Quantitative Marktforschung

Definition: Quantitative Marktforschung ist ein empirischer Forschungsansatz, der auf die Erhebung numerischer, messbarer Daten von hinreichend großen, repräsentativen Stichproben abzielt und diese mit statistischen Methoden auswertet, um Häufigkeiten, Zusammenhänge, Unterschiede und Zusammenhangsstrukturen in einer definierten Grundgesamtheit zu quantifizieren und statistisch gesicherte Schlussfolgerungen zu ziehen. Das erkenntnistheoretische Paradigma ist positivistisch: Es geht von einer objektiv messbaren Realität aus, die durch standardisierte Erhebungsinstrumente erfasst und durch statistische Analyse beschrieben werden kann. Typische Erhebungsmethoden sind standardisierte Fragebögen (online, telefonisch, persönlich), Experimente (A/B-Tests, randomisierte Kontrollstudien), Verhaltensdatenanalysen aus Web-Analytics-Systemen und POS-Scannerdaten sowie strukturierte Beobachtungen. Die resultierenden Daten werden mit deskriptiver Statistik (Häufigkeiten, Mittelwerte, Standardabweichungen), inferenzstatistischen Tests (t-Test, Chi-Quadrat, ANOVA) und multivariaten Verfahren (Regressionsanalyse, Faktoranalyse, Cluster-Analyse) ausgewertet. Im Marketing dient quantitative Forschung der repräsentativen Messung von Kundenzufriedenheit, Markenwerten, Kaufbereitschaft, Preissensitivität und Kampagnenwirkung (Schnell, Hill & Esser, 2018).

Erläuterung

Der zentrale Vorteil quantitativer Forschung gegenüber qualitativen Ansätzen liegt in der statistischen Verallgemeinerbarkeit. Wenn eine repräsentative Stichprobe von n=500 Personen aus einer klar definierten Grundgesamtheit befragt wird, können die Ergebnisse mit einem bekannten Stichprobenfehler auf die gesamte Grundgesamtheit hochgerechnet werden. Bei einem Stichprobenumfang von 500 liegt der maximale Stichprobenfehler bei ca. ±4,4 Prozentpunkten (bei 95 % Konfidenz); bei n=1.000 reduziert er sich auf ca. ±3,1 Prozentpunkte. Diese Genauigkeitsabschätzung ermöglicht es, Entscheidungen auf statistisch fundierter Basis zu treffen (Gabler, 2019).

Die Qualität eines quantitativen Forschungsdesigns hängt von drei zentralen Dimensionen ab. Repräsentativität der Stichprobe: Entspricht die Zusammensetzung der Stichprobe der Zielgruppe in relevanten Merkmalen (Alter, Geschlecht, Region, Kaufverhalten)? Verzerrte Stichproben produzieren verzerrte Ergebnisse. Messqualität des Instruments: Messen die Fragen und Skalen tatsächlich das, was sie messen sollen (Validität)? Messen sie es zuverlässig und konsistent (Reliabilität)? Ausreichender Stichprobenumfang: Ist die Stichprobe groß genug, um die geplanten Analysen mit ausreichender statistischer Power durchzuführen? Für Subgruppenanalysen sollte jede relevante Gruppe mindestens 100 Fälle umfassen (Hair et al., 2019).

Das Skalenniveau der erhobenen Daten bestimmt, welche statistischen Auswertungen zulässig sind. Nominalskalen (z. B. Geschlecht, Kategorienwahl) erlauben nur Häufigkeitsauswertungen und Chi-Quadrat-Tests. Ordinalskalen (z. B. Schulnoten, Rangfolgen) erlauben Medianberechnungen und nicht-parametrische Tests. Intervallskalen (z. B. Likert-Skalen, NPS) erlauben Mittelwertberechnungen und parametrische Tests, setzen aber äquidistante Abstände zwischen den Skalenpunkten voraus – eine Annahme, die bei Likert-Skalen diskutiert wird. Verhältnisskalen (z. B. Umsatz, Alter in Jahren) erlauben alle arithmetischen Operationen einschließlich Verhältnisbildung. Die korrekte Klassifikation des Skalenniveaus ist Voraussetzung für methodisch einwandfreie Analysen (Stevens, 1946).

Signifikanztests sind das Kernwerkzeug zur Unterscheidung echter Effekte von zufälligen Stichprobenschwankungen. Der p-Wert gibt an, wie wahrscheinlich das beobachtete Ergebnis (oder ein extremeres) wäre, wenn die Nullhypothese (kein Effekt) wahr ist. Die Konvention p < 0,05 als Signifikanzschwelle ist weit verbreitet, aber in der modernen Statistik wird zunehmend die ergänzende Angabe von Effektgrößen (Cohen's d, Eta-Quadrat) gefordert, die die praktische Bedeutsamkeit eines Effekts unabhängig von der Stichprobengröße quantifizieren (Cohen, 1988).

Im digitalen Marketing hat die Verfügbarkeit großer Verhaltensdatensätze die Grenze zwischen Marktforschung und Analytics zunehmend verwischt. Web-Analytics-Daten (Klicks, Sessions, Conversions), CRM-Transaktionsdaten und Werbeplattformdaten sind technisch quantitative Daten, die mit den Methoden der quantitativen Forschung ausgewertet werden können. Der wesentliche Unterschied zu klassischer Primärforschung ist, dass diese Daten nicht primär für Forschungszwecke erhoben wurden (Sekundärdaten) und keine kontrollierten Erhebungsbedingungen aufweisen.

Wichtige statistische Methoden der quantitativen Marktforschung

Deskriptive Statistik: Mittelwerte, Mediane, Standardabweichungen, Häufigkeitsverteilungen – zusammenfassende Beschreibung der Stichprobe.
Kreuztabellen und Chi-Quadrat-Test: Zusammenhangsanalyse zwischen kategorialen Variablen (z. B. Geschlecht × Produktpräferenz).
t-Test und ANOVA: Mittelwertvergleiche zwischen zwei (t-Test) oder mehreren Gruppen (ANOVA) mit Signifikanzprüfung.
Korrelations- und Regressionsanalyse: Messung und Modellierung von Zusammenhängen zwischen metrischen Variablen.
Faktoranalyse: Dimensionsreduktion – Identifikation latenter Konstrukte hinter korrelierten Variablen; häufig für Skalenentwicklung eingesetzt.
Cluster-Analyse: Segmentierung von Befragten in homogene Gruppen auf Basis ihrer Antwortmuster – Grundlage für Kundensegmentierung.

Typische Einsatzfelder im Marketing

Kundenzufriedenheits- und Loyalitätsmessung: CSAT, NPS und CES als standardisierte KPIs, die über Zeit und Segmente vergleichbar gemessen werden.
Markentracking: Regelmäßige Messung von Markenbekanntheit, -image und Kaufabsicht für kontinuierliches Brand-Monitoring.
Kampagnenwirkungsmessung: Pre/Post-Messungen oder Kontrollgruppendesigns zur Messung des Kommunikationseffekts.
Preisforschung: Van-Westendorp-Analyse, Gabor-Granger-Methode und Conjoint-Analyse zur Messung von Preisbereitschaft.
Konzept- und Produkttests: Standardisierte Bewertung von Produktkonzepten oder -varianten durch repräsentative Stichproben der Zielgruppe.

Praxistipp: Führen Sie vor dem Feldstart immer einen Pretest mit 10 bis 20 Personen durch, um Verständnisprobleme, Fragebogenfehler und technische Probleme zu identifizieren. Planen Sie außerdem den Stichprobenumfang sorgfältig a priori: Wenn Sie Subgruppenanalysen (z. B. nach Altersgruppen oder Kundensegmenten) durchführen wollen, benötigen Sie mindestens 100 Fälle pro Subgruppe – eine Gesamtstichprobe von n=500 erlaubt entsprechend maximal 5 gleich große Subgruppen. Zu kleine Stichproben sind die häufigste Ursache für nicht aussagekräftige Ergebnisse in kommerziellen Marktforschungsstudien.

Referenzen

Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum.
Gabler, S. (2019). Stichprobentheorie und -praxis. Springer.
Hair, J. F. et al. (2019). Multivariate Data Analysis (8th ed.). Cengage.
Malhotra, N. K. (2019). Marketing Research: An Applied Orientation (7th ed.). Pearson.
Schnell, R., Hill, P. B. & Esser, E. (2018). Methoden der empirischen Sozialforschung (11. Aufl.). De Gruyter Oldenbourg.
Stevens, S. S. (1946). On the theory of scales of measurement. Science, 103(2684), 677–680.