Grundlagen der Umfrageforschung (Uni Siegen)

Jun.-Prof. Dr. Paul Marx | Grundlagen der Umfrageforschung
Grundlagen der Umfrageforschung
1
Einführungskurs
Jun.-Prof. Dr. Paul Marx

Inhalt
1. Einführung
1.1 Marktforschung und Umfrage
1.2 Typologie der Marktforschung
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. Fragebogen
3.1 Fragen stellen
3.2 Bewältigung der mangelnden Antwortfähigkeit
3.3 Bewältigung der mangelnden Antwortbereitschaft
3.4 Erhöhung der Antwortbereitschaft
3.5 Reihenfolge von Fragen
3.6 Wie geht es weiter?
4. Stichproben
4.1 Nicht-zufällige Stichproben
4.2 Zufällige Stichproben
4.3 Wahl zwischen zufälligen und nicht-zufälligen Stichproben
4.4 Größe der Stichprobe
5. Datenanalyse:
Übersicht über statistische Techniken
5.1 Deskriptive Statistik:
Darstellung und Präsentation von Daten
5.1.1 Zusammenfassung qualitativer Daten
5.1.2 Zusammenfassung quantitativer Daten
5.1.3 Numerische Zusammenfassung von Daten
5.1.4 Kreuztabellen
5.2 Induktive Statistik:
Kann man die Ergebnisse auf die Grundgesamtheit übertragen?
5.2.1 Hypothesentest
5.2.2 Stärke des Zusammenhangs in Kreuztabellen
5.2.3 Beziehung zwischen zwei (metrischen) Variablen
6. Fortgeschrittene Techniken der Marktforschung:
Einige nützliche Konzepte
6.1 Conjoint-Analyse
6.2 Marktsimulationen
6.3 Segmentierung
6.4 Wahrnehmungskarten
7. Ergebnisse Berichten
2

1.Einführung
3

1.Einführung
4

Was ist Forschung?
Forschung ist
Alle systematischen Bestrebungen und
Bemühungen, um neue Erkenntnisse für
Wissenschaft oder Industrie zu erlangen.
(Lexikon)
5
Forschung ist
Suche und Sammlung von Informationen und
Ideen in Antwort auf eine spezifische
Fragestellung.
(Unbekannt)

Umfrage
6
Umfrage -
ist eine der populärsten Methoden, primäre
Daten zu erheben, wobei der Forscher mit
Befragten interagiert, um Informationen über
Einstellungen, Meinungen, Wissen und
Verhaltensweisen von Menschen zu gewinnen

Marktforschung
7
Forscher
Entscheidungsproblem
Entscheidungsträger
Sichtbare und messbare
Symptome
Das eigentliche Business- bzw.
Entscheidungsproblem
Unzufriedene
Kunden
Gesunkener
Marktanteil
Fallende
Verkäufe Geringer
Traffic
Unzureichende
Qualität der
Produkte
Schlechtes Image
Grenzwertige
Leistung vom
Verkaufsteam
Mangelhafte
Belieferung
Unethischer Umgang
mit Kunden

Wer Was
Soziologie und
Politikwissenschaften
Meinungsforschung, Identifikation der Einstellungen von Bevölkerung ggü. Sozial bedeutenden Phänomenen, Ereignissen
und Fakten,…
Psychologie
Persönlichkeitstests, Intelligenztests, Identifikation individueller Stärken und Schwächen, psychischer Stabilität, kognitiver
Störungen, sozialer Einflüsse,…
Personalwesen
Messung von Mitarbeiterzufriedenheit, Loyalität, Potenziale, Persönlichkeitsmerkmale, Führungsqualitäten, Produktivität
und Arbeitsqualität, professioneller Eignung, Stressresistenz, sozialer Intelligenz, Work-Life-Balance,…
Marketing
Markt- und Verbraucherforschung, Messung von Imagewahrnehmung, Präferenzen, Einstellungen, Zufriedenheit mit
Produkt und/oder Dienstleistung, Loyalität, Zahlungsbereitschaft; Segmentierung, Positionierung, Neuproduktentwicklung,
Bewertung von Marktpotentiale, Preisbestimmung, Werbetests, Nutzerfreundlichkeit von Webseiten, Nutzer-Feedback,
NPS, …
Wissenschaft (im Allgemeinen)
Untersuchung von Beziehungen zwischen zwei oder mehreren Variablen, Faktoren, Phänomenen; Skalen- und
Methodenentwicklung für wissenschaftliche und praktische Zwecke,…
Bildung Wissenstests (Multiple-Choice-Prüfungen), Studenten- und Lehrerevaluation,…
… …
Praktische Nutzung von Umfragen
8

Prozess der Marktforschung
die “5 D’s” der Marktforschung
Definitions-
phase
Design-
phase
Datenerhebungs-
phase
Datenanalyse-
phase
Dateninterpretations-
phase
9
⁻ Informationsbedarf
identifizieren
⁻ Forschungsproblem
und -fragen
definieren
⁻ Forschungsziele
festlegen
⁻ Informationswert
prüfen
Ergebnisse haben keinen
praktischen Wert, wenn das
Forschungsproblem nur vage
definiert ist
Entscheiden bzgl.
⁻ Budget
⁻ Datenquellen
⁻ Forschungs-
methoden
⁻ Stichprobenplan
⁻ Kontaktmethoden
⁻ Methoden der
Datenanalyse
Der Plan muss im Voraus
festgelegt, dennoch flexibel
sein, um ggf. notwendige
Anpassungen einbauen zu
können
⁻ Daten entsprechend
dem Plan erheben
oder
⁻ externen Dienstleister
beauftragen
Diese Phase ist sehr
kostspielig und sehr
fehleranfällig
Daten
⁻ statistisch und
⁻ subjektiv
analysieren, sowie
Antworten und
Implikationen ableiten
Wahl der
Datenanalysemethode hängt
im Wesentlichen von dem
Forschungstyp ab
- Ergebnisse der
Datenanalyse
Formulieren
- Forschungsbericht
aufbereiten
Aktionsfähige Schlüssel-
ergebnisse statt
überwältigende statistische
Methoden präsentieren

Wann sollte man KEINE Marktforschungsprojekte starten
Fall Kommentar
Vage Ziele
Wenn Manager sich nicht darauf einigen können, welche Informationen sie zur Entscheidungsfindung brauchen.
Marktforschung kann nur hilfreich sein, wenn sie eine konkrete Frage untersucht.
Fixierte Haltung
Wenn Entscheidung bereits getroffen ist und die Studie nur als “Abstempelung” eines vorgefassten Plans dienen
soll.
Zu spät Wenn Ergebnisse zu spät bereitgestellt werden, um die Entscheidung beeinflussen zu können.
Schlechtes Timing Wenn ein Produkt in der Degenerationsphase ist, macht es wenig Sinn, neue Produktvariationen zu erforschen.
Unzureichende Ressourcen
Es lohnt sich nicht, eine quantitative Studie aufzusetzen, solange keine statistisch signifikante Stichprobe
realisierbar ist; Wenn Finanzen nicht ausreichen, die aus der Studie resultierende Entscheidungen umzusetzen.
Kosten überwiegen Vorteile Erwarteter Informationswert sollte die Kosten der Datenerhebung und -analyse übersteigen.
Ergebnisse nicht aktionsfähig
Wenn z.B. psychographische Charakteristiken genutzt werden, die nicht helfen können, konkrete Entscheidungen
zu treffen.
Informationen nicht erforderlich Wenn entscheidungsrelevanten Informationen bereits vorhanden sind.
10

1.Einführung
11

Typologie der Marktforschung
12
Nach
Zielen
• Explorativ
(auch diagnostisch)
• Deskriptiv
• Kausal
(auch prädiktiv, experimentell)
Nach
Datenquellen
• Primär
• Sekundär
Nach
Methodologie
• Qualitativ
• Quantitativ

Marktforschungstypologie nach Zielen
• Analyse von Daten und Aktionen, um Probleme besser zu verstehen
• Wie hat sich der Umsatz nach Änderung der Verpackung verändert?
• Haben Werbeaktionen am POS Einfluss auf Markenbekanntheit?
Explorativ
auch diagnostisch
• Sammeln und Präsentation von Fakten:
wer, was, wann, wo, wie?
• Wie sieht der historische Umsatztrend in der Branche aus?
• Wie sind die Einstellungen von Konsumenten ggü. Unserem Produkt?
Deskriptiv
• Analyse der Ursache-Wirkungs-Beziehungen; „Was wäre wenn?“
• Vorhersage der Ergebnisse von Marketing-Aktionen.
• Einfluss von Werbeausgaben auf den Umsatz.
(Wieviel Umsatz bring ein Werbe-Euro?)
Kausal
auch prädiktiv,
experimentell
13
kleinere
Umfragen,
Focus-
Groups,
Interviews
größere
Umfragen,
Beobachtung,
usw.
Experimente,
A/B-Tests,
Konsumentenp
anels
Unsicherheit beeinflusst den Marktforschungstyp
UnsicherSicher

Marktforschungstypologie nach Datenquellen
14
• Generierung von Daten, die bisher noch nicht vorliegen.
Diese Daten werden analysiert und können ggf. von dem
Forscher veröffentlicht werden.
Primär
• Verwendung von zu einem früheren Zeitpunkt
erhobenen Daten für den beabsichtigten
Untersuchungszweck.
Sekundär
Umfragen,
Interviews,
Beobachtung,
Experimente, …
Literatur-
recherche:
Bibliothek,
Web,
Datenbank,
Archiv

Marktforschungstypologie nach Methodologie
15
• Beinhaltet Sammlung und Auswertung von Daten
• Erfordert große Datenmengen
• Verwendet statistische Methoden der Datenanalyse
• Strebt Repräsentativität der Ergebnisse an
Quantitativ
• Versucht Konsumentenverhalten und seine Ursachen zu verstehen
• Schwerpunkt auf Individuen und kleinen Gruppen
• Nicht repräsentativ. Eine Sichtweise verstehen, nicht alle Sichtweisen
Qualitativ
größere
Umfragen,
Beobachtung,
usw.
kleinere
Umfragen,
Focus-Groups,
Interviews,…

Jun.-Prof. Dr. Paul Marx | Grundlagen der Umfrageforschung 16
WAHRHEIT
Literaturrecherche
InterviewBefragung
Triangulation
Robson (1998), Visocky & Visocky (2009)

ABER IN WIRKLICHKEIT
IST ALLES
CHAOTISCHER

2.Umfrage: Messung und Skalierung
2.1 Einführung
18

2.1 Einführung
19

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
20

Skalierung
Skalierung –
beinhaltet ein Kontinuum, auf dem die
Messobjekte angeordnet werden.
21
Extrem
lecker
Extrem
übel

Grundlegende Typen von Skalen
22
•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)

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
23

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
24

Vergleich von Skalierungsverfahren
25
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

2.1 Einführung
26

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
27

Vor- und Nachteile von komparativen Skalen
28
+ 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

Komparative Skalen: Paarweise Vergleiche
29
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

Komparative Skalen: Paarweise Vergleiche
30

Paarweise Vergleiche: Vor- und Nachteile
31
+ 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

>
>
Ordinale Daten:
Verletzung der Transitivitätsannahme in paarweisen Vergleichen
32

Ordinale Daten:
Verletzung der Transitivitätsannahme bei Aggregation von Präferenzen
33
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

Komparative Skalen: Rangordnungsverfahren
34
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 ______________

Rangordnungsverfahren: Beispiel
35
©ExavoGmbH, exavo.de

Rangordnungsverfahren: Beispiele
36
Quelle: exavo.de

Rangordnungsverfahren: Beispiel
37
Quelle: exavo.de

Rangordnungsverfahren: Vor- und Nachteile
38
+ 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

Komparative Skalen: Konstantsummenverfahren
39
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

Konstantsummenverfahren: Beispiel der Auswertung
40
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

Konstantsummenverfahren: Beispiel
41

Konstantsummenverfahren: Beispiele
42

Konstantsummenverfahren: Vor- und Nachteile
43
+ 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

Komparative Skalen: Q-Sortierung
44
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

2.1 Einführung
45

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
46

Nicht-komparative Skalen: Kontinuierliche Ratingskalen
47
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

Kontinuierliche Ratingskalen: Perception Analyzer
48

Diskrete Ratingskalen: Likert-Skala
49
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.

Likert-Skala: Beispiele
50

Populäre Likert-Skalen in Marketing
51
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

Diskrete Ratingskalen: Semantisches Differential
52
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:

Semantisches Differential: Beispiel
53
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.

54
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

55

Diskrete Ratingskalen: Stapel-Skala
56
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

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
57

Konstruktion von diskreten Ratingskalen
58
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.

Anzahl von
Antwortkategorien
Zwar gibt es keine eindeutige einzig optimale Anzahl von
Antwortkategorien, traditionell werden Skalen mit fünf bis neuen
Antwortkategorien verwendet.
59
+ 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.

Balanciert vs. nicht-balanciert
Generell sollte die Skala balanciert sein, um objektive Ergebnisse
erzielen zu können.
Balancierte oder nicht-balancierte Skalen
60
Sehr gut
Gut
Weder gut noch schlecht
Schlecht
Sehr schlecht
Balancierte Skala
Extrem gut
Sehr gut
Gut
Angemessen
Schlecht
Sehr schlecht
Nicht-balancierte Skala

Gerade vs. ungerade
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
61
- 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?

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?
62
- 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

Es gibt gute Argumente dafür, die meisten (wenn nicht alle)
Antwortkategorien zu beschriften. Die Beschriftung sollte
möglichst nah an Antwortkategorien sein.
63
- 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

2.1 Einführung
64

Latente Konstrukte und Multi-Item-Skalen
65
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.

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

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
+ ...
67

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?

Secure Customer Index™
Bewertung von Kundenloyalität und Kundenbindung
69
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

Erweiterter Secure Customer Index™ von Burke Inc.
70
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

2.1 Einführung
71

Gütekriterien der Messung
72
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

Reliabilität und Validität
73
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
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.

Reliabel
Nicht valide
Geringe Reliabilität
Geringe Validität
Nicht reliabel
Nicht valide
Reliabel und
valide
Zusammenhang zwischen Reliabilität und Validität
74
• 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

„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

Net Promoter Score®
Unternehmenswachstum?
76
0 1 2 3 4 5 6 7 8 9 10
Quelle: Reichheld, Fred (2003) "OneNumberYouNeed toGrow", Harvard Business Review
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

Net Promoter Score®: Warnung
77
„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.
?

3. Fragebogen
3.1 Fragen stellen
78

Fragebogen
79
Fragebogen ist eine formalisierte Liste von
Fragen, die dazu dient, Informationen von
Befragten zu erheben.
Ziele eines Fragebogens:
• Informationsbedarf in ein Set von
eindeutigen Fragen zu „übersetzten“,
welche die Probanden beantworten können
und wollen.
• Probanden zu motivieren und zu
ermutigen, an der Umfrage teilzunehmen
und sie abzuschließen.
• Antwortfehler zu minimieren.
Fragebogen

Fragetechniken und Befragungstaktik
80
• Auswahl einer Antwort aus der Liste von vorgegebenen Antwortalternativen
• +: Einfach zu analysieren, belastet kognitive Fähigkeiten von Probanden nicht und setzt sie
nicht unter Stress
• –: Automatische und nicht durchdachte Antworten möglich
• Antwortalternativen sind nicht vorgegeben
• +: Unbegrenzte Anzahl an Antwortmöglichkeiten, beansprucht das Gedächtnis
• –: Komplexität der Codierung und Analyse, Probanden können die Antwort verweigern
Geschlossene Fragen
vs.
Offene Fragen
• Trinken Sie täglich Alkohol?
• Welche Getränke bevorzugen Sie zu Mahlzeiten?
Direkte Fragen
vs.
Indirekte Fragen

Einfluss der Formulierung auf die Antwort
81
F: Darf man beim Beten rauchen?
A: Nein
F: Darf man beim Rauchen beten?
A: Ja
0 15 30 45 60
Ja
Nein
Unsicher
Glauben Sie überhaupt an die große Liebe?
Glauben Sie an die große Liebe?
Quelle: Noelle-Neumann and Petersen (1998), p. 192
n = 2100,
p <.05

Was soll man bei der Entwicklung vom Fragebogen
berücksichtigen?
82
• Ist die Frage notwendig?
• Brauchen wir mehrere Frage anstelle einer?
• Hat der Proband erforderliche Informationen?
• Kann der Proband sich erinnern?
• Aufwand seitens Probanden
• Sensibilität der Frage
• Ziele der Abfragen erklären
• Kulturelle Aspekte
• Ist der Fragebogen einfach auszufüllen?
• Ist der Fragebogen vollständig und Umfassend?
• Einfluss der Formulierung

3. Fragebogen
3.1 Fragen stellen
83

Fragen stellen
84
“Nicht jede Frage verdient eine Antwort”
Publius Syrus
Rom, 1. Jh v.Chr.
Vermeiden Sie
• Mehrdeutigkeit, Verwirrung und Unklarheit
• Fachsprache, Slang und Abkürzungen
• Doppelläufige Fragen
• Führende Fragen
• Implizite Annahmen
• Implizite Alternativen
• Hypothetische Aussagen von Probanden als
Beweis von Hypothesen zu behandeln
• Verallgemeinerungen und Schätzungen

Mehrdeutigkeit, Verwirrung und Unklarheit vermeiden
85
Formulieren Sie die Frage in Bezug auf die sechs
W‘s (wer, was, wann, wo, warum, und wie). Wer,
was, wann und wo sind besonders wichtig.
• Beispiel:
Welche Marke vom Shampoo nutzen Sie?
• Fragen Sie stattdessen:
Welche Marke oder Marken vom Shampoo haben
Sie persönlich zu Hause während des letzten Monats
genutzt? Falls Sie mehr als eine Marke genutzt
haben, nennen Sie bitte alle Marken.

86
W’s Aspekte der Frage
Wer Der Proband
Es ist nicht klar, ob die Frage sich nur auf den Probanden selbst, oder z.B. auf sein gesamtes
Haushalt bezieht.
Was Marke vom Shampoo
Es ist nicht klar, wie der Proband diese Frage beantworten soll, falls er mehr als eine Marke
nutzt.
Wann Unklar
Der Bezugszeitrahmen ist nicht angegeben. Der Proband kann sich also auf diesen Morgen,
diese Woche, oder das ganze vergangene Jahr beziehen.
Wo Unklar
Zu Hause, im Fitness-Studio, im Urlaub, bei der Geschäftsreise?
Welche Marke vom Shampoo nutzen Sie?

87
• Beispiel:
Welchen Computertyp besitzen Sie?
☐ Windows
☐ Mac OS
Besitzen Sie einen Windows PC? (☐ Ja ☐ Nein)
Besitzen Sie einen Apple Computer? (☐ Ja ☐ Nein)
• Noch besser:
Welche Computer besitzen Sie?
☐ Ich besitze keinen Computer
☐ Windows
☐ Mac OS
☐ Anderes
• Beispiel:
Sind Sie zufrieden mit Ihrer jetzigen Kfz-Versicherung?
☐ Ja
☐ Nein
Sind Sie zufrieden mit Ihrer jetzigen Kfz-Versicherung?
☐ Ja
☐ Nein
☐ Ich habe keine Kfz-Versicherung
• Noch besser (Filterführung):
1. Haben Sie eine Kfz-Versicherung?
(☐ Ja ☐ Nein).
Wenn nein, bitte fahren sie mit Frage 3 fort.
2. Sind Sie zufrieden mit Ihrer jetzigen Kfz-Versicherung?
(☐ Ja ☐ Nein)

88
Beispiel:
Wie oft kaufen Sie in einem Supermarket in einem typischen
Monat ein?
☐ Niemals
☐ Selten
☐ Manchmal
☐ Oft
☐ Regulär
Wie oft kaufen Sie in einem Supermarket in einem
typischen Monat ein?
☐ weniger als 1 Mal
☐ 1 bis 2 Mal
☐ 3 bis 4 Mal
☐ öfter als 4 Mal

Fachsprache, Slang und Abkürzungen vermeiden
89
Verwenden Sie einfache Wörter
• Beispiel:
Glauben Sie, dass die Distribution der Erfrischungs-
getränke ist adäquat?
Sind Erfrischungsgetränke einfach zu finden, wann immer
Sie sie kaufen möchten?
• Beispiel:
Geben Ihr bereinigtes Nettoeinkommen
im vergangenen Jahr an?
€ _______

Doppelläufige Fragen vermeiden
90
Jede Frage soll sich nur auf einem Aspekt konzentrieren.
• Beispiel:
Ist Ihrer Meinung nach Coca-Cola lecker und erfrischend?
1. Ist Ihrer Meinung nach Coca-Cola lecker?
2. Ist Ihrer Meinung nach Coca-Cola erfrischend?

Führende Fragen vermeiden
91
Wenn Sie eine bestimmte Antwort wollen,
brauchen Sie die Frage nicht stellen.
• Beispiel:
Helfen Sie der Umwelt, indem Sie Einkaufstaschen aus
Stoff nutzen?
Nutzen Sie Einkaufstaschen aus Stoff?

Implizite Annahmen vermeiden
92
Die Antwort soll nicht von impliziten bzw. stillschweigenden
Annahmen über die Konsequenzen abhängig sein.
• Beispiel:
Denken Sie, dass der Milchpreis gesenkt werden soll?
Denken Sie, dass der Milchpreis gesenkt werden soll, auch
wenn dadurch die Milchqualität schlechter wird?

Implizite Alternativen vermeiden
93
Implizite Alternativen sind Antwortalternativen, die nicht
explizit genannt wurden.
• Beispiel:
Nehmen Sie gern Zug für kurze Städtereisen?
Nehmen Sie gern Zug für kurze Städtereisen, oder fahren
Sie lieber Auto?
http://www.kostenlose3dmodelle.com/
mensch-argere-dich-nicht-lightwavedice
-studio-3ds-obj-lwo/

Vermeiden Sie es, hypothetische Aussagen von
Probanden als Beweis für die Hypothese zu behandeln
94
Meinungen und Überzeugungen stellen die realen Fakten nur
verzerrt dar
• Beispiel:
Glauben Sie, dass höher gebildete Menschen tendenziell
öfter Pelzkleidung tragen?
1. Was ist Ihr Bildungsstand?
2. Tragen Sie Pelzkleidung?

Verallgemeinerungen und Schätzungen vermeiden
95
Zwingen Sie den Probanden nicht, sein Gedächtnis und
mathematische Fähigkeiten anzustrengen
• Beispiel:
Wie hoch sind die jährlichen Pro-Kopf-Ausgaben für
Lebensmittel in Ihrem Haushalt?
1. Wie viel Geld wird in Ihrem Haushalt monatlich (bzw.
wöchentlich) für Lebensmittel ausgegeben?
2. Wie viele Mitglieder sind in Ihrem Haushalt?

3. Fragebogen
3.1 Fragen stellen
96

Bewältigung der mangelnden Antwortfähigkeit
97
Ist der Proband informiert?
Kann der Proband sich erinnern?
Kann der Proband artikulieren?

98
Ist der Proband informiert?
Probenden beantworten oft die Fragen, auch wenn sie nicht
informiert sind
• Beispiel:
Bitte geben Sie an, inwieweit Sie folgender Aussage
zustimmen:
“Die Zentrale für Verbraucherbeschwerden hilft
Menschen, die defekte Produkte gekauft haben, effizient
ihre Problemen mit Händlern zu lösen.”
51.9% von Anwälten und 75% der Bevölkerung haben
diese Frage beantwortet, obwohl es keine Zentrale für
Verbraucherbeschwerden gibt.
• Nutzen Sie Filter-Fragen:
z.B. fragen Sie vorab nach dem Kenntnis vom Geschäft
und/oder Einkaufshäufigkeit in der Studie von 10
Einkaufsläden.
• Nutzen Sie die „Weiß nicht”-Antwortalternative

Kann der Proband sich erinnern?
99
Mangelnde Erinnerungsfähigkeit von Probanden führt zum
Fehler des Weglassens, Telescoping und Schaffung.
• Beispiel:
Wie viele Flaschen von Erfrischungsgetränke haben Sie in
den vergangenen vier Wochen verbraucht?
Wie oft trinken Sie Erfrischungsgetränke in einer
durchschnittlichen Woche?
☐ Weniger als einmal in der Woche
☐ 1 bis 3 Male in der Woche
☐ 4 bis 6 Male in der Woche
☐ 7 oder mehr Male in der Woche
• Verwenden Sie die Methode der gestützten Erinnerung
(wenn angemessen)
“An welche Werbespots von Erfrischungsgetränken aus
dem gestrigen TV-Programm können Sie sich erinnern?”
vs
“Welche der folgenden Marken von Erfrischungsgetränken
wurden gestern Abend im Fernsehen beworben?” (Liste)

Kann der Proband artikulieren?
100
Bei Unfähigkeit ihre Antwort zu artikulieren, neigen Probanden
dazu die Frage zu überspringen und die Beantwortung der
Umfrage abzubrechen
• Beispiel:
Bei Frage, die Atmosphäre eines Kaufhauses zu
beschreiben, in dem sie gern einkaufen würden, viele
Probanden haben Schwierigkeiten Ihre Antwort zu
formulieren.
• Nutzen Sie Hilfsmittel, z.B. Bilder, Schemen,
Beschreibungen
Wenn man Probanden alternative Beschreibungen von
Atmosphäre eines Kaufladens vorlegt, werden sie diejenige
Beschreibung auswählen können, die ihnen am meisten
gefällt.

3. Fragebogen
3.1 Fragen stellen
101

Bewältigung der mangelnden Antwortbereitschaft
102
Die meisten Probanden mögen nicht
• Viel Zeit und Mühe in die Beantwortung von Umfragen
investieren
• Fragen zu beantworten, die unangemessen in dem
Kontext der Umfrage erscheinen
• Informationen preiszugeben, die nach ihrer Auffassung
nicht zweckdienlich sind
• Sensible Informationen offenlegen

103
Minimieren Sie den für die Beantwortung erforderlichen
Aufwand
• Beispiel:
Bitte nennen Sie alle Abteilungen, bei denen Sie während
Ihres letzten Besuch im Kaufhaus eingekauft haben.
Bitte kreuzen Sie in der unten aufgeführten Liste alle
Abteilungen an, bei denen Sie während Ihres letzten
Einkaufs im Kaufhaus eingekauft haben:
☐ Damenbekleidung
☐ Herrenbekleidung
☐ Kinderbekleidung
☐ Kosmetik
…….
☐ Schmuck / Juwelierwaren
☐ Andere (bitte angeben) _________________

104104
Manche Fragen erschienen in bestimmten Kontexten
unangemessen
• Beispiel:
Fragen über persönliche Hygienegewohnheiten können in
einer medizinischen Umfrage angemessen erscheinen und
in einer Umfrage über Fast-Food-Restaurants – als
unangemessen.
• Führen Sie den Kontext ein, indem Sie ein Statement
abgeben:
„Als ein Fast-Food-Restaurant sind wir bemüht, unseren
Kunden eine saubere und hygienische Umgebung
anbieten zu können. Deshalb möchten wir nun Ihnen
einige Fragen über Ihre Hygienegewohnheiten stellen.”

105105105
Erklären Sie warum die Informationen benötigt werden
• Beispiel:
Warum sollte sich ein Produzent von Frühstückscerealien
für das Alter, Einkommen und Beruf von Probanden
interessieren?
• Legitimieren Sie die Informationsanfrage:
„Um zu verstehen, wie sich der Konsum von
Frühstückscerealien zwischen den Personen mit dem
verschiedenen Alter, Einkommen und Beruf variiert,
benötigen wir von Ihnen noch folgende Informationen…”

3. Fragebogen
3.1 Fragen stellen
106

• Platzieren Sie die sensiblen Themen am Ende des
Fragebogens
• Leiten Sie die Fragen mit dem Statement ein, dass das
Verhalten lediglich im Allgemeinen/generell von Interesse
ist
• Stellen Sie die Fragen in dritter Person: Formulieren Sie sie
so, als ob sie sich auf andere Menschen bezieht
• Verstecken Sie die Frage in der Gruppe von anderen
Fragen
• Geben Sie Antwortalternativen vor, anstelle konkrete
Angaben oder Zahlen abzufragen
Erhöhung der Antwortbereitschaft
107
Sensible Themen:
- Geld
- Privates und Familienleben
- Politische und religiöse Ansichten
- Beteiligung an Unfällen und Straftaten
- …

3. Fragebogen
3.1 Fragen stellen
108

Reihenfolge von Fragen
109
• Eröffnungsfragen
Eröffnungsfragen sollten interessant, einfach und nicht
abschreckend sein.
• Informationstyp
Als Faustregel, müssen zunächst die für die Forschungsfrage
relevanten Informationen, dann die Klassifikations- und
abschließend die Identifikationsinformationen abgefragt
werden.
• Schwierige Fragen
Schwierige Fragen bzw. Frage, die sensibel, peinlich,
kompliziert, oder mühsam sind, sollten möglichst hinten in
der Fragenreihenfolge platziert werden.

Reihenfolge von Fragen
110
• Ausstrahlungseffekte auf Folgefragen
(Trichterung, Funneling)
Allgemeinere Fragen sollten konkreteren Fragen
vorangehen
1. Welche Aspekte spielen für Sie bei der Auswahl eines
Kaufhauses eine wichtige Rolle?
2. Wie wichtig ist für Sie die Bequemlichkeit der Lage bei
der Auswahl eines Kaufhauses?
• Logische Anordnung / Verzweigungslogik
Die Frage, zu der es verzweigt wird, soll möglichst nah an
die Frage platziert werden, die die Verzweigung
verursacht.
Die Verzeigungsfragen sollten so angeordnet werden, dass
Probanden nicht vorhersehen können, welche
Zusatzinformationen abgefragt werden.

Beispiel: Ablaufplan einer Umfrage
111
Einleitung
Besitz einer Loyalitäts-, Bank-, und/oder
anderen Kreditkarte
Hat in einem bestimmten Kaufhaus in den letzten zwei
Monaten eingekauft?
Wie wurde bezahlt?
Überhaupt in einem Kaufhaus
eingekauft?
Laden-
Loylitäts-
karte
Bank-/EC-
karte
Andere
Kredit-
karte
Absicht eine Loyalitäts-, Bank-,
und/oder andere Kreditkarte zu
verwenden?
ja nein
ja
nein
Mit Karte Bargeld
Anderes

3. Fragebogen
3.1 Fragen stellen
112

Wie geht es weiter?
113113
Einleitung
• Interesse der Probanden erwecken
• Gründe und Ziele erklären
• Probanden um Hilfe bitten
• Sagen, dass Ihre Unterstützung wertvoll ist
• Sagen, wie lange die Umfrage dauert
• Anonymität betonen
• Anreize schaffen
(Nicht-monetäre Anreize)

Wie geht es weiter?
114114
Pretesten! Pretesten! Pretesten!!!
• Inhalt von Fragen
• Wortlaut / Formulierung
• Reihenfolge
• Form und Layout
• Schwierigkeit der Frage
• Anleitungen…
• Analyseverfahren

Zusammenfassung
115
1. Entwickeln Sie einen Ablaufplan von erforderlichen Informationen ausgehend vom (Markt-)Forschungsproblem
• Sobald die gesamte Sequenz ausgelegt ist, müssten die Zusammenhänge klar geworden sein
• Stimmen Sie die Daten, die Sie aus dem Fragebogen zu erhalten planen, auf den im Ablaufplan definierten
Informationsbedarf ab.
• Legen Sie konkrete Ziele für jeden Informations- und Datenbereich fest. Formulieren Sie für jeden Bereich ein klares,
eindeutiges Ziel, sodass daraus die Konstruktion Ihrer Fragen ergibt.
2. In diesem Schritt ziehen Sie Ihren „Kritikerhut“ an, gehen Sie zurück zu Ihrem Ablaufplan und fragen Sie sich
• Muss ich das unbedingt wissen und weiß ich, was genau ich damit tun werde? oder
• Das wäre zwar schön zu wissen, aber das brauche ich nicht unbedingt.

4. Stichproben
4.3 Wahl zwischen zufälligen und nicht-zufälligen
Stichproben
116

Der weltweit bekannteste Schlagzeilenfehler.
Präsident Harry Truman gegen Thomas Dewey.
Chicago Daily Tribute gibt falsche Wahlergebnisse bekannt.
Grund?
• Voreingenommenheit
• ungenaue Meinungsumfrage

Auswahl der Stichprobe (Sampling)
118
Die meisten Umfragen können nicht jede Person befragen.
Stattdessen wird es eine Stichprobe gezogen und untersucht.
Diese Prozedur bezeichnet man als Sampling.
Ist Sampling richtig gemacht, können die Umfrageergebnisse
auf die ganze Grundgesamtheit übertragen werden.
Ist die Stichprobe fehlerhaft gezogen, sind alle Daten nutzlos.
Grundgesamtheit (Population)
Personenkreis, den wir verstehen wollen.
Oft segmentiert nach demographischen
oder psychografischen Merkmalen (Alter,
Geschlecht, Interessen, Lebensstil usw.)
Stichprobe (Sample)
repräsentative Teilmenge der
Grundgesamtheit

Auswahl der Stichprobe (Sampling)
119
Die meisten Umfragen können nicht jede Person befragen.
Stattdessen wird es eine Stichprobe gezogen und untersucht.
Diese Prozedur bezeichnet man als Sampling.
Ist Sampling richtig gemacht, können die Umfrageergebnisse
auf die ganze Grundgesamtheit übertragen werden.
Ist die Stichprobe fehlerhaft gezogen, sind alle Daten nutzlos.
Grundgesamtheit (Population)
Personenkreis, den wir verstehen wollen.
Oft segmentiert nach demographischen
oder psychografischen Merkmalen (Alter,
Geschlecht, Interessen, Lebensstil usw.)
Stichprobe (Sample)
repräsentative Teilmenge der
Grundgesamtheit
Probanden
Menschen, die antworten

Sampling: Zwei grundlegende Methoden
120
Image By Sergio Valle Duarte (Own work) [CC BY 3.0], via Wikimedia Commons

Stichproben-Auswahlverfahren
Willkürliche
Auswahl
Bewusste
Auswahl
Quotenplan Schneeball-
Verfahren
Nicht zufällige Zufällige
Einfache
Zufallsstichproben
Systematische
Zufallsstichproben
Geschichtete
Zufallsstichproben
Klumpen-
stichproben
Andere
Stichprobenverfahren
Proportionierte Disproportionierte

4. Stichproben
Stichproben
122

Willkürliche
Auswahl
Bewusste
Auswahl
Verfahren
Einfache
Zufallsstichproben
Systematische
Zufallsstichproben
Geschichtete
Zufallsstichproben
Klumpen-
stichproben
Andere

Willkürliche Auswahl
124
Bei der willkürlichen Auswahl (Auswahl auf‘s Geratewohl)
gelangen die Probanden in die Stichprobe unkontrolliert,
meistens aus Bequemlichkeit. Oft werden Probanden nur
deshalb ausgewählt, weil sie zu richtiger Zeit am richtigen Ort
sind.
• Studenten und Mitglieder von öffentlichen Organisationen
• Umfragen in Kaufläden ohne Qualifizierung von
Probanden
• Umfragen auf den Straßen
• Abriss-Fragebögen in Katalogen und Zeitschriften

Bewusste Auswahl
125
Bewusste Auswahl ist eine Form der Willkürlichen Auswahl,
bei der Probanden basierend auf dem Ermessen vom
Forscher in die Stichprobe gelangen.
• Testmärkte
• Einkaufsingenieure in der Industriellen Marktforschung
• Mütter als „Nutzer“ von Windeln

Quotenplan
126
Die Stichprobe wird nach vorgegebenen Kontrollmerkmalen
(z.B. Geschlecht, Alter, Einkommen, Größe des
Unternehmens, Umsatz usw.) gezogen, sodass die in der
Stichprobe enthaltenen Objekte die Struktur der
Grundgesamtheit im Hinblick auf die proportionale Aufteilung
dieser Charakteristiken wiedergeben.
Die Objekte der Stichprobe werden dabei meistens auf
Geratewohl ausgewählt. Die Voraussetzung ist jedoch, dass
die Stichprobenobjekte den Quotenplan erfüllen.
Kontrollmerkmale
Zusammensetzung
der
Grundgesamtheit
Zusammensetzung der
Stichprobe
Anteil, % Anteil, % Anzahl
Geschlecht
Männlich 
Weiblich
 
48
52
-------
100
48 
52 
-------
100
 
480 
520 
-------
1000
Alter 
18-30
31-45
45-60 
über 60
27
39
16
18
-------
100
27
39
16
18
-------
100
270
390
160
180
-------
1000

Schneeball-Verfahren
auch Ketten-Verfahren genannt
127127
Die erste Probandengruppe wird (in der Regel) zufällig
ausgewählt.
• Nach dem Interview werden diese Probanden gebeten
andere Personen zu benennen, die zur Zielgruppe der
Umfrage gehören.
• Nachfolgende Probanden werden aufgrund von
Weiterempfehlungen ausgewählt.
Gut für die Lokalisierung einer gewünschten Eigenschaft in
der Grundgesamtheit:
• Schwer zu erreichenden Probanden (z.B.
Staatsangestellte, Geschäftsführer, Obdachlose,
Drogenabhängige)
• Einschätzung von Charakteristiken, die selten in der
Grundgesamtheit auftreten
• Identifikation von Käufer-Verkäufer-Paaren in der
industriellen Forschung

4. Stichproben
Stichproben
128

Willkürliche
Auswahl
Bewusste
Auswahl
Verfahren
Einfache
Zufallsstichproben
Systematische
Zufallsstichproben
Geschichtete
Zufallsstichproben
Klumpen-
stichproben
Andere

Einfache und systematische Zufallsstichproben
130
Systematische Zufallsstichproben
• Für die Auswahl der Stichprobe wird zunächst ein
„Startelement“ zufällig ausgewählt. Anschließend wird
jedes 𝑖-te Element aus dem Stichprobenplan gezogen.
• Der Abstand 𝑖 ergibt sich aus der Relation des Umfangs
der Grundgesamtheit 𝑁 zum Umfang der Stichprobe 𝑛,
d.h., 𝑖 = 𝑁/𝑛
Einfache Zufallsstichproben
• Jedes Element wird unabhängig von allen anderen
Elementen ausgewählt. Das bedeutet, dass:
• Jedes Element der Grundgesamtheit hat eine bekannte
und gleiche Wahrscheinlichkeit ausgewählt zu werden.
• Jede mögliche Stichprobe der gegebenen Größe (𝑛) hat
eine bekannte Wahrscheinlichkeit tatsächlich ausgewählt
zu werden.
Starte hier
Wähle zufällig
i
i
i
Nehme jedes
i-tes Element

Geschichtete Zufallsstichproben
131131
Bei der geschichteten Stichprobenziehung wird die
Grundgesamtheit zunächst in die nicht-überlappenden
Schichten (Stratas) aufgeteilt. Anschließend wird aus jeder
Schicht ein (dis-)proportionaler Anteil der Elementen zufällig
gezogen. Elementen eines Schichts müssen im gewissen
Maße ähnlich sein.
Gut für:
• Hervorheben einer bestimmten Subgruppe in der
Grundgesamtheit
• Beobachtung von Zusammenhängen und Beziehungen
zwischen zwei oder mehr Subgruppen
• Repräsentative Stichprobenziehung auch von kleinsten
und unzugänglichsten Subgruppen in der
Grundgesamtheit
• höhere statistische Genauigkeit
Schicht A B C
Umfang der Grundgesamtheit 100 200 300
Stichprobeanteil 1/2 1/2 1/2
Stichprobengröße 50 100 150
Schicht A B C
Umfang der Grundgesamtheit 100 200 300
Stichprobeanteil 1/5 1/2 1/3
Stichprobengröße 20 100 100
Proportionierte
Disproportionierte
Stich-
probe

Klumpenstichproben
auch Cluster-Stichproben genannt
132132
Bei Klumpenstichprobe wird die Grundgesamtheit zunächst in
gegenseitig exklusive Klumpen (Cluster) aufgeteilt.
Anschließend werden zufällig Klumpen ausgewählt, die dann
im vollen Umfang in die Stichprobe gelangen.
Gut für:
• Abdecken großer geographischen Gebiete
• Reduktion von (Umfrage-)kosten
• Wenn Konstruktion einer vollständigen Liste von
Elementen der Grundgesamtheit ist schwierig
• Wenn Grundgesamtheit aus natürlichen Clustern besteht
(z.B. Blöcke, Städte, Schulen, Krankenhäuser, Kisten usw.)
Für jeden Cluster werden entweder alle
Elementen (einstufige Verfahren) oder
eine zufällige Stichprobe der Elemente
(zweistufige Verfahren) gezogen.

4. Stichproben
Stichproben
133

Stärken und Schwächen von Stichproben-Auswahlverfahren
134
Verfahren Stärken Schwächen
Nicht-zufällige Auswahlverfahren
Willkürliche Auswahl Am günstigsten, am wenigsten zeitaufwendig, am
bequemsten
Fehlerbehaftet, Stichprobe nicht repräsentativ, nicht
empfohlen für deskriptive und kausale Forschung
Bewusste Auswahl Niedrige Kosten, bequem, nicht zeitaufwendig Subjektiv, Ergebnisse nicht verallgemeinerbar
Quotenplan Bestimmte Charakteristiken der Stichprobe können
Kontrolliert werden
Fehlerbehaftet, keine Garantie der Repräsentativität
Schneeball-Verfahren Ermöglicht Einschätzung seltener Eigenschaften Zeitaufwendig in der Feldforschung
Zufällige Auswahlverfahren
Einfache Zufallsstichproben Leicht verständlich, verallgemeinerbare bzw.
repräsentative Ergebnisse
Stichprobenplan schwer zu konstruieren, teuer, geringere
Genauigkeit, keine Garantie der Repräsentativität
Systematische Zufallsstichproben Kann Repräsentativität erhöhen, einfacher umzusetzen
als einfache zufällige Auswahl
Kann die Repräsentativität abschwächen
Geschichtete Zufallsstichproben Enthält alle wichtigen Subgruppen der Grundgesamtheit,
Genauigkeit
Relevante Aufteilungskriterien schwer auszuwählen,
Aufteilung anhand mehrerer Kriterien nicht praktikabel,
teuer
Klumpenstichproben Einfach umzusetzen, Kosteneffizient Ungenau, komplizierte Berechnung und Interpretation
der Ergebnisse

4. Stichproben
Stichproben
135

Bestimmung der Stichprobegröße
136
Die Stichprobengröße häng nicht von der Größe der
Grundgesamtheit ab, vielmehr wird sie bestimmt durch
qualitative Aspekte der Studie.
• Gewünschte Genauigkeit der Vorhersagen
• Kenntnis über die Parameter der Grundgesamtheit
• Anzahl von Variablen
• Typ der Analyse
• Wichtigkeit der Entscheidung
• Rücklaufs- und Abbruchsquoten
• Ressourceneinschränkungen

Typische Stichprobengrößen in der Marktforschung
137
Typ der Studie Minimaler Umfang Typischer Umfang
Problemidentifizierungs-Studien
(z.B. Markpotenzial)
500 1.000 – 2.000
Problemlösungs-Studien
(z.B. Preissetzung)
200 300 - 500
Produkttests 200 300 - 500
Studien auf den Testmärkten 200 300 - 500
TV/Radio/Print Werbung
(pro Anzeige)
150 200 - 300
Audit von Test-Märkten 10 Geschäfte 10 - 20 Geschäfte
Focus-Gruppen 6 Gruppen 10 - 15 Gruppen

Ansatz der Fehlerspanne zur Bestimmung vom Stichprobenumfang
138

139

𝑥 = 𝑥. ± 𝐸
𝑥 = echter Wert des Parameters
𝑥. = Stichprobenwert
𝐸 = Fehlerspanne
𝐸 = 𝑧
𝜎
𝑛

𝐸 = 𝑧
𝜎
𝑛
Meistens unbekannt
𝑥 = 𝑥. ± 𝐸
𝐸 = Fehlerspanne

𝐸 = 𝑧
𝜎
𝑛
Meistens unbekannt
Maximal bei π = 0,5
𝑥 = 𝑥. ± 𝐸
𝐸 = Fehlerspanne

144
𝑥 = 𝑥. ± 𝐸
𝐸 = Fehlerspanne

𝑥 = 𝑥. ± 𝐸
Berechnungen zeigen approximierte Werte für 95% Vertrauensniveau

𝐸 ≈
1
𝑛
⟹ 𝑛 ≈
1
𝐸
6

𝑛7899 = korrigierter Umfang der Stichprobe
𝑛 = Umfang der Stichprobe
𝑁 = Umfang der Grundgesamtheit

𝑛7899 =
𝑛
(1 + 𝑛 − 1 / 𝑁)
149
Fehlerspanne 1%

𝑛7899 =
𝑛
(1 + 𝑛 − 1 / 𝑁)
Fehlerspanne 5%

𝑛7899 =
𝑛
(1 + 𝑛 − 1 / 𝑁)
Fehlerspanne 10%

Konfidenzintervall
152
Konfidenzintervall und Vertrauensniveau
Konfidenzintervall (Vertrauensbereich) ist ein geschätzter Intervall von
Zahlen zusammen mit Angabe der Wahrscheinlichkeit, dass dieses
Intervall den unbekannten Parameterwert enthält.
Vertrauensniveau (Vertrauenswahrscheinlichkeit) ist ein erwarteter Anteil
von Intervallen, die bei einer hohen Anzahl an Stichprobenziehungen den
Parameterwert enthalten werden.
Angenommen, wir möchten herausfinden, wie viele Stunden pro Tag die Mitarbeiter
eines Unternehmens durchschnittlich arbeiten. Wir könnten eine Stichprobe von 30
Menschen ziehen und den Stichprobendurchschnitt von 7,5 Stunden herausfinden.
Wenn wir nun sagen, dass wir uns zu 95% sicher sind, dass der echte Durchschnitts-
wert irgendwo im Bereich von 7,2 und 7,8 Stunden liegt, sagen wir, dass wenn wir
unsere Messung mit neuen Stichproben wiederholen und dabei die Fehlerspanne auf
±0,3 setzten würden, würde dieser Bereich den echten Durchschnittswert in 95% der
Fälle enthalten.
Std

Konfidenzintervall, Fehlerspanne und Stichprobenumfang
153
Je höhere Sicherheit (Vertrauenswahrscheinlichkeit) wir
brauchen, desto breiter wird unser Konfidenzintervall
und desto höher wird unsere Fehlerspanne sein.

Je höhere Sicherheit (Vertrauenswahrscheinlichkeit) wir
brauchen, desto breiter wird unser Konfidenzintervall
und desto höher wird unsere Fehlerspanne sein.
154
Std
kleinere Fehlerspannen
erfordern größere Stichproben
höhere Vertrauensniveaus
Erfordern größere Stichproben
Konfidenzintervall, Fehlerspanne und Stichprobenumfang

5. Datenanalyse: Übersicht über statistische Techniken
5.1 Deskriptive Statistik: Darstellung und Präsentation von Daten
5.1.4 Kreuztabellen
5.2 Induktive Statistik: Kann man die Ergebnisse auf die Grundgesamtheit
übertragen?
155

Typen von statistischen Analysemethoden
156
Deskriptive
• Deskriptive Statistik fasst die Beobachtungen
aus der Stichprobe zusammen und stellt sie
übersichtlich dar.
• Nutzt Kennzahlen, Tabellen, Grafiken und
Diagrammen, zur Beschreibung,
Systematisierung, Organisation und
Darstellung von erhobenen Daten.
Induktive
• Induktive Statistik macht Aussagen über die
Generalisierbarkeit bzw. Übertragbarkeit von
Beobachtungen und Schlussfolgerungen aus
Zufallsstichproben auf die Grundgesamtheit.
• Beurteilt wechselseitige Beziehungen
zwischen Variablen und quantifiziert sie. D.h.
gibt Stärke und Signifikanz von Beziehungen
an, ermöglich Vorhersagen und Schätzungen.

5.1.4 Kreuztabellen
übertragen?
157

5.1.4 Kreuztabellen
übertragen?
158

Relative Häufigkeit zeigt den Anteil (bzw. Prozent)
von Beobachtungen eines Wertes.
Verteilung der relativen Häufigkeiten listet alle
Datenwerte zusammen mit ihren relativen
Häufigkeiten auf.
blau rot blau orange blau gelb grün rot rosa
blau grün blau lila blau blau grün gelb rosa
blau rot rosa grün blau gelb grün blau
Tabellen: Häufigkeiten und relative Häufigkeiten
159
Erhobene Daten
𝑅𝑒𝑙 𝑎 𝑡𝑖𝑣𝑒 𝐻ä𝑢𝑓𝑖𝑔𝑘𝑒𝑖𝑡 =
𝐻ä𝑢𝑓𝑖𝑔𝑘𝑒𝑖𝑡
𝑆𝑢𝑚𝑚𝑒 𝑎𝑙𝑙 𝑒𝑟 𝐻ä𝑢𝑓𝑖𝑔𝑘𝑒𝑖𝑡𝑒𝑛
Häufigkeitsverteilung gibt zu jedem
gemessenen Wert an, wie häufig dieser Wert
in den Daten vorkommt.
Lieblingsfarbe Häufigkeit
blau 10
rot 3
orange 1
gelb 3
grün 5
rosa 3
lila 1
Lieblingsfarbe Relative Häufigkeit
blau 10/26≈ 0,38
rot 3/26≈ 0,12
orange 1/26≈ 0,04
gelb 3/26≈ 0,12
grün 5/26≈ 0,19
rosa 3/26≈ 0,12
lila 1/26≈ 0,04

Lieblingsfarbe Relative Häufigkeit
blau 10/26≈ 0,38
rot 3/26≈ 0,12
orange 1/26≈ 0,04
gelb 3/26≈ 0,12
grün 5/26≈ 0,19
rosa 3/26≈ 0,12
lila 1/26≈ 0,04
Lieblingsfarbe Häufigkeit
blau 10
rot 3
orange 1
gelb 3
grün 5
rosa 3
lila 1
Säulendiagramm
160
0
2
4
6
8
10
12
blau rot orange gelb grün rosa lila
HÄUFIGKEIT
Lieblingsfarbe
0%
5%
10%
15%
20%
25%
30%
35%
40%
45%
blau rot orange gelb gr[n rosa lila
RELATIVE HÄUFIGKEIT
Lieblingsfarbe
Säulendiagramm
1. Höhen von Säulen können
Häufigkeiten oder relative
Häufigkeiten sein
2. Säulen dürfen sich nicht berühren

Kreisdiagramm
161
blau
38%
rot
11%orange
4%
gelb
12%
grün
19%
rosa
12%
lila
4%
Lieblingsfarbe
Kreisdiagramm
1. Sollte immer relative Häufigkeiten
angeben
2. Auch sollte Beschriftungen enthalten –
entweder direkt auf dem Diagramm oder
in der Legende

5.1.4 Kreuztabellen
übertragen?
162

Punkte in
der Prüfung Häufigkeit
50–59 2
60–69 5
70–79 7
80–89 7
90–99 4
Anzahl der
Kinder Häufigkeit
Relative
Häufigkeit
1 3 3/26≈0,12
2 8 8/26≈0,31
3 10 10/26≈0,38
4 2 2/26≈0,08
5 3 3/26≈0,12
Tabellen
163
Erhobene Daten
Erhobene Daten
Manchmal gibt es zu viele Werte, um für
jeden Wert eine Zeile zu erstellen. In diesem
Fall müssen wir mehrere Werte zu Gruppen
zusammenfassen.
Diskrete Variable ist eine quantitative
Variable, die entweder eine endliche Anzahl
von Werten (z.B. rot, grün, gelb) oder eine
unendliche Anzahl von abzählbaren Werten
(z.B. 0, 1, 2, 3, ...) hat
2 2 2 4 5 3 3 3 3
2 1 2 3 5 3 4 3 1
2 3 5 3 2 1 3 2
62 87 67 58 95 94 91 69 52
76 82 85 91 60 77 72 83 79
63 88 79 88 70 75 75
Untere Klassengrenze
Obere Klassengrenze
Klassenbreite = 90-80 = 10

∅ Zeit
unterwegs Häufigkeit
Relative
Häufigkeit
16–17,9 1 1/15≈0,07
18–19,9 2 2/15≈0,13
20–21,9 1 1/15≈0,07
22–23,9 6 6/15≈0,40
24–25,9 2 2/15≈0,13
26–27,9 1 1/15≈0,07
28–29,9 1 1/15≈0,07
30–31,9 1 1/15≈0,07
Anzahl der
Kinder Häufigkeit
Relative
Häufigkeit
1 3 3/26≈0,12
2 8 8/26≈0,31
3 10 10/26≈0,38
4 2 2/26≈0,08
5 3 3/26≈0,12
Tabellen und Histogrammen
164
0
2
4
6
8
10
12
1 2 3 4 5
HÄUFIGKEIT
ANZAHL DER KINDER IN DER FAMILIE
0,00
0,10
0,20
0,30
0,40
0,50
1 2 3 4 5
0
1
2
3
4
5
6
7
16 18 20 22 24 26 28 30 32
HÄUFIGKEIT
ZEIT (MINUTEN)
Durchschnittliche Zeit unterwegs

Histogramm
1. Höhen von Säulen sind Häufigkeiten
oder relative Häufigkeiten der
entsprechenden Klassen
2. Breiten von Säulen sind gleich und sie
berühren einander 0
2
4
6
8
10
12
1 2 3 4 5
HÄUFIGKEIT
0,00
0,10
0,20
0,30
0,40
0,50
1 2 3 4 5
0
1
2
3
4
5
6
7
16 18 20 22 24 26 28 30 32
HÄUFIGKEIT
ZEIT (MINUTEN)
Durchschnittliche Zeit Unterwegs
Histogramm
165
∅ Zeit
Relative
Häufigkeit
16–17,9 1 1/15≈0,07
18–19,9 2 2/15≈0,13
20–21,9 1 1/15≈0,07
22–23,9 6 6/15≈0,40
24–25,9 2 2/15≈0,13
26–27,9 1 1/15≈0,07
28–29,9 1 1/15≈0,07
30–31,9 1 1/15≈0,07

Frequenz-Polygonzug
166
0
1
2
3
4
5
6
7
16 18 20 22 24 26 28 30 32
HÄUFIGKEIT
ZEIT (MINUTEN)
Frequenz-Polygonzug
ist eine Linie, die die Klassenmittelpunkte
miteinander verbindet.
(Die Klassenmittelpunkte werden als
Durchschnittswerte von Ober- und
Untergrenzen der jeweiligen Klasse gebildet.)
16 21 26 31
0
1
2
3
4
5
6
7
16 18 20 22 24 26 28 30 32
HÄUFIGKEIT
ZEIT (MINUTEN)
0
1
2
3
4
5
6
7
15 17 19 21 23 25 27 29 31 33
HÄUFIGKEIT
ZEIT (MINUTEN)
∅ Zeit
Relative
Häufigkeit
16–17,9 1 1/15≈0,07
18–19,9 2 2/15≈0,13
20–21,9 1 1/15≈0,07
22–23,9 6 6/15≈0,40
24–25,9 2 2/15≈0,13
26–27,9 1 1/15≈0,07
28–29,9 1 1/15≈0,07
30–31,9 1 1/15≈0,07

Kumulative Tabellen und Ogiven
167
∅ Zeit
unterwegs Relative Häufigkeit
Kumulierte
relative Häufigkeit
16–17,9 1/15≈ 0,07 1/15≈ 0,07
18–19,9 2/15≈ 0,13 2/15≈ 0,20
20–21,9 1/15≈ 0,07 1/15≈ 0,27
22–23,9 6/15≈ 0,40 6/15≈ 0,67
24–25,9 2/15≈ 0,13 2/15≈ 0,80
26–27,9 1/15≈ 0,07 1/15≈ 0,87
28–29,9 1/15≈ 0,07 1/15≈ 0,94
30–31,9 1/15≈ 0,07 1/15≈ 1,00
Kumulative Tabellen
zeigen die Summe von Häufigkeiten bis hin
und einschließlich Häufigkeit des Wertes in
der jeweiligen Zeile.
Ogive
ist ein Graph, der die kumulierte Häufigkeit
bzw. kumulierte relative Häufigkeit für alle
Klassen repräsentiert.
∅ Zeit
Relative
Häufigkeit
16–17,9 1 1
18–19,9 2 3
20–21,9 1 4
22–23,9 6 10
24–25,9 2 12
26–27,9 1 13
28–29,9 1 14
30–31,9 1 15
0
0,2
0,4
0,6
0,8
1
1,2
17 19 21 23 25 27 29 31 33
Kumulierte relative Häufigkeit
Zeit (Minuten)

5.1.4 Kreuztabellen
übertragen?
168

Lagemaße
169
Mittelwert
𝑥̅ =
𝑥L + 𝑥6 + ⋯ + 𝑥N
𝑛
=
∑ 𝑥P
𝑛 Summe von einzelnen Elementen Summe von durchschnittlichen
Elementen
Mittelwert ist der „Schwerpunkt“ –
ganz wie der Gleichgewichtspunkt
Vorteile:
• Einfach zu berechnen: nur aufsummieren und teilen.
• Intuitiv – eine Zahl „in der Mitte“; wird von großen Zahlen
nach oben und von kleinen Zahlen nach unten gezogen.
Nachteile:
• Der Mittelwert kann durch Ausreißer verzogen werden – er
funktioniert nicht gut für Stichproben mit stark variierenden
Daten.
• Der Mittelwert von 100, 200 und -300 ist 0. Das ist
verwirrend.
Jahre
Jahre

Lagemaße
170
Median
Median ist das Element in der Mitte
einer sortierten Liste
Vorteile:
• Kann gut mit Ausreißern umgehen – oft die genaueste
Abbildung einer Gruppe.
• Teilt die Daten in zwei Gruppen auf, jede mit der gleichen
Anzahl an Elementen.
Nachteile:
• Ist schwieriger zu berechnen: Daten müssen zuvor sortiert
werden.
• Nicht so bekannt; wenn man „Median“ sagt, denken viele,
dass man „Durchschnitt“ meint.
50% unterhalb 50% oberhalb
𝑥Q = R
𝑥(STL)/6
1
2
𝑥S/6 + 𝑥S/6TL
für ungerade n
für gerade n
Jahre
Jahre

Lagemaße
171
Modalwert
Anzahl
Werte
Modalwert ist der häufigste Wert
unter allen Beobachtungen der Variable
Vorteile:
• Gut geeignet für exklusive Auswahlsituationen (diese Wahl
oder andere; keine Kompromisse), d.h. funktioniert gut mit
nominalen Daten.
• Zeig die Wahl, die die meisten wollten (während der
Mittelwert oft zur Wahl führen kann, die keiner wollte).
• Einfach zu verstehen.
Nachteile:
• Erfordert mehr Aufwand für die Berechnung (man muss die
Stimmen zählen).
• “Der Sieger nimmt alles” — es gibt keinen Mittelweg.
Modalwert von
ist

Lagemaße:
Mittelwert und Median bestimmen die Form der Verteilung
172
symmetrisch
Mittelwert und Median
sind ungefähr gleich
linksschief
Median
Mittelwert ist
nach unten verzogen
rechtsschief
Median
Mittelwert ist
nach oben verzogen

Streuungsmaße
173
𝜎6
=
∑ 𝑥P − 𝜇 6
𝑛
Empirische
Varianz
(Varianz der Grundgesamtheit)
Stichproben-
Varianz 𝑠6
=
∑ 𝑥P − 𝑥̅ 6
𝑛 − 1
Varianz ist der Durchschnitt von quadrierten
Abständen vom Mittelwert
Körpergrößen des US-Amerikanischen olympischen Basketballmannschaft 2008

Der Mittelwert funktioniert wie Gleichgewichtspunkt. Deshalb ist die
durchschnittliche Abweichung vom Mittelwert immer gleich Null.
Bei der Berechnung von Varianz werden alle Abweichungen
quadriert, damit negative Abweichungen positive Abweichungen
nicht kompensieren.
Streuungsmaße
174
Stichproben-
Varianz 𝑠6
=
∑ 𝑥P − 𝑥̅ 6
𝑛 − 1
Körpergrößen des US-Amerikanischen olympischen Basketballmannschaft 2008
𝑥̅ =
1,5 + 2,5 + 3,5 − 0,5 + 4,5 + 1,5 − 2,5 − 6,5 + 2,5 − 0,5 − 2,5 − 3,5
12
= 0
𝑠6
=
117
12 − 1
≈ 10,6
Warum Varianz?

Welcher Datensatz hat eine höhere Standardabweichung?
Streuungsmaße
175
Standardabweichung 𝑠 = 𝑠6
Standardabweichung
Behält die Messeinheiten von Originaldaten
𝜎 = 𝜎6
𝑠 = 10,6 ≈ 3,3
𝑠6
=
117
12 − 1
≈ 10,6 Quadratzoll
Zoll

Beziehung zwischen Standardabweichung und Normalverteilung
176
99,7% der Daten liegen innerhalb 3
Standardabweichungen vom Mittelwert
95% innerhalb
2 Standardabweichungen
68% innerhalb
1 Standard-
abweichung
© Dan Kernler

5.1.4 Kreuztabellen
übertragen?
177

Kreuztabellen
178
Kreuztabellen
Kreuztabellen fassen die gemeinsame Verteilung von zwei (oder mehr)
diskreten Variablen tabellarisch zusammen.
• Helfen den Zusammenhang einer Variablen (z.B. Markentreue) mit
einer anderen Variable (z.B. Geschlecht) zu analysieren und zu
verstehen.
• Eine Kreuztabelle enthält jeweils eine Zelle für jede Kombination von
zwei (oder mehr) Variablen.
Beispiele:
• Wie viele markentreue Konsumenten sind
Männer?
• Hängt die Nutzungshäufigkeit (hoch, mittel,
niedrig) eines Produkts mit Outdoor-Aktivitäten
(oft, manchmal, selten, nie) zusammen?
• Hängt die Vertrautheit mit dem neuen Produkt
mit Alter und Bildungsniveau zusammen?
• Hängt der Besitz eines Produkts mit dem
Einkommen (hoch, mittel, niedrig)zusammen?

Kreuztabellen
179
Bildungsgrad
Besitz eines teuren Autos Hochschulabschluss Kein Hochschulabschluss
ja 32 % 21 %
nein 68 % 79 %
Gesamt 100 % 100 %
Anzahl der Fälle 250 750
Hängt der Besitz von teuren Automarken vom Bildungsgrad ab?
Besitz von teuren Automarken nach Bildungsgrad

Kreuztabellen
180
Manchmal kann die Einführung einer dritten
Variable
scheinbare Beziehungen,
verdeckte Zusammenhänge,
keine Veränderung in ursprünglicher Beziehung
aufdecken.

Kreuztabellen
181
Hängt der Besitz von teuren Automarken vom Bildungsgrad ab?
Besitz von teuren Automarken nach Bildungsgrad und Einkommensniveau
Hohes Einkommen Geringes Einkommen
Besitz eines teuren Autos Hochschulabschluss Kein Hochschulabschluss Hochschulabschluss Kein Hochschulabschluss
ja 20 % 20 % 40 % 40 %
nein 80 % 80 % 60 % 60 %
Gesamt 100 % 100 % 100 % 100 %
Anzahl der Fälle 100 700 150 50
Ist die Beziehung noch da?

Kreuztabellen
182
Hat Alter Einfluss auf Reise- und Abenteuerlust?
Verlangen nach Auslandsreisen nach Alter
Verlangen nach
Auslandsreisen
Alter
Unter 45 45 und mehr
ja 50 % 50 %
nein 50 % 50 %
Gesamt 100 % 100 %
Verlangen nach
Auslandsreisen
Männlich Weiblich
< 45 ≥ 45 < 45 ≥ 45
ja 60 % 40 % 35 % 65 %
nein 40 % 60 % 65 % 35 %
Gesamt 100 % 100 % 100 % 100 %
Verlangen nach Auslandsreisen nach Alter und Geschlecht

Kreuztabellen
183
Hängt die Besuchshäufigkeit von Fast-Food-Restaurants mit der Familiengröße zusammen?
Besuchshäufigkeit von Fast-Food-Restaurants nach Familiengröße
Gehen häufig in Fast-Food-
Restaurants
Familiengröße
Small Large
ja 50 % 50 %
nein 50 % 50 %
Gesamt 100 % 100 %
Gehen häufig in Fast-Food-
Restaurants
Geringes Einkommen Hohes Einkommen
Small Large Small Large
ja 50 % 50 % 50 % 50 %
nein 50 % 50 % 50 % 50 %
Gesamt 100 % 100 % 100 % 100 %
Besuchshäufigkeit von Fast-Food-Restaurants nach Familiengröße und Einkommen

5.1.4 Kreuztabellen
übertragen?
184

5.1.4 Kreuztabellen
übertragen?
185

Hypothesentest
186
Hypothesentest
Hypothesentest ist ein fünfstufiges Verfahren, in dem basierend auf den
Daten einer Stichprobe und unter Einsatz von Wahrscheinlichkeitstheorie
es bestimmt wird, ob eine Hypothese hinreichend begründet ist.
M.a.W. ist dies eine Methode zu prüfen, ob die auf einer Zufallsstichprobe
erhaltenen Ergebnisse sich verallgemeinern bzw. auf die
Grundgesamtheit übertragen lassen.
Vorgehensweise:
1. Formulierung einer Nullhypothese und ihrer
Alternativhypothese
2. Festlegen vom Signifikanzniveau
3. Wahl der geeigneten Teststatistik
4. Formulierung der Entscheidungsregel
5. Berechnung von Kennzahlen aus der
Stichprobe, Treffen der Entscheidung
„Menschen sind sich irrtümlicherweise zuversichtlich in ihrem Wissen und
unterschätzen die Wahrscheinlichkeit, dass ihre Informationen und ihre
Überzeugungen sich als falsch erweisen können. Sie neigen dazu solche
zusätzliche Informationen zu suchen, die nur bestätigen, was sie schon
immer gewusst haben.“
Max Bazerman

Hypothesentest
187
Geschlecht
Internetnutzung Männlich Weiblich Gesamt (Zeile)
selten 5 10 15
häufig 10 5 15
Gesamt (Spalte) 15 15 n=30
Internetnutzung und Geschlecht
Ausgehend von dieser Stichprobe:
Nutzen Männer wirklich das Internet häufiger als Frauen in
der Bevölkerung?

Hypothesentest
188
Schritt 1: Formulierung einer Nullhypothese
und ihrer Alternativhypothese
Nullhypothese ( 𝑯 𝟎) ist eine Behauptung des Status-
Quo, dass es keinen Unterschied bzw. keinen Effekt
gibt.
Alternativhypothese ( 𝑯 𝟏) behauptet das Gegenteil –
dass es einen Unterschied bzw. einen Effekt gibt.
𝑯 𝟎: Es gibt keinen Unterschied zwischen Männern und Frauen
im Hinblick auf die Häufigkeit der Internetnutzung.
𝑯 𝟏: Männer und Frauen zeigen unterschiedliches
Internetnutzungsverhalten.
𝐼𝑁b = 𝐼𝑁c
𝐼𝑁b ≠ 𝐼𝑁c

Hypothesentest
189
Schritt 2: Festlegen vom Signifikanzniveau
Signifikanz ( 𝜶) – Wahrscheinlichkeit, dass eine
wahre Nullhypothese zurückgewiesen wird.
𝜷 – Wahrscheinlichkeit, dass eine falsche
Nullhypothese angenommen wird.
Nullhypothese (𝐻0)
ist wahr
ist falsch
Nullhypothese
zurückweisen
Fehler 1. Art
False positive
Richtige Entscheidung
True positive
Nullhypothese NICHT
zurückweisen
True negative
Fehler 2. Art
False negative
𝛽
(1 − 𝛽) – Power
𝛼 – Signifikanz

ist wahr
ist falsch
Nullhypothese
zurückweisen
Fehler 1. Art
False positive
True positive
Nullhypothese NICHT
zurückweisen
True negative
Fehler 2. Art
False negative
Hypothesentest
190
Freilassen eines Verbrechers
Verurteilung eines Unschuldigen
Analogie: Unschuld in einem Strafprozess
𝐻0: Der Angeklagte ist unschuldig

ist wahr
ist falsch
Nullhypothese
zurückweisen
Fehler 1. Art
False positive
True positive
Nullhypothese NICHT
zurückweisen
True negative
Fehler 2. Art
False negative
Hypothesentest
191
Sie bleiben unbesorgt neben dem
Gebüsch, der Löwe ist auf der Jagt
Es gibt keinen Löwen, aber Sie laufen weg
Analogie: Rascheln im Gebüsch – ist das ein Löwe?
𝐻0: Es gibt keinen Löwen im Gebüsch

Hypothesentest
192
Signifikanzniveaus in der Marktforschung
𝛼 – Signifikanzniveau (1 − 𝛼) – Vertrauenswahrscheinlichkeit
0,01 (1%)
0,05 (5%)
0,99 (99%)
0,95 (95%)

Hypothesentest
193
Schritt 3: Wahl der geeigneten Teststatistik
Stichprobe Anwendung auf Skalenniveaus Teststatistiken / Kommentare
Eine Stichprobe
Verteilungen Nicht-metrisch
Kolmogorow-Smirnow- und χ2
-Test auf Anpassungsgüte; Runs-Test auf Zufälligkeit;
Binomialtest auf Anpassungsgüte von dichotomen Variablen
Mittelwerte Metrisch
t-Test, wenn Varianz ist unbekannt
z-Test, wenn Varianz ist bekannt
Proportionen Metrisch z-Test
Zwei unabhängige
Stichproben
Kolmogorow-Smirnow-Test auf Übereinstimmung von Verteilungen für zwei
Stichproben
Zweistichproben t-Test
F-Test für Gleichheit von Varianzen
Proportionen
Metrisch, Nicht-
metrisch
z-Test
χ2
-Test
Rangplätze / Mediane Nicht-metrisch Mann-Whitney-U-Test ist sensibler als Median-Test
Gepaarte Stichproben
Mittelwerte Metrisch Paardifferenz-t-Test
Proportionen Nicht-metrisch
McNemar-Test für binäre Variablen,
χ2
-Test
Rangplätze / Mediane Nicht-metrisch Wilcoxon-Vorzeichen-Rang-Test ist sensibler als Vorzeichentest

Stichprobe Anwendung auf Skalenniveaus Teststatistiken / Kommentare
Eine Stichprobe
Kolmogorow-Smirnow- und χ2
-Test auf Anpassungsgüte; Runs-Test auf Zufälligkeit;
Binomialtest auf Anpassungsgüte von dichotomen Variablen
t-Test, wenn Varianz ist unbekannt
z-Test, wenn Varianz ist bekannt
Proportionen Metrisch z-Test
Zwei unabhängige
Stichproben
Kolmogorow-Smirnow-Test auf Übereinstimmung von Verteilungen für zwei
Stichproben
Zweistichproben t-Test
F-Test für Gleichheit von Varianzen
Proportionen
Metrisch, Nicht-
metrisch
z-Test
χ2
-Test
Rangplätze / Mediane Nicht-metrisch Mann-Whitney-U-Test ist sensibler als Median-Test
Gepaarte Stichproben
Mittelwerte Metrisch Paardifferenz-t-Test
Proportionen Nicht-metrisch
McNemar-Test für binäre Variablen,
χ2
-Test
Rangplätze / Mediane Nicht-metrisch Wilcoxon-Vorzeichen-Rang-Test ist sensibler als Vorzeichentest
Hypothesentest
194
!
In unserem Beispiel haben wir es mit der Verteilung von nicht-metrischen Variablen
(seltene oder häufige Internetnutzung; Männer oder Frauen) in einer Stichprobe zu tun.

Hypothesentest
195
χ2 (Chi-quadrat) Teststatistik auf Anpassungsgüte wird zum Test statistischer
Signifikanz von dem in Kreuztabellen beobachteten Zusammenhang verwendet.
𝐻0: Es gibt keinen Zusammenhang zwischen den Variablen
χ2 prüft dabei die Gleichheit von Häufigkeitsverteilungen.
Welche Verteilungen / Häufigkeiten müssen wir vergleichen?
𝑓 𝑒 – Häufigkeiten, die wir in den Zellen der Kreuztabelle erwarten würden,
wenn es keinen Zusammenhang zwischen den Variablen gäbe.
𝑓 𝑜 – Tatsächlich beobachteten Häufigkeiten.

Hypothesentest
196
𝑓j =
𝑛9 𝑛7
𝑛
𝑛9 – Gesamtsumme in einer Zeile
𝑛7 – Gesamtsumme in einer Spalte
𝑛 – Umfang der Stichprobe
𝑓jk,k
=
15 l 15
30
= 7,5 𝑓jk,m
=
15 l 15
30
= 7,5
𝑓jm,k
=
15 l 15
30
= 7,5 𝑓jm,m
=
15 l 15
30
= 7,5

Hypothesentest
197
In unserem Beispiel:
𝜒6
=
(opq,o)m
q,o
+
(Lrpq,o)m
q,o
+
(Lrpq,o)m
q,o
+
(opq,o)m
q,o
= 0,833 + 0,833 + 0,833 + 0,833 = 3,333
𝜒6 = t
(𝑓8 − 𝑓j)6
𝑓jAlle Zellen

Hypothesentest
198
Schritt 4: Formulierung der Entscheidungsregel
𝑻𝑺 𝒄𝒂𝒍 – beobachteter (berechneter) Wert der
Teststatistik.
𝑻𝑺 𝒄𝒓 – kritischer Wert der Teststatistik für
gewähltes Signifikanzniveau.
Wenn Wahrscheinlichkeit von 𝑻𝑺 𝒄𝒂𝒍 < Signifikanzniveau (𝜶), dann lehne 𝑯 𝟎 ab.
oder
Wenn 𝑻𝑺 𝒄𝒂𝒍 > 𝑻𝑺 𝒄𝒓 , dann weise 𝑯 𝟎 zurück.

Hypothesentest
199
Wenn Wahrscheinlichkeit von 𝑻𝑺 𝒄𝒂𝒍 < Signifikanzniveau
(𝜶), dann lehne 𝑯 𝟎 ab.
oder
Wenn 𝑻𝑺 𝒄𝒂𝒍 > 𝑻𝑺 𝒄𝒓 , dann weise 𝑯 𝟎 zurück.
𝑑𝑓
Tabelle der kritischen Werten von χ2 für verschiedene Signifikanzniveaus 𝛼
𝑑𝑓 – Freiheitsgrade
𝑟 – Anzahl von Zeilen
𝑐 – Anzahl von Spalten
𝑑𝑓 = 𝑟 − 1 𝑐 − 1
𝑑𝑓 = 2 − 1 2 − 1 = 1
𝜒7•€
6
= 3,333
𝜒79
6
= 3,841
3,333 < 3,841
𝜒7•€
6
< 𝜒79
6
𝐻0 kann NICHT zurückgewiesen werden
Schritt 4: Formulierung der Entscheidungsregel

Hypothesentest
200
Schritt 5: Treffen der Entscheidung Ist der Beweis da?
Was sind die Konsequenzen?
• 𝑯 𝟎, dass es keinen Zusammenhang gibt, kann nicht zurückgewiesen werden
• Zusammenhang ist statistisch nicht signifikant auf dem Signifikanzniveau von 0,05
• Die aus der Stichprobe beobachtete Ergebnisse können auf die Grundgesamtheit
nicht verallgemeinert werden

Ausgehend von dieser Stichprobe:
Nutzen Männer wirklich das Internet häufiger als Frauen in der
Bevölkerung?
Antwort: Die Stichprobe erbringt dafür keine Beweise.
Wenn die Stichprobe sorgfältig ausgewählt und gezogen wurde, dann
können wir behaupten, dass es mit 95%igen Vertrauenswahrscheinlichkeit
keinen solchen Zusammenhang gibt.
Ansonsten – wir wissen es nicht.
Internetnutzung und Geschlecht
Geschlecht
selten 5 10 15
häufig 10 5 15
Hypothesentest
201

5.1.4 Kreuztabellen
übertragen?
202

Prüfung der Stärke des Zusammenhangs
203
𝜒2 prüft nur die Signifikanz eines Zusammenhangs und trifft keine
Aussagen über seine Stärke.
Einfacher Nachweis: Verdoppelung aller Werte in der Kreuztabelle
führt zur Verdoppelung von 𝜒2.
Maßen für die Stärke des Zusammenhangs sind:
• Phi-Koeffizient (𝜑)
• Kontingenzkoeffizient (𝐶)
• Cramers 𝑉
• Lambda Koeffizient (𝜆)

Phi-Koeffizient
204
𝜑 =
𝜒6
𝑛
𝜑 =
3,333
30
= 0,333
Je höher 𝜑, desto stärker ist der Zusammenhang zwischen Variablen.
Werte > 0,30 werden als substantiell angesehen.
Probleme:
• 𝜑 ist nicht standardisiert und hat eine Obergrenze von 1 nur für
2x2-Tabellen; hängt von Tabellendimensionen ab.
• 𝜑-Werte aus verschiedenen Studien können nicht miteinander
verglichen werden.
Der Zusammenhang ist nicht besonders stark

Kontingenzkoeffizient
205
𝐶 =
𝜒6
𝜒6 + 𝑛
𝐶 =
3,333
3,333 + 30
= 0,316
Je höher 𝐶, desto stärker ist der Zusammenhang zwischen Variablen.
Obwohl 𝐶 -Werte die Obergrenze von 1 haben, sie können diese
Grenze faktisch nicht erreichen.
Probleme:
• 𝐶 ist nicht standardisiert und häng von Tabellendimensionen ab.
• 𝐶 -Werte aus verschiedenen Studien können nicht miteinander
verglichen werden.

Cramers V
206
𝑉 =
𝜒6
𝑛 l (min ( 𝑟, 𝑐) − 1)
𝑉 =
3.333
30 l (2 − 1)
= 0.333
Je höher 𝑉, desto stärker ist der Zusammenhang zwischen den Variablen.
𝑉 -Werte haben die Obergrenze von 1, können sie aber ebenfalls faktisch
nur bei 2x2-Tabellen erreichen.
Probleme:
• 𝑉 ist nicht standardisiert und hängt von Tabellendimensionen ab.
• 𝑉-Werte aus verschiedenen Studien können nicht miteinander
verglichen werden.
𝑟 – Anzahl von Zeilen
𝑐 – Anzahl von Spalten

Lambda Koeffizient
207
𝜆 =
10 + 10 − 15
30 − 15
= 0.333
Gibt Aufschluss darüber, in wieweit die Kenntnis der Ausprägung
einer Variable bei der Prognose der anderen Variable hilft.
Ist standardisiert zwischen 0 und 1
(1 – fehlerfreie Prognose, 0 – keine Verbesserung der Vorhersage).
𝜆-Werte aus verschiedenen Studien können miteinander verglichen
werden.
Kenntnis vom Geschlecht erhöht die Prognosegenauigkeit um den
Faktor 0,333, d.h. 33,3% Verbesserung.
𝑟 – Zeilenindex
𝑐 – Spaltenindex
λ =
max
r
(nrc )− max
r
(nr )
c
∑
n − max
r
(nr )

𝑟 – Zeilenindex
𝑐 – Spaltenindex
Lambda Koeffizient
208
𝜆 =
10 + 10 − 15
30 − 15
= 0,333
Kenntnis vom Geschlecht erhöht die Prognosegenauigkeit um den
Faktor 0,333, d.h. 33,3% Verbesserung.
λ =
max
r
(nrc )− max
r
(nr )
c
∑
n − max
r
(nr )
Geschlecht
selten 5 10 15
häufig 10 5 15
Summe von max. Häufigkeiten
aller Spalten
max. Gesamtwert einer Zeile
𝑟 = 1
𝑟 = 2
𝑐 = 1 c = 2

5.1.4 Kreuztabellen
übertragen?
209

Typen vom Zusammengang zweier Variablen
210
Linear Linear
Nicht-linear Kein
Zusammenhang
Soweit die Daten nicht aus einem kontrollierten
Experiment stammen, können wir nur die Existenz
einer Beziehung zwischen den Variablen behaupten,
nicht jedoch die kausale Richtung dieser Beziehung.

Lineare Korrelation
211
Zwei Variablen korrelieren positiv, wenn höhere Werte einer
Variable höheren Werten der anderen Variable entsprechen.
Zwei Variablen korrelieren negativ, wenn höhere Werte einer
Variable niedrigeren Werten der anderen Variable entsprechen.
Positive Korrelation
Negative Korrelation

Linearer Korrelationskoeffizient
212
(Pearsons) Linearer Korrelationskoeffizient misst die Stärke
der linearen Beziehung zwischen zwei Variablen.
𝑟 =
∑(𝑥P − 𝑥̅)(𝑦P − 𝑦‹)
∑(𝑥P − 𝑥̅)6 ∑(𝑦P − 𝑦‹)6
Eigenschaften:
• Werte des linearen Korrelationskoeffizienten
liegen immer zwischen −1 und 1.
• Bei 𝑟 = +1 besteht ein vollständig positiver
linearer Zusammenhang zwischen den Variablen.
• Bei 𝑟 = −1 besteht ein vollständig negativer
linearer Zusammenhang zwischen den.
• Je näher ist 𝑟 zu +1, desto stärker der positive
Zusammenhang.
• Je näher ist 𝑟 zu −1, desto stärker der negative
Zusammenhang.
• Wenn 𝑟 ist nah an die 0, gibt es wenig oder gar
kein Nachweis für die Existent einer linearen
Beziehung zwischen zwei Variablen. Das bedeutet
aber nicht, dass es keine Beziehung zwischen den
Variablen gibt – eben nur keine lineare.

213
𝒓-Wert Interpretation
0 bis 0,3 Sehr schwach
0,3 bis 0,5 Schwach
0,5 bis 0,7 Mittel
0,7 bis 0,9 Hoch
0,9 bis 1 Sehr hoch
Stärke der Beziehung zwischen Variablen
86 98 12,5 13,5 168,75 156,25 182,25
62 70 -11,5 -14,5 166,75 132,25 210,25
52 56 -21,5 -28,5 612,75 462,25 812,25
90 110 16,5 25,5 420,75 272,25 650,25
66 76 -7,5 -8,5 63,75 56,25 72,25
80 96 6,5 11,5 74,75 42,25 132,25
78 86 4,5 1,5 6,75 20,25 2,25
74 84 0,5 -0,5 -0,25 0,25 0,25
Mittelwert 73,5 84,5
Summe 1514 1142 2062
𝑟 =
1514
1142 2062
≈ 0,987
𝑥 𝑦 (𝑥P − 𝑥̅) (𝑦P − 𝑦‹) (𝑥P − 𝑥)(𝑦P − 𝑦) (𝑥P − 𝑥̅)6
(𝑦P − 𝑦‹)6
𝑥
𝑦
𝑟 =
∑(𝑥P − 𝑥̅)(𝑦P − 𝑦‹)
∑(𝑥P − 𝑥̅)6 ∑(𝑦P − 𝑦‹)6

Regressionsanalyse
214
Regressionsanalyse
Regressionsanalyse ist ein mächtiges und flexibles Instrument
zur Analyse von assoziativen Beziehungen zwischen einer
metrischen abhängigen Variabel und einer oder mehreren
unabhängigen Variablen.
Ermöglicht
• Existenz der Beziehung zu bestimmen
• Stärke der Beziehung zu quantifizieren
• Mathematisches Modell (Formel) der Beziehung abzuleiten
• Werte der abhängigen Variable vorherzusagen
• Bei der Analyse des Beitrags einer oder mehreren Variablen von
Interesse, den Einfluss anderer unabhängiger Variablen zu
berücksichtigen
Beispiele:
• Können Werbeausgaben die Absatzänderungen
erklären?
• Kann der Marktanteil auf die Größe der
Verkaufsabteilung zurückgeführt werden?
• Wird die Qualitätswahrnehmung von
Konsumenten von ihrer Wahrnehmung vom
Preis beeinflusst?

Regressionsanalyse
215
Werbe-
ausgaben,
€1.000
Absatz,
€1.000
40 377
60 507
70 555
110 779
150 869
160 818
190 862
200 817
y = 2,8239x + 352,07
R² = 0,83639
0
100
200
300
400
500
600
700
800
900
1000
0 50 100 150 200 250
Absatz, €1.000
Werbeausgaben, €1.000
Zusammenhang zwischen Absatz und Werbeausgaben
Wie viele Produkteinheiten werden wir absetzten, wenn wir €85.000 für die Werbung ausgeben?
Erhobene Daten
• Werbeausgaben erklären 83,6% der Varianz vom Absazu.
• Jeder zusätzliche in die Werbung investierte Euro bringt €2,82 vom
zusätzlichen Absatz.
• €85.000 Werbeausgaben resultieren in
2,824 l 85.000 + 325,07 = 240.383,57 Absatz.

6.3 Segmentierung
216

6.3 Segmentierung
217

Conjoint-Analyse
218
Conjoint-Analyse
Conjoint-Analyse ist eine Reihe von Techniken, die in der
Marktforschung für die Analyse von attributbasierten
Präferenzen von Konsumenten eingesetzt werden – d.h. um zu
bestimmen, wie wichtig unterschiedliche Produkteigenschaften
und Eigenschaftsausprägungen für die Konsumenten sind.
Besonderheiten
• Bewertung von ganzheitlichen Objekten
• Dekomposition von Präferenzen
Stark verbreitet in
• Segmentierung
• Entwicklung von neuen Produkten
• Preissetzung
Wie soll unser neues Produkt aussehen?

Conjoint-Analyse
219
ganz und gar
nicht wichtig
ausgesprochen
wichtig
Hersteller/Marke
Prozessorleistung,
GHz
Speicher, GB
Display-Größe
Preis
Bitte geben Sie an, inwieweit folgende PC-Eigenschaften bei Ihrer
nächsten Entscheidung über den Kauf eins PCs wichtig sind?

Conjoint-Analyse
220
Erwartung
ganz und gar
nicht wichtig
ausgesprochen
wichtig
Hersteller/Marke
Prozessorleistung,
GHz
Speicher, GB
Display-Größe
Preis

Conjoint-Analyse
221
Realität
ganz und gar
nicht wichtig
ausgesprochen
wichtig
Hersteller/Marke
Prozessorleistung,
GHz
Speicher, GB
Display-Größe
Preis

Conjoint-Analyse
222
Relative Wichtigkeiten einzelner Produkteigenschaften können besser gemessen werden, wenn sie
von Probanden als einheitliches Stimulus beurteilt werden (CONsidered JOINTly), als wenn jede
Eigenschaft isoliert bewertet wird:
• Viele Konsumenten sind nicht in der Lage, die relative Wichtigkeit einzelner Produkteigenschaften
zu bestimmen.
• Einzelne Eigenschaften werden isoliert anders wahrgenommen, als ihre Kombination, die ein
ganzheitliches Produkt ausmacht.
• Konstruktion der bevorzugten Kombination von Eigenschaften belastet kognitive Fähigkeiten von
Probanden.
• Alle Eigenschaften sind wichtig.
• Soziale Erwünschtheit einiger Eigenschaften bzw. Eigenschaftsausprägungen sowie scharf
ausgeprägte Selbsteinschätzung von Probanden motivieren sie einigen Eigenschaften und
-ausprägungen viel Gewicht zu geben, auch wenn sie keine Rolle spielen (z.B.
Umweltfreundlichkeit, Wohlstand, verringerte Bedeutung vom Preis).
• Einige Probanden können absichtlich versuchen, die Studienergebnisse zu manipulieren, indem
sie „vorteilhafte“ Antworten gaben (z.B. Überbewertung der Wichtigkeit vom Preis).

Conjoint-Analyse
223
Wenn Sie heute einen PC kaufen müssten und dies die einzig auf dem Markt verfügbare Alternativen
wären, welche Alternative würden Sie wählen?
Dell
• 5 GHz Prozessor
• 4 GB Speicher
• 13“ Monitor
• € 1999,-
Sony
• 3 GHz Prozessor
• 8 GB Speicher
• 17“ Monitor
• € 2199,-
MacBook
• 3 GHz Prozessor
• 2 GB Speicher
• 15“ Monitor
• € 2099,-
Keine
• Wenn das die einzigen
Alternativen wären,
würde ich den Kauf
aufschieben
☐ ☐ ☐ ☐

6.3 Segmentierung
224

Marktsimulationen
225
Produktalternativen
Blau Rot Gelb
Proband #1 50 40 10
Proband #2 0 65 75
Proband #3 40 30 20
Mittelwert 30 45 35
Angesichts folgender Präferenzwerte, welches Produkt sollten wir auf dem Markt anbieten?

Produktalternativen
Blau Rot Gelb
Proband #1 50 40 10
Proband #2 0 65 75
Proband #3 40 30 20
Mittelwert 30 45 35
Marktsimulationen
226
“Rot” hat den höchsten durchschnittlichen Präferenzwert.

Marktsimulationen
227
Produktalternativen
Blau Rot Gelb Wahl
Proband #1 50 40 10 Blau
Proband #2 0 65 75 Gelb
Proband #3 40 30 20 Blau
Mittelwert 30 45 35 Rot
“Rot” hat den höchsten durchschnittlichen Präferenzwert.
Allerdings, keiner bevorzugt “Rot”.

Warum Marktsimulationen? Wettbewerber!
228
• Angenommen 80% der Kunden auf dem Markt präferieren runde Dinge und 20%
präferieren quadratische Dinge.
• Welche Art von Dingen sollten wir auf den Markt bringen?
• Ohne Zusatzinformation ist die Wahl offensichtlich – „runde Dinge“.
• Was ist wenn es auf dem Markt bereits 10 Wettbewerber gibt, die ALLE runde Dinge
anbieten?

Warum Marktsimulationen?
229
• Simulationen spiegeln die Realität besser wieder, als datengetriebenen Modelle
• … in Abbildung von idiosynkratrischen Präferenzen von Segmenten und Individuen
• … durch Berücksichtigung von Präferenzen und konkurrierender Angebote auf dem Markt.
• Wir müssen uns nicht unbedingt auf den „fetten“ Teil des Markts fixieren, um guten Profit
zu erzielen.
• „Versuchslabor“ zum Testen einer Vielzahl an realen Möglichkeiten / Marktchancen und
ihrer möglichen Ergebnisse.
• Ergebnisse von Marktsimulationen sind leicht verständlich und aktionsfähig fürs
Management.

Was machen Marktsimulationen?
230
Der grundlegende Prozess von Marktsimulationen ist wie folgt:
Für jeden Probanden, auf der Basis seiner (bekannten) Präferenzstruktur und unter
Berücksichtigung erschöpfender Information über den Markt (i.S.v. existierenden und
simulierten Produktangeboten), werden seine Produktwahl oder -auswahlwahrscheinlichkeit
und somit die Marktanteile jedes Produkts bestimmt.

Was machen Marktsimulationen?
231
Dies wird durch die Anwendung von sog. Wahlregeln erreicht, z.B.:
• Regel der ersten Wahl
• Produkt mit dem höchsten Nutzen wird gewählt
• Auswahlwahrscheinlichkeit dieses Produkts ist 100%, die restlichen Produkte haben die
Auswahlwahrscheinlichkeit von 0%
• BTL-Modell (genannt nach Bradley, Terry, und Luce)
• Auswahlwahrscheinlichkeit eines Produkts hängt von seinem relativen
Nutzenanteil auf dem Markt
• Positive Auswahlwahrscheinlichkeit für Produkte mit geringem
Präferenz- bzw. Nutzenwert
• Logit-Regel
• Auswahlwahrscheinlichkeit steigt mit steigendem Kontrast
vom Produktnutzen
• Diese Regel ermöglicht a-priori Anpassung von simulierten Marktanteilen
an die realen Marktanteile
∑=
= H
h
h
h
h
U
U
1
π
∑=
⋅
⋅
= H
h
U
U
h
h
h
e
e
1
)(
α
α
απ

6.3 Segmentierung
232

Marktsegmentierung
233
Marktsegmentierung
Marktsegmentierung stellt die Grundlage einer differenzierten
Marktbearbeitung dar.
Marktsegmentierung bezeichnet die Aufspaltung des
“relevanten Marktes” in
• nach innen homogene und
• nach außen heterogene  
Gruppen von Konsumenten.
Ziel: Entwicklung effizienter Produktdifferenzierungsstrategien
für möglichst optimale Ausschöpfung der Potentiale einzelner
Segmente.

Effektive Marktsegmentierung
234
Sechs Kriterien, die die Effizienz und Wirtschaftlichkeit der Segmentlösung bestimmen:
Identifizierbarkeit
Möglichkeit der Identifizierung von Konsumenten
auf der Basis einfach messbarer Variablen
Substantialität
Segmente müssen groß genug sein, um
Investitionen amortisieren zu können
Zugänglichkeit
Möglichkeit einer gezielten Ansprache bzw.
eines gezielten Einsatzes vom Marketing-Mix
Stabilität
… im Zeitraum der Planung, Durchführung und
Wirkung segmentspezifischer Maßnahmen
Verhaltensrelevanz
Einheitliche Reaktion auf segmentspezifische
Marketing-Maßnahmen (z.B. Preisänderung)
Handlungsfähigkeit
Sinnvoll und hilfreich bei Formulierung vom
Marketing-Mix

Marktsegmentierung:
Typologie von Segmentierungsmerkmalen
235
Generell Produktspezifisch
Beobachtbar
Kulturelle, Geographische,
Demographische, Sozioökonomische
Merkmale
Nutzerstatus, Nutzungssituation,
-häufigkeit, -intensität,
Markentreue und –Loyalität
Nicht beobachtbar
Psychographische Merkmale, Werte,
Persönlichkeit und Lifestyle
Psychographische Merkmale,
Nutzenvorstellungen/Produktnutzen,
Einstellungen, Wahrnehmung,
Präferenzen, Motive, Absichten

Nutzen-Segmentierung
• „…Der Nutzen, den Menschen von Produkten erwarten, ist ein der Hauptgründe
für die Heterogenität in ihrem Wahlverhalten. Somit ist der Nutzen der
relevanteste Segmentierungsmerkmal.”
(Haley 1968)
• „… Nutzen ist ein der beliebtesten Merkmale der Segmentierung zwecks Erlangen
vom Marktverständnis, Positionierungsentscheidungen, Entwicklung neuer
Produktkonzepte, Werbe- und Vertriebsstrategien. Das alles – aufgrund seiner
Aktionsfähigkeit.“
(Wind 1978)
236

Marktsegmentierung:
Bewertung von Segmentierungsmerkmalen
237
Identifizier-
barkeit
Substantialität Zugänglichkeit Stabilität Handlungs-
fähigkeit
Verhaltens-
relevanz
1. Generelle, beobachtbare ++ ++ ++ ++ – –
2. Spezifische, beobachtbare
Kauf + ++ – + – +
Nutzung + ++ + + – +
3. Generelle, nicht beobachtbare
Persönlichkeit ± – ± ± – –
Lifestyle ± – ± ± – –
Psychographische Merkmale ± – ± ± – –
4. Spezifische, nicht beobachtbare
Psychographische Merkmale ± + – – ++ ±
Wahrnehmung ± + – – + –
Nutzen bzw. Nutzenvorstellungen + + – + ++ ++
Absichten + + – ± – ++

Paradox der Nutzensegmentierung
238
Bei Segmentierung auf der Basis vom Nutzen, den Konsumenten von einer Produkt- bzw.
Dienstleitungskategorie erwarten, sollte der Analytiker klar zwischen zwei Typen von Variablen unterscheiden:
(i) Variablen, die wichtig sind, um die Stichprobe in homogene Segmente trennen zu können, und (ii)
Variablen, die wichtig sind, weil sie den Nutzen oder die Eigenschaften darstellen, den die Probanden in
jedem Segment am meisten verlangen. Es ist einfach anzunehmen, dass sie das Gleiche sind. Manchmal ja,
meistens jedoch nicht. Es ist gut möglich, dass die „Treiber“ zwischen den Segmenten gar nicht variieren und
überhaupt keine Diskriminanzkraft aufweisen, z.B. Preis, Qualität usw.

6.3 Segmentierung
239

Positionierung
240240
Positionierung
Positionierung –
• Positionierung bezeichnet die Ausrichtung aller
Marketingaktivitäten an den Präferenzstrukturen der
potenziellen Kunden unter Berücksichtigung von
Wettbewerbsprodukten.
• Positionierung stellt eine Integration verschiedener
Strategieoptionen dar.
• Ziel der Positionierung ist es, die Unternehmensleistungen
so zu gestalten, dass die von Kunden wahrgenommenen
Ist-Eigenschaften mit den von ihnen gewünschten Soll-
Eigenschaften in Übereinstimmung gebracht werden.

Die Rolle der Wahrnehmung in Positionierung
241
Blindtest
Probanden wissen nicht, welche Cola sie trinken
„Offener“ Test
Probanden wissen, welche Cola sie trinken
Präferieren
Diet Pepsi
Präferieren
Diet Coke
Keine
Präferenz
Präferieren
Diet Pepsi
Präferieren
Diet Coke
Keine
Präferenz

Wahrnehmungskarten
242242
Wahrnehmungskarten
Wahrnehmungskarten bilden Positionen von konkurrierenden
Produkten (bzw. Marken oder Unternehmen) im „virtuellen“
Eigenschaftsraum ab, welcher die Wahrnehmung der
gesamten Produkt- bzw. Dienstleistungskategorie durch die
Konsumenten charakterisiert.
• Abstände zwischen zwei Alternativen entsprechend dem
Grad ihrer wahrgenommenen (Un-)Ähnlichkeit.
• Vektoren geben die Richtung und Stärke von
wahrgenommenen Produkteigenschaften an.
• Achsen sind die latenten Produkteigenschaften, die
zwischen allen Alternativen am besten differenzieren.

Ziel der Positionierung
243
Komfort
PS-Zahl
Idealpunkt/
Idealposition
Produkt B
Produkt A
Ziel der Positionierung ist es, in der
Wahrnehmung von Konsumenten eine
solche Position einzunehmen, die
• möglichst nah am Idealpunkt und
• möglichst weit weg von der Konkurrenz
ist.

Beispiel: Wahrnehmungskarte von Sessel-Designs
244
Quelle: Chuang, Y., & Chen, L. 2008 Apr 24. How to Rate 100 Visual Stimuli Efficiently.International Journal of Design
Emotional
Rational
Einfach
Übertrieben
Leicht
Schwer
Realistisch
Modern
Traditionell
Kompliziert

Wahrnehmungskarten
Stark
Leicht
HochwertigBudget
Hochwertig
Auswärts essen
Zum
besonderen
Anlass
Vollmundig
Arbeiter
Hell Leicht
Old Milwaukee
Populär unter
Männern
Günstig
Gutes Preis-
Leistungs-Verhältnis
Populär unter
Frauen
Stark
Budweiser
Beck‘s
Miller Coors
Michelob
Miller Lite
Coors Light
Meister Brau
Old Milwaukee Light
Heiniken
Nicht
sättigend
Quelle : Moore / Pessemier(1993), S. 145

Stark
Leicht
HochwertigBudget
Hochwertig
Auswärts essen
Zum
besonderen
Anlass
Vollmundig
Arbeiter
Hell Leicht
Old Milwaukee
Populär unter
Männern
Günstig
Gutes Preis-
Populär unter
Frauen
Stark
Budweiser
Beck‘s
Miller Coors
Michelob
Miller Lite
Coors Light
Meister Brau
Old Milwaukee Light
Heiniken
Nicht
sättigend
246
Wahrnehmungskarten
Wettbewerbsintensität
Je näher die Marken sind, desto ähnlicher sind sie in
der Wahrnehmung der Konsumenten, desto stärker
(„direkter“) ist der Wettbewerb.
Relativ starke
Konkurrenz
Gleiche Distanz =
ähnliche Wett-
bewerbsintensität
Relativ schwache
Konkurrenz

Stark
Leicht
HochwertigBudget
Hochwertig
Auswärts essen
Zum
besonderen
Anlass
Vollmundig
Arbeiter
Hell Leicht
Old Milwaukee
Populär unter
Männern
Günstig
Gutes Preis-
Populär unter
Frauen
Stark
Budweiser
Beck‘s
Miller Coors
Michelob
Miller Lite
Coors Light
Meister Brau
Old Milwaukee Light
Heiniken
Nicht
sättigend
247
Wahrnehmungskarten Das populärste Bier
unter Männern
Gleiche Popularität
unter Frauen,
Unterschied unter
Männern
Das unpopulärste Bier
unter Männern
Eigenschaftsvektoren:
Wahrnehmung von Brands durch Konsumenten
Je weiter ein Brand vom Ursprung entlang eines
Eigenschaftsvektors entfernt ist, desto stärker ist
diese Eigenschaft bei ihm ausgeprägt

Stark
Leicht
HochwertigBudget
Hochwertig
Auswärts essen
Zum
besonderen
Anlass
Vollmundig
Arbeiter
Hell Leicht
Old Milwaukee
Populär unter
Männern
Günstig
Gutes Preis-
Populär unter
Frauen
Stark
Budweiser
Beck‘s
Miller Coors
Michelob
Miller Lite
Coors Light
Meister Brau
Old Milwaukee Light
Heiniken
Nicht
sättigend
248
Wahrnehmungskarten
Rechter Winkel =>
Popularität unter Männern
sagt nichts über
Popularität unter Frauen
aus
Die unter Männern
populäre Marken neigen
dazu, stark zu sein
Beziehungen zwischen den Eigenschaften
Je kleiner der Winkel zwischen Eigenschaftsvektoren,
desto höher ist deren paarweise Korrelation
Gleiche Popularität unter
Frauen, Unterschied
unter Männern
Gleiche Popularität unter
Männern, starker
Unterschied unter Frauen

Stark
Leicht
HochwertigBudget
Hochwertig
Auswärts essen
Zum
besonderen
Anlass
Vollmundig
Arbeiter
Hell Leicht
Old Milwaukee
Populär unter
Männern
Günstig
Gutes Preis-
Populär unter
Frauen
Stark
Budweiser
Beck‘s
Miller Coors
Michelob
Miller Lite
Coors Light
Meister Brau
Old Milwaukee Light
Heiniken
Nicht
sättigend
249
Wahrnehmungskarten
Konsumenten können die Marken auf der
Dimension „Populär unter Männern“ besser
differenzieren, als auf der Dimension
„Gutes Preis-Leistungs-Verhältnis “
Länge des Eigenschaftsvektors zeigt seinen
Differenzierungsgrad
Je länger der Vektor ist, desto stärker differenziert
diese Eigenschaft zwischen den Bieren
Gutes Preis-Leistungs-Verhältnis
Populär unter Männern

Stark
Leicht
HochwertigBudget
Hochwertig
Auswärts essen
Zum
besonderen
Anlass
Vollmundig
Arbeiter
Hell Leicht
Old Milwaukee
Populär unter
Männern
Günstig
Gutes Preis-
Populär unter
Frauen
Stark
Budweiser
Beck‘s
Miller Coors
Michelob
Miller Lite
Coors Light
Meister Brau
Old Milwaukee Light
Heiniken
Nicht
sättigend
250
Wahrnehmungskarten
Zeigen in etwa eine
Richtung; korrelieren
sowohl rechnerisch, als
auch inhaltlich
Achsen differenzieren am stärksten
Achsen sind “virtuelle” Eigenschaftsvektoren, die am
stärksten differenzieren. Deren Bezeichnung wird
meistens aus den benachbarten Vektoren abgeleitet.

Stark
Leicht
HochwertigBudget
Hochwertig
Auswärts essen
Zum
besonderen
Anlass
Vollmundig
Arbeiter
Hell Leicht
Old Milwaukee
Populär unter
Männern
Günstig
Gutes Preis-
Populär unter
Frauen
Stark
Budweiser
Beck‘s
Miller Coors
Michelob
Miller Lite
Coors Light
Meister Brau
Old Milwaukee Light
Heiniken
Nicht
sättigend
Präferenzen vom Segment
C sind nicht befriedigt ->
offene Marktlücke?
251
Wahrnehmungskarten
Wahrnehmungskarten und Segmentierung
Einfache Bewertung von Segmentpotenzialen und -attraktivität.
Einfache Formulierung von Positionierungsstrategien, -aussagen
und Werbekampagnen.
Segment
A
Segment
C Segment
B
Mögliche Themen für Werbekampagnen:
Segment A: Stakes Bier für starke Männer.
Segment B: Echte Ladies trinken hochwertiges helles Bier zu
besonderen Anlässen.
Segment C: Leichtes Helles – gutes Bier zum guten Preis.

Beispiel: Wahrnehmungskarte von Schmerzmittel
252
Sanft
Gut für Kinder
Lange Wirkung
Effektivität
Hart zu schlucken
Fairer Preis
Tylenol
Panadol
Anacin
Bayer
Excedrin
Motrin
Prüfen Sie sich:
Welche Medikamente stehen unter stärksten Konkurrenz?
Wie lassen sich diese Medikamente in Begriffen von nur
einer der dargestellten Eigenschaften aus Marketing Sicht
am besten beschreiben?
Anhand welcher zwei der dargestellten Eigenschaften lassen
sich die Vorzüge eines Medikaments am besten
kommunizieren?
Kann ein Unternehmen einen höheren Preis dadurch
rechtfertigen, dass sein Medikament sanfter als alle andere
Medikamente ist?
Welche Eigenschaft (außer „Gut für Kinder“) sollte ein
Hersteller der Kindermedikamente als erstes optimieren?

Sanft
Gut für Kinder
Lange Wirkung
Effektivität
Hart zu schlucken
Fairer Preis
Tylenol
Panadol
Anacin
Bayer
Excedrin
Motrin
Beispiel: Wahrnehmungskarte von Schmerzmittel
253
Prüfen Sie sich:
Welche Medikamente stehen unter stärksten Konkurrenz?
Antwort: Tylenol und Mortin
(am nächsten zueinander)
Wie lassen sich diese Medikamente in Begriffen von nur
einer der dargestellten Eigenschaften aus Marketing Sicht
am besten beschreiben?
Antwort: „Sanft“
(am weitesten vom Ursprung entlang dieses Vektors
und am nächsten zu ihm)
Anhand welcher zwei der dargestellten Eigenschaften lassen
sich die Vorzüge eines Medikaments am besten
kommunizieren?
Antwort: “Sanft” und “Effektivität”
(die längsten Vektoren)
Kann ein Unternehmen einen höheren Preis dadurch
rechtfertigen, dass sein Medikament sanfter als alle andere
Medikamente ist?
Antwort: Nein! In der Wahrnehmung von Konsumenten sind
diese Eigenschaften unabhängig voneinander
Welche Eigenschaft (außer „Gut für Kinder“) sollte ein
Hersteller der Kindermedikamente als erstes optimieren?
Antwort: “Hart zu schlucken”
(kleinster Winkel zu „Gut für Kinder“;
liegt auf der horizontalen Achse)

Wichtigkeit der Wahrnehmung in Positionierung
254
Kohlenhydrate
Preis
Vitamine
Protein
Nährwert
Vitamine
Protein
Sättigt
Geschmack
Halbfertig
Kohlenhydrate
Fett
Cholesterin
Kalorien
Zucker
Zucker
Cholesterin
Sättigt
Halbfertig
Fett
Kalorien
Objektive Eigenschaften
Subjektiv wahrgenommene Eigenschaften
Kurioser aber typischer Fall
40 Lebensmittel: subjektive Wahrnehmung vs.
objektive Eigenschaften.

Wichtigkeit der Wahrnehmung in Positionierung
255
Objektive Eigenschaften
Subjektiv wahrgenommene Eigenschaften
Kurioser aber typischer Fall
40 Lebensmittel: subjektive Wahrnehmung vs.
objektive Eigenschaften.
Wahrnehmung bzw. Bewertung von vielen
Lebensmitteleigenschaften hat oft nichts oder sehr
wenig mit dem realen Gehalt dieser Eigenschaften
zu tun.
Kohlenhydrate
Preis
Vitamine
Protein
Nährwert
Vitamine
Protein
Sättigt
Geschmack
Halbfertig
Kohlenhydrate
Fett
Cholesterin
Kalorien
Zucker
Zucker
Cholesterin
Sättigt
Halbfertig
Fett
Kalorien

7. Ergebnisse Berichten
256

Typische Struktur eines Marktforschungsbericht
Titelseite
Inhaltsverzeichnis
Anhangsverzeichnis
Text des Berichts
1. Zusammenfassung (Executive Summary)
• Zentrale Ergebnisse
• Implikationen
• Empfehlungen
2. Problemstellung
• Hintergründe des Problems
• Definition des Problems
3. Ansatz zur Lösung des Problems
4. Forschungsdesign
• Typ vom Forschungsdesign
• Informationsbedarf
• Datenerhebung aus sekundären Quellen
• Datenerhebung aus primären Quellen
• Skalierungstechniken
• Fragebogenentwicklung und Pretest
• Stichprobentechniken
• Feldarbeit
5. Datenanalyse
• Methodologie
• Gang der Datenanalyse
6. Ergebnisse
7. Limitationen und Warnungen
8. Implikationen und Empfehlungen
9. Anhang
• Fragebögen und Formulare
• Ausgabe der Analysesoftware
• Listen
257

Verfassen des Berichts
• „Die Leser Ihrer Berichte sind sehr beschäftigte Menschen; nur sehr
wenige von ihnen können gleichzeitig einen Forschungsbericht, eine
Kaffeetasse und ein Wörterbuch balancieren.“
• „Wenn es zu Marktforschung kommt, Menschen würden eher mit
einem Problem leben, das sie nicht lösen können, als eine
Problemlösung akzeptieren, die sie nicht verstehen können.“
258

Verfassen des Berichts
• Schreiben Sie den Bericht für einen bestimmten Leser:
Marketingmanager, die Ihre Ergebnisse nutzen werden.
• Vermeiden Sie Fachjargon.
• Logische Struktur, klare Formulierungen : Schreiben Sie gut
nachvollziehbar.
• Gestalten Sie den Bericht präsentabel und professionell
• Scheiben Sie objektiv: „Sagen Sie es wie es ist.“
• Verstärken Sie den Text mir Tabellen und Grafiken
• Knapp! Der Bericht soll kurz und prägnant sein. Alles Unnötige sollte
ausgelassen werden. Jedoch sollte die Knappheit nicht auf Kosten der
Vollständigkeit erreicht werden.
259

Über den Autor
260
Paul Marx ist Juniorprofessor für Marketing an der Universität Siegen, wo er insb. zu Themen E-Commerce,
Präferenzmessung, Neue Medien, Big Data und Empfehlungssysteme forscht. Er studierte Aero-und-
Hydrodynamik und Management an der Staatlicher Technischen Universität Novosibirsk (Russland). Nach
diesem Studium bekleidete er leitende Positionen im Bereich Marketing. Im 2000 ist er nach Deutschlang
umgezogen, wo er Wirtschaftswissenschaften an der Universität Hannover vertieft studiert hat und Online-
Service für Online-Umfragen eQuestionnaire™ gründete. Paul hat an der Bauhaus-Universität Weimar
promoviert und seine Forschung in verschiedenen führenden internationalen Zeitschriften, u.a. in Journal of
Marketing, veröffentlicht.
Universität Siegen
Juniorprofessur Marketing
57068 Siegen
Germany
T: +49 271 740 30 40
E: paul.marx@uni-siegen.de

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-NoDerivs-Lizenz1, soweit Anderes
nicht explizit angegeben ist. Jede Nutzung oder Verbreitung dieser Präsentation und/oder ihrer Teile erfordert einen
Verweis auf diese Präsentation und explizite Nennung von Paul Marx.
©2016 Paul Marx. All rights reserved.
1
https://creativecommons.org/licenses/by-nc-nd/4.0/deed.de. Die Lizenz gilt nicht für das Bildmaterial.

Grundlagen der Umfrageforschung (Uni Siegen)

Weitere ähnliche Inhalte

Was ist angesagt?

Mehr von Paul Marx

Grundlagen der Umfrageforschung (Uni Siegen)