Tutorium zum Durchführen von Penalty-Analysen in Excel

Dieses Tutorium wird Ihnen helfen, eine Penalty-Analyse in Excel mithilfe der Software XLSTAT einzurichten und zu interpretieren.

Was ist eine Penalty-Analyse?

Die penalty analysis (Analyse der Penalitäten, Bestrafungen) ist eine Methode, die in der sensoriellen Analyse zur Identifikation der möglichen Verbesserungsachsen für Produkte in Anschluss an Umfragen bei Kunden oder Experten eingesetzt wird. Die benutzen Daten können zwei Typen darstellen:

• Die Präferenzdaten entsprechen Indizes der globalen Kundenzufriedenheit für ein Produkt (zum Beispiel eine globale Beurteilung von 1 bis 10 für eine Schokolade) oder für eine Produkteigenschaft (der Komfort eines Autos benotet von 1 bis 10).
• Die Daten einer Skala vom Typ JAR (Just About Right) auf 5 Niveaus. Diese Daten entsprechen den Noten von 1 bis 5 für eine oder mehrere untersuchte Produkteigenschaften, wobei 1 „völlig unzureichend", 2 „unzureichend", 3 «’JAR’»’ (Just About Right) einem Kundenideal, 4 „zu viel" und 5 „viel zu viel" entspricht. Zum Beispiel für eine Schokolade kann man seine Bitterkeit benoten, oder den Komfort eines Autos oder der Rauschpegel eines Motors.

Die Methode besteht darin mittels ANOVA Analysen für jede der untersuchten Eigenschaften auf einer Skala vom Typ JAR zu identifizieren, ob eine Differenz der Skala JAR in Verbindung mir einer signifikanten Differenz auf der Ebene der globalen Präferenzen steht. Zum Beispiel die Tatsache, dass eine Schokolade zu bitter ist, ist dies verantwortlich für eine signifikante Minderung der globalen Note der Schokolade oder nicht.

Datensatz für die Durchführung einer Penalty-Analyse

Einrichten einer Penalty-Analyse

Nach dem Öffnen von XLSTAT, wählen Sie den XLSTAT / Sensorielle analyse / Penalitätenanalyse Befehl, oder klickent Sie auf den zugehörigen Button der "XLSTAT" Toolbar (siehe unten).

Nach dem Klicken des Buttons, erscheint ein Dialogfenster. Wählen Sie die Konsumentenratings und dann die JAR Daten. Die 3 Beschriftungen der 3 Niveaus der JAR Skala werden ebenfalls ausgewählt. Diese machen die Ergebnisse leichter interpretierbar.

Im Reiter Optionen definieren Sie den Schwellwert der Stichprobengröße, unterhalb dessen die Vergleichstests nicht durchgeführt werden.

Die folgenden Ausgabeoptionen wurden gewählt. Die Spearman-Korrelation wurde gewählt, da die Daten ordinal sind.

Die Berechnungen beginnen, sobald Sie auf OK klicken.

Interpretieren der Ergebnisse einer Penalty-Analyse

Die Ergebnisse werden anschließend angezeigt. Das erste Ergebnis sind die deskriptiven Statistiken für die Ratingdaten und die vielen JAR Variablen. Die Korrelationsmatrix wird dann angezeigt.

Die Korrelationen zwischen den Ratings und den JAR Variablen sollten nicht interpretiert werden, da die Rakings der JAR Daten nicht wirklich ordinaler Natur sind (5 is weniger als 3 der JAR Skala, während 5 mehr als 3 der Ratingskala darstellt). Ist jedoch eine Korrelation zwischen einer JAR Variable und einer Rating-Variable signifikant von 0 verschieden, so kann dies bedeuten, dass die JAR Variable einen geringen Einfluß auf die Ratings hat: Wenn ein starker Einfluß bestünde, so wäre die Korrelation idealerweise 0. Falls die "zu viel" Fälle einen geringeren Einfluß haben als die "zu wenig", so sollte die Korrelation positiv sein, und negativ im umgekehrten Fall.

Die nächsten Tabellen sind eine Zusammenfassung der JAR Daten. Das folgende Diagramm basiert auf der Tabelle und erlaubt es, rasch darzustellen, wie die JAR Ladungen für jede Dimension verteilt sind.

Dann werden die Daten aggregiert zu 3 Skalenniveaus. Die entsprechenden Häufigkeiten werden in Form einer Tabelle und eines Diagramms unten angezeigt.

Die nächste Tabelle entspricht der Penalitätenanalyse.

Die folgenden Informationen werden für jede JAR Dimension angezeigt: - Der Name der JAR Dimension. - Die 3 kollabierten Niveaus der JAR Daten. - Die Häufigkeiten, die jedem Niveau entsprechen. - Der zugehörige % für jeden Niveau. - Die Summe der Rating Ladungen für jedes Niveau. - Das durchschnittliche Rating für jedes Niveau. - Die Mittelwertabfälle für die Niveaus "zu viel" und "zu wenig" (Dies ist die Differenz zwischen den Rating Mittelwerten für die JAR Niveaus minus den Niveaus "zu viel" oder "zu wenig".) Diese Information ist interessant, da sie zeigt wie viele Punkte im Rating Sie verlieren, wenn Sie ein Produkt mit der Bewertung "zu viel" oder "zu wenig" für einen Konsumenten. - Die standardisierte Differenz ist ein statistisches Zwischenergebnis, das später für die Vergleichstests benutzt wird. - Die p-values entsprechen den Vergleichstests der Mittelwerte der JAR Niveaus und den Mittelwerten der beiden unteren Niveaus (Dies ist ein multipler Vergleich zwischen 3 Gruppen.). - Eine Interpretation wird automatisch erzeugt und hängt von dem gewählten Signifikanzniveau ab (hier 5%). - Anschließend wird die Penalität errechnet. Dies ist eine gewichtete Differenz zwischen den Mittelwerten (Mittelwert der Ratings für JAR - Mittelwert der Ratings für die beiden übrigen Niveaus zusammengenommen.). Diese Statistik gab dieser Methode ihren Namen. Dies zeigt, wie viele Rating-Punkte Sie verlieren, wenn Sie nicht den Erwartungen des Konsumenten entsprechen. - Die standardisierte Differenz ist ein statistisches Zwischenergebnis, das für die Vergleichstest benötigt wird. - Die p-value entsprechen den Vergleichstests der Mittelwerte der JAR Niveaus mit den Mittelwerten der anderen Niveaus. Die ist äquivalent mit dem Test, ob die Penalitäten signifikant von 0 verschieden sind oder nicht. - Eine Interpretation wird automatisch erzeugt und hängt von dem gewählten Signifikanzniveau ab (hier 5%).

Für die Dimension der Salzigkeit, sieht man, dass die Konsumenten ein Produkt stark penalisieren, wenn es als nicht salzig genug angesehen wird. Beide Mittelwertabfälle sind signifikant von 0 verschieden und ebenfalls die Gesamtpenalität.

Für die Dimensionen Süße und Säuregehalt ist keiner der Tests signifikant. Die umso zutreffender für die Süße.

Für die Dimension der Knackigkeit können der Mittelwertabfall für das Niveau "zu viel" nicht berechnet werden, da der %-Satz der Fälle in diesem Niveau kleiner als der gewählte Schwellwert von 20% ist. Wenn ein Produkt nicht knusprig genug ist, so wird das Produkt stark penalisiert.

Die nächsten beiden Diagramme fassen die beschriebenen Ergebnisse zusammen. Falls die Säule rot ist, so ist die Differenz signifikant, ist sie dagegen grün, so ist die Differenz nicht signifikant. und falls sie grau eingefärbt ist, so wurde der Test nicht berechnet, da nicht genügend Fälle vorliegen.