Wer ist ASKOS?

  • View
    24

  • Download
    0

Embed Size (px)

DESCRIPTION

Zahlen und Beratung für den Kunden: Deutsche Lufthansa, TUI Group, Bundesministerien: Arbeit und Gesundheit, Verband Deutscher Rentenver- sicherungsträger, GEVAS München, Universität Konstanz, BMW Group. - PowerPoint PPT Presentation

Text of Wer ist ASKOS?

Kein Folientitel© ASKOS 08.10.2003
Vortrag für den Regionalabend 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
Wer ist ASKOS?
seit 1999
NFO Worldwide
Zahlen und
Einleitung: Wie "think it easy"-Träume im Marktforschungsalltag zerstäuben
© ASKOS 08.10.2003
"Think it easy? Think it easily complex!"
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...
Sex Appeal
Sex Appeal
Hoffnung I: Vielleicht sieht das Puzzle ja wenigstens so aus:
Kaufentscheidung
Hoffnung II: Oder so?
Doch der Kunde braucht es detaillierter...
Population
Männer
Frauen
Die Prognosen stimmen nicht
Mathematische Beziehungen werden missinterpretiert
Erfahrungshintergrund des Kunden
Ein reales Beispiel für "think-it-easy-"-Staub und was daraus gewachsen ist
© ASKOS 08.10.2003
"Think it easy? Think it easily complex!"
Genanntes Beispiel beruht auf einem realen Projekt, Konzern und Produkt sind
aber fiktiv
Produkte: Computer (fiktiv)
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 auf
0% versus 50% zu senken?"
Zielvorstellung: Umsatzwachstum durch jede Massnahme auf jedem Segment in Euro zu prognostizieren.
© ASKOS 08.10.2003
Erster Ansatz: Conjoint-Studie
Grund: Theoretischer Hintergrund des Kaufentscheidungsprozesses fehlte.
==> Scheiterte
bezogen.
==> Scheiterte
Kundenzufriedenheit und beyond
"Think it easy": Ist der Kunde zufrieden, dann kauft er auch.
Kundenzufriedenheit = Kaufentscheidung
Kundenzufriedenheit plus Strukturbindung (plus Preis) = Kaufentscheidung
Aber was heisst: "Plus"?
==> Einstieg in die Kaufentscheidungspsychologie
plausibel 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 vor
a. Stichprobe mit Konzernkunden. Enthält vor allem KZ-Merkmale
b. 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 Umsatz
um y%".
Anforderungen:
Wie kann man das schaffen?
© ASKOS 08.10.2003
"Think it easy? Think it easily complex!"
Drei Arbeitsansätze für die Existenzfrage des Marketings "What shall we do?"
I. "Kreuztabelle" = Häufigkeitsauszählungen und vergleichende Mittelwerte
(Deskriptive Statistik)
(==> Komplizierte Tabellen...)
GUI-Tool, in das die Massnahme eingegeben wird und die Wirkung
in der Grösse ausgegeben wird, die der Entscheider benötigt.
III. Elementare Modelle.
wird im Computer konstruiert. ==> Die Vorstellungen von Kaufentscheidungen
können 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 eigentlichen
Fragen 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?
© ASKOS 08.10.2003
Wozu Simulation?
X1
X2
X3
Z1
Z2
Y1
14
24
51
25
35
46
46
log
log
Y2
W(x)Y1(x)dx
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.
© ASKOS 08.10.2003
M30
M29
M31
Zufr
. Komfort
PC
PC
PC
PC
PC
PC
PC
F42
F41
Geschlecht
Alter
Firma
Leistungsklasse
Kaufgrund
PC
Simulation = "So tun, als ob".
Simulation wird heute (fast) überall angewendet:
Was ist Simulation?
Fahr- und Flugsimulation
Soziodemographische, soziologische, psycholgische Simulationen
Simulation und Modellstatistik?
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!
© ASKOS 08.10.2003
Simulation können noch mehr
Missing Data schätzen
(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
© ASKOS 08.10.2003
© ASKOS 08.10.2003
Ergebnis unseres Beispielprojekts:
Der Konzern hatte "Vorwissen", dem die Simulationsergebnisse widersprachen.
==> Die Wirkung der Massnahmen war für den Konzern nicht
nachvollziehbar, 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" Massnahmen
waren 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.
© ASKOS 08.10.2003
Ursache: Falscher Denkansatz!
Menschenbild des Konzerns:
==> Wollte seine Produkte so optimieren,
wie man die Parameter eine Maschine
optimiert.
in der Kaufpsychologie dar.
der Suche nach dem ultimativen Produkt helfen!
Die Psychologie ist viel komplexer! Beispiel: Mobiltelefone und SMS
© ASKOS 08.10.2003
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!
© ASKOS 08.10.2003
Schritte beim elementaren Modellieren
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:
Ziel: Planzahlen zur generellen Orientierung
Ansprüche an die Qualität der
Modelldynamik: Mittel bis gering
Elementares Modellieren
Charakteristik des Marktes kennenlernen.
Modelldynamik: Hoch
Zunächst gering
© ASKOS 08.10.2003
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 Prozesse
auf der Personenebene richtig darstellen ("repräsentieren") können.
Daher muss ein elementares Modell eine Mikromodell sein.
© ASKOS 08.10.2003
Wie formuliert man eine elementares Modell?
Mit Simulationen!
Produkt
Interaktion,
Kommunikation
Käuferpopulation
Agentensimulationen werden in den WW, Soziologie, Psychologie als Instrument zur Theoriekonstruktion eingesetzt.
Die entsprechenden Bereiche arbeiten eng mit der Informatik und der
Roboterforschung zusammen.
The Max-Planck-Institute for Research into Economic Systems
Aspect-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 Brighton
Deutschland:
Lehrstuhl für Operations Research und Systemtheorie Passau
Zur Programmierung gibt es eigene Sprachen wie MIMOSE , SWARM oder ACE
© ASKOS 08.10.2003
"Think it easy? Think it easily complex!"
Ziel: Die künstlichen Käufer in der Computersimulation sollen sich so ähnlich
wie möglich zu dem verhalten, was wir als reales Kaufverhalten kennen.
Wahrnehmung von Produkten, Produktinformationen, Anbietern
Vertrauensmechanismen
Erfahrungen mit dem Produkt/Anbieter
Kommunikation von Erfahrungen
© ASKOS 08.10.2003
"Think it easy? Think it easily complex!"
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.
© ASKOS 08.10.2003
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.
© ASKOS 08.10.2003
Auftraggeber,
Marktforscher
Vorstellungen,
Plausibilitäten,
Erfahrungen,
Vorurteile
Integrierte Marktforschung von morgen und übermorgen
Kleine Nebenbemerkung: Von ASKOS können sie diese
schon heute haben...
...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.
© ASKOS 08.10.2003
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.
© ASKOS 08.10.2003
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.