Markenkunde.de

Wie oft wird eigentlich wann nach was gegooglet? Welche Begriffe werden oft, und welche weniger oft gesucht? Welche Trends gibt es bei relevanten Begriffen? Ab wann hat eine Marke, ein Produkte oder ein Unternehmen genug Aufmerksamkeit erreicht, sodass aktive Informationssuche danach betrieben wird?

Fragen über Fragen, die man sich als Marketingmensch gerne mal stellt, wenn es um Wirkungsanalysen von Kampagnen oder um Trendforschung bzw. Trendanalysen geht. Da google ja bekannterweise so ziemlich alles bietet, was man irgendwie brauchen kann, gibt es auch hierzu eine Lösung: GoogleInsights.

Über dieses Tool kann man sich Zeitreihen ab 2004 ausgeben lassen und mehrere Begriffe im Vergleich tracken. Außerdem lassen sich dieZeitreihen auch nur für einzelne Zeitintervalle, Geographische Regionen oder Themenkategorien anzeigen. Das ganze ist natürlich auch nicht nur für die Websuche möglich, sondern auch für googles Bilder- oder Produktsuche.

Google wäre aber nicht google, wenn das schon alles wäre Die Daten können im Excelformat heruntergeladen werden und so auch in andere Analysen integriert werden. Außerdem können die Diagramme in andere Websites implementiert werden. Mehr speziell dazu + ein paar Berechnungen evtl. bald Außerdem sieht man die Herkunft, und eine weitere Funktion ermöglicht es einem sogar, sich die die weltweite Verbreitung der Suchanfragen zu visualisieren. Außerdem werden “Knicken” in den Zeitreihen relevante Nachrichtenmeldungen der entsprechenden Daten hinzugefügt.

Hier zum Beispiel mal die Suchanfragenstatistik zum Begriff Twitter:

… oder zu Second Life:

… oder zu Bionade Quitte (man denke dabei an diese Kampagne!)

Auch ganz interessant:
Suche nach Schweinegrippe und Vogelgrippe - die Schweinegrippe scheint uns wohl doch stärker zu interessieren als die Vogelgrippe! Klick!

Viel Spaß!

Oft benötigt man bei Kundenzufriedenheitsstuden bzw. Treiberanalysen Mittelwerte von Korrelationskoeffizienten, um eine Idee zu bekommen, wo man die Felder einer “Zufriedenheitstreiber-Matrix” oder Ähnlichem trennt. Dazu gibt es mehrere Möglichkeiten, von “pi mal Daumen - hier siehts ganz gut aus” über “Koeffizienten addieren und durch die Anzahl der Koeffizienten teilen”, usw… Aber es gibt auch noch eine analytisch-richtige Möglichkeit

Nach dem selben Schema, wie man Korrleationskoeffizienten vergleicht, berechnet man auch die Mittelwerte:
1. Schritt: Transformation in Fisher’s-Z-Werte
2. Schritt: Berechnung des arithmetischen Mittels der Fisher’s-Z-Werte
3. Schritt: Re-Transformation des mittleren Fisher’s-Z-Wertes

fertig

Da das immer sehr viel Mühe ist, hier mal ein kleines Excel-Tool, dass das für einen übernimmt. Mathematisch nichts weltbewegendes, aber doch ganz praktisch wenns schnell gehen muss… Einfach die Korrelationskoeffizienten in die grauen Felder eingeben (müsste genügend Platz sein), in der Tabelle oben gibt’s dann automatisch das “echte” Ergebnis (in fett). Zum “Nochmal-Nachlesen” bietet sich bspw. Bortz - Statistik für Human- und Sozialwissenschaftler (6. Auflage, 2004), S. 219 an.

WICHTIG!
Wenn mit weniger Koeffizienten Koeffizienten gerechnet wird (also nicht alle grauen Felder ausgefüllt sind), bezieht der “errechnete, echte Mittelwert” trotzdem alle Z-Werte mit ein. Die Z-Werte neben leeren Felder muss man also einfach noch schnell manuell rauslöschen (Wert: 0,000). Wird bald mal irgendwie geändert, sodass keine manuellen Eingriffe mehr nötig sind!

Viel Spaß!

LINK ZUM DOWNLOAD:
Tool zur Mittelwertberechnung von Korrelationskoeffizienten (.xls)

Nachdem ich kürzlich den ersten Beitrag in der Rubrik Marketing-Tools geschrieben habe, und damit auch das Thema der Fallgewichtung in SPSS angesprochen habe, möchte ich nun anhand einer einfachen Version vorstellen. Ist antürlich so noch nicht vollständig und aussagekräftig, dafür beschreibt es aber mal ganz einfach die Art und Weise, wie man Excel zum Generieren von SPSS-Syntaxen nutzen kann, und wie ein einfacher Gewichtungssyntax aussehen kann.

Der Hintergrund ist recht einfach: In der Mappe “Konfiguration” gibt man ein, wie die Grundgesamtheit aussieht, wie die Geschlechtsvariable heißt, und welche Ausprägung für männlich und welche für weiblich steht. Diese Daten sind über “Verketten-Funktionen” miteinander verknüpft und ergeben einen Syntax - in der 2. Mappe “Datensatz_analysieren”. Diesen kopiert man in SPSS, startet ihn ([STRG] + [R]) und erhält als Ergebnis eine Häufigkeitstabelle. Diese kopiert man aus dem SPSS-Output wieder in das Excelfile, und zwar genau an die rot markierte Stelle in der gleichen Mappe. Nun hat man die “Soll-Daten” (eigene Eingabe) und die “Ist-Daten” (aus dem Datensatz). Diese Ergeben in Relation zueinander die Gewichte. Diese werden nun berechnet und ebenfalls über Verketten-Funktionen gleich in einen neuen Syntax eingebettet, der eure Datei dann auch gewichtet - in der letzten Mapp “Gewichtung”. An Euren Rohdaten ändert das Tool nichts, es werden lediglich zwei neue Variablen (wm_gend als einheitliche Geschlechtsvariable und vargew als Gewichtungsvariable) hinzugefügt.

Demnächst stelle ich eine Erweiterung des Tools online, bei der dann auch mehrere Gewichtungsvariablen, z.B. Alter, Geschlecht, Einkommen, Familienstand, usw… berücksichtigt werden.

LINK ZUM DOWNLOAD:
Tool: SPSS-Daten gewichten [Download, xls]

…ganz so drastisch kann man die Ergebnisse einer Pricing-Studie der Zeppeling University Friedrichshafen wohl nicht deuten. Trotzdem hat das Team um Prof. Dr. Peter Kenning mit zwei Referenzgruppen untersucht, welchen Eifluss Zucker / Glukose auf die Preisfairness hat. Wurde ein Preis als unfair beurteilt, so wurde man aufgefordert, einen fairen Alternativpreis zu nennen.

Ergebnis der Studie: Die Zahlungsbereitschaft der Experimentalgruppe, welche zuvor Wasser mit 80Gr gelöster Glukose zu sich genommen hat (das entspricht in etwa der empfohlenen Tagesdosis), hatte die Preise signifikant öfter als “fair” beurteilt als bei den Kontrollgruppen. Auch die alternativen Preisvorschläge lagen signifikant höher als bei den Kontrollgruppen.

Interessant wäre nun, ob ein süßer Kaffee beim Verkaufsgespräch oder Probierstände im Süßigkeitenbereich den Gesamtumsatz steigern könnten…

All zu viel weitere Infos über die Studie wurden bisher leider noch nicht veröffentlicht. Nächstes Jahr erscheint allerdings ein entsprechender Artikel dazu:

Eberhardt, Tim / Fojcik, T. / Linzmajer, M. / Hubert, Mirja / Kenning, Peter: The Sweet Side of Sugar - The Influence of Raised Insulin Levels on Price Fairness and Willingness to Pay, Advances in Consumer Research, 2010.

Links:
Artikel bei Absatzwirtschaft
Artikel beim Handelsblatt
Lehrstuhlwebsite

Bündnis 90/Die Grünen und die CDU sind aus Sicht der Internetnutzer mit ihren Webauftritten am besten für den Bundestagswahlkampf aufgestellt. Dies zeigt die aktuelle Studie von facit digital.

Zwei Drittel der deutschen wahlberechtigten Online-Nutzer setzen das Internet heute ein, um sich über Politik zu informieren. Nach dem erfolgreichen Onlinewahlkampf Barack Obamas sind auch die Websites der deutschen Parteien zur anstehenden Bundestagswahl ins Zentrum der öffentlichen Aufmerksamkeit gerückt.

Doch erfüllen die Websites der großen Parteien auch die Wünsche der tatsächlichen Nutzer? Finden diese dort die Informationen, die sie suchen? Diesen Fragen ist das auf digitale Medien spezialisierte Marktforschungsinstitut facit digital in seiner aktuellen Nutzerstudie nachgegangen. (quelle)

Bewertet wurden die Websites in mehreren Dimensionen (Bedienbarkeit, Optische Anmutung, Möglichkeitm, sich einzubringen (”Web 2.0″), Funktionsumfang und Informationsangebot), außerdem wurde die Ãœbersichtlichkeit der Internetauftritte durch Suchanweisungen getestet. Ebenfalls interessant sind die Auswirkungen der Websitebesuche auf die Sympathie für die Parteien. Hierzu wurde die Sympathie zu einer Partei vor und nach der Beurteilung abgefragt. Natürlich ist hier anzuzweifeln, dass dieser Anstieg in einer Testsituation erhoben wurde und somit auch die Texte (mit dem Ziel der Symapthiesteigerung) deutlich genauer gelesen wurden als dies ein “normaler” Nutzer tut. Differenziert wurde auch nach verschiedenen Teilstichproben. Interessant ist: FDP-Anhänger finden ihre präferierte Partei NACH dem Websitebesuch um 7 Punkte weniger (!!!) sympatisch als davor!

Befragt wurden 260 Personen in einer Onlinebefragung, gewichtet wurde anhand der Sonntagsfrage (W3B). Definitiv eine interessante Marktforschungstudie bzw. Politikstudie, die sich zu lesen lohnt.

Links:
Download der Studie
Pressemitteilung zur Studie
Artikel bei horizont.net: Schlechter Service für Parteien

In den nächsten Tagen werde ich ein kleines Tool online stellen, welches die Gewichtung von Fällen in SPSS (PASW) bequem für einen durchführt. Somit sind nur noch ein paar Eingaben in eine Excelmaske nötig, und man bekommt einen fertigen Syntax, der die SPSS-Daten gewichtet.
Bevor ich das Tool online stelle, erstmal ein paar Grundlagen, insbesondere:

• Wie können nicht-repräsentative Daten repräsentativ gemacht werden?

• Wie werden Gewichte berechnet?

• Wie können Gewichtungsvariablen in SPSS eingefügt werden?

• Wie kommt man an Daten, die die relevante Grundgesamtheit repräsentieren?

Besonders bei semiprofessionellen Onlinebefragungen oder empirischen Studienarbeiten hat man oft nicht die Möglichkeit oder die Zeit, seine Daten mittels eines Quotenverfahrens repräsentativ zu gestalten. Dazu kommt, dass man im Vornherein auch nur schlecht beurteilen kann, welche Datensätze bei der Datenbereinigung aus der Datenanalyse wieder ausgeschlossen werden. Summa Summarum – oft entsprechen die Daten nicht der relevanten Grundgesamtheit. Was also bietet sich an, um „nicht-repräsentative Daten“ zumindest annähernd zu repräsentativieren? Das Zauberwort heißt „Gewichtung“ und geht mit SPSS recht einfach. Der Grundgedanke der Gewichtung ist, dass unterrepräsentierte Fälle (also Antworten von Personen, die nach ihren betrachteten Merkmalen „zu wenig“ in der Stichprobe vorhanden sind) stärker in die Ergebnisse mit Einfließen, als überrepräsentierte Fälle.

Beträgt das Verhältnis von Männern zu Frauen in der Grundgesamtheit 1:1 (d.h. 50 Prozent Männer und 50 Prozent Frauen), in der Stichprobe wäre die aber anders (z.B. 25% Männer und 75% Frauen), so müssten die Antworten der Männer für die folgenden Analysen stärker gewichtet werden, als die der Frauen.
Die Gewichte berechnen sich, indem man den Sollwert (hier: 50%) durch den Istwert dividiert, d.h.

Wm = 0,50 / 0,25 = 2,000
Wf = 0,5 / 0,75 = 0,667

Nun müsste man also im Datensatz eine neue Variable (hier: „weight_1“) einfügen, nach welcher die Fälle gewichtet werden. Bei den Männern würde also überall der Wert 2,000 drinstehen, bei den Frauen 0,667. Manuell ist die Eingabe dazu wohl etwas schwierig, also bietet sich hierzu en Syntax an. Für die Geschlechtvariable „V_geschl“ (hier: männlich = 0, weiblich = 1) würde der Syntax lautet:

If (V_geschl = 0) weight_1 = 2 .
If (V_geschl = 1) weight_1 = 0,667 .

Achtung, je nach SPSS-Version & Einstellung kann sein, dass Dezimalstellen durch Punkte ersetzt werden müssen!

Nun wurde die neue Variable ausgefüllt (Auf Sonderfälle mit Missings, etc gehe ich diesmal noch nicht ein). Damit die Fälle nun auch gewichtet werden, kann man entweder über das Menü, oder aber wieder bequem über den Syntax die Fälle gewichten:

Weight by weight_1 .

Et VoilÃÊ, nun ist der Datensatz nach dem Geschlecht gewichtet! Das alleine reicht aber noch nicht aus, schließlich könnte es ja sein, dass bei den 75 Frauen die Hälfte unter 20 Jahren alt ist, diese in der Grundgesamtheit aber gleichverteilt sind. Auf die Gewichtung mit mehreren Kriterien gehe ich im nächsten Beitrag ein. Genauso ist die Problematik, dass man oft bei „persönlichen“ Daten wie Alter, Einkommen und Beruf viele fehlende Werte bekommt (sog. Missing Values), welche bei der Gewichtung auch nochmals separat berücksichtigt werden müssen.

Natürlich sollte man sich im Vornherein überlegen, ob die Gewichtung überhaupt Sinn macht. Spontan fallen mir 2 Kriterien ein, nach denen man das entscheiden könnte:
a) Macht die Gewichtung inhaltlich Sinn?
Ist das Ziel einer Erhebung, Zusammenhänge zu ermitteln (bspw. Korrelationskoeffizienten), so ist es fraglich, ob man wirklich eine Gewichtung benötigt. Geht es aber darum, eine „allgemeine Meinung“ zu bekommen, sieht das ganze natürlich schon wieder anders aus.
b) Ist die Gewichtung pragmatisch?
In diesem Fall macht es Sinn, erstmal „spaßeshalber“ eine Gewichtung durchzuführen und zu analysieren, in wiefern sich die gewichteten Ergebnisse von den ungewichteten unterscheiden. Ist das nur marginal, ist natürlich fraglich, ob der zusätzliche Erklärungsbedarf (nach welchen Kriterien wurde warum und mit welchen Daten wie gewichtet?) den zusätzlichen Nutzen gerechtfertigt. Aber genauso sollte man sich auch die Werte der Gewichte anschauen: Es gibt eine Faustregel, dass die Gewichte möglichst nicht kleiner als 0,3, und möglichst nicht größer als 3,0 sein sollten.

Und woher bekommt man Daten über die Grundgesamtheit? Nunja, das hängt immer stark vom jeweiligen Analysegegenstand ab. Bevölkerungsrepräsentative Daten bzgl. der Randverteilung erhält man bspw. aus dem Mikrozensus. Das ist eine regelmäßig vom Statistischen Bundesamt durchgeführte „Pflichtbefragung“ (die zufällig ausgewählten Personen sind verpflichtet, an der Befragung teilzunehmen). Aber auch andere „große“ Befragungen können Hinweise geben, z.B. das Stern Marken Profile, TDW, etc…

Entspricht die relevante Grundgesamtheit nicht der deutschen Bevölkerung, sondern einer anderen Zielgruppe, so müssen andere Basisdaten herangezogen werden, zum Beispiel:
Grundgesamtheit der Internetnutzer: (N)onliner-Atlas, AGOF Internet Facts

Grundgesamtheit einer Universität: Hochschulinterne Statistiken

Grundgesamtheit der Kunden bei einer Kundenbefragung bei registrierten Kunden: Kundendatenbank

Grundgesamtheit der Kunden bei einer Kundenbefragung bei nicht registrierten Kunden, z.B. in einem Geschäft: Beobachtung der Kundenströme, z.B. Geschlecht, grobe Altersschätzung, KFZ-Ortskennzeichen, etc