Marketing Glossar

2.413 Fachbegriffe aus 22 Bereichen des Online Marketings

Diskriminanzanalyse

Definition: Die Diskriminanzanalyse (englisch „Linear Discriminant Analysis", LDA; auch Fishers Diskriminanzanalyse) ist ein multivariates statistisches Verfahren, das zwei oder mehr vorab definierte Gruppen – etwa Käufer vs. Nicht-Käufer, Churner vs. treue Kunden oder verschiedene Markenpräferenz-Segmente – anhand einer optimalen Linearkombination aus mehreren metrischen Prädiktorvariablen trennscharf voneinander abgrenzt, die relativ wichtigsten trennenden Merkmale identifiziert und neue, bisher keiner Gruppe zugeordnete Beobachtungen klassifiziert. Die Methode wurde von Ronald Aylmer Fisher 1936 in seinem grundlegenden Artikel „The Use of Multiple Measurements in Taxonomic Problems" im Annals of Eugenics vorgestellt, in dem er das Iris-Datensatz-Beispiel zur Klassifikation von Schwertlilienarten nutzte. Fishers Diskriminanzfunktion maximiert das Verhältnis der Varianz zwischen den Gruppen (Between-Group Variance) zur Varianz innerhalb der Gruppen (Within-Group Variance) – das heißt, sie findet die lineare Projektion der Daten, bei der die Gruppen am weitesten voneinander getrennt und intern so homogen wie möglich sind. Im Marketing wird die Diskriminanzanalyse eingesetzt, wenn zwei oder mehr klar definierte Gruppen vorhanden sind (im Gegensatz zur Cluster-Analyse, die Gruppen erst bildet) und verstanden werden soll, welche Kundeneigenschaften diese Gruppen am stärksten voneinander unterscheiden – und wie zuverlässig neue Kunden den Gruppen zugeordnet werden können.

Erläuterung

Die Diskriminanzanalyse kombiniert zwei Hauptziele: erstens eine erklärende Perspektive (welche Variablen tragen wie stark zur Gruppenunterscheidung bei?) und zweitens eine klassifikatorische Perspektive (wie gut können Beobachtungen korrekt einer Gruppe zugeordnet werden?). Für den erklärenden Teil werden die standardisierten Diskriminanzkoeffizienten (analog zu standardisierten Regressionskoeffizienten) interpretiert: Variablen mit hohen standardisierten Koeffizienten tragen stark zur Trennung bei. Alternativ werden Struktur-Korrelationen (auch „Loading" oder „Diskriminanzladungen" genannt) genutzt – die Korrelationen zwischen den einzelnen Prädiktoren und der Diskriminanzfunktion –, da diese robuster gegen Multikollinearität sind. Für den klassifikatorischen Teil wird die Verwechslungsmatrix (Confusion Matrix) erstellt: Sie zeigt für jede Gruppe, welcher Anteil korrekt und welcher Anteil falsch klassifiziert wurde. Die Gesamtklassifikationsquote (Hit Rate) wird am kritischen Vergleichswert „Prior Probability" gemessen – d. h. dem Anteil einer Gruppe in der Stichprobe: Eine Hit Rate von 70 % ist nur dann beeindruckend, wenn die rein zufällige Zuordnung (z. B. immer die größte Gruppe wählen) nicht bereits 65 % erreichen würde. Entscheidend für die Praxistauglichkeit ist die Validierung an einer Holdout-Stichprobe (oder via Kreuzvalidierung), da die Klassifikationsleistung auf den Trainingsdaten systematisch zu optimistisch ist (Overfitting). Wichtige Voraussetzungen der klassischen linearen Diskriminanzanalyse (LDA) sind: Normalverteilung der Prädiktoren innerhalb jeder Gruppe, Homogenität der Varianz-Kovarianz-Matrizen aller Gruppen (Box's M-Test) und keine starke Multikollinearität zwischen den Prädiktoren. Sind diese Voraussetzungen verletzt, bietet die quadratische Diskriminanzanalyse (QDA) eine Alternative, die auf die Annahme gleicher Kovarianzmatrizen verzichtet. In der modernen Datenanalyse wird die klassische Diskriminanzanalyse häufig durch leistungsfähigere maschinelle Lernverfahren ergänzt oder ersetzt: Logistische Regression (für binäre Klassifikation ohne Normalverteilungsannahme), Random Forest (für nicht-lineare Zusammenhänge und Interaktionen), Gradient Boosting (XGBoost, LightGBM) und Support Vector Machines (SVM) erzielen in der Praxis oft höhere Klassifikationsquoten. Der Vorteil der Diskriminanzanalyse liegt jedoch in ihrer Interpretierbarkeit: Die Diskriminanzfunktionen und Ladungen erklären verständlich, warum eine Gruppe von einer anderen abweicht – was für die Ableitung von Marketingmaßnahmen oft wertvoller ist als ein „Black-Box"-Modell mit höherer Accuracy. In SPSS steht die Diskriminanzanalyse unter Analyze → Classify → Discriminant zur Verfügung; in R via MASS::lda(), in Python via sklearn.discriminant_analysis.LinearDiscriminantAnalysis.

Voraussetzungen und Verfahrenswahl

Anwendungsfelder im Marketing

Praxistipp: Validieren Sie die Klassifikationsgüte der Diskriminanzanalyse immer an einer Holdout-Stichprobe (mind. 20–30 % der Daten), um realistische Trefferquoten für den Praxiseinsatz zu erhalten – die Klassifikationsrate auf dem Trainingsset ist systembedingt zu optimistisch. Vergleichen Sie die Hit Rate stets mit dem naiven Benchmark (Anteil der größten Gruppe): Nur wenn Ihr Modell diesen Wert deutlich übertrifft, hat die Diskriminanzfunktion echten Mehrwert. Nutzen Sie die standardisierten Diskriminanzkoeffizienten und Struktur-Korrelationen aktiv für die Kommunikation der Ergebnisse an Stakeholder – sie erklären, welche Kundeneigenschaften strategisch am relevantesten sind.