Treiberanalysen: Marketingverantwortliche und Marktforscher, die in Daten die wirksamsten Maßnahmen zu finden hoffen, sind mit dutzenden statistischen Methoden konfrontiert.
Vor vielen Jahrzehnten würden regressionsbasierte Techniken in „Treiberanalysen“ umbenannt, um deutlich zu machen, worum es hier geht: nämlich herauszufinden, welche Faktoren den Erfolg treiben. Natürlich gibt es hier heute neuere, wirkungsvollere Methoden. Firmen können sich teure Fehler ersparen, indem sie von der Treiberanalyse zur Kausalanalyse wechseln. Lesen Sie hier, warum!
Das Problem mit Treiberanalysen
Treiberanalysen waren ein wichtiger Schritt, um Firmen vor Scheinkorrelationen und damit verbundenen riskanten Fehlern zu bewahren. Tatsächlich beschreibt der Begriff im Wesentlichen die Regressionsanalyse oder ähnliche ökonometrische Techniken und besitzt damit deren Limitationen.
Unflexibel
Regressionstechniken bewerten die Parameter einer festen Formel, welche die Wirkung bestimmter Faktoren auf das Ergebnis berechnet. Innerhalb dieses Modells (=Formel) gibt es die Annahme, dass die Faktoren voneinander unabhängig sind. Das heißt, dass die Parameter – unabhängig von der Situation – stets die gleichen sind.
Beispielsweise führt die Zugabe einer Flasche Wasser zu einem bestimmten Wachstum eines Baumes, unabhängig davon, wie viel Wasser der Baum bereits erhalten hat oder ob er ausreichend Sonne erhält. Wie das Beispiel zeigt, können solche Annahmen ziemlich unrealistisch sein. Die Techniken sind nicht in der Lage, Annahmen anhand empirischer Daten zu ändern und berücksichtigen zumeist nicht die nichtlinearen Eigenschaften der Realität.
Nur direkte Effekte
Darüber hinaus entstammen Regressionstechniken einer einfachen Welt: Faktoren wirken auf das Ergebnis – und Punkt. Wenn eine TV-Kampagne Google AdWords-Anzeigen auslöst, und die Klicks auf diese Anzeigen den Verkauf in die Höhe treiben, würde die Regressionsmethode dem „TV-Faktor“ einen geringeren Wirkungsparameter zuteilen, weil die Methode die Verkäufe perfekt mit Google AdWords erklären kann.
Aber in den meisten Fällen in der Praxis beeinflussen die Faktoren einander, so wie das Fernsehen auf AdWords wirkt. Wenn Analysten dies nicht berücksichtigen, messen diese nicht die volle Wirkung, sondern nur die unmittelbare Wirkung.
Treiberanalysen sind einfach nicht mehr der aktuelle Stand. Sie wurden von UNILEVER erstmals in den 1920er Jahren verwendet. Das heißt, es gibt sie schon fast ein Jahrhundert lang! Firmen benötigen eine methodologische Aktualisierung, um im 21. Jahrhundert wettbewerbsfähig zu sein.
Warum eine Lösung der Treiberanalyse-Probleme so wichtig wäre
Was wäre, wenn wir die volle und nicht nur die unmittelbare Wirkung bemessen könnten? Wenn wir Daten durch ein selbstlernendes System analysieren könnten? Eines dass realistische, aber unbekannte Eigenschaften wie Sättigungseffekte oder moderierende Faktoren entdeckt. Dann könnten wir deutlich realistischer verstehen, was den Erfolg antreibt und warum Kunden sich für eine bestimmte Marke entscheiden.
Wichtiger noch: Wir wären nicht länger genötigt, unrealistische Annahmen oder schlecht begründete Hypothesen zu erstellen. Wir hätten wirkungsvollere Empfehlungen für die Optimierung von Verkaufs- und Marketingmaßnahmen.
Die Lösung: Die selbstlernende Kausalanalyse
Die Wurzeln der Kausalanalyse reichen ebenfalls hundert Jahre zurück. Alles begann mit experimentellen Testdesigns. Neben der Tatsache, dass die Tests vieler geschäftlicher Faktoren viel zu teuer sind, sind die meisten realen Experimente mit einem weiteren Problem konfrontiert:
Es gibt weitere Ergebnistreiber, die nicht perfekt kontrolliert (d.h. konstant gehalten) werden können (z. B. durch perfekt randomisierte Tests). Daher wird selbst in Experimenten eine Art „Treiberanalyse“ benötigt, um die Wirkung von Faktoren, einschließlich der experimentellen Maßnahmen, bemessen zu können.
Die klassische Kausalanalyse
In den 1960er und 70er Jahren wurde die Regression um Pfadmodelltechniken erweitert („Structure Equation Modeling“ – SEM, „Partial Least Squares“ – PLS), die nicht nur die direkten, sondern die gesamte Wirkung von Beweggründen messen.
Später, in den 1990er Jahren, wurden Bayessche Netze (oder gerichtete azyklische Graphen – „Direct Acyclic Graphs“) entwickelt, die über SEM und PLS hinaus in der Lage sind, (in einfachen Netzwerken) die kausale Wirkungsrichtung zwischen den Variablen in den Daten zu erkennen.
Das Zeitalter des Machine Learning
All diese Methoden haben die gleiche Einschränkung: Es sind keine selbstlernenden Systeme, und die Forscher sind gezwungen, ein fixes Modell anzunehmen. Meist wird Linearität und die Unabhängigkeit der Faktoren vorausgesetzt (erinnern Sie sich an das Baum-Beispiel!).
Durch den von der NEUSREL-Software implementierten Universelle Strukturmodellierung wurde dies 2008 geändert. USM ist ein echter Durchbruch für praktische Anwendungen, da konventionelle Kausalanalysen bislang Annahmen erforderten, die in einem unternehmerischen Kontext von niemandem gerechtfertigt werden könnten.
Die gute Nachricht: Die selbstlernende Kausalanalyse ist erwiesen, verlässlich, erprobt und getestet
Seit 2008 gab es hunderte Praxisprojekte, die mithilfe der Universellen Strukturmodellierung und NEUSREL durchgeführt wurden. Viele renommierte Wissenschaftler haben die Methodik bestätigt, dutzende Artikel wurden veröffentlicht und angesehene Marken wie Audi, Deutsche Bank, L’Oréal, P&G, Unilever und viele weitere setzen diese Techniken wirksam ein.
Diese Firmen verstehen um bis zu 300 Prozent besser, warum die Kunden so reagieren, wie sie reagieren. Sie gelangen zu völlig neuen Einsichten. Sie erkunden Nichtlinearitäten und entdecken Sättigungseffekte und Optima in ihren Daten. Sie lernen, wie Faktoren und Bedingungen interagieren und wie sich Zielgruppen natürlich in Segmente unterteilen lassen.
Vorallem aber entdecken sie diese Insights, ohne vorher zu vermuten. Das ermöglicht es den Firmen, eine enorme Lernkurve zu erreichen.#
p.s. Weiterführendes zu NEUSREL und die Universelle Strukturmodelierung finden Sie hier.