Zur Veranschaulichung habe ich hier ein fiktives Beispiel. Es handelt von einer Befragung von Kunden eines Supermarktes. Die Kunden werden befragt, welche Art von Lebensmitteln sie bevorzugen: (a) Produkte aus konventioneller Landwirtschaft (Tab. 1) und (b) Produkte aus biologischer Landwirtschaft. Dabei Reihen die Kunden Begriffe die im Zusammengang mit den Produkten stehen nach Wichtigkeit, zu den Kriterien zählen Qualität, Aussehen, Vielfalt, Verfügbarkeit und Preis. Durch die Betrachtung der Häufigkeiten der Rangplätze lässt sich schon gut abschätzen, welcher Begriff an erster Stelle steht, hier ist bei den Produkte aus konventioneller Landwirtschaft der “Geschmack” an erster Stelle und bei Produkte aus biologischer Landwirtschaft die “Qualität”.
(a) Produkte aus konventioneller Landwirtschaft

Was sich nicht aus den Häufigkeiten ableitet, ist die Information wie bedeutend der Unterschied unter den Rangplätzen ist. Dafür kann die oben beschriebene Maßzahl angewendet werden. Da es sich um einen z-Transformierten Wert handelt, kann der Wert zum Abschätzen der “Wichtigkeit” dienen.
(b) Produkte aus biologischer Landwirtschaft

In diesem Beispiel zeigt sich, dass bei Kunden die Bioprodukte kaufen “Qualität” überdurchschnittlich an erster Stelle steht und das bei Kunden die konventionelle Produkte kaufen, “Geschmack”, “Preis” und “Vielfalt” gleichwertig sind und hier an erster Stelle stehen.

(c)Gegenüberstellung biologischer Landwirtschaft mit konventioneller Landwirtschaft

Literatur:
[1]Bortz, J. & Döring, N. (2006). Forschungsmethoden und Evaluation für Human- und Sozialwissenschaftler (4. Auflage). Berlin: Springer. Seite 155

[1] Borz, Döring; Forschungsmethoden und Evaluation, Springer 2006; Seite 157

Das Kano-Modell unterscheidet fünf Ebenen der Qualität:
Basis-Merkmale, selbstverständlich Eigenschaft (Must-be)
Leistungs-Merkmale, bewusste Eigenschaften (One-dimensional)
Begeisterungs-Merkmale, nutzen stiftende Merkmale (Attractive)
Unerhebliche Merkmale (Indifferent)
Rückweisungs-Merkmale (Reverse)

Der so genannte Kano-Fragebogen besteht aus zwei hypothetischen Fragen, die funktionale Frage und die dysfunktionale Frage. Für die Beantwortung steht eine sechsteilige Antwortskala bzw. eine dreiteilige modifizierte Antwortskala zur Verfügung.
Die funktionale Frage bezieht sich auf vorhandene Attribute eines Produkts
und die dysfunktionale Frage auf die Nicht-Existenz des Attributs.

Beispiel:
Das Geschäft ist leicht zu finden. Was denken Sie darüber?
• Das würde mich sehr freuen
• Das setze ich voraus
• Das ist mir egal

Das Geschäft ist nicht leicht zu finden. Was denken Sie darüber?
• Das ist mir egal
• Das könnte ich in Kauf nehmen
• Das würde mich sehr stören

Die Datenerhebung ist die eigentliche Herausforderung eines Kano-Umfrageprojektes. Durch den Aufbau der Fragen ist die Befragung sehr monoton und verlangt viel Einsatz vom Befragten. Es ist daher für den Erfolg der Untersuchung wichtig seine Untersuchungsgruppe genau zu kennen und Anweisungen zum richtigen Ausfüllen in Form von Beispielen dem Fragebogen beizulegen.

Die Datenanalyse der Kano-Methode erfolgt über Auswertung nach Häufigkeiten dazu existieren Auswertungsregeln. Technisch werden die Häufigkeiten mittels der Auswertungstabelle kodiert. Bei wenigen Daten empfiehlt es sich die Kodierung händisch zu erfassen. Bei großen Datenmengen mit Excel oder Open Office über Formeln (wenn dann Bezüge) mit SPSS geht es über Umcodieren der Variablen. Am eleganteste geht es mit der Statistik-Software R.

Category Strength ist eine Maßzahl die die angibt ob eine Anforderung nur in eine Kategorie gehört.
Cat = Häufigste Nennung – Zweithäufigste Nennung

Total Strength als zweite Maßzahl gibt an wie hoch der Anteil an bedeutenden Produktmerkmalen ist.
Tot = A + O + M

Eine detaillierte Datenanalyse stellen die Kundenzufriedenheitskoeffizienten dar (CS+ Zufriedenheits-Koeffizient und CS- Un-Zufriedenheits-Koeffizient ).

Cs+ = (A+O) / (A+O+M+I)
Cs- = (O+M) / (A+O+M+I)

Der Wertebereich reicht von eins bis null (CS+) und von null bis minus eins (CS-). Werte ab 0,5 bzw.-0,5 werden als bedeutsam betrachtet.

Self-Stated Importance (Fong-Test) Signifikanz der Zuordnung
abs(a-b) < 1.65 * sqrt(((a+b)(2n-a-b)) /2n)
a und b Häufigkeiten der stärksten Kategorien n Anzahl der Befragten

Beispiel Auswertung Kano-Methode

Beispiel Grafik Kano-Methode Zufriedenheitsfaktoren

Die Ausführung der Auswertung als Grafik und in Tabellenform wurde von mir mit “R” durchgeführt. Sobald ich die Dokumentation fertig erstellt habe, werde ich es hier online stellen.

Literatur:
Jörg A. Holzing; Die Kano-Theorie der Kundenzufriedenheitsmessung; 2008
Elmar Sauerwein; Das Kano-Modell der Kundenzufriedenheit; 2000
Wikipedia; Kano-Modell; http://de.wikipedia.org/wiki/Kano-Modell

Update:
Dieser Bericht über das Kano-Modell bringt einige Fragen und ich freue mich über die Kommentare. Leider ist es nicht möglich umfassende Fragen zum Modell in den Kommentaren auf Grund ihrer Komplexheit zu beantworten.

Ich biete aber gerne eine Beratung, die Beantwortung komplexer Fragen und die Unterstütztung der grafischen Aufbereitung an.

Werbung

An und für sich durchaus interessante Fragen, wenn überlegt wird, andere Angebote einzuführen. Wozu aber eh statistisch vorhandene Fragen (ich nehme an, dass am Abend beim Automaten eine Aufstellung der verkauften Einzel, 10er Karten etc. ausgegeben wird) abgefragt werden.

Gefehlt haben mir vor allem die Fragen nach den Leistungsangebot. Habe ich Wünsche, Anregungen, Beschwerden.
Die Chance von den Besuchern ein Feedback zu bekommen. Vertan!

Wasser

Dieses tolle Bild ist von wetwater und auf flickr unter CC zu finden.

Abschließend kann noch gesagt werden, dass ein durchgeführtes Kundenfeedback sehr spannend ist. Ich freue mich über die schnellen Feedbacks kurz nach dem Versand per E-Mail und ebenso freue ich mich über die positiven Feedbacks und danke allen für ihre Anregungen.

Beeindruckend auf der useR 2008 war für mich die internationale Entwickler-Community kennen zulernen und deren spannende Vorträge zu hören. Besonders hilfreich war der Beitrag von Duncan Murdoch “Package Development in Windows”, weil kleine Tipps nicht in der Literatur zu finden ist.

Von den vielen Sessions mit den unterschiedlichen Themenbereichen von “Applied Statistics & Biostatistics” bis zu “Visualization & Graphics” konnte ich leider nur eine begrenzte Anzahl besuchen, da mehrere Sessions parallel liefen.

Von den vielen Eindrücken möchte ich einzelne Thesen zu R festhalten. Graham J. Williams (Australian Taxation Office) beschreibt in seinem Vortrag “Deploying Data Mining in Government” R als die Konkurrenz zu den kommerziellen Produkten wie SPSS, SAS, Stata, S, u.a. Kommerzielle Produkte suggerieren, dass mit einem Klick Daten analysiert werden, das stimmt seiner Meinung nur bedingt. Sein Credo lautet: “investiert in die Mitarbeiter und nicht in die Software und dabei ist R die beste Wahl”. Auf Grund des universitären Hintergrundes ist die Software methodisch abgesichert und die Tatsache das R unter einer GNU-Lizenz veröffentlicht ist, garantiert eine Vielfalt an Modulen. Die “großen” Statistik Programme wie SPSS haben bereits erkannt, das R in Zukunft an Bedeutung gewinnen wird und bieten mittlerweile Schnittstellen zu R.

Eines der großen Schwachstellen von R die Speicherlimtierung war ein anderer Themenschwerpunkten, der vor allem die Bioinformatiker beschäftigt. Eine Lösung scheint derzeit noch keine in Sicht einzelne Ansätze wie die Virtualisierung von Speicher wurde in mehreren Vorträgen diskutiert.

Zum Thema “User Interfaces” gab es von Rudolf Dutter von der Uni Wien einen für mich spannenden Vortrag “A Graphical User Interface for Environmental Statistics”. Dieses Userinterface (DAS+R) könnte ich mir gut, mit ein paar kleinen Änderungen, für den Einsatz beim Kunden vorstellen. Es gab noch weitere interessante Ansätze zu Userinterfaces meiner Meinung nach sind die meisten eher der Kategorie Experiment zu zuorden. Interssanter ist der Ansatz die Integration von R in Excel vom Vortragenden Erich Neuwirth “R meets the Workplace – Embedding R into Excel and making it more accessible”. Diesen Vortrag habe ich aber leider nicht gesehen, weil ein ebenfalls interessanter Bioinformatikvortrag parallel lief. RExcel – Using R from within Excel

Beispiel für eine zwei mal zwei Tabelle
1. Frage: Kreuzen Sie ihr Geschlecht an.
Antwortmöglichkeiten: männlich/weiblich

2 Frage: Sehen sie sich die Fußball-EM im TV an?
Antwortmöglichkeiten: ja/nein

Tab 1: Kreuztabelle
.
H0: Zwischen Männern und Frauen besteht hinsichtlich der Absicht sich die EM im TV anzusehen kein signifikanter Unterschied.

Wenn die Analyse mit SPSS durchgeführt wird, ergibt der Output eine Tabelle mit einer Vielzahl an Signifikanzen: Asymptotische Signifikanz, Exakte Signifikanz, Chi-Quadrat nach Pearson Kontinuitätskorrektur, Likelihood-Quotient, Exakter Test nach Fisher, Zusammenhang linear-mit-linear. Welcher Wert zu interpretieren ist, ist für einen Anfänger oft nicht sofort ersichtlich.

Tab 2: Ergebnisse Chi-Quadrat-Test (SPSS-Output)

Um den richtigen Wert herauszufinden sind ein paar Grundüberlegungen zu tätigen. Die erste Frage ist immer, welches Skalenniveau liegt vor. Die zweite Frage lautet nach der Größe der Stichprobe. Und die letzte, welche ist die unabhängige und Welche ist die abhängige Variable.

Dabei gelten folgende Faustregeln:
Wenn die Stichprobe weniger als 20 Fälle hat, wird der exakte Fisher-test verwendet. Zwischen 20 und 60 Fällen, wird bei der Teststatistik die Yates-Korrektur (Kontinuitätskorrektur) verwendet. Bei mehr als 60 Fällen der Chi-Quadrat-Test nach Pearson.[1]

In diesem Beispiel ist ganz klar ersichtlich, welche die unabhängige und die abhängige Variable ist. Es ist nicht vom Fernsehen abhängig, welches Geschlecht die Personen haben. Also ist Geschlecht die unabhängige Variable.
Aus dieser Angabe lässt sich die Hypothese ableiten.
Die Hypothese lautet: H0: Es besteht kein signifikanter Unterschied zwischen den Geschlechtern.

Da die Stichprobengröße zwischen 20 und 60 liegt, wird bei der Teststatistik Chi-Quadrat-Test die Yates-Korrektur (Kontinuitätskorrektur) verwendet.
Die Geschlechter unterscheiden sich signifikant (p=0,027) hinsichtlich ihrer Bereitschaft Die Fußball-EM im Fernsehen zu sehen. Will man mehr über die Zusammenhänge wissen, muss man noch weitere Assoziationsmaße berechnen. Die bekanntesten Tests dazu sind der Phi-Koeffizient und die Korrelation. In unserem Fall ist der Phi-Koeffizient ein gutes Maß um die Stärke des Zusammenhang zu testen. Auch hier kann bei SPSS eine Vielzahl von Tests gewählt werden und die Ausgabe ist umfangreich.

Tab 3: Assoziationsmaße

Für den Phi -Wert besteht folgende Faustregel; ein Wert größer 0,30 wird als bedeutend betrachtet [1]. In unserem Fall besteht also ein bedeutender Zusammenhang. Zur Veranschaulichung des Zusammenhangs sind aber die vorgestellten Maßzahlen nur für Experten brauchbar. Anschaulicher ist immer ein Diagramm und da ist leider SPSS etwas aufwendiger zu bedienen, weshalb oft auf Open Office oder Ms-Offfice zurückgegriffen werden muss.

Kreuztabellen mit R

Unter Umständern ist es etwas einfacher ist die Auswertung mit der freien Statistik Software R zu machen. R berechnet bei der Auswahl des Chi² -Test sofort den richtigen Wert. Phi kann über das Zusatzpaket “Psych” berechnet werden (oder man rechnet die Teststatistik selbst aus).

# Erstellung der Kreuztabelle
my.table <- matrix(c(6,14,21,11),2,2)
dimnames(my.table)<- list( Sex=c("Frauen","Männer" ) ,Fußball=c("Ja","Nein" ))

# Chi-Test
chisq.test(my.table)

Tab 4: Chi -Quadrat- Test mit R

Die eigentliche Stärke von R ist die Möglichkeit das statistische Grafiken mit vergleichsweise wenig Aufwand erstellt werden können.

Abb 1: Balkendiagramm, Mosaicplot und Gestapelte Balkendiagramme
Im ersten Diagramm sieht man eine einfache Häufigkeitsverteilung. Der zweite Plot ist ein Mosaicplot der die Residuen (die Abweichungen zwischen den beobachteten Häufigkeiten und den zu erwarteten Häufigkeiten) darstellt. Die beiden unteren Plots sind jeweils gestapelte Balkendiagramme die die Zeilen bzw. Spaltenprozent der Kreuztabelle grafisch darstellen.

Eine noch anspruchsvollere Darstellung der Residuen kann über das R-modul vcd (Visualizing Categorical Data) aufgerufen werden (assoc).

Abb 2: Darstellung der Residuen als Flächen

Download:
SPSS Syntax- File
R-File

Literatur:
[1] Backhaus Erichson Plinke Weiber 2006, Multivariate Analysemethoden, Eine anwendungsorientierte Einführung - 11. Auflage; Springer-Lehrbuch Seite 244 - 257

R-Module:
Mosaik

Für good-practice Modelle von Unternehmen im Bereich der Vereinbarkeit von Beruf und Familie machten wir den Schnitt von den Interviews. Die Interviews wurden von StudentInnen im Rahmen eines Seminares und von einer Diplomandin erstellt. Hier mussten Themen, welche nicht passen waren, aber auch unpassende und störende Lärmquellen herausgeschnitten werden. Wichtig war auch das Interview material mitunter eine Stunde in eine komprimierte Kurzfassung zu bringen. Zusätzlich wurden die Audios mit einer An- und Abmoderation versehen. Neben dem Schnitt und der Interviewaufnahme eines Gespräches ist geplant, dass in Zukunft mehr Interviews von uns geführt werden.

Für die nächsten Monate sollen neue spannende Praxis beispiele als Audios veröffentlicht werden, die zeigen, wie Familie und Arbeit gelingen kann.