WIRTSCHAFTSINFORMATIK Westfälische Wilhelms-Universität Münster WIRTSCHAFTS INFORMATIK Methoden zur Identifizierung von Nutzerpräferenzen bei LBS Location-Based-Service

WIR

TS

CH

AF

TS

INF

OR

MA

TIK

WestfälischeWilhelms-Universität Münster

WIRTSCHAFTSINFORMATIK

Methoden zur Identifizierung Methoden zur Identifizierung von Nutzerpräferenzen von Nutzerpräferenzen

bei LBSbei LBS

Location-Based-Service - SeminarLocation-Based-Service - Seminar

2006-07-062006-07-06Christian LückeChristian Lücke

2


GliederungGliederung

1. Einführung Aktuelle Hinderungsgründe für die Nutzung von LBS

Besonderheiten von LBS

2. Grundlagen der Marktforschung Datenerhebung

Skalen

3. Einordnung und Vorstellung der Methoden Einordnung der Verfahren

Kurzvorstellung der Verfahren und Beurteilung

4. Fazit und Literaturquellen

3


1. Studie zu Hinderungsgründen 1. Studie zu Hinderungsgründen von LBS-Angebotenvon LBS-Angeboten

Studie an Frankfurter Universität bei Studenten des Vertiefungsfaches M-Commerce zu bestehenden LBS-Angeboten

26,40%

17,00%

15,10%

3,80%

7,50%

43,40%

0,00% 5,00% 10,00% 15,00% 20,00% 25,00% 30,00% 35,00% 40,00% 45,00% 50,00%

kein Bedarf

zu teuer

kein passender Dienst

Datenschutzbedenken

zu kompliziert

kein passendes Display

Quelle: Universität Frankfurt 08/2005

Vermutete Probleme nicht relevant: 8% „zu kompliziert“ 4% „kein passendes Display“

Hauptprobleme: 43% „kein Bedarf“ 26% „zu teuer“

4


Besonderheiten von LBS (1/2)Besonderheiten von LBS (1/2)

Technische Besonderheiten Infrastruktur

Hohe Kompatibilität zu Endgeräten

Zusammenführung von Anbietern zu integriertem Service

Dienstleistungsspezifische Besonderheiten: Generelle Probleme:

Immaterialität Bereitstellungs- und Vorhaltekosten

5


Besonderheiten von LBS (2/2)Besonderheiten von LBS (2/2)

Vom Unternehmen geplantes Serviceangebot

Kunden-erwartungen

an das Serviceangebot

Tatsächliches Serviceangebot

Beobachtete Zufriedenheitslücke

Integration des externen Faktors Aktivierung/Freischalten des Service Installation durch Kunden Fehlende Testmöglichkeiten Problem der Transaktionskosten

Skepsis durch „First-Generation“-Services

„Zufriedenheitslücke“:

Weitere Dienstleistungsspezifische Besonderheiten:

Quelle: Meffert Dienstleistungsmarketing

6


2. Grundlagen der „MaFo“2. Grundlagen der „MaFo“

Maßgebliche Entwicklung der Marktforschung (MaFo)nach 2. Weltkrieg in Deutschland

Das führendes deutsche Unternehmen:

Untenehmensdaten: Ca. 1 Mrd. Umsatz in 2005 Davon 81%

für Konsumgüterforschung45% Industrie, 21% Medien, 15% Handel

Rest: 6% B2B, 7% Staat, 6% Sonstige StudienQuelle: GfK

7


Datenerhebung (1/2)Datenerhebung (1/2)

Primärerhebung

Art der Erhebung

einmalig Befragung

Experimente

Beobachtungen

Zufallsauswahl

Bewusste Auswahl

Häufigkeit der Erhebung

Auswahl der Zielgruppe

wiederholend

Aufteilung in Primär- und Sekundärerhebung: Die Primärerhebung:

Die kontextabhängige, individuelle Datenerhebung

i.Anl. Backhaus, K.

8


Datenerhebung (2/2)Datenerhebung (2/2)

Sekundärerhebung: Keine unmittelbare Datenerhebung!

Aus unternehmensinternen Quellen Umsatzstatistiken, Daten der KLR, Kundendienstberichte,

Aus unternehmensexternen Quellen Amtliche Statistiken Veröffentlichte Studien Öffentliche Datenarchive

9


SkalenSkalen

„Meßlatte“ Transformation von Skalen

ist nur auf niedere Skalen möglich

Führt zu Verlust von Informationen

NiedrigesSkalennivea

HohesSkalennivea

10


3. Einordnung der Methoden3. Einordnung der Methoden

Varianzanalyse

Regressionsanalyse

Diskriminanzanalyse

Conjointanalyse

Faktorenanalyse

ClusteranalyseNeuronale Netze

Mean-End-Chains

Kreuztabellierung

Kontingenzanalyse

Strukturengleichungsmodelle

Logistische Regression

Multidimensionale Skalierung

Korrespondenzanalyse

Auszug aus der Menge an multivariaten Verfahren: Beschränkung auf wesentliche Methoden:

11



Varianzanalyse

Regressionsanalyse

Diskriminanzanalyse

Conjointanalyse

Faktorenanalyse


Mean-End-Chains

Kreuztabellierung

Kontingenzanalyse

Strukturengleichungsmodelle

Logistische Regression

Multidimensionale Skalierung

Korrespondenzanalyse

Beschränkung auf wesentliche Methoden:

12



Varianzanalyse

Regressionsanalyse

Diskriminanzanalyse

Conjointanalyse

Faktorenanalyse


Mean-End-Chains

Multivariate Analyseverfahren

Strukturen-prüfende Verfahren

Strukturen-entdeckende Verfahren

- Regressionsanalyse

- Varianzanalyse

- Diskriminanzanalyse

- Conjoint-Analyse

- Faktorenanalyse

- Clusteranalyse

- Neuronale Netze

- Mean-End-Chains

13


Übersicht:Übersicht:




- Regression- Varianz- Diskriminanz

-Conjointanalyse

- Faktorenanalyse

- Clusteranalyse

- Neuronale Netze

- Mean-End-Chains

Skalenniveau

Unabhängige Variable

Metrisch Nominal

-Regressions- -Varianzanalyse

Metrisch analyse

Skalenniveau

Abhängige -Diskriminanz-

Variable Nominal analyse

Zusätzliche Einteilung

innerhalb der Strukturen-Prüfenden-Methoden:

14


RegressionsanalyseRegressionsanalyse




- Regression

- Varianzanalyse


- Conjoint-Analyse

- Faktorenanalyse

- Clusteranalyse

- Neuronale Netze

- Mean-end-Chains

Verfahren: Eine metrische abh. Variable

+

eine (evt. mehrere) metrische unabh. Variable

Beschreibung und Erklärung von Zusammenhängen Ursache-Wirkungsbeziehungen („je-desto“) + Einfache Datenerhebung - Problem: Finden der richtigen Regressionsgraden!

Bsp: „Einfluss von Preis, Leistungsumfang, Schnelligkeit, Usability auf die Absatzmenge eines Service“

15


VarianzanalyseVarianzanalyse





-Conjointanalyse

- Faktorenanalyse

- Clusteranalyse

- Neuronale Netze

- Mean-End-Chains

Skalenniveau


Metrisch Nominal


Metrisch analyse

Skalenniveau



16


VarianzanalyseVarianzanalyse





- Varianz


- Conjoint-Analyse

- Faktorenanalyse

- Clusteranalyse

-Neuronale Netze

- Mean-End-Chains

Verfahren:

Eine metrische abh. Variable

+

eine (evt. mehrere) nominale unabh. Variable Beschreibung und Erklärung von Zusammenhängen Unabhängige Variable kann nur „0/1“-Ausprägungen zeigen + Trotz einfacher Befragung sind gute Analysen möglich - Nur Tatsache von Zusammenhängen,

nicht dessen Stärke wird ermittelt

Bsp: „Besitzer teurer Handys (metrisch) nutzen öfter LBS-Dienste (nominal: Ja/Nein)

17


DiskriminanzanalyseDiskriminanzanalyse





-Conjointanalyse

- Faktorenanalyse

- Clusteranalyse

- Neuronale Netze

- Mean-End-Chains

Skalenniveau


Metrisch Nominal


Metrisch analyse

Skalenniveau



18


DiskriminanzanalyseDiskriminanzanalyse





- Varianzanalyse

- Diskriminanz

- Conjoint-Analyse

- Faktorenanalyse

- Clusteranalyse

- Neuronale Netze

- Mean-End-Chains

Verfahren: Eine nominale abh. Variable

+

eine (evt. mehrere) metrische unabh. Variable

Analyse von Gruppenunterschieden und bildet Prognosen für Klassenzugehörigkeit von Elementen

„Lineare Trennformel“: Abstände zwischen zwei Gruppen „Max!“ und Diskrimanzen innerhalb einer Gruppe „Min!“

+ Besonders in Kombi mit Clusteranalyse sind Cross-Selling Potentiale zu entdecken

Bsp: Preisbereitschaft

Häufigkeit

Navi-Anfragetyp

„Private“-User (0/1)

„Business“-User (0/1)

19


Conjoint AnalyseConjoint Analyse





- Varianzanalyse


- Conjoint

- Faktorenanalyse

- Clusteranalyse

- Neuronale Netze

- Mean-End-Chains

Annahme: Summe der Teilnutzen = Gesamtnutzen

Verfahren: Kombination mehrerer Merkmale eines Produktes auf verschiedenen Karten, die vom Probanden in Reihenfolge des Nutzens sortiert werden sollen.

+ Aufdeckung von Einzelbeiträgen zu Gesamtproduktnutzen + Möglichkeit der Teilnutzenbestimmung - Annahme aus Nutzentheorie: Kunde würden jede vorgestellte

Kombination kaufen Bsp.: 2 Merkmale mit 2 Ausprägungen:

Karte 1Navi-route:

Schnell

Schön

Karte 2Navi-route:

Schnell

Standard

Karte 3Navi-route:

Langsam

Schön

Karte 4Navi-route:

Langsam

Standard

Bitte Sortieren!

20


Faktorenanalyse(1/2)Faktorenanalyse(1/2)





- Varianzanalyse


-Conjointanalyse

- Faktoren

- Clusteranalyse

- Neuronale Netze

- Mean-End-Chains

Neben den unmittelbaren Wirkungen einzelner Variablen, gibt es noch zusätzliche Interdependenzen:

Verfahren: Bündelung einzelner Variablen zu gemeinsamen Faktoren Regression liefert bei Interdependenzen fehlerhafte Ergebnisse,

daher Nutzung der Faktorenanalyse

Bsp: Variable: „Kundenfreundlichkeit“, „Reparaturservice“, „Aboservice“ lassen sich zu Faktor „Service-Paket“ zusammenfassen

„Kundenfreunlichkeit“

„Installationshilfe“

„Abo-Service“

„Service“ Paket

21


Faktorenanalyse(2/2)Faktorenanalyse(2/2)





- Varianzanalyse


-Conjointanalyse

- Faktoren

- Clusteranalyse

- Neuronale Netze

- Mean-End-Chains

Zusätzliche Möglichkeit der räumlichen Anordnung von eigenen und Wettbewerbs-produkten zur Überprüfung der systematischen Eingliederung:

Hoher Preis

Umfangreicher Service

Niedriger Preis

Kaum Service

„Unser Produkt“

22


ClusteranalyseClusteranalyse





- Varianzanalyse


-Conjointanalyse

- Faktorenanalyse

- Cluster

- Neuronale Netze

- Mean-End-Chains

Verfahren: Aufteilung einer Stichprobe in zuvor ausgewählte Teilgruppen.

Ziel: Entdeckung von Ähnlichkeitsstrukturen, zuverlässige Einteilung von Kunden zu Kundenclustern

+ Gutes Verfahren zur segmentierten Marktbearbeitung + ermöglicht die Aufgliederung in Teilgruppen, mit besonderen

Nutzerpräferenzen - Schwierigere Datenerfassung bei immateriellen Services Bsp.: Aufteilung der Stichprobenkunden:

„enttäuschte Kunden“

„zufriednene Kunden“

„preissensible Kunden“

Stichprobe mit Kunden

23


Neuronale NetzeNeuronale Netze





- Varianzanalyse


-Conjointanalyse

- Faktorenanalyse

- Clusteranalyse

-Neur. Netze

- Mean-End-Chains

Verfahren: Klassifikation von Objekten und Prognose von Zuständen Ziel: Erkennung von komplexen Zusammenhängen zwischen den

Variablen Ähnelt Clusteranalyse, aber funktioniert auch noch bei schlecht

strukturierten Daten mit starken Interdependenzen - Sehr aufwendig: Netze müssen erst „Lernen“ + Datenanalyse aus Logdaten von LBS könnten neue Services

auffinden (Cross-Selling) Bsp.: Kunde, der Navigation zu Adresse und Hotel-Buchung möchte,

könnte auch noch ein bestimmtes Restaurant benötigen

Navi-Anfrage

Hotel-Buchung

Zusatzdienst:Restaurant EmpfehlungKunde Prognose:

24


Mean-End-ChainsMean-End-Chains





- Varianzanalyse


-Conjointanalyse

- Faktorenanalyse

- Clusteranalyse

- Neuronale Netze

-Mean-End-C.

Verfahren: Spezielle Interview-Technik zum Erschließen von neuen hintergründigen Nutzer-Werten

Ziel: Verfahren zum Erschließen neuer Nutzerwerte aufgrund von erfragten bestehenden Werten

Einsatz von „W-Fragen“ zur Zielerreichung

- Aufwendiges Verfahren (Zeit, Koordination) + Aufdeckung neuer Werte / Nutzerpräferenzen

Ausführliche Darstellung folgt im Anschluss!

25


FazitFazit




Regressionsanalyse

Varianzanalyse

Diskriminanzanalyse

Conjointanalyse

Faktorenanalyse

Clusteranalyse

Neuronale Netze

Mean-End-Chains

Große Anzahl von Verfahren für unterschiedlichen Methoden

Einordnung als erster Schritt Es gibt nicht das „Allheilmittel“ Verfahren sollen mehr als unterschiedliche „Tools“

eines Werkzeugsortiments gesehen werden

26


Vielen Dank!Vielen Dank!

Literaturquellen: Zu den Verfahren:

Backhaus, K., Erichson, B., Plinke, W., Weiber, R.:

Multivariate Analysemethoden, 11. Aufl., Berlin 2006 Weis, H., Steinmetz, P.: Marktforschung, 6. Aufl., Ludwigshafen

2005 Berekoven, L., Eckert, W., Ellenrieder, P.: Marktforschung, 10. Aufl.,

Wiesbaden 2006 Hammann, P., Erichson, B.: Marktforschung, 5. Aufl. 2006

Ergänzend: Meffert, H., Bruhn, M.: Dienstleistungsmarketing, 5. Aufl., Wiesbaden

2006 Meffert, H.: Marketing, 9. Aufl. Wiesbaden 2000

Documents

WIRTSCHAFTSINFORMATIK Westfälische Wilhelms-Universität Münster WIRTSCHAFTS INFORMATIK Methoden zur Identifizierung von Nutzerpräferenzen bei LBS Location-Based-Service