Faktorenanalyse in der Marktforschung: Ein Beispiel

Ein Faktorenanalyse-Marktforschung-Beispiel ist besonders dann hilfreich, wenn ein Fragebogen viele ähnliche Aussagen enthält, die Ergebnisse aber trotzdem eine klare Entscheidung ermöglichen sollen. Statt zwölf Einzelitems isoliert zu diskutieren, lassen sich dahinterliegende Kaufmotive sichtbar machen. Das spart Platz im Ergebnisbericht, erhöht die inhaltliche Präzision und schafft eine bessere Grundlage für Segmentierung, Positionierung oder Regressionsanalysen.

Die Faktorenanalyse ist jedoch keine Methode, die aus beliebigen Daten automatisch überzeugende Erkenntnisse erzeugt. Ob das Ergebnis wissenschaftlich belastbar ist, hängt von der Fragebogenkonstruktion, der Stichprobe, den Prüfkennzahlen und vor allem von einer fachlich sauberen Interpretation ab.

Was die Faktorenanalyse in der Marktforschung leistet

In der Marktforschung werden Einstellungen meist über mehrere Aussagen erhoben. Befragte bewerten etwa auf einer Skala von 1 bis 5, wie sehr sie Aussagen zu einem Produkt, einer Marke oder einem Service zustimmen. Typische Items lauten: „Der Preis ist für meine Kaufentscheidung entscheidend“, „Ich achte auf nachhaltige Verpackungen“ oder „Ich möchte das Produkt unkompliziert online bestellen können“.

Viele dieser Aussagen messen nicht völlig eigenständige Merkmale. Wer einen niedrigen Preis wichtig findet, achtet häufig auch auf Rabatte und ein gutes Preis-Leistungs-Verhältnis. Die Faktorenanalyse prüft, welche Items statistisch gemeinsam variieren. Aus diesen Mustern bildet sie übergeordnete Faktoren, etwa Preisorientierung, Nachhaltigkeitsorientierung oder Convenience.

Der entscheidende Vorteil: Die Analyse reduziert Komplexität, ohne die relevanten Informationsmuster aus den Augen zu verlieren. Sie beantwortet nicht nur die Frage, welche Aussage hohe Zustimmung erhält. Sie zeigt, welche tieferliegenden Dimensionen das Antwortverhalten strukturieren.

Faktorenanalyse Marktforschung Beispiel: Kaufmotive für Kosmetik

Angenommen, ein Unternehmen möchte verstehen, warum Kundinnen und Kunden Naturkosmetik kaufen. In einer Online-Befragung bewerten 280 Personen zwölf Aussagen auf einer fünfstufigen Zustimmungsskala. Darunter befinden sich Aussagen zu Inhaltsstoffen, Umweltverträglichkeit, Preis, Markenimage und einfacher Verfügbarkeit.

Nach der Bereinigung fehlender Werte zeigt sich zunächst ein plausibles Korrelationsmuster. Die Aussagen „Ich achte auf natürliche Inhaltsstoffe“, „Tierversuchsfreie Produkte sind mir wichtig“ und „Nachhaltige Verpackungen beeinflussen meine Wahl“ hängen deutlich zusammen. Auch Preis, Sonderangebote und Preis-Leistungs-Verhältnis korrelieren miteinander. Die Faktorenanalyse kann nun prüfen, ob sich diese Zusammenhänge zu wenigen verständlichen Dimensionen verdichten lassen.

Schritt 1: Eignung der Daten prüfen

Vor jeder Faktorenanalyse steht die Frage, ob die Items tatsächlich ausreichend zusammenhängen. Zwei Kennwerte gehören in eine saubere Auswertung: das Kaiser-Meyer-Olkin-Kriterium, kurz KMO, und der Bartlett-Test auf Sphärizität.

Ein KMO-Wert von .79 wäre in diesem Beispiel gut. Er zeigt, dass die gemeinsamen Varianzanteile der Items für eine Faktorenanalyse ausreichend sind. Der Bartlett-Test sollte signifikant ausfallen. Dann spricht statistisch etwas dagegen, dass die Korrelationsmatrix nur aus zufälligen Einzelbeziehungen besteht.

Diese Kennwerte sind keine bloße Formalität. Fallen sie ungünstig aus, kann das an zu wenigen Fällen, schwach formulierten Fragen oder Items liegen, die unterschiedliche Inhalte vermischen. Dann ist es methodisch ehrlicher, den Fragebogen oder die Analyseentscheidung zu überarbeiten, statt zwanghaft Faktoren zu berichten.

Schritt 2: Faktoren extrahieren und Anzahl begründen

Für eine explorative Fragestellung eignet sich häufig eine Hauptachsenanalyse. Sie konzentriert sich auf die gemeinsame Varianz der Items und ist daher für die Suche nach latenten Konstrukten meist passender als eine reine Hauptkomponentenanalyse. Welche Methode angemessen ist, hängt allerdings vom Erkenntnisziel ab: Geht es primär um Datenreduktion, kann eine Hauptkomponentenanalyse vertretbar sein. Geht es um nicht direkt beobachtbare Kaufmotive, ist eine Faktorenanalyse im engeren Sinn oft überzeugender.

Im Beispiel sprechen Parallelanalyse, Scree-Plot und fachliche Plausibilität für drei Faktoren. Die Parallelanalyse vergleicht die beobachteten Eigenwerte mit zufällig erzeugten Daten und schützt davor, zu viele Faktoren zu extrahieren. Der Scree-Plot zeigt idealerweise einen klaren Knick nach dem dritten Faktor. Beide Kriterien sollten zusammen mit der Marktforschungsfrage bewertet werden.

Eine Lösung mit drei Faktoren könnte etwa 58 Prozent der gemeinsamen Varianz erklären. Das ist kein universeller Zielwert. In sozialwissenschaftlichen und marktforschungsnahen Daten sind Einstellungen vielfältig und fehlerbehaftet. Entscheidend ist, ob die Faktoren stabil, nachvollziehbar und für die Forschungsfrage nützlich sind.

Schritt 3: Rotation für interpretierbare Ergebnisse

Ohne Rotation sind Faktorladungen häufig schwer lesbar. Eine Rotation ordnet die Struktur so, dass einzelne Items möglichst klar einem Faktor zugeordnet werden können. In der Marktforschung ist eine schiefwinklige Rotation wie Oblimin oder Promax oft sinnvoll, weil Kaufmotive realistisch betrachtet zusammenhängen dürfen. Menschen können gleichzeitig nachhaltig und preisorientiert sein.

Im Beispiel ergibt sich folgende inhaltliche Struktur: Der erste Faktor bündelt natürliche Inhaltsstoffe, Tierversuchsfreiheit und nachhaltige Verpackung. Er wird als Nachhaltigkeitsorientierung bezeichnet. Der zweite Faktor umfasst Preis, Rabatte und Preis-Leistungs-Verhältnis und heißt Preisorientierung. Der dritte Faktor verbindet gute Online-Verfügbarkeit, schnelle Lieferung und einfache Bestellung. Seine Bezeichnung lautet Convenience-Orientierung.

Nicht jede Ladung ist automatisch überzeugend. Als praktische Orientierung gelten Ladungen ab etwa .40 häufig als interpretierbar. Lädt ein Item auf zwei Faktoren ähnlich stark, spricht man von einer Kreuzladung. Dann muss geprüft werden, ob die Aussage inhaltlich unscharf ist oder ob sie bewusst mehrere Dimensionen berührt. Ein Item nur deshalb zu löschen, weil es das Ergebnis optisch aufräumt, wäre keine gute wissenschaftliche Begründung.

Von Faktorladungen zu verwertbaren Marktforschungsbefunden

Nach der Extraktion beginnt die eigentliche Forschungsarbeit: Was bedeuten die Faktoren für eine Entscheidung? Im Kosmetikbeispiel lassen sich für jede befragte Person Faktorscores berechnen. Diese Werte bilden ab, wie stark jemand im Vergleich zur Gesamtstichprobe durch Nachhaltigkeit, Preis oder Convenience geprägt ist.

Damit werden weiterführende Analysen möglich. Eine Clusteranalyse kann Kundengruppen identifizieren, beispielsweise nachhaltigkeitsorientierte Qualitätskäufer, preisfokussierte Aktionskäufer und convenience-orientierte Onlinekäufer. Eine Regression kann prüfen, welcher Faktor die Kaufabsicht oder Weiterempfehlungsbereitschaft am stärksten vorhersagt. Auch Gruppenvergleiche sind möglich, etwa zwischen Altersgruppen, Ländern oder bestehenden und potenziellen Kundinnen und Kunden.

Wichtig ist die Reihenfolge der Schlussfolgerungen. Eine Faktorenanalyse zeigt Struktur, aber keine Kausalität. Wenn Nachhaltigkeitsorientierung mit Kaufabsicht zusammenhängt, beweist das nicht, dass eine einzelne Verpackungsmaßnahme automatisch mehr Käufe auslöst. Dafür braucht es ein passendes Studiendesign, zusätzliche Variablen oder im Idealfall ein Experiment.

So wird das Ergebnis in einer Arbeit berichtet

Ein überzeugender Ergebnisteil benennt nicht nur die Faktoren, sondern dokumentiert die Entscheidung nachvollziehbar. Dazu gehören Stichprobengröße, eingesetzte Items, Extraktionsmethode, Rotationsmethode, KMO-Wert, Bartlett-Test, Anzahl der Faktoren, erklärte Varianz und die zentralen Faktorladungen. Eine übersichtliche Tabelle mit den Items in Zeilen und den Faktoren in Spalten ist meist besser lesbar als eine lange Fließtextbeschreibung.

Für die Interpretation empfiehlt sich eine klare Verbindung zur Forschungsfrage. Statt zu schreiben, „Faktor 1 erklärt den höchsten Varianzanteil“, ist ein aussagekräftiger Befund: „Die Antworten bündeln sich in drei Kaufmotivdimensionen. Nachhaltigkeitsorientierung ist dabei das inhaltlich geschlossenste Motiv, während Preis- und Convenience-Orientierung eigenständige Entscheidungslogiken abbilden.“

Prüfen Sie zusätzlich die interne Konsistenz der gebildeten Skalen, etwa mit Cronbachs Alpha oder McDonalds Omega. Sehr hohe Werte können allerdings auch auf nahezu doppelte Items hindeuten. Wissenschaftliche Qualität entsteht nicht durch möglichst viele Kennzahlen, sondern durch passende Kennzahlen und eine transparente Begründung.

Typische Fehler bei der Faktorenanalyse

Ein häufiger Fehler besteht darin, Faktoren allein nach dem Eigenwert-über-eins-Kriterium auszuwählen. Dieses Kriterium kann zu viele Faktoren nahelegen. Parallelanalyse und Scree-Plot liefern meist die bessere Entscheidungsgrundlage. Ebenso problematisch ist es, Faktoren vor der Analyse fest zu benennen. Die Bezeichnung muss aus den ladenden Items hervorgehen, nicht aus einer gewünschten Marketingbotschaft.

Auch die Stichprobengröße verdient Aufmerksamkeit. Starre Regeln wie „zehn Fälle pro Item“ helfen nur begrenzt. Entscheidend sind unter anderem die Höhe der Ladungen, die Zahl der Items je Faktor und die Qualität der Daten. Bei zwölf Items und klaren Ladungen können 280 Fälle sehr solide sein. Bei schwachen Zusammenhängen oder komplexen Strukturen kann selbst eine größere Stichprobe zu wenig sein.

Wenn Ihre Faktorenanalyse Grundlage einer Abschlussarbeit, Publikation oder strategischen Marktentscheidung wird, sollte jeder methodische Schritt prüfbar bleiben. Promovierte Statistiker von Easy Statistik unterstützen bei der Auswahl der Methode, der Umsetzung in SPSS, R, Python, Stata, JASP oder Jamovi sowie bei einer verständlichen Ergebnisdarstellung. Fordern Sie über das Kontaktformular eine individuelle Statistikberatung an, wenn Sie aus Ihren Fragebogendaten belastbare und fachlich überzeugende Kaufmotive ableiten möchten.