anwendung des conjoint-measurement im marketing – stand...

UNIVERSITÄT PADERBORN Die Universität der Informationsgesellschaft

Universität-Gesamthochschule Paderborn

Diplomarbeit

Anwendung des Conjoint-Measurement im Marketing – Stand der Forschung

vorgelegt bei Prof. Dr. Ludwig Nastansky

betreut durch

Dipl.-Wirt.-Inf. Holger Ploch

Sommersemester 2006

vorgelegt von

Ludgerus Henke

Betriebswirtschaftslehre

Matrikelnummer: 6142829

Boker Straße 25

33129 Delbrück

Vorwort

Vorwort

Gerade unter dem heutigen Wettbewerbsdruck und dem großen Konkurrenzkampf

wird der Einführung neuer Produkte eine immer größer werdende Bedeutung

beigemessen. Die Conjoint-Analyse soll eine Antwort auf die Frage geben, wie ein

neues Produkt in Hinblick auf die Bedürfnisse des Marktes optimal zu gestalten ist.

Für Unternehmen ist es besonders wichtig, zu erfahren, wie ihr Produkt akzeptiert

und angesehen wird. Der Erfolg der Produkte platziert ein Unternehmen am Markt.

Um eine hohe Akzeptanz der geplanten Produkte zu erreichen, ist die Conjoint-

Analyse ein geeignetes Instrument.

In meiner Diplomarbeit möchte ich zuerst die Conjoint-Analyse mit ihren

Verfahrensvariationen vorstellen und die Vor- und Nachteile der einzelnen

Variationen herausstellen. Anschließend gehe ich auf den Stand der Forschung ein

und versuche mögliche Verbesserungsvorschläge zu erarbeiten.

Mein Ziel ist es, dem Betrachter die Conjoint-Analyse mit ihren Verfahrens-

variationen näher zu bringen, ihm die Stärken und Schwächen zu präsentieren und

Denkanstöße bezüglich Verbesserungsmöglichkeiten zu geben.

Ludgerus Henke

I

Inhaltsverzeichnis

Inhaltsverzeichnis

Vorwort ........................................................................................................................ I

Inhaltsverzeichnis.......................................................................................................II

Abkürzungsverzeichnis..............................................................................................IV

Abbildungsverzeichnis................................................................................................ V

1 Einführung in die Thematik des Conjoint-Measurement im Marketing...............1

2 Begriffserläuterung „Conjoint-Measurement“ mit seinem Ursprung, Verlauf

und seiner Entwicklung ..............................................................................................3

3 Durchführung einer Conjoint-Analyse und Erläuterung ihrer Ablaufschritte ....8

3.1 Eigenschaften und Eigenschaftsausprägungen....................................................... 10 3.1.1 Anforderungen an die Attribute ..................................................................................... 11 3.1.2 Art der Attribute .............................................................................................................. 15

3.2 Erhebungsdesign ....................................................................................................... 16 3.2.1 Definition der Stimuli ...................................................................................................... 17

3.3 Bewertung der Stimuli .............................................................................................. 23

3.4 Schätzung der Nutzenwerte...................................................................................... 25

3.5 Aggregation der Nutzenwerte .................................................................................. 29

4 Analyse der Wahlbasierten und Adaptiven Conjoint-Analyse und Vergleich mit

dem Klassischen Ansatz ............................................................................................32

4.1 Die Wahlbasierte Conjoint-Analyse......................................................................... 34 4.1.1 Die Vorteile der Wahlbasierten Conjoint-Analyse........................................................ 35 4.1.2 Die Nachteile der Wahlbasierten Conjoint-Analyse ..................................................... 36

II

Inhaltsverzeichnis

4.1.3 Mein Fazit für die Wahlbasierte Conjoint-Analyse ...................................................... 37

4.2 Die Adaptive Conjoint-Analyse................................................................................ 38 4.2.1 Die Vorteile der Adaptiven Conjoint-Analyse ............................................................... 41 4.2.2 Die Nachteile der Adaptiven Conjoint-Analyse............................................................. 42 4.2.3 Mein Fazit für die Adaptive Conjoint-Analyse ............................................................. 43

4.3 Vergleich mit dem Klassischen Ansatz.................................................................... 44 4.3.1 Die Vorteile des Klassischen Ansatzes............................................................................ 46 4.3.2 Die Nachteile des Klassischen Ansatzes.......................................................................... 47

4.4 Die Ergebnisse der Analyse und des Vergleiches der drei conjointanalytischen

Methoden.......................................................................................................................... 48

5 Conjoint-Analyse im Marketing.............................................................................51

5.1 Stand der Forschung ................................................................................................. 52 5.1.1 Die Online-Conjoint-Analyse .......................................................................................... 53 5.1.2 Die Customized-Computerized-Conjoint-Analysis ....................................................... 54

5.2 Die Zukunft der Conjoint-Analyse und ihrer Verfahrensvariationen ................. 56

5.3 Kritische Betrachtung dieser multivariaten Analysemethode .............................. 57

5.4 Meine persönlichen Verbesserungsvorschläge bezüglich der Conjoint-Analyse. 59

6 Resümee ..................................................................................................................63

Literaturverzeichnis...................................................................................................VI

Eidesstattliche Erklärung..........................................................................................XI

Anhangsverzeichnis................................................................................................. XII

III

Abkürzungsverzeichnis

Abkürzungsverzeichnis

ACA = Adaptive Conjoint Analysis

Bsp. = Beispiel

bzw. = beziehungsweise

CBC = Choice-Based-Conjoint-Analysis

CCA = Customized-Conjoint-Analysis

CCC = Customized-Computerized-Conjoint-Analysis

d.h. = das heißt

dt. = deutsch

F&E = Forschung und Entwicklung

i.d.R. = in der Regel

lat. = lateinisch

z.B. = zum Beispiel

IV

Abbildungsverzeichnis

Abbildungsverzeichnis

Abbildung 1: Alternative Untersuchungsansätze der Conjoint-Analyse__________ 4

Abbildung 2: Ablaufschritte einer Conjoint-Analyse ________________________ 8

Abbildung 3: Eigenschaften und Eigenschaftsausprägungen _________________ 11

Abbildung 4: Stimuli nach der Profilmethode_____________________________ 18

Abbildung 5: Trade-Off-Matrizen ______________________________________ 19

Abbildung 6: Vollständiges faktorielles Design ___________________________ 21

Abbildung 7: Lateinisches Quadrat_____________________________________ 22

Abbildung 8: Stimuli im vollständigen Design für das Margarinebeispiel _______ 22

Abbildung 9: Vollständiges Untersuchungsdesign für das Beispiel ____________ 23

Abbildung 10: Rangwerte für eine Auskunftsperson am Beispiel ______________ 25

Abbildung 11: Ermittlung der quadratischen Abweichungen zwischen den

empirischen und geschätzten Nutzenwerten_______________________________ 28

Abbildung 12: Vergleichende Bewertung alternativer conjointanalytischer

Untersuchungsansätze _______________________________________________ 33

Abbildung 13: Alternative Untersuchungsansätze der Conjoint-Analyse________ 45

Abbildung 14: Alternative Untersuchungsansätze der Conjoint-Analyse________ 52

V

Einführung in die Thematik des Conjoint-Measurement im Marketing

1 Einführung in die Thematik des Conjoint-Measurement

im Marketing

Der Begriff Marketing lässt sich auf das englische Wort „to market“ zurückführen,

welches übersetzt bedeutet „Handel treiben“. Im Allgemeinen heißt es, dass das

gesamte wirtschaftliche Handeln eines Unternehmens darauf ausgerichtet ist, den

Verkauf und Vertrieb der produzierten Güter zu verbessern (Vgl. [Encarta Enzy-

klopädie Standard 2003]).

Die Conjoint-Analyse (auch Conjoint-Measurement genannt, dt. etwa „Verbunds-

messung“) ist ein Verfahren, welches im Rahmen der Neuproduktplanung darauf

abzielt, „wie ein neues Produkt in Hinsicht auf die Bedürfnisse des Marktes optimal

zu gestalten ist“ (Vgl. [Backhaus et al. 2005]).

Durch die optimale Analyse der Bedürfnisse der jeweiligen Kundengruppen wird das

allgemeine Ziel des Marketings, nämlich den Verkauf und Vertrieb der produzierten

Güter zu verbessern, unterstützt und gefördert. Aus diesem Grund ist die Conjoint-

Analyse ein fester Bestandteil im Bereich der Marketingwissenschaft und das meist

verbreitetste Marktforschungsinstrument zur Messung von Nachfragerpräferenzen.

Die Problemstellung im Conjoint-Measurement liegt darin, zu erfahren, welchen

Stellenwert verschiedene Teilnutzen zum Gesamtnutzen eines Produktes besitzen. Es

existiert bei allen Produkten eine große Zahl unterschiedlicher Kundengruppen, die

zum Teil andere Eigenschaftsausprägungen bevorzugen beziehungsweise auf

gewisse Kombinationen von Eigenschaftsausprägungen Wert legen. Mit Hilfe der

Conjoint-Analyse, der heute am häufigsten eingesetzten Analysemethode zur

Erhebung der Präferenzen von Konsumenten, wird untersucht, in welchem Maß

einzelne Merkmale bzw. Merkmalskombinationen, die ein bestimmtes Produkt

auszeichnen, vom Nutzer bevorzugt werden.

„Die Conjoint-Analyse ist ein Verfahren, das auf der Basis empirisch erhobener

Gesamtnutzenwerte versucht, den Beitrag einzelner Komponenten zum Gesamt-

nutzen zu ermitteln“ (Vgl. [Backhaus et al. 2005]). Deshalb wird bei der Conjoint-

Analyse auch von einem dekompositionellen Verfahren gesprochen. Unter einem

dekompositionellen Verfahren versteht man ein „aufdeckendes“ Verfahren,

1

Einführung in die Thematik des Conjoint-Measurement im Marketing

das einige Vorteile gegenüber der kompositionellen Methode (= Erhebung von

Einzelurteilen über Merkmale) besitzt, die im weiteren Verlauf meiner Diplomarbeit

dargestellt werden sollen. Bei einer kompositionellen Methode werden die einzelnen

Attribute (Eigenschaften) eines Produktes getrennt betrachtet (Vgl. [Fabian 2005]).

Insgesamt existieren drei Verfahren zur Präferenzmessung, nämlich das kom-

positionelle, das dekompositionelle und das hybride Verfahren. Alle drei Verfahren

nehmen an, dass ein Objekt aus mehreren Eigenschaften besteht, die allesamt

verschiedene Ausprägungen besitzen. Eigenschaften und Eigenschaftsausprägungen

können auch als Attribut und Level bezeichnet werden.

Die Präferenzurteile der befragten Kundengruppen sind die benötigten Daten, die für

eine erfolgreiche Analysedurchführung benötigt werden.

Das Verfahren der Conjoint-Analyse ist ein multivariates Analyseverfahren, weil die

Basis zur Durchführung einer solchen Analyse aus Daten von diversen

Messvorgängen besteht. „Insbesondere lassen sich mit Hilfe des Conjoint-

Measurement ordinal gemessene Präferenzen analysieren“ (Vgl. [Backhaus et al.

2005]).

Eine Ordinalskala stellt eine Rangordnung durch Rangwerte auf, die aussagt, dass

z.B. Produkt X vorteilhafter ist als Produkt Y. Es wird aber in einer Ordinalskala

nicht deutlich, in welchem Maße das Produkt X besser eingeschätzt wird als Produkt

Y (Vgl. [Backhaus et al. 2005]).

Zum Einsatz kommt die Conjoint-Analyse in der Marktforschung, wobei die

Einsatzgebiete vor allem die Bereiche Produktentwicklung, Preisbestimmung und

Marktsegmentierung sind.

Insgesamt habe ich das Ziel, dem Betrachter die Conjoint-Analyse mit seinen

Verfahrensvariationen näher zu bringen, ihm die Stärken und Schwächen zu

präsentieren und im Anschluss Verbesserungsmöglichkeiten zu offenbaren. Durch

Heranziehen von unterschiedlichen Literaturquellen möchte ich einsichtig machen,

worin die Bewertung alternativer conjointanalytischer Untersuchungsansätze (z.B.

Adaptive Conjoint-Analyse oder Wahlbasierte Conjoint-Analyse) sich begründet.

2

Begriffserläuterung „Conjoint-Measurement“

2 Begriffserläuterung „Conjoint-Measurement“ mit seinem

Ursprung, Verlauf und seiner Entwicklung

Conjoint-Measurement oder auch Conjoint-Analyse1 heißt zu deutsch übersetzt etwa

Verbund-Analyse und ist seit den siebziger Jahren im Bereich der Marketing-

wissenschaft vertreten.

Seit der Einführung in den siebziger Jahren hat sich die Conjoint-Analyse zu der am

häufigsten eingesetzten und beliebtesten Methode in der Marktforschung entwickelt.

Dieses multivariate Analyseverfahren hat seinen Ursprung schon in dem Jahr 1964,

wo es erstmals aus einem Aufsatz des Psychologen Luce und des Statistikers Tukey

hervorgeht. Sowohl Luce als auch Tukey sind Vertreter der mathematisch orien-

tierten Psychologie. „Sie entwickelten ein nicht metrisches Verfahren zur Schätzung

metrischer Effekte kategorialer Variablen. Zur Schätzung der Effekte waren lediglich

Daten einer ordinalskalierten abhängigen Größe erforderlich. Es gelang mit diesem

Verfahren aus den ordinalskalierten abhängigen Größen metrische unabhängige

Größen abzuleiten“ (Vgl. [Fabian 2005]).

Durch Green und Rao wurde der Ansatz in den siebziger Jahren in den Bereich der

Marketingwissenschaft übertragen.

Im Laufe der Jahre bildete die erste Ausführung von Luce und Tukey im Jahre 1964

die Basis, auf der bis heute eine Vielzahl neuer Ansätze entwickelt worden sind.

Allerdings ist bis zum jetzigen Zeitpunkt bei allen Ansätzen die dekompositionelle

Vorgehensweise geblieben: „Sie schließen dekompositionell aus Gesamturteilen

bezüglich der Präferenz gegenüber einem Objekt auf den Beitrag der einzelnen

Merkmale, die das Objekt beschreiben zur Gesamtpräferenz“ (Vgl. [Fabian 2005]).

„Dabei hat das linearadditive Teilwertmodell (die Nutzenbeiträge der einzelnen

Merkmalsausprägungen addieren sich zur Gesamtpräferenz) die größte Bedeutung

erlangt“ (Vgl. [Thomas 1979]).

Nach Backhaus et al. (Vgl. [Backhaus et al. 2005]) hat die Conjoint-Analyse in

jüngster Zeit weite Verbreitung in der empirischen Forschung gefunden, so dass eine

Vielzahl von Verfahrensvarianten der Conjoint-Analyse entstanden sind. 1 Aus Vereinfachungsgründen und besserer Lesbarkeit verwende ich nun ausschließlich den Begriff „Conjoint-Analyse“.

3


„Die nachfolgend differenzierten Ansätze (Vgl. [Backhaus et al. 2005]) unter-

scheiden sich vor allem im Hinblick auf die Erhebung der Präferenzurteile. Dabei ist

jedoch zu beachten, dass innerhalb der jeweiligen Verfahren noch eine Vielzahl von

Optionen zur Verfügung stehen, wie z.B. Art der Erhebung, Wahl des Schätz-

algorithmus, Art der verwendeten Skala, die entweder in einem oder aber auch in

mehreren Verfahren Anwendung finden können“ (Vgl. [Backhaus et al. 2005]).

Untersuchungsansätze der Conjoint-Analyse Trade-Off Nur Full-Profile Self-Explicated und Full-Profile

Full-Profile

Partielle Profile

(Subset)

Klassische Conjoint

(Individual Analyse)

Klassische Conjoint


Kontinuierliche Variablen

Constrained Attribute Levels

Partial aggregierte

Modelle

Choice-Based-

Conjoint (Aggregierte

Analyse)

Komplettes Set an Full-

Profilen

Teilmenge an Full-Profilen

OLS Regression

Manova Kruskal (1965)

PREFMAP

Caroll (1973)

LINMAP Shocker & Srinivasan

OLS

Regression

Pekelman & Sven

(1979)

Bretton-Clark Herman (1988)

Krishanmurthi

& Wittink (1989)

Order Constraints Srinivasan,

Jain & Malhorta

(1983)

Componential Segmentation

Green & DeSabro (1979)

Optimal Scaling Hagerty (1985)

Cluster Analyse

Kamakura (1988)

Multinominal Logit

Louviere & Woodward

(1983)

Bayesian Cattin,

Gelfand & Danes (1983)

Monotonic Constaints

van der Lans & Heiser (1990)

Hybrid Modelle Green,

Goldberg & Montemayor

(1981)

Green (1984)

Adaptive Conjoint Analysis Johnson (1987)

z.B. Software

MDS(X)

BMPD, Bretton-Clark,

Intelligent Marketing Systems, MDS(X)

Bretton-Clark

Intelligent Marketing System,

Sawtooth

COSMOS (Infratest,

Burke)

Sawtooth

Quelle: (Vgl. [Backhaus et al. 2005], S.611.)

Abbildung 1: Alternative Untersuchungsansätze der Conjoint-Analyse

In der Abbildung 1 werden die alternativen Untersuchungsansätze der Conjoint-

Analyse dargestellt, wobei der Klassische Untersuchungsansatz (auch Traditionelle

Methode genannt), die Wahlbasierte Conjoint-Analyse und die Adaptive Conjoint-

4


Analyse die größte Bedeutung erlangen und in meiner Diplomarbeit einen

Schwerpunkt bilden werden.

Die Adaptive Conjoint-Analyse stammt von Johnson und wurde Mitte der achtziger

Jahre entwickelt. Man spricht bei der Adaptiven Conjoint-Analyse von einer

hybriden Conjoint-Analyse, weil es sowohl einen kompositionellen als auch einen

dekompositonellen Teil gibt. Die am häufigsten eingesetzte hybride Conjoint-

Analyse sammelt ihre Daten aus computergestützten Interviews. „Hybride Conjoint

Methoden zeichnen sich dadurch aus, dass sie einer dekompositionellen Befragung

eine kompositionelle Befragung vorschalten, um die Komplexität der Datenerhebung

zu verringern“ (Vgl. [Fabian 2005]).

Die Wahlbasierte Conjoint-Analyse, die auch Choice-Based-Conjoint-Analyse

genannt wird, unterscheidet sich sowohl bei der Bewertung der Stimuli als auch

bezüglich ihrer theoretischen Grundlagen von den anderen Verfahren. Die

Auskunftspersonen müssen ihre Präferenzurteile in Form von Auswahlent-

scheidungen abgeben. Dadurch kann es erstmals zu einer Nichtwahl-Möglichkeit

zwischen den jeweiligen Alternativen kommen (Vgl. [Backhaus et al. 2005]). Diese

drei Analysemethoden werden in Kapitel 4 näher vorgestellt, verglichen und auf

Vor- und Nachteile überprüft.

Thorsten Teichert unterstützt mit seiner Aussage: „Trotz oder wegen dieses großen

Anwendungsspektrums handelt es sich bei der Conjoint-Analyse nicht um eine

einzige, geschlossene Methode, sondern um eine Ansammlung ähnlich gerichteter

Ansätze, welche jeweils unterschiedliche Stärken und Schwächen aufweisen“ (Vgl.

[Teichert 2001]) die Darstellung der Abbildung 1.

Des Weiteren sagt Teichert in seinem Buch „Nutzenschätzung in Conjoint-

Analysen“ aus, dass zum Begriff „Conjoint“ für den Zeitraum von 1986 bis 1998

bereits 310 Veröffentlichungen in 105 verschiedenen wissenschaftlichen Zeit-

schriften erschienen sind. Dies macht deutlich, dass das Interesse und die

wissenschaftliche Auseinandersetzung mit der Conjoint-Analyse sehr groß sind (Vgl.

[Teichert 2001]).

Die große Bedeutung der Conjoint-Analyse spiegelt sich in den Ausführungen von

Sascha Fabian in seinem Buch „Wettbewerbsforschung und Conjoint-Analyse“ auf

Seite 126 wider, in dem eine Untersuchung von Mahajan und Wind im Jahre 1992

deutlich machte, dass dieses Analyseverfahren die am sechsthäufigsten

5


eingesetzte Marktforschungs- und Planungsmethode im Produktinnovationsprozess

ist (Vgl. [Fabian 2005]).

Wittink und Catin untersuchten 1982 und 1989 die Akzeptanz der Conjoint-Analyse

und kamen zu dem Urteil, dass die Anzahl der kommerziellen Anwendungen der

Conjoint-Analyse sich allein in den USA Mitte der achtziger Jahre auf 400 pro Jahr

belief. „In Europa wiesen die Autoren zwischen 1986 und 1991 fast 1000 von Markt-

forschungsinstituten durchgeführte Conjoint-Analysen nach“ (Vgl. [Fabian 2005]).

„Heutzutage dürften jährlich weltweit mehr als 1000 Conjoint-Analysen in der Praxis

eingesetzt werden“ (Vgl. [Hensel-Börner/Sattler 1998]). Dies sind nur einige Zahlen

und Werte, die aber alle die Bedeutung der Conjoint-Analyse in der Marktforschung

verdeutlichen.

Weitere Erkenntnisse von Studien zu Conjoint-Analysen, die Sascha Fabian in

seinem Buch auf Seite 129 aufzeigt, sind:

Conjoint-Analysen befassen sich zu 59% mit Konsumgütern, zu 18% mit

Industriegütern und jeweils zu 9% mit Finanzdiensten und anderen

Dienstleistungen.

„Neuprodukt/Neukonzept Evaluation, Repositionierung, Wettbewerbsanaly-

se, Preissetzung und Marktsegmentierung waren die typischen Anwendung-

en“ (Vgl. [Fabian 2005]).

Zur Datenerhebung wurde am häufigsten das persönliche Interview trotz der

schon vorhandenen computergestützen Befragung eingesetzt.

„Die Vollprofil-Methode mit Rankings oder Ratings wurde am stärksten ein-

gesetzt. Die Teilnutzenwerte wurden mittels Least-Square-Regression ges-

chätzt“ (Vgl. [Fabian 2005]).

Des Weiteren wurde 1997 in Deutschland die Nutzung der Conjoint-Analyse in der

Unternehmenspraxis untersucht, wo von 324 Marktforschungs- und Marketing-

beratungsunternehmen 104 die Conjoint-Analyse einsetzten. Dies entspricht einem

Anteil von 32,1%, der wiederum die Akzeptanz der Conjoint-Analyse unterstreicht.

6


Warum die Conjoint-Analyse solch eine Bedeutung und Verbreitung in der Wissen-

schaft erlangt hat, liegt zum einen an der einfach handhabbaren empirischen Er-

hebung mit den Auswertungsmöglichkeiten hochwertiger statistischer Verfahren

(Vgl. [Teichert 2001]) und zum anderen an dem Aufkommen leistungsfähiger und

benutzerfreundlicher Computer-Programme (Vgl. [Balderjahn 1993]). Als Beispiel

eines leistungsfähigen und benutzerfreundlichen Computerprogramms ist das

Programm ACA (Adaptive Conjoint Analysis) der Firma Sawtooth zu nennen (Vgl.

[Fabian 2005]).

7

Durchführung einer Conjoint-Analyse

3 Durchführung einer Conjoint-Analyse und Erläuterung

ihrer Ablaufschritte

Die Conjoint-Analyse läuft in der Regel nach den fünf Ablaufschritten ab, die in der

Abbildung 2 (Vgl. [Backhaus et al. 2005]) dargestellt werden.

(1) Eigenschaften und Eigenschaftsausprägungen

(2) Erhebungsdesign

(3) Bewertung der Stimuli

(4) Schätzung der Nutzenwerte

(5) Aggregation der Nutzenwerte


Abbildung 2: Ablaufschritte einer Conjoint-Analyse

Zu Beginn einer Conjoint-Analyse müssen die Eigenschaften und Eigenschafts-

ausprägungen für das Objekt bzw. Produkt festgelegt werden. Als nächster Schritt

fällt die Festlegung des Erhebungsdesigns an. Es muss die Anzahl an Stimuli geklärt

ausprägungen für das Objekt bzw. Produkt festgelegt werden. Als nächster Schritt

fällt die Festlegung des Erhebungsdesigns an. Es muss die Anzahl an Stimuli geklärt

8


werden und ob die Profilmethode oder die Zwei-Faktor-Methode zur Anwendung

kommt. Anschließend werden die Daten erhoben, bewertet und in eine Rangfolge

gebracht. Im Schritt 4 werden die Teilnutzenwerte anhand statistischer Verfahren

geschätzt und zum Schluss der Conjoint-Analyse werden diese Werte dann

aggregiert.

Auf diese fünf Ablaufschritte werde ich in den nächsten Unterkapiteln meiner

Diplomarbeit ausführlich eingehen und sie anhand eines Beispieles von Backhaus

[Backhaus et al. 2005] verdeutlichen: Ein Margarine-Hersteller möchte ein neues

Produkt einführen, das sich durch die Eigenschaften Kaloriengehalt und Verpackung

von den anderen, schon auf den Markt befindlichen Produkten absetzen soll. Zu den

Eigenschaften kommen noch die Eigenschaftsausprägungen hoch/niedrig

(Kaloriengehalt) und Becher/Papier (Verpackung) hinzu.

„Durch die Festlegung von zwei Eigenschaften mit jeweils zwei Eigenschafts-

ausprägungen können vier Kombinationen von Eigenschaftsausprägungen, d. h. vier

fiktive Produkte, gebildet werden“, so Backhaus et al. (Vgl. [Backhaus et al. 2005])

in ihren Ausführungen auf S.558:

Produkt I Produkt II Produkt III Produkt IV

wenig Kalorien wenig Kalorien viel Kalorien viel Kalorien

im Becher in Papier im Becher in Papier

Anhand dieser vier fiktiven Produkte soll die Nutzenstruktur durch die Beurteilung

der Auskunftspersonen ermittelt werden (Vgl. [Backhaus et al. 2005]).

9


3.1 Eigenschaften und Eigenschaftsausprägungen

Im ersten Schritt „Eigenschaften und Eigenschaftsausprägungen“ sollen die

Eigenschaften und ihre Ausprägungen bestimmt werden. „Zur Bestimmung der

Eigenschaften gibt es eine Reihe von Vorgehensweisen wie zum Beispiel Fokus-

Gruppen, Pilot-Studien oder Expertengespräche“ (Vgl. [Green/Krieger/Varra 1997];

[Malhotra 1996]).

Es dürfen nur die relevanten Eigenschaften einbezogen werden, welche die Kunden

auch bei ihren Kaufentscheidungen in Betracht ziehen (siehe auch Bsp. im Anhang).

„Bei der Festlegung der Anzahl der Attribute und ihrer Eigenschaften treten eine

Reihe von Schwierigkeiten auf“, macht Fabian in seinem Buch „Wettbewerbs-

forschung und Conjoint-Analyse“ (Vgl. [Fabian 2005]) auf S.137 deutlich. Ein

Problem z. B. ist, dass eine Erhöhung der Anzahl der Attribute dazu führt, dass zum

einen die Produktbeschreibungen realistischer werden, zum anderen aber die Anzahl

von Beurteilungen steigt und somit eine Überforderung der Probanden eintreten

kann. Die erste Folgeerscheinung wirkt sich positiv auf die Validität aus, jedoch

führt die zweite zu einer sinkenden Reliabilität (Vgl. [Schubert 1995]).

Die Anzahl der Ausprägungen der Eigenschaften sollte möglichst mit aktuellen

Produkten am Markt vergleichbar sein, wobei allerdings die Genauigkeit der

Schätzung der Teilnutzenwerte mit einer steigenden Anzahl verbessert wird. Laut

Fabian (Vgl. [Fabian 2005]) erhöht sich außerdem die Wahrscheinlichkeit, nicht

lineare Zusammenhänge zu entdecken. „Andererseits ergibt sich ebenfalls das

Problem der steigenden Komplexität mit negativen Auswirkungen auf die

Reliabilität“ (Vgl. [Fabian 2005]). Es ist wichtig, diese Problematik in den Griff zu

bekommen und ein geeignetes Maß an Eigenschaftsausprägungen zu treffen.

In dem Verfahren der Conjoint-Analyse werden Teilnutzenwerte für die Aus-

prägungen der entsprechenden Eigenschaften ermittelt. Diese Teilnutzenwerte gelten

als Basis der Auswertung einer Conjoint-Analyse und drücken aus, wie viel Nutzen

von einer bestimmten Ausprägung einer Eigenschaft ausgeht. Das zu beurteilende

Objekt wird über die jeweiligen Eigenschaften mit ihren entsprechenden

Ausprägungen beschrieben.

10


Beispiel Margarine:

Eigenschaften Eigenschaftsausprägungen

A: Verwendung 1: Brotaufstrich

2: Kochen, Backen, Braten

3: universell

B: Kaloriengehalt 1: kalorienarm

2: normaler Kaloriengehalt

C: Verpackung 1: Becherverpackung

2: Papierverpackung Quelle: (Vgl. [Backhaus et al. 2005], S.563.)

Abbildung 3: Eigenschaften und Eigenschaftsausprägungen

3.1.1 Anforderungen an die Attribute

Im ersten Schritt „Eigenschaften und Eigenschaftsausprägungen“ in der Conjoint-

Analyse müssen diese Attribute und ihre Ausprägungen sieben Anforderungen

erfüllen. Die Eigenschaften und ihre Ausprägungen bilden den Grundstein einer

Conjoint-Analyse und müssen mit hundertprozentiger Aufmerksamkeit ermittelt

werden. Die Einhaltung der Anforderungen an die Attribute entscheiden über die

Exaktheit der Ergebnisse einer Untersuchung.

Die Anforderungen haben einen erheblichen Einfluss auf die Validität der Ergebnisse

(Vgl. [Weiber/Rosendahl 1997]).

11


7 Anforderungen an die Attribute ([Backhaus et al. 2005]; [Reiners

1996]; [Schubert 1995])

1. Die Eigenschaften müssen relevant sein.

Mit der ersten Anforderung ist gemeint, dass nur solche Eigenschaften in der

Durchführung einer Conjoint-Analyse eine Rolle spielen, die Einfluss auf den

Gesamtnutzen, den die Befragten dem jeweiligen Objekt beimessen, bzw. auf

die Kaufentscheidung haben. Die individuelle Beurteilung der einzelnen

Individuen wird das Problem der ersten Anforderung sein, weil nicht alle

Probanden die gleichen Attribute als wichtig für ihren Entscheidungsprozess

empfinden (Vgl. [Schubert 1991], S.151.).

2. Die Eigenschaften müssen durch den Hersteller beeinflussbar sein.

„Wenn die Ergebnisse der Conjoint-Analyse für Produktentscheidungen

nutzbar gemacht werden sollen, muss die Variation der betreffenden

Eigenschaften Parameter der Produktgestaltung sein“, so Backhaus et al.

[Backhaus et al. 2005] auf S. 562.

3. Die ausgewählten Eigenschaften sollten unabhängig sein.

Mit der Unabhängigkeit der Conjoint-Analyse ist gemeint, dass der Nutzen

einer Eigenschaftsausprägung nicht durch andere Eigenschaftsausprägungen

beeinflusst werden darf.

Fabian (Vgl. [Fabian 2005]) unterteilt in seinen Ausführungen die Forderung

nach Unabhängigkeit sogar in zwei Bereiche: Der eine Bereich sagt aus, dass

Attribute unabhängig voneinander realisierbar sind und der andere Bereich

fordert, dass die Attribute ihre Wirkung auf die Präferenz unabhängig

voneinander entfalten (Vgl. [Krantz/Tversky 1971]; [Johnson 1974]).

Die Forderung nach Unabhängigkeit der Eigenschaften ist eine sehr

problematische Anforderung, die in der Realität nur sehr schwer bzw. selten

zu erfüllen ist. An dem Eigenschaftsbeispiel „Preis“ wird deutlich, dass der

Preis nie vollständig unabhängig von den anderen Eigenschaften sein kann.

12


Ein Produkt mit hoher Qualität wird nie den gleichen Preis besitzen, wie das

gleiche Produkt mit niederwertiger Qualität. „Die Eigenschaften „Preis“ und

„Ausstattung“ korrelieren in der Regel recht stark, wodurch die Unabhängig-

keit der Eigenschaften nicht gegeben ist“, erläutert Fabian (Vgl. [Fabian

2005]) auf S.139.

Das additive Modell der Conjoint-Analyse lässt eigentlich keine Verletzung

der Unabhängigkeit der Eigenschaften zu, jedoch wird das additive Modell

als robust gegenüber den Verletzungen seiner Annahmen eingestuft.

4. Die Eigenschaftsausprägungen müssen realisierbar sein.

Wenn die Eigenschaftsausprägungen hinsichtlich der Produktgestaltung vom

Produzent nicht realisierbar sind, würden die Ergebnisse der Conjoint-

Analyse keinen Nutzen bringen. Fabian (Vgl. [Fabian 2005]) führt auf S.139

ein Beispiel an, bei dem das Attribut „Verbrauch von unter drei Litern“ bei

dem Kunden einen hohen Teilnutzenwert hervorruft, allerdings ist dieses

Ergebnis nicht wertvoll, wenn der Fahrzeughersteller ein Fahrzeug mit dieser

Eigenschaft nicht fertigen kann. Diese Anforderung spielt für die

Produktgestaltung eine zentrale Rolle.

5. Die einzelnen Eigenschaftsausprägungen müssen in einer kompensatorischen

Beziehung zueinander stehen.

„Kompensatorische Conjoint-Modelle gehen von der Annahme aus, dass sich

die Gesamtbeurteilung eines Objektes durch Summation aller Einzelurteile

der als gegenseitig substituierbar angesehenen Eigenschaftsausprägungen

ergibt“ (Vgl. [Backhaus et al. 2005]; [Fabian 2005]).

Bezogen auf das Beispiel „Margarine“ heißt das, dass eine Erhöhung des

Kaloriengehaltes durch eine Verbesserung des Geschmacks kompensiert

werden kann. „Diese Bedingung impliziert einen einstufigen

Entscheidungsprozess, bei dem alle Eigenschaftsausprägungen simultan in

die Beurteilung eingehen“ (Vgl. [Fabian 2005]).

13


6. Die betrachteten Eigenschaften bzw. Eigenschaftsausprägungen dürfen keine

Ausschlusskriterien (K.O.-Kriterien) darstellen.

„Ausschlusskriterien liegen vor, wenn bestimmte Eigenschaftsausprägungen

in jedem Fall erfüllt sein müssen, damit eine Kaufentscheidung von den

Befragten überhaupt in Betracht gezogen wird. Diese Kriterien widersprechen

der Annahme eines Kompensatorischen Modells“ (Vgl. [Fabian 2005]).

Als Ausschlusskriterium ist beispielsweise die Sicherheit bezüglich eines

Produktes zu nennen. Niemand ist bereit, Gefahr bei der Handhabung von

Produkten einzugehen, auch wenn der Preis noch so niedrig wie möglich

gehalten wird. Eine Kompensation durch andere Eigenschaften ist nicht

möglich.

7. Die Anzahl der Eigenschaften und ihre Ausprägungen müssen begrenzt

werden.

Der Befragungsaufwand wächst exponentiell mit der Zahl der Eigenschafts-

ausprägungen (Vgl. [Green/Srinivasan 1978]).

Bei fünf Attributen eines Produktes mit jeweils fünf Ausprägungen gibt es

55 = 3125 unterschiedliche Produkte, die in der Conjoint-Analyse bewertet

werden müssen. Diese unlösbare Aufgabe ist in der Praxis mit Problemen

verbunden. Um der Anforderung zur Bewältigung von Anwendungen mit

vielen Eigenschaften und einigen Ausprägungen gewachsen zu sein, wurden

einige Verfahren entwickelt, wie z.B. die Adaptive Conjoint-Analyse

(Sonderform der hybriden Conjoint-Analyse).

Deswegen ist es aus erhebungstechnischen Gründen notwendig, die Zahl der

Eigenschaften und ihrer Ausprägungen einzuschränken.

14


3.1.2 Art der Attribute

Es existieren sechs unterschiedliche Arten von Attributen (Vgl. [Reiners 1996]):

1. Potentiell relevante Attribute:

→ „Menge aller Objektmerkmale, auf welchen sich die Objekte einer

Objektklasse unterscheiden können. Diese können zu unterschiedlichen

Präferenzen für die Produkte führen“ (Vgl. [Fabian 2005]).

2. Determinante, saliente und wichtige Attribute:

→ Determinante Attribute sind eine Teilmenge der potentiell relevanten

Attribute. Unter salienten Attributen versteht man, dass sie von Befragten

zuerst genannt werden. Wichtige Attribute werden als besonders

präferenzrelevant begutachtet.

3. Empirisch unabhängige Attribute:

→ „Attribute sind empirisch unabhängig, wenn durch die Ausprägung eines

Objektes auf einem Attribut nicht seine Ausprägung auf einem anderem

Attribut vorhergesagt werden kann“ (Vgl. [Fabian 2005]).

4. Präferenzunabhängige Attribute:

→ „Präferenzunabhängigkeit liegt vor, wenn der Präferenzbeitrag einer

bestimmten Ausprägung eines Objektes auf einem Attribut unabhängig

von der Ausprägung des Objektes auf allen anderen Attributen ist“ (Vgl.

[Fabian 2005]).

5. Relevante Attribute:

→ „Relevante Attribute sind wichtige determinante Attribute, die empirisch

15


und präferenzbezogen voneinander unabhängig sind“ (Vgl. [Fabian

2005]).

6. Maßgebliche Attribute:

→ „Maßgeblich sind alle relevanten Attribute, die der Beeinflussbarkeit und

dem Beeinflussungswillen der Programmentscheider unterliegen“ (Vgl.

[Fabian 2005]).

3.2 Erhebungsdesign

Der zweite Schritt „Erhebungsdesign“ befasst sich mit zwei Fragen, die zu klären

sind.

1. Definition der Stimuli: Werden die Stimuli durch die Profil- oder Zwei-

Faktoren-Methode dargestellt?

2. Zahl der Stimuli: Wählt man ein vollständiges oder reduziertes Design aus?

16


3.2.1 Definition der Stimuli

Stimulus (lat.) heißt übersetzt der Stachel, Sporn und im übertragenden Sinne

Antrieb, Anregung (Vgl. [Neues Grosses Volkslexikon Auflage 1979]).

„Als Stimulus wird eine Kombination von Eigenschaftsausprägungen verstanden, die

den Auskunftspersonen zur Beurteilung vorgelegt wird“ (Vgl. [Backhaus et al.

2005]). Diese Kombination von Eigenschaftsausprägungen kann entweder durch die

Profilmethode oder aber auch durch die Zwei-Faktor-Methode, auch Trade-Off-

Analyse genannt, dargestellt werden.

„Bei der Profilmethode wird den Befragten ein Stimulus vorgelegt, der aus der

Kombination je einer Ausprägung aller Eigenschaften besteht“ (Vgl. [Dolan 1990]).

Bezogen auf unser Beispiel Margarine entstehen aufgrund von drei Eigenschaften,

wovon zwei Eigenschaften zwei Ausprägungen haben und ein Attribut drei

Ausprägungen besitzt, 12 Stimuli (2*2*3). Diese 12 verschiedenen Margarinearten

werden in der Abbildung 4 dargestellt.

17



Margarine I kalorienarm

Becherverpackung

Als Brotaufstrich geeignet

Margarine II kalorienarm

Becherverpackung

zum Kochen, Backen, Braten Margarine III kalorienarm

Becherverpackung

universell verwendbar

Margarine IV normale Kalorien

Becherverpackung

als Brotaufstrich geeignet Margarine V normale Kalorien

Becherverpackung

zum Kochen, Backen, Braten

Margarine VI normale Kalorien

Becherverpackung

universell verwendbar Margarine VII kalorienarm

Papierverpackung

Als Brotaufstrich geeignet

Margarine VIII kalorienarm

Papierverpackung

zum Kochen, Backen, Braten Margarine IX kalorienarm

Papierverpackung


Margarine X normale Kalorien

Papierverpackung

als Brotaufstrich geeignet Margarine XI normale Kalorien

Papierverpackung

zum Kochen, Backen, Braten

Margarine XII normale Kalorien

Papierverpackung


Abbildung 4: Stimuli nach der Profilmethode

Die Profilmethode ist für eine geringe Anzahl von Attributen sehr gut geeignet,

jedoch sollten es nicht mehr als sechs Attribute sein, weil ansonsten die Validität

bzw. Gültigkeit geringer ist als gegenüber der Adaptiven Conjoint-Analyse. Hinzu

kommen aufgrund des exponentiellen Wachstums die Folgen wie Informations-

überlastung und Probleme beim erhebungstechnischen Aufwand.

Die Zwei-Faktor-Methode, die 1974 von Johnson entwickelt wurde, zieht zur

Bildung eines Stimulus nur zwei Eigenschaften heran, für die dann eine Trade-Off-

18


Matrix (daher auch der Name Trade-Off-Analyse) gebildet wird (Vgl. [Malhotra

1996], S.710; [Schubert 1995], S.379.).

Die Trade-Off-Matrix besteht aus den Kombinationen der Ausprägungen der beiden

Eigenschaften. Die folgende Abbildung zeigt die sich ergebenen Trade-Off-Matrizen

bezogen auf das Beispiel Margarine.

B: Kaloriengehalt

A: Verwendung 1: kalorienarm 2: normaler Kaloriengehalt

1: Brotaufstrich A1B1 A1B2

2: Kochen, Backen, Braten A2B1 A2B2

3: universell A3B1 A3B2

C: Verpackung

A: Verwendung 1: Becherverpackung 2: Papierverpackung

1: Brotaufstrich A1C1 A1C2

2: Kochen, Backen, Braten A2C1 A2C2

3: universell A3C1 A3C2

C: Verpackung

B: Kaloriengehalt 1: Becherverpackung 2: Papierverpackung

1: kalorienarm B1C1 B1C2

2: normaler Kaloriengehalt B2C1 B2C2


Abbildung 5: Trade-Off-Matrizen

Im Beispiel Margarine entstehen also , also 3 Trade-Off-Matrizen, wobei jede

Zeile einer Matrix einen Stimulus bildet. Die Personen, die für die Conjoint-Analyse

befragt werden, müssen eine Rangordnung der Zellen aufstellen, aus der dann später

die Teilnutzenwerte bestimmt werden.

23

Ob die Profilmethode oder die Zwei-Faktor-Methode zur Anwendung kommt, hängt

von drei Gesichtspunkten ab (Vgl. [Fabian 2005]):

19


1. Ansprüche an Auskunftspersonen

Hier liegt der Vorteil bei der Zwei-Faktor-Methode, weil die Auskunfts-

personen nur jeweils zwei Faktoren gleichzeitig betrachten und beurteilen

müssen. Die Bewertung gegenüber der Profilmethode ist leichter zu

bewältigen.

2. Realitätsbezug

Bezüglich der Realität ist die Profilmethode wesentlich geeigneter.

Konsumenten vergleichen i. d. R. lieber komplette Produkte und nicht wie in

der Zwei-Faktor-Methode isolierte Eigenschaften miteinander. Hinzu kommt

noch die bessere Veranschaulichung von Abbildungen und Objekten. All dies

führt dazu, dass Unternehmen bei kommerziellen Conjoint-Analysen der

Profilmethode den Vorzug geben.

3. Zeitaufwand

Der Zeitaufwand wird mit steigender Anzahl der Eigenschaften und ihrer

Ausprägungen bei der Profilmethode wesentlich höher und kann theoretisch

eine sinnvolle Bewertung durch die Auskunftspersonen unmöglich machen.

Insgesamt kann gesagt werden, dass in den meisten Fällen der Profilmethode

aufgrund des Realitätsbezugs der Vorzug gegeben wird. Für die Trade-Off-Matrizen

spricht der Zeitaufwand, der sich bei der Profilmethode aber durch eine

Teilmengenauswahl reduzieren lässt (Vgl. [Backhaus et al. 2005], S.564-566.).

20


3.2.2 Zahl der Stimuli

Aufgrund des exponentiellen Wachstums, insbesondere bei der Profilmethode,

bedarf es der Notwendigkeit, aus der Menge der theoretisch möglichen Stimuli

(vollständiges Design) eine zweckmäßige Teilmenge (reduziertes Design) auszu-

wählen (siehe nachfolgende Abbildungen) (Vgl. [Backhaus et al. 2005]).

Viele Untersuchungen bestehen aus einer großen Anzahl von Attributen und ihren

Ausprägungen und sind aufgrund ihrer Komplexität erhebungstechnisch nur sehr

schwer zu realisieren. Genau da bedarf es eines reduzierten Designs, das das

vollständige Design möglichst gut repräsentiert. Allein sechs Eigenschaften mit

jeweils drei Ausprägungen ergeben 729 Stimuli, die die Auskunftspersonen aber

nicht mehr in eine sinnvolle Rangordnung bringen können.

Die Zahl der Stimuli ist eines der größten Probleme der Klassischen Conjoint-

Analyse laut Fabian (Vgl. [Fabian 2005]) auf S.158. Um dieses Problem einiger-

maßen in den Griff zu bekommen, werden symmetrische oder asymmetrische

Designs benutzt. „Ein symmetrisches Design liegt vor, wenn alle Eigenschaften die

gleiche Anzahl von Ausprägungen aufweisen“ (Vgl. [Backhaus et al. 2005]).

Ein spezielles reduziertes symmetrisches Design ist das lateinische Quadrat, bei dem

z.B. von den 27 Stimuli des vollständigen Designs 9 derart ausgewählt werden, dass

jede Ausprägung einer Eigenschaft genau einmal mit jeder Ausprägung einer

anderen Eigenschaft vorkommt. Insgesamt ist dann jede Eigenschaftsausprägung

genau dreimal im Design vorhanden. A1B1C1 A2B1C1 A3B1C1

A1B2C1 A2B2C1 A3B2C1









Abbildung 6: Vollständiges faktorielles Design

21


A1 A2 A3

B1 A1B1C1 A2B1C2 A3B1C3




Abbildung 7: Lateinisches Quadrat

Bei einem asymmetrischen Design besitzen verschiedene Eigenschaften eine

unterschiedliche Anzahl von Ausprägungen. Das Margarinebeispiel weist z.B. ein

(2*2*3)-faktorielles Design auf. Aufgrund dessen sind asymmetrische Designs

wesentlich komplizierter zu reduzieren.

Da wir uns beim Margarinebeispiel auf die Eigenschaften „Verwendung“ und

„Kaloriengehalt“ beschränken und deshalb durch Kombination aller Eigenschafts-

ausprägungen auf sechs Stimuli treffen werden, können wir auf die Reduktion des

Designs verzichten.

Die in der Abbildung 8 dargestellten sechs fiktiven Produkte bilden ein vollständiges

Design.

I A1, B1 Brotaufstrich kalorienarm

II A1, B2 Brotaufstrich normaler Kaloriengehalt

III A2, B1 Kochen, Backen, Braten kalorienarm

IV A2, B2 Kochen, Backen, Braten normaler Kaloriengehalt

V A3, B1 universell verwendbar kalorienarm

VI A3, B2 universell verwendbar normaler Kaloriengehalt


Abbildung 8: Stimuli im vollständigen Design für das Margarinebeispiel

22


Damit folgt ein vollständiges, zweistufiges Untersuchungsdesign.

Eigenschaft B

1 2

1 p I p II

Eigenschaft A 2 p III p IV

3 p V p VI


Abbildung 9: Vollständiges Untersuchungsdesign für das Beispiel

3.3 Bewertung der Stimuli

In dem Schritt „Bewertung der Stimuli“ sollen die Befragten ihre Präferenzen offen-

legen. Um die Rangfolge der Stimuli zu ermitteln, gibt es eine Reihe von Vor-

gehensweisen (Vgl. [Fabian 2005], S.160-161.):

1. Rangreihung:

Bei dem Verfahren der Rangreihung sollen die Befragten die Stimuli in eine

Rangfolge bringen, die ihre individuelle Präferenz widerspiegelt. Die

Rangreihung erfordert eine hohe Informationsverarbeitungskapazität der

Auskunftspersonen (= Probanden), weil die Probanden alle Stimuli mit-

einander vergleichen müssen, um ihre Präferenzrangreihung zu erlangen.

Melles und Holling haben herausgefunden, dass die Rangreihung das in

Deutschland am häufigsten eingesetzte Verfahren ist. Jedoch ist die

Bearbeitungsdauer wesentlich höher als beim Einsatz des Ratingsverfahrens.

23


2. Rating:

Beim Rating-Verfahren müssen die Auskunftspersonen die Stimuli auf einer

Skala bewerten. Die Skala kann verschiedene Einteilungen haben, wie z.B.

von 0 bis 100%, von 1 bis 5 oder aber auch von wünschenswert bis nicht

wünschenswert.

Die Probanden müssen beim Rating-Verfahren zuerst mit allen Attributen und

Leveln vertraut gemacht werden, da die Konzepte jeweils nur einzeln

beurteilt werden ohne Bezug zu den anderen Konzepten (Vgl. [Gustafsson

1999]).

3. Die Auswahl eines Produktes aus einem Set von Produkten:

Dieses Verfahren kommt bei der Wahlbasierten Conjoint-Analyse zum

Einsatz (Vgl. [Lehmann/Gupta/Steckel 1998]).

Die Wahlbasierte Conjoint-Analyse werde ich im weiteren Verlauf meiner

Diplomarbeit noch genauer unter die Lupe nehmen.

Bei dieser Methode werden abgelehnte Alternativen aus dem Set nicht mehr

bewertet. „Daher setzen Probanden oft Vereinfachungsregeln ein: Die auf den

ersten Blick am besten aussehende Alternative wird ausgewählt. Dadurch

gelingt es den Befragten, den Umfang der Vergleichsaufgabe zu begrenzen

(Vgl. [Billings/Scherer 1988])“, so Fabian (Vgl. [Fabian 2005]) auf S.161.

Wenn keine überlegene Alternative existiert, können die Befragten versuchen,

die Auswahlentscheidung zu vermeiden. Ohne die Vermeidung von

Auswahlentscheidungen würden negative Emotionen aufkommen.

Egal für welche der drei Vorgehensweisen sich entschieden wird, sollte es bei der

Abfrage der Stimuli zuerst eine Aufwärmphase geben, in der die Auskunftspersonen

mit den Objekten vertraut gemacht werden (Vgl. [Johnson 1974]). Anhand von

empirischen Untersuchungen (Vgl. [Huber et al. 1993]) ist nachgewiesen, dass sich

die Validität der Ergebnisse durch die vorgeschaltete Aufwärmphase steigert. Ein

weiterer wichtiger Aspekt ist die Art und Weise, wie die Stimuli den Probanden

präsentiert werden. Neben der rein verbalen Beschreibung der Stimuli finden

heutzutage auch aktuelle Produkte, Prototypen oder multimediale Darstellungen An-

24


wendung (Vgl. [Lehmann/Gupta/Steckel 1998]; [Green/Srinivasan 1990]; [Schubert

1991]).

Um wieder auf unser Beispiel Margarine zurückzukommen, eine Auskunftsperson

wurde gebeten, die sechs möglichen Margarinesorten mit Rangwerten von 1 bis 6 zu

versehen, wobei 1 die schlechteste und 6 die beste Margarinesorte darstellt. Wir

haben uns also in unserem Beispiel auf die Vorgehensweise der Rangreihung

festgelegt. Die Auskunftsperson hat sich wie folgt entschieden (Vgl. [Backhaus et al.

2005]):

Eigenschaft B

1 2

1 2 1

Eigenschaft A 2 3 4

3 6 5


Abbildung 10: Rangwerte für eine Auskunftsperson am Beispiel

3.4 Schätzung der Nutzenwerte

In dem vierten Schritt „Schätzung der Nutzenwerte“ werden durch die empirisch

ermittelten Rangdaten einer Menge von Stimuli mit Hilfe der Conjoint-Analyse

zunächst Teilnutzenwerte für alle Eigenschaftsausprägungen ermittelt [Backhaus et

al. 2005]. Diese Teilnutzenwerte sind notwendig, um

→ metrische Gesamtnutzenwerte für alle Stimuli

→ relative Wichtigkeiten für die einzelnen Eigenschaften ableiten zu können.

25


Die Schätzung der Nutzenwerte wird jetzt bezogen auf unser Margarinebeispiel

(Abbildung 8 und 10) ausgeführt. Jede der fünf Eigenschaftsausprägungen stellt

einen Teilnutzenwert β dar, der zu schätzen ist. Aus der Verknüpfung der Teilnutzen-

werte schließen wir dann auf den Gesamtnutzenwert y eines Stimulus.

Bei einem additiven Modell gilt dann:

y = β A + β B

„In allgemeiner Form lässt sich das additive Modell der Conjoint-Analyse wie folgt

formulieren“ (Vgl. [Backhaus et al. 2005]):

yk = jm * ∑∑= =

J

j

Mj

m1 1β χ jm

mit: yk : geschätzter Gesamtnutzenwert für Stimulus k

β jm : Teilnutzenwert für Ausprägung m von Eigenschaft j

Beim additiven Modell ergibt die Summe der Teilnutzen den Gesamtnutzen. Für

unser Beispiel ergeben sich dann folgende Gesamtnutzenwerte (Vgl. Abbildung 9):

111 BA ββγ +=

212 BA ββγ +=

123 BA ββγ +=

224 BA ββγ +=

135 BA ββγ +=

236 BA ββγ +=

26


„Die Teilnutzenwerte jmβ sollen so bestimmt werden, dass die resultierenden Ge-

samtnutzenwerte kγ „möglichst gut“ den empirischen Rangwerten pk entsprech-

en“ (Vgl. [Backhaus et al. 2005]). Die monotone Varianzanalyse wird üblicherweise

zur Ermittlung der Teilnutzenwerte eingesetzt. Für die Ermittlung der

Teilnutzenwerte kann man zwischen der metrischen und der nichtmetrischen Lösung

unterscheiden, wobei ich mich in meiner Diplomarbeit nur mit der metrischen

Lösung befassen werde.

Bei der metrischen Lösung wird angenommen, dass die Befragten die Abstände

zwischen den vergebenen Rangwerten jeweils als gleich groß (äquidistant)

einschätzen. Dadurch besitzen die Rangwerte nicht mehr ein ordinales Skalenniveau,

sondern ein metrisches Skalenniveau. Aus diesem Grund muss das Modell der

Conjoint-Analyse um einen konstanten Term µ ergänzt werden:

y = µ + βA + βB

Die Konstante µ stellt den Durchschnittsrang von allen vergebenen Rangwerten dar

und kann auch als Basisnutzen interpretiert werden, von dem sich die

Eigenschaftsausprägungen positiv oder negativ abheben. In unserem Margarine-

beispiel beträgt der Durchschnittsrang 21/6 = 3,5.

Im nächsten Schritt wird jede Eigenschaftsausprägung nach ihrem durchschnittlichen

Rang untersucht. „Durch Vergleich von µ mit dem resultierenden Rang jeder

Eigenschaftsausprägung lässt sich feststellen, ob die Ausprägungen einen über- oder

unterdurchschnittlichen Beitrag zur Präferenz liefern“ (Vgl. [Fabian 2005]).

Durch einfache Differenzbildung wird deutlich, wie weit die Eigenschaftsausprägung

vom Durchschnittsrang abweicht. Diese Differenz ergibt den Teilnutzenwert der

jeweiligen Eigenschaftsausprägung (Vgl. [Backhaus et al. 2005], S.573-574.).

Für das Margarinebeispiel ergeben sich nun folgende Werte:

5,3=µ 1Aβ = -2.000 1Bβ = 0,1667

2Aβ = 0,000 2Bβ = -0,1667

3Aβ = 2,000

27


Durch Einsetzen der Werte ergeben sich dann die Gesamtnutzenwerte:

1γ = 3,5 + (-2,0) + 0,1667 = 1,667

Die empirischen und geschätzten Nutzenwerte sowie deren einfache und quadrierte

Abweichungen sind in der nächsten Abbildung zusammengefasst.

Stimulus p Y p-y (p-y)²

I 2 1,6667 0,333 0,1111

II 1 1,3333 -0,333 0,1111

III 3 3,6667 -0,667 0,4444

IV 4 3,3333 0,667 0,4444

V 6 5,6667 0,333 0,1111

VI 5 5,3333 -0,333 0,1111

Σ 21 21,0000 0,000 1,3333


Abbildung 11: Ermittlung der quadratischen Abweichungen zwischen den

empirischen und geschätzten Nutzenwerten

„Die durch Anwendung der Varianzanalyse ermittelten Teilnutzenwerte β sind

Kleinst-Quadrate-Schätzungen, d.h. sie werden so ermittelt, dass die Summe der

quadratischen Abweichungen zwischen den empirischen und geschätzten

Nutzenwerten minimal ist“ (Vgl. [Backhaus et al. 2005]).

∑=

−K

kkkpMin

1

)²( γβ

28


3.5 Aggregation der Nutzenwerte

Die Aggregation der Nutzenwerte ist der letzte Schritt im Ablauf einer Conjoint-

Analyse und dient dazu, die durchschnittliche Präferenz einer Vielzahl von Pro-

banden zu ermitteln. Um die Individualanalysen der einzelnen Befragten mit-

einander vergleichen zu können, muss eine Normierung (Vgl. [Schubert 1995])

stattfinden, bei der die Teilnutzenwerte für alle Probanden auf den gleichen „Null-

punkt“ und gleichen Skaleneinheiten basieren (Vgl. [Backhaus et al. 2005]).

Den Nullpunkt bildet diejenige Eigenschaftsausprägung, die den geringsten Nutzen-

beitrag liefert. Für die Normierungsvorschrift gilt: „Bilde die Differenz zwischen

dem niedrigsten Teilnutzenwert jeder Eigenschaft und den einzelnen Teilnutzen-

werten“ (Vgl. [Fabian 2005]):

Minjjmjm βββ −=*

mit:

jmβ : Teilnutzenwert für Ausprägung m von Eigenschaft j

Minjβ : minimaler Teilnutzenwert bei Eigenschaft j

Für unser Margarinebeispiel bekommen wir damit folgende transformierte

Teilnutzenwerte:

000.0))000,2(000,2(*1 =−−−=Aβ 3334,0))1667,0(1667,0(*

1 =−−=Bβ

000.2))000,2(000,0(*2 =−−=Aβ 000.0))1667,0(1667,0(*

2 =−−−=Bβ

000.4))000,2(000,2(*3 =−−=Aβ

„Für die Justierung der Skaleneinheit ist entscheidend, welche Größe den Maximal-

wert des Wertebereichs beschreiben soll“, sagen Backhaus et al. (Vgl. [Backhaus et

al. 2005]) auf S.580 aus. Es ist daher am geeignetsten, den Gesamtnutzenwert des am

stärksten präferierten Stimulus bei allen Auskunftspersonen auf 1 zu setzen.

29


Durch Anwendung der folgenden Formel ergeben sich die normierten

Teilnutzenwerte:

{ }∑=

∧

= J

jjmm

jmjm

1

*

*

max β

ββ

Bezogen auf das Margarinebeispiel lauten die normierten Teilnutzenwerte:

000,03334,4/000,01 ==∧

Aß 077,03334,4/3334,01 ==∧

Bß

462,03334,4/000,22 ==∧

Aß 000,03334,4/000,02 ==∧

Bß

923,03334,4/000,43 ==∧

Aß

Als Ergebnis der Conjoint-Analyse steht fest, dass das am stärksten präferierte

Produkt in der Kombination aus universeller Verwendbarkeit (A3) und armem

Kaloriengehalt (B1) besteht und einen Gesamtnutzenwert von 1 erhält. Dies

entspricht dem Stimulus V (siehe Abbildung 8)!

Backhaus et al. (Vgl. [Backhaus et al. 2005]) weisen aber auch darauf hin, „dass sich

aus der absoluten Höhe der Teilnutzenwerte zwar auf die Bedeutsamkeit einer

Eigenschaftsausprägung für den Gesamtnutzenwert eines Stimulus schließen lässt,

nicht aber auf die relative Wichtigkeit einer Eigenschaft zur Präferenzveränderung.

Auf die relative Wichtigkeit einer Eigenschaft zur Präferenzveränderung lässt sich

vielmehr über die Spannweite (= Differenz zwischen dem höchsten und dem

niedrigsten Teilnutzenwert der verschiedenen Ausprägungen jeweils einer

Eigenschaft) schließen. Ist die Spannweite groß, dann ist die jeweilige Eigenschaft

zur Präferenzveränderung geeigneter (Vgl. [Büschken 1994]).

Die Bedeutung einzelner Eigenschaften für die Präferenzvariation erhält man, wenn

man die Spannweite einzelner Eigenschaften an der Summe der Spannweiten ge-

wichtet (Vgl. [Backhaus et al. 2005]).

30


Durch die nachfolgende Formel lässt sich die relative Wichtigkeit bestimmen:

{ } { }{ } { }( )∑

=

−

−= J

jjmmjmm

jmmjmmjw

1minmax

minmax

ββ

ββ

Bei schon zuvor normierten Teilnutzenwerten ist der Ausdruck min{βjm} in Zähler

und Nenner der Formel immer gleich Null, so dass die größten normierten

Teilnutzenwerte je Eigenschaft gleichzeitig auch eine Aussage über die relative

Wichtigkeit der Eigenschaften liefern (Margarinebeispiel: Attribut A ist mit 92,3%

gegenüber Attribut B mit 7,7% wesentlich stärker gewichtet für die Präferenz-

bildung).

Aufgrund der Normierung durch die Formel ist eine Vergleichbarkeit der Ergebnisse

aus verschiedenen Individualanalysen möglich. Insgesamt gibt es zwei Möglich-

keiten, um aggregierte Ergebnisse der Conjoint-Analyse zu erlangen. Zum einen ist

dies die Durchführung von Individualanalysen mit anschließender Aggregation und

zum anderen besteht die Möglichkeit, eine gemeinsame Conjoint-Analyse für eine

Mehrzahl von Auskunftspersonen durchzuführen, die aggregierte Teilnutzenwerte

liefert.

31

Analyse der Wahlbasierten und Adaptiven Conjoint-Analyse

4 Analyse der Wahlbasierten und Adaptiven Conjoint-

Analyse und Vergleich mit dem Klassischen Ansatz

Da der Conjoint-Analyse einen immer größer werdenden Stellenwert in der

Marktforschung zugesprochen wird (siehe Kapitel 2), nehmen auch die Verfahrens-

variationen des Analyseverfahrens durch die empirische Forschung zu.

Aus dem Ursprung, dem Klassischen Ansatz (= Traditionelle Methode), sind zahl-

reiche Weiter- und Neuentwicklungen von Verfahrensvarianten entstanden, so dass

es für die Anwender aufgrund der Geschwindigkeit der Entwicklung schwierig ist,

alle Varianten zu verfolgen und die beste Methode auszuwählen.

Backhaus et al. (Vgl. [Backhaus et al. 2005], S. 614.) stellen in Ihrem Werk eine

vergleichende Bewertung alternativer conjointanalytischer Untersuchungsansätze

vor. Sie beschränken sich dabei auf die Ansätze der Adaptiven Conjoint-Analyse, der

Wahlbasierten Conjoint-Analyse (auch Choice-Based-Conjoint-Analyse genannt),

der Hybriden Conjoint-Analyse und dem Klassischen Ansatz.

Es ist von großem Interesse, welcher Ansatz am vorteilhaftesten ist und gegenüber

den anderen das ausgereifteste Verfahren darstellt.

Bei der Betrachtung der nachfolgenden Abbildung 12 fällt auf, dass die Wahlbasierte

Conjoint-Analyse und die Adaptive Conjoint-Analyse am besten abschneiden.

32


Bewertungskriterien Klassische Ansätze

Choice- Based-CA Hybrid-CA Adaptive

CA Erhebungsart: persönlich, schriftlich ++ + ++ --

persönlich, computergestützt ∅ ++ ∅ ++

postalisch, schriftlich ∅ ∅ ∅ --

postalisch, computergestützt - ++ - --

telefonisch ∅ (+) - -

Erhebungssituation: Große Merkmalsanzahl -- -- ++ ++

Individualanalyse ++ -- + ++

individuelle Erhebungsprofile - - -- ++

Anwendungssituation: Auswahlentscheidungen ∅ ++ ∅ ∅

Berücksichtigung der Simularität - ++ - -

Bestimmung von Marktreaktionen ∅ ++ ∅ ∅

Marktsegmentierung ++ (∅) - (+)

Auswertungssituation: Inferenzstatistik - ++ - -

Legende: Eignung: ++ = sehr gut + = gut ∅ = durchschnittlich - = gering -- = ungeeignet Quelle: (Vgl. [Backhaus et al. 2005], S.614.)

Abbildung 12: Vergleichende Bewertung alternativer conjointanalytischer Unter-suchungsansätze

Warum haben sich sowohl die Adaptive als auch die Wahlbasierte Conjoint-Analyse

laut der Abbildung 12 im Laufe der Zeit bewährt und weniger Schwachpunkte

erkennbar werden lassen als der Klassische Ansatz?

Im Folgenden sollen die Ansätze der Wahlbasierten, der Adaptiven und der

Klassischen Methode analysiert und mit ihren Vor- und Nachteilen gegeneinander

abgegrenzt werden.

Es ist wichtig anzumerken, dass die Empfehlungen in Abbildung 12 nur Grund-

satzaussagen darstellen und bei Anwendungssituationen kritisch hinterfragt werden

müssen (Vgl. [Backhaus et al. 2005]).

33


Aus diesem Grund ist es von besonderem Interesse, die in der Abbildung 12

dargestellten Tabelle genauer unter die Lupe zu nehmen, um einsichtig

zu machen, worin die vergleichende Bewertung alternativer conjointanalytischer

Untersuchungsansätze sich begründet.

4.1 Die Wahlbasierte Conjoint-Analyse

Die Wahlbasierte Conjoint-Analyse, die auch unter dem Begriff der Choice-Based-

Conjoint-Analyse bekannt ist, stellt aufgrund ihrer Veränderungen zum Klassischen

Ansatz eine wichtige Entwicklung im Bereich der Verfahrensvariationen der

Conjoint-Analyse dar. Diese conjointanalytische Methode hat ihren Ursprung in

einer Arbeit von Louviere/Woodworth aus dem Jahre 1983 (Vgl. [Louviere/

Woodworth 1983]), wobei sie in den vergangenen Jahren immer mehr an Bedeutung

zugenommen hat. Mit der Wahlbasierten Conjoint-Analyse kann das Marketing-

problem der Preisbildung und Produktlinienpolitik behandelt werden (Vgl. [Cohen

1997], S.15.). Dieser Untersuchungsansatz dient als Ausgangspunkt für Verfahrens-

varianten, die auf einer Kombination mit verschiedenen statistischen Ansätzen

basieren (Vgl. [Hillig 2006], S.68.). Die Wahlbasierte Conjoint-Analyse weist Unter-

schiede gegenüber der Adaptiven Conjoint-Analyse und dem Klassischen Ansatz

bezüglich ihrer theoretischen Grundlagen und der Bewertung der Stimuli dar. Da der

Proband stets Produkte bewertet, die sich aus allen möglichen Merkmalen

zusammensetzen, wird die Wahlbasierte Conjoint-Analyse als ein Full-Profile-

Verfahren bezeichnet. Die Auskunftspersonen müssen Auswahlentscheidungen

treffen, die Präferenzurteile darstellen. „Die „Bewertung“ der Stimuli erfolgt dabei

durch einmalige oder wiederholte Auswahl eines Stimulus aus einem

34


Alternativen-Set“ (Vgl. [Backhaus et al. 2005]). Dadurch kann erstmals eine

Nichtwahl-Möglichkeit im Alternativen-Set auftreten. Laut Mc Fadden (Vgl. [Mc

Fadden 1973]) basiert die theoretische Grundlage der Wahlbasierten Conjoint-

Analyse auf der Zufallsnutzentheorie, d.h., dass die Alternative ausgewählt wird, für

die der Nutzen maximal ist. Eine deterministische und eine prohabilistische

Komponente beschreiben den als Zufallsvariable zu verstehenden Nutzen U einer

Alternativen a (Vgl. [Backhaus et al. 2005]).

„Während der deterministische Term die Charakteristika einer Alternative wider-

spiegelt, werden die übrigen auf die Auswahlentscheidung wirkenden Einfluss-

faktoren durch den prohabilistischen Term der Nutzenfunktion modelliert. Mit Hilfe

eines multinominalen Logit-Modells lassen sich auf der Basis der aggregierten

Auswahlentscheidungen die relevanten Parameter berechnen“ (Vgl. [Backhaus et al.

2005]).

Durch die geringe Anzahl von Auswahlentscheidungen je Auskunftsperson kann

keine Berechnung individueller Nutzenwerte durchgeführt werden, so dass die

Wahlbasierte Conjoint-Analyse keinen Individualansatz darstellt.

4.1.1 Die Vorteile der Wahlbasierten Conjoint-Analyse

In der Wahlbasierten Conjoint-Analyse müssen die Probanden Auswahlentschei-

dungen aus einem Alternativen-Set treffen, bei der auch eine Nichtwahlmöglichkeit

besteht. Im Alternativen-Set existiert eine Anzahl von Produkten, die sich aus unter-

schiedlichsten Merkmalen zusammensetzen. Diese Auswahlentscheidung ähnelt sehr

einer Kaufentscheidungssituation im Kaufhaus. Im Kaufhaus besteht für den

Probanden ebenfalls die Möglichkeit, sich für eines oder keines der angebotenen

35


Produkte zu entscheiden. Diese Realitätsnähe kann als Vorteil der Wahlbasierten

Conjoint-Analyse angesehen werden.

„Der Vorteil der Vorgehensweise der Wahlbasierten Conjoint-Analyse liegt in der

einfachen Anwendung und darin, dass die Wahlbasierte Conjoint-Analyse in vielen

Fällen das tatsächliche Verhalten der Konsumenten realistisch repräsentiert“ (Vgl.

[Fillip 1997], S.255.). Ein weiterer Vorteil der Wahlbasierten Conjoint-Analyse ist

die Abfrage von Wahlurteilen. Da die Nutzenbewertung sich als äußerst schwierig

darstellt und Nutzen keinen absoluten Bezugspunkt besitzt, hat sich die Analyse in

Form von Wahlurteilen als sehr positiv herausgestellt (Vgl. [Teichert 2001], S.43.).

Es können „echte“ Auswahlentscheidungen abgebildet werden. Im Gegensatz dazu

können die mit Hilfe der übrigen conjointanalytischen Ansätze ermittelten

Präferenzdaten zuerst gar keine Informationen über die Auswahlentscheidungen

aussagen (Vgl. [Backhaus et al. 2005], S.612-614.).

Die Wahlbasierte Conjoint-Analyse ist das einzige Verfahren, bei dem Inferenz-

statistiken berechnet werden können. Unter Inferenzstatistiken werden Folgerungs-

statistiken verstanden. Die anderen nicht-metrischen, conjointanalytischen Verfahren

stellen nur Fitmaße bereit.

Als letzten vorteilhaften Aspekt möchte ich die flexiblere Handhabung und die

Ermöglichung eines wesentlich breiteren Einsatzgebiets erwähnen. Dieser Vorteil

entsteht dadurch, weil die Wahlbasierte Conjoint-Analyse neben den Haupteffekten

auch Nebeneffekte, d.h. Interaktionen zwischen einzelnen Merkmalsausprägungen,

messen und alternativenspezifische Merkmalsausprägungen definieren kann (Vgl.

[Hillig 2006], S.69.).

4.1.2 Die Nachteile der Wahlbasierten Conjoint-Analyse

Ein Nachteil der Wahlbasierten Conjoint-Analyse entsteht dadurch, dass die

Probanden bei ihren Auswahlentscheidungen nur eines oder keines von den

36


Produkten, als das von ihnen Präferierte auswählen können und deshalb ihre

Bewertung von Produkt zu Produkt nicht abstufen können.

Des Weiteren erwartet das Wahlbasierte Verfahren eine viel höhere Aufmerksamkeit,

weil die Probanden viele Produkte mit zahlreichen Merkmalen miteinander

vergleichen und abwägen müssen. Hinzu kommt noch, dass die Ausbeute an

Informationen ziemlich gering ist, weil über die Eindeutigkeit der Entscheidungen

keine Aussage gemacht werden kann. Aus diesem Grund sind die Interviews der

Wahlbasierten Conjoint-Analyse wesentlich länger als Interviews anderer Verfahren

der Conjoint-Analyse. Durch die Länge der Interviews besteht zudem noch die

Gefahr, dass die Auskunftsperson in einen Automatismus verfällt und eventuell nur

noch über ein Merkmal (z.B. Preis) entscheidet und die anderen Eigenschafts-

ausprägungen außer Acht lässt.

Eine weitere nachteilige Einschränkung ist möglich, weil keine realen Wahlakte

abgefragt werden. Da die Präsentation der Stimuli simulativ immer wiederholt wird,

können verzerrende Effekte bei der Datenerhebung nicht ausgeschlossen werden.

4.1.3 Mein Fazit für die Wahlbasierte Conjoint-Analyse

Um eine Schlussfolgerung zu ziehen, ist es bei der Wahl des Verfahrens der

Conjoint-Analyse wichtig, vorher zu wissen, welche Faktoren für mich von

besonderer Bedeutung sind.

Möchte ich eine Full-Profile-Methode anwenden, indem realitätsnahe Auswahl-

entscheidungen getroffen werden und indem auch eine Nichtwahl-

Möglichkeit besteht, dann ist die Wahlbasierte Conjoint-Analyse das geeignete

Verfahren der Conjoint-Analyse.

37


Ein weiterer Aspekt ist die Frage, ob ich nach der Durchführung der Conjoint-

Analyse Inferenzstatistiken berechnen möchte bzw. muss. Da die Wahlbasierte

Conjoint-Analyse das einzige Verfahren mit möglicher Berechnung von In-

ferenzstatistiken darstellt, bestehen bezüglich Auswertungsstatistiken keine Aus-

wahlmöglichkeiten.

Die Wahlbasierte Conjoint-Analyse besitzt sowohl einige Vorteile als auch einige

Nachteile. Die Personen, die eine Conjoint-Analyse durchführen, müssen sich

darüber im Klaren sein, auf welche Bereiche sie besonders Wert legen. In den

Bereichen „Erhebungsart“ (persönlich, postalisch, telefonisch etc.), „Anwendungs-

situation“ (Auswahlentscheidungen, Bestimmung von Marktreaktionen etc.) und

„Auswertungssituation“ (Inferenzstatistik) eignet sie sich sehr gut. Jedoch für den

Bereich „Erhebungssituation“ (Große Merkmalsanzahl, Individualanalyse, indi-

viduelle Erhebungsprofile) ist sie wenig geeignet bis ungeeignet.

4.2 Die Adaptive Conjoint-Analyse

Die Adaptive Conjoint-Analyse ist eine Form der hybriden Conjoint-Analysen, da sie

einen kompositionellen und einen dekompositionellen Teil besitzt (siehe Bsp. einer

Adaptiven Conjoint-Analyse im Anhang). Dieses Verfahren, das Mitte der achtziger

Jahre von Johnson entwickelt wurde, ist von großer Bedeutung und deshalb die mit

Abstand am häufigsten eingesetzte Conjoint-Analyse (Vgl. [Fabian 2005], S.177.).

Eine Untersuchung von Baier im Jahre 1997 ergab, dass auf dem deutschen Markt

70% der Conjoint-Analyse mittels der Adaptiven Conjoint-Analyse durchgeführt

wurde. Dieser sehr hohe Anteil unterstreicht die Bedeutung des Verfahrens.

38


Das Softwaresystem ACA von Sawtooth Software, Inc. ist eine computergestützte

Variante, die die Basis für die Beschreibung darstellt. Die gesamte Datenerfassung

erfolgt in Form eines computergestützten Interviews (Vgl. [Green/Krieger/Vavra

1997]).

Die Conjoint-Analyse hat die Bezeichnung „adaptiv“, weil die computergestützte

Befragung für jeden Probanden individuell angepasst wird (O.V., 1996, S.2 aus

[Fabian, 2005]). Die Eingaben des Probanden werden bereits während des Interviews

vom Rechner verarbeitet und dazu verwendet, die jeweils nächste Fragebogenseite zu

entwickeln. Durch die Anpassung an die individuelle Präferenzstruktur des Nutzers

werden aussagekräftige Informationen aus den Interviews gewonnen.

Ich möchte nun auf die Datenerhebung bei Nutzung des Softwaresystems ACA näher

eingehen und die mindestens 4 Phasen, die zur Datenerhebung benötigt werden,

erläutern (Vgl. [Brusch 2005], S.29.):

Den vier notwendigen Phasen wird eine Phase vorgeschaltet, in der die Probanden

inakzeptable Ausprägungen der Eigenschaften aus der Befragung ausschließen

können. Dies ist jedoch nur eine Option, die auch nicht besonders empfohlen wird

[Sawtooth Software 2002].

Phase 1: In der ersten Phase werden die Präferenzen der Probanden gegenüber den

Ausprägungen aller Eigenschaften (Ausprägungen immer nur einer Eigenschaft

werden auf einmal bewertet) mittels Ranking oder Rating erfasst. „Dabei scheint

insbesondere das Ratingverfahren geeignet zu sein, da hiervon keinerlei Einflüsse auf

die weiteren Ergebnisse bekannt sind“, so Brusch [Brusch 2005].

Phase 2: Nun wird die Wichtigkeit jeder Eigenschaft anhand der zuvor festgelegten

besten und schlechtesten Eigenschaftsausprägung bestimmt. Die Probanden sollen

den Unterschied zwischen diesen Ausprägungen anhand einer Ratingskala mit

extremen Polaritäten („überhaupt nicht wichtig“ bis hin zu „extrem wichtig“)

beurteilen (Vgl. [Brusch 2005]).

39


Der kompositionelle Teil der Adaptiven Conjoint-Analyse ist jetzt abgeschlossen und

die ersten Teilnutzenwerte für alle Ausprägungen sind vorhanden. Diese ersten

Werte stellen die Basis für die nächste Phase dar. Die ganze Aufmerksamkeit liegt

jetzt auf der für den Probanden wichtigsten Eigenschaft.

Phase 3: In der dritten Phase geht es um paarweise Präferenzbestimmung bei

Teilprofilen mit maximal fünf Eigenschaften. Die Probanden sollen zeitgleich

gezeigte Produktkonzepte bewerten, so dass nach jedem Paarvergleich ACA die

bisherigen Teilnutzenwerte verbessert und neue, verbesserte Paare konstruiert

werden. Je höher die Anzahl an Eigenschaften wird, umso realer wird das

Produktkonzept. Allerdings wird aufgrund der Informationsflut die Beurteilungs-

aufgabe immer schwieriger (Vgl. [Brusch 2005]).

Phase 4: In Phase 4 erfolgt die Präferenzbestimmung anhand kalibrierter

Einzelkonzepte. Die Adaptive Conjoint-Analyse erstellt aus den wichtigsten Eigen-

schaften verschiedene Produktkonzepte, für die Auskunftspersonen ihre Kaufwahr-

scheinlichkeit abgeben sollen. „Dabei ist das erste Produktkonzept für den Probanden

am wenigsten wünschenswert, während das zweite Produktkonzept genau seinen

Wunschvorstellungen entspricht“ (Vgl. [Brusch 2005]). Bei der Adaptiven Conjoint-

Analyse wird von einer echten Individualanalyse gesprochen, da für jede

Auskunftsperson spezifische Erhebungsdesigns erstellt werden.

Im Anschluss an die Phasen der Adaptiven Conjoint-Analyse ist die Nutzung eines

Marktsimulators möglich. In 56% der durchgeführten Conjoint-Analysen wurde auch

eine Marktanteils-Simulation durchgeführt. Mit Hilfe der ermittelten Nutzenwerte

werden Markt-Simulationen mit verschiedenen Produkt-Konzepten erstellt.

40


4.2.1 Die Vorteile der Adaptiven Conjoint-Analyse

Bei der Betrachtung der Adaptiven Conjoint-Analyse mit ihrem Einsatz von

Software ergibt sich eine Vielzahl von Vorteilen gegenüber herkömmlichen „Paper-

and-Pencil“-Verfahren. Neben dem Vorteil der Individualanalyse ist ein weiterer

Vorteil eine erhöhte Motivation der Probanden. Der Umgang mit dem Computer

weckt das Interesse und erhöht das Involvement der Probanden. Daraus folgt eine

sinkende Ermüdung der Auskunftspersonen, die deshalb eine erhöhte

Aufnahmebereitschaft an Stimuli besitzen.

Ein weiterer Vorteil wird in der Flexibilität gesehen. Aufgrund des Einsatzes von

Software kann eine größere Anzahl von Attributen und Level in die Untersuchung

eingeführt werden, ohne dass die Probanden überfordert werden (Vgl. [Fabian 2005],

S.178.).

Der nächste Vorteil ist die Größenordnung der Untersuchungsdesigns. Es können

theoretisch bis zu 30 Merkmale in das Befragungsdesign aufgenommen werden. Des

Weiteren können durch den Einsatz der Software inkonsistente Auskunftspersonen

herausgefiltert werden. Vorteilhaft ist zudem die sofortige Berechnung der

Teilnutzenwerte. „Manager können somit die Ergebnisse der Untersuchung wesent-

lich schneller als früher bekommen“, laut Fabian (Vgl. [Fabian 2005]) auf S.178. Der

Faktor Zeit wird heutzutage immer wichtiger, weil die Trends auf dem Markt sehr

kurzlebig sind. Die computergestützte Befragung hat zwei weitere Vorteile aufzu-

weisen: Zum einen wird der Interviewer ersetzt, wodurch Verzerrungen der Ant-

worten vermieden werden, und zum anderen liegen die Befragungsdaten sofort in

digitaler Form vor, so dass keine Fehler bei der Übertragung der Daten vom Papier in

den Computer auftreten können.

Vorteile:

leistungsstarke Softwarepakete stehen zur Verfügung

Einsatz bei großer Anzahl von Eigenschaften (max. 30) und Ausprägungen

(max. 9) möglich

interaktive Befragung, die sich am Beurteilungsverhalten der Probanden

orientiert

41


Minimierung des Beurteilungsaufwandes durch Konzentration auf individuell

wichtige Eigenschaften

echte Individualanalysen, da spezifische Erhebungsdesigns für jeden Pro-

banden erstellt werden

Quelle: Eigene Darstellung in Anlehnung an [Brusch 2005], Tabelle 7 auf S.25.

4.2.2 Die Nachteile der Adaptiven Conjoint-Analyse

Im Gegensatz zur Wahlbasierten Conjoint-Analyse ist die Adaptive Conjoint-

Analyse keine Full-Profile-Methode. Die Auskunftspersonen bewerten niemals

Produkte bzw. Produktkombinationen, die sich aus allen möglichen Merkmalen

zusammensetzen.

Nicht so positiv ist der Aspekt, dass die leicht zu bedienende Software die

Wahrscheinlichkeit eines Missbrauchs der Conjoint-Analyse ansteigen lässt (Vgl.

[Green/Srinivasan 1990]).

Problematisch sind zudem noch die Unklarheiten über die Äquivalenz der

Skalenwerte. Es steht immer wieder zur Diskussion, dass eine feinere Skalierung zu

einer gesteigerten Vorhersagegenauigkeit führen könnte (Vgl. [Brusch 2005], S.25.).

Die Computerunterstützung bringt viele Vorteile mit sich, jedoch gibt es auch einen

Nachteil, der nicht außer Acht gelassen werden soll. Da die Computerunterstützung

bei der Adaptiven Conjoint-Analyse notwendig ist, können die Anwendungsfelder

(z.B. die möglichen Präsentationsalternativen) eingeschränkt werden.

Als kritisch wird der Einsatz von Paarvergleichen angesehen, da dadurch eine

Ineffizienz in der Datenerhebung auftreten kann.

Eine weitere Schwachstelle der Adaptiven Conjoint-Analyse ist die, dass dieses

Verfahren ungeeignet ist, den Faktor Preis zu schätzen. Dem Preis wird zu wenig

42


Bedeutung zugemessen, so dass bezüglich dieses Faktors die Wahlbasierte Conjoint-

Analyse vorzuziehen ist.

Nachteile:

Computerunterstützung ist während der Datenerhebung notwendig, was die

Anwendungsfelder (z.B. die möglichen Präsentationsalternativen) einschränkt.

Unklarheit über Äquivalenz der Skalenwerte aus kompositionellen und

dekompositionellen Befragungsteil.

Einsatz von Paarvergleichen wird aufgrund von Ineffizienz in der

Datenerhebung kritisiert.

Quelle: Eigene Darstellung in Anlehnung an [Brusch 2005], Tabelle 7 auf S.25.

4.2.3 Mein Fazit für die Adaptive Conjoint-Analyse

70% der Conjoint-Analysen auf dem deutschen Markt werden mittels der Adaptiven

Conjoint-Analyse durchgeführt. Aufgrund des hohen Anteils gewinnen viele

Betrachter den Eindruck, dass die Adaptive Conjoint-Analyse das beste Verfahren ist.

Die Adaptive Conjoint-Analyse besitzt viele Vorteile, wie Flexibilität, erhöhte

Motivation, enorme Größenordnung, sofortige Berechnung, usw. und einige wenige

Nachteile, wie Missbrauchsmöglichkeit, Unklarheit über die Äquivalenz, usw..

Nach Abwägung der Vor- und Nachteile wird deutlich, weshalb die Adaptive

Conjoint-Analyse die am häufigsten eingesetzte Methode ist, jedoch hat dieses

Verfahren auch kleine Problembereiche.

Die Bereiche „Erhebungsart“ und „Erhebungssituation“ sind mit gut bis sehr gut zu

bewerten. Der Bereich „Anwendungssituation“ ist aber nur durchschnittlich geeignet

und die „Auswertungssituation“ gering geeignet (Vgl. [Backhaus et al. 2005]).

43


In der Literatur wurde im Laufe der Zeit Kritik gegenüber dem zu ungenauen

Skalenniveaus geäußert, auf die aber bei der Entwicklung von neueren ACA

Softwareversionen eingegangen wurde (Vgl. [Green/Krieger/Agarwal 1991], S.220.).

Die Kritik galt besonders der 2. Phase, so dass in der ACA Version 5.0 eine

Bewertung auch durch ein Rating vorgenommen werden kann.

Insgesamt komme ich zu dem Urteil, dass die Adaptive Conjoint-Analyse aufgrund

der sehr positiven Computerunterstützung und des Individualansatzes ein gutes

Verfahren darstellt und den hohen Anteil (70%) bezüglich der Anwendung

rechtfertigt.

Allerdings wird deutlich, dass ein weiterer Bedarf an Forschung besteht, um ein

vollständig ausgereiftes Verfahren präsentieren zu können, in dem keine

Problembereiche auftauchen. Den Aspekt „Stand der Forschung“ und

„Zukunft“ möchte ich in Kapitel 5 näher durchleuchten.

4.3 Vergleich mit dem Klassischen Ansatz

Die drei verschiedenen Verfahrensvariationen, die Wahlbasierte, die Adaptive und

die Klassische Conjoint-Analyse, sind sehr schwer zu vergleichen. Die Abbildung 13

macht deutlich, dass alle drei Methoden eine unterschiedliche Basis besitzen.

44



Full-Profile

Partielle Profile

(Subset)

Klassische Conjoint


Klassische Conjoint




Partial aggregierte

Modelle

Choice-Based-


Analyse)


Profilen


OLS Regression


PREFMAP

Caroll (1973)


OLS

Regression

Pekelman & Sven

(1979)


Krishanmurthi

& Wittink (1989)


Jain & Malhorta

(1983)




Cluster Analyse

Kamakura (1988)

Multinominal Logit

Louviere & Woodward

(1983)

Bayesian Cattin,






(1981)

Green (1984)


z.B. Software

MDS(X)



Bretton-Clark


Sawtooth

COSMOS (Infratest,

Burke)

Sawtooth



Aus der Abbildung kann man entnehmen, dass der Klassische Ansatz eine Trade-

Off- oder Full-Profile-Methode ist, die Wahlbasierte Conjoint-Analyse (= Choice-

Based-Conjoint-Analyse) eine Full-Profile-Methode und die Adaptive Conjoint-

Analyse eine partielle Profil-Methode darstellt. In der Abbildung wird die Fülle der

Verfahrensvariationen deutlich und der Betrachter erkennt, dass jeder der drei

Bereiche (Trade-Off, Full-Profile, Self-Explicated und Full-Profile) von je einer

Variante abgedeckt ist. Dadurch kann ich durch die Wahlbasierte, Adaptive und

Klassische Conjoint-Analyse jeden Bereich näher durchleuchten.

Die Traditionelle Conjoint-Analyse kann auch als Ausgangspunkt für Weiter-

entwicklungen und Neuentwicklungen von Verfahrensvarianten verstanden werden,

weil dieser Klassische Ansatz zwei Problemfelder besitzt. Das erste Problemfeld

45


besteht darin, dass nur eine begrenzte Anzahl an Merkmalen und

Merkmalsausprägungen eingesetzt werden kann. Der zweite Aspekt, das

Hauptproblem, ist lediglich die Abbildung von Präferenzstrukturen, da die

„ermittelten Präferenzdaten keinerlei Informationen über ein mögliches

Wahlverhalten der Probanden“ (Vgl. [Weiber/Rosendahl 1997]) enthalten (Vgl.

[Hillig 2006]).

Die Vor- und Nachteile werde ich in den nächsten Unterkapiteln genauer aufführen.

4.3.1 Die Vorteile des Klassischen Ansatzes

Die Klassische Conjoint-Analyse besitzt ihre Vorteile in der genauen Ermittlung der

Nutzwerte und Wünsche ihrer Kunden. Des Weiteren kann durch die Kenntnis der

Nutzenanteile und –bereiche der F&E-seitige Ressourceneinsatz optimal gesteuert

werden.

Ein weiterer positiver Aspekt ist die Transparenz des Einflusses der subjektiven

Eigenschaften (imageries) auf die objektiven Eigenschaften (characteristics).

Viele weitere Vorteile führt Brusch [Brusch 2005] in der Tabelle 6 auf Seite 24 auf:

„flexibles Instrument aufgrund weitreichender Kontrolle der Beurteilungs-

aufgabe“

„vielseitiger Einsatz bei unterschiedlichen Anwendungsfeldern und Problem-

stellungen“

„realitätsnahe (weil indirekte, ganzheitliche) Datenerhebung“

„Isolierung und Quantifizierung der Nutzenbeiträge einzelner Eigenschaften“

„Ermittlung von intervallskalierten Ergebnissen“

46


„Möglichkeit zur Simulation der Produktakzeptanz und des Wahlverhaltens

bei Variierung der Kombinationen der Eigenschaften bzw. Ausprägungen“

„Rückschlüsse auf Abnehmersegmente bzw. deren Präferenzstrukturen mög-

lich“

„Einsatz bei Innovationen (auch vor der Entwicklung von Prototypen) mög-

lich“

4.3.2 Die Nachteile des Klassischen Ansatzes

Neben den Vorteilen hat Brusch [Brusch 2005] in seiner Tabelle 6 auf Seite 24 eine

Reihe von Nachteilen aufgelistet:

„Einsatz nur bei begrenzter Anzahl von Eigenschaften möglich“

„Überforderung der Probanden durch zahlreiche Bewertungen von Alter-

nativen, zu denen eventuell keine eigenen Vorstellungen existieren“

„Verzerrungen durch eingeschränkte Möglichkeiten bei der notwendigen

Beschreibung untersuchter Eigenschaften und Ausprägungen“

„zumeist Verwendung von Ordinale-Skalen, bei denen streng genommen

weder Summen noch arithmetische Mittelwerte gebildet werden dürfen“

„übliche Addition der Teilnutzenwerte stellt eher notwendigen „Kunst-

griff“ dar“

„Unabhängigkeit der Ausprägungen wirkt beschränkend auf die generelle

Eignung“

„Stabilität der Präferenzstruktur über die Zeit ist fraglich“

47


Als ein weiterer Nachteil kann die Aufwendigkeit sowohl in Bezug auf Zeit als auch

auf Kosten aufgeführt werden. Des Weiteren sind umfangreiche statistisch-

mathematische Kenntnisse erforderlich.

Negativ wirkt sich die Anwendung der Profilmethode aus, weil mit dieser Methode

nur einfache Produkte mit wenigen Eigenschaftsausprägungen erfasst werden.

Bei der Vorauswahl der Eigenschaften ist nachteilig aufzuzeigen, dass diese Auswahl

nicht objektiv verläuft. Die Vorauswahl der Eigenschaften ist mit Subjektivismen

behaftet.

Die größte Problematik besteht jedoch darin, dass lediglich Präferenzstrukturen

abgebildet werden, da die „ermittelten Präferenzdaten keinerlei Informationen über

ein mögliches Wahlverhalten der Probanden“ (Vgl. [Weiber/ Rosendahl 1997])

enthalten (Vgl. [Hillig 2006]).

4.4 Die Ergebnisse der Analyse und des Vergleiches der drei

conjointanalytischen Methoden

Ein eindeutiges Ergebnis bezüglich der Güte und der Anwendbarkeit der drei

vorgestellten Conjoint-Analysen lässt sich nicht so einfach herauskristallisieren. Die

Beurteilung und der Vergleich der Wahlbasierten, Adaptiven und Klassischen

Conjoint-Analyse ist aufgrund der unterschiedlichen Anforderungen an das

Erhebungsdesign, den Erhebungsumfang, die Schätzmethoden und das Aggre-

gationsniveau nur sehr schwer möglich. Eine Beurteilung der drei Verfahrens-

variationen kann nur am tatsächlichen Erfolg hinsichtlich der jeweiligen Aufgaben-

stellung erfolgen. Dies bedeutet, dass sich die Anwender vor der Durchführung einer

48


Conjoint-Analyse über ihre Aufgabenstellung bzw. Problemstellung bewusst sein

müssen.

Haben die Anwender bei der Durchführung einen Anspruch auf Realitätsnähe (durch

Abfrage von Wahlurteilen) und soll eine Nichtwahl-Möglichkeit im Alternativen-Set

möglich sein, dann ist die Wahlbasierte Conjoint-Analyse vorteilhaft. Hinzu kommt

noch der Aspekt der Inferenzstatistik, die für die Wahlbasierte Conjoint-Analyse

spricht.

Bevorzugen die Anwender jedoch einen flexiblen Individualansatz, der zeitlich

schnell durchführbar ist und zudem viele Merkmale in das Befragungsdesign

aufnimmt, fällt die Entscheidung zugunsten der Adaptiven Conjoint-Analyse. Der

hohe Anteil der Anwendungen der Adaptiven Conjoint-Analyse spricht eindeutig für

dieses Verfahren. Dieser Anteil beruht mit Sicherheit auf der Computerunterstützung,

die neben der Zeitersparnis vor allem eine Kostenersparnis mit sich bringt. Durch die

computergestützte Befragung wird zum einen der Interviewer ersetzt und zum

anderen wird eine Auswertung aufgrund der vorliegenden Daten in digitaler Form

schnell durchführbar sein.

Der Klassische Ansatz, welcher der Ursprung für die anderen Verfahrensvariationen

war, findet heutzutage in der Anwendung keine große Resonanz. Die anderen

Ansätze, die den Klassischen Ansatz als Basis haben, wurden entwickelt, weil sie

Verbesserungen enthalten sollen.

Die Entwicklung der Anwendungshäufigkeiten macht Brusch in seinem Buch

„Präferenzanalyse für Dienstleistungsinnovationen mittels multimedialgestützter

Conjoint-Analyse“ auf Seite 18 deutlich. Er unterstützt meine Aussage, dass die

Resonanz bezüglich der Klassischen Conjoint-Analyse immer geringer wird. Der

Klassische Ansatz, früher am häufigsten angewendet, ist mittlerweile von der

popularisierten und seitdem softwareseitig immer wieder modifizierten Adaptiven

Conjoint-Analyse abgelöst worden. „Gemäß den neuesten Untersuchungen von

Hartmann und Sattler ist ACA allerdings von auswahlbasierten Conjoint-Analysen,

wie der Choice-Based-Conjoint (CBC), von dem ersten Platz abgelöst worden und

wird in 34% der Fälle angewendet (Vgl. [Hartmann/Sattler 2002]), so Brusch (Vgl.

[Brusch 2005]) auf Seite 19. Die beiden von mir untersuchten Analysemethoden (die

Adaptive und Wahlbasierte Conjoint-Analyse), haben in letzter Zeit in ihrer An-

wendungshäufigkeit immer mehr zugenommen und entwickeln sich zu den be-

deutendsten Vertretern der Conjoint-Analyse.

49


Bezüglich der Vorhersagegenauigkeit der Verfahrensvarianten kommt man zu

keinem eindeutigen Ergebnis. In einer Studie von Huber et al. wurden 400 Personen

zu ihren Präferenzen bei Kühlschränken interviewt und es wurde festgestellt, dass die

Adaptive Conjoint-Analyse hinsichtlich der richtig vorhergesagten Entscheidungen

gegenüber dem Klassischen Ansatz besser abgeschnitten hat (Vgl. [Huber et al.

1993], S.109.). Dagegen kommt eine Studie von Agarwal/Green zu dem Ergebnis,

dass der Klassische Ansatz bessere Ergebnisse erzeugt (Vgl. [Agarwal/Green 1991],

S.143.). Es existiert kein eindeutiges Ergebnis, welches Verfahren die bessere

Vorhersagegenauigkeit besitzt.

Backhaus et al. (Vgl. [Backhaus et al. 2005]) machen in ihrer Abbildung auf Seite

614 deutlich, dass der Klassische Ansatz in den Bereichen „Erhebungsart“, „Er-

hebungssituation“, „Anwendungssituation“ und „Auswertungssituation“ nur durch-

schnittlich bis gering geeignet ist.

Insgesamt komme ich zu dem Urteil, dass die Adaptive Conjoint-Analyse aufgrund

der großen Anzahl der zu untersuchenden Attribute, der kurzen Dauer der Aus-

wertung und der einfachen Erstellung des Erhebungsdesigns das vorteilhafteste

Verfahren der Conjoint-Analyse ist, wobei die Wahlbasierte Conjoint-Analyse auch

einige Vorzüge zu bieten hat. Mir wird aber auch bewusst, dass keine der

vorgestellten conjointanalytischen Methoden den anderen in allen Bereichen

ausnahmslos überlegen ist.

Hinsichtlich der Frage, welche Conjoint-Analyse die geeignetste ist, ist es wichtig,

die Marktsituation sowie das Kaufverhalten zu betrachten. Je nachdem um welches

Gut es sich handelt, fällt die Wahl der conjointanalytischen Methode unterschiedlich

aus. Handelt es sich um ein Gebrauchsgut (z.B. ein Auto), dann ist die Adaptive

Conjoint-Analyse die bessere Methode, da diese Methode die Entscheidungsfindung

erleichtert und besonders auf die funktionalen Merkmale eingeht. Die Wahlbasierte

Conjoint-Analyse ist bei Konsumgütern (z.B. Lebensmittel) vorzuziehen. Bei

Konsumgütern fällt die Entscheidung ziemlich schnell, da es nur wenige

Informationen gibt und das Hauptaugenmerk auf dem Preis liegt.

Ich komme zu dem Ergebnis, dass die Wahl der Verfahrensvariante besonders von

der Kaufentscheidung und der Anzahl der Merkmale abhängt. Existiert bei dem Kauf

eines Produktes ein hoher kognitiver Aufwand, dann kommt die Adaptive Conjoint-

Analyse zur Anwendung. Bei niedrigem kognitivem Aufwand wird die Wahlbasierte

Conjoint-Analyse eingesetzt.

50

Conjoint-Analyse im Marketing

5 Conjoint-Analyse im Marketing

Die Conjoint-Analyse wird primär als ein Analyseverfahren des Marketing und der

Marktforschung angesehen (Vgl. [Teichert 2001]). Es gibt jedoch neben dem Bereich

der Marktforschung Anwendungsfelder in der Bewertung öffentlicher Güter, in der

Anwendung raumwirtschaftlicher Fragestellungen, wie auch in der Messung

organisationaler Entscheidungen.

Hinzu kommt noch seit einigen Jahren die Anwendung der Conjoint-Analyse bei

Dienstleistungen, vorrangig aus dem Finanzsektor, der mittlerweile ein ebenso

wichtiges Einsatzgebiet wie den Bereich der Konsumgüter darstellt. Diese

Entwicklung beruht vor allem auf der steigenden Bedeutung des Dienst-

leistungssektors. Der Schwerpunkt der Conjoint-Analyse liegt in der (Neu-)

Produktgestaltung, wobei das Verfahren gleichermaßen in Fragestellungen der

anderen Komponenten des Marketing-Mixes eingesetzt wird. Als Komponente des

Marketing-Mixes ist z.B. die Preispolitik aufzuführen.

Ebenfalls in Analysen des Wettbewerbsumfelds, sowie bei der Gestaltung und

Erfolgsmessung von Werbung kommt die Conjoint-Analyse zum Einsatz. Wie

bereits in der „Einführung in die Thematik des Conjoint-Measurement im Marke-

ting“ zum Ausdruck gebracht wurde, wird das allgemeine Ziel des Marketings, den

Verkauf und Vertrieb der produzierten Güter zu verbessern, durch die Analyse der

Bedürfnisse der jeweiligen Kundengruppen gefördert. Aufgrund dessen ist die

Conjoint-Analyse ein fester Bestandteil im Bereich der Marketingwissenschaft.

Mittlerweile dominieren computergestützte Verfahren, jedoch verdrängen diese nicht

vollständig die alternativen Verfahren. Abhängig von der Studie werden unter-

schiedliche Verfahren von den Anwendern eingesetzt (Vgl. [Melles/Holling 1998],

S.15.).

51


5.1 Stand der Forschung


Full-Profile

Partielle Profile

(Subset)

Klassische Conjoint


Klassische Conjoint




Partial aggregierte

Modelle

Choice-Based-


Analyse)


Profilen


OLS Regression


PREFMAP

Caroll (1973)


OLS

Regression

Pekelman & Sven

(1979)


Krishanmurthi

& Wittink (1989)


Jain & Malhorta

(1983)




Cluster Analyse

Kamakura (1988)

Multinominal Logit

Louviere & Woodward

(1983)

Bayesian Cattin,






(1981)

Green (1984)


z.B. Software

MDS(X)



Bretton-Clark


Sawtooth

COSMOS (Infratest,

Burke)

Sawtooth



Die oben aufgeführte Abbildung stellt eine Reihe von alternativen

Untersuchungsansätzen der Conjoint-Analyse dar. Dem Betrachter wird deutlich,

dass die Conjoint-Analyse weite Verbreitung in der empirischen Forschung gefunden

hat. Die blau hinterlegten conjointanalytischen Verfahren erlangten größere Be-

deutung und verfügen über entsprechende Softwareprodukte, laut Backhaus et al.

(Vgl. [Backhaus et al. 2005]) auf S.610.

52


Mittlerweile existieren auch alternative Softwareprogramme, die auch für das

Betriebssystem Windows geeignet sind. „Sawtooth Software hat mit Sensus Q&A

(Sawtooth Software, 1996) eine zeitgemäße Software zur Durchführung von

Conjoint-Analysen vorgelegt“ (Vgl. [Melles/Holling 1998]).

In der Forschung werden immer neue Verfahrensvariationen entwickelt bzw. alte

Verfahren auf Schwachstellen untersucht und verbessert. Die permanente

Weiterentwicklung und Forschung ist aber auch ein Indiz dafür, dass noch keines der

Verfahren vollkommen ausgereift ist. Bei jedem Verfahren existieren noch

Verbesserungsmöglichkeiten, auf die ich im weiteren Verlauf noch zu sprechen

komme. Auf zwei Verfahren der Conjoint-Analyse, die in der Forschung entwickelt

wurden und ziemlich neue Alternativen darstellen, möchte ich auf den folgenden

Seiten näher eingehen. Es handelt sich zum einen um die Online-Conjoint-Analyse

und zum anderen um die Customized-Computerized-Conjoint-Analysis (kurz CCC)!

5.1.1 Die Online-Conjoint-Analyse

Da die Conjoint-Analyse aus erhebungstechnischen Gründen eine sehr aufwendige

und teure Untersuchung ist, hat die Online-Forschung eine Online-Conjoint-Analyse

entwickelt und versucht, die Problembereiche zu lösen. Die Bezeichnung Online-

Conjoint-Analyse entstand dadurch, dass die Beantwortung der Fragen der Conjoint-

Analyse über das Medium Internet erfolgt. Das Internet hat sich mittlerweile zum

wichtigsten weltweiten Informationsmedium entwickelt.

Die preisgünstige Conjoint-Analyse ist aufgrund von sämtlichen computergestützten

Steuerungen wesentlich günstiger zu realisieren als persönliche Interviews.

Vorteilhaft ist zudem noch, dass für die Online-Conjoint-Analyse keine besonderen

technischen Neuentwicklungen notwendig sind, da die Basis aus der CAPI-Software

(Software für mobile „Face to Face“-Umfragen) bekannt ist.

53


Aufgrund dessen „tüfteln“ zahlreiche Online-Forschungsinstitute an der Online-

Conjoint-Analyse und entwickeln notwendige Tools. Des Weiteren ist es ein großer

Vorteil, dass es bei der Online-Conjoint-Analyse einfacher möglich ist, die Größe der

Stichprobe zu erhöhen.

Hinsichtlich der Umsetzung der Online-Conjoint-Analyse müssen die Anwender

beachten, dass die Kombinationen öffentlich werden, die der Interviewte abwägen

soll. Jeder Interviewte kennt also alle Produktalternativen, so dass die Wahr-

scheinlichkeit eines Missbrauchs der Daten erheblich ist. Die Online-Conjoint-

Analyse sollte nur für geschlossene Befragungsgruppen angewendet werden, die

durch Login und Passwort geschützt sind.

Ein weiterer wichtiger Aspekt ist die fehlende Kontrollierbarkeit durch den Forscher

bei der Befragungssituation. Das schnelle, oberflächliche „Durchklicken“ von

Auskunftspersonen könnte durch Zeitprotokolle aufgedeckt werden. Nur wenn die

Datensätze intensiv geprüft und gereinigt werden, können diese mit den

Auswertungen der herkömmlichen Conjoint-Analyse mithalten.

Dennoch kommen Experten zu dem Urteil, dass die qualitativen Einschränkungen

nicht die Online-Conjoint-Analyse in Frage stellen. Die Forscher sind sehr zufrieden

mit der Praktikabilität des Internets und messen auch bei 30 Paarvergleichen noch

eine zufrieden stellende Reliabilität.

5.1.2 Die Customized-Computerized-Conjoint-Analysis

Die Customized-Computerized-Conjoint-Analysis (kurz CCC genannt) besteht aus

einem kompositionellen und einem dekompositionellen Teil und gehört aufgrund

dessen wie die Adaptive Conjoint-Analyse zur hybriden Conjoint-Analyse. Die CCC

54


stellt eine neue Alternative zur Adaptiven Conjoint-Analyse dar, die Verbesserungen

hinsichtlich der Schwachstellen enthält.

„Die Veränderungen gegenüber der Adaptiven Conjoint-Analyse besteht unter

anderem in der Ausgestaltung des dekompositionellen Teils“, sagt Fabian (Vgl.

[Fabian 2005]) auf S.194 aus. Anstelle der in der Adaptiven Conjoint-Analyse

genutzten Paarvergleiche zur Ermittlung der Präferenz, nimmt die CCC die Rang-

reihung zu Hilfe, um eine effizientere Datenerhebung zu ermöglichen.

Die Customized-Computerized-Conjoint-Analysis, die auf der Customized-Conjoint-

Analysis (kurz CCA genannt) von Srinivasan und Park basiert, ermöglicht die

Schätzung der Teilnutzenwerte für die bedeutendsten Eigenschaften allein auf der

Basis des dekompositionellen Teils (Vgl. [Fabian 2005], S.193-194.).

Gegenüber dem Verfahren der CCA gibt es bei der Customized-Computerized-

Conjoint-Analysis zwei Veränderungen. Zum einen ist die Customized-

Computerized-Conjoint-Analysis voll computergestützt und zum anderen wird ein

anderer Modus bei der Bestimmung der Endteilnutzenwerte gewählt. Um die

Endteilnutzenwerte bestimmen zu können, werden in der letzten Phase (wie bei der

Adaptiven Conjoint-Analyse ebenfalls 5 Phasen) Gewichte für die kompositionellen

und die dekompositionellen Teilnutzenwerte bestimmt. „Gewichte werden allerdings

nur für die Kernattribute bestimmt, die sowohl im kompositionellen als auch im

dekompositionellen Teil abgefragt wurden. Allen Attributen, die keine Kernattribute

darstellen, wird der Gewichtungsfaktor eins zugewiesen“ (Vgl. [Fabian 2005]).

Diese Veränderung und die Umsetzung der Vorgehensweise als voll

computergestütztes Verfahren sind die Modifikationen der Customized-

Computerized-Conjoint-Analysis gegenüber der CCA. Alle anderen Komponenten

der beiden Verfahren sind gleich.

Ein besonderer Vorteil der CCC liegt in der Validität der Ergebnisse. Im Rahmen

einer Untersuchung mit Kaffees als Testprodukten wurde die Validität der CCC mit

der Adaptiven Conjoint-Analyse sowie mit zwei rein kompositionellen Ansätzen

verglichen und es stellte sich heraus, dass im Gesamtergebnis die CCC die höchsten

Validitätswerte besaß (Vgl. [Hensel-Börner/Sattler 2000]).

55


5.2 Die Zukunft der Conjoint-Analyse und ihrer

Verfahrensvariationen

Die Conjoint-Analyse, in den siebziger Jahren entwickelt, ist in wenigen Jahren zu

einem bedeutenden Instrument der Marktforschung geworden und nimmt an

Popularität, aufgrund der erfolgreichen Einsetzung in der Marketing-Praxis, zu. Mit

der Einführung der Computerunterstützung erfreut sich die Conjoint-Analyse immer

größerer Beliebtheit und wird in der Zukunft aus dem Bereich der

Neuproduktplanung nicht mehr „wegzudenken“ sein.

Die vermehrte Verfügbarkeit von Computersoftware und ein insgesamt positives

Image erklären die steigende Anwendung der Conjoint-Analyse.

Brusch (Vgl. [Brusch 2005]) bringt in seinem Buch auf S.17 zum Ausdruck, dass

auch weiterhin von einer steigenden Tendenz zur Nutzung der Conjoint-Analyse

ausgegangen werden kann. „So vermerkten 86% der Befragten bei der Studie von

Melles/Holling (Vgl. [Melles/Holling 1998]), die Conjoint-Analyse in Zukunft

vermehrt anwenden zu wollen“ (Vgl. [Brusch 2005]).

Natürlich bedarf es stetiger Weiterentwicklung der Conjoint-Analyse durch die

Forschung, um die Schwachstellen immer kleiner werden zu lassen, trotzdem bin ich

fest davon überzeugt, dass die Conjoint-Analyse nicht an Popularität und Resonanz

einbüßen wird, sondern ganz im Gegenteil eine viel versprechende Zukunft vor sich

hat.

Eine glänzende Zukunft hat meiner Meinung nach vor allem die Online-Conjoint-

Analyse vor sich. Auch wenn noch einige online-spezifische Probleme zu lösen sind,

erfreut sich die Online-Conjoint-Analyse durch das Medium Internet großer

Beliebtheit. Das Internet ist heutzutage schon fester Bestandteil im Alltag und wird

in der Zukunft immer bedeutsamer. Durch das Internet ist die Conjoint-Analyse

selbst für hohe Fallzahlen preiswert durchführbar. Auch zeitlich gesehen kann jetzt

eine Conjoint-Analyse schneller bewältigt werden. Der Zeitfaktor und vor allem der

Kostenfaktor waren die Ursachen, warum einige Personen vor der Conjoint-Analyse

zurückgeschreckt sind.

56


Da die Probleme der Online-Conjoint-Analyse, wie Schutz geheimer Daten oder

Bereinigung der Datensätze, allesamt lösbar sind, bin ich fest von einer glänzenden

Zukunft des Online-Verfahrens überzeugt.

Die Adaptive Conjoint-Analyse und die Wahlbasierte Conjoint-Analyse, die jetzt

schon Hauptvertreter der Conjoint-Analyse sind, werden auch in Zukunft fester

Bestandteil sein und weiterhin eine große Anwendungshäufigkeit besitzen. Auch bei

diesen beiden Analysemethoden werden im Laufe der Zeit vorteilhafte

Modifikationen stattfinden, so dass die Resonanz hoch bleiben wird.

Die Customized-Computerized-Conjoint-Analysis ist eine neue, weiterentwickelte

Alternative zur Adaptiven Conjoint-Analyse. Zum jetzigen Zeitpunkt wäre es

sinnvoller, der etablierten Adaptiven Conjoint-Analyse den Vorzug zu geben, da

weitere, vergleichende Untersuchungen notwendig sind, um eine Überlegenheit der

CCC gegenüber der Adaptiven Conjoint-Analyse festzustellen. Wenn in Zukunft

jedoch eine vollfunktionsfähige Software und weitere Forschungsergebnisse

vorhanden sind, könnte die CCC die Adaptive Conjoint-Analyse von ihrer Position

als Hauptvertreter der Conjoint-Analyse ablösen (Vgl. [Fabian 2005], S.199.).

5.3 Kritische Betrachtung dieser multivariaten Analysemethode

Backhaus et al. (Vgl. [Backhaus et al. 2005]) bringen in ihrem Buch immer wieder

zum Ausdruck, dass multivariate Analysemethoden, zu denen auch die Conjoint-

Analyse gehört, heute eines der Fundamente der empirischen Forschung in den

Realwissenschaften sind. Diese Analysemethoden stellen noch keine ausgereiften

Verfahren dar und es bedarf ständiger Forschung und Weiterentwicklung, um neue

57


Verfahrensvariationen und verbesserte Softwareprogramme zu entwickeln und

dadurch neue Anwendungsbereiche zu erschließen. Es wird immer wieder deutlich,

dass interessierte Betrachter eine gewisse Scheu bei der Anwendung der Conjoint-

Analyse besitzen, die aus einer Angst gegenüber mathematischen Darstellungen,

mangelnder Kenntnis der Methode und mit dem Einsatz des Computers resultieren.

Die Kluft zwischen interessierten Personen und den Experten der Conjoint-Analyse

müsste meiner Meinung nach geringer werden. Dass die Conjoint-Analyse am

häufigsten und am besten von Marktforschungsinstituten und ihren Experten

durchgeführt wird bzw. werden sollte, ist mir bewusst, jedoch denke ich, dass bei

größerer Vertrautheit von Interessierten mit der Conjoint-Analyse diese Methode

noch mehr zum Einsatz kommen würde.

Ich meine, dass in der Realität Bedenken bestehen, zum einen bezüglich der Kosten-

und Zeitproblematik und zum anderen, ob sich eine Investition in die Conjoint-

Analyse auch immer auszahlen wird.

Meiner Meinung nach bekommt der Anwender der Methode schon eine Antwort auf

die Frage, wie ein neues Produkt in Hinsicht auf die Bedürfnisse des Marktes optimal

zu gestalten ist, allerdings werden die Produktlebenszyklen immer kürzer und zudem

treten immer öfter unerwartete Trends auf, mit denen die wenigsten vorher gerechnet

haben. Wenn die Conjoint-Analyse eine hundertprozentige Trefferquote hätte, würde

keine Entwicklungsabteilung einer produzierenden Firma auf ihren Einsatz

verzichten. Die Investition in eine Conjoint-Analyse ist also immer mit ein wenig

Risiko behaftet. Bezüglich dieses Risikos sehe ich es als kritikwürdig, dass keine

Validitäts- und Reliabilitätsmessung bei der Anwendung der Conjoint-Analyse

implementiert ist und kein einheitliches Ergebnis vorliegt, welche Verfahrensvariante

die bessere Vorhersagegenauigkeit liefert. Verschiedene Studien liefern hinsichtlich

der Vorhersagegenauigkeit gegenteilige Ergebnisse. Diese unterschiedlichen

Aussagen fördern nicht gerade das Vertrauen der Anwender gegenüber den einzelnen

Methoden.

Einen weiteren kritischen Aspekt sehe ich in der ständig notwendigen Weiter-

entwicklung und Verbesserung der Computer-Programme. In dem Anhang meiner

Diplomarbeit befindet sich eine Tabelle mit einer Auflistung der vorhandenen

Computersoftware zur Planung und Auswertung von Conjoint-Analysen, in der eine

Vielzahl von Softwareprogrammen dargestellt wird. Es ist mit Sicherheit nicht

einfach für Institute, die die Durchführung einer Conjoint-Analyse als Dienstleistung

58


anbieten, ständig auf dem neuesten Stand der Technik und Entwicklung zu sein. Eine

immer wieder neue Anschaffung von Software-Programmen ist äußerst kostspielig

und wird schließlich auf den Kunden übertragen. Diese Kosten lassen die

Durchführung der Conjoint-Analyse immer teurer werden.

Ebenfalls kritisch zu betrachten ist die Geschwindigkeit der Entwicklung der

Conjoint-Analyse. Die zahlreichen Weiter- und Neuentwicklungen von Verfahrens-

varianten auf der Basis des Klassischen Ansatzes macht es den Praktikern nicht

gerade einfach, die verschiedenen Ansätze zu verfolgen und den geeignetsten

auszuwählen (Vgl. [Hillig 2006]).

5.4 Meine persönlichen Verbesserungsvorschläge bezüglich der

Conjoint-Analyse

Dieses Kapitel meiner Diplomarbeit, in dem ich gerne eigene Verbesserungs-

vorschläge bezüglich der Conjoint-Analyse präsentieren möchte, ist am

schwierigsten zu gestalten. Die Conjoint-Analyse befindet sich, wie einige andere

multivariate Analyseverfahren auch, noch in stürmischer Entwicklung. Forscher

setzen sich täglich mit dem Verfahren der Conjoint-Analyse auseinander und

entwickeln ständig neue methodische Varianten. Ich kann nur versuchen, mögliche

Ansatzpunkte zu finden und mich mit möglichen Schwachstellen genauer

auseinanderzusetzen.

Ich finde es unglücklich, dass der Begriff „Conjoint-Analyse“, wie aber auch der

Begriff „multivariate Analysemethoden“, nur für Fachleute ein Thema ist. Vor

meinem Studium mit dem Schwerpunkt Marketing hätte ich mir unter dem Begriff

59


„Conjoint-Analyse“ nichts vorstellen können. Meiner Meinung nach müsste dieses

interessante Analyseverfahren in der Öffentlichkeit bekannter gemacht werden.

Dieses Problem hat sich beim Durchstöbern einiger Homepages von Markt-

forschungsinstituten bestätigt. Die Darstellung einer Durchführung der Conjoint-

Analyse war meines Erachtens sehr dürftig. Es wurden zwar einige Referenzen

aufgeführt, u.a. Mercedes-Benz (als Bsp. einer Conjoint-Analyse im Anhang), jedoch

kann ich mir gut vorstellen, dass vor allem mittelständische Unternehmen bei

größerer Bekanntheit und Vertrautheit mit dieser multivariaten Analysemethode die

Conjoint-Analyse nutzen würden und auch davon profitieren könnten. Die Conjoint-

Analyse ist ein wichtiges Marktforschungs- und Marketinginstrument, dessen Dar-

stellung des Verfahrens mehr transparent gemacht werden sollte.

Eine weitere Verbesserungsmöglichkeit bezüglich der Conjoint-Analyse stellt die

Verwendung von Multimedia bei der Stimulipräsentation dar. Es werden neue Wege

zur Verbesserung der Güte der Ergebnisse diskutiert, wobei der Multimediaeinsatz

eine Verbesserung der Ergebnisgüte herbeiführen soll (Vgl. [Brusch 2005]). Es ist

zwar nicht mein persönlicher Verbesserungsvorschlag, aber dennoch bin ich von

diesem überzeugt und meine, ihn hier aufführen zu müssen.

„Die multimediagestützte Befragung stellt eine Weiterentwicklung der computer-

gestützten Befragung dar“, laut Brusch (Vgl. [Brusch 2005]) auf Seite 42. Sie

beinhaltet alle Vorteile der computergestützten Befragung und zudem noch neue

Befragungsmöglichkeiten durch den Einsatz von Tönen, Animationen und Video-

sequenzen. Hinzu kommt noch die Flexibilität der multimediagestützten Befragung,

die an allen möglichen Orten, wie auf Messen, am Point of Sale, mittels Laptop oder

online durchgeführt werden kann. Bei Befragungen können Texte, Grafiken, Bilder,

Audio, Animationen und Videos zur Anwendung kommen. Hinsichtlich der

Conjoint-Analyse können durch den Multimediaeinsatz Produkte besser dargestellt

werden. Vorher wurden Produkte nur verbal über ihre Attribute und deren

Ausprägungen beschrieben.

Die Vorteile des Multimediaeinsatzes sind also:

Präsentation visueller Informationen

Erhöhung von Aufmerksamkeit und Unterhaltungswert

Speicherung der Erhebungsdaten in digitaler Form

Speicherung weiterer akustischer und visueller Informationen

60


Erstellung von Maschinenprotokollen bei Befragungen

Minimierung des Interviewereinflusses

Ausweitung von Themenbereichen von Befragungen

kostengünstige Durchführung mancher Befragungen

(Quelle: [Brusch 2005], S.45.)

Allerdings besteht das größte Problem der Conjoint-Analyse in einem Dilemma:

„Auf der einen Seite führt eine höhere Anzahl von Attributen und Leveln zu einem

höheren Informationsgehalt, auf der anderen Seite führt dies zu einer längeren

Befragung“ (Vgl. [Fabian 2005]). Letztere birgt das Risiko von demotivierten

Probanden und demzufolge Daten von zweifelhafter Qualität. Meiner Meinung nach

müssen die Forscher an diesem Punkt Verbesserungen ansetzen. Ich könnte mir gut

vorstellen, dass durch irgendwelche Arten von Belohnungen die Befragten eine

größere Lust verspüren, an längeren Interviews teilzunehmen. Die Teilnahme an

solchen Befragungen muss den Probanden schmackhaft gemacht werden, so dass

diese enthusiastisch das Interview durchführen. Dadurch wäre auch eine höhere

Qualität der Daten gewährleistet. Der Nachteil dieser Belohnungen spiegelt sich

jedoch in dem Kostenfaktor wider.

Des Weiteren musste ich im Laufe der Ausarbeitung meiner Diplomarbeit feststellen,

dass hinsichtlich der Vorhersagegenauigkeit der einzelnen Methoden keine genauen

bzw. unterschiedliche Ergebnisse existieren. Diesen Aspekt habe ich zuvor schon

kritisch betrachtet, deshalb bin ich der Meinung, dass dieses Problem gelöst werden

muss. Auf irgendeine Art und Weise muss bei der Anwendung der Conjoint-Analyse

eine Validitäts- und Reliabilitätsmessung implementiert werden. Ein einheitliches

Ergebnis, welches Verfahren die besseren Prognosewerte erzeugt, würde den

Anwendern sehr helfen und das Vertrauen in die Methode stärken.

Ich habe auch festgestellt, dass keine Verfahrensvariante der Conjoint-Analyse die

anderen Methoden in allen Punkten ausnahmslos überlegen ist. Es kommt immer auf

die jeweilige Untersuchung an, welche Methode sich als die geeignetste darstellt.

Meiner Meinung nach muss für den Anwender eindeutig feststehen, in welchen

Fällen dieser die verschiedenen conjointanalytischen Methoden anwenden muss.

Eine solche Festlegung spart eine Menge an Zeit und es werden bessere Ergebnisse

erzielt. Dieses Problem besteht ebenfalls für die computerunterstützten Conjoint-

61


Analysen. Die Menge an Software-Angeboten (siehe Anhang) macht es dem

Anwender nicht gerade einfach, die richtige Software für sein Vorhaben

auszuwählen. Eine ideale Verbesserung wäre eine Software-Lösung für alle

computerunterstützten Methoden, wodurch gerade die Marktforschungsinstitute

durch unnötige weitere Anschaffung von Software Geld sparen könnten. Aus diesem

Grund könnte die Durchführung einer Conjoint-Analyse preiswerter werden. Die

Software Sensus Q&A ist eine solche Lösung, die sich für die Adaptive Conjoint-

Analyse, die Discrete-Choice und für eine allgemeine Befragung eignet (siehe

Tabelle im Anhang), allerdings sind dies nicht alle Methoden und auch hier bestehen

Verbesserungsmöglichkeiten.

In dem Anwendungsbeispiel einer Conjoint-Analyse (Neuproduktplanung von

Mercedes-Benz), welches sich im Anhang befindet, wird deutlich, dass bei

Präferenzurteilen der Probanden bezüglich des Designs eines Fahrzeuges das

Problem des emotionalen Charakters auftritt, obwohl die Befragungsmethodik sehr

rational ist. Es wird erhofft, dass dieses Problem durch den Einsatz von Produkt-

kliniken im Cyber Space (Virtuelle Realität) gelöst werden kann. Der Einsatz von

Produktkliniken bedeutet, dass in einem weiteren, separaten Teil der Conjoint-

Analyse alle Detailmerkmale mit ihren Ausprägungen berücksichtigt werden. Dies

ist ein neuer Ansatz zur Verbesserung der Conjoint-Analyse, der nicht von mir

persönlich kommt, aber ebenfalls erwähnenswert ist und in der Zukunft sicherlich

zum Einsatz kommen wird (Vgl. [Bauer/Dichtl/Herrmann 1996]).

62

Resümee

6 Resümee

Mein Resümee bezüglich der „Anwendung des Conjoint-Measurement im

Marketing“ fällt sehr positiv aus. Auch wenn das Verfahren der Conjoint-Analyse

sich noch in reger Entwicklung befindet und längst noch keine ausgereifte

Analysemethode darstellt, bin ich von einer glänzenden Zukunft überzeugt.

Die Forscher entwickeln ständig neue methodische Variationen und verbesserte

Software-Programme, die das Verfahren der Conjoint-Analyse effizienter und

vorteilhafter werden lassen. Gerade hinsichtlich der Online-Conjoint-Analyse denke

ich, dass dieses Online-Verfahren seinen Weg in der Zukunft machen wird. Das

Medium Internet bietet zahlreiche Möglichkeiten und Vorteile, von der die Online-

Conjoint-Analyse profitieren kann bzw. wird.

Wenn ich diese multivariate Analysemethode allgemein betrachte, kann ich mir gut

vorstellen, dass gerade in der heutigen Zeit das Interesse an der Conjoint-Analyse

immer größer werden wird. Welche produzierende Firma möchte nicht wissen, wie

ein neues Produkt in Hinsicht auf die Bedürfnisse des Marktes optimal zu gestalten

ist?

In der heutigen Zeit herrscht ein so großer Konkurrenzkampf und die Produzenten

müssen sich immer neue Ideen einfallen lassen, um sich von der breiten Masse

absetzen zu können und eine möglichst große Kundengruppe zu erreichen. Bezüglich

des Entwicklungspotentials sieht man an meinen eigenen Verbesserungsvorschlägen,

dass in diesem Bereich noch ein großer Spielraum besteht. Ich habe einfache

Verbesserungsvorschläge genannt, dennoch denke ich, dass Forscher, die sich

jahrelang mit dem Thema auseinandersetzen, auf ganz wichtige und bedeutende

Erkenntnisse stoßen werden.

Des Weiteren stelle ich aber auch fest, dass keine Methode existiert, die den anderen

Varianten in allen Belangen ausnahmslos überlegen ist. Ich sehe es als etwas kritisch

an, dass die Anwender vor der Durchführung einer Conjoint-Analyse genau

überlegen müssen, welche Variante der Conjoint-Analyse für ihr Vorhaben am

geeignetsten ist.

Ich persönlich finde, dass die Adaptive Conjoint-Analyse die conjointanalytische

Methode mit den größten Vorteilen ist. Es ist schwierig aus der Literatur und den

63

Resümee

verschiedenen Studien zu entscheiden, welches Verfahren der Conjoint-Analyse am

vorteilhaftesten ist und die besten Ergebnisse liefert, dennoch bin ich der Meinung,

dass die hohe Anzahl der zu untersuchenden Attribute, die kurze Dauer der

Auswertung, das hohe Interesse der Befragten und die einfache Erstellung des

Erhebungsdesigns eindeutig für die Adaptive Conjoint-Analyse sprechen.

Alles in allem finde ich, dass die Conjoint-Analyse ein Verfahren mit großer Zukunft

ist, bei der aber auch noch viel Entwicklungspotential enthalten ist.

64

Literaturverzeichnis


I. Bücher

[Backhaus et al. 2005]

Backhaus, K.; Erichson, B.; Plinke, W.; Weiber, R. (2005): Multivariate

Analysemethoden; 11. Auflage, Berlin 2005, S.558-617

[Balderjahn 1993]

Balderjahn, I. (1993): Marktreaktionen von Konsumenten: ein theoretisch-

methodisches Konzept zur Analyse der Wirkung marketingpolitischer Instrumente;

Berlin, S.91

[Bauer/Dichtl/Herrmann 1996]

Bauer, H. H./Dichtl, E./Herrmann, A. (1996): Automobilmarktforschung.

Nutzenorientierung von PKW-Herstellern, S.53-66

[Billings/Scherer 1988]

Billings, R., Scherer, L. (1988): The Effects of Response Mode and Importance on

Decision-Making Strategies; Vol.14, S.1-19

[Brusch 2005]

Brusch, M. (2005): Präferenzanalyse für Dienstleistungsinnovationen mittels

multimedialer Conjoint-Analyse; Wiesbaden 2005

[Büschken 1994]

Büschken, J. (1994): Conjoint-Analyse: Methodische Grundlagen und

Anwendungen in der Marktforschungspraxis

[Dolan 1990]

Dolan, R. J. (1990): Conjoint-Analysis: A Manager´s Guide; S.1-18

VI


[Fabian 2005]

Fabian, S. (2005): Wettbewerbsforschung und Conjoint-Analyse; 1.Auflage,

Wiesbaden 2005

[Fillip 1997]

Fillip, S. (1997): Marktorientierte Konzeption der Produktqualität; Wiesbaden 1997;

S.255

[Green/Srinivasan 1978]

Green, P. E.; Srinivasan, V. (1978): Conjoint Analysis in consumer research:

Issues and outlook; S.103-123

[Green/Krieger/Varra 1997]

Green, P. E.; Krieger, A. M. und Vavra, T. G. (1997): Evaluating New Products;

S.12-21

[Gustafsson 1999]

Gustafsson, A. (1999): Conjoint Analysis: a useful tool in the design process; S.336

[Hartmann/Sattler 2002]

Hartmann, A.; Sattler, H. (2002): Commercial Use of Conjoint Analysis in

Germany, Austria, and Switzerland; S.4

[Hensel-Börner/Sattler 1998]

Hensel-Börner, S. und Sattler, H. (1998): Validität der Customized Computerized

Conjoint Analysis (CCC); S.1

[Huber et al. 1993]

Huber, J.; Wittink, D. R.; Fiedler, J. A. und Miller, R. (1993): The effectiveness

of alternative preference elicitation procedures in predicting choice; S.109-S.111

[Hillig 2006]

Hillig, T. (2006): Verfahrensvarianten der Conjoint-Analyse zur Prognose von

Kaufentscheidungen; 1.Auflage, Wiesbaden 2006

VII


[Johnson 1974]

Johnson, R. M. (1974): Trade-off analysis of consumer values; Vol.11, S.121-127

[Krantz/Tversky 1971]

Krantz, D., Tversky, A. (1971): Conjoint Measurement Analysis of Composition

Rules in Psychology; Vol.78, S.151-169

[Lehmann/Gupta/Steckel 1998]

Lehmann, D. R./Gupta, S./Steckel, J. H. (1998): Marketing Research;

Massachusetts, S.548

[Malhotra 1996]

Malhotra, N. K. (1996): Marketing Research: an applied orientation; New Jersey,

S.711

[Mc Fadden 1973]

Mc Fadden, D. (1973): Conditional Logit Analysis of Qualitive Choice Behavior;

S.105

[Melles/Holling 1998]

Melles, T. & Holling, H. (1998): Einsatz der Conjoint-Analyse in Deutschland. Eine

Befragung von Anwendern, S.1-20

[Reiners 1996]

Reiners, W. (1996): Multiattribute Präferenzstrukturmodellierung durch die

Conjoint-Analyse: Diskussion der Verfahrensmöglichkeiten und Optimierung von

Paarvergleichsaufgaben bei der Adaptiven Conjoint-Analyse. Münster: LIT

[Sawtooth Software 2002]

Sawtooth Software (2002): ACA System. Adaptive Conjoint Analysis Version 5.0,

in: Sawtooth Software (Hrsg.): Technical Paper Series, Sequim, WA.

[Schubert 1995]

Schubert, B. (1995): Conjoint-Analyse; Stuttgart: Schäffer-Poeschel, S.378

VIII


[Teichert 2001]

Teichert, T. (2001): Nutzenschätzung in Conjoint-Analysen; 1.Auflage, Wiesbaden

2001

[Thomas 1979]

Thomas, L. (1997): Conjoint Measurement als Instrument der Absatzforschung;

S.199-211

[Weiber/Rosendahl 1997]

Weiber, R./Rosendahl, T. (1997): Anwendungsprobleme der Conjoint-Analyse: Die

Eignung conjointanalytischer Untersuchungsansätze zur Abbildung realer

Entscheidungsprozesse; S.111

II. Lexika

[Neues Grosses Volkslexikon Auflage 1979]

Neues Grosses Volkslexikon, München 1979 (9.Band)

[Encarta Enzyklopädie Standard 2003]

Encarta Enzyklopädie Standard 2003 (CD-Rom)

IX


ΙΙΙ. Zeitschriften

[Agarwal/Green 1991]

Agarwal, Manoj K./Green, Paul E. (1991): “Adaptive Conjoint Analysis versus

self-explicated models: Some empirical results”, in: International Journal of

Research in Marketing, 8, S.141-146

[Cohen 1997]

Cohen, S.H. (1997): Perfect Union – CBCA marries the best of conjoint and discrete

choice models, journal of Marketing Research, Vol. 34, No. 2, spring 1997, p.15

[Green/Krieger/Agarwal 1991]

Green, Paul E./Krieger, Abba M./Agarwal, Manoj K. (1991): „Adaptive Conjoint

Analysis: Some caveats and suggestions“, in: Journal of Marketing Research, Vol.

XXVII, S.220

[Hensel-Börner/Sattler 2000]

Hensel-Börner, S. und Sattler, H. (2000): Ein empirischer Validitätsvergleich

zwischen der Costumized Computerized Conjoint Analysis, der Adaptiven Conjoint

Analysis und Self-Explicated-Verfahren; Ausgabe: 6/2000

[Louviere/Woodworth 1983]

Louviere, J., Woodworth, G. (1983): Design and Analysis of Simulated Consumer

Choice or Allocation Experiments: An Approach Based on Aggregate Data, Journal

of Marketing Research, Vol.20, S.350-367

X

Eidesstattliche Erklärung

Eidesstattliche Erklärung

Ich erkläre hiermit an Eides Statt, dass ich die vorliegende Arbeit selbständig und nur

unter Verwendung der angegebenen Hilfsmittel angefertigt habe; die aus fremden

Quellen direkt oder indirekt übernommenen Gedanken sind als solche kenntlich

gemacht.

Die Arbeit wurde bisher keiner anderen Prüfungsbehörde vorgelegt und auch noch

nicht veröffentlicht.

Delbrück, den 17.08.2006

XI

Anhang

Anhangsverzeichnis

• Anwendungsbeispiel einer Conjoint-Analyse:

Kundenorientierte Produktgestaltung mittels Conjoint-Measurement:

Neuproduktplanung bei Mercedes-Benz.

(Vgl. Bauer, H. H./Dichtl, E./Herrmann, A. (1996): Automobil-

marktforschung. Nutzenorientierung von PKW-Herstellern, S.53-66.)

• Computersoftware zur Planung und Auswertung von Conjoint-Analysen

(Vgl. Melles, T. & Holling, H.(1998): Einsatz der Conjoint-Analyse in

Deutschland. Eine Befragung von Anwendern.)

XII

Anwendungsbeispiel einer Conjoint-Analyse: Kundenorientierte Produktgestaltung mittels Conjoint-Measurement:

Neuproduktplanung von Mercedes-Benz (Zusammenfassung)

Für Mercedes-Benz war es von Bedeutung, für erfolgreich bediente und neu zu

erobernde Kundengruppen spezifische Fahrzeugkonzepte abzuleiten. Diese Aufgabe

sollte mittels der Conjoint-Analyse durchgeführt werden. Die Ergebnisse, die durch

Conjoint-Analyse entstanden sind, dürfen aufgrund der strategischen Bedeutung

nicht vollständig dargestellt werden, so dass die jeweiligen Zielgruppen und die

daraus abgeleiteten Fahrzeugkonzepte anonymisiert worden sind.

Definition der Zielgruppe und Analyse der Stichprobe:

Die Definition der Zielgruppen wurde in einen mehrstufigen Prozess entwickelt, in

dem die Clusteranalyse den Rahmen bildete. In regelmäßigen Umfragen wurden

neben Kaufgründen auch Fahrzeugnutzer einschließlich soziodemographischer

Angaben, Vorbesitz, Fahrzeugnutzung, in Betracht gezogene Kaufalternativen sowie

Stärken und Schwächen des erworbenen Fahrzeugs erfasst.

Die Conjoint-Analyse, die auf 1000 Interviews mit Neuwagenkäufern basiert, wurde

in den vier europäischen Volumenmärkten von Mercedes-Benz durchgeführt. Die

Stichprobe bestand aus jeweils ein Drittel aus den durch Alter und Familienstand

definierten Zielgruppen A, B und C. Des Weiteren waren in jeder Zielgruppe ein

Drittel an Neuwagenkäufern der eigenen Marke, da die Substitutionsauswirkung

neuer Fahrzeugkonzepte bei den bisherigen Kunden abgeschätzt werden sollte.

Die Merkmalsauswahl:

Die Bedingungen bei der Auswahl der Merkmale waren:

• Die Merkmale sollten für die Kaufentscheidung relevant sein.

• Sie sollten beeinflussbar sein bzw. technisch umsetzbar sein.

• Sie sollten auf der gleichen Bewertungs- und Entscheidungsebene liegen und

voneinander unabhängig sein.

Die Interviews erfolgten nach der Adaptiven Conjoint-Analyse (Version: ACA 4.0),

wodurch der Befragungsaufwand durch die Computerunterstützung wesentlich

reduziert wurde. Die Adaptive Conjoint-Analyse besitzt einen kompositionellen und

einen dekompositionellen Teil. Der kompositionelle Teil besteht aus drei Elementen:

1. Der Proband eliminiert die Merkmalsausprägungen, die er unter keinen Um-

ständen in Betracht zieht.

2. Er bringt die noch verbleibenden Ausprägungen in eine Rangfolge nach Maßgabe

der Vorziehenswürdigkeit.

3. Der Befragte bewertet jeweils die Wichtigkeit der Differenz zwischen der am

höchsten und der am niedrigsten präferierten Ausprägung.

Der dekompositionelle Ansatz besteht aus Paarvergleichen, die durch den

kompositionellen Teil individuell konstruiert wurden. Außerdem gibt der Befragte

bei jedem Produktkonzept an, mit welcher Wahrscheinlichkeit er das Endergebnis

kaufen würde. Der Umfang betrug 15 konzeptbeschreibende Merkmale mit 5-6

Merkmalsausprägungen. Die Kriterien für die Beurteilung waren Fahrzeuglänge,

Fahrzeugaufbau, Türen/Türöffnung, Styling, Fahrzeuganmutung, Innenraum-

ambiente, Motorisierung und Transportkapazität im Fahrzeuginnenraum. Zu jedem

Merkmal kamen die Merkmalsausprägungen hinzu, die hier nicht einzeln aufgeführt

werden.

Empirische Befunde:

Es wurde durch die Conjoint-Analyse überprüft, inwieweit die internen Vor-

stellungen über die Lebenswelt der Zielgruppe mit der empirischen Realität

übereinstimmen und wie homogen die Anforderungen an ein Fahrzeug sind. Die

Gegenüberstellung der Einstellungsmittelwerte der Zielgruppen A, B und C machten

deutlich, dass die Betroffenen relativ homogen sind.

Des Weiteren wurden die Teilnutzenwerte der Zielgruppen A, B und C errechnet.

Dadurch kam man zu dem Ergebnis, dass die Zielgruppe C ein „Styling, das nicht

auffallen soll“ bevorzugt und die Zielgruppen A und B den Gegensatz, nämlich ein

„auffälliges Styling“ sich wünschen.

Als weiteres Ergebnis wurden die Idealfahrzeuge der Zielgruppen definiert, dass aus

den Ausprägungen mit den höchsten Teilnutzenwerten eines Merkmals (siehe

folgende Abbildung) besteht und von denen erwartet wird, dass sie die höchste Kauf-

wahrscheinlichkeit aufweisen.

Deutschland Europa

Fahrzeuglänge: Mittelklassesegment

Aufbau: Stufenheck

Styling: soll nicht auffallen

Fahrzeuganmutung

außen:

sachlich funktional

elegant-dynamisch

klassisch-elegant

elegant-dynamisch

deutliche Unterschiede zw.

Deutschland und Europa

Innenraumambiente: Sachlich-funktional Elegant-luxuriös relative Homogenität zwischen

Innen- und Außendesign

Abbildung: Idealfahrzeug der Zielgruppen

Die Matrix der Kaufwahrscheinlichkeit enthält neben den Werten für die

Idealfahrzeuge der jeweiligen Zielgruppe auch Zahlen für intern definierte

Fahrzeugkonzepte. Bei der Betrachtung der nachfolgenden Tabelle erkennt man, dass

die Zielgruppen höchstwahrscheinlich PKW 3 kaufen würden.

Fahrzeug/

Zielgruppe

Konzept 1 Konzept 2 Konzept 3 Konzept 4 Konzept 5

A 5,7 6,8 9,6 6,6 4,1

B 7,6 5,9 11,3 7,8 2,9

C 4,0 5,0 10,6 6,6 3,1

Alle

Befragten

5,8 5,9 10,6 7,1 3,4

Höchste Kaufwahrscheinlichkeit bezogen auf Fahrzeugkonzept bzw. Zielgruppe

Abbildung: Matrix der Kaufwahrscheinlichkeit

Durch eine Sensitivitätsanalyse wurde festgestellt, dass die wichtigsten Stellhebel für

eine Konzeptoptimierung Styling, Transportkapazität und Fahrzeugaufbau darstellen.

In einer Sensitivitätsanalyse werden Merkmalsausprägungen von geringer Kaufwahr-

scheinlichkeit stufenweise bis hin zu hoher Kaufwahrscheinlichkeit verändert.

Zusammenfassung:

Die Ergebnisse der Conjoint-Analyse waren lediglich nur befriedigend, da eindeutige

Befunde nur bei Merkmalen mit objektiven bzw. physikalischen Produkt-

eigenschaften (z.B. Transportkapazität) erzielt wurden. Es ließ sich auch feststellen,

dass die Zielgruppen A und B, die sich nur im Familienstand unterscheiden, eine

hohe Übereinstimmung besaßen und nur Unterschiede bezüglich des Innenraumes

aufwiesen. Es konnten aber keine Informationen über innovative Merkmale (z.B.

Flügel-/Schiebetüren) gewonnen werden. Insgesamt entstehen bei Anwendung der

Conjoint-Analyse auch Grenzen, wie z.B. bei der Bewertung von Innovationen.

Computersoftware zur Planung und Auswertung von Conjoint-Analysen

Eignung für… Designkonstruktion Interviewgestaltung Datenerhebung Parameterschätzung weitere Analysen

ACA Adaptive CA Programmeigenes, adaptives

Design aus direkten und

indirekten Merkmals-

beurteilungen

Informationsbildschirme,

Farben verschiedener Bild-

elemente

Computergestütztes

Interview nach ACA

typischem Ablauf (in vier

Phasen)

Lineare Regression Wahl-/ Marktanteilsanalyse

nach First-Choice-Modell,

Logit-Modell, korrigiertem

Logit-Modell,

Segmentanalysen

ALASCA Adaptive CA

Klassische Vollprofil-CA

Paarvergleiche

Adaptives, d-optimales,

manuelles, Häufigkeits- oder

Zufallsdesign für

Paarvergleiche, orthogonales

Vollprofildesign


Farben verschiedener Bild-

elemente, Bildschirmtexte

(z.B. Buttontext), Objekt-

vergleiche mit Bildern

Computergestütztes,

multimediales Interview

Regression, multinomiale

Logit-Regression, ordinale

Restriktionen möglich

Wahl-/Marktanteilsanalyse


Logit-Model, korrigiertem

Logit-Modell, Axiomtestung

CBC Discrete-Choice Optional orthogonale,

Zufalls- oder gemischtes

Design bis zu 50

Wahlaufgaben mit max. 9

Konzepten, max. 6 Merkmale

pro Konzept

Informationsbildschirme Computergestütztes

Interview (Disc-by-Mail oder

CAPI) oder Papier-und-

Bleistift-Befragung

„Wahlanteile“ der

Ausprägungen, multinomiale

Logit-Regression auf

aggregierter Ebene

Latent-Class-Segmentierung

CONJOINT

DESIGNER/

ANALYZER

Klassische Vollprofil-CA Orthogonales Design,

manuell modifizierbar

Art der Skalierung Nur in Papier-und-Bleistift-

Form

Lineare Regression,

verschiedene Schätzmodelle

(z.B. Vektormodell) möglich

und testbar

Wahl-und

Marktanteilsprognosen nach

First-Choice-Modell, BTL-

Modell

CONSURV Klassische Vollprofil-CA Orthogonales oder

erweitertes Design (zur

Schätzung ausgewählter

Interaktionen)

Anzahl und Anordnung der

Konzepte pro Seite,

Terminologie und Art der

Skalierung

Nur in Papier-und-Bleistift-

Form

Lineare Regression Wahl-/

Marktanteilsprognosen nach

First-Choice-Modell und

zwei Varianten,

Segmentanalysen

CVA Klassische Vollprofil-CA

Paarvergleiche (Vollprofile)

Trade-Off-Matrizen

Annähernd orthogonales

Design für Vollprofil-CA

Art der Skalierung Nicht im Programm

implementiert, mit Ci3

computergestützt

durchführbar oder in Papier-

Bleistift-Form

Lineare Regression,

monotone Regression,

ordinale Restriktionen

möglich

Wahl-

/Marktanteilsprognosen nach

First-Choice-Modell, Logit-

Modell (share of preference),

korrigiertem Logit-Modell,

Segmentanalysen

GfK-Optimizer Adaptive CA Adaptives Design Computergestütztes

Interview nach GfK-

Optimizer spezifischem

Verlauf (in 6 Schritten)

Lineare Regression Wahl-

/Marktanteilsprognosen,

Segmentanalysen

Sensus Q&A Adaptive CA (Sensus

TradeOFF)

Discrete-Choice (Sensus

Choice)

Adaptives ACA-Design für

Paarvergleiche, optional

orthogonales, Zufalls- oder

gemischtes Design für

Discrete-Choice (wie CBC) Allgemeine Befragung


Farben verschiedener

Bildelemente, Bildschirm-

texte (z.B. Buttontext), Bild-

und Geräuschunterstützung

zu Merkmalen

Computergestütztes,

multimediales Interview

Lineare Regression (Sensus

TradeOFF), Logit-

Regression auf aggregierter

Ebene (Sensus Choice)

Wahl-/Marktanteilsanalyse


Logit-Modell, korrigiertem

Logit-Modell,

Segmentanalysen

SPSS Conjoint Klassische Vollprofil-CA Orthogonales Design durch

die Prozedur SPSS-

Orthoplan

Nur in Papier-und-Bleistift-

Form (PLANCARDS)

Lineare Regression

anwendung des conjoint-measurement im marketing – stand...

Documents