PRA
TREIBERANALYSEN
DAS PRODUKT
PRA (Penalty & Reward Analyse) ist das ADABOX-Tool zur Analyse nicht-linearer Einflüsse auf Zielgrößen wie Zufriedenheit, Loyalität oder Image. Es liefert eine Klassifizierung der Treiber und deren Einflussstärken. Einzigartig, denn in ungeahnten, neuen Geschwindigkeitsdimensionen!
KURZCHARAKTERISTIK
- Aufhebung der Restriktionen der linearen Modelle
- Klassifizierung in Begeisterungs-, Basis- und Leistungstreiber (analog zu Kano)
- Aufdecken der Einflussgrößen, bei denen Handlungsbedarf besteht oder sich neue Chancen eröffnen
- Generelle Vermeidung von Problemen infolge von Multikollinearität aufgrund der Berechnung von Shapley Values
- Mit einzigartigen Geschwindigkeitsdimensionen auch bei sehr vielen Treibern: unser PRA-Tool erlaubt Rechenzeiten von Minuten und Stunden anstatt von Monaten oder gar Jahren durch geschickte Fragmentierung in mehrere kleinere PRAs
AUFGABENSTELLUNG
Das Ziel der Penalty & Reward Analyse ist die Beantwortung der Frage: Wie wird ein Merkmal durch ein oder mehrere andere Merkmale beeinflusst? Allerdings ist der Zusammenhang zwischen Merkmalen nicht immer linear, wie in anderen Verfahren (Regressionsanalyse, Strukturgleichungsmodelle) häufig angenommen wird.
In Anlehnung an das Kano-Modell lassen sich drei Treiber-Typen unterscheiden
- Basistreiber:
Es gibt Erwartungen an Mindestleistungen. Werden diese nicht erfüllt, führt dies zu Unzufriedenheit. Werden sie erfüllt, resultiert daraus aber keine Zufriedenheit. - Begeisterungstreiber:
Im Hinblick auf den Treiber gibt es keine Erwartungen. Erreicht dieser dennoch ein gutes Leistungsniveau, führt dies zu Zufriedenheit. Falls nicht, bleibt dies ohne Auswirkung.
- Linearer Treiber:
Entsprechend dem Leistungsniveau können sowohl Zufriedenheit als auch Unzufriedenheit entstehen.
Für jeden Treiber bestimmt das Verfahren, wie sehr schlechte Bewertungen ausschließlich dieses Treibers mit schlechten Bewertungen der abhängigen Variablen korrespondieren, d.h. ein Treiber bestraft wird. Da die Bestrafung (Penalty) somit eindeutig auf einen Treiber zurückzuführen ist, stellt Mutikollinearität kein Problem dar. Ebenso wird geprüft, wie sehr gute Bewertungen ausschließlich eines bestimmten Treibers mit guten Bewertungen der abhängigen Variablen korrespondieren, d.h. ein Treiber belohnt wird (Reward).
Das Verhältnis aus dem sich ergebenden Ausmaß der Bestrafung und der Belohnung ist maßgeblich für die Art des Treibers. Überwiegt die Bestrafung, ist er ein Basistreiber, überwiegt die Belohnung, ist er ein Begeisterungstreiber. Sind Penalty und Reward in etwa gleich hoch, liegt ein Linearer Treiber vor. Aus der Relation der Summe von Penalty und Reward eines Treibers zu der Höhe der Summen der übrigen Treiber lässt sich ferner dessen Wichtigkeit ableiten.
HANDLUNGSRELEVANZ-
MATRIX
Um Handlungsempfehlungen aus den Ergebnissen von Treiberanalysen leichter ableiten zu können, bietet sich grafische Ausgabe in Form einer Handlungsrelevanzmatrix (Aktivierungsmatrix) an.
Dazu wird auf der x-Achse die Bedeutung der Treiber und auf der y-Achse der Mittelwert der Treiber (Zufriedenheit, Loyalität, Image etc.) abgebildet und der Raum über den Mittelwert aller Treiberstärken (x-Achse) und aller Treibermittelwerte (y-Achse) in vier Bereiche unterteilt.
So lassen sich sehr einfach die Treiber ablesen, die eine hohe Bedeutung haben (rechter Bereich) und wie deren Bezug auf den Mittelwert aller Treiber ist. Liegt ein Treiber rechts unten, so besteht für die Variable ein „Handlungsbedarf“. Insbesondere Begeisterungstreiber können dabei überproportional positiv auf die zu erklärende Variable wirken.
Liegt ein Treiber dagegen rechts oben, so ist darauf zu achten, dass diese sich nicht verschlechtern, insbesondere Basistreiber.
Um die Einteilung weiter zu verfeinern kann zusätzlich noch Graubereich, d.h. ein Bereich mit der durchschnittlichen Treiberstärke bzw. der durchschnittlichen Treibermittelwerte, festgelegt werden.
VORAUSSETZUNGEN
Die Zusammenhänge zwischen den unabhängigen Variablen und der abhängigen Variable müssen positiv sein. Anderenfalls ist eine Umkodierung notwendig.
Das Verfahren teilt die Stichprobe entsprechend der Ausprägungen der abhängigen Variable in drei Gruppen „hoch“, „mittel“ und „niedrig“. Die beiden Gruppen „hoch“ und „niedrig“ dürfen nicht leer sein.
Ungeahnte Geschwindigkeits-dimensionen
Mit unserem PRA-Tool werden neue, ungeahnte Geschwindigkeitsdimensionen möglich. Die PRA basiert auf der sehr zeitintensiven Berechnung von Shapley Values. Aus diesem Grund war ihre Anwendbarkeit bislang auf Analysen mit bis zu 30 Treibern beschränkt. Selbst nur wenige Treiber mehr führten zu einer Erhöhung der Rechenzeit um Monate oder Jahre. IfaD hat ein Vorgehen entwickelt und in die ADABOX integriert, das auch Analysen mit deutlich mehr Treibern in geringer Zeit ermöglicht. Musste man bislang Tage oder Monate Rechenzeit in Kauf nehmen, können nun mit der PRA-Analyse der Toolbox nahezu dieselben Ergebnisse in ein paar Minuten oder Stunden erzielt werden.
