# Marketing Science Center — Beispieldatensätze

Version: 2026-08-18  
Lizenz: CC0 1.0 — siehe `LICENSE-DATA.txt`  
Status: synthetische Daten für Bildungszwecke; sie beschreiben weder ein reales Unternehmen noch einen realen Markt.

## MSC-001 — Price Elasticity

Frage: Wie verändert sich das Volumen mit dem Preis, wenn die beobachteten Kontrollvariablen konstant gehalten werden?

Variablen:

- `week`: Beobachtungswoche;
- `price_eur`: beobachteter Stückpreis in Euro;
- `units`: verkaufte Einheiten;
- `competitor_price_eur`: synthetischer Wettbewerbspreis;
- `promo`: Aktionsindikator (0/1);
- `season_index`: um 1 zentrierter Saisonindex.

Vorgeschlagene Methode: Log-Log-Regression von `units` auf `price_eur` unter Verwendung der verfügbaren Kontrollvariablen. Der Koeffizient des logarithmierten Preises ist eine vom spezifizierten Modell abhängige Elastizität.

Erwartetes Ergebnis: negative Elastizität in diesem konstruierten Datensatz. Eine einfache Schätzung mit einer Schätzung einschließlich Kontrollvariablen vergleichen.

Grenzen: 24 Beobachtungen, stufenweise Preise, keine Kosten und nur begrenzte Wettbewerbsvariablen. Die Übung erlaubt weder eine Preisempfehlung noch eine Übertragung auf einen realen Markt.

## MSC-002 — Advertising Response

Frage: Nimmt die Grenzwirkung mit steigenden Ausgaben ab?

Variablen:

- `market`: synthetische Marktkennung;
- `weekly_spend_eur`: wöchentliche Medienausgaben;
- `impressions_k`: Impressionen in Tausend;
- `response_index`: simulierte inkrementelle Reaktion;
- `baseline_index`: simuliertes Ausgangsniveau um 100.

Vorgeschlagene Methode: Gerade, sättigende Exponentialfunktion und logistische Kurve vergleichen; Residuen und Parameterstabilität untersuchen.

Erwartetes Ergebnis: Sättigungsmodelle beschreiben die in den Daten angelegten abnehmenden Grenzerträge besser.

Grenzen: synthetischer Querschnitt, keine Zeitdynamik, kein Adstock und keine Behandlung der Endogenität der Ausgaben. Eine gute Anpassung belegt keinen kausalen Effekt.

## MSC-005 — Promotion Incrementality

Frage: Welcher Wachstumsunterschied ist zwischen Test- und Kontrollmärkten zu beobachten?

Variablen:

- `market`: synthetische Marktkennung;
- `group`: Gruppe `test` oder `control`;
- `pre_sales_eur`: Umsatz vor der Maßnahme;
- `post_sales_eur`: Umsatz nach der Maßnahme;
- `promo_cost_eur`: Aktionskosten, in der Kontrollgruppe null;
- `stores`: Anzahl der beobachteten Geschäfte.

Vorgeschlagene Methode: Difference-in-Differences, bei der die Veränderung `(post - pre)` der Kontrollgruppe von der Veränderung der Testgruppe abgezogen wird; die Unsicherheit wird auf Marktebene geschätzt.

Erwartetes Ergebnis: höherer durchschnittlicher Anstieg in der Testgruppe dieses konstruierten Datensatzes.

Grenzen: synthetische Zuweisung, kleine Zahl von Märkten und nur eine Vorher-/Nachher-Periode. Parallele Trends können hier nicht belegt werden; das Ergebnis ist keine externe kausale Evidenz.

## MSC-004 — Customer Lifetime Value

Frage: Können Häufigkeit, Aktualität und Kundendauer den erwarteten Zukunftsbeitrag ordnen?

Variablen: `customer_id`, `calibration_end`, `repeat_transactions`, `recency_from_first_weeks`, `calibration_age_weeks`, `holdout_horizon_weeks`, `holdout_transactions`, `mean_repeat_transaction_value_eur`, `contribution_margin_rate`, `discount_rate_per_week`. Der mittlere Wiederholungskaufwert bleibt bei `repeat_transactions=0` leer, da diese Kunden von der Gamma-Gamma-Schätzung ausgeschlossen werden.

Vorgeschlagene Methode: BG/NBD auf der Kalibrierung schätzen, Transaktionen im Holdout validieren und anschließend in diskontierten Beitrag umrechnen. Gamma-Gamma erst nach Prüfung der Frequenz-Wert-Unabhängigkeit ergänzen.

Erwartetes Ergebnis: aktuelle und häufige Kunden liegen meist höher, doch die Rangfolge ist am Holdout zu beurteilen.

Grenzen: 30 synthetische Kunden, keine Servicekosten oder Bindungsmaßnahme. Die Stichprobe zeigt den Ablauf, kalibriert aber kein Einsatzmodell.

## MSC-006 — Marketing Mix Modeling

Frage: Wie zeigt eine Reihe, dass Kanalbeiträge nicht trennbar sind?

Variablen: `week`, `sales_units`, `search_spend_eur`, `social_spend_eur`, `tv_spend_eur`, `promotion`, `price_index`, `holiday`.

Vorgeschlagene Methode: mit einem Zeitreihen-Benchmark beginnen, Korrelationen und VIF prüfen und Koeffizientenstabilität vor Adstock oder Sättigung testen.

Erwartetes Ergebnis: Search und Social sind nahezu kollinear; Kanalbeiträge werden zwischen Spezifikationen instabil. Dies ist bewusst ein Nichtidentifikationsbeispiel.

Grenzen: 36 synthetische Perioden, keine experimentelle Variation und kein exogener Schock. Keine Kausalattribution oder Budgetempfehlung.

## MSC-007 — Measurement Validity

Frage: Kann eine Skala konsistent sein und Vertrauen dennoch nicht von Zufriedenheit trennen?

Variablen: `respondent_id`, `group`, `trust_1` bis `trust_4`, `satisfaction_1` bis `satisfaction_3`.

Vorgeschlagene Methode: deskriptive Reliabilität berechnen, Konstruktkorrelationen prüfen und Stichprobengröße als Voraussetzung vor CFA oder Invarianz behandeln.

Erwartetes Ergebnis: Vertrauensitems sind konsistent, Vertrauen und Zufriedenheit aber bewusst sehr hoch korreliert. Erwartet wird eine Warnung zur diskriminanten Validität, keine Validierung.

Grenzen: 30 Antworten, 15 je Gruppe, tragen keine belastbare CFA oder Invarianz. Der Datensatz zeigt Scheitern und unzureichende Information.

## MSC-010 — Monte Carlo Inputs

Frage: Wie wird Preis-Mengen-Margen-Unsicherheit ohne Ignorieren von Abhängigkeiten propagiert?

Variablen: `scenario`, `input`, `distribution`, `param_1`, `param_2`, `param_3`, `unit`, `correlation_with`, `rho`. Bei einer Dreiecksverteilung sind dies Minimum, Modus und Maximum; `rho` deklariert die Korrelation mit der genannten Eingabe.

Vorgeschlagene Methode: Eingaben gemeinsam mit festem Seed simulieren, Volumen und Beitrag je Ziehung berechnen und Quantile, Schwellenwahrscheinlichkeit sowie Monte-Carlo-Fehler berichten.

Erwartetes Ergebnis: Streuung mit und ohne die deklarierte Volumen-Elastizitäts-Abhängigkeit vergleichen. Der Effekt hängt von Vorzeichen von `rho` und Modell ab; die gelieferte negative Korrelation dämpft die Streuung leicht.

Grenzen: didaktische, nicht marktkalibrierte Verteilungen und Korrelationen; multivariate Abhängigkeit ist nur teilweise spezifiziert.

## MSC-P-007-RELIABILITY — Alpha-/Omega-Modelle

Frage: Wie verändern Tau-Äquivalenz oder ungleiche Ladungen Alpha und Omega für denselben Summenscore?

Variablen: `scenario`, `item`, `loading`, `residual_variance`. Die Items sind standardisiert, die Faktorvarianz beträgt 1 und Fehler sind im Erzeugermodell unabhängig.

Empfohlene Methode: `R` mit `r_ij = loading_i × loading_j` bilden, Alpha aus `R` und Omega aus Ladungen und Residuen berechnen, dann neue Stichproben synthetischer Befragter aus dem deklarierten Datengenerierungsprozess simulieren und das Modell vollständig neu schätzen.

Erwartetes Ergebnis: Bei Tau-Äquivalenz gilt `α = ω = 0,814458`. Im kongenerischen Szenario gilt `α = 0,782488`, `ω = 0,815454` und `ω−α = 0,032966`.

Grenzen: Lehrparameter, normales eindimensionales Modell und unabhängige Fehler. Keine reale Befragung, universeller Grenzwert oder Validitätsnachweis.

## MSC-P-009-MATRIX — Korrelationsmatrix für PCA / EFA / CFA

Frage: Wie kann dieselbe Matrix deskriptive Verdichtung, gemeinsame Faktoren und konfirmatorische Prüfung unterscheiden?

Variablen: `v1` bis `v3` sind synthetische Indikatoren des ersten Faktors, `v4` bis `v6` des zweiten. Die Diagonale beträgt 1, Korrelationen innerhalb eines Faktors 0,64 und zwischen Faktoren 0,256. Die Datei enthält keine Einzelbeobachtungen und definiert keine empirische Fallzahl.

Vorgeschlagene Methode: PCA-Eigenwerte berechnen, zwei schiefwinklige Faktoren per EFA schätzen und anschließend zwei korrelierte Faktoren per CFA spezifizieren. In den Softwarebeispielen ist `N = 300` eine illustrative Pseudo-Fallzahl, die einige Befehle benötigen, keine Eigenschaft der Daten.

Erwartetes Ergebnis: Eigenwerte `3,048`, `1,512` und viermal `0,360`; die ersten beiden Achsen erklären exakt 76 % der Varianz. Die erzeugende Lösung verwendet Ladungen von 0,80, eine Faktorkorrelation von 0,40 und Einzigartigkeiten von 0,36.

Grenzen: exaktes, tautologisches theoretisches Beispiel ohne Stichprobenrauschen. Es illustriert die Berechnung, liefert aber keine Standardfehler, Intervalle oder Validierung einer realen Skala.

## MSC-P-002-RETARGETING: Korrelation und Kausalität

Frage: Welcher Teil des Kaufunterschieds zwischen retargeteten und nicht retargeteten Kunden bleibt nach Standardisierung für vorherige Kaufabsicht bestehen?

Variablen: `prior_intent` (0 niedrig, 1 hoch), `retargeted` (Zuweisung zur festen Politik, 0 nein, 1 ja), `n` (Zellumfang) und `purchases` (Käufe binnen 30 Tagen). Synthetische Stichprobe: 10.000 Kunden aus der berechtigten Population. Politik A=1 erlaubt binnen 24 Stunden eine feste Display-Impression, höchstens eine in sieben Tagen; A=0 unterdrückt sie.

Vorgeschlagene Methode: rohe Risikodifferenz, anschließend standardisierte Risiken `Σₗ E[Y|A=a,L=l]P(L=l)` und deren Differenz berechnen. Erwartetes Ergebnis: Rohassoziation `15,14` Punkte; standardisierter ATE `2,80` Punkte; 95-%-Wald-Intervall `[1,20; 4,40]` Punkte.

Grenzen: synthetische Aggregate, nur ein beobachteter Confounder und keine Randomisierung. Das Wald-Intervall nimmt unabhängige Binomialzellen an und konditioniert auf beobachtete Umfänge und Gewichte. Kausale Deutung erfordert Konsistenz, bedingte Austauschbarkeit, Positivität und keine Interferenz; das Intervall enthält keinen Bias durch ausgelassene Confounder.

## MSC-P-018-PREDICTIVE-CAUSAL: Prädiktive und kausale Regression

Frage: Warum kann eine nach der Behandlung gemessene Variable die Prognose verbessern und für den totalen Kausaleffekt dennoch unzulässig sein?

Variablen: `customer_id`, `split`, `baseline_intent_z`, `prior_spend_eur`, `reminder_assigned`, `engagement_index_7d`, `spend_30d_eur`. Die ersten beiden Kovariaten sind Vorbehandlungsvariablen; Engagement wird sieben Tage nach der Zuweisung gemessen.

Vorgeschlagene Methode: Prognosen auf 1.800 Train-Zeilen fitten, RMSE, MAE und R² auf 600 Holdout-Zeilen bewerten und den ATE getrennt auf allen 2.400 randomisierten Einheiten ohne Mediatoradjustierung schätzen. Seed `20260819` und das bereitgestellte Python-Skript verwenden.

Erwartetes Ergebnis: Das Modell mit Engagement senkt den RMSE um `15,20 %`, 95-%-Bootstrap-KI `[11,05 %; 19,62 %]`. Der geschätzte ATE beträgt `8,3667 €`, HC1-KI `[7,8704 €; 8,8631 €]`, bei einem synthetischen Wahrwert von `8,80 €`. Die Adjustierung für Engagement senkt den Behandlungskoeffizienten auf `2,0657 €`, der nicht den totalen Effekt darstellt.

Grenzen: vollständig synthetische Daten, lineare Beziehungen und konstruktionsbedingt unabhängige Zufallszuweisung. Das Bootstrap-Intervall beschreibt diesen Holdout; das HC1-Intervall behandelt weder künftige Drift, Kontamination noch Übertragung auf eine andere Population.

## MSC-P-021-PANEL: Fixed Effects, Random Effects und CRE

Frage: Wie lässt sich der Within-Filialzusammenhang zwischen Display-Anteil und Bestellungen vom Zusammenhang zwischen Filialen trennen?

Variablen: `store_id` (12 synthetische Filialen), `week` (8 Perioden), `display_share_pct` (Anteil exponierter Besuche in Prozentpunkten) und `orders_per_1000` (Bestellungen je 1.000 Besuche). Das balancierte Panel enthält 96 Zeilen.

Vorgeschlagene Methode: gepoolte Steigung, Within-Steigung durch Filialzentrierung, Between-Steigung auf Filialmitteln, Standard-RE durch GLS-Quasi-Zentrierung sowie CRE/Mundlak mit `xit−x̄i` und `x̄i` schätzen. Das Beispiel nutzt Einweg-Filial-FE; Wocheneffekte absorbieren gemeinsame Zeitschocks.

Erwartetes Ergebnis: gepoolt `−1,140472`, FE/within `−0,600000`, between `−1,200000`, Referenz-Standard-RE `−0,689372`, CRE `βW=−0,600000` und `βB=−1,200000`. Der Filial-Sandwich-SE beträgt `0,022972` mit endlicher `G/(G−1)`-Korrektur; das 95-%-t(11)-KI ist `[−0,650562; −0,549438]`. Python 3.13 und Base R 4.5 reproduzieren die deklarierte Momentenmethode; native SPSS/SAS-RE-Ausgaben können je nach Schätzer und Optionen abweichen.

Grenzen: vollständig synthetische Daten, nur 12 Cluster, balanciertes Panel und deklarierter linearer Prozess. Das Intervall illustriert die deklarierte Lehrkonvention, ohne bei wenigen Clustern verlässliche Inferenz zu garantieren. Es behandelt geclustertes Rauschen im Beispiel, nicht zeitvariables Confounding, umgekehrte Kausalität, Messfehler oder Selektion. Die Koeffizienten sind assoziativ.

## MSC-P-026-LOGIT-PROBIT: Binärer Prognosevergleich

Frage: Liefern Logit und Probit Wahrscheinlichkeiten, marginale Effekte und Holdout-Diagnosen, die sich ausreichend unterscheiden, um eine Entscheidung zu ändern?

Variablen: `customer_id`, `split` (`train` oder `holdout`), `prior_engagement_z`, `discount_pct`, `mobile`, `purchase`. Die Datei enthält 1.200 synthetische Kunden, 800 für Training und 400 für Holdout. Fester Seed: `20260819`.

Empfohlene Methode: Beide Links mit demselben linearen Prädiktor auf Trainingsdaten schätzen. Auf demselben Holdout den mittleren marginalen Engagement-Effekt mit 95-%-Delta-KI, Brier, Log-Loss, AUC, Calibration-in-the-Large und zwei Randprofile vergleichen.

Erwartetes Ergebnis: AME `19,8738` Punkte für Logit und `19,8780` für Probit; Brier `0,175319` und `0,175367`; Log-Loss `0,527456` und `0,527414`; AUC `0,809401` und `0,809743`. Die Unterschiede sind in diesem Beispiel minimal.

Grenzen: Das Ergebnis stammt aus einem didaktischen logistischen Prozess, ohne reale Kampagne oder Kunden. Die KI betreffen AME unter dem deklarierten Modell, nicht jede Metrikdifferenz. Der Datensatz belegt weder universelle Äquivalenz noch einen kausalen Engagement-Effekt.

## MSC-P-020-PRICE-ENDOGENEITY: Preisendogenität und 2SLS

Frage: Welche Log-Log-Reaktion der Menge auf die von einem Lieferantenkostenschock induzierte Preisvariation kann unter angegebenen IV-Annahmen geschätzt werden?

Variablen: `product_id`, `week`, `log_quantity`, `log_price`, `supplier_cost_shock`, `promotion`, `season_index`. Die Datei enthält 600 synthetische Zeilen, 60 Produkte und 10 Wochen. Fester Seed: `20260820`.

Vorgeschlagene Methode: OLS und 2SLS mit `supplier_cost_shock` als ausgeschlossenem Instrument sowie `promotion` und `season_index` als Kontrollen vergleichen; anschließend partielles R², geclusterte Wald-Statistik der ersten Stufe, produktgeclustertes Intervall und Control-Function-Diagnose berechnen. Python 3.13 Standardbibliothek ist die ausführbare Referenz; R 4.5 ist die ergänzende Referenz.

Erwartetes Ergebnis: `βOLS = −0,577216`, `βIV = −1,011208`, IV-SE `0,083104`, 95-%-KI `[−1,174092; −0,848325]`, partielles R² `0,310020` und geclustertes Wald `χ²(1)=255,749005`. Der erzeugende Koeffizient ist `−1,20`; die realisierte Abweichung ist Stichprobenrauschen, kein Benchmark.

Grenzen: vollständig synthetische Daten, nur konstruktionsbedingt valides Instrument und lineare Log-Log-Struktur. Relevanz ist messbar; Unabhängigkeit und Ausschluss werden durch Diagnosen nicht bewiesen. Kein optimaler Preis, keine Übertragung außerhalb des Stützbereichs und kein realer Effekt werden belegt.

## MSC-P-030-SURVIVAL — Zensierte Kundenbindung und Überleben

Frage: Wie lässt sich die Wahrscheinlichkeit, nach 12 und 18 Monaten aktiv zu bleiben, schätzen, wenn einige Kunden am Beobachtungsende aktiv sind, und wie wird die bedingte Assoziation zwischen Tarif und Churn-Hazard beschrieben?

Variablen: `customer_id`, `plan_group`, `baseline_engagement_z`, `start_date`, `end_date`, `duration_months`, `churn_event`, `censor_reason`. Der Datensatz enthält 600 über 90 Tage rekrutierte synthetische Kunden, 401 Churns und 199 zensierte Beobachtungen. `duration_months` ist die analytische Dauer; Datumswerte sind auf Tage gerundet. Fester Seed: `20260820`.

Empfohlene Methode: Kaplan-Meier mit Greenwood-Log-Log-Intervallen, Log-Rank, Cox adjustiert für Gruppe und Ausgangsengagement, dann Interaktion Gruppe × `log(t/12)` als deklarierte PH-Diagnostik.

Erwartetes Ergebnis: monatlich `S9=0,489303`, `S12=0,380325` und `S18=0,254876`; jährlich `S9=0,779045`, `S12=0,702150` und `S18=0,534170`. Adjustiertes Cox: `HR=0,494368`, 95-%-KI `[0,397306; 0,615142]`. Zeitinteraktion: `p=0,082475`.

Grenzen: vollständig synthetische Daten, unabhängige Zensierung nur durch Konstruktion, höchstens 24 Monate und beobachtungsbasierte Tarifwahl. Eine fehlende oder ungültige Pflichteingabe stoppt die Analyse und meldet die Zahl betroffener Zeilen, ohne Imputation. Die berechnete Sensitivität vergleicht 9, 12 und 18 Monate und ergänzt die deklarierte Zeitinteraktion. Ergebnisse sind assoziativ und belegen keinen kausalen Tarifeffekt.

## Mögliche und nicht mögliche Entscheidungen

Diese Datensätze ermöglichen es, eine Berechnung zu reproduzieren, Spezifikationen zu vergleichen und Unsicherheit zu diskutieren. Sie erlauben weder Branchenbenchmarks noch reale Absatzprognosen oder automatische Empfehlungen für Preis, Budget oder Aktion.