Download ppt - Wer ist ASKOS?

© ASKOS 08.10.2003

Vortrag für denRegionalabend des BVM Regionalgruppe Bayern

Dr. Christof Schatz

8. Oktober 2003

"Think it easy? Think it easily complex!"

Modelle und Simulation in der Marktforschung

© ASKOS 08.10.2003 Folie 2 "Think it easy? Think it easily complex!"

Wer ist ASKOS?

Moderne Methoden der Simulation und Statistik von den Universitäten, (die leider sonstweithingehend unbekannt sind).

Moderne Methoden der Simulation und Statistik von den Universitäten, (die leider sonstweithingehend unbekannt sind).

Alle Formen von quantitativer Dienstleistung.Wenn's um Zahlen geht - ASKOS.

Alle Formen von quantitativer Dienstleistung.Wenn's um Zahlen geht - ASKOS.

Zahlen undBeratungfür den Kunden:

Deutsche Lufthansa,TUI Group,

Bundesministerien:Arbeit und Gesundheit,

Verband DeutscherRentenver-

sicherungsträger,GEVAS München,

Universität Konstanz,BMW Group

Büro für Analyse, Statistik und Simulationseit 1999

NFO Worldwide

Infratest Sozialforschung

NFO Infratest Wirtschaftsforschung

Kooperation


Einleitung: Wie "think it easy"-Träume im Marktforschungsalltag zerstäuben


Ein Marketing-Leiter fragt: "Wir haben hier ein grünes Gel. Alles, was man damit einschmiert, wiegt 10% weniger. 10 g kosten 100 Euro. Wie und an wen sollen wir es verkaufen?"

Sie sagen: "Think it easy!" Und dann: "Sex sells. Werben Sie mit einer kurvenreichen Blondine dafür."

Wirklich?


Bei Alkoholika, bei Zeitschriften, bei Motorrädern

Sex sells...

aber bei Computern?

aber bei Lebensversicherungen?

aber bei Urlaubsreisen?

aber bei Büchern?

aber bei Wohnungen?

aber bei ...?


Sex Appeal ist nur ein kleiner Puzzlebaustein

Sex

App

eal

LeistungAusstattung

Sicherheit

Preis

Produkt-Image

Hersteller-Image

Qua

lität

HaltbarkeitKomfort

Service

Kundenprogramm

Alter

Geschlecht

Einkommen


Sex Appeal

Leistung

Ausstattung

Sicherheit

Preis

Produkt-Image

Qualität

Haltbarkeit

Komfort

Service

Hoffnung I: Vielleicht sieht das Puzzle ja wenigstens so aus:

Kaufentscheidung


Hoffnung II: Oder so?

Sex Appeal

Leistung

Ausstattung

Sicherheit

Preis

Produkt-Image

Qualität

Haltbarkeit

Komfort

Service

Käufertyp

Alter Geschl. Eink.

Einstell. Beruf Produkt


Doch der Kunde braucht es detaillierter...

Population

Männer Frauen

Männer ABL Männer NBL Frauen ABL Frauen NBL

Segmente,

deskr. Stat.

Cluster 1 Cluster 2 Cluster 3

Typen,Klassifizie-

rung

PM1 PM2 PM3 PM4 PM5

Produkt 1 Produkt 2 Produkt 3 Zusammen-hänge,

ModellstatistikPM=Produktmerkmal

Kaufentscheidung


"Think it easy" ist schon lange vergessen

Die Prognosen stimmen nicht

Mathematische Beziehungen werden missinterpretiert

Unplausible Aussagen im Vergleich zum Erfahrungshintergrund des Kunden

Ergebnis:


Ein reales Beispiel für "think-it-easy-"-Staub und was daraus gewachsen ist


Genanntes Beispiel beruht auf einem realen Projekt, Konzern und Produkt sindaber fiktiv

Kunde: Produktplanungsabteilung eines grossen deutschen Konzerns

Produkte: Computer (fiktiv)

Marktanteil: Über 60%, je nach Marktsegment bis zu 90%

Frage: Wie kann die Produktpalette weiter optimiert werden?

==> Sehr detaillierter Informationsbedarf. "Lohnt es sich, für umsatzstarke Businesskunden, die Stammkunden sind und die einen Workstation-Class-PC mit 19"-LCD-Bildschirm gekauft haben, die Preisdifferenz zum nächststärkeren Prozessor auf0% versus 50% zu senken?"

Zielvorstellung: Umsatzwachstum durch jede Massnahme auf jedem Segment in Euro zu prognostizieren.


Erster Ansatz: Conjoint-StudieErgebnis: Viele Zahlen, aber sie waren nicht nachvollziehbar.Grund: Theoretischer Hintergrund des Kaufentscheidungsprozesses fehlte.==> Scheiterte

Nächster Ansatz: KundenzufriedenheitsstudieErgebnis: Viele Zahlen, aber sie waren alle unplausiblel.Grund: Kaufentscheidungen in diesem Marktbereich nicht immer zufriedenheits-bezogen.==> Scheiterte


Kundenzufriedenheit und beyond

"Think it easy": Ist der Kunde zufrieden, dann kauft er auch. Kundenzufriedenheit = Kaufentscheidung

Aber:

Oft: Nutzer Kaufentscheider Monopoleffekte bei bestimmten Produkten/Produktbereichen

==> Der Kunde ist "Geisel" Rabattierungseffekte durch Stammkundenprogramme Zeitliche Dimension

Strukturbindung


Kundenzufriedenheit plus Strukturbindung (plus Preis) = Kaufentscheidung

Aber was heisst: "Plus"?

==> Einstieg in die Kaufentscheidungspsychologie


Käufertypen und Produkteigenschaften sollen differenziert und psychologischplausibel mit Kundenzufriedenheit (KZ) in Zusammenhang gebracht werden.

Der Zusammenhang zwischen Kundenzufriedenheit, Kaufentscheidung (KE) und Strukturbindung (SB) muss untersucht und dargestellt werden

Die Daten dafür liegen in zwei getrennten Stichproben vora. Stichprobe mit Konzernkunden. Enthält vor allem KZ-Merkmaleb. Stichprobe mit Käufern eines PCs. Enthält vor allem SB-Merkmale.

Aus individuellen Kaufwahrscheinlichkeiten sollen Umsätze geschätzt werden.

Die Statistik soll vor dem Nutzer "abgeschirmt" werden. ==> Benutzerfreundliche Software, die Szenarienrechnungen erlaubt.("Simulation")==> "Wenn KZ mit Merkmal 1 um 10% steigt*, dann steigt der Umsatzum y%".

Dritter Ansatz: Modell- und Simulationsstudie

Anforderungen:


Wie kann man das schaffen?


Drei Arbeitsansätze für die Existenzfrage des Marketings "What shall we do?"

I. "Kreuztabelle" = Häufigkeitsauszählungen und vergleichende Mittelwerte(Deskriptive Statistik)

II. Statistische Modellea. Nur statistische Modelle. Ergebnis: Koeffizienten oder Typen (==> Komplizierte Tabellen...)b. Statistische Modelle und Simulation. Ergebnis: Software. Ein GUI-Tool, in das die Massnahme eingegeben wird und die Wirkung in der Grösse ausgegeben wird, die der Entscheider benötigt.

III. Elementare Modelle. Das Bild vom Kunden und seinen Entscheidungsprozessenwird im Computer konstruiert. ==> Die Vorstellungen von Kaufentscheidungenkönnen angemessen komplex werden.


Modelle sind "Vorstellungen" oder "Bilder" über die Wirklichkeit

Vorstellungen über Typen oder Zusammenhänge werden gebraucht,um Kaufentscheidungsprozesse zu verstehen.==> Aus Kreuztabellen allein lassen sich weder Typen erkennen noch Zusammenhänge!

Zusammenhänge oder Typen muss man kennen, um die eigentlichenFragen des Marktetings beantworten zu können, die Forecasting-Fragen sind: Wie wirkt sich ein Produkt oder eine Massnahme aus?

Ausserdem: Modellstatistik holt aus Daten mehr relevante Informationen heraus. (Modellstatistik ist nicht so "fallzahlhungrig" wie deskr. Statistik)

Wozu Modelle?


Wozu Simulation?

X1 Y

Kann ich verstehen

1X1

X2

X3

Y2

3

Kann ich verstehen

X1

X2

X3

Z1

Z2

Y Wird schon schwierig14

25

35

46

56


X1

X2

X3

Z1

Z2

Y1

14

24 51

25

35

46

46

log

log

Was soll das denn sein ?

Um Zusammenhänge interpretieren zu können, die nicht mehr nur einfach sind, nutzen Koeffiziententabellen nichts mehr:Multikollinearitäten, Nichtlinearitäten, Interaktionseffekte und Prozessketten kann man nicht im Kopf zusammenrechnen.

Y2W(x)Y1(x)dx


Kaufwahrscheinlichkeits-Modell

Kau

fwah

rschein

lichkeit

M30M29

M31

Zufr. Komfort

Wichtigkeitsind.(Frage 13)

Intermediäres ModellDetail-Modell

PCPC

PCPC

PC

PCPC

F42F41

GeschlechtAlter

Firma

LeistungsklasseKaufgrund

PC Umsatz mit uns

Kontrollvariablen

M2M1

M4M3

M4

M6M5

M10M9

M12M11

M13

M15M14

M7 M16M8

Zufriedenheit Service . KundenzufriedenheitSATI, RECO

PCPC

PC…F40_1

F40_12

Leistungsdimensionen

M18M17

M20M19

M21

M23M22

M25M24

M27M26

M28

Zufriedenheit Leistung. .

Preis-bindung

Mon-Bindung

KundP-Bindung

Wiederkauf-bereitschaft REPU

KBI

Strukturchart aus dem realen Projekt (Beschriftungen geändert)


Simulation = "So tun, als ob".

Simulation wird heute (fast) überall angewendet:

Was ist Simulation?

Fahr- und Flugsimulation Verkehrssimulation Wirtschaftssimulation Simulation von naturwissenschaftlichen und technischen Systemen (z.B. auch Wetter) Soziodemographische, soziologische, psycholgische Simulationen Arzt ;-)

Simulation und Statistik:

Daten Statistik Zusammenhänge

Zusammenhänge Simulation Daten


Simulation und Modellstatistik?

Simulationen "rechnen" statistische Modelle durch. Gegeben: Eingangsdaten (real oder fiktiv), Zusammenhänge (statistisch geschätzt)Ermittelt: Ausgangsdaten, d.h. entscheidungsrelevante Grössen

Simulationen kapseln damit die Modelle gegen die Nutzer ab: Der Nutzer muss kein Statistikexperte sein.

Simulationen absorbieren die Komplexität der Beziehungen

"Durchgerechnet" werden kann jede Art von statistischem Modell: Conjoints, LR, LDVR, NLR, Strukturmodelle, Zeitreihenmodelle, Ereignis- und Paneldatenmodelle, Decision Trees, Faktorenanalysen (in Verbindung mit LR), MDS, Cluster- und Diskriminanzmodelle, NN, u.v.m.==> Aber mittels Simulationen können diese Verfahren auch kombiniert werden!


Simulation können noch mehr

Statistischen Fehler jeder Aussage ermitteln

Missing Data schätzen

Latente Variablen schätzen ("Imputing")

Von statistischen Variablen auf operative Variablen umrechnen(Bsp.: Von Bruttoeinkommen auf Nettoeinkommen. Oder: Von Kaufwahrscheinlichkeit auf Umsatz)

Eigendynamische Entwicklungen darstellen (X wirkt auf Y und Y wirkt auf X)

Forecasting von zeitlichen Entwicklungen auf Mikro- und Makroebene


Hurra! Think it easy! Einfach Simulation basteln!????


Ergebnis unseres Beispielprojekts:

Auch der dritte Ansatz "Statische Simulation" scheiterte.

Der Konzern hatte "Vorwissen", dem die Simulationsergebnisse widersprachen.

==> Die Wirkung der Massnahmen war für den Konzern nichtnachvollziehbar, da er die Komplexität des Modells nicht akzeptierte.==> Das Modell war komplex, die Simulation half, aber der K.hatte noch "Think it easy" im Kopf.

Massnahmeszenarien erbrachten unplausible Ergebnisse, wenn"extreme" Massnahmen eingegeben wurde. "Extreme" Massnahmenwaren aber häufig.


Die Simulation hatte keine "Autorität", da sie zwar mathematisch-statistisch nachvollziehbar arbeitete, statistisch valide geschätzt wurde, aber da die Aussagen selbst nicht validiert werden konnten.

Die Software und alle Ergebnisse des Projekts verschwanden in der Schublade.


Ursache: Falscher Denkansatz!

Menschenbild des Konzerns:

==> Er nahm das Modell als Wirklichkeit==> Wollte seine Produkte so optimieren, wie man die Parameter eine Maschine optimiert.

Menschenbild von ASKOS:==> Solche "mechanistischen" Modellestellen lediglich einfache Tendenzen oder Trendsin der Kaufpsychologie dar. Sie können dem Marketingexperten nicht aufder Suche nach dem ultimativen Produkt helfen!

Die Psychologie ist viel komplexer! Beispiel: Mobiltelefone und SMS


Generische "Fehler" im statistischen Modell des Beispiels:

Gleichgewichtsmodell, statisch. Kaufentscheidungen sind aber Prozesse und dynamisch.

Zentrale Grössen, die aus der Psychologie und Soziologie bekannt sind,fehlten. Wichtigste: Das soziale Netzwerk und allgemeiner die gesamte soziale Umwelt des Kunden.

Weithingehend lineares Modell. Die Psychologie ist aber nicht linear,sondern von "Zünd"-Effekten geprägt. Eine "belanglose" Kleinigkeit ändert sich und man entscheidet sich komplett um.

Kaufrationalität kann "unplausibel", d.h. "irrational" sein.Beispiel: Etwas wird fast umsonst angeboten, was man gar nicht braucht.Man kauft es trotzdem, denn es ist ja (fast) umsonst. Ade Rational Choice!


Schritte beim elementaren Modellieren

1. Ein elementares Modell (eine elementare Theorie) bauen

2. Darauf basierend ein statistisches Modell bauen

3. Das statistische Modell testen und schätzen

4. Massnahmen mit dem statistischen Modell simulieren

Lösungsansatz: Elementares Modellieren


Anwendungsgebiete:

Statistische Modelle

Projekte mit kürzerer Laufzeit (<= 2 Jahren)

Ziel: Planzahlen zur generellen Orientierung

Ansprüche an die Qualität der Modelldynamik: Mittel bis gering

Ansprüche an die Validität der Trends: Hoch

Elementares Modellieren

Entwicklung eines Planungsinstruments mit langer Entwicklungsdauer (> 2 Jahre)

Ziel: Lernen, Analysieren, die Dynamik undCharakteristik des Marktes kennenlernen.

Ansprüche an die Qualität der Modelldynamik: Hoch

Ansprüche an die Validität der Trends: Zunächst gering


Wie baut man ein elementares Modell?

Ein elementares Modell beinhaltet alle Grössen, die der Forscher aufgrund seines Wissens als zentral annimmt. Ihre Messbarkeit spielt dabei keine Rolle!Ebenso beinhaltet sie alle zentralen Beziehungen!

Ein elementares Modell muss alltagsvalide sein==> Es muss alle prototypischen bekannten Situationen und Prozesseauf der Personenebene richtig darstellen ("repräsentieren") können.

Daher muss ein elementares Modell eine Mikromodell sein.


Wie formuliert man eine elementares Modell?

Mit Simulationen!

Und zwar s.g. Agentensimulationen - SIMCITY als Arbeitsinstrument!

Produkt

Interaktion,Kommunikation

Agent 1

Interesse

Wissen

Ressourcen

Agent 2

Interesse

Wissen

Ressourcen

Agent 3

Interesse

Wissen

Ressourcen

Käuferpopulation


Agentensimulationen werden in den WW, Soziologie, Psychologie als Instrument zur Theoriekonstruktion eingesetzt.

Die entsprechenden Bereiche arbeiten eng mit der Informatik und derRoboterforschung zusammen.

USA:Santa Fe InstituteNew England Complex Systems InstituteThe Max-Planck-Institute for Research into Economic SystemsAspect-Oriented Programming (AOP) in Xerox Palo Alto Research Center (PARC)Internet Ecologies Area in Xerox Palo Alto Research Center (PARC)The School of Cognitive and Computing Sciences (COGS) in the University of Sussex at BrightonDeutschland:Institut für sozialwissenschaftliche Informatik KoblenzLehrstuhl für Operations Research und Systemtheorie Passau

Zur Programmierung gibt es eigene Sprachen wie MIMOSE , SWARM oder ACE


Ziel: Die künstlichen Käufer in der Computersimulation sollen sich so ähnlichwie möglich zu dem verhalten, was wir als reales Kaufverhalten kennen.

Wahrnehmung von Produkten, Produktinformationen, Anbietern Vertrauensmechanismen Orientierung am Kaufverhalten des anderen Erfahrungen mit dem Produkt/Anbieter Übertragung von Erfahrungen auf andere Produkte/Anbieter Kommunikation von Erfahrungen Bedürfnisweckung, Änderung von Präferenzen Gruppeneffekte, Imagewirkung von Produkten Individuelle ökonomische Charaktere ("Spartyp", "Spielkind") Rahmenbedingungen wie Preis, Kundenprogramme usw.


Ergebnis ohne elementares Modell: Bild des Kunden liegt nur in den Köpfen vor: Segmentiert, simplifiziert, unterschwellig, unlogisch, nicht kommuniziert.

Ergebnis mit elementarem Modell: Bild des Kunden liegt als Software vor: Ganzheitlich , komplex, explizit, logisch, kommuniziert und diskutiert.


Elementares Modell und statistisches Modell: Kein Gegensatz, sondern Äpfel und Birnen: Sie ergänzen sich gegenseitig.

In einem guten längerfristigen Projekt gibt es beides, relativ unverbunden!

Mit Hilfe des EM baut man den Ansatz des SM

Mit Hilfe des EM versucht man die Ergebnisse des SM zu verstehen und/oder zu hinterfragen. Sätze wie "Das erscheint mir aber komisch", "Nein, das kann nicht sein, unsere Kunden sind anders" sind dann keine Sackgasse mehr.


Auftraggeber,Marktforscher

Vorstellungen,Plausibilitäten,Erfahrungen,Vorurteile

Reale Kunden

Statistisches Modell der Kunden

Wirkung von Massnahmen

Elementares Modell der Kunden

Verstehen,beurteilen,hinterfragen,lernen,erweitern

QualitativeStudie

Auswertungen

Virtuelle Daten

realvirtuell

Daten


Integrierte Marktforschung von morgen und übermorgen

Kleine Nebenbemerkung: Von ASKOS können sie dieseschon heute haben...

www.askos.de


...und wo kommen die Millionen her, so etwas zu erstellen?

Irrtum des Top-Down-Planens!

Top-Down-Planung: Alles von oben nach unten durchplanen, bevor man einen einzigen Arbeitsschritt in die Realität umsetzt ==> Keine gute Idee für "Neuland"-Projekte.

Klein anfangen! Investitionen können nur dann sinnvoll geplant werden, wenn man die Sache kennt, in die man investiert. Am Anfang kennt man aber noch nichts.

==> Zuerst reinschnuppern, Workshops veranstalten, eine kleine Agentensimulationen erstellen/lassen (z.B. mit www.agentsheets.com), ein "Gefühl" dafür bekommen, welche Modellierung für den betreffenden Markt und das entsprechende Informationsbedürfnis notwendig wäre.


Zusammenfassung:

"Think it easy" im Sinne von "die Aufgabe ebenso gut lösen, aber weniger kompliziert" ==> OK.

"Think it easy" im Sinne von Vereinfachung ist in der Marktforschung realitätsfern ==> Der Markt, die Kunden, die Anforderungen und die Realität sind komplex.

Man braucht komplexe Vorstellungen von Zusammenhängen und Typen. Die Modellstatistik bietet diese.

Um die Aussagen komplexer Modellstatistik zu verstehen, muss man die Modelle simulieren.

Die modellstatistischen Vorstellungen vom Marktagenten sind starr, einfach und maschinell. Gute Vorstellungen von Marktagenten bekommt man nur mit elementaren Modellen ==> Agentenmodelle und -simulation.

"Think it easy" im Sinne von "die Aufgabe ebenso gut lösen, aber weniger kompliziert" ==> OK.

"Think it easy" im Sinne von Vereinfachung ist in der Marktforschung realitätsfern ==> Der Markt, die Kunden, die Anforderungen und die Realität sind komplex.

Man braucht komplexe Vorstellungen von Zusammenhängen und Typen. Die Modellstatistik bietet diese.

Um die Aussagen komplexer Modellstatistik zu verstehen, muss man die Modelle simulieren.

Die modellstatistischen Vorstellungen vom Marktagenten sind starr, einfach und maschinell. Gute Vorstellungen von Marktagenten bekommt man nur mit elementaren Modellen ==> Agentenmodelle und -simulation.


Beides zusammen ==> Integrierte Forschung

Auf Gebieten, die noch mitten in der F&E stecken ==> Reine Top-Down-Forschung falsch.

Stattdessen in diesem Fall mehr oder nur Extreme Research: Klein anfangen, nichts fest planen, Projekte Schritt für Schritt wachsen lassen.

==> Das Anwenden von Patentrezepten ist fast immer falsch. Erst schauen, dann bauen.

Beides zusammen ==> Integrierte Forschung

Auf Gebieten, die noch mitten in der F&E stecken ==> Reine Top-Down-Forschung falsch.

Stattdessen in diesem Fall mehr oder nur Extreme Research: Klein anfangen, nichts fest planen, Projekte Schritt für Schritt wachsen lassen.

==> Das Anwenden von Patentrezepten ist fast immer falsch. Erst schauen, dann bauen.