Wer ist ASKOS?

2. Zahlen undBeratungfür den Kunden:Deutsche Lufthansa,TUI Group,Bundesministerien:Arbeit und Gesundheit,Verband DeutscherRentenver-sicherungsträger,GEVAS München,Universität Konstanz,BMW Group Moderne Methoden der Simulation und Statistik von den Universitäten, (die leider sonstweithingehend unbekannt sind). Alle Formen von quantitativer Dienstleistung.Wenn's um Zahlen geht - ASKOS. Wer ist ASKOS? NFO Worldwide Infratest Sozialforschung NFO Infratest Wirtschaftsforschung Kooperation Büro für Analyse, Statistik und Simulationseit 1999

3. Einleitung: Wie "think it easy"-Träume im Marktforschungsalltag zerstäuben

4. 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?

5. Sex sells... • Bei Alkoholika, bei Zeitschriften, bei Motorrädern • aber bei Computern? • aber bei Lebensversicherungen? • aber bei Urlaubsreisen? • aber bei Büchern? • aber bei Wohnungen? • aber bei ...?

6. Sex Appeal ist nur ein kleiner Puzzlebaustein Preis Sicherheit Geschlecht Kundenprogramm Leistung Ausstattung Sex Appeal Einkommen Alter Produkt-Image Haltbarkeit Komfort Qualität Hersteller-Image Service

7. Hoffnung I: Vielleicht sieht das Puzzle ja wenigstens so aus: Preis Qualität Sicherheit Sex Appeal Kaufentscheidung Leistung Ausstattung Produkt-Image Haltbarkeit Komfort Service

8. Käufertyp Alter Geschl. Eink. Einstell. Beruf Hoffnung II: Oder so? Preis Qualität Sicherheit Sex Appeal Leistung Produkt Ausstattung Produkt-Image Haltbarkeit Komfort Service

9. Cluster 3 Cluster 1 Cluster 2 PM5 PM4 PM3 PM2 PM1 Produkt 3 Produkt 2 Produkt 1 Doch der Kunde braucht es detaillierter... Population Segmente, deskr. Stat. Frauen Männer Frauen ABL Frauen NBL Männer ABL Männer NBL Typen, Klassifizie- rung Zusammen- hänge, Modellstatistik PM=Produktmerkmal Kaufentscheidung

10. Ergebnis: • "Think it easy" ist schon lange vergessen • Die Prognosen stimmen nicht • Mathematische Beziehungen werden missinterpretiert • Unplausible Aussagen im Vergleich zum Erfahrungshintergrund des Kunden

11. Ein reales Beispiel für "think-it-easy-"-Staub und was daraus gewachsen ist

12. Genanntes Beispiel beruht auf einem realen Projekt, Konzern und Produkt sindaber fiktiv • Kunde: Produktplanungsabteilung eines grossen deutschen Konzerns • Produkte: Computer (fiktiv) • Marktanteil: Über 60%, je nach Marktsegment bis zu 90% • 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 auf0% versus 50% zu senken?" • Zielvorstellung: Umsatzwachstum durch jede Massnahme auf jedem Segment in Euro zu prognostizieren.

13. Erster Ansatz: Conjoint-StudieErgebnis: Viele Zahlen, aber sie waren nicht nachvollziehbar.Grund: Theoretischer Hintergrund des Kaufentscheidungsprozesses fehlte.==> Scheiterte • Nächster Ansatz: KundenzufriedenheitsstudieErgebnis: Viele Zahlen, aber sie waren alle unplausiblel.Grund: Kaufentscheidungen in diesem Marktbereich nicht immer zufriedenheits-bezogen.==> Scheiterte

14. Kundenzufriedenheit und beyond • "Think it easy": Ist der Kunde zufrieden, dann kauft er auch. Kundenzufriedenheit = Kaufentscheidung • Aber: • Oft: Nutzer  Kaufentscheider • Monopoleffekte bei bestimmten Produkten/Produktbereichen ==> Der Kunde ist "Geisel" • Rabattierungseffekte durch Stammkundenprogramme • Zeitliche Dimension Strukturbindung

15. Kundenzufriedenheit plus Strukturbindung (plus Preis) = Kaufentscheidung • Aber was heisst: "Plus"? • ==> Einstieg in die Kaufentscheidungspsychologie

16. Dritter Ansatz: Modell- und Simulationsstudie Anforderungen: • Käufertypen und Produkteigenschaften sollen differenziert und psychologischplausibel 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 vora. Stichprobe mit Konzernkunden. Enthält vor allem KZ-Merkmaleb. 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 Umsatzum y%".

17. Wie kann man das schaffen?

18. Drei Arbeitsansätze für die Existenzfrage des Marketings "What shall we do?" • I. "Kreuztabelle" = Häufigkeitsauszählungen und vergleichende Mittelwerte(Deskriptive Statistik) • II. Statistische Modellea. Nur statistische Modelle. Ergebnis: Koeffizienten oder Typen (==> Komplizierte Tabellen...)b. Statistische Modelleund Simulation. Ergebnis: Software. Ein GUI-Tool, in das die Massnahme eingegeben wird und die Wirkung in der Grösse ausgegeben wird, die der Entscheider benötigt. • III. Elementare Modelle. Das Bild vom Kunden und seinen Entscheidungsprozessenwird im Computer konstruiert. ==> Die Vorstellungen von Kaufentscheidungenkönnen angemessen komplex werden.

19. Wozu Modelle? • 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 eigentlichenFragen 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)

20.  Y X1 Kann ich verstehen X1 1 2 Y Kann ich verstehen X2 3 X3 14 46 X1 Z1 Y Wird schon schwierig 25 56 X2 Z2 35 X3 Wozu Simulation?

21. 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. 14 X1 Z1 log 46 Was soll das denn sein ? 24 W(x)Y1(x)dx 51 Y1 Y2 log 25 X2 Z2 46 35 X3

22. Zufriedenheit Service . M1 M9 M2 M10 M3 M11 M4 M12 Wichtigkeitsind. Wiederkauf- M4 M13 Leistungsdimensionen (Frage 13) bereitschaft REPU M5 M14 M6 M15 PC F40_1 Preis- M7 M16 PC … Kundenzufriedenheit bindung M8 PC F40_12 K SATI, RECO B Zufriedenheit Leistung . . Kontrollvariablen KundP- Kaufwahrscheinlichkeit I M17 M24 PC F41 Bindung M18 M25 PC F42 M19 M26 PC Alter M20 M27 PC Geschlecht Mon- M21 M28 PC Firma Bindung M22 PC Kaufgrund M23 PC Leistungsklasse PC Umsatz mit uns Zufr . Komfort M29 M30 M31 Kaufwahrscheinlichkeits- Detail-Modell Intermediäres Modell Modell Strukturchart aus dem realen Projekt (Beschriftungen geändert)

23. Daten Zusammenhänge Statistik Daten Simulation Zusammenhänge Was ist Simulation? • Simulation = "So tun, als ob". • Simulation wird heute (fast) überall angewendet: • Fahr- und Flugsimulation • Verkehrssimulation • Wirtschaftssimulation • Simulation von naturwissenschaftlichen und technischen Systemen (z.B. auch Wetter) • Soziodemographische, soziologische, psycholgische Simulationen • Arzt ;-) • Simulation und Statistik:

24. Simulation und Modellstatistik? • Simulationen "rechnen" statistische Modelle durch. 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!

25. Simulation können noch mehr • Statistischen Fehler jeder Aussage ermitteln • Missing Data schätzen • Latente Variablen schätzen ("Imputing") • Von statistischen Variablen auf operative Variablen umrechnen(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

26. Hurra! Think it easy! Einfach Simulation basteln!????

27. Ergebnis unseres Beispielprojekts: • Auch der dritte Ansatz "Statische Simulation" scheiterte. • Der Konzern hatte "Vorwissen", dem die Simulationsergebnisse widersprachen. • ==> Die Wirkung der Massnahmen war für den Konzern nichtnachvollziehbar, 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" Massnahmenwaren aber häufig.

28. 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.

29. Menschenbild des Konzerns: ==> Er nahm das Modell als Wirklichkeit==> Wollte seine Produkte so optimieren, wie man die Parameter eine Maschine optimiert. Menschenbild von ASKOS: ==> Solche "mechanistischen" Modellestellen lediglich einfacheTendenzen oder Trendsin der Kaufpsychologie dar. Sie können dem Marketingexperten nicht aufder Suche nach dem ultimativen Produkt helfen! Die Psychologie ist viel komplexer! Beispiel: Mobiltelefone und SMS Ursache: Falscher Denkansatz!

30. Generische "Fehler" im statistischen Modell des Beispiels: • Gleichgewichtsmodell, statisch. Kaufentscheidungen sind aber Prozesse und dynamisch. • 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!

31. Lösungsansatz: Elementares Modellieren Schritte beim elementaren Modellieren 1. Ein elementares Modell (eine elementare Theorie) bauen 2. Darauf basierend ein statistisches Modell bauen 3. Das statistische Modell testen und schätzen 4. Massnahmen mit dem statistischen Modell simulieren

32. Statistische Modelle Elementares Modellieren Entwicklung eines Planungsinstruments mit langer Entwicklungsdauer (> 2 Jahre) Projekte mit kürzerer Laufzeit (<= 2 Jahren) Ziel: Planzahlen zur generellen Orientierung Ziel: Lernen, Analysieren, die Dynamik undCharakteristik des Marktes kennenlernen. Ansprüche an die Qualität der Modelldynamik: Mittel bis gering Ansprüche an die Qualität der Modelldynamik: Hoch Ansprüche an die Validität der Trends: Hoch Ansprüche an die Validität der Trends: Zunächst gering Anwendungsgebiete:

33. 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 Prozesseauf der Personenebene richtig darstellen ("repräsentieren") können. • Daher muss ein elementares Modell eine Mikromodell sein.

34. Agent 2 Agent 3 Agent 1 Interesse Interesse Interesse Wissen Wissen Wissen Ressourcen Ressourcen Ressourcen Wie formuliert man eine elementares Modell? • Mit Simulationen! • Und zwar s.g. Agentensimulationen - SIMCITY als Arbeitsinstrument! Käuferpopulation Produkt Interaktion,Kommunikation

35. Agentensimulationen werden in den WW, Soziologie, Psychologie als Instrument zur Theoriekonstruktion eingesetzt. • Die entsprechenden Bereiche arbeiten eng mit der Informatik und derRoboterforschung zusammen. USA: Santa Fe Institute New England Complex Systems Institute 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: Institut für sozialwissenschaftliche Informatik Koblenz Lehrstuhl für Operations Research und Systemtheorie Passau • Zur Programmierung gibt es eigene Sprachen wie MIMOSE , SWARM oder ACE

36. Ziel: Die künstlichen Käufer in der Computersimulation sollen sich so ähnlichwie möglich zu dem verhalten, was wir als reales Kaufverhalten kennen. • Wahrnehmung von Produkten, Produktinformationen, Anbietern • Vertrauensmechanismen • Orientierung am Kaufverhalten des anderen • Erfahrungen mit dem Produkt/Anbieter • Übertragung von Erfahrungen auf andere Produkte/Anbieter • Kommunikation von Erfahrungen • Bedürfnisweckung, Änderung von Präferenzen • Gruppeneffekte, Imagewirkung von Produkten • Individuelle ökonomische Charaktere ("Spartyp", "Spielkind") • Rahmenbedingungen wie Preis, Kundenprogramme usw.

37. Ergebnisohne elementares Modell: Bild des Kunden liegt nur in den Köpfen vor: Segmentiert, simplifiziert, unterschwellig, unlogisch, nicht kommuniziert. • Ergebnismit elementarem Modell: Bild des Kunden liegt als Software vor: Ganzheitlich , komplex, explizit, logisch, kommuniziert und diskutiert.

38. 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.

39. virtuell real Vorstellungen,Plausibilitäten,Erfahrungen,Vorurteile Wirkung von Massnahmen Verstehen,beurteilen,hinterfragen,lernen,erweitern Auftraggeber,Marktforscher Statistisches Modell der Kunden Virtuelle Daten Elementares Modell der Kunden Auswertungen QualitativeStudie Daten Reale Kunden

40. Kleine Nebenbemerkung: Von ASKOS können sie dieseschon heute haben... www.askos.de Integrierte Marktforschung von morgen und übermorgen

41. ...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.

42. 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.

43. 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.