Fachartikel

JUL2019
Ausgabe 4/2019, Seite 24 | 19-07-24-1

Prognosen durch Schätzung, Gruppierung und Gewichtung: Multilevel Regression and Post-Stratification (MRP)

Wie funktioniert eigentlich MRP?

Für erfolgreiche Marketingkampagnen ist es oft nötig, die Markenbekanntheit für spezifische Zielgruppen zu messen. Welche Vorteile kann MRP dabei gegenüber traditionellem Brand Tracking bieten? Frederick DeVeaux und Korbinian Kuusisto erklären die Methode und vergleichen sie mit traditionellem Brand Tracking.
Fachartikel zu \\\Foto: © master1305 – fotolia.com
Den Erfolg von Marketingkampagnen mit traditionellen Methoden zu messen, kann schwierig sein, insbesondere wenn es darum geht, die Meinung sehr kleiner Gruppen in der Bevölkerung korrekt zu erfassen: je spezifischer die Zielgruppen, desto unzuverlässiger die Ergebnisse. Innovative Methoden versuchen, diesen Kompromiss zwischen Detail und Qualität zu überwinden.


MRP – eine Methode, drei Teile

MRP, auch Mr. P genannt, steht für „Multilevel regression and post-stratification“. In den USA wird diese Methode derzeit zumeist für Wahlprognosen verwendet. Ihre Bekanntheit erhielt sie durch die Veröffentlichung des Artikels „Forecasting elections with non-representative polls“ in der Fachzeitschrift „International Journal of Forecasting“. Hier schafften es die Autoren, die US-Präsidentschaftswahl 2012 für alle 50 US-Bundesstaaten zu prognostizieren, ohne tatsächlich repräsentative Stichproben aus jedem Bundesstaat zu erheben.

1. Regression: Modell als Basis
MRP ist im Kern eine modellbasierte Methode, mit der die Antworten in einer Umfrage geschätzt werden können. Zunächst misst man die Beziehung zwischen den Merkmalen der Befragten (zum Beispiel Demographie) und deren Antworten auf bestimmte Fragen der Umfrage. Hieraus ergibt sich ein Modell, das Schätzungen unter Berücksichtigung einer Reihe von Merkmalen erstellt. Einfacher ausgedrückt: Für jede relevante Zielgruppe gibt das Modell Auskunft darüber, wie sie eine Umfrage beantworten würde. Das ist der „Regression“-Teil.

2. Multilevel: Gruppierung
Der „Multilevel“-Teil wird verwendet, um die Merkmale der Befragten in Gruppen zu organisieren. Dies ist oft notwendig, um deren Beziehungen, die Interaktion der Variablen im realen Leben besser erfassen zu können. Ein Beispiel für eine gemeinsame Ebene für die Gruppierung ist „Land“. Das Modell misst, ob die Merkmale der Befragten je nach Land unterschiedliche Beziehungen zu den Variablen aufweisen.

3. Post-Stratification: gewichteter Durchschnitt
Zu guter Letzt kommt der „Post-Stratification“-Teil. Da das Modell die Antwort für jeden Typ an Befragten schätzt, besteht der letzte erforderliche Schritt darin, gewichtete Durchschnittswerte aller Schätzungen zu bilden. Der gewichtete Durchschnitt wird verwendet, um sicherzustellen, dass die Ergebnisse für die Antworten einer Personengruppe die richtigen Proportionen der Bevölkerung im realen Leben abbilden.


Traditionelles Brand Tracking

Stellen Sie sich vor, ein Unternehmen für Craft-Bier bereitet sich auf eine Marketingkampagne vor. Um die Bekanntheit von Marke und Produkt zu steigern, will es herausfinden, ob die Kampagne tatsächlich funktionieren wird. Es verwendet hierzu möglicherweise die wohl geläufigste Methode der traditionellen Marktforschung: die Quotenerhebung. Es führt einmal monatlich eine landesweit repräsentative Umfrage mit einer Stichprobengröße von 1000 Befragten durch. Aus dieser monatlichen Stichprobe lässt sich leicht ein Gesamtbild der Markenbekanntheit für die allgemeine Bevölkerung gewinnen.
Nehmen wir jedoch an, dass die Kampagne speziell für technisch versierte, fußballspielende Millennials konzipiert ist. Um die Meinungen dieser Zielgruppe zu messen, wird die Stichprobe zerlegt. Im Datensatz befinden sich 300 technisch Versierte, 400 Millennials und 150 Fußballspieler. Am Ende identifiziert es die 20 Befragten in der Stichprobe, die Teil der Zielgruppe sind (Abb. 1). Bei einer so kleinen Gruppe wird der Kompromiss zwischen Detail und Qualität deutlich: Die Ergebnisse sind hochgradig unzuverlässig.


Brand Tracking mit MRP

MRP überwindet den Kompromiss zwischen Detail und Qualität. Ausgehend von der gleichen Stichprobe konzentriert sich die Methode auf die Merkmale der Befragten, nicht auf die einzelnen Befragten selbst. Das MRP-Modell identifiziert dann, wie jede dieser individuellen Eigenschaften mit der Markenbekanntheit zusammenhängt. Um etwa festzustellen, ob ein Zusammenhang zwischen Fußballspielen und Markenbekanntheit besteht, untersucht die Methode alle Fußballspieler in der Stichprobe (n=150) und vergleicht deren Antworten mit den 850 Nicht-Fußballspielern. Was auch immer der gefundene Unterschied ist, dies ist der „Effekt“, den das Fußballspieler-Sein auf die Markenbekanntheit hat. Gleiches gilt für alle anderen Merkmale. Der Bekanntheitsgrad einer Marke für einen Befragten mit einer beliebigen Kombination dieser Merkmale lässt sich vorhersagen. (Abb. 2)

 
MRP liefert zuverlässige Ergebnisse

Zu beachten ist, dass MRP Informationen aus der gesamten Stichprobe verwendet, um Schätzungen für kleine Gruppen in der Bevölkerung zu machen. Die vorhergesagten MRP-Ergebnisse übernehmen die Stärke der gesamten Stichprobe und liefern somit wesentlich zuverlässigere Ergebnisse.
In unserem Beispiel sehen wir, dass die prognostizierte Markenbekanntheit für die Zielgruppe auch mit MRP 35 Prozent beträgt (Abb. 3). Verglichen mit den Ergebnissen der traditionellen Methode ist dieser Wert jedoch sehr viel zuverlässiger. Hierdurch ist es möglich, Änderungen im Zeitverlauf zu verfolgen und somit zu messen, ob die Marketingkampagne für diese Zielgruppe tatsächlich erfolgreich war. ■

 
Korbinian Kuusisto ist Data Scientist bei Dalia Research und arbeitet an der methodischen Weiterentwicklung des Bereiches Sampling sowie dem Bereich User Response Quality.

Frederick DeVeaux ist Research Analyst bei Dalia Research und dort verantwortlich für den Bereich Survey Quality und Insights.
www.daliaresearch.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