Presseinformation. Das Ende einer Management-Illusion. Dr. Frank Buckler

Transkript

1 Dr. Frank Buckler Das Ende einer Management-Illusion Man muss die Dinge so einfach wie möglich machen. Aber nicht einfacher. Albert Einstein Presseinformation

2 Das Ende einer Management-Illusion Wenn Manager nicht die Ergebnisse erzielen, die sie und ihre Unternehmen sich wünschen, gehen ihre Vorgesetzen, die Öffentlichkeit und die Medien wie selbstverständlich davon aus, dass der Misserfolg den Protagonisten selbst anzulasten ist. Doch an den typischen Skills eines gut ausgebildeten und erfahrenen Managers liegt es meistens nicht, wenn der Erfolg ausbleibt. Denn oft sind die Entscheidungen folgerichtig, aber dennoch falsch. Die Ursache liegt nicht im Urteilsvermögen des Managers, sondern in den Prämissen, auf deren Basis er entscheidet. Es sind die scheinbar klugen Einschätzungen, die für ein verunglücktes Management verantwortlich sind. Denn die Welt ist nicht so einfach wie sie scheint, und die Wirtschaft ist es schon gar nicht. Viele der Glaubenssätze, auf deren Basis Legionen von Managern Entscheidungen treffen, sind schlichtweg falsch. Richtig aufgefallen ist das kaum jemandem bisher. Woran das liegt, ist schnell erklärt: Diese Glaubenssätze, ja Mythen, sind in Lehrbüchern festzementiert und werden als unantastbare Gesetze an Universitäten und in Managementschmieden gelehrt. Wie alle anderen Menschen auch treffen Manager ihre Entscheidungen auf der Basis von Erwartungen, dass eine Handlung als Ursache eine bestimmte Wirkung zur Folge hat. Diese Erwartungen sind durch das Studium und die Vermittlung durch anerkannte Management-Koryphäen in die Köpfe eingeprägt und werden erstaunlich selten angezweifelt. Es ist sehr sonderbar, dass ausgerechnet Manager, die für Erfolge oberhalb des Durchschnitts echte Querdenker sein müssen, derart unreflektiert glauben, was ihnen an den Unis in Kladden und Ringbücher diktiert wird. Ebenso sonderbar ist es, dass Manager aus den Fehlern so wenig lernen, die diese Mythen nach sich ziehen. Der Grund dafür ist in gewisser Weise tragikkomisch: Das, was wir über Ursachen und Wirkungen glauben, ist oft nur Einbildung. Selbst wenn wir pures Glück haben, (er)finden wir ein Gesetz, das dessen Scheinursache ist und handeln künftig danach. Und wenn wir fest genug an dieses Gesetz glauben, werden wir unvorhergesehene Folgen unserer Handlungen nicht einem Fehler im Gesetz zuschreiben, sondern nach nebulösen Nebeneffekten suchen, die das erwartete und erwünschte Ergebnis torpediert haben. Hier spielt uns das sonst oft nützliche Lernen durch Konditionierung einen Streich. Bis wir endlich bemerken, dass die Glaubenssätze in unserem Kopf verkehrt sind, haben wir viel Geld verbrannt, viele Kunden verloren und viele loyale Mitarbeiter entlassen, die einen sicheren Arbeitsplatz verdient hatten. Ist ein Mythos endlich gebrochen, taucht im Management unverzüglich die nächste große Herausforderung auf. Es reicht nicht aus, zu wissen, dass etwas falsch ist, wenn man jeden Tag Geld einsetzen muss, um Erlöse zu erzielen. Es kommt entscheidend darauf an, die alten Irrtümer durch neues, praktikables und funktionierendes Wissen zu ersetzen. Weil aber die Wirtschaft mit ihren unglaublich vielen Paramatern und Faktoren so komplex ist, ist der Verstand überfordert, jeder Schätzversuch ein Vabanque-Spiel und der Test durch Experimente exorbitant teuer. Durch ihr Know-how und ihre Methoden gelingt es der Success Drivers GmbH nicht nur, falsche Mythen zu entlarven, sondern vor allem nutzbringendes, belastbares Wissen zu gewinnen. Dies ermöglicht ein Management, in dem erfolgreiche Entscheidungen endlich keine glücklichen Eintagsfliegen mehr sind.

3 Dr. Frank Buckler: Ursachen im Meer der Tatsachen finden Frank Buckler ist in Magdeburg geboren, im real existierenden Sozialismus der DDR. Bekannt für technische Innovationen war der Osten eher nicht. Auch nicht dafür, kritische Geister zu schätzen. Frank Buckler aber war anders als die anderen und fiel früh als Freigeist auf. Mit dem Robotron-Kleincomputer, den ihm sein Vater in den frühen 80ern besorgte, fielen für ihn alle Grenzen. Er programmierte Trainingsprogramme für Mitschüler, gewann Programmierwettbewerbe bei Jugend-forscht der DDR und seine selbsterstellte Formel-1-Simulation brachte ihn und seine Freunde virtuell auf die Rennstrecken dieser Welt. Seither hat sich in einer Hinsicht nichts geändert: Computer und Software haben für ihn keinen Selbstzweck, sondern sind sein zentrales Werkzeug, um das scheinbar Unmögliche möglich zu machen. Einfach für bare Münze genommen hat Frank Buckler noch nie, was man ihm erzählte. Geglaubt hat er auch nicht, was seine Mutter im Winter sagte: Trockne dir die Haare gut ab, sonst holst Du dir einen Schnupfen!. Erkältungen kommen von Erregern und nicht von nassem Haar. Das war doch klar wie Kloßbrühe, meint er heute. Schon damals erkannte er, dass vieles, was wir sicher zu wissen meinen, nur ein Mythos ist. Vielleicht zum Glück endete die DDR, bevor er sich an ihr reiben konnte. Historische und politische Mythen als Konfliktstoff gab es genug aber die Geschichte war schneller. Ein kritischer Geist ist das eine, konstruktive Lösungen jedoch sind etwas ganz anderes. Neues Wissen und neue Lösungen jenseits von Scheuklappen waren Frank Bucklers eigentliche Leidenschaft vor allem im Management. Das böse Stichwort lautet: Scheinkorrelation. Wenn die Störche im Frühjahr aus Afrika kommen und zeitgleich die in lauen Sommernächten gezeugten Babys geboren werden, suggerieren die Geburtsstatistiken, der Stelzenvogel bringe die Kinder. Fatal im Management, wenn es an den Klapperstorch glaubt. Jedes Jahr rauchen weltweit Management- und Marketingmilliarden durch den Schornstein, weil Manager an Methoden festhalten, die hartnäckig an Universitäten und in Fachbüchern zementiert werden. Frank Buckler hat Betriebswirtschaft und Elektrotechnik in Berlin studiert. Wirtschaft und Technik sind das große Tandem, das ihn bewegt. Angezogen von der Faszination künstlicher Intelligenz begeistert er sich schnell für neuronale Netze. Er bemerkt: Was sie an Ergebnissen produzieren, stimmt aber es ist weder praktisch verständlich noch in der Realität umsetzbar. Daten ohne Interpretation sind tote Zahlen und Buchstaben das sollte sich ändern. Im Börsenverein der Uni schreibt er mit einem Freund eine Software, die Börsenergebnisse vorhersagt mit durchschlagendem Erfolg. Sie ist heute ein kommerzielles System. Neuer Kausalanalyseansatz auf Basis Neuronaler Netze als Instrument der Marketingforschung so lautet der Titel seiner Doktorarbeit. In ihr schält sich sein heutiges berufliches Anliegen heraus: kausale Zusammenhänge im Management entdecken und neues Wissen in Marge, Absatz und Effizienz verwandeln. Multivariate Ursachenanalyse heißt das, was er heute betreibt. In einem Meer von Tatsachen echte Ursachen finden und dem Unternehmenserfolg nutzbar machen, ist seine Passion. Und weil hergebrachte Methoden das nicht richtig machen, entwickelt er eine eigene, neue: NEUSREL, eine softwaregestützte Methode, komplexe Ursachenzusammenhänge zu erkennen und neues, belastbares Wissen zu schaffen, wo falsche Annahmen das Feld beherrschen. Denn auf neues Wissen kommt es an: ein Wissen, das einen so unvermittelt trifft wie der Stiel der Harke, wenn man im Garten versehentlich auf ihre Zacken tritt.

4 Das Buch zum Thema FRANK BUCKLER DAS ENDE DER KENNZAHLEN-ILLUSION Mehr Marge, mehr Absatz, mehr Effizienz durch digitale Spürhunde Kindle Edition E-Book ca. 130 Seiten ASIN: B00KXGNLRA Preis: 8,23 Dass nasse Haare in der kalten Jahreszeit krank machen, glauben Millionen und irren gewaltig. Das Risiko einer Viruserkrankung ist im Winter einfach höher. Da wundert es nicht, dass man sich auch mit einer Mütze auf dem Kopf einen Schnupfen einfängt. Sicher: eine Mütze wärmt, und die Kosten dafür sind überschaubar. Was aber, wenn Unternehmen ähnlichen Irrtümern auf den Leim gehen und viel Geld auf eine Kausalbeziehung setzen, die keine ist? Dann sind die meisten Ausgaben keine klugen Investitionen, sondern riskante Wetten mit extremem Verlustrisiko. Das kann gewieften Managern und Unternehmern nicht passieren? Weit gefehlt! Im Management sind einfache Verhältnisse zwischen Ursache und Wirkung eine Fata Morgana. Dafür sind Märkte zu schwierig und Kunden zu unberechenbar. Die meisten Zusammenhänge sind so komplex, dass Perfektion in der Vorhersage unmöglich ist. Hier gewinnt das Unternehmen, dessen Voraussagen genauer sind als die der anderen. Der Einäugige ist unter den Blinden König. Viele der Management-Illusionen, die Unternehmen Jahr für Jahr Millionen kosten, basieren auf falschen Erkenntnissen, die seit Ewigkeiten unhinterfragt durch die Chefetagen geistern. Die klassische Managementliteratur trägt ihren Teil dazu bei, indem sie solchen Mythen Glaubwürdigkeit verleiht. Tausende Manager sind mit diesen Irrtümern infiziert, ohne es zu wissen. Sie machen fatale Fehler im Bewusstsein, das Richtige zu tun das, was Lehrbücher, Professoren und Kollegen sagen. Das Ende der Kennzahlen-Illusion deckt schonungslos die Mythen auf, denen Manager heute zum Opfer fallen und demonstriert die gravierenden Folgen ihrer unverschuldeten Gutgläubigkeit. Frank Buckler entführt seine Leser in eine Welt der Ursachen, Wirkungen und Konsequenzen und zeigt, wie man verlockenden Scheinkorrelationen, falschen Glaubenssätzen und falschem Wissen erfolgreich ein Schnippchen schlägt, um mehr Erfolg zu haben. Mit NEUSREL stellt Frank Buckler eine neuartige Methode zur Ursachenanalyse vor, die als digitaler Spürhund die wahren Ursachen für Erfolg und Misserfolg im Management aufdeckt und zielführende Strategien ermöglicht. Als praktisch bewährte und wissenschaftlich gesicherte Methode liefert NEUSREL die Grundlage für ein Management, das endlich funktioniert und keine kostspielige Glücksache mehr ist. Dr. Frank Buckler (Köln) ist Inhaber der Success Drivers GmbH und führender Experte für das Aufdecken von Management-Erfolgsfaktoren. Während seiner Promotion im Bereich Marketingforschung entwickelte er NEUSREL, eine neuartige, wissenschaftlich abgesicherte Methode zur Ursachenanalyse im Management. Im Jahr 2005 übernahm er Linienverantwortung als Marketing & Sales Manager bei einem führenden Industrieunternehmen. Heute berät Frank Buckler Unternehmen weltweit dabei, die entscheidenden Erfolgshebel im Bereich Strategie, Marketing und Vertrieb aufzuspüren. Außerdem unterstützt er diese Unternehmen mit seinem Team bei der Aufgabe, die Erkenntnisse in höhere Margen, effektiveres Marketing und gesteigerten Abverkauf zu übersetzen.

5 Expertenmeinungen zum Buch Nie war Ursachenanalyse so unterhaltsam. Hermann Simon, Bestseller-Autor, Chairman von Simon-Kucher & Partners Ein Meilenstein in der Erfolgsfaktorenforschung. Torsten Hennig-Thurau, Top 3% Management Forscher lt. Handelsblatt-Ranking, Uni Münster Ein inspirierendes Plädoyer für den aufgeklärten Umgang mit Zahlen und Fakten. Ein zeitgemäßer Zugang für weniger Reduktionismus." Niels Pfläging, Preisträger Managementbuch des Jahres 2006, Keynote-Speaker Kundenmeinungen zu Success Drivers We learned that we are sitting on data which are a goldmine of insights. Success Drivers is the only institute I know of that is equipped with the right expertise and methodology to help us explore such useful insights. Marc Güntermann, Head of Service Development After Sales, AUDI AG Success Drivers helped us to focus our communication on few key elements. I was impressed how the team delivered reliable, easily understandable results _ Christiane Mougey, Managing Director SkinCeuticals, L'OREAL Success Drivers provided us the confidence to advise our business partners on the most effective and efficient means for sustaining our brand momentum. David Feick, Ph.D. Director_Consumer Insights, T-Mobile USA

6 Frank Buckler im Interview Was hat Sie bewogen, sich mit dem Thema Kausalität auseinanderzusetzen? Ich weiß noch, wie ich in meiner mündlichen Marketing-Prüfung saß und die Bedingungen für Kausalität herbeten musste. Mir war schon damals klar: Das, was da in manchen Lehrbüchern steht, ist zwar nicht falsch, aber unbrauchbar. Die herrschende Lehrmeinung besagt, dass Kausalität dann gegeben ist, wenn zwei Größen korrelieren, kein dritter Einfluss ersichtlich ist und wenn für den Zusammenhang eine begründete Theorie existiert. All das ist sicher richtig. Nur kommt dieser Fall in der Realität praktisch nie vor; typisch Elfenbeinturm eben. Dabei ist Kausalität etwas so praktisch Relevantes: In jeder Entscheidung, die wir treffen, nehmen wir unbewusst gewisse Kausalitäten an. All das hat irgendwie meinen Ehrgeiz geweckt. Welches ist für Sie die größte Herausforderung im Management? Die Fokussierung aufs Wesentliche. Nach Pareto kann man mit 20 Prozent der möglichen Aktionen achtzig Prozent des möglichen Effekts erzielen. Und erfahrene Manager wissen, dass das 80/20-Prinzip quasi überall zu finden ist. Die ungelöste Gretchenfrage ist nur: Wie finde ich die zwanzig Prozent effektivsten Aktionen? Und genau dafür gab es bislang keine wirklich wirksame und praktische Methode, außer es in kontrollierten Experimenten auszuprobieren. Das allerdings ist meistens unattraktiv teuer.

7 Lohnt es sich unter dem Strich, Geld in besseres Wissen zu investieren? Schicken Sie Ihr Kind zum Studieren? Lohnt sich das denn? John Neisbit sagte 1788 bereits, dass eine Investition in Wissen die beste Investition ist. Wir leben in einem Wissenszeitalter. Nur noch zwanzig Prozent der Wertschöpfung basiert auf Sachgütern. Vergessen sie Sachwerte. Das richtige Wissen ist um ein Vielfaches mehr wert. Wissen ist das neue Kapital des Unternehmens. Das wissenschaftlich belegte Pareto-Prinzip zeigt sehr eindrücklich, dass wissensgetriebene Fokussierung die erzielbaren Effekte, also auch Umsatz und Gewinn, vervielfachen kann. Sind klassisch erhobene Daten nicht ausreichend genau? Daten sind nicht Wissen. Wir ertrinken in Daten und dürsten nach Wissen. Das klingt wie ein netter Spruch. Doch was wirklich wertvoll ist, ist nur Wissen über die Ursache von Erfolgsgrößen. Was zu tun ist, steht nicht direkt in den Daten und lässt sich auch nicht durch reine Aufbereitung ableiten. Warum? Weil viele Ursachen des Erfolgs gleichzeitig wirken und diese nur durch Spezialverfahren separiert werden können. Die Störche und die Babys sind ein schönes Beispiel dafür. Was unterscheidet in Ihren Augen den Analytiker vom Berater? Der Analytiker ermittelt mathematische Zusammenhänge zwischen Daten. Der Berater weiß, was die Daten bedeuten, also was hinter den Daten inhaltlich steckt. Entsprechend kann nur der Berater Handlungsvorschläge unterbreiten. Dafür muss er jedoch die Analysemethode genau verstanden haben. Eine sinnvolle Ursachenanalyse ist nur möglich, wenn Analysestärke und Beratungskompetenz vereint sind. Analytiker und Berater sind für sich allein zahnlos. Darum ist es heute so schwierig, hochklassige Beratungskonzepte zu erhalten. Warum ist Ihre Methode NEUSREL besser als der gesunde Menschenverstand? Meistens fahren wir doch mit unserem Erfahrungslernen ganz gut. Menschenverstand ist nicht schlecht. Im Gegenteil: Er ist ebenso unerlässlich wie das Know-how und die Erfahrungen von Managern und Experten. Was wir nur zusätzlich brauchen, ist eine Sensibilität dafür, dass uns unsere Intuition auch fehlleiten kann und dass Expertenwissen sehr oft schlichtweg falsch ist. Wir benötigen Wissen im Sinne eines Verständnisses dafür, was wir NICHT wissen. Genau dieses Verständnis führt zur Einsicht, dass wir Analysemethoden als Unterstützung, nicht als Ersatz, benötigen. Analysemethoden, die in Bereiche vordringen, die nie ein Mensch zu vor gesehen hat und nie sehen wird, um Captain Kirk hierbei zu widersprechen. Was macht NEUSREL anders? Und warum widersprechen Ihre Erkenntnisse vielen Standardwerken zu den Themen Marketing und Management? Die Forschungsideologie in der Marketing- und Managementforschung ist durchdrungen von dem Glauben, dass man durch Datenanalyse nur Thesen widerlegen kann, jedoch niemals Erkenntnisse generiert. Dabei wird übersehen, dass diese Sichtweise so nobel wie unbrauchbar ist. Das wäre, als würde jemand Ihre Lieblingstasse fallenlassen und nach deren Zersplittern behaupten: Das ist noch kein Beweis, dass Los-lassen zur Zerstörung der Tasse führt. Wissenschaftlich gesehen, stimmt das mit dem Nicht-Beweis sogar. Trotzdem ist es enorm nützlich, dieser neu erworbenen Hypothese so lange zu folgen, bis es eine bessere gibt. Mit Forschung die absolute Wahrheit zu ergründen, ist philosophisch unmöglich. Es kommt darauf an, unsere Hypothesen über die Welt nützlicher, brauchbarer zu machen. Das Dogma der Widerlegung habe ich einfach beiseitegeschoben und den gesunden Menschenverstand eingeschaltet. Mit den Algorithmen der künstlichen Intelligenz, die mich Ende der 90er die Börsenkurse besser als Börsen-Experten prognostizieren ließen, war es plötzlich möglich, auf die Suche nach dem in Datensätzen verborgenen kausalen Wissen zu gehen. Mittlerweile gibt es eine wachsende Zahl von Forschern, die den Paradigmawechsel mitgehen die ganz alten

8 Hasen machen natürlich ihren Stiefel weiter. Generell behaupte ich aber keine endgültige Wahrheit, sondern nur Hypothesen, die besser sind als die alten. Und besser heißt praktisch erfolgreicher. Welches sind in Ihren Augen die eigentlichen Erfolgstreiber in Unternehmen? Die Anwendung einer fundierten Ursachenanalyse am besten NEUSREL. Dies ist nicht wirklich vermessen: Jedes Unternehmen hat andere Erfolgstreiber, denn die setzen am Engpass an. Und der ist bei jedem anders. Darum muss jedes Unternehmen selbst durch den NEUSREL-gesteuerten MRT-Scan. Meine Methode findet die Erfolgstreiber im großen Ursachenhaufen. Sie erkennt, wie die Treiber sich gegenseitig verstärken oder abschwächen und führt zu konkreten Vorschlägen, worauf es ankommt und was zu tun ist. Ihre Methode arbeitet softwaregestützt. Wie werden Zahlen zur funktionierenden Strategie? Ein Beispiel: Bei einem B2B-Kunden ließen wir durch den Vertrieb die wichtigsten 200 Kunden anhand von15 Merkmalen bewerten. Außerdem lag der Preis, den der Kunde bezahlte, als Zielgröße vor. Am Ende einer Analyse mit NEUSREL blieben überraschenderweise nur zwei Merkmale übrig, die 80 Prozent der Zahlungsbereitschaft erklärten. Ein Teil der Kunden fuhr eine klare Ein-Lieferanten-Strategie. Er wollte das beste Produkt des B2B-Anbieters und erwog keine Alternativen. Der andere Teil hatte sich bewusst auf eine Mehr-Lieferanten-Strategie festgelegt. Diese Kunden wollten Abhängigkeiten vermeiden und waren mit einem Standardprodukt zufrieden. Im ersten Fall konnten die Preise, und damit die Marge, mangels Konkurrenz steigen. Im zweiten Fall konnten erhebliche Kosten eingespart werden, weil eine intensive und teure Betreuung des Kunden weder nötig war, noch Erfolgsaussichten hatte. Außerdem hätten neue Premium-Produkte nur zu Anfragen der Kunden bei anderen Anbietern geführt. Ohne unsere Ursachenanalyse auf der Basis der Zahlen und ihrer Interpretation hätte das Unternehmen weiterhin viel Geld verloren. Warum bemerken Manager trotz Misserfolgen nicht, welchen Illusionen sie zum Opfer fallen? Ganz einfach: Die beobachteten Ereignisse haben viele Ursachen. So können wir für jede eine eigene Story spinnen, die niemand widerlegen kann. Je schöner die Story, desto mehr verlieben wir uns in die frei erfundenen Erfolgsursachen. Es ist wie ein Reflex. Die empfundene Alternativlosigkeit zwingt Manager dazu, aus giftigen Blüten Honig zu saugen auch, wenn das Beispiel von den Störchen noch aus dem Studium hängen geblieben ist. Hinzu kommt unser menschlicher Scheuklappenblick. Wir sehen nur, was wir kennen. Es gibt keinen mir bekannten BWL- oder MBA-Studiengang, der auf dieses Problem in seiner vollen Bedeutung eingeht. So rennen unsere Vollbluthengste in Nadelstreifen in Rekordgeschwindigkeit die große Runde, anstatt per kluger Abkürzung als Erster ins Ziel zu laufen. Kennen Sie ein Beispiel dafür, dass ein Unternehmen viel Geld verloren hat, weil es einem geläufigen Managementmythos gefolgt ist? Da gibt es viele. Ein schönes Beispiel sind die deutschen Lottogesellschaften, deren Umsatz seit Jahren dramatisch sinkt. Ein Grund ist ein fehlendes Kundenverständnis. Fakt ist, dass vor allem ältere Menschen Lotto spielen. Daraus schließen die Gesellschaften, dass Ältere ihre beste Zielgruppe sind. Doch weit gefehlt das Gegenteil ist richtig. Wir fanden heraus, dass jüngere Menschen, unter ansonsten gleichen Umständen, deutlich lottoaffiner sind. Ältere Menschen spielen nicht nur deshalb mehr Lotto, weil das Marketing auf sie abgestimmt ist, sondern weit eher, weil das Lottospiel ein Unterhaltungsprodukt mit einer Art Nervenkitzel ist, das aus schöner Gewohnheit gekauft wird ähnlich einer Sonntagszeitung. Jüngere Bevölkerungsgruppen, die insgesamt weniger liebgewonnene Gewohnheiten aufgebaut haben, sind natürlich unterrepräsentiert. Erschwerend kommt hinzu, dass die Anbieter mit ihrer ständigen Jackpot-Werbung Anreize schaffen, die Gewohnheit aufzubrechen und nur dann zu spielen, wenn der Pott voll ist.

9 In welchen Bereichen kann Ihre Ursachenanalyse entscheidende Verbesserungen erzielen? Überall da, wo man etwas erreichen will, das von vielen autonomen Ursachen beeinflusst wird. Dies ist in Verkaufsmärkten der Fall also dort, wo Marketing und Vertrieb zu Hause sind. Gleichermaßen wirksam ist sie auch in Einkaufsmärkten, wo der Einkauf zuständig ist und in der Personalführung, die durch Management und HR betrieben wird. Insgesamt ist sie in allen Bereichen nützlich, in denen es soziale Systeme zu managen gilt. Kontakt: Dr. Frank Buckler Geschäftsführer SUCCESS DRIVERS GmbH Lindenstrasse Köln Tel Mobil Pressekontakt: Agentur für Public Relations Thomas Spiekermann Uferstraße Köln Tel Fax

10 Meinungsspiegel Ein digitaler Spürhund entdeckt zentrale Erfolgstreiber Von Dr. Frank Buckler Dr. Frank Buckler ist Inhaber von NEUSREL Causal Analytics und Spezialist für das Aufdecken von Management-Erfolgsfaktoren. Er studierte Elektrotechnik und Betriebswirtschaftslehre und promovierte im Bereich Marketingforschung. Danach war er als Managementberater bei Simon, Kucher & Partners sowie als Mitgeschäftsführender Partner im Strategy & Marketing Institute tätig. Im Jahr 2005 übernahm er Linienverantwortung als Marketing & Sales Manager bei Greif Inc., dem Weltmarktführer für Industrieverpackungen. Er hat die Kausalanalysemethode NEUSREL ( entwickelt, die die Anwendungshindernisse herkömmlicher Verfahren überwindet und einen Paradigmenwechsel im evidenzbasierten Management ermöglicht. Dr. Frank Buckler wurde 1973 an der Elbe geboren und lebt heute mit seiner Frau Viktoria in Köln am Rhein. Management-Entscheidungen werden aufgrund von hoffentlich fundiertem Wissen getroffen. Doch wo kommt das Wissen her, wie ist es erworben worden? Ist es wirklich fundiert? Ist es richtig? Wege zu fundiertem Wissen sind Autobahnen zum Unternehmenserfolg. Der Erfolg hat viele Väter doch wer sind die wahren Erzeuger? Neulich zappe ich durch das abendliche TV-Programm und bleibe bei der Sendung mit der Maus für Erwachsene, die unter dem Namen Galileo firmiert, hängen. Es geht um Kaffee und das Allgemeinwissen, das mir meine Mutter immer wieder mit auf den Weg gibt: Kaffee wirkt entwässernd und trocknet aus! Tatsächlich wirkt ein Stoff im Kaffee etwas entwässernd. Dieser Effekt ist jedoch minimal. Zudem besteht ja eine Tasse Kaffee vor allem aus Wasser. Diese Wassermenge überkompensiert bei Weitem den Wasserverlust, der durch die Kaffeepartikel ausgelöst wird. Kaum wirken zwei Ursachen auf unseren Wasserhaushalt schon kommen wir gedanklich durcheinander. Witzig: Ich hatte meiner Mutter geglaubt. Warum eigentlich? Ich habe doch schon tausende Male Kaffee getrunken und damit meine private Validierungsstudie durchgeführt. Mir war es nicht aufgefallen. Tatsächlich entwässert Kaffee nicht. Ist es nicht seltsam, dass relativ einfach zu entlarvendes falsches Wissen von uns im Alltag nicht erkannt wird? Zum Glück passiert das ja nur im Privatleben im Geschäftsleben sind schließlich Profis am Werk. Oder? Wenn Profis auf die Suche nach Ursachen gehen, dann werden meist Zahlen verglichen. Worin unterscheiden sich Erfolgreiche von nicht Erfolgreichen? Korreliert die eine oder andere Eigenschaft mit dem Erfolg? Können wir so den Ursachen des Erfolgs wirklich auf den Grund gehen? Sicher kennen Sie auch die anschaulichen Bei- Business + Innovation 02 I 2012 Seite 2

11 Meinungsspiegel» Herkömmliche Multivariate Analyseverfahren sind nicht auf die Anforderungen von Management-Aufgabenstellungen ausgerichtet. «spiele für mögliche Scheinkorrelationen: In Gebieten mit hoher Storchpopulation gibt es überdurchschnittlich viele Babys pro Einwohner. Diese Korrelation sagt jedoch nichts über Ursache und Wirkung aus, solange es andere denkbare Ursachen gibt. So ziehen bevorzugt junge Familien in die ländlichen Speckgürtel und steigern die Babyquote dort, wo die Störche wohnen. Als Unternehmensberater war ich in einem Projekt bei einer großen deutschen Regionalbank engagiert. Es ging darum, aus den Kundendaten Erkenntnisse zu gewinnen und daraus Strategien zur Kundenbindung, zum Churn- Management und zur Steigerung des Cross-Selling abzuleiten. Als bewährtes Vorgehen zur Identifikation von Cross-Selling-Potenzialen galt bislang, Kunden mit erhöhtem Kontostand auf Kredite anzusprechen, weil man eine starke Korrelation zur Kreditkaufwahrscheinlichkeit festgestellt hatte, d. h. Kunden mit hohem Kontostand hatten deutlich häufiger einen Privatkredit. Eine Treiberanalyse mit multivariaten Analyseverfahren ergab jedoch eine Überraschung. Die Analyse sagte, dass der Kontostand einen negativen (!) Einfluss auf die Kreditwahrscheinlichkeit hatte. Wir waren verwundert. Können wir der Methode trauen? Eine intensivere Betrachtung der Ergebnisse zeigte, dass insbesondere der Bonitätsstatus der Person einen positiven Einfluss auf die Kreditwahrscheinlichkeit hatte. Da machte es bei uns Klick. Logisch: Kredite bekommen Leute mit hoher Bonität. Diese Solvenz bekomme ich, wenn ich vermögend bin. Gleichzeitig brauche ich jedoch tendenziell keinen Kredit, wenn ich noch genügend liquide Mittel besitze. Wir konnten also zeigen, dass die bisherige Targeting-Methode nicht nur ineffektiv, sondern kontraproduktiv war. Später, in meiner Zeit als Sales & Marketing Manager eines Industrieunternehmens, liefen mir weitere dieser Mythen über den Weg. Ich war erst ein paar Wochen an Bord und hörte immer wieder: Die Kunden im Pharmabereich, die haben gute Preise. Da müssen wir mehr machen und expandieren. Eine kritische Prüfung der reichlich vorhandenen Transaktionsdaten brachte mich zu einer anderen Hypothese. Ich stellte fest, dass die Pharmakunden eher kleine bis mittlere Mengen abnahmen. Im Vergleich zu anderen Kunden im Chemiebereich mit gleichen Abnahmemengen war im Preisniveau plötzlich kein Unterschied mehr feststellbar. Die Kollegen waren einer klassischen Scheinkorrelation aufgesessen. Das Preisniveau hatte nichts mit der Branche an sich zu tun, sondern war lediglich beeinflusst von der Tatsache, dass die Abnahmemengen in diesem Bereich klein waren. All diese Beispiele haben eines gemeinsam: Es geht um Erfolgsgrößen, die viele sie beeinflussende Ursachen haben. Eine Analyse, die lediglich zwei Variablen betrachtet (wie Korrelationen oder Anteils-Vergleiche), kann also unmöglich den Effekt einer Ursache valide bestimmen. Wie viele wichtige Erfolgstreiber hat die Unternehmensprofitabilität? Wie viele wichtige Stellhebel gibt es beim wirkungsvollen Verteilen eines Werbebudgets? Welche zentralen Treiber gibt es, um Kunden zu binden und zufriedener zu machen? Wie viele wichtige Erfolgstreiber beeinflussen die Kaufentscheidung Ihrer Kunden? Richtig, es sind immer viele Treiber, die zeitgleich am Werk sind. Wie managen Sie nun diese Erfolgstreiber? Woher wissen Sie, welche die wichtigen sind? Wie verteilt man effizient ein Werbebudget, wenn man nicht genau weiß, wie wirkungsvoll die einzelnen Kanäle sind? Ziel muss es doch immer sein, genau zu verstehen, welcher Erfolgsbeitrag von jeder einzelnen Erfolgsursache ausgeht. Mit herkömmlichen Methoden ist dies unmöglich. Eine Methode muss her, die zeitgleich alle Erfolgstreiber betrachtet und die hierfür ursächlichen Effekte je Treiber identifiziert. Eine solche Methode ist das Experiment. Leider kommt sie allzu oft nicht in Frage, weil entweder zu viele mögliche Treiber untersucht werden müssten oder weil schlicht die Kosten für ein Experiment zu hoch wären. Eine vergleichsweise preiswerte Alternative ist es, Erfahrungsdaten über mögliche Treiber- und Erfolgsgrößen zu sammeln und digitale Spürhunde in diesen Daten nach den Ursachen suchen zu lassen. Diese digitalen Spürhunde werden als Multivariate Analysemethoden bezeichnet. Die Multivariate Regressionsanalyse ist eine bekannte Variante. Ausschließlich mit Multivariaten Analysemethoden ist es möglich herauszufinden, welchen ursächlichen Beitrag der jeweilige Erfolgstreiber leistet. In einer Welt mit vielen Einflussgrößen ist sie der einzige Weg zu einer nützlichen empirischen Erkenntnis. Die Multivariaten Analysemethoden helfen uns herauszufinden, welche Väter welchen Beitrag geleistet haben. Sie sind der einzige Weg, um das Zusammenspiel von Marketingkanälen zu optimieren und die Werbemillionen effektiver zu verplanen. Sie allein bieten die Möglichkeit, evidenzbasiert zu ermitteln, wo die zentralen Treiber des Business + Innovation 02 I 2012 Seite 3

12 Meinungsspiegel ROI einer Geschäftseinheit liegen. Und sie sind der einzige Weg, um valide den Kauf-, Bleibe- und Wechselgründen von Kunden auf den Grund zu gehen. Das sind allesamt zentrale Fragen des Managements. Was digitale Spürhunde können sollten Es hat seine Gründe, warum Multivariate Analyseverfahren heute noch zu wenig im Management eingesetzt werden. Herkömmliche Multivariate Analyseverfahren sind nicht auf die Anforderungen von Management-Aufgabenstellungen ausgerichtet. Digitale Spürhunde sind hier nur dann nützlich, wenn sie auf folgende drei Probleme angemessene Antworten finden: 1. Fehlendes Wissen. Herkömmliche Analyseverfahren verlangen, dass der Anwender schon sehr viel über den Untersuchungsgegenstand weiß. Er muss wissen, welche Treiber wichtig sind. Er muss die Form des Zusammenhangs kennen und wissen, welche Treiber zueinander in Beziehung stehen und in welche Richtung sie wirken. Das alles ist in vielen Fällen kaum bekannt. Vielmehr will man genau dieses Wissen erst empirisch ermitteln. 2. Wenige Datensätze. Es gibt nie genug Daten entweder weil Marktforschung nun mal Geld kostet, weil der Erfahrungszeitraum, über den man etwas wissen will, recht kurz ist oder weil es zum Beispiel nur 100 Kunden gibt, über die ich etwas lernen kann. Wenn mehrere Ursachen gleichzeitig wirken, brauche ich viele Erfahrungsdaten, damit die Spürhunde auch etwas finden können. Innovative Techniken sind gefragt, um mit den wenigen vorhandenen Daten effektiv umzugehen. 3. Komplexe Realität. Mehr ist nicht immer besser. In der Realität gibt es Sättigungseffekte und Schwellwerte. Auch bedingen sich Erfolgsursachen oft genug gegenseitig. Eine Pflanze wächst nur, wenn sie gleichzeitig Wasser und Sonne bekommt. Ohne Wasser hat die Sonne keinen Einfluss auf das Wachstum und das Überleben einer Pflanze. Herkömmliche Verfahren können diese Komplexität der Realität nicht empirisch aufdecken. Wirklich brauchbar und nützlich wäre ein Multivariates Analyseverfahren, wenn es 1. mit dem Wissen auskommt, das vorhanden ist, und darüber hinaus neues Wissen in den Erfahrungsdaten entdeckt, 2. trotz weniger Datensätzen valide Ergebnisse produziert und 3. nichtlineare Zusammenhänge und Verbundeffekte realitätsgetreu entdecken kann. Eine solche Methode würde die Entdeckung bislang verborgener Erfolgshebel ermöglichen. Sie würde aufzeigen können, dass es eines Mindestmaßes an Werbung in einem Werbe-Kanal bedarf, oder zeigen, dass zufriedenere Kunden ab einem bestimmten Punkt nicht automatisch loyalere Kunden sind. Eine solche Methode könnte auch offenlegen, dass im Einzelhandel monetäre Kaufanreize nicht unabhängig von guter persönlicher Betreuung sind, sondern vielmehr komplementär wirken. Auch könnte eine solche Methode all dies nicht nur für das Gesamtunternehmen, sondern mit dem gleichen Datensatz zusätzlich separat für jedes Vertriebsgebiet ermitteln, da sie gut mit kleinen Stichproben umgehen kann. Eine solche Methode zu entwickeln war meine Mission, als ich mit meiner Dissertation begann. Daraus ist die NEUSREL-Methode entstanden, die sich seitdem vielfach praktisch bewährt und ständig fortentwickelt hat. NEUSREL greift auf künstliche neuronale Netze zurück. Dadurch ist Lernen ohne viel Vorwissen möglich, nichtlineare Zusammenhänge und Verbundeffekte können erkannt werden. Eine spezielle Visualisierungsmethode eliminiert die Blackbox neuronaler Netze und ermöglicht» Fachabteilungen und Manager müssen die Methode zwar nicht zwingend genau verstehen die Ergebnisse und Implikationen aber schon. «es, komplexe Ursache-Wirkungs-Zusammenhänge erstmals verständlich darzustellen. Der Einsatz von weiteren spezifischen Methoden in NEUSREL ermöglicht es dem Verfahren, mit wenigen Datensätzen auszukommen. Viele der Fachbegriffe sind für Manager böhmische Dörfer. Um die fachliche Prüfung der Methoden haben sich inzwischen glücklicherweise führende Wissenschaftler gekümmert. Incredible. You are inventing a whole new methodology, so einer der international führenden Forscher für Kausalanalysemethoden, Professor Edward E. Rigdon. This innovation reinvents success driver research, sagt Professor Thorsten Hennig-Thurau, der laut Handelsblatt-Ranking zu den Top 20 der besten deutschen Wirtschaftswissenschaftler gehört. Wie Sie NEUSREL für sich nutzbar machen Nach einem Vortrag fragte mich kürzlich ein Zuhörer: Muss ich jetzt ein paar Mathematiker einstellen?. Dahinter stand die Befürchtung vieler Manager, dass neue Kompetenzen neue Leute erfordern und zusätzliche Overhead-Kosten entstehen. Ziel muss es aber sein, ohne Business + Innovation 02 I 2012 Seite 4

13 Causal analysis to the rescue How to find success factors from survey data. By Frank Buckler 6 Fall 2009

14 Surveys are conducted for many different reasons. While some are related to internal politics, most studies truly aim to find the key driver of success. Companies want to use their findings to boost the efficiency and effectiveness of marketing and sales. This turns out to be a tough call because many influencing factors are at work. In order to pull the right success triggers as a consequence of a study, it s necessary to learn more details about an effect, beyond just X is a main driver. Even more important, it is crucial that the findings turn out to be effective and that they pay back every cent. How would it be if you drew amazingly detailed cause-effect insights from survey data that were not possible until now? This article explains why existing analysis methods are often of limited use and how companies can profit from the opportunities offered by a new methodology. Descriptive methods are normally used to infer success factors. Multivariate techniques, such as regression or structural equation modeling, are rarely deployed. Why are existing analysis methods of limited help in practice? A few reasons come to mind. Spurious correlation. Most of the time results of surveys are presented as follows: Successful enterprises invest on average 20 percent more into research and development. From this, one may conclude that investing more into R&D will foster success. In fact, this conclusion is probably wrong. The reason is spurious correlations. Perhaps this is a result of the innovative company culture that spreads its positive influence in every department and as a side effect makes the top management more willing to spend extra on R&D. Or maybe the R&D department itself creates more costs then effects, but is overcompensated by the productivity of the employees working culture. marketing research 7

15 Executive Summary Despite its popularity, descriptive analysis is barely suitable for concluding effective measures because it is prone to spurious correlations. Causal (path) analysis methods are needed to handle the risk, but today s methods are barely able to cope with the requirements and complexity of business applications. This article introduces a practical method that explores unknown success factors and is able to uncover complex but invaluable details. Case studies illustrate the value to market research. Because of spurious correlations, nobody should draw causal conclusions, whenever possible, out of descriptive or bivariate analysis. You always have to take all relevant data within one analysis into account. Even though 95 percent of all analysis and conclusions drawn in day-to-day business are descriptive or bivariate, this remains a momentous mistake. Spurious correlations can only be avoided using multivariate analysis as multiple regression. When data of all relevant terms are present, this method calculates the direct effect of one term on the other. Latent variables and interconnectedness. Companies try hard to control things like customer satisfaction, loyalty and attitude toward a brand. To reliably model such terms, you have to measure them in several unique ways because these terms cannot be observed directly. The results are combined into indices or latent variables. After this step, researchers can analyze the causes of these terms. Standard multivariate analysis methods are not designed for this two-step process. Furthermore, causes often influence each other and are not independent of one other. This contradicts the working assumption of multivariate methods such as multiple regression. To address these issues, latent variable path modeling methods were developed. Until today there has been little use of these methods in business applications. Unknown relations and properties. In practice it is rarely known which variable influences which and which are unrelated. But the standard path modeling methods (e.g., structural equation modeling) require exactly this, which is often a knockout criteria for business applications. That s why more exploratory approaches are needed in practice. The Tetrad project developed processes and methods for explorative causal path modeling. Still another severe issue remained. In most cases relations are nonlinear, and variables are moderating the effects of others (so-called interactions). In fact, an analysis of four arbitrarily chosen data sets published in two leading marketing journals revealed that every model contained unexpected nonlinearities, interactions or paths. We know less then we think. Applying advanced approaches of SEM, which are able to consider nonlinearities or interaction, unfortunately does not help. The reason is that the kind of nonlinearity and interaction is unknown beforehand. For confirmatory approaches like SEM you have to specify in advance exactly how the relations will look. In order to model unknown nonlinearities and interactions you must delve into the world of data mining methods. Which Methodology to Use? Universal structural modeling (USM) is a new causal analysis methodology based on artificial neural networks first introduced in Like all latent variable path analysis, it handles measurement and structural models in a combined way. USM is most similar to the partial least squares analysis (PLS), but instead of linear regression uses a data mining method. The USM process is as follows: Step 1: Model specification. With USM one has to define which manifest variables (items) will build a latent variable. Next, the user has to define if the measurement model is of the reflexive or formative kind. Last, one has to define the direction of paths because this could only be inferred from data when longitudinal data are given. Of course the user is free to eliminate even more paths to influence the results with How would it be if you drew amazingly detailed cause-effect insights from survey data that were not possible until now? his theoretical knowledge. However, in contrast to confirmatory methods, the user does not define which paths are in the model, but only which are not. Step 2: Measurement model. Here factor loadings of measurement models are determined. The starting values are calculated using principle component analysis. In principle it is even possible to use alternative compression methods for special applications (e.g., ordinal PCA, nonlinear PCA or multidimensional PCA) in order to address, for instance, scale usage heterogeneity. Step 3: Structural model. Separate regression models are calculated for every dependent latent variable. USM uses artificial neural networks as a regression method. Then Step 2 is repeated (using predictions of regression models as feedback information) as long as a stop criterion is not reached. Within USM all Bayesian universal function approximators (in particular Bayesian multilayer perception and Gaussian processes) according to the MacKay framework (1992) are recommended. The main reason is because of their proven 8 Fall 2009

16 effectiveness in eliminating irrelevant variables (automated relevance detection) as well as parameters (automated soft pruning). It prevents not only the overfitting phenomenon of highly parameterized models but also leads to effective selection of true paths. Instead of using the author s software, USM can be selfprogrammed by ambitious readers using statistical programming environments and freely available toolboxes. When doing this it s important to make sure that activation in hidden units is sigmoid and linear for output units intended for metric variables. For real life data sets I recommend using just one hidden layer because it is less likely to get stuck in local optimas. As a number of hidden units, I recommend approximately 10. Increase this number when high order nonlinearities are expected and large data sets are given. Of course other data mining techniques may be used as CART (although limited in kind of nonlinearities and interactions), MARS or nonparametric regression. Nevertheless I recommend Bayesian universal function approximators for the aforementioned reasons. Step 4: Post processing. In the final step, measures for quantifying overall importance of effects, interaction effects, measurement validity (Chrombachs Alpha) and fit values as R2 and GoF are determined. The overall importance measure was developed for the USM environment because linear path coefficients are meaningless for nonlinear relations. This is how it is calculated: By replacing the cases of a given variable by its mean, you can experience a difference in explained variance using the trained neural network. This drop in variance explanation in relation to the overall variance represents the importance of the variable for explaining overall variance. In addition, a bootstrapping statistic is computed for all measures in order to retrieve a significance measure. Nonlinear relations and moderating effects (two-way interactions) are visually extracted using a method introduced by Plate (1998). Using these techniques the black box of neural networks can be discovered. When Should USM Be Used? USM is an exploratory, flexible method for modeling causal paths using latent variables. Whenever you have good theoretically backed knowledge about the causal relations behind data, you should use confirmatory methods (SEM, PLS or econometric models). In this case they are expected to always produce models with higher validity. It is the key learning of Bayesian statistics that the more true a priori knowledge you incorporate in a method, the better your results get. But be careful because the method will not tell you if your assumption is true. You have to know it beforehand. If in doubt, it s better to use at least as a complement exploratory methods. Looking at dozens of confirmatory studies, my experience is that in practice it is a quite rare event to have good a priori true knowledge about paths and shapes of relations (i.e., nonlinearities and interactions). Exhibit 1 may guide your choice of latent variable path methods. Customer loyalty Exhibit 1 Effects of satisfaction on loyalty Customer loyalty Value Customer satisfaction Satisfaction If you do not have latent variables, other data mining techniques (e.g., CART or MARS) can give you instant insights and might be a quick alternative to USM. I recommend applying USM in these circumstances because it is a methodical package that is predesigned to take care of overfitting, input selection issues, differentiating between paths and interactions, significance measures and so forth. Some words on causality: According to Granger s definition of causality, one can infer causality from data when (1) all relevant variables are available (closed world assumption) and (2) a time difference between cause and effect is measured. If we do not have time serial data, one has to derive the causal direction from a priori knowledge. Assuming a closed world and truly defined path directions, the variable that incorporates the most information that helps explain the effect of another can be seen as the cause. The term information is broad because the definition allows nonlinear transformation of variances. marketing research 9

17 Your USM analysis may get biased or even wrong if you failed to incorporate important variables that influence the model. Furthermore, it may fail if you assume wrong path directions. In fact, this is true for every kind of statistical method. However, it is a sensible objection to doubt any statistical inference because of our ignorance of omitted variables. Another limitation may come from the fact that multistep procedures such as USM do not always end with a globally optimal solution. To minimize the risk, it s a good idea to increase the number of iteration loops and run the same analysis several times. The size of your data set may also limit the ability of USM to reliably explore new properties. At least the bootstrapping procedure should point to not reliable findings. The more cases (given a fixed number of variables), the more complex relation can be in principle revealed. I recommend as a rule of thumb to always have more than 200 cases. Other rules for estimating the needed number of cases (like VC dimension) are not practical because they depend on huge unrealistic data sets. And, because you don t know the complexity of the relations at hand, you also do not know how many data cases are needed. Case Study: Customer Satisfaction A national cellular network corporation asked its consultancy to find the specific driver of customer loyalty in order to craft proper measures. For the analysis we came back to a customer satisfaction survey that had already been conducted. The conceptual framework behind the survey proposed that customer satisfaction results from customers expectations and quality and value perceptions and in turn influences perceptions of loyalty and complaint handling. We used a sample of 250 customers, whose data were collected through personal CATI telephone interviews. All direct additive effects (i.e., paths) found significant by formerly applied confirmatory methods also are significant in the USM estimation, and vice versa. The only exception is the path from perceived quality to complaint handling, which was not included in confirmatory models. The goodness-of-fit measure, which combines structural model and measurement model accuracy, is more than 10 percent higher for USM compared to PLS. Why? USM reveals some hidden nonlinear and interactive model relations. With regard to nonlinearity, satisfaction affects loyalty in a nonlinear way by following a degressive growth function, a finding consistent with previous research. The existence of an interaction effect of perceived value and satisfaction on customer loyalty, which is relatively strong and significant. See Exhibit 3, right. The three-dimensional interaction surface graphic illustrates that a saturation level exists for the effect of satisfaction on loyalty; after a critical level of loyalty, an increase in satisfaction does not transform into higher loyalty rates. As we can derive from the interaction graphic, this saturation level is lower when customer value is small and higher when that value is high. In other words, high loyalty can be achieved only when the customer is both highly satisfied with a product and assigns a high value to it. The application of USM revealed the following: Medium satisfaction is sufficient to keep customers loyal. Unlike textbook theories, value for money has a direct moderating influence on loyalty. High perceived value for money increases loyalty, if a customer is satisfied. Consequently, increasing perceived value by establishing a particular level of satisfaction is needed. With this, we helped our client to craft a very efficient strategy that focuses on eliminating satisfaction killers instead of getting perfect. The complaint management process was optimized. Skipping some discounts for unsatisfied customers saved the company $1.5 million. Furthermore, communication was directed to emphasize the delivered value of service even more. This example shows the practical value of exploring interaction effects. Case Study: Brand Image Analysis A regional utility provider asked its consultant to figure out: How does a green image improve customer loyalty? We took the customer satisfaction monitor survey every year. It contained 700 respondents and image items including an image component perceived as environmentally friendly. In addition, the loyalty status was measured by means of the individual willingness to change provider. With this data we analyzed the effects of the image components on customer loyalty with the software Neusrel, which is an implementation of USM. Supprizingly we found an inverted-u-shaped effect. The actual level of perceived environmental friendliness resulted already in the maximum of customer loyalty. We learned from NEUSRELs plot, that an increase of the environmental friendliness to maximum would lead to a potential loss of 4% of customers. But a decrease of the perception of the same item would results in the same loss. We offered our customer the following explanation of the findings: A moderately green image is perfect, and your image is today already close to perfection. By focusing on green initiatives you might win some strongly ecologically oriented customers. All other customers get the impression that you would waste money instead of lowering prices. This finding was also confirmed within focus groups that where conducted within the project. The customer was surprised by these eye-opening findings. The evidence as well the sound rationale convinced him. The enterprise boiled down the wrong-leaded image campaign and saved $2 million. The best of it: The strategy worked and the number of customers did not decrease. This example shows how USM is able to explore hidden nonlinearities that were not expected in advance but make perfect sense. Case Study: Marketing Mix Optimization A woman s clothing retail store chain wanted to boost profits and asked for our help. We interviewed ad hoc Fall 2009

18 Exhibit 2 Drivers of perceived relationship investment Perceived relationship investment Tangible rewards Interpersonal communication customers in some shops. We asked about attitude and perception that might lead to higher follow-up purchases and deployed USM. When analyzing the survey data we found that perceived relationship investment is a main prerequisite for repetitive purchases. The resulting question would be: How can we increase perceived relationship investment effectively? With our analysis we showed that excellent interpersonal communication with customers is doing all the work. Expensive tangible rewards (especially free gifts such as shoe polish or rebates) are only an alternative but a less effective tool. Interestingly you can see in Exhibit 2 that an increase in tangible rewards does not have any effect when interpersonal communication is excellent (6 or 7). Similarly, an increase in interpersonal communication does result in much less effect when tangible rewards are high compared to the effect when they are low. As a consequence you can skip the least effective instrument. We suggested exactly this. In addition, personnel selection and leadership processes were reviewed and refined. With these measures we cut 1.5 percent of overall costs, which boosted the profit by almost 30 percent. This example shows the relevance of interaction effects. Classical methods are only able to model the separate effect of the causes. They miss the fact that the effects of the causes do not in this case add up. Therefore they overestimate the effects and fail to see that either one cause is neglectable. Again, with customized econometric models it is possible to model the same relation but you have to know in advance which causes interact in which functional form. Why USM Works Universal structural modeling is a new causal analysis using artificial neural networks that offers the following advantages: 1. Causality: USM uncovers direct causal paths. As a result, by pulling the right success triggers the taken measures result in intended effects. 2. Exploration: USM needs less a priori knowledge about relations at hand. 3. Nonlinearity: USM explores nonlinear relationships (even unknown). 4. Interactions: USM finds, shows and quantifies interactions between causes. 5. Universality: USM makes use of arbitrary distributed variables, especially nominal scaled variables such as gender, profession, brand name, etc. 6. Quantification: USM quantifies every important property no matter if for path strength, linear path coefficient, interaction strength or significance figures. 7. Simplicity: USM is very easy to use, with no need for detailed option settings. Ease of use is actually the main fact that convinces many market research companies to apply USM to their data. The user just defines in an Excel sheet which items form a latent variable and which paths should not be considered. The rest is up to the software. Mistakes and insecurity in setting certain options are therefore rare. There is only one thing the software does not claim to solve: the interpretation of its findings. Sound expert knowledge about the topic at hand remains indispensable. We have to conclude that, despite of its popularity, descriptive analysis is often not suitable for concluding effective measures. Due to spurious correlations, the risk of wrong conclusions is often high when, for instance, just means between groups are compared. Causal (path) analysis methods are needed to handle the risk. A practical method has to be explorative and able to uncover nonlinearities and interactions at the same time. Universal structural modeling is the first methodical package that can cope with business requirements without compromising the quality of results. The ease of use of the available software puts the method in wide application. Numerous success stories show the significant value USM delivers. In nearly every sizable corporation the deployment of USM can help save millions in costs and create millions in additional profits. l Dr. Frank Buckler is founder of NEUSREL Causal Analytics and develops solutions based on neural networks for socioeconomic applications for more than 15 years. He employed his methods as a project manager for leading specialized consultancies as Simon, Kucher & Partners. His academic background is electrical engineering and marketing science with a focus on quantitative methods. He may be reached at marketing research 11