nach oben

Erschienen in:

2020 | OriginalPaper | Buchkapitel

7. Datenanalyse und -interpretation

verfasst von : Christian Homburg

Erschienen in: Marketingmanagement

Verlag: Springer Fachmedien Wiesbaden

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Zusammenfassung

Der Leser kennt die für die Marktforschung wichtigsten uni- und bivariaten Analyseverfahren, kann sie selbst anwenden und die Ergebnisse interpretieren.
Der Leser kennt die für die Marktforschung wichtigsten Verfahren der multivariaten Interdependenzanalyse (Faktorenanalyse, Clusteranalyse, multidimensionale Skalierung).
Der Leser kennt die für die Marktforschung wichtigsten Verfahren der multivariaten Dependenzanalyse (multiple Regressionsanalyse, Prognoseverfahren, Kausalanalyse, Varianzanalyse, multiple Diskriminanzanalyse und Conjoint-Analyse).
Der Leser weiß im Hinblick auf die Verfahren der multivariaten Interdependenz- und Dependenzanalyse, welche Art von Fragestellung sie angehen, ist orientiert über ihre Anwendungsmöglichkeiten in der Marktforschung, kennt in Grundzügen ihre Vorgehensweisen und kann ihre Ergebnisse interpretieren.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel Grundlagen und Prozess der Marktforschung

Nächstes Kapitel Grundlagen des strategischen Marketing

Aaker, D., Kumar, V., Leone, R. P., & Day, G. (2016). Marketing Research, (12. Aufl.). New York.

Alpaydin, E. (2019). Maschinelles Lernen, (2. Aufl.). Berlin.

Arabie, P., & Hubert, L. (1994). Cluster analysis in marketing research. In R. Bagozzi, (Hrsg.), Advanced methods of marketing research, (S. 160–179). Cambridge.

Babin, B. J., Hair, J. F., & Boles, J. S. (2008). Publishing research in marketing journals using structural equation modeling. Journal of Marketing Theory & Practice, 16(4), 279–285.

Bacher, J., Pöge, A., & Wenzig, K. (2010). Clusteranalyse, (3. Aufl.). Oldenburg.

Backhaus, K., Erichson, B., & Weiber, R. (2015). Fortgeschrittene Multivariate Analysemethoden, Eine anwendungsorientierte Einführung, (3. Aufl.). Berlin.

Backhaus, K., Erichson, B., Plinke, W., & Weiber, R. (2018). Multivariate Analysemethoden, Eine anwendungsorientierte Einführung, (15. Aufl.). Berlin.

Bagozzi, R. P., & Yi, Y. (2012). Specification, evaluation, and interpretation of structural equation models. Journal of the Academy of Marketing Science, 40(1), 8–34.

Bamberg, G., Baur, F., & Krapp, M. (2017). Statistik, (18. Aufl.). München.

Biemann, C., & Mehler, A. (2015). Text Mining From Ontology Learning to Automated Text Processing Applications. Basel.

Bleymüller, J. (2015). Statistik für Wirtschaftswissenschaftler, (17. Aufl.). München.

Bodenbach, B. F. (2005). Strategisches Immobilienmarketing – Die aggressive Preispolitik wird immer wirkungsloser, Immobilien Zeitung, 14, 30.06.2005, 10 f.

Bollen, K. (1989). Structural equation models with latent variables. New York.

Bortz, J., & Schuster, C. (2010). Statistik für Human- und Sozialwissenschaftler, (7. Aufl.). Heidelberg.

Bradlow, E., Hu, Y., & Ho, T.-H. (2004). A learning-based model for imputing missing levels in partial conjoint profiles. Journal of Marketing Research, 369–381.

Burmester, A., Eggers, F., Clement, M., & Prostka, T. (2016). Accepting or Fighting Unlicensed Usage – Can Firms Reduce Unlicensed Usage for Digital Media Products by Optimizing their Marketing? International Journal of Research in Marketing, forthcoming.

Carroll, J. (1972). Individual differences and multidimensional scaling. In R. Shepard, A. Rommey, & S. Nerlove (Hrsg.), Multidimensional scaling: Theory and applications in the social science (S. 105–155). New York.

Carroll, J., & Green, P. (1997). Psychometric methods in marketing research: Part II, multidimensional scaling. Journal of Marketing Research, 34(2), 193–204.

Chintagunta, P., Hanssens, D., & Hauser, J. (2013). Call for papers – Marketing science special issue on big data: Integrating Marketing, Statistics, and Computer Science. Marketing Science, 32(4), 678–678.

Christ, O., & Schlüter, E. (2012). Strukturgleichungsmodelle in Mplus – Eine praktische Einführung. München.

Cohen, J., Cohen, P., West, S., & Aiken, L. (2003). Applied multiple Regression/Correlation analysis for the behavioral sciences (3. Aufl.). Mahwah.

Döbel, I., Leis, M., Vogelsang, M. M., Neustroev, D., Petzka, H., Rüping, S., Voss, A., Wegele, M., & Welz, J. (2018). Maschinelles Lernen – Kompetenzen, Anwendungen und Forschungsbedarf, Fraunhofer-Gesellschaft (S. 1-202).

Echambadi, R., & Hess, J. D. (2007). Mean-centering does not alleviate collinearity problems in moderated multiple regression models. Marketing Science, 26(3), 438–445.

Eid, M., Gollwitzer, M., & Schmitt, M. (2017). Statistik und Forschungsmethoden, (5. Aufl). Basel.

Ernst, O., & Sattler, H. (2000). Multimediale versus traditionelle Conjoint-Analysen. Marketing ZfP, 22(2), 161–172.

Fahrmeir, L., Heumann, C., Künstler, R., Pigeot, I., & Tutz, G. (2016). Statistik: Der Weg zur Datenanalyse (8. Aufl.). Berlin.

Field, A. P. (2017). Discovering statistics using SPSS (5. Aufl.). London.

Forgy, E. (1965). Cluster analysis of multivariate data: efficiency versus interpretability of classifications. Biometrics, 21(3), 768.

Frenzen, H., & Krafft, M. (2008). Logistische Regression und Diskriminanzanalyse. In A. Herrmann, C. Homburg, & M. Klarmann, M. (Hrsg.), Handbuch Marktforschung: Methoden – Anwendungen – Praxisbeispiele (3. Aufl., S. 607-650). Wiesbaden.

Frochte, J. (2019). Maschinelles Lernen: Grundlagen und Algorithmen in Python (2. Aufl.). München.

Geiser. C. (2011). Datenanalyse mit Mplus – Eine anwendungsorientierte Einführung (2. Aufl.). Wiesbaden.

Gensler, S. (2003). Heterogenität in der Präferenzanalyse. Wiesbaden.

Gilbride, T. J., Lenk, P. J., & Brazell, J. D. (2008). Market share constraints and the loss function in choice-based conjoint analysis. Marketing Science, 27(6), 995–1011.

Gordon, A. (1996). Hierarchical Classification. In P. Arabie, L. Hubert, & G. De Soete (Hrsg.), Clustering and Classification, River Edge (65–121).

Grewal, R., Cote, J., & Baumgartner, H. (2004). Multicollinearity and measurement error in structural equation models: Implications for theory testing. Marketing Science, 23(4), 519–529.

Gustafsson, A., Herrmann, A., & Huber, F. (Hrsg.). (2007). Conjoint measurement: Methods and applications (4. Aufl.). Berlin.

Haaijer, R., Kamakura, W., & Wedel, M. (2001). The ‘no-choice’ alternative in conjoint choice experiments. International Journal of Market Research, 43(1), 93–106.

Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2010). Multivariate data analysis (7. Aufl.). Upper Saddle River.

Hair, J. F., Sarstedt, M., Ringle, C. M., & Mena, J. A. (2011). An assessment of the use of partial least squares structural equation modeling in marketing research. Journal of the Academy of Marketing Science, 40(3), 414–433.

Haneke, U., Trahasch, S., Zimmer, M., & Felden, C. (2019). Data Science – Grundlagen, Architektur und Anwendungen. Heidelberg.

Hartmann, A., & Sattler, H. (2002). Commercial Use of Conjoint Analysis in Germany, Austria, and Switzerland, Research Papers on Marketing and Retailing, No. 6. Hamburg: University of Hamburg.

Helsen, K., & Green, P. (1991). A Computational Study of Replicated Clustering with an Application to Market Segmentation. Decision Sciences, 22(5), 1124–1141.

Henseler, J., Hubona, G., & Ray, P. A. (2016). Using PLS path modeling in new technology research: Updated guidelines. Industrial Management & Data Systems, 116(1), 2–20.

Herrmann, A., & Landwehr, J. R. (2008). Varianzanalyse. In: A. Herrmann, C. Homburg, & M. Klarmann (Hrsg.), Handbuch Marktforschung: Methoden – Anwendungen – Praxisbeispiele (3. Aufl., S. 579-606). Wiesbaden.

Herrmann, A., Schmidt-Gallas, D., & Huber, F. (2003). Adaptive conjoint analysis: Understanding the methodology and assessing reliability and validity. In A. Gustafsson, A. Herrmann, & F. Huber (Hrsg.), Conjoint measurement: Methods and applications (3. Aufl., S. 305–330).

Homburg, C. (1989). Exploratorische Ansätze der Kausalanalyse als Instrument der Marketingplanung. Frankfurt.

Homburg, C. (1992). Die Kausalanalyse – Eine Einführung, Wirtschaftswissenschaftliches Studium, 21, 10, 488–508 und 541–544.

Homburg, C. (2000a). Kundennähe von Industriegüterunternehmen: Konzeption – Erfolgsauswirkungen – Determinanten (3. Aufl.). Wiesbaden.

Homburg, C. (2000b). Quantitative Betriebswirtschaftslehre (3. Aufl.). Wiesbaden.

Homburg, C. (2007). Betriebswirtschaftslehre als empirische Wissenschaft – Bestandsaufnahme und Empfehlungen. Zeitschrift für betriebswirtschaftliche Forschung, 56(7), 27–60.

Homburg, C., & Baumgartner, H. (1995a). Die Kausalanalyse als Instrument der Marketingforschung: Eine Bestandsaufnahme. Zeitschrift für Betriebswirtschaft, 65(10), 1091–1108.

Homburg, C., & Baumgartner, H. (1995b). Beurteilung von Kausalmodellen – Bestandsaufnahme und Anwendungsempfehlungen. Marketing – Zeitschrift für Forschung und Praxis, 17(3), 162–176.

Homburg, C., & Dobratz, A. (1992). Covariance structure analysis via specification searches. Statistical Papers, 33(2), 119–142.

Homburg, C., & Giering, A. (1996). Konzeptualisierung und Operationalisierung komplexer Konstrukte: Ein Leitfaden für die Marketingforschung. Marketing – Zeitschrift für Forschung und Praxis, 18(1), 5–24.

Homburg, C., & Hildebrandt, L. (1998). Die Kausalanalyse: Bestandsaufnahme, Entwicklungsrichtungen, Problemfelder. In L. Hildebrandt & C. Homburg (Hrsg.), Die Kausalanalyse (S. 15–43). Stuttgart.

Homburg, C., & Klarmann, M. (2006). Die Kausalanalyse in der empirischen betriebswirtschaftlichen Forschung – Problemfelder und Anwendungsempfehlungen. Die Betriebswirtschaft, 66(6), 727–748.

Homburg, C., & Klarmann, M. (2016). Die indirekte Wichtigkeitsbestimmung im Rahmen von Kundenzufriedenheitsuntersuchungen: Probleme und Lösungsansätze. In C. Homburg (Hrsg.), Kundenzufriedenheit: Konzepte, Methoden, Erfahrungen (9. Aufl., S. 193-230). Wiesbaden.

Homburg, C., Klarmann, M., & Krohmer, H. (2008). Statistische Grundlagen der Datenanalyse. In A. Herrmann, C. Homburg, & M. Klarmann (Hrsg.), Handbuch Marktforschung: Methoden – Anwendungen – Praxisbeispiele (3. Aufl., S. 213-239). Wiesbaden.

Homburg, C., Klarmann, M., & Pflesser, C. (2008). Konfirmatorische Faktorenanalyse. In A. Herrmann, C. Homburg, & M. Klarmann (Hrsg.), Handbuch Marktforschung: Methoden – Anwendungen – Praxisbeispiele (3. Aufl., S. 271-303). Wiesbaden.

Homburg, C., Müller, M., & Klarmann, M. (2011). When should the customer really be King? On the optimum level of salesperson customer orientation in sales encounters. Journal of Marketing, 75(3), 55–74.

Homburg, C., Pflesser, C., & Klarmann, M. (2008). Strukturgleichungsmodelle mit latenten Variablen: Kausalanalyse. In A. Herrmann, C. Homburg, & M. Klarmann (Hrsg.), Handbuch Marktforschung: Methoden – Anwendungen – Praxisbeispiele (3. Aufl., S. 547-577). Wiesbaden.

Homburg, C., Herrmann, A., Pflesser, C., & Klarmann, M. (2008). Methoden der Datenanalyse im Überblick. In A. Herrmann, C. Homburg, & M. Klarmann (Hrsg.), Handbuch Marktforschung: Methoden – Anwendungen – Praxisbeispiele (3. Aufl., S. 151-173). Wiesbaden.

Huber, J. (1997). What we have learned from 20 years of conjoint research: When to use self-explicated, graded pairs, full profiles or choice experiments. Sawtooth Software Research Paper Series, Sequim.

Hüttner, M., & Schwarting, U. (2008). Exploratorische Faktorenanalyse. In A. Hermann, C. Homburg, & M. Klarmann (Hrsg.), Marktforschung: Methoden – Anwendungen – Praxisbeispiele (3. Aufl., S. 241-269). Wiesbaden.

Iacobucci, D., & Churchill, G. (2018). Marketing Research: Methodological Foundations (12. Aufl.). Fort Worth.

Irwin, J. R., & McClelland, G. H. (2001). Misleading Heuristics and Moderated multiple regression models. Journal of Marketing Research, 38(1), 100–109.

Jarvis, C., MacKenzie, S., & Podsakoff, P. (2003). A critical review of construct indicators and measurement model misspecification in marketing and consumer research. Journal of Consumer Research, 30(3), 199–217.

Jensen, O. (2004). Key Account Management: Gestaltung, Determinanten, Erfolgsauswirkungen (2. Aufl.). Wiesbaden.

Jensen, O. (2008). Clusteranalyse. In A. Herrmann, C. Homburg, & M. Klarmann (Hrsg.), Handbuch Marktforschung (3. Aufl., S. 335-371). Wiesbaden.

Jöreskog, K., & Sörbom, D. (1982). Recent developments in structural equation modelling. Journal of Marketing Research, 19(4), 404–416.

Kaggle. (2017). The State of Data Science & Machine Learning. https://www.kaggle.com/surveys/2017. Zugegriffen: 26. Nov. 2019.

Klarmann, M. (2008). Methodische Problemfelder der Erfolgsfaktorenforschung: Bestandsaufnahme und empirische Analysen. Wiesbaden.

Kelleher, J. D., Namee, B. M., & D’Arcy, A. (2015). Fundamentals of machine learning for predictive data analytics: Algorithms, worked examples, and case studies. Cambridge.

Koschate, N. (2002). Kundenzufriedenheit und Preisverhalten: Theoretische und empirisch experimentelle Analysen. Wiesbaden.

Laney, D. (2001). 3D Data Management: Controlling Data Volume, Velocity, and Variety. https://blogs.gartner.com/doug-laney/files/2012/01/ad949-3D-Data-Management-Controlling-Data-Volume-Velocity-and-Variety.pdf. Zugegriffen: 26. Nov. 2019.

Lantz, B. (2013). Machine learning with R. Packt Publishing Ltd: Birmingham.

Lattin, J., Carroll, J., & Green, E. (2003). Analyzing Multivariate Data. Pacific Grove.

MacQueen, J. (1967). Some methods for classification and analysis of multivariate observations. In L. Le Cam & J. Neyman (Hrsg.), Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, Bd. 1., (S. 281–297). Berkeley.

Makridakis, S., Wheelwright, S., & Hyndan, R. (1998). Forecasting: Methods and applications (3. Aufl.). New York.

Marsh, H. W., Wen, Z., & Hau, K.-T. (2004). Structural equation models of latent interactions: Evaluation of alternative estimation strategies and indicator construction. Psychological Methods, 9(3), 275–300.

Marr, B. (2015). Big data: Using SMART big data, analytics and metrics to make better decisions and improve performance. Hoboken.

McClelland, G., & Judd, C. (1993). Statistical difficulties of detecting interactions and moderator effects. Psychological Bulletin, 114(2), 376–390.

McKinney, W. (2017). Python for data analysis: Data Wrangling with Pandas, NumPy, and IPython, (2. Aufl.). Sebastopol.

Milligan, G. (1980). An examination of the effect of six types of error perturbation on fifteen clustering algorithms. Psychometrika, 45(3), 325–342.

Milligan, G. (1996). Clustering validation: Results and implications for applied analyses. In P. Arabie, L. Hubert, & G. De Soete (Hrsg.), Clustering and classification (S. 341–375). River Edge.

Milligan, G., & Cooper, M. (1985). An examination of procedures for determining the number of clusters in a data set. Psychometrika, 50(2), 159–179.

Milligan, G., & Cooper, M. (1988). A study of variable standardization. Journal of Classification, 5, 181–204.

Milligan, G., & Sokol, L. (1980). A two-stage clustering algorithm with Robust recovery characteristics. Educational and Psychological Measurement, 40, 755–759.

Neslin, S. (1981). Linking product features to perceptions: Self-stated versus statistically revealed importance weights. Journal of Marketing Research, 18(1), 80–86.

Nguyen, C. N., & Zeigermann, O. (2018). Machine Learning – kurz & gut: Eine Einführung mit Python, Pandas und Scikit-Learn. Sebastopol.

Orme, B., & Johnson, R. (2006). External effect adjustments in conjoint analysis, Working Paper. Sawtooth Software: Sequim.

Perrey, J. (1998). Nutzenorientierte Marktsegmentierung: Ein integrativer Ansatz zum Zielgruppenmarketing im Verkehrsdienstleistungsbereich. Wiesbaden.

Pierce, C., Block, R., & Aguinis, H. (2004). Cautionary note on reporting eta-squared values from multifactor ANOVA designs. Educational and Psychological Measurement, 64(6), 916–924.

Punj, G., & Stewart, D. (1983). Cluster analysis in marketing research: Review and suggestions for applications. Journal of Marketing Research, 20(2), 134–148.

Rao, V., & Sattler, H. (2007). Measurement of price effects with conjoint analysis: Separating informational and allocative effects of price. In A. Gustafsson, A. Herrmann, & F. Huber (Hrsg.), Conjoint measurement: Methods and applications (4. Aufl., S. 31-46). Berlin.

Reinartz, W., Haenlein, M., & Henseler, J. (2009). An empirical comparison of the efficacy of covariance-based and variance-based SEM. International Journal of Research in Marketing, 26(4), 332–344.

Richter, S. (2019). Statistisches und maschinelles Lernen: Gängige Verfahren im Überblick. Heidelberg.

Ringel, D., & Skiera, B. (2016). Visualizing asymmetric competition among more than 1,000 product using big search data, marketing science, special issue on „Big Data: Integrating Marketing, Statistics, and Computer Science“. forthcoming.

Rüger, B. (1996). Induktive Statistik: Einführung für Wirtschafts- und Sozialwissenschaftler (3. Aufl.). München.

Sarle, W. (1983). The Cubic Clustering Criterion, SAS Technical Report A-108, Cary.

Saunders, J. (1999). Cluster Analysis. In G. Hooley & M. Hussey (Hrsg.), Quantitative methods in marketing (2. Aufl., S. 41-59). London.

Schulze, P. (2007). Beschreibende Statistik (6. Aufl.). München.

Sharma, S. (1996). Applied Multivariate Techniques. New York.

Sharma, S., Durand, R., & Gur-Arie, O. (1981). Identification and analysis of moderator variables. Journal of Marketing Research, 18(3), 291–300.

Sedlmeier, P. (2009). Beyond the significance test ritual: What is there? Zeitschrift für Psychologie/Journal of Psychology, 217, 1–5.

Simon, H., & Fassnacht, M. (2016). Preismanagement: Analyse – Strategie – Umsetzung (4. Aufl.). Wiesbaden.

Skiera, B., & Albers, S. (2008). Regressionsanalyse. In A. Herrmann, C. Homburg, & M. Klarmann, M. (Hrsg.), Handbuch Marktforschung: Methoden – Anwendungen – Praxisbeispiele (3. Aufl., S. 467-497). Wiesbaden.

Skiera, B., & Gensler, S. (2002). Berechnung von Nutzenfunktionen und Marktsimulationen mit Hilfe der Conjoint-Analyse. Wirtschaftswissenschaftliches Studium, 31(5), 258–263.

Spiller, S. A., Fitzsimons, G. J., Lynch, J. G., & McClelland, G. H. (2013). Spotlights, floodlights, and the magic number zero: Simple effects tests in moderated regression. Journal of Marketing Research, 50(2), 277–288.

SPSS Inc. (2017). IBM SPSS Statistics 25 Core System User’s Guide.

Sutton, R. S., & Barto, A. G. (2018). Reinforcement learning: An introduction, (2. Aufl.). Cambridge.

Tan, P. N., Steinbach, M., Karpatne A., & Kumar, V. (2018). Introduction to data mining (2. Aufl.). New York.

Teichert, T., Aholt, A., & Lange, M. (2008). Wie innovativ darf Design sein? Absatzwirtschaft-online.

Vogel, F. (2005). Beschreibende und schließende Statistik. Formeln, Definitionen, Erläuterungen, Stichwörter und Tabellen (13. Aufl.). Berlin.

Völckner, F., Sattler, H., & Kaufmann, G. (2008). Image feedback effects of brand extensions. Evidence from a longitudinal field study. Marketing Letters, 19(2), 109–124.

Weiber, R., & Mühlhaus, D. (2014). Strukturgleichungsmodellierung – Eine anwendungsorientierte Einführung in die Kausalanalyse mit Hilfe von AMOS, SmartPLS und SPSS (2. Aufl.). Berlin.

Yaffee, R. a., & McGee, M. (2000). An Introduction to Time Series Analysis and Forecasting. San Diego.

Titel: Datenanalyse und -interpretation
verfasst von: Christian Homburg
Verlag: Springer Fachmedien Wiesbaden
Buch: Marketingmanagement
Print ISBN: 978-3-658-29635-3

Electronic ISBN: 978-3-658-29636-0

Copyright-Jahr: 2020
DOI: https://doi.org/10.1007/978-3-658-29636-0_7