Key-Driver-Analyse — Was Zufriedenheit und NPS bewegt

Die Auswertung der Zufriedenheitsbefragung ist fertig, die Attributwerte stehen neben der Gesamtzufriedenheit aufgereiht. Und immer kommt dieselbe Frage als Nächstes: „Wir wollen die Gesamtzufriedenheit steigern. Also — welches Attribut müssen wir verbessern, damit die Gesamtzufriedenheit steigt?"

An dieser Stelle erstellen viele eine Liste der Korrelationskoeffizienten zwischen jedem Attribut und der Gesamtzufriedenheit und berichten dann „die Treiber sind in der Reihenfolge der höchsten Korrelation". Das ist zur Hälfte eine Falle. Korrelation zeigt nur, dass sich zwei Dinge „gemeinsam bewegen" — nicht, dass „eine Verbesserung hier die Gesamtzufriedenheit hebt". Und wenn Attribute untereinander korreliert sind, wird dieselbe Wichtigkeit doppelt und dreifach verbucht. Die Key-Driver-Analyse (Key Driver Analysis, KDA) ist die Technik, um diese „scheinbare Wichtigkeit" statistisch aufzudröseln und die wirklich wirksamen Faktoren herauszuziehen. Dieser Beitrag ordnet — mit dem Bauchgefühl der Praxis — die Grenzen der Korrelation, die Multikollinearität der multiplen Regression, deren Lösung durch Shapley-Werte und relative Gewichte sowie die wichtigste Regel überhaupt: „Korrelation nicht mit Kausalität verwechseln".

1. Was die Key-Driver-Analyse ist — „Was wirkt" in Zahlen fassen

Die Key-Driver-Analyse zerlegt, wie gut sich eine einzelne Outcome-Variable (Gesamtzufriedenheit, NPS, Wiederkaufabsicht usw.) durch mehrere Treibervariablen (die Zufriedenheit je Attribut) erklären lässt, und gibt für jeden Treiber die „Wirkungsstärke (Wichtigkeit)" als Zahl aus.

Bei einer Zufriedenheitsbefragung für eine SaaS-Lösung etwa setzt man die „Gesamtzufriedenheit" als abhängige Variable und „Support-Zufriedenheit", „Feature-Zufriedenheit", „Preis-Zufriedenheit", „UI-Zufriedenheit" als unabhängige Variablen ein, um zu bestimmen, welcher Faktor die Gesamtzufriedenheit am stärksten bewegt. Heraus kommt die „abgeleitete Wichtigkeit (derived importance)" — eine Wichtigkeit, die nicht direkt bei den Befragten erfragt, sondern statistisch aus den Daten hergeleitet wird.

Diese abgeleitete Wichtigkeit ist genau das Konzept, das im vorigen Leitfaden zur Importance-Performance-Analyse (IPA) als „Art, Wichtigkeit zu messen" auftauchte. Die Wichtigkeit mit der KDA berechnen, sie in die vier Quadranten der IPA eintragen und so die Priorisierung festlegen — diese beiden Analysen sind als Paar gedacht (die Verbindung wird in Kapitel 7 ausführlich beschrieben).

Die grundlegenden Auswertungen zu Korrelation und Regression behandelt der Leitfaden zu Umfrageauswertung und Signifikanztests. Dieser Beitrag steigt darauf aufbauend in die Frage ein, „was unter mehreren Faktoren wirkt".

2. Warum eine „Liste der Korrelationskoeffizienten" nicht reicht

Die einfachste KDA besteht darin, den Pearson-Korrelationskoeffizienten zwischen jedem Treiber und der Gesamtzufriedenheit zu berechnen und absteigend zu sortieren. Auch mit der Excel-Funktion KORREL lässt sich das ausgeben. Als erstes Screening, um eine grobe Richtung zu bekommen, ist das brauchbar — macht man es aber zum endgültigen Fazit, irrt man aus zwei Gründen.

Grund 1: Die „Doppelzählung" der Wichtigkeit

Attribute sind meist untereinander korreliert. „Schnelligkeit des Supports" und „Freundlichkeit des Supports" fallen tendenziell gemeinsam hoch aus. Betrachtet man diese beiden einzeln über die Korrelation, zeigen beide eine hohe Korrelation. In Wahrheit wirkt aber vielleicht nur ein einziger Block namens „Support-Erlebnis". Eine Korrelationsliste zählt die Wichtigkeit miteinander korrelierter Faktoren doppelt und zeichnet ein verzerrtes Bild, in dem „die Support-bezogenen Punkte die Spitze monopolisieren".

Grund 2: Andere Faktoren bleiben unberücksichtigt

Korrelation betrachtet nur „zwei Variablen". Selbst wenn „die Korrelation zwischen Preis-Zufriedenheit und Gesamtzufriedenheit hoch ist", lässt sich nicht auseinanderhalten, ob nicht in Wahrheit ein anderer, mit dem Preis korrelierter Faktor (Preis-Leistungs-Gefühl, Erwartungshaltung) wirkt statt der Preis selbst.

Damit entsteht die Notwendigkeit, mehrere Faktoren gleichzeitig zu berücksichtigen und den „reinen" Beitrag jedes Faktors herauszuziehen. Das leistet die nun folgende multiple Regression.

3. Multiple Regression und die Falle der „Multikollinearität"

Die multiple Regression erklärt die Gesamtzufriedenheit gleichzeitig durch alle Treiber und betrachtet den standardisierten Beta-Koeffizienten (β) als Wichtigkeit jedes Treibers. Sie liefert einen gegenüber der Korrelation einen Schritt weitergehenden Nettobeitrag: „Bewegt sich dieser Faktor bei sonst konstanten Faktoren um eine Standardabweichung, bewegt sich die Gesamtzufriedenheit um β Standardabweichungen."

Setzt man die multiple Regression jedoch in der KDA ein, tappt man fast unweigerlich in die Falle der Multikollinearität (multicollinearity).

Was bei Multikollinearität geschieht

Sind die Treiber untereinander stark korreliert (z. B. Schnelligkeit und Freundlichkeit des Supports mit Korrelation 0,8), kann die Regression nicht entscheiden, „wem das Verdienst gebührt", und die Koeffizienten werden instabil. Konkret:

• Das Vorzeichen eines Koeffizienten kippt (der Koeffizient der eigentlich wichtigen „Schnelligkeit des Supports" wird negativ)
• Schon eine kleine Änderung der Stichprobe lässt die Koeffizienten stark schwanken
• Der Standardfehler bläht sich auf, das Ergebnis wird nicht mehr signifikant

Berichtet man in der Geschäftsführungssitzung „Die Schnelligkeit des Supports hat einen negativen Einfluss auf die Gesamtzufriedenheit", glaubt das niemand. Und dieses Misstrauen ist berechtigt — denn jener negative Koeffizient ist keine Realität, sondern ein statistisches Artefakt, das die Multikollinearität erzeugt hat.

Wie man sie erkennt

Multikollinearität erkennt man am VIF (Varianzinflationsfaktor, Variance Inflation Factor). Als Faustregel gilt: Übersteigt der VIF 5, ist Vorsicht geboten; übersteigt er 10, liegt eindeutig ein Problem vor. Schon ein Blick auf die Korrelationsmatrix der Attribute genügt: Gibt es Paare mit einer Korrelation ≥ 0,7, ist das ein rotes Signal.

Das Problem ist, dass Attribute der Kundenzufriedenheit strukturell miteinander korreliert sind (zufriedene Kunden bewerten alles hoch), weshalb Multikollinearität nicht „gelegentlich auftritt", sondern „fast immer auftritt". Deshalb darf man in der KDA rohe Regressionskoeffizienten nie unverändert als Wichtigkeit nehmen.

4. Multikollinearität auflösen — Shapley-Werte und relative Gewichte

Die Verfahren, die stabile Wichtigkeiten liefern und dabei die Multikollinearität umgehen, sind relative Gewichte (Relative Weights) und die Shapley-Wert-Analyse. Das ist der heutige Praxisstandard der KDA.

Die Idee hinter Shapley-Wert und relativen Gewichten

Beide beruhen auf einem ähnlichen Gedanken: Sie ermitteln den fairen Beitrag jedes Treibers, indem sie mitteln, „um wie viel die Erklärungskraft (R²) zunimmt, wenn man einen bestimmten Treiber als erklärende Variable hinzufügt" — und zwar über alle möglichen Reihenfolgen, in denen die Variablen eingespeist werden. Der Shapley-Wert stammt aus der Spieltheorie, ist als Kruskal (1987) bzw. LMG-Methode bekannt, und die relativen Gewichte von Johnson (2000) sind eine Näherung davon mit reduziertem Rechenaufwand.

Der größte praktische Vorteil ist, dass die Wichtigkeit zwingend nicht-negativ ist und ihre Summe dem R² des Modells entspricht. Es entstehen Zahlen, die sich intuitiv als Beitragsanteil interpretieren lassen — etwa „Support macht 32 % der gesamten Erklärungskraft aus, Preis 21 % …". Das befreit aus der Hölle, in der Geschäftsführungssitzung eine „negative Wichtigkeit" erklären zu müssen.

Die Berechnung ist mit Excel-Standardfunktionen schwierig und erfolgt mit dem R-Paket relaimpo (Grömping 2006), mit Python oder mit spezialisierten Analysewerkzeugen für Befragungen. Tonidandel & LeBreton (2011) ordnen praxisnah ein, dass die Analyse relativer Wichtigkeit eine nützliche Ergänzung zur Regressionsanalyse ist, und bieten so einen guten Einstieg.

5. Korrelation nicht mit Kausalität verwechseln — die größte Fehlinterpretation der KDA

Hier liegt der Punkt, an dem man bei der Key-Driver-Analyse am häufigsten und am verhängnisvollsten irrt. Was die KDA ausgibt, ist Assoziation (association), nicht Kausalität (causation).

Das Ergebnis „die Support-Zufriedenheit erklärt die Gesamtzufriedenheit stark" garantiert nicht, dass „eine Verbesserung des Supports die Gesamtzufriedenheit hebt". Stets lauern die folgenden Fallen.

Umgekehrte Kausalität (Halo-Effekt)

Insgesamt zufriedene Kunden bewerten auch die einzelnen Attribute irgendwie hoch (Halo-Effekt). Dann entsteht die Korrelation „wer mit der Gesamtleistung zufrieden ist, bewertet auch den Support hoch" — doch das ist womöglich nicht „der Support hat die Gesamtzufriedenheit gehoben", sondern die umgekehrte Beziehung „die allgemeine Zufriedenheit hat die Support-Bewertung angehoben". Die KDA allein kann diese Richtung nicht bestimmen.

Konfundierung

Es ist auch möglich, dass ein nicht beobachteter dritter Faktor (z. B. der Erfahrungsgrad des Kunden, die zwischenmenschliche Passung) sowohl den Support als auch die Gesamtzufriedenheit gleichzeitig nach oben drückt.

Der Umgang damit in der Praxis

• Einen „Treiber" nicht umdeuten in einen „Hebel, der bei Verbesserung garantiert wirkt". Bei der Formulierung „ein Faktor, der stark mit der Gesamtzufriedenheit gekoppelt ist" bleiben
• Für die Faktoren mit hoher Wichtigkeit die Kausalität nach Möglichkeit per A/B-Test oder Vorher-Nachher-Vergleich von Maßnahmen prüfen. Die KDA ist eine Priorisierung dafür, „was geprüft werden sollte", kein Beweis der Kausalität
• Dem Bericht stets den Satz beifügen: „Dies ist eine auf Korrelation beruhende Wichtigkeit und keine Garantie für einen kausalen Effekt"

Demut wahrt die Verlässlichkeit der KDA. Nicht „wir haben die wirksamen Faktoren gefunden", sondern „wir haben die mutmaßlich wirksamen Hypothesen nach Stärke der Evidenz geordnet" ist die korrekte Formulierung.

6. Die Wahl der Outcome-Variable und die „Asymmetrie der Zufriedenheit"

Was man als abhängige Variable setzt

Bei der KDA ändert sich das Fazit mit der Wahl der Outcome-Variable. Gesamtzufriedenheit, NPS (Weiterempfehlungsabsicht), Wiederkaufabsicht oder Wiederkauf? Die Treiber unterscheiden sich jeweils.

• Setzt man die Gesamtzufriedenheit als abhängige Variable, kommen „die Faktoren heraus, aus denen das aktuelle Erlebnis besteht"
• Setzt man Wiederkaufabsicht / NPS als abhängige Variable, kommen „die Faktoren heraus, die das künftige Verhalten bestimmen" (siehe NPS richtig lesen und Benchmarks)

Will man dem Phänomen „die Zufriedenheit ist hoch, dennoch wird gekündigt" nachgehen, sollte die abhängige Variable nicht die Zufriedenheit, sondern die Wiederkaufabsicht sein. Passt die Outcome-Variable nicht zum Ziel, läuft die gesamte nachgelagerte Analyse ins Leere.

Die Asymmetrie der Zufriedenheit (Kano) nicht übersehen

Die übliche Regression unterstellt eine lineare Beziehung — „steigt ein Treiber, steigt die Gesamtzufriedenheit proportional mit" —, doch die Realität ist asymmetrisch. Wie auch im IPA-Leitfaden unter Matzler et al. (2004) angesprochen:

• Basis-Qualität: selbstverständlich vorhanden. Fehlt sie, sinkt die Gesamtzufriedenheit stark; ist sie erfüllt, steigt die Gesamtzufriedenheit dennoch nicht
• Begeisterungs-Qualität: ohne sie keine Unzufriedenheit, mit ihr aber springt die Gesamtzufriedenheit nach oben

Um das zu erfassen, verwendet man die Penalty-Reward-Contrast-Analyse (penalty-reward contrast analysis), bei der man den Treiber in eine „Dummy-Variable für hohe Bewertung" und eine „Dummy-Variable für niedrige Bewertung" aufteilt und so regrediert. Damit erkennt man Faktoren, die „zwar hohe Wichtigkeit haben, in Wahrheit aber nur Unzufriedenheit beseitigen (deren Behebung die Zufriedenheit nicht hebt)".

7. Die Verbindung zur IPA — die KDA-Ausgabe in die vier Quadranten eintragen

Die Key-Driver-Analyse und die Importance-Performance-Analyse (IPA) sind über eine Input-Output-Beziehung verbunden.

1. Mit der KDA die abgeleitete Wichtigkeit berechnen: mit Shapley-Wert / relativen Gewichten den Beitragsanteil jedes Treibers ermitteln (das Material für die vertikale Achse)
2. Die Zufriedenheit (Performance) jedes Treibers auswerten: Mittelwert oder Top-2-Box (das Material für die horizontale Achse)
3. In das Streudiagramm der IPA eintragen: vertikale Achse = abgeleitete Wichtigkeit der KDA, horizontale Achse = Zufriedenheit
4. Die Priorisierung in den vier Quadranten ablesen: „Wichtigkeit (KDA) hoch, aber Zufriedenheit niedrig" = Bereich mit vorrangigem Verbesserungsbedarf

Bei diesem Ablauf löst die abgeleitete Wichtigkeit der KDA die Schwäche der IPA, dass „die Wichtigkeit, direkt per Frage gemessen, durch den Deckeneffekt zusammenbricht". Die KDA erzeugt die vertikale Achse, die IPA zeichnet die Entscheidungslandkarte. KDA + IPA = die vollendete Form der Verbesserungs-Priorisierung.

Wie man die Zufriedenheits-(Performance-)Seite misst, behandelt der Leitfaden zur Gestaltung von Kundenzufriedenheitsbefragungen (CSAT); zur nötigen Stichprobengröße siehe Wie man die Stichprobengröße bestimmt.

8. Aus Sicht der Redaktion — fünf Dinge, die man bei der Key-Driver-Analyse nicht tun sollte

Aus der Perspektive, Branchenfälle und Stimmen aus der Praxis fortlaufend zu verfolgen, hier fünf Unfälle, die bei der KDA immer wieder passieren.

1. Eine Liste der Korrelationskoeffizienten „Treiberanalyse" nennen

Der häufigste Fall. Man reiht bloß die höchsten Korrelationen aneinander und berichtet „wir haben eine Key-Driver-Analyse gemacht". Weil die Korrelation doppelt zählt, monopolisiert eine Gruppe miteinander korrelierter Faktoren (etwa die Support-bezogenen) unrechtmäßig die Spitze. Für das erste Screening genügt die Korrelation, doch das Fazit immer mit relativen Gewichten / Shapley erstellen.

2. Den negativen Koeffizienten der multiplen Regression unverändert berichten

Man übernimmt den durch Multikollinearität entstandenen „negativen Koeffizienten eines eigentlich wichtigen Faktors" ungeprüft in den Bericht. Der Leser durchschaut auf einen Schlag: „Diese Analyse stimmt nicht." Stets den VIF prüfen und bei Kollinearität auf relative Gewichte umstellen. Den rohen Regressionskoeffizienten nicht zur endgültigen Ausgabe der KDA machen.

3. Behaupten, „Treiber = Hebel, der bei Verbesserung wirkt"

Die KDA ist Korrelation, keine Kausalität. Eine Maßnahme, die kategorisch behauptet „Support ist der größte Treiber → investiert man in den Support, steigt die Gesamtzufriedenheit", läuft ins Leere, und mit dem „wir haben doch der Analyse vertraut" geht das Vertrauen in die Analyse selbst verloren. „Stärke der Kopplung" und „Verbesserungseffekt" sprachlich unterscheiden und die Top-Faktoren per A/B-Test auf Kausalität prüfen.

4. Die Outcome-Variable aus Gewohnheit auf „Gesamtzufriedenheit" setzen

Ist das Ziel „Kündigungen reduzieren", die abhängige Variable aber die Gesamtzufriedenheit, landen Treiber ohne Bezug zur Kündigung an der Spitze. Die Outcome-Variable je nach Ziel (Zufriedenheit / Bindung / Weiterempfehlung / Wiederkauf) wählen. Entscheidet man das aus Gewohnheit, ist die anschließende, feinsäuberliche Analyse komplett vergebens.

5. Stichprobengröße und Anzahl der Variablen nicht ins Gleichgewicht bringen

Lässt man eine Regression mit 30 erklärenden Variablen, aber N = 80 laufen, schwankt die Wichtigkeit durch Überanpassung willkürlich. Als Faustregel sind 10 bis 15 Beobachtungen pro erklärender Variable wünschenswert. Sind es zu viele Variablen, die Dimension per Faktorenanalyse verdichten oder vor dem Einsetzen mit Domänenwissen gruppieren.

9. Die Key-Driver-Analyse mit dem Umfragetool Kicue umsetzen

Die KDA teilt sich auf in „die Fragebogengestaltung, mit der man Treiber und Outcome misst" und „die Analyse, die mit relativen Gewichten o. Ä. die Wichtigkeit berechnet". Kicue übernimmt Ersteres, Letzteres erfolgt in Kombination mit externen Statistikwerkzeugen.

• Gestaltung der Treiber- und Outcome-Fragen: Unterstützt eine Gestaltung, bei der die Zufriedenheit je Attribut (Treiber) sowie Gesamtzufriedenheit / NPS / Wiederkaufabsicht (Outcome) innerhalb desselben Formulars per Likert-Skala gemessen werden (Fragetypen · Leitfaden zur Gestaltung von Likert-Skalen)
• CSV-Export mit Befragten-ID: Ausgabe in einer Struktur, die pro Zeile eine Antwort mit Attribut-Zufriedenheit und Gesamtzufriedenheit nebeneinanderstellt und sich unmittelbar in die Regressionsanalyse einspeisen lässt
• GT-Auswertung und Kreuztabellen: Die Prüfung von Mittelwert und Verteilung jedes Treibers sowie die Sichtung der Rohdaten vor dem ersten Korrelations-Screening sind im Dashboard möglich

⚠️ Was Kicue nicht leisten kann

• Keine Funktion zur Berechnung von Korrelation, multipler Regression, relativen Gewichten oder Shapley-Werten: Die statistische Auswertung erfolgt mit R (relaimpo usw.) / Python / SPSS / JASP. Kicue selbst verfügt über keine Funktion zur statistischen Auswertung
• Auch keine Diagnose von VIF und Multikollinearität: erfolgt nach dem Export in der Statistiksoftware
• Auch kein Machine Learning wie Random Forest: erfolgt mit Python (scikit-learn usw.)
• Auch keine Erstellung des IPA-Streudiagramms: Das Streudiagramm mit der abgeleiteten Wichtigkeit der KDA auf der vertikalen Achse wird mit Excel / R / Python gezeichnet

Liest man als verwandte Beiträge den Leitfaden zur Importance-Performance-Analyse (IPA) · den Leitfaden zur Gestaltung von Kundenzufriedenheitsbefragungen (CSAT) · NPS richtig lesen und Benchmarks · den Leitfaden zu Umfrageauswertung und Signifikanztests · den Leitfaden zur Gestaltung eines VoC-Programms ergänzend, wird die gesamte Analyse-Pipeline „messen → wirksame Faktoren identifizieren (KDA) → priorisieren (IPA) → betreiben" sichtbar.

Zusammenfassung — sechs Punkte, um die Key-Driver-Analyse zu einer verlässlichen Analyse zu machen

1. Die Korrelationsliste nur bis zum ersten Screening — sie zählt doppelt, also nicht als Fazit
2. Bei der multiplen Regression Multikollinearität vermuten — den VIF prüfen und negative Koeffizienten nicht für bare Münze nehmen
3. Die Wichtigkeit mit relativen Gewichten / Shapley erstellen — nicht-negativ, Summe ergibt R², als Beitragsanteil interpretierbar
4. Korrelation und Kausalität unterscheiden — es ist „Stärke der Kopplung", keine „Garantie für einen Verbesserungseffekt". Die Top-Faktoren per A/B-Test prüfen
5. Die Outcome-Variable ans Ziel anpassen — gegen Kündigung die Wiederkaufabsicht, zur Erlebnisverbesserung die Gesamtzufriedenheit
6. 10 bis 15 Beobachtungen pro erklärender Variable — bei zu vielen Variablen per Faktorenanalyse verdichten

Bei der Key-Driver-Analyse entscheidet sich die Verlässlichkeit weniger an der Frage „welches Statistikverfahren man nutzt", sondern daran, die beiden Punkte Multikollinearität und Kausalität nicht zu verfehlen. Hält man nur diese beiden ein, wird sie zu einer mächtigen Waffe, die die Debatte „womit fangen wir an" vom Bauchgefühl auf die Ebene der Zahlen hebt.

Wer eine Befragung gestalten möchte, die Treiber und Outcome misst, sollte das kostenlose Umfragetool Kicue ausprobieren. Von der Likert-Fragegestaltung, die Attribut-Zufriedenheit sowie Gesamtzufriedenheit und NPS im selben Formular misst, bis zum CSV-Export mit Befragten-ID, der sich unmittelbar in die Regressionsanalyse einspeisen lässt — den Teil, der die Eingabedaten für die Key-Driver-Analyse erzeugt, können Sie mit einem einzigen Konto starten (Korrelation, multiple Regression, relative Gewichte, Shapley-Werte und die VIF-Diagnose erfolgen in Kombination mit R / Python / SPSS / JASP).

Literatur

• Johnson, J. W. (2000). A Heuristic Method for Estimating the Relative Weight of Predictor Variables in Multiple Regression. Multivariate Behavioral Research, 35(1), 1-19.
• Kruskal, W. (1987). Relative Importance by Averaging Over Orderings. The American Statistician, 41(1), 6-10.
• Grömping, U. (2006). Relative Importance for Linear Regression in R: The Package relaimpo. Journal of Statistical Software, 17(1), 1-27.
• Tonidandel, S., & LeBreton, J. M. (2011). Relative Importance Analysis: A Useful Supplement to Regression Analysis. Journal of Business and Psychology, 26(1), 1-9.
• Azen, R., & Budescu, D. V. (2003). The Dominance Analysis Approach for Comparing Predictors in Multiple Regression. Psychological Methods, 8(2), 129-148.