Künstliche
neuronale Netze
zur Datenanalyse
in der Marktforschung
Die
Deutsche Bibliothek - CIP Einheitsaufnahme:
Frank
Schüler: Künstliche neuronale Netze zur Datenanalyse in der
Marktforschung. Berlin : dissertation.de,
2002
Zugl.: Halle,
Univ., Diss., 2001
ISBN
3-89825-275-2
Zielsetzung der Arbeit:
Das heutige
Marketing der Unternehmen wird von einer zunehmenden Dynamik und
Komplexität sowie einer am individuellen Kundenbedarf orientierten
Marktbearbeitung gekennzeichnet. Grundlage für diese verstärkt auf den
individuellen Kundenwunsch fokussierte Marktbearbeitung sind
marktbezogene Detailkenntnisse. Neue Vertriebswege und die Mittel der
modernen Datenverarbeitung können die hierzu erforderlichen Marktdaten
zur Verfügung stellen. Zugleich führt die Verfügbarkeit solcher Daten
in Verbindung mit den fortschreitenden Informationstechnologien oftmals
zu kaum überschaubaren Datenmengen. Den Unternehmen stellt sich so
verstärkt das Problem, aus den vorliegenden Datensammlungen die
relevanten Informationen für die Marktbearbeitung zu generieren. Sie
sehen sich der Gefahr einer "Informationsarmut im
Informationsüberfluß" ausgesetzt.
Gleichzeitig
wird in den vergangenen Jahren in unterschiedlichen wissenschaftlichen
Disziplinen künstlichen neuronalen Netzen als Instrumenten der
Datenanalyse verstärkt Beachtung geschenkt. Künstliche neuronale Netze
sind informationsverarbeitende Systeme, deren Struktur auf der Struktur
natürlicher Nervensysteme basiert und die als mathematische Modelle der
Datenverarbeitung dargestellt werden können. Die Terminologie dieses
Forschungszweiges, die ihren Ursprung in der Erforschung
neurobiologischer Netze hat, verleitet dabei oftmals zu einer geradezu
euphorischen Darstellung der Leistungsfähigkeit dieser Netze, welche
als eigenständig lernende, adaptive Systeme umschrieben werden.
Können
künstliche neuronale Netze neben den konventionellen statistischen
Verfahren der Marktforschung einen substantiellen Beitrag zur
Datenanalyse leisten? Können diese Verfahren den Unternehmen eine
Hilfestellung im Erreichen strategischer Wettbewerbsvorteile geben?
Mit der
vorliegenden Arbeit möchte ich einen Beitrag leisten, künstliche
neuronale Netze als Instrumente der Datenanalyse objektiv zu bewerten,
und Möglichkeiten aufzeigen wie diese Instrumente in der Marktforschung
ausgestaltet werden können.
Zusammenfassung
der Arbeit:
Das heutige Marketing und somit
auch die Marktforschung der Unternehmen ist einem zunehmend komplexen
und dynamischen Umfeld ausgesetzt. Aufgrund der immer schwieriger
werdenden Produkt- differenzierung und der zunehmenden Individualisierung
der Gesellschaft sind die Unternehmen verstärkt um eine am
individuellen Kundenwunsch orientierte Marktbearbeitung bemüht. Die
Identifizierung der Kundenbedürfnisse erfordert dabei verstärkt
umfangreiches Datenmaterial, welches durch neuere Vertriebswege und
automatisierte Verfahren der Datenerhebung zur Verfügung gestellt
werden kann. Der Marktforschung werden so Potentiale zur Erhebung und
Erfassung umfangreichen Datenmaterials eröffnet, ohne dadurch die
klassische Primärdatenerhebung zu verdrängen. Aufgrund der geänderten
Marktbe- dingungen sind daher an ein Instrument der Datenanalyse in der
Marktforschung besondere Anforderungen zu stellen.
In den vergangenen Jahren wurde in
der Betriebswirtschaftslehre den künstlichen neuronalen Netzen in der
Datenanalyse eine besondere Aufmerksamkeit geschenkt. Die Eigenschaften
wurden hierbei oftmals geradezu euphorisch dargestellt. Im Rahmen der
vorliegenden Dissertation wurden die Modelle diskutiert und in den
Methodenkatalog der Datenanalyse eingeordnet. Ziel der Arbeit war es zu
untersuchen, ob der Konnektionismus als Instrument der Datenanalyse
einen besonderen Beitrag zur Marktforschung leisten kann und dadurch die
Unternehmen gegebenenfalls Wettbewerbsvorteile durch ein erweitertes
Verständnis der Marktverhältnisse erringen können. Hierzu wurden
ausgewählte konnektionistische Modelle den konventionellen Verfahren
der Regressions-, der Diskriminanz- und der Clusteranalyse gegenübergestellt,
wobei mögliche Potentiale für einen Einsatz künstlicher neuronaler
Netze zur Funktionsapproximation in der Kaufverhaltensforschung und als
Instrument der Marktsegmentierung aufgezeigt wurden. Empfehlungen zur
Netzwerkdefinition, -analyse und -interpretation wurden abgeleitet.
Im
Rahmen der Arbeit wird der Konnektionismus als ein äußerst flexibler
Modellierungsansatz mit breitem Einsatzspektrum charakterisiert. Je nach
Netzwerkdefinition stellen die künstlichen neuronalen Netze der
Dependenzanalyse parametrische, semiparametrische oder
nichtparametrische statistische Modelle dar. Im Falle der
Diskriminanzanalyse lassen sich künstliche neuronale Netze als
Bayes-Klassifikator ausge- stalten. Das betrachtete konnektionistische
Modell der Clusteranalyse wird als nicht-hierarchisches Verfahren
charakterisiert. Die Modelle stellen innerhalb des Methodenkatalogs
der Marktforschung Alternativen zu den konventionellen statistischen
Methoden der Datenanalyse dar. Der Konnektionismus ergänzt somit die
bisher eingesetzten Methoden um flexible statistische Modelle, ohne
die konventionellen Verfahren zu verdrängen.
Die betrachteten Modelle können
einen Beitrag zur Verarbeitung komplexer Variablenbeziehungen, sowohl
bei kleinen als auch bei großen Datenmengen leisten. Als
semiparametrische beziehungsweise nicht- parametrische Modelle können sie
nichtlineare Variablenbeziehungen abbilden und flexibel an die
dynamischen Marktver- hältnisse angepaßt werden. Die verdeckten
Verarbeitungseinheiten der künstlichen neuronalen Netze können als
latente Variablen der Modelle interpretiert werden. Im Falle der Cluster-
analyse ermöglicht die räumliche Anordnung der Cluster Aussagen
zu Ähnlichkeiten innerhalb der Clustermerkmale.
Aufgrund der Eigenschaften und der
Interpretationsmöglichkeiten der Verarbeitungseinheiten der Modelle
kann daher mit Hilfe konnektionistischer Datenanalysen ein erweitertes
Verständnis der Marktverhältnisse geschaffen werden, wobei sich die
betrachteten künstlichen neuronalen Netze vorrangig in der explorativen
Datenanalyse einsetzen lassen. Die Modelle können einen Beitrag zu
einer stärker kundenorientierten Produktdifferenzierung leisten,
wodurch am Markt wiederum Wettbewerbsvorteile generiert werden können.
Zusammenfassend stellen die
betrachteten konnektionistischen Modelle statistische Verfahren dar, die
aufgrund ihrer speziellen Eigenschaften den Methodenkatalog der
konventionellen Datenanalyse der Marktforschung sinnvoll ergänzen können.