| Vorwort der Herausgeber | 5 |
| Nachtrag zum Vorwort des Buches | 13 |
| Inhaltsverzeichnis | 14 |
| Von Mauern und Windmühlen: Warum sich die Marktforschung neu erfinden muss | 16 |
| Zusammenfassung | 16 |
| 1Einleitung | 17 |
| 2Die fünf Elemente der Veränderung | 17 |
| 2.1Veränderte Wissensbedarfe der Unternehmen | 17 |
| 2.2Wandel vom Consumer zum Prosumer | 18 |
| 2.3Do-it-yourself-Tools als Alternative | 21 |
| 2.4Datenverfügbarkeit für jeden | 22 |
| 2.5Konkurrenz hinter dem Horizont – Innovationsblindheit | 25 |
| 3Zukunft der Marktforschung: Mauern oder Windmühlen | 27 |
| 3.1Relevanz ist das Stichwort – Mehrwert aus Kundensicht | 27 |
| 3.1.1 Der Mehrwert von mehr Daten gehört auf den Prüfstand | 27 |
| 3.1.2 Geschwindigkeit und Realtime sind Teil der Qualität | 28 |
| 3.1.3 Tools jenseits der klassischen Befragung | 30 |
| 3.1.4 Value Exchange und Cognitives Surplus | 33 |
| 3.2Fazit: Die neuen Anforderungen an Marktforschung und Marktforscher | 34 |
| 3.2.1 Marktforscher in der Identitätskrise – schmollen oder wandeln? | 34 |
| 3.2.2 Fünf Handlungsfelder für die Transformation | 35 |
| 3.2.3 Ausblick: Chance der Entwicklung eines neuen Selbstverständnisses | 39 |
| Literatur | 40 |
| An den Grenzen der Marktforschung | 43 |
| Zusammenfassung | 43 |
| 1Einleitung | 44 |
| 2Methoden der Trendforschung | 44 |
| 3Zukunftsforschung – Wer kann helfen? | 47 |
| 3.1Artistic Research | 48 |
| 3.2Raus aus dem Elfenbeinturm | 49 |
| 3.3Vernetzen und Kooperieren | 50 |
| 3.4Was ist der Output? | 51 |
| 4Anwendungsfelder | 53 |
| 5Wer soll das bezahlen? | 54 |
| 6Fazit: Forscht! | 55 |
| Literatur | 58 |
| Partnerschaft in der Marktforschung | 60 |
| Zusammenfassung | 60 |
| 1Dienstleistung und Partnerschaft | 61 |
| 1.1Bisheriger Forschungsstand | 61 |
| 1.2Die ideale Partnerschaft | 64 |
| 2Empirische Ergebnisse | 64 |
| 2.1Befunde anhand des Prozesses einer Marktforschungsstudie | 65 |
| 2.2Treiber und Indikatoren für eine Partnerschaft | 70 |
| 3Fazit | 70 |
| Literatur | 73 |
| Gemeinsam mehr als die Summe ihrer Teile | 75 |
| Zusammenfassung | 75 |
| 1Einleitung | 75 |
| 2Wissen von der Stange? Nein! Auf zum Prozessdesign | 77 |
| 2.1Wie laufen unsere Studien normalerweise ab? | 77 |
| 2.2Ein Blick auf die Theorie von Veränderungsprozessen | 78 |
| 2.3Wie könnte es aussehen, wenn Research und Design Hand in Hand gehen? | 79 |
| 2.3.1 Offenes, iteratives und adaptives Prozessdesign | 79 |
| 2.3.2 Bereicherung unserer Methoden durch Design-Tools | 82 |
| 3Neue Outputs, mehr Anwendbarkeit | 84 |
| 3.1Wie macht es die Marktforschung bisher? | 84 |
| 3.2Was können wir hier von Designern lernen? | 84 |
| 4Ausblick | 87 |
| 4.1„The future of research for us is in transformative research. Research that matters and truly enables stakeholders.“ | 87 |
| Literatur | 88 |
| Predictive Analytics | 90 |
| Zusammenfassung | 90 |
| 1Alles anders: Die Digitalisierung der Welt | 90 |
| 1.1Digitale Disruption wird zum Buzzword | 91 |
| 1.2Folgen für die Marktforschung | 92 |
| 2Maschinen statt Menschen: Automatisierung der Arbeitswelt | 92 |
| 3Von Nullen und Einsen: Daten als Religion | 93 |
| 3.1Big Data als neue Erkenntnisquelle | 94 |
| 3.2Zwischen Sammelwut und Datenschutz | 95 |
| 4Die Kunst der Prognose: Predictive Analytics | 96 |
| 4.1Datenbasierte Zukünfte | 96 |
| 4.2Abschied vom Kausalitätsdenken | 97 |
| 4.3Willkommen in der Ära der Korrelationen | 99 |
| 4.4Statistiker sind sexy | 100 |
| 5Vermittler zwischen Mensch und Maschine | 100 |
| 6Zusammenfassung | 101 |
| Literatur | 101 |
| Zur Zukunft der Online-Felddienstleistung | 104 |
| Zusammenfassung | 104 |
| 1Einleitung | 104 |
| 2Entwicklung der Online-Felddienstleistung | 105 |
| 3Die Ressource Mensch | 107 |
| 4Von der Telefonforschung zur digitalen Erlebniswelt | 109 |
| 4.1Spezialisierung | 110 |
| 4.2Bereinigung | 112 |
| 4.3Veränderung | 113 |
| 5Digitale Chancen | 115 |
| 6Strategien einer Zukunft | 116 |
| 7Fazit | 119 |
| Literatur | 120 |
| Nachholen, Aufholen, Überholen | 121 |
| Zusammenfassung | 121 |
| 1Anspruchsvolles Marketing | 121 |
| 2Trends, Entwicklungen und wie wir ihnen begegnen | 122 |
| 2.1Content Marketing | 123 |
| 2.2Storytelling | 124 |
| 2.3Mobile Communication | 125 |
| 2.4Trust | 126 |
| 2.5Die goldenen Regeln erfolgreichen Marketings | 127 |
| 3360° Communication Touchpoint Management | 128 |
| 3.1Communication Touchpoints | 128 |
| 3.2Überblick und Zusammenfassung | 135 |
| 4Fazit: Das große Ganze und das Marketing für die Marktforschung der Zukunft | 136 |
| Literatur | 138 |
| Renaissance der Psychologie im Marketing: ein Plädoyer | 139 |
| Zusammenfassung | 139 |
| 1Einführung | 139 |
| 2Hat Marktforschung ein Innovationsproblem? | 140 |
| 3Wichtige „Consumer Insights“ aus Verhaltensökonomie und Neuromarketing-Forschung | 143 |
| 3.1Das ökonomische Prinzip starker Marken | 144 |
| 3.2Freier Wille? Das Gehirn hat schon vorher entschieden | 145 |
| 3.3„Brain Branding“ beim Imagetransfer | 145 |
| 3.4Belohnung und Relevanz: gefiltert wird, was bedeutsam ist | 145 |
| 3.5„Soziales Gehirn“: Schlüsselreize steuern die Aufmerksamkeit | 146 |
| 3.6Paradigmenwechsel in der Marketingplanung: rezeptionsorientierte statt soziodemografische Zielgruppenmodelle | 146 |
| 4Marktforschung der Zukunft ist (auch) Verständnis für eine „psychologische Komplexität ohne mathematische Algorithmen“ | 147 |
| 4.1Algorithmen versus Heuristiken | 148 |
| 5Wir brauchen eine Renaissance der Psychologie in Marketing und Marktforschung | 150 |
| 6Zusammenfassung und Ausblick | 151 |
| Literatur | 151 |
| Oh Mensch – Neue Methoden in der qualitativen Marktforschung | 153 |
| Zusammenfassung | 153 |
| 1Einführung | 154 |
| 2Ansätze, Vorteile und Einsatzgebiete der „neuen“ qualitativen Marktforschung | 156 |
| 2.1Market Research Online Communities | 156 |
| 2.2Mobile Ethnografien | 158 |
| 2.3Ethnografien | 160 |
| 2.4Fokusgruppen – Weiterentwickelt | 161 |
| 2.5Semiotik – in der deutschen Praxis angekommen? | 162 |
| 3Fazit | 164 |
| Literatur | 165 |
| Big Data und amtliche Statistik | 166 |
| Zusammenfassung | 166 |
| 1Einführung | 166 |
| 2Was sind Big Data? | 168 |
| 3Was bedeuten Big Data für die amtliche Statistik? | 169 |
| 3.1Produktionsprozesse in der amtlichen Statistik | 170 |
| 3.2Statistikausbildung in Zeiten von Big Data | 172 |
| 4Big Data Roadmap in der amtlichen Statistik | 174 |
| 4.1Koordinierte Verfahrensweisen der europäischen Statistischen Ämter | 174 |
| 4.2Big Data Roadmap and Action Plan 1.0 | 176 |
| 4.3Pilotprojekte | 177 |
| 5Ausblick | 178 |
| Literatur | 179 |
| Das Reziprozitätsprinzip in der Lehre für zukünftige Marktforscher | 182 |
| Zusammenfassung | 182 |
| 1Veränderter Kontext Marktforschung | 183 |
| 2Kompetenzprofil eines HUB-Experten | 183 |
| 2.1HUB-Experte als Ermöglicher von Reziprozität | 184 |
| 2.2Co-Multimodalität des Kompetenzprofils | 184 |
| 2.3Responsiveness der HUB-Funktion durch wechselseitige Perspektivwechsel | 185 |
| 3Reziproke Lehre in der Marktforschung? – Ein Lehrprojekt unter günstigen Voraussetzungen | 187 |
| 3.1Das CORE-Prinzip als Reaktion auf sich wandelnde Ausbildungsanforderungen und Studierendeninteressen | 187 |
| 3.2Bausteine des CORE-Prinzips – und Skizze im Lehrexperiment | 189 |
| 4Ausblick – Offen bleiben für eine sich wandelnde Zukunft | 193 |
| 5Fazit | 194 |
| Literatur | 195 |
| Alles nur ein Spiel? | 197 |
| Zusammenfassung | 197 |
| 1Online-Befragungen – Ein Segen mit Risikopotenzial | 198 |
| 2Gamification | 198 |
| 2.1Eine Definition | 198 |
| 2.2Was Gamification im Online-Research erreichen kann | 199 |
| 2.3Motivation als Schlüssel | 200 |
| 2.4Wie Gamification in Online-Befragungen umgesetzt werden kann | 201 |
| 3Empirische Untersuchung der Effekte von Gamification-Elementen | 202 |
| 3.1Befragungsinhalte und Befragungslayout | 202 |
| 3.2Ausgewählte Fragetypen und deren Grad der Gamifizierung | 203 |
| 3.2.1 Gamefulness-Elemente | 203 |
| 3.2.2 Gamification Elemente zur Veränderung der Fragenformulierung | 207 |
| 3.2.3 Forschungsfragen | 208 |
| 3.3Studiendesign | 209 |
| 3.4Untersuchungsergebnisse | 209 |
| 3.4.1 Einsatz von Gamefulness-Elementen | 210 |
| 3.4.2 Gamification-Elemente | 214 |
| 3.4.3 Weitere Kriterien zur Bewertung des Antwortverhaltens | 219 |
| 4Fazit | 220 |
| Literatur | 222 |
| Shorter Smarter Surveys | 224 |
| Zusammenfassung | 224 |
| 1Veränderte Befragungskanäle | 224 |
| 2Kernprinzip für kürzere, smartere Interviews: Think mobile first! | 227 |
| 3Schritt 1: Redundanzen verringern, Validität erhöhen | 228 |
| 4Schritt 2: Modularisierung – „Chunking“ und „Stitching“ | 229 |
| 4.1Chunking und Stitching mit Big-Data-Techniken | 231 |
| 5Empirische Erkenntnisse aus Fallbeispielen und Learnings | 234 |
| Literatur | 236 |
| Bekannte, aktuelle und neue Anforderungen an Treiberanalysen | 238 |
| Zusammenfassung | 238 |
| 1Bedeutung nichtlinearer Treiberanalysen | 239 |
| 2Methoden zur Bestimmung des Treibertyps | 241 |
| 2.1Kano-Analyse | 241 |
| 2.2Zwei alternative Ansätze | 242 |
| 3Grundlegende Anforderungen an Treiberanalysen | 243 |
| 3.1Beherrschung von Multikollinearität | 243 |
| 3.2Behandlung fehlender Werte | 244 |
| 4Treiber der Urlaubszufriedenheit | 245 |
| 4.1Studiendesign | 245 |
| 4.2Ergebnis der Kano-Analyse | 246 |
| 4.3Ergebnis der Nichtlinearen Regressionsanalyse | 246 |
| 4.4Ergebnis der Penalty & Reward-Analyse | 247 |
| 5Unbeobachtbare Heterogenität als zukünftige Herausforderung für Treiberanalysen | 248 |
| 6Fazit | 249 |
| Literatur | 249 |
| Werthaltige Segmentierung | 251 |
| Zusammenfassung | 251 |
| 1Marktsegmentierung – Quo vadis | 252 |
| 2Werthaltige Kundensegmentierung – eine Fallstudie | 254 |
| 2.1Kundenwunsch & Projektziele | 254 |
| 2.2Projektschritte | 255 |
| 2.2.1 Überblick | 255 |
| 2.2.2 Informationsbedarfsanalyse & Studiendesign | 256 |
| 2.2.3 Analytische Marktsegmentierung | 259 |
| 2.2.4 Übertragung der Stichprobenergebnisse auf SAP IS-U | 261 |
| 2.2.5 Entwicklung segmentspezifischer Maßnahmenprogramme | 262 |
| 2.3Zielerreichungsgrade – ein Jahr nach Implementierung | 264 |
| 3Fazit | 265 |
| Literatur | 266 |
| Zukunft der Mitarbeiterbefragung. Bottom-up statt Top-down | 268 |
| Zusammenfassung | 268 |
| 1Der klassische Ansatz | 268 |
| 1.1Limitierungen des klassischen Ansatzes | 271 |
| 2Feedback der neuen Generation | 272 |
| 2.1Neue Organisationsmodelle | 272 |
| 2.2Selbststeuerung durch Teams | 275 |
| 2.3Automatisierung der Abläufe | 276 |
| 2.4Individuelle Themen ermöglichen | 277 |
| 2.5Feedback am Mitarbeiterlebenszyklus | 278 |
| 2.6Befragungen anhand von Stichproben | 280 |
| 2.7Integrierte Feedbackprozesse | 281 |
| 3Folgeprozesse | 282 |
| 3.1Kontinuierliche Maßnahmenableitung | 282 |
| 3.2Veränderung als Teil des Alltags | 283 |
| 4Fazit | 284 |
| Literatur | 285 |
| Ungenutzte Potenziale: Kundenservicedaten in der Marktforschung nutzen | 286 |
| Zusammenfassung | 286 |
| 1Datenquellen | 286 |
| 1.1Die Klassiker: Befragungen | 286 |
| 1.2Die neuen Stars: Facebook, Twitter & Co | 287 |
| 1.3Die Unterschätzten: Helpdesk- & Ticket-Systeme | 289 |
| 2Strukturierung der Daten | 290 |
| 2.1Problemstellung: Menschliche Sprache, die Herausforderung unstrukturierter Daten | 290 |
| 2.2Sprache | 292 |
| 2.3Themen | 293 |
| 2.4Named Entities | 294 |
| 2.5Stimmungen | 294 |
| 3Weitere Verarbeitungsschritte | 296 |
| 3.1Anreicherung mit strukturierten Daten | 296 |
| 3.2Klassifikation der relevanten Beiträge | 296 |
| 4Analyse | 297 |
| 5Fazit | 298 |
| Literatur | 299 |
| Automobil-Marktforschung heute und morgen: Vom Marktforscher zum Wissensmanager und Lotsen bei der Umsetzung | 301 |
| Zusammenfassung | 301 |
| 1Der Wandel der Marktforschungsbranche oder „Wer nicht mit der Zeit geht …“ | 301 |
| 2Marktforschung in der Automobilbranche: bewährte Ansätze | 302 |
| 3„Gut zu sein genügt nicht mehr!“ Zwischenfazit zum Status quo der Automobil-Marktforschung | 304 |
| 4Ein Blick über den Tellerrand: neue Wege in der Automobil-Marktforschung | 305 |
| 4.1Neue Wege: Marktforschung als Begleiter des Produktlebenszyklus | 305 |
| 4.2Neue Wege: strategische und operative Vertriebsunterstützung | 308 |
| 4.3Neue Wege: Von der Kundenforschung zum Marketing- und Vertriebs-Cockpit | 310 |
| 4.4Neue Wege: Erfolgschancen zukünftiger Mobilitätskonzepte | 312 |
| 5Ausblick | 316 |
| 6Fazit | 317 |
| Literatur | 318 |
| Big Data in der empirischen Gesundheitsforschung | 320 |
| Zusammenfassung | 320 |
| 1Einleitung | 321 |
| 2Die drei V in der empirischen Gesundheitsforschung | 322 |
| 2.1Vielfalt (Variety) | 322 |
| 2.1.1 Apotheken | 322 |
| 2.1.2 Großhandel | 323 |
| 2.1.3 Krankenhäuser | 323 |
| 2.1.4 Ambulante Arztpraxen | 324 |
| 2.2Menge (Volume) | 324 |
| 2.2.1 Zeit | 325 |
| 2.2.2 Informationstechnik | 325 |
| 2.2.3 Ressourcen | 325 |
| 2.3Geschwindigkeit (Velocity) | 326 |
| 3Aspekte der Datenqualität bei Nutzung von Big Data | 326 |
| 3.1Definition des Begriffs „Therapiemonitor“ | 327 |
| 3.2Datenqualität in onkologischen Therapiemonitoren | 328 |
| 3.2.1 Panelmanagement | 328 |
| 3.2.2 Objektivität, Reliabilität und Validität | 330 |
| 4Schlussfolgerungen | 332 |
| 5Fazit | 333 |
| Literatur | 334 |
