Die Frage nach dem „Warum“

Hier liefert die menschliche Natur verblüffende Ansatzpunkte. Wer kennt nicht das berühmte Coca-Cola Beispiel, welches gezeigt hat, dass Coca-Cola von den meisten Konsumenten nicht deshalb gekauft wird, weil es das besser schmeckende Produkt im Vergleich zu anderen Colas ist, sondern erst dann bevorzugt wird, wenn die Marke offen gezeigt wird. Der Grund hierfür ist einfach: Wir verbinden mit einer Marke weit mehr als nur die funktionalen Aspekte, die das Produkt liefert. Vielmehr sind es mit dem Produkt verknüpfte Emotionen und Motivationen, die durch Markenkommunikation – aber auch eigene Erfahrungen – aufgebaut werden und häufig entscheidender sind als physische Produkteigenschaften.

Dieser Umstand ist deshalb für die moderne Markenführung ein Segen, da die Gesamtheit der Markenerfahrungen weit weniger kopierbar ist als funktionale Aspekte, die selbst patentrechtlich häufig schwer zu schützen sind. Gleichzeitig bedeutet dies aber auch für die Markenverantwortlichen, dass die mit einer Marke verknüpften Emotionen und (Verwendungs-)Motive umfassend verstanden werden müssen, um die Marke zielgerichtet entwickeln zu können und somit ein positives Markenbild aufzubauen.

Und genau hier setzt eine erfolgreiche Markenforschung an: Wenn es gelingt die einer Marke zugrunde liegenden Kauf- und Verwendungsmotive zu entschlüsseln, dann erhält der Markenverantwortliche wesentliche Insights zur strategischen Ausrichtung und erfolgreichen Führung seiner Marke, die als Marken-DNA einen einzigartigen Asset darstellt.

Das Standardvorgehen für die Analyse von Markenmotivationen liegt in den klassischen qualitativen Befragungsmethoden, z.B. Projektiv- oder Kreativtechniken. Eine der bekanntesten Methoden zur Ermittlung von Motiven ist die sogenannte Means-End-Chain (MEC), auch Laddering genannt. Mit ihrer Hilfe können Kausalketten aufgedeckt werden, indem sequenziell immer weiter nach dem ‚Warum‘ gefragt wird, um zu identifizieren, welche tieferliegenden Gründe bzw. Motive die Relevanz bestimmter Produkt- bzw. Markeneigenschaften triggern. Dieser Ansatz kann durch einen kurzen Ausschnitt eines Laddering-Interviews schnell nachvollzogen werden:

„Warum möchten Sie einen SUV fahren?“
„Wegen der erhöhten Sitzposition.“
„Warum ist Ihnen eine hohe Sitzposition wichtig?“
„Weil ich mehr sehen möchte.“
„Warum ist Ihnen wichtig mehr zu sehen?“
„Weil das für mich mehr Sicherheit bedeutet.“

Durch diese einfache Befragungsmethode gelingt es von einer für den Probanden zunächst unpersönlichen Produkteigenschaft (hohe Sitzposition) sukzessive über die daraus resultierende Konsequenz (mehr sehen) hin zum persönlich relevanten Wert (Sicherheit) vorzudringen. Das Motiv für den Wunsch einen SUV zu fahren ist in diesem Beispiel demnach Sicherheit.

Dem Vorteil der Erkenntnistiefe, die mittels qualitativer Forschung erreicht werden kann, stehen einige bekannte Nachteile gegenüber; insbesondere die den verhältnismäßig hohen Erhebungskosten geschuldeten geringen Fallzahlen, die es häufig nicht möglich machen eine große, repräsentative Stichprobe zu erheben oder Unterschiede zwischen heterogenen Kundengruppen umfassend abzubilden.

Aus diesem Grund ist die quantitative Analyse der motivationalen Strukturen, welche die Markenwahrnehmung sowie das Markenwahlverhalten bestimmen, ein wichtiges Thema. In der Vergangenheit wurden bereits verschiedene Ansätze entwickelt, um das klassische qualitative Laddering-Interview für die quantitative Forschung zu adaptieren: die klassische und die Matrix-basierte MEC.


Abbildung 1 A und B zeigt eine beispielhafte Darstellung dieser Ansätze anhand der Marke Payback.

Die klassische MEC erlaubt es mittels Auswahl aus Drop-Down-Menüs – alternativ offene Felder für eigene Nennungen – singuläre Kausalketten zu ermitteln (d.h. eine Eigenschaft wird mit genau einer Konsequenz und einem Ziel verknüpft). Der Proband wählt zunächst die für ihn wichtigste Eigenschaft, dann die daraus folgende Konsequenz und das damit verfolgte Ziel. Die Matrix-basierte MEC verläuft dreistufig: im ersten Schritt werden alle Eigenschaften ausgewählt, die der Befragte mit der Marke verbindet, daraufhin ergibt sich eine Matrix aus den im ersten Schritt gewählten Eigenschaften sowie potenziellen Konsequenzen. Nun hat der Proband im Gegensatz zur klassischen MEC die Möglichkeit mehrere Konsequenzen zu einer Eigenschaft auszuwählen. Im letzten Schritt markiert der Proband dann wiederum alle Ziele, die er persönlich mit den im zweiten Schritt gewählten Konsequenzen verbindet.

Beide Verfahren lassen deutliche Nachteile erkennen: Sie sagen zwar etwas darüber aus welche allgemeingültigen Kausalketten denkbar sind, die persönlich relevanten Motive der Probanden bleiben jedoch im Dunkeln.

Bei der Matrix-basierten MEC soll der Proband für jede Verknüpfung schlicht angeben, ob diese Verknüpfung generell zutrifft oder nicht. Als Ergebnis werden zwar die plausiblen und naheliegenden Beziehungen zwischen Markeneigenschaften und potenziellen Konsequenzen und Motiven identifiziert, aber keinerlei Informationen zur tatsächlichen persönlichen Relevanz bestimmter Verknüpfungen in das Urteil integriert. Somit lässt sich festhalten, dass beide sehr stark an klassischen quantitativen Frageansätzen orientierten Ansätze nur bedingt in der Lage sind den Mehrwert eines qualitativen Laddering-Interviews hinsichtlich inhaltlicher und persönlicher Ergebnistiefe zu liefern.

Um diesen Problemen zu begegnen hat Interrogare die Visual MEC entwickelt (siehe Abbildung 2).

Die Visual MEC nutzt eine Drag-and-Drop-Technik, um nicht nur die Netzwerkverbindungen besser erfassen zu können, sondern auch die hierarchischen Strukturen unmittelbar und interaktiv für den Probanden zu visualisieren. Wie in der Abbildung zu sehen, werden im oberen Bereich Begriffe eingeblendet, die der Proband je nach Befragungsschritt in den zugehörigen Bereich ziehen muss: zunächst wählt er die Eigenschaften, die er mit der Marke verbindet, zieht sie in die erste Box und sortiert diese nach der persönlichen Bedeutung. Daraufhin folgt dasselbe Prozedere mit den Konsequenzen sowie der Aufforderung die Eigenschaften und Konsequenzen per Pfeil miteinander zu verknüpfen. Jede Eigenschaft darf dabei mit beliebig vielen Konsequenzen verbunden werden. Der letzte Schritt, in dem es um die finalen Ziele geht, folgt derselben Logik.

In einer Studie mit n=2.400 Fällen wurden die drei skizzierten Ansätze umfassend evaluiert. Als Untersuchungsgegenstand wurden drei Bonusprogramme, u.a. Payback untersucht, um die Nutzungsmotive zu analysieren und wesentliche Gemeinsamkeiten und Unterschiede zwischen den drei Befragungsansätzen zu identifizieren.

Die Ergebnisse der Studie bestätigen eindrucksvoll die oben beschriebenen Probleme der klassischen und Matrix-basierten MEC: Die Aggregation der einzelnen klassischen MECs (siehe Abbildung 3 A) zeigt, dass nur sehr wenige Kausalketten aufgedeckt werden, die zwar die Kerneigenschaften des Payback Bonusprogramms offenlegen, allerdings gleichzeitig nur wenig – für die Markenverantwortlichen – neuartige und interessante Insights liefern. Grund hierfür ist das Problem, dass in erster Linie allgemeine „Top-of-Mind“-Assoziationen identifiziert werden und potenziell spannende Verknüpfungen zwischen den Eigenschaften des Bonusprogramms mit Konsequenzen und Zielen nicht die Schwelle einer signifikant aussagekräftigen Häufigkeit überschreiten.

Bei der Matrix-basierten MEC werden deutlich mehr Nennungen und Verbindungen genutzt als bei beiden anderen Verfahren (durchschnittlich 20,4 Verbindungen und 10,5 Ziele bei der Matrix-basierten MEC im Vergleich zu 8,0 Verbindungen und 5,8 Ziele bei der Visual MEC sowie 4,2 Verbindungen und 3,4 Ziele bei der klassischen MEC). Diese hohe Anzahl an Verbindungen ist auf den ersten Blick sicherlich hilfreich, da die potenziellen Verknüpfungen vermeintlich ein sehr dezidiertes Bild über die motivationalen Strukturen offenbart. Leider werden jedoch alle in der Studie vorgegebenen 40 Konsequenzen und Ziele mit einer Häufigkeit von mehr als 40 Prozent von den Befragten bestätigt. Dies deutet darauf hin, dass hier eher die grundsätzliche Plausibilität potenzieller Verknüpfungen als die tatsächliche individuelle Relevanz der Motive beurteilt wurde. Dies ist auch daran erkennbar, dass die genutzten Konsequenzen und Motive zwischen den drei Bonusprogrammen kaum differenzieren. Mit anderen Worten: Das Verfahren ist zwar geeignet, um sehr viele statistisch signifikante motivationale Verknüpfungen zu identifizieren, aufgrund der sehr quantitativ ausgerichteten Abfragetechnik tritt allerdings die Bewertung der individuellen Relevanz der genutzten Konsequenzen und Ziele extrem in den Hintergrund.  

Im unmittelbaren Vergleich der Ergebnisdarstellungen der auf aggregierter Ebene statistisch signifikanten Kausalketten, zeigt sich die Überlegenheit der Visual MEC deutlich. Im Vergleich zur klassischen MEC werden deutlich mehr Elemente und Verknüpfungen identifiziert, ohne – wie bei der Matrix-basierten MEC nahezu keine Differenzierungsmöglichkeit zwischen den Eigenschaften, Konsequenzen und Zielen zu erhalten (siehe Abbildung 3 A-C).  Somit bildet die Visual MEC einen guten Mittelweg zu den bereits bestehenden Erhebungsansätzen.

Auf Basis der Ergebnisse lassen sich die Vor- und Nachteile der evaluierten Verfahren klar gegenüberstellen (siehe Abbildung 4). Während die klassische MEC – auch in der Aggregation der einzelnen Probanden – weitgehend nur singuläre Motivketten identifiziert, ist die Matrix-basierte MEC durchaus in der Lage Netzwerkstrukturen abzubilden. Bei der Visual MEC werden dem Befragten allerdings im Vergleich zur Matrix-basierten MEC mehr Freiheitsgrade in der Bearbeitung der Aufgabe ermöglicht , sodass peu à peu das eigene motivationale Netzwerk vor dem Auge des Befragten entsteht, welches dazu anregt es durch weitere Elemente und Verknüpfung anzureichern. Somit steht anders als bei beiden anderen MEC-Ansätzen nicht die Erfüllung einer klar vorgegebenen Aufgabe (in Form bereits vordefinierter Kausalketten) im Vordergrund, sondern eher die freie, eigenständige Gestaltung des motivationalen Netzwerks. Dieser Aspekt ist sehr wichtig, da auf diese Weise die Probanden – analog zum qualitativen Laddering-Interview – persönlich relevante und nicht gelernte Zusammenhänge angeben.

Natürlich hat der Einsatz der – auch aus Probandensicht – aufwändigen Visual MEC auch seinen Preis. So bedarf es aufgrund der neuartigen, interaktiven Fragetechnik einer detaillierten Schulung der Probanden im Fragebogen mittels eigenem Tutorial, damit die Probanden die Aufgabe erfolgreich durchführen können. Auch für die eigentliche Aufgabe benötigen die Probanden mehr Zeit. Hier stellt sich allerdings die Frage, ob diese intensivere Beschäftigung mit der Fragestellung nicht zwingend notwendig ist, um die gewünschten tiefgehende Insights zu generieren. 

Doch welche Motive werden nun mit Payback verbunden und wie unterscheidet es sich von anderen getesteten Bonusprogrammen? Abbildung 5 veranschaulicht die Ergebnisse in einer Grafik. Aus Vertraulichkeitsgründen wurden einige Items ausgeblendet.

Zunächst fällt auf, dass das zum Vergleich herangezogene andere Bonusprogramm die Kernfunktionen „Punkte sammeln“ und „kostenlose Teilnahme“ stärker mit der persönlich relevanten Konsequenz „Geld sparen“ verknüpft wurde. Dies dürfte allerdings auch dem Umstand geschuldet sein, dass Payback deutlich stärker mit weniger basalen Konsequenzen, wie „clever einkaufen“ und „motivierend/anregend“ assoziiert wird. Mit anderen Worten: Payback schafft eine deutlich stärkere motivationale Aufladung in Bereichen, die nicht unmittelbar mit den Kernfunktionen des Bonusprogramms zusammenhängen, und somit positive Erlebniswerte, die über die Kernfunktionalität des Punkte Sammelns hinausgehen.

Die oberste und damit letztlich wichtigste Stufe beinhaltet die Ziele, bzw. Motive, die mit den Bonusprogrammen verbunden werden. Dazu gehört neben der bereits vermuteten „Sparsamkeit“ auch der Faktor „Belohnung“, d.h. die Möglichkeit mittels Teilnahme am Bonusprogramm eindeutig positive Erfahrungen zu erleben. Exklusiv als Motiv bei Payback genannt wurde der Aspekt „Bindung/Treue“. Die Kernfunktion eines Bonusprogramms Kunden zu binden, wird von den Befragten als persönlich relevanter Aspekt bestätigt. Ein wesentlicher Punkt, da so das Kernziel eines Bonusprogramms – die Beeinflussung der Loyalität der Kunden – erreicht und der reine „Mitnahme-Effekt“ von Vergünstigungen vermieden werden kann.  

„Die Visual MEC hat für uns sehr interessante Ergebnisse erzielt, da es gelungen ist mit der Marke Payback verbundene Motivstrukturen und Werte zu identifizieren und gleichzeitig mittels Onlinebefragung hohe Fallzahlen zu realisieren“, so Anja Regnat, Leiterin Market Research Payback. „Die Methode fordert eine intensive Beschäftigung des Befragten mit dem Thema, somit kommt die persönliche Relevanz der Marke – nach unserer Einschätzung – stärker zum Tragen. Dabei haben sich einige Aspekte bestätigt, die uns aus unseren eigenen Markenstudien bekannt waren, andere Ergebnisse waren in ihrer Deutlichkeit neu und überraschend. Für die Markenführung konnten wir wertvolle Erkenntnisse generieren.“

Die Studie und Erfahrungen bei Payback mit den Ergebnissen zeigen, dass die Visual MEC eine gute Methode ist, qualitative Erkenntnistiefe in quantitativen Studien zu erzeugen und so Motive und Werte hinter einer Marke zu erforschen, die für eine erfolgreiche Markenführung essentiell sind. Auch wenn sicher nicht die Erkenntnistiefe von klassischen Laddering-Interviews erreicht wird, so bietet die Visual MEC klare Vorteile gegenüber den bereits bestehenden quantitativen MEC Ansätzen und kann dazu beitragen auch in quantitativen Studien spannende und relevante Insights zu erfassen, die weit über klassische Abfragetechniken hinausgehen.  

Die Autoren

Payback Anja Regnat		Anja Regnat ist Diplom-Soziologin und leitet die Payback Marktforschung. Neben Studien zum Bonusprogramm sowie zur Marke verantwortet sie das Payback Online Panel.
Interrogare Stefanie Sonnenschein		Stefanie Sonnenschein ist bei Interrogare verantwortlich für Marketing und Kommunikation. Markenführung und -forschung, insbesondere implizite Messansätze, gehören bereits seit dem Studium zu ihren Schwerpunkten.
Interrogare Sören Scholz		Sören Scholz ist Geschäftsführer von Interrogare und verantwortlich für Methodenentwicklung. Seine Schwerpunkte liegen in der Marken- und Kommunikationsforschung, Präferenz- und Preis- sowie Kundenzufriedenheitsmessung.

p&a Marke

Weitere Beiträge zum Thema Marke >> planung&analyse 2/2017 zum Inhalt | zum Abo