Sie sind auf Seite 1von 4

Brand Connectionism: Mit neuronalen Netzen Verbraucher verstehen Nach Lehrbuchmeinung erfllen Marken in Kaufentscheidungen die wichtigen psychologischen

Funktionen, den Verbraucher vor zu komplexen berlegungen zu entlasten und sie helfen ihm, sich zu orientieren. Der Such- und Informationsaufwand wird reduziert indem Qualitt und andere Nutzenaspekte signalisiert werden. Auerdem wird der Marke auf Grund ihrer Bekanntheit und Kompetenz Vertrauen entgegengebracht, so dass sich der Verbraucher Prf- und Kontrollaufwand erspart. Die Forschungsergebnisse sind aber leider nicht sehr eindeutig, was den Einfluss von Markennamen auf die Kaufentscheidungen betrifft: Einige Untersuchungen zeigen, dass prferierte Markennamen zu positiveren Produktbewertungen fhren, andere Studien konnten diese Effekte nicht nachweisen. Infolgedessen hat man die Umstnde und Prozesse untersucht, in denen Markennamen die Produktbewertungen positiv oder negativ beeinflussen. Mittlerweile geht man davon aus, dass Marken (Markennamen) und Produktinformationen unterschiedlich verarbeitet werden, wie nachfolgend kurz skizziert. Marken stellen dabei Heuristiken dar: Im Laufe der Zeit (und durch gute Kommunikation) werden Assoziationen zwischen Markennamen und Produktqualitten gelernt, so dass man ohne tiefergehende bewusste berlegungen von der Regel Marke X = Qualitt ausgehen kann. Detailinformationen von Produkten mssen dagegen systematisch analysiert und aufmerksam gegeneinander abgewogen und zu einem Gesamturteil integriert werden. Diese systematische Verarbeitung bentigt kognitiven Aufwand und hngt vom Willen und Knnen des Verbrauchers ab. Diese systematische Verarbeitung ist aber nach Auffassung eher die Ausnahme als die Regel, denn in den meisten Entscheidungssituationen handeln wir Verbraucher aus Routine und ohne mhevolles Abwgen der Informationen der Werbung. Man geht davon aus, dass die Wichtigkeit einer Entscheidung und damit das sogenannte persnliche Involvement den Ausschlag gibt, ob heuristisch (nach Marke) oder systematisch (nach Produktinformationen) verarbeitet wird. Aber wie funktioniert das Umschalten zwischen heuristischer und systematischer Verarbeitung im Kopf des Verbrauchers genau? Wie viel Produktinformation geht noch durch bei der heuristischen Verarbeitung? Und welchen Einfluss kann der Markenname bei systematischer Verarbeitung noch haben? Wie sind die Informationen im Marketing zu positionieren und zu gewichten? Diese Fragen knnen wir beantworten, indem wir neben Untersuchungen des Verbraucherverhaltens durch Simulationen mit knstlichen neuronalen Netzwerken (KNN) durchfhren. KNN sind in der Forschungsrichtung des Konnektionismus entstanden wonach sich die Verarbeitung von Informationen wie im menschlichen Gehirn durch die Verbindung und Kommunikation von vielen einfachen Einheiten (Neuronen) ergeben. Informationen werden danach parallel durch die Ausbreitung von Aktivitt durch das Netzwerk verarbeitet. Das KNN lernt aus ersten Informationen durch die nderungen der Verbindungen zwischen den Neuronen. KNN werden demnach nicht nur im Data Mining zum Aufdecken von komplexeren Mustern in Daten verwendet sondern auch zur Modellierung der Verarbeitung in den Kpfen der Verbraucher. Damit konnten bereits erfolgreich grundlegende Prozesse wie Gedchtnis, Lernen, Lesen, Wahrnehmen und die Entwicklung von Einstellungen modelliert und erklrt werden.

Wir verwenden die hohe Erklrungs- und Vorhersagekraft der KNN fr die Modellierung von Verbraucherverhalten gegenber Marken und Marketingkommunikation (Brand Connectionism). Indem wir die Studienergebnisse von Verbraucherreaktionen auf Markeninformation und Werbung modellieren, knnen wir die Verarbeitung der Informationen besser verstehen, die kritischen Faktoren herausarbeiten und die Kommunikation optimieren. Dies soll an einem empirischen Beispiel erlutert werden. In einer Studie zu unserem eingangs geschilderten Problem, der Bedeutung von Markennamen bei Produktbewertungen, haben Forscher in den USA die Produktbewertungen von Schnurlostelefonen untersucht. Dabei hatten sie den Verbrauchern eine favorisierte Marke und eine nicht favorisierte Marke (unbekannte Marke) fr die Schnurlostelefone vorgestellt. Gleichzeitig variierten sie das sogenannte Involvement, indem sie der Hlfte der Verbraucher erluterten, dass ihre Bewertungen als kleine ausgewhlte Verbrauchergruppe besonders wichtig fr den bevorstehenden Relaunch in ihrer Region seien. Eine Low-Involvement Versuchsgruppe wurde vermittelt, dass sie nur ein Teil einer groangeleggten Stichprobe seien. Ihre Einschtzungen sollten nur Mglichkeiten des Marketings in anderen Regionen der USA ausloten. Bevor wir zu den Ergebnissen kommen, wollen wir erlutern, wie wir die Marken- und Produktverarbeitung in einem einfachen KNN modelliert haben (vgl. Abbildung 1): 1. Zunchst lernte das Netzwerk allmhlich in verschiedenen Schritten die Prferenzen fr zwei Marken: Fr die Marke+ wurden positive Assoziationen gelernt, fr die Marke- wurden negative Assoziationen gelernt (Route 1). 2. Dann wurde fr das Produkt (Schnurlostelefon) eine Liste mit positiven Produktattributen gelernt. 3. In einem dritten Schritt wurden die Gewichte und damit das Involvement variiert: Fr niedriges Involvement erhielt die Verbindung zwischen Produkt und Attributliste nur 1/100 der Verbindung zwischen Produkt und Marke. Fr hohes Involvement dagegen erhielt die Verbindung zwischen Produkt und Marke nur 1/100 der Verbindung zwischen Produkt und Attributliste. 4. Nach diesen Lerndurchgngen wird das Netzwerk nach der Produktbewertung unter den vier verschiedenen Bedingungen gefragt (Low Involvement Marke+, Low Involvement Marke-, High Involvement Marke+, High Involvement Marke-). Die Ergebnisse sowohl der Untersuchung in den USA (Balken) als auch die Vorhersagen unseres KNN (Linien) sind in Abbildung 2 gegenbergestellt. Wie zu erkennen ist, sind die Ergebnisse praktisch deckungsgleich. Der Unterschied zwischen den empirischen Bewertungen in der High InvolvementBedingung sind nicht signifikant und stellen somit einen Messfehler dar (den wir bei den KNN nicht haben). Es zeigt sich dass in der High Involvement-Bedingung die Markennamen keine Rolle spielen. In der Low Involvement Bedingung werden die Produkte aber (fast) nur durch die Markenwahrnehmung bestimmt. Mit Hilfe der KNN knnen wir nun bestimmen, in welchem Verhltnis Produkt und Markeninformation zueinander stehen mssen, um dieses Ergebnis zu reproduzieren, nmlich im Verhltnis 1:100. Sodann knnen wir die Simulationen mit Vernderungen im Involvement (Verbindungen) durchfhren und Vorhersagen machen, welche Effekte dies auf die Produktbewertung haben sollte. und Vertrauen wir einer Marke und bt sie hinreichend Faszination aus, dann

Anhand einer Studie wird gezeigt, dass das Kano-Modell bei Pretests wichtige Einsichten ber klassische Treiberanalysen hinaus leistet. Beim Pretesting suchen wir mit Hilfe von Treiberanalysen nach Mglichkeiten, das Werbemittel zu optimieren. Im Fokus stehen inhaltliche und gestalterische Eigenschaften, die a) einen hohen Zusammenhang mit der Wirksamkeit des Werbemittels haben (z.B. Aufmerksamkeit, Aktivierung, Liking, Kaufbereitschaft, Loyalitt, Weiterempfehlung) und b) nur unterhalb eines zufriedenstellenden Niveaus abschneiden. Das Ergebnis der Treiberanalyse ist hufig zunchst ein Handlungsportfolio aus 4-Feldern, wie es in Folie 1 dargestellt ist. Der Bereich der Eigenschaften (rechts oben), die unzureichend abschneiden und einen hohen Zusammenhang mit dem Zielkriterium haben, verdient nach dem Pretest besondere Aufmerksamkeit und sollte berarbeitet werden. Es stellt sich nun die Frage, ob diese klassische Treiberanalyse alle Informationen aufdeckt, die den Wahrnehmungen der Verbraucher zugrunde liegen. Schauen wir dazu einen Moment in die Untersuchung der Kundenzufriedenheit: Hier hat man gelernt, dass die Gesamtzufriedenheit nicht grundstzlich parallel mit der Verbesserung von Leistungsmerkmalen ansteigt, sondern dass man Begeisterungsfaktoren, Basisfaktoren und Leistungsfaktoren unterscheiden muss. Folie 2 zeigt die Bedeutung und den typischen Verlauf der drei verschiedenen Arten von Leistungskriterien. Ein Beispiel fr einen Basisfaktor, den man auch Dissatisfier nennt, knnte das unfreundliche Personal einer Gaststtte sein, die Unzufriedenheit stiftet, wohingegen freundliches Personal nicht zwangslufig Zufriedenheit auslst denn dies setzt man einfach als Basiskompetenz voraus. Demgegenber bewirkt ein kostenloser Aperitif nach dem Essen eventuell besondere Zufriedenheit mit dem Restaurant (Begeisterung), whrend das Ausbleiben dieser Leistung nicht zu Unzufriedenheit fhrt. Dieses Merkmal wre dann ein Begeisterungsfaktor (Satisfier). Lediglich die Merkmale des Typs Leistungsfaktor (Criticals) verlaufen nach der klassischen Vorstellung der Treiberanalyse: Die Gesamtzufriedenheit verluft linear mit dem steigenden Merkmal (je mehr, desto besser). Dieser Analyseansatz, der auf den Japaner Noriako Kano zurckgeht, wird erfolgreich im Bereich der Kunden- und Organisationsforschung eingesetzt. Wir stellten uns die Frage, ob das Kano-Modell auch in der Werbemittelforschung insbesondere im Rahmen des Pretesting wichtige Erkenntnisse liefert. Wir haben deshalb das Modell auf verschiedene durchgefhrte Kampagnentests angewendet und berichten hier auszugsweise die Ergebnisse zu dem Flyer der Kampagne. Folie 3 zeigt zum einen die statistisch signifikanten Ergebnisse nach der klassischen Treiberanalyse und die Ergebnisse nach dem Kano-Modell fr einen getesteten POS-Handzettel. Als Kriterium fr die Treiberanalyse wurde die Gesamtattraktivitt des Handzettels genutzt. Dabei zeigt sich, dass es nach der klassischen Treiberanalyse nur zwei bedeutsame Faktoren gibt, die die Attraktivitt ausmachen und steigern helfen: Die berzeugungskraft der Botschaften und die Farbgebung. Je besser also die inhaltliche berzeugungsarbeit ist und je besser die Farben aufeinander abgestimmt sind, desto attraktiver wird der Handzettel insgesamt wahrgenommen. Die Ergebnisse nach dem Kano-Modell przisieren nun aber diese Ergebnisse: Demnach sind beide Faktoren keine Leistungs- sondern echte Begeisterungsfaktoren, die Faszination auslsen. Offenbar ist man diese Aspekte bei Flyern wenig gewohnt bzw. sie haben eine Add on-Funktion zumindest

bei diesem Flyer. Mit dem Kano-Modell wird auerdem im Unterschied zum gngigen Verfahren aufgedeckt, dass die Wahrnehmung einer originellen Gestaltung besondere Zufriedenheit auslst. Hier zeigt sich, dass die Innovationskraft bei Flyern kein bliches Attribut darstellt. Neben den Begeisterungsfaktoren ergibt sich mit dem Kano-Modell auch der nachvollziehbare Befund, dass die Interessenswirkung eine grundlegende und notwendige Bedingung darstellt, berhaupt Attraktivitt auszulsen. Allgemein wird deutlich, dass das Kano-Modell neben der Kunden- und Organisationsforschung auch in der Kommunikationsforschung - und dabei insbesondere beim Pretesting - wertvolle Einsichten leisten kann, die mit der gngigen Treiberanalyse mglicherweise verborgen bleiben. Weitere Informationen knnen angefragt werden unter: Forschungsbro Dipl.-Psych. Markus Paul E-Mail: markus.paul@fb-paul.de Tel.: +49 (0)6335 312081