenWas & wozu

Kreuztabellen

Kreuztabellen fassen die gemeinsame Verteilung von zwei (oder mehr) diskreten Variablen tabellarisch zusammen.

Sie helfen, den Zusammenhang einer Variablen (z. B. Markentreue) mit einer anderen (z. B. Geschlecht) zu analysieren.

Jede Zelle steht für eine Kombination der Ausprägungen.

Typische Fragestellungen, die eine Kreuztabelle beantwortet:

Wie viele markentreue Konsumenten sind Männer?
Hängt die Nutzungshäufigkeit (hoch, mittel, niedrig) eines Produkts mit Outdoor-Aktivitäten (oft, manchmal, selten, nie) zusammen?
Hängt die Vertrautheit mit einem neuen Produkt mit Alter und Bildungsniveau zusammen?
Hängt der Besitz eines Produkts mit dem Einkommen (hoch, mittel, niedrig) zusammen?

QUESTIONSTAR · Dr. Paul Marx177 / 274

5.1.4 · KreuztabellenBeispiel: zwei Variablen

Kreuztabellen

Hängt der Besitz von teuren Automarken vom Bildungsgrad ab?

Besitz von teuren Automarken nach Bildungsgrad

Besitz eines teuren Autos	Bildungsgrad
Besitz eines teuren Autos	Hochschulabschluss	Kein Hochschulabschluss
ja	32 %	21 %
nein	68 %	79 %
Gesamt	100 %	100 %
Anzahl der Fälle	250	750

QUESTIONSTAR · Dr. Paul Marx178 / 274

5.1.4 · KreuztabellenDie dritte Variable

Kreuztabellen

Manchmal kann die Einführung einer dritten Variable aufdecken …

Fall 1Scheinbare BeziehungenDer scheinbare Zusammenhang löst sich auf, sobald man kontrolliert.

Fall 2Verdeckte ZusammenhängeEin zuvor unsichtbarer Zusammenhang wird sichtbar.

Fall 3Keine VeränderungDie ursprüngliche Beziehung bleibt unverändert bestehen.

QUESTIONSTAR · Dr. Paul Marx179 / 274

5.1.4 · KreuztabellenFall 1 · die dritte Variable

Kreuztabellen

Fall 1Scheinbare
Beziehung

Hängt der Besitz von teuren Automarken vom Bildungsgrad ab?

Besitz von teuren Automarken nach Bildungsgrad und Einkommensniveau

Besitz eines teuren Autos	Hohes Einkommen		Geringes Einkommen
Besitz eines teuren Autos	Hochschulabschluss	Kein Hochschulabschluss	Hochschulabschluss	Kein Hochschulabschluss
ja	20 %	20 %	40 %	40 %
nein	80 %	80 %	60 %	60 %
Gesamt	100 %	100 %	100 %	100 %
Anzahl der Fälle	100	700	150	50

Ist die Beziehung noch da?

Nein — innerhalb jeder Einkommensgruppe ist der Autobesitz gleich (20 % bzw. 40 %). Der Zusammenhang mit dem Bildungsgrad war scheinbar; tatsächlich wirkt das Einkommen.

QUESTIONSTAR · Dr. Paul Marx180 / 274

5.1.4 · KreuztabellenFall 2 · die dritte Variable

Kreuztabellen

Fall 2Verdeckter
Zusammenhang

Hat Alter Einfluss auf Reise- und Abenteuerlust?

Verlangen nach Auslandsreisen nach Alter

Verlangen nach Auslandsreisen	Alter
Verlangen nach Auslandsreisen	Unter 45	45 und mehr
ja	50 %	50 %
nein	50 %	50 %
Gesamt	100 %	100 %
Anzahl der Fälle	500	500

… nach Alter und Geschlecht

Verlangen nach Auslandsreisen	Männlich		Weiblich
Verlangen nach Auslandsreisen	< 45	≥ 45	< 45	≥ 45
ja	60 %	40 %	35 %	65 %
nein	40 %	60 %	65 %	35 %
Gesamt	100 %	100 %	100 %	100 %
Anzahl der Fälle	300	300	200	200

Aggregiert (50 %/50 %) scheint Alter keine Rolle zu spielen. Erst getrennt nach Geschlecht zeigt sich: bei Männern steigt, bei Frauen sinkt die Reiselust mit dem Alter — ein verdeckter Zusammenhang.

QUESTIONSTAR · Dr. Paul Marx181 / 274

5.1.4 · KreuztabellenFall 3 · die dritte Variable

Kreuztabellen

Fall 3Keine
Veränderung

Hängt die Besuchshäufigkeit von Fast-Food-Restaurants mit der Familiengröße zusammen?

Besuchshäufigkeit nach Familiengröße

Gehen häufig in Fast-Food-Restaurants	Familiengröße
Gehen häufig in Fast-Food-Restaurants	Small	Large
ja	50 %	50 %
nein	50 %	50 %
Gesamt	100 %	100 %
Anzahl der Fälle	500	500

… nach Familiengröße und Einkommen

Gehen häufig in Fast-Food-Restaurants	Geringes Einkommen		Hohes Einkommen
Gehen häufig in Fast-Food-Restaurants	Small	Large	Small	Large
ja	50 %	50 %	50 %	50 %
nein	50 %	50 %	50 %	50 %
Gesamt	100 %	100 %	100 %	100 %
Anzahl der Fälle	250	250	250	250

Auch nach Einführung der dritten Variable (Einkommen) bleibt überall 50 %/50 % — die ursprüngliche (Nicht-)Beziehung ändert sich nicht.

QUESTIONSTAR · Dr. Paul Marx182 / 274

Kapitel 5 · Datenanalyse Sektionsübersicht

Kapitel

Datenanalyse

5.1Deskriptive Statistik: Darstellung und Präsentation von Daten

5.1.1Zusammenfassung qualitativer Daten

5.1.2Zusammenfassung quantitativer Daten

5.1.3Numerische Zusammenfassung von Daten

5.1.4Kreuztabellen

5.2Induktive Statistik: Übertragbarkeit auf die Grundgesamtheit

5.2.1Hypothesentest

5.2.2Stärke des Zusammenhangs in Kreuztabellen

5.2.3Beziehung zwischen zwei (metrischen) Variablen

QUESTIONSTAR · Dr. Paul Marx183 / 274

Kapitel 5 · Datenanalyse Sektionsübersicht

Kapitel

Datenanalyse

5.1Deskriptive Statistik: Darstellung und Präsentation von Daten

5.1.1Zusammenfassung qualitativer Daten

5.1.2Zusammenfassung quantitativer Daten

5.1.3Numerische Zusammenfassung von Daten

5.1.4Kreuztabellen

5.2Induktive Statistik: Übertragbarkeit auf die Grundgesamtheit

5.2.1Hypothesentest

5.2.2Stärke des Zusammenhangs in Kreuztabellen

5.2.3Beziehung zwischen zwei (metrischen) Variablen

QUESTIONSTAR · Dr. Paul Marx184 / 274

5.2.1 · HypothesentestWas & Ablauf

Hypothesentest

Ein fünfstufiges Verfahren, das auf Basis einer Stichprobe und mithilfe der Wahrscheinlichkeitstheorie bestimmt, ob eine Hypothese hinreichend begründet ist.

Anders gesagt: eine Methode zu prüfen, ob sich die Ergebnisse einer Zufallsstichprobe auf die Grundgesamtheit übertragen lassen.

Vorgehensweise in fünf Schritten:

Formulierung einer Nullhypothese und ihrer Alternativhypothese
Festlegen des Signifikanzniveaus
Wahl der geeigneten Teststatistik
Formulierung der Entscheidungsregel
Berechnung der Kennzahlen aus der Stichprobe und Treffen der Entscheidung

„Menschen sind sich irrtümlicherweise zuversichtlich in ihrem Wissen und unterschätzen die Wahrscheinlichkeit, dass ihre Überzeugungen sich als falsch erweisen. Sie neigen dazu, nur solche Informationen zu suchen, die bestätigen, was sie ohnehin schon glauben."— Max Bazerman

QUESTIONSTAR · Dr. Paul Marx185 / 274

5.2.1 · HypothesentestAusgangsbeispiel

Hypothesentest

Nutzen Männer wirklich häufiger das Internet als Frauen — in der ganzen Bevölkerung?

Internetnutzung und Geschlecht · Stichprobe n = 30

Internetnutzung	Geschlecht		Gesamt
Internetnutzung	Männlich	Weiblich	Gesamt
selten	5	10	15
häufig	10	5	15
Gesamt	15	15	n = 30

In der Stichprobe nutzen Männer häufiger das Internet. Aber gilt das auch in der Grundgesamtheit — oder ist es Zufall der Stichprobe?

QUESTIONSTAR · Dr. Paul Marx186 / 274

5.2.1 · HypothesentestSchritt 1 · Hypothesen

Hypothesentest

Schritt 1 · Formulierung einer Nullhypothese und ihrer Alternativhypothese

H₀Es gibt keinen Unterschied zwischen Männern und Frauen bei der Häufigkeit der Internetnutzung.

H₁Männer und Frauen zeigen unterschiedliches Internetnutzungsverhalten.

Nullhypothese (H₀) ist eine Behauptung des Status quo — dass es keinen Unterschied bzw. keinen Effekt gibt.

Alternativhypothese (H₁) behauptet das Gegenteil — dass es einen Unterschied bzw. einen Effekt gibt.

QUESTIONSTAR · Dr. Paul Marx187 / 274

5.2.1 · HypothesentestSchritt 2 · Fehlerarten

Hypothesentest

Schritt 2 · Festlegen vom Signifikanzniveau

Signifikanz (α) — Wahrscheinlichkeit, dass eine wahre Nullhypothese zurückgewiesen wird.

β — Wahrscheinlichkeit, dass eine falsche Nullhypothese angenommen wird.

α — Signifikanz ↓

	Nullhypothese (H₀) ist wahr	Nullhypothese (H₀) ist falsch
Nullhypothese zurückweisen	Fehler 1. ArtFalse positive	Richtige EntscheidungTrue positive
Nullhypothese NICHT zurückweisen	Richtige EntscheidungTrue negative	Fehler 2. ArtFalse negative

↑ (1−β) — Power

QUESTIONSTAR · Dr. Paul Marx188 / 274

5.2.1 · HypothesentestSchritt 2 · Analogie Strafprozess

Hypothesentest

Schritt 2 · Festlegen vom Signifikanzniveau

Analogie: Unschuld in einem Strafprozess.
H₀: Der Angeklagte ist unschuldig.

Signifikanz (α) — Wahrscheinlichkeit, dass eine wahre Nullhypothese zurückgewiesen wird.

β — Wahrscheinlichkeit, dass eine falsche Nullhypothese angenommen wird.

Verurteilung eines Unschuldigen ↓

	Nullhypothese (H₀) ist wahr	Nullhypothese (H₀) ist falsch
Nullhypothese zurückweisen	Fehler 1. ArtFalse positive	Richtige EntscheidungTrue positive
Nullhypothese NICHT zurückweisen	Richtige EntscheidungTrue negative	Fehler 2. ArtFalse negative

↑ Freilassen eines Verbrechers

QUESTIONSTAR · Dr. Paul Marx189 / 274

5.2.1 · HypothesentestSchritt 2 · Analogie Löwe

Hypothesentest

Schritt 2 · Festlegen vom Signifikanzniveau

Analogie: Rascheln im Gebüsch — ist das ein Löwe?
H₀: Es gibt keinen Löwen im Gebüsch.

Signifikanz (α) — Wahrscheinlichkeit, dass eine wahre Nullhypothese zurückgewiesen wird.

β — Wahrscheinlichkeit, dass eine falsche Nullhypothese angenommen wird.

Es gibt keinen Löwen, aber Sie laufen weg ↓

	Nullhypothese (H₀) ist wahr	Nullhypothese (H₀) ist falsch
Nullhypothese zurückweisen	Fehler 1. ArtFalse positive	Richtige EntscheidungTrue positive
Nullhypothese NICHT zurückweisen	Richtige EntscheidungTrue negative	Fehler 2. ArtFalse negative

↑ Sie bleiben unbesorgt — und der Löwe frisst Sie

QUESTIONSTAR · Dr. Paul Marx190 / 274

5.2.1 · HypothesentestSchritt 2 · Übliche Niveaus

Hypothesentest

Schritt 2 · Festlegen vom Signifikanzniveau

Signifikanz (α) — Wahrscheinlichkeit, dass eine wahre Nullhypothese zurückgewiesen wird.

β — Wahrscheinlichkeit, dass eine falsche Nullhypothese angenommen wird.

Signifikanzniveaus in der Marktforschung

α — Signifikanzniveau

0,01 (1 %)

0,05 (5 %)

(1−α) — Vertrauenswahrscheinlichkeit

0,99 (99 %)

0,95 (95 %)

QUESTIONSTAR · Dr. Paul Marx191 / 274

5.2.1 · HypothesentestSchritt 3 · Welcher Test?

Hypothesentest

Schritt 3 · Wahl der geeigneten Teststatistik

In unserem Beispiel geht es um die Verteilung nicht-metrischer Variablen (seltene/häufige Internetnutzung; Männer/Frauen) in einer Stichprobe.

Stichprobe	Anwendung auf	Skalenniveau	Teststatistiken / Kommentare
Eine Stichprobe	Verteilungen	Nicht-metrisch	Kolmogorow-Smirnow- und χ²-Test auf Anpassungsgüte; Runs-Test auf Zufälligkeit; Binomialtest für dichotome Variablen
	Mittelwerte	Metrisch	t-Test (Varianz unbekannt); z-Test (Varianz bekannt)
	Proportionen	Metrisch	z-Test
Zwei unabhängige Stichproben	Verteilungen	Nicht-metrisch	Kolmogorow-Smirnow-Test auf Übereinstimmung von Verteilungen für zwei Stichproben
	Mittelwerte	Metrisch	Zweistichproben-t-Test; F-Test für Gleichheit von Varianzen
	Proportionen	Metrisch, Nicht-metrisch	z-Test; χ²-Test
	Rangplätze / Mediane	Nicht-metrisch	Mann-Whitney-U-Test (sensibler als Median-Test)
Gepaarte Stichproben	Mittelwerte	Metrisch	Paardifferenz-t-Test
	Proportionen	Nicht-metrisch	McNemar-Test für binäre Variablen; χ²-Test
	Rangplätze / Mediane	Nicht-metrisch	Wilcoxon-Vorzeichen-Rang-Test (sensibler als Vorzeichentest)

QUESTIONSTAR · Dr. Paul Marx192 / 274

5.2.1 · HypothesentestSchritt 3 · unser Fall

Hypothesentest

Schritt 3 · Wahl der geeigneten Teststatistik

Eine Stichprobe · Verteilung · nicht-metrisch → der χ²-Test auf Anpassungsgüte.

Stichprobe	Anwendung auf	Skalenniveau	Teststatistiken / Kommentare
Eine Stichprobe	Verteilungen	Nicht-metrisch	Kolmogorow-Smirnow- und χ²-Test auf Anpassungsgüte; Runs-Test auf Zufälligkeit; Binomialtest für dichotome Variablen
	Mittelwerte	Metrisch	t-Test (Varianz unbekannt); z-Test (Varianz bekannt)
	Proportionen	Metrisch	z-Test
Zwei unabhängige Stichproben	Verteilungen	Nicht-metrisch	Kolmogorow-Smirnow-Test auf Übereinstimmung von Verteilungen für zwei Stichproben
	Mittelwerte	Metrisch	Zweistichproben-t-Test; F-Test für Gleichheit von Varianzen
	Proportionen	Metrisch, Nicht-metrisch	z-Test; χ²-Test
	Rangplätze / Mediane	Nicht-metrisch	Mann-Whitney-U-Test (sensibler als Median-Test)
Gepaarte Stichproben	Mittelwerte	Metrisch	Paardifferenz-t-Test
	Proportionen	Nicht-metrisch	McNemar-Test für binäre Variablen; χ²-Test
	Rangplätze / Mediane	Nicht-metrisch	Wilcoxon-Vorzeichen-Rang-Test (sensibler als Vorzeichentest)

QUESTIONSTAR · Dr. Paul Marx193 / 274

5.2.1 · HypothesentestSchritt 3 · χ²-Idee

Hypothesentest

Schritt 3 · Wahl der geeigneten Teststatistik

Die χ²-Teststatistik (Chi-Quadrat) prüft die statistische Signifikanz des in einer Kreuztabelle beobachteten Zusammenhangs.

H₀Es gibt keinen Zusammenhang zwischen den Variablen.

χ² prüft die Gleichheit von Häufigkeitsverteilungen — welche Häufigkeiten vergleichen wir?

f_e — Häufigkeiten, die wir in den Zellen erwarten würden, wenn es keinen Zusammenhang gäbe.
f_o — tatsächlich beobachtete Häufigkeiten.

QUESTIONSTAR · Dr. Paul Marx194 / 274

5.2.1 · HypothesentestSchritt 3 · erwartete Häufigkeiten

Hypothesentest

Schritt 3 · Wahl der geeigneten Teststatistik

f_e — Häufigkeiten, die wir in den Zellen erwarten würden, wenn es keinen Zusammenhang gäbe.

f_o — tatsächlich beobachtete Häufigkeiten.

f_e = n_r · n_cn

n_r — Gesamtsumme in einer Zeile

n_c — Gesamtsumme in einer Spalte

n — Umfang der Stichprobe

f_e₁,₁ = 15 · 1530 = 7,5

f_e₁,₂ = 15 · 1530 = 7,5

f_e₂,₁ = 15 · 1530 = 7,5

f_e₂,₂ = 15 · 1530 = 7,5

QUESTIONSTAR · Dr. Paul Marx195 / 274

5.2.1 · HypothesentestSchritt 3 · χ²-Berechnung

Hypothesentest

f_e — Häufigkeiten, die wir in den Zellen erwarten würden, wenn es keinen Zusammenhang gäbe.

f_o — tatsächlich beobachtete Häufigkeiten.

Schritt 3 · Wahl der geeigneten Teststatistik

χ² = Σ über alle Zellen (f_o − f_e)² / f_e

χ² sollte immer nur mit absoluten Häufigkeiten berechnet werden. Liegen die Daten in Prozent (relative Häufigkeiten) vor, müssen sie zuvor in absolute Häufigkeiten umgerechnet werden.

In unserem Beispiel:

χ² = (5−7,5)²7,5 + (10−7,5)²7,5 + (10−7,5)²7,5 + (5−7,5)²7,5 = 0,833 · 4 = 3,333

QUESTIONSTAR · Dr. Paul Marx196 / 274

5.2.1 · HypothesentestSchritt 4 · Entscheidungsregel

Hypothesentest

Schritt 4 · Formulierung der Entscheidungsregel

TS_cal — beobachteter (berechneter) Wert der Teststatistik.

TS_cr — kritischer Wert der Teststatistik für das gewählte Signifikanzniveau.

Wenn die Wahrscheinlichkeit von TS_cal < Signifikanzniveau (α), dann lehne H₀ ab.

oder

Wenn TS_cal > TS_cr, dann weise H₀ zurück.

QUESTIONSTAR · Dr. Paul Marx197 / 274

5.2.1 · HypothesentestSchritt 4 · Vergleich

Hypothesentest

Schritt 4 · Formulierung der Entscheidungsregel

Kritische Werte von χ² für verschiedene Signifikanzniveaus α

df	0,99	0,975	0,95	0,90	0,10	0,05	0,025	0,01
1	—	0,001	0,004	0,016	2,706	3,841	5,024	6,635
2	0,020	0,051	0,103	0,211	4,605	5,991	7,378	9,210
3	0,115	0,216	0,352	0,584	6,251	7,815	9,348	11,345
4	0,297	0,484	0,711	1,064	7,779	9,488	11,143	13,277
5	0,554	0,831	1,145	1,610	9,236	11,071	12,833	15,086
6	0,872	1,237	1,635	2,204	10,645	12,592	14,449	16,812
7	1,239	1,690	2,167	2,833	12,017	14,067	16,013	18,475
8	1,646	2,180	2,733	3,490	13,362	15,507	17,535	20,090
9	2,088	2,700	3,325	4,168	14,684	16,919	19,023	21,666
10	2,558	3,247	3,940	4,865	15,987	18,307	20,483	23,209

df = (r−1)(c−1)

df — Freiheitsgrade

r — Anzahl von Zeilen

c — Anzahl von Spalten

df = (2−1)(2−1) = 1

Wenn die Wahrscheinlichkeit von TS_cal < (α), dann lehne H₀ ab.

oder

Wenn TS_cal > TS_cr, dann weise H₀ zurück.

χ²_cal = 3,333

χ²_cr = 3,841

3,333 < 3,841 ⟹ χ²_cal < χ²_cr

H₀ kann NICHT zurückgewiesen werden

QUESTIONSTAR · Dr. Paul Marx198 / 274

5.2.1 · HypothesentestSchritt 5 · Entscheidung

Hypothesentest

Schritt 5 · Treffen der Entscheidung

Ist der Beweis da?

Was sind die Konsequenzen?

H₀ — dass es keinen Zusammenhang gibt — kann nicht zurückgewiesen werden.
Der Zusammenhang ist auf dem Signifikanzniveau von 0,05 statistisch nicht signifikant.
Die aus der Stichprobe beobachteten Ergebnisse können nicht auf die Grundgesamtheit verallgemeinert werden.

QUESTIONSTAR · Dr. Paul Marx199 / 274

5.2.1 · HypothesentestFazit zum Beispiel

Hypothesentest

Internetnutzung und Geschlecht · n = 30

Internetnutzung	Geschlecht		Gesamt
Internetnutzung	Männlich	Weiblich	Gesamt
selten	5	10	15
häufig	10	5	15
Gesamt	15	15	n = 30

Nutzen Männer wirklich häufiger das Internet als Frauen — in der Grundgesamtheit?

Antwort: Die Stichprobe erbringt dafür keine Beweise.

Wenn die Stichprobe sorgfältig ausgewählt und gezogen wurde, können wir mit 95 % Vertrauenswahrscheinlichkeit behaupten, dass es keinen solchen Zusammenhang gibt.

Ansonsten — wir wissen es nicht.

QUESTIONSTAR · Dr. Paul Marx200 / 274

Kapitel 5 · Datenanalyse Sektionsübersicht

Kapitel

Datenanalyse

5.1Deskriptive Statistik: Darstellung und Präsentation von Daten

5.1.1Zusammenfassung qualitativer Daten

5.1.2Zusammenfassung quantitativer Daten

5.1.3Numerische Zusammenfassung von Daten

5.1.4Kreuztabellen

5.2Induktive Statistik: Übertragbarkeit auf die Grundgesamtheit

5.2.1Hypothesentest

5.2.2Stärke des Zusammenhangs in Kreuztabellen

5.2.3Beziehung zwischen zwei (metrischen) Variablen

QUESTIONSTAR · Dr. Paul Marx201 / 274

5.2.2 · Stärke des ZusammenhangsÜbersicht

Prüfung der Stärke des Zusammenhangs

χ² prüft nur die Signifikanz eines Zusammenhangs und trifft keine Aussage über seine Stärke.

Einfacher Nachweis: Verdoppelung aller Werte in der Kreuztabelle führt zur Verdoppelung von χ² — der Zusammenhang selbst bleibt aber gleich.

Maße für die Stärke des Zusammenhangs sind:

Phi-Koeffizient

Kontingenzkoeffizient

Cramers V

Lambda-Koeffizient

QUESTIONSTAR · Dr. Paul Marx202 / 274

5.2.2 · Stärke des ZusammenhangsPhi-Koeffizient

Phi-Koeffizient

Je höher φ, desto stärker ist der Zusammenhang zwischen den Variablen.

Werte > 0,30 werden als substantiell angesehen.

Probleme:

φ ist nicht standardisiert und hat eine Obergrenze von 1 nur für 2×2-Tabellen; sie hängt von den Tabellendimensionen ab.
φ-Werte aus verschiedenen Studien können nicht miteinander verglichen werden.

In unserem Beispiel:

φ = Wurzel aus 3,333 geteilt durch 30 = 0,333

Der Zusammenhang ist nicht besonders stark.

QUESTIONSTAR · Dr. Paul Marx203 / 274

5.2.2 · Stärke des ZusammenhangsKontingenzkoeffizient

Kontingenzkoeffizient

C = Wurzel aus χ² geteilt durch (χ² + n)

Je höher C, desto stärker ist der Zusammenhang zwischen den Variablen.

Werte > 0,30 werden als substantiell angesehen.

Obwohl C-Werte die Obergrenze von 1 haben, können sie diese Grenze faktisch nicht erreichen.

Probleme:

C ist nicht standardisiert und hängt von den Tabellendimensionen ab.
C-Werte aus verschiedenen Studien können nicht miteinander verglichen werden.

In unserem Beispiel:

C = Wurzel aus 3,333 geteilt durch (3,333 + 30) = 0,316

Der Zusammenhang ist nicht besonders stark.

QUESTIONSTAR · Dr. Paul Marx204 / 274

5.2.2 · Stärke des ZusammenhangsCramers V

Cramers V

V = Wurzel aus χ² geteilt durch n mal (min(r,c) − 1)

r — Anzahl von Zeilen

c — Anzahl von Spalten

Je höher V, desto stärker ist der Zusammenhang zwischen den Variablen.

Werte > 0,30 werden als substantiell angesehen.

V-Werte haben die Obergrenze von 1, können sie aber ebenfalls faktisch nur bei 2×2-Tabellen erreichen.

Probleme:

V ist nicht standardisiert und hängt von den Tabellendimensionen ab.
V-Werte aus verschiedenen Studien können nicht miteinander verglichen werden.

In unserem Beispiel:

V = Wurzel aus 3,333 geteilt durch 30 mal (2 − 1) = 0,333

Der Zusammenhang ist nicht besonders stark.

QUESTIONSTAR · Dr. Paul Marx205 / 274

5.2.2 · Stärke des ZusammenhangsLambda-Koeffizient

Lambda-Koeffizient

λ = (Summe über c der maxᵣ(n_rc) − maxᵣ(n_r)) geteilt durch (n − maxᵣ(n_r))

r — Zeilenindex

c — Spaltenindex

Gibt Aufschluss darüber, inwieweit die Kenntnis der Ausprägung einer Variable bei der Prognose der anderen Variable hilft.

Ist standardisiert zwischen 0 und 1 (1 — fehlerfreie Prognose, 0 — keine Verbesserung der Vorhersage).

λ-Werte aus verschiedenen Studien können miteinander verglichen werden.

In unserem Beispiel:

λ = ((10 + 10) − 15) geteilt durch (30 − 15) = 0,333

Kenntnis vom Geschlecht erhöht die Prognosegenauigkeit um den Faktor 0,333, d.h. 33,3 % Verbesserung.

QUESTIONSTAR · Dr. Paul Marx206 / 274

5.2.2 · Stärke des ZusammenhangsLambda · Berechnung

Lambda-Koeffizient

Summe der maximalen Häufigkeiten aller Spalten

λ — Zähler: Summe über c der maxᵣ(n_rc) minus maxᵣ(n_r); Nenner: n − maxᵣ(n_r)

maximaler Gesamtwert einer Zeile

r — Zeilenindex

c — Spaltenindex

Internetnutzung	Geschlecht		Gesamt (Zeile)
Internetnutzung	Männlich	Weiblich	Gesamt (Zeile)
r = 1selten	5	10	15
r = 2häufig	10	5	15
Gesamt (Spalte)	15c = 1	15c = 2	n = 30

Kenntnis vom Geschlecht erhöht die Prognosegenauigkeit um den Faktor 0,333, d.h. 33,3 % Verbesserung.

QUESTIONSTAR · Dr. Paul Marx207 / 274

Kapitel 5 · Datenanalyse Sektionsübersicht

Kapitel

Datenanalyse

5.1Deskriptive Statistik: Darstellung und Präsentation von Daten

5.1.1Zusammenfassung qualitativer Daten

5.1.2Zusammenfassung quantitativer Daten

5.1.3Numerische Zusammenfassung von Daten

5.1.4Kreuztabellen

5.2Induktive Statistik: Übertragbarkeit auf die Grundgesamtheit

5.2.1Hypothesentest

5.2.2Stärke des Zusammenhangs in Kreuztabellen

5.2.3Beziehung zwischen zwei (metrischen) Variablen

QUESTIONSTAR · Dr. Paul Marx208 / 274

5.2.3 · Beziehung zweier VariablenTypen des Zusammenhangs

Typen vom Zusammenhang zweier Variablen

Soweit die Daten nicht aus einem kontrollierten Experiment stammen, können wir nur die Existenz einer Beziehung zwischen den Variablen behaupten — nicht jedoch die kausale Richtung dieser Beziehung.

Linear

Nicht-linear

Kein Zusammenhang

QUESTIONSTAR · Dr. Paul Marx209 / 274

5.2.3 · Beziehung zweier VariablenLineare Korrelation

Lineare Korrelation

Zwei Variablen korrelieren positiv, wenn höhere Werte einer Variable höheren Werten der anderen Variable entsprechen.

Zwei Variablen korrelieren negativ, wenn höhere Werte einer Variable niedrigeren Werten der anderen Variable entsprechen.

Positive Korrelation

Negative Korrelation

QUESTIONSTAR · Dr. Paul Marx210 / 274

5.2.3 · Beziehung zweier VariablenKorrelationskoeffizient

Linearer Korrelationskoeffizient

Eigenschaften:

Werte des linearen Korrelationskoeffizienten liegen immer zwischen −1 und 1.
Bei r = +1 besteht ein vollständig positiver linearer Zusammenhang zwischen den Variablen.
Bei r = −1 besteht ein vollständig negativer linearer Zusammenhang zwischen den Variablen.
Je näher r an +1 bzw. −1 liegt, desto stärker der jeweilige Zusammenhang.
Liegt r nahe 0, gibt es kaum Nachweis für einen linearen Zusammenhang — das bedeutet aber nicht, dass es gar keine Beziehung gibt, eben nur keine lineare.

Linearer Korrelationskoeffizient

Der (Pearsonsche) lineare Korrelationskoeffizient misst die Stärke der linearen Beziehung zwischen zwei Variablen.

r = Summe (x_i − x̄)(y_i − ȳ) geteilt durch Wurzel(Summe (x_i − x̄)²) mal Wurzel(Summe (y_i − ȳ)²)

QUESTIONSTAR · Dr. Paul Marx211 / 274

5.2.3 · Beziehung zweier VariablenRechenbeispiel

Linearer Korrelationskoeffizient

Stärke der Beziehung zwischen Variablen

r-Wert	Interpretation
0 bis 0,3	Sehr schwach
0,3 bis 0,5	Schwach
0,5 bis 0,7	Mittel
0,7 bis 0,9	Hoch
0,9 bis 1	Sehr hoch

x	y	(xᵢ−x̄)	(yᵢ−ȳ)	(xᵢ−x̄)(yᵢ−ȳ)	(xᵢ−x̄)²	(yᵢ−ȳ)²
86	98	12,5	13,5	168,75	156,25	182,25
62	70	−11,5	−14,5	166,75	132,25	210,25
52	56	−21,5	−28,5	612,75	462,25	812,25
90	110	16,5	25,5	420,75	272,25	650,25
66	76	−7,5	−8,5	63,75	56,25	72,25
80	96	6,5	11,5	74,75	42,25	132,25
78	86	4,5	1,5	6,75	20,25	2,25
74	84	0,5	−0,5	−0,25	0,25	0,25
Mittelwert	73,5	84,5
Summe				1514	1142	2062

r = 1514 geteilt durch (Wurzel 1142 mal Wurzel 2062) ≈ 0,987

QUESTIONSTAR · Dr. Paul Marx212 / 274

5.2.3 · Beziehung zweier VariablenRegressionsanalyse

Regressionsanalyse

Beispiele:

Können Werbeausgaben die Absatzänderungen erklären?
Kann der Marktanteil auf die Größe der Verkaufsabteilung zurückgeführt werden?
Wird die Qualitätswahrnehmung von Konsumenten von ihrer Wahrnehmung vom Preis beeinflusst?

Regressionsanalyse

Die Regressionsanalyse ist ein mächtiges und flexibles Instrument zur Analyse von assoziativen Beziehungen zwischen einer metrischen abhängigen Variable und einer oder mehreren unabhängigen Variablen.

Ermöglicht:

die Existenz der Beziehung zu bestimmen,
die Stärke der Beziehung zu quantifizieren,
ein mathematisches Modell (Formel) der Beziehung abzuleiten,
Werte der abhängigen Variable vorherzusagen,
den Einfluss anderer unabhängiger Variablen zu berücksichtigen.

QUESTIONSTAR · Dr. Paul Marx213 / 274

5.2.3 · Beziehung zweier VariablenRechenbeispiel

Regressionsanalyse

Wie viele Produkteinheiten werden wir absetzen, wenn wir €85.000 für die Werbung ausgeben?

Werbeausgaben, €1.000	Absatz, €1.000
40	377
60	507
70	555
110	779
150	869
160	818
190	862
200	817

Erhobene Daten

Zusammenhang zwischen Absatz und Werbeausgaben

Werbeausgaben erklären 83,6 % der Varianz vom Absatz.
Jeder zusätzliche in die Werbung investierte Euro bringt €2,82 zusätzlichen Absatz.
€85.000 Werbeausgaben resultieren in 2,8239 · 85 + 352,07 = 592,1 (Tsd. €) Absatz.

QUESTIONSTAR · Dr. Paul Marx214 / 274

Kapitel 6 · Fortgeschrittene Techniken Sektionsübersicht

Kapitel

Fortgeschrittene Techniken der Marktforschung

Einige nützliche Konzepte

6.1Conjoint-Analyse

6.2Marktsimulationen

6.3Segmentierung

6.4Wahrnehmungskarten

QUESTIONSTAR · Dr. Paul Marx215 / 274

Kapitel 6 · Fortgeschrittene Techniken Sektionsübersicht

Kapitel

Fortgeschrittene Techniken der Marktforschung

Einige nützliche Konzepte

6.1Conjoint-Analyse

6.2Marktsimulationen

6.3Segmentierung

6.4Wahrnehmungskarten

QUESTIONSTAR · Dr. Paul Marx216 / 274

6.1 · Conjoint-AnalyseDefinition

Conjoint-Analyse

Die Conjoint-Analyse ist eine Reihe von Techniken, die in der Marktforschung für die Analyse von attributbasierten Präferenzen von Konsumenten eingesetzt werden — d.h. um zu bestimmen, wie wichtig unterschiedliche Produkteigenschaften und Eigenschaftsausprägungen für die Konsumenten sind.

Wie soll unser neues Produkt aussehen?

Besonderheiten

Bewertung von ganzheitlichen Objekten
Dekomposition von Präferenzen

Stark verbreitet in

Segmentierung
Entwicklung von neuen Produkten
Preissetzung

Reihe verschiedenfarbiger Produktflaschen — Variantenvielfalt eines Produkts

QUESTIONSTAR · Dr. Paul Marx217 / 274

6.1 · Conjoint-AnalyseDirekte Abfrage

Conjoint-Analyse

Bitte geben Sie an, inwieweit folgende PC-Eigenschaften bei Ihrer nächsten Entscheidung über den Kauf eines PCs wichtig sind?

	ganz und gar nicht wichtig				ausgesprochen wichtig
Hersteller/Marke
Prozessorleistung, GHz
Speicher, GB
Display-Größe
Preis

QUESTIONSTAR · Dr. Paul Marx218 / 274

6.1 · Conjoint-AnalyseErwartung

Conjoint-Analyse

Erwartung

Wir erwarten, dass uns die Befragten klare Unterschiede in der Wichtigkeit verraten.

Frage: „Bitte geben Sie an, inwieweit folgende PC-Eigenschaften bei Ihrer nächsten Kaufentscheidung wichtig sind?“

	ganz und gar nicht wichtig				ausgesprochen wichtig
Hersteller/Marke
Prozessorleistung, GHz
Speicher, GB
Display-Größe
Preis

QUESTIONSTAR · Dr. Paul Marx219 / 274

6.1 · Conjoint-AnalyseRealität

Conjoint-Analyse

Realität

In der Realität ist den Befragten praktisch alles wichtig.

Frage: „Bitte geben Sie an, inwieweit folgende PC-Eigenschaften bei Ihrer nächsten Kaufentscheidung wichtig sind?“

	ganz und gar nicht wichtig				ausgesprochen wichtig
Hersteller/Marke
Prozessorleistung, GHz
Speicher, GB
Display-Größe
Preis

QUESTIONSTAR · Dr. Paul Marx220 / 274

6.1 · Conjoint-AnalyseWarum gemeinsam beurteilen?

Conjoint-Analyse

Relative Wichtigkeiten einzelner Produkteigenschaften können besser gemessen werden, wenn sie von Probanden als einheitliches Stimulus beurteilt werden (CONsidered JOINTly), als wenn jede Eigenschaft isoliert bewertet wird:

Viele Konsumenten sind nicht in der Lage, die relative Wichtigkeit einzelner Produkteigenschaften zu bestimmen.
Einzelne Eigenschaften werden isoliert anders wahrgenommen als ihre Kombination, die ein ganzheitliches Produkt ausmacht.
Die Konstruktion der bevorzugten Eigenschaftskombination belastet die kognitiven Fähigkeiten von Probanden — „alle Eigenschaften sind wichtig“.
Soziale Erwünschtheit und scharf ausgeprägte Selbsteinschätzung motivieren Probanden, einigen Eigenschaften viel Gewicht zu geben, auch wenn sie keine Rolle spielen (z. B. Umweltfreundlichkeit, Wohlstand, verringerte Bedeutung vom Preis).
Einige Probanden versuchen absichtlich, die Ergebnisse zu manipulieren, indem sie „vorteilhafte“ Antworten geben (z. B. Überbewertung der Wichtigkeit vom Preis).

QUESTIONSTAR · Dr. Paul Marx221 / 274

6.1 · Conjoint-AnalyseWahlaufgabe

Conjoint-Analyse

Wenn Sie heute einen Laptop kaufen müssten und dies die einzig auf dem Markt verfügbaren Alternativen wären — welche Alternative würden Sie wählen?

MacBook Air

M3-Chip (8 Kerne)

16 GB Speicher

13,6″ Display

€ 1.299,–

Dell XPS 14

Core Ultra 7

32 GB Speicher

14,5″ Display

€ 1.899,–

ASUS Zenbook

Ryzen 7 (8 Kerne)

16 GB Speicher

14″ Display

€ 999,–

Keine

Wenn das die einzigen Alternativen wären, würde ich den Kauf aufschieben.

QUESTIONSTAR · Dr. Paul Marx222 / 274

Kapitel 6 · Fortgeschrittene Techniken Sektionsübersicht

Kapitel

Fortgeschrittene Techniken der Marktforschung

Einige nützliche Konzepte

6.1Conjoint-Analyse

6.2Marktsimulationen

6.3Segmentierung

6.4Wahrnehmungskarten

QUESTIONSTAR · Dr. Paul Marx223 / 274

6.2 · MarktsimulationenPräferenzwerte

Marktsimulationen

Angesichts folgender Präferenzwerte — welches Produkt sollten wir auf dem Markt anbieten?

	Produktalternativen
	Blau	Rot	Gelb
Proband #1	50	40	10
Proband #2	0	65	75
Proband #3	40	30	20
Mittelwert	30	45	35

QUESTIONSTAR · Dr. Paul Marx224 / 274

6.2 · MarktsimulationenDer naheliegende Schluss

Marktsimulationen

Angesichts folgender Präferenzwerte — welches Produkt sollten wir auf dem Markt anbieten?

	Produktalternativen
	Blau	Rot	Gelb
Proband #1	50	40	10
Proband #2	0	65	75
Proband #3	40	30	20
Mittelwert	30	45	35

„Rot" hat den höchsten durchschnittlichen Präferenzwert.

QUESTIONSTAR · Dr. Paul Marx225 / 274

6.2 · MarktsimulationenAber: die tatsächliche Wahl

Marktsimulationen

Angesichts folgender Präferenzwerte — welches Produkt sollten wir auf dem Markt anbieten?

	Produktalternativen			Wahl
	Blau	Rot	Gelb	Wahl
Proband #1	50	40	10	Blau
Proband #2	0	65	75	Gelb
Proband #3	40	30	20	Blau
Mittelwert	30	45	35	Rot

„Rot" hat zwar den höchsten Durchschnitt — doch niemand wählt tatsächlich „Rot".

QUESTIONSTAR · Dr. Paul Marx226 / 274

6.2 · MarktsimulationenWarum? Der Wettbewerb!

Marktsimulationen

Angenommen: 80 % der Kunden bevorzugen runde Dinge, 20 % bevorzugen eckige. Welche Art von Dingen sollten wir auf den Markt bringen?

80 % runde Dinge

20 %

Ohne Zusatzinformation

Die Wahl scheint offensichtlich — gehe dahin, wo die meisten Kunden sind:

„runde Dinge"der „fette" Teil des Marktes

Was, wenn …

es bereits 10 Wettbewerber gibt, die ALLE runde Dinge anbieten?

10 Anbieter kämpfen um dieselben 80 % — die 20 % „eckig" sind völlig unbesetzt.

Erst im Kontext des Wettbewerbs zeigt sich: Der kleinere, unbesetzte Markt kann profitabler sein — genau das macht eine Marktsimulation sichtbar.

QUESTIONSTAR · Dr. Paul Marx227 / 274

6.2 · MarktsimulationenDie Vorteile

Warum Marktsimulationen?

Marktsimulationen spiegeln die Realität besser wider als rein datengetriebene Modelle — und liefern Entscheidungen, die im Wettbewerb tatsächlich tragen.

Näher an der Realität

bilden idiosynkratische Präferenzen von Segmenten und Individuen ab
berücksichtigen Präferenzen und konkurrierende Angebote am Markt

Nischen statt nur Masse

Kein Zwang, sich auf den „fetten" Teil des Marktes zu fixieren — auch unbesetzte Segmente können guten Profit bringen.

„Versuchslabor"

Eine Vielzahl realer Marktchancen lässt sich risikofrei durchspielen — samt ihrer möglichen Ergebnisse.

Aktionsfähig fürs Management

Die Ergebnisse sind leicht verständlich und lassen sich direkt in Entscheidungen übersetzen.

QUESTIONSTAR · Dr. Paul Marx228 / 274

6.2 · MarktsimulationenDer grundlegende Prozess

Was machen Marktsimulationen?

Der grundlegende Prozess läuft für jeden Probanden einzeln ab — und wird anschließend zu Marktanteilen aggregiert:

Input

Präferenzstruktur des Probanden

bekannt — z. B. aus der Conjoint-Analyse

Input

Erschöpfende Marktinformation

existierende und simulierte Produktangebote

→

Wahlregel

Produktwahl bzw. Auswahlwahrscheinlichkeit

pro Proband bestimmt

→

Aggregiert

Marktanteile jedes Produkts

Σ über alle Probanden

QUESTIONSTAR · Dr. Paul Marx229 / 274

6.2 · MarktsimulationenWahlregeln

Was machen Marktsimulationen?

Die Produktwahl je Proband wird durch sogenannte Wahlregeln bestimmt — z. B.:

Regel der ersten Wahl

First-Choice-Rule

Das Produkt mit dem höchsten Nutzen wird gewählt.
Auswahlwahrscheinlichkeit = 100 % für dieses Produkt, 0 % für alle anderen.

BTL-Modell

nach Bradley · Terry · Luce

Auswahlwahrscheinlichkeit hängt vom relativen Nutzenanteil am Markt ab.
Auch Produkte mit geringem Präferenz- bzw. Nutzenwert erhalten eine positive Wahrscheinlichkeit.

Logit-Regel

kontrastbasiert

Auswahlwahrscheinlichkeit steigt mit zunehmendem Kontrast im Produktnutzen.
Ermöglicht eine a-priori-Anpassung simulierter an reale Marktanteile.

π_h(α) = e hoch α·U_h geteilt durch Summe e hoch α·U_h

QUESTIONSTAR · Dr. Paul Marx230 / 274

Kapitel 6 · Fortgeschrittene Techniken Sektionsübersicht

Kapitel

Fortgeschrittene Techniken der Marktforschung

Einige nützliche Konzepte

6.1Conjoint-Analyse

6.2Marktsimulationen

6.3Segmentierung

6.4Wahrnehmungskarten

QUESTIONSTAR · Dr. Paul Marx231 / 274

6.3 · SegmentierungGrundbegriff

Marktsegmentierung

Marktsegmentierung bezeichnet die Aufspaltung des „relevanten Marktes" in Gruppen von Konsumenten, die nach innen homogen und nach außen heterogen sind — und bildet die Grundlage einer differenzierten Marktbearbeitung.

Heterogene Gesamtgruppe wird in drei nach innen homogene Segmente aufgeteilt

Aus einer gemischten Gesamtgruppe werden in sich homogene, untereinander verschiedene Segmente.

Ziel

Entwicklung effizienter Produktdifferenzierungsstrategien — für eine möglichst optimale Ausschöpfung der Potentiale einzelner Segmente.

QUESTIONSTAR · Dr. Paul Marx232 / 274

6.3 · SegmentierungEffektivität

Effektive Marktsegmentierung

Sechs Kriterien bestimmen die Effizienz und Wirtschaftlichkeit einer Segmentlösung:

Identifizierbarkeit

Konsumenten lassen sich auf Basis einfach messbarer Variablen identifizieren.

Substantialität

Segmente müssen groß genug sein, um Investitionen amortisieren zu können.

Zugänglichkeit

Gezielte Ansprache bzw. gezielter Einsatz des Marketing-Mix ist möglich.

Stabilität

… über den Zeitraum von Planung, Durchführung und Wirkung segmentspezifischer Maßnahmen.

Verhaltensrelevanz

Einheitliche Reaktion auf segmentspezifische Maßnahmen (z. B. Preisänderung).

Handlungsfähigkeit

Sinnvoll und hilfreich bei der Formulierung des Marketing-Mix.

QUESTIONSTAR · Dr. Paul Marx233 / 274

6.3 · SegmentierungTypologie der Merkmale

Typologie von Segmentierungsmerkmalen

Generell

Produktspezifisch

Beobachtbar

Kulturelle Merkmale
Geographische Merkmale
Demographische Merkmale
Sozioökonomische Merkmale

Nutzerstatus & Nutzungssituation
Nutzungshäufigkeit & -intensität
Markentreue & -loyalität

Nicht beobachtbar

Psychographische Merkmale
Werte
Persönlichkeit & Lifestyle

Nutzenvorstellungen / Produktnutzen
Einstellungen & Wahrnehmung
Präferenzen, Motive & Absichten

QUESTIONSTAR · Dr. Paul Marx234 / 274

6.3 · SegmentierungNutzen-Segmentierung

Nutzen-Segmentierung

Der Nutzen, den Konsumenten von Produkten erwarten, gilt als eines der relevantesten Segmentierungsmerkmale überhaupt:

… Der Nutzen, den Menschen von Produkten erwarten, ist einer der Hauptgründe für die Heterogenität in ihrem Wahlverhalten. Somit ist der Nutzen das relevanteste Segmentierungsmerkmal.

— Haley, 1968

… Nutzen ist eines der beliebtesten Merkmale der Segmentierung — zwecks Marktverständnis, Positionierung, Entwicklung neuer Produktkonzepte sowie Werbe- und Vertriebsstrategien. Das alles aufgrund seiner Aktionsfähigkeit.

— Wind, 1978

QUESTIONSTAR · Dr. Paul Marx235 / 274

6.3 · SegmentierungBewertung der Merkmale

Bewertung von Segmentierungsmerkmalen

Merkmalstyp	Identifizier- barkeit	Substan- tialität	Zugäng- lichkeit	Stabilität	Handlungs- fähigkeit	Verhaltens- relevanz
1 · Generelle, beobachtbare	++	++	++	++	–	–
2 · Spezifische, beobachtbare
Kauf	+	++	–	+	–	+
Nutzung	+	++	+	+	–	+
3 · Generelle, nicht beobachtbare
Persönlichkeit	±	–	±	±	–	–
Lifestyle	±	–	±	±	–	–
Psychographische Merkmale	±	–	±	±	–	–
4 · Spezifische, nicht beobachtbare
Psychographische Merkmale	±	+	–	–	++	±
Wahrnehmung	±	+	–	–	+	–
Nutzen bzw. Nutzenvorstellungen	+	+	–	+	++	++
Absichten	+	+	–	±	–	++

Markiert — die in der Praxis aussichtsreichsten Merkmale: In Kombination decken sie die Segmentierungskriterien am besten ab.

++sehr geeignet +geeignet ±bedingt –ungeeignet

QUESTIONSTAR · Dr. Paul Marx236 / 274

6.3 · SegmentierungCluster-Profile · „Weihnachtsbäume"

Wie unterscheiden sich die Segmente?

Stamm = Gesamtmittel über alle Befragten Ast (gestrichelt) = Cluster-Mittel ± 1 Standardabweichung Reihenfolge oben → unten: F-Ratio absteigend (oben am besten trennend) Schematische Darstellung zur Veranschaulichung des Prinzips

Oben stehen die Merkmale mit der höchsten F-Ratio — kleine Streuung, klare Lage zum Stamm: Sie trennen die Segmente am besten. Nach unten wächst die Streuung, die Cluster überlappen — die Trennkraft sinkt.

QUESTIONSTAR · Dr. Paul Marx237 / 274

6.3 · SegmentierungParadox

Paradox der Nutzensegmentierung

Bei der Segmentierung nach erwartetem Nutzen muss man klar zwischen zwei Typen von Variablen unterscheiden:

Typ (i) · Trennen

Diskriminierende Variablen

Wichtig, um die Stichprobe in nach innen homogene Segmente zu trennen.

Typ (ii) · Verstehen

Treiber-Variablen

Wichtig, weil sie den Nutzen bzw. die Eigenschaften darstellen, die Probanden je Segment am meisten verlangen.

Es ist verlockend anzunehmen, beide seien dasselbe. Manchmal ja — meistens jedoch nicht: Die „Treiber" variieren oft gar nicht zwischen den Segmenten und besitzen keine Diskriminanzkraft (z. B. Preis, Qualität).

QUESTIONSTAR · Dr. Paul Marx238 / 274

Kapitel 6 · Fortgeschrittene Techniken Sektionsübersicht

Kapitel

Fortgeschrittene Techniken der Marktforschung

Einige nützliche Konzepte

6.1Conjoint-Analyse

6.2Marktsimulationen

6.3Segmentierung

6.4Wahrnehmungskarten

QUESTIONSTAR · Dr. Paul Marx239 / 274

6.4 · WahrnehmungskartenPositionierung

Positionierung

Positionierung richtet alle Marketingaktivitäten an den Präferenzstrukturen der potenziellen Kunden aus — unter Berücksichtigung der Wettbewerbsprodukte.

Ziel: die Unternehmensleistungen so zu gestalten, dass die von Kunden wahrgenommenen Ist-Eigenschaften mit den gewünschten Soll-Eigenschaften in Übereinstimmung gebracht werden.

Wie der rote Apfel zwischen grünen: eine klar unterscheidbare Position.

QUESTIONSTAR · Dr. Paul Marx240 / 274

6.4 · WahrnehmungskartenRolle der Wahrnehmung

Die Rolle der Wahrnehmung

Dieselben Probanden, dieselben Colas — nur das Wissen um die Marke ändert sich. Die Präferenz kippt:

Blindtest

Probanden wissen nicht, welche Cola sie trinken

Diet Pepsi

51 %

Diet Coke

44 %

Keine Präferenz

5 %

„Offener" Test

Probanden wissen, welche Cola sie trinken

Diet Pepsi

23 %

Diet Coke

65 %

Keine Präferenz

12 %

Blind gewinnt Pepsi — mit Markenwissen gewinnt Coke. Nicht das Produkt entscheidet, sondern die Wahrnehmung.

QUESTIONSTAR · Dr. Paul Marx241 / 274

6.4 · WahrnehmungskartenGrundbegriff

Wahrnehmungskarten

Wahrnehmungskarte von Biermarken mit Eigenschaftsvektoren

Budget

Hochwertig

Stark

Leicht

Arbeiter

Vollmundig

Stark

Populär unter
Männern

Zum
besonderen
Anlass

Auswärts essen

Hochwertig

Gutes Preis-
Leistungs-Verhältnis

Günstig

Hell

Leicht

Nicht
sättigend

Populär unter
Frauen

Wahrnehmungskarten bilden die Positionen konkurrierender Produkte, Marken oder Unternehmen in einem „virtuellen" Eigenschaftsraum ab — so, wie Konsumenten die gesamte Produktkategorie wahrnehmen.

Achsen

Die latenten Produkteigenschaften, die zwischen allen Alternativen am besten differenzieren.

Vektoren

Geben Richtung und Stärke wahrgenommener Produkteigenschaften an.

Abstände

Zwischen zwei Alternativen entsprechen dem Grad ihrer wahrgenommenen (Un-)Ähnlichkeit.

QUESTIONSTAR · Dr. Paul Marx242 / 274

6.4 · WahrnehmungskartenZiel der Positionierung

Ziel der Positionierung

Ziel der Positionierung ist es, in der Wahrnehmung von Konsumenten eine solche Position einzunehmen, die:

möglichst nah am Idealpunkt und
möglichst weit weg von der Konkurrenz ist.

Jede Achse ist eine latente Eigenschaft; jedes Produkt nimmt eine wahrgenommene Position ein.

QUESTIONSTAR · Dr. Paul Marx243 / 274

6.4 · WahrnehmungskartenBeispiel: Sessel-Designs

Wahrnehmungskarte von Sessel-Designs

Wahrnehmungskarte von 100 Sessel-Designs mit Eigenschaftsvektoren

Kompliziert

Emotional

Übertrieben

Leicht

Modern

Einfach

Rational

Realistisch

Schwer

Traditionell

Quelle: Chuang & Chen (2008), International Journal of Design

QUESTIONSTAR · Dr. Paul Marx244 / 274

6.4 · WahrnehmungskartenBeispiel: Biermarken

Wahrnehmungskarten

Budget

Hochwertig

Stark

Leicht

Arbeiter

Vollmundig

Stark

Populär unter
Männern

Zum
besonderen
Anlass

Auswärts essen

Hochwertig

Gutes Preis-
Leistungs-Verhältnis

Günstig

Hell

Leicht

Nicht
sättigend

Populär unter
Frauen

Quelle: Moore / Pessemier (1993), S. 145

QUESTIONSTAR · Dr. Paul Marx245 / 274

6.4 · WahrnehmungskartenWettbewerbsintensität

Wahrnehmungskarten

Wettbewerbsintensität

Je näher die Marken sind, desto ähnlicher sind sie in der Wahrnehmung der Konsumenten — desto stärker („direkter") ist der Wettbewerb.

Budget

Hochwertig

Stark

Leicht

Arbeiter

Vollmundig

Stark

Populär unter
Männern

Zum
besonderen
Anlass

Auswärts essen

Hochwertig

Gutes Preis-
Leistungs-Verhältnis

Günstig

Hell

Leicht

Nicht
sättigend

Populär unter
Frauen

Relativ starke Konkurrenz

Gleiche Distanz = ähnliche Wettbewerbsintensität

Relativ schwache Konkurrenz

QUESTIONSTAR · Dr. Paul Marx246 / 274

6.4 · WahrnehmungskartenEigenschaftsvektoren

Wahrnehmungskarten

Eigenschaftsvektoren

Wahrnehmung von Brands durch Konsumenten: Je weiter ein Brand vom Ursprung entlang eines Eigenschaftsvektors entfernt ist, desto stärker ist diese Eigenschaft bei ihm ausgeprägt.

Budget

Hochwertig

Stark

Leicht

Arbeiter

Vollmundig

Stark

Populär unter
Männern

Zum
besonderen
Anlass

Auswärts essen

Hochwertig

Gutes Preis-
Leistungs-Verhältnis

Günstig

Hell

Leicht

Nicht
sättigend

Populär unter
Frauen

Das populärste Bier unter Männern

Das unpopulärste Bier unter Männern

Gleiche Popularität unter Frauen, Unterschied unter Männern

QUESTIONSTAR · Dr. Paul Marx247 / 274

6.4 · WahrnehmungskartenBeziehungen zwischen Eigenschaften

Wahrnehmungskarten

Beziehungen zwischen den Eigenschaften

Je kleiner der Winkel zwischen Eigenschaftsvektoren, desto höher ist deren paarweise Korrelation.

Budget

Hochwertig

Stark

Leicht

Arbeiter

Vollmundig

Stark

Populär unter
Männern

Zum
besonderen
Anlass

Auswärts essen

Hochwertig

Gutes Preis-
Leistungs-Verhältnis

Günstig

Hell

Leicht

Nicht
sättigend

Populär unter
Frauen

Gleiche Popularität unter Männern, starker Unterschied unter Frauen

Gleiche Popularität unter Frauen, Unterschied unter Männern

Die unter Männern populären Marken neigen dazu, stark zu sein

Rechter Winkel ⇒ Popularität unter Männern sagt nichts über Popularität unter Frauen aus

QUESTIONSTAR · Dr. Paul Marx248 / 274

6.4 · WahrnehmungskartenLänge = Differenzierungsgrad

Wahrnehmungskarten

Länge des Eigenschaftsvektors zeigt seinen Differenzierungsgrad

Je länger der Vektor ist, desto stärker differenziert diese Eigenschaft zwischen den Bieren.

Gutes Preis-Leistungs-Verhältnis

Populär unter Männern

Konsumenten können die Marken auf der Dimension „Populär unter Männern" besser differenzieren als auf der Dimension „Gutes Preis-Leistungs-Verhältnis".

Budget

Hochwertig

Stark

Leicht

Arbeiter

Vollmundig

Stark

Populär unter
Männern

Zum
besonderen
Anlass

Auswärts essen

Hochwertig

Gutes Preis-
Leistungs-Verhältnis

Günstig

Hell

Leicht

Nicht
sättigend

Populär unter
Frauen

QUESTIONSTAR · Dr. Paul Marx249 / 274

6.4 · WahrnehmungskartenAchsen = stärkste Differenzierung

Wahrnehmungskarten

Achsen differenzieren am stärksten

Achsen sind „virtuelle" Eigenschaftsvektoren, die am stärksten differenzieren. Ihre Bezeichnung wird meist aus den benachbarten Vektoren abgeleitet.

Budget

Hochwertig

Stark

Leicht

Arbeiter

Vollmundig

Stark

Populär unter
Männern

Zum
besonderen
Anlass

Auswärts essen

Hochwertig

Gutes Preis-
Leistungs-Verhältnis

Günstig

Hell

Leicht

Nicht
sättigend

Populär unter
Frauen

Zeigen in etwa eine Richtung; korrelieren sowohl rechnerisch als auch inhaltlich

QUESTIONSTAR · Dr. Paul Marx250 / 274

6.4 · Wahrnehmungskarten… und Segmentierung

Wahrnehmungskarten

Wahrnehmungskarten und Segmentierung

Einfache Bewertung von Segmentpotenzialen und -attraktivität; einfache Formulierung von Positionierungsstrategien, -aussagen und Werbekampagnen.

Mögliche Themen für Werbekampagnen:

Segment A: Starkes Bier für starke Männer.

Segment B: Echte Ladies trinken hochwertiges helles Bier zu besonderen Anlässen.

Segment C: Leichtes Helles — gutes Bier zum guten Preis.

Budget

Hochwertig

Stark

Leicht

Arbeiter

Vollmundig

Stark

Populär unter
Männern

Zum
besonderen
Anlass

Auswärts essen

Hochwertig

Gutes Preis-
Leistungs-Verhältnis

Günstig

Hell

Leicht

Nicht
sättigend

Populär unter
Frauen

Segment
A

Segment
C

Segment
B

Präferenzen vom Segment C sind nicht befriedigt → offene Marktlücke?

QUESTIONSTAR · Dr. Paul Marx251 / 274

6.4 · WahrnehmungskartenBeispiel: Schmerzmittel

Beispiel: Wahrnehmungskarte von Schmerzmittel

Prüfen Sie sich:

Welche Medikamente stehen unter stärkster Konkurrenz?

Wie lassen sich diese Medikamente in Begriffen von nur einer der dargestellten Eigenschaften aus Marketing-Sicht am besten beschreiben?

Anhand welcher zwei Eigenschaften lassen sich die Vorzüge eines Medikaments am besten kommunizieren?

Kann ein Unternehmen einen höheren Preis dadurch rechtfertigen, dass sein Medikament sanfter als alle anderen ist?

Welche Eigenschaft (außer „Gut für Kinder") sollte ein Hersteller von Kindermedikamenten zuerst optimieren?

Wahrnehmungskarte von Schmerzmittel-Marken

Sanft

Fairer Preis

Gut für Kinder

Hart zu schlucken

Lange Wirkung

Effektivität

QUESTIONSTAR · Dr. Paul Marx252 / 274

6.4 · WahrnehmungskartenBeispiel: Schmerzmittel · Lösung

Beispiel: Wahrnehmungskarte von Schmerzmittel

Prüfen Sie sich:

Welche Medikamente stehen unter stärkster Konkurrenz?Tylenol und Motrin (am nächsten zueinander)

Eine Eigenschaft zur besten Beschreibung?„Sanft" — am weitesten vom Ursprung entlang dieses Vektors

Welche zwei Eigenschaften kommunizieren die Vorzüge am besten?„Sanft" und „Effektivität" (die längsten Vektoren)

Höherer Preis, weil sanfter als alle anderen?Nein! In der Wahrnehmung sind diese Eigenschaften unabhängig voneinander.

Welche Eigenschaft (außer „Gut für Kinder") zuerst optimieren?„Hart zu schlucken" — kleinster Winkel zu „Gut für Kinder".

Wahrnehmungskarte von Schmerzmittel-Marken mit Eigenschaftsvektoren

Sanft

Fairer Preis

Gut für Kinder

Hart zu schlucken

Lange Wirkung

Effektivität

QUESTIONSTAR · Dr. Paul Marx253 / 274

6.4 · WahrnehmungskartenLebensmittel

Wichtigkeit der Wahrnehmung in Positionierung

Kurioser aber typischer Fall

40 Lebensmittel: subjektive Wahrnehmung vs. objektive Eigenschaften.

Wahrnehmungskarte von 40 Lebensmitteln: objektive vs. subjektiv wahrgenommene Eigenschaften

QUESTIONSTAR · Dr. Paul Marx254 / 274

6.4 · WahrnehmungskartenLebensmittel · Fazit

Wichtigkeit der Wahrnehmung in Positionierung

Kurioser aber typischer Fall

40 Lebensmittel: subjektive Wahrnehmung vs. objektive Eigenschaften.

Die Wahrnehmung bzw. Bewertung vieler Lebensmitteleigenschaften hat oft nichts oder sehr wenig mit dem realen Gehalt dieser Eigenschaften zu tun.

Wahrnehmungskarte von 40 Lebensmitteln mit farbig hervorgehobenen Eigenschaftsvektoren

QUESTIONSTAR · Dr. Paul Marx255 / 274

Kapitel 7 Kapitelübersicht

Kapitel

Ergebnisse berichten

Berichterstellung & Präsentation — Stufe 6 des Forschungsprozesses

Manager sollen den Bericht leicht verstehen, den Ergebnissen vertrauen und wissen, welche Maßnahmen sie ergreifen sollten.

QUESTIONSTAR · Dr. Paul Marx256 / 274

Kapitel 7 · Ergebnisse berichtenEinordnung

Die letzte Stufe des Forschungsprozesses

1Problemdefinition

›

2Forschungsansatz

›

3Forschungsdesign

›

4Feldarbeit / Datenerhebung

›

5Datenaufbereitung & Analyse

›

6Bericht & Präsentation

Letzter Schritt

Der Bericht ist der am häufigsten unterschätzte Schritt des Forschungsprozesses.

Voller Wert oder verloren

Selbst eine methodisch perfekte Studie verliert ihren Wert, wenn die Ergebnisse schlecht vermittelt werden.

Ziel

Ergebnisse so darstellen, dass sie unmittelbar in die Entscheidung einfließen — nicht nur zusammenfassen, sondern interpretieren.

QUESTIONSTAR · Dr. Paul Marx257 / 274

Kapitel 7 · Ergebnisse berichtenBedeutung

Warum Bericht und Präsentation zählen

Greifbares Produkt

Nach Projektende bleibt oft nur der schriftliche Bericht — er dient als historischer Beleg der gesamten Studie.

Schachkönig als Sinnbild der Managemententscheidung

Entscheidungsgrundlage

Die Managemententscheidung stützt sich auf den Bericht. Ein schwacher Abschluss entwertet die gesamte vorausgegangene Forschung.

Einziger Berührungspunkt

Viele Manager erleben nur Bericht und Vortrag — und bewerten daran die Qualität des gesamten Projekts.

Kreislauf-Pfeil als Sinnbild für Folgeaufträge

Basis für Folgeaufträge

Die Entscheidung für künftige Forschung oder denselben Dienstleister hängt am wahrgenommenen Nutzen.

QUESTIONSTAR · Dr. Paul Marx258 / 274

Kapitel 7 · Ergebnisse berichtenProzess

Vom Datenergebnis zum Follow-up

Interpretation der Datenanalyse

›

Schlussfolgerungen & Empfehlungen

›

Berichterstellung

›

Mündliche Präsentation

›

Lektüre durch den Auftraggeber

›

Research Follow-up

Interpretieren statt zusammenfassen

Die Ergebnisse sollen direkt als Input in die Entscheidungsfindung dienen; wo sinnvoll, werden Schlüsse gezogen und umsetzbare Empfehlungen gegeben.

Vorab abstimmen

Kernergebnisse, Schlüsse und Empfehlungen vor dem Schreiben mit den Entscheidungsträgern besprechen — das sichert Passung, Akzeptanz und Liefertermine.

QUESTIONSTAR · Dr. Paul Marx259 / 274

Kapitel 7 · BerichtsformatGliederung

Die typische Gliederung — elf Elemente

Vorspann

Anschreiben
Titelblatt
Inhaltsverzeichnis
Executive Summary

Hauptteil

Problemdefinition
Ansatz & Forschungsdesign
Datenanalyse
Ergebnisse

Schluss

Schlussfolgerungen & Empfehlungen
Limitationen & Vorbehalte

+ Eigenständig Anhang — Autorisierung, Fragebogen, Stichprobendetails, technische Tabellen.

QUESTIONSTAR · Dr. Paul Marx260 / 274

Kapitel 7 · BerichtsformatVorspann

Was vor dem eigentlichen Bericht steht

Anschreiben

Übergibt den Bericht, fasst die Projekterfahrung zusammen (ohne Ergebnisse) und weist auf nötige Folgeschritte hin.

Titelblatt

Titel im Manager-Ton statt »Research-Speak«; Angaben zu Forscher und Auftraggeber, Datum.

Inhaltsverzeichnis

Haupt- und Unterüberschriften mit Seitenzahlen; danach Verzeichnisse für Tabellen, Grafiken, Anhänge.

Executive Summary

Oft der einzige Teil, den die Geschäftsleitung liest.

Beschreibt knapp Problem, Ansatz und Design und widmet einen Abschnitt den zentralen Ergebnissen, Schlüssen und Empfehlungen. Wird zuletzt geschrieben — erst wenn der gesamte Bericht steht.

QUESTIONSTAR · Dr. Paul Marx261 / 274

Kapitel 7 · BerichtsformatHaupt- & Schlussteil

Der inhaltliche Kern

Problemdefinition

Hintergrund, Gespräche mit Entscheidern und Experten, dann klare Management- und Forschungsfrage.

Ansatz & Design

Theoretische Grundlagen, Modelle, Hypothesen; Methoden grafisch und nicht-technisch, Details in den Anhang.

Datenanalyse

Analyseplan und -techniken begründen, in einfachen Begriffen mit Beispielen erklären.

Ergebnisse

Längster Teil. Gliederung nach Analyseform, Erhebungsmethode oder Zielen — an den Informationsbedarf gekoppelt.

Schlussfolgerungen & Empfehlungen

Nicht bloß zusammenfassen: interpretieren und — wenn möglich — umsetzbare Empfehlungen ableiten.

Limitationen & Anhang

Grenzen ausgewogen benennen, ohne Vertrauen zu untergraben; Anhang mit Autorisierung, Fragebogen, Stichprobe.

QUESTIONSTAR · Dr. Paul Marx262 / 274

Kapitel 7 · BerichtsschreibenGrundsätze

Grundsätze guten Schreibens

Leserorientiert

Für die Entscheider schreiben; Fachjargon vermeiden, technische Begriffe in den Anhang.

Leicht zu folgen

Logische Struktur, Überschriften, kurze klare Sätze; von Außenstehenden gegenlesen lassen.

Professionell

Sorgfältige Gestaltung; Typografie variieren — aber nur so weit, wie es das Verständnis stützt.

Objektiv

Design, Ergebnisse und Schlüsse korrekt darstellen, nicht den Erwartungen des Managements anpassen.

Text ↔ Grafik

Schlüsselinfos mit Tabellen/Grafiken verstärken — und Grafiken mit Zitaten zum Leben erwecken.

Prägnant

Alles Unnötige weglassen — Kürze jedoch nie auf Kosten der Vollständigkeit.

»Die Leser Ihrer Berichte sind beschäftigte Menschen — kaum jemand kann Bericht, Kaffee und Wörterbuch gleichzeitig balancieren.«

QUESTIONSTAR · Dr. Paul Marx263 / 274

Kapitel 7 · VisualisierungTabellen

Richtlinien für Tabellen

Nummer & Titel — eindeutige arabische Nummer, kurzer beschreibender Titel, im Text referenzierbar.
Anordnung der Daten — nach dem wichtigsten Aspekt ordnen: Zeit, Größenordnung oder alphabetisch.
Maßeinheit — Basis klar angeben (Spalten- vs. Zeilenprozente, Stichprobengröße).
Lesehilfen — Linien, Schattierung oder Weißraum führen das Auge über die Zeile.
Überschriften, Stubs, Fußnoten — Spaltenköpfe, linke Randspalte, erklärende Fußnoten.
Quelle — bei Sekundärdaten die Datenquelle nennen.

Beispiel · Tabelle 25.1 — GlobalCash

EMU-Wirkung	Gesamt	Single	Dual	Multiple
Bestehende Beziehungen	46 %	41 %	45 %	48 %
Weniger Banken (Eurozone)	33 %	31 %	30 %	35 %
Eine Hauptbank koordiniert	33 %	43 %	39 %	29 %
Weniger Banken je Land	22 %	15 %	17 %	25 %

Stub = linke Randspalte · Heading = Spaltenkopf · % als Spaltenprozente

Quelle: GlobalCash-Europe98, Statistical Report for Europe, S. 137

QUESTIONSTAR · Dr. Paul Marx264 / 274

Kapitel 7 · VisualisierungGrafiktypen

Grafiktypen im Überblick

Karten

Geo- und Positionierungskarten zeigen Standorte, Kunden, Wettbewerber — Basis der Geodemografie.

Kreis- / Tortendiagramm

Einfache relative Häufigkeiten. Nicht für Zeitverläufe oder mehrere Variablen.

Liniendiagramm

Verbindet Datenpunkte — ideal für Trends über die Zeit; mehrere Reihen vergleichbar.

Balken / Histogramm

Zeigt absolute/relative Größen und Differenzen. Histogramm = vertikale Häufigkeiten.

Gestapelt / gruppiert

Wenige Datenpunkte, um Unterschiede zwischen Gruppen qualitativ darzustellen.

Schaubilder & Flowcharts

Stellen Prozessschritte oder die Verknüpfung qualitativer Ideen dar.

QUESTIONSTAR · Dr. Paul Marx265 / 274

Kapitel 7 · VisualisierungZwei Regeln

Zwei Regeln, die man nicht vergisst

Kreisdiagramm

max. 7 Segmente

Für einfache relative Häufigkeiten geeignet — nicht für Zeitverläufe oder Beziehungen zwischen mehreren Variablen.

Vorsicht

Keine 3D-Diagramme

3D verzerrt relative Größen und verwirrt das Publikum. Programme bieten viele 3D-Optionen — kaum eine stellt Daten klar und unverzerrt dar.

QUESTIONSTAR · Dr. Paul Marx266 / 274

Kapitel 7 · Mündliche PräsentationDer Vortrag

Der Vortrag prägt den ersten Eindruck

Vorbereitung ist alles

Skript/Outline nach dem Bericht, mehrfach proben.

Aufs Publikum zuschneiden

Hintergrund, Interesse und Betroffenheit der Zuhörer kennen.

Visuelle Medien

Flipchart, Projektor, Software — die Botschaft nie aus dem Blick verlieren.

Körpersprache & Stimme

Gestik, Blickkontakt, Lautstärke und Tempo variieren; starker Schluss.

Akustische Gitarre als Metapher: das Werkzeug allein trägt den Auftritt nicht

»My paradigm is the guitar.« Technik ist nur Werkzeug — die gute Gitarre allein trägt den Auftritt nicht. Sie tun es.»Predictability precedes boredom.«

QUESTIONSTAR · Dr. Paul Marx267 / 274

Kapitel 7 · Nach der PräsentationFollow-up

Research Follow-up

Den Auftraggeber unterstützen

Technische Teile erklären, bei der Umsetzung helfen, Folgeprojekte besprechen und Ergebnisse ins MIS/DSS integrieren.

Das Projekt evaluieren

Solange es frisch ist, kritisch fragen: »Hätte man das Projekt effektiver oder effizienter durchführen können?«

Vertrauen als Schlüssel

Die Qualität der persönlichen Interaktion zwischen Manager und Forschendem prägt die wahrgenommene Qualität des Berichts selbst. Vertrauen beeinflusst Beziehungsqualität, Engagement, Bindung — und letztlich, wie stark die Marktforschung tatsächlich genutzt wird.

QUESTIONSTAR · Dr. Paul Marx268 / 274

Kapitel 7 · InternationalLänder & Sprachen

Berichte über Länder und Sprachen hinweg

Mehrere Versionen

Für Management in verschiedenen Ländern und Sprachen eigene, leserspezifische Versionen — inhaltlich vergleichbar, im Format ggf. unterschiedlich.

Kulturelle Sensibilität

Beim Vortrag kulturelle Normen beachten — Humor ist nicht überall angebracht. Empfehlungen ggf. länderspezifisch anpassen.

Praxisbezug

Parallel gepflegte Sprachversionen (z. B. DE / RU / KZ) sind kein Übersetzungs-, sondern ein Berichtsproblem: feldweise Lokalisierung, vergleichbare Kennzahlen, konsistente Begriffe.

QUESTIONSTAR · Dr. Paul Marx269 / 274

Kapitel 7 · EthikIntegrität

Integrität bei Interpretation und Bericht

Waage als Sinnbild für Integrität und Objektivität

33%

der befragten Marktforscher nennen Fragen der Forschungsintegrität als ihr schwierigstes ethisches Problem.

Typische Verstöße

Relevante Daten ignorieren
Das Forschungsdesign kompromittieren
Statistiken bewusst missbrauchen
Zahlen fälschen oder Ergebnisse verändern
Ergebnisse zugunsten einer Sichtweise umdeuten
Informationen zurückhalten

Versuchung widerstehen: Aus uneindeutigen Befunden eine »kohärente, wohlgeformte Geschichte« zu formen, ist befriedigend — aber unethisch. Objektivität wahren, auch wenn nichts Signifikantes herauskommt.

QUESTIONSTAR · Dr. Paul Marx270 / 274

Kapitel 7 · Reporting heutePush → Pull

Vom »Push« zum »Pull«

Damals

Gedruckter Bericht, »push«
Passwortgeschützte Intranet-Berichte
Erste Multimedia-Reports im Web
Suchbar, weltweit abrufbar

Heute

Interaktive Dashboards, »pull«
Echtzeit-Daten & Live-Filter
Kreuztabellen und Gewichtung on demand
Verknüpfte Reports, Regeln zur Robustheit

Interaktives Analyse-Dashboard auf einem Tablet

QUESTIONSTAR · Dr. Paul Marx271 / 274

Kapitel 7 · ZusammenfassungTake-aways

Die wichtigsten Take-aways

Letzter Schritt, voller Hebel

Bericht und Präsentation entscheiden über den wahrgenommenen Wert der gesamten Studie.

Interpretieren, nicht referieren

Ergebnisse als Entscheidungsinput aufbereiten — mit umsetzbaren Empfehlungen.

Leser zuerst

Jargon vermeiden, klar strukturieren, Text und Visualisierung gegenseitig stützen.

Visualisierung mit Disziplin

≤ 7 Tortensegmente, Vorsicht bei 3D, Tabellen sauber beschriften.

Mensch vor Technik

Der Vortrag lebt vom Vortragenden — nicht von der Folie.

Integrität & Follow-up

Objektiv bleiben, beim Auftraggeber nachfassen, das eigene Projekt evaluieren.

QUESTIONSTAR · Dr. Paul Marx272 / 274

Grundlagen der UmfrageforschungÜber den Autor

Über den Autor

Dr. Paul Marx war Professor für Marketing an der Universität Siegen, wo er insbesondere zu E-Commerce, Präferenzmessung, Neue Medien, Big Data und Empfehlungssystemen forschte. Er studierte Aero- und Hydrodynamik sowie Management an der Staatlichen Technischen Universität Nowosibirsk (Russland) und bekleidete anschließend leitende Positionen im Marketing. Im Jahr 2000 zog er nach Deutschland, vertiefte sein Studium der Wirtschaftswissenschaften an der Universität Hannover und gründete den Online-Service für Online-Umfragen eQuestionnaire — heute QUESTIONSTAR. Paul promovierte an der Bauhaus-Universität Weimar und veröffentlichte seine Forschung in führenden internationalen Zeitschriften, u. a. im Journal of Marketing.

Motaev Marx Motaev GbR Vahrenwalder Str. 253 · 30179 Hannover · Germany T +49 511 89 86 15 34 E info@questionstar.de

QUESTIONSTAR · Dr. Paul Marx273 / 274

Grundlagen der UmfrageforschungQuellen

Referenzen & Lizenz

Referenzen

Backhaus, K., Erichson, B., Plinke, W., Weiber, R. (2015): „Multivariate Analysemethoden: Eine anwendungsorientierte Einführung“, Springer Gabler, 14. Auflage.
Brandt, D. R. (1996): „Secure Customer Index“, Maritz Research.
Bruner, G. C. (2012): „Marketing Scales Handbook“, Vol. 6.
Burke, Inc. — burke.com.
Chuang, S.-C., Chen, H.-C. (2008): International Journal of Design.
Malhotra, N. K. (2020): „Marketing Research: An Applied Orientation“, Prentice Hall, 6th edition.
Marx, P. (1979–2026) — eigene internationale Erfahrung.
Moore, W. L., Pessemier, E. A. (1993), S. 145.
Myers, J. H. (1996): „Segmentation & Positioning for Strategic Marketing Decisions“, South Western Educ. Pub.
Noelle-Neumann, E., Petersen, T. (1998): „Alle, nicht jeder. Einführung in die Methoden der Demoskopie“, Springer, S. 192.
Reichheld, F. (2003): „The One Number You Need to Grow“, Harvard Business Review.
Reichheld, F., Markey, R. (2011): „The Ultimate Question 2.0“, Harvard Business Review Press.
Sullivan III, M. (2010): „Statistics: Informed Decisions Using Data“, Pearson, 3rd edition.
Visocky O'Grady, J. & K. (2009): „The Information Design Handbook“, HOW Books.
Course „Statistics I“ of Elgin Community College.

Lizenz & Haftungsausschluss

Haftungsausschluss: Der Autor sowie affiliierte Personen/Organisationen können für die Verletzung jeglicher Lizenzbedingungen nicht verantwortlich gemacht werden, sofern diese nicht durch ihr aktives Tun verursacht wurden. Markennamen und geschützte Warenzeichen sind Eigentum ihrer jeweiligen Inhaber und werden lediglich beschreibend genannt. Irrtümer vorbehalten.

CC BY-NC-SA 3.0

Diese Präsentation unterliegt der Creative-Commons-Attribution-NonCommercial-ShareAlike-Lizenz, soweit nicht anders angegeben. Jede Nutzung oder Verbreitung erfordert einen Verweis auf diese Präsentation und die explizite Nennung von Dr. Paul Marx und QUESTIONSTAR.

QUESTIONSTAR · Dr. Paul Marx274 / 274

Grundlagen derUmfrageforschung

Grundlagen der Umfrageforschung

Grundlagen derUmfrageforschung

Grundlagen derUmfrageforschung

Inhalt

Einführung

Einführung

Was ist Forschung?

Umfrage

Marktforschung

Praktische Nutzung von Umfragen

Prozess der Marktforschung — die „5 D’s"

Wann sollte man keine Marktforschungs­projekte starten?

Einführung

Typologie der Marktforschung

Marktforschungstypologie nach Zielen

Marktforschungstypologie nach Datenquellen

Marktforschungstypologie nach Methodologie

Triangulation

Aber in Wirklichkeit ist alles chaotischer.

Umfrage: Messung und Skalierung

Umfrage: Messung und Skalierung

Messung

Skalierung

Grundlegende Typen von Skalen

Wichtige Skalen in Marketing

Typologie von Skalierungsverfahren

Vergleich von Skalierungsverfahren

Umfrage: Messung und Skalierung

Typologie von Skalierungsverfahren

Vor- und Nachteile von komparativen Skalen

Vorteile

Nachteile

Komparative Skalen: Paarweise Vergleiche

Paarweise Vergleiche

Komparative Skalen: Paarweise Vergleiche

Paarweise Vergleiche: Vor- und Nachteile

Vorteile

Nachteile

Verletzung der Transitivitäts­annahme in paarweisen Vergleichen

Verletzung der Transitivität bei Aggregation von Präferenzen

Komparative Skalen: Rangordnungsverfahren

Rangordnungs­verfahren

Rangordnungsverfahren: Beispiel

Rangordnungsverfahren: Beispiele

Rangordnungsverfahren: Beispiel

Rangordnungsverfahren: Vor- und Nachteile

Vorteile

Nachteile

Komparative Skalen: Konstantsummenverfahren

Konstantsummen­verfahren

Konstantsummenverfahren: Beispiel der Auswertung

Konstantsummenverfahren: Beispiel

Konstantsummenverfahren: Beispiele

Konstantsummenverfahren: Vor- und Nachteile

Vorteile

Nachteile

Komparative Skalen: Q-Sortierung

Q-Sortierung

Umfrage: Messung und Skalierung

Typologie von Skalierungsverfahren

Kontinuierliche Ratingskalen

Kontinuierliche Ratingskalen

Perception Analyzer

Likert-Skala

Likert-Skala

Likert-Skala: Beispiele

Populäre Likert-Skalen in Marketing

Semantisches Differential

Semantisches Differential

Semantisches Differential: Profil

Profildarstellung

Semantisches Differential: Beispiel

Profil-Vergleich

Stapel-Skala

Stapel-Skala

Wichtigste nicht-komparative Skalen

Konstruktion von diskreten Ratingskalen

Anzahl von Antwortkategorien

Involvement & Wissen

Grundlagen der
Umfrageforschung

Grundlagen der
Umfrageforschung

Grundlagen der
Umfrageforschung

Wann sollte man keine Marktforschungsprojekte starten?

Verletzung der Transitivitätsannahme in paarweisen Vergleichen

Rangordnungsverfahren

Konstantsummenverfahren

Net Promoter Score^® — Prädiktor des Unternehmenswachstums?

Net Promoter Score^®: Warnung