Consumer Neuroscience

Consumer Neuroscience: der neue Zweig der Marktforschung?

Ein Großteil der aktuellen quantitativen Marktforschung orientiert sich am Modell des Homo Oeconomicus – immer noch. Denn bereits 1957 erschien Vance Packards Buch „The Hidden Persuaders“, in dem die Verführungskünste der Werbewirtschaft beschrieben wurden. Diese sollten den Konsumenten zum Kauf überreden – jenseits von seinen Bedürfnissen und dem Nutzen eines Produkts. Die in diesem Zusammenhang beschriebene Wirkung der „subliminalen Werbung“ – die kurze Einblendungen von nur unterbewusst wahrnehmbaren Botschaften – gibt es allerdings nicht. Der Erfinder dieser Methode, der Marktforscher James M. Vicary, gab 1962 in einem Interview zu, dass er entsprechende Experimente nie durchgeführt habe.

Die Analysen von Daniel Kahneman (Kahneman: System 1 und System 2) und Peter Kenning (Consumer Neuroscience) öffnen allerdings die Türen zu unseren unbewussten und bewussten Wegen von Kauf- und Nutzungsentscheidungen und werden sowohl die Marktforschung selbst als auch die Gestaltung von „hirngerechtem“ Marketing stark beeinflussen.

Die folgenden kurzen Artikel stecken das interessante Gebiet einer hirngerechten Erhebung und Analyse der Marktforschung ab. Sie werden ermöglichen, veraltete Modelle wie den Homo Oeconomicus durch empirische und authentische Konzepte zu ersetzen und die Erklärung des Verhaltens von Menschen sicherer zu machen.

Das bedeutet jedoch, sich vom Ideal des rational Handelnden zu verabschieden und die des irrenden, manchmal übereilt entscheidenden Menschen nicht als Kränkung zu betrachten.

„Homo Oeconomicus“ – ein veraltetes Modell der Konsumentenforschung?

Die Annahme rationalen Verhaltens liegt vielen Wirtschaftsmodellen zugrunde. Der „Homo Oeconomicus“ ist ein Modell, um das ökonomische Verhalten eines Konsumenten erforschen, erklären und prognostizieren zu können. Basisannahme ist, dass rationale Entscheidungen im Kaufprozess dem Ziel einer Nutzenmaximierung dienen. Weitere Einflussfaktoren sind in diesem Modell z.B. der „sozio-ökonomische Status“ (Bildungsstatus, Berufsstatus) sowie Einstellungen und Meinungen. Auch ein Großteil der quantitativen Marktforschung nutzt diese Modelle.

Kritik: Die „Vereinfachung“ des Modells stellt eine Heuristik dar, um mit den Unwägbarkeiten „Gefühle“, „irrationales Verhalten“ sowie dem Einfluss unvollständiger Information umgehen zu können. Repräsentative Zielgruppenmodelle können mit den Annahmen rationalen Verhaltens durchaus gute Prognosen erstellen. Individuelle Unterschiede „mitteln“ sich bei Inkaufnahme eines entsprechenden Streuverlusts allerdings aus.

Für den 1:1 Marketingansatz – wie z. B. im E-Business – fallen individuelle Unterschiede der Akteure stärker ins Gewicht. Daher werden differenzierende Ansätze aus dem Bereich der Neurowissenschaften genutzt, um Verhalten zu erklären und zu beeinflussen.

Die Customer Journey

Die genaue Kenntnis der „Kundenreisen“ (Customer Journey) entlang der „Kundenkontaktstrecke“ (Touchpoints) offenbart durch Beobachtung und Analyse den Weg vom Kundeninteresse hin zum Kauf oder der Nutzung von Produkten und Services. Im E-Business wird diese Reise durch eine Vielzahl von individuellen Daten-Spuren katalogisiert und erleichtert das Management der Touchpoints.

• Vertrieblich genutzt wird das „genau richtige Angebot“, passend zur Historie und Verhalten eines potentiellen Kunden im passenden Moment unterbreitet.
• Für das Produktmanagement durch die Rückmeldung von genutzten Informationen, Stippvisiten auf Wettbewerbs-Sites oder auf Vergleichsseiten.

Kritik: Eine ausschließlich auf Sales optimierte Nutzerführung im Web wird eher als „Wegelagerei“ empfunden. Diese Kritik wird durch den Einsatz von Dark Patterns und der Gamification durch Black-Hat-Mechaniken entlang der Kundenreise verstärkt.

„Big Data“ auch für die Marktforschung

Als „Big Data“ werden große, strukturierte und unstrukturierte Datenmengen bezeichnet, die als Prozess- oder Verhaltensdaten anfallen. „Big“ werden diese Datenmengen aus unterschiedlichen Gründen: Durch die Anhäufung von Daten über die Zeit (historische Daten), durch das Zusammenführen unterschiedlicher Datenquellen, durch wiederholte Abfragen in Echtzeit (medizinische Daten; Standorte) sowie auch durch die „hohe Dichte“ unstrukturierter Texte (Tweets oder Facebook-Posts).

Durch die drei „V“ wird prüfbar, ob „Data“ wirklich „big“ ist: „Volume“ (Datenmenge), „Variety“ (Vielfalt der Quellen) und „Velocity“ (Geschwindigkeit der Datengenerierung und/ oder Datenauswertung). Diese Prüfkriterien wurden im Lauf der Zeit um die nutzenbezogenen Merkmale „Value“ (Wert oder Nutzen der Daten) und „Validity“ (Validität, Datenqualität) ergänzt.

Für die Marktforschung wird durch Big Data ein großes Feld für Beobachtungen in quantitativen Studien eröffnet. Die Analyse von Big Data berücksichtigt auch Alltagsdatenquellen und führt diese personenbezogen zusammen. Quellen sind z. B. Texte aus Social Media (Posts in Twitter, Facebook, Snapchat etc.), Suchen im Web, Online-Bestellungen, Daten aus Sensoren im Haushalt (Espressomaschine, Thermostate, Nutzung der Dusche etc.), im Fahrzeug (Geschwindigkeit, Verbrauch, Ziele, Beschleunigung etc.), im Smartphone (GPS Koordinaten, Termine, Kontakte, App-Nutzung etc.) und SmartWatches (Puls, Trainingsdaten, Bewegungsdaten, Weckzeiten). Kundenkarten liefern detaillierte Informationen über unsere Einkäufe – off- und online.

Eine weitere Quelle von Big Data sind „Weltdaten“, verknüpft mit Zeit- und Standortkoordinaten: Wetter, Ferienzeiten, Feiertage, Termine von TV-Sendungen, Öffnungszeiten von Schwimmbädern, Kinos, Veranstaltungen oder Unfallstatistiken. Gerade die Verknüpfung von „Weltdaten“ mit den Geo-Koordinaten aus unseren Smartphones ermöglicht es zu wissen, wo wir (Restaurant, Einkaufszentrum, zu Hause, auf der Arbeit, im Urlaub, auf Geschäftsreise) wann genau waren – und bietet uns passend Werbung an.

Persona oder Zielgruppe

Während sich Zielgruppen eher als Modelle für das Verhalten von einander ähnlichen Individuen eignen, fordern Ansätze eines individualisierten Marketings exaktere Beschreibungen von Zielpersonen. Im Marketing ist eine Persona eine fiktive Person, die typische Eigenschaften eines gedachten Kunden repräsentiert: Alter, Geschlecht, Hobbys, Beruf, Konsumverhalten (Reisen, Einkäufe etc.). Diese Beschreibung fertigt ein Bild, um die Bedürfnisse und das Verhalten von Kunden zu verstehen und Angebote besser passend gestalten zu können. Für eine klassische Marktforschung sind Personas gut geeignet, um den Ergebnissen von Profiling und Tracking-Analysen ein Gesicht zu geben und diese kommunizierbar zu machen.

Personas sind als ein Zwischenschritt auf dem Kontinuum von „Zielgruppe“ zum „1:1 Marketing“ (z. B. Programmatic Advertisement) zu betrachten.

Programmatic Advertisement braucht keine Marktforschung – Mythos oder Tatsache?

Programmatic Advertisment ist ein automatisiertes Matchmaking zwischen der Anforderung eines Werbetreibenden (Eigenschaften eines „idealen Interessenten“) und den individuellen Eigenschaftsprofilen von Nutzern. Aus der Sicht eines Marktforschers haben wir es mit einer hybriden Marktforschungs- und Marketingmaschine zu tun, die Daten erhebt, diese anonymisiert, als Eigenschaften listet, diese Listen mit Anforderungen abgleicht und im Falle eines Treffers das Profil für die Ausspielung eines Werbemittels versteigert.

Die Maschine ermittelt diesen Match im Bereich von hundertstel Sekunden, unbemerkt vom Nutzer und potentiellen Kunden. Fachlich wird Programmatic Advertisement in vereinbarten Fixpreisen für Profile und in Auktionen für einen oder mehrere Werbetreibende angeboten.

Varianten des Programmatic Advertisment

Abb. 1: Varianten des Programmatic Advertisment (Quelle: Hans-Werner Klein 2019)

Kritik: Diese hybride Maschine kann genutzt werden, um Marktforschung zu betreiben. Dazu sollte der Bieterprozess nicht einem Anbieter in Gänze überlassen werden. Erfolge der Auktionen verbessern zwar im Idealfall die Algorithmen der Black Box des PA, machen aber den Werbetreibenden und Auftraggeber nicht klüger. Marktforscher können die anonymen Daten der Profile und des Trackings mitsamt der Informationen zur Auktion als Marktinformationen nutzen und Suchprofile nach eigenen Kriterien verbessern.

Dark Patterns – Foulspiel im UX Design

Dark Patterns sind „Fallen“ des User Interface Designs, um Anbietern einen Vorteil gegenüber den Nutzern zu verschaffen: Diese tricksen, indem Elemente der Cognitive Biases und unseres Autopiloten im Gehirn (System 1 nach Kahneman, s. auch Kahneman: System 1 und System 2) „Handlungsoptionen ohne Nachzudenken“ anbieten. Webanalyse kann durch A/B-Testing Dark Patterns perfektionieren.

Kritik: Dark Patterns stellen eine Umkehrung der Absichten des User Centric Designs dar. Nicht der Support des Nutzers als freier Akteur steht im Mittelpunkt des Designs, sondern die Absicht des Anbieters, die er mit dem Wissens um unbewusstes Handeln umsetzt. Beispiele sind auf den Seiten von darkpatterns.org zu finden.

Gamification

Durch Designprinzipien von Spielen können Menschen in einen Zustand von „Flow“ versetzen. Sie haben dann ein stetiges Interesse am Spielverlauf, erleben eine Motivationssteigerung (intrinsisch wie extrinsisch) und haben ein starkes Engagement. Auch „langweilige“ Prozesse werden dadurch spielerisch interessant.

In seinen Studien zur Gamification zeigt der Wissenschaftler Yu-kai Chou (Gamification & Behavioral Design) wie das „Prinzip Gamification“ auf viele Prozesse auch abseits von Spielen effektiv eingesetzt werden kann.

Kritik: Gamification nach Chou nutzt sowohl „White Hat“ wie auch „Black Hat“ Mechanics. „White Hat“ Elemente motivieren durch positive Verstärkungen, das Aufzeigen von Sinn und Erfolg des Handelns. „Black Hat“ motiviert durch Ungewissheit, Angst vor dem Verlust von schon Erreichtem und der Gefahr des Verlust der Zugehörigkeit (FOMO – Fear Of Missing Out).

Diese Mechaniken sind durch tief verwurzelte Verhaltensmuster unseres Gehirns sehr stark wirksam. Das Modell nach Chou kann sowohl zur Aufdeckung wie auch zur Gestaltung solcher Wirkmuster genutzt werden.

Kognitive Verzerrungen / Heuristiken

Kognitive Verzerrungen erleichtern uns Menschen das Leben. Einerseits. Machen uns andererseits aber auch zu leichter Beute von Bühnenzauberern und Mentalisten.

Als Kognitive Verzerrung werden unbewusste Fehler beim Denken, beim Wahrnehmen, dem Erinnern und Werten bezeichnet. Viele dieser „Fehler“ basieren auf Heuristiken, d.h. der Anwendung von „Pi-mal-Daumen-Regeln“. Unser Gehirn wendet Heuristiken an, wenn unser Handeln unter (vermeintlichem) Zeitdruck und bei (vermeintlich) fehlendem Wissen stattfindet.

Ein Beispiel für eine überraschende Heuristik ist der „Backfire Effekt“: Fakten, die der eigenen Meinung widersprechen, werden als Bestätigung der Richtigkeit der eigenen Meinung betrachtet (Wenn mich so eindringlich jemand von etwas überzeugen will, dann muss ich ja wohl recht haben). Eine bekannte Heuristik ist die „Clustering Illusion“: Wir erkennen Gesichter in zufällig verteilten Mustern (Wolken, Sandkörner, Bodenfliesen). Oder Zusammenhänge in Daten, in denen nur Rauschen zu sehen ist. Die Anwendung von Heuristiken kann evoziert werden, um Menschen zu beeinflussen. Mehr hier.

Für Marktforscher wichtig: Die Erhebung von Meinungen und Aussagen über das vermeintliche Verhalten durch Befragungen (face2face, CATI, WBI) kann ebenfalls von Kognitiven Verzerrungen durch Heuristiken beeinflusst sein. Auch die Interpretation von Daten und Ereignissen in der Marktforschung kann Kognitiven Verzerrungen unterliegen.

Schnelles Denken – Langsames Denken: Daniel Kahneman

Daniel Kahneman hat durch seine Arbeiten wesentlich die Etablierung des Konzepts von schnellem und langsamen Denken beeinflusst.

Daniel Kahneman: System 1 und System 2 (Quelle: Hans-Werner Klein 2019)

System 1 und System 2 nach Daniel Kahneman (Quelle: Hans-Werner Klein 2019)

System 1 – der Autopilot – ist nach Kahneman für schnelle Entscheidungen zuständig. Diese Entscheidungen finden im älteren Hirnteil (limbisches Hirn) statt (s. auch Kognitive Verzerrungen). Als System 2 wird unser „Pilot“ bezeichnet, dem Frontalkortex und stammesgeschichtlich dem „neueren“ Hirnteil.

Hans-Werner Klein, databerata

Data Scientist bei databerata
Hans-Werner Klein ist empirischer Sozialwissenschaftler und arbeitet seit Anfang der 80-er Jahre als Wissensvermittler zwischen Daten und Menschen.

Weitere Informationen und alle Beiträge
Hans-Werner Klein, databerata

Letzte Artikel von Hans-Werner Klein, databerata (Alle anzeigen)

Trends und Entwicklungen

Schreibe einen Kommentar