Prof. Dr. Karsten Hadwich - uni-hohenheim.de · Aßfalg et al. 2003, Skript zur Vorlesung Knowledge...

Prof. Dr. Karsten Hadwich

Lehrstuhl für Dienstleistungsmanagement

Institut für Marketing & Management

Universität Hohenheim

Wollgrasweg 23, 70593 Stuttgart

E-Mail: [email protected]

Internet: www.dlm.uni-hohenheim.de

Tel.: 0711/459 – 24461

Fax: 0711/459 – 24462

© Universität Hohenheim, Lehrstuhl für Dienstleistungsmanagement, Prof. Dr. Karsten Hadwich (2017), http://www.dlm.uni-hohenheim.de


Marketing Intelligence

Wintersemester 2017/2018

0

© Universität Hohenheim, Lehrstuhl für Dienstleistungsmanagement, Prof. Dr. Karsten Hadwich (2017), http://www.dlm.uni-hohenheim.de 1

Inhalte der Veranstaltung Marketing Intelligence


Allgemeines

Lehrform:

Verbindlichkeit:

SWS:

ECTS:

Prüfung:

Vorlesung mit Übung

Pflicht

3

6

Klausur (90 min)

Veranstaltung

Vorlesung (wöchentlich):

Dienstag, 08:15 Uhr bis 09:45 Uhr (Euro-Forum

Katharinasaal)

Start: 24.10.2017

Übung (14-tägig):Dienstag, 16:00 Uhr bis 17:30 Uhr (Euro-Forum

Katharinasaal

Inhalte

07.11.2017

21.11.2017

05.12.2017

19.12.2017

16.01.2018

23.01.2018

Grundlagen

Fragebogenkonzeption & qualitative Auswertung

Multidimensionale Skalierung

Faktorenanalyse

Strukturgleichungsmodelle

Data Mining-Verfahren


Ansprechpartner der Veranstaltung



Lehrstuhlinhaber

[email protected]

Tel. 0711/459 - 24461

Denise Joecks-Laß, M.Sc.

Wissenschaftliche Mitarbeiterin

[email protected]

Tel. 0711/459 - 24465

2

Bettina Bürkin, M.Sc.

Wissenschaftliche Mitarbeiterin

[email protected]

Tel. 0711/459 - 24468


Inhalte der Veranstaltung


Inhalte und Ziele der Vorlesung:

Die Studierenden haben vertiefte Kenntnisse über die Methoden der Marktforschung

sowie über die Rolle der Marktforschung als informations- und wissensbasierte

Marketingberatung.

Sie verfügen über Kenntnisse hinsichtlich der wesentlichen Schritte eines

Marktforschungsprozesses sowie einer Auswahl von qualitativen und multivariaten

Analysemethoden.

Die Studierenden können aufzeigen, welche Entscheidungen im Rahmen von

Marktforschungsprojekten zu treffen sind und sind fähig, für verschiedene

Entscheidungssituationen fundierte Empfehlungen zu geben.

Sie verstehen die behandelten multivariaten Analysemethoden und können die

jeweiligen statistischen Daten interpretieren.

Sie sind in der Lage, die zentralen Methoden der Marktforschung nachzuvollziehen

und im Marketingkontext anzuwenden.


Grundlegende Literatur zur Veranstaltung


Kapitel 1

Kapitel 3

Göb, J. (2010):

Marketing Intelligence:

Wissen als Entscheidungs-

grundlage im Marketing,

Wiesbaden

Backhaus, K./Erichson, B./

Plinke, W./Weiber, R. (2011):

Multivariate Analysemethoden,

13. Aufl., Berlin/Heidelberg

Weiber, R./Mühlhaus, D. (2014):

Strukturgleichungsmodellierung,

Berlin/Heidelberg

Kapitel 2

Homburg, C. (2012):

Marketingmanagement,

4. Aufl., Wiesbaden

Döring, N./Bortz, B. (2016):

Forschungsmethoden und

Evaluation, 5. Aufl.,

Berlin/Heidelberg


Aßfalg et al. 2003, Skript zur Vorlesung Knowledge Discovery in Databases im Wintersemester 2007/2008, Kapitel 3: Klassifikation, LMU München,

Institut für Informatik.

Awad, W. A./ELseuofi, S. M. (2011): Machine Learning methods for E-mail Classification, in: International Journal of Computer Applications, Vol. 16,

No. 1, S. 39-45.

Berekoven, L./Eckert, W./Ellenrieder, P. (2006): Marktforschung. Methodische Grundlagen und praktische Anwendung. 11. Aufl., Wiesbaden.

Böhler, H. (1992): Marktforschung, Stuttgart.

Brown, T. (2014): Confirmatory factor analysis for applied research, New York.

Bruhn, M. (2002): Integrierte Kundenorientierung: Implementierung einer kundenorientierten Unternehmensführung, Wiesbaden.

Bruhn, M./Hadwich, K. (2006): Produkt-und Servicemanagement, München.

Buber, R./Holzmüller, H.H. (2009): Quantitative Marktforschung: Konzepte – Methoden – Analysen, 2. Aufl., Wiesbaden.

Ceglar, A./Roddick, J. F. (2006): Association mining, in: ACM Computing Surveys (CSUR), Vol. 38, No. 2, S. 1-42.

Churchill, G.A. (1979): A paradigm for developing better measures of marketing constructs, in: Journal of marketing research, Vol. 16, No. 1, S.64-73.

Diamantopoulos, A./Winklhofer, H.M. (2001): Index construction with formative indicators: an alternative to scale development, in: Journal of Marketing

research, Vol. 38, No. 2, S. 269-277.

Gupta, V./Lehal, G.S. (2009): A Survey of Text Mining Techniques and Applications, in: Journal of emerging technologies in web intelligence, Vol. 1, No.

1, S. 60-76.

Hammann, P./Erichson, B. (2000): Marktforschung, 4., überarbeitete und erweiterte Aufl., Stuttgart.

Kuß A. (2012): Marktforschung, 4. Aufl., Wiesbaden.

Koschate, N. (2002): Kundenzufriedenheit und Preisverhalten, Köln.

Linoff, G. S., & Berry, M. J. (2011). Data mining techniques: for marketing, sales, and customer relationship management. John Wiley & Sons.

Lincoln, Y. S.; Guba, E. G. (1985): Naturalistic Inquiry. Beverly Hills pp.:Sage Publications

Malhotra, N.K. (2010): Marketing research: An applied orientation, Prentice Hall

Manning et al. 2008, Introduction to information retrieval, Chapter 15: Support vector machines and machine learning on documents, Cambridge.

Mayring, P. (2015): Qualitative Inhaltsanalyse : Grundlagen und Techniken, Weinheim.

Rossiter, J.R. (2002): The C-OAR-SE procedure for scale development in marketing, in: International journal of research in marketing, Vol. 19, No. 4, S.

305-335.

Shaw, M. J., Subramaniam, C., Tan, G. W., & Welge, M. E. (2001). Knowledge management and data mining for marketing. Decision support systems,

31(1), 127-137.

Shimodaira, H. (2014). Text classification using naive bayes. Learning and Data Note, 7, pp.1-9.

Ergänzende Literatur


5




Literatur- und Terminübersicht:

Stunde Datum Inhalt Literatur zur Klausurvorbereitung

1 24.10.2017

Grundlagen

Untersuchungs-

problem und -design

Göb, J. (2010): Marketing Intelligence: Wissen als Entscheidungsgrundlage im Marketing,

Wiesbaden. S.87 - 130.

Homburg, C. (2012): Marketingmanagement, 4. Aufl., Wiesbaden. S.249 - 429.

2 31.10.2017 Feiertag – Vorlesung entfällt

3 07.11.2017

Marktforschungs-

methode und

Datenerhebung

Homburg, C. (2012): Marketingmanagement, 4. Aufl., Wiesbaden. S.249 - 429.

Döring, N./Bortz, J. (2016): Forschungsmethoden und Evaluation, 5. Aufl., Berlin/Heidelberg, S.

181 - 220, S. 321 - 577.

4 14.11.2017

Marktforschungs-

methode und

Datenerhebung

und

Qualitative

Methoden

Homburg, C. (2012): Marketingmanagement, 4. Aufl., Wiesbaden. S.249 - 429


181 - 220, S. 321 - 577.

5 21.11.2017 Gastvortrag

6 28.11.2017

Qualitative

Methoden und

Multidimensionale

Skalierung


181 - 220, S. 321 - 577.

Backhaus, K./Erichson, B./Plinke, W./Weiber, R. (2011): Multivariate Analysemethoden, 13. Aufl.,

Berlin/Heidelberg. S. 611 - 618.




Literatur- und Terminübersicht:

Stunde Datum Inhalt Literatur zur Klausurvorbereitung

7 05.12.2017Multidimensionale

Skalierung


Berlin/Heidelberg. S.611 - 618.

8 12.12.2017Konfirmatorische

Faktorenanalyse


Berlin/Heidelberg. S.589 - 596.

Weiber, R./Mühlhaus, D. (2014): Strukturgleichungsmodellierung, Berlin/Heidelberg.

9 19.12.2017 Gastvortrag

10 09.01.2018Strukturgleichungs-

modelle Weiber, R./Mühlhaus, D. (2014): Strukturgleichungsmodellierung, Berlin/Heidelberg.

11 16.01.2018Strukturgleichungs-

modelle Weiber, R./Mühlhaus, D. (2010): Strukturgleichungsmodellierung, Berlin/Heidelberg.

12 23.01.2018Data Mining-

Verfahren

Liu, B. (2011): Web Data Mining – Exploring Hyperlinks, Contents and Usage Data, 2nd. ed.,

Heidelberg u.a.

Aggarwal, C.C./Zhai, C.X. (2012): Mining Text Data, New York u.a.

13 30.01.2018 Wiederholung & Klausurvorbereitung


Wichtige Informationen und Handouts zu dieser Veranstaltung finden Sie

ab sofort auf der ILIAS-Plattform:

https://ilias.uni-hohenheim.de

Die Unterlagen sind ab der zweiten Vorlesungswoche passwortgeschützt.

Das Passwort lautet:

Veranstaltungsunterlagen

Organisation

8


Inhaltsübersicht

1. Konzept der Marketing Intelligence

1.1 Grundlagen der Marketing Intelligence

1.2 Grundlagen der Marktforschung

2. Marktforschungsprozess

2.1 Festlegung von Untersuchungsproblem und -design

2.2 Auswahl der Marktforschungsmethode und Datenerhebung

2.2.1 Festlegung der Datenerhebungsmethode

2.2.2 Stichprobenauswahl

2.2.3 Entwicklung des Erhebungsinstrumentes

2.3 Qualitative Datenanalyse und -interpretation

2.4 Quantitative Datenanalyse und -interpretation

9


Inhaltsübersicht

3. Klassische multivariate Analyseverfahren

3.1 Multidimensionale Skalierung

3.2 Konfirmatorische Faktorenanalyse

3.3 Strukturgleichungsmodelle

4. Data Mining-Verfahren

4.1 Prozess und Verfahren im Überblick

4.2 Klassifikationsverfahren

4.3 Assoziationsverfahren

4.4 Clustering

10


Inhaltsübersicht












11


Inhaltsübersicht












12


Begriff der Marketing Intelligence


13

Angebotsseite

von Marketing-

informationen

(Datenseite)

Marketing

Intelligence

Nachfrageseite

von Marketing-

informationen

(Entscheidungs-

seite)

EntscheidungVerbesserung der

Entscheidungs-

qualität

Quelle: Göb 2010, S. 96


Informationsdefizit als Ausgangsbasis der Marktforschung


Definition: Marketing Intelligence

„Marketing Intelligence ist ein kontinuierlicher Prozess der Bildung von

Marketingwissen aus marketingrelevanten Daten bzw. Informationen sowie

subjektiven Erfahrungen mit dem Ziel, Marketingentscheidungen zu verbessern

und Marketingentscheider zu unterstützen.“

14

Quelle: Göb 2010, S. 95f.


Bezugsrahmen von Marketing Intelligence


15

U N T E R N E H M E N S E I N F L Ü S S E

U M W E LT E I N F L Ü S S E

DA

TE

NS

EIT

E(A

ng

eb

ots

seite

vo

n M

ark

etin

gin

form

atio

nen

) EN

TS

CH

EID

UN

GS

SE

ITE

(Na

ch

frage

se

ite v

on

Ma

rke

tingin

form

atio

ne

n)

Marketing Intelligence-Cycle

Entscheidung

Informationsebene

Wissensebene

Datenebene



Marketing Intelligence-Cycle


16

Entscheidungsseite

(Nachfrageseite von

Marketing-

informationen)

Datenseite

(Angebotsseite von

Marketing-

informationen)

Datenebene

• Definition des Analyseziels

• Informationsbedarfsanalyse

Informationsebene

• Prozess der Datenintegration

• Verfahren zur Analyse von

Marketingdaten

• Generierung von Marketing

Insights

Analyse, Anreicherung

ProblemverständnisProblemdefinition

Wissensebene

• Wissensschaffung und -verteilung

(Sozialisation, Externalisierung,

Kombination, Internalisierung)

• Ganzheitliches Management von

Wissen

Problemlösung



Datenebene: Big Data


17

Quelle: BITKOM 2012, S. 19

„Big Data bezeichnet den Einsatz großer Datenmengen aus vielfältigen Quellen mit einer hohen

Verarbeitungsgeschwindigkeit zur Erzeugung wirtschaftlichen Nutzens.“

(BITKOM 2012, S. 21)

Datenmenge (Volume)

Anzahl von Datensätzen und FilesYottabytesZettabytesExabytesPetabytesTerabytes

Datengenerierung in hoher

GeschwindigkeitÜbertragung der konstant erzeugten DatenEchtzeitMillisekundenSekunden | Minuten | Stunden

Geschwindigkeit (Velocity)

Erkennen von Zusammenhängen,

Bedeutungen, MusternVorhersagemodelle

Data MiningText Mining

Bildanalytik | Visualisierung | Realtime

Analytics

Datenvielfalt (Variety)

Fremddaten (Web etc.)Firmendaten

unstrukturierte, semistrukturierte,

strukturierte DatenPräsentationen | Texte | Video | Bilder | Tweets | Blogs

Kommunikation zwischen Maschinen

Big Data


Datenebene: Entstehung von Big Data


18

Quelle: BITKOM 2012, S. 13

18

14

3

2

8

13

27

14

33

37

43

32

14

3

5

11

11

41

22

24

30

41

30

500 - 1000 Mitarbeiter über 1000 Mitarbeiter

Cloud Computing (IaaS, PaaS, SaaS)

Collaboration (File Sharing, Web Conferencing, etc.)

IP-basierte Kommunikation (VOIP, Chat, Video, Unified Communications)

Machine-to-Machine (M2M) / Einsatz von Sensor- u. Chip-

Technologien (Smart Energy, Logistik, etc.)

Digitalisierung von Geschäftsmodellen (eCommerce, Online Advertisement)

Social Media (Facebook, Twitter, Blog etc.)

Video-Streaming und Media-Distribution (Audio, Film, TV)

Online Gaming und Entertainment (Browser Games, Apps)

Sonstige

Keine Angaben / Weiß nicht

(Mehrfachnennung möglich) Angaben in Prozent

Mobile Nutzung des Internets via Smartphones, Pads und Net / Notebooks

Welche Treiber sind für das Datenwachstum in Ihrem Unternehmen wesentlich?


Informationsebene: Datenintegration und -analyse (I)


19

integrierte Marketinginformationen

Daten

DatenDaten

Um integrierte Marketinginformationen zu

erhalten, ergibt sich die Notwendigkeit zur

• Datenselektion

• Datenaufbereitung

• Datenfusion

Ziel: Von Big Data zu Big Knowledge

Die durch den Begriff Big Data bezeichneten riesigen Datenmengen lassen sich

aufgrund des Ausmaßes bzw. der Komplexität nicht direkt für Marketingentscheidungen

verwenden.


Informationsebene: Datenintegration und -analyse (II)


20

Quelle: Neckel/Knobloch 2005, S. 83 f.; Göb 2010, S. 166

Untersuchungs-

problem

Analyseziel

Verfahrensklasse

Verfahrensebene

Datenanalyse

Anwendungsebene

Hypothesenverifikation

Hypothesengetriebene Analyse

(top-down)

„Klassische“ Verfahren

• OLAP

• Clusteranalyse

• Faktorenanalyse

• Varianzanalyse

• Regressionsanalyse

• Multidimensionale Skalierung

• Portfolio-Analyse

• …

Data Mining-Verfahren

• Entscheidungsbäume

• Heuristiken

• Künstliche neuronale Netze

• Assoziationsmethoden

• Clusteranalyse

• Klassifikationsverfahren

• Evolutionäre Algorithmen

• Bayesianische Netze

• …

Datenmustererkennung

Datengetriebene Analyse

(bottom-up)


Informationsebene: Data Mining


21

“Data Mining is a problem-solving methodology that finds a logical or mathematical description,

eventually of a complex nature, of patterns and regularities in a set of data.”

(Decker/Focardi 1995, S. 3)

Data Mining ist der Sammelbegriff für unterschiedliche rechnergestützte Verfahren zur Analyse

großer Datenbestände. Mit Data Mining lassen sich Muster in vorliegenden Datenbeständen

finden, die z.B. durch mathematische Beschreibungen abgebildet werden können (Chamoni 2013).

(Quelle: Fayyad/Piatetsky-Shapiro/Smyth 1996, S. 41)

DB

Auswahl

Vorverarbeitung

Transformation

Data Mining

Interpretation

Wissen

Zieldaten

Vorverarbeitete

Daten

Transformierte

Daten

Muster


Wissensebene: Verknüpfung von Informationen


22

Erst die Verknüpfung bzw. Integration von erhaltenen Marketinginformationen

(Marketing Insights) in die Prozesse zur Entscheidungsfindung im Marketing

zusammen mit einer entsprechenden Interpretation generiert Marketingwissen, das in

Handlungen umgesetzt werden kann.

Notwendig: Austausch zwischen Daten- und Entscheiderseite

Entscheidungsprozesse des Marketing

Marketing

Insights

Verbesserung der

Qualität der

Marketing-

entscheidungen

Anwendungs-

bezogenes

Marketing-

wissen

+ Interpretation



Wissensebene: Beispiel eines Marketing Intelligence-Systems


23

Quelle: in Anlehnung an Wimmer/Göb 2005, S. 397

• Absatz, Umsatz,

Markt-/Kundenanteil

• DB, Gewinn

• Marktpotenzial/-volumen

• Markenwert

• Image, Bekanntheit

• Markenbild/-persönlichkeit

• Markenbewusstsein

• …

Endkunden (Consumer Insight):

• Segmente

• Lifestyles, Motive

• Kauf-/Informationsverhalten

• …

Handel:

• Distribution

• …

• Kundenwert

• Kundenzufriedenheit

• Kundenloyalität

• Kundenwünsche/-bedürfnisse

• Kundeneinstellungen

• Customer Profiling

• Predictive Analytics

• …

• Wettbewerbs- und Lieferanten-

aktivitäten

• Technologietrends

• Wettbewerbsintensität und

-dynamik

• Competitor Benchmarking

• Gesellschaft und Ökologie

• Politisches Klima

• …

Market

Intelligence

Product/Brand

Intelligence

Customer

Intelligence

Competitive

Intelligence


Wissensebene: Marketing Intelligence-Pyramide


24

Marketing-

beratung

Marketingwissen

Integrierte

Marketinginformationen

Marktforschungsinformationen

Marktforschungsdaten

Wissensbasierte

Marketingberatung

• Erkenntnisse und Einsichten

(Insights)

• Problembezogene Lösungs-

vorschläge

• Empirisch begründete

Handlungsempfehlungen

Consultancy Skills

Knowledge Skills

Integration mit weiteren unternehmens-

internen und -externen problemrelevanten

Marketingdaten

Analytische Fähigkeiten

Mark

eti

ng

In

tellig

en

ce

Tra

ditio

nelle

Mark

tfors

chung



Inhaltsübersicht












25


Quelle: Kroeber-Riel/Weinberg/Gröppel-Klein 2009

Forschungsansätze des Konsumentenverhaltens


S R

z.B. attraktives Produkt Mensch z.B. Impulskauf

Kennzeichnung des behavioristischen Forschungsansatzes

Stimulus „Black Box“ Reaktion

S R

z.B. Werbeanzeige aktivierende Prozesse,

z.B. Einstellung

kognitive Prozesse,

z.B. Lernen

z.B. Kauf

Kennzeichnung des neo-behavioristischen Forschungsansatzes

Stimulus Vermittelnder

Organismus

Reaktion

O

26


Informationsdefizit als Ausgangsbasis der Marktforschung


Daher: Marktforschung ist kein Selbstzweck, sondern ein Instrument!

Definition: Marktforschung

Marktforschung umfasst die Gewinnung, Auswertung und Interpretation

von Informationen über jetzige und zukünftige Marketingsituationen und

-entscheidungen einer Unternehmung.

27


Aufgabenverteilung der Marktforschung und des Marketing


Quelle: Kuß 2012, S. 3

Aufgaben der

Marktforschung

Aufgaben des

Marketing

Identifizierung von

Marketingchancen

und -problemen

Überprüfung der

vorgeschlagenen

Marketingmaßnahmen

Überprüfung des

Erfolgs der Marketing-

maßnahmen

Entwicklung entsprechender

Marketingmaßnahmen

Realisierung der

Marketingmaßnahmen

Modifizierung / Verbesserung

der Marketingmaßnahmen

28


Allgemeine Untersuchungsbereiche der Marktforschung


Quelle: Bruhn 2009

29

Wirkungen der

Marketinginstrumente

- Veränderungen von Marktreaktionen

Entwicklung des Marktes

- (Teil-)Marktchancen

- Marktpotential

Beobachtung unternehmens-

spezifischer Marketingfaktoren

Verhalten der Marktteilnehmer

- Konsumentenforschung

- Handelsforschung

- Konkurrenzforschung

Untersuchungs-

bereiche der

Marktforschung


Aber auch…


Quelle: Kuß 2012, S.4f.

30

Untersuchungsergebnisse werden dazu verwendet, eigene

Entscheidungen (z. B. Produktentwicklungen) zu begründen.Unterstützung der

eigenen Meinung

Misserfolge lassen sich leichter rechtfertigen, wenn belegt

werden kann, dass im Vorfeld die Alternativen sorgfältig

untersucht wurden.

Absicherung bei

Misserfolg

„Notwendige“ weitere Untersuchungen werden als Grundlage

dafür genommen eine (Produkt-)Entscheidung hinauszuzögern.Verzögerung von

Entscheidungen

Fragen der Verwechslung von Marken, Irreführungen durch

Werbung etc. lassen sich durch Marktbefragungen klären.Hilfsmittel bei

rechtlichen Belangen

z. B. „Deutschlands meistgekaufte Programmzeitschrift“,

„Europas beliebtester Kleinwagen“Argumente für PR

und Werbung


Mögliche Nutzer von Marktforschungsdaten


Quelle: Kuß 2012, S.5f.

31

Konsumgüter-

unternehmen

z. B.: Regelmäßige Messung

von Bedürfnissen („Tracking“)

Dienstleistungs-

unternehmen

z. B.: Regelmäßige Messung

der Kundenzufriedenheit

Einzelhandel

z. B.: Kundensegmentierung

und -ansprache durch Kunden-

karten

Werbebranche

z. B.: Werbewirkungsforschung

Medien

z. B.: Bestimmung von Ziel-

gruppen für neue Zeitschriften,

TV-Formate etc.

Staatliche Stellen

z. B.: Messung von Konsum-

gewohnheiten im Stadtmarketing,

Tourismusverband


Inhaltsübersicht












32

Prof. Dr. Karsten Hadwich - uni-hohenheim.de · Aßfalg et al. 2003, Skript zur Vorlesung Knowledge...

Documents

Transcript of Prof. Dr. Karsten Hadwich - uni-hohenheim.de · Aßfalg et al. 2003, Skript zur Vorlesung Knowledge...