Content Strategen bereiten Unternehmensinhalte auf und schneiden diese auf die Bedürfnisse der Zielgruppen zu. Sozialforschung kann dabei enorm hilfreich sein – vom Persona-Interview bis zur Datenanalyse.

Die Content Strategie beschäftigt sich mit dem Warum, Wie, Wann, Von Wem und Für Wen – in allen Phasen, von der Analyse über die Planung bis zur Umsetzung. 1 Ein wichtiger Teil der Content Strategie ist die Zielgruppenforschung. Wir brauchen Basiskenntnisse in der Sozialforschung, damit wir zu entsprechenden hochwertigen Ergebnissen kommen. Im zweiten Semester des Master-Studiums „Content Strategie“ beschäftigten wir uns rund 20 Stunden mit den entsprechenden Theorien und Methoden bei Uwe Kowatz.

Eines vorneweg: Die empirische Sozialforschung kennt sehr viele Techniken, um die Werte und Normen der Gesellschaft zu ergründen. Denn wichtig ist nicht nur, was die Menschen tun, sondern auch, was sie über ihr Tun erzählen. Dies ist nicht immer kongruent – und gerade im Gespräch kann der Forscher oder die Forscherin die Antworten des Gegenüber stark beeinflussen. Wir tun gut daran, diese Herausforderungen zu kennen.

Stolpersteine bei Umfragen und Interviews

Frageformulierungen sind zentral. Ob ich nun in einer Umfrage „verbieten“ oder „nicht erlauben“ benutze, macht einen großen Unterschied und beeinflusst Antworten. Ob Fragen geschlossen oder offen sind, ist zentral für den weiteren Gesprächsverlauf bei qualitativen Interviews. Geschlossene Fragen können mit Ja oder Nein beantwortet werden – offene Fragen regen den Dialog an und sind oft gewünscht z. B. bei Persona-Interviews oder Usability-Tests.

Auch nach welchen Priorisierungen gefragt wird, spielt eine sehr große Rolle. Themen können nach einer Ratingskala (sehr wichtig bis überhaupt nicht wichtig) oder nach einer Rankingtechnik (ordnen der einzelnen Themen nach Wichtigkeit) geordnet sein. Je nachdem, welche Technik benutzt wird, geben die Probanden höchst unterschiedliche Antworten.

Ebenfalls bedeutend ist die Positionierung der Fragen. Ich habe zum Beispiel einmal an einer Umfrage zu Substanzen und Krebsentstehung teilgenommen. Nach vielen Fragen zu meiner Ernährung und Hobbies fragt mich die Dame, ob ich glaube, dass Alkohol Krebs verursache. Unter normalen Umständen hätte ich dies verneint. Im Zusammenhang mit den anderen Fragen habe ich ihr dann geantwortet, dass sie mich das wohl nicht fragen würde, wenn es keinen Zusammenhang gäbe …

Eines wird schnell klar: Wenn Content Strategen hochwertige Umfragen und Interviews erstellen möchten, braucht es neben Hypothesen und entsprechenden Grundkenntnissen genügend Zeit für Pretests und Weiterentwicklung der Fragebögen. Nur so können die obigen Effekte erkannt und vermieden werden.

Analyse von quantitativen Umfragen

Wenn der optimale Fragebogen nun verschickt wurde und tausende Umfrageergebnisse vorliegen – was dann? Im Rahmen des Moduls beschäftigten wir uns auch mit statischer Auswertung und dem Programm R.

R ist ein Open-Source-Programm für die statistische Auswertung. Nach der Analyse der Daten kann R die entsprechenden Ergebnisse auch visualisieren – und eine breite Community stellt zig Erweiterungen in Form von Packages zur Verfügung. Der Nachteil: Gerade weil R soviel kann, sind die ersten Schritte damit etwas umständlich und man muss sich die Zeit nehmen, um sich an die Oberfläche und die einzelnen Befehle zu gewöhnen. Dabei helfen die Programmierkenntnisse aus dem ersten Semester z. B. von Python beim Verstehen, warum R wie reagiert.

In unserem Semester haben wir eine Analyse mit R durchgeführt. Wie dies Schritt für Schritt gemacht wird, zeige ich Euch im Video. Falls ihr Euch für R interessiert, hilft Euch das Buch von Alexandrowicz weiter. 2

Code für die Eingabe in die R Console

# für diese etivitiy wurden die Daten im Excel erfasst und eingelesen und in den Datensatz „daten“ umbenannt.

#Aufgabe 1a: Lasst euch alle Personen anzeigen, die Geschlecht = 1 aufweisen
subset(daten, Geschlecht ==1)

#Aufgabe 1b: Lasst euch alle Personen anzeigen, die Geschlecht = 2 und älter als 30 sind
subset(daten, Geschlecht ==2 & Alter>30)

#Aufgabe 1b: Lasst euch alle Personen anzeigen, die älter
#als 30 sind, Bildung = 1 und bei Item2 Antwort 2 angegeben haben.
subset(daten, Alter>30 & Bildung ==1 & item2==2)

_____________________________________

#Aufgabe 2: Teilt die Variable Alter in drei Kategorien mit gleichem Intervall und interpretiert die Tabelle
# Kommentar: Achtung, die Daten liegen für R in Tabellenform vor.

alter_kat = cut(daten$Alter,3)

#mit der Cut-Funktion wird die neue Variable alter_neu in drei gleich gross Teile gesplittet
table(alter_kat) #mit diesem Befehl werden die drei Gruppen angezeigt

_____________________________________

#Aufgabe 3: Berechnet die wesentlichsten deskriptivstatistischen Maße der Variable Alter mit der summary-Funktion
# und interpretiert die Werte!
alter_neu = daten[,2]
summary(alter_neu)

boxplot(alter_neu) #damit man gut sehen kann was wo die box beginnt

_____________________________________

#Aufgabe 4: Führt eine Rekodierung der Variable Item 1 durch, indem ihr die Werte 1,2,3 umpolt
#Achtung: Für diese Aufgabe muss zuerst das Package "car" installiert werden (rechtes unteres Fenster, Packages)

View(daten) #check wie die Daten aussehen
daten[,4] = recode(daten$item1, "1=3; 2=2; 3=1")
#in der Tabelle soll die 4te Spalte umgepolt werden
View(daten) #check ob alles funktioniert hat

_____________________________________

#5a: Lasst euch eine eindimensionale (Geschlecht) und eine zweidimensionale Tabelle (Geschlecht + Bildung)
#mit den absoluten Zahlen und den jeweiligen Randsummen ausgeben! Daran schließt eine Ausgabe der relativen
#Häufigkeiten und Prozentangaben (Geschlecht bzw. bei zweidimensionaler Tabelle Prozentuierung nach der
#unabhängigen Variablen) an! Bitte interpretiert die jeweiligen Tabellen!

tab1 = table(daten$Alter) #eindimensional

addmargins (tab1) #Summenränder dazu
prop.table (tab1) #prozentuale Verteilung
round (100*prop.table(tab1)) #prozentangaben

tab2 = table(daten$Alter, daten$Bildung) #zweidimensional
 addmargins (tab2) #Summenränder dazu
 prop.table (tab2) #prozentuale Verteilung
round (100*prop.table(tab2)) #prozentangaben

cor(daten$Alter, daten$Bildung)

Referenzen


  1. Bloomstein, M. (2012). Content strategy at work : real-world stories to strengthen every interactive project. Waltham, MA: Morgan Kaufmann. 
  2. Alexandrowicz, R. W. (2013). R in 10 Schritten (1. Auflage). Wien: Facultas Verlags- und Buchhandels AG.
    Weiterführende Informationen
    Modul Grundlagen der empirischen Sozialforschung 

Ähnliche Beiträge