Seite 2 von 2
Eine deskriptive Datenanalyse steht am Anfang jeder Auswertung. Sie liefert einfache, univariate Aussagen, z.B. die Bewertung einer Produkteigenschaft, oder bivariate Zusammenhänge zwischen Variablen, z.B. dass die (positive) Bewertung einer Produkteigenschaft mit dem Interesse am Kauf des Produkts einhergeht (Korrelation). Ein Problem besteht darin, sich aus der Vielzahl der Aussagen ein kohärentes Gesamtbild zu machen (s.o.). Ein anderes, damit verwandtes Problem besteht darin, dass isolierte Zusammenhänge oft wenig aussagen und manchmal sogar irreführend sind. Jeder kennt das Beispiel des positiven Zusammenhangs zwischen dem Vorkommen an Störchen und der Geburtenrate. In der Regel möchte man gerne kausale Aussagen (X ist die Ursache von Y) machen können, hat aber nur Zusammenhänge gefunden.
Ursache-Wirkungszusammenhänge zu bestimmen ist die Aufgabe von statistischen Vorhersagemodellen. Mit ihrer Hilfe lassen sich Einflussfaktoren beispielsweise auf die Kaufpräferenz analysieren. So könnten diejenigen Produkteigenschaften herausgefiltert werden, die zu einer hohen Kaufpräferenz für das Produkt führen. Das müssen nicht notwendigerweise die gleichen sein, die man bei der bivariaten Betrachtung identifiziert zu haben glaubte. Auch komplexe Wirkungsketten für unterschiedliche Teilgruppen lassen sich mit solchen Kausalmodellen aufstellen und statistisch prüfen.
Für die Preisfindung bei der Markteinführung neuer Produkte ziehen wir spezielle Berechnungsmodelle (z.B. nach Van Westendorp) heran. Einen zunehmend hohen Stellenwert bei der Untersuchung betriebswirtschaftlicher Fragestellungen besitzen Conjoint-Verfahren, die – in allen Varianten – ein wichtiger Bestandteil unseres Methodenrepertoires darstellen: Conjoint-Verfahren bezeichnen eine Klasse von Erhebungs- bzw. Analysemethoden, die Ihnen bei der Entwicklung und Vermarktung Ihrer Dienstleistungen und Produkte helfen und die Preisfindung erleichtern.