Fachartikel

SEP2018
Ausgabe 5/2018, Seite 50 | 18-09-50-1

Aussichten für morgen

Ein Simulator zur Vorhersage von Markenpräferenz

Markenwahrnehmung, Markenwert und Umsatz hängen eng zusammen. Wichtig ist, die Treiber der Markenpräferenz auszuloten. Wie Predictive Analytics dabei helfen kann, weiß Albrecht Küfner und stellt einen Simulator vor.
Ein Simulator zur Vorhersage von Markenpräferenz
+
Abb. 1 Der Weg zum Markenpräferenz-SimulatorFoto: © rudall30 – Fotolia.com, FactWorks
In einer zunehmend globalisierten und vernetzten Welt, in der Informationen und Meinungen ungefiltert und immer schneller auf uns einwirken, können selbst kleine Veränderungen in der Wahrnehmung von Marken entscheidende Konsequenzen für den Markenwert und die Umsätze eines Unternehmens bedeuten. Gleichzeitig wird Markenbildung in den meisten Branchen immer wichtiger, um sich vom Wettbewerb abzuheben und wiedererkennbar zu machen. Geeignete Marketinginstrumente auszuwählen, ist wegen der zunehmenden Möglichkeiten jedoch schwierig. Marketingmaßnahmen auf die tatsächlichen Treiber von Markenpräferenz zu optimieren, ist eine zentrale Herausforderung für Unternehmensentscheider – der Ruf nach effektiven Investitionsentscheidungen wird lauter.

Präzise Vorhersagen

Die klassische Marktforschung kann hier nur bedingt Abhilfe schaffen. Herkömmliche Analyseansätze mithilfe multivariater Treibermodelle können den relativen Einfluss von Markentreibern bestimmen. Wo sie jedoch häufig an ihre Grenzen stoßen, ist die Vorhersage, wie sich Investitionen in die Optimierung der Wahrnehmung einzelner Einflussfaktoren auf Zielgrößen wie Markenpräferenz auswirken werden. Für eine effektive Maßnahmen- und Budgetplanung sind möglichst präzise Vorhersagen über den zu erwartenden Einfluss auf die Marke aber entscheidend. Hier kann Predictive Analytics dabei helfen, Prognosen basierend auf statistischen Modellen und soliden Datengrundlagen zu treffen. Für einen globalen Konzern aus der Finanzdienstleistungsbranche, der genau vor dieser Herausforderung stand, haben wir eine Synthese aus klassischer Online-Studie mit Treiberanalyse und Predictive Analytics durchgeführt. Ziel dabei war es, den Einfluss einzelner Markentreiber auf die Markenpräferenz möglichst präzise vorherzusagen und dabei eine handhabbare Lösung für die Nutzung des Modells in Marketing-Teams für die unternehmerische Praxis zu schaffen. Entstanden ist ein Excel-Simulator, der es ermöglicht, Vorhersagen über den konkreten Einfluss einzelner Markentreiber auf Markenpräferenz zu treffen (Abb. 1 siehe oben).

Einflussreiche Kerngröße

Die Markentreiberanalyse führten wir mithilfe einer Online-Studie in über 20 Ländern durch. In dem kompetitiven Umfeld unseres Kunden entschied sich die Unternehmensleitung dafür, die Markenpräferenz als Kerngröße mit großem Einfluss auf Nutzerverhalten und damit Unternehmensgewinn, zu messen. Neben der Messung dieser Zielgröße erfragten wir für verschiedenste Eigenschaften von Marken (etwa Nutzerfreundlichkeit oder Datensicherheit) die Zustimmung für unsere Kernmarke sowie für globale Wettbewerber. Mit Hilfe dieser Daten konnten wir, neben einer deskriptiven Performance-Analyse, die Einflussstärke der einzelnen Markeneigenschaften berechnen. Die anonymisierten Daten der Umfrageteilnehmer wurden in den Excel-Simulator eingebettet und geben als Startwert für jede Simulation die derzeitige Performance der einzelnen Treiber und der generellen Markenpräferenz an.

Abb. 2 (Factworks)

Die Vorhersagegüte einschätzen

Für Treiberanalysen gibt es unzählige methodische Möglichkeiten in der Berechnung. Entscheidend ist hier zum einen die Unterscheidung in wichtigere und weniger wichtige Einflussgrößen auf die Markenpräferenz und zum anderen die genaue Vorhersage von Markenpräferenz. Um eine möglichst hohe Genauigkeit in der Vorhersage tatsächlicher Markenpräferenz zu erreichen, beabsichtigten wir, eine relativ neue Methode anzuwenden, die über verschiedene Anwendungsszenarien hinweg in der aktuellen Forschungslandschaft und Praxis gute Ergebnisse liefert. Hier galt es einzuschätzen, wie viel höher die Vorhersagegüte im Vergleich zu etablierten Verfahren ist. Daher haben wir die Ergebnisse mit einem weniger komplexen Standardverfahren verglichen. In unserem Fall stellten wir eine Random-Forest-Vorhersage einer ordinalen logistischen Regression (Proportional Odds) gegenüber (Abb. 2). Der Vergleich zeigte, dass Random Forest die Präferenz für unsere Marke kaum besser vorhersagen konnte. Die Vorteile in Hinblick auf verschiedene Genauigkeitsparameter waren klein, sodass wir uns dafür entschieden, das Standardverfahren zu implementieren, nicht zuletzt aufgrund der Anwendbarkeit auf Individualebene und der einfachen Einbindung in Excel. Um eine tatsächliche Simulation zu ermöglichen, fehlte – neben den tatsächlichen Daten für die Treibervariablen und die Markenpräferenz selbst – noch die Simulation. Über ein VBA-Makro wurden die Ausprägungen der Treiber randomisiert geändert und über die hinterlegten Formeln der Regression die simulierte Markenpräferenz gemessen.

 

Abb. 3 (Factworks)

Anwenderfreundliche Oberfläche

Abschließend wurde das sogenannte Frontend des Simulators gestaltet – die Benutzeroberfläche also, mit der unser Kunde letztendlich agieren soll (Abb. 3). Hierfür erstellten wir ein Tabellenblatt, das die einzelnen Markentreiber und deren Performance darstellt. Eine weitere Spalte dient der eigentlichen Simulation – diese ermöglicht es dem Anwender, die Performance-Werte für Treiber-Variablen nach möglichen Marketingmaßnahmen anzupassen. Nach dem Start der Simulation werden im Hintergrund randomisierte Einzelfälle so geändert, dass sie den eingegebenen Werten entsprechen und der Effekt auf die Markenpräferenz sichtbar wird. So kann der Anwender des Simulators einfach mit verschiedenen Marketingmaßnahmen experimentieren und eine Einschätzung erhalten, mit welchem Einfluss auf die Markenpräferenz
zu rechnen sein wird.

Vielseitig im Einsatz

Der fertige Simulator fand breite Nutzung im Konzern – über verschiedenste Abteilungen hinweg. Auch wurde das Modell vom Kunden nach Ende der Studie sogar noch erweitert und die Markentreiber-Studie auf zahlreiche weitere Länder ausgeweitet. Die Vorteile des Simulators liegen für den Kunden klar auf der Hand: Das Tool besitzt die Leistungs- und Vorhersagekraft eines Predictive- Analytics-Modells, es ist breit anwendbar und einfach zu bedienen. Somit ist der Simulator nicht nur für Methodenexperten, sondern auch für Entscheidungsträger und Marketing-Teams praktikabel. ■
Dr. Albrecht Küfner ist Director bei FactWorks, Berlin. In dieser Funktion leitet er Kundenprojekte aus den Bereichen ICT, E-Commerce und Financial Services. Für FactWorks schlägt Küfner die Brücke zwischen quantitativer Marktforschung und Predictive Analytics und vereint in seinen Projekten das Beste aus beiden Welten. Als promovierter Psychologe hat er bereits in mehreren Peer-Review-Magazinen publiziert.
www.factworks.com

 
Diese Webseite verwendet Cookies. Cookies ermöglichen uns zu verstehen, wie Besucher unsere Webseite nutzen, damit wir sie verbessern und Ihnen das bestmögliche Erlebnis bieten können. Durch den Besuch unserer Website stimmen Sie der Verwendung von Cookies zu. Durch die Cookie-Einstellungen Ihres Internet-Browsers können Sie die Verwendung von Cookies blockieren. Weitere Informationen finden Sie unter Datenschutz.
akzeptieren