Fachartikel

JUL2019
Ausgabe 4/2019, Seite 30 | 19-07-30-1

Bestimmung von Treibertypen mit der Penalty- & Reward-Analyse

Fein austariert

Für die Beeinflussung der Gesamtzufriedenheit ist nicht nur die Treiberstärke, sondern auch der Treibertypus ausschlaggebend. Heiko Schimmelpfennig ist sich sicher, dass die umfangreiche, aber aussagekräftige Penalty- & Reward-Analyse hier das Maß aller Dinge sein kann.
Fachartikel zu \Foto: © Andrei Kukla – fotolia.com, Unternehmen
Treiberanalysen decken die Bedeutung von Teilaspekten für die Gesamtbeurteilung eines Angebots wie beispielsweise der Zufriedenheit auf. Selbst bei wichtigen Treibern führt jedoch nicht immer eine gute Leistung eines Treibers zu einem positiven und eine schlechte Leistung zu einem negativen Gesamturteil. Einige Treiber erzeugen nur Unzufriedenheit, wenn die Leistung schlecht ist, aber keine Zufriedenheit bei guten Leistungen. Andere dagegen bewirken nur Zufriedenheit, aber keine Unzufriedenheit. Die Teilaspekte lassen sich insofern einteilen in die von Kano bekannten Linearen, Basis- und Begeisterungstreiber. Erst mit Kenntnis sowohl der Bedeutung – der Treiberstärke – als auch des Typs des Treibers können Entscheidungen über Maßnahmen zur Verbesserung der Gesamtbeurteilung fundiert getroffen werden. Es existieren inzwischen viele Ansätze, um auf Basis der Gesamtbeurteilung und der Teilaspekte die Treiberstärke implizit zu bestimmen. Ein immer mehr in den Fokus rückendes Verfahren ist die Penalty- & Reward-Analyse, die zusätzlich die Bestimmung der Treibertypen ohne weiteren Erhebungsaufwand ermöglicht.


Bestrafung und Belohnung im Verhältnis

Äußern sich gute (schlechte) Leistungen eines Teilaspekts in einer guten (schlechten) Gesamtbeurteilung, werden diese somit „belohnt“ („bestraft“). Das Verhältnis zwischen dem Ausmaß der Bestrafung (Penalty) und der Belohnung (Reward) ist maßgeblich für die Art des Treibers. Überwiegt die Bestrafung, handelt es sich um einen Basistreiber, überwiegt die Belohnung, um einen Begeisterungstreiber. Unterscheiden sich Penalty und Reward nicht deutlich voneinander, liegt ein Linearer Treiber vor. Einheitliche Grenzwerte für das Verhältnis zur Klassifizierung der Treiber gibt es jedoch nicht. Aus der Relation der Summe von Penalty und Reward eines Treibers zu der Höhe der Summen der übrigen Treiber lässt sich ferner dessen relative Wichtigkeit ableiten.


Penalty- & Reward-Analyse eines Online-Shops

Abbildung 1 zeigt den Ergebnisausschnitt einer Penalty- & Reward-Analyse für 38 Treiber der Zufriedenheit mit einem Online-Shop. Penalty (rot) und Reward (grün) sind so normiert, dass sie in der Summe über alle Treiber 100 ergeben. Übersichtlichkeit und Design sind die bedeutendsten Treiber. Zwar ist Penalty höher als Reward, gute Übersichtlichkeit und gutes Design werden aber auch sichtlich belohnt, sodass sie als Lineare Treiber einzuordnen sind. Orientierung ist wichtig und zudem ein Basistreiber: Gute Orientierung wird vorausgesetzt. Angaben zur Verfügbarkeit werden nicht bestraft, wenn sie fehlen. Sie sind Begeisterungstreiber. Die Flexibilität bei Ratenzahlungen ist zwar ein Basistreiber, ihre relative Bedeutung ist aber so gering, dass ein Fehlen kaum zu Unzufriedenheit führen wird. Die Anzeige von Testurteilen besitzt keinen Einfluss auf die Zufriedenheit.

Methodischer Hintergrund: Shapley Values

Beurteilungen von Teilaspekten hängen zumeist miteinander zusammen, das heißt, es liegt Multikollinearität vor. Wird eine gewöhnliche Regressionsanalyse für die Treiberanalyse eingesetzt, führt dies zu verzerrten Ergebnissen. Gibt es beispielsweise zwei Treiber, die sehr eng zusammenhängen, wäre zu erwarten, dass ihre Bedeutung für die Gesamtbeurteilung sehr ähnlich ist. Ergebnis der Regressionsanalyse mit den Treibern als unabhängige und der Gesamtbeurteilung als abhängige Variable ist jedoch, dass nur der Treiber, der ein wenig stärker mit der Gesamtbeurteilung korreliert, wichtig für die Gesamtbeurteilung ist.
Einen Ausweg zeigt das aus der Spieltheorie stammende Konzept der Shapley Values, das auch bei Regressionsanalysen verwendet wird. Der Shapley Value und damit die relative Wichtigkeit eines Treibers basiert auf der Differenz der Bestimmtheitsmaße R² eines Modells mit diesem Treiber und des Modells ohne diesen Treiber. Betrachtet wird diese Differenz jedoch nicht nur für das Modell mit allen untersuchten Treibern, sondern für alle möglichen Teilmengen, die diesen Treiber enthalten. Im Fall von drei Treibern A, B und C sind demnach beispielsweise für den Shapley Value von Treiber A die Differenzen R²(A,B,C) – R²(B,C), R²(A,B) – R²(B), R²(A,C) – R²(C) und R²(A) – 0 zu bestimmen und schließlich zu aggregieren. Dieses Vorgehen wird als Shapley-Value-Regression bezeichnet. Sie liefert aber nur Informationen zur Treiberstärke.


Bestimmung von Penalty und Reward

Ausgangspunkt der Penalty- & Reward-Analyse ist die Aufteilung der Befragten in eine Gruppe mit guter Gesamtbeurteilung, zum Beispiel die Zufriedenen, und eine Gruppe mit schlechter Gesamtbeurteilung, etwa die Unzufriedenen. Sie ist somit universell einsetzbar – gleichgültig ob die Gesamtbeurteilung und/oder Treiber skaliert oder dichotom erhoben wurden. Der Shapley Value für einen Treiber wird analog zur Shapley-Value-Regression bestimmt, indem an die Stelle des Bestimmtheitsmaßes die Reichweite tritt. Für die Bestimmung des Reward (Penalty) entspricht diese dem Anteil der Befragten einer Gruppe, für die mindestens ein Treiber einer Teilmenge eine gute (schlechte) Leistung bietet.


Fragmentierung der Analyse

Da alle möglichen Teilmengen der Treiber betrachtet werden müssen, ist die Penalty- & Reward-Analyse sehr rechenintensiv. Die Berechnung für das dargestellte Beispiel dauerte einen Monat. Mit jedem weiteren Treiber steigt die Rechenzeit überproportional an. Um diese zu verkürzen, kann die Analyse in mehrere kleinere zerlegt werden. Bei der Auswahl der Treiber einer Teilanalyse ist zu berücksichtigen, dass jeder Treiber wie auch Kombinationen von zwei Treibern über alle Teilanalysen möglichst gleichmäßig vorkommen. Bereits nach wenigen Stunden erhält man das Ergebnis, wenn sich die Teilanalysen aus jeweils 27 Treibern zusammensetzen. Die Korrelation der relativen Bedeutungen der 38 Treiber zwischen der Analyse mit allen Treibern gemeinsam und der mit zehn Teil-Analysen à 27 Treiber beträgt 0,991 und unterstreicht die Güte dieser Vorgehensweise. Mit jeweils 22 Treibern erhält man das Ergebnis im Grunde sofort und die Korrelation zu den relativen Bedeutungen der Analyse mit allen Treibern beträgt dennoch beachtliche 0,984. Die Auswahl der Treiber lässt sich weiter verfeinern, indem jene, die sich in Penalty und Reward von Teilanalyse zu Teilanalyse mehr unterscheiden als andere, in weiteren bevorzugt berücksichtigt werden, um ein noch stabileres Ergebnis zu erzielen. Mit der Fragmentierung ist die Penalty- & Reward-Analyse auch für Fragestellungen anwendbar, für die sie bislang aufgrund zu langer Rechenzeiten von vornherein ausgeschlossen wurde. ■
Prof. Dr. Heiko Schimmelpfennig ist Projektleiter für Data Sciences bei IfaD sowie Professor für Betriebswirtschaftslehre an der University of Applied Sciences Europe. Er ist bei IfaD schwerpunktmäßig für die Beratung, Anwendung und Schulung multivariater Verfahren verantwortlich und vertritt in der Lehre das Gebiet der Quantitativen Methoden der Wirtschaftswissenschaft.
www.ifad.de

 


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