Methoden zur Identifizierung von Nutzerpräferenzen bei LBS Location-Based-Service - Seminar Methoden zur Identifizierung von Nutzerpräferenzen bei LBS 2006-07-06 Christian Lücke

Gliederung 1. Einführung 2. Grundlagen der Marktforschung Aktuelle Hinderungsgründe für die Nutzung von LBS Besonderheiten von LBS 2. Grundlagen der Marktforschung Datenerhebung Skalen 3. Einordnung und Vorstellung der Methoden Einordnung der Verfahren Kurzvorstellung der Verfahren und Beurteilung 4. Fazit und Literaturquellen

1. Studie zu Hinderungsgründen von LBS-Angeboten Studie an Frankfurter Universität bei Studenten des Vertiefungsfaches M-Commerce zu bestehenden LBS-Angeboten Vermutete Probleme nicht relevant: 8% „zu kompliziert“ 4% „kein passendes Display“ Hauptprobleme: 43% „kein Bedarf“ 26% „zu teuer“ Quelle: Universität Frankfurt 08/2005

Besonderheiten von LBS (1/2) Technische Besonderheiten Infrastruktur Hohe Kompatibilität zu Endgeräten Zusammenführung von Anbietern zu integriertem Service Dienstleistungsspezifische Besonderheiten: Generelle Probleme: Immaterialität Bereitstellungs- und Vorhaltekosten

Besonderheiten von LBS (2/2) Integration des externen Faktors Aktivierung/Freischalten des Service Installation durch Kunden Fehlende Testmöglichkeiten Problem der Transaktionskosten Skepsis durch „First-Generation“-Services „Zufriedenheitslücke“: Weitere Dienstleistungsspezifische Besonderheiten: Quelle: Meffert Dienstleistungsmarketing

2. Grundlagen der „MaFo“ Maßgebliche Entwicklung der Marktforschung (MaFo) nach 2. Weltkrieg in Deutschland Das führendes deutsche Unternehmen: Untenehmensdaten: Ca. 1 Mrd. Umsatz in 2005 Davon 81% für Konsumgüterforschung 45% Industrie, 21% Medien, 15% Handel Rest: 6% B2B, 7% Staat, 6% Sonstige Studien Quelle: GfK

Datenerhebung (1/2) Aufteilung in Primär- und Sekundärerhebung: Die Primärerhebung: Die kontextabhängige, individuelle Datenerhebung i.Anl. Backhaus, K.

Datenerhebung (2/2) Sekundärerhebung: Keine unmittelbare Datenerhebung! Aus unternehmensinternen Quellen Umsatzstatistiken, Daten der KLR, Kundendienstberichte, Aus unternehmensexternen Quellen Amtliche Statistiken Veröffentlichte Studien Öffentliche Datenarchive

Skalen „Meßlatte“ Transformation von Skalen ist nur auf niedere Skalen möglich Führt zu Verlust von Informationen Niedriges Skalennivea Hohes Skalennivea

3. Einordnung der Methoden Auszug aus der Menge an multivariaten Verfahren: Beschränkung auf wesentliche Methoden: Diskriminanzanalyse Multidimensionale Skalierung Varianzanalyse Kreuztabellierung Logistische Regression Mean-End-Chains Regressionsanalyse Faktorenanalyse Korrespondenzanalyse Kontingenzanalyse Neuronale Netze Clusteranalyse Conjointanalyse Strukturengleichungsmodelle

3. Einordnung der Methoden Beschränkung auf wesentliche Methoden: Diskriminanzanalyse Multidimensionale Skalierung Varianzanalyse Kreuztabellierung Logistische Regression Mean-End-Chains Regressionsanalyse Faktorenanalyse Korrespondenzanalyse Kontingenzanalyse Neuronale Netze Clusteranalyse Conjointanalyse Strukturengleichungsmodelle

3. Einordnung der Methoden Diskriminanzanalyse Varianzanalyse Mean-End-Chains Regressionsanalyse Faktorenanalyse Neuronale Netze Clusteranalyse Conjointanalyse

Übersicht: Zusätzliche Einteilung innerhalb der Strukturen-Prüfenden-Methoden:   Skalenniveau Unabhängige Variable Metrisch Nominal -Regressions- -Varianzanalyse analyse Abhängige -Diskriminanz- Variable

Regressionsanalyse Verfahren: Eine metrische abh. Variable + eine (evt. mehrere) metrische unabh. Variable Beschreibung und Erklärung von Zusammenhängen Ursache-Wirkungsbeziehungen („je-desto“) + Einfache Datenerhebung - Problem: Finden der richtigen Regressionsgraden! Bsp: „Einfluss von Preis, Leistungsumfang, Schnelligkeit, Usability auf die Absatzmenge eines Service“

Varianzanalyse Skalenniveau Unabhängige Variable Metrisch Nominal   Skalenniveau Unabhängige Variable Metrisch Nominal -Regressions- -Varianzanalyse analyse Abhängige -Diskriminanz- Variable

Varianzanalyse Verfahren: Eine metrische abh. Variable + eine (evt. mehrere) nominale unabh. Variable Beschreibung und Erklärung von Zusammenhängen Unabhängige Variable kann nur „0/1“-Ausprägungen zeigen + Trotz einfacher Befragung sind gute Analysen möglich - Nur Tatsache von Zusammenhängen, nicht dessen Stärke wird ermittelt Bsp: „Besitzer teurer Handys (metrisch) nutzen öfter LBS-Dienste (nominal: Ja/Nein)

Diskriminanzanalyse Skalenniveau Unabhängige Variable Metrisch Nominal   Skalenniveau Unabhängige Variable Metrisch Nominal -Regressions- -Varianzanalyse analyse Abhängige -Diskriminanz- Variable

Diskriminanzanalyse Verfahren: Eine nominale abh. Variable + eine (evt. mehrere) metrische unabh. Variable Analyse von Gruppenunterschieden und bildet Prognosen für Klassenzugehörigkeit von Elementen „Lineare Trennformel“: Abstände zwischen zwei Gruppen „Max!“ und Diskrimanzen innerhalb einer Gruppe „Min!“ + Besonders in Kombi mit Clusteranalyse sind Cross-Selling Potentiale zu entdecken Bsp:

Conjoint Analyse Annahme: Summe der Teilnutzen = Gesamtnutzen Verfahren: Kombination mehrerer Merkmale eines Produktes auf verschiedenen Karten, die vom Probanden in Reihenfolge des Nutzens sortiert werden sollen. + Aufdeckung von Einzelbeiträgen zu Gesamtproduktnutzen + Möglichkeit der Teilnutzenbestimmung - Annahme aus Nutzentheorie: Kunde würden jede vorgestellte Kombination kaufen Bsp.: 2 Merkmale mit 2 Ausprägungen: Bitte Sortieren!

Faktorenanalyse(1/2) Neben den unmittelbaren Wirkungen einzelner Variablen, gibt es noch zusätzliche Interdependenzen: Verfahren: Bündelung einzelner Variablen zu gemeinsamen Faktoren Regression liefert bei Interdependenzen fehlerhafte Ergebnisse, daher Nutzung der Faktorenanalyse Bsp: Variable: „Kundenfreundlichkeit“, „Reparaturservice“, „Aboservice“ lassen sich zu Faktor „Service-Paket“ zusammenfassen

Faktorenanalyse(2/2) Zusätzliche Möglichkeit der räumlichen Anordnung von eigenen und Wettbewerbs-produkten zur Überprüfung der systematischen Eingliederung:

Clusteranalyse Verfahren: Aufteilung einer Stichprobe in zuvor ausgewählte Teilgruppen. Ziel: Entdeckung von Ähnlichkeitsstrukturen, zuverlässige Einteilung von Kunden zu Kundenclustern + Gutes Verfahren zur segmentierten Marktbearbeitung + ermöglicht die Aufgliederung in Teilgruppen, mit besonderen Nutzerpräferenzen - Schwierigere Datenerfassung bei immateriellen Services Bsp.: Aufteilung der Stichprobenkunden:

Neuronale Netze Verfahren: Klassifikation von Objekten und Prognose von Zuständen Ziel: Erkennung von komplexen Zusammenhängen zwischen den Variablen Ähnelt Clusteranalyse, aber funktioniert auch noch bei schlecht strukturierten Daten mit starken Interdependenzen - Sehr aufwendig: Netze müssen erst „Lernen“ + Datenanalyse aus Logdaten von LBS könnten neue Services auffinden (Cross-Selling) Bsp.: Kunde, der Navigation zu Adresse und Hotel-Buchung möchte, könnte auch noch ein bestimmtes Restaurant benötigen

Ausführliche Darstellung folgt im Anschluss! Mean-End-Chains Verfahren: Spezielle Interview-Technik zum Erschließen von neuen hintergründigen Nutzer-Werten Ziel: Verfahren zum Erschließen neuer Nutzerwerte aufgrund von erfragten bestehenden Werten Einsatz von „W-Fragen“ zur Zielerreichung - Aufwendiges Verfahren (Zeit, Koordination) + Aufdeckung neuer Werte / Nutzerpräferenzen Ausführliche Darstellung folgt im Anschluss!

Fazit Große Anzahl von Verfahren für unterschiedlichen Methoden Einordnung als erster Schritt Es gibt nicht das „Allheilmittel“ Verfahren sollen mehr als unterschiedliche „Tools“ eines Werkzeugsortiments gesehen werden Faktorenanalyse Regressionsanalyse Varianzanalyse Clusteranalyse Diskriminanzanalyse Neuronale Netze Conjointanalyse Mean-End-Chains

Vielen Dank! Literaturquellen: Zu den Verfahren: Backhaus, K., Erichson, B., Plinke, W., Weiber, R.: Multivariate Analysemethoden, 11. Aufl., Berlin 2006 Weis, H., Steinmetz, P.: Marktforschung, 6. Aufl., Ludwigshafen 2005 Berekoven, L., Eckert, W., Ellenrieder, P.: Marktforschung, 10. Aufl., Wiesbaden 2006 Hammann, P., Erichson, B.: Marktforschung, 5. Aufl. 2006 Ergänzend: Meffert, H., Bruhn, M.: Dienstleistungsmarketing, 5. Aufl., Wiesbaden 2006 Meffert, H.: Marketing, 9. Aufl. Wiesbaden 2000