OpenPLS
DE
Kostenlos starten
PLS-SEM · Open-Source-Engine

Strukturgleichungen.
Endlich modern.

Die offene Plattform für Strukturgleichungsmodelle: visueller Path-Editor, die komplette PLS-SEM-Pipeline und publikationsreife Reports. Direkt im Browser. Oder selbst gehostet, wenn deine Daten sensibel sind.

Kostenlos starten So funktioniert’s

Kein Setup, keine Kreditkarte · Open-Source-Engine · Geprüft gegen etablierte Referenzwerte

Live-Vorschau

Ein echtes Modell, voll durchgerechnet.

So liefert openpls-engine ein kleines Quality → Satisfaction → Loyalty-Modell zurück. Pfade, R², HTMT und Bootstrap-CI, alles in einer Sicht.

Project › ECSI Demo › Results

ECSI-Customer-Satisfaction-Stichprobe (n = 250), 5 000 Bootstrap-Resamples. Reproduzierbar im Beispielprojekt.

Features

Alles, was du für seriöses PLS-SEM brauchst.

Etablierte Statistik, modernes Tooling, offene Standards.

Visueller Editor

Latente Variablen, Indikatoren, Pfade per Drag & Drop. Kein YAML, kein Code, kein Frust.

Komplette PLS-SEM Pipeline

Loadings, Weights, Pfadkoeffizienten, R², GoF, geprüft gegen etablierte Referenzwerte aus der PLS-SEM-Literatur.

Saubere Reports

PDF, XLSX, LaTeX und ein Publication-JSON-Bundle, fertig zum Einfügen in dein Paper. Tabellen, Diagramme, Methodensektion, jeweils ein Klick.

Self-Host für sensible Daten

Docker-Image für die Lehre, fürs Krankenhaus, fürs Unternehmen. Deine Daten verlassen dein Netz nicht.

Offene Export-Formate

Modelle, Gewichte und Reports in offenen Standards (JSON, CSV, LaTeX). Migration aus und in andere PLS-Tools, kein Lock-in.

Teams & Versionen

Co-Autorinnen, Reviewer und Versionsvergleich für Forschungsgruppen. Ohne Mail-Hin-und-Her.

Erweiterte Analysen Neu

Über die Standard-Pipeline hinaus.

Zehn moderne PLS-SEM-Analysen, ein Klick im gleichen Editor, ohne zweites Tool.

Unsicherheit in den Effekten quantifizieren und das Modell für Out-of-Sample-Vorhersagen einsetzen.

Results › IPMA
Performance Importance Service (priority) Pricing (keep) Brand (low prio) Convenience

  • IPMA

    Importance-Performance-Map zeigt, welche Konstrukte hoch wichtig sind und gleichzeitig schwach performen. Management-Priorität auf einen Blick.

  • PLSpredict

    k-fold-Out-of-Sample-Bewertung mit dem vollständigen Shmueli-Panel: RMSE, MAE und MAPE gegen einen Linear-Model-Benchmark, plus eine In-Sample-Fit-Tabelle zur Einordnung.

  • Spezifische indirekte Effekte

    Jede Mediationskette in deinem Modell mit Punktschätzern und Bootstrap-Konfidenzintervallen, t-Werten und p-Werten. Schluss damit, nur den totalen indirekten Effekt zu berichten.

  • FIMIX-PLS

    Finite-Mixture-Segmentation findet unbeobachtete Subgruppen in deinem Sample. Heterogene Effekte sichtbar machen.

Methoden visualisiert

So sehen die Outputs aus.

Vier Beispiele, was OpenPLS für deine Analysen produziert. Direkt aus den Erklärungspanels der App.

Results › Bootstrap
0.32 β̂ ≈ 0.40 0.48 5 000 resamples, 95 % CI
01

Bootstrap-Verteilung

5 000 Resamples, Punktschätzer und 95 %-CI. So sieht die Unsicherheit eines Pfadkoeffizienten aus.

Results › IPMA
Performance Importance Service (priority) Pricing (keep) Brand (low prio) Convenience
02

Importance-Performance-Map

Welche Konstrukte sind wichtig und unterperformen? Vier-Quadranten-Sicht für Management-Priorisierung.

Results › FIMIX-PLS
Segment 1 (60 %) Segment 2 (40 %)
03

FIMIX-Segmentierung

Unbeobachtete Subgruppen finden. Heterogene Effekte sichtbar machen, bevor sie deine Ergebnisse verzerren.

Results › Moderation
β = 0.25 β = 0.40 β = 0.55 Trust Loyalty
04

Simple-Slopes

Wie ändert sich ein Pfadkoeffizient bei niedrigem, mittlerem und hohem Moderator? Drei Linien sagen mehr als ein p-Wert.

Workflow

In vier Schritten zum Modell.

  1. 01

    Daten hochladen

    CSV, XLSX, SPSS oder Stata: wir lesen, was du hast.

  2. 02

    Modell zeichnen

    Konstrukte und Pfade per Drag & Drop. Live-Vorschau der Modellstruktur.

  3. 03

    Berechnen

    Ein Klick. plspm rechnet: Loadings, Pfade, Bootstrap-Konfidenzen.

  4. 04

    Exportieren

    Report als PDF, Tabellen als XLSX, Modell als JSON oder LaTeX-Snippet, alles in offenen Formaten.

Für wen

Konkrete Anwendungen aus der Praxis.

PLS-SEM ist überall da im Einsatz, wo Zusammenhänge zwischen latenten, nicht direkt messbaren Konstrukten geschätzt werden, von der Disserta­tion bis zur Marktforschungsabteilung im DAX-Konzern.

Wissenschaft & Lehre

Empirische Forschung ohne Lizenz-Hürde

Dissertationen, Journal-Submissions und Seminare ohne kommerzielle Lizenz oder gemeinsamen Lab-Account. Open Engine, dokumentierte Methodik, reproduzierbare Reports.

  • Acceptance-Modelle (TAM / UTAUT) für Health-IT-Adoption
  • Service-Qualität & Loyalität (ACSI / ECSI) in der Hospitality-Forschung
  • Reputation- und Vertrauensmodelle (Corporate Reputation Model)
Marketing & CX

Was treibt deine Kundenkennzahlen wirklich?

Statt Korrelationen einzelner Touchpoints rechnet OpenPLS das ganze System gleichzeitig. So siehst du, welcher Hebel Loyalty und NPS bewegt, und welcher nur Lärm ist.

  • NPS- und CSAT-Treibermodelle aus Befragungsdaten
  • Customer-Journey-Wirkungsmodelle (Awareness → Trust → Conversion)
  • Brand-Equity-Studien mit formativen Indizes
Industrie & Operations

Latente Treiber komplexer Prozesse messbar machen

OpenPLS ist gerade bei kleinen N und vielen Indikatoren stark, die typische Konstellation für Mitarbeiter-, Lieferanten- und Innovationsumfragen.

  • Mitarbeiter-Engagement und Sicherheitskultur (Safety-Climate-Modelle)
  • Lieferanten-Performance und Supply-Chain-Resilienz
  • Innovationsfähigkeit (Absorptive Capacity, Dynamic Capabilities)
Health & Public Sector

Sensible Daten, klare Methodik

Self-Host als Docker-Container hält Patient:innen- oder Mitarbeiterdaten im eigenen Netz. Methodisch identisch zur Cloud-Version, dokumentiert für Ethik-Komitees.

  • Patient-Reported-Outcome-Modelle in Reha & Versorgung
  • Adoption digitaler Versorgungsangebote (DiGA, Telemedizin)
  • Bürger-Vertrauensmodelle für E-Government-Initiativen
Case Studies

Reproduzierbar in 60 Sekunden.

Vier publizierte PLS-SEM-Modelle als One-Click-Klone in deinem OpenPLS-Workspace. Inklusive synthetischer Originaldaten, vollständiger Pfad-Definition und reproduzierbarer Schlüsselmetriken.

ECSI

European Customer Satisfaction Index

Customer Experience

Sechs reflektive Konstrukte (Image → Erwartung → Qualität → Wert → Satisfaction → Loyalty), kanonisches Modell aus der Service-Marketing-Forschung.

N
250
LVs
6
R²(SAT)
0.71

Fornell et al. (1996)

Case Study öffnen
UTAUT2 + Trust

E-Commerce-Akzeptanz mit Vertrauen

Marketing / E-Commerce

Performance- und Effort-Expectancy, sozialer Einfluss und Vertrauen erklären Kauf-Intention und Nutzung. Mit Demographics für Multi-Group-Analysis.

N
400
LVs
6
MGA
Age · Device

Venkatesh et al. (2012)

Case Study öffnen
JD-R

Mitarbeiter-Engagement (Job Demands-Resources)

HR / Organizational Behavior

Job Demands und Job Resources wirken über Engagement auf Satisfaction und Performance. Klassisches Mediator-Modell mit fünf Konstrukten.

N
350
LVs
5
R²(JP)
0.40

Bakker & Demerouti (2017)

Case Study öffnen
TAM + Privacy

Akzeptanz digitaler Gesundheits-Apps

Healthcare / mHealth

PEOU, Usefulness, Health Consciousness und Privacy Risk treffen auf Attitude und Behavioral Intention. Negativer Privacy-Pfad als f²-Diskussionsbeispiel.

N
380
LVs
6
Effekt
PR → BI negativ

Davis (1989); Sun et al. (2013)

Case Study öffnen

Klonen erfordert ein kostenloses OpenPLS-Konto.

Open Source

Eine Engine, die du prüfen darfst.

Reviewer und Promotionsausschüsse wollen wissen, wie deine Zahlen entstanden sind. Bei OpenPLS ist die Antwort einfach: Hier ist der Code.

Engine auf GitHub Wissenschaftliche Basis

Engine ist Open Source

Die Berechnungs-Engine (Loadings, Pfade, Bootstrap, Fit) liegt offen: GPL-3.0, reproduzierbar, prüfbar. Kein Vendor-Lock-in für deine Methodensektion.

Kontinuierlich erweitert

IPMA, PLSpredict, Moderation, FIMIX-Segmentation sowie Newton- und PCA-Inner-Weighting sind ausgeliefert. Jede Erweiterung landet erst in der Engine, dann in der App.

Geprüft gegen Referenzwerte

Eine wachsende Matrix von Beispielmodellen wird gegen etablierte Referenzwerte aus der PLS-SEM-Literatur abgeglichen: Loadings, Pfade, R², SRMR. Status pro Case ist öffentlich.

Wissenschaftliche Basis

Methodisch fundiert in zwei Jahrzehnten PLS-SEM-Forschung.

OpenPLS implementiert die Standards, auf die sich die PLS-SEM-Community seit zwei Jahrzehnten einigt: von Wold und Lohmöller über Tenenhaus bis zu Hair, Henseler, Sarstedt und Ringle. Methoden sind dokumentiert, Quellen sind nachvollziehbar.

Alle Referenzen ansehen
  • Hair, Hult, Ringle & Sarstedt
    A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM)
    Sage Publications, 3rd ed., 2022
  • Henseler, Ringle & Sarstedt
    A new criterion for assessing discriminant validity in variance-based SEM (HTMT)
    Journal of the Academy of Marketing Science, 2015
  • Tenenhaus, Vinzi, Chatelin & Lauro
    PLS path modeling, including the GoF index
    Computational Statistics & Data Analysis, 2005
Preise

Heute offen. Für immer offen.

Die Web-App ist frei nutzbar. Die Engine ist Open Source unter GPL-3.0 und bleibt es.

Cloud
Kostenlos

Alles, was du für deine Forschung brauchst. Gehostet bei uns.

  • Unbegrenzte Modelle und Datensätze
  • Alle Reports & Exports
  • Visueller Path-Editor
  • Versionsvergleich
Kostenlos starten
Self-Host
0 € GPL-3.0

Engine als Docker-Container und Python-Bibliothek. Auf deinem Server, in deinem Netz.

  • Volle Engine-Funktionalität offline
  • CLI und Python-API
  • Datensouveränität für Klinik / Industrie
  • Community-Support auf GitHub
Engine auf GitHub
Consulting
Auf Anfrage Custom

Custom-Adaptionen, Schulungen, Methodenberatung für Forschungsgruppen.

  • Methodencoaching
  • Custom-Modelle / Plugins
  • On-Site Workshops
  • Priority-Support
Gespräch buchen