SlideShare ist ein Scribd-Unternehmen logo
1 von 62
Paul Marx | Grundlagen der Umfrageforschung
Grundlagen der Umfrageforschung
Kapitel 2: Messung und Skalierung
1
Einführungskurs
Paul Marx | Grundlagen der Umfrageforschung
2.Umfrage: Messung und Skalierung
2.1 Einführung
2.2 Komparative Skalen
2.3 Nicht-komparative Skalen
2.4 Latente Konstrukte
2.5 Reliabilität und Validität
2
Paul Marx | Grundlagen der Umfrageforschung
2.Umfrage: Messung und Skalierung
2.1 Einführung
2.2 Komparative Skalen
2.3 Nicht-komparative Skalen
2.4 Latente Konstrukte
2.5 Reliabilität und Validität
3
Paul Marx | Grundlagen der Umfrageforschung
Messung
Messung –
Zuweisung von Zahlen oder anderen Symbolen zu
Charakteristiken von Objekten nach bestimmter
vorgegebener Regel.
- Eins-zu-eins-Entsprechung der Zahlen und
zu messender Größen
- Standardisierte Regeln für die Zuweisung
der Zahlen
- Regeln dürfen nicht vom Objekt zum Objekt
oder in der Zeit variieren
4
Paul Marx | Grundlagen der Umfrageforschung
Skalierung
Skalierung –
beinhaltet ein Kontinuum, auf dem die
Messobjekte angeordnet werden.
5
Extrem
lecker
Extrem
übel
Paul Marx | Grundlagen der Umfrageforschung
Grundlegende Typen von Skalen
6
•Zahlen dienen lediglich zur Klassifizierung der Objekte
•nicht-kontinuierliche SkalaNominal
•Zahlen geben die relativen Positionen der Objekte an
•aber nicht die Größe der Differenz zwischen ihnenOrdinal
•Unterschiede zwischen Objekten können verglichen
werden
•Nullpunkt willkürlich
Intervall
quasi-metrisch
•Nullpunkt eindeutig festgesetzt
•Verhältnisse der Skalenwerte können berechnet werden
Metrisch
auch Ratio
oder
1 2 1 2 1 2
NICHT
3
1
2
1 2 3
Meine Präferenz für Snacks
mehrweniger
0 25 50 75 100
Gewicht(Kg)
Paul Marx | Grundlagen der Umfrageforschung
Wichtige Skalen in Marketing
Skala Beschreibung Gängige Beispiele
Beispiele aus
Marketing
Statistische Kennzahlen
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 den Ausmaß der
Unterschiede zwischen ihnen
Schulnoten, Position
der Läufer im
Marathonlauf
Präferenzranking,
Marktposition, soziale
Klasse
Perzentile, Median Rangkorrelations-
koeffizient
(Spearmans 𝜌),
Friedman ANOVA
Intervallskala Ermöglicht den Vergleich der
Unterschiede zwischen
Objekten: Nullpunkt
willkürlich
Temperatur
(Fahrenheit, Celsius)
Einstellungen,
Meinungen, Kauf-
absicht, Kunden-
zufriedenheit, Index-
Zahlen
Range,
Durchschnitt,
Standard-
abweichung
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, Umsatz
Geometrisches
Mittel,
Harmonisches
Mittel
Variations-
koeffizient
7
Paul Marx | Grundlagen der Umfrageforschung
Typologie von Skalierungsverfahren
Skalierung
Komparative
Skalen
Paarweise
Vergleiche
Rangordnungs-
verfahren
Konstant-
summen-
verfahren
Q-Sortierung
und andere
Nicht-
komparative
Skalen
Kontinuierliche
Ratingskalen
Diskrete
Ratingskalen
Likert-Skala
Semantisches
Differential
Stapel-Skala
8
Paul Marx | Grundlagen der Umfrageforschung
Vergleich von Skalierungsverfahren
9
Komparative
Skalen
• Der Messwert von einem Objekt
ergibt sich aus dem direkten
Vergleich mit einem anderen
Objekt.
• Daten können nur als relative
Positionen interpretiert werden,
• haben nur ordinales Skalenniveau
(Rangordnung).
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 von
folgenden Überlegungen ab:
- Natur der Forschungsfrage
- Variabilität des Messwertes in
der Grundgesamtheit
- Methoden der Datenanalyse
Paul Marx | Grundlagen der Umfrageforschung
2.Umfrage: Messung und Skalierung
2.1 Einführung
2.2 Komparative Skalen
2.3 Nicht-komparative Skalen
2.4 Latente Konstrukte
2.5 Reliabilität und Validität
10
Paul Marx | Grundlagen der Umfrageforschung
Typologie von Skalierungsverfahren
Skalierung
Komparative
Skalen
Paarweise
Vergleiche
Rangordnungs-
verfahren
Konstant-
summen-
verfahren
Q-Sortierung
und andere
Nicht-
komparative
Skalen
Kontinuierliche
Ratingskalen
Diskrete
Ratingskalen
Likert-Skala
Semantisches
Differential
Stapel-Skala
11
Paul Marx | Grundlagen der Umfrageforschung
Vor- und Nachteile von komparativen Skalen
12
+ Geringe unterschiede zwischen
Objekten können regestiert werden
+ Dieselben bekannte Referenzpunkte
für alle Probanden
+ Einfach zu verstehen und zu nutzen
+ Benötigen weniger theoretischen
Annahmen
+ Reduzieren tendenziell Halo- und
Carryover-Effekte
Vorteile
- Haben 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
Nachteile
Paul Marx | Grundlagen der Umfrageforschung
Komparative Skalen: Paarweise Vergleiche
13
Probanden wählen aus jeweils zwei
Objekten dasjenige aus, das nach ihrer
Meinung ein bestimmten Kriterium am
besten erfüllt
Im Folgenden werden Ihnen zehn Paaren von Biermarken
vorgelegt. In jedem Paar, wählen Sie bitte das Bier aus, welches
Sie eher kaufen würden.
Warsteiner Köstritzer Oerttinger Becks Paulaner
Warsteiner
Köstritzer
Oettinger
Becks
Paulaner
#Male
Präferiert
3 2 0 4 1
Paarweise Vergleiche
Paul Marx | Grundlagen der Umfrageforschung
Komparative Skalen: Paarweise Vergleiche
14
Paul Marx | Grundlagen der Umfrageforschung
Paarweise Vergleiche: Vor- und Nachteile
15
+ Direkter Vergleich und eindeutige Auswahl
+ Gut für Blindtests, Produktvergleiche und
MDS
+ Ermöglicht die Berechnung vom
prozentuellen Anteil der Probanden, die ein
Objekt dem anderen bevorzugen
+ Rangordnung von Objekten kann geschätzt
werden (unter Annahme der Transitivität)
+ Mögliche Erweiterungen: Alternative „keine
Unterschiede“, abgestufter Vergleich
Vorteile
- Anzahl von Vergleiche wächst schneller als
Anzahl der Objekte
(für 𝑛 Objekte 𝑛(𝑛 − 1)/2 Vergleiche)
- Reihenfolgeeffekte möglich (Einfluss der
Präsentationsreihenfolge auf die
Antworten)
- Aus Präferenz von A über B folgt es nicht,
dass der Proband A mag
- Wenig realistisch für die realen
Wahlsituationen mit mehreren Alternativen
- Verletzung der Transitivitätsannahme
möglich
Nachteile
Paul Marx | Grundlagen der Umfrageforschung
>
>
Ordinale Daten:
Verletzung der Transitivitätsannahme in paarweisen Vergleichen
16
Paul Marx | Grundlagen der Umfrageforschung
Ordinale Daten:
Verletzung der Transitivitätsannahme bei Aggregation von Präferenzen
17
Proband #1
Proband #2
Proband #3
Stimmenzählung
Ergebnis:
2 vs 1
2 vs 1
2 vs 1
Apfel wird gleichzeitig am meisten und am wenigsten präferiert.
Gruppenpräferenzen sind inkonsistent!
Abstimmung
Paul Marx | Grundlagen der Umfrageforschung
Komparative Skalen: Rangordnungsverfahren
18
Probanden bringen mehrere Objekte in
eine Reihenfolge (basierend auf einem
bestimmten Kriterium)
Ordnen Sie bitte die unten aufgeführten Marken von Erfrischungs-getränke
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. Setzten 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.
Rangordnungsverfahren
Marke Rangplatz
Pepsi-Cola ______________
Coca-Cola ______________
Red Bull ______________
Sprite ______________
7-Up ______________
Paul Marx | Grundlagen der Umfrageforschung
Rangordnungsverfahren: Beispiel
19
©ExavoGmbH,exavo.de
Paul Marx | Grundlagen der Umfrageforschung
Rangordnungsverfahren: Beispiele
20
Quelle: exavo.de
©ExavoGmbH,exavo.de
Paul Marx | Grundlagen der Umfrageforschung
Rangordnungsverfahren: Beispiel
21
Quelle: exavo.de
©ExavoGmbH,exavo.de
Paul Marx | Grundlagen der Umfrageforschung
Rangordnungsverfahren: Vor- und Nachteile
22
+ Direkter Vergleich
+ Realitätsnäher als paarweise Vergleiche
+ Anzahl der Vergleiche ist nur (𝑛 − 1)
+ Einfacher zu verstehen
+ Nehmen weniger Zeit in Anspruch
+ Keine nicht-transitive Antworten
+ Daten können in paarweise Vergleiche
konvertiert werden
+ Gut für Messung von Marken- und
Eigenschaftspräferenzen
Vorteile
- Aus Präferenz von A über B folgt es nicht,
dass der Proband A mag
- Kein Null-Punkt; Keine Trennung zwischen
Mögen und Nicht-Mögen
- Lediglich ordinale Daten
- Verletzung der Transitivitätsannahme
möglich (bei Aggregation)
Nachteile
Paul Marx | Grundlagen der Umfrageforschung
Komparative Skalen: Konstantsummenverfahren
23
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, die relative Wichtigkeit
dieser Eigenschaft für Sie wiederspiegelt. Je mehr Punkte eine Eigenschaft
bekommt, desto wichtiger ist diese Eigenschaft für Sie. Wenn eine
Eigenschaft für Sie unwichtig ist, weisen Sie ihr 0 Punkte zu. Wenn eine
Eigenschaft doppelt so wichtig für Sie ist als eine andere Eigenschaft,
weisen Sie ihr doppelt so viel Punkte zu.
Konstantsummenverfahren
Eigenschaften Punkte
Geschwindigkeit 0
Komfort 15
Getriebetyp
(manuell/Automatik)
5
Kraftsoff
(Benzin/Diesel)
35
Preis 45
Summe 100
Paul Marx | Grundlagen der Umfrageforschung
Konstantsummenverfahren: Beispiel der Auswertung
24
Attribute 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
Durchschnittliche Bewertung in drei Segmenten
Paul Marx | Grundlagen der Umfrageforschung
Konstantsummenverfahren: Beispiel
25
©ExavoGmbH,exavo.de
Paul Marx | Grundlagen der Umfrageforschung
Konstantsummenverfahren: Beispiele
26
Paul Marx | Grundlagen der Umfrageforschung
Konstantsummenverfahren: Vor- und Nachteile
27
+ Kann kleine Unterschiede zwischen den
Objekten messen, ohne zu viel Zeit zu
beanspruchen
+ Metrisch skaliert ⟶ flexible Auswahl an
Analyseverfahren
Vorteile
- Ergebnisse sind auf die Liste der beurteilten
Objekte beschränkt. D.h. es ist nicht
möglich Aussagen über Objekte zu treffen,
die nicht auf der Liste waren.
- Relativ hohe kognitive Belastung der
Probanden, insb. bei langen Listen
- Anfällig für Rechenfehler (z.B.
Verteilung von 108 oder 94 Punkte)
Nachteile
Paul Marx | Grundlagen der Umfrageforschung
Komparative Skalen: Q-Sortierung
28
Rangordnungsverfahren, bei dem Objekte (in
Hinblick auf ein bestimmtes Merkmal) in
Stapeln sortiert werden. Wird genutzt, um eine
hohe Anzahl an Objekten (60-140) schnell
untereinander zu vergleichen.
Die Anzahl von Objekten in einem Stapel ist
i.d.R. so begrenzt, dass alle Stapeln zusammen
die Form einer Normalverteilung nachbilden.
Für die Prävention von Epidemien hat des Gesundheitsministerium
25 Maßnahmen für die Umsetzung in Krankenhäusern entwickelt.
Bitte ordnen Sie diese Maßnahmen entsprechend ihrer Wirksamkeit
zur Verhinderung der Infektionsausbreitung im unterstehenden
Schema ein. Bitte nur eine Maßnahme in eine Box.Q-Sortierung
Äußerst
wirksam
Ganz und gar
nicht wirksam
Paul Marx | Grundlagen der Umfrageforschung
2.Umfrage: Messung und Skalierung
2.1 Einführung
2.2 Komparative Skalen
2.3 Nicht-komparative Skalen
2.4 Latente Konstrukte
2.5 Reliabilität und Validität
29
Paul Marx | Grundlagen der Umfrageforschung
Typologie von Skalierungsverfahren
Skalierung
Komparative
Skalen
Paarweise
Vergleiche
Rangordnungs-
verfahren
Konstant-
summen-
verfahren
Q-Sortierung
und andere
Nicht-
komparative
Skalen
Kontinuierliche
Ratingskalen
Diskrete
Ratingskalen
Likert-Skala
Semantisches
Differential
Stapel-Skala
30
Paul Marx | Grundlagen der Umfrageforschung
Nicht-komparative Skalen: Kontinuierliche Ratingskalen
31
Probanden bewerten Objekte, indem sie eine
entsprechende Position auf einer Linie
markieren, die von einem Extrem zum anderen
Extrem eines bestimmten Kriteriums läuft.
Wie bewerten Sie „Real“ als Lebensmittelgeschäft?
Kontinuierliche Ratingskalen
Wahrscheinlich
das schlechteste
Wahrscheinlich
das beste
Version 1
х
Wahrscheinlich
das schlechteste
Wahrscheinlich
das beste
Version 2
х0 10 20 30 40 50 60 70 80 90 100
Wahrscheinlich
das schlechteste
Wahrscheinlich
das beste
Version 3
х0 20 40 60 80 100
sehr schlecht sehr gut
teils
teils
Wahrscheinlich
das schlechteste
Wahrscheinlich
das beste
Version 4
76
sehr schlecht sehr gut
teils
teils
Paul Marx | Grundlagen der Umfrageforschung
Kontinuierliche Ratingskalen: Perception Analyzer
32
Paul Marx | Grundlagen der Umfrageforschung
Diskrete Ratingskalen: Likert-Skala
33
Probanden geben an, inwieweit sie den
aufgeführten Aussagen zustimmen – anhand
von einer 5- oder 7-Punkte-Skala, die von
einem Extrem zum andere reicht..
Im Folgenden sind unterschiedliche Aussagen über Real
aufgelistet. Bitte geben Sie an, wie stark Sie diesen Aussagen
zustimmen:
Likert-Skala Stimme gar
nicht zu
Stimme
nicht zu
Neutral Stimme zu Stimme
voll und
ganz zu
Real verkauft hochwertige
Waren
[1] [x] [3] [4] [5]
Real hat schlechten Service [1] [x] [3] [4] [5]
Einkaufen bei Real macht mir
Spaß
[1] [2] [x] [4] [5]
Real bietet eine Mischung aus
verschiedenen Marken
[1] [2] [3] [x] [5]
Die Kreditpolitik in Real ist
schrecklich
[1] [2] [3] [x] [5]
Ich mag die Werbung von
Real nicht
[1] [2] [3] [x] [5]
Die Preise bei Real sind fair [1] [x] [3] [4] [5]
WICHTIG: Beachten Sie die umgekehrte Richtung von Fragen 2, 5 und 6. Kehren Sie die entsprechenden
Skalen vor der Datenanalyse um – d.h. höhere Zahl soll bessere Einstellung bedeuten.
Paul Marx | Grundlagen der Umfrageforschung
Likert-Skala: Beispiele
34
Paul Marx | Grundlagen der Umfrageforschung
Populäre Likert-Skalen in Marketing
35
Konstrukt Skalenpunkte
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
Paul Marx | Grundlagen der Umfrageforschung
Diskrete Ratingskalen: Semantisches Differential
36
Zweipolige Rating-Skala, deren Extreme mit
jeweils gegensätzlichen Adjektiven beschrieben
werden. Erlaubt Messung mehrdimensionaler
Einstellungen und deren Profildarstellung.
Wie schätzen Sie das Erscheinungsbild von Kaufhof ein?
Im folgenden Kasten finden Sie jeweils gegensätzliche
Begriffspaare. Bitte kreuzen Sie an, inwieweit Sie in Ihrer
Einschätzung jeweils mehr zu der einen oder der anderen
Ausprägung tendieren.
Semantisches Differential
Stark [ ] [ ] [ ] [ ] [X] [ ] [ ] Schwach
Unzuverlässig [ ] [ ] [ ] [ ] [ ] [X] [ ] Zuverlässig
Modern [ ] [ ] [ ] [ ] [ ] [ ] [X] Altmodisch
Kalt [ ] [ ] [ ] [ ] [ ] [X] [ ] Warm
Sorgfältig [ ] [X] [ ] [ ] [ ] [ ] [ ] Leichtsinnig
HINWEIS: Die negativen Adjektive erscheinen in der Skala manchmal links und manchmal rechts.
Dies ermöglicht die Tendenz einiger Probanden nachträglich zu kontrollieren, alles links oder rechts
anzukreuzen, ohne die Adjektive gelesen zu haben.
Kaufhof ist:
Paul Marx | Grundlagen der Umfrageforschung
Semantisches Differential: Beispiel
37
Hoch [ ] [ ] [ ] [ ] [ ] [ ] [ ] Tief
Stark [ ] [ ] [ ] [ ] [ ] [ ] [ ] Schwach
Zuverlässig [ ] [ ] [ ] [ ] [ ] [ ] [ ] Unzuverlässig
Kalt [ ] [ ] [ ] [ ] [ ] [ ] [ ] Heiß
Modern [ ] [ ] [ ] [ ] [ ] [ ] [ ] Langsam
Gut [ ] [ ] [ ] [ ] [ ] [ ] [ ] Schlecht
Freundlich [ ] [ ] [ ] [ ] [ ] [ ] [ ] Feindlich
Hässlich [ ] [ ] [ ] [ ] [ ] [ ] [ ] Schön
Aktiv [ ] [ ] [ ] [ ] [ ] [ ] [ ] Passiv
Jung [ ] [ ] [ ] [ ] [ ] [ ] [ ] Alt
Vorsichtig [ ] [ ] [ ] [ ] [ ] [ ] [ ] Sorglos
Klein [ ] [ ] [ ] [ ] [ ] [ ] [ ] Groß
Sanft [ ] [ ] [ ] [ ] [ ] [ ] [ ] Abstoßend
Robust [ ] [ ] [ ] [ ] [ ] [ ] [ ] Empfindlich
Bescheiden [ ] [ ] [ ] [ ] [ ] [ ] [ ] Angeberisch
Messung von Selbsteinschätzung,
Einstellung ggü. Personen bzw. Produkten
Bewertungsprofile von verschiedenen Objekten / Befragten / Segmente.
Jeder Punkt entspricht dem Mittelwert oder Median der jeweiligen Skala.
Paul Marx | Grundlagen der Umfrageforschung
Semantisches Differential: Beispiel
38
Quelle: http://www.provisor.com.ua/archive/2000/N16/gromovik.php
Billig [ ] [ ] [ ] [ ] [ ] [ ] [ ] Teuer
Hat natürliche
Inhaltsstoffe
[ ] [ ] [ ] [ ] [ ] [ ] [ ]
Hat keine natürliche
Inhaltsstoffe
Attraktiv [ ] [ ] [ ] [ ] [ ] [ ] [ ] Unattraktiv
Überall verfügbar [ ] [ ] [ ] [ ] [ ] [ ] [ ]
Schwer zu
bekommen
Riecht gut [ ] [ ] [ ] [ ] [ ] [ ] [ ] Riecht schlecht
Hat Conditioner [ ] [ ] [ ] [ ] [ ] [ ] [ ]
Hat kein
Conditioner
Bekannte Marke [ ] [ ] [ ] [ ] [ ] [ ] [ ] Unbekannte Marke
Geeignet für häufige
Nutzung
[ ] [ ] [ ] [ ] [ ] [ ] [ ]
Ungeeignet für
häufige Nutzung
Magischer Effekt von
Glanz und Sauberkeit
[ ] [ ] [ ] [ ] [ ] [ ] [ ]
Kein Effekt von
Sauberkeit
Einfache Nutzung [ ] [ ] [ ] [ ] [ ] [ ] [ ]
Komplizierte
Nutzung
Ideales Shampoo
Elseve
Herbal Magic
Semantische Profile von Shampoo-Marken
„Herbal Magic” und „Elseve” im Vergleich zum
idealen Shampoo aus der Sicht von Konsumenten
Paul Marx | Grundlagen der Umfrageforschung
Semantisches Differential: Beispiel
39
Paul Marx | Grundlagen der Umfrageforschung
Diskrete Ratingskalen: Stapel-Skala
40
Eine unipolare Ratingskala mit 10 Kategorien
von -5 bis +5 ohne Neutralpunkt (0).
Wird oft als Alternative zum semantischen
Differential verwendet, insb. wenn es schwierig
erscheint, ein sinnvolles Paar von
entgegengesetzten Adjektiven zu finden.
Bitte geben Sie an, wie zutreffend folgende Wörter und Phrasen die
Geschäfte beschreiben. Wählen Sie eine Plus-Zahl für Phrasen, die
das Geschäft zutreffend beschreiben. Je genauer Ihrer Meinung
nach trifft die Beschreibung auf das Geschäft zu, desto höhere Plus-
Zahl sollten Sie wählen. Wählen Sie eine Minus-Zahl für Phrasen, die
Ihrer Meinung nach auf das Geschäft nicht zutreffen. Je weniger die
Phrase auf das Geschäft zutrifft, desto höhere Minus-Zahl sollten Sie
wählen. Sie können jede Zahl zwischen +5 (für zutreffende) und -5
(für unzutreffende) Beschreibungen wählen.
Stapel-Skala
„Real“:
+5
+4
+3
+2
+1
-1
-2
-3
-4
-5
Hohe Qualität
+5
+4
+3
+2
+1
-1
-2
-3
-4
-5
Schlechter Service
х
х
Paul Marx | Grundlagen der Umfrageforschung
Wichtigste nicht-komparative Skalen
Skala Beschreibung Beispiele Vorteile Nachteile
Kontinuierliche
Ratingskalen
Markierung auf einer kontinuierlichen
Linie
Reaktion auf TV-
Werbespots
Einfach zu bilden Nicht PC-gestützte
manuelle Auswertung kann
sehr mühsam sein
Diskrete Ratingskalen
Likert-Skala Grad der Zustimmung auf der 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
Differential
Zweipolige siebenstufige Ratingskala
mit entgegengesetzten Adjektiven auf
den Polen.
Marken-, Produkt-
und Firmenimage
Vielseitig Keine Eignung darüber, ob
die Daten intervallskaliert
sind
Stapel-Skala Unipolare zehn Punkte Skala von -5 bis
+5 ohne Neutralpunkt (0)
Messung von
Einstellungen und
Image
Einfach zu konstruieren und
zu verwenden in Telefon-
Umfragen
Manchmal verwirrend und
schwierig anzuwenden
41
Paul Marx | Grundlagen der Umfrageforschung
Konstruktion von diskreten Ratingskalen
42
Anzahl von
Antwortkategorien
Zwar gibt es keine eindeutige einzig optimale Anzahl von
Antwortkategorien, traditionell werden Skalen mit fünf bis neuen
Antwortkategorien verwendet.
Balanciert vs. nicht-balanciert
Generell sollte die Skala balanciert sein, um objektive Ergebnisse
erzielen zu können.
Gerade vs. ungerade
Anzahl von Antwortkategorien
Wenn eine neutrale bzw. indifferente Antwort zumindest für
einige Probanden in Frage kommt, sollte man eine Skala mit
ungerader Anzahl von Antwortkategorien verwenden.
Obligatorische vs. nicht-
obligatorische Antwort
Wenn einige Probanden keine Meinung haben können, durch
nicht-obligatorische Fragen kann die Genauigkeit der Ergebnisse
verbessert werden.
Verbale Beschreibung
Es gibt gute Argumente dafür, die meisten (wenn nicht alle)
Antwortkategorien zu beschriften. Die Beschriftung sollte
möglichst nah an Antwortkategorien sein.
Paul Marx | Grundlagen der Umfrageforschung
Anzahl von
Antwortkategorien
Zwar gibt es keine eindeutige einzig optimale Anzahl von
Antwortkategorien, traditionell werden Skalen mit fünf bis neuen
Antwortkategorien verwendet.
Anzahl von Antwortkategorien
43
+ Je hoher die Anzahl von
Antwortkategorien, desto feinere
Unterschiede in der Bewertung können
von der Skala registriert werden.
- Die meisten Probanden können nur mir
einigen wenigen Antwortkategorien
umgehen.
Involvement und Wissen
• Mehr Antwortkategorien wenn Probanden an
der Bewertungsaufgabe interessiert sind oder
über tiefes Wissen über das Objekt oder
Sachverhalt verfügen.
Natur von Objekten
• Sind feine Unterschiede für die Objekte
charakteristisch?
Modus der Datenerhebung
• Weniger Antwortkategorien für
Telefoninterviews.
Datenanalyse
• Weniger Antwortkategorien für Aggregation,
Verallgemeinerungen, oder Gruppenvergleiche.
• Mehr Kategorien für anspruchsvolle statistische
Analysen, insb. Korrelationsbasierte u.ä.
Paul Marx | Grundlagen der Umfrageforschung
Balanciert vs. nicht-balanciert
Generell sollte die Skala balanciert sein, um objektive Ergebnisse
erzielen zu können.
Balancierte oder nicht-balancierte Skalen
44
Sehr gut
Gut
Weder gut noch schlecht
Schlecht
Sehr schlecht
Balancierte Skala
Extrem gut
Sehr gut
Gut
Angemessen
Schlecht
Sehr schlecht
Nicht-balancierte Skala
Paul Marx | Grundlagen der Umfrageforschung
Gerade vs. ungerade
Anzahl von Antwortkategorien
Wenn eine neutrale bzw. indifferente Antwort zumindest für
einige Probanden in Frage kommt, sollte man eine Skala mit
ungerader Anzahl von Antwortkategorien verwenden.
Gerade oder ungerade Anzahl von Antwortkategorien
45
- Die mittlere Option einer Einstellungsskala
zieht viele Probanden an, die unsicher
sind oder ihre Meinung nur ungern
offenbaren würden.
- Das kann die Maßen der zentralen
Tendenz und Varianz verzerren.
- Wollen/brauchen wir „Kontrast“ in
kontroversen Einstellungen?
Paul Marx | Grundlagen der Umfrageforschung
Obligatorische vs. nicht-
obligatorische Antwort
Wenn einige Probanden keine Meinung haben können, durch
nicht-obligatorische Fragen kann die Genauigkeit der Ergebnisse
verbessert werden.
Obligatorische oder nicht-obligatorische Antwort?
46
- Fragen ohne Alternative „weiß nicht“
erzeugen tendenziell höhere Menge an
genauen Daten.
- Wollen die Probanden nicht Antworten
oder haben sie keine Meinung?
- Nutzen Sie „weiß nicht“ oder besser „nicht
zutreffend“ bei sachlichen Fragen und
Wissensabfragen, aber nicht für Messung
von Einstellungen und Meinungen.
- Nutzen Sie Filterführung, um
sicherzustellen, dass Probanden ihre
Fragen beantworten können
Paul Marx | Grundlagen der Umfrageforschung
Verbale Beschreibung
Es gibt gute Argumente dafür, die meisten (wenn nicht alle)
Antwortkategorien zu beschriften. Die Beschriftung sollte
möglichst nah an Antwortkategorien sein.
Verbale Beschreibung
47
- Die verbale Beschreibung für jede
Antwortkategorie verbessert die
Genauigkeit und Reliabilität nicht immer.
Wichtig ist es, die Ambivalenz der
Beschriftung zu vermeiden.
- Spitze vs. Flache Antwortverteilung
stimme
ganz und gar
nicht zu
stimme voll
und ganz zu
stimme
nicht zu
stimme
zu
Paul Marx | Grundlagen der Umfrageforschung
2.Umfrage: Messung und Skalierung
2.1 Einführung
2.2 Komparative Skalen
2.3 Nicht-komparative Skalen
2.4 Latente Konstrukte
2.5 Reliabilität und Validität
48
Paul Marx | Grundlagen der Umfrageforschung
Latente Konstrukte und Multi-Item-Skalen
49
Bitte geben Sie an, wie zufrieden Sie mit dem Kauf von
______ sind. Kreuzen Sie dafür das Kästchen an, das Ihrer
Einschätzung am besten entspricht.
zufrieden [ ] [ ] [ ] [ ] [ ] [ ] [ ] unzufrieden
erfreut [ ] [ ] [ ] [ ] [ ] [ ] [ ] verärgert
vorteilhaft [ ] [ ] [ ] [ ] [ ] [ ] [ ] nachteilig
angenehm [ ] [ ] [ ] [ ] [ ] [ ] [ ] unangenehm
Ich mochte es sehr [ ] [ ] [ ] [ ] [ ] [ ] [ ]
Ich mochte es
überhaupt nicht
befriedigt [ ] [ ] [ ] [ ] [ ] [ ] [ ] frustriert
hinreißend [ ] [ ] [ ] [ ] [ ] [ ] [ ] schrecklich
α=0,84
Latentes Konstrukt
ist ein Sachverhalt (z.B.
Kundenzufriedenheit), der nicht
direkt beobachtbar bzw. messbar
ist.
Das bedeutet nicht, dass der
betreffende Sachverhalt nicht
“existiert”, sondern nur, dass er aus
anderen, messbaren Sachverhalten
(Indikatoren) erschlossen werden
kann.
Paul Marx | Grundlagen der Umfrageforschung
Latente Konstrukte und Multi-Item-Skalen
Konstrukt Dimensionen Faktoren Items Skala
Kunden-
zufriedenheit
Produkt-
zufriedenheit
Service-
zufriedenheit
Freund-
lichkeit
Fach-
kompetenz
Verbind-
lichkeit
Der Verkäufer
war mir
sympathisch
Der Verkäufer
lächelte nett
Der Verkäufer
war zuvorkommend
trifft
voll zu
trifft
weitgehend zu
trifft nur
teilweise zu
trifft überhaupt
nicht zu
Paul Marx | Grundlagen der Umfrageforschung
Vorteile
+ Möglichkeit zur Beurteilung abstrakter
Konzepte
+ Verschiedene Facetten des Konstruktes
können erfasst werden
+ Reduktion der Datendimensionalität durch
Aggregation einer Vielzahl von beobachtbaren
Sachverhalte zu einem Modell
+ ...
Latente Konstrukte und Multi-Item-Skalen
51
Paul Marx | Grundlagen der Umfrageforschung
Multi-Item-Skalen: baue oder klaue
Generierung vom anfänglichen Pool von Items:
Theorie, Sekundärdaten und qualitative Analyse
Wahl des reduzierten Set von Items auf
Grundlage qualitativer Urteile
Datenerhebung mit einer
großen Stichprobe
Statistische Analyse
Entwicklung einer bereinigten Skala
Datenerhebung mit einer
anderen Stichprobe
Beurteilung von Reliabilität, Validität und
Generalisierbarkeit der Skala
Ableitung der finalen Skala
Theorieentwicklung
Brunner, Gordon C. II (2012), “Marketing Scales Handbook:
A Compilation of Multi-Item Measures for Consumer
Behavior & Advertising Research”, Vol. 6, verfügbar als as
PDF unter www.marketingscales.com/research
Journal of the Academy of Marketing Science (JAMS)
Journal of Advertising (JA)
Journal of Consumer Research (JCR)
Journal of Marketing (JM)
Journal of Marketing Research (JMR)
Journal of Retailing (JR)
Wo findet man fertige Skalen?
Paul Marx | Grundlagen der Umfrageforschung
Secure Customer Index™
Bewertung von Kundenloyalität und Kundenbindung
53
Secure
Customer
Sehr zufrieden
Werde definitiv
weiterempfehlen
Werde definitiv
wieder nutzen
Quelle: D. Randall Brandt (1996), “Secure Customer Index”, Maritz Research
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
(Sichere Konsumenten)
% sehr zufrieden/werde ganz sicher wiederverwenden/werde ganz sicher weiterempfehlen
Konsumenten mit einer
günstigen Einstellung
% zumindest zweitbeste Alternative auf allen drei Dimensionen der Zufriedenheit und Loyalität
Verletzte Konsumenten % eher zufrieden/unentschieden/unentschieden
Gefährdete Konsumenten % eher zufrieden oder nicht zufrieden/werde wahrscheinlich oder ganz sicher nicht
wiederverwenden/werde wahrscheinlich oder ganz sicher nicht weiterempfehlen
Paul Marx | Grundlagen der Umfrageforschung
Erweiterter Secure Customer Index™ von Burke Inc.
54
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 Anbieter vor.
Quelle: Burke Inc. http://www.burke.com/library/whitepapers/sci_white_paper_low_res_pages.pdf
Loyalitäts-
index
Share of Wallet
(0% - 100%)
Periode 1 Periode 2
Paul Marx | Grundlagen der Umfrageforschung
2.Umfrage: Messung und Skalierung
2.1 Einführung
2.2 Komparative Skalen
2.3 Nicht-komparative Skalen
2.4 Latente Konstrukte
2.5 Reliabilität und Validität
55
Paul Marx | Grundlagen der Umfrageforschung
Gütekriterien der Messung
56
Das True-Score-Modell
ХO = ХT + ХS + ХR
wobei
ХO = beobachteter Wert einer Charakteristik
ХT = der wahre Wert der Charakteristik
ХS = systematischer Fehler
ХR = Zufallsfehler
Paul Marx | Grundlagen der Umfrageforschung
Reliabilität und Validität
57
Reliabilität
(Zuverlässigkeit)
• Gibt an, wie zuverlässig ein Messinstrument
misst – d.h. wie konsistent die Ergebnisse bei
wiederholten Messungen sind.
• Kein Zufallsfehler (ХR ⟶ 0 |⇒ ХO ⟶ ХT + ХS)
• Die Maßzahl von Reliabilität ist Cronbachs
Alpha (0 ≥ α ≥ 1)
• Werte von α ≥ 0,7 gelten als akzeptabel
ХO = ХT + ХS + ХR
Validität
(Gültigkeit)
• Gibt an, inwieweit ein Messinstrument auch
tatsächlich den Sachverhalt misst, den es zu
messen galt – d.h. inwiefern gemessene
Unterschiede tatsächlichen unterschieden
zwischen den Objekten entsprechen (Güte der
Messung).
• Kein Messfehler
(ХS ⟶ 0, ХR ⟶ 0 |⇒ ХO ⟶ ХT)
Reliabel
Nicht valide
Geringe Reliabilität
Geringe Validität
Nicht reliabel
Nicht valide
Reliabel und
valide
* Negative Werte von α sind möglich, lassen sich aber nicht interpretieren.
Paul Marx | Grundlagen der Umfrageforschung
Reliabel
Nicht valide
Geringe Reliabilität
Geringe Validität
Nicht reliabel
Nicht valide
Reliabel und
valide
Zusammenhang zwischen Reliabilität und Validität
58
ХO = ХT + ХS + ХR
• Validität impliziert Reliabilität
(ХO = ХT |⇒ ХS = 0, ХR = 0)
• Nicht-Reliabilität impliziert Nicht-Validität
(ХR ≠ 0 |⇒ ХO = ХT + ХR ≠ ХT)
• Aus Reliabilität kann Validität nicht gefolgert
werden
(ХR = 0, ХS ≠ 0 |⇒ ХO = ХT + ХS ≠ ХT)
• Reliabilität ist eine notwendige, aber nicht
hinreichende Bedingung der Validität
Paul Marx | Grundlagen der Umfrageforschung 59
„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
Paul Marx | Grundlagen der Umfrageforschung
Net Promoter Score®
Unternehmenswachstum?
60
0 1 2 3 4 5 6 7 8 9 10
Quelle:Reichheld,Fred(2003)"OneNumberYouNeedtoGrow",HarvardBusinessReview
Kritiker Passiven Promoters
Net Promoter Score % Promoters % Kritiker= –
Wie wahrscheinlich ist es, dass Sie Unternehmen/Marke/Produkt X einem Freund,
Verwandten oder Kollegen weiterempfehlen werden??
Ist die Skala reliabel?
Ist die Skala valide?
NPS (-100% – +100%)
5-10% Durchschnittliche Unternehmen
45% Perspektive Unternehmen mit offenem Wachstumspotential
50-80% Markführer mit hohem Wachstumspotential
Paul Marx | Grundlagen der Umfrageforschung
Net Promoter Score®: Warnung
61
„Obwohl die „Weiterempfehlungs-“ Frage bei weitem die beste
Einzelfrage für die Vorhersage vom 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 auf diese
Frage und dem darauffolgenden Konsumentenverhalten für
ihren Geschäftsfeld empirisch überprüfen.”
Fred Reichheld, 2011
Quelle: Reichheld, Fred, and Rob Markey (2011). The Ultimate Question 2.0. Boston: Harvard Business Review Press; pp.50-51.
?
Paul Marx | Grundlagen der Umfrageforschung 62
Referenzen:
Backhaus, Klaus, Bernd Erichson, Wulff Plinke, Rolf Weiber (2015), „Multivariate Analysemethoden: Eine
anwendungsorientierte Einführung“, Springer Gabler, 14. Auflage.
Malhotra, Naresh K. (2009), „Marketing Research: An Applied Orientation“, Prentice Hall, 6th edition.
Myers, James H. (1996), „Segmentation & Positioning for Strategic Marketing Decisions“, South Western Educ Pub .
Sulivan III, Michael (2010), „Statistics: Informed Decisions Using Data“, Pearson, 3rd edition.
Course “Statistics I” of Elgin Community College.
Haftungsausschluss: Diese Präsentation enthält das Bildmaterial, welches nur für die Verbreitung innerhalb dieser Präsentation und ihrer Teile in unveränderter Form lizensiert ist. Die Autoren von
abgeleiteten Werken sind angehalten, die für die Verbreitung ihrer Werke notwendige Lizenzen selbst zu beschaffen. Der Autor sowie die mit ihm affilierten Personen und/oder Organisationen können für die
Verletzung jeglicher Lizenzbedingungen in keiner Form verantwortlich gemacht werden, sofern diese Verletzungen nicht durch ihr aktives Tun verursacht worden sind – also insbesondere nicht in Fällen der
durch sie unkontrollierten Verbreitung dieser Präsentation, ihrer Teile und/oder von dieser Präsentation abgeleiteter Werke. Markennamen und geschützte Warenzeichen sind Eigentum ihrer jeweiligen
Inhaber. Die Nennung von Markennamen und geschützter Warenzeichen hat lediglich beschreibenden Charakter. Irrtümer vorbehalten.
Diese Präsentation unterliegt der CreativeCommons-Attribution-NonCommercial-ShareAlike-Lizenz1, soweit Anderes
nicht explizit angegeben ist. Jede Nutzung oder Verbreitung dieser Präsentation, ihrer Teile und/oder abgeleiteter
Werke erfordert einen Verweis auf diese Präsentation und explizite Nennung von Paul Marx und questionStar™.
©2016 Paul Marx, questionStar™. All rights reserved.
1https://creativecommons.org/licenses/by-nc-sa/3.0/deed.de. Die Lizenz gilt nicht für das Bildmaterial.

Weitere ähnliche Inhalte

Was ist angesagt?

Rapport de stage pfe odoo 8
Rapport de stage pfe odoo 8 Rapport de stage pfe odoo 8
Rapport de stage pfe odoo 8 ayoub damir
 
Développement d'une application de cartographie interactive sur internet
Développement d'une application de cartographie interactive sur internetDéveloppement d'une application de cartographie interactive sur internet
Développement d'une application de cartographie interactive sur internetKhadim Mbacké
 
les style d'architecture
les style d'architecture les style d'architecture
les style d'architecture Mouna Maazoun
 
TP1-UML-Correction
TP1-UML-CorrectionTP1-UML-Correction
TP1-UML-CorrectionLilia Sfaxi
 
Présentation PFE "Refonte et déploiement d’une solution de messagerie en util...
Présentation PFE "Refonte et déploiement d’une solution de messagerie en util...Présentation PFE "Refonte et déploiement d’une solution de messagerie en util...
Présentation PFE "Refonte et déploiement d’une solution de messagerie en util...Nawres Farhat
 
Présentation PFE
Présentation PFEPrésentation PFE
Présentation PFEHedi Riahi
 
présentation soutenance PFE
présentation soutenance PFEprésentation soutenance PFE
présentation soutenance PFEHeithem Moumni
 
Determiner son besoin et definir ses objectifs pour son projet de site web
Determiner son besoin et definir ses objectifs pour son projet de site webDeterminer son besoin et definir ses objectifs pour son projet de site web
Determiner son besoin et definir ses objectifs pour son projet de site webMatthieu Tran-Van
 
Presentation formation en ligne 2014 (eLearning)
Presentation formation en ligne 2014 (eLearning)Presentation formation en ligne 2014 (eLearning)
Presentation formation en ligne 2014 (eLearning)Simon Hénault
 
Les 9 étapes du Community Management
Les 9 étapes du  Community ManagementLes 9 étapes du  Community Management
Les 9 étapes du Community ManagementAppsolute Digital
 
Chap5 diagramme d'etats-transitions
Chap5 diagramme d'etats-transitionsChap5 diagramme d'etats-transitions
Chap5 diagramme d'etats-transitionsAmir Souissi
 
Mémoire de fin de formation pour l'obtention du diplome d'ingénieur des trava...
Mémoire de fin de formation pour l'obtention du diplome d'ingénieur des trava...Mémoire de fin de formation pour l'obtention du diplome d'ingénieur des trava...
Mémoire de fin de formation pour l'obtention du diplome d'ingénieur des trava...Gedeon AGOTSI
 
Presentation pfe
Presentation pfePresentation pfe
Presentation pfezinebcher
 
Présentation du stage technicien:Application VBA de gestion des employés
Présentation du stage technicien:Application VBA de gestion des employésPrésentation du stage technicien:Application VBA de gestion des employés
Présentation du stage technicien:Application VBA de gestion des employésMeher Zayani
 
Presentation pfe-2016-cr xpress
Presentation pfe-2016-cr xpressPresentation pfe-2016-cr xpress
Presentation pfe-2016-cr xpressMaissen Ayed
 

Was ist angesagt? (20)

Rapport de stage pfe odoo 8
Rapport de stage pfe odoo 8 Rapport de stage pfe odoo 8
Rapport de stage pfe odoo 8
 
Développement d'une application de cartographie interactive sur internet
Développement d'une application de cartographie interactive sur internetDéveloppement d'une application de cartographie interactive sur internet
Développement d'une application de cartographie interactive sur internet
 
les style d'architecture
les style d'architecture les style d'architecture
les style d'architecture
 
TP1-UML-Correction
TP1-UML-CorrectionTP1-UML-Correction
TP1-UML-Correction
 
3 Expression Du Besoin
3 Expression Du Besoin3 Expression Du Besoin
3 Expression Du Besoin
 
Présentation PFE "Refonte et déploiement d’une solution de messagerie en util...
Présentation PFE "Refonte et déploiement d’une solution de messagerie en util...Présentation PFE "Refonte et déploiement d’une solution de messagerie en util...
Présentation PFE "Refonte et déploiement d’une solution de messagerie en util...
 
Présentation PFE
Présentation PFEPrésentation PFE
Présentation PFE
 
présentation soutenance PFE
présentation soutenance PFEprésentation soutenance PFE
présentation soutenance PFE
 
Determiner son besoin et definir ses objectifs pour son projet de site web
Determiner son besoin et definir ses objectifs pour son projet de site webDeterminer son besoin et definir ses objectifs pour son projet de site web
Determiner son besoin et definir ses objectifs pour son projet de site web
 
Presentation formation en ligne 2014 (eLearning)
Presentation formation en ligne 2014 (eLearning)Presentation formation en ligne 2014 (eLearning)
Presentation formation en ligne 2014 (eLearning)
 
Les 9 étapes du Community Management
Les 9 étapes du  Community ManagementLes 9 étapes du  Community Management
Les 9 étapes du Community Management
 
Rdf
RdfRdf
Rdf
 
Chap5 diagramme d'etats-transitions
Chap5 diagramme d'etats-transitionsChap5 diagramme d'etats-transitions
Chap5 diagramme d'etats-transitions
 
Mémoire de fin de formation pour l'obtention du diplome d'ingénieur des trava...
Mémoire de fin de formation pour l'obtention du diplome d'ingénieur des trava...Mémoire de fin de formation pour l'obtention du diplome d'ingénieur des trava...
Mémoire de fin de formation pour l'obtention du diplome d'ingénieur des trava...
 
Les étapes clés d'un projet web
Les étapes clés d'un projet webLes étapes clés d'un projet web
Les étapes clés d'un projet web
 
Presentation pfe
Presentation pfePresentation pfe
Presentation pfe
 
Présentation du stage technicien:Application VBA de gestion des employés
Présentation du stage technicien:Application VBA de gestion des employésPrésentation du stage technicien:Application VBA de gestion des employés
Présentation du stage technicien:Application VBA de gestion des employés
 
WebSocket soutenance de stage
WebSocket   soutenance de stageWebSocket   soutenance de stage
WebSocket soutenance de stage
 
Presentation pfe-2016-cr xpress
Presentation pfe-2016-cr xpressPresentation pfe-2016-cr xpress
Presentation pfe-2016-cr xpress
 
Voice over MPLS
Voice over MPLSVoice over MPLS
Voice over MPLS
 

Mehr von Paul Marx

HS Worms - Probevortrag - Dynamic Pricing.pdf
HS Worms - Probevortrag - Dynamic Pricing.pdfHS Worms - Probevortrag - Dynamic Pricing.pdf
HS Worms - Probevortrag - Dynamic Pricing.pdfPaul Marx
 
SEO in KMU: Ansatzpunkte und Methodologie
SEO in KMU: Ansatzpunkte und MethodologieSEO in KMU: Ansatzpunkte und Methodologie
SEO in KMU: Ansatzpunkte und MethodologiePaul Marx
 
Einsatzbereiche und Wirksamkeit von Social Media Marketing für KMU
 Einsatzbereiche und Wirksamkeit von Social Media Marketing für KMU Einsatzbereiche und Wirksamkeit von Social Media Marketing für KMU
Einsatzbereiche und Wirksamkeit von Social Media Marketing für KMUPaul Marx
 
Innovative Ansätze des digitalen Marketing für Non-Profit Vorhaben mit gesel...
Innovative Ansätze des digitalen Marketing für Non-Profit Vorhaben  mit gesel...Innovative Ansätze des digitalen Marketing für Non-Profit Vorhaben  mit gesel...
Innovative Ansätze des digitalen Marketing für Non-Profit Vorhaben mit gesel...Paul Marx
 
Einführung in die Methodik der Conjoint-Analyse
Einführung in die Methodik der Conjoint-AnalyseEinführung in die Methodik der Conjoint-Analyse
Einführung in die Methodik der Conjoint-AnalysePaul Marx
 
Applied pricing on platform markets
Applied pricing on platform marketsApplied pricing on platform markets
Applied pricing on platform marketsPaul Marx
 
Einfluss und Nutzen von Digitalisierung und Biologisierung auf eine nachhalti...
Einfluss und Nutzen von Digitalisierung und Biologisierung auf eine nachhalti...Einfluss und Nutzen von Digitalisierung und Biologisierung auf eine nachhalti...
Einfluss und Nutzen von Digitalisierung und Biologisierung auf eine nachhalti...Paul Marx
 
How Advancements in Technology Influence Marketing: Natural Language Processing
How Advancements in Technology Influence Marketing: Natural Language ProcessingHow Advancements in Technology Influence Marketing: Natural Language Processing
How Advancements in Technology Influence Marketing: Natural Language ProcessingPaul Marx
 
Preispolitik
PreispolitikPreispolitik
PreispolitikPaul Marx
 
Herausforderung und chancen in der kundengewinnung für digitale medienprodukte
Herausforderung und chancen in der kundengewinnung für digitale medienprodukteHerausforderung und chancen in der kundengewinnung für digitale medienprodukte
Herausforderung und chancen in der kundengewinnung für digitale medienproduktePaul Marx
 
Digital Marketing: Concepts, Controlling, Perspectives
Digital Marketing: Concepts, Controlling, PerspectivesDigital Marketing: Concepts, Controlling, Perspectives
Digital Marketing: Concepts, Controlling, PerspectivesPaul Marx
 
Grundlagen der Umfrageforschung (www.questionstar.de) : 7. Ergebnisse berichten
Grundlagen der Umfrageforschung (www.questionstar.de) : 7. Ergebnisse berichtenGrundlagen der Umfrageforschung (www.questionstar.de) : 7. Ergebnisse berichten
Grundlagen der Umfrageforschung (www.questionstar.de) : 7. Ergebnisse berichtenPaul Marx
 
Grundlagen der Umfrageforschung (www.questionstar.de) : 6. Fortgeschrittene T...
Grundlagen der Umfrageforschung (www.questionstar.de) : 6. Fortgeschrittene T...Grundlagen der Umfrageforschung (www.questionstar.de) : 6. Fortgeschrittene T...
Grundlagen der Umfrageforschung (www.questionstar.de) : 6. Fortgeschrittene T...Paul Marx
 
Grundlagen der Umfrageforschung (www.questionstar.de) : 5. Datenanalyse
Grundlagen der Umfrageforschung (www.questionstar.de) : 5. DatenanalyseGrundlagen der Umfrageforschung (www.questionstar.de) : 5. Datenanalyse
Grundlagen der Umfrageforschung (www.questionstar.de) : 5. DatenanalysePaul Marx
 
Grundlagen der Umfrageforschung (www.questionstar.de): 4. Stichproben
Grundlagen der Umfrageforschung (www.questionstar.de): 4. StichprobenGrundlagen der Umfrageforschung (www.questionstar.de): 4. Stichproben
Grundlagen der Umfrageforschung (www.questionstar.de): 4. StichprobenPaul Marx
 
Grundlagen der Umfrageforschung (www.questionstar.de): 3. Fragebogen
Grundlagen der Umfrageforschung (www.questionstar.de): 3. FragebogenGrundlagen der Umfrageforschung (www.questionstar.de): 3. Fragebogen
Grundlagen der Umfrageforschung (www.questionstar.de): 3. FragebogenPaul Marx
 
Grundlagen der Umfrageforschung (www.questionstar.de)
Grundlagen der Umfrageforschung (www.questionstar.de)  Grundlagen der Umfrageforschung (www.questionstar.de)
Grundlagen der Umfrageforschung (www.questionstar.de) Paul Marx
 
Principles of Survey Research (questionStar)
Principles of Survey Research (questionStar)Principles of Survey Research (questionStar)
Principles of Survey Research (questionStar)Paul Marx
 
Grundlagen der Umfrageforschung (Uni Siegen)
Grundlagen der Umfrageforschung (Uni Siegen)Grundlagen der Umfrageforschung (Uni Siegen)
Grundlagen der Umfrageforschung (Uni Siegen)Paul Marx
 
как проводить опросы
как проводить опросы как проводить опросы
как проводить опросы Paul Marx
 

Mehr von Paul Marx (20)

HS Worms - Probevortrag - Dynamic Pricing.pdf
HS Worms - Probevortrag - Dynamic Pricing.pdfHS Worms - Probevortrag - Dynamic Pricing.pdf
HS Worms - Probevortrag - Dynamic Pricing.pdf
 
SEO in KMU: Ansatzpunkte und Methodologie
SEO in KMU: Ansatzpunkte und MethodologieSEO in KMU: Ansatzpunkte und Methodologie
SEO in KMU: Ansatzpunkte und Methodologie
 
Einsatzbereiche und Wirksamkeit von Social Media Marketing für KMU
 Einsatzbereiche und Wirksamkeit von Social Media Marketing für KMU Einsatzbereiche und Wirksamkeit von Social Media Marketing für KMU
Einsatzbereiche und Wirksamkeit von Social Media Marketing für KMU
 
Innovative Ansätze des digitalen Marketing für Non-Profit Vorhaben mit gesel...
Innovative Ansätze des digitalen Marketing für Non-Profit Vorhaben  mit gesel...Innovative Ansätze des digitalen Marketing für Non-Profit Vorhaben  mit gesel...
Innovative Ansätze des digitalen Marketing für Non-Profit Vorhaben mit gesel...
 
Einführung in die Methodik der Conjoint-Analyse
Einführung in die Methodik der Conjoint-AnalyseEinführung in die Methodik der Conjoint-Analyse
Einführung in die Methodik der Conjoint-Analyse
 
Applied pricing on platform markets
Applied pricing on platform marketsApplied pricing on platform markets
Applied pricing on platform markets
 
Einfluss und Nutzen von Digitalisierung und Biologisierung auf eine nachhalti...
Einfluss und Nutzen von Digitalisierung und Biologisierung auf eine nachhalti...Einfluss und Nutzen von Digitalisierung und Biologisierung auf eine nachhalti...
Einfluss und Nutzen von Digitalisierung und Biologisierung auf eine nachhalti...
 
How Advancements in Technology Influence Marketing: Natural Language Processing
How Advancements in Technology Influence Marketing: Natural Language ProcessingHow Advancements in Technology Influence Marketing: Natural Language Processing
How Advancements in Technology Influence Marketing: Natural Language Processing
 
Preispolitik
PreispolitikPreispolitik
Preispolitik
 
Herausforderung und chancen in der kundengewinnung für digitale medienprodukte
Herausforderung und chancen in der kundengewinnung für digitale medienprodukteHerausforderung und chancen in der kundengewinnung für digitale medienprodukte
Herausforderung und chancen in der kundengewinnung für digitale medienprodukte
 
Digital Marketing: Concepts, Controlling, Perspectives
Digital Marketing: Concepts, Controlling, PerspectivesDigital Marketing: Concepts, Controlling, Perspectives
Digital Marketing: Concepts, Controlling, Perspectives
 
Grundlagen der Umfrageforschung (www.questionstar.de) : 7. Ergebnisse berichten
Grundlagen der Umfrageforschung (www.questionstar.de) : 7. Ergebnisse berichtenGrundlagen der Umfrageforschung (www.questionstar.de) : 7. Ergebnisse berichten
Grundlagen der Umfrageforschung (www.questionstar.de) : 7. Ergebnisse berichten
 
Grundlagen der Umfrageforschung (www.questionstar.de) : 6. Fortgeschrittene T...
Grundlagen der Umfrageforschung (www.questionstar.de) : 6. Fortgeschrittene T...Grundlagen der Umfrageforschung (www.questionstar.de) : 6. Fortgeschrittene T...
Grundlagen der Umfrageforschung (www.questionstar.de) : 6. Fortgeschrittene T...
 
Grundlagen der Umfrageforschung (www.questionstar.de) : 5. Datenanalyse
Grundlagen der Umfrageforschung (www.questionstar.de) : 5. DatenanalyseGrundlagen der Umfrageforschung (www.questionstar.de) : 5. Datenanalyse
Grundlagen der Umfrageforschung (www.questionstar.de) : 5. Datenanalyse
 
Grundlagen der Umfrageforschung (www.questionstar.de): 4. Stichproben
Grundlagen der Umfrageforschung (www.questionstar.de): 4. StichprobenGrundlagen der Umfrageforschung (www.questionstar.de): 4. Stichproben
Grundlagen der Umfrageforschung (www.questionstar.de): 4. Stichproben
 
Grundlagen der Umfrageforschung (www.questionstar.de): 3. Fragebogen
Grundlagen der Umfrageforschung (www.questionstar.de): 3. FragebogenGrundlagen der Umfrageforschung (www.questionstar.de): 3. Fragebogen
Grundlagen der Umfrageforschung (www.questionstar.de): 3. Fragebogen
 
Grundlagen der Umfrageforschung (www.questionstar.de)
Grundlagen der Umfrageforschung (www.questionstar.de)  Grundlagen der Umfrageforschung (www.questionstar.de)
Grundlagen der Umfrageforschung (www.questionstar.de)
 
Principles of Survey Research (questionStar)
Principles of Survey Research (questionStar)Principles of Survey Research (questionStar)
Principles of Survey Research (questionStar)
 
Grundlagen der Umfrageforschung (Uni Siegen)
Grundlagen der Umfrageforschung (Uni Siegen)Grundlagen der Umfrageforschung (Uni Siegen)
Grundlagen der Umfrageforschung (Uni Siegen)
 
как проводить опросы
как проводить опросы как проводить опросы
как проводить опросы
 

Grundlagen der Umfrageforschung (www.questionstar.de): 2. Messung und Skalierung

  • 1. Paul Marx | Grundlagen der Umfrageforschung Grundlagen der Umfrageforschung Kapitel 2: Messung und Skalierung 1 Einführungskurs
  • 2. Paul Marx | Grundlagen der Umfrageforschung 2.Umfrage: Messung und Skalierung 2.1 Einführung 2.2 Komparative Skalen 2.3 Nicht-komparative Skalen 2.4 Latente Konstrukte 2.5 Reliabilität und Validität 2
  • 3. Paul Marx | Grundlagen der Umfrageforschung 2.Umfrage: Messung und Skalierung 2.1 Einführung 2.2 Komparative Skalen 2.3 Nicht-komparative Skalen 2.4 Latente Konstrukte 2.5 Reliabilität und Validität 3
  • 4. Paul Marx | Grundlagen der Umfrageforschung Messung Messung – Zuweisung von Zahlen oder anderen Symbolen zu Charakteristiken von Objekten nach bestimmter vorgegebener Regel. - Eins-zu-eins-Entsprechung der Zahlen und zu messender Größen - Standardisierte Regeln für die Zuweisung der Zahlen - Regeln dürfen nicht vom Objekt zum Objekt oder in der Zeit variieren 4
  • 5. Paul Marx | Grundlagen der Umfrageforschung Skalierung Skalierung – beinhaltet ein Kontinuum, auf dem die Messobjekte angeordnet werden. 5 Extrem lecker Extrem übel
  • 6. Paul Marx | Grundlagen der Umfrageforschung Grundlegende Typen von Skalen 6 •Zahlen dienen lediglich zur Klassifizierung der Objekte •nicht-kontinuierliche SkalaNominal •Zahlen geben die relativen Positionen der Objekte an •aber nicht die Größe der Differenz zwischen ihnenOrdinal •Unterschiede zwischen Objekten können verglichen werden •Nullpunkt willkürlich Intervall quasi-metrisch •Nullpunkt eindeutig festgesetzt •Verhältnisse der Skalenwerte können berechnet werden Metrisch auch Ratio oder 1 2 1 2 1 2 NICHT 3 1 2 1 2 3 Meine Präferenz für Snacks mehrweniger 0 25 50 75 100 Gewicht(Kg)
  • 7. Paul Marx | Grundlagen der Umfrageforschung Wichtige Skalen in Marketing Skala Beschreibung Gängige Beispiele Beispiele aus Marketing Statistische Kennzahlen 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 den Ausmaß der Unterschiede zwischen ihnen Schulnoten, Position der Läufer im Marathonlauf Präferenzranking, Marktposition, soziale Klasse Perzentile, Median Rangkorrelations- koeffizient (Spearmans 𝜌), Friedman ANOVA Intervallskala Ermöglicht den Vergleich der Unterschiede zwischen Objekten: Nullpunkt willkürlich Temperatur (Fahrenheit, Celsius) Einstellungen, Meinungen, Kauf- absicht, Kunden- zufriedenheit, Index- Zahlen Range, Durchschnitt, Standard- abweichung 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, Umsatz Geometrisches Mittel, Harmonisches Mittel Variations- koeffizient 7
  • 8. Paul Marx | Grundlagen der Umfrageforschung Typologie von Skalierungsverfahren Skalierung Komparative Skalen Paarweise Vergleiche Rangordnungs- verfahren Konstant- summen- verfahren Q-Sortierung und andere Nicht- komparative Skalen Kontinuierliche Ratingskalen Diskrete Ratingskalen Likert-Skala Semantisches Differential Stapel-Skala 8
  • 9. Paul Marx | Grundlagen der Umfrageforschung Vergleich von Skalierungsverfahren 9 Komparative Skalen • Der Messwert von einem Objekt ergibt sich aus dem direkten Vergleich mit einem anderen Objekt. • Daten können nur als relative Positionen interpretiert werden, • haben nur ordinales Skalenniveau (Rangordnung). 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 von folgenden Überlegungen ab: - Natur der Forschungsfrage - Variabilität des Messwertes in der Grundgesamtheit - Methoden der Datenanalyse
  • 10. Paul Marx | Grundlagen der Umfrageforschung 2.Umfrage: Messung und Skalierung 2.1 Einführung 2.2 Komparative Skalen 2.3 Nicht-komparative Skalen 2.4 Latente Konstrukte 2.5 Reliabilität und Validität 10
  • 11. Paul Marx | Grundlagen der Umfrageforschung Typologie von Skalierungsverfahren Skalierung Komparative Skalen Paarweise Vergleiche Rangordnungs- verfahren Konstant- summen- verfahren Q-Sortierung und andere Nicht- komparative Skalen Kontinuierliche Ratingskalen Diskrete Ratingskalen Likert-Skala Semantisches Differential Stapel-Skala 11
  • 12. Paul Marx | Grundlagen der Umfrageforschung Vor- und Nachteile von komparativen Skalen 12 + Geringe unterschiede zwischen Objekten können regestiert werden + Dieselben bekannte Referenzpunkte für alle Probanden + Einfach zu verstehen und zu nutzen + Benötigen weniger theoretischen Annahmen + Reduzieren tendenziell Halo- und Carryover-Effekte Vorteile - Haben 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 Nachteile
  • 13. Paul Marx | Grundlagen der Umfrageforschung Komparative Skalen: Paarweise Vergleiche 13 Probanden wählen aus jeweils zwei Objekten dasjenige aus, das nach ihrer Meinung ein bestimmten Kriterium am besten erfüllt Im Folgenden werden Ihnen zehn Paaren von Biermarken vorgelegt. In jedem Paar, wählen Sie bitte das Bier aus, welches Sie eher kaufen würden. Warsteiner Köstritzer Oerttinger Becks Paulaner Warsteiner Köstritzer Oettinger Becks Paulaner #Male Präferiert 3 2 0 4 1 Paarweise Vergleiche
  • 14. Paul Marx | Grundlagen der Umfrageforschung Komparative Skalen: Paarweise Vergleiche 14
  • 15. Paul Marx | Grundlagen der Umfrageforschung Paarweise Vergleiche: Vor- und Nachteile 15 + Direkter Vergleich und eindeutige Auswahl + Gut für Blindtests, Produktvergleiche und MDS + Ermöglicht die Berechnung vom prozentuellen Anteil der Probanden, die ein Objekt dem anderen bevorzugen + Rangordnung von Objekten kann geschätzt werden (unter Annahme der Transitivität) + Mögliche Erweiterungen: Alternative „keine Unterschiede“, abgestufter Vergleich Vorteile - Anzahl von Vergleiche wächst schneller als Anzahl der Objekte (für 𝑛 Objekte 𝑛(𝑛 − 1)/2 Vergleiche) - Reihenfolgeeffekte möglich (Einfluss der Präsentationsreihenfolge auf die Antworten) - Aus Präferenz von A über B folgt es nicht, dass der Proband A mag - Wenig realistisch für die realen Wahlsituationen mit mehreren Alternativen - Verletzung der Transitivitätsannahme möglich Nachteile
  • 16. Paul Marx | Grundlagen der Umfrageforschung > > Ordinale Daten: Verletzung der Transitivitätsannahme in paarweisen Vergleichen 16
  • 17. Paul Marx | Grundlagen der Umfrageforschung Ordinale Daten: Verletzung der Transitivitätsannahme bei Aggregation von Präferenzen 17 Proband #1 Proband #2 Proband #3 Stimmenzählung Ergebnis: 2 vs 1 2 vs 1 2 vs 1 Apfel wird gleichzeitig am meisten und am wenigsten präferiert. Gruppenpräferenzen sind inkonsistent! Abstimmung
  • 18. Paul Marx | Grundlagen der Umfrageforschung Komparative Skalen: Rangordnungsverfahren 18 Probanden bringen mehrere Objekte in eine Reihenfolge (basierend auf einem bestimmten Kriterium) Ordnen Sie bitte die unten aufgeführten Marken von Erfrischungs-getränke 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. Setzten 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. Rangordnungsverfahren Marke Rangplatz Pepsi-Cola ______________ Coca-Cola ______________ Red Bull ______________ Sprite ______________ 7-Up ______________
  • 19. Paul Marx | Grundlagen der Umfrageforschung Rangordnungsverfahren: Beispiel 19 ©ExavoGmbH,exavo.de
  • 20. Paul Marx | Grundlagen der Umfrageforschung Rangordnungsverfahren: Beispiele 20 Quelle: exavo.de ©ExavoGmbH,exavo.de
  • 21. Paul Marx | Grundlagen der Umfrageforschung Rangordnungsverfahren: Beispiel 21 Quelle: exavo.de ©ExavoGmbH,exavo.de
  • 22. Paul Marx | Grundlagen der Umfrageforschung Rangordnungsverfahren: Vor- und Nachteile 22 + Direkter Vergleich + Realitätsnäher als paarweise Vergleiche + Anzahl der Vergleiche ist nur (𝑛 − 1) + Einfacher zu verstehen + Nehmen weniger Zeit in Anspruch + Keine nicht-transitive Antworten + Daten können in paarweise Vergleiche konvertiert werden + Gut für Messung von Marken- und Eigenschaftspräferenzen Vorteile - Aus Präferenz von A über B folgt es nicht, dass der Proband A mag - Kein Null-Punkt; Keine Trennung zwischen Mögen und Nicht-Mögen - Lediglich ordinale Daten - Verletzung der Transitivitätsannahme möglich (bei Aggregation) Nachteile
  • 23. Paul Marx | Grundlagen der Umfrageforschung Komparative Skalen: Konstantsummenverfahren 23 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, die relative Wichtigkeit dieser Eigenschaft für Sie wiederspiegelt. Je mehr Punkte eine Eigenschaft bekommt, desto wichtiger ist diese Eigenschaft für Sie. Wenn eine Eigenschaft für Sie unwichtig ist, weisen Sie ihr 0 Punkte zu. Wenn eine Eigenschaft doppelt so wichtig für Sie ist als eine andere Eigenschaft, weisen Sie ihr doppelt so viel Punkte zu. Konstantsummenverfahren Eigenschaften Punkte Geschwindigkeit 0 Komfort 15 Getriebetyp (manuell/Automatik) 5 Kraftsoff (Benzin/Diesel) 35 Preis 45 Summe 100
  • 24. Paul Marx | Grundlagen der Umfrageforschung Konstantsummenverfahren: Beispiel der Auswertung 24 Attribute 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 Durchschnittliche Bewertung in drei Segmenten
  • 25. Paul Marx | Grundlagen der Umfrageforschung Konstantsummenverfahren: Beispiel 25 ©ExavoGmbH,exavo.de
  • 26. Paul Marx | Grundlagen der Umfrageforschung Konstantsummenverfahren: Beispiele 26
  • 27. Paul Marx | Grundlagen der Umfrageforschung Konstantsummenverfahren: Vor- und Nachteile 27 + Kann kleine Unterschiede zwischen den Objekten messen, ohne zu viel Zeit zu beanspruchen + Metrisch skaliert ⟶ flexible Auswahl an Analyseverfahren Vorteile - Ergebnisse sind auf die Liste der beurteilten Objekte beschränkt. D.h. es ist nicht möglich Aussagen über Objekte zu treffen, die nicht auf der Liste waren. - Relativ hohe kognitive Belastung der Probanden, insb. bei langen Listen - Anfällig für Rechenfehler (z.B. Verteilung von 108 oder 94 Punkte) Nachteile
  • 28. Paul Marx | Grundlagen der Umfrageforschung Komparative Skalen: Q-Sortierung 28 Rangordnungsverfahren, bei dem Objekte (in Hinblick auf ein bestimmtes Merkmal) in Stapeln sortiert werden. Wird genutzt, um eine hohe Anzahl an Objekten (60-140) schnell untereinander zu vergleichen. Die Anzahl von Objekten in einem Stapel ist i.d.R. so begrenzt, dass alle Stapeln zusammen die Form einer Normalverteilung nachbilden. Für die Prävention von Epidemien hat des Gesundheitsministerium 25 Maßnahmen für die Umsetzung in Krankenhäusern entwickelt. Bitte ordnen Sie diese Maßnahmen entsprechend ihrer Wirksamkeit zur Verhinderung der Infektionsausbreitung im unterstehenden Schema ein. Bitte nur eine Maßnahme in eine Box.Q-Sortierung Äußerst wirksam Ganz und gar nicht wirksam
  • 29. Paul Marx | Grundlagen der Umfrageforschung 2.Umfrage: Messung und Skalierung 2.1 Einführung 2.2 Komparative Skalen 2.3 Nicht-komparative Skalen 2.4 Latente Konstrukte 2.5 Reliabilität und Validität 29
  • 30. Paul Marx | Grundlagen der Umfrageforschung Typologie von Skalierungsverfahren Skalierung Komparative Skalen Paarweise Vergleiche Rangordnungs- verfahren Konstant- summen- verfahren Q-Sortierung und andere Nicht- komparative Skalen Kontinuierliche Ratingskalen Diskrete Ratingskalen Likert-Skala Semantisches Differential Stapel-Skala 30
  • 31. Paul Marx | Grundlagen der Umfrageforschung Nicht-komparative Skalen: Kontinuierliche Ratingskalen 31 Probanden bewerten Objekte, indem sie eine entsprechende Position auf einer Linie markieren, die von einem Extrem zum anderen Extrem eines bestimmten Kriteriums läuft. Wie bewerten Sie „Real“ als Lebensmittelgeschäft? Kontinuierliche Ratingskalen Wahrscheinlich das schlechteste Wahrscheinlich das beste Version 1 х Wahrscheinlich das schlechteste Wahrscheinlich das beste Version 2 х0 10 20 30 40 50 60 70 80 90 100 Wahrscheinlich das schlechteste Wahrscheinlich das beste Version 3 х0 20 40 60 80 100 sehr schlecht sehr gut teils teils Wahrscheinlich das schlechteste Wahrscheinlich das beste Version 4 76 sehr schlecht sehr gut teils teils
  • 32. Paul Marx | Grundlagen der Umfrageforschung Kontinuierliche Ratingskalen: Perception Analyzer 32
  • 33. Paul Marx | Grundlagen der Umfrageforschung Diskrete Ratingskalen: Likert-Skala 33 Probanden geben an, inwieweit sie den aufgeführten Aussagen zustimmen – anhand von einer 5- oder 7-Punkte-Skala, die von einem Extrem zum andere reicht.. Im Folgenden sind unterschiedliche Aussagen über Real aufgelistet. Bitte geben Sie an, wie stark Sie diesen Aussagen zustimmen: Likert-Skala Stimme gar nicht zu Stimme nicht zu Neutral Stimme zu Stimme voll und ganz zu Real verkauft hochwertige Waren [1] [x] [3] [4] [5] Real hat schlechten Service [1] [x] [3] [4] [5] Einkaufen bei Real macht mir Spaß [1] [2] [x] [4] [5] Real bietet eine Mischung aus verschiedenen Marken [1] [2] [3] [x] [5] Die Kreditpolitik in Real ist schrecklich [1] [2] [3] [x] [5] Ich mag die Werbung von Real nicht [1] [2] [3] [x] [5] Die Preise bei Real sind fair [1] [x] [3] [4] [5] WICHTIG: Beachten Sie die umgekehrte Richtung von Fragen 2, 5 und 6. Kehren Sie die entsprechenden Skalen vor der Datenanalyse um – d.h. höhere Zahl soll bessere Einstellung bedeuten.
  • 34. Paul Marx | Grundlagen der Umfrageforschung Likert-Skala: Beispiele 34
  • 35. Paul Marx | Grundlagen der Umfrageforschung Populäre Likert-Skalen in Marketing 35 Konstrukt Skalenpunkte 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
  • 36. Paul Marx | Grundlagen der Umfrageforschung Diskrete Ratingskalen: Semantisches Differential 36 Zweipolige Rating-Skala, deren Extreme mit jeweils gegensätzlichen Adjektiven beschrieben werden. Erlaubt Messung mehrdimensionaler Einstellungen und deren Profildarstellung. Wie schätzen Sie das Erscheinungsbild von Kaufhof ein? Im folgenden Kasten finden Sie jeweils gegensätzliche Begriffspaare. Bitte kreuzen Sie an, inwieweit Sie in Ihrer Einschätzung jeweils mehr zu der einen oder der anderen Ausprägung tendieren. Semantisches Differential Stark [ ] [ ] [ ] [ ] [X] [ ] [ ] Schwach Unzuverlässig [ ] [ ] [ ] [ ] [ ] [X] [ ] Zuverlässig Modern [ ] [ ] [ ] [ ] [ ] [ ] [X] Altmodisch Kalt [ ] [ ] [ ] [ ] [ ] [X] [ ] Warm Sorgfältig [ ] [X] [ ] [ ] [ ] [ ] [ ] Leichtsinnig HINWEIS: Die negativen Adjektive erscheinen in der Skala manchmal links und manchmal rechts. Dies ermöglicht die Tendenz einiger Probanden nachträglich zu kontrollieren, alles links oder rechts anzukreuzen, ohne die Adjektive gelesen zu haben. Kaufhof ist:
  • 37. Paul Marx | Grundlagen der Umfrageforschung Semantisches Differential: Beispiel 37 Hoch [ ] [ ] [ ] [ ] [ ] [ ] [ ] Tief Stark [ ] [ ] [ ] [ ] [ ] [ ] [ ] Schwach Zuverlässig [ ] [ ] [ ] [ ] [ ] [ ] [ ] Unzuverlässig Kalt [ ] [ ] [ ] [ ] [ ] [ ] [ ] Heiß Modern [ ] [ ] [ ] [ ] [ ] [ ] [ ] Langsam Gut [ ] [ ] [ ] [ ] [ ] [ ] [ ] Schlecht Freundlich [ ] [ ] [ ] [ ] [ ] [ ] [ ] Feindlich Hässlich [ ] [ ] [ ] [ ] [ ] [ ] [ ] Schön Aktiv [ ] [ ] [ ] [ ] [ ] [ ] [ ] Passiv Jung [ ] [ ] [ ] [ ] [ ] [ ] [ ] Alt Vorsichtig [ ] [ ] [ ] [ ] [ ] [ ] [ ] Sorglos Klein [ ] [ ] [ ] [ ] [ ] [ ] [ ] Groß Sanft [ ] [ ] [ ] [ ] [ ] [ ] [ ] Abstoßend Robust [ ] [ ] [ ] [ ] [ ] [ ] [ ] Empfindlich Bescheiden [ ] [ ] [ ] [ ] [ ] [ ] [ ] Angeberisch Messung von Selbsteinschätzung, Einstellung ggü. Personen bzw. Produkten Bewertungsprofile von verschiedenen Objekten / Befragten / Segmente. Jeder Punkt entspricht dem Mittelwert oder Median der jeweiligen Skala.
  • 38. Paul Marx | Grundlagen der Umfrageforschung Semantisches Differential: Beispiel 38 Quelle: http://www.provisor.com.ua/archive/2000/N16/gromovik.php Billig [ ] [ ] [ ] [ ] [ ] [ ] [ ] Teuer Hat natürliche Inhaltsstoffe [ ] [ ] [ ] [ ] [ ] [ ] [ ] Hat keine natürliche Inhaltsstoffe Attraktiv [ ] [ ] [ ] [ ] [ ] [ ] [ ] Unattraktiv Überall verfügbar [ ] [ ] [ ] [ ] [ ] [ ] [ ] Schwer zu bekommen Riecht gut [ ] [ ] [ ] [ ] [ ] [ ] [ ] Riecht schlecht Hat Conditioner [ ] [ ] [ ] [ ] [ ] [ ] [ ] Hat kein Conditioner Bekannte Marke [ ] [ ] [ ] [ ] [ ] [ ] [ ] Unbekannte Marke Geeignet für häufige Nutzung [ ] [ ] [ ] [ ] [ ] [ ] [ ] Ungeeignet für häufige Nutzung Magischer Effekt von Glanz und Sauberkeit [ ] [ ] [ ] [ ] [ ] [ ] [ ] Kein Effekt von Sauberkeit Einfache Nutzung [ ] [ ] [ ] [ ] [ ] [ ] [ ] Komplizierte Nutzung Ideales Shampoo Elseve Herbal Magic Semantische Profile von Shampoo-Marken „Herbal Magic” und „Elseve” im Vergleich zum idealen Shampoo aus der Sicht von Konsumenten
  • 39. Paul Marx | Grundlagen der Umfrageforschung Semantisches Differential: Beispiel 39
  • 40. Paul Marx | Grundlagen der Umfrageforschung Diskrete Ratingskalen: Stapel-Skala 40 Eine unipolare Ratingskala mit 10 Kategorien von -5 bis +5 ohne Neutralpunkt (0). Wird oft als Alternative zum semantischen Differential verwendet, insb. wenn es schwierig erscheint, ein sinnvolles Paar von entgegengesetzten Adjektiven zu finden. Bitte geben Sie an, wie zutreffend folgende Wörter und Phrasen die Geschäfte beschreiben. Wählen Sie eine Plus-Zahl für Phrasen, die das Geschäft zutreffend beschreiben. Je genauer Ihrer Meinung nach trifft die Beschreibung auf das Geschäft zu, desto höhere Plus- Zahl sollten Sie wählen. Wählen Sie eine Minus-Zahl für Phrasen, die Ihrer Meinung nach auf das Geschäft nicht zutreffen. Je weniger die Phrase auf das Geschäft zutrifft, desto höhere Minus-Zahl sollten Sie wählen. Sie können jede Zahl zwischen +5 (für zutreffende) und -5 (für unzutreffende) Beschreibungen wählen. Stapel-Skala „Real“: +5 +4 +3 +2 +1 -1 -2 -3 -4 -5 Hohe Qualität +5 +4 +3 +2 +1 -1 -2 -3 -4 -5 Schlechter Service х х
  • 41. Paul Marx | Grundlagen der Umfrageforschung Wichtigste nicht-komparative Skalen Skala Beschreibung Beispiele Vorteile Nachteile Kontinuierliche Ratingskalen Markierung auf einer kontinuierlichen Linie Reaktion auf TV- Werbespots Einfach zu bilden Nicht PC-gestützte manuelle Auswertung kann sehr mühsam sein Diskrete Ratingskalen Likert-Skala Grad der Zustimmung auf der 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 Differential Zweipolige siebenstufige Ratingskala mit entgegengesetzten Adjektiven auf den Polen. Marken-, Produkt- und Firmenimage Vielseitig Keine Eignung darüber, ob die Daten intervallskaliert sind Stapel-Skala Unipolare zehn Punkte Skala von -5 bis +5 ohne Neutralpunkt (0) Messung von Einstellungen und Image Einfach zu konstruieren und zu verwenden in Telefon- Umfragen Manchmal verwirrend und schwierig anzuwenden 41
  • 42. Paul Marx | Grundlagen der Umfrageforschung Konstruktion von diskreten Ratingskalen 42 Anzahl von Antwortkategorien Zwar gibt es keine eindeutige einzig optimale Anzahl von Antwortkategorien, traditionell werden Skalen mit fünf bis neuen Antwortkategorien verwendet. Balanciert vs. nicht-balanciert Generell sollte die Skala balanciert sein, um objektive Ergebnisse erzielen zu können. Gerade vs. ungerade Anzahl von Antwortkategorien Wenn eine neutrale bzw. indifferente Antwort zumindest für einige Probanden in Frage kommt, sollte man eine Skala mit ungerader Anzahl von Antwortkategorien verwenden. Obligatorische vs. nicht- obligatorische Antwort Wenn einige Probanden keine Meinung haben können, durch nicht-obligatorische Fragen kann die Genauigkeit der Ergebnisse verbessert werden. Verbale Beschreibung Es gibt gute Argumente dafür, die meisten (wenn nicht alle) Antwortkategorien zu beschriften. Die Beschriftung sollte möglichst nah an Antwortkategorien sein.
  • 43. Paul Marx | Grundlagen der Umfrageforschung Anzahl von Antwortkategorien Zwar gibt es keine eindeutige einzig optimale Anzahl von Antwortkategorien, traditionell werden Skalen mit fünf bis neuen Antwortkategorien verwendet. Anzahl von Antwortkategorien 43 + Je hoher die Anzahl von Antwortkategorien, desto feinere Unterschiede in der Bewertung können von der Skala registriert werden. - Die meisten Probanden können nur mir einigen wenigen Antwortkategorien umgehen. Involvement und Wissen • Mehr Antwortkategorien wenn Probanden an der Bewertungsaufgabe interessiert sind oder über tiefes Wissen über das Objekt oder Sachverhalt verfügen. Natur von Objekten • Sind feine Unterschiede für die Objekte charakteristisch? Modus der Datenerhebung • Weniger Antwortkategorien für Telefoninterviews. Datenanalyse • Weniger Antwortkategorien für Aggregation, Verallgemeinerungen, oder Gruppenvergleiche. • Mehr Kategorien für anspruchsvolle statistische Analysen, insb. Korrelationsbasierte u.ä.
  • 44. Paul Marx | Grundlagen der Umfrageforschung Balanciert vs. nicht-balanciert Generell sollte die Skala balanciert sein, um objektive Ergebnisse erzielen zu können. Balancierte oder nicht-balancierte Skalen 44 Sehr gut Gut Weder gut noch schlecht Schlecht Sehr schlecht Balancierte Skala Extrem gut Sehr gut Gut Angemessen Schlecht Sehr schlecht Nicht-balancierte Skala
  • 45. Paul Marx | Grundlagen der Umfrageforschung Gerade vs. ungerade Anzahl von Antwortkategorien Wenn eine neutrale bzw. indifferente Antwort zumindest für einige Probanden in Frage kommt, sollte man eine Skala mit ungerader Anzahl von Antwortkategorien verwenden. Gerade oder ungerade Anzahl von Antwortkategorien 45 - Die mittlere Option einer Einstellungsskala zieht viele Probanden an, die unsicher sind oder ihre Meinung nur ungern offenbaren würden. - Das kann die Maßen der zentralen Tendenz und Varianz verzerren. - Wollen/brauchen wir „Kontrast“ in kontroversen Einstellungen?
  • 46. Paul Marx | Grundlagen der Umfrageforschung Obligatorische vs. nicht- obligatorische Antwort Wenn einige Probanden keine Meinung haben können, durch nicht-obligatorische Fragen kann die Genauigkeit der Ergebnisse verbessert werden. Obligatorische oder nicht-obligatorische Antwort? 46 - Fragen ohne Alternative „weiß nicht“ erzeugen tendenziell höhere Menge an genauen Daten. - Wollen die Probanden nicht Antworten oder haben sie keine Meinung? - Nutzen Sie „weiß nicht“ oder besser „nicht zutreffend“ bei sachlichen Fragen und Wissensabfragen, aber nicht für Messung von Einstellungen und Meinungen. - Nutzen Sie Filterführung, um sicherzustellen, dass Probanden ihre Fragen beantworten können
  • 47. Paul Marx | Grundlagen der Umfrageforschung Verbale Beschreibung Es gibt gute Argumente dafür, die meisten (wenn nicht alle) Antwortkategorien zu beschriften. Die Beschriftung sollte möglichst nah an Antwortkategorien sein. Verbale Beschreibung 47 - Die verbale Beschreibung für jede Antwortkategorie verbessert die Genauigkeit und Reliabilität nicht immer. Wichtig ist es, die Ambivalenz der Beschriftung zu vermeiden. - Spitze vs. Flache Antwortverteilung stimme ganz und gar nicht zu stimme voll und ganz zu stimme nicht zu stimme zu
  • 48. Paul Marx | Grundlagen der Umfrageforschung 2.Umfrage: Messung und Skalierung 2.1 Einführung 2.2 Komparative Skalen 2.3 Nicht-komparative Skalen 2.4 Latente Konstrukte 2.5 Reliabilität und Validität 48
  • 49. Paul Marx | Grundlagen der Umfrageforschung Latente Konstrukte und Multi-Item-Skalen 49 Bitte geben Sie an, wie zufrieden Sie mit dem Kauf von ______ sind. Kreuzen Sie dafür das Kästchen an, das Ihrer Einschätzung am besten entspricht. zufrieden [ ] [ ] [ ] [ ] [ ] [ ] [ ] unzufrieden erfreut [ ] [ ] [ ] [ ] [ ] [ ] [ ] verärgert vorteilhaft [ ] [ ] [ ] [ ] [ ] [ ] [ ] nachteilig angenehm [ ] [ ] [ ] [ ] [ ] [ ] [ ] unangenehm Ich mochte es sehr [ ] [ ] [ ] [ ] [ ] [ ] [ ] Ich mochte es überhaupt nicht befriedigt [ ] [ ] [ ] [ ] [ ] [ ] [ ] frustriert hinreißend [ ] [ ] [ ] [ ] [ ] [ ] [ ] schrecklich α=0,84 Latentes Konstrukt ist ein Sachverhalt (z.B. Kundenzufriedenheit), der nicht direkt beobachtbar bzw. messbar ist. Das bedeutet nicht, dass der betreffende Sachverhalt nicht “existiert”, sondern nur, dass er aus anderen, messbaren Sachverhalten (Indikatoren) erschlossen werden kann.
  • 50. Paul Marx | Grundlagen der Umfrageforschung Latente Konstrukte und Multi-Item-Skalen Konstrukt Dimensionen Faktoren Items Skala Kunden- zufriedenheit Produkt- zufriedenheit Service- zufriedenheit Freund- lichkeit Fach- kompetenz Verbind- lichkeit Der Verkäufer war mir sympathisch Der Verkäufer lächelte nett Der Verkäufer war zuvorkommend trifft voll zu trifft weitgehend zu trifft nur teilweise zu trifft überhaupt nicht zu
  • 51. Paul Marx | Grundlagen der Umfrageforschung Vorteile + Möglichkeit zur Beurteilung abstrakter Konzepte + Verschiedene Facetten des Konstruktes können erfasst werden + Reduktion der Datendimensionalität durch Aggregation einer Vielzahl von beobachtbaren Sachverhalte zu einem Modell + ... Latente Konstrukte und Multi-Item-Skalen 51
  • 52. Paul Marx | Grundlagen der Umfrageforschung Multi-Item-Skalen: baue oder klaue Generierung vom anfänglichen Pool von Items: Theorie, Sekundärdaten und qualitative Analyse Wahl des reduzierten Set von Items auf Grundlage qualitativer Urteile Datenerhebung mit einer großen Stichprobe Statistische Analyse Entwicklung einer bereinigten Skala Datenerhebung mit einer anderen Stichprobe Beurteilung von Reliabilität, Validität und Generalisierbarkeit der Skala Ableitung der finalen Skala Theorieentwicklung Brunner, Gordon C. II (2012), “Marketing Scales Handbook: A Compilation of Multi-Item Measures for Consumer Behavior & Advertising Research”, Vol. 6, verfügbar als as PDF unter www.marketingscales.com/research Journal of the Academy of Marketing Science (JAMS) Journal of Advertising (JA) Journal of Consumer Research (JCR) Journal of Marketing (JM) Journal of Marketing Research (JMR) Journal of Retailing (JR) Wo findet man fertige Skalen?
  • 53. Paul Marx | Grundlagen der Umfrageforschung Secure Customer Index™ Bewertung von Kundenloyalität und Kundenbindung 53 Secure Customer Sehr zufrieden Werde definitiv weiterempfehlen Werde definitiv wieder nutzen Quelle: D. Randall Brandt (1996), “Secure Customer Index”, Maritz Research 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 (Sichere Konsumenten) % sehr zufrieden/werde ganz sicher wiederverwenden/werde ganz sicher weiterempfehlen Konsumenten mit einer günstigen Einstellung % zumindest zweitbeste Alternative auf allen drei Dimensionen der Zufriedenheit und Loyalität Verletzte Konsumenten % eher zufrieden/unentschieden/unentschieden Gefährdete Konsumenten % eher zufrieden oder nicht zufrieden/werde wahrscheinlich oder ganz sicher nicht wiederverwenden/werde wahrscheinlich oder ganz sicher nicht weiterempfehlen
  • 54. Paul Marx | Grundlagen der Umfrageforschung Erweiterter Secure Customer Index™ von Burke Inc. 54 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 Anbieter vor. Quelle: Burke Inc. http://www.burke.com/library/whitepapers/sci_white_paper_low_res_pages.pdf Loyalitäts- index Share of Wallet (0% - 100%) Periode 1 Periode 2
  • 55. Paul Marx | Grundlagen der Umfrageforschung 2.Umfrage: Messung und Skalierung 2.1 Einführung 2.2 Komparative Skalen 2.3 Nicht-komparative Skalen 2.4 Latente Konstrukte 2.5 Reliabilität und Validität 55
  • 56. Paul Marx | Grundlagen der Umfrageforschung Gütekriterien der Messung 56 Das True-Score-Modell ХO = ХT + ХS + ХR wobei ХO = beobachteter Wert einer Charakteristik ХT = der wahre Wert der Charakteristik ХS = systematischer Fehler ХR = Zufallsfehler
  • 57. Paul Marx | Grundlagen der Umfrageforschung Reliabilität und Validität 57 Reliabilität (Zuverlässigkeit) • Gibt an, wie zuverlässig ein Messinstrument misst – d.h. wie konsistent die Ergebnisse bei wiederholten Messungen sind. • Kein Zufallsfehler (ХR ⟶ 0 |⇒ ХO ⟶ ХT + ХS) • Die Maßzahl von Reliabilität ist Cronbachs Alpha (0 ≥ α ≥ 1) • Werte von α ≥ 0,7 gelten als akzeptabel ХO = ХT + ХS + ХR Validität (Gültigkeit) • Gibt an, inwieweit ein Messinstrument auch tatsächlich den Sachverhalt misst, den es zu messen galt – d.h. inwiefern gemessene Unterschiede tatsächlichen unterschieden zwischen den Objekten entsprechen (Güte der Messung). • Kein Messfehler (ХS ⟶ 0, ХR ⟶ 0 |⇒ ХO ⟶ ХT) Reliabel Nicht valide Geringe Reliabilität Geringe Validität Nicht reliabel Nicht valide Reliabel und valide * Negative Werte von α sind möglich, lassen sich aber nicht interpretieren.
  • 58. Paul Marx | Grundlagen der Umfrageforschung Reliabel Nicht valide Geringe Reliabilität Geringe Validität Nicht reliabel Nicht valide Reliabel und valide Zusammenhang zwischen Reliabilität und Validität 58 ХO = ХT + ХS + ХR • Validität impliziert Reliabilität (ХO = ХT |⇒ ХS = 0, ХR = 0) • Nicht-Reliabilität impliziert Nicht-Validität (ХR ≠ 0 |⇒ ХO = ХT + ХR ≠ ХT) • Aus Reliabilität kann Validität nicht gefolgert werden (ХR = 0, ХS ≠ 0 |⇒ ХO = ХT + ХS ≠ ХT) • Reliabilität ist eine notwendige, aber nicht hinreichende Bedingung der Validität
  • 59. Paul Marx | Grundlagen der Umfrageforschung 59 „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
  • 60. Paul Marx | Grundlagen der Umfrageforschung Net Promoter Score® Unternehmenswachstum? 60 0 1 2 3 4 5 6 7 8 9 10 Quelle:Reichheld,Fred(2003)"OneNumberYouNeedtoGrow",HarvardBusinessReview Kritiker Passiven Promoters Net Promoter Score % Promoters % Kritiker= – Wie wahrscheinlich ist es, dass Sie Unternehmen/Marke/Produkt X einem Freund, Verwandten oder Kollegen weiterempfehlen werden?? Ist die Skala reliabel? Ist die Skala valide? NPS (-100% – +100%) 5-10% Durchschnittliche Unternehmen 45% Perspektive Unternehmen mit offenem Wachstumspotential 50-80% Markführer mit hohem Wachstumspotential
  • 61. Paul Marx | Grundlagen der Umfrageforschung Net Promoter Score®: Warnung 61 „Obwohl die „Weiterempfehlungs-“ Frage bei weitem die beste Einzelfrage für die Vorhersage vom 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 auf diese Frage und dem darauffolgenden Konsumentenverhalten für ihren Geschäftsfeld empirisch überprüfen.” Fred Reichheld, 2011 Quelle: Reichheld, Fred, and Rob Markey (2011). The Ultimate Question 2.0. Boston: Harvard Business Review Press; pp.50-51. ?
  • 62. Paul Marx | Grundlagen der Umfrageforschung 62 Referenzen: Backhaus, Klaus, Bernd Erichson, Wulff Plinke, Rolf Weiber (2015), „Multivariate Analysemethoden: Eine anwendungsorientierte Einführung“, Springer Gabler, 14. Auflage. Malhotra, Naresh K. (2009), „Marketing Research: An Applied Orientation“, Prentice Hall, 6th edition. Myers, James H. (1996), „Segmentation & Positioning for Strategic Marketing Decisions“, South Western Educ Pub . Sulivan III, Michael (2010), „Statistics: Informed Decisions Using Data“, Pearson, 3rd edition. Course “Statistics I” of Elgin Community College. Haftungsausschluss: Diese Präsentation enthält das Bildmaterial, welches nur für die Verbreitung innerhalb dieser Präsentation und ihrer Teile in unveränderter Form lizensiert ist. Die Autoren von abgeleiteten Werken sind angehalten, die für die Verbreitung ihrer Werke notwendige Lizenzen selbst zu beschaffen. Der Autor sowie die mit ihm affilierten Personen und/oder Organisationen können für die Verletzung jeglicher Lizenzbedingungen in keiner Form verantwortlich gemacht werden, sofern diese Verletzungen nicht durch ihr aktives Tun verursacht worden sind – also insbesondere nicht in Fällen der durch sie unkontrollierten Verbreitung dieser Präsentation, ihrer Teile und/oder von dieser Präsentation abgeleiteter Werke. Markennamen und geschützte Warenzeichen sind Eigentum ihrer jeweiligen Inhaber. Die Nennung von Markennamen und geschützter Warenzeichen hat lediglich beschreibenden Charakter. Irrtümer vorbehalten. Diese Präsentation unterliegt der CreativeCommons-Attribution-NonCommercial-ShareAlike-Lizenz1, soweit Anderes nicht explizit angegeben ist. Jede Nutzung oder Verbreitung dieser Präsentation, ihrer Teile und/oder abgeleiteter Werke erfordert einen Verweis auf diese Präsentation und explizite Nennung von Paul Marx und questionStar™. ©2016 Paul Marx, questionStar™. All rights reserved. 1https://creativecommons.org/licenses/by-nc-sa/3.0/deed.de. Die Lizenz gilt nicht für das Bildmaterial.

Hinweis der Redaktion

  1. https://de.wikipedia.org/wiki/Skalierung_(Marketing)
  2. https://de.wikipedia.org/wiki/Skalierung_(Marketing)
  3. Segment 1 – price sensible Segment 2 – comfort lovers Segment 3 – racers
  4. https://en.wikipedia.org/wiki/Q_methodology https://www.youtube.com/watch?v=I3V3ohm1pvQ
  5. https://de.wikipedia.org/wiki/Skalierung_(Marketing)
  6. Named after its developer, Rensis Likert, the Likert scale is a widely used rating scale that requires the respondents to indicate a degree of agreement or disagreement with Note: In the forthcoming examples using Dresdner Bank, the scores presented do not represent actual measurements taken in GlobalCash. Typically, each scale item has five response categories, ranging from ‘strongly disagree’ to ‘strongly agree’. We each of a series of statements about the stimulus objects. illustrate with a Likert scale for evaluating attitudes toward Dresdner Bank.
  7. named after its developer, Jan Stapel, The Stapel scale’s advantages are that it does not require a pre-test of the adjectives or phrases to ensure true bipolarity and that it can be administered over the telephone. Some researchers, however, believe the Stapel scale is confusing and difficult to apply. Of the three itemised rating scales considered, the Stapel scale is used least. Nonetheless, this scale merits more attention than it has received. ranging from -3 to +3 possible or from 1 to 7 data can be analyzed in the same way as semantic differential data. advantages: - does not require pretesting of the adjectives or phrases to ensure true bipolarity. - easier to administer over the telephone. disadvantage: some researcher argue that SS is confusing and difficult to apply. of the three itemized rating scales this one is used least.
  8. the size of correlation coefficient, a common measure of relationship between variables, is influenced by # of scale categories. The corr. coeff. decreases with a reduction in the # of cat. -> impact on all analysis based on correlations
  9. https://analysights.wordpress.com/2010/07/14/more-survey-rating-scale-discussions/
  10. This can make a difference in the conclusions drawn form the data Most people do have opinions on topics of which they are knowledgeable After all, you should be confident your respondents possess enough information to offer an informed, honest opinion when answering your question. 
  11. This can make a difference in the conclusions drawn form the data Most people do have opinions on topics of which they are knowledgeable After all, you should be confident your respondents possess enough information to offer an informed, honest opinion when answering your question.  Респондент «в теме»
  12. This can make a difference in the conclusions drawn form the data Most people do have opinions on topics of which they are knowledgeable After all, you should be confident your respondents possess enough information to offer an informed, honest opinion when answering your question.  Респондент «в теме»
  13. scale designed to measure the percentage of “secure” customers and provides a strategic blueprint that highlights improvement priorities Most favorable rating on all three SCI® scales Most favorable or second most favorable rating on all three SCI® scales (but not secure) All other combinations Most unfavorable or second most unfavorable rating on any SCI® scale They tend to be satisfied They return with some level of frequency They will talk about their experiences with others
  14. http://burke.com/Library/Conference/Burke-Baker-Prewitt.pdf http://customerthink.com/selecting-the-right-core-customer-metric/ http://www.markitects.co.za/1%20White%20Paper%20on%20Net%20Promoter%20Score%202010(1).pdf http://www.5circles.com/profiting-from-customer-satisfaction-and-loyalty-research/ http://advancedscience.org/2014/6/084-089.pdf
  15. http://instrcon.susu.ru/OTIP.pdf
  16. Alpha kann auch negative Werte annehmen, diese sind jedoch nicht interpretierbar.
  17. “The purpose of a scale is to allow us to represent respondents with the highest accuracy and reliability. We can’t have one without the other and still believe in our data.”
  18. http://survey.cvent.com/blog/customer-insights-2/working-with-net-promoter-score
  19. “Though the “would recommend” question is far and away the best single-question predictor of customer behavior across a range of industries, it’s not the best for every industry…So, companies need to do their homework. They need to validate the empirical link between survey answers and subsequent customer behavior for their own business.” 1
  20. Any use or distribution of this presentation, its parts and/or derivative works is allowed only for non-commercial purpose and requires a link to this presentation and reference to Paul Marx and questionStar™.