140 51 12MB
German Pages 267 Year 2006
Thomas Hillig Verfahrensvarianten der Conjoint-Analyse zur Prognose von Kaufentscheidungen
GABLER EDITION WISSENSCHAFT
Thomas Hillig
Verfahrensvarianten der Conjoint-Analyse zur Prognose von Kaufentscheidungen Eine Monte-Carlo-Simulation
Mit einem Geleitwort von Prof. Dr. Dr. h.c. Klaus Backhaus
Deutscher Universitats-Verlag
Bibliografische Information Der Deutschen Bibliothek Die Deutsche Bibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie; detailiierte bibliografische Daten sind im Internet uber abrufbar.
Dissertation Technische Universitat Berlin, 2004
D83
I.Auflage April 2006 Alle Rechte vorbehalten © Deutscher Universitats-Verlag I 6WV Fachverlage GmbH, Wiesbaden 2006 Lektorat: Ute Wrasmann / Sabine Scholler Der Deutsche Universitats-Verlag ist ein Unternehmen von Springer Science+Business Media. vvww.duv.de Das Werk einschlieBlich aller seiner Telle ist urheberrechtlich geschiitzt. Jede Verwertung auBerhalb der engen Grenzen des Urheberrechtsgesetzes ist ohne Zustimmung des Verlags unzulassig und strafbar. Das gilt insbesondere fiir Vervielfaltigungen, Ubersetzungen, Mikroverfilmungen und die Einspeicherung und Verarbeitung in elektronischen Systemen. Die Wiedergabe von Gebrauchsnamen, Handelsnamen, Warenbezeichnungen usw. in diesem Werk berechtigt auch ohne besondere Kennzeichnung nicht zu der Annahme, dass solche Namen im Sinne der Warenzeichen- und Markenschutz-Gesetzgebung als frei zu betrachten waren und dahervon jedermann benutztwerden diirften. Umschlaggestaltung: Reglne Zimmer, Dipl.-Designerin, Frankfurt/Main Druck und Buchbinder: Rosch-Buch, ScheBlitz Gedruckt auf saurefreiem und chlorfrei gebleichtem Papier Printed in Germany ISBN-10 3-8244-8329-7 ISBN-13 978-3-8244-8329-7
Geleitwort Die Prognose von Kaufentscheidungen steht seit jeher im Zentrum von Marketingiiberlegungen. Methodische Basis ist in zahlreichen Fallen die Conjoint-Analyse, der sowohl in Wissenschaft als auch Praxis eine herausragende Bedeutung zukommt. Mittlerweile ist ein umfangreiches Methodenarsenal entwickelt worden, und es fallt nicht nur Praktikem schwer zu entscheiden, wann welche Verfahrensvariante eingesetzt werden sollte. Diese Fragestellung ist Gegenstand vieler Vergleichsstudien, die insbesondere auf Grundlage empirisch erhobener Daten Handlungsempfehlungen ableiten. Problematisch ist dabei allerdings, dass solche Aussagen nicht ohne weiteres verallgemeinert werden konnen, da sie lediglich fur die jeweiligen Versuchbedingungen Gultigkeit haben. Aus diesem Grund werden mit steigender Tendenz Monte-Carlo-Simulationen zum systematischen Verfahrensvergleich eingesetzt. Dabei wird die Struktur empirischer Erhebungen mit Zufallszahlen nachgebildet und zugleich mehrere Einflussfaktoren variabel defmiert, fur die auch bei empirischen Erhebungen ein Einfluss auf die Ergebnisse vermutet wird. Allerdings beschranken sich die bisherigen Monte-Carlo Vergleichstudien primar auf Segmentierungsaufgaben und klammem allesamt die explizite Abbildung von Kaufentscheidungen - einschlieBlich der Abbildung von Nicht-Kaufen - aus. Der Verfasser ordnet conjoint-analytische Verfahrensvarianten auf Basis des Praferenzkonstruktes ausgehend von der traditionellen Conjoint-Analyse in den Kontext von Kaufentscheidungen ein. Dabei unterscheidet er zwei Strange, wobei sich die wahlbasierten Ansatze durch eine unmittelbare Beriicksichtigung von Kaufentscheidungen auszeichnen, wahrend die metrischen Ansatze erst durch die Ende der 1990er Jahre vorgestellte Einfuhrung einer so genannten Limit-Card auch Nicht-Kaufe berucksichtigen konnen. Die Erhebung von wahlbasierten Informationen ruft eine Informationsdichteproblematik hervor, die allerdings durch effiziente Losungsansatze wie Hierarchical-Bayes- und Latent-Class-Algorithmen beherrscht werden kann. Der Verfasser ubertragt diese informationseffizienteren Algorithmen auf den metrischen Ansatz und bezeichnet die resultierenden Verfahrensvarianten als Limit-FiniteMixture- und Limit-Hierarchical-Bayes-Conjoint-Analyse. Dim stehen damit sechs verschiedene conjoint-analytische Ansatze zur Verfugung, die grundsatzlich zur Analyse von Kaufentscheidungen geeignet sind. Eine qualitative Gegeniiberstellung der Verfahrensvarianten und eine Ubersicht iiber bereits veroffentlichte empirische Studien sowie eine grundsatzliche Diskussion iiber die Aussagekraft von Vergleichsstudien auf Basis empirischer bzw. simulierter Daten zeigt die Vorziige einer Monte Carlo-Simulation fur die im Rahmen dieser Arbeit bearbeitete Forschungsfrage. Im praktischen Teil der Arbeit erfolgt die Durchfiihrung der Monte-Carlo-Simulation. Der Verfasser begriindet die Auswahl der explizit untersuchten und der konstant gehaltenen Einflussfaktoren. Dariiber hinaus werden die Simulation der Datengrundlage und die Wahl der GutemaBe sowie die konkrete Operationalisierung der ausgewahlten Verfahrensvarianten dar-
gestellt. Die groB angelegte Monte-Carlo-Simulation zahlt zu der umfangreichsten ihrer Art, was sich nicht zuletzt beim Blick auf Details offenbart: es wurde entgegen der haufig anzutreffenden Gewohnheit kein Rechenaufwand gescheut und u.a. ein groBer Stichprobenumfang von 300 Auskunftspersonen simuliert. Die kontextspezifischen Ergebnisse werden mit dem Instrumentarium der Varianzanalyse ausgewertet, wobei es dem Verfasser gelingt, systematische Ergebnisse abzuleiten. Hervorzuheben ist, dass die im Rahmen dieser Arbeit entwickelten Verfahrensvarianten besonders gute Ergebnisse erzielen. Der Riickgriff - auch bei grundsatzlich rein individuell auswertbaren metrischen Daten - auf informationseffiziente Ansatze, die neben Individualinformationen zudem noch Informationen der gesamten Stichprobe beriicksichtigen, umgeht die Problematik der Uberanpassung und fiihrt zu einer Verbesserung der Ergebnisse. Die besondere Leistung des Verfassers besteht darin, den metrischen Limit-Ansatz auf die modemen Verfahrensvarianten der Conjoint-Analyse ubertragen und auf diese Art und Weise zwei Varianten entwickelt zu haben, die eine methodische Weiterentwicklung darstellen. Er unterzieht die neu geschaffenen Verfahrensvarianten unmittelbar einem Benchmark, indem er sie mit den bereits existierenden Verfahren im Rahmen einer Monte-Carlo-Simulation vergleicht. Ich wiinsche der Arbeit den verdienten Verbreitungsgrad und bin sicher, dass sie die Diskussion um die Kaufverhaltensprognose bereichem wird.
Prof. Dr. Dr. h.c. Klaus Backhaus
VI
Vorwort Angeregt durch meine Diplomarbeit und den Tenor eines Reviewprozesses des „Intemational Journal of Research in Marketing" entstand die Themenstellung fur die vorliegende Arbeit. Durch die neueren Entwicklungen im Bereich der Conjoint-Analyse wurden im Laufe der Bearbeitung zusatzlich „modeme" Verfahrensvarianten auf- und Weiterentwicklungen vorgenommen, so dass die Ausgangsfragestellung in der endgiiligen Version der Arbeit kaum noch zu erkennen ist. Diese Dissertation wurde wahrend meiner Tatigkeit als wissenschaftlicher Mitarbeiter am Fachbereich Strategisches Management des Instituts fiir Technologic und Management der Technischen Universitat Berlin erstellt und im November 2004 von der Fakultat als Dissertation angenonmien. Mein Weg nach Berlin hat mich iiber die Westfalische-WilhelmsUniversitat Miinster gefiihrt, wo ich nicht nur Betriebswirtschaftslehre studiert habe, sondem auch noch funf Monate lang auf das selbstgewahlte ,^xil in der AuBenstelle" des Instituts fiir Analgen und Systemtechnologien in Berlin eingearbeitet und eingestimmt wurde. Meine Zeit sowohl in Miinster als auch in Berlin wurde durch zahlreiche Personen mitgepragt, denen ich an dieser Stelle meinen Dank ausspreche. Meinem akademischen Lehrer, Herm Prof. Dr. Dr. h.c. Klaus Backhaus, gilt mein aufrichtiger Dank fur all die wertvolle fachliche Unterstiitzung, die er mir als „Chef * entgegengebracht hat. Daruber hinaus war sein menschliches Wesen ein entscheidender Faktor fiir den Abschluss meines Dissertationsprojektes: er gewahrte mir fern des Miinsteraner „Hauptsitzes" groBziigige Freiraume und brachte groBes Vertrauen in meine wissenschaftliche Arbeit entgegen. Er unterstiitzte mich wahrend der gesamten Zeit, und seine Motivationsgabe hat diese Arbeit schlieBlich ans Ziel gefiihrt. Femer gebiihrt Dank Herm Prof. Dr.-Ing. Helmut Baumgarten fiir die freundliche tJbemahme des Zweitgutachtens und fur die Unterstiitzung, die er mir wahrend der gesamten Zeit an seinem Institut gewahrt hat. Desweiteren danke ich Herm Prof. Dr. Axel Hunscha, der sich spontan bereit erklart hat, den Vorsitz des Promotionsausschusses zu ubemehmen, und so dazu beigetragen hat, das Verfahren ziigig zum Abschluss zu bringen. Bereichert wurde die Arbeit nicht nur in fachlicher Hinsicht durch die auBerordentliche Unterstiitzung zahlreicher Kollegen und Freunde. An erster Stelle mochte ich Herm Dipl.-Kfm. Marc Bieling nennen, mit dem ich zur Freude eines Mobilfunkanbieters sehr haufig iiber den Stand der Dinge und die allgemeine Promotionsproblematik konferierte. Zahlreiche entscheidende Hinweise konnte ich so bei der Erstellung der Arbeit beriicksichtigen. Fiir wertvolle Anregungen bei der Durchsicht des Manuskripts danke ich auBerdem Frau Dipl.-Kffr. Juliane Honig, Herm Dipl.-Ing. Johannes Schiffer, Dipl.-Math. Robert Wilken und Dipl.-Kfm. Udo Jaspemeite sowie den alten Fiichsen Dr. Lars Brzoska - dem ich daruber hinaus fiir die Uberlassung seines Literaturfundus besonders verbunden bin - und Dr. Gunnar Walter. Der Firma
VII
SKIM sowie dem Forderkreis fur Industriegiitermarketing e.V. danke ich fiir die finanzielle Unterstutzung im Rahmen des Dissertationsprojektes. Dariiber hinaus erlaubte mir die Technische Universitat Berlin den Riickgriff auf vorhandene Marktforschungssoftware, ohne die diese Dissertation nicht moglich gewesen ware. Zudem gilt mein Dank alien Kolleginnen und Kollegen in Berlin und Miinster. Gerade letztere haben mich wahrend der „hei6en" Phase immer wieder von den Lehrstuhlaufgaben entlastet. Besonders bedeutend war mir stets die auBerfachliche Unterstutzung einer Reihe lieber Freunde, die mir die Promotionszeit ganz entscheidend versiiBt haben und maBgeblich dazu beigetragen haben, dass dieser Lebensabschnitt nicht nur fachlich zu einer unvergleichlichen Zeit geworden ist, den ich nicht missen mochte. Da fiir mich das „Drumherum" wichtig ist, bin ich ausgesprochen froh uber die Gelegenheit, in einer so faszinierenden Stadt wie Berlin dissertiert haben zu diirfen. Zu guter letzt mochte ich meinen Eltem fur ihren uneingeschrankten Riickhalt und die unermiidlichen Aufmunterungen von ganzem Herzen danken. Dire Unterstutzung war und ist fur mich nicht nur in personlicher Hinsicht von groBer Bedeutung, sie stellte auch eine unabdingbare Voraussetzung fiir die Entstehung dieser Arbeit dar. Dinen ist daher diese Arbeit gewidmet.
Thomas Hillig
vm
Inhaltsverzeichnis Geleitwort
V
Vorwort
VII
Abbildungsverzeichnis
XV
Abkiirzungsverzeichnis
XIX
Symbolverzeichnis
XXI
1 Entwicklung, Bedeutung und Anwendungsfelder von Verfahrensvarianten der Conjoint-Analyse zur Prognose von Kaufentscheidungen
1
1.1 Entwicklung und Bedeutung von Verfahrensvarianten der Conjoint-Analyse
2
1.2 Anwendungsfelder von Verfahrensvarianten der Conjoint-Analyse im Marketing und Abgrenzung des Untersuchungsgegenstandes 1.3 Ziel der Arbeit und Untersuchungsaufbau 2 Praferenz als zentraler Erklarungsfaktor von Kaufentscheidungen 2.1 Bedeutung der Untersuchung von Kaufentscheidungen aus Sicht des Marketing
5 7 11 11
2.2 Stellenwert des Praferenzkonstruktes fiir das Zustandekommen der individuellen Kaufentscheidung
12
2.2.1 Uberblick liber verschiedene Modellierungsansatze zur Erklarung des Kauferverhaltens 2.2.2 Grundziige und Abgrenzung des hypothetischen Praferenzkonstruktes
12 14
2.2.3 Praferenz bei individuellen Kaufentscheidungen mit ausgepragter kognitiver Komponente
16
2.3 Klassifizierung moglicher intervenierender Variablen zur Analyse der Diskrepanz zwischen Praferenz und tatsachlicher Kaufentscheidung 2.4 Messung multiattributiver Konsumentenpraferenzen
21 28
2.4.1 Praferenzmodelle
28
2.4.2 Datengrundlage
32
2.4.3 Kompositionelle vs. dekompositionelle Verfahren zur Praferenzmessung
33
2.4.3.1
Kompositionelle Verfahren
34
2.4.3.2
Grundansatz dekompositioneller Verfahren
35
2.5 Schlussfolgerungen fiir die weitere Untersuchung
36
DC
3 Einsatz von Verfahrensvarianten der Conjoint-Analyse zur Prognose von Kaufentscheidungen 3.1 Traditionelle Conjoint-Analyse (TCA) als Ausgangspunkt von conjointanalytischen Verfahrensvariationen
37
37
3.1.1 Grundlagen der Traditionellen Conjoint-Analyse (TCA)
37
3.1.2 Gestaltungsfreiraume im Rahmen der Traditionellen Conjoint-Analyse
38
3.1.2.1 Gestaltungsfreiraume bei der Datenerhebung
41
3.1.2.1.1 Stichprobe
41
3.1.2.1.2 Definition der Eigenschaften und ihrer Auspragungen
42
3.1.2.1.3 Auswahl des Messmodells
44
3.1.2.1.4 Erhebungsdesign
45
3.1.2.1.5 Prasentationsform
46
3.1.2.1.6 Bewertungsskala
47
3.1.2.2 Datenanalyse
47
3.1.2.2.1 Schatzverfahren
47
3.1.2.2.2 Aggregation und Dateninterpretation
49
3.1.2.3 Marktsimulationen
51
3.1.2.3.1 Berechnung der individuellen Auswahlwahrscheinlichkeiten
52
3.1.2.3.2 Aggregation der individuellen Kaufwahrscheinlichkeiten zu Kauferanteilen
56
3.1.2.4 Beurteilung der Giite der Ergebnisse 3.1.3 Grenzen der Traditionellen Conjoint-Analyse als Ansatzpunkte fur Weiterentwicklungen
56 58
3.1.4 Systematisierung von Verfahrensvarianten der Conjoint-Analyse ausgehend von der Traditionellen Conjoint-Analyse 59 3.2 Limit-Conjoint-Analyse (LCA) als auswahlbezogene Weiterentwicklung des metrischen Traditionellen Conjoint-Analyse-Ansatzes
61
3.2.1 Grundlegende Charakterisierung der Limit-Conjoint-Analyse
61
3.2.2 Moglichkeiten der Simulation von Kaufentscheidungen
65
3.2.3 Beurteilung der Giite der Ergebnisse
68
3.3 Wahlbasierte Verfahrensvarianten
68
3.3.1 Choice-Based-Conjoint-Analyse(CBCA)
68
3.3.1.1 Grundziige der Discrete-Choice Analyse als Ausgangspunkt der ChoiceBased-Conjoint-Analyse 70 3.3.1.2 Ableitung von Auswahlwahrscheinlichkeiten im Zufallsnutzenmodell
71
3.3.1.3 Ubersicht iiber die Grundannahmen verschiedener Discrete-Choice-Modelle
73
3.3.1.4 Logit-Modell
74
3.3.1.5 Schatzung der Modellparameter
78
3.3.1.6 Beurteilung der Giite der Nutzenparameter
81
3.3.1.7 Problematik aggregierter Nutzenwerte
83
3.3.2 Abbildung von Praferenzheterogenitat durch die wahlbasierte Conjoint-Analyse 3.3.2.1 Latent-Class-Conjoint-Analyse(LCCA)
84 84
3.3.2.1.1 Grundlagen der Modellbildung
86
3.3.2.1.2 Schatzung der Nutzenwerte
88
3.3.2.1.3 Giite der ermittelten Nutzenfunktion
90
3.3.2.2 Hierarchical-Bayes-Conjoint-Analyse(HBCA)
92
3.3.2.2.1 Grundlagen der Bayes-Statistik
93
3.3.2.2.2 Hierarchische Modellierung verschiedener Modellebenen
96
3.3.2.2.3 Schatzung der Nutzenparameter
98
3.3.2.2.4 Giite der Ergebnisse der HBCA
105
3.4 tJbertragung der heterogenitatsberiicksichtigenden Weiterentwicklungen der CBCA auf den metrischen Limit-Conjoint-Ansatz 3.4.1 Limit-Finite-Mixture-Conjoint-Analyse (LFMCA) 3.4.1.1 Grundziige des metrischen Finite-Mixture-Regressionsansatzes
106 106 106
3.4.1.1.1 Modellierung von metrischen Finite-Mixture-Conjoint-Modellen
107
3.4.1.1.2 Schatzung der Nutzenparameter im Rahmen des Finite-MixtureRegressionsansatzes 3.4.1.2 Integration der Limit-Card in den metrischen Finite-Mixture-Ansatz
108 109
3.4.1.3 Giite der Ergebnisse der Limit-Finite-Mixture-Conjoint-Analyse
110
XI
3.4.2 Limit-Hierarchical-Bayes-Conjoint-Analyse (LHBCA)
Ill
3.4.2.1 Grundzuge des metrischen Hierarchical-Bayes-Ansatzes
111
3.4.2.1.1 Modellierung der unterschiedlichen Modellebenen
Ill
3.4.2.1.2 Schatzung der Nutzenparameter
112
3.4.2.2 Integration der Limit-Card in den metrischen HB-Ansatz
113
3.4.2.3 Giite der LHBCA-Ergebnisse
114
4 Gegeniiberstellung kaufentscheidungsbezogener Verfahrensvarianten der Conjoint-Analyse aufgrund qualitativer Uberlegungen und einer kritischen Wiirdigung bisheriger Forschungsstudien 117 4.1 Verschiedene Giitekriterien zum Vergleich von Verfahrensvarianten der ConjointAnalyse 117 4.1.1 Reliabilitat
117
4.1.2 Validitat
118
4.1.3 Kriterien zur vergleichenden Beurteilung von Conjoint-Ansatzen in Forschungsstudien
123
4.2 Empirische Validierung conjoint-analytischer Verfahrensvarianten 4.2.1 Anforderungen an die empirische Validierung
126
4.2.2 Kritische Wiirdigung der empirischen Vergleichsstudien
129
4.3 Einsatz von Monte-Carlo-Simulationen zum systematischen Vergleich von Conjoint-Verfahrensvarinaten
129
4.3.1 Uberblick iiber auf Monte-Carlo-Simulationen beruhende Conjoint-Studien
131
4.3.2 Kritische Wiirdigung von Simulationsstudien zum Vergleich von conjointanalytischen Verfahrensvarianten
133
4.4 Grundsatzliche Gegeniiberstellung der Hauptunterschiede von entscheidungsbezogenen Conjoint-Verfahrensvarianten
134
4.4.1 Unterschiede zwischen wahlbasierter und metrischer Conjoint-Analyse
136
4.4.1.1 Ratings versus Wahlentscheidungen als Datenerhebungsansatz
138
4.4.1.2 Bewertung der probabilistischen Komponente vor dem Hintergrund altemativer Kaufentscheidungstypen
139
4.4.2 Unterschiede hinsichtlich der Beriicksichtigung von Heterogenitat 4.5 Schlussfolgerungen fiir den weiteren Verlauf der Arbeit 5 Monte-Carlo-Studie zum systematischen Vergleich von conjoint-analytischen
XII
126
140 145
Verfahrensvarianten hinsichtlich ihrer Eignung zur Prognose von Kaufentscheidungen.. 147 5.1 Durchfiihrung der Monte-Carlo-Simulation
147
5.1.1 Generierung des synthetischen Datensatzes
147
5.1.2 Auswahl der zu beriicksichtigenden Einflussfaktoren
149
5.1.2.1 Konstante und nicht direkt abgebildete Faktoren
149
5.1.2.2 Variable Einflussfaktoren
153
5.1.3 Parametrisierung der ausgewahlten Conjoint-Analyse-Ansatze
157
5.1.3.1 Metrische Conjoint-Analyse-Ansatze
157
5.1.3.2 Wahlbasierte Conjoint-Analyse-Ansatze
159
5.1.4 Auswahl der zu beriicksichtigenden GiitemaBe
161
5.1.4.1 Anpassungsgiite der Modelle
161
5.1.4.2 Aufdeckung der Nutzenstruktur
162
5.1.4.3 Prognosevaliditat
162
5.1.4.4 Zusammenfassung der beriicksichtigten GiitemaBe
163
5.1.5 Ableitung von Hypothesen fiir die betrachteten Einflussfaktoren
164
5.2 Ergebnisse des Verfahrensvergleichs
167
5.2.1 Anpassungsgiite der Verfahren
168
5.2.1.1 Signifikanz der beriicksichtigten Einflussfaktoren
168
5.2.1.2 Interpretation der Mittelwerte
170
5.2.1.2.1 Metrische Ansatze
170
5.2.1.2.2 Wahlbasierte Ansatze
172
5.2.1.3 Vergleich der Verfahren und Zwischenfazit 5.2.2 Aufdeckung der Nutzenstruktur
174 175
5.2.2.1 Signifikanz der beriicksichtigten Einflussfaktoren
176
5.2.2.2 Interpretation der Mittelwerte
177
5.2.2.2.1 Metrische Ansatze
177
5.2.2.2.2 Wahlbasierte Ansatze
179
5.2.2.3 Vergleich der Verfahren und Zwischenfazit 5.2.3 Individuelle Prognosevaliditat 5.2.3.1 Signifikanz der beriicksichtigten Einflussfaktoren
181 182 183
XIII
5.2.3.2 Interpretation der Mittelwerte
186
5.2.3.2.1 Metrische Ansatze
186
5.2.3.2.2 Wahlbasierte Ansatze
188
5.2.3.3 Vergleich der Verfahren und Zwischenfazit 5.2.4 Aggregierte Prognosevaliditat
191 192
5.2.4.1 Signifikanz der beriicksichtigten Einflussfaktoren
193
5.2.4.2 Interpretation der Mittelwerte
194
5.2.4.2.1 Metrische Ansatze
195
5.2.4.2.2 Wahlbasierte Ansatze
197
5.2.4.3 Vergleich der Verfahren und Zwischenfazit
199
5.2.5 Zusammenfassende Beurteilung der Simulationsergebnisse und Implikationen fiir die praktische Anwendung
200
6 Zusammenfassung und Ausblick
207
Literaturverzeichnis
215
XIV
Abbildungsverzeichnis Abbildung 1: Entwicklung der wichtigsten Verfahrensvarianten der Conjoint-Analyse
4
Abbildung 2: Einsatzfelder der Conjoint-Analyse in Deutschland, Osterreich und der Schweiz
6
Abbildung 3: Hauptanwendungsgebiete kommerzieller Conjoint-Analysen in Europa und den USA Abbildung 4: Gang der Arbeit
6 9
Abbildung 5: Abgrenzung des Praferenzbegriffs
15
Abbildung 6: Modell der Informationsverarbeitung
17
Abbildung 7: Die Einordnung der Praferenz im erweiterten Linsenmodell von Brunswik... 20 Abbildung 8: Rahmenbedingungen von Kaufentscheidungen
22
Abbildung 9: Modelltheoretische Verlaufe verschiedener Beurteilungsmodelle
30
Abbildung 10: Teilnutzenwerte als Entscheidungsgrundlage
30
Abbildung 11: Einordnung von Verfahren der Nutzenmessung
33
Abbildung 12: Ablaufschritt-orientierte Darstellung einzelner Gestaltungsbereiche der TCA
39
Abbildung 13: Schatzverfahren und Losungsalgorithmen zum Einsatz bei der Conjoint-Analyse
48
Abbildung 14: Grenzen der TCA als Ansatzpunkt fur Verfahrensvarianten
61
Abbildung 15: Beispiel fiir die Skalentransformation bei der LCA
63
Abbildung 16: Uberblick iiber verschiedene Discrete-Choice-Modelle
74
Abbildung 17: Unterschied zwischen der Durchschnittswahrscheinlichkeit und der Wahrscheinlichkeit fiir den Mittelwert von zwei Nutzenwerten
84
Abbildung 18: Ablauf der LCCA
90
Abbildung 19: Die verschiedenen Ebenen der HBCA
97
Abbildung 20: Ablauf der HBCA
103
Abbildung 21: Parameterschatzung in der HB-Regressionsanalyse
113
Abbildung 22: Systematisierung von verschiedenen Validitatsarten
120
Abbildung 23: Ubersicht iiber GiitemaBe zur Beurteilung der Anpassungsgiite eines Modells fiir ausgewahlte empirische Studien
123
XV
Abbildung 24: Ubersicht iiber GiitemaBe zur Aufdeckung der Nutzenstruktur fiir ausgewahlte Studien
124
Abbildung 25: tJbersicht iiber GiitemaBe zur Beurteilung der pradiktiven Validitat fiir ausgewahlte Studien
125
Abbildung 26: Zuordnung von conjointbezogenen GiitemaBen und ValiditatsmaBen
126
Abbildung 27: Grundzuge der Monte-Carlo-Simulation
130
Abbildung 28: Ubersicht iiber die wichtigsten conjointbezogenen Monte-Carlo-Studien.... 132 Abbildung 29: Aggregationsniveau und Datenerhebungsansatze der verschiedenen entscheidungsbezogenenConjoint-Ansatze
135
Abbildung 30: Uberblick iiber emprirische Vergleichsstudien zwischen metrischer und wahlbasierter Datenerhebung
137
Abbildung 31: Empirische Vergleiche von Conjoint-Ansatzen mit unterschiedlichen Aggregationsniveaus
143
Abbildung 32: Uberblick tiber modemere Conjoint-Analyse-Ansatze berucksichtigende Monte-Carlo-Vergleichsstudien Abbildung 33: Ablaufschritte der Monte-Carlo-Simulation
144 149
Abbildung 34: Konstante bzw. nicht in der Monte-Carlo-Studie beriicksichtigte Faktoren.. 153 Abbildung 35: Variable Faktoren der Monte-Carlo-Simulation
157
Abbildung 36: tJberblick uber die verwendeten GiitemaBe
163
Abbildung 37: Hypothesen uber den Einfluss der variablen Faktoren auf die Giite der Ergebnisse der metrischen Ansatze der Conjoint-Analyse
165
Abbildung 38: Hypothesen uber den Einfluss der variablen Faktoren auf die Giite der Ergebnisse der wahlbasierten Ansatze der Conjoint-Analyse
166
Abbildung 39: Abhangige und unabhangige Variablen der verschiedenen Varianzanalysen
167
Abbildung 40: F-Werte der Haupteffekte und Nebeneffekte 1. Ordnung zur Prufung der Anpassungsgute
169
Abbildung 41: Mittelwerte der Varianzanalyse fur r^ als abhangige Variable bei metrischen Ansatzen
171
Abbildung 42: Mittelwerte der Varianzanalyse fur die Log-Likelihood als abhangige Variable bei wahlbasierten Ansatzen
173
Abbildung 43: Vergleich der metrischen Conjoint-Analyse-Ansatze hinsichtlich der Anpassungsgute
XVI
175
Abbildung 44: Vergleich der wahlbasierten Conjoint-Analyse-Ansatze hinsichtlich der Anpassungsgute
175
Abbildung 45: Signifikanz der Pearson-Korrelation fur Haupt- und Nebeneffekte l.Ordnung
176
Abbildung 46: Mittelwerte der Korrelation zwischen wahren und berechneten Nutzenparametem fiir die metrischen Conjoint-Ansatze
178
Abbildung 47: Mittelwerte der Korrelation zwischen wahren und berechneten Nutzenparametem fur die wahlbasierten Conjoint-Ansatze
179
Abbildung 48: Vergleich der Conjoint-Analyse-Verfahren hinsichtlich der Aufdeckung der Nutzenstruktur (N=64)
181
Abbildung 49: Signifikanz des emiittelten First-Choice-Anteils fiir alle Haupteffekte und Nebeneffekte 1. Ordnung
183
Abbildung 50: Signifikanz der erklarten Wahlwahrscheinlichkeit fiir alle Haupteffekte und Nebeneffekte 1. Ordnung bei wahlbasierten Conjoint-Ansatzen
184
Abbildung 51: Mittelwerte der prognostizierten First-Choice-Wahlanteile fiir die metrischen Conjoint-Ansatze
186
Abbildung 52: Mittelwerte der prognostizierten First-Choice-Wahlanteile fiir die wahlbasierten Conjoint-Ansatze
188
Abbildung 53: Mittelwerte der erklarten Auswahlwahrscheinlichkeit fiir die wahlbasierten Conjoint-Ansatze
189
Abbildung 54: Vergleich der Conjoint-Analyse-Verfahren hinsichtlich des Anteils der First-Choice-Hits (N=64)
190
Abbildung 55: Vergleich der Conjoint-Analyse-Verfahren hinsichtlich der durchschnittlichen Auswahlwahrscheinlichkeit (N=64)
191
Abbildung 56: Signifikanz der kumulierten Wahlanteile fur alle Haupteffekte und Nebeneffekte 1. Ordnung bei wahlbasierten Conjoint-Ansatzen
193
Abbildung 57: Mittelwerte der prognostizierten Wahlanteile fiir die metrischen Conjoint-Ansatze
195
Abbildung 58: Mittelwerte der prognostizierten Wahlanteile fiir die wahlbasierten Conjoint-Ansatze
197
Abbildung 59: Vergleich der Conjoint-Ansatze hinsichtlich der aggregierten Prognosevaliditat (N=64) Abbildung 60: Zusammenfassung der zentralen verfahrensspezifischen Ergebnisse
198 204
XVII
Abkiirzungsverzeichnis ACA AIC BIC BTL CAIC CBCA E-M emp. FC FM FMCA GCA GEV Gl. GNW HB HBCA HCA HiCa HILCA ICA IIA LC LCA LCCA LFMCA LHBCA LS MAIC MCMC MH ML MLA MLS MNL OLS PEV RMSE RUM
Adaptive Conjoint-Analyse Akaike's Information Criterion Baysian Information Criterion Bradley-Terry-Luce Consistent Akaike's Information Criterion Choice-Based-Conjoint-Analyse Expectation-Maximation empirische First-Choice Finite-Mixture Finite-Mixture-Conjoint-Analyse Gebriickte Conjoint-Analyse General Extreme Value Gleichung Gesamtnutzenwert Hierarchical-Bayes Hierarchical-Bayes-Conjoint-Analyse Hierarchische Conjoint-Analyse Hierarchische Conjoint-Analyse Hierarchischlndividualisierte-Limit-Conjoint-Analyse Individualisierte Conjoint-Analyse Independence of Irrelevant Alternative Latent-Class Limit-Conjoint-Analyse Latent-Class-Conjoint-Analyse Limit-Finite-Mixture-Conjoint-Analyse Limit-Hierarchical-Bayes-Conjoint-Analyse Latent Segmentation Modified Akaike's Information Criterion Markov Chain Monte-Carlo Metropolis-Hastings Maximum-Likelihood Maximum-Likelihood-Ansatz Maximum Likelihood Schatzung Multinominal Logit Ordinary-Least-Square Percentage of Error Root-Mean-Standard-Error Random Utility Model XIX
S-O-R S-R TCA TNW U u.U.
XX
Stimulus-Organism-Response Stimulus-Response Traditionelle Conjoint-Analyse Teilnutzenwert Utility unter Umstanden
Symbolverzeichnis a
Altemativen-Sets/Choice-Set
A
Anzahl an Altemativensets/Choice-Sets
AIC(S)
Akaike's Information Criterion fur S Segmente
tts
relative GroBe des Segments s
b
Vektor der Mittelwerte der individuellen Teilnutzenwerte
BIC(S)
Bayesian Information Criterion fiir S Segmente
p
Vektor der Nutzenparameter
P .^
Teilnutzenwert fiir Auspragung m von Eigenschaft j
P*^
Teilnutzenwert fiir Auspragung m von Eigenschaft j nach erstem Normierungsschritt
P .^
normierter Teilnutzenwert fur Auspragung m von Eigenschaft j
p^'"
minimaler Teilnutzenwert bei Eigenschaft j
psjm
Nutzenparameter fiir Auspragung m der Eigenschaft j in Segment s
c
Skalierungsfaktor
CAIC
Consistent Akaike's Information Criterion fiir S Segmente
d
Differenzvektor
D
Varianz-Kovarianz-Matrix
Ds
Varianz-Kovarianz-Matrix der FehlergroBen fiir Segment s
8nk
Messfehler bei der Bewertung der Produktaltemative k durch Proband n
5nk
probabilistische Funktion der Vektoren der nicht-beobachteten Eigenschaften und des Messfehlers fiir Proband n und Alternative k
5*y
Differenz der probabilistischen Funktionen 6nk und 5ni
9
Modellparameter bei der HBCA
f (5^^)
Dichtefunktion der probabilistischen Nutzenkomponente
F(5n,^)
Verteilung der probabihstischen Nutzenkomponente
G
Goodness-of-Fit-Statistik
H
Matrix, die die Priori-Informationen mit den gerade aktuellen Schatzwerten fiir b u n d PnVn kombiniert
In
Einheitsmatrix der Dimension n
j
Index fiir Merkmal/Eigenschaft einer Alternative
J
Anzahl der Merkmale/Eigenschaften einer Alternative
k
Index fiir Altemative/Stimulus/Produkt
K
Anzahl der Altemativen/Stimuli/Produkte/Simulationsprodukte
ka^
Kaufanteil fur Alternative k
Kp
Anzahl konkordanter Paare
1
Likelihood
XXI
L(-)
Likelihood-Funktion
L
Choleski-Faktor fur Varianz-Kovarianz-Matrix D
LPn
Punktzahl, die der Proband n der Limit-Card zugewiesen hat
LR
Likelihood-Ratio
LR-Index
Likelihood-Ratio-Index
LRn
Rangplatz, hinter den Proband n die Limit-Card platziert hat
m
Index fur Auspragung eines Merkmals/einer Eigenschaft
Mj
Anzahl der Auspragungen von Eigenschaft j
MAIC(S)
Modified Akaike*s Information Criterion fiir S Segmente Mittelwert der Bewertungen fiir Alternative k im Segment s
n
Index fiir Auskunftsperson, Proband
N
Anzahl der Probanden/Auskunftspersonen
Nonnal
Normalverteilung
Pnjm
Standardabweichung der Nutzenparameter
_2
Varianz der Fehlerterme fur Auskunftsperson n
r
Kovarianz-Matrix
P
Anzahl der zu schatzenden Parameter
Pn(-) P^(k)
Dichtefunktion fiir Auskunftsperson n Wahrscheinlichkeit, dass Auskunftsperson n auf Grundlage der LimitNutzenparameter die Alternative k wahlt
P(k)
Wahrscheinlichkeit, dass Alternative k gewahlt wird
Pn(k|s)
Wahrscheinlichkeit, dass Individuum n die Alternative k wahlt, falls n zur Klasse s gehort
Ps(k)
Wahrscheinlichkeit, dass im homogenen Segment s die Alternative k gewahlt wird
POIY)
Posteriori-Verteilung
P(e)
Priori-Verteilung
P(Y)
marginale Wahrscheinlichkeit (fiir die moglichen Auspragungen von 0)
p(e,Y)
gemeinsame Dichtefunktion von 0 und Y
P(Y|0)
Wahrscheinlichkeit, die Wahlentscheidungen aller Auskunftspersonen der Stichprobe bei gegebenen Modellannahmen 0 zu realisieren (Likelihood-Funktion)
Pns(-)
konditionale Dichtefunktion fur Auskunftsperson n unter der Bedingung, dass er Segment s angehort
Qn(s)
Wahrscheinlichkeit fiir die Klassenzugehorigkeit von Person n zur latenten Klasse s BestinmitheitsmaB korrigiertes BestimmtheitsmaB
XXII
R-n (s)
Wahrscheinlichkeit fiir die Zugehorigkeit von Proband n zu Segment s
s S
Index fur Segmente Anzahl der Segmente
Sn
Eigenschaften v o n Auskunftsperson n
Sn*
nicht-beobachteten Personlichkeitsmerkmale
SQE SQT temp T
erklarte Varianz Gesamtvarianz empirischer t-Wert quadratische untere Dreiecksmatrix
Uj^
geschatzter Gesamtnutzenwert fiir Stimulus k
u
Vektor mit normalverteilten Elementen
U„j^
berechneter Gesamtnutzenwert der Alternative k fur Auskunftsperson n
nk
Gesamtnutzenwert der Alternative k fur Proband n
U^
Gesamtnutzenwert der Alternative 1 fiir Proband n
U]^^
Limit-Gesamtnutzenwert des Produktes k fiir Auskunftsperson n
Uj;;,
Gesamtnutzenwert des Stimulus k bei Proband n fiir die LCA
Ukn V(-) V^
Gesamtnutzenwert des Stimulus k bei Proband n fiir die TCA deterministische Komponente der Nutzenfunktion U deterministische Komponente der Gesamtnutzenfiinktion der Alternative 1 fiir Proband n
wJ
relative Wichtigkeit von Merkmal j
Xj^
Dummy-Variable: Jl falls bei Stimulus k die Eigenschaft j in Auspragung m vorliegt, lO sonst
Xnk
nicht-beobachtete Eigenschaften der Alternative k
X
(J X M)-Matrix mit den D u m m y - V a r i a b l e n der K Altemativen
Xj,
beobachteter (erhobener) Messwert
X^
wahrer (tatsachlicher) Messwert
Xj
systematischer Fehler
X^
unsystematischer Fehler (Zufallsfehler)
¥„
arithmetisches Mittel der beobachteten Gesamtnutzenwerte fiir Auskunftsperson n
Y^
beobachteter Gesamtnutzenwert der Altemative k fiir Auskunftsperson n
Ynka
beobachtete Wahlentscheidung von Auskunftsperson fur Stimulus k aus Choice Set Ca (1 falls Stimulus k gewahlt wird, 0 falls nicht)
Y„^^
transformierte Limit-Gesamtnutzenwerte fiir Auskunftsperson n und Altemative k XXIII
Y^^.
beobachtete Gesamtnutzenwerte fur Auskunftsperson n und Alternative j
Y„^
Position der/ Bewertung fiir die Limit-Card durch Auskunftsperson n
Zy.
Dummy-Variable,
die
den
Wert
1 annimmt,
falls
der
Limit-
Gesamtnutzenwert groBer/gleich 0, und den Wert 0 anninmit, falls der Limit-Gesamtnutzenwert kleiner 0 ist
XXIV
1 Entwicklung, Bedeutung und Anwendungsfelder von Verfahrensvarianten der Conjoint-Analyse zur Prognose von Kaufentscheidungen Die Conjoint-Analyse ist ein in verschiedenen Forschungsdisziplinen weit verbreitetes Verfahren zur Messung und Analyse von Praferenzen' von Auskunftspersonen und hat insbesondere dort an Bedeutung gewonnen, wo Entscheidungen zwar ganzheitlich getroffen, jedoch einzelne objektbezogene Faktoren differenziert werden konnen."^ Dies ist insbesondere im Marketing und seiner Teildisziplin der Kaufverhaltensforschung der Fall, da hier einerseits produktbezogene Gestaltungsparameter fur Untemehmen existieren, es sich andererseits aber bei der Kaufentscheidung um globale Entscheidungen fiir oder gegen ein Produkt handelt.^ Die Conjoint-Analyse leitet im Rahmen von Befragungen aus ganzheitlichen Produktbeurteilungen Informationen iiber einzelne, zuvor definierte Produkteigenschaften ab, die anschlieBend zur Prognose von Kaufentscheidungen verwendet werden konnen. Die besondere Verbreitung der Conjoint-Analyse im Marketing hangt nicht zuletzt damit zusammen, dass diese Informationen in verschiedenen Bereichen wie (Neu-)Produktgestaltung, Preispolitik, Marktsimulation, Konkurrenzanalyse, Kommunikationspolitik, Markenwertbestimmung oder Marktsegmentierung Verwendung fmden konnen."^ Zahlreiche empirische Studien belegen die hohe und noch inmier steigende Bedeutung der Conjoint-Analyse in kommerziellen Anwendungen und wissenschaftlicher Forschung sowohl in Deutschland als auch weltweit^ und dokumentieren ihren Einsatz sowohl fiir physische Giiter als auch fur Dienstleistungen.^ Im Rahmen des Marketings werden mit der Conjoint-Analyse zumeist Produktpraferenzen untersucht, in anderen Disziplinen existiert aber eine Reihe vergleichbarer Fragestellungen. So sei an dieser Stelle nur exemplarisch die Wichtigkeit von Wahlerpraferenzen in der Politologie genannt^
Praferenzen erklaren die Vorziehenswurdigkeit einer Alternative i.d.R. fiir einzelne Individuen. Vgl. ausfuhrlich Abschnitt 2.2. Vgl. zur Verbreitung der Conjoint-Analyse in unterschiedlichen Forschungsdisziplinen Teichert, T. (200la), S. 2f. und lOff. Vgl. zur Dominanz von marketingnahen Zeitschriften als Medium fiir Publikationen iiber die ConjointAnalyse Teichert, T. (2001a), S. 2. Vgl. Wittink, DJVriem, MJBurheme. W. (1994), S. 44; Hartmann, A./Sattler, H. (2002a), S. 3f. Vgl. fiir konunerzielle Studien in Deutschland, Osterreich und der Schweiz Hartmann, A./Sattler, H. (2002a), S. Iff.; fur wissenschaftliche Veroffentlichungen in Deutschland Voeth, M. (1999), S. 153ff.; fur kommerzielle Studien in Europa Wittink, D./Vriens, M./Burhenne, W. (1994), S. 41ff. und fiir kommerzielle Studien in den USA Wittink, D.R./Cattin, P. (1989), S. 91ff.; Cattin, P./Wittink, D.R. (1982), S. 42ff. Sattler/Hensel-Borner schatzen fur die 1990er Jahre die jahrliche Anzahl von Conjoint-Anwendungen auf l.CXX), ohne diese Zahlen jedoch weiter zu belegen, vgl. Sattler, H./Hensel-Borner, S. (2001), S. 121. Conrad auBert zwar, dass die Conjoint-Analyse weniger fiir Dienstleistungen eingesetzt wird (vgl. Conrad, T. (1997), S. 38). Schubert beobachtete aber bereits einige Jahre zuvor, dass sich Conjoint-Analysen haufig auf Dienstleistungen beziehen, vgl. Schubert, B. (1991), S. 258; vgl. zur Anwendung von Conjoint-Analysen auf Dienstleistungen auch Meffert, C. (2002). Vgl. Klein, M. (2002b), S. 52ff.; Klein, M. (2002c).
1
Im Rahmen dieser Arbeit sollen die am weitesten verbreiteten Verfahrensvarianten der Conjoint-Analyse vorgestellt, vor dem Hintergrund der Prognose von Kaufentscheidungen weiterentwickelt und schlieBlich auf Grundlage von synthetischen Daten verglichen werden, die durch eine Monte-Carlo-Simulation generiert werden. Prinzipiell ware es zwar moglich, gerade da der Vergleich der verschiedenen Verfahrensvarianten der Conjoint-Analyse im praktischen Teil der Arbeit auf Grundlage von simulierten Daten durchgefiihrt wird, eine allgemein entscheidungsbezogene Perspektive einzunehmen und auf eine Fokussierung auf Kaufentscheidungen zu verzichten. Da allerdings die Untersuchung der Erklarungskraft von simulierten Daten als Grundlage eines Vergleiches conjoint-analytischer Verfahrensvarianten expliziter Bestandteil der Arbeit sein soil, erscheint es trotz des hypothetischen Charakters der Daten im praktischen Teil der Arbeit sinnvoll, mit dem Einsatz in der Marktforschung, dem primaren Einsatzgebiet der Conjoint-Analyse,^ einen Bezugspunkt festzulegen und auf diese Art und Weise die theoretische Diskussion mit Inhalten zu fiillen. Die Conjoint-Analyse betrachtet ein Produkt als Biindel von verschiedenen Eigenschaften^, deren Auspragungen^^ vom Anbieter festgelegt werden.'^ Es werden Urteile in der Regel fiir ganze Produkte bzw. zumindest fiir mehrere Eigenschaftsauspragungen im Verbund erhoben und anschliefiend durch Dekomposition Aussagen tiber die Nutzen- bzw. Praferenzbeitrage einzelner Eigenschaftsauspragungen abgeleitet.^^ Die Conjoint-Analyse ist ein experimentelles Verfahren, bei dem die Auskunftspersonen im Rahmen der Produktbewertung implizit vor Abwagungsprozesse bzgl. verschiedener Eigenschaftsauspragungen gestellt werden, zwischen denen ein kompensatorisches Verhaltnis besteht, d.h. negative Auspragungen bei einem Merkmal konnen durch positive Auspragungen bei einem anderen Merkmal ausgeglichen werden. ^^ Bei der Conjoint-Analyse handelt es sich nicht um ein einziges, geschlossenes Verfahren, sondem um eine Ansammlung ahnlich gerichteter Methoden, die verschiedene Entwicklungspfade aufweisen und fur unterschiedliche Einsatzgebiete besonders geeignet sind.^"^ 1.1
Entwicklung und Bedeutung von Verfahrensvarianten der Conjoint-Analyse
Der bereits in den 1960er Jahren in der Psychologie entwickelte'^ und in den 1970er Jahren vom Marketing aufgegriffene^^ Grundansatz der Conjoint-Analyse, bei dem nach statistischen Vgl. Teichert, T. (2001a), S. 12. Bei einer Eigenschaft der Conjoint-Analyse handelt es sich zum Beispiel um den Preis, die Marke, etc. Synonym zum Begriff Eigenschaft wird in dieser Arbeit der Ausdruck Merkmal verwendet. Bei Auspragungen handelt es sich um konkrete diskrete Ausgestaltungen einer Eigenschaft. Beispielsweise kann der Preis Auspragungen in Hohe von 100 € oder 200 € annehmen. Vgl. Brockhoff, K. (1999), S. 13. Vgl. Pullman, M.E./Moore, W.L/Wardell, D.G. (2002), S. 354. Vgl. bspw. Simon, H./Kucher, E. (1988), S. 178; Herrmann, A./Bauer, H.H. (1996), S. 329; Bauer, H.H./Herrmann, A./Mengen, A. (1995), S. 340. Vgl. Green, P.K/Srinivasan, V. (1978), S. 90; Green, P.E./Srinivasan, V. (1990), S.103ff. Die Conjoint-Analyse datiert auf das Jahr 1964 zuriick, als Luke/Tukey den ersten Artikel zur ConjointAnalyse veroffentlichten, vgl. Luce, R.D./Tukey, J.W. (1964), S. Iff.
Kriterien bestimmte Kombinationen der betrachteten Merkmalsauspragungen i.d.R. durch Rangreihung oder Rating^^ bewertet werden und der im Folgenden als Traditionelle ConjointAnalyse (TCA) bezeichnet wird, verliert in den letzten Jahren zunehmend an Bedeutung.^^ Dies verwundert nicht, da Mitte der 1980er Jahre mit der Einfiihrung der Adaptiven-ConjointAnalyse (ACA)^^ eine Phase einsetzte, in der zahlreiche Verfahrensvarianten zur TCA entwickelt wurden.^^ Ansatzpunkte fur die Entwicklung dieser Verfahrensvarianten sind Mangel der TCA hinsichtlich der Anzahl der beriicksichtigten Merkmale und Merkmalsauspragungen, die auf eine hohe Belastung durch die simultane Bewertung einer Vielzahl an Altemativen und auf statistische Probleme aufgrund einer zu geringen Anzahl an Freiheitsgraden zuriickzufiihren sind.^^ Angesichts der Begrenzung der entscheidungsrelevanten Objekteigenschaften ist die TCA in komplexen Kaufentscheidungssituationen nicht immer anwendbar.^^ Seit Beginn der 1980er Jahre wurden aus diesem Grunde neben den hybriden Modellen der ConjointAnalyse, die eine direkte Befragung der Auskunftspersonen sowie den dekompositionellen Conjoint-Ansatz kombinieren und zu denen auch die Adaptive Conjoint-Analyse zahlt, ebenfalls die Individualisierte Conjoint-Analyse (ICA)^^, die Gebruckte Conjoint-Analyse (GCA)^"^ und die Hierarchische Conjoint-Analyse (HiCA)^^ entwickelt. In einem parallelen Entwicklungsstrang wurde im Rahmen der Choice-Based-Conjoint-Analyse (CBCA) der Discrete-Choice-Ansatz aus der volkswirtschaftlichen Forschung auf experimentelle Marketingfragestellungen iibertragen.^^ Hier wird der Fokus verstarkt auf eine realistischere Abbildung der Wettbewerbsverhaltnisse gelegt.^^
Green/Rao veroffentlichten den ersten Beitrag zur Conjoint-Analyse in einer Marketing-Zeitschrift, vgl. Green, P.E./Rao, V.K (1971), S. 355ff. Beim Rating-Verfahren ordnen die Auskunftspersonen den bereits in eine Rangreihenfolge gebrachten Produktalternativen zusatzlich Punktwerte zu und konnen so unterschiedliche Abstande zwischen verschiedenen Alternativen zum Ausdnick bringen, vgl. Abschnitt 3.1.2.1.6. Vgl. exemplarisch fur Deutschland, Osterreich und die Schweiz Hartmann, A./Sattler, H. (2002a), S. 4. Vgl. Johnson, RM (1987b); Johnson, RM (1987a); Agarwal, M.K./Green, P.E. (1991), S. 141ff. Die Adaptive Conjoint-Analyse ermittelt computergestiitzt probandenspezifische Conjoint-Designs, die es erlauben, eine groBere Anzahl von Merkmalen und Merkmalsauspragungen zu beriicksichtigen. Damit wird dem Wunsch entsprochen, die Conjoint-Analyse auch in komplexeren Kaufentscheidungssituationen einzusetzen, die sich durch eine Vielzahl an Kaufentscheidungskriterien auszeichnen. Parallel dazu kam ein ebenfalls PCgestiitztes Software-Paket von Herman auf den Markt, das Vollprofile in Kombination mit orthogonalen Designs verwendet. Beide Software-Pakete beinhalten Conjoint-Simulatoren und sorgten nicht zuletzt aufgrund ihrer Benutzerfireundlichkeit fiir den kommerziellen Durchbruch der Conjoint-Analyse. Vgl. Green, P.E./Srinivasan, V. (1990), S. 3ff. Vgl. Wittink, DJVriens, M./Burhenne, P.K/Srinivasan, V. (1990), S. 3ff. Vgl. Klein, M. (2002a), S. 33.
W. (1994), S. 41ff.; Teichert, T. (2001a), S. 16f.; Green,
Vgl. Schweikl, H. (1985), insb. S. 15ff.; Bocker, F./Schweikl, H. (1988), S. 15ff. Entwickelt wurde die Gebruckte Conjoint-Analyse in den 1980er Jahren vom amerikanischen SoftwareHersteller Bretton-Clark, ihre Urspriinge hat sie aber bereits in der Arbeit von Green aus dem Jahre 1974, vgl. Green, P.E. (1974), S. 61ff. Vgl. Louviere, J.J (1984), S. 148ff.; Louviere, JJ/Gaeth,
G.J (1987), S. 25ff.
Vgl. Louviere, J.J./Woodworth, G.G. (1983). Damit werden allerdings noch keine Konkurrenzreaktionen beriicksichtigt, vgl. Steiner, W.J./Hruschka, H. (2000),S.71ff.
Verfahrensvarianten
POA)
KCBCA)
BI^^Bayes-CA ss-CA
1965
1970
1975
1980
1985
1990
1995
2000
Abbildung 1: Entwicklung der wichtigsten Verfahrensvarianten der Conjoint-Analyse Wahrend traditionelle und hybride Modelle tendenziell - vor allem bei der Datenerhebung eine Situation beschreiben, in der Neuprodukte in den Markt eingefuhit werden und Wettbewerber entweder nicht existieren oder aber als passiv bzgl. der Fahigkeit angesehen werden, auf Aktionen eines neu eintretenden Wettbewerbers zu reagieren^^, bildet die Choice-BasedConjoint-Analyse explizit Auswahlentscheidungen ab, die im Vergleich zum Ranking- oder Rating-Ansatz der TCA haufig als realistischer bewertet werden.^^
Vgl. Choi, S.C./DeSarbo, W.S. (1994), S. 451. Green/Krieger/Wind siQ\\&n die explizite Benicksichtigung des Wettbewerbs in den Vordergrund, indem sie den Begriff der TCA weiter als in dieser Arbeit fassen und hierunter all die Verfahrensvarianten subsumieren, die bei der Datenerhebung nicht gemaB der realen Kaufentscheidung eine Auswahlentscheidung zwischen verschiedenen Marken oder Anbietern verwenden, sondern auf Rangreihung oder Rating zur Bewertung der Stimuli zuriickgreifen, vgl. Green, P.E./Krieger, A.M./Wind, Y.J. (2001), S. S56ff. Dieser Kategorisierung soil an dieser Stelle nicht gefolgt werden, da in der anschlieBenden Simulation ebenfalls Wettbewerbsverhaltnisse abgebildet werden konnen und auch die CBCA, falls nur Teilprofile gegeniiber gestellt werden, keine in dieser Form am Markt angebotenen Produkte abbildet. AuBerdem beriicksichtigt die Choice-Based-Conjoint-Analyse keinesfalls die in der Einkaufsstatte vorherrschenden Alternativen. Die Auswahl der Choice-Sets folgt nicht wettbewerbsbezogenen Gesichtspunkten, sondern statistischen. Somit wird selbst bei der Datenerhebung der Aspekt der Berucksichtigung der Wettbewerbssituation beim Vergleich der beiden Verfahren zumindest ansatzweise nivelliert. Vgl. bspw. Perrey, J. (1998), S. 91; Weiber, R./Rosendahl, T. (1997), S. 114; Louviere. J.J./Gaeth, G.J. (1988), S. 62; Klein, M. (2002a), S. 37; Ebel, B./Lauszus, D. (2000), S. 850; Stadie, E. (1998), S. 60; Perkins, W.S./Roundy, J (1993), S. 34; Cohen, S.H. (1997), S. 15f.; Backhaus, K./Voeth, M./Hahn, C. (1998), S. 11; Hahn, C./Voeth, M. (1997), S. 140; Elrod, T./Louviere, JJ/Davey, K.S. (1992), S. 1992; McCullough, D. (2002), S. 22.
Allerdings konnen bei der CBCA die Nutzenparameter nicht auf Individualebene, d.h. fiir einzelne Probanden, ermittelt werden, sondem lediglich fiir die Gesamtheit aller Befragten bzw. fur einzelne zuvor definierte Gruppen, die bestimmten GroBekriterien geniigen. Einige Weiterentwicklungen der CBCA wie die Hierarchical-Bayes-(HBCA) oder Latent ClassConjoint-Analyse^^ (LCCA) erlauben allerdings, mittels eines effizienteren Losungsalgorithmus Schatzwerte fur einzelne Individuen bzw. fiir Gruppen von Individuen zu ermitteln.^^ Die Entwicklung der Limit-Conjoint-Analyse (LCA) geht auf Backhaus, Hahn und Voeth zuriick.^^ Die Grundidee des Verfahrens besteht in der Einfiihrung einer so genannten LimitCard, mit der eine prinzipielle Kaufbereitschaft fiir eine Teilmenge der Altemativen ausgedriickt wird, so dass zwischen Kaufen und Nicht-Kaufen unterschieden werden kann. Zu den jiingsten Verfahrensvarianten der Conjoint-Analyse zahlt schlieBlich die Hierarchisch Individualisierte-Limit-Conjoint-Analyse (HILCA), die die Grundgedanken der HiCA, LCA und ICA miteinander kombiniert.^^ Obwohl Abbildung 1 nur die wichtigsten Ansatze beriicksichtigt, wird deutlich, dass eine Vielzahl von Verfahrensvarianten existiert und der Anwender nicht selten nach Orientierungspunkten sucht, um in Abhangigkeit von verschiedenen Umweltfaktoren die am besten geeignete Verfahrensvariante zu wahlen.^"^ Diese Arbeit soil dem Anwender einen komparativen tJberblick iiber diejenigen Verfahrensvarianten geben, die explizit Kaufentscheidungen modellieren, sowie darstellen, aus welchen Griinden die nicht-beriicksichtigten Verfahrensvarianten problematisch hinsichtlich der Prognose von Kaufentscheidungen sind. 1.2
Anwendungsfelder von Verfahrensvarianten der Conjoint-Analyse im Marketing und Abgrenzung des Untersuchungsgegenstandes
Die (Neu-)Produktgestaltung ist das urspriingliche Anwendungsfeld der Conjoint-Analyse im Marketing und stellt noch immer einen Schwerpunkt der praktischen Studien dar.^^ Allerdings wird die Conjoint-Analyse ebenso fur andere, den Marketing-Mix betreffende Fragestellungen eingesetzt. So hat die jiingste Untersuchung von Hartmann/Sattler mit der Preispolitik ein weiteres Haupteinsatzgebiet conjoint-analytischer Untersuchungen identifiziert. Abbildung 2 gibt einen Uberblick iiber die Ergebnisse der Studie und unterscheidet dabei neben den Einsatzgebieten zwischen drei Hauptverfahrensvarianten.
Vgl. Abschnitt 3.3.2, Im Folgenden wird Hierarchical Bayes als HB und Latent Class als LC abgekiirzt. Vgl. zum Latent-Class-Conjoint-Ansatz Abschnitt 3.3.2.1. Vgl. zur LCA Hahn, C. (1997); Hahn, C./Voeth, M. (1997), Backhaus, K./Voeth, M./Hahn, C. (1998); Voeth, MJHahn, C. (1998) und Abschnitt 3.2. Vgl. Voeth, M. (2000), S. 163. „New developments in conjoint analysis are arriving so fast that even specialists find it difficult to keep up. Hierarchical Bayes models, latent class choice modelling, and individualized hybrid models are only a few of the new approaches and techniques that are arriving at the research scene", Carroll, J.D./Green, P.E. (1995), S. 389. Dariiber hinaus weisen Carroll/Green auf einen groBen Know-how Unterschied zwischen Forschern und Anwendern hin. Vgl. Hartmann, AJSattler, H (2002a), S. 4; Wittink, D./Vriens, M./Burhenne, W. (1994), S. 4Iff.
TCA (n=24)
CBCA (n=56)
ACA(n=41)
Gesamt(n=121)
(Neu-)Produktgestaltung
61%
26%
61%
46%
Preispolitik
36%
75%
28%
48%
Marktsegmentierung
41%
11%
22%
21%
Markenwertbestimmung
17%
10%
20%
16%
Abbildung 2: Einsatzfelder der Conjoint-Analyse in Deutschland, Osterreich und der Schweiz Die Studie verdeutlicht, dass die Wahl des Verfahrens nicht unabhangig vom Einsatzgebiet erfolgt. So ist eine starke Dominanz der CBCA bei Fragestellungen der Preispolitik und bei der TCA und ACA ein tendenzieller Schwerpunkt auf die (Neu-)Produktgestaltung auszumachen. Ahnliche Ergebnisse liefert die Studie von Wittink/Vriens/Burhenne zum kommerziellen Einsatz der Conjoint-Analyse in Europa und den USA (vgl. Abbildung 3).
Abbildung 3: Hauptanwendungsgebiete kommerzieller Conjoint-Analysen in Europa und den USA^^ Trotz einer leicht abweichenden Definition der Einsatzfelder wird deutlich, dass der Schwerpunkt auf der Preispolitik und der (Neu-)Produktgestaltung liegt. Der Marktsegmentierung kommt hier eine leicht hohere Bedeutung zu als bei der nur auf Deutschland, Osterreich und die Schweiz bezogenen Studie von Hartmann/Sattler. Preispolitik und (Neu-)Produktgestaltung werden hier als Einsatzgebiete separat aufgefiihrt, methodisch und inhaltlich sind sie jedoch eng miteinander verwandt.^^ Die Konstrukte ProQuelle: Eigene Darstellung auf Basis der Erhebung von Wittink/Vriens/Burhenne, vgl. Wittink, D./Vriens, M./Burhenne, W. (1994), S. 44.
dukt und Preis konnen im Rahmen einer Nutzenbetrachtung in vergleichbare Dimensionen uberfiihrt werden. Die Neuproduktgestaltung kann auf reinen Praferenzwerten basieren, aussagekraftiger sind jedoch Marktsimulationen, die es erlauben, die Veranderung des Marktanteils oder Marktvolumens bei verschiedenen Ausgestaltungsoptionen des Produktes abzubilden. Grundlage der Preispolitik sind Preis-/Absatzfiinktionen, die den funktionalen Zusammenhang zwischen Absatzvolumen und Preis darstellen und nur im Rahmen einer Simulation des relevanten Marktes Aussagekraft besitzen. Es wird deutlich, dass aus methodischer Sicht die Anwendungen der Conjoint-Analyse in den Bereichen Preispolitik und (Neu-)Produktgestaltung sehr eng miteinander verkniipft sind. Auch die Bestimmung des Markenwertes geht in eine ahnliche Richtung, hier findet lediglich eine Fokussierung auf das Produktmerkmal Marke statt. Eine ganzlich andere Zielsetzung verfolgt die Marktsegmentierung, bei der Gruppen von Kaufem mit ahnlichem Kauferverhalten, abgebildet iiber die Praferenzstruktur, identifiziert werden soUen.^^ Es konnen also mit der Marktsegmentierung einerseits und der Gruppe der kaufentscheidungsbezogenen Conjoint-Analysen anderseits zwei grundlegende Einsatzfelder der Conjoint-Analyse unterschieden werden. Die vorgestellten empirischen Studien belegen, dass der Marktsegmentierung als Einsatzgebiet der Conjoint-Analyse im Vergleich zur groBen Gruppe der Felder, fur die eine Beriicksichtigung von Kaufentscheidungen als unmittelbar sinnvoll erscheint, eine eher untergeordnete Rolle zukommt. Es wird deutlich, dass trotz der in dieser Arbeit vorgenonmienen Fokussierung auf kaufverhaltensbezogene Einsatzgebiete der groBte Teil der Anwendungsfelder erfasst wird.^^ 1.3
Ziel der Arbeit und Untersuchungsaufbau
Ziel dieser Arbeit ist es, einen Uberblick iiber die verschiedenen Verfahrensvarianten der Conjoint-Analyse und ihre grundsatzliche Eignung zur Prognose von Kaufentscheidungen zu geben. Dariiber hinaus sollen ausgewahlte Conjoint-Analyse-Varianten, die in ihrer aktuellen Form den Schwerpunkt auf die reine Praferenzanalyse legen, durch Verfahrenserweiterungen so modifiziert werden, dass sie zur Prognose von Kaufentscheidungen eingesetzt werden konnen. SchlieBlich sollen Anwendungsempfehlungen fur den Einsatz verschiedener auswahlbasierter Verfahrensvarianten der Conjoint-Analyse in unterschiedlichen Umweltsituationen geben werden. Dazu wird in Kapitel 2 das der Conjoint-Analyse zugrunde liegende Praferenzkonstrukt erlautert und vor dem Hintergrund verschiedener Kaufentscheidungssituationen beleuchtet. Es wird dabei diskutiert, weshalb ein Produkt, fiir das die hochste Praferenz gemessen wird, nicht
Vgl. Teichert, T. (2001a), S. 13f. Vgl. zur Segmentierung von Markten mittels der Conjoint-Analyse Vriens, M./Wedel, M./Wilms, T. (1996), S. 73ff; Vriens, M. (2001). Daneben existieren noch Bereich wie die Positionierung von Unternehmen am Markt, fiir die der Einsatz der Conjoint-Analyse ebenfalls geeignet ist. Vgl. exemplarisch zur Problemstellung der Marktpositionierung im Logistikmaikt Baumgarten, H./Zadek, H./Kieffer, D. (2004), S. 58f.
unbedingt gekauft wird und so eine Divergenz zwischen Praferenz und Kaufentscheidung auftreten kann. Vor diesem Hintergrund werden verschiedene Aspekte der Praferenzmessung thematisiert. Nach der Begriindung der besonderen Eignung von dekompositionellen Verfahren zur Messung von Praferenzen, zu denen die Conjoint-Analyse zahlt, werden in Kapitel 3 verschiedene Ansatze der Conjoint-Analyse vorgestellt. Ausgangspunkt ist dabei die TCA, die ausfuhrlich unter besonderer Berucksichtigung der Gestaltungsmoglichkeiten fiir den Anwender beschrieben wird. Es werden zwei Hauptmangel des Verfahrens identifiziert, wobei die fehlende Berucksichtigung von Nicht-Kaufen fur die Themenstellung dieser Arbeit von zentraler Bedeutung ist. Aus diesem Grunde werden anschliefiend conjoint-analytische Ansatze diskutiert, die zwischen Kaufen und Nicht-Kaufen unterscheiden. An erster Stelle wird die LCA aufgefiihrt, da es sich um eine reine Weiterentwicklung der TCA handelt. Es folgt eine Beschreibung der aggregierten CBCA zur Analyse von wahlbasierten Daten, deren methodische Basis sich deutlich von der TCA unterscheidet. Im Anschluss werden mit der HBCA und der LCCA zwei Losungsansatze vorgestellt, die eine effizientere Auswertung der wahlbasierten Informationen erlauben.
I.
^
^
II.
Unsicherheit iiber den Einsatz von Verfahrensvarianten in unterschiedlichen Entscheidungssituationen Zielsetzung und Aufbau der Untersuchung
I.
Praferenzen als Konstnikt zur Prognose des Konsumentenverhaltens
II. in.
Praferenz vs. realer Kauf: Ein Ansatz zur Erklarung von Divergenzen Ansatze zur Modellierung und Parametrisierung von Konsumentenpraferenzen: Bedeutung conjointanalytischer Verfahrensvarianten zur Prognose des Konsumentenverhaltens
I.
Traditionelle Conjoint-Analyse als Ausgangspunkt fiir Verfahrensvarianten: Grundziige unter besonderer Beriicksichtigung validitatsbeeinflussender Faktoren Limit-Conjoint-Analyse als Weiterentwicklung der Traditionellen Conjoint Analyse Wahlbasierte Ansatze der Conjoint-Analyse
II. in.
• Choice-Based-Conjoint-Analyse • Latent-Class-Conjoint-Analyse •Hierarchical-Bayes-Conjoint-Analyse rV. Integration der Limit-Card in die metrischen Latent-Class- und Hierarchical-Bayes-Ansatze I. II. in. rV.
^
V.
Darstellung verschiedener GiitemaBe Problematik empirischer Untersuchungen als Grundlage fiir Verfahrensvergleiche Systematische Validierung mittels simulativer Conjoint-Studien Grundsatzliche Gegeniiberstellung der entscheidungsbezogenen Ansatze der Conjoint-Analyse unter Beriicksichtigung empirischer und simulativer Forschungsstudien Ableitung von Untersuchungshypothesen
I. II. in.
Aufbau und Ablauf der Monte-Carlo-Simulation Darlegung der Ergebnisse Priifung der Untersuchungshypothesen
I. II.
Zusammenfassung der Untersuchungsergebnisse Ausblick auf weiterfiihrende Forschungsarbeiten
Abbildung 4: Gang der Arbeit Die effizienteren Losungsansatze konnen grundsatzlich auch auf metrisch-skalierte Daten angewendet werden. Allerdings besteht in diesem Fall analog zur TCA ein Problem der Erfassung von Nicht-Kaufen. Aus diesem Grunde werden in den Abschnitten 3.3.2.1 und 3.3.2.2 jeweils zuerst die metrischen Grundansatze der Finite Mixture Conjoint-Analyse"^^ (FMCA) und HBCA vorgestellt und diese im Anschluss analog zur LCA durch IntegraUon einer LimitCard zu den entscheidungsbezogenen Ansatzen
Limit-Finite-Mixture-Conjoint-Analyse
(LFMCA) und Limit-Hierarchical-Bayes-Conjoint-Analyse (LHBCA) weiterentwickelt. Kapitel 4 behandelt einen grundsatzlichen Vergleich von verschiedenen Conjoint-AnalyseVerfahrensvarianten, wobei verschiedene Giitekriterien sowie die Moglichkeiten zur empiri-
Die LCCA zahlt zu der Gruppe der Finite-Mixture(FM)-Modelle. Es kann alternativ auch von FiniteA/a:rMre-Conjoint-Analyse gesprochen werden, wobei sich diese Bezeichnung allerdings eher auf metrische Regressionsansatze bezieht.
schen und simulativen Validierung erortert werden. Auf Grundlage von Plausibilitatsiiberlegungen und den Ergebnissen komparativer Forschungsstudien wird die Ableitung von Hypothesen fur den praktischen Teil der Arbeit vorbereitet. In Kapitel 5 werden ausfuhrlich Zielsetzung, Durchfiihrung und Ergebnisse der auf eine systematische Untersuchung von Kaufentscheidungen ausgelegten Monte-Carlo-Simulation beschrieben und Schlussfolgerungen fiir die Auswahl von Conjoint-Ansatzen in Abhangigkeit von verschiedenen Rahmenbedingungen gezogen. Dazu werden einerseits verschiedene Umweltsituationen und andererseits verschiedene Giitekriterien zum Vergleich der Verfahrensvarianten ausgewahlt. Fiir alle Kombinationen aus Gutekriterium und Umweltbedingung werden verfahrensspezifische Hypothesen aufgestellt, die mit Hilfe der Monte-Carlo-Simulation iiberpriift werden. SchlieBlich werden in Kapitel 6 die wichtigsten Ergebnisse zusammengefasst und ein Ausblick auf weiteren Forschungsbedarf hinsichtlich der Prognose von Kaufentscheidungen auf Basis von conjoint-analytischen Verfahrensvarianten gegeben.
10
2 Praferenz als zentraler Erklarungsfaktor von Kaufentscheidungen 2.1
Bedeutung der Untersuchung von Kaufentscheidungen aus Sicht des Marketings
Wesentliche Voraussetzung fiir die Sicherung von Markterfolgen und damit fiir den Erfolg von Untemehmen ist die Reaktion auf das Kauferverhalten und damit auf das kiinftige Verhalten von Nachfragem basierend auf der Erklarung des vergangenen und gegenwartigen Verhaltens,"^^ einschlieBlich einer aktiven Steuerung durch den Einsatz des marketingpolitischen Instrumentariums.'^^ Das Kauferverhalten kann Kufi und Tomczak folgend als „die Auswahl eines von mehreren Angeboten von Sachgiitem, Dienstleistungen, Rechten und Vermogenswerten durch Individuen, Gruppen und Organisationen [...], einschlieBlich der zu dieser Entscheidung hinfiihrenden und der auf diese Entscheidung folgenden Prozesse und Tatigkeiten, die kiinftige Kaufe beeinflussen konnen","^^ defmiert werden. Es verwundert nicht, dass der Kaufverhaltensforschung seit dem in den 1960er und 1970er Jahren einsetzenden Wandels von Verkaufer- zu Kaufermarkten eine Schlusselrolle im Marketing zugeordnet wird."^ Im Einzelnen ist hierbei zu untersuchen, wer (Trager der Kaufentscheidung) was (Kaufobjekt) warum (Kaufmotiv) wie (Kaufentscheidungsprozesse) in welcher Menge (Kaufmenge) zu welchem Zeitpunkt (Kaufzeitpunkt) wo bzw. bei wem (Einkaufsstatten-, Lieferantenwahl) kauft."^^ Im Zusanmienhang mit diesen Fragenstellungen ist haufig die Wirkung anbieterseitiger Marketing-Mix-Ma6nahmen von Interesse/^
Vgl. bspw. Miiller-Hagedorn, L. (1986), S. 18; Kufi, A./Tomczak, T. (2004), S. 18; Mefert, H. (1992), S. 24ff.; Wefiner, K. (1988), S. 208ff. Vgl. Assael, H. (1998), S. 3; Bansch, A. (2002), S. 1; Blackwell, R.D./Miniard, P. W./Engel, J.F. (2001), S. 8; Kotler, P./Bliemel, R (2001), S. 323; Trommsdorff, V. (2003), S. 22. Kufi, A./Tomczak, T. (2004), S. 12. Vgl. bspw. Andritzky, K. (1976), S. 2; Miiller-Hagedorn, L (1986), S. 13; Meffert, H. (1992), S. 18; Herrmann, A. (1992), S. 2; Bansch, A. (2002), S. 2. Vgl. Meffert, H. (2000), S. 98. Bereits an dieser Stelle sei darauf hingewiesen, dass die Conjoint-Analyse die Paradigmen des Kaufobjektes, des Kaufmotives und des Kaufentscheidungsprozesses untersucht. Im Rahmen dieser Arbeit werden die anderen aufgefiihrten Fragestellungen der Kaufverhaltensforschung aus diesem Grunde nicht weiter aufgefiihrt. Vgl. Kufi, A./Tomczak. T (2004), S. 19; Voeth, M. (2000), S. 1. Als Trager von Kaufentscheidungen konnen einerseits Individuen und Gruppen, andererseits private Haushalte und Unternehmen bzw. offentliche Institutionen unterschieden werden, vgl. Meffert, H. (1992), S. 37. Eine Differenzierung der vier moglichen Kombinationen von Tragem erscheint sinnvoll, da fiir jede Kategorie von Kaufentscheidungstrager eine andere Kaufentscheidung zu erwarten ist. Bei der folgenden Darstellung des Kauferverhaltens wird eine Fokussierung auf individuelle Kaufentscheidungen des Konsumenten vorgenommen, da er Konsumgiiterbereich der wichtigste Anwendungsbereich fiir die Conjoint-Analyse ist, vgl. Cattin, P./Wittink, D.R. (1982), S. 92; Wittink, D.R./Cattin, P. (1989), S. 92; Wittink, D./Vriens, M./Burhenne, W. (1994), S. 44; Melles, T/Holling, H. (1998), S. 5. Dies ist nicht zuletzt deshalb der Fall, weil erst ab einem Stichprobenumfang, der im Industriegiiterbereich teilweise nicht erhoben werden kann, mit stabilen Ergebnissen zu rechnen ist. Da der Vergleich der Verfahrensvarianten der Conjoint-Analyse auf synthetischen Daten beruht, und die Praferenzdaten inhaltsleer sind, konnen sie ebenfalls als aggregierte Werte fiir kollektive Entscheidungstrager oder als Werte fiir Unternehmen bzw. offentliche Institutionen interpretiert werden. Vgl. zum organisatorischen Beschaffungsverhalten Backhaus, K. (2003), S. 61ff.; Huth, W.-D. (1988), S. 5ff.; Johnston, W.J./Lewin, J.E. (1996), S. Iff.; Webster, F.E./Wind, Y.J. (1972), S. 29ff.; Wesley, J.J./Bonoma, TV. (1981), S. 5 und zu Kaufentscheidungen von Gruppen Voeth, M. (2002), S. 11 Iff.; sowie zu den Kaufentscheidun-
11
2.2
Stellenwert des Praferenzkonstruktes fiir das Zustandekommen der individuellen Kaufentscheidung
2.2.1 Uberblick iiber verschiedene Modellierungsamdtze zur Erkldrung des Kduferverhaltens Fiir die Bewaltigung der oben skizzierten Aufgaben der Kaufverhaltensforschung ist eine Reihe von Modellen mit dem Ziel entwickelt worden, das Konsumentenverhalten zu prognostizieren und zu erklaren."^^ Die Modelle der okonomischen Haushaltstheorie interpretieren die Kaufentscheidung noch als Ergebnis vollstandig rationaler und bewusster okonomischer Entscheidungen. Sie soUen die Frage beantworten, welche Guter der rationale Entscheider wahlt, um bei gegebenen Budget und Preisen seinen Nutzen zu maximieren."^^ Aufgrund der Annahmen vollkommener Rationalitat und vollstandig informierter Kaufer vermogen die okonomischen Modelle der Haushaltstheorie es nicht in ausreichender Form, reales Kaufverhalten abzubilden und zu erklaren. Allerdings konnen sie als Ausgangspunkt fur die Entwicklung von auf weniger restriktiven Pramissen basierenden Modellen verstanden werden, deren Differenzierung nach Strukturmodellen und stochastischen Modellen in der marketingwissenschaftlichen Literatur eine weitgehende Verbreitung gefunden hat."^^ Wesentliche Unterschiede sind in der schwerpunktmaBigen Beriicksichtigung von ausschliefilich beobachtbaren Bestandteilen im Falle von stochastischen Modellen bzw. in einer moglichen Integration von nicht beobachtbaren Einflussfaktoren im Falle von Strukturmodellen zu sehen.^^ Unter beobachtbaren Bestandteilen des Kaufentscheidungsprozesses sind einerseits endogene und exogene Einflussfaktoren {Stimuli) und andererseits die durch deren Zusammenwirken ausgelosten Reaktionen {Responses) in Form von Kaufentscheidungen zu verstehen. Nicht unmittelbar zu beobachten sind dagegen die psychischen Prozesse des Konsumenten, die durch die Stimuli hervorgerufen werden und im Inneren {Organism) des Individuums ablaufen. ^^ Die stochastischen Modelle bilden lediglich die wesentlichen Zusammenhange zwischen den Stimuli {Input) und den realisierten Kaufhandlungen eines Konsumenten explizit ab, wahrend alle sekundaren Einflussfaktoren und Zusammenhange, also insbesondere die Auswirkungen der inneren physischen Prozesse, iiber eine Zufallskomponente modelliert werden.^^ Strukturmodelle des Kauferverhaltens zerlegen den Kaufentscheidungsprozess in Stufen, um das Zustandekonmien der Kaufentscheidung im Detail darzustellen. GemaB dem neobehavioristischen Forschungsansatz wird so versucht, die im Inneren des Konsumenten ablaufenden.
gen von Familien Dahlhoff, H.-D. (1980), S. 20ff.; Bocker, F. (1987), S. 16ff.; Kirchler, E. (1990), S. 55ff.; Mayer, H./Boor, W. (1988), S. 120ff., Krishnamurthi, L (1989), S. 185ff. ^^ Vgl. Hiike, W. (1975); Kaas, K.P. (1987), S. 229ff. ^^ Vgl. Meffert, //. (1971), S. 329ff. ^^ Vgl. Bansch, A. (2002), S. 3; Corsten, H./Meier, B. (1982), S. 116; Meffert, H. (1992), S. 29. ^
Vgl. Berndt, R. (1992), S. 24.
^' Vgl. Olshavsky, R. WJGranbois, D.H. (1979), S. 93ff. ^^ Nach Topritzhofer hat die gewahlte Darstellung allerdings nur fiir teilstochastische Modelle Giiltigkeit, wahrend vollstochastische Modelle den gesamten Kaufentscheidungsprozess stochastisch modellieren, vgl. Topritzhofer, E. (1974), S. 34ff.; Corsten, H./Meier, B. (1982), S. 117.
12
nicht zu beobachtenden psychischen Ablaufe zu erklaren (S-0-R-Modell).^^ Der Mensch wird in diesem Modell als informationsverarbeitendes Wesen aufgefasst. Weitergehend konnen Strukturmodelle dahingehend systematisiert werden, ob sie das Kauferverhalten in seiner Gesamtheit abbilden (Totalmodelle) oder sich aufgrund der angesprochenen Komplexitat auf Teilausschnitte des Kaufentscheidungsprozesses beschranken (Partialmodelle).^'* Problematisch ist, dass die Totalmodelle aufgrund ihrer Komplexitat und Verknlipfiing theoretischer Konstrukte kaum operationalisierbar und validierbar sind.^^ Angesichts der Schwierigkeiten in Bezug auf die Operationalisierbarkeit und auf die empirische Uberpriifbarkeit von Totalmodellen haben sich in letzter Zeit zunehmend Partialmodelle durchgesetzt, die auf dem Weg zur Entwicklung einer „formalisierten, bewahrten und praktisch anwendbaren ,totalen Theorie'"^^ einzelne abgrenzbare Teilbereiche abdecken.^^ Gemeinsam haben diese Modelle, dass sie sich i.d.R. jeweils auf ein zentrales theoretisches Konstrukt bzw. eine intervenierende Variable wie zum Beispiel Emotionen, den subjektiv empfundenen Nutzen, das wahrgenommene Kaufrisiko oder Kaufmotive fokussieren.^^ Haufig werden allerdings Partialmodelle aufgestellt, die lediglich fur das Kaufverhalten relevante Pradispositionen von Individuen und damit Rahmenbedingungen des Kaufprozesses untersuchen,^^ aber weniger den Ablauf des gesamten Bewertungsprozesses selbst zu erklaren vermogen und damit nicht in der Lage sind, Kaufentscheidungen zu prognostizieren.^^ Aus diesem Grunde wird vermehrt angestrebt, aus der Vielzahl aller denkbaren intervenierenden Variablen diejenigen auszuwahlen, die auf die Erklarung des Bewertungsprozesses von Nachfragem gerichtet sind. Das theoretische Konstrukt sollte einerseits moglichst stark mit dem tatsachlichen Kauf zusammenhangen und eine hohe Validitat fur die Prognose der Kaufentscheidung aufweisen, andererseits aber auch gut operationalisierbar und empirisch iiberpnifbar sein sowie eine vom Entscheidungstrager beeinflussbare GroBe darstellen.^^ In diesem Zusammenhang wird haufig auf das Praferenzkonstrukt zurtickgegriffen,^^ da es sich durch seine unmittelbare Nahe zur Kaufentscheidung auszeichnet,^^ die Wertschatzung aller Merk-
Vgl. Meffert, H. (2000), S. 99f. Vgl. Schweikl, H. (1985), S. 24. Vgl. Decker, R. (1994), S. 29. Trommsdorff. V. (2003), S. 27. Vgl. Gutsche, J. (1995), S. 40; Schweikl, H. (1985), S. 24ff. Vgl. Nieschlag, RJDichtl, E./Horschgen, H. (2002), S. 634f. Vgl. Voeth, M. (2000), S. 3. Vgl. Voeth, M. (2000), S. 5. Vgl. Gwr^c/^e, J. (1995),S.41. Vgl. bspw. Bauer, H.H. (1989), S. 132; Schweikl, H. (1985), S. 26; Weiber, R./Rosendahl, T. (1997), S. 577, Backer, F. (1986), S. 543; Nieschlag, R./Dichtl, E./Horschgen, H. (2002), S. 635. Trotz der Nahe des Praferenzkonstruktes zur Kaufentscheidung bleibt zu bedenken, dass die Kaufentscheidung durch eine Reihe zusatzlicher Faktoren beeinflusst wird, die im Praferenzkonstrukt nicht enthalten sind, so dass nicht immer die am meisten praferierte Alternative auch tatsachlich gekauft wird, vgl. Schweikl, H. (1985), S. 26 und zu den Einflussfaktoren Abschnitt 2.2.3.
13
male der beurteilenden Objekte beinhaltet und zahlreiche Verfahren zur Erfassung und Verarbeitung insbesondere empirischer Praferenzurteile bereitstehen.^ 2.2.2 Grundzuge und A bgrenzung des hypothetischen Prdferenzkonstruktes Der Begriff Praferenz wird in der Marketing-Literatur nicht einheitlich verwendet, und die Abgrenzung gegeniiber anderen Formen subjektiver Evaluation ist teilweise unzureichend.^^ Es besteht Ubereinstimmung daruber, dass Praferenzen zeitlich begrenzt giiltig sind und einen Indikator fur das AusmaB an subjektiver Vorziehenswiirdigkeit einer Alternative im Vergleich zu einer oder mehreren Altemativen darstellen.^ Praferenzen sind folglich personenspezifisch und weisen uber einen begrenzten Zeitraum eine gewisse zeitliche Stabilitat auf. Sie beziehen sich zudem zwingend auf Altemativen und werden durch Altemativen relativiert.^^ Differenzen im Begriffsverstandnis liegen in erster Linie in einer unterschiedlichen Beriicksichtigung von restriktiven Kauffaktoren in der Definition des Praferenzkonstmktes begriindet. Im angloamerikanischen Sprachraum hat sich hierfiir die Unterscheidung zwischen constrained und unconstrained preferences durchgesetzt.^^ Haufig wird unter dem Begriff Praferenz die relative Vorteilhaftigkeit von Altemativen ohne Berucksichtigung restriktiver Kauffaktoren verstanden {unconstrained preferences).^^ Andere Ansatze beziehen Kaufrestriktionen wie bspw. das verfiigbare finanzielle oder zeitliche Budget des Konsumenten mit in das Praferenzkonstmkt ein7^ Praferenz kann hier als Resultat eines Nettonutzenvergleichs betrachtet werden, wobei der Nettonutzen^^ die Differenz aus dem subjektiv wahrgenommenen erwarteten Nutzen und den subjektiv wahrgenommenen Kosten darstellt/^ Das Konstmkt der constrained preferences ist durch die Vorwegnahme der individuellen Ressourcenallokation damit wesentlich naher am tatsachlichen Kauf anzusiedeln als die unconstrained prefe-
\g\.Gutsche,J.{\995\S.A\. Vgl. bspw. Bocker, F. (1986), S. 543; Balderjahn, I. (1993), S. 22; Gutsche, J. (1995), S. 39; Hahn, C. (1997), S. 5. Vgl. Bocker, F. (1986), S. 556; Fischer, J. (2(X)1), S. 9; Schweikl, H. (1985), S. 26; Brzoska, L. (2003), S. 20. Vgl. Bauer, H.H. (1989), S. 132. Vgl. Rao, V.RJGautschi, D.A. (1982), S. 62; Zeithaml, V.A. (1988), S. 4. Vgl. dazu bspw. Srinivasan, V. (1982), S. 86f.; Bocker, F. (1986), S. 556 oder Balderjahn, I. (1993), S. 29. So definiert Balderjahn Praferenz als „handlungsf6rdernde Tendenz", die sich aus der „Wahmehmung und Bewertung Ressourcen-unabhangiger Produktattribute" bildet. Vgl. Trommsdorff, V./Bleicker, U./Hildebrandt, L (1980), S. 270. Zum Begriff des Nettonutzens vgl. Simon, H. (1992), S. 3; Plinke, W. (1995), S. 70. Vgl. Trommsdorff, V./Bleicker, U./Hildebrandt, L (1980), S. 270. Der Nutzen ist eines der zentralen okonomischen Konstrukte und stellt ein nach subjektiven MaBstaben bewertbares und daher intersubjektiv nur schwer iiberpriifbares Ma6 der Bediirfnisbefriedigung dar. Das Nutzenkonstrukt ist der Kern jeglichen wirtschaftlichen Handelns und der okonomischen Theorie, denn erst durch den Begriff des Nutzens wird der Zugang zum Phanomen des Wirtschaftens geschaffen. Unter Nutzen soil in dieser Arbeit ein Ma6 fiir die Befriedigung von den aus physikalisch-funktionellen, asthetischen und sozialen Eigenschaften eines Produktes entstehenden Bedurfnissen verstanden werden, vgl. Meffert, H. (2000), S. 333; Brzoska, L. (2003), S. 21 (FuBnote 68) und zum Nutzenbegriff P//«)fce. W. (1995), S. 12.
14
rencesP Zusatzlich zu den restriktiven Kauffaktoren werden bei der Kaufabsicht (intention to buy) situative Variablen beriicksichtigt, deren Wirkung das Individuum vor dem Kauf gedanklich antizipieren kann/"^ SchlieBlich unterscheidet sich der reale Kauf- bzw, NichtKaufakt von der Kaufabsicht dadurch, dass situative Einflusse hinzutreten, die vom Konsumenten zu einem friiheren Zeitpunkt nicht antizipiert werden konnen^^ Einstellung gegeniiber den einzelnen Produkten
Nutzenvergleich unconstrained preference bzgl. eines Produktes gegeniiber den Altemativen Beriicksichtigung restriktiver Kauffaktoren
PrSferenz
constrained preference bzgl. eines Produktes gegeniiber den Altemativen Beriicksichtigung antizipierbarer situativer Variablen Kaufabsicht bzgl. eines bestimmten Produktes Beriicksichtigung nichtantizipierbarer situativer Variablen Kauf eines bestimmten Produktes
Abbildung 5: Abgrenzung des Praferenzbegriffs
In Kapitel 2 wird die Differenzierung zwischen constrained und unconstrained preferences zur Erklarung des Kaufentscheidungsverhaltens teilweise aufrechterhalten. Vor dem Hintergrund einer haufigen Beriicksichtigung der Eigenschaft Preis bei conjoint-analytischen Fragestellungen wird von Kapitel 3 an ein Praferenzbegriff zugrunde gelegt, der weitestgehend dem Begriff der constrained preferences folgt, aber lediglich eine hypothetische Ressourcenallokation durch die Auskunftsperson umfasst, und damit dem experimentellen und hypothetischen Charakter der Conjoint-Analyse Rechnung tragt. Die Begriffsdefmition wird damit der Tatsache gerecht, dass sich Praferenzen auch auBerhalb eines tatsachlichen Kaufentscheidungsprozesses bilden konnen und eine reale Ressourcendisposition von dem Konsumenten in diesem Fall nicht vorgenommen werden muss, vgl. auch Brzoska, L. (2003), S. 21. Vgl. zum Begriff Kaufabsicht und zur Abgrenzung zwischen Praferenzen (unconstrained preferences) und Kaufabsicht Nieschlag, R./Dichtl, E./Horschgen, H. (2002), S. 656 f.; Scharf A. (1991), S. 88. Vgl. Scharf A. (1991), S. 82ff.
15
Kaufabsichten miissen also aufgrund unvorhersehbarer situativer Variablen wie Unwetter, Streik oder Lieferschwierigkeiten nicht unbedingt zu Kaufakten fuhren.^^ Abbildung 5 stellt die inhaltliche Differenzierung und Abgrenzung des Praferenzkonstruktes zu vor- und nachgelagerten Konstrukten grafisch dar7^ Das der Praferenz vorgelagerte Konstrukt der Einstellung kann dabei nach Kroeber-Riel als verfestigte Meinung iiber die „subjektiv wahrgenommene Eignung eines Gegenstandes"^^ zur Befriedigung eines Bediirfnisses verstanden werden, wobei ein Vergleich verschiedener Altemativen keine Beriicksichtigung fmdet und damit ein absolutes Urteil uber ein Produkt ausdruckt7^ 2.2.3 Praferenz bei individuellen Kaufentscheidungen mit ausgeprdgter kognitiver Komponente Die Rolle, die der Praferenz bei Kaufentscheidungen zukommt, hangt von verschiedenen mit der jeweiligen Kaufentscheidung verbundenen Faktoren ab. Das Informationsverarbeitungsmodell nach van Raaij zeigt beispielsweise, dass Art und Umfang der Informationsverarbeitung je nach Involvement, das nach Trommsdorff dXs Indikator fur den „Aktivierungsgrad bzw. die Motivstarke zur objektgerichteten Informationssuche, -aufnahme, -verarbeitung und -speicherung"^^ eines Konsumenten defmiert werden soil, variieren (vgl. Abbildung 6).
Vgl. Schneider, C. (1997), S. 22f. Vgl. Schneider. C. (1997), S. 23. Kroeber-Riel, W./Weinberg, P. (2003), S. 169; vgl. auch Hughes, G.D. (1974), S. 3-16ff; Trommsdorff, V./Bleicker, U./Hildebrandt, L (1980), S. 269ff. Vgl. Schneider, C. (1997), S. 22. Kotler/Bliemel sehen neben unvorhergesehener situativer Faktoren noch Einstellungen anderer als intervenierende Variable zwischen Kaufabsicht und Kaufentscheidung, vgl. Kotler, P./Bliemel, F. (2001), S. 360ff. Trommsdorff, V. (2003), S. 56; vgl. zum Involvement auch Deimel, K. (1989), S. 153ff.; Trommsdorff, V. (1995), S. 1067ff.; Celsi, R.L./Olson, J.C. (1988), S. 210ff.; Gensch, D.H./Javalgi, R.G. (1987), S. 71ff.; Muehling, D.D./Laczniak, RN./Andrews, J.C. (1993), S. 22ff.; Costley, C.L. (1988), S. 554ff.; Zaichkowsky, J.L. (1985), S. 341ff.; McQuarrie, E.F./Munson, J.M. (1992), S. 108ff.; Leavitt, C./Greenwald, A.G./Obermiller, C. (1981), S. 15ff.; Poiesz, TB.C./Cees, J.P, de Bont, M. (1995), S. 448ff.; JeckSchlottmann, G. (1988), S. 'i'i.; Andrews, J./Durvasula, S (1990), S. 27f.; Laurent, G./Kapferer, J.N. (1985), S. 41ff.; Kearsley, J.F. (1996), S. 35ff.; Antil, J.H. (1984), S. 203ff.; Kassarjian, H.H. (1981), S. 31ff.
16
Problemerkennung
•
Lemen
Interne und exteme Suche nach Altemativen T
Bewertung der Altemativen; primare Affektreaktion
Wahlverhalten (geringes Involvement)
T
Kognitive Verarbeitung T
Einstellung; sekundare Affektreaktion 1r
Kaufabsicht
1
r
Wahlverhalten (hohes Involvement)
Abbildung 6: Modell der Informationsverarbeitung Es wird deutlich, dass Kaufentscheidungen, selbst wenn mit dem Aspekt der Informationsverarbeitung lediglich ein Gesichtspunkt im Rahmen eines Partialmodells fokussiert wird, nicht nach einem einheitlichen Schema ablaufen.^^ In Abhangigkeit von einem Erklarungsfaktor, und zwar im konkreten Fall dem Involvement, kommt es im Rahmen der Informationsverarbeitung entweder zu kognitiven Prozessen^^ oder das Wahlverhalten wird vor dem Einsetzen kognitiver Prozesse abgebrochen und im Wesentlichen durch primare Affektreaktionen^"^ aus-
Quelle: in Anlehung an Wiswede, G. (2000), S. 93 nach van Raaij, W.F. (1988), S. 83ff. Vgl. Kroeber-Riel, W./Weinberg, P. (2003), S. 369. Prozesse eines Individuums, die gedankliche bzw. rationale Aufnahme, Verarbeitung und Speicherung von Informationen umfassen, werden als kognitiv bezeichnet, vgl. Kroeber-Riel, W./Weinberg, P. (2003), S. 49. Kroeber-Riel/Weinberg definieren Affekte als „grundlegende, kurzfristig auftetende Gefiihle der Akzeptanz Oder Ablehnung eines Sachverhalts..., als Emotionen, die kognitiv wenig kontrolliert werden und inhaltlich kaum differenzierbar sind." A:roe^er-/?/e/, W./Weinberg, P. (2003), S. 100.
17
gelost. Bei Wahlverhalten mit geringem Involvement konnen gemaB dem Ansatz von van Raaij dementsprechend auch nicht Praferenzen als zentrale Grundlage fiir die Vorhersage von Kaufentscheidungen verwendet werden.^^ Der Einsatz und die Messbarkeit des hypothetischen Praferenzproduktes hangen also von bestimmten Eigenschaften des Kaufentscheidungsprozesses ab. Dabei kann grundlegend eine Zweiteilung der Vorgange, die im Rahmen der Kaufentscheidung wirksam werden, vorgenommen werden.^^ Der Teil der Prozesse, der verstandesmaBiger Natur ist und eine willentliche Steuerung des Verhaltens erklart, wird auch als kognitive Prozesse bezeichnet. Unter aktivierenden Prozessen werden dagegen diejenigen Vorgange subsumiert, die „niit innerer Spannung und Erregung verbunden sind und als Antriebskrafte die menschliche Existenz mit Handlungsenergie versorgen (Emotionen, Motive, Einstellungen)".^^ Nach der weit verbreiteten Typologie von Weinberg^^, die auf den Ansatzen von Howard/Sheth^^ und Engel/Kollat/Blackwelf^ aufbaut und die Analyse des Kauferverhaltens von Katona^^ mit einbezieht, werden vier Grundtypen von Kaufentscheidungen unterschieden: (1) impulsive Kaufentscheidung, (2) habitualisierte Kaufentscheidung, (3) limitierte Kaufentscheidung und (4) extensive Kaufentscheidung. Weder impulsive noch habitualisierte Kaufentscheidungen unterliegen einer ausgepragten kognitiven Steuerung.^^ Ein Impulskauf stellt eine emotional geladene, schnell ablaufende, durch Produktinformation stimulierte und spontane Kaufreaktion dar, bei der der Konsument also affektgesteuert reagiert, indem er eine vorherige Aufnahme und Verarbeitung von Informationen unterlasst. Bei habitualisierten Kaufentscheidungen verfiigt der Konsument bereits uber umfangreiche Kauferfahrung und die Altemativenwahl wird zur Gewohnheit. Der geistige Aufwand reduziert sich auf die Identifikation des Produktes, die kognitive Steuerung sinkt ebenso wie die affektive Komponente auf ein Minimum, da die gleiche Alternative immer wieder gekauft wird. Bei habitualisierten Kaufentscheidungen finden also feste Verhaltensmuster weitgehend automatisierte Anwendung.
Constrained Preferences sind in Abbildung 6 unmittelbar vor dem Konstrukt Kaufabsicht anzusiedeln und konnen fiir die hier dargelegte Argumentation mit Kaufabsicht gleichgesetzt werden. Vgl. zu der Unterteilung und im Folgenden Kroeber-Riel, W./Weinberg, P. (2003), S. 368ff Nieschlag. RJDichtl, E./Horschgen, H. (2002), S. 590. Vgl. Weinberg, P. (1981), S. 13f; Kroeber-Riel, W./Weinberg, P. (2003), S. 369ff und zu abweichenden Typologisierungen Krugman, H.E. (1965), S. 349ff; Bettman, J.RJZins, M.A. (1977), S. 75ff; Sheth, J.NJRaju, P.S. (1979), S. 147ff; Olshavsky, R. W. (1985), S. 3ff Vgl. Howard, J.A./Sheth, J.N. (1969), S. 51ff. Vgl. Engel, J.F./Kollat, D.T./Blackwell, R.D. (1968), S. 350ff und Blackwell, R.D./Miniard, P.W./Engel, J.F. (2001), S. 86ff Vgl. Katona, G. (1951), S. 51ff und die deutsche Fassung Katona, G. (1960). Vgl. Nieschlag, R./Dichtl, E./Horschgen, H. (2002), S. 610.
18
Auch bei der limitierten Kaufentscheidung verftigt der Konsument bereits liber Kauferfahrung, hier allerdings ohne bereits eine feste Praferenz fur ein bestimmtes Produkt entwickelt zu haben.^^ Er greift in erster Linie auf vorhandene Informationen und gespeicherte Auswahlprogramme bzw. Systeme von Entscheidungskxiterien zuriick, so dass der kognitive Aufwand hier beschrankt (limitiert) ist. Da das Individuum seine Kaufentscheidung weitgehend frei von emotionalen und reaktiv-impulsiven Einflussen trifft, spielt die affektive Komponente bei limitierten Kaufentscheidungen eine zu vemachlassigende Rolle. Die kognitive Steuerung durch den Konsumenten ist bei extensiven Kaufentscheidungen am starksten ausgepragt. Mangels Kauferfahrung und bestehender Entscheidungskriterien erfolgt eine umfassende Informationsaufnahme und rationale -verarbeitung sowie ein griindlicher Vergleich der verfiigbaren Produktaltemativen, um die Auswahl des subjektiv besten Produkts zu gewahren. Insbesondere die Anschaffung von Produkten, die einer komplexen und neuartigen Entscheidungssituation unterliegen und mit hohem fmanziellen Mitteleinsatz verbunden sind, stellen tendenziell extensive Kaufentscheidungen dar.^"^ Es wird deutlich, dass ein umfangreicher Praferenzbildungsprozess nicht bei jeder Klasse von Kaufentscheidungsprozessen zu beobachten ist, sondem vor allem bei extensiven, in weniger umfangreicher Form, aber auch bei limitierten Kaufentscheidungen vom Konsumenten vollzogen wird. Im Folgenden wird fur den Fall von tendenziell extensiven Kaufentscheidungssituationen, also Kaufentscheidungssituationen mit ausgepragter kognitiver Komponente, der Prozess der Praferenzbildung mit seinen vor- und nachgelagerten Phasen in den gesamten Kaufentscheidungsprozess eingeordnet. Bei dem erweiterten Linsenmodell von Brunswick aus Abbildung 7 handelt es sich um ein Strukturmodell, das den zeitlichen Ablauf der Prozesse wahrend der Kaufentscheidung berucksichtigt^^ und die Stellung der Praferenz im Entscheidungsprozess verdeutlicht. Ausgangspunkt des Prozesses ist eine durch einen intemen^^ bzw. extemen Stimulus ausgeloste Aktivierung eines Bedtirfnisses. Es werden daher passiv oder aktiv Informationen iiber Produkte gesucht, die zur Bediirfnisbefriedigung geeignet sind. Die gesanmielten Informationen iiber die tatsachlichen Produkteigenschaften stellen die Basis fur die Wahmehmung der Eigenschaften dar. Wahrend technisch-physikalisch-chemische Produktmerkmale intersubjektiv einheitlich sind, wird durch ihre Wahmehmung eine individuell gefarbte Realitat geschaffen, die erheblich zwischen verschiedenen Individuen differieren kann.^^ Zusatzlich zu den direkt beobachtbaren Informationen greift der Konsument noch auf ableitbare Informationen wie Haltbarkeit oder Zuverlassigkeit zuriick.^^
Vgl. Nieschlag, R./Dichtl, E./Horschgen, H. (2002), S. 610. Vgl. Brzoska, L (2003), S. 23f. Vgl. Brunswik, E. (1952); Gutsche, J. (1995), S. 41ff. Bei internen Stimuli kann es sich zum Beispiel um Durst handeln. Vgl. Bocker, F. (1986), S. 553. Vgl. Nieschlag, RJDichtl, E./Horschgen, H. (2002), S. 600ff.
19
Bediirfnisse
U-
d^ iJ
^
tatsachliche Produkteigenschaften
monetarer Preis
wahrgenommene intrinsische Produktattribute
wahrgenommener monetarer Preis
wahrgenommener nicht-monetarer Preis (z.B. Zeit)
1
i
wahrgenommene extrinsische Produktattribute
X
wahrgenommene Produktleistung (Qualitat, etc.)
wahrgenommener Produktpreis
Stimuli
Psyche
erwarteter Nettonutzen (objektbezogen)
I I Kaufwahrscheinlichkeit
Praferenz (altemativenbezogen)
Kaufhandlung
Response
Abbildung 7: Die Einordnung der Praferenz im erweiterten Linsenmodell von Brunswi/^'^ Die Reizaufnahme durch den Konsumenten beruht jedoch nicht nur auf auBeren Daten, sondem auch auf inneren Signalen wie Emotionen und eigenen Werten, die ebenfalls Einfluss auf die Wahmehmung ausiiben.'^ Jedes Individuum defmiert die fiir sich zur Beurteilung relevanten Merkmale und vergleicht anhand dieser wesentlichen Eigenschaften alle Altemativen in der relevanten Produktklasse. Dazu werden die verschiedenen Eigenschaften ganzheitlich bewertet und dem individuellen Ziel- und Bezugssystem gegenlibergestellt.^^^ Das Ergebnis dieser ganzheitlichen Nutzenbeurteilung ist der (objektbezogene) erwartete Nettonutzen. Der Nettonutzen wird fur alle Altemativen ermittelt und die (altemativenbezogene) Praferenzrangfolge gebildet. Da jedoch der Fall denkbar ist, dass der Konsument kein Produkt oder ein anderes Produkt als das mit der hochsten Praferenz wahlt, kann die Praferenz lediglich als Kaufwahrscheinlichkeit fur die jeweiligen Altemativen verstanden werden, denn die tatsachliche Kaufentscheidung umfasst dariiber hinaus Einflussfaktoren, die das Konstmkt Praferenz nicht umfasst. Genannt seien beispielsweise situative Einfliisse, Verfugbarkeit oder Budgetrestriktionen.^^^ Erst aus der Kaufhandlung erwachst der eigentliche Nutzen, der durch das erworbene Produkt gestiftet wird. Im Rahmen eines Lemprozesses kann dieser durchaus einen erheblichen Einfluss auf zukiinftige Produktbewertungen ausiiben. ^ Quelle: In Anlehnung an Brunswik, E. (1952), S. 16ff. ' ^ Vgl. Kroeber-Riel, W./Weinberg, P. (2003), S. 5Iff. '°' Vgl. Kroeber-Riel, W./Weinberg. P. (2003), S. 279ff. '^^ Diese Einflussfaktoren werden in Abschnitt 2.3 genauer untersucht.
20
|
Bei dem dargestellten erweiterten Linsenmodell von Brunswick handelt es sich um ein Stimulus-Organism-Response-Modell (S-0-R-Paradigma), das sich dadurch auszeichnet, dass es im Gegensatz zum Stimulus-Response-Modell (S-R-Modell) von der Grundannahme des rational handelnden Individuums abgekehrt und stattdessen um verhaltenstheoretische Aspekte erweitertwird.^^^ 2.3
Klassifizierung moglicher intervenierender Variablen zur Analyse der Diskrepanz zwischen PrMferenz und tatsMchlicher Kaufentscheidung
Obwohl es nach dem gesunden Menschenverstand auf den ersten Blick eine gute Entscheidungsregel zu sein scheint, dass ein Konsument immer die Alternative wahlt, fiir die er die groBte Praferenz aufweist, haben sowohl die vorgestellten Strukturmodelle als auch eine Vielzahl von Studien gezeigt, dass dies in der Realitat nicht unbedingt der Fall ist.*^ Die Betrachtung von verhaltenswissenschaftlichen Aspekten soil der Tatsache Rechnung tragen, dass das rationale Entscheidungsmodell der klassischen Okonomie teilweise Entscheidungen nur ungenau prognostizieren kann.^^^ Insbesondere die Grundannahme der stabilen, konsistenten^^ und unveranderlichen Praferenzen scheint in der Praxis kaum haltbar. Es besteht eine zunehmende Ubereinstimmung unter Entscheidungsforschem, dass Praferenzen nicht a priori konstant defmiert sind, sondem erst im speziellen Kontext, in dem sie hervorgerufen werden, konstruiert werden.^^^ Es liegt daher nahe, die Rahmenbedingungen einer Kaufentscheidung naher zu analysieren. Dazu wird im Folgenden der Ansatz von Bettman/Johnson/Payne verwendet, der die Rahmenbedingungen in drei verschiedene Kategorien unterteilt (vgl. Abbildung 8).^^^
Vgl. Trommsdorff, V./Bleicker, U./Hildebrandt, L (1980), S. 273. Die Conjoint-Analyse folgt dem SORAnsatz, da sie auf individuelle Abwagungsprozessen aufbauend Praferenzwerte berechnet und erst anschlieBend daraus Prognosen ableitet, vgl. Balderjahn, I. (1994), S. 13. Vgl. bspw. Lindberg, E./Gdrling, T./Montgomery, H. (1989), S. 205ff; Lichtenstein, S./Slovic, /'. (1971), S. 46ff; Lichtenstein, S./Slovic, P. (1973)S. 16ff; Lindman, H.R. (1971), S. 390ff; Sheluga, D.A./Jaccard, JJJacoby, J. (1979), S. 166ff; Gierl, H. (1987), S. 458ff; Bemmaor, A.C. (1995), S. 176; Young, M.RJLenk, P.J. (1998), S. 188ff.; Armstrong. J.S./Morwitz, V.G./Kumar, V. (2000), S. Iff Probanden neigen insbesondere dazu, bei Befragungen eine zu hohe Kaufbereitschaft anzugeben, vgl. Monvitz, V.G./Steckel, J.H./Gupta,A.(\991),S.3. Vgl. AJzen, I. (1985), S. 18; Montgomery, H.et al (1994), S. 145ff; Lindberg, E./Garling, T./Montgomery, //. (1989),S.205ff Im Rahmen der rationalen Entscheidungstheorie wird unterstellt, dass eine Auswahlentscheidung unabhangig ist vom Kontext, der in diesem Zusanunenhang als die Auswahl der betrachteten Alternativen defmiert wird. Betrachtet man ferner Praferenzen als hypothetisches Konstrukt mit wesentlichem Einfluss auf das Entscheidungsverhalten, miisste die Praferenz konsistent bzgl. der Unabhangigkeit des Entscheidungsverhaltens von Kontextfaktoren sein, vgl. Simonson, L/Tversky, A. (1992), S. 28Iff. Es existieren allerdings zahlreiche Studien, die belegen, dass die Einfiihrung einer neuen Alternative einen maBgeblichen Einfluss auf die relativen Praferenzen in Bezug auf verschiedene Alternativen haben kann, vgl. Dhar, R./Nowlis, S.M./Sherman, S.J. (2000), S. 189. Vgl. Dhar, R./Glazer, R. (1996), S. 280; Payne, J.W./Bettman, J.R./Johnson, E.J (1992), S. 87ff; Slovic, P. (1995), S. 364ff; Tversky, A./Simonson, L (1993), S. 1179ff; Payne, J.W./Bettman, J.R./Schkade, D.A. (1999),S.243ff In der Literatur werden teilweise andere Klassifikationen verwendet, so stellt der Ansatz von Wong/Sheth bspw. das Involvement mit hervorgehobener Bedeutung als eigenstandige Kategorie heraus, vgl. Wong, J.K./Sheth, J.N. (1985), S. 378ff Problematisch ist dabei, dass das Involvement selbst ein aggregiertes theo-
21
Abbildung 8: Rahmenbedingungen von Kaufentscheidungen Charaktehstika des Entscheidungstrdgers Die erste Kategorie umfasst die Charakteristika, die sich auf die Person des Entscheiders beziehen, also auf seine Personlichkeit, und im Optimalfall anhand von demographischen Merkmalen beschrieben werden konnen.^'^ In diesem Zusammenhang soUen unter Personlichkeit „die charakteristischen psychologischen Merkmale, die relativ konsistente und gleich bleibende Reaktionen auf seine Umwelt bewirken", verstanden werden/^' Die personlichen Charakteristika setzen sich vor allem aus den kognitiven Fahigkeiten des Konsumenten sowie aus dem Umfang und der Intensitat der bis zur Entscheidung angesammelten entscheidungsrelevanten Kenntnisse zusammen.^^^ Die kognitiven Fahigkeiten lassen sich danach differenzieren, inwieweit der Entscheider dazu in der Lage ist, Informationen in einem groBeren Umfang
retisches Konstrukt darstellt und sich nahezu vollstandig mit den Einflussfaktoren der anderen Kategorien (sowohl bei dem Ansatz von Wong/Sheth als auch bei dem hier benutzten Klassifikationsansatz von Payne et al.) erklaren lasst. Aus diesem Grund wird in dieser Arbeit Involvement nicht als eigenstandige Kategorie defmiert. Louviere et al. verwenden eine ahnliche Kategorisierung, die ebenfalls deutlich macht, dass die Auswahlentscheidung nicht nur von den direkt beobachtbaren bzw. manipulierbaren Faktoren X abhangt. Sie stellen den Zusammenhang zwischen Auswahlentscheidung Y und den verschiedenen Einflussfaktoren formal dar als: Y|X, Z, C, G, T. Vgl. Louviere, C.H.et al. (2002), S. 177ff. Vgl. Bettman, J.R./Johnson, E.J./Payne, J. W. (1991), S. 62. Morwitz/Schmittlein zeigen, dass die Beziehung zwischen Kaufabsicht und tatsachlicher Kaufentscheidung auch von demographischen Merkmalen abhangt. Bestimmte Personengruppen, fiir die eine Kaufabsicht festgestellt werden kann, weisen eine groBere Wahrscheinlichkeit dafiir auf, ihre Absicht auch umzusetzen, AuBerdem konnen bestimmte Personengruppen identifiziert werden, die zwar keine Kaufabsicht auBern, aber dennoch eher das betrachtete Produkt kaufen, vgl. Monvitz, V.G./Schmittlein, D. (1992), S. 39Iff. Kotler, P./Bliemel, F. (2001), S. 341. Vg\. Hoser, H. {\9n\S.
22
29.
zu verarbeiten und sich nicht nur auf einzelne Aspekte zu konzentrieren.^^^ In diesem Zusammenhang spielt das AusmaB der Selbstiiberwachung {self-monitoring) des Konsumenten eine bedeutende Rolle, denn Personen mit einem ausgepragten Ma6 an Selbstiiberwachung sind besonders sensibel fiir situativ angemessenes Verhalten und verwenden entsprechende Hinweisreize, um das eigene Verhalten und ihre Selbstprasentation zu steuem.^^^ Eine hohe Empfanglichkeit eines Konsumenten fiir situative Einflusse sorgt fiir eine tendenziell geringe Stabilitat der Praferenzstruktur.^*^ Der Kenntnisstand des Entscheiders hat Einfluss auf die Modalitaten der Informationsverarbeitung und die daraus gewonnenen Erkenntnisse bzw. ihre Speicherung. Die personenspezifischen Merkmale sind auf ein Individuum bezogen keinesfalls konstant. Abweichungen aufgrund von personenspezifischen Veranderungen konnen im Extremfall auf das natiirliche Erwachsenwerden zuriickgeftihrt werden, was bspw. bei der Befragung von Kindem iiber weit in der Zukunft liegende Entscheidungen zu Problemen fuhren kann. Relevanter sind jedoch in der Marktforschung anzutreffende kurzere Betrachtungszeitraume, bei denen es oft schon ausreicht, dass die Auskunftsperson im Lauf des Kaufentscheidungsprozesses bereits bestehende Information nochmals verarbeitet bzw. sein Selbstbild, Geschmack Oder Interessen andert.^^^ Dariiber hinaus konnen Unterschiede in der aktuellen Stimmung der betrachteten Person ausschlaggebend fiir die Instabilitat von Praferenzen sein.^^^ Individuelle Normen intervenieren im Kaufentscheidungsprozess zwischen Praferenz- und Kaufabsichtsbildung und konnen Grund fiir ein Auseinanderfalien der beiden Konstrukte sein. Sie stellen intemalisierte Verhaltensregeln dar, an denen sich einzelne Konsumenten im Rahmen des Kaufentscheidungsprozesses orientieren.^^^ Soziales Umfeld Das soziale Umfeld stellt die zweite Kategorie von Rahmenbedingungen einer Kaufentscheidung dar und tragt der Tatsache Rechnung, dass Entscheidungen normalerweise nicht in einem sozialen Vakuum getroffen werden,^'^ sondem eine Vielzahl sozialer Determinanten
Aufgrund von begrenzten und in Abhangigkeit der individuellen Informationsverarbeitungsmoglichkeiten greifen Entscheider auf vereinfachende Entscheidungsregeln zuruck, vgl. Bettman, J.R. (1979), S. 17f.; Newell, A/Simon, H.A. (1972), S. 479. Die hohe Bedeutung des Self-Monitoring lasst sich u.a. damit begriinden, dass einige empirische Studien Hinweise fiir die Gultigkeit dieser Theorie geliefert haben, vgl. Wong, J.K./Sheth, J.N. (1985), S. 379 sowie die dort angefiihrten Quellen. Vgl. Snyder, M. (1972), S. 5f. Weitere Ansatze, die ebenfalls personliche Merkmale fiir das Zustandekommen der Kaufentscheidung mitverantwortlich machen, sind ein Beleg dafiir, dass zahlreiche Rahmenbedingungen einer Kaufentscheidung stark mit den personlichen Pradispositionen des Entscheidungstragers korrelieren, vgl. Kuhl, J. (1985), S. 102. So kann die Kaufabsicht fiir eine Kamera durch die Aufmerksamkeit fiir ein anderes Produkt vergehen oder die Absicht, nie Schmerztabletten zu nehmen, durch starke Kopfschmerzen revidiert wird. Vgl. hierzu Belk, R.W. {19S5),S. 14. Vgl. Axelrod, J.N. (1963), S. 19ff. So kann bspw. der Kaufverzicht auf SUBwaren trotz starker Praferenzen auf individuelle Normen eines Konsumenten zuriickgeftihrt werden, einen gesunden Lebensstil zu fuhren. Vgl. Homans, G.C. (1961), S. Iff.
23
aufweisen, die entweder auf direktem oder aber auf indirektem Wege ihre Wirkung entfalten konnen.^^^ Zu direkten Einfliissen kommt es bei Mehrpersonenentscheidungen oder im Falle unmittelbarer Einwirkung dritter auf die Entscheidung des Nachfragers. Ein indirekter sozialer Einfluss kann insbesondere aus der verspiirten Notwendigkeit bzw. dem Bediirfnis resultieren, Entscheidungen vor anderen Personen zu rechtfertigen. Beispielsweise kann der Rechtfertigungszwang Grund ftir den Riickgriff auf eine bestimmt Entscheidungsheuristik sein oder aber auch die Risikobereitschaft reduzieren.^^^ Soziale Normen konnen nach Homans als spezifische, von den Mitgliedem einer Gruppe intemalisierte Verhaltensregeln definiert werden, die unter bestimmten Bedingungen von Gruppenmitgliedem oder aber auch von anderen Personen erwartet werden, wobei bei VerstoBen gegen akzeptierte Normen mit Sanktionen zu rechnenist.^^^ Charakteristika des Entscheidungsproblems Die dritte Gruppe von Rahmenbedingungen bezieht sich schlieBlich auf die Charakteristika des Entscheidungsproblems. Zunachst einmal fallen darunter Einflussfaktoren, die allgemein den Versuchsgegenstand betreffen. So zeigen Studien von Kalwani/Silk und Jamieson/Bass, dass die Beziehung zwischen Kaufabsicht und tatsachlichem Kauf von der Produktkategorie abhangt und ftir Gebrauchsgiiter {durable goods) und Verbrauchsgiiter {nondurable goods) verschieden sind.^^^ Dariiber hinaus kann zwischen spezifischen Besonderheiten der Entscheidungsaufgabe und altemativenspezifischen Faktoren unterschieden werden. Unter die spezifischen Besonderheiten fallt bspw. der Zeitdruck, dem der Trager der Entscheidung ausgesetzt ist, aber auch die Anzahl der zur Wahl stehenden Objekte.^^"^ Zeitdruck kann Mechanismen wie eine Beschleunigung des Entscheidungsprozesses, starke Selektivitat oder ein Wechsel der Entscheidungsstrategie zur Folge haben. Besonders bei extremem Zeitdruck nimmt die Zeit, die je Informationseinheit verwendet wird, rapide ab.^^^ AuBerdem fmdet eine Fokussierung auf die wichtigeren und/oder negativeren Informationen statt.^^^ Pay-
Ygl Anderson, W.T./Cunningham, W.H. (1972), S. 23ff Vgl.//d5er,//. (1998),S.29f. Vgl. Homans, G.C. (1978), S. 136. Bspw. konnte ein Konsument eine starke Praferenz fiir ein Luxusauto aufweisen, vom Kauf aber absehen, weil sein Vorgesetzter oder aber auch seine KoUegen lediglich einen Mittelklassewagen besitzen und Unverstandnis und Missgunst vorhersehbar sind. Kalwani/Silk zeigen bspw., dass fiir Gebrauchsgiiter ein lineares Modell die Kaufabsichts-Kauf-Relation gut darstellt, wahrend fiir Verbrauchsgiiter ein abschnittsweise lineares Modell eine hohere Korrelation aufweist, vgl. Kalwani, M.U./Silk, A.J. (1982), S. 243ff. und allgemein zum Einfluss der Produktkategorie vgl. Jamieson, L./Bass, F.M. (1989), S. 336ff Vgl. Wright, P. (1974), S. 555ff.; Ben Zur, H./Breznitz, S.J. (1981), S. 89ff; Leclerc, F./Schmitt, B.H./Dube, Z. (1995),S. UOff. Vgl. Ben Zur, H./Breznitz, S.J (1981), S. 89ff. Vgl. Ben Zur, H./Breznitz, S.J (1981), S. 89ff.; Wallsten, T.S./Barton, C. (1982), 361ff; Svenson, O./Edland, A. (1987), S. 322ff.; Payne, J.W./Bettman, JR./Johnson, E.J (1988), S. 534ff.
24
ne/Bettman/Johnson und Zakay zeigen, dass Zeitdruck eine Veranderung der Entscheidungsstrategien bewirken kann/^^ Der wahrscheinlich am besten erforschte Entscheidungskomplexitatseffekt ist der Einfluss einer Veranderung der Anzahl der Altemativen.^^^ Werden Personen mit zwei Altemativen konfrontiert, tendieren sie dazu, auf kompensatorische Entscheidungsstrategien wie das gewichtete additive Modell zuriickzugreifen.^^^ Sie wagen also einen besseren Wert bei einem Attribut gegen einen schlechteren Wert eines anderen Attributes ab. Werden Individuen allerdings mit multi-altemativen Entscheidungsproblemen konfrontiert, tendieren sie dazu, auf nicht-kompensatorische Strategien zurtickzugreifen.*^^ Sowohl eine groBere Komplexitat der Entscheidungsaufgabe als auch Zeitdruck veranlassen also den Entscheidungstrager, die Entscheidungsaufgabe zu vereinfachen.^^^ Die situativen Rahmenbedingungen der Kaufentscheidung konnen im Laufe der Zeit sehr stark schwanken,^^^ und es ist haufig auBerst problematisch, situative Einflussfaktoren genau zu prognostizieren.^^^ Im Konstrukt der Kaufabsicht und teilweise bereits bei constrained preferences werden Annahmen liber antizipierbare situative Einflussfaktoren in Form von Erwartungen des Konsumenten iiber Rahmenbedingungen fiir spezifische kiinftige Kaufsituationen berucksichtigt. Die Disposition der fmanziellen Ressourcen erfolgt zumeist vor dem Hintergrund des bekannten bzw. erwarteten Produktpreises und des verfiigbaren Geldbudgets.'^^ Gerade bei Kaufentscheidungsprozessen mit ausgepragter kognitiver Steuerung konamt es tendenziell zu einer zeitlichen Divergenz von Praferenz- und Kaufabsichtsbildung einerseits und realem Kauf andererseits.^^^ Die Anderung des situativen Kontextes wahrend dieses Zeitraums stellt einen der Hauptgriinde dafiir dar, dass sich Praferenzen bzw. Kaufabsichten im
Vgl. Zakay. D. (1985), S. 75ff.; Payne, J.W./Bettman, J.R./Johnson, E.J. (1988), S. 534ff. Allerdings zeigen Payne/Bettman/Johnson zudem, dass bei moderatem Zeitdruck zwar eine leichte Beschleunigung des Entscheidungsprozesses festzustellen ist, die Qualitat der Entscheidungen allerdings kaum verschlechtert wird, da in erster Linie eine starke Selektivitat zu beobachten ist, vgl. Payne, J.W./Bettman, J.R./Johnson, E.J. (1988), S. 534ff. Vgl. Payne, J.W./Bettman, J.R./Johnson, E.J (1988), S. 98; Ursic, M.L/Helgeson, J.G. (1990), S. 69ff. Vgl. zu kompensatorischen Entscheidungsstrategie und dem gewichteten additiven Modell Abschnitt 2.4.1. Vgl. Biggs, S.F.et al (1985), S. 970ff.; Billings, R.S./Marcus, S.A. (1983), S. 331ff.; Johnson, KJ/Meyer, R.J./Ghose, S. (1989), S. 255ff; Klayman. J (1985), S. 179ff.; Onken, J/Hastie, R./Revelle, W. (1985), S. 14ff.; Sunderstrom, G.A. (1987), S. 165ff.; Payne, J W. (1982), S. 386ff; Kaas, K.P. (1984), S. 585ff. Vgl. Bettman, JR. (1979), S. 63. Dabei ist zu beriicksichtigen, dass der Zeitdruck Einfluss auf die wahrgenommene Komplexitat der Entscheidungsaufgabe hat, vgl, Payne, J.W. (1982), S. 387; Schellinck, D.A. (1983), S. 474. Vg\.Belk,R.W.{\9%5),^.\6. Vgl. Gerhard, A. (1995), 18ff. Dazu zahlen auch Unsicherheiten iiber die Gewichtung von Eigenschaften, vgl. Kahn, B.E./Meyer, R.J (1991), S. 508ff Analog wird die Beschaffungsdauer vor dem Hintergrund des verfiigbaren zeitlichen Budgets bewertet, vgl. Kotler, P./Bliemel, F. (2001), S. 361; Nieschlag, R./Dichtl, E/Horschgen, H. (2002), S. 656; Bagozzi, R.P./Warshaw, P.R. (1990), S.128. Vgl. Kufi, A./Tomczak, T. (2004), S. 140f.
25
Rahmen des gesamten Entscheidungsprozesses neu bilden und Konsumenten von dem urspriinglich beabsichtigten Kauf abweichen.'^^ Allerdings konnen selbst bei Annahme eines abgeschlossenen Praferenzbildungsprozesses und stabiler Praferenzen nicht antizipierbare situative Ereignisse dazu fiihren, dass die am meisten praferierte Alternative nicht gekauft wird. Nicht antizipierbare situative Ereignisse konnen sowohl in der Einkaufsstatte, bspw. Warteschlangen, mangelnde Produktverfugbarkeit, Empfehlungen des Verkaufspersonals, als auch auBerhalb, z.B. Streik im Offentlichen Personennahverkehr, Staus oder Wetterbedingungen, eintreten und zu einer Anderung der urspriinglichen Kaufabsicht fiihren. Problematisch ist die Prognostizierbarkeit der situativen Rahmenbedingungen insbesondere auf individueller Ebene. Ist allerdings eine aggregierte Betrachtung von Interesse, spielen situative Einflussfaktoren haufig nur eine untergeordnete Rolle, da sich verschieden gerichtete Veranderungen haufig tendenziell gegenseitig ausgleichen, insofem es sich nicht um systematische Veranderungen handelt.^"^^ In zahlreichen Beitragen, insbesondere im Rahmen der Prospect Theory, wird gezeigt, dass Entscheidungen von konkreten Bezugspunkten abhangen und bspw. negative Folgen anders als positive beurteilt werden.^^^ AuBerdem konnen besondere Verwendungszwecke Grund dafiir sein, dass die am meisten praferierte Alternative nicht gekauft wird.^^^ Ein altemativenspezifischer Aspekt ist der Umfang der Informationen, der je Alternative Beriicksichtigung findet. Eine Reihe von Studien untersttitzt die Hypothese, dass die Qualitat von Entscheidungen bei einer Erhohung der Anzahl der zu berucksichtigenden Eigenschaften nach Uberschreiten einer bestinmiten Komplexitatsschwelle abnimmt und eine Konzentration auf die wichtigsten Informationen erfolgt.^'*^ Grether/Wilde und Grether et al argumentieren, dass bei realen Entscheidungen Personen imstande sind, weniger wichtige Informationen zu ignorieren und damit Informationsiiberfrachtung {information overload) kein gravierendes Problem darstellt. Dagegen haben Gaeth/Shanteau gezeigt, dass irrelevante Faktoren Einfluss auf Bewertungen haben konnen. ^"^^ Die Anzahl der beriicksichtigten Merkmale je Alternative hat wie die Anzahl der Altemativen Einfluss auf die Komplexitat der Entscheidungsaufgabe. Analog fordert eine groBere Anzahl
Vgl. Sheth, J.N. (1974), S. 248; van Raaij, W.F. (1981), S. 2. Vgl. Allenby, G./Rossi, P.E. (1991), S. If. Vgl. Gierl, H./Helm, R./Stumpp, S. (2001), S. 559ff; Felten, C. (2002), S. 67ff.; Kahneman, D./Tversky, A. (1979), S. 263ff.; Urbany, J.E./Dickson. P.R (1990), S. 69ff. oder bspw. fur Unterschiede zwischen Willingness-to-Pay und Willingness-to-Accept Kahneman, D./Knetsch, J.L/Thaler, R.H. (1990), S. 1325ff Vgl. Bagozzi, RP./Warshaw, P.R (1990), S. 127ff. Vgl. Keller, L.R/Staelin, R. (1987), S. 200ff; Shields, M.D. (1983), S. 284ff; Sunderstrom, G.A. (1987), S. 165ff und abweichend dazu sowie zu methodischer Kritik der oben genannten Studien Meyer, RJ./Johnson, £.J. (1989),S.498ff Vgl. Gaeth, G.J./Shanteau, J. (1984). Allerdings haben Payne et al. ebenfalls verdeutlicht, dass dieser Effekt mit Hilfe von Training reduziert werden kann, vgl. Payne, J. W./Bettman, J.R/Johnson, E.J. (1992), S. 88ff
26
an Altemativen tendenziell den Riickgriff auf nicht-kompensatorische Entscheidungsheuristiken.'^^ Es wird deutlich, dass zwischen Praferenzbildung und Kauf eine Vielzahl von Faktoren intervenieren, die eine Divergenz zwischen Praferenz und tatsachlichem Kauf erklaren konnen. Die beiden dem Kauf vorgelagerten Konstrukte Praferenz und Kaufabsicht sind instabiler als es nach verbreiteter Meinung vermutet werden konnte. Vor diesem Hintergrund und unter besonderer Berucksichtigung des Kaufentscheidungsprozesses kann die Diskrepanz zwischen gemessener Praferenz bzw. Kaufabsicht und tatsachlicher Kaufentscheidung anhand von Divergenzen bei der Praferenz einerseits und Divergenzen infolge der Instabilitat von Einflussfaktoren andererseits erklart werden. In die erste Kategorie fallen alle Aspekte, die sich auf die Messung des Praferenzkonstruktes beziehen, wahrend der zweiten eine fehlerfreie Messung des hypothetischen Konstruktes zu einem bestimmten Zeitpunkt zugrunde liegt. Die den verschiedenen Praferenzmessverfahren zugrunde liegende Bewertungsaufgabe differiert von Verfahren zu Verfahren. Allein durch den Einsatz von Praferenzmessverfahren wird ein Eingriff in den natiirlichen Entscheidungsprozess vorgenommen, der durchaus bereits Einfluss auf die Kaufentscheidung ausiiben kann.'"^^ Eine zentrale Forderung fur Durchfiihrung von Experimenten im Allgemeinen und damit fiir die Messung von Praferenzen im Besonderen ist, dass der experimentelle Ansatz in Bezug auf die Aufgabe, Stimuli und die Rahmenbedingungen realistisch sein soU.^"^ Dementsprechend liegt es nahe, das verwendete Praferenzmessverfahren dahingehend zu analysieren, inwieweit es dem realen Problem entspricht. Das Messverfahren ist also diesbeziiglich hinsichtlich der oben dargestellten Einflussfaktoren zu untersuchen. Zur Untersuchung der Kategorie der Charakteristika von Entscheidungstragem muss in diesem Zusammenhang die Reprasentativitat der berucksichtigten Auswahlpersonen fiir die beabsichtigte Verallgemeinerung geklart werden. Genauso kann die dargestellte Klassifizierung der Rahmenbedingungen angewandt werden, um eine Instabilitat der Einflussfaktoren wahrend der Zeit zu erklaren. Je groBer der Zeitraum zwischen Praferenzmessung und tatsachlichem Kauf ist, desto starker sind die Aktualisierungsprozesse und desto instabiler sind die Praferenzen.
'"^^ Zahlreiche Studien belegen die grundlegende Hypothese, dass bei steigender Komplexitat der Entscheidung mehr Personen auf stark abstrahierende Entscheidungsheuristiken zuriickgreifen. Im Rahmen der Studien werden systematisch Anzahl der Alternaiven, Anzahl der Auspragungen oder Zeitdruck variiert. Vgl. Payne, J. WJBettman, J.RJJohnson, E.J. (1992), S. 98f. '•^^ Monvitz/Johnson/Schmittlein. zeigen, dass eine Befragung von Konsumenten danach, ob sie ein Gebrauchsgut {durable good) kaufen oder nicht, stimulierende Wirkung auf die Kaufentscheidung haben kann. Vgl. Monvitz, V.G./Johnson, E./Schmittlein, D. (1993), S. 46ff. Zu einer systematischen Verzerrung der prognostizierten Werte kommt es insbesondere dann, wenn von einer Stichprobe auf die Grundgesamt geschlossen wird und folglich nicht alle Konsumenten befragt werden. ^^ Vgl. Berkowitz, L./Donnerstein, E. (1982), S. 245ff; Ebbesen, E.B./Konecni, V.J. (1980), S. 21ff; Smead, R.J./Wilcox, JB./Wilkes, R.B. (1981), S. 37ff.
27
Werden Auskunftspersonen befragt, die erst durch die Teilnahme an der Conjoint-Analyse den Kauf eines Produktes in Erwagung Ziehen, ist dies ein AnstoB und damit ein Eingriff in den Kaufentscheidungsprozess, der zu Verzerrungen ftihren kann. I.d.R. definiert der Durchfiihrende die Altemativen und stellt dariiber hinaus zusatzliche Informationen innerhalb des Erhebungsprozesses zur Auswahl. Auch hier muss kritisch hinterfragt werden, inwieweit die Auskunftsperson ohne die Teilnahme an der Erhebung dieselben Altemativen und Informationen betrachten wiirden. Es wurde gezeigt, dass die Bewertungsmethoden von aufgabenspezifischen Faktoren wie der Aufgabenkomplexitat oder dem Zeitdruck abhangen. Dariiber hinaus ist zu beachten, inwieweit der Proband in einem experimentellen Umfeld iiberhaupt aktiviert ist. Dabei sind zwei verschiedene Abweichungen vorstellbar. Gerade bei extensiven Kaufentscheidungen diirfte die Aktivierung im Experiment wesentlich geringer sein als im Rahmen des realen Kaufs, da Faktoren wie das mit der Entscheidung verbundene Risiko bei realen Kaufen deutlich hoher bzw. bei Experimenten nicht vorhanden oder nur rudimentar ausgepragt sind.^"^^ Anders gestaltet sich die Situation dagegen bei habitualisierten Kaufentscheidungen, bei denen in der Realitat die Aktivierung sehr gering ist und sich dementsprechend die Informationsaufnahme bspw. auf die reine Identifikation der bereits in der Vergangenheit gewahlten Alternative bezieht. Hier wird die Auskunftsperson im Rahmen des Experiments zusatzlich aktiviert und wohlmoglich erst durch die Erhebung auf Altemativen aufmerksam, die sie ansonsten nie wahrgenommen bzw. einem Bewertungsprozess unterzogen hatte. AuBerdem hangen die Ergebnisse von dem Zeitpunkt ab, zu dem die Conjoint-Analyse durchgefuhrt wird. Es wird deutlich, dass die Ausgestaltung des Erhebungsverfahrens einen mafigeblichen Einfluss auf die Realitatsnahe des Experiments bzw. auf den Entscheidungsprozess selbst haben kann. Aus diesem Grunde werden in Kapitel 3 die einzelnen Moglichkeiten, die hinsichtlich der Ausgestaltung der Conjoint-Analyse bestehen, zuerst mit einem Fokus auf den Gmndansatz der TCA und anschlieBend bei Abweichungen hinsichtlich der Verfahrensvarianten genauer untersucht. 2.4
Messung multiattributiver KonsumentenprMferenzen
2.4.1 Prdferenzmodelle Grundannahme der multiattributiven Praferenzmodelle ist, dass die Konsumenten im Rahmen des Praferenzbildungsprozesses verschiedene Altemativen anhand der jeweils wahrgenommenen Produkteigenschaften (Attribute) bewerten.^'*^ Die wahrgenommenen Produkteigenschaften werden demnach zuerst bewertet und anschlieBend zu einem Gesamturteil aggregiert, wodurch sich der Praferenzbildungsprozess in zwei Teilprozesse zerlegen lasst:^"^^ •
Praferenzbildung auf der Ebene einzelner Produkteigenschaften durch eigenschaftsspezifische Bewertungsfunktionen sowie
'*^ Vgl. zum wahrgenommenen Risiko Gemunden, H.G. (1985), S. 79ff. *^^ Vgl. Kroeber-Riel, W./Weinberg, P. (2003), S. 311; Jam, A.K./MahaJan, V./Malhotra, N.K. (1979), S. 248f.; Shocker, A.DJSrinivasan, V. (1979), S. 159f.; Huber, G.P. (1974), S. 1393ff. '^^ Vgl. Backer, F. (1986); S. 557f.; Green, P.E./Srinivasan, V. (1978), S. 105ff.; Albrecht, J. (2000), S. 13.
28
•
Praferenzbildung auf der Ebene des gesamten Produktes durch die Aggregation der Bewertung einzelner Produkteigenschaften anhand einer Verkntipfungsfunktion.
Die Praferenzmodellierung auf Eigenschaftsebene erfolgt mit Hilfe von Nutzenfunktionen, die die Wertigkeit unterschiedlicher Auspragungen eines Attributes (Teilnutzen)^'*^ zum Ausdruck bringen.'"^^ Den Bewertungs- bzw. Nutzenfunktionen liegen unterschiedliche Annahmen iiber die Veranderung der Teilnutzenwerte in Abhangigkeit verschiedener Produkteigenschaftsauspragungen zugrunde.^^^ Das Idealvektormodell unterstellt einen monoton steigenden oder fallenden Zusammenhang zwischen dem eigenschaftsspezifischem Nutzen (U) und den Auspragungen eines Merkmals.^^^ Bine Auskunftsperson praferiert also stets hohere oder niedrigere Auspragungen eines Merkmals. Beispielsweise scheint es beim Merkmal Preis plausibel, dass niedrigere Preisstufen immer hoheren vorgezogen werden, so dass ein Idealvektormodell unterstellt werden kann. AUerdings ist fiir die Spezifikation des Idealvektormodells zudem eine begriindete Annahme iiber die Art des monotonen funktionalen Zusammenhangs notig. In der Praxis wird zumeist ein linearer Zusammenhang unterstellt. Das Idealpunktmodell unterstellt im Gegensatz zum Idealvektormodell keinen monoton steigenden oder fallenden Zusammenhang, sondem basiert auf der Annahme, dass das betrachtete Merkmal eine ideale Auspragung besitzt, von der Abweichungen zu beiden Seiten zu Nutzenminderungen fuhren. Die NutzeneinbuBen miissen bzgl. der Richtung der Abweichung nicht unbedingt symmetrisch verlaufen.^^^ Das Teilnutzenmodell unterstellt keinerlei Zusammenhang zwischen Eigenschaftsauspragung und dem korrespondierenden Nutzen des Merkmals. Insofem weist dieses Modell die groBte Flexibilitat bzgl. des Schatzens der Modellparameter auf und kann die beiden zuvor dargestellten Messmodelle als Unterfalle erfassen. Es wird verwendet, wenn vor Durchfiihrung der Analyse keine Annahmen iiber die Zusanmienhange moglich sind. Abbildung 9 veranschaulicht zusanmienfassend die drei vorgestellten Beurteilungsmodelle.^^^
Der Begriff Teilnutzenwert wird zudem fiir eine bestimmte Praferenzmodellierung auf Eigenschaftsebene verwendet. Dies ist nur scheinbar ein Widerspruch, da es sich um ein allgemeines Praferenzmodell handelt, in das die anderen Modelle iiberfiihrt werden konnen. Vgl. die im Folgenden dargestellten Ansatze zur Modellierung von Praferenzen auf Eigenschaftsebene oder Balderjahn, I. (1998), S. 189. Vgl. Buschken, J. (1994a), S. 59. Zur Beriicksichtigung von Priori-Wissen bei der Spezifikation des Nutzenmodells vgl. Srinivasan, V./Jain, A.K./Malhotra, N.K. (1983), S. 433ff. Vgl. Green, P.E./Srinivasan, V. (1978), S. 106. Vgl. Balderjahn, I. (1994), S. 14. Vgl. Cattin, P./Punj, G. (1984), S. 73ff. Quelle: in Anlehnung an Hahn, C. (1997), S. 53.
29
Idealvektormodel]
Idealpunktmodell
Teilnutzenmodell
• J
m
!
?
J
1
Eigenschaft
Eigenschaft
I
' » Eigenschaft
Abbildung 9: Modelltheoretische Verlaufe verschiedener Beurteilungsmodelle Die Bewertungsfiinktion wird eigenschaftsspezifisch festgelegt. Fiir verschiedene Eigenschaften eines Versuchsgegenstandes konnen demnach verschiedene Messmodelle verwendet werden. Nach der Bewertung der einzelnen Auspragungen eines Merkmals legt die Verknupfungsfiinktion fest, wie diese Teilnutzenwerte zu einem eindimensionalen Praferenzwert, dem Gesamtnutzenwert fur den betrachteten Stimulus, verkntipft werden. Die Verkniipfungsfunktionen bilden die Regeln, die Konsumenten bei der Gesamtbewertung eines Produktes anwenden, ab.'^"^ Es lasst sich dabei grundlegend zwischen kompensatorischen und nichtkompensatorischen Verkniipfungsfunktionen unterscheiden (vgl. Abbildung 10).^^^ Teilnutzenwerte fiir verschiedene Eigenschaften
kompensatorische Ver kniipfungsregel n
linear-additive Verkniifpungsmodelle
nicht-linear-additive Verkniifpungsmodelle
nic htkompensatorische Verkniipfungsregel n
multiplikative Verkniifpungsmodelle
Entsc heidungsre gel
First-ChoiceRegel
BTl^Regel
Logit-Regel
Doninanzmodelle
konjunktive/ disjunktive Modelle
lexikographische Modelle
Abbildung 10: Teilnutzenwerte als Entscheidungsgrundlage Kompensatorischen Modellen liegt die Annahme der Substituierbarkeit von Teilnutzen unterschiedlicher Produkteigenschaften zugrunde. Dies bedeutet, dass niedrige Praferenzwerte bei einer Produkteigenschaft durch hohe Teilnutzenwerte einer oder mehrerer anderer Attribute
•^^ Vgl. Albrecht, J. (2000), S. 16. '^^ Vgl. Herrmann, A. (1992), S. 204; Green, P.E./Wind, Y.J. (1975), S. 39; Pras, B. (1978), S. 145f. '^^ Quelle: In Anlehnug an Herrmann, A. (1992), S. 204; Green, P.E./Wind, Y.J. (1975), S. 39; Pras, B. (1978), S. 145f.
30
ausgeglichen werden konnen.^^^ Die Aggregation der einzelnen Teilnutzenwerte zur Gesamtpraferenz kann mittels additiven (nicht-linearen bzw. linearen) oder multiplikativen Verkniipfungsfunktionen erfolgen, wobei aufgrund ihrer Einfachheit haufig linear-additive Modelle bevorzugt werden. ^^^ Linear-additive Verkniipfungsfunktionen basieren auf der Annahme eines proportionalen Austauschverhaltnisses zwischen den Teilnutzenwerten der verschiedenen Produkteigenschaften.^^^ Die Verkniipfungsfunktionen modellieren lediglich Praferenzen, d.h. uber Kaufabsichten kann noch keine Annahme getroffen werden, denn es bedarf hierzu einer Entscheidungsregel. Bei den Entscheidungsregeln fur die Auswahl zwischen durch aggregierte Gesamtnutzenwerte beschriebenen StimuU kann grundlegend zwischen der FirstChoice- (FC), BTL^^^- und Logit-Regel unterschieden werden, die jeweils aus den Gesamtnutzenwerten ftir ein Set von Stimuli Kaufentscheidungen bzw. Kaufwahrscheinlichkeiten ableiten.^^^ Bei nicht-kompensatorischen Modellen wird im Gegensatz zu kompensatorischen Modellen ein Ausgleich zwischen Teilnutzenwerten unterschiedlicher Eigenschaften ausgeschlossen. Die hier vorgestellten nicht-kompensatorischen Entscheidungsregeln haben gemein, dass sie die Teilnutzenwerte nicht zu Gesamtnutzenwerten verknupfen, sondem aus den Teilnutzenwerten direkt Kaufentscheidungen ableiten. Fine Trennung von Verkniipfungs- und Entscheidungsfiinktion fmdet bei nicht-kompensatorischen Modellen also nicht statt. Streng genommen beziehen sich die nicht-kompensatorischen Verkniipfungsregeln damit nicht direkt auf Praferenzen, sondem auf einen Bereich, der bspw. gemafi dem Modell von van Raaif^^ aufgrund eines geringen Involvements oder aber auch aufgrund anderer Faktoren wie Zeitdruck Oder einer hohen Komplexitat der Beurteilungsaufgabe zu einer Vereinfachung der Entscheidungsregeln fiihrt. In der Literatur werden im Wesentlichen konjunktive, disjunktive und lexikographische Modelle sowie Dominanzmodelle unterschieden.'^^ Dominanzmodelle basieren auf der Annahme, dass ein Konsument ein Produkt praferiert, wenn dessen wahrgenommene Eigenschaftsauspragungen mindestens genauso hohe Teilnutzenwerte aufweisen wie die anderen Altemativen und mindestens ein Attribut existiert, bei dem das Produkt tiberlegen ist. Dominanz ist ein sehr restriktives Kriterium, bei dem die anderen vorgestellten Regeln ebenfalls erfullt werden. Bei den lexikographischen Modellen wird der Alternative mit dem hochsten Teilnutzenwert bei dem wichtigsten Merkmal der hochste Praferenzwert zugewiesen. Im
Vgl. Thomas, L (1979), S. 137ff. Vgl. Bettman, J.RJLuce, M.FJPayne, J. W. (1998), S. 4; Aust, E. (1996), S. 25. Vgl. Bocker, F. (1986), S. 559; Hiittner, M./Schwarting, U. (2002), S. 340. Das Equal-Weight-ModeW wird nicht explizit als kompensatorisches Praferenzmodell aufgefiihrt, da es den Spezialfall des linear-additiven Modells darstellt, bei dem Moglichkeiten zur unterschiedlichen Gewichtung von Produkteigenschaften ignoriert werden, vgl. Bettman, J.RJLuce, M.F./Payne, J. W. (1998), S. 190. Die BTL-Regel ist nach ihren Entwicklern Bradley, Terry und Luce benannt. Vgl. Huber, J./Moore, W.L (1979), S. 64ff; Green, P.E./Krieger, A.M. (1988), S. 114ff., Elrod, T/Kumar, S.K. (1989), S. 259ff. oder Abschnitt 3.1.2.3.1. Vgl. Abschnitt 2.2.3. Vgl. im Folgenden insbesondere Bettman, J.R./Luce, M.F./Payne, J.W. (1998), S. 4ff.; Green, P.E./Wind, Y.J. (1975), S. 39ff.; Aschenbrenner, K.M. (1977), S. 26ff.; Fischer, J (2001), S. 69ff.
31
Falle identisch bewerteter Eigenschaftsauspragungen werden solange sukzessive die nachst wichtigeren Produkteigenschaften zur Bewertung herangezogen, bis eine eindeutige Losung zu erzielen ist. Im Rahmen disjunktiver Modelle definieren die Konsumenten Mindestauspragungsniveaus fur bestimmte Eigenschaften, wobei die anderen Eigenschaften keine Relevanz fur den Praferenzbildungsprozess aufweisen.^^ Den konjunktiven Praferenzmodellen folgend legen die Konsumenten ebenfalls Mindestanspruchsniveaus fest, hier allerdings fiir jede Produkteigenschaft. Wird bei konjunktiven und disjunktiven Modellen*^^ eine der definierten Mindestauspragungen nicht erfullt, scheidet das jeweilige Produkt aus dem weiteren Bewertungs- und Auswahlprozess aus. Erfiillen mehrere Produktaltemativen die Mindestniveaus bzgl. der relevanten Eigenschaften, wird eine eindeutige Praferenz ausschlieBlich tiber die Erhohung des Anspruchsniveaus an die Produkteigenschaften erreicht. Es werden also auch bei disjunktiven Modellen keine zusatzlichen Produkteigenschaften betrachtet.^^^ Elemination-by-Aspect-Mode\\e stellen eine Kombination aus lexikographischen und konjunktiven Modellen dar. Sie eliminieren zuerst die Produktaltemativen, die bei der wichtigsten Alternative ein bestimmtes Anspruchsniveau nicht erfiillen. Sukzessive werden solange fur die nachst wichtigen Produkteigenschaften Anspruchsniveaus defmiert und Eliminierungen vorgenommen, bis nur noch eine Alternative ubrig bleibt.^^^ Es wird deutlich, dass sich der Praferenzbildungsprozess auf unterschiedliche Art und Weise vollziehen kann und dementsprechend unterschiedliche Modellierungsansatze zur Verfiigung stehen. 2.4.2 Datengrundlage Praferenzmessungen basieren i.d.R. auf empirischen Daten, die zum einen aus Beobachtungen von tatsachlichen Kaufen {revealedpreferences)^^^ und zum anderen auf Grundlage von Befragungen {stated preferences) gewonnen werden konnen. Beobachtungen und Befragungen stellen nach Hammann/Erichson die grundlegenden Erhebungstechniken bzw. -methoden der Datenerhebung dar. Unter einem Erhebungsverfahren wird dagegen das konkrete Instrument verstanden, das zur Beobachtung bzw. Befragung verwendet wird.^^^ Werden bei der Beobachtung des realen Kaufverhaltens die unabhangigen Variablen gemafi der Problemstellung definiert und systematisch variiert, wird also aktiv in den KaufentscheidungsprozeB eingegrif-
Gerade in diesem Falle ist der Ausdruck Praferenz streng genommen falsch, da es sich um keinen alternativenbezogenen Vergleich handelt, vgl. Albrecht, J. (2000), S. 16. Im Englischen werden konjunktive und disjunktive Modelle auch als Satis/icing bezeichnet, vgl. Simon, H.A. (1955), S. 99ff Alternativ werden in der Literatur auch Vorgehensweisen beschrieben, bei denen die erste Alternative gewahlt wird, die das gestellte Anspruchsniveau erfullt, vgl. Bettman, J.RJLuce, M.F./Payne, J.W. (1998), S. 190. Hier ist wiederum der Praferenzbegriff problematisch, da nur in Ausnahmefallen alle Alternativen miteinander verglichen werden. Vgl. Tversky, A. (1972), S. 28Iff. Die Revealed Preference Theory (Theorie der offenbarten Praferenzen) postuliert, Aussagen iiber Praferenzen nur aus realen Kaufentscheidungen abzuleiten, vgl. Samuelson, P.A. (1938), S. 6Iff. Vgl. Hammann, P./Erichson, B. (2000), S. 9Iff
32
fen, um die Auswirkungen auf die abhangigen Variablen zu messen, liegt trotz der Verwendung von realen Kaufentscheidungen eine experimentelle Versuchsanordnung vor. Denkbar ist aber auch, auf vergangenheitsbezogene reale Verkaufszahlen zuriickzugreifen und natiirliche Variationen der unabhangigen Variablen zu verwenden.'^^ In diesem Fall hat die Datenerhebung keinen experimentellen Charakter. Bei Befragungen handelt es sich dagegen stets um eine experimentelle Datenerhebung. Zumeist werden Praferenzdaten durch Befragungen oder Experimente auf Grundlage von hypothetischen Kaufentscheidungen gewonnen, da die experimentelle Erhebung realer Kaufentscheidungen sehr kostenintensiv und wenig flexibel ist. AuBerdem konnen mit Hilfe einer vergangenheitsbezogenen Datenbasis keine Praferenzen fiir noch nicht am Markt befmdliche Produkte gemessen werden. ^^^ 2.4.3 Kompositionelle vs. dekompositionelle Verfahren zur Prdferenzmessung In der Literatur wird bei Messverfahren, die im Rahmen der Nutzenmessung Einsatz fmden, haufig zwischen kompositionellen und dekompositionellen Verfahren unterschieden.^^^ Wahrend bei kompositionellen Verfahren direkt einzelne Nutzendimensionen in Form von Produktmerkmalen bzw. ihren Auspragungen beurteilt sowie gewichtet und daraus Riickschliisse auf die Vorziehenswiirdigkeit verschiedener Stimuli (Praferenz) sowie eine evtl. Kaufentscheidung gezogen werden, geht die Nutzenmessung bei dekompositionellen Verfahren den umgekehrten Weg. Ausgehend von Kaufentscheidungen oder Praferenzurteilen werden Aussagen iiber die einzelnen Nutzendimensionen abgeleitet. Abbildung 11 ordnet die am weitesten verbreiteten Verfahren den beiden Gruppen zu: Kompositionelle Verfahren
Dekompositionelle Verfahren
Direkte PrSferenzbefragung Analytic Hierarchy Process^^"'
Conjoint-Analyse Contingent Valuation Informationsintegration M ultidimensionale Skalierung
Abbildung 11: Einordnung von Verfahren der Nutzenmessung'^"^
Diese Vorgehensweise wird relativ haufig bei der so genannten Discrete-Choice-Analyse verwendet, vgl. Abschnitt 3.3.1.1. Vgl. Verhoef, P.C./Franses, P.H. (2002), S. 2; Wertenbroch, K./Skiera, B. (2002), S. 229; Ben-Akiva, M. (1994), S. 337 und fur eine kritische Gegeniiberstellung der beiden Ansatze Axhausen, K.W. (1996), S. 5ff. In letzter Zeit werden zudem vermehrt Ansatze entwickelt, die den stated- und den revealed preferenceAnsatz kombinieren, indem zum einen hypothetische Praferenzen erhoben werden und ein moglicher systematischer Fehler des hypothetischen Praferenzkonstruktes durch eine Kalibrierung mit offenbarten Praferenzdaten beseitigt wird, vgl. Verhoef, P.C./Franses, P.H. (2003), S. 467ff.; Verhoef, P.C./Franses, P.H. (2002), S. Iff.; Ben-Akiva, M. (1994), S. 335ff.; Herriges, J.A./Kling, C.L/Azevedo, C. (1999), S. Iff.; Johannesson, M.et al (1999), S. 21ff.; Natter, M./Feurstein, M. (2001b), S. Iff; Louviere, J.J. (2001a), S. 125ff; Louviere, J.J (2001b), S. 247ff; Hensher, D.A./Louviere, JJ/Swait, J (1999), S. 197ff; Vgl. z.B. Trommsdorjf, V./Bleicker, U./Hildebrandt, L. (1980), S. 273f Vgl. bspw. Tscheulin, D.K. (1991), S. 1268f
33
2.4.3.1 Kompositionelle Verfahren Bei kompositionellen Verfahren {self-extracted-method) wird der Nutzen der Beurteilungsobjekte mit Hilfe einer geeigneten Integrationsfunktion aus den Beurteilungen der Nutzendimensionen ermittelt (komponiert).^^^ Den Auskunftspersonen werden vorher defmierte Nutzendimensionen separat zur Beurteilung vorgelegt.^^^ Die anhand von Plausibilitatsiiberlegungen festgelegte Integrationsfunktion berechnet aus den einzelnen Nutzendimensionen den Nutzen ganzer Objekte. Kompositionelle Verfahren waren iiber lange Zeit innerhalb der Nutzenmessung vorherrschend, was mit ihrer geringen Verfahrenskomplexitat und einfachen Handhabung zu erklaren ist.^^'' Allerdings werden kompositionelle Verfahren in der Literatur kritisch gesehen.^^^ Bspw. bemangelt Voeth vor allem:^^^ •
die geringe Realitatsnahe, da Individuen in der Realitat Nutzendimensionen nicht isoliert, sondem ganzheitlich beurteilen/^^
•
die geringe Validitat darauf aufbauender Entscheidungsprognosen, wie empirische Uberpriifungen belegen,^^^
•
die Uberbewertung unwichtiger Nutzendimensionen, die sich als Folge der monadischen Erhebungsweise ergibt/^^
•
die obligatorische Annahme der Beurteilungsunabhangigkeit der Nutzendimensionen^^^ und
•
die Gefahr einer kognitiven Uberforderung, da die Auskunftspersonen Teildimensionen beurteilen, die sie in der Realitat gegebenenfalls nicht isoliert wahmehmen.^^'*
Die zentralen in der Literatur vertretenen Kritikpunkte zu den kompositionellen Verfahren konnen durch das zugrunde gelegte Nutzenverstandnis erklart werden. In Abschnitt 2.2.2 wird
•^^ Quelle: in Anlehnung an Teichert, T. (2001a), S. 40. •^^ Vgl. Voeth, M. (2000), S. 27. '^^ Vgl. Mengen, A./Simon, H. (1996), S. 229. '^^ Vgl.Sc/7we//t/,//. (1985),S. 33. '^^ Vgl. Huber, J.et al (1993), S. 105ff.; Green, P.E./Goldberg, S.M./Wiley, J.B. (1983), S. 147ff.; Akaah, I.P./Korgaonkar, P.K. (1983), S. 187ff.; Green, P.E./Krieger, A.M. (2002). '^^ Vgl. Voeth, M. (2000), S. 28. ^^ Vgl.auch Buchtele, F./Holzmiiller, H.H. (1990), S. 88; Simon, //., HighTech und Kundennutzen, 1993, S. 545; Simon, H. (1994), S. 75; Bauer, H.H./Herrmann, A./Mengen, A. (1995), S. 340; Jiingst, K./Mengen, A. (1995), S. 92f; Wachter; Gerke, W./Pfeufer-Kinnel, G. (1996), S. 60; Sheluga, D.A./Jaccard, J./Jacoby, J. (1979), S. 166ff.; Srinivasan, Vet al. (1981), S. 159f.; Louviere, J.J. (1988), S. 93. '^' Vgl. bspw. Hausruckinger, G./Herker, A. (1992), S. 99; Eversheim, W./Schmidt, R./Sartez, B. (1994), S. 67f.; Mengen, A./Simon, H. (1996), S. 229. '^^ Vgl. z.B. Dichtl, E./Muller, S (1986), 233; Buchtele, F./Holzmiiller, H.H. (1990), S. 88; Tscheulin, D.K. (1991), S. 1269; Eisele, J./Kreusel, J (1997), S. 57; Zacharias, R. (1998), S. 103. '^^ Vgl. Mazanec, J.A. (1976), S. 5; Muhlbacher, H (1982), S. 11. ^^ Vgl. auch Mazanec, J.A. (1976), S. 5; Eversheim, W./Schmidt, R./Sartez, B. (1994), S. 67.
34
der Nutzen bzw. die Praferenz als hypothetisches Konstrukt verstanden, das zum einen - entsprechend den Uberlegungen von Lancaster - auf objektspezifische Eigenschaften zuriickzufiihren ist, bei dem Individuen zum anderen - gemaB der Theorie bekundeter Praferenzen den Nutzen allein durch ihr Wahlverhalten ganzheitlich als Praferenz zum Ausdruck bringen konnen. Wird dieses Nutzenverstandnis akzeptiert, dann ist der Ansatz kompositioneller Verfahren bereits aufgrund seiner Grundidee zu hinterfragen.^^^ Die Problematik wird aufgrund der Tatsache deutlich, dass kompositionelle Ansatze auf eine separate Beurteilung von isolierten Eigenschaften ausgerichtet sind, obwohl das dargelegte Praferenz- oder Nutzenverstandnis eine ganzheitliche Beurteilung voraussetzt. Ebenso lasst sich ein GroBteil der Kritik an den kompositionellen Ansatzen wie bspw. geringe Realitat, geringe Validitat oder die Gefahr einer kognitiven tJberforderung, darauf zuruckfiihren, dass diese Ansatze auf einem Nutzenverstandnis beruhen, das bei realem Kaufverhalten nicht in dieser Form anzutreffen ist.^^^ 2.4.3.2 Grundansatz dekompositioneller Verfahren Die Nutzenmessung vollzieht sich bei dekompositionellen Verfahren im Vergleich zu kompositionellen Verfahren genau umgekehrt. Anstatt aus empirisch erhobenen Bewertungen der einzelnen Nutzendimensionen den gesamten Nutzen des Objektes zu berechnen, werden bei dieser Gruppe von Verfahren Beurteilungsobjekte ganzheitlich - im Vergleich zu anderen Altemativen - beurteilt. Auf Grundlage geeigneter Annahmen iiber den Zusammenhang zwischen den Eigenschaften eines Objektes und der Beurteilung des Gesamtobjektes werden die Nutzenbeitrage der einzelnen Dimensionen ermittelt. Dekompositionelle Verfahren zerlegen (dekomponieren) dementsprechend die Globalbewertung in dimensionsspezifische Einzelbewertungen.^^^ Im Vergleich zu kompositionellen Verfahren werden dekompositionelle in der Literatur als leistungsfahiger eingestuft.^^^ Sie gehen zwar wie kompositionelle Verfahren davon aus, dass es die Objekteigenschaften sind, die den Nutzen von Objekten generieren, beriicksichtigen dariiber hinaus jedoch, dass Individuen ihre Nutzenvorstellungen durch eine ganzheitliche Praferenzbeurteilung auBem, indem ganzheitliche Beurteilungen im Objektvergleich erhoben werden. Dadurch kann den Verfahren erstens eine wesentlich groBere Realitatsnahe zugeschrieben werden, ^^^ zweitens werden hierbei auch die anderen Probleme kompositioneller Verfahren beseitigt. In der Literatur werden Conjoint-Analyse und Multidimensionale Skalierung als die beiden bedeutendsten Verfahren dekompositioneller Nutzenmessung bezeichnet.^^^ Die Verfahren Vgl. Voeth, M. (2000), S. 29. Vgl. Voeth, M. (2000), S. 29. Vgl. ScharfA.
(1991), S. 173; Weisenfeld, U. (1989), 26.
Vgl. bspw. Gutsche, J. (1995), S. 77 oder Hahn, C. (1997), S. 85. Vgl. Buchtele, F./Holzmiiller, H.H. (1990), S. 88; Gerke, W./Pfeufer-Kinnel, G. (1996), S. 61; Mengen, A./Simon, H. (1996), S. 230. Vgl. Trommsdorff, V./Bleicker, U./Hildebrandt, L (1980), S. 275; Schweikl, H. (1985), S. 35ff.; Gutsche, J. (1995), S. 77.
35
lassen sich nach der Bekanntheit der Nutzenfunktionen unterscheiden. Die Conjoint-Analyse bedarf einer Festlegung der Nutzendimensionen im Vorfeld der Untersuchung, um dann den Nutzenbeitrag dieser Dimensionen aus den ganzheitlichen Beurteilungen der Objekte durch die Auskunftspersonen ableiten zu konnen. Im Gegensatz dazu ist das Ziel der Multidimensionalen Skalierung die Ermittlung eben dieser Nutzendimensionen. Innerhalb des Verfahrens werden die zuvor unbekannten Nutzendimensionen so gebildet, dass die im Vergleich erhobenen Objektbeurteilungen moglichst gut reproduziert werden konnen. ^^^ Aus praxeologischer Sicht ist als Hauptproblemfeld der Multidimensionalen Skalierung zu nennen, dass die ermittelten Nutzendimensionen haufig Interpretationsprobleme aufwerfen. So verwundert es nicht, dass unter den dekompositionellen Verfahren zur Nutzenmessung sich insbesondere die Conjoint-Analyse durchsetzen konnte.^^^ 2.5
Schlussfolgerungen fur die weitere Untersuchung
Das theoretische Konstrukt Praferenz, das der Conjoint-Analyse und ihren Verfahrensvarianten zugrunde liegt, stellt unter bestimmten Voraussetzungen eine geeignete Basis dar, um Kaufentscheidungen zu prognostizieren. Allerdings sind die Pramissen hierfiir sehr restriktiv, da zum einen das Messverfahren der wahren Kaufentscheidungssituation moglichst ahnlich sein sollte und zum anderen die die Kaufentscheidung beeinflussenden Rahmenbedingungen zwischen Praferenzmessung und tatsachlichem Kauf moglichst konstant bleiben soUten. Dabei ist zwischen personenspezifischen, sozialen und aufgabenspezifischen Faktoren zu unterscheiden. Es gibt grundsatzlich verschiedene Moglichkeiten, Praferenzen zu modellieren. Unabhangig davon, ob die Messung mit Hilfe eines kompositionellen oder dekompositionellen Verfahrens erfolgt, wird fiir die Modellierung im Rahmen der meisten Verfahren eine kompensatorische Verkntipfung der Praferenzwerte fiir einzelne Eigenschaften angenonmien. Greifen Konsumenten jedoch in der Realitat auf eine andere Verkniipfungsfunktion zuruck, bilden conjoint-analytische Verfahren die Realitat nicht korrekt ab und nehmen u.U. Fehler in Kauf. Die Eignung des Einsatzes der Conjoint-Analyse hangt demnach von den konkreten Rahmenbedingungen ab und diirfte bei Kaufentscheidungssituationen mit ausgepragter kognitiver Komponente am groBten sein. Allerdings bestehen auch innerhalb der Gruppe der limitierten bzw. extensiven Kaufentscheidungen aufgrund der hohen Bedeutung situativer Einfliisse z.T. erhebliche Differenzen, die sich in unterschiedlicher Eignung des Praferenzkonstruktes zur Prognose von Kaufentscheidungen auBem und bei der weiteren Untersuchung Beriicksichtigung fmden sollen. Aufgrund ihrer methodischen Mangel werden im weiteren Verlauf der Arbeit kompositionelle Verfahren zur Praferenzmessung nicht weiter beriicksichtigt, stattdessen mit den conjoint-analytischen Verfahrensvarianten ein dekompositionelles Verfahren genauer untersucht.
^^' Vgl. bspw. Backhaus, K.et al (2003), S. 605ff.; Carroll, J.D. (1972), S. 105ff. '^^ Vgl.Perrev, J. (1998),S.64.
36
3 Einsatz von Verfahrensvarianten der Conjoint-Analyse zur Prognose von Kaufentscheidungen 3.1
Traditionelle Conjoint-Analyse (TCA) als Ausgangspunkt von conjointanalytischen Verfahrensvariationen
Die TCA ist seit ihrer Entwicklung im Jahre 1964^^^ fundamental weiterentwickelt worden. Fiir ein grundlegendes conjoint-analytisches Verstandnis ist sie dennoch als Ausgangspunkt besonders geeignet. Nicht zuletzt basieren einige Weiterentwicklungen direkt auf ihrer Methodik und haben sie nahezu unverandert als Ausgangsbasis ubemommen. Die folgende Darstellung der TCA soil fur Gestaltungsfreiraume sensibilisieren, die einen mafigeblichen Einfluss auf die Ergebnisse haben konnen.^^"^ Ein Vergleich von verschiedenen Verfahrensvarianten ist nur dann nachvollziehbar, wenn es gelingt, Einblick in die verschiedenen Handlungsparameter zu gewahren und die gefallten Ausgestaltungsaltemativen transparent darzustellen. Einzelne Gestaltungsmerkmale sind analog bei neueren conjoint-analytischen Verfahrensvarianten wieder zu finden. Die Notwendigkeit einer eingehenden Untersuchung der verschiedenen Gestaltungsoptionen erscheint vor dem Hintergrund von Studien, die einen nicht unerheblichen Einfluss auf die Validitat der Conjoint-Untersuchungen schlieBen lassen, besonders geboten. Basierend auf den Ergebnissen von Verfahrensvergleichen vermuten Green/Krieger/Agarwal gar, dass der Versuchsaufbau conjoint-analytischer Praferenzmessungen, u.a. die Konstruktion und Prasentation der Stimuli, Zusammensetzung der Stichprobe und Einweisung der Probanden, nicht nur einen fundamentalen Einfluss auf die Giite der Conjoint-Ergebnisse habe, sondem dieser Einfluss in einigen Untersuchungen selbst denjenigen durch die Wahl des Erhebungsdesigns ubertreffen dtirfte.^^^ 3.1.1 Grundlagen der Traditionellen Conjoint-Analyse (TCA) Ausgangspunkt der Conjoint-Analyse ist die Pramisse, dass Praferenzen durch die Bewertung einer Vielzahl von Eigenschaften und ihrer Auspragungen der jeweils zugrunde liegenden Altemativen zustande kommen. Es liegt also die Annahme zugrunde, dass eine Alternative als ein Biindel von Eigenschaften interpretiert wird und die Eigenschaften wiederum verschiedene Auspragungen haben. ^^^ Der conjoint-analytischen Praferenztheorie liegt damit ein multiattributives Bewertungsmodell zugrunde. *^^ In derartig defmierten Situationen treffen Kaufer eine Abwagungsentscheidung, bei der sie zumindest latent die Auspragungen der Eigenschaften bewerten miissen. Diese Beziehungen bestehen in realen Kaufentscheidungssituationen fiir zahlreiche Merkmale und Produkte. Im Rahmen der Conjoint-Analyse wird nun der Bei-
'^^ Vgl. Luce, R.D./Tukey, J. W. (1964) \g\.Perrey,
J. {\996\S.
66.
Vgl. Green, P.K/Krieger, A.M./Agarwal, M.K. (1993), S. 378. Vgl. Heemam, L (2001), S. 200. Vgl. Kroeber-Riel, W./Weinberg, P. (2003), S. 317.
37
trag der einzelnen Eigenschaften des jeweiligen Untersuchungsobjektes zum Gesamtpraferenzurteil einer Person gegeniiber einer bestimmten Alternative quantifiziert.^^^ Gegenstand der Conjoint-Analyse ist die Messung der Praferenzen - zumeist in Nutzeneinheiten - von Auskunftspersonen auf Individualebene. Der Nutzenbeitrag einer einzelnen Merkmalsauspragung wird als Teilnutzenwert bezeichnet. Die Conjoint-Analyse kann definiert werden als ein dekompositionelles Verfahren, das aus ganzheitlichen Praferenzurteilen bzgl. altemativer multiattributiver Objekte die Praferenzbeitrage bzw. Teilnutzenwerte der vorab definierten Eigenschaftsauspragungen unter Beachtung eines experimentellen Designs ennittelt/^^ Der kompensatorische Charakter der Conjoint-Analyse wird in der Regel mittels eines linearen Nutzenmodells dargestellt, bei dem sich der Gesamtnutzenwert des Beurteilungsobjektes additiv aus den Teilnutzenwerten der einzelnen Merkmalsauspragungen zusammensetzt.^^ Geringere Teilnutzenwerte ftir eine Eigenschaft konnen durch hohere Teilnutzenwerte fiir andere Eigenschaften kompensiert werden. Die TCA unterstellt als deterministisches Modell weiterhin, dass alle Probanden iiber eine vollstandige und unverzerrte Wahmehmung der technisch-physikalischen Eigenschaftsauspragungen der Beurteilungsobjekte verfugen.^^^ Aus diesem Grund mussen Wahmehmungsunterschiede weder explizit im Rahmen einer Wahmehmungs- bzw. Perzeptionsfunktion noch implizit iiber die Modellierung eines zufallsverteilten Storterms abgebildet werden.^^^ Der zentrale Vorteil der Conjoint-Analyse besteht darin, dass die Auskunftspersonen vor eine natiirliche Bewertungsaufgabe gestellt werden, indem die Probanden verschiedene Produkte bzw. Produktkonzepte ganzheitlich vergleichen und bewerten. 3.1.2 Gestaltungsfreiraume im Rahmen der Traditionellen Conjoint-Analyse Es existiert eine Reihe von Ansatzen, die TCA in einzelne Prozessschritte zu zerlegen. In der Regel orientieren sich die Ansatze an konkreten Ablaufschritten. Das an dieser Stelle gewahlte Vorgehen ist zwar ebenfalls grob prozessorientiert, betont aber durch den Fokus auf vom Anwender zu treffende Entscheidungen die verschiedenen Gestaltungsbereiche, die sich innerhalb der TCA eroffnen.
Vgl. Buschken, J. (1994b), S. 74. Vgl. Teichert, T. (2(X)la), S. 62; Thomas. L (1979), S. 200. Vgl. bspw. Madansky, A. (1980), S. S37. Vgl. Buschken, J. (1994a), S. 75. Vgl. Stallmeier, C. (1993), S. 90; Schweikl, H. (1985), S. 40
38
Gestaltungsbereiche
Gestaltungsmerkmale
1. Stichprobe
• VoUerhebung
• Teilerhebung - Stichprobenumfang
soziodemographische Merkmale (Zielgruppe) 2. Definition der Eigenschaften und ihrer Auspragungen
Anforderungen an die Eigenschaften und Auspragungen • Relevanz • kompensatorische Beziehung • Beeinflussbarkeit • keine Ausschlusskriterien • Realisierbarkeit • begrenzte Anzahl • Unabhangigkeit
3. Auswahl des Messmodells
Bewertungsfunktion • Vektormodell • Idealpunktmodell • Teilnutzenmodell Verkniipfungsfunktion: i.d.R. additive Verkniipfung
4. Erhebungsdesign
Stimulidefinition • VoUprofibnethode Stimulianzahl • voUstandiges Design
• Teilprofibnethode • reduziertes Design - Beriicksichtigung von Nebeneffekten
5. Prasentationsform der Stimuli
• verbal • multimedia!
6. Bewertungsskala
nichtmetrische Skalen • Ranking • ordinaler Paarvergleich metrische Skalen • Rating-Skala • Dollar-Metrik
7. Schatzverfahren
• visuell • real
• Kombination
• Konstant-Summen-skala • gewichteter Paarvergleich
nichtmetrische Algorithmen • z.B. Monova, LIM metrische Algorithmen • Z.B. OLS
8. Aggregation und Dateninterpretation
1
• Individualanalyse
• aggregierte Analyse
Marktsimulation
Abbildung 12: Ablaufschritt-orientierte Darstellung einzelner Gestaltungsbereiche der TCA Der erste Gestaltungsbereich betrifft nicht die Methodik der Conjoint-Analyse an sich, sondem bezieht sich auf die fiir jedes Marktforschungsverfahren relevante Problematik der Aus-
Quelle: In enger Anlehnung an Brzoska, L (2003), S. 76 und den dort angegebenen Quellen.
39
wahl der Stichprobe hinsichtlich Umfang und qualitativer Zusammensetzung. Als nachstes sind die zu beriicksichtigenden Eigenschaften und ihre Auspragungen zu wahlen. AuBerdem ist ein Messmodell als Grundlage fiir die Nutzenschatzungen der Conjoint-Analyse zu bestimmen, das wiederum in Praferenzmodell und Verkniipfungsfunktion unterteilt werden kann. Das Erhebungsdesign wird tiber die Definition der Stimuli und die Anzahl der zu bewertenden Stimuli bestimmt. Wird ein Stimulus iiber alle berucksichtigten Merkmale definiert, spricht man von der Profilmethode, wahrend eine partielle Verwendung von Eigenschaften als Teilprofilmethode bezeichnet wird.^^ Mit Hilfe von so genannten reduzierten bzw. fraktionalen Designs kann bei der Profilmethode die Anzahl der Stimuli, die den Befragten zur Bewertung vorgelegt werden, im Vergleich zum vollstandigen Design, also der Menge aller Kombinationen der verschiedenen Merkmalsauspragungen, erheblich reduziert werden.^^^ Zumindest wahrend der Anfange der Conjoint-Analyse wurden die Stimuli in erster Linie verbal auf Karten beschrieben. Der technologische Fortschritt erlaubt es heutzutage, multimediale Prasentationsformen einzusetzen, bei der Stimuli oder einzelne Eigenschaften durchaus visuell oder simulativ dargestellt werden konnen.^^ Bei der Bewertung der Stimuli durch die Befragten kann grundlegend zwischen einer Bewertung auf einer metrischen und auf einer nicht-metrischen Skala unterschieden werden. Diese sechs Gestaltungsbereiche konnen, wie in Abbildung 12 gekennzeichnet, der Datenerhebung zugeordnet werden. Dariiber hinaus bestehen noch Gestaltungsfreiraume im Bereich der Datenanalyse. Hier ist insbesondere auf die Wahl des Schatzverfahrens hinzuweisen, die in Abhangigkeit der zuvor spezifizierten Bewertungsskala erfolgt. In vielen Fallen ist eine individuelle Analyse der geschatzten Nutzenwerte wenig aussagekraftig, weshalb haufig die Einzelergebnisse der verschiedenen Auskunftspersonen aggregiert werden und darauf aufbauend eine aggregierte Analyse durchgefiihrt wird. Trotz gravierender methodischer Bedenken, die bei der Darstellung der LCA noch naher erortert werden,^^^ wird teilweise auch bei der TCA abschlieBend eine Marktsimulation durchgefiihrt. Die Darstellung der verschiedenen Gestaltungsbereiche verdeutlicht, dass die Ergebnisse von empirischen Conjoint-Analysen nicht direkt vergleichbar sind und von der Konkretisierung der zahlreichen beschriebenen Handlungsparameter abhangen.
^^ Vgl. Holbrook, M.B./Moore, W.L (1981), S. 20. ^^^ Vgl.y4ac/e-o^Methode bezeichnet. Vgl. zu Bezeichnung und Vorgehensweise bspw. Weiber, R./Rosendahl, T. (1997), S. 108; Huttner, M./Schwarting, U. (2002), S. 242. Vgl. Huber, J. (1997), S. Iff. Grundsatzlich sollten hinsichtlich der Definition der Stimuli folgende Aspekte beriicksichtigt werden: in der praktischen Anwendung stellt die Conjoint-Analyse hohe Anspruche an die Auskunftspersonen. Die Zwei-Faktor-Methode ist vor diesem Hintergrund mit einem bedeutend geringeren Anspruch an die Informationsverarbeitung verbunden. Sie stellt prinzipiell eine leichter zu bewaltigende Bewertungsaufgabe dar. Jedoch weist sie auf der anderen Seite gravierende Nachteile hinsichtlich des Realitatsbezugs auf. Teilweise ist sogar groBeres Abstraktionsvermogen verlangt, da die Auskunftspersonen den zu bewertenden Stimulus in seine Bestandteile zerlegen und einzelne Eigenschaftspaare isolieren miissen.
45
1st die grundlegende Form der Stimuli festgelegt, muss daruber hinaus ermittelt werden, wie viele und in welcher Zusammenstellung die Stimuli dem Probanden prasentiert werden sollen. Erfolgt die Bewertung der Stimuli durch Rangreihung, reduziert sich das Problem auf die Bestimmung der Anzahl zu verwendender Stimuli. Die Anzahl der Merkmale und der Merkmalsauspragungen determinieren die Anzahl der Stimuli im vollstandigen Design. Allerdings iibersteigt der Arbeitsaufwand schon bei relativ wenigen Merkmalen und Merkmalsauspragungen die Grenze der Zumutbarkeit. Durch den Einsatz so genannter reduzierter Designs besteht aber die Moglichkeit, die Zahl der zu bewertenden Stimuli erheblich zu verringem. Die in aller Kegel verwendeten linearen Praferenzmodelle basieren auf der Annahme, dass keine Interaktionen zwischen den Merkmalen bestehen, die Praferenzen also ausschlieBlich durch die Haupteffekte zwischen den Eigenschaften bestimmt werden. Orthogonale Haupteffekt-Designs stellen eine statistisch effiziente Auswahl der Stimuli des vollstandigen Designs dar, die erlauben, die Haupteffekte zwischen den Merkmalen zu bestimmen.^^^ Die verbreiteten Software-Losungen fiir die TCA beinhalten in der Regel Design-Generatoren, die Haupteffekt-Designs automatisiert erstellen. 3.1.2.1.5 Prdsentationsform Hinsichtlich der Prasentationsform der Stimuli stehen grundsatzlich verbale, visuale, modellhafte Oder reale Prasentationen, die zudem miteinander kombiniert werden konnen, zur Wahl. Mittlerweile ist es zudem moglich, auf multimediale Prasentationsformen zuriickzugreifen und ganze Stimuli bzw. einzelne Merkmale oder Biindel von Merkmalen simulativ darzustellen.^^^ Zwar ist eine moglichst realistische Stimuliprasentation wiinschenswert, haufig in der Praxis aber jedoch aufgrund hoher Kosten nicht umsetzbar.^^"^ Am haufigsten werden Stimuli deshalb inmier noch verbal auf Produktkarten oder am Computer prasentiert. Hier ist allerdings bei der Konstruktion der Stimuli der so genannte Positionseffekt zu beachten, der besagt, dass die Wichtigkeit eines Merkmals signifikant mit der Position bei der Prasentation korreliert.^^^ Merkmale, die bei verbaler Beschreibung der Altemativen an exponierter - insbesondere an erster, aber auch an zweiter oder letzter - Stelle auf den Produktkarten stehen,
Gerade in Kaufentscheidungssituationen, die sich durch eine geringe kognitive Beteiligung auszeichnen, entspricht dieses Vorgehen nicht der Realitat und ist als problematisch zu werten. Daruber hinaus erlaubt die Profilmethode anschaulichere Prasentationsformen, wie zum Beispiel multimediagestiitzte oder reale Stimuli. Die Profilmethode ermoglicht also sowohl ein realitatsnaheres Design als auch eine anschaulichere Prasentationsform, weshalb in der praktischen Anwendung haufig diese Methode verwendet wird, vgl. Green, P.E./Srinivasan, V. (1990), S. 3ff. ^^^ Vgl. zu den theoretischen Grundlagen und Konstruktionsmechanismen verschiedener Designs Addelman, S. (1962a), S. 23f; Addelman, S. (1962b), S. 47ff. Werden allerdings signifikante Interaktionseffekte zwischen einzelnen Merkmalen vermutet, sind so genannte Kompromiss-Designs zu verwenden, die die Schatzung von ausgewahlten Interaktionen erlauben, allerdings zu einer geringeren Reduktion der Anzahl der Stimuli fuhren, vgl. Green, P.E./Carroll, J.D./Carmone, F.J. (1978), S. 99ff. ^^^ Vgl. Vriens, M.et al. (1998), S. 455ff; Louviere, J.J.et al. (1987), S. 79ff.; Domzal, T.J./Unger, L.S. (1985), S. 268ff.; Holbrook, M.B./Moore, W.L. (1981), S. 103ff.; Anderson, J.C. (1987), S. 29ff.; Stadie, E. (1998), S. 46ff.; Acito, F. (1977), S. 82ff. ^^^ Vgl. Sattler, H. (1994), S. 31ff. ^^^ Vgl. Gierl, H./Hoser, H. (2002), S. 3ff.
46
werden von den Probanden als wichtiger wahrgenommen, verzerren somit die Ergebnisse und lassen insbesondere die Aussagekraft von abgeleiteten relativen Wichtigkeiten fragwiirdig erscheinen.^^^ Der Positionseffekt kann allerdings durch eine Variation der Reihenfolge der Auspragungen vemiieden werden.^^^ 3.1.2.1.6 Bewertungsskala Fiir die Bewertung der Altemativen durch die Auskunflspersonen stehen grundsatzlich verschiedene Methoden zur Auswahl. Am weitesten verbreitet im Rahmen der TCA sind Ranking- und Rating-Verfahren. Beim Ranking- bzw. Rangreihungsverfahren ordnen die Auskunftspersonen die ihnen prasentierten Stimuli entsprechend ihrer subjektiven Vorziehenswiirdigkeit, wobei das Spektrum der Reihenfolge der vorgelegten Angebote vom am meisten bis hin zum am wenigsten praferierten Stimulus reicht.^^^ Beim Rating-Verfahren bzw. Punktbewertungsverfahren ordnet die Auskunftsperson den gerangreihten Stimuli noch Punktbewertungen zu. Auf diese Art und Weise konnen Unterschiede bzgl. des Abstandes zwischen benachbarten Stimuli ausgedruckt werden. Eine weitere Skala, die bei ConjointAnalysen eingesetzt werden kann, ist die Konstant-Sunmien-Skala, bei der die Befragten eine bestimmte Anzahl von Punkten - haufig 100 - auf die vorgelegten Stimuli verteilen mussen.^^^ Je mehr Punkte ein Stimulus erhalt, desto besser wird er beurteilt. Ranking-Verfahren liefem ordinal-skalierte Daten, wahrend Rating-Verfahren und Konstant-Summen-Skala intervall-skalierte Daten erheben.^^^ erheben.^ In Abhangigkeit des Skalierungsniveaus der Daten ist der Losungsalgorithmus zu wahlen. 3.1.2.2 Datenanalyse 3.1.2.2.1 Schdtzverfahren Aus den empirisch erhobenen Praferenzurteilen werden im ersten Schritt der Datenanalyse die Teilnutzenwerte fur die verschiedenen Merkmalsauspragungen bzw. allgemeiner die Wirkungskoeffizienten oder Funktionsparameter geschatzt. In Abhangigkeit des Skalenniveaus der erhobenen Praferenzdaten konnen verschiedene Algorithmen zur Parameterschatzung gewahlt werden (vgl. Abbildung 13). Die TCA verwendet im Falle metrisch-skalierter unabhangiger Daten zumeist metrische multiple Dunmiy-Regressionen in Verbindung mit dem OLS-Verfahren oder die metrische Varianzanalyse (ANOVA) als Schatzverfahren. Bei ordinal-skalierten Daten sind dagegen MO-
Vgl. Chapman, R.G./Bolton, R.N. (1985), S. 373ff.; Hahn, C. (1997), S. 77f.; Huber, Jet al (1992), S. Iff. Vgl. zum Positionseffekt Perre;/, J. (1996), S. 105ff. Vgl. Sabel, H. (1977), S. 912. Die Bildung der inneren Ordnung kann mit oder ohne Wahlzwang erfolgen. Besteht kein Wahlzwang, hat die Auskunftsperson die Moglichkeit, mehrere Alternativen an die gleiche Stelle zu platzieren. Vgl. zur Verwendung von 100-Punkte-Skalen im Rahmen der Conjoint-Analyse Green, P.E./Srinivasan, V. (1990), S. 14. Vgl.F/5c/?er, J. (2001),S. 89.
47
NANOVA und LINMAP am weitesten verbreitet.^"^' Die Monotone Varianzanalyse (MONANOVA) schatzt die Modellparameter bei Zugrundelegung des Teilnutzenmodells.^"^^ Sie passt die Schatzwerte der Nutzenfunktion hierzu iterativ an die Rangordnung der Auskunftspersonen an. Dabei werden eine konsistente Praferenzrangreihung und die Abwesenheit von Fehlem bei der Einschatzung der Praferenzen unterstellt."^"^^ Ein weiteres Verfahren zur Analyse von Rangdaten ist das auf einem linearen Programmierungsansatz basierende LINMAP.^"^ Zu den Vorziigen von LE^fMAP zahlt, dass der Ansatz sicherstellt, dass ein globales Optimum erreicht wird, und dass das Verfahren nicht auf Teilnutzenmodelle beschrankt ist. Algorithmus
Verfahren
nicht-metrisch
MONANOVA
Monotone Analysis of Variance
LINMAP
Linear Programming Technique for Multidimen- 1 sional Analysis of Preference
PREFMAP
Preference Mapping
1
JOHNSON
Johnson' s Trade-off Procedure
1
OLS
Ordinary Leas Squares
1
MSAE
Minimizing Sum of Absolute Errors
1
ANOVA
Analysis of Variance
1
MLA
Maximum-Likelihood-Ansatz mit Logit- oder Probit Modell
1
1 metrisch
weitere statistische Ansatze
1
Abbildung 13: Schatzverfahren und Losungsalgorithmen zum Einsatz bei der ConjointAnalyse^"^^ Zielkriterium der verschiedenen Schatzverfahren ist es, die Nutzenparameter so zu schatzen, dass die empirischen Beurteilungen der Stimuli moglichst genau durch die aus der Schatzung resultierenden Gesamtnutzenwerte der Stimuli reproduziert werden konnen. Im Falle nichtmetrischer Verfahren bezieht sich das Zielkriterium dabei auf die Rekonstruktion der erhobenen Rangreihenfolge und der aus den resultierenden Gesamtnutzenwerten entstehenden Rangreihenfolge. Exemplarisch sei im Folgenden der Schatzalgorithmus der OLS-Regression dargestellt, der fiir mindestens intervallskalierte Daten die groBte praktische Bedeutung erlangt hat.^"^^
Vgl. Rao, V.RJSolgaard, H.S. (1978), S. 27ff 242
Vgl. Green, P.E./Srmivasan, V. (1978), S. 103ff. ^^^ Vgl. Keuchel, S. (1993), S. 107. ^^ Vgl. Shnivasan, V./Shocker, AD. (1973), S. 337ff. und Shnivasan, V. (1975), S. 475ff 245
48
Quelle: in Anlehnung an Schubert, B. (1991), S. 230.
Die Ausgangsgleichung der OLS-Regression kann aus dem linear-additiven TeilnutzenGrundmodell der Conjoint-Analyse abgeleitet werden (vgl. Gleichung (2)).^'^^ J
Mj
y.=Po+IIP,.-Xj.
(2)
j=l m=l
y^:
Gesamtnutzenwert fur Stimulus k und
Po:
Basisnutzen.
Diese Regressionsgleichung ist die Basis fiir die Ermittlung der Teilnutzenwerte, wobei die Summe der quadratischen Abweichungen zwischen den empirischen und den geschatzten Gesamtnutzenwerten als Zielkriterium minimiert werden soil (Kleinste-Quadrate-Schatzung). K
K
J Mj-1
£(U.-Uj'=I[U,-p„+£lPj„Xjjf-4min! k=l
k=l
j=l m=l
(3)
^"^
mit: U^:
beobachtete Gesamtnutzenwerte (Bewertung durch Probanden) und
U,^:
geschatzter Gesamtnutzenwert.
Haufig werden ordinal-skalierte Daten unter der Pramisse, dass die Abstande zwischen den benachbarten Stimuli jeweils gleich groB sind, als verhaltnis-skaliert interpretiert und dementsprechend auch in diesen Fallen Losungsalgorithmen fiir metrische Daten wie die OLSRegression angewendet.^"^^ 3.1.2.2.2 Aggregation und Dateninterpretation Die beschriebenen Schritte haben gezeigt, wie sich fiir einzelne Auskunftspersonen - d.h. auf Individualebene - Teilnutzenwerte ermitteln lassen. Individuelle Teilnutzenwerte weisen haufig eine geringe Validitat auf. Allerdings ist erst bei einer Aggregation von mehreren Auskunftspersonen mit validen Ergebnissen zu rechnen.^"^^ AuBerdem interessieren das marktforschende Untemehmen i.d.R. markt- oder segmentspezifische Praferenzstrukturen, da Produkte normalerweise nicht auf einzelne Konsumenten, sondem auf Gruppen von potentiellen Nach-
Die OLS-Regression wurde in 59 % der Anwendungsfalle in Europa (1986-1991) und in 54% der Anwendungsfalle in den Vereinigten Staaten von Amerika (1981-1985) eingesetzt, darin enthalten die Verwendung der OLS-Schatzung im weit verbreiteten ACA-Software-Paket von Sawtooth vgl. Wittink, D./Vriens, M./Burhenne, W. (1994), S. 44. Da die OLS-Regression mittlerweile in zahlreichen statistischen StandardSoftware-Paketen eingesetzt wird und dass sie haufig auch bei ordinal-skalierten Daten aufgrund der Pramisse gleicher Abstande zwischen benachbarten Stimuli eingesetzt wird, vgl. Fischer, J. (2(X)1), S. 93 diirfte der Anteil der OLS-Regressionen seither deutlich gestiegen sein. ^^^ Vgl. Skiera, BJGensler, S. (2002), S. 205. ^'*^ Dieses Vorgehen ist weit verbreitet, wird jedoch kaum hinterfragt, vgl. Teichert, T. (1994), S. 610. ^'*^ Bspw. nennen Kucher/Simon, ohne dies weiter zu begriinden, fiir die Pharmaindustrie eine Zahl von 150-2(X) individuellen Conjoint-Interviews, um zu einer zuverlassigen aggregierten Funktion zu gelangen, vgl. Kucher, E./Simon, H. (1987), S. 32.
49
fragem zugeschnitten werden.^^^ Aus diesem Grunde ist die Aggregation der ermittelten Individualwerte fiir einzelne Marktsegmente oder im Extremfall fur ganze Markte in bestimmten Fallen durchaus von Interesse. Da die absolute Hohe der Nutzenwerte flir unterschiedliche Auskunftspersonen nicht ohne weiteres vergleichbar ist, konnen die individuellen Nutzenfunktionen nicht direkt aggregiert werden. Zuvor sind die Teilnutzenwerte zu nomiieren, wodurch sichergestellt werden soil, dass die errechneten Teilnutzenwerte fur alle Befragten auf dem gleichen NuUpunkt und den gleichen Skaleneinheiten basieren. Bei dem hier vorgestellten Nonnierungsverfahren wird die Eigenschaftsauspragung mit dem kleinsten Teilnutzenwert auf Null gesetzt. Fiir die anderen Auspragungen ist im ersten Teilschritt der Normierung die Differenz zwischen dem betrachteten Teilnutzenwert und demjenigen mit dem kleinsten Teilnutzenwert der entsprechenden Eigenschaft zu bilden.^^^
mit: pj^:
Teilnutzenwert fiir Auspragung m von Eigenschaft j ,
Pj^'": minimaler Teilnutzenwert bei Eigenschaft j . Im zweiten Teilschritt der Normierung wird die Skaleneinheit justiert, dabei ist entscheidend, welchen Wert der groBte zulassige Gesamtnutzenwert annehmen soil. Da sich der Gesamtnutzen additiv aus den Teilnutzenwerten zusammensetzt, ergibt sich fUr eine Auskunftsperson der maximale Gesamtnutzenwert als Sunmie des jeweils maximalen Teilnutzenwertes der einzelnen Eigenschaften. Alle anderen Kombinationen von Teilnutzenwerten ergeben kleinere Gesamtnutzenwerte. Es scheint daher zweckmaBig, den Gesamtnutzenwert des jeweils am starksten praferierten Stimulus bei alien Auskunftspersonen auf einen gemeinsamen Wert, in der Regel auf 1, zu setzen. Daraus ergibt sich als zweiter Teilschritt der Normierung folgende Transformation: ^^^ p. =——liiB
(5)
Dies gilt allerdings in erster Linie fiir Konsumgutermarkte. Vgl. zu den strukturellen Unterschieden zwisciien Konsumgiiter- und Industriegiitermarkten Backhaus, K. (2003), S. 3ff. Vgl. Backhaus, K.et al. (2003), S. 566. Vgl. Backhaus, K.et al. (2003), S. 567.
50
Nachdem durch die Normierung die Vergleichbarkeit der Ergebnisse aus unterschiedlichen Individualanalysen sichergestellt wurde, konnen die individuellen Teilnutzenwerte durch einfache Mittelwertbildung aggregiert werden.^^^ Da jede Aggregation zu einem Informationsverlust fiihrt, muss der Heterogenitatsgrad der Nutzenstrukturen gepriift werden. Bei allzu groBer Heterogenitat besteht die Gefahr des Verlusts wesentlicher Informationen, der durch Bildung von homogenen Segmenten mittels der Clusteranalyse verhindert werden kann."^^"^ Aus der absoluten Hohe der Teilnutzenwerte - unabhangig von Normierung und Aggregation - konnen nur bedingt Schlussfolgerungen gezogen werden. Haufig werden Aussagen iiber die relative Wichtigkeit einer Eigenschaft angestellt, die den Beitrag einer Eigenschaft zum Zustandekommen des gesamten Praferenzurteils ausdriickt. Sehr problematisch ist allerdings haufig die Interpretation der relativen Wichtigkeiten Wj einer Eigenschaft, die eine Gewichtung einzelner Eigenschaften an der Summe der Spannweiten darstellt. Die Spannweite wird dabei defmiert als Differenz zwischen dem hochsten und niedrigsten Teilnutzenwert einer Eigenschaft. ^^^ max^j^j-min^pj^j (6) Xmax^j^}-min^j„} j=i
Es kann gezeigt werden, dass Positionierungseffekt, Number-of-Levels-Effect und die Wahl der zu beriicksichtigenden Merkmale einen erheblichen Einfluss auf das Konstrukt der relativen Wichtigkeiten haben und durch Gestaltungsfreiraume bei der Konzeption der Studie maBgeblich bestimmt werden konnen.^^^ 3.1.2.3 Marktsimulationen Die Conjoint-Analyse erlaubt die Berechnung von Teilnutzenwerten fiir alle mit in die Untersuchung aufgenonmienen Merkmalsauspragungen. Durch ein Einsetzen der Teilnutzenwerte in die Praferenzfunktion konnen fur beliebige Kombinationen der Merkmalsauspragungen Gesamtnutzenwerte gebildet werden, unabhangig davon, ob die spezifische Auspragungskombination den Probanden in dieser Form zur Befragung vorgelegt wurde.^^^
^^^ Alternativ zu Individualanalysen und anschlieBender Aggregation der Nutzenwerte kann sofort eine gemeinsame Conjoint-Analyse fiir eine Mehrzahl von Auskunftspersonen durchgefuhrt werden. Dabei werden die Auskunftspersonen als Wiederholungen (Replikationen) des Untersuchungsdesigns aufgefasst, vgl. Backhaus, K.et al. (2003), S. 568. ^^^ Vgl. zur Anwendung der Cluster-Analyse auf Conjoint-Daten Backhaus, K.et al. (2003), S. 569. 255
Vgl. Green, P.E./Wind, Y.J. (1975), S. UOf. Vgl. Perrey, J. (1996), S. 105ff. Bei Anwendung von Gleichung (6) auf normierte identische Praferenzvektoren ist der Ausdruck m i n p j^^ j stets gleich null. In diesem Fall sind Gleichung (5) und (6) identisch, und die groBten normierten Teilnutzenwerte je Eigenschaft liefern zugleich die relative Wichtigkeit der Eigenschaft. Vgl. Orme, B./Huber, J. (2000), S. 12ff.
51
Allerdings handelt es sich bei den Nutzenwerten lediglich um eine Operationalisierung der Praferenzstruktur der einzelnen Befragten. Es kann aus den Gesamtnutzenwerten nicht unmittelbar geschlossen werden, welches Produkt ein Befragter wahlen bzw. in einem weiteren Schritt tatsachlich kaufen wtirde. Ftir die Prognose von auf Conjoint-Ergebnissen basierenden Auswahlentscheidungen bedarf es daher tiber die reine Praferenzanalyse hinausgehender Annahmen iiber das Entscheidungsverhalten von Auskunftspersonen. Die TCA stellt eine reine Analyse der Praferenzstruktur dar, es wird dagegen nicht erhoben, inwieweit ein Proband bereit ist, ein vorziehenswurdiges Produkt auch zu kaufen. Die TCA geht von der Pramisse aus, dass die Auskunftsperson auf jeden Fall bereit sei, eines der simulierten Produkte zu kaufen. Es wird also unterstellt, dass alle Produkte aufgrund einer positiven Nutzenstiftung kaufenswert sind."^^^ Diese Pramisse schrankt den Einsatz der TCA fiir Marktsimulationen erheblich ein. Teilweise werden Marktsimulationen aber auch trotz eines VerstoBes gegen die Pramisse durchgefiihrt. Allerdings gibt es auch Bereiche, in denen die Pramisse der Realitat weitestgehend entspricht. Als Beispiel ist die Mehrzahl der Transporttragerentscheidungen im Gliterverkehr zu nennen, wo Untemehmen ihre Giiter zumindest kurzfristig mehr oder weniger unabhangig von der genauen Ausgestaltung der Angebote transportieren miissen. Trotz grundsatzlicher Vorbehalte gegeniiber den Ergebnissen der auf der TCA basierenden Marktsimulationen wird im Folgenden die Theorie solcher Simulationen kurz vorgestellt."^^^ 3.1.2.3.1 Berechnung der individuellen A uswahlwahrscheinlichkeiten Wird die Pramisse akzeptiert, dass Praferenzen die zentrale BestimmungsgroBe fur die abzubildenden Auswahlentscheidungen darstellen, konnen die mittels der Conjoint-Analyse berechneten Nutzenwerte fiir Simulationen verwendet werden, indem Praferenzen in hypothetische Wahlentscheidungen transformiert werden.^^^ Dazu sind die fiir einen Markt relevanten Wettbewerbsverhaltnisse bei der Auswahl der zu simulierenden Produkte zu beriicksichtigen. Ein Oder mehrere Szenarien werden entsprechend der augenblicklichen und potentiellen Angebote simuliert. Im Rahmen der Modellbildung ist der Zusammenhang zwischen den Praferenzen bzw. Nutzenwerten und dem Wahlverhalten so abzubilden, dass eine intersubjektiv nachvollziehbare Transformation moglich wird.^^^ In der Praxis haben sich die drei folgenden Regeln durchgesetzt:
Eine begleitende Zusatzfrage nach der Kaufabsicht, in der die Auskunftsperson ihre grundsatzliche Ablehnung ausdriicken kann, die prasentierten Alternativen zu wahlen und damit keines der vorgelegten Produkte aufgrund einer negativen Nutzenwirkung als kaufenswert erachtet, schmalert die methodischen Bedenken keinesfalls. Denn auf diese Art und Weise kann lediglich ausgedriickt werden, dass fiir alle Produkte einer zuvor definierten Produktkategorie keine Kaufbereitschaft besteht, nicht aber, dass die Kaufbereitschaft von der Ausgestaltung der Alternative abhangt. Vgl. Alters, S./Brockhoff, K. (1985), S. 191ff.; Tscheulin, O.K. (1992), S. 63ff Vgl. Biischken, J. (1994b), S. 80. Vgl. Brzoska, L (2003), S. 100.
52
•
First-Choice-Regel,^^^
•
BTL-Regel^^^ und
•
Logit-Regel.^^
Nach der First-Choice-Regel entscheidet sich ein Proband stets fiir das Produkt, das unter den angebotenen Altemativen den hochsten Gesamtnutzenwert aufweist. Obwohl es sich um eine streng deteraiinistische Transformationsregel handelt, kann sie in probabilistischer Notation dargestellt werden. Denn die First-Choice-Regel ordnet dem Produkt mit dem hochsten Gesamtnutzenwert fiir einen Konsumenten eine Auswahlwahrscheinlichkeit von 1, alien anderen Produkten des simulierten Szenarios eine Auswahlwahrscheinlichkeit von 0 zu. Damit kann die First-Choice-Regel wie folgt formalisiert werden :^^^
P"^*^>'"l0,sonst
^'^
mit: p„ (k'): Wahrscheinlichkeit, dass Proband n die Alternative k' wahlt, \}^^:
berechneter Gesamtnutzen der Alternative k fiir Proband n und
K:
Anzahl der Simulationsprodukte.
Die First-Choice-Regel entspricht dem Grundgedanken des okonomischen Prinzips, wonach die Konsumenten bei der Beschaffung von Giitem ihren Nutzen maximieren, indem sie bei gegebenem Budget das Produkt wahlen, das den hochsten Nutzen stiftet. Vor diesen Uberlegungen scheint die Anwendung der First-Choice-Regel durchaus plausibel.^^^ Als zentraler Nachteil dieser Transformationsregel gilt, dass sie Informationen iiber Nutzenabstande zwischen verschiedenen Altemativen ignoriert, denn fiir die Auswahlentscheidung ist es unerheblich, ob ein sehr groBer oder lediglich ein marginaler Nutzenabstand zwischen dem meist praferierten und den folgenden Stimuli vorliegt. Dies setzt jedoch nicht nur eine exakte Nutzenwahmehmung durch die Auskunftsperson, sonder dariiber hinaus zudem eine genaue Erhebung und Schatzung der Nutzenwerte voraus, die nicht immer garantiert werden kann.^^^
Vgl. Balderjahn, I. (1991), S. 34. Die First-Choice-Regel wird alternativ auch als Maximum-LikelihoodRegel bezeichnet. Vgl. Vriens, M. (1995), S. 72f.; Green, P.E./Shnivasan, V. (1990), S. 14f. Anstatt der BTL-Regel findet man in der Literatur auch die Bezeichnungen Attraktionsmodell, Attraktionsregel oder Lwce-Modell. Vgl. Balderjahn, I. (1993), S. 193; Gutsche, J. (1995), S. 142ff.; Vriens, M. (1995), S. 72f.; Fischer, J. (2001), S. 102f.; Green, P.E./Srinivasan, V. (1990), S. 14f.; Schubert, B. (1991), S. 244; Green, P.E./Krieger, A.M. (1988), S. 114f. Vgl. bspw. Punj, G.N./Staelin, R. (1978), S. 588ff. Vgl. Gutsche, J. (1995), S. 142. Vgl.//a/z«, C. (1997),S. 154f. Vgl. Otter, T. (2001), S. 62.
53
Vor diesem Hintergrund und aufgrund ihres deterministischen Charakters sollte die FirstChoice-Regel insbesondere bei extensiven bzw. limitierten Kaufentscheidungssituationen, d.h. bei solchen mit ausgepragter kognitiver Komponente, eingesetzt werden. In diesen Fallen kann unterstellt werden, dass die Produktaltemativen in einem langen und aufwandigen EntscheidungsprozeB sehr genau gegeneinander abgewogen werden und Produkte selbst bei einem nur geringen Nutzenvorteil auch tatsachlich ausgewahlt werden."^^^ Bei extensiven Kaufentscheidungen sind die Konsumenten beispielsweise eher bereit, umfangreiche Informationen einzuholen und weiter entfemte Einkaufsstatten aufzusuchen. Die von Bradley, Terry und Luce^^^ entwickelte BTL-Regel setzt mit ihrer probabilistischen Grundidee an der dargelegten Kritik der rein deterministischen First-Choice-Regel an. Zwar wird auch hier die Praferenzstruktur noch deterministisch modelliert. Allerdings werden durch den Einsatz der probabilistischen Auswahlregel Unsicherheiten bei der Prognose beriicksichtigt. Diese Unsicherheit ergibt sich aus der Annahme, dass ein Konsument nicht nur das nutzenmaximale, sondem prinzipiell alle Altemativen des Sets zu kaufen bereit ist und dementsprechend fur alle Produkte eine zumindest marginale Kaufbereitschaft aufweist. Die Kaufwahrscheinlichkeit resultiert aus dem Quotient aus Gesamtnutzenwert des betrachteten Produktes und der Summe der Gesamtnutzenwerte aller simulierten Stimuli:
Pn(k) = - i ^
(8)
k=l
Im Gegensatz zur First-Choice-Regel fiihrt die Anwendung des Grundmodells der BTL-Regel dazu, dass einem Stimulus bei Existenz mehrerer Produktaltemativen wohl die hochste, aber dennoch keine Wahlwahrscheinlichkeit von 1 zugeordnet wird. Die Ergebnisse sind damit weniger extrem als bei der First-Choice-Regel."^^^ Allerdings setzt die BTL-Regel ein verhaltnisskaliertes Datenniveau voraus, wahrend die Conjoint-Analyse aufgrund der fehlenden Bedeutung der absoluten Nutzenwerte lediglich intervallskalierte Nutzenwerte liefert, da der Nutzen hier keinen absoluten Bezugspunkt beSchlieBlich existiert noch die Logit-Regel,"^^^ die ebenfalls probabilistischen Charakter hat, aber zumeist nur in Verbindung mit den wahlbasierten Conjoint-Ansatzen^^^ verwendet wird. Sie defmiert die Kaufwahrscheinlichkeit als Quotient des exponentierten Gesamtnutzenwerts
Vgl. Teichert, T. (2001a), S. 75; Gutsche, J. (1995), S. 142f. 269
Vgl. Bradley, RA./Terry, M.E. (1952), S. 324ff, Luce, R.D. (1959), S. 5ff.
270
Vgl. Bretton-Clark (1989), S. 53; Balderjahn, I. (1993), S. 109; Otter, T. (2001), S. 62f; Elrod, T./Kumar, S.K. (1989), S. 259ff.; Curry, J. (1997), S. 10. Vgl. Teichert, T. (2000), S. 477. Vgl. McFadden, D. (1976), S. 363ff. Vgl. zu den wahlbasierten Verfahren Abschnitt 3.3.
54
mit Basis e des betrachteten Stimulus und der Summe der exponentierten Gesamtnutzenwerte aller simulierten Stimuli.^^"^ Im Zusammenhang mit der Entscheidungsregel wird haufig die so genannte IIA-Eigenschaft {Independence of Irrelevant Alternative) diskutiert."^^^ Danach sollte die relative Wahlwahrscheinlichkeit von zwei Altemativen bei Hinzunahme einer weiteren Alternative keine Anderung erfahren.^^^ Die BTL-Regel und auch die Logit-Regel sollten zum einen nur fur Entscheidungen zwischen echten Altemativen, die sich in den Auspragungen der Eigenschaften deutlich voneinander unterscheiden, eingesetzt werden.^^^ Zum anderen tritt das mit der IIAEigenschaft verbundene Problem ebenfalls nicht auf, wenn es sich um eine Auswahl relativ gleichartiger Altemativen handelt, wie sie typisch fiir eine Auswahl im Consideration Set ist.^^^ Mit anderen Worten erweist sich die Anwendung einer probabilistischen Transformationsregel aufgmnd der IIA-Eigenschaft inrnier dann als problematisch, wenn heterogene Substitutionsbeziehungen zwischen den dem Wettbewerbsszenario zugmnde liegenden Altemativen bestehen. Die Ausfiihmngen verdeutlichen, dass fiir die Begrundung der Wahl einer Entscheidungsregel Uberlegungen insbesondere zu der Art der vorliegenden Kaufentscheidung und zu den Substitutionsbeziehungen der abgebildeten Simulationsprodukte anzustellen sind. Allerdings kann die Giiltigkeit der Hypothesen tiber das Auswahlentscheidungsverhalten und damit die Gultigkeit der Entscheidungsregel empirisch kaum uberpruft werden. Damit geht ein nicht unerheblicher Manipulationsspielraum einher, denn in Abhangigkeit der verwendeten Transformationsregel kann es zu erheblichen Differenzen bei der Prognose der Auswahlwahrscheinlichkeiten kommen.^^^
Vgl. Kapitel 3.3.1.1. Vgl. fiir eine Gegeniiberstellung der verschiedenen Auswahlregeln Huber, J./Moore, W.L. (1979), S. 64ff.; Green, P.E./Krieger, A.M. (1988), S. 114ff. Vgl. zur IIA-Eigenschaft Green, P.E./Srinivasan, V. (1978), S. 113; Buckley, P.G. (1988), S. 135. Der Begriff hat sich so in der Literatur durchgesetzt, ist aber irrefuhrend, weshalb Block/Marschak vorschlagen, von „Irrelevance of Added Alternatives" zu sprechen, vgl. Block, H.D./Marschak, J. (1960), S. 100. Zur Veranschaulichung wird in der Literatur haufig das „Red-Bus/Blue-Bus-Problem" von BenAkiva/Lerman herangezogen. Danach wird die Verkehrsmittelwahlentscheidung auf die Nutzung privater PKW bzw. roter offentlicher Busse reduziert, die jeweils eine Wahlwahrscheinlichkeit von 0,5 besitzen. Werden nun zusatzlich blaue Busse als Verkehrstrager beriicksichtigt, sinkt die Wahlwahrscheinlichkeit fiir PKW und rote Busse unter der Voraussetzung, dass der Proband indifferent gegeniiber der Farbe des Busses ist, auf 0,33. Die drei Altemativen haben denselben Nutzen, also teilen sie sich den Markt. Problematisch ist, dass durch die Beriicksichtigung einer nicht relevanten Alternative die Wahlwahrscheinlichkeit fiir den offentlichen Bus insgesamt zunimmt. Diese Verschiebung scheint jedoch sehr fragwiirdig, da die Farbe des Busses keinen Einfluss auf das Entscheidungsverhalten haben und aus diesem Grund eine ausschlieBliche Substitutionsbeziehung zwischen roten und blauen Bussen bestehen diirfte. Vgl. Ben-Akiva, M./Lerman, S.R. (1985), S. 5Iff. Vgl. allgemein zur Losung der Problematik durch hierarchische Modellierung Tversky, A./Sattath, S./Slovic, P. (1988), S. 371ff; Kahn, B./Moore, W.L./Glazer, R. (1987), S. 96ff. Vgl. Batsell, R.R./Louviere, J.J. (1991), S. 199ff, Balderjahn, I. (1993), S. 132, Gutsche, J (1995), S. 163. Vgl. Debreu, G. (1960), S. 186ff.; Henrichsmeier, S. (1998), S. 32; Gensch, D.H./Soofi, E.S. (1995), S. 25ff.; Horowitz, JL/Louviere, J.J (1995), S. 39ff.; Manrai, A.K./Andrews, R.L. (1998), S. 193ff.; Nedungadi, P. (1990), S. 263ff.; Jedidi, K./Kohli, R./DeSarbo, W.S. (1996), S. 364ff. Vgl. zu dieser Problematik die Untersuchungen von Albers, S./Brockhoff, K. (1985), S. 191ff und Brzoska, L. (2003), S. 104f.
55
3.1.2.3.2 Aggregation der individuellen Kaujwahrscheinlichkeiten zu Kauferanteilen Zur Ermittlung der Kauferanteile werden die zuvor mit Hilfe einer Entscheidungsregel ermittelten individuellen Auswahlwahrscheinlichkeiten aggregiert. Der erwartete Kauferanteil kak entspricht dem arithmetischen Mittel der individuellen Auswahlwahrscheinlichkeiten und kann formal wie folgt dargestellt werden.
ip„(k)
ka,=^=L__
(9)
mit: N: Anzahl der Auskunftspersonen Unter der Voraussetzung, dass jeder Nachfrager in der betrachteten Periode genau ein Produkt kauft, was am ehesten bei Gebrauchsgiitem eine realistische Annahme ist, entspricht der Kauferanteil bei reprasentativer Stichprobe dem Marktanteil. Allerdings ist zu beachten, dass die mit Hilfe der Conjoint-Analyse ermittelten Praferenzen sich auf den Z^itpunkt der Erhebung beziehen. Aus diesem Grunde konnen gerade im Zusammenhang mit Innovationen keine allzu langen Prognosezeitraume gewahlt werden. Gegebenenfalls sind die Conjoint-Studien regelmaBig zu wiederholen, um so systematische Veranderungen der Praferenzen erfassen zu konnen. 3.1.2.4 Beurteilung der Gute der Ergebnisse Die Ergebnisse der Conjoint-Analyse sollten zunachst einer einfachen Plausibilitatsbetrachtung unterzogen werden. Dabei sollte insbesondere gepriift werden, inwieweit sich die Einflussrichtung der einzelnen Nutzenparameter auf den Gesamtnutzen mit den PrioriErwartungen deckt. AuBerdem kann gepriift werden, ob die Nutzenparameter einen signifikanten Einfluss auf den Gesamtnutzenwert haben. Dazu wird der t-Test verwendet:
te„^=-^ mit: temp:
empirischer t-Wert,
P„j^: Nutzenparameter der Auskunftsperson n fiir Auspragung m der Eigenschaft j . Op : Standardabweichung der Nutzenparameter.
56
(10)
Da bei der TCA die fiinktionalen Zusammenhange haufig gering parametrisiert sind, d.h. nur wenige Freiheitsgrade oder kein Freiheitsgrad vorliegen, resultieren nicht selten instabile Parameterschatzungen, die sich in einer hohen Streuung auBem.^^^ Dariiber hinaus kann die Anpassungsgiite (interne Validitat), die eine Aussage beziiglich der Anpassung des Modells an die Beobachtungen macht, zur Beurteilung benutzt werden.^^^ Die Anpassungsgiite wird bei OLS-Schatzungen zumeist durch das BestimmtheitsmaB oder das korrigierte BestimmtheitsmaB iiberpruft.^^^ Das BestimmtheitsmaB misst dabei den Anteil der durch das Conjoint-Modell erklarten Varianz an der Gesamtvarianz der abhangigen Variablen:^«^
1(0.-u J
j^.^SQE^^
^^^^
nut: R^:
BestinuntheitsmaB,
SQE: erklarte Abweichungsquadratsumme, SQT: gesamte Abweichungsquadratsunrnie,^^"* U„^: geschatzter Gesamtnutzenwert der Alternative k fiir Auskunftsperson n, U„:
arithmetisches Mittel der beobachteten Gesamtnutzenwerte fiir Auskunftsperson n,
V^y.: beobachteter Gesamtnutzenwert der Alternative k fiir Auskunftsperson n. Das BestinmitheitsmaB kann nur Werte zwischen den beiden Grenzfallen R^ = 0 (kein Erklarungsbeitrag) und R^= 1 (vollstandige Erklarung) annehmen.^^^ Das BestinmitheitsmaB wird in seiner Hohe durch die Anzahl der beriicksichtigten Parameter beeinflusst, da mit einer Hinzunahme von Parametem ein mehr oder weniger groBer Erklarungsanteil hinzugefiigt wird, der allerdings mOglicherweise nur zufallig bedingt ist. Das korrigierte BestinmitheitsmaB tragt diesem Sachverhalt Rechnung, indem es das einfache BestinmitheitsmaB um eine Korrektur-
Teichert hat zudem auf zahlreiche unterparametrisierte Conjoint-Studien hingewiesen, bei denen die Anzahl der Stimuli nicht ausreicht, um eindeutige Nutzenparameter zu schatzen, vgl. Teichert, T. (2001a), S. 16f. Vgl. Miiller-Hagedorn, L./Sewing, E./Toporowski, W. (1993), S. 126. Vgl. Gensler, S. (2003). S. 34. Vgl. Bamberg, G./Baur, F. (2002), S. 45. Die gesamte Abweichungsquadratsumme SQT setzt sich aus der nicht erklarten Abweichungsquadratsumme SQR (Quadratsumme der Residuen) und der durch die Regressionsfunktion erklarten Abweichungsquadratsumme SQE zusammen, vgl. Bleymiiller, J./Gehlert, G./Gulicher, H. (2002), S. 144. Vgl. Bleymiiller, J./Gehlert, G./Gulicher, H. (2002), S. 145.
57
groBe vermindert, die um so groBer ist, je groBer die Anzahl der Parameter und je kleiner die Anzahl der Freiheitsgrade ist. ^^^
[i:(M,-i)](i-RO ^korr
(12)
- ^
K-[i:(M,-i)]-- 1 ^
J
' I
mit:
Rl^^:
korrigiertes BestimmtheitsmaB,
J:
Anzahl der Merkmale j ,
M J:
Anzahl der Auspragungen des Merkmals j ,
K:
Anzahl der Altemativen k,
K - ^ (M j -1) - 1 : Anzahl der Freiheitsgrade. Insbesondere bei ordinalen Daten wird daruber hinaus Kendall's Tau eingesetzt, das ein Ma6 fur die Ubereinstimmung von beobachteter und berechneter Rangreihenfolge der Altemativen darstellt.^^^ Kendall's Tau =
\ ^
. -1
(13)
K(K-1)
mit:
3.1.3 Grenzen der Traditionellen Conjoint-Analyse als Ansatzpunktefur Weiterentwicklungen Wie die vorangegangenen Darstellungen bereits zeigen, ist die TCA mit einigen Mangeln behaftet, die zugleich als Ausgangspunkt fur Weiterentwicklungen und Neuentwicklungen von Verfahrensvarianten verstanden werden konnen. Neben zahlreichen sekundaren konnen zwei Hauptproblemfelder hinsichtlich des Verfahrens der TCA unterschieden werden. Zum einen kann die TCA nur eine relativ begrenzte Anzahl an Merkmalen und Auspragungen abbilden. Wird diese Anzahl iiberschritten, steigt der kognitive Aufwand fiir die Befragten
Vgl. Backhaus, K.et al. (2003), S. 67f. Kendall's Tau ist bei ordinalen Daten besonders verbreitet, eignet sich aber auch bei metrischen Schatzungen, vgl. Miiller-Hagedorn, L/Sewing, E./Toporowski, W. (1993), S. 123. Vgl. zu Kendall's Tau Kendall, M.G./Gibbons, J.D. (1990), S. 5. Vgl. dabei zur genauen Ermittlung der konkordanten Paare Kendall, M.G./Gibbons, J.D. (1990).
58
iiber ein vertretbares MaB."^^^ Ein Ansatzpunkt zur Reduktion der Eigenschaftsliste stellt insbesondere die Wichtigkeit des Merkmals dar.^^^ Wahrend die Bestimmung der individuell wichtigen Merkmale noch relativ unproblematisch ist,^^' fallt die Entscheidung schwerer, ab welchem Wichtigkeitsniveau ein Merkmal in die Entscheidung mit einzubeziehen ist. Bei der Merkmalsauswahl auf aggregierter Ebene ist dariiber hinaus die Streuung der Merkmalswichtigkeit zwischen verschiedenen Probanden zu beriicksichtigen. Als Extremfall ist vorstellbar, dass fiir die eine Halfte von Auskunftspersonen gewisse Merkmale besonders bedeutsam sind, die fiir die andere Halfte vollig unwichtig sind.^^^ Allerdings handelt es sich hierbei wohl eher um Einzelfalle. Zudem belegen einige empirische Studien, dass eine Fokussierung auf die wichtigsten Merkmale die Giite der Untersuchungsergebnisse nicht wesentlich verschlechfot^ 293
ten. Die zweite Problematik ist dagegen grundsatzlicher, denn die TCA kann lediglich Praferenzstrukturen abbilden, da die „ermittelten Praferenzdaten keinerlei Informationen iiber ein mogliches Wahlverhalten der Probanden"^^"^ enthalten. Haufig werden Conjoint-Analysen aber fiir Marktsimulationen eingesetzt, beispielsweise sollen Marktanteile oder Absatzvolumina bei verschiedenen Ausgestaltungsformen des eigenen Produktes bestinmit werden."^^^ Marktsimulationen auf Grundlage der TCA fiihren zumeist zu wenig aussagekraftigen Ergebnissen, weil der Ansatz nicht bestinmien kann, ab welcher Ausgestaltungsform der Proband ein Produkt der betrachteten Kategorie kaufen wiirde.^^^ Die haufig verwendete Vereinfachung, er besitze fur alle denkbaren Kombinationen der Merkmalsauspragungen eine prinzipielle Kaufbereitschaft, fiihrt in der Realitat zu wenig aussagekraftigen Ergebnissen."^^^ Bei vielen Produktkategorien hangt die Kaufbereitschaft von der konkreten Ausgestaltung der angebotenen Produkte ab. 3.1.4 Systematisierung von Verfahrensvarianten der Conjoint-Analyse ausgehend von der Traditionellen Conjoint-Analyse Es wurde eine Reihe von Verfahrensvarianten entwickelt, die eine Reduktion der Anzahl der von jedem Probanden zu beurteilenden Stimuli erlauben. Im Rahmen von hybriden Verfahren geht dem dekompositionellen Conjoint-Ansatz ein kompositioneller Befragungsteil voraus.
^^^ Thomas, Weiss, Muller/Kesselmann, Jiingst/Mengen, Weiber/Rosendal und Teichert gehen bspw. davon aus, dass spatestens bei einer Anzahl von 20 Alternativen eine Informationsuberlastung der Probanden zu erwarten ist, Thomas, L (1983), S. 310; Weiss, PA. (1992), S. 69ff.; MUller, S./Kesselmam, P. (1994), S. 260ff.; Jiingst, K./Mengen, A. (1995), S. 91ff.; Weiber, R./Rosendahl, T (1997), S. 107ff.; Teichert, T. (2000), S. 47 Iff. ^^ Vgl. Weiber, R./Rosendahl, T. (1997), S. 112. ^^' Vgl. Schweikl, H. (1985), S. 102ff. 2^2 Vgl. Weiber, R./Rosendahl, T (1997), S. 112. 2^^ Vgl. Pullman, M.E./Dodson, K.J./Moore, W.L (1999), S. Iff. ^^^ Weiber, R./Rosendahl, T (1997), S. 114. 2^5 Vgl.Orme, 5. (2003),S. Iff. ^^ Vgl. bspw. Balderjahn, I. (1993), S. 112. 2^^ Vgl. Jedidi, K./Kohli, R./DeSarbo, W.S. (1996), S. 364ff.
59
Dabei existiert in der Kegel ein umfangreiches Gesamtdesign, das jedoch von den einzelnen Auskunftspersonen nicht vollstandig beurteilt wird. Vielmehr werden die einzelnen Probanden gemaB der Ergebnisse des kompositionellen Befragungsteils unterteilt. Entweder werden dazu homogene Gruppen gebildet und das Gesamtdesign auf die Mitglieder der Gruppe verteilt (HCA), Oder die Altemativen auskunftspersonenspezifisch individualisiert (ACA und ICA).^^« LCA und CBCA sind zwei Ansatze, die Informationen iiber das Auswahlverhalten der Befragten erheben, die dann zur Simulation von Markten verwendet werden. Die LCA ist eine Erweiterung der TCA, bei der die Auskunftsperson in einem zusatzlichen Schritt diejenigen Altemativen, fiir die sie grundsatzlich Kaufbereitschaft aufweist, von denjenigen, die sie unter keinen Umstanden kaufen wiirde, trennt. Bei wahlbasierten Verfahrensvarianten der ConjointAnalyse wahlt der Proband mehrfach in unterschiedlichen Situationen zwischen verschiedenen Altemativen. Zumeist werden die Produktaltemativen um eine Nicht-Kauf-Option, mit der die Auskunftsperson ausdriicken kann, dass sie keine der gerade prasentierten Altemativen wahlen wiirde, erganzt. Damit erhalten die Nutzenwerte ahnlich wie bei der LCA ein Bezugsniveau und konnen i.d.R. zur Marktsimulation verwendet werden. Abbildung 14 gibt einen Uberblick iiber die oben skizzierten Verfahrensvarianten, wobei die Grenzen der TCA als Ausgangspunkt fur die Weiterentwicklungen dargestellt werden. Im Folgenden werden die in Abbildung 14 auf der linken Seite dargestellten Verfahren, die eine Beriicksichtigung einer groBeren Anzahl an Merkmalen und Auspragungen zulassen, nicht weiter verfolgt, da sie sich nicht zur Prognose von Kaufentscheidungen eignen. Ausfiihrlicher beschrieben und fiir den Vergleich mit Hilfe der Simulationsstudie im praktischen Teil der Arbeit herangezogen werden die metrischen Limit-Conjoint-Ansatze sowie die wahlbasierten Ansatze.^^
^^^ Vgl. zu den hybriden Verfahrensvarianten der Conjoint-Analyse Abschnitt 1.1 und Hemel-Borner, (2000). ^^ Vgl. Abschnitte 3.2, 3.3, 3.4.
60
S.
Abbildung 14: Grenzen der TCA als Ansatzpunkt fur Verfahrensvarianten 3.2
Limit-Conjoint-Analyse (LCA) als auswahlbezogene Weiterentwicklung des metrischen Traditionellen Conjoint-Analyse-Ansatzes
3.2.1 Grundlegende Charakterisierung der Limit-Conjoint-Analyse Die LCA zeichnet sich von den hier vorgestellten Ansatzen durch die engste Verwandtschaft zur TCA aus. Ansatzpunkt fur die Verfahrenserweitening sind Verzerrungen und Beschrankungen des Anwendungsgebietes der TCA aufgrund der fehlenden Beriicksichtigung von Auswahlentscheidungen. Bei moglichen Nicht-Kaufen lassen sich verschiedene Falle unterscheiden. Relativ unproblematisch ist der Fall, dass ein Proband kein Interesse beziiglich der Angebote einer bestimmten Produktkategorie aufweist. Dieser Fall kann durch direkte Abfrage bzw. durch eine geeignete Auswahl der Probanden erfasst werden.^^ Zudem kann die Auskunftsperson zwar durchaus eine prinzipielle Kaufbereitschaft fur eine bestimmte Produktkategorie aufweisen, das konkrete Kaufinteresse aber von der Ausgestaltung der Alternative abhangen.^^^ Kaufbereitschaft liegt also nicht fur jede Alternative vor, sondem lediglich fiir solche, die eine bestimmte Nutzenschwelle iiberschreiten.
Vgl. Backhaus, K./Voeth, M. (2003), S. 4. Vgl. Backhaus, K./Voeth, M./Hahn, C. (1998), S. 3ff. Darunter ist auch der Fall zu zahlen, dass die Auskunftsperson fiir die im Rahmen der Erhebung prasentierten Stimuli keine Kaufbereitschaft aufweist, diese allerdings nur eine Teilmenge der in der Realitat angebotenen Alternativen darstellen und sich die Auskunftsperson iiber attraktivere Alternativen bewusst ist, die sie auch kaufen wiirde, vgl. Backhaus, K./Voeth, M. (2003), S. 3.
61
Die LCA setzt mit der Modellierung eines zweistufigen Erhebungsprozesses genau an dieser Stelle an.^^^ Die erste Stufe entspricht der TCA, wahlweise mit Rangreihung oder Punktbewertung als Bewertungsmethode."^^^ Es werden analog zur TCA Praferenzurteile erhoben, indem den Auskunftspersonen die Stimuli des reduzierten Designs zur Bewertung auf der gewahlten Skala vorgelegt werden. Die zweite Stufe stellt die Weiterentwicklung der LCA dar. Hier wird der Proband zu einer Aufteilung aller zuvor bewerteten Stimuli in kaufenswerte und nicht kaufenswerte Produktaltemativen aufgefordert.^^ Auf diese Art und Weise werden hypothetische Kaufbereitschaften auf Basis der Praferenzurteile erhoben. Wird die Profilmethode betrachtet, muss hinsichtlich der Bewertungsmethode zwischen Ranking- und Rating-Verfahren differenziert werden. Beim Ranking-Verfahren erfolgt die Trennung zwischen kaufenswerten und nicht kaufenswerten Altemativen durch Angabe des Ranges, den die Auskunftsperson als gerade noch kaufenswert erachtet.^^^ Umgesetzt wird die Separierung mit Hilfe der so genannten Limit-Card, die hinter dem letzen als gerade noch kaufenswert empfundenen Stimulus platziert wird.^^ Die Limit-Card muss nicht notwendigerweise zwischen den bewerteten Stimuli, sondem kann auch hinter dem schlechtesten bzw. vor dem besten Angebot platziert werden, um Kaufbereitschaft fiir alle bzw. keine der angebotenen Altemativen auszudriicken.^^^ Bei Anwendung der Profilmethode in Verbindung mit dem Rating-Verfahren kann der Ort der Limit-Card zwischen dem gerade noch und dem gerade nicht mehr kaufenswerten Stimulus genauer bestinmit werden, denn die Limit-Card wird nicht nur platziert, sondem dariiber hinaus werden die Auskunftspersonen aufgefordert, auch fiir die Limit-Card einen genauen Punktwert anzugeben.^^^ Auf diese Art und Weise konnen unterschiedlich groBe Nutzenabstande zu der einen oder anderen Seite kenntlich gemacht werden. Beriicksichtigt man, dass RatingVerfahren insbesondere dann eingesetzt werden, wenn von unterschiedlich groBen Nutzenabstanden zwischen den verschiedenen benachbarten Karten auszugehen ist, erscheint es sinnvoll, diesen detaillierten Informationsgrad auch fiir die Platzierung der Limit-Card zu verlangen. Die Unterscheidung von kaufenswerten und nicht kaufenswerten Produktaltemativen durch die Verwendung der Limit-Card erlaubt eine Modifikation des Nutzenmodells der TCA. Beim Einsatz metrischer Losungsalgorithmen auf die Profilmethode in Verbindung mit dem Ranking-Verfahren werden die Rangplatze linear in Nutzenwerte transformiert. Der Einsatz metrischer Losungsalgorithmen in Verbindung mit dem Ranking-Verfahren ist unter der Voraussetzung zulassig, dass die Abstande zwischen benachbarten Rangplatzen und nach der Trans-
302
Vgl. Backhaus, K./Brzoska, L (2003), S. 27.
303
Vgl. Backhaus, K./Voeth, M. (2003), S. 9ff..
304
Vgl. Voeth, M./Hahn, C. (1998), S. 120ff.
305
Vgl. Backhaus, K./Voeth, M./Hahn, C. (1998), S. 13f.
306
Vgl. Voeth, M. (1998), S. 318ff.
307
Vgl. Voeth, M. (2000), S. 89. Vgl. Backhaus, K./Voeth, M. (2003), S. 9ff.
62
formation damit auch die Abstande zwischen benachbarten Nutzenwerten als annahrend aquidistant eingeschatzt werden.^^ Nur unter dieser Voraussetzung ist eine intervall-skalierte Interpretation der ordinalen Daten und die damit einhergehende Heraufsetzung des Skalenniveaus zulassig.310 1st die Pramisse nicht tragbar, wird das Rating-Verfahren verwendet, bei dem die Punktwerte direkt als Nutzenwerte interpretiert werden konnen. Die weiteren Schritte sind fiir Rating- und Ranking-Verfahren identisch.
HiH?HiMzH8H5>-
Rang—0—(2y-(3Wn D CDJ O CO
Score
2,5
O CO
1,5
O
(0
0,5
0
2^ L2 ®
2CD
D CD O CO
O CO
O CO
-0,5
O CO
2^0
2 ^
P CO
O CO
-1,5 -2,5 -3,5 -4,5 -5,5
Abbildung 15: Beispiel fiir die Skalentransformation bei der LCA^^^ Durch die Platzierung der Limit-Card wird der Ort markiert, an dem eine Auskunftsperson indifferent in Hinblick auf Kauf oder Nicht-Kauf ist.^^^ Dieser Ort wird auch als Nutzennullpunkt bezeichnet und dient als Referenzpunkt fiir eine Transformation der urspriinglichen ordinalen bzw. metrischen Bewertungen durch eine Skalenverschiebung. Da es sich um eine lineare Transformation der empirischen Gesamtnutzenwerte handelt, verandem sich die Teilnutzenwerte und die daraus abgeleiteten relativen Wichtigkeiten nicht.^^^ Lediglich der Basisnutzen wird entsprechend der Position der Limit-Card verschoben.^'"^ Den Basisnutzendifferenzen, die identisch mit den Differenzen der Gesamtnutzenwerte von TCA und LCA sind, liegt somit fiir das Ranking-Verfahren folgende Transformationsregel zugrunde:^^^
U^ = U ^ + L R „ - K - 0 . 5
(14)
Vgl. Voeth, M./Hahn, C. (1998), S. 122 und allgemein zur asymptotischen Annaherung von Rangdaten an die Intervallskaliening Teichert, T. (1998), S. 1248ff. Vgl. Backhaus, KJVoeth, M. (2003), S. 8f. Quelle: In enger Anlehnung an Hahn, C./Voeth, M. (1997), S. 14. 312 313 314
Vgl. Brzoska, L (2003), S. 112. Vgl. Voeth, MJHahn, C. (1998), S. 123. Vgl. Voeth, M. (2000), S. 84. Vgl. Backhaus, K./Voeth, M. (2003), S. 12.
63
mit: U ^ : Gesamtnutzenwert des Stimulus k bei Proband n fiir die L C A , Ukn^
Gesamtnutzenwert des Stimulus k bei Proband n fiir die T C A ,
LRn:
Rangplatz, hinter den Proband n die Limit-Card platziert hat,
K:
Anzahl der Stimuli des reduzierten Designs.
Fiir die Profilmethode in Verbindung mit dem Rating-Verfahren resultiert folgende Modifikation der Transformationsregel: UL=U^+LP„
(15)
mit: LPn:
Punktzahl, die der Proband n der Limit-Card zugewiesen hat.
Aufgrund der Linearitat der Transformation kann die Skalentransformation wahlweise vor Oder nach Berechnung der Basis- und Teilnutzenwerte durch den metrischen Losungsalgorithmus erfolgen.^^^ Die Platzierung der Limit-Card stellt zunachst eine nominal-skalierte Information („auswahlfahig" bzw. ,,nicht-auswahlfahig") bzgl. jedes einzelnen Stimulus dar."^*^ Erst die Interpretation der Position der Limit-Card als Nutzennullpunkt hebt das Skalenniveau ein weiteres Mai an, und zwar von intervallskaliert auf verhaltnisskaliert.^^^ Dabei muss zudem eine identisch skalierte Beurteilung der kaufenswerten und nicht kaufenswerten Altemativen unterstellt werden.^^^ Dariiber hinaus muss der Abstand zwischen den an die Limit-Card angrenzenden Karten genauso groB sein wie der Abstand zwischen kaufenswerten und nicht kaufenswerten benachbarten Stimuli. Die LCA ist also in Verbindung mit dem Ranking-Verfahren nur dann zulassig, wenn kein „Nutzengraben" an der Position der Limit-Card vorliegt.^^^ Eine Platzierung vor der besten der angebotenen Altemativen bedeutet zunachst, dass lediglich fiir die Stimuli des reduzierten Designs keine Kaufbereitschaft vorliegt. Nach obiger Transformationsregel (vgl. Gleichung (15)) ergibt sich fiir den besten Stimulus im reduzierten Design ein Gesamtnutzenwert von -0,5, was allerdings nicht bedeutet, dass das vollstandige Design keine Produktaltemativen umfasst, fur die positive Limit-Gesamtnutzenwerte berechnet werden konnen. Analog ergibt eine Platzierung der Limit-Card hinter den schlechtesten Stimulus einen Gesamtnutzenwert fiir die schlechteste Alternative des reduzierten Designs in Hohe von
Bei einer Anwendung der Transformationsregel auf die berechneten Gesamtnutzenwerte ist entsprechend die Bezeichnung der Variablen zu andem: U,yj-> U ^ etc. Vgl. Voeth, M. (2000), S. 82. Vgl. Voeth, M./Hahn, C. (1998), S. 121. Vgl. Voeth, M. (2000). Vgl. Brzoska, L (2003), S. 113.
64
0,5.^^^ Es kann durchaus vorkommen, dass im vollstandigen Design fur eine Produktaltemative ein negativer Gesamtnutzenwert ermittelt wird. Diese Besonderheit ist gegeben, wenn der am besten (schlechtesten) beurteilte Stimulus im reduzierten Design nicht zugleich der Stimulus des vollstandigen Design ist, der aus Sicht der Auskunftsperson die jeweils besten (schlechtesten) Merkmalsauspragungen auf sich vereint. Die nicht eindeutige Klassifizierung der Auskunftspersonen als Kaufer oder Nicht-Kaufer durch die Positionierung der Limit-Card an den Randem der gerangreihten Stimuli ist insofem problematisch, als dass kategorischen Kaufem (Nicht-Kaufem) falschlicherweise Kaufbereitschaft (bzw. keine Kaufbereitschaft) fiir eine oder mehrere Produktaltemativen unterstellt werden konnte.^^^ Eine derartige Fehlzuordnung kann im Kontext von Marktsimulationen zu einer leichten Uber- bzw. Unterschatzung des jeweiligen Marktpotentials fuhren.^^^ Werden die Pramissen des Ranking-Verfahrens als zu restriktiv angesehen, sollte das RatingVerfahren verwendet werden.^^"^ 3.2.2 Moglichkeiten der Simulation von Kaufentscheidungen Mit Hilfe der berechneten Nutzenwerte der LCA konnen Kaufentscheidungen und darauf aufbauend Markte simuliert werden.^^^ Dazu werden anhand der in der Studie beriicksichtigten Merkmale und Merkmalsauspragungen Gesamtnutzenwerte fiir eine oder mehrere verschie-
Vgl. Voeth, M. (2000), S. 83. Vgl. Brzoska, L. (2003), S. 216. In diesem Zusammenhang ist darauf hinzuweisen, dass es bereits bei der TCA aufgnind der Reduzierung des Designs zu Inkonsistenzen bei der Praferenzschatzung kommen kann. Die Reduzierung des Designs verringert zwar den Bewertungsaufwand durch die Auskunftsperson, fuhrt aber zugleich zu Informationsverlusten. Bei der LCA treten neben die Informationsverluste hinsichtlich der Praferenzschatzung noch Informationsverluste hinsichtlich der Bestimmung der kaufrelevanten Produktaltemativen aufgrund der Reduzierung des vollstandigen Designs. Selbst bei konsistenter Limit-Card-Positionierung im reduzierten Design konnen im Vergleich zum vollstandigen Design Falle auftreten, in denen irrtiimlich fiir einige Produktaltemativen Kaufbereitschaft bzw. keine Kaufbereitschaft ermittelt wird, vgl. Stadie, E. (1998), S. 71; Brzoska, L. (2003), S. 113f Diese Problematik ist auf die Pramisse gleicher Rangabstande zuriickzufiihren. Derartige Limit-Card-Positionierungseffekte sind jedoch zu vermeiden, wenn die Ermittlung unterschiedlicher Rangabstande bspw. durch die Verwendung des Rating-Verfahrens ermoglicht wird, vgl. Voeth, M. (2000), S. 91. Die Ausfiihrungen von Stadie, der eine „leichte Uberschatzung des Marktpotenzials" durch die LCA herleitet, sind damit eine einseitige Betrachtung der erlauterten Problematik, vgl. Stadie, E. (1998), S. 71. Es muss abgeschatzt werden, inwieweit die beiden Fehlerarten sich gegenseitig zu kompensieren vermogen. Nach Durchfiihrung der Befragung konnen beispielsweise die Positionen der Limit-Card analysiert werden. AuBerdem besteht die Moglichkeit, zu untersuchen, ob es sich bei den Stimuli des reduzierten Designs fiir die Probanden, die die Limit-Card vor dem besten oder nach dem schlechtesten Stimulus des reduzierten Designs platziert haben, zugleich um die aus Sicht des urteilenden Individuums schlechteste bzw. beste Kombination der Merkmalsauspragungen handelt. Im Rahmen der Konzeption der Studie kann bei relativ gut abschatzbarer Vorziehenswiirdigkeit versucht werden, bewusst die Kombinationen bestehend aus den tendenziell besten und den tendenziell schlechtesten Merkmalsauspragungen im reduzierten Design zu erfassen. Eine weitere Alternative, um die dargestellte Problematik beim Ranking-Verfahren abzuschwachen, ist die Aufnahme einer Zusatzfrage iiber die prinzipielle Kaufbereitschaft fiir Produkte der betrachteten Kategorie. Vgl. Backhaus, K./Voeth, M. (2003), S. 9ff Allerdings muss hier abgewagt werden, ob die formal exaktere Formulierung durch die hohere kognitive Belastung, die das Rating-Verfahren fiir die Auskunftspersonen aufgrund der zusatzlichen Angabe von Punktwerten fiir jede Produktalternative darstellt, nicht sogar iiberkompensiert wird. Vgl. Brzoska, L. (2003), S. 114.
65
dene Produktaltemativen berechnet.^^^ Die Trennung von kaufenswerten und nicht kaufenswerten Produktaltemativen mit Hilfe der Limit-Card ist prinzipiell noch keine Kaufabsichtserklarung, es handelt sich vielmehr um eine Eingrenzung der relevanten Altemativen durch die Auskunftsperson.^^^ Weisen mehrere simulierte Produktaltemativen einen positiven Gesamtnutzenwert auf, ist analog zu den in Abschnitt 3.1.2.3 vorgestellten Simulationsregeln die Auswahlentscheidung zu modellieren, wobei die Existenz nicht kaufenswerter Produktalternativen zu beriicksichtigen ist, was gleichzeitig eine Modifikation der Simulationsregeln zur Folge hat.^^^ Modiflzierte First-Choice-Regel der LCA: , . , j l , falls U„V=max^^,,...,U„\,...,U„^}AU:;,.> P"^'^>'"10, sonst
^^^^
mit: p[;(k'):Wahrscheinlichkeit, dass Auskunftsperson n die Alternative k' wahlt, U^:
berechneter Limit-Gesamtnutzen des Produktes k fur Auskunftsperson n,
Weisen mehrere Simulationsprodukte denselben maximalen positiven Gesamtnutzenwert auf, wird Indifferenz der Auskunftsperson beziiglich seiner Kaufabsichten angenommen und den Altemativen die gleiche Kaufwahrscheinlichkeit zugewiesen. Die Kaufwahrscheinlichkeit muss in diesem Fall korrigiert werden und berechnet sich als reziproker Wert der Anzahl der simulierten Produktaltemativen, fur die der gleiche maximal-positive Teilnutzenwert berechnet wird.^^^ Erst durch die Schaffiing eines Nutzennullpunktes und die damit verbundene Anhebung des Skaliemngsniveaus werden die Pramissen der BTL-Regel, die verhaltnisskalierte Daten voraussetzt, erfiillt, und es konnen im Gegensatz zur TCA aussagekraftige Ergebnisse fur Marktsimulationen erwartet werden. Analog zur First-Choice-Regel ist die BTL-Regel dahingehend zu modifizieren, dass nur Stimuli mit positivem Gesamtnutzenwert Beriicksichtigung fmden.
Diese Produktaltemativen konnen, miissen jedoch nicht im reduzierten Design enthalten sein. Ziel bei der Auswahl der zu simulierenden Produktaltemativen ist es, die Wettbewerbsverhaltnisse moglichst realitatsnah abzubilden. Dabei sind sowohl das eigene Angebot als auch die moglichen tatsachlichen oder potenziellen Angebote der Konkurrenz zu beriicksichtigen. Vgl, Voeth, M. (2000), S. 81. Nur wenn fiir genau eine der simulierten Altemativen ein positiver Gesamtnutzenwert berechnet wird, kann im Rahmen der Marktsimulation die entsprechende Auskunftsperson unmittelbar als Kaufer des entsprechenden Produktes gewertet werden. Vgl. Voeth, M./Hahn, C. (1998), S. 126. Vgl. Brzoska, L. (2003), S. 115 (FuBnote). Vor diesem Hintergrund wird deutlich, weshalb an dieser Stelle eine probabilistische Darstellung der modifizierten First-Choice-Regel verwendet wird, obwohl es sich auf den ersten Blick um eine rein deterministische Simulationsregel handelt.
66
Modifizierte BTL-Regel der LCA^^^ fjL
^T
nk' k=l
P^(kOH 0
fiirUL ,U„,VkVk;k,k'ECj = p(v„.. + 6„,.>V„,+5„,VkVk) = p(S„k-5„..U„Vk;tk' Auskunftsperson 1
Yj,,, = 1, falls U2k3 > U j ^ Vk ^ k
Auskunftsperson 2
*-' Nka ~ P N ^ Nka "*" "Nka
YN^., = 1 , falls U^k., > U^ka Vk ^ k|
Auskunftsperson N
Abbildung 19: Die verschiedenen Ebenen der HBCA Auf der oberen Ebene wird unterstellt, dass die individuellen Nutzenkoeffizienten durch eine multivariate Normalverteilung beschrieben werden. Die Parameter der multivariaten Normalverteilung werden als Vektor der Erwartungswerte b und als Matrix der Kovarianzen F angegeben. Auf der unteren Ebene wird angenommen, dass bei gegebenen individuellen Nutzenkoeffizienten die Wahrscheinlichkeiten fiir die Wahl bestimmter Altemativen einem Multinominalen Logit-Modell folgen. Die hohere Ebene kann wie folgt formal dargestellt werden:^^^ p„~Normal(b,r)
(55)
mit: P„:
Vektor der Teilnutzenwerte fur Auskunftsperson n,
b:
Vektor der Erwartungswerte der individuellen Teilnutzenwerte,
r
Kovarianz-Matrix der Verteilung der Teilnutzenwerte iiber die verschiedenen Auskunftspersonen hinweg.
Die hohere Ebene verbindet die Teilnutzenwerte der verschiedenen Auskunftspersonen, indem spezifiziert wird, dass die Heterogenitat in der Stichprobe normalverteilt mit den Parametem b und F ist.^^^ Der Proband hat Priori-Vorstellungen iiber b und F. Es sei angenommen, dass die Priori-Vorstellungen fur b die Mittelwerte der mittels OLS geschatzten Vektoren p und fiir F die Kovarianz-Matrix von p sind. Auf dem individuellen Niveau lassen sich die Auswahlwahrscheinlichkeiten, dass die Auskunftsperson n die Alternative k bei einer bestimmten Wahlaufgabe wahlt, beschreiben als:
Vgl. zur Herleitung der HBCA im Folgenden insbesondere Train, K. (2003), S. 302; Sawtooth (o.A.). Vgl. Allenby, G.MJRossi, P.E. (2003), S. 4.
97
p„(k')=^A^, £exp(p„xj
(56)
k=l
mit Pn(k'): Auswahlwahrscheinlichkeit, dass Individuum n Alternative k' wahlt, Xki
Vektor, der die Auspragungen fur die verschiedenen Merkmale der Alternative k definiert.
Da jeder Proband mehrere Choice-Sets Ca zur Beurteilung vorgelegt bekommt, kann die individuelle Wahrscheinlichkeit fiir die Gesamtheit seiner Wahlentscheidungen berechnet werden durch: P-(Yn|Pn)=nr'^"'^"'-
(57)
^'^•Xexp(l3„xJ k=l
Auf unterer Ebene des HB-Modells befinden sich also die beobachteten Auswahlentscheidungen, die fiir Choice-Sets und Auskunftspersonen variieren. Der Definition der Nutzenparameter auf Individualebene folgt schlieBlich die obere Ebene mit den gemeinsamen, verbindenden Parametem. Die nicht unter Bedingung von P„ untersuchte Wahrscheinlichkeit, die so genannte /w/jc^i/-/og//-Wahrscheinlichkeit, die annahmegemaB der Normalverteilung mit den Parametem b und F folgt, ist das Integral von p(Yn| p^) iiber alle P„: Pn(Y„|b,r) = jp„(Yjpjp(P„|b,r)dp„ ,
(58)
wobei die Verteilung p(p„ |b, F), die Dichtefunktion der Normalverteilung mit einem Mittelwert von b und einer Varianz von F, erganzt wird. b und F sind dabei als Hyperparameter zu verstehen, die die Variation in den Parametem (genauer in p„) und nicht eine durch die Daten induzierte Verandemng beschreiben. Die Posteriori-Verteilung von b und F ist definitionsgema6: p(b,F|Y)~np„(Y„|b,F>p(b,r),
(59)
n=l
wobei p(b, F) die Priori-Verteilung von b und F mit den jeweils oben beschriebenen Verteilungsannahmen darstellt. 3.3.2.2.3 Schdtzung der Nutzenparameter Es ist prinzipiell vorstellbar, direkt aus der Posteriori-Verteilung p(b,F| Y) mit Hilfe des so genannten Metropolis-Hastings-Algorithmus zu Ziehen. Allerdings miisste fiir jeden Iterationsschritt die rechte Seite von Gleichung (59) berechnet werden. Da die Mixed-logit-
98
Verteilung p„(Y„|b,r) ein viel-dimensionales Integral ist und nicht analytisch bestimmt werden kann,^'^ musste in jedem der mehreren tausend Schritte des Metropolis-HastingsAlgorithmus p„ (Y„|b,r) fur alle Auskunftspersonen n simuliert werden. Dies ware zum einen sehr zeitaufwandig, zum anderen wurde es die resultierenden Schatzwerte beeinflussen, da die Simulation der Mittelwerte der Posteriori-Funktion auf der Pramisse beruht, dass Ziehungen aus der Posteriori-Funktion vorgenommen werden konnen, ohne die Auswahlwahrscheinlichkeiten simulieren zu mussen.^^"^ Das Ziehen aus p(b,r| Y) gestaltet sich schnell und einfach, wenn jedes P„ als Parameter neben b und F interpretiert wird und mit dem Gibbs-Sampler eine relativ einfache Variante des MCMC-Algorithmus zur Bestimmung der Parameterwerte fiir b, F und Pn V n verwendet wird.^^^ Die gemeinsame Posteriori-Verteilung fur b, F und Pn V n ist:
p(b,r,p„ IY) ~ np„(Y„|p„)p(p„|b,r)p(b,r)
(60)
n=l
Mit Hilfe des Gibbs-Samplers werden die Ziehungen fiir einen Parameter jeweils unter der Annahme bestimmter Werte fiir die verbleibenden Parameter durchgeftihrt. Der GibbsSampler konvergiert ab einer bestimmten Anzahl an Iterationen gegen Ziehungen aus der gemeinsamen Posteriori-Verteilung fiir alle Parameter. Die Iterationen, die der Konvergenz vorausgehen, werden auch als burn-in bezeichnet. Dementsprechend sind fiir den Fall, dass die burn-ins iiberschritten wurden, die letzten Ziehungen aus Gleichung (60) ein Stichprobenelementvonp(b,F,PjY). Die Parameter werden in einem iterativen Prozess geschatzt, der relativ robust ist und nicht von den Startwerten abhangt. AUerdings sollte eine gute Schatzung der Startwerte zu schnellerem Konvergieren des Algorithmus fiihren. Beispielsweise konnen als Ausgangsschatzwerte gewahlt werden:^ *^ •
fur P„Vn kleinste Quadrate Schatzungen, wobei die abhangigen Variablen als 0 und 1 kodierten Wahlentscheidungen darstellen,
• •
fur b die Mittelwerte der Ausgangswerte fiir P„ Vn und fur die Matrix F die Varianzen und Kovarianzen der Ausgangswerte fiir PnVn bzw. die entsprechende Einheitsmatrix.
Ausgehend von diesen Ausgangswerten wird ein dreistufiger Iterationsprozess durchlaufen:
Eine Conjoint-Analyse mit rund 15 Teilnutzenwerten und 500 Probanden fiihrt zu einer Integration in tausenden Dimensionen, vgl. Allenby, G.M./Rossi, P.E. (2003), S. 4. ^^^ Vgl. Train, K. (2003), S. 296. ^•^ Vgl. Casella, G./George, E.I. (1992), S. 167ff.; Smith, A.F.M. (1993), S. 3ff. ^'^ Vgl. Sawtooth (2003), S. 8.
99
(1) b| r,pn: Aus den aktuellen Schatzungen fiir P^Vn und von F wird eine neue Schatzung ftir r abgeleitet. Dabei wird angenommen, dass a normalverteilt mit einem Mittelwert in Hohe der Durchschnittswerte von P^ Vn und mit einer Kovarianz-Matrix T dividiert durch die Anzahl der Auskunftspersonen n ist. Eine neue Schatzung ftir a wird aus dieser Verteilung gezogen. (2) r |b,pn: Ausgehend von aktuellen Schatzwerten ftir pn und von b wird ein neuer Schatzwert fur F aus der inversen Wishart Verteilung abgeleitet. (3) Pn|b, F: Basierend auf den jeweiligen Schatzungen ftir b und F werden neue Schatzwerte fur die Pn generiert. Dies geschieht mit Hilfe des Metropolis Hastings Algorithmus. Sukzessive Ziehungen der pn liefem eine immer besser werdende Anpassung des Modells an die Daten, bis das Modell so gut ist, dass keine relevanten Veranderungen mehr beobachtet werden bzw. eine zuvor festgelegte Obergrenze an Schritten erreicht wird. In diesem Fall hat der iterative Prozess konvergiert. Schritt (1) ist relativ einfach, Erklarung bedarf allerdings die Methode ftir das Ziehen aus einer multivariaten Normalverteilung. Die Matrix F kann mit Hilfe der so genannten CholeskyDekomposition zerlegt werden. Dazu wird F als das Produkt TT' dargestellt, wobei T eine quadratische untere Dreiecksmatrix reprasentiert. Wenn die Vektoren u und v=T u gegeben sind und alle Elemente von u unabhangig standardnormalverteilt sind, kann gezeigt werden, dass —T^uu' im Falle einer groBen Anzahl an Auskunftspersonen N eine Approximation ftir F darstellt.^*^ Ftir die Stichprobenziehung wird also eine Cholesky-Dekomposition von F durchgefuhrt, um T zu erhalten und anschlieBend T mit einem Vektor u mit unabhangig normalverteilten Abweichungen multipliziert. Der resultierende Vektor b = p +Tuq ist normalverteilt mit einem Mittelwert von P und einer Varianz von F. In Schritt (2) werden die Werte ftir F auf Grundlage gegebener Schatzwerte ftir b und P^Vn berechnet. Dabei sei P die Anzahl der Parameter, die ftir jeden Probanden n zu schatzen sind, und Q=N+P. Als Priori-Schatzungen ftir F wird die Identitatsmatrix I der P-ten Dimension verwendet. Die Matrix H kombiniert die Priori-Informationen mit den gerade aktuellen Schatzwerten ftir b und PnVn :
H = P-I + J(b-pJ(b-p„)'
(61)
n=l
H'^ wird mit Hilfe der Cholesky-Dekomposition ermittelt: H-'= T T'
^'^ Vgl. Sawtooth (2003), S. 23f.
100
(62)
Als nachstes werden Q Vektoren u unabhangiger normalverteilter Zufallswerte mit einem Erwartungswert von 0 und einer Varianz von 1 berechnet, die jeweils mit T multipliziert werden. Die resultierenden Produkte werden kumuliert:
-i(Tu
S = l(Tu^)(T.u^)'
(63)
Als Schatzwerte ftir T werden schlieBlich die Werte S"' verwendet, die annahmegemaB Ziehungen aus einer invertierten Wishart-Werteilung entsprechen.^*^ Schritt (3) ist der rechenaufwandigste Schritt, denn es ist hier nicht moglich, einfache Ziehungen durchzufiihren, und es muss auf den Metropolis-Hastings-Algorithmus zuriickgegriffen werden, allerdings auf eine Art und Weise, bei der keine Simulation innerhalb des Algorithmus notig ist.^^^ Im Rahmen der Schatzung werden die individuellen Schatzwerte fur p„ des vorhergehenden Iterationsschrittes in pf umbenannt. AnschlieBend wird ein neuer Kandidat fiir PJ, konstruiert, indem zu jedem Element des Vektors Pf ein Differenzvektor d addiert wird, der aus einer Normalverteilung mit einem Erwartungswert von 0 und mit einer zu T proportionalen Kovarianz-Matrix gezogen wurde: Pr=Pr+pLd.
(64)
Der Skalar p, der zu Beginn vom Anwender festgesetzt wird, ist dabei ein MaB fur die Schrittweite der Veranderung. L ist wiederum der Choleski-Faktor fur F. Zur Uberpriifung, inwiefem sich die Schatzergebnisse verbessert haben, wird unter Verwendung des Logit-Modells die bedingte Wahrscheinlichkeit p(Yn|Pr) bzw. p(Yn|pf) fiir die Daten bei gegebenen Teilnutzenwerten PJJ^" bzw. pf berechnet. Dann wird die Likelihood durch eine Multiplikation der Wahrscheinlichkeiten fiir jede Auswahlentscheidung der Auskunftspersonen berechnet (vgl. Gleichung (50)). Die Likelihoods werden sowohl fiir PJ^" als auch fur Pf berechnet, entsprechend mit Ineu bzw. mit lait bezeichnet und der Quotient Ineu/lait gebildet. Unter Berucksichtigung, dass das hierarchische Modell eine Ziehung der individuellen Pn aus einer multivariaten Normalverteilung mit dem Mittelwertvektor b und einer Kovarianz-Matrix r annimmt, konnen die relativen Wahrscheinlichkeiten, dass pJJ^" und pf aus dieser Verteilung gezogen wurden, p^^^ =p(pj^"|b,r) bzw. p^^^ =p(Pf |b,r) berechnet werden. Es wird zudem der Quotient dieser Wahrscheinlichkeiten pneu/pait ermittelt. SchlieBlich wird aus den beiden Quotienten das Produkt gebildet:^^^
Vgl. Train. K. (2003), S. 301f.; Sawtooth (2003), S. 23f. Der Gipps-Sampler ist ein Spezialfall des Metropolis-Hastings-Algorithmus, vgl. Chib, S./Greenberg, E. (1995), S. 327ff.; Chib, S./Jeliazkov, I. (2001), S. 270ff. ^^° Vgl. Sawtooth (2003), S. 9.
101
^_i„e. p.„_p(Yn|Pr)P(Prib.r) lai, Pal, p(Y„|pr)p(pr|b,r) Aus Abschnitt 3.3.2.2.1 ist bekannt, dass pneu und pait als Priori-Wahrscheinlichkeit interpretiert werden konnen. Beriicksicht man dariiber hinaus, dass die PosterioriWahrscheinlichkeiten proportional zu dem Produkt aus Priori-Wahrscheinlichkeit und der bedingten Wahrscheinlichkeit fur die Daten bei wahren Modellparametem ist, stellt r den Quotienten der Posteriori-Wahrscheinlichkeiten dar. Es handelt sich damit um einen Fall der Bayes-Aktualisierung der Daten. Da nur der Quotient der Posteriori-Wahrscheinlichkeiten fiir die Auswahl von Pn relevant ist, reicht in Gleichung (59) die Proportionalitatsbedingung. Der Standardisierungsfaktor, der nicht von den Modellparametem abhangt, kann eliminiert werden, da er sowohl in Nenner als auch Zahler auftauchen wiirde. Wenn r groBer als 1 ist, haben die neuen Schatzwerte p|;^" eine groBere PosterioriWahrscheinlichkeit als die alten Pf und wird P"^" angenommen. Wenn r kleiner als 1 ist, w^ird Pneu niit einer Wahrscheinlichkeit von r angenommen und ansonsten verworfen.^^^ Der Prozess wird in aller Regel mehr als 10.000 Mai wiederholt, wobei die Iterationen in zwei verschiedene Gruppen eingeteilt werden. Die ersten (mehreren) 1000 Schritte werden verwendet, um Konvergenz zu erzielen, wobei mit zunehmender Anzahl an Iterationen die Daten zunehmend genauer abgebildet werden konnen. Diese Iterationen werden als preliminary, burn-in oder transitory bezeichnet. Die letzten (mehreren) 1(XX) Iterationsschritte werden fiir die spatere Analyse gespeichert, um Schatzungen fur die p„, b und T vomehmen zu konnen.
Die Umsetzung erfolgt durch die Ziehimg einer gleich verteilten Zufallszahl n' aus dem Intervall [0;1]. Ist r> \\} wird p"^" akzeptiert, andernfalls abgelehnt und auf p^' gesetzt.
102
Eingabe
Aufbereitung der Schatzergebnisse
Schatzprozess
der Sohil4>aram0tdr
|^
SegmentNutzenfunktionen i
I
k
O (0 ©
Aggregierte Ebene
0 T3
Individualebene
£ J5
/
/ n~2*10.000 V ^ Wiederholunger1 y
i!.
o r
CD CO
c