Markenkunde.de

Cum hoc ergo propter hoc - definitiv ein Begriff, der sich schon mal super anhört. Dabei handelt es sich um einen Fehler, welcher bei empirischen Arbeiten gerne gemacht wird. Insbesondere bei Korrelationen wird oft fälschlicherweise auf einen kausalen Zusammenhang geschlossen. So wurde bereits mehrfach ein Zusammenhang zwischen der Anzahl an Störchen und der Geburtenrate statistisch nachgewiesen - genauer gesagt: Eine Korrelation.

Gerne wirft man auch in der Marketingpraxis jegliche Korrelationen in Matrizen mit Felderbeschreibungen, die einen lyrischen Kreativ-Award verdient hätten. So wird von “Treibern” oder “Brandherden” gesprochen (viel schlimmer ist noch die Tatsache, wie Korrelationskoeffizienten in der Praxis überhaupt verglichen werden). Lustig auch, dass allen abgefragten Items solcher Portfolios, die mit einer Zielgröße korrelieren, beispielsweise der Globalzufriedenheit / Kundenzufriedenheit oder der Loyalität, ein kausaler Einfluss auf alle Zielgrößen unterstellt wird. So ist es nicht verwunderlich, dass zahlreiche Marketinginstitute Wunderlösungen in Form von “Zufriedenheitstreiberportfolios” und “Loyalitätstreiberportfolios” als Bundle-Angebote anbieten. Ist es denn aber nicht so, dass die Zufriedenheit eine notwendige Bedingung dafür ist, dass Loyalität erst entstehen kann? Und: Macht die Messung der Loyalität über entsprechende Größen überhaupt Sinn?

Was ist nun also ein cum hoc ergo propter hoc? Ein logischer Fehler, bei dem auf einen kausalen Zusammenhang zwei gemeinsam auftretender Ereignissen geschlossen wird. Dies kann zufällig sein, oder durch eine dritte Größe hervorgerufen werden. Beispielsweise gibt es auch eine Korrelation zwischen der Schuhgröße und dem Einkommen. Das liegt daran, dass Männer tendenziell mehr verdienen als Frauen, Männer aber auch größere Schuhe haben. Eine Fußvergrößerung einer Frau führt demnach nicht zu einer Erhöhung des Gehalts. Solche und andere Effekte sind auch oft genug in Marketing-Artikeln zu finden, insbesondere wenn es an einer theoretischen Fundierung mangelt.

Gerne verschafft man sich über Korrelationstabellen einen Überblick, welche Variablen wie aufeinander wirken könnten, um nach Hinweisen für kausale Zusammenhänge oder Einflussfaktoren zu suchen. Möchte man nun in SPSS einfach mal „auf gut Glück“ eine große Menge an Variablen gegenüberstellen, so merkt man schnell, dass man aus dieser Tabelle so erstmal nicht wirklich schlau wird. Grund: Die Tabelle ist schnell viel zu groß, man verliert schnell den Überblick, in welcher Zeile oder Spalte man sich gerade befindet. Außerdem werden Größen wie die Irrtumswahrscheinlichkeit („Signifikanz“) und das N auch gleich standardmäßig mit ausgegeben. Diese Größen sind ja meist erst dann interessant, wenn man eine Auffälligkeit gefunden hat. Vor lauter Zahlen wird einem also erstmal nicht ersichtlich, was denn nun eigentlich interessant sein könnte, und was nicht.

Möchte man das ganze in Excel kopieren, so bemerkt man schnell, dass die Tabellen schlecht formatiert werden – viele Zahlen werden als Potenzen dargestellt, und die Formatierung lässt auch zu wünschen übrig. SPSS-Tabellen sinnvoll und einfach zu formatieren, ist leider auch noch ein Traum.

Grund genug, sich mal Gedanken zu machen, wie man dieses Problem mit ein paar wenigen Griffen lösen könnte. Dies habe ich gemacht, und dabei eine recht einfache und praktikable Lösung gefunden. Trotz all dem sollte man allerdings immer beachten, dass eine Korrelation nicht zwangsläufig auch kausal ist - einen cum hoc ergo propter hoc sollte man also zwainglichst vermeiden

Hier gibts die Anleitung dazu (pdf)
…und hier nochmal das Beispiel-Excelfile (.xls)

Weitere Links zum Thema:
Korrelationskoeffizienten vergleichen (Tool)
Mittlere Korrelationskoeffizienten berechnen (Tool)

Ohne viel Text, heute nur ein kleiner Beitrag. Von der aktuellen Befragung zum Thema Markenimage von Einzelhändlern habe ich mir heute mal die Rohdaten der Frage “Welche der folgenden Händler sind Ihnen sympathisch?” genommen (binäre Daten, Bompard-Skala), daraus eine Affiliationsmatrix transformiert und diese als Grundlage für eine SNA genommen. Und das kam auf Basis von 180 Fällen (nicht repräsentativ und unbereinigt; es ging erstmal nur um die Funktionaliät der Analyse, weniger um die Plausibilität der Ergebnisse) dabei heraus:

…passt rein optisch ja auch gut zu Weihnachten, ist aber Zufall

Mehr dazu (welche Annahmen, wie die Analyse funktioniert, usw…) dann demnächst! Trotzdem: Das Verfahren hat möglicherweise ein riesiges Potenzial, insbesondere wenn es um Entscheidungen für Co-Branding, Cross-Selling oder evtl. auch die Sortimentsentsgestaltung geht.

Hier auch mal ein Link zu einem österreichischen Institut, die sich damit auch schon auseinandergesetzt haben: http://www.linked.at

Hallo zusammen,

Auch über meinen Blog suche ich nach Probanden

Es geht um das Thema Lebensmitteleinzelhandel und Markenimages. All zu viel möchte ich im Voraus nicht verraten, ausgewählte Ergebnisse werde ich natürlich hier veröffentlichen.
/// LINK RAUSGENOMMEN, da Vorabergebnisse online .

Insbesondere Nicht-Studenten möchte ich doch noooch netter um Hilfe bitten, ihr seid aktuell noch unterrepräsentiert

Als Incetive gibts die Chance auf einen von 10 Amazon-Gutscheinen!

Besten Dank!!!

Kleine kritische Betrachtung:
Leider ist die Fragebogensoftware “suboptimal”, und in der Eile hatte ich es nicht geschafft, Limesurvey auf meinem Webspace zum laufen zu bringen….

ein kurzer und spontaner Beitrag heute mal zur Multidimensionalen Skalierung (MDS) von der Fachhochschule Düsseldorf. Insbesondere der Bezug zur praktischen Anwendung macht dieses Paper doch ganz nützlich! Da ein direkter Bezug zum Marketing besteht, passt der Bericht wunderhar hierher!

“Teil 1 konzentriert sich auf die praxisgerechte und verständliche Darstellung des multivariaten Verfahrens der „Multidimensionalen Skalierung“, die im Rahmen eines professionellen Marketing eine hervorgehobene Rolle einnehmen. Ausgehend von einigen Beispielen und nach der Einordnung der MDS in die multivariaten Verfahren werden die verschiedenen Arten der MDS vorgestellt.
Anschließend wird erläutert, wie die „Ähnlichkeiten“ und „Präferenzen“ empirisch erhoben werden.
Danach folgend wird die mathematische Vorgehensweise geschildert, wie eine mehrdimensionale Konfiguration konstruiert wird, bei der die Objekte (z.B. Produkte, Personen), die sehr ähnlich sind, nahe beieinander liegen und diejenigen, die sehr unähnlich sind, weit auseinander liegen. Im Anschluss daran werden Einzelfragen, wie z.B. Auswahl und Zahl der Objekte, Wahl der Dimensionalität sowie das Auftreten degenerierter Lösungen angeschnitten. Anschließend wird die Interpretation dieser Konfiguration mittels Merkmalsvektoren vorgestellt. Zum Schluss werden geeignete Computerprogramme benannt und Möglichkeiten des Einsatzes der MDS im Marketing kurz vorgetragen. In dem Artikel wird deutlich gemacht, dass die MDS eine ganze Reihe von Vorteilen (wenngleich auch einige Nachteile) hat. Der größte Vorteil besteht darin, dass die globalen Urteile über Ähnlichkeiten und Präferenzen ohne Vorgaben gefällt werden und erst im Nachhinein geklärt wird, worauf diese Beurteilungen beruhen. Dadurch ist ein Blick in das Innere der Konsumenten möglich.”

Quelle
Der Einsatz der mult idimensionalen Skalierung (MDS) im nat ionalen
und internat ionalen Marketing
Teil 1: Mathemat ische, empir ische und auswer tungsbezogene
Vorgehensweise

Gerade bin ich bei Youtube über folgendes, spannede Video gestoßen. Dazu muss man eigentlich nicht all zu viel sagen, es zeigt die Points of Interest (POI) eines Martini-Spots.
Werbe Tracking Eye Tracking Martini Werbung

In einem Arbeitspapier der LMU Münchenn habe ich heute eine ziemlich gute Übersicht über globale und lokale Gütekriterien (Gütemaße) gefunden, das ganze auch gleich mit zitierbaren Literaturangaben. Darin werden Hinweise über die Mindestgröße bestimmter Kennzahlen für konfirmatorische Faktorenanalysen, z.B. Reliabilität / Cronbachs Alpha, Item-to-Total Korrelation, Indikatorreliabilität etc. gegeben. Für die explorative Faktorenanalyse stehen Hinweise für den erklärten Varianzanteil, Faktorladung usw. zur Verfügung. Im Gegensatz zu einigen anderen Übersichtstabellen stehen hier auch komplexere Kriterien wie bspw. das Fornell/Larcker-Kriterium, RMSEA, Hoelter’s N bereit. Definitiv nützlich zur Interpretation der Ergebnisse dieser Analysen.

Besonders praktisch ist die Tabelle 8 auf Seite 21!

Link zum downlaod (pdf)

Nachdem ich bereits in diesem Artikel auf die Besonderheiten von Korrelationskoeffizienten eingegangen bin, und auch hier bereits ein kleines Excel-Tool zum Berechnen mittlerer Korrelationskoeffizienten vorgestellt habe, kommt nun ein weiteres, excelbasiertes Werkzeug.

CorrComparer ermöglicht es, Korrelationskoeffizienten unabhängiger Stichproben zu vergleichen. Wie im oben genannten Artikel bereits ausführlich erwähnt, werden die Werte zuerst in Fisher’s-Z-Werte transformiert, mit einem kritischen Wert verglichen und daraus die Ãœberschreitungswahrscheinlichkeit ermittelt (entspricht in SPSS dem “Sig”-Wert). Als Ergebnis generiert das Tool eine Ergebnistabelle, die man so 1:1 in seine wissenschaftliche Arbeit kopieren kann. Außerdem werden die Ergebnisse nochmal “in Worten” dargestellt.

Graue Felder sind Eingabefelder, die anderen sind leider gesperrt

Das ganze kann man auch nochmal ganz gut bei google Books nachlesen, z.B. in
Bortz - Statistik für Human- und Sozialwissenschaftler, S. 218ff, insbes. S.220

Hier gehts zum downlaod:
download CorrComparer 1.0 (.xls)

In den nächsten Wochen wird das Tool wieder weiterentwickelt, es gibt ja auch noch die Möglichkeit, bei abhängigen Stichproben zu testen

Oder das ganze vielleicht nicht auf Excel-Basis…

oder, oder, oder…

An dieser Stelle mal noch vielen Dank an meinen Vater, der mir bei der Erstellung des Tools unter die Arme gegriffen hat!

Auch ein nettes Tool, um marketingrelevante Statistiken zu bekommen, ist die Typologie der Wünsche. Dabei handelt es sich um (laut Herausgeber) repräsentative Statistiken zu allen möglichen Themengebieten. Die Onlineabfrage ermöglicht es unter anderem, zweidimensionale Kreuztabellen zu erstellen und so Informationen über mögliche Zielgruppen und deren Präferenzen zu generieren. (um genauer zu sein: vermutete Präferenzen)

Zusätzliche Indexwerte geben Aufschluss über die Verteilung der Werte, d.h. ob bestimmte Kriterien über- oder unterdurchschnittlich sind. Ebenfalls kann das ganze System auf die Grundgesamtheit hochgerechnet werden.

Beispielsweise könnte es von Interesse sein, welcher Zusammenhang zwischen der Schulbildung und dem Konsum von Zigaretten besteht. Hier gibts das Ergebnis!


Fazit:
Nettes Tool zum Recherchieren und kostenlos. Dafür ist es ziemlich gut! Allerdings ersetzt natürlich noch lange keine Primärerhebung.

Links:
Zur Analyse!
Zu PZ-Online (weitere Tools zur Auswahl)
Ãœber TDWI

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]