Content

Sebastian Fuchs, Nutzenmessung mit Hilfe der Conjoint-Analyse in:

Manfred Schwaiger, Anton Meyer (Ed.)

Theorien und Methoden der Betriebswirtschaft, page 618 - 634

Handbuch für Wissenschaftler und Studierende

1. Edition 2009, ISBN print: 978-3-8006-3613-6, ISBN online: 978-3-8006-4437-7, https://doi.org/10.15358/9783800644377_618

Bibliographic information
Sebastian Fuchs Nutzenmessung mit Hilfe der Conjoint Analyse Zusammenfassung Zur Messung von Präferenzen und Nutzenstrukturen bedient sich die Markt und Konsumen tenforschungmeist der Conjoint Analyse. DieseMethode kennt zahlreiche Anwendungsbereiche und Ausgestaltungsformen. Dabei fällt die Entscheidung nicht immer leicht, welches Verfahren sich für welches Untersuchungsziel eignet. Der vorliegende Artikel stellt die erfolgreichsten Methoden vor und umschreibt ihre theoretischen Hintergründe sowie praktischen Vor und Nachteile. Er hilft dem Forscher die Methoden zu verstehen und erleichtert die Entscheidung über die Wahl eines adäquaten Verfahrens für empirische Arbeiten. Dr. Sebastian Fuchs, MBR, promovierte am Institut für Marktorientierte Unternehmens führung an der Ludwig Maximilians Universität München und ist Senior Consultant im Be reich Management Consulting bei Cirquent. Inhaltsverzeichnis 1 Verfahren der Conjoint Analyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 631 1.1 Klassische Conjoint Analyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 632 1.1.1 Untersuchungsdesign einer klassischen Conjoint Analyse . . . . . . . . . . . 633 1.1.2 Analyse von Teilnutzenwerten in der klassischen Conjoint Analyse . . . 634 1.1.3 Weiterentwicklungen der klassischen Conjoint Analyse . . . . . . . . . . . . 636 1.2 Choice based Conjoint Analyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 637 1.2.1 Untersuchungsdesign einer Choice based Conjoint Analyse . . . . . . . . . 637 1.2.2 Analyse von Teilnutzenwerten in der Choice based Conjoint Analyse . 639 2 Wahl des richtigen Conjoint Verfahrens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 641 630 Sebastian Fuchs Abbildungsverzeichnis Abbildung 1: Methoden der Präferenzmessung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 634 Tabellenverzeichnis Tabelle 1: Übersicht zur Wahl eines geeigneten CA Verfahrens . . . . . . . . . . . . . . . . . . . . . 641 Nutzenmessung mit Hilfe der Conjoint-Analyse 631 1 Verfahren der Conjoint Analyse Wissenschaft und Praxis sind gleichermaßen interessiert an dem Verhalten von Konsumenten. Ein wesentlicher Bestandteil dieses Forschungsbereiches ist die Untersuchung von Kaufent scheidungen mit ihren Konsequenzen wie beispielsweise Preis Absatz Funktionen oder Markt anteilsschätzungen (vgl. W /R 1997, S. 107). Bei der Betrachtung von Kauf entscheidungen steht der Nutzen im Mittelpunkt, den Produkte oder Dienstleistungen beim Konsumenten stiften. Auf Basis dieser individuellen Nutzenstiftungen einzelner Leistungen handelt der Konsument in der Realität. Die Conjoint Analyse bildet diesen Entscheidungs prozess ab und gibt zahlreichen Forschungsdisziplinen Einblick in die menschlichen Nutzen strukturen (vgl. L 1997, S. 223). Ihre Anerkennung in Forschung und Praxis ist daher ausnehmend hoch (vgl. S 2008, S. 86ff.). Erstmals wurde die Conjoint Analyse (CA) von G /R (1971, S. 355ff.) im Jahre 1971 auf Methoden der Marketingforschung angewandt. Sie stellten so eine Möglichkeit vor, Bewer tungen von Produkten zu quantifizieren und Prozesse der Produktabwägung zu modellieren. Hinter der Bezeichnung Conjoint Analyse verbergen sich Verfahren, die nach G /S (1978, S. 104) folgendermaßen beschrieben werden können: „[…] [A]ny decompositional method that estimates the structure of consumer’s preferences (e.g., part worths, importance weights, ideal points) given his/her overall evaluations of a set of alternatives that are prespecified in terms of levels of different attributes“. Die Grundannahmen für diese Methode bilden Überlegungen wie die von L (1966, S. 133). Produkte können demnach als Konstrukte dargestellt werden, die aus mehreren Attri buten (Merkmalen) bestehen, die zusammenwirkend die Akzeptanz und Präferenz (Gesamt nutzenwert) beim Kunden ausmachen. Diese Gesamtpräferenz kann in Präferenzen einzelner Produktbestandteile (Attributlevels/Merkmalsausprägungen) zerlegt werden, wodurch derWert jeder einzelnen Ausprägung zu Tage tritt (Teilnutzenwerte). Beispielsweise setzt sich so der Ge samtnutzenwert eines PKWs aus den Teilnutzenwerten der Ausprägungen einzelner Merkmale wie etwa Ausprägungen derMarke, Ausprägungen derMotorisierung, Ausprägungen der Ausstattung, den Ausprägungen des Kaufpreises und den Ausprägungen derUnterhaltskosten zusammen. Zur Identifikation dieser Teilnutzenwerte wird Auskunftspersonen ein Set von fiktiven Pro dukten oder Leistungen (Stimuli) vorgelegt oder beschrieben, die aus oben genannten Kompo nenten zusammengestellt werden. Durch Vergleich mit Bewertungen unterschiedlicher Stimuli wird versucht die dahinter liegenden psychologischen Werturteile zu messen (vgl. G /T 1982, S. 447). Welche Interpretationsmöglichkeiten die Ergebnisse einer CA neben der Aussage über einzelne Teilnutzenwerten liefern, kann prinzipiell in vier Kategorien unterteilt werden (vgl. L . 1998, S. 543f.; M /B 2003, S. 633): Sie geben Auskunft darüber, welche Wertschätzung der Befragte bestimmten Merkmals ausprägungen entgegen bringt. Positive Werte bedeuten dabei, dass ein Produkt mit den dazugehörigen Ausprägungen einen Zuwachs an Gesamtnutzen erfährt, so wie negative Teilnutzenwerte das gesamte Produkt abwerten. Sie geben Aufschluss über die relative Wichtigkeit eines Merkmals. Diese beschreibt, wie stark die Bewertung eines Stimulus von den Ausprägungen dieses Merkmals abhängt (vgl. Abschnitt 1.1.2). 632 Sebastian Fuchs Sie werden zur Vorherbestimmung der Präferenz von Produkten verwendet, die aus bewer teten Merkmalsausprägungen generiert werden können, ohne dem Befragten diese kom pletten Produkte oder Stimuli jemals vorgelegt zu haben. Sie erlauben Rückschlüsse auf potenzielle Marktanteile unter Betrachtung konkurrierender Produkte oder Stimuli, die sich aus bewerteten Merkmalsausprägungen zusammensetzen lassen. Wie die Einblicke in das Konsumentenverhalten die eine CA gewährt, sind auch ihre Einsatzge biete in der Praxis zahlreich. Eine frühe Metastudie von W /C (1989, S. 92) zeigt, dass die CA in den Achtziger Jahren in 47 Prozent der untersuchten Fälle für Neuprodukt und Neukonzeptplanungen verwendet wurde. In 40 Prozent der Fälle wurde sie für die Analyse von Wettbewerbsfähigkeit von Produkten eingesetzt und in 38 Prozent für die Bepreisung. Laut S /H (2002, S. 3f.) zeigt sich, dass die CA in den letzten Jahren häufiger zur Ermittlung von Preisen angewendet wurde. Sie untersuchten Studien aus den Ländern Deutsch land, Österreich und der Schweiz und stellten fest, dass in 46 Prozent der Fälle eine Anwendung im Bereich der Produktentwicklung und in 48 Prozent im Bereich des Pricing statt fand. In 21 Prozent wurde die CA zu Segmentierungszwecken und in 16 Prozent der Fälle für Marktan teilsmessungen eingesetzt. Die CA hat mittlerweile zahlreiche Formen angenommen (vgl. W /R 1997, S. 108ff.; V /B 2007, S. 383), ihr Ablauf ist jedoch im Kern stets gleich. Grund sätzlich können sechs Stufen bei der Durchführung einer CA unterschieden werden (in Anleh nung an L . 1998, S. 546ff.): Stufe 1: Definition der Merkmale und Merkmalsausprägungen der zu untersuchenden Sti muli oder Produkte. Stufe 2: Auswahl der den Probanden vorzulegenden Stimuli und somit Entscheidung über die Art und das Aussehen der Konstellationen aus oben genannten Merkmalen und deren Ausprägungen. Stufe 3: Auswahl der Darstellung der Stimuli. Hier ist zu entscheiden, in welcher Form eine Präsentation der fiktiven Objekte erfolgen soll. Häufige Formen sind verbale Beschrei bungen, schriftliche Beschreibungen oder Bilder in Fragebögen wie auch computergestützten Befragungen oder reale Produkte, Prototypen oder Produktdummies. Stufe 4: Auswahl der Art der Bewertung der Stimuli (Präferenzmessung) und, damit ver bunden, die Form der Datenerfassung. Stufe 5: Auswahl der Methode der Datenanalyse in statistischer und ökonometrischer Hin sicht. Stufe 6: Auswertung der Daten und Aufarbeitung der Ergebnisse. Im Folgenden werden zwei Hauptströmungen – die klassische CA und die Choice based CA – beschrieben, deren Unterschiede hauptsächlich in der Erfassung der Präferenzdaten und, damit eng verbunden, in der Schätzung der Nutzenwerte bestehen. 1.1 Klassische Conjoint Analyse In seiner ursprünglichen Form versteht man die CA als Erhebungsmethode, bei der jeder Be fragte Präferenzurteile über sämtliche Stimuli abgibt. Dies geschieht entweder, indem jeweils nur zwei Merkmale unter Konstanthaltung aller weiteren Merkmale gegeneinander abgewogen werden (Trade off Methode), oder aber komplette Stimuli zu bewerten sind. Die Stimuli sind Nutzenmessung mit Hilfe der Conjoint-Analyse 633 bei letztgenanntem Vorgehen Kombinationen aller relevanter Ausprägungen und beschreiben somit das Produkt bzw. die Leistung komplett (Profilmethode; vgl. B . 2003, S. 550f.). Die Schätzung der Teilnutzenwerte erfolgt im Falle der Trade off Methode ausschließ lich über die Ordinary Least Square Regression (OLS Regression). Im Falle der Profilmethode werden, abhängig vom Skalenniveau der Präferenzdaten, neben unterschiedlichen Formen der OLS Regression auch Varianzanalysen eingesetzt (vgl. V 1995, S. 17–44; B . 2003, S. 557ff.). Das zugrundeliegendeModell entspricht dem einer simplen OLS Regression mit dummycodierten Regressoren und lässt sich formal wie folgt darstellen: (1) $$ # # %"# m k h h khkhi k xu 0 !! ui stellt dabei dem Gesamtnutzen eines Stimulus i dar. Er setzt sich zusammen aus einem Ba sisnutzen (oder Durchschnittsnutzen) ß0 sowie den einzelnen Teilnutzenwerten ßkh der vor liegenden Ausprägungen h bei Merkmal k; liegt eine Ausprägung vor, so ist xkh = 1; liegt die Ausprägung nicht vor, so ist xkh = 0. 1.1.1 Untersuchungsdesign einer klassischen Conjoint Analyse Präferenzdaten können in einer klassischen CA auf unterschiedliche Weise erhoben werden. Sehr häufig geschieht dies, indem Befragte einzelne Stimuli lediglich in eine ihren Präferenzen entsprechende Reihenfolge bringen. Dies führt zu ordinalen Daten. Intervallskalierte Daten erhält man, indem der Befragte die ihm vorliegenden Produkte auf einer Ratingskala bewertet (vgl. W /R 1997, S. 108), wobei auch häufig eine so genannte „Dollarmetrik“1 verwendet wird, um bereits bei der Befragung Informationen über Zahlungsbereitschaften zu erhalten. Intervallskalierte Daten erhält man auch durch Anwendung des Constant Sum Verfah rens, bei dem eine Allokation einer vorgegebenen Zahl an Punkten (oder auch Geldeinheiten) auf die vorliegenden Stimuli verteilt werden muss. Eine seltene Form der Präferenzerhebung ist die Pairwise Comparison, bei der jeweils nur zwei Stimuli in Beziehung gesetzt werden. Die Vergleiche zwischen jeweils zwei Stimuli werden dann solange fortgesetzt, bis alle möglichen Paarungen gegeneinander abgewogen wurden. Nachfolgende Abbildung veranschaulicht die einzelnen Datenerhebungsmethoden einschließlich der Choice basedMethode, die im weiteren Verlauf beschrieben wird. A, B und C stellen dabei beispielhaft Stimuli dar, die aus mehreren Merkmalen zusammengesetzt werden. Die drei Stimuli unterscheiden sich voneinander hin sichtlich ihrer Merkmalsausprägungen: Bei einer klassischen CA wird von einer Individualanalyse gesprochen, denn die Teilnutzenwerte sind, wie zu Beginn des Abschnitts 1.1 angemerkt, jeweils in vollständigen individuellen Präfe renzbildungen begründet (vgl. W /R 1997, S. 107f.). Dies bedeutet, dass jeder Befragte seine Präferenzen für alle aus den Merkmalsausprägungen kombinatorisch möglichen bzw. zur Berechung von Nutzenwerten notwendigen Stimuli angibt.2 1 „Dollarmetrik“ ist eine Bezeichnung für eine Ratingskala, deren Präferenzwerte monetärer Natur sind. Der Urheber dieses Ausdruckes ist unbekannt. 2 In Abschnitt 1.2.1 werden Verfahren zur Reduktion von Stimuli erläutert, wodurch sich die Anzahl aller kombinatorisch möglicher, auf alle für eine Nutzenberechnung relevanten Stimuli verringert. Die Anwendung derartiger Verfahren ist auch im Rahmen der klassischen CA üblich. 634 Sebastian Fuchs Entsprechend muss die Gestaltung der Stimuli unter Anderem unter der Voraussetzung erfolgen, dass möglichst wenige Merkmale und Merkmalsausprägungen zum Einsatz kommen. Dabei orientiert man sich in der Praxis meist an folgenden Faustregeln (vgl. B . 2003, S. 548): Die Merkmale müssen für den Befragten bei der Kauf oder Konsumentscheidung von Relevanz sein. Sämtliche Merkmale müssen durch den Hersteller oder Anbieter der Produkte oder Leistungen beeinflussbar und auch realisierbar sein. Einzelne Merkmale müssen sich hinsichtlich des Nutzens, den ihre Ausprägungen stiften, gegenseitig kompensieren können. Eine Merkmalsausprägung darf kein Ausschlusskriterium für ein Produkt sein (sog. K.O. Kriterium). Ausgewählte Merkmale sollten bei der Nutzenstiftung voneinander unabhängig sein (bei spielsweise würde dies nicht gelten bei Betrachtung von Notebooks mit sehr leistungsfähiger Graphikkarte und zugleich niedriger Bildschirmauflösung). Komplexe Produkte sind somit für eine CA stark auf ihre wesentlichenMerkmale zu reduzieren. Liegen die relevanten Merkmale mit ihren Ausprägungen vor und wurden diese durch eine der o.g. Messmethoden bewertet, kann die Berechnung ihrer Teilnutzenwerte erfolgen. 1.1.2 Analyse von Teilnutzenwerten in der klassischen Conjoint Analyse Für ein eingehendes Verständnis, was ein Teilnutzenwert einer Merkmalsausprägung bedeu tet, wird im Folgenden seine Berechnung erläutert (vgl. B 2003, S. 557–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bbildung 1: Methoden der Präferenzmessung Nutzenmessung mit Hilfe der Conjoint-Analyse 635 2006, S. 69–73). Die klassische CA sieht eine Bewertung auf Individualniveau vor, wobei für jeden Befragten Präferenzdaten für alle Stimuli vorliegen. Werden die Stimuli beispielsweise in Form eines Rankings bewertet, so existiert für jeden Stimulus ein Rangwert p. Betrachtet man die Ausprägungen h der einzelnen Merkmale k in diesen gerankten Stimuli, so kann für jede Merkmalsausprägung (kh) ein Durchschnittsrang p kh berechnet werden. Die Abweichung dieses Durchschnittsranges vom Durchschnittsrang aller Stimuli (p ) ist der Beitrag, den die Merkmalsausprägung kh dazu leistet, einen Stimulus besser oder schlechter zu ranken. Somit erhält man einen Teilnutzenwert ßkh für alle k = 1, …, m und h = 1, …, hk: (2) khkh pp #"! Ist der Durchschnittsrang einer Merkmalsausprägung also niedriger als der Durchschnitt aller Ränge, so leistet diese Merkmalsausprägung einem positiven Beitrag zum Gesamtnutzen eines Stimulus. Entsprechend bedeuten negative Teilnutzenwerte einen negativen Beitrag zum Ge samtnutzen. Bei Anwendung beispielsweise eines Rating oder Constant Sum Verfahrens, bei dem hohe Werte für eine große Präferenz stehen können, bedarf es zuvor einer entsprechenden Umkodierung. Alternativ ist eine Umkehrung der Berechnung der Differenz zwischen dem Durchschnittswert einer Merkmalsausprägung und dem aller Stimuli möglich.Wie wichtig nun ein Merkmal mit seinen Ausprägungen für den Gesamtnutzen ist, wird über die Spannweite (I) berechnet, die die Teilnutzenwerte der Ausprägungen eines Merkmales aufweisen. Man spricht hier von der relativen Wichtigkeit (Wk), da die Spannweite der Ausprägungen eines Merkmals in Relation zu der Summe der Spannweiten aller betrachteten Merkmale gesetzt wird: (3) " ! ! m k k k k I IW mit " %)min()max( khkhkI !! $# für jedes Merkmal k. Um die Güte der berechneten Teilnutzenwerte beurteilen zu können, bedient man sich meist eines sehr anschaulichen Mittels. In eine Erhebung werden sog. „Holdout Tasks“ (vgl. O 1998, S. 5) oder „Holdout Cards“ (vgl. B . 2003, S. 573) eingebaut. Hierbei handelt es sich um Auswahlsets oder Stimuli, die zwar dem Befragten vorgelegt und von ihm bewertet werden, jedoch nicht in die Schätzung der Teilnutzenwerte eingehen. Dadurch lässt sich beobachten, ob die Reaktion der befragten Person auf die vorgelegte Situation dem errech neten Nutzenwertemodell entspricht und somit die Schätzung als real abbildend anzuerkennen ist. Die hierbei entstehende Abweichung des Modells von der realen Reaktion wird als Kennzahl der Vorhersagevalidität verwendet und misst somit die Übertragbarkeit auf jegliche (nicht zur Schätzung herangezogene) Merkmalskonstellation (vgl. T 1999, S. 497). Da es sich bei der klassischen CA um ein (dummy )regressionsbasiertes Verfahren handelt, können auch die entsprechenden Gütemaße (Bestimmtheitsmaß R2, F Test für das Gesamtmodell oder t Test für einzelne Merkmalsausprägungen; vgl. bspw. A . 2007, S. 513–533) zur Bewertung eines Modells herangezogen werden. Die oben beschriebenen Kalkulationen in einer klassischen CA basieren auf den Daten, die von einer einzelnen Person erhoben wurden. Voraussetzung für eine zuverlässige Schätzung ist, dass die Daten pro Befragtem nahezu vollständig sind. Durch die Tatsache, dass ein Befragter fast alle erdenklichen Stimuli bewertet, die aus den relevanten Merkmalsausprägungen geformt werden können, ist der kognitive Anspruch für den Befragten bei nicht trivialen Stimuli aus nehmend hoch (vgl. bspw. S 1997, S. 137). Zur Kompensation dieses Nachteils exi stieren zahlreiche Erweiterungen der klassischen CA (vgl. W /R 1997, S. 108ff.; V /B 2007, S. 383), wie sie im Folgenden beschrieben werden. 636 Sebastian Fuchs 1.1.3 Weiterentwicklungen der klassischen Conjoint Analyse Eine weithin sehr bekannte und häufig eingesetzte Form der Erweiterung der klassischen CA ist die sogenannte Adaptive CA (ACA) (vgl. J 1987). Hierbei verknüpft man einen kompositionellen und einen dekompositionellen Ansatz. Zunächst werden dabei dieWichtigkeit und die Relevanz einzelner Merkmale und ihrer Ausprägungen erfragt (oft auch self explica ted genannt; vgl. G . 1981, S. 33f.). Daraus ergeben sich im Anschluss die Stimuli (Komposition), deren Beurteilungen durch dekompositionelle Berechnung (vgl. Formel (1)) zu den Teilnutzenwerten der Merkmalsausprägungen führen (vgl. W /R 1997, S. 110; S /H 2002; H . 2003, S. 305–329). Somit ist es mög lich, zahlreiche Merkmale in eine Untersuchung mit aufzunehmen und weiterhin den Vorteil zu nutzen, dass komplette individuelle Daten für die erzeugten Stimuli vorliegen. Durch die dynamische Erstellung des Untersuchungsdesigns ist diese Art der CA nur computergestützt problemlos durchführbar. Etwas weniger erfolgreich, dafür auch ohne Computerunterstützung durchführbar, ist die sog. Hybride CA (HCA) (vgl. G . 1981; G 1984). Hierbei werden zwei separate Nutzenschätzungen durchgeführt. Die Befragten urteilen zunächst über die einzelnen Merkmalsausprägungen (kompositionell). Anschließend werden die Befragten gebeten, komplette Stimuli zu bewerten. Allerdings werden nicht alle aus den Merkmalsausprä gungen kombinatorisch möglichen Stimuli von jedem Befragten bewertet, sondern nur ein Teil pro Person. Auf Basis der kompositionellen Urteile werden die Befragten nach einer ersten Schätzung in homogene Gruppen unterteilt. Die Nutzenschätzung auf Basis der Urteile über die Stimuli erfolgt im Anschluss gruppenintern. Somit ist die HCA nicht mehr als Individualana lyse zu bezeichnen, sondern liefert nur quasi individuelle Präferenzdaten. Die fehlenden Urteile einer einzelnen Person werden mit einem gruppeninternen Korrekturterm vervollständigt (vgl. B /S 1997, S. 952–954). Ein relativ neues computergestütztes Verfahren zur Inte gration zahlreicher Eigenschaften stellt die Hierarchische Individualisierte Limit CA (HILCA) dar (vgl. V 2000). Sie ist eine Abwandlung der Limit CA (LCA) und berücksichtigt somit in der (dekompositionellen) Beurteilung von Stimuli einenNutzen-Nullpunkt. Dies ist ein Rang in einer Reihe (sog. Limit Card), ab welchem ein realer Kauf darunter liegender Stimuli nicht mehr in Frage kommt (vgl. V /B 2007, S. 385f.). Hierdurch wird erreicht, dass die Bewertungssituation den Kaufprozess eines Konsumenten realistischer abbildet. Mit hierarchisch wird der Prozess einer zuvor durchlaufenen kompositionellen Bewertung umschrieben. Die Pro banden beurteilen zunächst Merkmale gemäß derenWichtigkeit, wonach unwichtigeMerkmale nicht weiter berücksichtigt werden. Anschließend werden einzelne Merkmalsausprägungen der verbliebenen Merkmale beurteilt, um sog. K.O. Ausprägungen zu identifizieren und weiteren Aufschluss über die Relevanz einzelner Merkmale zu erhalten. Die bedeutendsten Merkmale werden anschließend in die oben beschriebene dekompositionelle Bewertung integriert, die durch ein Rating Verfahren mit darauffolgendem Setzen der Limit Card erfolgt (vgl. V / B 2007, S. 386f.). Eine CA soll generell möglichst reale Erkenntnisse über die Nutzenstrukturen von Konsu menten liefern. Die klassische CA mit ihren Abwandlungen gerät aus diesem Grunde häufig in Kritik. Es wird bemängelt, dass Befragte mit beispielsweise einem Ranking oder Rating eine im Alltag eher unübliche Aufgabe zu erfüllen haben (vgl. bspw. C 1997, S. 12f.; W /R 1997, S. 108). In der Realität bekunden Konsumenten die Präferenz eines Produktes, indem sie es kaufen oder nicht kaufen. Wird die Frage nach künftigen Marktanteilen gestellt, so zählt ebenso die Menge an abgesetzten Produkten und nicht die simulierte Wertung selbiger. Problematisch ist darüber hinaus vor allem bei Rangbildungen und Pairwise Comparisons, dass nicht jeder Befragte in der Lage ist, eine eindeutige Rangfolge vorgelegter Produkte lückenlos Nutzenmessung mit Hilfe der Conjoint-Analyse 637 zu erstellen. Dies kann Intransitivitäten zur Folge haben3 und somit die Validität von Präferenz daten in Frage stellen. Um genau diese Probleme zu umgehen, etablierte sich eine Ausprägung der CA, die im nachfolgenden Abschnitt vorgestellt wird. 1.2 Choice based Conjoint Analyse Unter einer Choice based (auch diskreten oder wahlbasierten) Conjoint Analyse (CBCA) ver steht man die Simulation einer realen Auswahlsituation. Das Urteil, das von Seiten der Befragten zu fällen ist, äußert sich in der Wahl eines Stimulus aus einem Set von Stimuli. Der Befragte benennt denjenigen, den er am meisten präferiert (vgl. Abbildung 1). In der Praxis ist die CBCA mittlerweile die am häufigsten angewendete Verfahrensvariante der CA, gefolgt von der ACA und dem unverändert klassischen Verfahren (vgl. S /H 2002, S. 4). Dies ist un ter Anderem darauf zurückzuführen, dass hier die Vorlage von Auswahlsets eine reale Kaufsitua tion am besten widerspiegelt (vgl. bspw. T . 2004, S. 116). Laut C (1997, S. 12) kann dies nur im Interesse der Wissenschaft sein, da ansonsten sowohl die Validität als auch die Reliabilität einer modellierten Käuferreaktion in Frage gestellt sind. Aus methodischer Sicht ist diesem Vorteil große Bedeutung beizumessen. Die Realitätsnähe begründet sich nicht nur in der Art der Bewertung von Stimuli, sondern in hohemMaße durch die Möglichkeit der Integration einer sog. none option. Es handelt sich dabei um eine Wahloption, bei der keiner der in einer Auswahlsituation gezeigten Stimuli gewählt wird. Hierdurch ist, wie bei der LCA, ein Basislevel für Nutzen berechenbar, an dem sich die Teilnutzenwerte einzelner Merkmalsausprägungen messen lassen. Außerdem gibt diese Möglichkeit Auskunft über irrelevante, nicht akzeptierte Merkmalsausprägungen. Allerdings geht diese Realitätsnähe auch mit Komplikationen einher, die vor allem darin bestehen, dass bei jeder Auswahl Informationen über die verbliebenen, nicht gewählten Stimuli verloren gehen (vgl. E . 1992, S. 370). Wird die none option gewählt, lassen sich keinerlei Informationen über die Präferenzunterschiede der dargestellten Produktvarianten ableiten. Abgesehen vom Informationsverlust gibt die Auswahl der none option weitere Rätsel auf. Es stellt sich die Frage, worin dieses Verhalten begründet ist; so kann es am Fehlen einer präferierten Merkmalsausprägung liegen oder daran, dass Desinteresse der befragten Person besteht, mangelndes Verständnis der Aufgabe vorliegt, Indifferenz hinsichtlich zweier favorisierter Stimuli herrscht oder Zeitdruck zu einem entsprechenden Verhalten führt (vgl. H /W 2003, S. 377f.; J /O 1996, S. 21). 1.2.1 Untersuchungsdesign einer Choice based Conjoint Analyse Um eine Auswahlsituation mit einer übersichtlichen Anzahl an Stimuli zu gestalten und dieser ausreichend Information abzugewinnen, bedarf das Design einer CBCA besonderer Beachtung. Als Pioniere der CBCA werden L /W (1983) angesehen, die 1983 erstmals eine Möglichkeit beschrieben, Teilnutzenwerte aus Auswahlentscheidungen zu generieren. Sie bedienten sich dabei eines 2J Designs, wobei J die Zahl aller Attributausprägungen ist. Dabei kann jeweils eine Ausprägung im Stimulus vorhanden sein oder nicht (vgl. L /W 1983, S. 352f.). 2J ist somit die Anzahl an Stimuli, die den Befragten vorgelegt werden müsste, um sämtliche Konstellationen abfragen zu können. Allerdings gelangt diese Form des Designs schnell an ihre Grenzen, da sich die Zahl an zu vergleichenden Stimuli mit jeder hin 3 Hierbei führt der Abgleich zweier Stimuli nach Abgleich mit anderen Stimuli zu unlogischen Urteilen (z.B. für drei Stimuli A, B und C: A ≻ B, B ≻ C und C ≻ A). 638 Sebastian Fuchs zukommenden Merkmalsausprägung exponentiell erhöht.4 Aus diesem Grunde kommen in der Praxis reduzierte Designs zum Einsatz. Die Reduktion auf ein Minimum an Stimuli folgt dabei der Zielsetzung der Orthogonalität. Dies bedeutet, dass nur einen Teil aller kombinatorisch möglichen Stimuli in einer Studie verwendet wird. Diese verbleibende Vielfalt an Stimuli muss allerdings mindestens dergestalt sein, „dass jede Ausprägung einer Eigenschaft genau einmal mit jeder Ausprägung einer anderen Eigenschaft vorkommt“ (B . 2003, S. 553). Unter Vernachlässigung höhergradiger Interaktionseffekte5 kann somit die Anzahl an Stimuli stark reduziert werden. Ein Design, das aus Stimuli mitNMerkmalen und jeweilsMMerkmals ausprägungen besteht, kann in Form eines „MN-I fraktionell-faktoriellen Designs“ (vgl. T 2001, S. 44) reduziert werden, wobei nur 1/I der kombinatorisch möglichenMNKonstellationen abgefragt werden. Das so entstehendeMN-I fraktionell faktorielle Design ist eineWeiterentwick lung des oben beschriebenen 2J Designs. Mit anderen Worten handelt es sich um einen sog. Vollprofilansatz, der imGegensatz zu einem 2J Design, das einen Ausschnitt einesMN-I Designs darstellt, fähig ist, sämtliche relevanten Merkmale simultan zu bewerten (vgl. T 2001, S. 44). Um nun ein Minimum an Stimuli zu erhalten, kommen häufig Anleitungen zur Reduk tion zum Einsatz, die als Basic Plans bezeichnet werden (vgl. A 1962a; 1962b).6 Eine weitere Form der Reduktion basiert auf der random sampling procedure, die die Stimuli durch Ziehung aus einer multivariaten Normalverteilung unter Annahme kardinaler Skalenniveaus bei denMerkmalsausprägungen generiert, wobei interattributive Korrelationen,Mittelwerte und Standardabweichungen zuvor zu definieren sind (vgl. G /S 1978, S. 110). Neben der Reduktion mittels Plänen wie denen von Addelman und der random sampling procedure bieten Softwarepakete für CA Erhebungen eine weitere Möglichkeit an, Designs zu reduzieren. Ihre enormen Vorteile können insbesondere bei computergestützten Untersuchungen genutzt werden. Derartige computergenerierte Designs basieren auf komplexen Algorithmen, deren Funktionsweise an dieser Stelle nicht genauer erläutert werden soll.7 Häufig werden derartige Designs randomized tasks genannt. Dies bedeutet nicht, dass den Befragten willkürliche Stimu li Konstellationen präsentiert werden, sondern, dass sie zufällig gezogene Auswahlsituationen vorgelegt bekommen. Letztere stammen aus einem Pool von zahlreichen und einzigartigen Tasks, die nach Möglichkeit alle kombinatorisch sinnvollen Stimuli und deren Konstellationen beinhalten (vgl. J /O 1996, S. 2–3). Der Erhebende bestimmt dabei lediglich die Anzahl an Tasks sowie die Anzahl an Stimuli, die jeder Befragte zu bewerten hat. Die Software ordnet dann die einzelnen Konstellationen den Befragten zu, wobei einkalkuliert wird, welche Tasks bereits bewertet wurden und welche noch zu bewerten sind. Wie viele Befragte nach Eingabe der genannten Parameter nun nötig sind, um ein nahezu perfekt orthogonales Design zu erstellen, wird in der praktischen Anwendung anhand von Effizienzberechnungen bestimmt. Dabei wird der Standardfehler des vorliegenden Designs mit dem Standardfehler eines ortho gonalen Designs verglichen. 4 Würden beispielsweise fiktive Produkte mit 3 Attributen à 3 Ausprägungen (3x3x3) betrachtet, existieren 29=512 Kombinationsmöglichkeiten. Das Design müsste somit den Abgleich von 512 Stimuli berücksichtigen. Hat im Vergleich dazu nur ein Attribut eine Ausprägung mehr (3x3x4), wären es bereits 210=1024 Stimuli. 5 Bei der Nutzenschätzung werden grundsätzlich zwei Arten von Effekten berücksichtigt: Haupt und Interaktionseffekte. Haupteffekte sind direkte Einflüsse einer Merkmalsausprägung auf den Nutzen des Gesamtproduktes. Als Interaktionseffekte werden sämtlicheWechselwirkungen zwischen einzelnen Ausprägungen bezeichnet (vgl. L . 2000, S. 87). 6 Die genaue Vorgehensweise der Reduktion sowie die genannten Pläne sind den Veröffentlichungen von A (1962a, S. 21–46; 1962b, S. 47–58) zu entnehmen. 7 Für detaillierte Informationen sei an dieser Stelle beispielsweise auf D M /J (1994) verwiesen. Nutzenmessung mit Hilfe der Conjoint-Analyse 639 Bei Anwendung der Choice based CA zur Ermittlung von Kundenpräferenzen steht der Unter suchende zunächst vor einemDilemma. Einerseits wird versucht, eine Befragungssituation mög lichst unverfälscht, das heißt nahe der Realität zu gestalten. Andererseits bietet die Choice based CA aufgrund der Art der Befragung weniger Information pro Bewertungsdurchlauf. Es lassen sich durch eine einzelne Auswahl eines Stimulus aus einem Set an Stimuli weder Informationen über den Nutzen des gewählten, noch über die verbleibenden Produktvarianten errechnen. Es ist lediglich feststellbar, dass es sich bei der Wahl um den präferierten Stimulus handelt (vgl. E /C 2003, S. 236). Folglich müssen zahlreiche Auswahlsituationen durchlaufen werden, um eine brauchbare Datenbasis zu erhalten. Um hierbei die Aufgabe für einen Pro banden einfach zu gestalten und dennoch möglichst viel Information von jedem einzelnen zu erlangen, werden übersichtliche Auswahlsituationen wiederholt mit veränderten Stimuli vorge legt. Laut S . (2003, S. 7) leidet die Vorhersagequalität und methodische Validität nicht signifikant, wenn dem Befragten bis zu sechs Wahlsituationen hintereinander vorgelegt werden (vgl. J /O (1996) – sie konnten nachweisen, dass bis zu 20 Fragen hinter einander unschädlich sind). Die Berechnung der Nutzenwerte kann erst nach Durchlauf aller Befragten und Auswahlsets erfolgen. Wurden sämtliche Bewertungen vollendet, so werden die gesammelten Wahldaten aller Befragten aggregiert. Dank dieser Eigenschaft der CBCA ist sie nicht wie die klassische CA als Individualanalyse zu bezeichnen – es liegen keine vollständigen Individualdaten mehr vor (vgl. W /R 1997, S. 109). Somit wird es jedoch auch möglich, höhere Anzahlen an Merkmalen oder Ausprägungen abzufragen, ohne eine einzelne Person zu überfordern. 1.2.2 Analyse von Teilnutzenwerten in der Choice based Conjoint Analyse Für die Erklärung einer Auswahl, die ein Individuum in einer CBCA trifft, wird die Zufalls nutzentheorie nach L /W (1983) herangezogen. Sie besagt, dass sich der Nutzen eines Produktes oder Objektes stets aus einer stochastischen und einer berechenbaren Komponente zusammensetzt (vgl. D . 2000, S. 415). Letztgenannte stellt die Präferenz eines Stimulus in einer Population dar (vgl. M F 1974, S. 108). Formal lässt sie sich anhand einer bedingten Wahrscheinlichkeit darstellen: (4) P( i | s, A ) ∀ i ∈ A Es handelt sich dabei um die Wahrscheinlichkeit für die Auswahl einer Alternative i aus einem zurWahl stehenden Set von AlternativenA wieder, in dem s ein Vektor der messbaren Attribute der wählenden Person ist (z.B. Soziodemographika; vgl. L . 2000, S. 37f.). Unter Einbezug des individuellen Wahlverhaltens (abkürzend bezeichnet als IBR – „individual beha vioural rule“) und eines Sets an verschiedenen individuellen Verhaltensregeln (SIBR), kann die Auswahlwahrscheinlichkeit folgendermaßen zusammengefasst werden: (5) P( i | s, A ) = P{IBR ∈ SIBR | IBR ( s, A) = i} Unter der Voraussetzung der Existenz der Verhaltensregel, die in oben genannter Situation die Auswahl der Alternative (des Stimulus) i erwirkt, muss diese Regel auch aus dem Set von existie renden Verhaltensregeln angewendet werden. Folglich ist nicht nur der Auswahlprozess an sich zufallsbasiert, sondern bereits die Annahme einer dafür in Betracht gezogenen Verhaltensregel. Dies bildet den verhaltenstheoretischen Hintergrund für die Analyse von Auswahlprozessen. Wird dieseTheorie mit einer grundlegenden Annahme rationalen und ökonomischen Handelns, der individuellen Nutzenmaximierung, verbunden, so lässt sich das Wahlverhalten statistisch 640 Sebastian Fuchs modellieren. Zur Vereinfachung wird davon ausgegangen, dass alle Menschen rational handeln, was nicht immer der Realität entspricht (vgl. H /W 2003, S. 372). Die Determinante, die bei der Entscheidung für einen Stimulus ausschlaggebend ist, ist der Nutzen Uiq eines Sti mulus i bei einem Individuum q. Dieser Nutzen besteht ebenfalls aus einer deterministischen Komponente repräsentativer Nutzen Viq (vgl. M F 1974, S. 108) sowie einer Zufallkompo nente εiq, die der individuellen Idiosynkrasie, also der individuellen Wahrnehmung der Person, entspringt (vgl. L . 2000, S. 38): (6) Uiq = Viq + εiq Der deterministische Bestandteil des Gesamtnutzens Viq setzt sich (wie in Formel (1) dargestellt) additiv aus einzelnen Teilnutzenwerten zusammen, die sich auf die Merkmalsausprägungen beziehen. Seien ßikh die Teilnutzenwerte einer Ausprägung kh in Stimulus i und s der Vektor von Ausprägungen, die der Person q bei Stimulus i zu Eigen sind, so ergibt sich für den reprä sentativen Nutzen dieses Stimulus (vgl. L . 2000, S. 39): (7) Viq =# " m k ßikh sikhq Hierbei wird davon ausgegangen, dass Individuen, was den repräsentativenNutzen einesMerkmals anbelangt, untereinander ähnlich sind. Normalerweise wird zur Errechnung der Nutzenwerte aus den aggregierten Daten ein MNL Schätzer verwendet (multinomial logit) (vgl. T 2001, S. 177).8 Dabei wird jedoch durch die Annahme der Gleichheit aller Individuen Heterogenität von Nutzenstrukturen übergangen, was in praktischen Einsätzen fehlerhaft wirkt (vgl.H /W 2003, S. 371f.; V . 1998, S. 239f.). UmHeterogenität in einemDatensatz berücksichtigen zu können, sollten die in einer CBCAbefragten Personen vor der Schätzung in homogene Segmente unterteilt werden. Anschließend ist eine segmentweise Schätzung möglich. Die Segmentierung kann dabei anhand beobachtbarer Merkmale (z.B. soziodemographische Angaben) erfolgen. Für den Fall, dass Segmente nicht eindeutig anhand eines erhobenen Schichtungsmerkmals vonei nander unterschieden werden können, wird auch mithilfe sogenannter latent class Verfahren (vgl. bspw. R /C 2003; W /D S 1997; D S . 1992) gearbeitet. In der Praxis kommt bei anzunehmenderHeterogenität der Befragten häufig dieHierarchische Bayes Methode (HB) zumEinsatz.9Wertvoll ist hierbei zudem, dass eineHB Schätzung trotz Aggregation von Daten zu pseudo individuellen Nutzenwerten führt. In einem iterativen Prozess werden Nut zenwerte für jede einzelne Person konstruiert, wobei Lücken in den Daten einzelner Befragter mit den Präferenzdaten der anderen Personen aufgefüllt werden. Dieses Verfahren gehört der Gruppe der sog. Markov Chain Monte Carlo Algorithmen an (vgl. bspw. C /G 1996, S. 410; G . 1995, S. 320f.) und wird auch Gibbs sampling genannt (vgl. G . 1995, S. 320ff.; C /G 1996; C /G 1995). Die Schätzung geschieht unter der Annahme einer Normalverteilung der Präferenzstrukturen. So vermag eine Schätzung mit HB die Heterogenität von Individuen zu berücksichtigen und berechnet selbst bei Existenz stark ungleicher Segmente in einer Stichprobe (vgl. F /S 2007) Nutzenwerte auf Individualniveau (vgl. A . 2004, S. 21). Hierdurch werden reale Heterogenitäten in den Nutzenwerten sogar besser berücksichtigt als in latent class Verfahren (vgl. L . 1996, S. 181). 8 Auf eine nähere Erläuterung des Schätzverfahrens wird an dieser Stelle verzichtet und auf einschlägige Literatur verwiesen (z.B. T 2001, S. 177ff.; F . 2001, S. 372f.; B /B 2001, S. 153ff.). 9 Für eine detaillierte Darstellung des Algorithmus sei an dieser Stelle auf T (2001, S. 190–195) verwiesen. Nutzenmessung mit Hilfe der Conjoint-Analyse 641 Ob und wie die errechneten Teilnutzenwerte mit den erhobenen Auswahlsituationen überein stimmen, zeigen unterschiedliche Gütekriterien. Dabei stellt sich die Frage nach der statistischen Signifikanz der Ergebnisse. Nach Schätzung der einzelnen ßkh wird ihre Signifikanz, analog wie bei einer Regressionsanalyse (vgl. Abschnitt 1.1.2), bestimmt. Es werden hierbei Standardabwei chungen der geschätzten ßkh betrachtet und mit Hilfe von t Tests überprüft, ob sie signifikant von Null (oder einem anderen Schwellenwert) verschieden sind (vgl. L . 2000, S. 51). Über die Güte des ganzen Modells gibt häufig ein so genannter likelihood ratio test Auf schluss. Er vermag Aussagen darüber zu treffen, ob die Wahrscheinlichkeit, dass ein Stimulus i von Person q gewählt wird, unabhängig ist von den Parametern des Modells. Wird diese Hypo these verworfen (unter Berücksichtigung eines zuvor festgelegten Signifikanzniveaus), so kann der Rückschluss auf ein realistisch abbildendes Modell gezogen werden (overall goodness of fit; vgl. L . 2000, S. 53). Analog zur klassischen CA bietet sich zudem die Integration von Holdout Tasks oder Holdout Cards an (vgl. Abschnitt 1.1.2). Hierbei wird die Vorhersage validität eines Präferenzmodells besonders deutlich. 2 Wahl des richtigen Conjoint Verfahrens Abschließend stellt sich die Frage, welches CA Verfahren nun zu wählen ist, um an die ge wünschten Ergebnisse zu gelangen (vgl. O 2006, S. 41). Nachfolgende Tabelle gibt einen Überblick über einige wichtige Charakteristika der oben beschriebenen Verfahren. Ist der Auswahlprozess relevanter Merkmale noch nicht weit fortgeschritten, so empfiehlt sich generell die Anwendung eines Verfahrens mit kompositionellem Bestandteil (z.B. ACA). Diese Aufgabe kann jedoch auch durch eine zuvor eingeleitete qualitative oder quantitative Studie Klassische CA Adaptive CA Hybride CA Limit CA Choice-based CA gering beliebig min. 1 Individualniveau hoch (wird im Verlauf reduziert) hoch (wird im Verlauf reduziert) hoch (wird im Verlauf reduziert, Einsatz reduzierter Designs) hoch (durch reduzierte Designs) meist PC-gestützt (zahlreiche Programme verfügbar) meist PC-gestützt (zahlreiche Programme verfügbar) ausschließlich PC-gestützt (wenige Programme verfügbar) min. 1 Individualniveau beliebig min. 1 pro Gruppe pseudoindividuell (gruppenweise aggregiert) 0 min. 1 Individualniveau + abhängig von Zahl d. Ausprägungen, Zahl d. Stimuli pro Task, Zahl d. Tasks aggregiert; pseudoindividuell mit HB Validität (Abbildung realer Kaufprozesse) mögl. Anzahl Attributsausprägungen Erhebungsmethode Benötigte Zahl an Probanden für Schätzung Interpretation resultierender Daten Tabelle 1: Übersicht zur Wahl eines geeigneten CA-Verfahrens 642 Sebastian Fuchs übernommen werden. Auch eine Verteilung der Merkmale auf mehrere kleine CA Studien ist in einem derartigen Fall vorstellbar, wodurch auch eine CBCA zum Einsatz kommen kann. DesWeiteren gilt es zu berücksichtigen, dass einige komplizierte Verfahren (HILCA oder ACA) nur in Verbindung mit einer computergestützten Erhebung adäquat durchführbar sind. Eine CBCA könnte bei Durchführung als paper pencil Erhebung ebenso an Effizienz verlieren. Eine CBCA benötigt darüber hinaus zahlreiche Probanden. Stehen also nur wenige Befragte zur Verfügung (z.B. Expertenbefragung), sollte lieber ein klassisches Verfahren gewählt werden. Werden Ergebnisdaten auf Individualniveau benötigt, so gibt ein klassisches Verfahren (oder eine seiner Weiterentwicklungen) zuverlässige Ergebnisse. Die Durchführung einer CBCA lie fert dann nur in Verbindung mit einer HB Schätzung die gewünschten Resultate (vgl. D 2001). Was die Validität anbelangt, bildet eine CBCA, wie bereits beschrieben, den Kaufprozess von Produkten oder Leistungen im Vergleich zu anderen Verfahren besser ab. Darüber hinaus sollte bei der Planung einer Erhebung auch berücksichtigt werden, mit welchem Aufwand ein Verfah ren für den Befragten einhergeht. Ist eine Erhebungsmethode zu kompliziert für den Probanden, leidet auch darunter die Validität der Ergebnisse. Aus dieser Perspektive bietet sich abermals eine CBCA an. Selbst zahlreiche Auswahlsituationen scheinen die Validität nicht negativ zu beeinflussen (vgl. J /O 1996).10 Literaturverzeichnis aaKer, D. a.; KUmar, v.; Day, g. s. (2007): Marketing Research, 9. Aufl., New York u.a., 2007. aDDelman, s. (1962a):Orthogonal Main Effect Plans for Asymmetrical Factorial Experiments, in: Technometrics, Vol. 4, No. 1, S. 21–46. aDDelman, s. (1962b): Symmetrical and Asymmetrical Fractional Factorial Plans, in: Techno metrics, Vol. 4, No. 1, S. 47–58. allenBy, g.m.; BaKKen, D. g.; rossi, p. e. (2004):How Bayesian methods have changed the face of marketing research, in: Marketing Research, Vol. 16, No. 2, S. 20–25. BaCKhaUs, K.; eriChson, B.; plinKe, W.; WeiBer, r. (2003):Multivariate Analysemethoden – Eine anwendungsorientierte Einführung, 10. Aufl., Berlin u.a., 2003. Baier, D.; säUBerliCh, F. (1997): Kundennutzenschätzung mittels individueller Hybrid Conjointanalyse, in: Schmalenbachs Zeitschrift für betriebswirtschaftliche Forschung (zfbf), 49. Jg., Nr. 11, S. 951–972. BamBerg, g.; BaUr, F. (2002): Statistik, 12. Aufl., München u.a., 2002. ChiB, s.; greenBerg, e. (1995): Understanding the Metropolis Hastings algorithm, in: Ame rican Statistician, Vol. 49, No. 4, S. 327–335. 10 Zum Vergleich mit anderen Erhebungsmethoden vgl. bspw. F /S (2008) sowie K / H (2001). Nutzenmessung mit Hilfe der Conjoint-Analyse 643 ChiB, s.; greenBerg, e. (1996): Markov Chain Monte Carlo Simulation Methods in Econo metrics, in: Econometric Theory, Vol. 12, No. 3, S. 409–431. Cohen, s. h. (1997): Perfect Union – CBCA marries the best of conjoint and discrete choice models, in: Marketing Research, Vol. 9, No. 1, S. 12–17. Deal, K. (2001): Individual Level Discrete Choice Conjoint Using CBC/HB, in: Marketing Research, Vol. 13, No. 1, S. 31–33. DellaerT, B. g. C.; Borgers, a. W. J.; loUviere, J. J.; Timmermanns, h. J. p. (2000):Using Conjoint Choice Experiments to Model Consumer Choices of Product Component Packages, in: Gustafsson, A.; Herrmann, A.; Huber, F. [Hrsg.]: Conjoint Measurement – Methods and Applications, 3. Aufl., Berlin u.a., 2003, S. 413–440. DesarBo,W. s.;WeDel, m.; vriens, m.; ramasWamy, v. (1992): Latent Class Metric Conjoint Analysis, in: Marketing Letters, Vol. 3, No. 3, S. 273–288. DUmoUChel, W.; Jones, B. (1994): A simple Bayesian modification of D optimal designs to reduce dependence on an assumed model, in: Technometrics, Vol. 36, No. 1, S. 37–47. elroD, T.; Chrzan, K. (2003):TheValue of Extent of Preference Information in Choice based Conjoint Analysis, in: Gustafsson, A.; Herrmann, A.; Huber, F. [Hrsg.]: Conjoint Measurement – Methods and Applications, 3. Aufl., Berlin u.a., 2003, S. 235–249. elroD, T.; loUviere, J. J.; Davey, K. s. (1992): An Empirical Comparison of Rating Based and Choice Based Models, in: Journal of Marketing Research, Vol. 29, No. 3, S. 368–377. Fahrmeir, l.; KünsTler, r.; pigeoT, i.; TUTz, g. (2001): Statistik – Der Weg zur Datenana lyse, 3. Aufl., Berlin u.a., 2001. FUChs, s.; sChWaiger, m. (2007): Disproportionate Samples in Hierarchical Bayes CBC Analysis, in: Decker, R.; Lenz, H. J. [Hrsg.]: Advances in Data Analysis, Berlin u.a., 2007, S. 441–448. FUChs, s.; sChWaiger, m. (2008): Acceptance of Scaling Techniques in Online Surveys, in: Proceedings of the 37th Annual Conference of the European Marketing Academy (EMAC), Brighton, 2008. gelman, a.; Carlin, J. B.; sTern, h. s.; rUBin, D. B. (1995): Bayesian Data Analysis, London u.a., 1995. green, p. e. (1984): Hybrid Models for Conjoint Analysis: An Expository Review, in: Journal of Marketing Research, Vol. 21, No. 2, S. 155–169. green, p. e.; rao, v. r. (1971): Conjoint Measurement for Quantifying Judgmental Data, in: Journal of Marketing Research, Vol. 8, No. 3, S. 355–363. green, p. e.; srinivasan, v. (1978): Conjoint Analysis in Consumer Research: Issues and Outlook, in: Journal of Consumer Research, Vol. 5, No. 2, S. 103–123. green, p. e.; TUll, D. s. (1982):Methoden und Techniken der Marketingforschung, deutsche Übersetzung von R. Köhler, 4. Aufl., Stuttgart, 1982. green, p. e.; golDBerg, s. m.; monTemayor, m. (1981): AHybrid Utility Estimation Model for Conjoint Analysis, in: Journal of Marketing, Vol. 45, No. 1, S. 33–41. 644 Sebastian Fuchs haaiJer, r.; WeDel, m. (2003): Conjoint Choice Experiments: General Characteristics and Alternative Model Specifications, in: Gustafsson, A.; Herrmann, A.; Huber, F. [Hrsg.]: Conjoint Measurement – Methods and Applications, 3. Aufl., Berlin u.a., 2003, S. 371–412. herrmann, s.; sChmiDT-gallas, D.; hUBer, F. (2003): Adaptive Conjoint Analysis: Under standing theMethodology and Assessing Reliability and Validity, in: Gustafsson, A.; Herrmann, A.; Huber, F. [Hrsg.]: Conjoint Measurement – Methods and Applications, 3. Aufl., Berlin u.a., 2003, S. 305–330. Johnson, r. m. (1987): Adaptive Conjoint Analysis, in: Sawtooth Conference on Perceptual Mapping, Conjoint Analysis, and Computer Interviewing, Ketchum, 1987, S. 253–265. Johnson, r. m.; orme, B. K. (1996):HowMany Questions Should You Ask in Choice Based Conjoint Studies?, in: Sawtooth Software Research Paper Series, Sawtooth Software Inc., Con ference Proceedings of the ART Forum, Beaver Creek, 1996. Knapp, F.;heiDingsFelDer,m. (2001):Drop Out Analysis: Effects of the SurveyDesign, in: Reips U. D.; Bosnjak, M. [Hrsg.]: Dimensions of Internet Science, Lengerich u.a., 2001, S. 221–230. lanCasTer, K. J. (1966): A new Approach to ConsumerTheory, in: Journal of Political Econo my, Vol. 44, No. 2, S. 132–175. lehmann, D. r.; gUpTa, s.; sTeCKel, J. h. (1998): Marketing Research, Reading u.a., 1998. lenK, p. J.; DesarBo, W. s.; green, p. e.; yoUng, m. r. (1996):Hierarchical Bayes Conjoint Analysis: Recovery of Partworth Heterogeneity from Reduced Experimental Designs, in: Mar keting Science, Vol. 15, No. 2, S. 173–191. loUviere, J. J. (1997): Conjoint Analysis, in: Bagozzi, R. [Hrsg.]: Advanced Methods of Mar keting Research, Oxford, 1997, S. 223–259. loUviere, J. J.; WooDWorTh, g. (1983):Design and Analysis of Simulated Consumer Choice Allocation Experiments: An Approach Based on Aggregate Data, in: Journal of Marketing Re search, Vol. 20, No. 4, S. 350–367. loUviere, J. J.; hensher, D. a.; sWaiT, J. D. (2000): Stated Choice Models – Analysis and Application, Cambridge, 2000. malhoTra, n. K.; BirKs, D. F. (2003): Marketing Research: An Applied Approach, Second European Edition, London, 2003. mCFaDDen, D. (1974):Conditional logit analysis of qualitative choice behaviour, in: Zarembka, P. [Hrsg.]: Frontiers in Econometrics, New York u.a., 1974, S. 105–142. orme, B. K. (1998): Sample Size Issues for Conjoint Analysis Studies, in: Sawtooth Software Research Paper Series, Sequim u.a., 1998. orme, B. K. (2006): Getting Started with Conjoint Analysis – Strategies for Product Design and Pricing Research, Madison, 2006. ramasWamy, v.; Cohen, s. h. (2003): Latent Class Models for Conjoint Analysis, in: Gustafs son, A.; Herrmann, A.; Huber, F. [Hrsg.]: Conjoint Measurement – Methods and Applications, 3. Auflage, Berlin u.a., 2003, S. 441–569. saTTler, h.; harTmann, a. (2002): Commercial Use of Conjoint Analysis in Germany, Aus tria and Switzerland, in: Research Papers on Marketing and Retailing – Universität Hamburg, Nr. 06, 2002. Nutzenmessung mit Hilfe der Conjoint-Analyse 645 saTTler, h.; harTmann, a.; Kröger, s. (2003): Number of Tasks in Choice Based Conjoint Analysis, Research Papers on Marketing and Retailing – University of Hamburg, No. 013, 2003. sChWaiger, m. (1997):Multivariate Werbewirkungskontrolle – Konzepte zur Auswertung von Werbetests, Wiesbaden, 1997. simon, h. (2008): Betriebswirtschaftliche Wissenschaft und Unternehmenspraxis: Erfah rungen aus dem Marketingbereich, in: Schmalenbachs Zeitschrift für betriebswirtschaftliche Forschung (zfbf), 60. Jg., Nr. 1, S. 73–93. TeiCherT, T. (1999): Conjoint Analyse, in: Herrmann, A.; Homburg, C. [Hrsg.]: Marktfor schung. Methoden, Anwendungen, Praxisbeispiele, Wiesbaden, 1999, S. 476–511. TeiCherT, T. (2001): Nutzenschätzung in Conjoint Analysen – Theoretische Fundierung und empirische Aussagekraft, Wiesbaden, 2001. ToUBia, o.; haUser, J. r.; simesTer, D. i. (2004): Polyhedral Methods for Adaptive Choice Based Conjoint Analysis, in: Journal of Marketing Research, Vol. 41, No. 1, S. 116–131. voeTh, m. (2000): Nutzenmessung in der Kaufverhaltensforschung: Die Hierarchische Indi vidualisierte Limit Conjoint Analyse, Wiesbaden, 2000. voeTh, m.; BornsTeDT, m. (2007):HILCA oder ACA? – Ein empirischer Vergleich von com putergestützten Verfahren der multiattributiven Nutzenmessung, in: Die Betriebswirtschaft, 67. Jg., Nr. 4, S. 381–398. vriens, m. (1995):Conjoint Analysis inMarketing – Developments in Stimulus Representation and Segmentation Methods, Groningen, 1995. vriens, m.; oppeWal, h; WeDel, m. (1998): Rating based versus choice based latent class conjoint models – An empirical comparison, in: Journal of the Market Research Society, Vol. 40, No. 3, S. 237–248. WeDel, m.; DesarBo, W. s. (1997): A Review of Recent Developments in Latent Class Re gressionModels, in: Bagozzi, R. P. [Hrsg.]: AdvancedMethods of Marketing Research, Oxford, 1997, S. 352–388. WeiBer, r.; rosenDahl, Th. (1997): Anwendungsprobleme der Conjoint Analyse, in: Marke ting Zeitung für Forschung und Praxis, 19. Jg., Nr. 2, S. 107–118. WiTTinK, D. r.; CaTTin, p. (1989): Commercial Use of Conjoint Analysis: An Update, in: Journal of Marketing, Vol. 53, No. 3, S. 91–96.

Chapter Preview

References

Zusammenfassung

Dieser Sammelband bietet einen Überblick über relevante Theorien der Wirtschafts- und Sozialwissenschaften sowie ausgewählte Methoden der qualitativen und quantitativen Forschung. Der Leser hat die Möglichkeit, jede hier behandelte Theorie und Methode in ihren grundlegenden Aussagen bzw. Funktionsweisen zu verstehen sowie hilfreiche Hinweise und Literaturquellen für ein vertiefendes Studium jedes Themenfeldes zu erhalten.

Studenten oder Doktoranden stehen vor dem gleichen Problem:

Wie können Forschungsfragen durch geeignete theoretische Konzepte fundiert werden, wie werden sie in Hypothesen transformiert und mit welchen empirischen Methoden überprüft?

Die Kernbotschaft: Auf dem Weg zu wissenschaftlicher Leistung müssen Theorien und Methoden Hand in Hand gehen.

Damit dies gelingen kann benötigt jeder Forscher eine grundlegende Kenntnis derjenigen Theorien und empirischen Methoden, die im jeweiligen Forschungsfeld Relevanz besitzen und für die Anwendung in Frage kommen. Das Verständnis von Theorien bzw. der Funktionsweise und Leistungsfähigkeit empirischer Methoden sind dabei essentiell. Erst dadurch werden eine zutreffende Auswahl und eine korrekte Anwendung von Theorien und Methoden zur Lösung des Forschungsanliegens ermöglicht.

Der Überblick über die Theorien und Methoden der Wirtschafts- und Sozialwissenschaften.

Der kompakte Sammelband ist empfehlenswert für Studenten und Doktoranden, die Forschungsfragen durch geeignete theoretische Konzepte fundieren, in Hypothesen transformieren und anschließend mit geeigneten empirischen Methoden überprüfen können.