Effizienzanalyse im Marketing (Deutscher Universitäts

Maik Hammerschmidt
Effizienzanalyse im Marketing
GABLER EDITION WISSENSCHAFT
Schriftenreihe des Instituts für
Marktorientierte Unternehmensführung
Universität Mannheim
Herausgegeben von
Professor Dr. Hans H. Bauer und Prof. Dr. Dr. h.c. Christian Homburg
Das Institut für Marktorientierte Unternehmensführung (IMU) wurde
1999 an der Universität Mannheim neu konstituiert. Das Institut ist
durch Umbenennung aus dem ehemaligen Institut für Marketing entstanden. Es versteht sich als Plattform für anwendungsorientierte
Forschung sowie als Forum des Dialogs zwischen Wissenschaft und
Praxis.
Ziel dieser Schriftenreihe ist es, wissenschaftliche Erkenntnisse zu
publizieren, die für die marktorientierte Unternehmensführung von
Bedeutung sind.
Maik Hammerschmidt
Effizienzanalyse
im Marketing
Ein produktionstheoretisch fundierter Ansatz
auf Basis von Frontier Functions
Mit einem Geleitwort von Prof. Dr. Hans H. Bauer
Deutscher Universitäts-Verlag
Bibliografische Information Der Deutschen Bibliothek
Die Deutsche Bibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie;
detaillierte bibliografische Daten sind im Internet über <http://dnb.ddb.de> abrufbar.
Dissertation Universität Mannheim, 2005
Gedruckt mit Unterstützung des Förderungs- und Beihilfefonds Wissenschaft der VG WORT.
1. Auflage Mai 2006
Alle Rechte vorbehalten
© Deutscher Universitäts-Verlag | GWV Fachverlage GmbH, Wiesbaden 2006
Lektorat: Brigitte Siegel / Stefanie Loyal
Der Deutsche Universitäts-Verlag ist ein Unternehmen von Springer Science+Business Media.
www.duv.de
Das Werk einschließlich aller seiner Teile ist urheberrechtlich geschützt.
Jede Verwertung außerhalb der engen Grenzen des Urheberrechtsgesetzes
ist ohne Zustimmung des Verlags unzulässig und strafbar. Das gilt insbesondere für Vervielfältigungen, Übersetzungen, Mikroverfilmungen und die
Einspeicherung und Verarbeitung in elektronischen Systemen.
Die Wiedergabe von Gebrauchsnamen, Handelsnamen, Warenbezeichnungen usw. in diesem
Werk berechtigt auch ohne besondere Kennzeichnung nicht zu der Annahme, dass solche
Namen im Sinne der Warenzeichen- und Markenschutz-Gesetzgebung als frei zu betrachten
wären und daher von jedermann benutzt werden dürften.
Umschlaggestaltung: Regine Zimmer, Dipl.-Designerin, Frankfurt/Main
Druck und Buchbinder: Rosch-Buch, Scheßlitz
Gedruckt auf säurefreiem und chlorfrei gebleichtem Papier
Printed in Germany
ISBN-10 3-8350-0296-1
ISBN-13 978-3-8350-0296-8
V
Geleitwort
Das Thema Marketingeffizienz steht auf der Agenda von Wissenschaft und Praxis
des Marketing derzeit weit oben. Das Marketing und insbesondere der Bereich der
Werbung wurden, als eine meist von Intuition getriebene Managementlehre, lange
Zeit bestenfalls auf Basis „weicher Daten“ betrachtet. Deren Ergebnisse galten daher
als kaum ökonomisch quantifizierbar. In jüngster Zeit wird jedoch auch vom Marketing verstärkt gefordert, den Erfolgsbeitrag anhand harter Fakten nachzuweisen.
Immer mehr sind daher Marketingverantwortliche bestrebt, die Marketinginvestitionen
(Inputs) in Relation zu den dadurch erzielten monetären und nicht monetären Ergebnissen (Outputs) zu setzen. Auf diese Weise soll die zentrale Rolle des Marketing in
Unternehmen legitimiert und nachgewiesen werden, dass das Marketing etwas "produziert" und somit zur Wertschöpfung beiträgt. Die Idee, auch das Marketing als produktives System zu begreifen, das durch Einsatz der 4 Ps als Inputs akquisitorisches
Potenzial als Output produziert, äußerte schon in den 50er Jahren einer der Urväter
der deutschen Betriebswirtschaftslehre Erich Gutenberg. Allerdings wurde diese
Sichtweise bisher kaum aufgegriffen und systematisch zu einem produktionstheoretisch fundierten Marketing weiterentwickelt; nicht zuletzt weil bisher leistungsfähige,
quantitative Methoden der Effizienzmessung fehlten.
Einen großen Schritt auf diesem Weg leistet die Dissertation von Maik Hammerschmidt. Er wird damit der gerade in jüngster Zeit erhobenen Forderung gerecht, die
Produktionstheorie als „Mutter der BWL“ zu verstehen und auch für andere Teildisziplinen fruchtbar zu machen. Er stellt produktionstheoretisch fundierte Methoden der
Effizienzmessung vor und wählt die Data Envelopment Analysis (DEA) als ein Verfahren aus, welches besonders im Marketing ein hohes Anwendungspotenzial besitzt. Anders als traditionelle Verfahren, wie etwa die Regressionsanalyse, orientiert
sich die DEA nicht an einer durchschnittlichen Leistungsfähigkeit (Average Practice),
sondern ermittelt den effizienten Rand (Best Practice) einer Menge von Marketingeinheiten. Diese Randproduktionsfunktion zeigt, welcher maximale Output mit einem
bestimmten Inputeinsatz erreichbar ist. Anhand dreier empirischer Anwendungen in
den Bereichen Produkt,- Marken- und Vertriebsmanagement überträgt der Autor die
DEA ins Marketing und veranschaulicht so ausführlich die vielfältigen Erkenntnisse
und Handlungsimplikationen der Methode für Marketingmanager.
Maik Hammerschmidt legt eine hervorragende Arbeit vor. Mit dem von ihm für die
Marketingforschung adaptierten modernen produktionstheoretischen Analyseapparat
wird meines Erachtens ein großes Tor zu einer neuen Forschungsrichtung zum
Thema Marketingcontrolling aufgetan. Im Stellenwert schätze ich den Einzug der
Data Envelopment Analysis und der mit ihr verwandten Methoden in das Marketing
VI
auf gleicher Stufe ein wie die so genannte multivariate Revolution der 70-er Jahre
und die Conjoint-Measurement-Revolution der 80-er Jahre. Sowohl die theoretische
Einordnung des analytischen Instrumentariums in den Kontext des Marketing als
auch die methodischen Darstellungen und die empirischen Anwendungen zeigen die
Expertise des Verfassers. Besonders hervorzuheben ist die didaktische Struktur der
Arbeit. So fördern die ausführliche Herleitung grafischer Lösungen und die Anwendung eines durchgehenden Zahlenbeispiels das Verständnis der nicht einfachen mathematischen Zusammenhänge bei dieser neuen Methodengruppe enorm. Insgesamt ist Maik Hammerschmidt eine Arbeit gelungen, die offensichtlich belegt, dass er
zu den wenigen Experten der marketingbezogenen Effizienzforschung in Deutschland gehört. Ich bin davon überzeugt, dass die Arbeit in der Wissenschaft und in der
Unternehmenspraxis eine hohe Aufmerksamkeit verdient.
Univ.-Prof. Dr. Hans H. Bauer
VII
Vorwort
„Es gibt zwei Dinge, auf die man im Leben hinarbeiten muss: zunächst, das zu bekommen, was man will, und danach, es zu genießen. Nur den großen Weisen der
Menschheit gelingt das zweite.“
(Robert Lee Frost)
Die vorliegende Arbeit, die durch die Fakultät für Betriebswirtschaftslehre der Universität Mannheim als Promotionsschrift angenommen wurde, entstand während meiner
Tätigkeit als Wissenschaftlicher Mitarbeiter am Lehrstuhl für ABWL und Marketing II.
Nachdem diese Arbeit, die man eigentlich nie wirklich beenden kann, für beendet
„erklärt“ ist, möchte ich einigen Personen danken, die mich auf dem ganzen bisherigen Weg oder einem Teil des Weges begleitet haben.
Zuerst danke ich meinem Doktorvater und Mentor Professor Dr. Hans H. Bauer herzlich für die bemerkenswerte Fähigkeit, verständnisvoll über kleine und mittelgroße
Schwächen hinwegzusehen und vor allem die positiven Seiten zu betonen und zu
fördern. Neben all den fachlichen Freiräumen, die er mir gewährt hat, danke ich ihm
deshalb ganz besonders für die menschlichen Freiräume. Diese sind für die persönliche Entwicklung mindestens genauso wichtig. Seine Mischung aus beeindruckendem Scharfsinn und Lebenserfahrung und -freude ist ein wichtiger Grund dafür, dass
ich mir keinen besseren Ort zum Promovieren (und nun auch Habilitieren) vorstellen
kann. Die warmherzige Atmosphäre an seinem Lehrstuhl lässt zudem ausreichend
Zeit, gemeinsam Erreichtes zu genießen; sei es beim „letzten schönen Tag“, dem
„Sommer-Brunch“ in seinem Hause oder bei Lehrstuhlsitzungen, die bei gutem Wetter auch schon mal an das Rheinufer verlegt werden. Er hat zudem die Brisanz des
Themas „Marketingeffizienz“ erkannt, lange bevor dieses auf den ersten Platz der
MSI Research Priorities gesetzt wurde. Herrn Bauer verdanke ich entscheidende
Weichenstellungen meines beruflichen Lebens. Ich freue mich, dass ich auch weiterhin viel von ihm lernen kann.
Dank schulde ich weiterhin Herrn Professor Dr. Hans-Jörg Hoitsch für die bereitwillige und spontane Übernahme des Korreferats, für seine aufgeschlossene Art und
nützliche Tipps für die akademische „Karriereplanung“.
PD Dr. Matthias Staat gebührt als „Ko-Mentor“ großer Dank für die hochkarätige
fachliche Unterstützung während der gesamten Promotionszeit und die kritischen
Anregungen bei vielen Publikationen und bei hitzigen Diskursen. Seine zum Teil
schonungslos offene Art hat die Arbeit entscheidend vorangebracht.
VIII
Christel und Monika als den guten Seelen des Lehrstuhls und Bindegliedern für alle
Mitarbeiter sei versichert, dass ohne sie unser Lehrstuhl sehr viel ärmer wäre. Sie
sind wesentliche Garanten für das unbeschwerte und herzliche Klima hier.
Sehr dankbar bin ich meinen Kollegen Anja, Carmen, Frank, Gunnar, Marcus, Nicola,
Steffi, Tina, Tobias I („Habi“), Tobias II („Donni“) und Tomi, die als Mitglieder unserer
inzwischen stark expandierten Lehrstuhlfamilie ganz wesentlichen Anteil daran haben, dass man sich jeden Tag darauf freut, an den Lehrstuhl zu kommen. Ich kann
mir schon wegen der netten Kollegen gar nicht vorstellen, hier irgendwann einmal
weggehen zu müssen. An dieser Stelle sei auch den ehemaligen Kollegen Marc Fischer, Mark Grether, Thomas Keller, Ralf Mäder und Alexandra Valtin für die gemeinsame Zeit am Lehrstuhl gedankt. Von den ehemaligen Kollegen sei Mark
Grether besonders erwähnt, der mir als eine Art Sparring Partner vor allem die Anfangszeit am Lehrstuhl sehr erleichtert hat. Seine fast rund um die Uhr verfügbare
Hilfsbereitschaft und seine unzähligen Tipps waren enorm hilfreich.
Drei meiner jetzigen Kollegen möchte ich an dieser Stelle noch besonders erwähnen:
Nicola, der ich sehr viel zu verdanken habe. Sie hat sich in vielen Situationen für
mich eingesetzt und mich – neudeutsch formuliert – promotet. Es tut gut, jemanden
an meiner Seite zu wissen, der an mich glaubt und mich auch immer wieder ermuntert, an mich selbst zu glauben. Dieser Unterstützung bin ich mir stets bewusst!
Tomi, mit dem mich inzwischen eine enge Freundschaft verbindet, die nicht zuletzt
durch gemeinsame Forschungstätigkeiten und viele erfolgreiche Koautorenschaften,
für die er viele Grundsteine gelegt hat, gewachsen ist. Die Zeit, die ich mit ihm am
und außerhalb des Lehrstuhls verbringe, ist nicht nur fachlich, sondern vor allem
auch persönlich sehr gewinnbringend. Dass Tomi an den Lehrstuhl gekommen ist,
war in vielerlei Hinsicht eine glückliche Fügung.
Gunnar, unser „Fuchs“, für den es in den fünf Jahren unserer gemeinsamen Zeit
nicht eine einzige Frage oder Problemstellung gab, auf die er keine dezidierte und
hilfreiche Antwort gehabt hätte. Vielen Dank für die selbstlose Hilfsbereitschaft bei so
unendlich vielen kleinen software-technischen, methodischen und „lebenstechnischen“ Problemen, für deren Lösung ich Stunden gebraucht hätte und die durch seine Hilfe in Minuten abgehakt waren.
Tatkräftig unterstützt haben mich auch alle Famulanten des Lehrstuhls, insbesondere
„meine“ Famulantin Eva, die aus dem Chaos von Quellen ein Literaturverzeichnis
gemacht hat.
Dirk, Frank, Gunnar, „Habi“, Matthias Staat, Nicola, Tomi und Ralf gebührt großer
Dank für die Bereitschaft, ohne längere Vorankündigung meinerseits und daher ohne
„moralische Vorbereitung“ das Korrekturlesen von früheren Fassungen der Arbeit zu
IX
übernehmen und damit Schwächen meines Zeitmanagements auszugleichen. Durch
sie hat sich die Qualität der Arbeit wesentlich verbessert. In diesem Zusammenhang
sei Gunnar erwähnt, der mir die Korrekturseiten nicht zurückgab, ohne nicht jeden
einzelnen Rechenschritt der Zahlenbeispiele verstanden (oder verständlich gemacht!) und nachgeprüft zu haben.
Auch von den zahlreichen fachlichen Diskussionen mit meinen Diplomanden Ivan de
Martin del Zotto, Ulrich Garde, Stefanie Kleemann, Andreas Kreuder und Patrick Unkelbach hat die Arbeit wesentlich profitiert. Auch ihnen gebührt daher an dieser Stelle
Dank.
In organisatorischer Hinsicht danke ich dem Dekanatsteam, allen voran Christoph
Stritzke und die Sekretärinnen Frau Landgraf und Frau Winkler, für das unbürokratische und freundliche Handling des Promotionsprojektes.
Auch außerhalb der „Lehrstuhlwelt“ haben mich viele besondere Menschen, zum Teil
schon eine sehr lange Zeit, begleitet, denen ich abschließend meinen herzlich Dank
ausdrücken möchte:
Dirk, eine in jeder Hinsicht gewichtige Persönlichkeit in meinem Leben, der immer
besonnen ist und in sich ruht; also das Gegenteil von mir ist. Er versucht immer wieder (manchmal sogar mit Erfolg), mir klarzumachen, dass es nicht lohnt, sich aufzuregen und auszurasten. Danke dafür, dass du dich nie hast von mir entnerven lassen!
Christian, dem „Knowledge Junkie“, für die guten und manchmal exzessiven Diskussionen und die wissenschaftstheoretischen Exkurse. Er hat meine Neugier auf die
Wissenschaft und meine Lust am Schreiben wesentlich mit entfacht.
Ingo für seine buddhistischen Weisheiten und die Fähigkeit, mich zu veranlassen,
regelmäßig innezuhalten und mit kritischer Distanz über das nachzudenken, was ich
hier jeden Tag treibe. Von ihm habe ich auch gelernt, statt immer wieder in „ein Loch
auf der Straße“ hineinzufallen oder darum herumzugehen, einfach „eine andere Straße“ zu nehmen.
René, dem „Landsmann“ und „Controller“, für seinen trockenen, erfrischenden Humor, von dem er selbst manchmal gar nichts weiß. Gemeinsam haben wir 1993 die
studientechnische „Flucht nach Mannheim“ ergriffen und uns erfolgreich auf unbekanntem, gewöhnungsbedürftigem Terrain durchgekämpft.
Auch wenn sie abschließend genannt werden, gilt mein größter Dank meinen Eltern,
die mir über all die Jahre den Rücken frei gehalten und so ein von vielen kleinen und
großen Sorgen befreites Arbeiten ermöglicht haben. Sie waren immer ein sicheres
Netz, über dem ich mich entfalten und herumexperimentieren konnte und immer
wusste, dass ich im Notfall weich falle. Ich freue mich, dass ich mit dieser Arbeit hof-
X
fentlich zeigen kann, dass die vielen Mühen und nicht unerheblichen finanziellen Investitionen Früchte getragen haben. Meine Eltern haben mir von Kindheit an klargemacht, dass ich, um erfolgreich zu sein, mit meinem Kopf arbeiten muss. Bisher haben sie immer Recht behalten. Meinen Eltern gilt deshalb mein größter Dank. Ihnen
widme ich diese Arbeit.
Maik Hammerschmidt
XI
Inhaltsverzeichnis
Abbildungsverzeichnis ........................................................................................XVII
Tabellenverzeichnis ..............................................................................................XIX
Abkürzungsverzeichnis ........................................................................................XXI
Symbolverzeichnis ..............................................................................................XXIII
A Einführung ........................................................................................................... 1
1. Zunehmender Effizienzdruck im Marketing - Doing more with less...................... 1
1.1. Marketingeffizienz im Lichte von Performance Measurement und
Wertorientierung............................................................................................ 1
1.2. Forschungsfragen und Gang der Arbeit ........................................................ 4
B Konzeptionelle und theoretische Grundlagen der Effizienzanalyse.............. 7
1. Begrifflich-konzeptionelle Grundlagen der Effizienzanalyse.................................. 7
1.1. Abgrenzung von Produktivität, Effizienz und Effektivität ............................... 7
1.2. Differenzierte Effizienzkonzepte.................................................................. 10
1.2.1. Totale und partielle Effizienz............................................................. 10
1.2.2. Absolute und relative Effizienz.......................................................... 11
1.2.3. Technische, allokative, ökonomische und Skaleneffizienz ............... 12
1.3. Marketingeffizienz ....................................................................................... 14
2. Allgemeine theoretische Fundierung der Effizienzanalyse .................................. 17
2.1. Produktionstheoretische Grundlagen .......................................................... 17
2.1.1. Produktionsbegriff und dessen Übertragung auf das Marketing ....... 17
2.1.2. Aktivitätsanalyse und Dominanz....................................................... 20
2.1.3. Technologie und Technologieeigenschaften .................................... 23
2.1.4. Typen von Produktionsfunktionen .................................................... 28
2.1.5. Effizienzmessung im Lichte der Produktionstheorie ......................... 31
2.2. Entscheidungstheoretische Grundlagen ..................................................... 35
2.2.1. Grundprinzipien der präskriptiven Entscheidungstheorie ................. 35
2.2.2. Effizienzmessung im Lichte der Entscheidungstheorie..................... 37
2.3. Zwischenfazit .............................................................................................. 39
3. Konzeptualisierung der Marketingeffizienz.......................................................... 40
3.1. Forschungsansätze der Marketingeffizienz ................................................. 40
3.1.1. Makroökonomische Ansätze der Marketingeffizienz......................... 40
XII
3.1.2. Mikroökonomische Ansätze der Marketingeffizienz.......................... 43
3.1.2.1. Finanzielle Ansätze der Marketingeffizienz............................ 44
3.1.2.2. Erweiterte Ansätze der Marketingeffizienz............................. 45
3.2. Aggregationsebenen der Marketingeffizienz ............................................... 46
3.2.1. Aggregierte Marketingeffizienz ......................................................... 46
3.2.2. Disaggregierte Marketingeffizienz .................................................... 52
3.2.2.1. Produkteffizienz ..................................................................... 52
3.2.2.1.1. Anbieterorientierte Produkteffizienz .............................. 52
3.2.2.1.2. Nachfragerorientierte Produkteffizienz .......................... 54
3.2.2.1.3. Markeneffizienz............................................................. 58
3.2.2.2. Preiseffizienz ......................................................................... 69
3.2.2.3. Kommunikationseffizienz ....................................................... 72
3.2.2.3.1. Promotioneffizienz ........................................................ 73
3.2.2.3.2. Werbeeffizienz .............................................................. 75
3.2.2.4. Distributionseffizienz .............................................................. 83
C Das Konzept der relativen Marketingeffizienz: Theoretische Grundlagen
und Analysemethoden...................................................................................... 89
1. Marketingeffizienzanalyse und Benchmarking .................................................... 89
1.1. Benchmarking als Grundprinzip der Marketingeffizienzanalyse .................. 89
1.2. Einordnung des Benchmarking – Theoretische Fundierung der relativen
Effizienzanalyse .......................................................................................... 91
1.2.1. Wettbewerbsvorteils-Theorien .......................................................... 91
1.2.2. Prospect Theory und Strategic Reference Point Theory................... 93
1.3. Dimensionen eines Benchmarks und Klassifizierung von
Benchmarkingarten ..................................................................................... 97
1.4. Aufgaben und Funktionen der relativen Effizienzanalyse im Marketing .... 101
2. Verfahren der relativen Effizienzmessung: Ein Überblick.................................. 104
2.1. Traditionelle Verfahren - Relative Effizienzmessung anhand von
Kennzahlen ............................................................................................... 105
2.2. Moderne Verfahren - Relative Effizienzmessung anhand von
Produktionsfunktionen............................................................................... 108
2.2.1. Parametrische Verfahren................................................................ 109
2.2.1.1. Regressionsanalyse ............................................................ 110
2.2.1.2. Der deterministische Ansatz: Deterministic Frontier
Approach ............................................................................. 113
2.2.1.3. Der stochastische Ansatz: Stochastic Frontier Approach .... 115
2.2.2. Nicht parametrische Verfahren ....................................................... 121
XIII
2.2.2.1. Konvexe Technologien: Data Envelopment Analysis........... 122
2.2.2.2. Nichtkonvexe Technologien: Free Disposable Hull.............. 131
2.3. Vergleich von DEA, FDH und SFA - Auswahl eines geeigneten
Verfahrens zur relativen Effizienzmessung im Marketing.......................... 134
D Die Data Envelopment Analysis als Methode zur Analyse der relativen
Marketingeffizienz ........................................................................................... 143
1. Die Methodik der DEA....................................................................................... 143
1.1. Entwicklung, Annahmen und Marketingrelevanz der DEA ........................ 143
1.2. Das DEA-Grundmodell mit konstanten Skalenerträgen ............................ 148
1.2.1. Formale Herleitung ......................................................................... 148
1.2.2. Grafische Darstellung der Effizienzmessung mittels DEA im
mehrdimensionalen Fall ................................................................. 153
1.2.3. Das slack-erweiterte DEA-Grundmodell ......................................... 161
1.3. Das DEA-Grundmodell mit variablen Skalenerträgen ............................... 163
1.4. Exkurs: Formale Darstellung des FDH-Modells ........................................ 166
1.5. Grenzen der DEA-Grundmodelle .............................................................. 167
1.6. Weiterentwicklungen der DEA................................................................... 172
1.6.1. Messung von Supereffizienz........................................................... 172
1.6.2. Integration von Präferenzinformationen durch
Gewichtsbeschränkungen .............................................................. 174
1.6.2.1. Fixierung von Input- und Outputmultiplikatoren ................... 175
1.6.2.2. Vorgabe von Bandbreiten .................................................... 176
1.6.2.3. Ordinale Multiplikatoren ....................................................... 177
1.6.2.4. Transformation der Daten .................................................... 178
1.6.3. Validitäts- und Signifikanzprüfungen der DEA-Effizienzwerte......... 179
1.6.4. Integration nicht diskretionärer Variablen und Überprüfung der
Auswahl der Inputs und Outputs .................................................... 182
1.6.5. Messung von allokativer Effizienz................................................... 184
1.7. Abschließende Würdigung der DEA.......................................................... 186
2. Anwendungsfelder der DEA im Marketing – Bestandsaufnahme
empirischer Befunde ......................................................................................... 189
2.1. Anwendungen zur Analyse der aggregierten Marketingeffizienz............... 189
2.2. Anwendungen zur Produkteffizienzanalyse .............................................. 193
2.2.1. Anbieterorientierte Produkteffizienz................................................ 193
2.2.2. Nachfragerorientierte Produkteffizienz ........................................... 196
2.2.3. Markeneffizienz .............................................................................. 208
2.3. Anwendungen zur Preiseffizienzanalyse................................................... 209
XIV
2.4. Anwendungen zur Kommunikationseffizienzanalyse ................................ 213
2.5. Anwendungen zur Distributionseffizienzanalyse ....................................... 220
E Empirische Untersuchungen ......................................................................... 231
1. Studie zur Analyse der nachfragerorientierten Produkteffizienz....................... 231
1.1. Untersuchungsgegenstand und Problemstellungen.................................. 231
1.2. DEA als Instrument zur Marktstrukturierung.............................................. 234
1.3. Auswahl der Outputs und Inputs und Datengrundlage.............................. 238
1.4. Auswahl einer geeigneten DEA-Spezifikation ........................................... 240
1.5. Auswertung der Ergebnisse ...................................................................... 241
1.5.1. Status quo: Die Customer Values der untersuchten Automobile .... 241
1.5.2. Strukturierung des Mittelklassewagenmarktes auf Basis der
DEA-Ergebnisse............................................................................. 246
1.5.3. DEA-Befunde und Managementimplikationen für ausgewählte
Teilmärkte ...................................................................................... 249
1.5.3.1. Teilmarkt 3 ........................................................................... 249
1.5.3.2. Self Evaluators..................................................................... 253
1.5.3.3. Beurteilung der Wettbewerbsstruktur auf Basis der
DEA-Ergebnisse .................................................................. 254
1.5.4. Bestimmung effizienter Preise auf Basis der DEA-Ergebnisse....... 255
2. Studie zur Analyse der Markeneffizienz ............................................................ 258
2.1. Untersuchungsgegenstand und Problemstellungen.................................. 258
2.2. Auswahl der Outputs und Inputs und Datengrundlage.............................. 259
2.3. Auswahl einer geeigneten DEA-Spezifikation ........................................... 264
2.4. Auswertung der Ergebnisse ...................................................................... 264
2.4.1. Das Markeneffizienz-Ranking......................................................... 264
2.4.2. Identifizierung der Markeneffizienztreiber und erfolgreicher
Markenführungsstrategien.............................................................. 267
2.4.3. Analyse der Overspendings ineffizienter Marken ........................... 272
3. Studie zur Analyse der Vertriebseffizienz.......................................................... 275
3.1. Untersuchungsgegenstand und Problemstellungen.................................. 275
3.2. Auswahl der Outputs und Inputs und Datengrundlage.............................. 276
3.3. Auswahl einer geeigneten DEA-Spezifikation ........................................... 279
3.4. Auswertung der Ergebnisse ...................................................................... 280
3.4.1. Auswertung auf Gesamtebene ....................................................... 280
3.4.1.1. Überblick über effiziente und ineffiziente Teams ................. 280
3.4.1.2. Identifizierung der generellen Ineffizienzursachen des
Vertriebs .............................................................................. 284
XV
3.4.1.3. Identifizierung erfolgreicher Vertriebsstrategien................... 286
3.4.2. Auswertung auf Teamebene........................................................... 287
3.4.2.1. Analyse der Ist-Effizienz und Bestimmung der
Referenzteams .................................................................... 287
3.4.2.2. Soll-Ist-Abweichungskontrolle und Analyse der Ursachen
der Ineffizienz ...................................................................... 289
3.4.2.3. Ableitung von Zielvorgaben und Handlungsempfehlungen
aus dem inputorientierten Modell........................................ 289
3.4.2.4. Ableitung von Zielvorgaben und Handlungsempfehlungen
aus dem outputorientierten Modell...................................... 291
3.5. FDH als Alternativmodell zur Vertriebseffizienzanalyse? .......................... 293
4. Ein „Denken in Produktionsfunktionen“ als neue Perspektive im Marketing?.... 295
Literaturverzeichnis ............................................................................................. 301
XVII
Abbildungsverzeichnis
Abbildung 1:
Abbildung 2:
Abbildung 3:
Abbildung 4:
Abbildung 5:
Abbildung 6:
Abbildung 7:
Abbildung 8:
Abbildung 9:
Abbildung 10:
Abbildung 11:
Abbildung 12:
Abbildung 13:
Abbildung 14:
Abbildung 15:
Abbildung 16:
Abbildung 17:
Abbildung 18:
Abbildung 19:
Abbildung 20:
Abbildung 21:
Abbildung 22:
Dominanztest für die Einheiten des Zahlenbeispiels ........................ 22
Technologien und effiziente Einheiten für das Zahlenbeispiel bei
unterschiedlichen Technologieeigenschaften................................... 28
Unterscheidung zwischen Technologie und Produktionsfunktion..... 30
Konzeptualisierung der Markeneffizienz........................................... 69
Wertfunktion der Prospect Theory .................................................... 94
Dimensionen des Benchmarking ...................................................... 98
Systematik von Verfahren der Effizienzmessung ........................... 105
Durchschnittsproduktionsfunktion der Regressionsanalyse ........... 111
Randproduktionsfunktion des deterministischen Ansatzes............. 115
Randproduktionsfunktion des stochastischen Ansatzes................. 118
Randproduktionsfunktionen der DEA ............................................. 123
Ermittlung der Effizienzmaße für Vergleichseinheit H bei
CRS-Technologie ........................................................................... 126
Ermittlung der Effizienzmaße für Vergleichseinheit H bei
VRS-Technologie
127
Ermittlung der Skalenineffizienz für Vergleichseinheit H ................ 130
Randproduktionsfunktion des Free-Disposable-Hull-Modells ......... 133
Inputorientierte Ermittlung der Effizienzwerte im Zwei-Input-EinOutput-Fall...................................................................................... 155
Outputorientierte Ermittlung der Effizienzwerte im Ein-InputZwei-Output-Fall ............................................................................. 160
Ermittlung des Supereffizienzwertes für I ....................................... 173
Auswirkungen von Messfehlern im Rahmen der DEA .................... 181
Bestimmung von allokativer und Kosteneffizienz im Rahmen
der DEA.......................................................................................... 185
Identifikation von Teilmärkten mittels DEA ..................................... 236
Überblick über Ursachen der Gesamtineffizienz im Vertrieb .......... 284
XIX
Tabellenverzeichnis
Tabelle 1:
Tabelle 2:
Tabelle 3:
Tabelle 4:
Tabelle 5:
Tabelle 6:
Tabelle 7:
Tabelle 8:
Tabelle 9:
Tabelle 10:
Tabelle 11:
Tabelle 12:
Tabelle 13:
Tabelle 14:
Tabelle 15:
Tabelle 16:
Tabelle 17:
Tabelle 18:
Tabelle 19:
Tabelle 20:
Tabelle 21:
Tabelle 22:
Tabelle 23:
Tabelle 24:
Tabelle 25:
Tabelle 26:
Tabelle 27:
Tabelle 28:
Tabelle 29:
Tabelle 30:
Tabelle 31:
Tabelle 32:
Tabelle 33:
Tabelle 34:
Daten der fiktiven Vergleichseinheiten ................................................ 21
Makroökonomische Beiträge zur Marketingeffizienz ........................... 42
Beiträge zur aggregierten Marketingeffizienz ...................................... 51
Beiträge zur anbieterorientierten Produkteffizienz............................... 55
Beiträge zur nachfragerorientierten Produkteffizienz .......................... 58
Übersicht etablierter Markenwertmodelle ............................................ 63
Beiträge zur Preiseffizienz .................................................................. 72
Beiträge zur Promotioneffizienz .......................................................... 76
Beiträge zur Werbeeffizienz ................................................................ 83
Beiträge zur Vertriebseffizienz ............................................................ 87
Absolute und relative Effizienz im Ein-Input-Ein-Output-Fall ............. 125
Werte der Effizienzmaße für Vergleichseinheit H.............................. 129
Vergleich von DEA, FDH und SFA.................................................... 139
Klassische DEA-Anwendungsbereiche und ausgewählte Studien ... 147
Erweitertes Zahlengerüst für die fiktiven Marketingeinheiten ............ 154
Ergebnisse des primalen und dualen inputorientierten CCRModells.............................................................................................. 158
Ergebnisse des primalen und dualen inputorientierten BCCModells.............................................................................................. 165
Implikationen der DEA-Resultate für die Analyse der relativen
Marketingeffizienz ............................................................................. 188
Empirische DEA-Studien zur aggregierten Marketingeffizienz .......... 192
Empirische DEA-Studien zur anbieterorientierten Produkteffizienz... 195
Empirische DEA-Studien zur technischen Produkteffizienz .............. 203
Empirische DEA-Studien zur marktorientierten Produkteffizienz....... 207
Empirische DEA-Studien zur Preiseffizienz ...................................... 212
Empirische DEA-Studien zur Kommunikationseffizienz .................... 219
Empirische DEA-Studien zur Distributionseffizienz ........................... 228
Deskriptive Statistik der Ausgangsdaten........................................... 240
Effizienzergebnisse für die untersuchten PKW-Varianten................. 243
Kreuzeffizienzen der effizienten PKWs ............................................. 246
Identifikation der Teilmärkte und zugehöriger Benchmarks .............. 247
Detailergebnisse für Teilmarkt 3........................................................ 250
Input- und Outputgewichte für Self Evaluators .................................. 254
Effiziente Preise für ausgewählte Modelle ........................................ 257
Deskriptive Statistik der Ausgangsdaten........................................... 264
Effizienzergebnisse der untersuchten Marken .................................. 266
XX
Tabelle 35:
Tabelle 36:
Tabelle 37:
Tabelle 38:
Tabelle 39:
Tabelle 40:
Tabelle 41:
Tabelle 42:
Tabelle 43:
Tabelle 44:
Input- und Outputgewichte der Marken ............................................. 268
Slacks der ineffizienten Marken ........................................................ 274
Overspendings der ineffizienten Marken........................................... 275
Deskriptive Statistik der Ausgangsdaten........................................... 279
Aufspaltung der Gesamteffizienz in technische und
Skaleneffizienz .................................................................................. 282
Input- und Outputgewichte der Vertriebsteams ................................. 286
Referenzteams der ineffizienten Teams............................................ 288
DEA-Ergebnisse für das ineffiziente Vertriebsteam 11 ..................... 290
Potenzielle Umsatzsteigerungen bei operativer und strategischer
Effizienz ............................................................................................ 292
FDH-Ergebnisse für ineffiziente Teams ............................................ 294
XXI
Abkürzungsverzeichnis
ADAC
AHP
AIDA
ANOVA
AtA
AVE
BCC
BEES
CAD
CAM
CCR
CE
CEO
CES
COLS
CRP
CLV
CRS
DEA
DFA
DMU
FDH
FTE
GRP
I
LISREL
LP
max
MCDM
min
MPV
NB
OLS
O
pse
ROBI
ROI
Allgemeiner Deutscher Automobil Club
Analytic Hierarchy Process
Attention Interest Desire Action
Analysis of Variance
Attitude toward the Ad
Average Cross Efficiency (Durchschnittliche Kreuzeffizienz)
Banker/Charnes/Cooper
Brand Equity Evaluation System
Computer Aided Design
Computer Aided Manufacturing
Charnes/Cooper/Rhodes
Cross Efficiency (Kreuzeffizienz)
Chief Executive Officer
Constant Elasticity of Scale
Corrected Ordinary Least Squares
Constant Returns to Performance
Customer Lifetime Value
Constant Returns to Scale (konstante Skalenerträge)
Data Envelopment Analysis
Deterministic Frontier Approach (Deterministischer Ansatz)
Decision Making Unit
Free Disposable Hull
Full Time Equivalent
Gross Rating Point
Input
Linear Structural Relationships
Lineares Programm
Maximiere
Multi Criteria Decision Making
Minimiere
Multi Purpose Vehicle
Nebenbedingung
Ordinary Least Squares (Kleinste Quadrate)
Output
psycho-sozial-emotional
Return on Brand Investment
Return on Investment
XXII
SERVQUAL
SFA
SRPT
STABW
SUV
TQM
TÜV
USP
V
VRS
Service Quality
Stochastic Frontier Approach (stochastischer Ansatz)
Strategic Reference Point Theory
Standardabweichung
Sport Utility Vehicle
Total Quality Management
Technischer Überwachungsverein
Unique Selling Proposition
Virtuelle Referenzeinheit
Variable Returns to Scale (variable Skalenerträge)
XXIII
Symbolverzeichnis
aj
Allokative Effizienz der DMU j
A
Matrix zur Transformation der Inputdaten im Cone-Ratio-Ansatz
c
Zustand
d
Dominante DMU
D (I0 )
Menge dominanter DMUs für DMU 0 im inputorientierten Fall
e
Einheitsvektor
E
Erwartungswert
f (⋅)
F (⋅)
Dichtefunktion der Standard-Normal-Verteilung
Kumulierte Verteilungsfunktion
G
Matrix zur Transformation der Outputdaten im Cone-Ratio-Ansatz
h0
Input-Effizienzwert der DMU 0 im primalen linearen Programm
i
Index der Inputarten
ID
Menge diskretionärer Inputs
I ND
Menge nicht diskretionärer Inputs
j
Index der Beobachtungen (DMUs)
kj
Kosteneffizienz der DMU j
l1
Anzahl beschränkter Outputs
l2
Anzahl beschränkter Inputs
m
Anzahl der Inputs
M0
Maverick-Index für DMU 0
n
P
Anzahl der Beobachtungen (DMUs)
Matrix der absoluten Beschränkungen der Input-Gewichte
Q
Matrix der absoluten Beschränkungen der Output-Gewichte
r
Index der Outputarten
Anzahl der Outputs
s
s
−
Input-Slack
s+
Output-Slack
û j
Ineffizienzterm der DMU j
ur
Gewicht des Outputs r im Quotientenprogramm
U CR
Konvexer Kegel zur Beschränkung der Outputgewichte
vi
Gewicht des Inputs i im Quotientenprogramm
vˆ j
Stochastischer Fehlerterm für DMU j
VCR
Konvexer Kegel zur Beschränkung der Inputgewichte
XXIV
Virtuelle Referenzeinheit bei inputorientierter Betrachtung
VI
VO
Virtuelle Referenzeinheit bei outputorientierter Betrachtung
VU
Virtuelle Referenzeinheit bei unorientierter Betrachtung
xi
Menge des Inputs i
X
Matrix der Inputs
yr
Menge des Outputs r
y *j
Effizientes Outputniveau von DMU j (Frontier-Output)
Y
Matrix der Outputs
zi
Exogen fixierter Wert des Gewichts des Inputs i
zr
Exogen fixierter Wert des Gewichts des Outputs r
α
Transformationsgewichte für Inputs im Cone-Ratio-Ansatz
β
Vektor der Funktionsparameter (Regression, DFA, SFA)
γ
Transformationsgewichte für Outputs im Cone-Ratio-Ansatz
δ0
Skaleneffizienzwert der DMU 0
ε
Residuum (Fehlerterm)
η
Quotient aus σ u und σ v
θ0
Input-Effizienzwert der DMU 0 im dualen linearen Programm
κ
Nicht archimedische Konstante
λj
Anteil der DMU j an der Referenzeinheit (Skalenniveaufaktor)
µr
Gewicht des Outputs r im linearen Programm
µ
Untere Schranke für den virtuellen Output r
r
µr
Obere Schranke für den virtuellen Output r
νi
Gewicht des Inputs i im linearen Programm
νi
Untere Schranke für das Gewicht des Inputs i
νi
Untere Schranke für den virtuellen Input i
ν it
Untere Schranke für das Verhältnis der Gewichte der Inputs i und t
νi
Obere Schranke für das Gewicht des Inputs i
νi
Obere Schranke für den virtuellen Input i
ν it
σ
Obere Schranke für das Verhältnis der Gewichte der Inputs i und t
Standardabweichung
σu
Standardabweichung des Ineffizienzterms u j
σv
Standardabweichung des Fehlerterms v j
Τ
Technologiemenge
φ0
Output-Effizienzwert der DMU 0
1
A
Einführung
1.
Zunehmender Effizienzdruck im Marketing - Doing more
with less
1.1.
Marketingeffizienz im Lichte von Performance Measurement und
Wertorientierung
Unternehmen sehen sich, speziell in wirtschaftlich angespannten Zeiten, zunehmend
unter Performancedruck. Sie sind mit steigenden Marketingkosten konfrontiert, die
seit den vierziger Jahren von durchschnittlich 20 auf heute über 50 % der Unternehmenskosten gestiegen sind.1 Gleichzeitig stellen Kunden immer höhere Ansprüche
an die Leistungen und sind dabei weniger bereit, entsprechende Preise zu zahlen.
Diese „Leistungszange“ wird umso brisanter, da Einsparpotenziale in den meisten
operativen Unternehmensbereichen wie Produktion und Logistik weitgehend ausgeschöpft sind.2 Um ein Überleben zu sichern, werden auch diejenigen Unternehmensbereiche verstärkt auf Potenziale zur Produktivitätssteigerung hin untersucht, die
aufgrund der Erstellung intangibler Leistungen bisher kaum Gegenstand quantitativer
Untersuchungen waren. Hierzu gehört insbesondere das Marketing, dessen Instrumente und Aktivitäten vom Top Management vieler Unternehmen bislang als „financially unaccountable“3 betrachtet wurden. In jüngster Zeit stehen Manager jedoch
zunehmend in der Pflicht, den Return on Marketing, d.h. den Wertbeitrag der Marketinginvestitionen, nachzuweisen, um Budgets zu legitimieren.4 Durch die Einführung
entsprechender Controllingsysteme sollen Fehlallokationen von Ressourcen aufgedeckt und durch Verbesserungsmaßnahmen behoben werden. Entsprechend erfährt
das Thema zunehmende Aufmerksamkeit in Marketingwissenschaft und -praxis. Dies
lässt sich an der Forschungsagenda des Marketing Science Institutes ablesen, das
die Suche nach adäquaten Performancemaßen und die Messung der Marketingproduktivität als Top Research Priority einstuft.5
Die Messung und Analyse der Leistungsfähigkeit im Marketing ist Aufgabe des Performance Measurement als einem Teilbereich des Marketingcontrollings. Hierunter
sind auf Kennzahlen beruhende Systeme zur Beurteilung von Objekten, Prozessen
und Funktionen mit dem Ziel der nachhaltigen Leistungsverbesserung zu verstehen.
1
2
3
4
5
Vgl. Bush/Smart/Nichols (2002), S. 343; Shaw (2001), S. 302.
Vgl. Bauer (2000), S. 3 f.; Homburg/Schneider/Schäfer (2003), S. 4.
Rust/Lemon/Zeithaml (2004), S. 109.
Vgl. Rust/Lemon/Zeithaml (2004), S. 109; Rust et al. (2004), S. 77.
Vgl. Marketing Science Institute (2002), S. 4.
2
In der Literatur werden seit geraumer Zeit zahlreiche Performance-MeasurementKonzepte vorgeschlagen, die jedoch eine Reihe von Schwächen aufweisen.6
Häufig betrachten klassische Performancemaße entweder die Input- oder die Outputseite isoliert und bringen diese nicht systematisch in einen ökonomischen Zusammenhang. Ein umfassendes Verständnis der Marketingperformance muss aber
die Outputs - Ergebnisse bzw. Wirkungen der Marketingaktivitäten - zu den Inputs dafür eingesetzte Ressourcen - in Relation setzen. Zur Quantifizierung der Performance von Marketingmaßnahmen stellt die Effizienz, welche als Output-InputVerhältnis definiert ist, ein überlegenes Konzept dar.7 Das Effizienzkonzept wird daher in dieser Arbeit als Performancemaßstab verwendet.
Ein weiteres Problem besteht in der häufigen Fokussierung auf monetäre Erfolgsgrößen wie Gewinn, Deckungsbeitrag oder Umsatz. Dies wird der Multidimensionalität der Leistungsprozesse im Marketing nicht gerecht. Gerade hier ist es nicht immer
möglich, die Performance monetär zu bewerten, da oftmals Preise der Inputs und
v.a. Outputs (wie Loyalität, Kundenzufriedenheit, Markenbekanntheit) unbekannt sind
bzw. gar nicht existieren. Das Konzept der Effizienz als Verhältnis von Outputs zu
Inputs ist hingegen allgemein gefasst und ermöglicht die Integration aller relevanten
Bewertungskriterien des Wertschöpfungsprozesses, zu denen neben monetären
Größen auch qualitative Größen gehören.
Ein viel diskutiertes Performance-Measurement-Konzept, welches den Anspruch erhebt, rein monetäre Kennzahlensysteme zu ergänzen, stellt die Balanced Scorecard
dar. Hier werden finanzielle und nicht finanzielle Leistungsindikatoren aus interner
Perspektive (Mitarbeiter, Prozesse) und externer Perspektive (Kunden, Shareholder)
ausgewogen nebeneinander gestellt.8 Der Detaillierungsgrad derartiger Kennzahlensysteme erweist sich jedoch oftmals als zu hoch, v.a. wenn eine Vielzahl von Objekten, etwa ein Netz von Vertriebsteams oder eine Vielzahl von Produkten oder Marken, zu evaluieren sind. Hier ist zur Komplexitätsreduktion eine Methode erforderlich,
die mehrere Einzelkennzahlen auf der Input- und Outputseite aggregiert und in eine
einzige Effizienzkennzahl transformieren kann, die eine Aussage über die Gesamtperformance erlaubt.9 Dabei ist auch die Betrachtung eindimensionaler Output-InputVerhältniskennzahlen, wie dies bei der Analyse sog. Teilproduktivitäten erfolgt, für
eine ganzheitliche Leistungsbeurteilung und die Ermittlung der relativen Bedeutung
der Kennzahlen untereinander ungeeignet.
6
7
8
9
Vgl. Bhargava/Dubelaar/Ramaswami (1994), S. 235; Horváth (2005), S. 587 f.; Neely et al.
(1995), S. 80 f.; Reinecke (2004), S. 134 ff.
Vgl. Morgan/Clark/Gooner (2002), S. 363; Neely (2004), S. 5; Vorhies/Morgan (2003), S. 103.
Vgl. Kaplan/Norton (1997); Reinecke (2004), S. 108 ff.
Vgl. Scheel (2000), S. 2 f.
3
Im Marketing mangelt es bislang an Arbeiten, die leistungsfähige Methoden vorschlagen, welche die genannten Schwächen vermeiden. Um aussagekräftige und
umsetzbare Ergebnisse und Handlungsempfehlungen zu liefern, ist eine quantitativ
fundierte Methode wünschenswert, welche die Identifizierung systematischer Ineffizienzen erlaubt. Eine hohe Akzeptanz in der Praxis wird gefördert, wenn es möglich
ist, Leistungslücken und resultierende Handlungsempfehlungen zu quantifizieren. Es
sollte ausgewiesen werden können, wie stark die Leistungsparameter zu verändern,
d.h. Inputs zu senken und/oder Outputs zu erhöhen sind, um effizient zu werden.
Zugleich sollten die ermittelte Ineffizienz und entsprechend aufgedeckte Verbesserungspotenziale stets auf eine vergleichbare Referenzeinheit bezogen werden, die
eine ähnliche Technologie („Strategie“) einsetzt, um Inputs in Outputs zu transformieren. Es sind folglich Benchmarkingaspekte in die Bestimmung der (In)Effizienz zu
integrieren, um eine faire und realistische Performancebewertung sicherzustellen.
Die Betrachtung der Produktivität von Systemen der Input-Output-Transformation ist
Gegenstand der Produktionstheorie. In einer generischen Konzeption, welche in ihren Grundzügen bereits von Gutenberg vertreten wird, lassen sich auch Marketingaktivitäten als Transformationsprozesse beschreiben. Hier werden Marketinginputs in
Form der vier absatzpolitischen Instrumente kombiniert, um bestimmte Outputs in
Form von Marktstatus- und Marktergebnisgrößen zu erzeugen.10 Eine produktionsökonomische Fundierung des Marketing erlaubt daher zahlreiche Erkenntnisse und
Implikationen, die mit klassischen Methoden nicht erlangt werden können. Sie ermöglicht durch Formalisierung des Input-Output-Zusammenhangs das Aufdecken
von Verbesserungspotenzialen, die durch den Abstand zur Produktionsfunktion
quantifiziert werden. Diese Rückbesinnung auf ein breites Produktionsverständnis
wird gerade in der aktuellen Literatur verstärkt gefordert. Es wird dem Stellenwert der
Produktionstheorie als „Mutter der Betriebswirtschaftslehre“ gerecht.11 Es erscheint
daher geboten, die produktionsökonomisch fundierten Verfahren der Effizienzanalyse
auf ihre Eignung zum Einsatz im Marketing zu untersuchen.
In Bezug auf diese Verknüpfung von Marketing und Produktionstheorie lassen sich
einige Forschungslücken erkennen, zu deren Schließung die folgende Arbeit beiträgt:
Es fehlt bislang eine systematische Bestandsaufnahme moderner, quantitativ ausgerichteter Verfahren der Effizienzmessung, die für das Marketing prinzipiell anwendbar
sind. Es besteht ferner Bedarf an einer theoretisch und methodisch begründeten
Auswahl des für das Marketing am besten geeigneten Verfahrens. Schließlich muss
dessen Übertragung auf das Marketing erfolgen, um eine Interpretation der Resultate
10
11
Vgl. Gutenberg (1955), S. 238.
Vgl. Dyckhoff (2003), S. 706.
4
zur Ableitung von Erkenntnissen und Handlungsimplikationen für das Marketingmanagement zu ermöglichen.
1.2.
Forschungsfragen und Gang der Arbeit
Im Rahmen dieser Arbeit soll die Aussagekraft verschiedener Methoden der Effizienzmessung für das Marketing untersucht werden, um darauf aufbauend ein geeignetes Verfahren auszuwählen, umfassend darzustellen und anzuwenden. Um
dies zu erreichen, verfolgt die Arbeit die folgenden Forschungsziele.
Zuerst zielt die Arbeit darauf ab, die Effizienz als aussagekräftigen Performancemaßstab vorzustellen sowie eine begriffliche Klarheit durch Abgrenzung zu verwandten Begriffen zu schaffen. Dies wird als eigenständiges Ziel formuliert, da der Begriff
v.a. in der Praxisliteratur oft inflationär für unterschiedlichste Sachverhalte verwendet
wird.
In der Übertragung des Effizienzkonzeptes ins Marketing besteht eine zweite Zielsetzung der Arbeit. Hierfür gilt es, die Bezugsobjekte der Effizienzanalyse im Marketing
sowohl auf aggregierter (strategischer) als auch disaggregierter (operativer, instrumentenbezogener) Ebene herauszuarbeiten. Für jeden Bereich müssen die relevanten Inputs und Outputs identifiziert werden. Insbesondere soll der Blick dafür geschärft werden, dass auch Marketingeinheiten (Vertrieb, Markenmanagement etc.)
als produktive Systeme zu betrachten sind.
Als drittes Untersuchungsziel wird die Auswahl eines für das Marketing geeigneten
Verfahrens der Effizienzanalyse festgehalten. Hierfür sind die etablierten produktionstheoretischen Verfahren vor dem Hintergrund der Anforderungen an ein aussagekräftiges Instrument der Marketing-Performance-Analyse zu bewerten. Im Verlauf
der Untersuchung wird herausgearbeitet, dass sich von diesen Verfahren insbesondere die Data Envelopment Analysis (DEA) für einen breiten Einsatz im Marketing
eignet. Mit der DEA wird eine Randproduktionsfunktion der besten Einheiten (Frontier Function) bestimmt, die als Referenzmaßstab für die Effizienzbewertung dient.
Durch den Ausweis einer relativen Effizienz wird ein Benchmarking explizit in die
Performancebewertung integriert. Damit wird sie der Forderung nach Markt- und
Wettbewerbsorientierung als den zentralen Kennzeichen moderner Unternehmensführung gerecht.
Anschließend ist die ausgewählte Methode der Effizienzbewertung formal vorzustellen, wodurch die vierte Zielsetzung der Arbeit beschrieben wird. Hierbei wird großer
Wert auf den didaktischen Aspekt gelegt. Durch Verwendung eines durchgehenden
Zahlenbeispiels und grafischer Veranschaulichungen der Vorgehensweise der Effizienzmessung mittels DEA sollen die komplexen mathematischen Zusammenhänge
5
verständlich gemacht werden. Es wird hier gezeigt, dass der zentrale Vorteil der DEA
darin besteht, multiple Inputs und Outputs bei der Konstruktion der Randfunktion simultan berücksichtigen zu können. Dabei sind die Gewichte, mit denen die Inputs
und Outputs in die Bestimmung des Effizienzwertes eingehen, flexibel. Auf diese
Weise wird eine individuelle Effizienzoptimierung jeder untersuchten Einheit sichergstellt. Durch eine Bewertung in Bezug auf ähnliche Marketingeinheiten, die einen vergleichbaren Input- bzw. Output-Mix einsetzen, lassen sich die Ursachen der
festgestellten Ineffizienz identifizieren und realistische Verbesserungspotenziale aufdecken. Durch eine vergleichende Effizienzbewertung kann zudem bestimmt werden,
welche Einheiten (z. B. Vertriebsteams) wie stark für eine insgesamt festgestellte
Leistungslücke verantwortlich sind, wodurch der geforderten Accountability Rechnung getragen wird.
Mit dem empirischen Teil wird die fünfte Zielsetzung der Arbeit verfolgt, welche darin
besteht, die Aussagekraft der DEA zur Messung, Analyse und Gestaltung der Marketingperformance zu belegen. Dies erfolgt anhand dreier Anwendungen in den Bereichen Produkt-, Marken- und Vertriebsmanagement.
Zur Umsetzung des Forschungsvorhabens findet nach dieser Einleitung in Teil B der
Arbeit eine Abgrenzung der mit dem Effizienzbegriff eng zusammenhängenden Begriffe Produktivität und Effektivität statt (Kapitel B-1). Auf der Suche nach geeigneten
Verfahren wird dann die Vorgehensweise der Effizienzmessung dargestellt, deren
Grundlagen der Produktionstheorie entstammen (Kapitel B-2). Hier zeigt sich, dass
gerade im Marketing eine Ergänzung um entscheidungstheoretische Erkenntnisse
notwendig ist. Anschließend erfolgt eine umfassende Konzeptualisierung der Marketingeffizienz (Kapitel B-3).
Nachdem das theoretische Fundament gelegt und der Untersuchungsgegenstand
präzisiert wurden, widmet sich Teil C den Vorarbeiten, die notwendig sind, um eine
Methode der Effizienzmessung im Marketing vorschlagen zu können. Hierzu wird
zunächst herausgestellt, dass eine sinnvolle Leistungsbewertung grundsätzlich relativ erfolgen muss. Es wird argumentiert, dass das produktionsökonomische Grundprinzip der relativen Effizienzanalyse mit dem im (Marketing-)Management weit verbreiteten Konzept des Benchmarking eng verwandt ist (Kapitel C-1). Nach Darstellung traditioneller, kennzahlenbasierter Verfahren der relativen Effizienzmessung
nimmt die Diskussion der modernen, auf der Schätzung von Produktionsfunktionen
basierenden Methoden einen breiten Raum ein. Hier werden sowohl parametrische
als auch nicht parametrische Techniken behandelt und deren Vorgehensweisen, Besonderheiten und Beschränkungen diskutiert (Kapitel C-2). Zum Abschluss des Teils
C erfolgt nach Abwägung der Stärken und Schwächen aller Verfahren die Begründung dafür, dass die DEA als Methode für eine Performancebewertung im Marketing
6
zu bevorzugen ist. Das Kapitel C-2 soll den Leser zudem für eine kritische Betrachtung des Regressionsparadigmas sensibilisieren, welches sich lediglich an durchschnittlich leistungsfähigen Einheiten (Average Practice) orientiert.
Gegenstand von Teil D ist die DEA, welche dem Frontier-Paradigma folgt. Nach Herleitung und Veranschaulichung der Grundmodelle werden deren Beschränkungen
diskutiert und Weiterentwicklungen zur Behebung der Probleme dargestellt (Kapitel
D-1). Die meisten der dort vorgestellten Modelle bzw. Modellvarianten werden im
Rahmen der empirischen Untersuchungen angewendet. Teil D vermittelt außerdem
einen Überblick über existierende DEA-Studien im Marketing (Kapitel D-2). Insgesamt wird deutlich, dass die DEA bisher kaum im Marketing eingesetzt wurde. So
war etwa der Bereich des Markenmanagements überhaupt noch nicht Gegenstand
von Effizienzuntersuchungen. Auch bzgl. der anderen marketingpolitischen Instrumente kann noch nicht von einer etablierten Forschungsrichtung gesprochen werden. Basierend auf den identifizierten Forschungslücken werden drei Anwendungsobjekte ausgewählt, die Gegenstand der nachfolgenden empirischen Untersuchungen sind.
Der letzte Teil der Arbeit (Teil E) verfolgt das Ziel, die Aussagekraft der DEA für das
Marketingcontrolling nachzuweisen. Im Rahmen der Produktpolitik wird die Effizienz
von Mittelklasse-Automobilen aus Nachfragersicht untersucht, die sich als Maß für
den Customer Value verstehen lässt. Auf Basis der identifizierten Strategien der
Customer-Value-Generierung werden Teilmärkte abgegrenzt (Kapitel E-1). Die Untersuchung zur Analyse der Marken(führungs)effizienz soll verdeutlichen, welchen
Beitrag die DEA leisten kann, um etwa Overspendings für Markenführungsinstrumente aufzudecken (Kapitel E-2). Als letztes Untersuchungsobjekt werden Vertriebsteams herangezogen (Kapitel E-3). Hier werden durch den Vergleich der Ergebnisse
unterschiedlicher DEA-Modelle Aussagen über die Skalenerträge der Vertriebsteams
getroffen, die zeigen, ob eine Effizienzsteigerung durch Veränderung der Größe der
Vertriebsteams möglich ist.
Im abschließenden Kapitel (E-4) wird zusammengefasst, inwieweit eine Effizienzanalyse auf Basis produktionstheoretisch fundierter Methoden die eingangs geschilderten Nachteile klassischer Performance-Measurement-Ansätze vermeiden kann. Neben den Implikationen für die Managementpraxis werden offene Fragen der Marketingproduktivitätsforschung identifiziert.
7
B
Konzeptionelle und theoretische Grundlagen der
Effizienzanalyse
1.
Begrifflich-konzeptionelle Grundlagen der Effizienzanalyse
1.1.
Abgrenzung von Produktivität, Effizienz und Effektivität
In der Literatur werden die Begriffe Produktivität, Effizienz und Effektivität teilweise
ohne eine präzise Definition und Abgrenzung benutzt.12 Im einfachsten Verständnis
werden alle drei Begriffe synonym verwendet. Häufiger werden jedoch die Begriffe
Effizienz/Produktivität als austauschbar angesehen und gegenüber dem Begriff der
Effektivität abgegrenzt. Teilweise werden aber auch alle drei Begriffe differenziert.
Die verschiedenen Sichtweisen bzgl. dieses „Begriffs-Dreiklangs“ sollen im Folgenden strukturiert und das dieser Arbeit zu Grunde liegende Verständnis geklärt werden.
Gerade in der Wirtschaftspraxis und –presse degenerieren die Begriffe nicht selten
zu Worthülsen, die beliebig mit den subjektiv als passend angesehenen Bedeutungen gefüllt werden. Meist werden alle drei mehr oder weniger austauschbar als Synonym für allgemeine Konzepte wie Erfolg, Profitabilität oder Wettbewerbsvorteil verwendet ohne diese weiter zu präzisieren.13 Dies, obwohl in der wissenschaftlichen
Literatur zumindest bei der Definition des Effizienz- und Effektivitätsbegriffes noch
relativ große Übereinstimung besteht. So hat sich das Verständnis von Effizienz als
Verhältnis von tatsächlich erreichten Outputs zu den tatsächlich verwendeten Inputs
fest etabliert und ist gesetztes Wissen in den wirtschaftswissenschaftlichen Disziplinen.14 Effizienz reflektiert somit das ökonomische Prinzip und impliziert, angestrebte
Ziele mit sparsamstem Mitteleinsatz zu erreichen bzw. mit gegebenem Mitteleinsatz
die Zielerreichung zu maximieren.15 Eine Maßnahme ist folglich genau dann effizient,
wenn die „…verursachte Zustandsveränderung ohne Verschwendung geschieht, d.h.
eine weitergehende Zustandsverbesserung nur noch durch anderweitige Verschlechterung, d.h. die Erhöhung mindestens eines Inputs möglich wäre.“16 Die Bewertung
der Effizienz produktiver Einheiten ist stets abhängig von der verwendeten Produktionstechnologie und von den Umweltbedingungen. Hierauf wird in Kapitel B-2 ausführlich eingegangen. Wird der Effizienzbegriff in der Praxis überhaupt eigenständig
12
13
14
15
16
Für Beispiele vgl. Bohr (1993), S. 855; Lasslop (2003), S. 8 und Parsons (1994), S. 182.
Vgl. Steffenhagen (2003), S. 83.
Vgl. Debreu (1951); Farrell (1957); Koopmans (1951).
Vgl. Dyckhoff (2000); Steffenhagen (2003), S. 84.
Dyckhoff/Ahn (2001), S. 112.
8
verwendet, dann meist nur unter Betrachtung der Outputseite, eine Verbindung zu
den eingesetzten Inputs unterbleibt jedoch oft.17
In Abgrenzung zum Effizienzbegriff soll unter Effektivität lediglich der Grad der Zielerreichung verstanden werden, vom Umfang des zur Erreichung des Ziels notwendigen
Ressourceneinsatzes wird also vollständig abgesehen.18 Während Effizienz immer
eine Zweck-Mittel-Relation (Output-Input-Relation) widerspiegelt, beinhaltet Effektivität nur eine Output-Output-Relation und bildet den Grad der Übereinstimmung zwischen gewünschten Soll-Outputs (Zielvorgaben) und tatsächlichen Ist-Outputs (erreichte Zielwirkung) ab. Effektivität stellt damit den Aspekt der Wünschbarkeit í desirability í der Outputs in den Vordergrund und beschreibt die Wirksamkeit von Maßnahmen zur Erreichung erwünschter quantitativer und qualitativer Ziele.19
Viel größere Verwirrung besteht bei der Frage, in welchem Zusammenhang der Begriff der Produktivität zu den Begriffen Effizienz und Effektivität steht. Als Beleg für die
unklare oder sogar tautologische Verwendung der Begriffe Produktivität und Effizienz
sei Bucklin angeführt, wonach „…the productivity ratio…measures the efficiency with
which the resources are employed…“20. Solche Definitionen sind für eine Abgrenzung beider Begriffe wenig hilfreich. In der Literatur haben sich drei Auffassungen
herauskristallisiert. Ein großer Forschungsstrom verwendet Produktivität synonym mit
Effizienz und sieht beide Begriffe ganz allgemein nur als Output-Input-Quotient, wobei keine Einschränkungen bzgl. der Art der in den Quotienten einfließenden Inputund Outputgrößen (Mengen- vs. Wertgrößen) postuliert werden.21 Hier werden Effizienz bzw. Produktivität breit konzeptualisiert und als Beziehung zwischen Zielerreichung und allen eingesetzten Mitteln verstanden. Eine zweite Richtung von Definitionsansätzen sieht weiterhin beide Konzepte als Output-Input-Verhältnis. Allerdings
wird nun eingeschränkt, dass in ein Produktivitätsmaß lediglich physische Größen
eingehen, während ein Effizienzmaß ausschließlich aus monetären Input- und Outputgrößen gebildet wird.22 In dieser Fassung wird der Begriff der Produktivität definiert
als
Quotient
von
Ausbringungsmenge
und
Faktoreinsatzmengen(kombinationen) und ist als ein technisches (mengenmäßiges) Ergiebigkeitsmaß
zu interpretieren. Effizienz hingegen ist dann als Relation von Erträgen und Aufwen-
17
18
19
20
21
22
Es lassen sich zahlreiche Artikel finden, in deren Überschriften der Begriff Effizienz enthalten ist,
ohne dass irgendwo von Inputs und Outputs, geschweige denn von Output-Input-Verhältnissen
explizit oder auch nur im übertragenen Sinne die Rede ist. Eine präzise und korrekte Begriffsverwendung sucht man in der Regel vergeblich. Vgl. exemplarisch die zahlreichen „Effizienz“-Artikel
in den letzten Jahrgängen einschlägiger Praxis-Transfer-Zeitschriften wie Absatzwirtschaft, Marketing Journal, Horizont oder Planung & Analyse.
Vgl. Steffenhagen (2003); Westermann/Pröll/Cantner (1996), S. 77.
Vgl. Daum (2001), S. 9; Kleemann/Hammerschmidt (2006a), S. 250; Parsons (1994), S. 169.
Bucklin (1978a), S. 2.
Vgl. Bohr (1993), S. 855; Lasslop (2003), S. 8; Parsons (1994), S. 182.
Vgl. Bucklin (1978a), S. 2; Corsten (2004), S. 43.
9
dungen im Sinne von Wirtschaftlichkeit definiert.23 Beide bisherigen Definitionsrichtungen repräsentieren ein ausschließlich quantitatives Verständnis von Produktivität.
In der neuesten Zeit kristallisiert sich v.a. im Marketing eine dritte Strömung heraus,
die Produktivität als zweidimensionales Konzept versteht, in das Effizienz und Effektivität als Teilaspekte eingehen.24 Hier ist Produktivität nicht mehr ein Verhältnis von
tatsächlichen Outputs zu tatsächlichen Inputs, sondern eine Relation zwischen erwünschten Outputs und Inputs von Aktivitäten.25 Damit fließen strategische bzw. planerische Aspekte in die Ermittlung der Produktivität ein. Diese breite Konzeptualisierung der Produktivität führt zu einem Maß der Gesamtleistung (overall performance)
eines Unternehmens und beinhaltet sowohl eine qualitative als auch eine quantitative
Evaluierung der Outputs und Inputs. Produktivität ist dann als „effektive Effizienz“
oder „effiziente Effektivität“ zu verstehen. Übertragen auf das Marketingmanagement
hieße dies etwa, zufriedene Kunden durch überlegene Nutzenstiftung zu schaffen
(Marketing ist effektiv) und dafür niedrige Marketingkosten einzusetzen (Marketing ist
effizient).26
In Anbetracht der hohen Subjektivität und somit einer sehr schwierigen Messbarkeit
eines zweidimensionalen Produktivitätsmaßes, in welches auch qualitative Effektivitätsüberlegungen einfließen, folgt die vorliegende Arbeit der Literaturrichtung, die
Produktivität und Effizienz als synonym betrachtet. Dabei werden sowohl wert- als
auch mengenmäßige Input- und Outputarten einbezogen, wobei unter mengenmäßige Inputs und Outputs auch qualitative Größen fallen. Der zentrale Stellenwert der
Wünschbarkeit der Ergebnisse für die Bewertung der Effektivität zeigt, dass Effektivität ein subjektives und nicht so deutlich abgrenzbares Konzept wie die Effizienz darstellt.27 Es kann aufgrund der Vielfalt der Marketing- und Unternehmensziele nur unter Kenntnis organisations- und marktspezifischer Gegebenheiten sinnvoll bestimmt
werden.
Die grundlegend unterschiedliche inhaltliche Ausrichtung beider Konzepte impliziert,
dass jeweils andere Managementebenen bzw. Organisationseinheiten für die Steuerung dieser beiden Performancedimensionen zuständig sind. Effektivität ist im Sinne
eines „doing the right things“ strategisch ausgerichtet und eine Voraussetzung für
das langfristige Überleben eines Unternehmens.28 Effizienz ist im Sinne eines „doing
things right“ hingegen eher operativ ausgerichtet und Voraussetzung für die Wahrung
des ökonomischen Prinzips, das eine verschwendungsfreie Ressourcennutzung und
23
24
25
26
27
28
Vgl. Hoitsch (1993), S. 23 f.
Vgl. Daum (2001), S. 8 f.; Golany et al. (1990), S. 90; Neely et al. (1995), S. 80; Parsons (1994),
S. 169 ff.
Vgl. Sheth/Sisodia (1995a), S. 11.
Vgl. Kleemann (2004), S. 14 f.; Sheth/Sisodia (2002), S. 349.
Vgl. Mosley/Schütz/Schmid (2003), S. 25.
Vgl. Drucker (1974), S. 45; Hofer/Schendel (1984), S. 2.
10
somit das wirtschaftliche Überleben eines Unternehmens sicherstellt.29 Es macht daher Sinn, Effizienz und Effektivität als getrennte Konzepte zu betrachten. So ist auch
zu argumentieren, dass das Streben nach Effektivität, d.h. die Verfolgung langfristig
gewünschter (richtiger) Ziele, irrelevant ist, wenn das Unternehmen aufgrund von
Verschwendung kurzfristig nicht überleben kann. „[B]ecause these two dimensions of
performance may not converge and can even be inversely related in the short run,
firms make important trade off decisions in emphasizing either effectiveness or efficiency in their marketing goal setting and resource allocation.”30
1.2.
Differenzierte Effizienzkonzepte
1.2.1.
Totale und partielle Effizienz
In der Literatur wird zwischen Gesamtproduktivität und Teilproduktivitäten unterschieden. Eine Produktivitätskennzahl, die alle Inputfaktoren einer Aktivität (Einsatzfaktoren) einbezieht, wird als totale Faktorproduktivität bezeichnet.31 Die Bestimmung
dieser Kennzahl erfordert eine Gewichtung der Inputs xi mit einem Gewicht vi (i =
1,…,m), wie die folgende Formel verdeutlicht.
(1)
Totale Faktorproduktivität =
y
v 1x1 + v i xi + ... + v m xm
Der Nenner ist hier ein gewichteter Durchschnitt aller eingesetzten Ressourcen.
Zeichnet sich der Produktionsprozess zudem auch durch die Produktion mehrerer
Outputs aus, so sind diese ebenfalls zu gewichten und zu aggregieren. Die Produktivität, die dann üblicherweise als multiple input/multiple output productivity bezeichnet
wird, versteht sich als Verhältnis von gewichteten Outputs zu gewichteten Inputs. Die
Bestimmung solcher Kennzahlen stößt in der Praxis jedoch oft auf die Schwierigkeit,
dass sich die Input- und Outputseite in der Regel aus heterogenen Faktoren zusammensetzen, deren Einsatzmengen sich aufgrund verschiedener Dimensionen, Qualitäten etc. nicht einfach zu einem Gesamtinput addieren lassen.32 Zudem müssen die
Gewichte festgelegt werden, was in der Praxis insbesondere bei Fehlen objektiver
Bewertungen in Form von Input- bzw. Outputfaktorpreisen mit großen Schwierigkeiten verbunden ist. Um diese Probleme zu umgehen, greift man zumeist auf Teilproduktivitäten (auch: partielle Faktorproduktivitäten) wie etwa Arbeits- oder Kapitalproduktivität zurück, die die Beziehungen zwischen einem Input und einem Output be-
29
30
31
32
Vgl. Dellmann/Pedell (1994), S. 25; Dyckhoff/Ahn (2001), S. 112.
Vorhies/Morgan (2003), S. 103.
Vgl. Coelli et al. (2005), S. 3; Parsons (1994), S. 173.
Vgl. Corsten (2004), S. 43; Gutenberg (1975), S. 311.
11
schreiben.33 Die Teilproduktivität eines bestimmten Inputs i ist durch das Verhältnis
der Ausbringungsmenge y zu der Einsatzmenge des Inputs ( xi ) definiert, d.h.
durch:
(2)
Partielle Faktorproduktivität =
y
.
xi
Die partielle Faktorproduktivität gibt somit an, wie viele Einheiten des Outputs pro
Einheit des Inputs i produziert werden. Bei isolierter Betrachtung sind die Teilproduktivitätsmaße jedoch für eine Indikation der Gesamtproduktivität untauglich. Außerdem können Ursachen für Produktivitätsveränderungen nicht exakt lokalisiert
werden. Unter Umständen werden Outputveränderungen fälschlicherweise nur dem
betrachteten Einsatzfaktor zugeschrieben. Bei strukturellen Veränderungen des
Wertschöpfungsprozesses könnte dies zu Fehlentscheidungen führen.34 Die Problematik der Gewichtung und Aggregation der Inputs und Outputs zur Messung der Gesamtproduktivität wird ausführlich im Rahmen dieser Arbeit diskutiert. Sie wird wesentlich die Auswahl eines geeigneten Verfahrens zur Effizienzmessung im Marketing bestimmen.
1.2.2.
Absolute und relative Effizienz
Die Ermittlung der absoluten Effizienz ist möglich, wenn technische Standards oder
Normen existieren, die festlegen, wie und wo im Input-Output-Raum die wahre, objektiv richtige Produktionsfunktion verläuft und welches Output-Input-Verhältnis theoretisch maximal erreichbar ist. Aktivitäten, die auf dieser (in der Regel aber unbekannten) Produktionsfunktion liegen und somit die maximal mögliche Effizienz erreichen, werden als absolut effizient bezeichnet.35 Bei Vorhandensein von Standards
kann unabhängig von beobachteten Aktivitäten eine Aussage über die Effizienz getroffen werden. Ein Effizienzwert wäre dann auch in dem Extremfall bestimmbar, in
dem keine alternativen Aktivitäten existieren. Möglicherweise sind solche theoretisch
möglichen Beziehungen zwischen Inputs und Outputs dann fiktiv und in der Realität
nicht erreichbar.36
Ist die einer betrachteten Aktivität zu Grunde liegende „Technologie“ der InputOutput-Transformation jedoch unbekannt, was außerhalb des Fertigungsbereichs
den Regelfall darstellen dürfte, so kann die Effizienz von Aktivitäten nur in Bezug zu33
34
35
36
Vgl. Hoitsch (1993), S. 23; Parsons (1994), S. 173. Einsatzfaktoren werden klassischerweise in
Arbeit, Boden und Kapital inkl. Humankapital (sowie evtl. Material) unterschieden; vgl. Gutenberg
(1975), S. 28.
Vgl. Dellman/Pedell (1994), S. 17 f.
Vgl. Cook/Johnston/McCutcheon (1992), S. 230; Kreuder (2003), 24 f.
Vgl. Dyckhoff (1993), Sp. 63.
12
einander bestimmt werden.37 Eine Aktivität wird dann durch die Gegenüberstellung
zu irgendeiner beobachteten Referenzaktivität als effizient oder ineffizient bezeichnet. In diesem Fall ist Effizienz ein relatives Konzept, da Effizienzaussagen für eine
Menge von Einheiten nur noch über den Vergleich der Produktivitätskennzahlen dieser Einheiten getroffen werden können.38 Daraus wird deutlich, dass dem ökonomischen Konzept der Effizienz, da es fast ausschließlich nur als relative Effizienz bestimmbar ist, eine Benchmarkingorientierung inhärent ist. Hier zeigt sich eine enge
Verbindung von ökonomischer Theorie und Betriebswirtschaftslehre. Relative Ineffizienz gibt damit an, wie viel besser die Referenzeinheit abschneidet, d.h. wie viel
mehr Output diese für denselben Input erzeugt bzw. wie viel weniger Inputs diese
benötigt, um denselben Output zu produzieren. Die Input- und Outputwerte des Vergleichsmaßstabes können als Zielvorgaben für ineffiziente Einheiten dienen, anhand
derer Leistungslücken identifizierbar sind. Dies impliziert, dass eine Input-OutputBeziehung regelmäßig nur empirisch ermittelt, d.h. auf Basis der Daten der beobachteten Realisationen geschätzt werden kann. Zur Effizienzbewertung müssen daher
Aktivitäten herangezogen werden, die die gleiche Technologie zur Input-OutputTransformation und die gleichen Arten von Inputs und Outputs einsetzen.39
Vergleichsmaßstäbe können dabei zum einen verschiedene Aktivitäten derselben
Wertschöpfungseinheit in verschiedenen Zeitperioden sein (z.B. verschiedene Besuchstouren eines Vertriebsteams oder verschiedene Promotionmaßnahmen für ein
Produkt). Zum anderen können Aktivitäten verschiedener Einheiten innerhalb einer
Organisation (interner Vergleich) oder mehrerer unterschiedlicher Organisationen
(externer Vergleich) herangezogen werden. Als Hauptproblem der Effizienzmessung
ist dabei die Auswahl der richtigen, d.h. auch wirklich vergleichbaren Entscheidungseinheiten. Es ist hier prinzipiell zu fordern, dass diese Auswahl nicht im subjektiven
Ermessen einzelner Entscheidungsträger liegt und damit mehr oder weniger willkürlich erfolgt, sondern möglichst durch eine quantitativ fundierte Methode gestützt wird,
deren Auswahlalgorithmus intersubjektiv nachvollziehbar ist. Hierauf wird im Rahmen
der Diskussion von Verfahren zur Effizienzmessung noch ausführlich zurückzukommen sein.
1.2.3.
Technische, allokative, ökonomische und Skaleneffizienz
Im Folgenden wird der Begriff der Effizienz weiter differenziert. Dabei liegt den Überlegungen, wie auch der gesamten weiteren Arbeit, der relative Effizienzbegriff zu
Grunde.
37
38
39
Vgl. Dyckhoff (2000), S. 176 f.
Vgl. Cantner/Hanusch (1998), S. 228 f.
Vgl. Dyckhoff/Ahn (2001), S. 114 f.
13
Von technischer Effizienz spricht man, wenn eine Aktivität in der Lage ist, ein bestimmtes Outputniveau bei geringstem Einsatz von Inputs, also verschwendungsfrei
zu erreichen. Diese Art der Effizienz kann somit von jeder ineffizienten Einheit ohne
Änderungen des Input-Mixes, d.h. des Einsatzverhältnisses der Inputs, erreicht werden. Beantwortet wird hier die Frage, ob im Produktionsprozess die besten bekannten Verfahren eingesetzt werden.40
Während zur Analyse der technischen Effizienz nur reale (physische) Größen benötigt werden, erfordert die Analyse allokativer Effizienz die Einbeziehung von Marktpreisen. Von allokativer Effizienz spricht man, wenn eine Einheit die Inputs in bezüglich der Faktorpreise optimalen Proportionen einsetzt. Die Analyse allokativer Effizienz ermöglicht somit Aussagen darüber, ob eine rein technisch effiziente Aktivität
für ein Unternehmen auch profitabel ist, und erlaubt auf diese Weise eine Auswahl
zwischen verschiedenen rein technisch effizienten Aktivitäten.41 Die Betrachtung allokativer Effizienz erlaubt die optimale Verteilung vorgegebener und kurzfristig nicht
veränderbarer Ressourcen auf verschiedene Aktivitäten. Die Eliminierung allokativer
Ineffizienz kann damit u.U. auch eine Veränderung des Input-Mixes entsprechend
der relativen Preise erforderlich machen. So ist bei höherem relativen Preis von Input
x1 dessen Einsatzmenge zugunsten des billigeren Inputs x2 zu senken. Daher wird
allokative Effizienz auch als mix efficiency bezeichnet.42 Ist eine Einheit technisch
und allokativ effizient, so produziert diese mit minimalen Kosten bzw. maximalem
Profit und wird dann als ökonomisch effizient (kosteneffizient) bezeichnet.43 Da die
meisten Outputs von Marketingaktivitäten nicht auf Märkten gegen Preise gehandelt
werden und auch viele Inputs nicht monetär bewertbar sind, soll allokative und folglich ökonomische Effizienz in dieser Arbeit nicht betrachtet werden. Wenn von Effizienz gesprochen wird, ist daher immer, falls nicht anders ausgewiesen, (relative)
technische Effizienz gemeint.44
Der Begriff der Skaleneffizienz bezieht sich auf das Skalenniveau bzw. die „Betriebsgröße“ einer Aktivität. Im Marketingkontext ist mit diesem Begriff die Größe gemeint,
mit der bestimmte Marketingaktivitäten bzw. -organisationseinheiten „betrieben“ werden, also etwa die Größe eines Vertriebsteams oder einer Werbeanzeige. Eine Akti-
40
41
42
43
44
Vgl. Cubbin/Tzanidakis (1998), S. 39; Padberg/Werner (2005), S. 216.
Vgl. Kreuder (2003), S. 26. Die Unterscheidung von technischer und allokativer Effizienz geht auf
Farrell (1957), S. 255 zurück, der letztere als „price efficiency“ bezeichnet.
Vgl. Weston (1976).
Vgl. Porembski (2000), S. 86.
Wenn allerdings für die Input- und Outputseite nur auf monetäre Größen zurückgegriffen wird,
stellt sich die Problematik der Unterscheidung in ökonomische und technische Effizienz nicht
mehr. Dann wäre auch das Multidimensionalitäts- und Gewichtungsproblem gelöst, da auf beiden
Seiten die Größen unmittelbar zu einem aggregierten Input (Kosten) bzw. Output (Erlös) zusammengefasst und die gewinnmaximalen Aktivitäten bestimmt werden können. Vgl. Bucklin (1978a),
S. 1.
14
vität mit optimalem Skalenvolumen wird als skaleneffizient bezeichnet. Ist eine Einheit im Verhältnis zum optimalen Volumen jedoch zu groß oder zu klein, wird sie als
skalenineffizient bezeichnet. Beantwortet wird hier die Frage, ob durch Zusammenschlüsse von Objekten Vor- oder Nachteile hinsichtlich der Effizienz entstehen. Skalenineffiziente Aktivitäten liegen stets in Bereichen zunehmender oder abnehmender
Skalenerträge.45 Skalenerträge sind Outputveränderungen, die durch Größenvariation aller Inputfaktoren entstehen. Verursacht eine Steigerung der Inputs eine genau
proportionale Erhöhung der Outputs, liegen konstante Skalenerträge vor. Im wahrscheinlichsten Fall folgt bei einer Verdopplung aller Inputs weniger als eine Verdopplung der Outputs. Hier ist von sinkenden Skalenerträgen zu sprechen. Objekte, die
im Bereich sinkender Skalenerträge operieren, sind somit zu groß und könnten ihr
Output-Input-Verhältnis – konstante technische Effizienz vorausgesetzt – allein durch
Reduktion des Skalenniveaus (der Betriebsgröße) verbessern. Seltener zu beobachten ist eine Situation, bei der eine Erhöhung der Inputs um einen Faktor eine Steigerung der Outputs um einen höheren Faktor nach sich zieht, was als steigende Skalenerträge zu interpretieren ist.46 Hier liegt die Einheit unterhalb der optimalen Betriebsgröße. Es ist somit eine Größe des Untersuchungsobjektes anzustreben, welche die Input-Output-Struktur optimiert.47
Eine Aktivität, die sowohl rein technisch effizient als auch skaleneffizient ist, wird als
gesamteffizient bezeichnet. Die Gesamteffizienz einer Aktivität ergibt sich aus der
multiplikativen Verknüpfung von technischer Effizienz und Skaleneffizienz.48
1.3.
Marketingeffizienz
Ein umfassendes Verständnis der Marketingeffizienz muss alle im Marketing eingesetzten Ressourcen (Inputs) zu den damit erreichten Ergebnissen (Outputs) in Relation setzen. Im Marketingbereich, als einem funktionsübergreifenden Bereich mit verschiedenen Zielsetzungen und zahlreichen internen und externen Einflussgrößen, ist
dabei realistischerweise von mehrdimensionalen Inputs und Outputs auszugehen.49
Dabei hängt die Anzahl der für eine Effizienzanalyse relevanten Faktoren von der
betrachteten Aggregationsebene ab. Sie wird umso geringer, je höher aggregiert die
betrachtete Marketingeinheit ist. Von der Aggregationsebene und den damit verbundenen Marketingzielen ist zudem abhängig, ob die Inputs und Outputs materieller
und/oder immaterieller Art sind.
45
46
47
48
49
Vgl. hierzu ausführlich Abschnitt B-3.1.3.
Vgl. Scheel (2000), S. 41 ff.
Vgl. Alpar et al. (2000), S. 479.
Vgl. Färe/Grosskopf/Lovell (1985).
Vgl. Bhargava/Dubelaar/Ramaswami (1994), S. 235.
15
Auf einer hoch aggregierten Ebene (etwa bei Betrachtung des gesamten Marketingbereichs bzw. ganzer Instrumentalbereiche) lassen sich möglicherweise alle Inputs
und Outputs in Geldeinheiten ausdrücken, etwa in Form von Marketingaufwendungen (Input) und Umsätzen/Deckungsbeiträgen (Outputs). Dann kann unter Marketingeffizienz - dem klassischen ROI-Konzept folgend - der Return on Marketing Investments verstanden werden. Bei Vorliegen monetärer Größen kann auch der ROI
einzelner Instrumente wie etwa der Return on Advertising, Return on Sales etc. bestimmt werden.50 In der Regel werden aber zur vollständigen Effizienzbewertung im
Marketing, v.a. bei Betrachtung einzelner Aktivitäten wie Werbekampagnen oder
Verkaufsaktionen, zusätzlich auch nicht finanzielle Größen einzubeziehen sein, die
nicht unmittelbar oder zumindest nicht eindeutig in Geldeinheiten umgerechnet werden können.51 Die Vielzahl der institutionellen und funktionalen Teilbereiche des
Marketing mit der Folge einer großen Menge möglicher Output- und Inputgrößen erfordert eine differenzierte Betrachtung der Objektbereiche der Marketingeffizienzanalyse, die genauer in Kapitel B-3 entwickelt wird.
Um ein generelles, universell anwendbares Verständnis der Marketingeffizienz zu
Grunde zu legen, welches später die Integration aller Arten von Inputs und Outputs
erlaubt und dann je nach Anwendungsbereich spezifiziert werden kann, soll Marketingeffizienz folgendermaßen konzeptualisiert werden:52
(3)
Marketingeffizienz =
gewichtete Marketing - Outputs
gewichtete Marketing - Inputs
Die Gewichte für die Outputs und Inputs reflektieren dabei die Tatsache, dass die
einzelnen Untersuchungseinheiten (z.B. Vertriebsteams, Werbekampagnen) die
Marketinginstrumente in Form der Inputs mit unterschiedlicher Intensität einsetzen,
um die Marketingziele (etwa Steigerung des Bekanntheitsgrades, Verbesserung der
Einstellung, Erhöhung der Kundenbindung, Gewinnung neuer Kunden) zu erreichen.
So versuchen z.B. bestimmte Kampagnen durch möglichst häufige Wiederholungen,
andere etwa durch längere Spots eine hohe Werbewirkung zu erreichen. Auch die
angestrebten Ziele in Form der Outputgrößen können in ihrer Priorität differieren
(z.B. hoher Bekanntheitsgrad vs. hohe Aktivierung). Die Gewichte reflektieren somit
unterschiedliche Gestaltungskonzepte bzw. Marketingstrategien.
Im Rahmen der Arbeit gilt es, eine Methode zu identifizieren, die diese unterschiedlichen Gewichtungen der Leistungsparameter, die in individuellen Stärken und
Schwächen resultieren, bei der Effizienzbewertung adäquat abbildet. Sie muss bei
der Effizienzbestimmung ein hohes Maß an Flexibilität aufweisen, um sich bestmög50
51
52
Vgl. Rust/Lemon/Zeithaml (2004).
Vgl. Morgan/Clark/Gooner (2002), S. 363; Neely (2004), S. 5.
Vgl. Bucklin (1978b), S. 3; Murthi/Srinivasan/Kalyanaram (1996), S. 330; Parsons (1994), S. 174.
16
lich an die Datenlage des entsprechenden Anwendungsbereichs anzupassen und
realistische und faire Aussagen zu ermöglichen. Insbesondere sollte die Verwendung
exogener (und damit stets subjektiver) Gewichtungen vermieden werden, die eine
breite Akzeptanz der Effizienzergebnisse beeinträchtigen würden. Der Idee der relativen Effizienz folgend, sollte sich die Beurteilung an den bestehenden unternehmensinternen (etwa beim Vergleich verschiedener Werbekampagnen einer Produktgruppe) oder externen, marktbezogenen (etwa beim Vergleich eigener Werbekampagnen mit denen der Konkurrenz) Alternativen ausrichten. Eine Einheit sollte erst
dann als ineffizient ausgewiesen werden, wenn eine andere Referenzeinheit mit ähnlichem Instrumenteneinsatz und ähnlichen Zielpriorisierungen existiert, die dafür jedoch weniger Inputs benötigt und/oder höhere Outputs erreicht.
Eine Orientierung an realisierten Erfolgen vergleichbarer Objekte statt hypothetischen Maßstäben ermöglicht zudem die Berechnung erreichbarer Effizienzsteigerungen. Dabei sollten als Benchmark allerdings bestpraktizierende Marketingeinheiten und nicht eine durchschnittlich leistungsfähige Einheit gewählt werden. Eine solche Vorgehensweise ist sinnvoll, da sie dem Postulat der Wettbewerbs- und Marktorientierung als der Grundphilosophie des Marketing entspricht. Dabei ist zu berücksichtigen, dass allein der interne Wettbewerb einen oftmals schon ausreichend disziplinierenden Maßstab einer vergleichenden Effizienzbewertung darstellen kann. Die
genannten Anforderungskriterien leiten die Auswahl einer Effizienzanalysemethode
im Rahmen dieser Arbeit. Sie werden an vielen Stellen der Arbeit aufgegriffen und
konkretisiert.
Abschließend sei hervorgehoben, dass die bisherigen Ausführungen auf ein anbieterbezogenes Verständnis der Marketingeffizienz abstellen. Hier wird die interne Effizienz des Marketing als einer unternehmerischen Funktion, d.h. ein Verhältnis aus
erreichten (monetären oder nicht monetären) Marketingergebnissen und dafür eingesetzten Ressourcen betrachtet. Diese Perspektive zielt auf eine Beurteilung der Wirtschaftlichkeit der Marketingmaßnahmen ab. Im Gegensatz dazu kann Marketingeffizienz auch aus Perspektive der Nachfrager, auf die letztlich alle Marketingaktivitäten
abzielen, betrachtet werden. Marketing ist danach effizient, wenn es für Kunden einen maximalen Wert (Customer Value) stiftet. Oder wenn die durch das Marketing
bereitgestellten Produkte oder Dienstleistungen dazu beitragen, dass Nachfrager mit
deren Erwerb und der Nutzung einen maximalen Value (Effizienzwert) für sich erzeugen können. Dies ist dann der Fall, wenn ein Produkt ein Maximum an Outputs
(Leistungseigenschaften) für zu erbringende Inputs (Kaufpreis, Nutzungskosten) in
Relation zu den erhältlichen Alternativen bietet.53 Diese nachfragerorientierte Perspektive der Marketingeffizienz, die v.a. im Rahmen der Produktpolitik gleichberech53
Vgl. Bauer/Sauer/Hammerschmidt (2005), S. 2.
17
tigt neben die unternehmensbezogene Sichtweise treten muss, wird im Rahmen der
Arbeit ausführlich entwickelt. Sie entspricht einer in jüngster Zeit zunehmend propagierten Logik im Marketing, wonach Unternehmen nur noch als Co-Produzenten fungieren, die den Nachfragern Wertangebote unterbreiten und Kunden bei der Maximierung ihres wahrgenommenen Wertes unterstützen.54 Produkte bzw. die produktpolitischen Aktivitäten stellen nach diesem Verständnis Instrumente dar, um die
Kauf- und Konsumeffizienz der Nachfrager zu erhöhen.
2.
Allgemeine theoretische Fundierung der Effizienzanalyse
Der Begriff Effizienz und die Problematik der Effizienzmessung haben ihren Ursprung
in der Produktionstheorie und werden auch in der Entscheidungstheorie thematisiert.
Zunächst werden in den Abschnitten B-2.1.1 bis B-2.1.4 die Grundbegriffe und die zu
treffenden Annahmen der Effizienzmessung aus produktionstheoretischer Perspektive erläutert. In B-2.1.5 werden die Grundprinzipien und die Vorgehensweise der Effizienzmessung für den einfachen Fall mit einem Input und einem Output dargestellt.
Die Probleme, die entstehen, wenn multiple Inputs und Outputs zu einem Effizienzmaß aggregiert werden müssen, werden zum Abschluss von B-2.1.5 aufgegriffen.
Zur Lösung der Schwierigkeiten ist eine Ergänzung der Produktionstheorie um entscheidungstheoretische Erkenntnisse notwendig; diese werden daher in Abschnitt B2.2 knapp dargestellt. Zur Veranschaulichung der in diesem Kapitel erarbeiteten Erkenntnisse wird ein Zahlenbeispiel für elf fiktive Entscheidungseinheiten eingeführt,
welches im Verlauf der Arbeit fortgeführt und erweitert wird.
2.1.
Produktionstheoretische Grundlagen
2.1.1.
Produktionsbegriff und dessen Übertragung auf das Marketing
Gegenstand der Produktionstheorie ist die Analyse von Produktionsprozessen, die
als zielgerichtete Kombination und Transformation von Produktionsfaktoren (Einsatzgütern, Inputs) zu Ausbringungsgütern (Leistungen, Outputs) nach bestimmten Verfahren zu verstehen sind.55 Von der grundlegenden Gutenbergschen Einteilung der
Produktionsfaktoren in Elementarfaktoren und dispositive Faktoren ausgehend,56
existiert in der Literatur eine große Zahl weiterführender Systematisierungsansätze.
So findet sich häufig die Unterscheidung in Potenzialfaktoren (materielle und immaterielle Betriebsmittel, menschliche Arbeitsleistung) und Repetierfaktoren (Werkstoffe,
54
55
56
Vgl. Vargo/Lusch (2004), S. 3.
Vgl. Fandel (2005), S. 1 f.; Hoitsch (1993), S. 3 ff.
Vgl. Gutenberg (1951).
17
tigt neben die unternehmensbezogene Sichtweise treten muss, wird im Rahmen der
Arbeit ausführlich entwickelt. Sie entspricht einer in jüngster Zeit zunehmend propagierten Logik im Marketing, wonach Unternehmen nur noch als Co-Produzenten fungieren, die den Nachfragern Wertangebote unterbreiten und Kunden bei der Maximierung ihres wahrgenommenen Wertes unterstützen.54 Produkte bzw. die produktpolitischen Aktivitäten stellen nach diesem Verständnis Instrumente dar, um die
Kauf- und Konsumeffizienz der Nachfrager zu erhöhen.
2.
Allgemeine theoretische Fundierung der Effizienzanalyse
Der Begriff Effizienz und die Problematik der Effizienzmessung haben ihren Ursprung
in der Produktionstheorie und werden auch in der Entscheidungstheorie thematisiert.
Zunächst werden in den Abschnitten B-2.1.1 bis B-2.1.4 die Grundbegriffe und die zu
treffenden Annahmen der Effizienzmessung aus produktionstheoretischer Perspektive erläutert. In B-2.1.5 werden die Grundprinzipien und die Vorgehensweise der Effizienzmessung für den einfachen Fall mit einem Input und einem Output dargestellt.
Die Probleme, die entstehen, wenn multiple Inputs und Outputs zu einem Effizienzmaß aggregiert werden müssen, werden zum Abschluss von B-2.1.5 aufgegriffen.
Zur Lösung der Schwierigkeiten ist eine Ergänzung der Produktionstheorie um entscheidungstheoretische Erkenntnisse notwendig; diese werden daher in Abschnitt B2.2 knapp dargestellt. Zur Veranschaulichung der in diesem Kapitel erarbeiteten Erkenntnisse wird ein Zahlenbeispiel für elf fiktive Entscheidungseinheiten eingeführt,
welches im Verlauf der Arbeit fortgeführt und erweitert wird.
2.1.
Produktionstheoretische Grundlagen
2.1.1.
Produktionsbegriff und dessen Übertragung auf das Marketing
Gegenstand der Produktionstheorie ist die Analyse von Produktionsprozessen, die
als zielgerichtete Kombination und Transformation von Produktionsfaktoren (Einsatzgütern, Inputs) zu Ausbringungsgütern (Leistungen, Outputs) nach bestimmten Verfahren zu verstehen sind.55 Von der grundlegenden Gutenbergschen Einteilung der
Produktionsfaktoren in Elementarfaktoren und dispositive Faktoren ausgehend,56
existiert in der Literatur eine große Zahl weiterführender Systematisierungsansätze.
So findet sich häufig die Unterscheidung in Potenzialfaktoren (materielle und immaterielle Betriebsmittel, menschliche Arbeitsleistung) und Repetierfaktoren (Werkstoffe,
54
55
56
Vgl. Vargo/Lusch (2004), S. 3.
Vgl. Fandel (2005), S. 1 f.; Hoitsch (1993), S. 3 ff.
Vgl. Gutenberg (1951).
18
Energie).57 Gleiches gilt für die Klassifizierung der Produktionsergebnisse (Outputs),
die sich im einfachsten Fall als Menge erstellter Sachgüter erfassen lassen, vielfach
jedoch auch immaterielle Outputs (Dienstleistungen bzw. im Marketing die Veränderung unternehmerisch relevanter Zielgrößen) umfassen.58 In einem engen Begriffsverständnis analysiert die Produktionstheorie jedoch nur die Prozesse bzw. Beziehungen zwischen dem realen Aufwand und dem realen Ertrag.59
Gerade im Kontext des Marketing ist der klassische, enge Begriff der Produktion als
technischer Prozess einer Transformation materieller Inputs in materielle Outputs zu
erweitern und generisch zu verstehen.60 Dieses verallgemeinerte Verständnis wird in
seinen Grundzügen bereits von Gutenberg vertreten, der die Absatzaktivitäten als
Produktionsprozesse beschreibt, im Rahmen derer die Marketinginputs in Form der
vier absatzpolitischen Instrumente kombiniert werden, um akquisitorisches Potenzial
- verstanden als besondere Präferenz der Abnehmer für die Produkte eines Herstellers - als Output zu erzeugen. Die Zusammenhänge zwischen den Inputs (als unabhängige Variablen) und dem Output (als abhängige Variable) lassen sich nach Gutenberg auch in Form einer klassischen Produktionsfunktion y = f ( x 1, x2 , x3 , x 4 ) beschreiben.61 Auch Heinen versteht unter Produktion im weitesten Sinne den gesamten betrieblichen Wertschöpfungsprozess von der Beschaffung über die Leistungserstellung bis hin zur Leistungsverwertung.62 Auch das Marketing ist somit Teil des
Wertschöpfungsprozesses als einem durch Menschen veranlassten, systematisch
vollzogenen Transformationsprozess, der nicht der unmittelbaren Befriedigung eigener Bedürfnisse dient. Daher finden auch im Marketing Produktionsprozesse statt.
Im neueren Schrifttum zum Stand der Produktionstheorie sind vor allem die Arbeiten
von Dyckhoff zu erwähnen, der aufbauend auf den Desiderata von Fandel 63, Schneider 64 und Schneeweiß65 ebenfalls fordert, die traditionelle, von ihm als Spezielle Produktionstheorie bezeichnete Konzeption um eine Allgemeine Produktionstheorie zu
ergänzen, die einen Teilbereich der Unternehmenstheorie bzw. der Allgemeinen
BWL darstellt.66 Er kritisiert an der Speziellen Produktionstheorie die fehlende Einbeziehung von Managementprozessen, die Beschränkung auf quantitative Größen, die
ungenügende Erfassung von immateriellen Leistungen durch Beschränkung auf die
57
58
59
60
61
62
63
64
65
66
Vgl. Corsten (2004), S. 8 ff; Hoitsch/Lingnau (2004), S. 19-25.
Vgl. Corsten (2004), S. 13; Kreuder (2003), S 6 f.
Vgl. Allen (2002), S. 33; Dyckhoff (2003), S. 705 ff.
Vgl. Dyckhoff (2003), S. 708 f.
Vgl. Gutenberg (1955), S. 238. Ursprünglich wurden von Gutenberg die Instrumente Produktdifferenzierung, Kommunikationspolitik, Kundendienstpolitik, Lieferungs- und Zahlungspolitik als unabhängige Variablen betrachtet.
Vgl. Heinen (1965), S. 118 f.
Vgl. Fandel (1980).
Vgl. Schneider (1997), S. 332 ff.
Vgl. Schneeweiß (2002a), S. 94 ff.; Schneeweiß (2002b), S. 201 ff.
Vgl. Dyckhoff (1994), S. 34 ff.; Dyckhoff (2000), S. 1 ff.; Dyckhoff (2003); Dyckhoff (2006).
19
Erbringung von Sachleistungen, einen zu hohen Aggregationsgrad und die resultierende geringe empirische Erfassbarkeit der verwendeten Größen.67 Daher ist die traditionelle Produktionstheorie ein Korsett, welches auf bestimmte Funktionsbereiche
(wie das Marketing) und bestimmte aktuelle Entwicklungen (wie die Forderung, die
Produktivität von Marketingaktivitäten nachzuweisen) nicht anwendbar ist.
Mit der Allgemeinen Produktionstheorie stellt Dyckhoff die materielle oder immaterielle Leistungserbringung als dem Zweck von Transformationsprozessen in den Mittelpunkt. Das Kennzeichen der Produktion liegt demnach in der Wertschöpfung mittels
auch indirekter Nutzenstiftung und in der systematischen Führung durch Menschen.
Produktion ist dann die sich in betrieblichen Subsystemen (und somit auch im Marketing) vollziehende systematische Bildung von Faktorkombinationen im Sinne einer
Anwendung von technischen oder konzeptionellen Verfahren, welche auf die Erfüllung des Systemzwecks (also von Sachzielen) ausgerichtet sind, um nutzensteigernde Veränderungen zu ermöglichen.68 Auch Corsten/Gössinger weisen darauf
hin, dass sich die für Produktionsprozesse konstituierende Objekttransformation
auch in immateriellen Transformationen bzw. in der Erbringung immaterieller
(Dienst)Leistungen und Nutzenstiftungen konkretisieren kann. Zu solchen Leistungen
gehören auch die durch Marketingaktivitäten erbrachten Produkt-, Preis-, Kommunikations- und Distributionsleistungen. Somit können nicht nur Güter, sondern auch
Eigenschaftsänderungen in sehr allgemeiner Form Inputs und Outputs bilden.69 Aus
dieser umfassenden Perspektive ist die Produktionstheorie kein naturwissenschaftliches oder technisches Fachgebiet mehr, sondern eine System- und Planungstheorie
und somit eigentlich eine Theorie der Unternehmung und folglich auch ein Teil der
Sozialwissenschaften. Sie lässt sich dann auch zur Erklärung und Gestaltung der
Effizienz von Marketingaktivitäten anwenden.
Diese Rückbesinnung auf ein generisches Produktionsverständnis ermöglicht die
Übertragung der Begriffe Produktion, Dominanz, Effizienz etc. in den Kontext des
Marketing. Ein solcherart produktionsökonomisch fundiertes Marketingverständnis
wird der vielfach erhobenen Forderung gerecht, die Produktionstheorie als „Mutter
der BWL“ zu betrachten und auch für andere betriebswirtschaftliche Disziplinen zugänglich zu machen. Dies ermöglicht viele Einsichten, die im Rahmen der in der
Marketingmanagement-Lehre vorherrschenden verhaltenswissenschaftlichen oder
institutionenökonomischen Ansätze nicht erlangt werden können. So stehen bei der
produktionstheoretischen Betrachtung des Marketing die Prozesse der Transformation von Input- in Outputobjekte und die dadurch erreichten Ergebnisse in Form erzielter Relationen von Inputs und Outputs im Mittelpunkt. Ein umfassendes Verständnis
67
68
69
Vgl. Dyckhoff (2003), S. 708 f.
Vgl. Dyckhoff (2003), S. 710 f.
Vgl. Corsten/Gössinger (2004), S. 514; Corsten/Gössinger (2006), S. 30.
20
der Produktionstheorie könnte diese (wieder) für einen breiteren Interessentenkreis
attraktiv machen und zu einer größeren Verbreitung und Akzeptanz produktionstheoretisch ausgerichteter Forschung führen. So lässt sich hoffentlich der Befürchtung
Schneiders entgegentreten, dass „…die reine Produktionstheorie für eine Betriebswirtschaftslehre als Erfahrungswissenschaft bedeutungslos [ist] … und wenig mehr
als Sprachregelungen für erste erfahrungswissenschaftliche Einsichten [bietet]“.70
Dieser Arbeit liegt die Sichtweise zu Grunde, dass auch das Marketing durch den
Einsatz von Inputs (z.B. Verkaufsförderungs- oder Werbemaßnahmen, Kundenbesuche) verschiedene Outputs im Sinne nutzenstiftender Veränderungen z.B. von
Marktstatusgrößen wie Markenbekanntheit und -loyalität oder Marktergebnisgrößen
wie Umsatz, Marktanteil oder Preispremium „produziert“. Die Begriffe und Konzepte
dieses Kapitels basieren zunächst auf dem ursprünglichen Verständnis der Produktionstheorie und werden später im Sinne der Allgemeinen Produktionstheorie in den
Bereich des Marketing übertragen. Ziel ist es, das Marketing stärker mit der Theorie
der Unternehmung in der Allgemeinen Betriebswirtschaftslehre zu verknüpfen. Auf
diese Weise ist es möglich, nicht nur die bisher im Marketing im Vordergrund stehenden Interaktions- und Transaktionsprozesse zwischen Wirtschaftssubjekten zu
untersuchen, sondern auch die dort stattfindenden Produktionsprozesse. Nicht nur
das Unternehmen, sondern auch das Marketing selbst ist damit als ein System von
Transaktions- und Transformationsprozessen zu betrachten.
2.1.2.
Aktivitätsanalyse und Dominanz
Um sich der Problematik der Effizienzmessung aus produktionstheoretischer Sicht zu
nähern, muss zunächst das Konzept der Dominanz eingeführt werden. Die Dominanz wird im Rahmen der sog. Aktivitätsanalyse ermittelt, welche von Koopmans
entwickelt wurde.71 Eine Aktivität beschreibt dabei eine realisierte Kombination von
Input- und Outputmengen, wobei die Transformation der Inputs in Outputs durch eine
bestimmte zu Grunde liegende Technologie beschrieben werden kann. Eine Vergleichseinheit ist dominant, wenn unter sonst gleichen Bedingungen keine Einheit
existiert, die den gleichen Output mit weniger Input erzeugt oder mit dem gleichen
Input mehr Output erreicht.72 Wird also eine Einheit von keiner anderen dominiert, gilt
sie als effizient. Eine effiziente Produktion könnte den Output nur noch durch Steigerung der eingesetzten Inputs erhöhen. Sie ist somit maximales Element innerhalb
einer Beobachtungsmenge und erfüllt die Eigenschaft der sog. Pareto-KoopmansOptimalität, da eine weitergehende Zustandsverbesserung nur bei anderweitiger
70
71
72
Schneider (1997), S. 359.
Vgl. Koopmans (1951).
Vgl. Fandel (2005), S. 50.
21
Verschlechterung möglich wäre.73 Mit der Dominanzanalyse ist jedoch keine Effizienzmessung, sondern nur ein Effizienztest im Sinne einer Kategorisierung möglich,
da sie zwar in der Lage ist, zwischen effizienten und ineffizienten Aktivitäten zu diskriminieren, jedoch keine Quantifizierung der Ineffizienz ermöglicht.74 Dem Rationalitätsprinzip folgend sind die effizienten Produktionen gegenüber den ineffizienten zu
bevorzugen.75 Die Aktivitätsanalyse ist als Basisansatz der Produktionstheorie nur
der Ausgangspunkt für eine Effizienzmessung.
Grafisch ist eine Aktivität Pareto-Koopmans-effizient, wenn sich - bezogen auf die
Darstellung mit einem Input und einem Output - innerhalb der Technologie „nördlich“
(oberhalb) und „westlich“ (links) von ihr keine weiteren Aktivitäten befinden. Dieser
„nord-westliche“ Bereich wird auch als Dominanzbereich bezeichnet, da jede in diesem Bereich liegende Aktivität die betrachtete Aktivität dominieren würde.76 Um die
Vorgehensweise der Aktivitätsanalyse zu erläutern, wird ein einfaches Zahlenbeispiel
herangezogen, in dem elf Einheiten betrachtet werden, die einen Input verwenden,
um einen Output zu erbringen. Diese Einheiten könnten z.B. Vertriebsteams darstellen, die durch Einsatz des Instrumentes „Kundenbesuche“ (als Input) versuchen, eine
möglichst hohe Zahl an Neukunden (als Output) zu akquirieren. Das Zahlengerüst für
das Beispiels ist Tabelle 1 zu entnehmen.
Vergleichseinheit (z.B.
Vertriebsteams)
A
B
C
D
E
F
G
H
I
J
K
Input (z.B. Besuchstouren
*100)
4
2
10
8
12
3
5
9
6
9
14
Output (z.B. gewonnene Neukunden *10)
10
7
10
12
12
15
16
17
19
21
21
Tabelle 1: Daten der fiktiven Vergleichseinheiten
Im weiteren Verlauf der Arbeit wird auf diese beispielhaften Marketingeinheiten zurückgegriffen, um zentrale Aussagen und Verfahren grafisch bzw. mathematisch zu
73
74
75
76
Vgl. Dyckhoff/Ahn (2001), S. 112; Kreuder (2003), S. 22 ff.
Vgl. Koopmans (1951), S. 59 f.; Schefczyk (1996), S. 168.
Vgl. Allen (2002), S. 34.
Vgl. Allen (2002), S. 41; Kreuder (2003), S. 23.
22
veranschaulichen. Das Zahlengerüst wird später auf zwei Inputs und zwei Outputs
erweitert, um auch komplexere Zusammenhänge zu verdeutlichen.
22
K
J
20
I
18
H
G
16
F
Output
14
E
12
D
A
10
C
8
B
6
4
2
0
0
2
4
6
8
10
12
14
16
18
Input
Abbildung 1: Dominanztest für die Einheiten des Zahlenbeispiels
Aus dem Dominanztest in Abbildung 1 lässt sich erkennen, welche Einheiten dominiert werden und daher als ineffizient zu klassifizieren sind und welche Einheiten
dominant und daher effizient sind. Keine der Einheiten ist ideal in dem Sinne, dass
sie den höchsten Output (d.h. den Output von Einheit J oder K) und gleichzeitig den
geringsten Input (von Einheit B) aufweist. Ein solcher idealer Punkt würde alle anderen dominieren. Es zeigt sich, dass sich für die Einheiten B, F, G, I und J innerhalb
des Dominanzbereichs (angedeutet durch die grauen Dreiecke in Abbildung 1) keine
realen, beobachteten Einheiten befinden und diese daher effizient sind. Hingegen
befinden sich beispielsweise im Dominanzbereich der Vergleichseinheit H, der in
Abbildung 1 längs schraffiert dargestellt ist, zwei Einheiten (I und J), weshalb H als
ineffizient einzustufen ist.77
Wie anhand des Zahlenbeispiels deutlich geworden ist, kann mit der bisherigen Analyse keine Angabe über die Höhe der Effizienz in Form einer Kennzahl gemacht werden. Eine kardinale Messung der Leistungsfähigkeit ist erst erreichbar, wenn an die
77
Es ist hier darauf hinzuweisen, dass diese nur dann nicht dominiert werden, wenn nur tatsächlich
beobachtete Einheiten als dominierende Einheiten zugelassen werden. Sobald eine Technologie
auch Kombinationen und Vielfache bzw. Bruchteile von Einheiten enthalten kann, so wäre etwa G
nicht mehr effizient, weil eine lineare Kombination aus F und I innerhalb des Dominanzbereichs
von G liegen würde. Hierauf wird im nächsten Abschnitt eingegangen.
23
Stelle des Verständnisses der Effizienz im Sinne von Dominanz das Verständnis im
Sinne von Produktivität tritt. Im Rahmen der Produktivitätsanalyse wird Effizienz als
Verhältnis von Output zu Input verstanden.78 Aus einer Menge von Beobachtungen
sind dann jene relativ effizient, die die höchsten Produktivitätswerte im Vergleich zu
allen betrachteten Einheiten aufweisen. Die errechneten Produktivitätskennzahlen
sind also an einer Referenzfunktion in Form einer Produktionsfunktion zu relativieren,
die festlegt, welche Einheit einen maximalen Produktivitätswert aufweist. Anhand
einer Produktionsfunktion ist es dann möglich, das Ausmaß der Ineffizienz als Abstand zur Produktionsfunktion zu quantifizieren. Der Verlauf dieser Produktionsfunktion im Input-Output-Raum hängt von den Eigenschaften der den Beobachtungseinheiten zu Grunde liegenden Produktionstechnologie ab. Die Struktureigenschaften,
anhand derer sich Technologien beschreiben lassen, sind Gegenstand des nächsten
Abschnittes.
2.1.3.
Technologie und Technologieeigenschaften
Um zu beurteilen, ob eine Einheit produktiver oder weniger produktiv als eine andere
ist, muss geklärt werden, ob und wenn ja auf welche Weise es möglich gewesen wäre, einen höheren Output zu erreichen bzw. den Input zu verringern. Die Festlegung
dieser Produktionsmöglichkeiten hängt entscheidend davon ab, welche Technologie
der Transformation der Inputs in Outputs unterstellt wird.
Eine Technologie ist als die Menge aller Produktionen (Aktivitäten, Input-OutputBeziehungen) definiert, die aufgrund des technischen Wissens eines Unternehmens
alternativ realisierbar sind und ein Produktionssystem bilden.79 Die tatsächliche, wahre Technologie dürfte selbst bei Betrachtung der Produktion von Sachgütern in der
Regel - zumindest teilweise - unbekannt sein bzw. so umfassendes naturwissenschaftlich-technisches Wissen erfordern, dass die Bestimmung prohibitiv aufwändig
wäre. Dies gilt erst recht für die komplexe „Produktion“ von Leistungen im Marketing,
die nicht nur selbst oft intangibel sind, sondern für deren Erzeugung zum Teil auch
intangible Inputs eingesetzt werden. Zur Effizienzmessung sind deshalb realistische,
theoretisch begründete Annahmen über die Technologieeigenschaften zu treffen, um
die „wahre“, aber unbekannte Technologiemenge zu approximieren. 80 Die Ergebnisse der Effizienzbewertung hängen also in erheblichem Maße von den zu treffenden
Annahmen bzgl. der Technologieeigenschaften ab.
78
79
80
Vgl. Dellmann/Pedell (1994), S. 16.
Vgl. Fandel (2005), S. 25; Hoitsch (1993), S. 6. Hoitsch versteht im engeren Sinne unter einem
Produktionssystem nur einen Teil der Inputs (die Menge der Potenzialfaktoren) und deren produktionstechnischen Zusammenhang; vgl. Hoitsch (1993), S. 6.
Vgl. Allen (2002), S. 43.
24
Die drei konstituierenden Struktureigenschaften einer jeden Technologie beziehen
sich auf Disposabilität, Konvexität und Skalenerträge.81 Technologien und Produktionsfunktionen werden durch die Festlegung der Ausprägungen dieser Eigenschaften
eindeutig beschrieben.
Zunächst ist eine Annahme bzgl. der Technologieeigenschaft Verschwendbarkeit
(Disposabilität) von Inputs und Outputs zu treffen. Eine Technologiemenge Τ := {x, y }
zeichnet sich durch die Annahme der freien Verschwendbarkeit der Inputs aus, wenn
für jede enthaltene Aktivität zugelassen wird, dass die gleichen Outputmengen auch
mit höheren Inputmengen produziert werden können. Es gilt dann mit ( x, y ) ∈ Τ für
x ' ≥ x auch ( x ' , y ) ∈Τ . Entsprechend liegt freie Verschwendbarkeit der Outputs vor,
wenn es möglich ist, bei gleich bleibendem Input weniger Output zu produzieren, d.h.
wenn mit ( x, y ) ∈ Τ für y ' ≤ y auch ( x, y ' ) ∈ Τ gilt.82 Nicht-Verschwendbarkeit bzw.
schwache Verschwendbarkeit erlaubt es nicht mehr, dass in jedem Punkt der Technologiemenge die Outputs beliebig verringert oder die Inputs beliebig vergrößert
werden können. Es wird später in Abschnitt C-2.2 gezeigt, dass alle gängigen Verfahren der Effizienzmessung die Annahme der freien Verschwendbarkeit verlangen.
Die Struktureigenschaft der Konvexität legt fest, ob und wie sich Vergleichseinheiten
einer Technologie kombinieren lassen. Hiernach lassen sich konvexe (Sonderfall:
lineare) und nicht konvexe Technologien unterscheiden.83 Konvexe Technologien
liegen vor, wenn jede Aktivität realisierbar ist, die als Linearkombination aus zwei
oder mehr Aktivitäten gebildet werden kann, d.h. bei der sich die Anteile dieser Aktivitäten zu 1 addieren.84 Es gilt also mit ( x, y ) ∈ Τ und ( x ' , y ' ) ∈ Τ für alle 0 < λ < 1
auch λ ( x, y ) + (1 − λ )( x ' , y ' ) ∈ Τ . Solche durch den letzten Term bezeichneten Linearoder Konvexkombinationen aus realen Einheiten werden virtuelle Vergleichseinheiten genannt. Zu einer linearen bzw. schwach konvexen Technologie gehören
nur noch alle proportionalen Niveauvariationen von Aktivitäten sowie alle additiven
Kombinationen von Aktivitäten und deren proportionale Variationen. Eine lineare
Technologie weist somit immer konstante Skalenerträge auf. Es gilt dann mit
( x, y ) ∈ Τ und ( x ' , y ' ) ∈ Τ für alle λ ≥ 0 und λ ' ≥ 0 auch λ ( x, y ) + λ ' ( x ' , y ' ) ∈ Τ .85
(Streng) konvexe Technologien stellen folglich Verallgemeinerungen linearer Technologien dar.86 Bei nicht konvexen Technologien sind lineare Kombinationen von be-
81
82
83
84
85
86
Vgl. Scheel (2000); S. 41-48.
Vgl. Scheel (2000), S. 45.
Vgl. Allen (2002), S. 44.
Vgl. Dyckhoff (2000), S. 61; Scheel (2000), S. 47.
Vgl. Dyckhoff (2000), S. 61.
Damit wird deutlich, dass nicht alle beliebigen Kombinationen von Ausprägungen der Struktureigenschaften möglich sind.
25
obachteten Einheiten nicht zulässig, was zu einer weniger „optimistischen“ Approximation der Transformationsmöglichkeiten führt.87
Skalenerträge beschreiben, wie sich der Output bei Veränderungen der „Größe“ (im
engen Sinne: des Produktionsvolumens) bzw. des Skalenniveaus verändert.88 Eine
Technologie weist konstante Skalenerträge auf, wenn für jede enthaltene Aktivität bei
einer Vervielfachung der Inputmengen eine Vervielfachung der Outputmengen um
denselben Faktor möglich ist, d.h für ( x, y ) ∈ Τ gilt auch (λx, λy ) ∈ Τ für alle λ > 0 .89
Im Falle konstanter Skalenerträge können die Vergleichseinheiten also beliebige Niveauänderungen, d.h. sowohl Bruchteile als auch das Vielfache ihrer beobachteten
Produktion realisieren. Nicht abnehmende Skalenerträge liegen vor, wenn eine Vergrößerung der Outputs stets durch Vergrößerung der Inputs um denselben Faktor
möglich ist, d.h. für alle λ > 1 ist mit ( x, y ) ∈ Τ auch (λx, λy ) ∈Τ . Entsprechend weist
eine Technologie nicht zunehmende Skalenerträge auf, wenn eine Verkleinerung der
Inputs bei gleichzeitiger Verkleinerung der Outputs um denselben Faktor möglich ist,
d.h. für alle 1 > λ > 0 gilt: wenn ( x, y ) ∈ Τ dann auch (λx, λy ) ∈Τ .90 Bei zunehmenden (abnehmenden) Skalenerträgen führen Inputvergrößerungen zu überproportionalen (unterproportionalen) Outputvergrößerungen, die entsprechende Produktionsfunktion weist also einen progressiv (degressiv) steigenden Verlauf auf. Wenn eine
Kombination der genannten Formen vorliegt, spricht man von variablen Skalenerträgen.91 Die Annahme variabler Skalenerträge, die Größeneffekte ausblendet, ist v.a.
dann sinnvoll, wenn die Vergleichseinheiten ihre Größe nicht selbst wählen bzw.
nicht beliebig variieren können und somit nicht die „most productive scale size“ realisieren können.
Mittels Annahmen zu den drei Technologieeigenschaften lassen sich verschiedene
Formen von Technologien und Produktionsfunktionen definieren. Aufgrund der Existenz verschiedener Ausprägungsformen von Technologien ist es bei der Untersuchung und Charakterisierung von Aktivitäten von zentraler Bedeutung, dass die Eigenschaften dieser zu Grunde liegenden (unbekannten) Technologie möglichst richtig erkannt werden. Falls der Technologie falsche Eigenschaften zugeordnet werden,
d.h. solche, die die reale Technologie nicht aufweist, sind die getroffenen Effizienzaussagen über die untersuchten Aktivitäten mit großer Wahrscheinlichkeit fehlerhaft.
87
88
89
90
91
Vgl. Scheel (2000), S. 47.
Vgl. Allen (2002), S. 43.
Diese Eigenschaft wird auch als Linear-Homogenität oder Größenproportionalität bezeichnet. Bei
Vorliegen der anderen Formen von Skalenerträgen wird entsprechend von über- bzw. unterproportional nicht-linear-homogenen Produktionstechnologien gesprochen; vgl. Hoitsch (1993), S.
281.
Vgl. Scheel (2000), S. 41.
Vgl. Cooper/Seiford/Tone (2000), S. 134 f.
26
Abbildung 2 veranschaulicht einige der oben beschriebenen Technologieeigenschaften und zeigt, wie sich Technologien und die als dominant ausgewiesenen Einheiten
mit den Annahmen bzgl. der Eigenschaften verändern. Mit der Abbildung wird das in
Abschnitt B-2.1.2 eingeführte Zahlenbeispiel mit einem Input und einem Output (vgl.
Tabelle 2) wieder aufgegriffen.92
Abbildung 2 a) zeigt eine lineare Technologie (d.h. eine konvexe Technologie mit
konstanten Skalenerträgen) mit der Eigenschaft der freien Verschwendbarkeit der
Inputs und Outputs. Der effiziente Rand wird repräsentiert durch den Fahrstrahl vom
Ursprung durch Einheit F, die den höchsten Output pro Einheit Input und somit die
optimale Größe aufweist. Sie wird bei der Annahme konstanter Skalenerträge der
Effizienzbewertung aller anderen Einheiten zu Grunde gelegt. Referenzpunkte sind
immer F bzw. deren skalierte Werte entlang des Fahrstrahls. Nach der Annahme
konstanter Skalenerträge müsste es möglich sein, eine neue Einheit als Kopie einer
bestehenden Einheit zu schaffen und so mit doppeltem Input auch den doppelten
Output zu erzielen. Die Vervielfachung der Größe eines Produktionsprozesses kann
jedoch zusätzlichen administrativen Aufwand entstehen lassen, der als zusätzlicher
Input anfällt und eine proportionale Outputsteigerung unmöglich macht. Hier wären
Effizienzsteigerungen durch Aufspaltung einer großen Einheit in mehrere kleinere
Einheiten erzielbar. Ebenso lässt sich aber auch der Fall denken, in dem durch Vergrößerungen progressive Outputsteigerungen durch Synergieeffekte etwa bei Unternehmensfusionen möglich sind. Entsprechende nicht zunehmende und nicht abnehmende Skalenerträge sowie eine Kombination dieser beiden Varianten in Form variabler Skalenerträge werden im Folgenden betrachtet.
Abbildung 2 b) zeigt eine konvexe Technologie mit den Eigenschaften nicht abnehmender Skalenerträge und freier Verschwendbarkeit. Effizient sind die Einheiten B
und F, alle Niveauerhöhungen von F, alle konvexen Kombinationen aus B und F sowie die Verlängerung von B bis zur Inputachse. Die linearen Teilstücke links unterhalb von F gehören zum effizienten Rand, da sie zunehmende Skalenerträge aufweisen. Ab F weist die Randfunktion konstante Skalenerträge auf.
Abbildung 2 c) stellt ebenfalls eine konvexe Technologie dar, in diesem Fall jedoch
mit den Eigenschaften nicht zunehmender Skalenerträge und freier Verschwendbarkeit. Die Randfunktion wird jetzt aufgespannt durch die Einheiten F, I, J
und K, alle Niveausenkungen von F, alle Konvexkombinationen von F und I, I und J
sowie J und K. Bis zum Punkt F weist die Randfunktion konstante Skalenerträge auf,
alle Abschnitte rechts oberhalb weisen abnehmende Skalenerträge auf.
92
Vgl. zur Vorgehensweise bei der Konstruktion der Technologiemengen Dyckhoff (2000), S. 53-63.
27
Abbildung 2 d) beschreibt eine konvexe Technologie mit variablen Skalenerträgen
und freier Verschwendbarkeit. Die Randfunktion wird jetzt aufgespannt durch die
Einheiten B, F, I, J und K sowie deren Konvexkombinationen und weist variable Skalenerträge auf, weil alle linearen Teilstücke bis F zunehmende, alle Teilstücke ab F
jedoch abnehmende Skalenerträge besitzen.
Abbildung 2 e) stellt eine nicht konvexe Technologie mit der ausschließlichen Eigenschaft der freien Verschwendbarkeit der Inputs und Outputs dar, die variable Skalenerträge impliziert. Da konvexe Kombinationen von Beobachtungen nicht zulässig
sind, sind die Verbindungen zwischen den effizienten Einheiten stufenförmig. Lineare
Verbindungen zwischen den effizienten Beobachtungen gehören hier nicht mehr zur
Technologie. Dominant sind nun, wie bereits in Abbildung 1 in Abschnitt B-2.1.2 dargestellt, alle Aktivitäten, die nicht durch reale Beobachtungen dominiert werden (B, F,
G, I und J).
Abbildung 2 f) zeigt eine konvexe Technologie mit variablen Skalenerträgen, die nun
jedoch unter der Annahme der Nicht-Verschwendbarkeit konstruiert ist. So gehört
z.B. die Fläche rechts unterhalb von B nicht zur Technologie, da Aktivitäten in diesem Bereich Inputverschwendungen bzw. Outputunterproduktionen implizieren.
Da Technologiemengen mit konstanten Skalenerträgen wie in Abbildung 2 a) immer
die Mengen mit den übrigen Skalenerträgen - in 2 b) bis d) - enthalten, passen sie
sich am schlechtesten an die Daten an. Des Weiteren führt auch die Abschwächung
der Konvexitäts- sowie der Verschwendbarkeitsannahme (vgl. die Abbildung 2 e) und
f)) zu realistischeren Technologiemengen. Wie die Abbildung 2 insgesamt anschaulich vermittelt, verändert sich die Technologiemenge (d.h. die Größe der schraffierten
Fläche) jeweils und wird von Abbildung a) nach f) kleiner, da die Strukturannahmen
von a) nach f) immer schwächer und die Technologien folglich weniger verallgemeinert sind. Auf diese Weise passt sich die konstruierte Technologie immer besser an
die beobachteten Datenpunkte an.93
Im Rahmen der empirischen Anwendungen in Teil E wird zu zeigen sein, wie die
Technologieeigenschaften im Marketingkontext zu interpretieren sind und wie Modifikationen der Technologieannahmen auch die Anzahl der effizienten Marketingeinheiten, das Ausmaß der (In)Effizienz sowie die Inhalte und Adressaten der Handlungsimplikationen verändern. Des Weiteren werden Möglichkeiten dargestellt, anhand
derer sichergestellt werden kann, dass getroffene Technologieannahmen nicht im
Widerspruch zu den verwendeten Daten stehen.
93
Vgl. Scheel (2000), S. 43.
28
22
22
16
H
G
Output
E
D
A
8
C
F
14
E
12
D
A
10
8
B
6
H
G
16
12
10
I
18
F
14
4
2
2
0
0
0
2
4
6
8 10
Input
12
14
16
0
18
2
4
6
8 10
Input
12
14
16
18
16
18
16
18
b)
a)
22
22
K
J
20
16
H
G
16
Output
12
E
10
D
A
8
C
H
G
F
14
12
E
10
D
A
8
B
6
I
18
F
14
K
J
20
I
18
Output
C
B
6
4
C
B
6
4
4
2
2
0
0
0
2
4
6
8 10
Input
12
14
16
0
18
2
4
6
8 10
Input
12
14
d)
c)
22
22
J
20
I
18
F
14
I
18
16
E
D
A
J
20
H
G
12
10
K
Output
16
Output
K
J
20
I
18
Output
K
J
20
C
F
14
G
12
10
K
H
E
D
A
C
8
8
B
6
B
6
4
4
2
2
0
0
0
2
4
6
8 10
Input
12
14
16
18
e)
0
2
4
6
8 10
Input
12
14
f)
Abbildung 2: Technologien und effiziente Einheiten für das Zahlenbeispiel bei
unterschiedlichen Technologieeigenschaften
2.1.4.
Typen von Produktionsfunktionen
Produktionsfunktionen sind formale Darstellungen des Zusammenhangs zwischen
Input- und Outputquantitäten. Während Technologien sämtliche technisch möglichen
Aktivitäten enthalten, d.h. sowohl effiziente als auch nicht effiziente, erfassen und
beschreiben Produktionsfunktionen nach der modernen Produktionstheorie nur die
29
effizienten Input-Output-Kombinationen einer Technologiemenge (vgl. Abbildung 3).94
Da effiziente Produktionen stets auf dem Rand der Technologiemenge liegen (welcher daher auch als effizienter Rand bezeichnet wird), bestimmen entsprechende
Randproduktionsfunktionen (Frontierfunktionen, Produktionsgrenzfunktionen) demnach die für ein Inputbündel maximal mögliche Outputrate. Sämtliche nicht auf dem
Rand liegenden Produktionen sind nicht effizient, da bei diesen eine Steigerung der
Outputmenge möglich wäre, ohne dabei gleichzeitig an anderer Stelle die Inputmenge erhöhen zu müssen bzw. eine Senkung der Inputmenge erfolgen könnte, ohne
dabei gleichzeitig die Outputmenge senken zu müssen.95 Randproduktionsfunktionen
sind eindeutig durch die Produktionstechnologie und umgekehrt, die Technologie
eindeutig durch die Produktionsfunktion bestimmt. Die Struktur einer Produktion kann
somit entweder durch eine Produktionsfunktion oder durch eine Familie von Inputund Outputmengen beschrieben werden.96
In der Praxis werden aufgrund unvollständiger Information und begrenzter Managementressourcen oftmals ineffiziente Produktionen realisiert.97 Nur wenn man von der
Existenz ineffizienter Input-Output-Zusammenhänge ausgehen kann, macht es überhaupt Sinn, Vergleichsmaßstäbe zur Beurteilung des Ausmaßes der Ineffizienz in
Form von Randproduktionsfunktionen zu suchen. Zur Schätzung von Produktionsfunktionen werden häufig Verfahren eingesetzt, die lediglich durchschnittliche InputOutput-Zusammenhänge ermitteln und Einheiten als Referenzpunkte ausweisen, die
auf einer durch die Mitte der Punktewolke verlaufenden Funktion und nicht auf dem
Rand liegen (vgl. Abbildung 3). Daher findet sich in der Literatur häufig die Unterscheidung in Rand- und Durchschnittsproduktionsfunktionen.98 Nach dieser Einteilung stellen nur erstere Produktionsfunktionen der besten Einheiten dar. Letztere
stellen einen Zusammenhang dar, der anzeigt, wie eine durchschnittliche Produktionseinheit Inputs in Outputs transformiert. Dieser Unterscheidung soll auch im Zuge
dieser Arbeit gefolgt werden, da sie grundlegend verschiedene Philosophien der Effizienzanalyse beschreibt, die zu unterschiedlichen Implikationen führen.
Eine Produktionsfunktion mit m Inputs und s Outputs wird allgemein definiert durch
( y1,..., y r ,..., y s ) = f ( x 1,..., xi ,..., xm ) mit x i : Menge des i -ten Inputs ( i = 1,..., m ) und y r :
Menge des r -ten Outputs ( r = 1,..., s ). Die Umkehrung dieser Beziehung bezeichnet
man als Faktoreinsatzfunktion.
94
95
96
97
98
Vgl. Dyckhoff (2000), S. 140; Fandel (2005), S. 51.
Vgl. Fandel (2005), S. 52; Kreuder (2003), S. 17 f.
Für den mathematischen Beweis dieses Axioms vgl. Porembski (2000), S. 48-52.
Vgl. Dyckhoff (2000), S. 140.
Vgl. Greene (1993); Porembski (2000), S. 98.
30
Durchschnittsproduktionsfunktion
Randproduktionsfunktion
22
I
18
H
G
16
F
14
Output
K
J
20
12
E
10
D
A
C
8
B
Technologie
6
4
2
0
0
2
4
6
8
10
12
14
16
18
Input
Abbildung 3: Unterscheidung zwischen Technologie und Produktionsfunktion
Wird die Einsatzmenge eines Inputs i auf eine Einheit des Outputs r bei gleichzeitigem Einsatz der weiteren erforderlichen Inputfaktoren bezogen, so erhält man den
Produktionskoeffizienten.99 Das Konzept der Produktionsfunktion wird im weiteren
Verlauf dieser Arbeit in den Kontext des Marketing übertragen. Solche Marketingproduktionsfunktionen beschreiben dann formal die effizienten MarketinginputMarketingoutput-Kombinationen einer Technologiemenge, deren Aktivitäten keine
materiellen Fertigungsprozesse, sondern Marketingaktivitäten.100
Je nach Ersetzbarkeit der Inputfaktoren lassen sich limitationale und substitutionale
Produktionstechnologien unterscheiden. Substitutionale Produktionsprozesse liegen
vor, wenn bei unverändert bleibenden Outputmengen und –qualitäten die Einsatzmengenverhältnisse der Inputs peripher, d.h. innerhalb bestimmter Grenzen, oder
total, d.h. vollständig, variiert werden können. Eine bestimmte (maximale) Ausbringungsmenge lässt sich so durch unterschiedliche (effiziente) Kombinationen von Inputmengen erstellen. Dies impliziert, dass bei substitutionalen Produktionsbeziehungen die Erhöhung der Menge nur eines Inputs bei Konstanz der Einsatzmengen aller
anderen Inputs zu einer höheren Outputmenge führt.101
Im Unterschied zu substitutionalen Produktionsprozessen zeichnen sich limitationale
dadurch aus, dass die effizienten Einsatzmengen aller Inputs in einem technisch eindeutig determinierten Verhältnis zueinander und zur Outputmenge stehen. Ein bestimmtes Produktionsergebnis kann somit nur durch eine einzige effiziente Kombination von Inputmengen verwirklicht werden. Limitationalität ist folglich dadurch ge99
100
101
Vgl. Hoitsch (1993), S. 278; Schneeweiß (2002a), S. 37.
Vgl. hierzu Kapitel B-3 und D-1.1.
Vgl. Hoitsch (1993), S. 280 ff.; Kreuder (2003), S. 20.
31
kennzeichnet, dass ohne den vermehrten Einsatz aller Inputs keine höheren Outputmengen produziert werden können. Die Erhöhung nur einer oder einzelner Inputmengen lässt die Outputmenge unverändert und ist nicht effizient, da auf diese Weise Inputs verschwendet werden.102 Die Ertragsisoquanten schrumpfen hier zu einem
effizienten Punkt zusammen.103
Diese unterschiedlichen Eigenschaften von Produktionstechnologien führen zu unterschiedlichen Typen von Produktionsfunktionen. In der Produktionstheorie etablierte Typen sind ausgehend von der klassischen ertragsgesetzlichen (s-förmigen) Produktionsfunktion v.a. multiplikative, wie etwa solche vom Cobb-Douglas-Typ, logistische (umgekehrt s-förmige) und Gutenberg-Produktionsfunktionen. Letztere beinhaltet die sog. Leontief-Produktionsfunktion für linear-limitationale Produktionsverhältnisse und Verbrauchsfunktionen für nicht-linear-limitationale Prozesse.104 Mit der
Vorgabe spezifischer formaler Typen von Produktionsfunktionen wird die Bestimmung einer theoretischen Produktionsfunktion angestrebt. Problematisch ist die dadurch eingeschränkte Flexibilität der Anpassung an die Daten der beobachteten Input- und Outputkombinationen. Im Gegensatz dazu basiert die Schätzung sog. empirischer Produktionsfunktionen, wie sie etwa im Rahmen der DEA erfolgt, ausschließlich auf empirischen Datensätzen der besten in der Praxis beobachteten Aktivitäten.105 Eine theoretische Produktionsfunktion ist prinzipiell zwar das beste und exakteste Konzept für die Effizienzbewertung, eine solche ist aber für die meisten Unternehmen aufgrund der komplexen Prozesse kaum anwendbar.
2.1.5.
Effizienzmessung im Lichte der Produktionstheorie
Um über eine Klassifikation der untersuchten Vergleichseinheiten als effizient oder
ineffizient hinaus auch graduelle Unterschiede quantifizieren zu können, sind Effizienzmaße erforderlich. Effizienzmaße sind aussagekräftige Performanceindikatoren,
da sie das Verhältnis der Produktivitäten verschiedener Vergleichseinheiten zueinander angeben. Ein Effizienzmaß ist allgemein definiert als der Abstand einer Vergleichseinheit zur Produktionsfunktion, womit im engen Sinne der Abstand zum effizienten Rand der Technologie gemeint ist. In diesem Verständnis quantifiziert es den
Produktivitätsrückstand einer Vergleichseinheit in Form eines „Abstands zu den Besten“, der unmittelbar als Verbesserungspotenzial interpretierbar ist.106 Die Strukturierung einer Beobachtungsmenge durch Einfügen einer Produktionsfunktion ermöglicht
102
103
104
105
106
Vgl. Fandel (2005), S. 53 f.
Vgl. Hoitsch (1993), S. 278 f.
Für ausführliche Darstellungen der Typen von Produktionsfunktionen sind Coelli et al. (2005), S.
210 ff. und Hoitsch (2000) zu empfehlen.
Vgl. Dyckhoff (2000), S. 155; Dyckhoff (2006); Hoopes/Triantis (2001), S. 245 ff.; Triantis (2004),
S. 405 f.
Vgl. Dyckhoff/Allen (1999), S. 415.
32
erst eine Effizienzmessung, die über eine reine Einteilung in dominierte und nicht
dominierte Einheiten hinausgeht. Der Funktionswert eines Effizienzmaßes wird als
Effizienzwert bezeichnet.107
Sind die Technologieeigenschaften spezifiziert und daraus resultierend eine Produktionsfunktion im Sinne einer Referenzfunktion bestimmt, können nun die Vergleichsmaßstäbe ermittelt werden, anhand derer die Effizienzmessung erfolgt. Für die Berechnung des Ausmaßes der (In)Effizienz wurde in der Literatur eine Vielzahl von
Effizienzmaßen entwickelt. Dies reflektiert die Tatsache, dass es viele mögliche Wege zum Erreichen des Randes gibt. Von deren Spezifizierung hängt die Höhe der
Ineffizienz ab. In Zusammenfassung der bisherigen Erkenntnisse des zweiten Kapitels kann festgehalten werden, dass die Effizienz ein dreifach relatives Konzept ist,
da sie erstens von den beobachteten Mengen von Vergleichseinheiten, zweitens von
der Technologie und drittens vom gewählten Effizienzmaß abhängt.
Ein Effizienzmaß sollte die im Folgenden kurz vorgestellten Eigenschaften erfüllen:
ökonomische Interpretierbarkeit, Berechenbarkeit (d.h. die Effizienzwerte sollten als
Lösung einer nummerischen Prozedur ermittelbar sein), Effizienzindikation (d.h. es
sollte anzeigen, ob eine Vergleichseinheit auf dem effizienten Rand liegt oder nicht),
Einheiteninvarianz (d.h. die Beurteilung von Effizienz sollte unabhängig von den
Maßeinheiten sein, in denen die Inputs und Outputs gemessen werden, um Vergleichbarkeit auch bei beliebigen Datentransformationen zu ermöglichen), Monotonie
(d.h. eine Erhöhung der Inputmengen oder eine Reduzierung der Outputmengen sollte nicht zu einer Verbesserung des Effizienzwertes führen) und Stabilität (d.h. Effizienzmaße sollten sich bei kleinen Datenstörungen nicht sprunghaft ändern, sondern
stetig sein).108 Nicht jedes Effizienzmaß erfüllt jedoch alle diese Anforderungen.
Bezüglich der Frage, welcher Abstand (also was) gemessen werden soll, lassen sich
orientierte und unorientierte Effizienzmaße unterschieden.109 Ein Abstandsmaß, das
Verbesserungspotenziale nur in Input- oder Outputeinheiten ausdrückt, wird als orientiertes – oder spezieller als input- bzw. outputorientiertes Effizienzmaß – bezeichnet. Effizienzmaße, die Verbesserungen in Form notwendiger Inputsenkungen und
notwendiger Outputerhöhungen ausdrücken, werden als unorientiert bezeichnet. Die
Effizienzmaße projizieren dabei u.U. auf verschiedene Referenzpunkte auf dem effizienten Rand und ermitteln damit unterschiedliche Zielvorgaben (Targets).110 Diese
Referenzpunkte können entweder realen Vergleichseinheiten oder bei Gültigkeit der
Konvexitätsannahme auch gewichteten Kombinationen von mehreren Vergleichseinheiten - in Form sog. virtueller Referenzeinheiten - entsprechen.
107
108
109
110
Vgl. Scheel (2000), S. 75 ff.
Vgl. zu einer detaillierten Darstellung Scheel (2000), S. 80 ff.
Vgl. Scheel (2000), S. 90.
Vgl. Allen (2002), S. 50.
33
Bzgl. der Frage, wie der Abstand gemessen werden soll, lassen sich äquiproportionale und additive Effizienzmaße unterscheiden. Mit äquiproportionalen Effizienzmaßen werden Abstände zum effizienten Referenzpunkt relativ, d.h. als prozentualer
Anteil angegeben.111 Grafisch messen sie den Abstand einer Vergleichseinheit zum
effizienten Rand auf einem Fahrstrahl zum Ursprung des Koordinatensystems.112
Additive Maße drücken den Abstand in absoluten Einheiten aus, der grafisch damit
unabhängig von der Richtung des Ursprungs bestimmt wird. 113
Im Folgenden werden einige ausgewählte, für die folgenden Ausführungen dieser
Arbeit relevante Effizienzmaße vorgestellt, die Kombinationen aus Ausprägungen der
beiden genannten Dimensionen (was und wie) darstellen. Das unorientierte äquiproportionale Effizienzmaß gibt den größtmöglichen Faktor an, um den alle Input- und
Outputmengen einer Vergleichseinheit simultan verbessert werden können.114 Häufiger greift man auf orientierte äquiproportionale Effizienzmaße zurück, die als radiale
Effizienzmaße bezeichnet werden und von allen später genauer vorgestellten Verfahren der Effizienzmessung verwendet werden. Das inputorientierte radiale Effizienzmaß gibt an, um wie viel Prozent alle Inputmengen simultan unter Beibehaltung der
aktuellen Proportionen gesenkt werden könnten, ohne dass dies zu einer Verringerung des Outputs führt.115 Das outputorientierte radiale Effizienzmaß gibt an, um wie
viel Prozent alle Outputs einer Vergleichseinheit gleichzeitig erhöht werden können,
ohne dass eine oder mehrere Inputs erhöht werden müssen.116 Das Konzept der radialen Effizienz geht auf Farrell zurück.117 Aus einer inputorientierten Sichtweise wird
eine Aktivität somit als radial effizient bezeichnet, wenn es nicht möglich ist, alle Inputmengen bei gleich bleibenden Outputmengen um den gleichen Faktor proportional zu verringern. Aus einer outputorientierten Perspektive liegt radiale Effizienz vor,
wenn es nicht mehr möglich ist, alle Outputmengen - bei konstantem Input - proportional zu erhöhen.
Der Hauptnachteil der radialen Effizienzmaße besteht in der ausschließlichen Konzentration auf das allgemeine Input- bzw. Outputniveau. Somit werden nur gleichzeitige Änderungen aller Input- bzw. Outputmengen betrachtet, nicht aber Änderungen
am Input- oder Output-Mix, d.h. den Anteilen der einzelnen Input- bzw. Outputmengen untereinander. Radiale Effizienzmaße lassen mögliche residuale Verbesserungen einzelner Inputs oder Outputs, die nach der für alle Parameter möglichen pro111
112
113
114
115
116
117
Vgl. Allen (2002), S. 51.
Vgl. Cantner/Hanusch (1998), S. 230. Diese Aussage bezieht sich auf den Fall mehrerer Inputs
bzw. mehrerer Outputs.
Vgl. Allen (2002), S. 51.
Vgl. Scheel (2000), S. 91.
Vgl. Färe/Lovell (1978), S. 153 ff.
Vgl. Scheel (2000), S. 93.
Vgl. Farrell (1957) S. 254. Radiale Effizienz wird deshalb auch als „Farrell-Effizienz“ bezeichnet;
vgl. Cooper/Seiford/Tone (2000), S. 44.
34
zentualen Änderung bestehen, unberücksichtigt. Sie sind daher nicht zwingend ein
Indikator für Pareto-Koopmans-Effizienz.118 Hieraus folgt, dass diese Maße die Bedingung der strikten Monotonie nicht erfüllen. Ist eine Input-Output-Kombination jedoch Pareto-Koopmans-effizient, ist sie stets auch nach Farrells Definition effizient.
Das unorientierte additive Maß gibt die maximal mögliche Summe aller Verbesserungen der Input- und Outputmengen einer Vergleichseinheit an. Die in absoluten
Mengeneinheiten ausgedrückten Verbesserungsmöglichkeiten der Inputs und Outputs werden als Schlupf (Slacks) bezeichnet.119 Das inputorientierte additive Effizienzmaß gibt die maximale Summe an Inputeinheiten an, die ohne eine Reduzierung der Outputmengen verringert werden können. Das outputorientierte additive
Effizienzmaß gibt hingegen die maximale Summe aller Outputmengenerhöhungen
an, die ohne eine Erhöhung der Inputmengen möglich sind.120 Additive Effizienzmaßen erfüllen aufgrund ihrer Abhängigkeit von den Maßeinheiten der Inputs und Outputs nicht die geforderte Eigenschaft der Skaleninvarianz und der leichten Interpretierbarkeit, d.h. bei Datentransformationen würde sich die ökonomische Interpretation
ändern.121
Da für eine effiziente Vergleichseinheit keinerlei Verbesserungen möglich sind, nehmen alle Effizienzmaße für sie stets Werte von Null an. Ineffiziente Vergleichseinheiten erhalten hingegen positive Effizienzwerte. Streng genommen müsste daher eigentlich von Ineffizienzmaßen gesprochen werden, da sie angeben, wie weit eine
Einheit vom Rand entfernt liegt (verbliebene Ineffizienz) und nicht die Nähe zum
Rand (erreichte Effizienz), d.h. die Strecke vom Nullpunkt bis zur betrachteten Einheit ausweisen.
Nur äußerst selten lässt sich ein Wertschöpfungsprozess anhand nur eines Inputs
und eines Outputs beschreiben. Im realistischeren, mehrdimensionalen Fall ergeben
sich jedoch Probleme bei der Formulierung von Produktivitätskennzahlen. Die zentrale Herausforderung dabei ist es, die verschiedenen Input- bzw. Outputmengen zu
jeweils einer Größe zusammenzufassen. Diese Aggregation ist deshalb von großer
Bedeutung, da die Verwendung einzelner Input-Output-Kennzahlen (Teilproduktivitäten) keine konsistenten Effizienzindikationen zulässt, falls eine bestimmte Vergleichseinheit bezüglich einer Kennzahl als effizient, bezüglich einer anderen jedoch
als ineffizient einzustufen ist. Im mehrdimensionalen Fall ergibt sich die Produktivitätskennzahl als Verhältnis aus aggregiertem Output und aggregiertem Input. Die
Aggregation erfordert dabei stets die Festlegung einer Verknüpfungsregel, die eine
Bewertung (Gewichtung) der Inputs und Outputs voraussetzt, um diese vergleichbar
118
119
120
121
Vgl. Kreuder (2003), S. 42; Scheel (2000), S. 95 f.
Vgl. Cooper/Seiford/Tone (2000), S. 44.
Vgl. Scheel (2000), S. 105.
Vgl. Scheel (2000), S. 106.
35
bzw. gleichnamig zu machen. Existieren objektive, allgemein zugängliche Bewertungen in Form von Marktpreisen bzw. werden die Inputs und Outputs von vornherein
wertmäßig gemessen, ist die Bestimmung des Produktivitätsquotienten genauso unproblematisch wie im zweidimensionalen Fall. Bei Vorliegen von Preisen können die
mengenmäßigen Inputs bzw. Outputs durch Multiplikation mit Preisen und anschließende Addition direkt in einen wertmäßigen Gesamtoutput und -input überführt werden.122
Im Marketing sind allerdings Bewertungen der dazu oft noch in verschiedenen Maßeinheiten vorliegenden Inputs und Outputs (Stückzahlen, Gewichtseinheiten, Prozentwerte, Indexwerte, Ratings etc.) zumeist nicht vorhanden, weshalb sich diese
nicht einfach summieren lassen.123 Zur Ermittlung von Gewichten und zur sachgerechten Bewertung macht die Produktionstheorie jedoch keine weiteren Aussagen,
weshalb eine Produktivitätsmessung im multiplen-Input-multiplen-Output-Fall auf die
Heranziehung zusätzlicher Erkenntnisbereiche angewiesen ist.124 Da die Bewertungsproblematik ein konstituierendes Forschungsobjekt der Entscheidungstheorie
ist, wird diese im folgenden genauer behandelt.
2.2.
Entscheidungstheoretische Grundlagen
2.2.1.
Grundprinzipien der präskriptiven Entscheidungstheorie
Die Entscheidungstheorie bildet eine zur Produktionstheorie ergänzende Sichtweise
der Produktivitätsanalyse. Während bei der Produktionstheorie die Aktivitäten und
die daraus resultierenden Eigenschaften von Technologien und Produktionsfunktionen im Mittelpunkt stehen, befasst sich die Entscheidungstheorie mit der Güte bzw.
Vorziehenswürdigkeit von Handlungsalternativen (hier: Produktionen), die von Entscheidungsträgern (etwa dem Marketing-Management eines Unternehmens) ausgewählt werden.125 Dabei werden die Handlungsmöglichkeiten als gegeben betrachtet.
Die präskriptive Entscheidungstheorie versucht, aufbauend auf möglichst widerspruchsfreien Modellen und logischen Schlussfolgerungen, Empfehlungen zu geben,
wie Individuen oder Gruppen in bestimmten Situationen entscheiden sollen. Dabei ist
von der getroffenen Entscheidung der Anspruch der Rationalität zu erfüllen.126 Das
Grundprinzip der Entscheidungstheorie besteht darin, komplexe Entscheidungsprobleme in seine Komponenten zu zerlegen, diese zu analysieren und dann die Ergebnisse zu einer Gesamtlösung des Entscheidungsproblems zusammenzuführen.
122
123
124
125
126
Vgl. Bucklin (1978a), S. 2 ff.
Vgl. Allen (2002), S. 55 f.
Vgl. Dyckhoff (2003), S. 718 f.; Schneider (1997), S. 350.
Vgl. Esser (2001).
Vgl. Zimmermann/Gutsche (1991), S. 2.
36
Vier Komponenten eines entscheidungstheoretischen Grundmodells lassen sich dabei unterscheiden.127 Entscheidungen beziehen sich stets auf eine Menge von Alternativen aus der die beste auszuwählen ist. Die Eigenschaften der Alternativen, die
die Entscheidungskriterien darstellen, werden als Ziele bezeichnet. Hierbei muss angegeben werden, ob eine hohe oder niedrige Ausprägung der Ziele angestrebt wird.
Da Alternativen in der Regel durch mehrere Eigenschaften beschrieben werden, sind
in einer Entscheidungssituation mehrere Zielgrößen relevant, die oftmals konfligierend und in verschiedenen Maßeinheiten gegeben sind. Weiterhin wird das Entscheidungsergebnis von Umweltzuständen abhängig sein, die durch den Entscheider
nicht beeinflussbar sind. Konsequenzen beschreiben die Wirkungen einer Alternative
im Hinblick auf die Ziele im jeweiligen Zustand.
Auch produktive Einheiten werden regelmäßig durch eine Vielzahl verschiedener Attribute in Form multipler Inputs und Outputs beschrieben, die simultan bei der Effizienzbewertung zu integrieren sind. Diese Problematik ist in Situationen relevant, wie
sie in der Realität üblicherweise vorliegen und die mit dem Begriff Multi Criteria Decision Making (MCDM) beschrieben werden. Multikriterielle Entscheidungen bilden als
Standardentscheidungssituation bereits seit vielen Jahren den zentralen Forschungsbereich der Entscheidungstheorie.128 Insofern ist das entscheidungstheoretische Modell im Kontext der Effizienzanalyse eine Verallgemeinerung des produktionstheoretischen Modells. So entsprechen die Alternativen (Aktivitäten) einer endlichen
Menge an Vergleichseinheiten j . Die zu minimierenden bzw. zu maximierenden Ziele sind die ausgewählten Input- und Outputparameter i und r . Die Konsequenzen
entsprechen dann den zugehörigen Input- und Outputquantitäten xi und y r , die für
die einzelnen Alternativen und einen bestimmten Zustand c beobachtet wurden. Eine sehr allgemein gültige Ergebnis- oder Bewertungsfunktion lautet dann:
( xi , y r ) = g ( j , c ) . Die Input- und Outputquantitäten sowie die bewerteten Inputs und
Outputs („Outcome“), z.B. bei Vorliegen von Preisen die Kosten und Erlöse, sind
Folge einer Aktivität eines Produzenten sowie eines Umweltzustandes und lassen
sich grundsätzlich immer der Handlung bzw. der durch sie herbeigeführten Entscheidung eindeutig zuordnen.129 Die Entscheidungstheorie unterstellt also, dass alle Aktivitäten allein anhand ihrer Ergebnisse g ( j , c ) beurteilt werden können. Bei deterministischen Betrachtungen, die Entscheidungen bei Sicherheit unterstellen, besteht
der Zustandsraum nur aus einem Element und kann ignoriert werden. In den Vordergrund rücken dann die Aktivitäten j als Teilmenge der Technologie Τ und die Ergebnisfunktion nimmt dann die Form g ( j ) an.
127
128
129
Vgl. Eisenführ/Weber (2003); Hoitsch/Lingnau (2004), S. 32 f.
Vgl. Stewart (1996), S. 654.
Vgl. Allen (2002), S. 58; Dyckhoff (2003), S. 719; Stewart (1996), S. 660.
37
Auch in der Entscheidungstheorie leitet sich der Effizienzbegriff aus dem Dominanzprinzip ab, welches ein formales Rationalitätspostulat für Entscheidungen darstellt.
Eine Alternative ist effizient in Bezug auf die betrachteten Zielgrößen, wenn es keine
andere Alternative gibt, die hinsichtlich sämtlicher Konsequenzen mindestens ebenso gut ausgeprägt ist und bei mindestens einer Konsequenz einen besseren Wert
aufweist.130 Weitet man diese Betrachtung auf die gesamte Alternativenmenge aus,
kommt man wiederum, wie auch in der produktionstheoretischen Betrachtung, zum
Begriff der Pareto-Optimalität. Bei einer nicht dominierten oder Pareto-optimalen Lösung lässt sich keine Attributsausprägung verbessern, ohne mindesten eine andere
zu verschlechtern.131
2.2.2.
Effizienzmessung im Lichte der Entscheidungstheorie
Um die Gesamteffizienz einer Alternative in Form einer singulären Kennzahl quantifizieren zu können, müssen die oben beschriebenen Bewertungen der Ziele generiert
werden. Diese sind notwendig, um Funktionen g ( j ) zu spezifizieren, anhand derer
die multiplen Inputs und Outputs mathematisch verknüpft und so anschließend zu
einer Output-Input-Verhältniszahl aggregiert werden können. Diese Bewertungen der
Konsequenzen einer Alternative, d.h. der Input- und Outputausprägungen, fließen als
Gewichte für die Inputs und Outputs in die Entscheidungsfindung ein. Erst solche
Gewichtungen ermöglichen eine Erweiterung des binären Effizienzverständnisses,
indem das Ausmaß der Effizienz bzw. Ineffizienz angegeben werden kann. Die Art
der Gewichtung ist dabei von großer Bedeutung, da sie sich stark auf die Bewertung
der Alternativen und somit auf ihren Effizienzwert auswirkt. Zur Bestimmung der Gewichte der einzelnen Inputs und Outputs im Rahmen der Effizienzmessung im mehrdimensionalen Fall gibt es prinzipiell zwei Möglichkeiten: Bei der endogenen Bestimmung werden die Gewichte durch nummerische Verfahren der mathematischen
Programmierung ermittelt und sind somit nicht mehr Prämissen, sondern das Ergebnis von Methoden. Bei der exogenen Bestimmung müssen die Gewichte von außen,
in der Regel vom Entscheidungsträger vorgegeben bzw. von einer Gruppe von Individuen ausgehandelt werden. Sie können aber auch durch andere „Institutionen“ wie
den Markt gegeben sein. Die exogenen Vorgaben können also in Form subjektiver
Werturteile oder „objektiver“ Maße erfolgen.
Subjektive Werturteile stellen die Präferenzen des oder der Entscheidungsträger(s)
dar, die in Form eines identischen Gewichtungsvektors für alle Vergleichseinheiten
130
131
Vgl. Dyckhoff/Ahn (2001), S. 115; Kleine (2002), S. 20 ff. Es wird grundsätzlich vorausgesetzt,
dass eine Erhöhung des Outputs bzw. eine Verringerung des Inputs immer eine Verbesserung
darstellt.
Vgl. Bouyssou (1999), S. 974; Zimmermann/Gutsche (1991), S. 35.
38
angewendet werden. In der Regel resultieren aus der Abstimmung von Präferenzen
hierarchische Zielsysteme mit über- und untergeordneten Zielen, wobei Zielkonflikte
nicht auszuschließen sind, weshalb selbst auf oberster Ebene der Zielhierarchie
auch nach Aggregation keine vollständige Präferenzrelation aller Aktivitäten erreicht
werden kann.132 Sind keine kompletten Informationen bzgl. der Präferenzstruktur
vorhanden, können auch Anspruchsniveaus, relative Wichtigkeiten der Attributsausprägungen oder lediglich sog. Substitutionsraten (Trade offs) vorgegeben werden.133
Als Methoden zur Spezifizierung exogener Bewertungsfunktionen aus subjektiven
Wichtigkeitsangaben haben sich die Nutzwertanalyse, die multiattributive Werttheorie
und der Analytic Hierarchy Process (AHP) in der Literatur etabliert, die unterschiedlichen theoretischen Ansprüchen genügen.134 Um die Problematik der Subjektivität
abzumildern, kann versucht werden, auf objektivere Bewertungen, etwa in Form von
Marktpreisen, zurückzugreifen. Ließen sich z.B. alle eingesetzten Ressourcen am
Markt beschaffen und auch alle Outputs in Preisen ausdrücken, dann könnten alle zu
einem Input bzw. Output reduziert werden und die Gewichtungsproblematik wäre
obsolet.135 Da in den meisten Fällen solche Preise nicht vorliegen, muss auf Präferenzen der Entscheidungsträger zurückgegriffen werden, die stets mehr oder weniger arbiträr und folglich potenziell unrealistisch sind. Unabhängig davon werden im
Rahmen der exogenen Bestimmung regelmäßig fixierte Gewichtungen der Attribute
für alle Alternativen zugewiesen, die keine flexible Anpassung an spezifische Charakteristika (Stärken und Schwächen, Struktur) der Entscheidungseinheiten ermöglichen. Problematisch daran ist, dass somit für alle Vergleichseinheiten ein einheitlicher, möglicherweise willkürlicher Standard gilt, da durch die Zuweisung identischer
Gewichtungsparameter allen Vergleichseinheiten ein und derselbe Referenzpunkt als
Maßstab vorgegeben wird. So wird bei dieser Vorgehensweise die Tatsache vernachlässigt, dass maximale Effizienz durch verschiedene Strategien bzw. InputOutput-Kombinationen zu erreichen ist.136
Eine endogene Ermittlung kann die genannten Nachteile der exogenen Vorgabe
vermeiden, da aus einem Optimierungsmodell heraus für jede Vergleichseinheit individuelle Gewichte allein aus den empirisch beobachteten Input- und Outputdaten
bestimmt werden. Diesem Ansatz folgen die im nächsten Kapitel eingehend beschriebenen nicht parametrischen Methoden zur Effizienzmessung.
Liegen die Bewertungen vor, werden die gewichteten Inputs und Outputs zu einem
Gesamtwert bzw. Effizienzwert aggregiert.137 Die meisten Verfahren verwenden eine
132
133
134
135
136
137
Vgl. Esser (2001).
Vgl. Bamberg/Coenenberg (2004), S. 56 f.; Zimmermann/Gutsche (1991), S. 29.
Vgl. zu diesen Verfahren Eisenführ/Weber (2003).
Vgl. Dyson/Thanassoulis (1988), S. 565.
Vgl. Bauer/Hammerschmidt (2002), S. 8.
Vgl. Stewart (1996), S. 656 ff.
39
additive Verknüpfungsfunktion, die kompensatorische Beziehungen (Substituierbarkeit) zwischen den Attributen annehmen, so dass ein schlechter Wert eines Attributs
durch einen hohen Wert eines anderen Attributs ausgeglichen werden kann.138 Die
Effizienzwerte ermöglichen nun eine metrische Messung der Effizienz der Alternativen und damit eine Auswahl zwischen ihnen auch im mehrdimensionalen Fall.
Ohne auf die Details verschiedener MCDM-Modelle eingehen zu können, sei zusammenfassend darauf hingewiesen, dass die meisten Verfahren regelmäßig zu
starke Bewertungsinformationen als Dateninput benötigen, die entweder (gerade bei
Mehrpersonenentscheidungen) nicht verfügbar sind bzw. durch den Machteinfluss
bestimmter Entscheidungsträger verzerrt werden oder oft bereits einfache Rationalitätspostulate verletzen. Daher besteht für die Effizienzanalyse aus entscheidungstheoretischer Sicht die zentrale Herausforderung darin, ohne die Vorgabe exogener
Input- und Outputbewertungen auszukommen. Wie oben bereits angerissen, erfüllen
jene Verfahren diese Forderung, die die Attributgewichte endogen bestimmen. Hierbei werden Gewichtsvektoren so errechnet, dass die Zielfunktion den maximal möglichen Wert annimmt.139 Eine solche Möglichkeit der endogenen, objektiven Bestimmung von Wertfunktionen ohne notwendiges A-Priori-Wissen bzgl. der relativen
Wichtigkeiten der Attribute bietet die Data Envelopment Analysis. Deren Eignung zur
Effizienzmessung wird später noch ausführlicher begründet.
2.3.
Zwischenfazit
Sowohl im Rahmen der Produktions- als auch der Entscheidungstheorie wird der Effizienzbegriff aus dem Dominanzprinzip abgeleitet. Beide Perspektiven postulieren
ein relatives, dem Grundgedanken des Benchmarking folgendes Konzept der Effizienz als einzig aussagekräftig und brauchbar im betriebswirtschaftlichen Kontext,
was erst recht für das Marketing als markt- und wettbewerbsorientiertes Führungskonzept im Speziellen gilt.
Die Quantifizierung der relativen Effizienz erfolgt in der Produktionstheorie über den
Vergleich der Produktivitätskennzahlen verschiedener Aktivitäten. Die Vorgehensweise dieses Vergleichs wird durch das Effizienzmaß festgelegt. Ein solcher Vergleich kommt aber nur im eindimensionalen Fall ohne weitere Informationen aus.
Sobald mehr als ein Input und/oder mehr als ein Output vorliegen, sind Bewertungen
nötig, die nur durch Anwendung entscheidungstheoretischer Erkenntnisse ermittelt
werden können. Da die Entscheidungstheorie auch die Problematik einer Effizienz138
139
Vgl. Zimmermann/Gutsche (1991), S. 27 f. Nicht-kompensatorische Verfahren ermöglichen dagegen keinen Ausgleich zwischen den Attributen. Beispiele hierfür sind lexikografische Regeln (auch
Zielunterdrückung) und die aspektweise Elimination von Alternativen; vgl. auch Bamberg/Coenenberg (2004), S. 57 f.
Vgl. Bouyssou (1999), S. 975 ff.
40
messung im mehrdimensionalen Fall explizit thematisiert, ist sie eine wichtige Ergänzung zur Produktionstheorie. Beide Theoriebereiche bilden den Rahmen für die
Gütebeurteilung der verschiedenen Effizienzanalysemethoden und die Auswahl einer
geeigneten Methode im Marketing. Bevor diese Problemstellungen ausführlich im
Teil C dieser Arbeit behandelt werden, folgt im letzten Kapitel des Teils B die Konkretisierung des Konzeptes der Marketingeffizienz als Ausgangspunkt aller nachfolgenden Ausführungen.
3.
Konzeptualisierung der Marketingeffizienz
3.1.
Forschungsansätze der Marketingeffizienz
3.1.1.
Makroökonomische Ansätze der Marketingeffizienz
Den Beginn der Forschungen zur Marketingproduktivität markieren die Arbeiten von
Turck und Alderson in den Vereinigten Staaten. Diese Beiträge konzentrierten sich
auf die Produktivitätsentwicklung der Distributionsorgane Groß- und Einzelhandel
und deren Auswirkungen auf die gesamte Volkswirtschaft. Sie werden daher als
makroökonomische Ansätze bezeichnet und sind durch den Einsatz von Mengengrößen und die Bestimmung von Teilproduktivitäten, meist der Arbeitsproduktivität,
gekennzeichnet.140 Hierbei wird typischerweise die produzierte Menge durch die dafür benötigten Arbeitsstunden bzw. die Anzahl der Mitarbeiter dividiert. Eine Weiterführung der makroökonomischen Forschungsrichtung sind Langzeitstudien zur physischen Arbeitsproduktivität im Groß- und Einzelhandel in verschiedenen Ländern.141
In Ermangelung von Kosten- und Umsatzdaten wird Distributionsproduktivität auch
hier als Output pro Angestellten bzw. pro Mannstunde definiert, wobei als Output die
versandten Einheiten des gesamten Distributionssystems verwendet werden. Die
Ermittlung der Distributionseffizienz im Zeitverlauf erfolgt anhand von Indexzahlen.142
Das Effizienzmaß eines Jahres – in Form eines Output-Input-Verhältnisses – wird auf
den Wert Basisperiode normiert, wodurch sich Veränderungen im Zeitverlauf messen
und interpretieren lassen. So kann z.B. Barger eine im Vergleich zum produzierenden Gewerbe unterproportional wachsende Produktivität des Einzel- und Großhandels ermitteln.143
Diese frühen Arbeiten lassen bereits einige für die makroökonomische Schulrichtung
typische Schwächen erkennen. Zum einen sind diese Studien wenig aufschlussreich
für das Verständnis der Einflussfaktoren der Marketingproduktivität auf Firmenebene.
Zum anderen erweist sich deren enge Operationalisierung, die über die physische
140
141
142
143
Vgl. Alderson (1948); Turck (1948).
Vgl. Barger (1955); George (1966).
Vgl. Barger (1955), S. 38; Steiner (1978), S. 63 f.
Vgl. Barger (1955), S. 10.
40
messung im mehrdimensionalen Fall explizit thematisiert, ist sie eine wichtige Ergänzung zur Produktionstheorie. Beide Theoriebereiche bilden den Rahmen für die
Gütebeurteilung der verschiedenen Effizienzanalysemethoden und die Auswahl einer
geeigneten Methode im Marketing. Bevor diese Problemstellungen ausführlich im
Teil C dieser Arbeit behandelt werden, folgt im letzten Kapitel des Teils B die Konkretisierung des Konzeptes der Marketingeffizienz als Ausgangspunkt aller nachfolgenden Ausführungen.
3.
Konzeptualisierung der Marketingeffizienz
3.1.
Forschungsansätze der Marketingeffizienz
3.1.1.
Makroökonomische Ansätze der Marketingeffizienz
Den Beginn der Forschungen zur Marketingproduktivität markieren die Arbeiten von
Turck und Alderson in den Vereinigten Staaten. Diese Beiträge konzentrierten sich
auf die Produktivitätsentwicklung der Distributionsorgane Groß- und Einzelhandel
und deren Auswirkungen auf die gesamte Volkswirtschaft. Sie werden daher als
makroökonomische Ansätze bezeichnet und sind durch den Einsatz von Mengengrößen und die Bestimmung von Teilproduktivitäten, meist der Arbeitsproduktivität,
gekennzeichnet.140 Hierbei wird typischerweise die produzierte Menge durch die dafür benötigten Arbeitsstunden bzw. die Anzahl der Mitarbeiter dividiert. Eine Weiterführung der makroökonomischen Forschungsrichtung sind Langzeitstudien zur physischen Arbeitsproduktivität im Groß- und Einzelhandel in verschiedenen Ländern.141
In Ermangelung von Kosten- und Umsatzdaten wird Distributionsproduktivität auch
hier als Output pro Angestellten bzw. pro Mannstunde definiert, wobei als Output die
versandten Einheiten des gesamten Distributionssystems verwendet werden. Die
Ermittlung der Distributionseffizienz im Zeitverlauf erfolgt anhand von Indexzahlen.142
Das Effizienzmaß eines Jahres – in Form eines Output-Input-Verhältnisses – wird auf
den Wert Basisperiode normiert, wodurch sich Veränderungen im Zeitverlauf messen
und interpretieren lassen. So kann z.B. Barger eine im Vergleich zum produzierenden Gewerbe unterproportional wachsende Produktivität des Einzel- und Großhandels ermitteln.143
Diese frühen Arbeiten lassen bereits einige für die makroökonomische Schulrichtung
typische Schwächen erkennen. Zum einen sind diese Studien wenig aufschlussreich
für das Verständnis der Einflussfaktoren der Marketingproduktivität auf Firmenebene.
Zum anderen erweist sich deren enge Operationalisierung, die über die physische
140
141
142
143
Vgl. Alderson (1948); Turck (1948).
Vgl. Barger (1955); George (1966).
Vgl. Barger (1955), S. 38; Steiner (1978), S. 63 f.
Vgl. Barger (1955), S. 10.
41
Distribution hinausgehende Leistungen und deren Qualität nicht berücksichtigt, als
problematisch.144 Durch die Konzentration auf den Einzel- und Großhandel wird letztlich nur die Produktivität der Distribution und nicht des Marketing untersucht, was die
historische Entwicklung des Marketing als Verkaufskonzept im Sinne von Absatzwirtschaft widerspiegelt.
Später werden makroökonomische Arbeiten auf die Untersuchung der wertmäßigen
Produktivität ausgedehnt, indem der Output auch anhand monetärer Größen gemessen wird. Dies geschieht meist anhand des Umsatzes in inflationsbereinigten Dollars
(constant dollars), um die Neutralisierung von preis- und mengenbedingten Effekten
zu verhindern. Ferner streben diese fortgeschrittenen Studien in stärkerem Maße
eine Messung der Gesamtproduktivität des Handels an, indem neben der Arbeitsauch die Kapitalproduktivität (total asset productivity) einbezogen wird.145 Sie konzentrierten sich auf die Höhe der Distributionskosten und -produktivität im Vergleich
zur Fertigungsproduktivität in einer bestimmten Periode, wobei die Marketingproduktivität einer Ökonomie als Black Box-Modell betrachtet wird. Da aufgrund der Nichtverfügbarkeit entsprechender Marketingdaten auf volkswirtschaftliche Daten zur Gesamtproduktivität wie Umsätze und Wertschöpfung (value added) zurückgegriffen
wurde, kann bisher von der Messung der Marketingproduktivität keine Rede sein.146
Eine nächste Stufe in der makroökonomischen Forschung stellen Arbeiten dar, die in
den Distributionsoutput neben tangiblen Leistungen wie Raum- und Zeitüberbrückung vermehrt auch intangible Handelsfunktionen wie Preisfindung, Absatzfinanzierung, Sortimentsbildung und Informationsleistungen einbeziehen.147 Diese stellen
deutlich reifere Ansätze dar. So werden die Umsätze der vom Handel angebotenen
Dienstleistungen als Outputs, die gesamten genutzten Ressourcen (Material, Marketingaufwand, Arbeit, Kapital) als Inputs verwendet. Mit dieser besseren Datengrundlage, die auch Serviceleistungen des Handels einbezog, konnte etwa Bucklin die Ergebnisse von Barger größtenteils widerlegen.148 Ingene erweitert die Inputbasis und
untersucht mittels Regressionsanalyse in diversen geografischen Räumen zusätzlich
die Wirkung von Umwelt- und Wettbewerbsfaktoren auf die Produktivität des Handels.149
Die Studien der makroökonomischen Richtung leiden an einigen erheblichen Mängeln, die deren Aussagekraft stark einschränken. Sie reduzieren Marketing im Wesentlichen auf die Distributionsorgane einer Volkswirtschaft und sehen die Hauptauf-
144
145
146
147
148
149
Vgl. Bonoma/Clark (1992), S. 10 f.
Vgl. Beckman (1965); Cox/Goodman/Fichandler (1965); Denison (1970).
Vgl. Bonoma/Clark (1992), S. 9.
Vgl. Bucklin (1978a); Cox/Goodmann/Fichandler (1965), S. 16 ff.
Vgl. Bucklin (1978a), S. 49 ff.
Vgl. Ingene (1983), S. 85 f.
42
gabe des Marketing als “…providing place, time, and possession utility to the consumer”150.
Autoren
Untersuchungsgegenstand
Inputs
Outputs
Methode
Alderson
(1948)
Groß- und Einzelhandel in USA
• Arbeitsstunden
• Absatz
Kennzahlenvergleich
Turck (1948)
Groß- und Einzelhandel in USA
• Arbeitsstunden
• Absatz
Kennzahlenvergleich
Barger (1955)
Groß- und Einzelhandel in USA
• Anzahl der Arbeiter und
• Menge der trans-
ZeitreihenIndexanalyse
Groß- und Einzelhandel in USA
• Mannstunden
• Tangibles Kapital (Ge-
Beckman
(1957)
Mannstunden
samtes Umlauf- und Anlagevermögen)
portierten Einheiten
• Inflationsbereinigter ZeitreihenUmsatz (sales in
constant dollars)
Cox/Goodman Groß- und Einzel/Fichandler
handel in USA
(1965)
• Erbrachte Dienstleistun-
George (1966) Einzelhandel in
160 Städten in
Großbritannien
• Anzahl Angestellter
• Umsatz
• Ladenfläche
• Marktanteil
• Pro Kopf-Einkommen und
gen
• Wertschöpfung
(value added)
Indexanalyse
Kennzahlenvergleich
Kennzahlenvergleich
Einwohnerzahl im bearbeiteten Markt
• Mitgliedschaft in Einzelhandelskette
Denison
(1970)
White (1973)
Bucklin
(1978b)
Groß- und Einzelhandel in 8 europäischen Ländern
und USA
Warenhäuser
Groß- und Einzelhandel in USA
und Japan
•
•
•
•
•
Arbeit
Kapital
• Inflationsbereinigter ZeitreihenUmsatz (sales in
constant dollars)
Indexanalyse
Fläche
Wissensfortschritt
Arbeitseinsatz und Kapitaleinsatz (Warenhausfläche)
• Marketingaufwand
• Arbeit (Qualität der Arbeitskräfte, durchschnittliche Lohnhöhe)
• Wertschöpfung zu
realen Preisen
• Umsatz pro Be-
Kennzahlenvergleich
Indexanalyse
schäftigten
• Qualität der angebotenen Dienstleistungen
• Boden (Verkaufsfläche)
Steiner (1978) Groß- und Einzel- • Anzahl Mitarbeiter
• Inflationsbereinigter Zeitreihen-
Ingene (1983)
• Umsatz pro Be-
handel in USA
Lebensmitteleinzelhandel in USA
Umsatz
•
•
•
•
•
•
Zahl der Angestellten
Lohn der Angestellten
schäftigte
Geschäftsgröße
Kapitalintensität
Steuerlast
Ökonomische Rahmenbedingungen (Einkommen, Haushaltsgröße,
Veekehrsaufkommen,
Bevölkerungszuwachs)
Tabelle 2: Makroökonomische Beiträge zur Marketingeffizienz
150
Beckman (1960), S. 312.
Indexanalyse
Regression
(multiplikatives
Modell)
43
In diesem Sinne wird Marketing nicht als Unternehmensfunktion, sondern quasi als
volkswirtschaftlicher Sektor bzw. Branche begriffen. Insbesondere die problematische Operationalisierung der Inputs und Outputs wird in der Literatur bemängelt,
welche überwiegend Folge ungenügenden statistischen Datenmaterials ist.151 Kein
Ansatz erfasst die relative Effizienz zum Wettbewerb anhand multipler Kennzahlen.
Zur Erstellung eines vollständigen Bildes der Gesamtproduktivität wären neben der
Arbeitsproduktivität weitere, v.a. immaterielle Faktoren zu berücksichtigen, deren Erfassung sich aufgrund der Komplexität und mangelnder Datenbasis als unlösbare
Aufgabe herausstellte. Weiterhin erscheint es unmöglich, auf Basis der gesamtwirtschaftlichen Daten Teilproduktivitäten der einzelnen Marketingfunktionen über die
Distribution hinaus zu betrachten, die jedoch für eine Messung der Marketingperformance unverzichtbar sind. Schließlich basieren die makroökonomischen Studien überwiegend auf der Annahme, dass die Outputziele lediglich durch die Maximierung
von Umsatz bzw. Gewinn oder Wertschöpfung konstituiert werden.152
Obwohl sich die makroökonomischen Beiträge durch anspruchsvolle Messmethoden
auszeichnen und einige Erkenntnisse zum Beitrag der Distributionsinstitutionen zum
Konsumentennutzen, zum Ausmaß der Umwälzung der Kosten der Distributionsaktivitäten auf die Konsumenten und zur gesellschaftlichen Wohlfahrt leisten, bieten sie
nur wenig Managementimplikationen.153 Aus diesem Grund entwickelte sich ab Mitte
der 60er Jahre parallel zu den makroökonomischen Beiträgen eine mikroökonomische Forschungsrichtung, die die Marketingproduktivität und deren Determinanten
auf Unternehmensebene fokussiert.
3.1.2.
Mikroökonomische Ansätze der Marketingeffizienz
Als Antwort auf die Schwächen der makroökonomischen Arbeiten und aufbauend auf
Konzeption und Methodik dieser Richtung entstanden die mikroökonomisch ausgerichteten Ansätze. Diese streben letztlich Empfehlungen zu einer produktiveren Leistungserstellung des Marketing als einer Unternehmensfunktion an. Das mikroökonomische Verständnis der Marketingeffizienz hat sich inzwischen in der Literatur etabliert und die zu stark abstrahierende makroökonomische Perspektive abgelöst. Im
Rahmen des mikroökonomischen Effizienzbetrachtung lassen sich zunächst zwei
grundsätzliche Aggregationsebenen unterscheiden, deren Inputs und Outputs sich
an den angestrebten Zielgrößen und den zur Zielerreichung einzusetzenden Mitteln
orientieren. Der aggregierte Marketingeffizienzbegriff bezieht sich auf die Messung
der globalen Leistungsfähigkeit der gesamten Marketingfunktion bzw. der gesamten
151
152
153
Vgl. Daum (2001), S. 13.
Vgl. Bonoma/Clark (1992), S. 18.; Kleemann (2004), S. 17 ff.
Vgl. Daum (2001), S. 14.
44
Marketingorganisation eines Unternehmens. Demgegenüber bezieht sich die disaggregierte Marketingeffizienzmessung auf die einzelnen Strategien und operativen
Instrumente (4 Ps) des Marketing.154 Auf beiden Ebenen der mikroökonomische Perspektive lassen sich zwei Gruppen von Ansätzen - finanzielle und um nicht finanzielle
Aspekte erweiterte Ansätze – unterscheiden.155 Zunächst sollen diese zwei Gruppen
kurz charakterisiert werden, bevor die Konzepte der aggregierten und der disaggregierten Effizienz dargestellt werden und eine Bestandsaufnahem der Literatur hierzu
erfolgt.
3.1.2.1. Finanzielle Ansätze der Marketingeffizienz
Der Schwerpunkt der finanziellen Ansätze liegt auf der verursachungsgerechten Zurechnung der Marketingkosten zu den Erlösen aus den jeweiligen Marketingaktivitäten.156 Ein mit dem Übergang von Verkäufer- zu Käufermärkten einhergehender starker Anstieg der Marketingkosten, die inzwischen oft sämtliche andere Kosten übersteigen, ist als Ursache dieser Entwicklung zu sehen.157 Aufgrund der dominierenden
Vorgehensweise, zunächst den Erlös aus Marketingaktivitäten zu betrachten, um
dann die entsprechenden Marketingkosten anzurechnen, werden die finanziell orientierten Untersuchungen auch unter dem Schlagwort Profitabilitätsansätze zusammengefasst.158
Begründer dieser Richtung sind Sevin und Feder, substantielle Weiterentwicklungen
erfolgten durch Thomas. Marketingproduktivität wird hier als Verhältnis von Umsatz
bzw. Deckungsbeitrag (effect produced) zu den Marketingkosten (energy expended)
definiert.159 Diese Größen werden zur Bestimmung der Elastizität des Deckungsbeitrages bei einer Erhöhung der Ausgaben bzgl. der Marketinginstrumente Werbung
und Verkaufsförderung herangezogen, die Empfehlungen für die Budgetallokation
liefern. Ziel ist es dabei, Marketingkosten und -erlöse für die jeweiligen Absatzsegmente (Produkte, Kunden und Regionen) oder Geschäftsbereiche getrennt zu betrachten, um nachhaltige Umsatz- und Gewinnsteigerungen durch eine Verbesserung der Ressourcenallokation zu erreichen.160
Die Grenzen der finanziellen Ansätze liegen in der mangelhaften Abbildung qualitativer Marketingaspekte, die jedoch für eine erschöpfende Abbildung des Leistungsvermögens der Marketingfunktion unverzichtbar sind. In der Regel erfolgt auch keine
154
155
156
157
158
159
160
Vgl. Bauer/Hammerschmidt/Garde (2004a), S. 6.
Vgl. Daum (2001), S. 14.
Vgl. Daum (2001), S. 15.
Vgl. Herremans/Ryans (1995), S. 51.
Vgl. Bonoma/Clark (1992), S. 21.
Vgl. Feder (1965), S. 135; Sevin (1965), S. 9; Thomas (1984), S. 20 f.
Vgl. Kleemann (2004), S. 22 f.
45
umfassende Abbildung der vielfältigen Bezugsobjekte des Marketing bei der Produktivitätsanalyse, da die Betrachtung zumeist auf bestimmte Maßnahmenbündel im
Rahmen der Verkaufsförderung oder der Distribution beschränkt ist. Es ist zu bezweifeln, dass monetäre Größen die besten Leistungsmaße im Marketing sein können und sollten. Der inzwischen vollzogene Paradigmenwechsel von der Produktzur Kundenorientierung und vom Transaktions- zum Beziehungsmarketing rückt intangible und „weiche“ Größen in den Fokus der Betrachtung. Beispiele sind Erfolgsgrößen wie Kundenzufriedenheit, Kundennähe etc.161 Wird nur der Zusammenhang
zwischen Kosten und Erlösen als die am Anfang bzw. am Ende der Wirkungskette
stehenden Glieder betrachtet, und werden mediierende, qualitative Größen ausgeblendet, wird Marketing als Black Box verstanden. Die monetär orientierten Arbeiten
erwecken daher den Eindruck, dass das Marketing nach dem Prinzip „money in,
sales out“162 funktioniert. Weiterhin zeigt sich, dass die Messung und verursachungsgerechte Zuordnung von Kosten und Erlösen im Marketing oft problematisch
sind, da oft eine Zeitverzögerung auftritt oder der unmittelbare Zusammenhang von
Marketingaktivitäten und finanziellen Outputs nicht nachzuvollziehen ist.
Aus diesen Überlegungen entstanden ab Mitte der 80er Jahre erweiterte Ansätze der
Marketingproduktivitätsanalyse auf Unternehmensebene, die sich über Erlöse und
Kosten hinaus auch auf nicht finanzielle Größen stützen.
3.1.2.2. Erweiterte Ansätze der Marketingeffizienz
Die erweiterten Marketingeffizienzansätze rücken v.a. Marketingoutputs in den Mittelpunkt, die nicht in Geldeinheiten ausgedrückt werden können. Die monetären
Kennzahlen weisen nach Ansicht vieler Autoren oft nicht den gewünschten Bezug zu
zentralen Marketingzielgrößen auf, die sich z.B. durch Kundengewinnung und Kundenbindung ergeben.163 Marketingeffizienz wird im Kontext der erweiterten Ansätze
als Verhältnis der eingesetzten Mittel und der erreichten Ziele betrachtet, wobei das
Spektrum potenzieller Input- und Outputgrößen erheblich weiter gefasst wird, um der
Komplexität des Marketingbereichs zu entsprechen. Zwar bleiben auf der Inputseite
die Marketingkosten ein zentraler Faktor in der Bestimmung der Marketingeffizienz,
diese werden aber nicht mehr als „Aufwand“ sondern eher als „Investitionen“ in den
Aufbau von Kundenbeziehungen und die Sicherstellung loyalen Kundenverhaltens
161
162
163
Vgl. Daum (2001), S. 18.
Bonoma/Clark (1992), S. 36.
Vgl. Sheth/Sisodia (1995a), S. 10.
46
aufgrund von Zufriedenheit betrachtet. So wird der Output im Marketing zusätzlich
über verhaltenswissenschaftliche und nutzenbezogene Konzepte beschrieben.164
Durch die Einbeziehung nicht finanzieller Größen wie Kundengewinnung, Kundenbindung und Markenbekanntheit erfahren die bisherigen Ansätze zwar wünschenswerte konzeptionelle Erweiterungen. Dennoch fehlt in vielen Studien weiterhin ein
geschlossenes System, das sowohl finanzielle als auch nicht finanzielle Kennzahlen
umfassend berücksichtigt und in einen produktionsökonomischen Zusammenhang
stellt. Stattdessen bleiben die Analysen meist bei einer eindimensionalen Betrachtung, indem die Zielgrößen getrennt voneinander betrachtet werden. Zudem enthalten die meisten Arbeiten nur konzeptionelle Überlegungen, die keiner empirischen
Überprüfung unterzogen werden.
3.2.
Aggregationsebenen der Marketingeffizienz
3.2.1.
Aggregierte Marketingeffizienz
Die Entscheidung über den Detaillierungsgrad einer Marketingeffizienzanalyse hat
sich an den Marketingzielen auszurichten, die zu den Funktionalzielen eines Unternehmens gehören und direkt aus den übergeordneten Unternehmenszielen herunter
zu brechen sind. Auch hier lassen sich finanzielle Ziele wie Umsatz oder Rentabilität
und nicht finanzielle (vor-ökonomische) Ziele wie Kundennähe und Image unterscheiden. Diese Unternehmensziele bilden den Rahmen zur Bestimmung der finanziellen und psychografischen Ziele der Marketingfunktion.165 Die nicht monetären
Ziele sind dabei als Determinanten (Vorsteuergrößen) der ökonomischen Ziele wie
Deckungsbeiträge, Kundenwert, Markenwert etc. zu sehen, so dass diese Ziele
durch eine Ursache-Wirkungs-Kette verknüpft sind. Bzgl. des Aggregationsgrades
lassen sich die Zielgrößen in strategische und operative Zielsetzungen trennen.166
Strategische Zielsetzungen betreffen langfristige Entscheidungen der gesamten Marketingfunktion. Daher ist bei einer Messung der Gesamtmarketingeffizienz der Detaillierungsgrad gering zu wählen, um eine Komplexitätsreduktion und damit eine überschaubare Untersuchung zu gewährleisten. Kriterium der strategischen Analyse ist
somit die aggregierte Marketingeffizienz. Sie dient der Messung der globalen, instrumentenunabhängigen Leistungsfähigkeit der Marketingfunktion als gleichberechtigte Unternehmensfunktion, weshalb maßnahmenspezifische Details, die zwar operativ bedeutsam, strategisch jedoch entscheidungsirrelevant sind, ausgeblendet wer164
165
166
Vgl. Bruhn/Georgi (2005), S. 532 f. „Output should be measured in terms of quality as well as
quantity.“ Sheth/Sisodia (1995a), S. 11.
Vgl. Homburg/Krohmer (2003), S. 343 ff. Diese Ziele stellen wiederum Mittel zum Erlangen des
Unternehmenszwecks und anderer Oberziele wie Unabhängigkeit, Wachstum und Existenzsicherung dar.
Vgl. Homburg (1998), S. 173 ff.
47
den. Vielmehr werden alle genutzten Ressourcen zusammen betrachtet und mit den
Ergebnissen der Marketingfunktion ins Verhältnis gesetzt. Hierbei dominierten in der
Literatur - wie bereits dargestellt - zunächst finanzielle Ansätze, die überwiegend
Marketingkosten auf der Inputseite und Umsatz, Gewinn oder Marktanteil auf der
Outputseite betrachteten.167
Den Ausgangspunkt für weitere finanzielle Ansätze stellt die Arbeit von Sevin dar. Er
beschreibt als einer der Ersten Marketingeffizienz als Verhältnis von Umsatz bzw.
Gewinn zu Marketingkosten. Sein Ansatz liefert insofern einen Erkenntnisfortschritt,
als dass für die Marketingeffizienzmessung die Absatzsegmente als Bezugsobjekte
dienen und die Marketingkosten in ein klares System (sog. functional-cost groups)
gebracht werden, das eine Verrechnung der Kosten ermöglicht.168 Ein ähnliches
Schema schlägt Goodman vor, der zwei zusätzliche Aspekte einbringt. Zum einen
betrachtet er nur entscheidungsrelevante Marketingkosten und nicht alle Kosten, die
der Funktion Marketing zugeordnet sind. Des Weiteren betont Goodman, dass Gewinne in ihrer Höhe in Abhängigkeit von der jeweiligen Position im Produktlebenszyklus variieren und diese Größen dementsprechend gemessen und beurteilt werden
müssen.169
Über den Beitrag von Sevin hinaus hat auch Feder mit seinem Ansatz die Forschung
im Bereich der finanziellen Marketingeffizienz vorangetrieben. Er misst diese als Verhältnis von Deckungsbeitrag aus Marketingaktivitäten, der sich aus der Differenz von
Umsatzerlösen eines Absatzsegmentes und den variablen Marketingkosten ergibt,
und Marketingkosten.170 Durch eine Marginalbetrachtung können Entscheidungen
z. B. über die Allokation von Werbemaßnahmen unterstützt werden. Das Analyseziel
umfasst also die Identifikation von unterinvestierten Marketingbereichen, in denen
sofortige Gewinne realisiert werden können.171 Kritisch ist die enge Definition der (variablen) Marketingkosten zu sehen, die auf die Kosten für Werbung und Verkaufsförderung beschränkt ist.172 Eine ähnliche Marginalbetrachtung findet sich auch bei Anderson/Weitz, wobei aber in die Berechnung der Produktivität langfristige zukünftige
Erlöse und Kosten einbezogen werden. Als Untersuchungsgegenstand dient hier die
vertikale Integration, als Produktivitätsmaß wird das Verhältnis von zusätzlichen Gewinnen zu zusätzlich ausgelösten Fixkosten der Koordination verwendet.173
167
168
169
170
171
172
173
Vgl. Feder (1965), S. 132 ff.; Hood (1968), S. 13 f.
Vgl. Sevin (1965), S. 9.
Vgl. Goodman (1967), S. 32 f.
Vgl. Feder (1965), S. 135.
„The marketing objective is to invest money in each market area up to the point where an additional dollar would produce greater immediate profits if spent elsewhere.” Feder (1965), S. 134.
Vgl. Daum (2001), S. 16; Kleemann (2004), S. 23 f.
Vgl. Anderson/Weitz (1986).
48
Um eine stärkere Investitionsorientierung im Marketing sicherzustellen, propagiert
Lenskold die Verwendung des Marketing Return on Investment. Dieser drückt den
auf den Entscheidungszeitpunkt abgezinsten Wert aller aus den MarketingInvestments generierten Netto-Einzahlungen im Verhältnis zu der Höhe der Investments aus. Als Input werden die Marketingausgaben, als Output wird die Summe der
Customer Lifetime Values aller aktuellen und zukünftigen Kunden, d.h. der Customer
Equity verwendet.174 Auch Rust/Lemon/Zeithaml fordern, den Return on Marketing
als Maßstab der Marketingperformance zu verwenden und ziehen ebenfalls die
durch Marketinginvestitionen ausgelöste Erhöhung des Customer Equity zur Operationalisierung des Returns (Output) heran.175 Wenig zufrieden stellend ist auch an
diesen Ansätzen die fehlende Einbeziehung „weicher Größen“, die höchstens implizit
in Form der Werttreiber der CLV-Komponenten eingehen.
Die erste mikroökonomische Studie der Marketingproduktivität, die zusätzlich qualitative Zielgrößen mit den Inputs verknüpft, liefert Thomas. Zudem werden die Bezugsobjekte der Produktivitätsanalyse auf die Bereiche Produktmanagement, Außendienst, Vertriebskanalmanagement und Kundenmanagement ausgeweitet.176 Trotz
dieser umfassenden Betrachtung kann auch Thomas keine integrative Beurteilung
der Produktivität der Marketingbereiche leisten, da hier die einzelnen Output-InputKennzahlen nicht miteinander verknüpft werden.177 Eine umfassendere Konzeptualisierung der gesamten Marketingeffizienz nehmen Bonoma/Clark vor. Den Output
bildet die Qualität der Marketingprogramme, die durch die Zufriedenheit des Managements mit der Zielerreichung gemessen wird. Als Input wird der Aufwand zur Realisierung des Outputs angesetzt. Dieses Verhältnis wird mit einem Faktor multipliziert,
der externe Einflüsse einbezieht.178 Obwohl diese Konzeptualisierung betont, dass
Marketingproduktivität das Ergebnis der Qualität des Managements ist, ist die rein
subjektive Einschätzung der Outputkomponente fragwürdig.
Sheth/Sisodia schlagen auf der Outputseite Kennzahlen vor, die an den Zielgrößen
Kundengewinnung und Kundenbindung ausgerichtet sind. Zur Bestimmung der Effizienz von Maßnahmen der Neukundenakquisition werden die Einnahmen aus den
entsprechenden Marketingaktivitäten ins Verhältnis zu den dafür erforderlichen Kosten gesetzt, die um einen Kundenzufriedenheitsindex korrigiert werden. Ähnlich wird
das Effizienzmaß für die Kundenbindung bestimmt, indem der Quotient aus Einnahmen und Kosten von Kundenbindungsmaßnahmen mit einem Kundenloyalitätsindex
multipliziert wird.179 Konzeptionell bieten Sheth/Sisodia bedeutende Erweiterungen
174
175
176
177
178
179
Vgl. Lenskold (2002).
Vgl. Rust/Lemon/Zeithaml (2004).
Vgl. Thomas (1984), S. 28.
Vgl. Daum (2001), S. 17.
Vgl. Bonoma/Clark (1992), S. 68.
Vgl. Sheth/Sisodia (1995a), S. 11 ff.
49
im Rahmen der Produktivitätsanalyse, da sie die Bezugsobjekte auf den kompletten
Marketing-Mix und auf die Marketingstrategien ausweiten. Allerdings gelingt es den
Autoren nicht, diese umfassende Konzeption der Marketingproduktivität in ein adäquates geschlossenes System von Produktivitätskennzahlen umzuwandeln.
In der Literatur existieren außer den vorgestellten Versuchen, die aggregierte Marketingeffizienz zu messen, noch weitere Ansätze, welche in Tabelle 3 überblicksartig
zusammengefasst sind. Insgesamt zeigt die Tabelle, dass in der Literatur eine starke
Heterogenität der vorgeschlagenen Einflussfaktoren der Marketingperformance besteht. Insbesondere auf der Outputseite herrscht kein Konsens hinsichtlich der wesentlichen Parameter.180 Es mangelt an Ansätzen, die diese Größen in ein einheitliches Bewertungssystem zusammenführen und ein Maß der Gesamtproduktivität i. S.
einer Spitzenkennzahl ermitteln. Für viele Kennzahlen unterbreiten die Autoren zudem keine Skalen bzw. Messvorschriften, die eine Quantifizierung ermöglichen würden.
Tabelle 3 fasst die Inputs und Outputs der wichtigen finanzorientierten und erweiterten Ansätze der aggregierten Marketingeffizienzbetrachtung zusammen.181 Bei den
bisher angeführten Ansätzen ging es darum, die Performance des gesamten Marketingbereichs zu bestimmen. Es stellt sich jedoch die Frage, ob eine solche undifferenzierte Betrachtungsweise eine ausreichende Basis für Marketingentscheidungen
ist, welche die unterschiedlichsten Bereiche im Marketing betreffen und damit eigentlich auf individuellen Controlling-Informationen fußen sollten. Zudem ist fraglich, ob
im Hinblick auf die Komplexität des Marketingbereichs mit seinen unterschiedlichen
Entscheidungsfeldern (Organisationseinheiten, Absatzsegmente, Marketinginstrumente), die „eine“ Gesamtmarketingeffizienz bestimmbar ist.
Autoren
Inputs
Outputs
Methode
• Marketing-Deckungsbeitrag
Marginalanalyse
• Umsatz oder Netto-Gewinn
konzeptionell
• Gewinn
Marginalanalyse
Marginalanalyse
Finanzielle Ansätze (Profitability Approaches)
Feder (1965)
• Variable Marketingkosten (Werbeund Verkaufsförderungskosten)
Sevin (1965)
• Marketingkosten (direkte und indirekte Verkaufskosten, Werbekosten,
Kosten für Sales Promotions, Kosten für Lagerung, Versand und Bestellabwicklung)
Goodman
(1967)
• Entscheidungsrelevante Marketing-
Corr (1976)
• Geschätzte zukünftige Werbe- und
• Geschätzte zukünftige Marketing-
Verkaufsförderungskosten (incremental cost)
Deckungsbeiträge (incremental
rate)
180
181
kosten
Vgl. Reinecke (2004).
Vgl. auch Kleemann (2004), S. 22-27.
50
Autoren
Inputs
Outputs
Methode
Angehrn
(1978)
• Akquisitorische Kosten (Kosten für
• Deckungsbeitrag
konzeptionell
Anderson/
Weitz (1986)
• Langfristige Marketingkosten
• Gewinn
konzeptionell
Chebat et al.
(1994)
• Gesamt-Marketingbudget (Budgets
• Gewinn
DEA
• Customer Equity
konzeptionell
Werbung, Verkaufsförderung, Lieferbereitschaft, Kundenakquisition,
Auftragseinholung, Kundendienst)
(Overhead-Kosten)
für Kundendienst, Vertrieb, Werbung, Verkaufsförderung, Public
Relations, Marktforschung)
• Anzahl Marketingmitarbeiter in den
genannten Bereichen
• Gesamter Forschungsaufwand
• Anzahl Mitarbeiter in NichtMarketingbereichen (Finanzen, IT,
F&E, Personalabteilung)
Lenskold
(2002)
• Marketinginvestitionen
Erweiterte Ansätze unter Berücksichtigung nicht finanzieller Kennzahlen („Soft Approaches“)
Thomas
(1984)
• Anzahl besuchter Kunden
• Aufwendungen für Kundenbearbeitung
Hawkins/
Best/Lillis
(1987)
• Marketingausgaben (Summe der
Ausgaben für Vertrieb, Werbung,
Promotions, Marketingadministration, Marktforschung)
•
•
•
•
•
•
•
• Nicht steuerbare Inputs:
- Marktwachstum
- Anzahl Konkurrenten
- Produktwechselhäufigkeit im
Markt
- Anzahl direkter Kunden
- Relative Sortimentsbreite (Breite
der Produktpalette im Verhältnis
zur Breite der drei größten Konkurrenten)
Bonoma/
Clark (1992)
•
•
Herremans/
•
Ryans (1995)
•
•
Sheth/Sisodia
(1995a)
Murthi/
Srinivasan/
Kalyanaram
(1996)
Marketingaufwand
konzeptionell
Durchschnittliche Auftragsgröße
Einstellung der Kunden
Kundenloyalität
Umsatz
Regression
Relativer Marktanteil
Relativer Preis (durchschnittliche
Verkaufspreis im Verhältnis zum
Durchschnittspreis der drei größten Konkurrenten)
• Qualität der Marketingprogramme
konzeptionell
• Zunahme des Unternehmenswer-
Kennzahlenvergleich
Externe Umweltfaktoren
Gesamte Marketingausgaben
tes
Anzahl Markenprodukte
Produktqualität
• Kosten der Neukundenakquisition
• Kosten der Kundenbindung
•
•
•
•
Erzielte Aufträge
Marketingausgaben
Produktqualität
Preisniveau
Unternehmensimage
•
•
•
•
•
•
•
•
Markenwichtigkeit
Markenwahrnehmung
Umsatz der Neukunden
konzeptionell
Umsatz bestehender Kunden
Kundenzufriedenheit
Kundenloyalität
ROI
Marktanteil
DEA,
Regression
51
Autoren
Inputs
Outputs
Methode
Davidson
(1999)
• Anteil Marketingkosten (Betreu-
•
•
•
•
•
•
•
•
•
•
konzeptionell
ungs- und Servicekosten, Werbeausgaben, Aufwand für Mitarbeiterschulungen etc.) am Umsatz
Fischer/Herrmann/Huber
(2001)
• Kundenzufriedenheitsinvestitionen
Reinecke/
Reibstein
(2002)
• Marketingbudget
Sheth/Sisodia
(2002)
•
•
Bruhn/Georgi
(2005)
Donthu/
Hershberger/
Osmonbekov
(2005)
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
Marketinginvestitionen zur Kunden- •
gewinnung und Kundenbindung
•
Länge des Produktlebenszyklus
•
•
Aufwand für Kundenbindungsma•
nagement (Güterverzehr für Maß•
nahmen zum Aufbau und zur Erhal•
tung von Kundenbeziehungen)
•
•
Werbe- und Promotionausgaben (in •
Prozent des Umsatzes)
•
Umsätze nach Absatzkanälen
Relativer Preis
Marktanteil
Marktanteilsentwicklung
Anzahl Kunden
Kundenzufriedenheit
Anzahl Kundenbeschwerden
Kundenqualität/Kundenwert
Weiterempfehlungen
Verursachte Kundenwertsteigerung (Return on Customer Satisfaction)
Regression
Umsatzanteil Neukunden
konzeptionell
Umsatzanteil Neuprodukte
Umsatzrentabilität
Umsatzwachstum
Deckungsbeitrag
Kapitalumschlag
Relativer Marktanteil
Distributionsgrad
Share of Voice
Kaufabsicht
Kundenzufriedenheit
Kundenbindung
Bekanntheitsgrad
Wahrgenommene Servicequalität
Wahrgenommene Produktqualität
Markenstärke
Zahl Kundenakquisitionen
konzeptionell
Länge der Kundenbeziehung
Kundenzufriedenheit
Kundenloyalität
Wiederkaufabsicht
konzeptionell
Preisbereitschaft
Kauffrequenz
Cross-Buying-Absicht
Kommunikationsnutzen
Umsatz
Kundenzufriedenheit
• Anzahl der Marketingmitarbeiter
• Erfahrung der Marketingmanager
Tabelle 3: Beiträge zur aggregierten Marketingeffizienz
DEA
52
Außerdem bietet eine aggregierte Analyse allein keinen ausreichenden Informationsgehalt zur Unterstützung von Entscheidungen bzgl. des Einsatzes der einzelnen
Marketingaktivitäten. Eine detaillierte Analyse der Marketingeffizienz kann erfolgen,
indem durch eine Aufspaltung des Marketingbereichs in Bezugsobjekte eine sinnvolle Disaggregation der strategischen Marketingeffizienz in unterschiedliche Teileffizienzen vorgenommen wird. Dennoch ist die zusätzliche Analyse der globalen Marketingeffizienz unverzichtbar, um ausschließlich lokale Optimierungsversuche zu
verhindern, die die Effizienz in den verschiedenen Subsystemen zwar erhöhen, aber
die Leistung des Gesamtsystems verringern und somit die strategischen Zielerreichungen auf Unternehmensebene gefährden.182
3.2.2.
Disaggregierte Marketingeffizienz
Während die Bewertung der aggregierten Marketingeffizienz auf strategische Zielgrößen basiert, leiten sich die Maßstäbe der disaggregierte Effizienzbetrachtung aus
den operativen Zielsetzungen ab, die eher einen kurzfristigen Zeithorizont aufweisen
und sich auf einzelne Marketingaktionen beziehen. Um die Marketingmaßnahmen
bewerten zu können, muss eine Disaggregation der Input- und Outputfaktoren stattfinden. Maßstab der operativen Analyse ist daher die disaggregierte Marketingeffizienz. In Anlehnung an die Aufteilung des operativen Marketing in die vier bekannten
Marketing-Mix-Elemente (Teilpolitiken) bietet sich eine Disaggregation der Marketingeffizienz in die Teileffizienzen Produkt-, Preis-, Distributions- und Kommunikationseffizienz an.183 Thomas betrachtet neben den vier Instrumentaleffizienzen zusätzlich die Marketingproduktivität in Bezug auf das Management der Kundenbeziehungen.
Im Folgenden werden die Aufgabenbereiche und Bezugsobjekte der Effizienzanalyse
innerhalb der vier Instrumentalbereiche des Marketing sowie die jeweils zu verwendenden Input- und Outputfaktoren, ihre Messung und Verknüpfung dargestellt.
3.2.2.1.
Produkteffizienz
3.2.2.1.1. Anbieterorientierte Produkteffizienz
Die Steuerung der Marktpräsenz einzelner Produkte sowie die Produktprogrammgestaltung sind die zentralen Entscheidungsfelder innerhalb der Produktpolitik.184 Somit
lassen sich einzelne Produkte sowie das Produktprogramm bzw. Produktlinien als
Bezugsobjekte der Effizienzmessung im Bereich des Produktmanagements erken182
183
184
Vgl. Neely (2004), S. 50.
Vgl. Auerbach/Czenskowsky (2003); Rust et al. (2004).
Vgl. Homburg (1998), S. 3-18.
53
nen. Der Begriff der Produkteffizienz kann dabei aus zwei verschiedenen Sichtweisen – anbieter- und kundenorientiert - erfasst werden, welche beide in ein Produktcontrolling einfließen müssen.
Zunächst kann die Effizienz der Produktpolitik, dem klassischen Verständnis folgend,
aus Sicht des Unternehmens untersucht werden (anbieterorientierte Effizienz). Hier
steht die wirtschaftliche Nutzung der für die produktpolitischen Aktivitäten aufgewendeten Ressourcen im Vordergrund. Auf der Ebene der einzelnen Produkte gehören
hierzu Prozesse im Rahmen von Produktinnovationen und -eliminationen. Im Rahmen von Neuprodukteinführungen sind die drei Teilprozesse Ideengewinnung, Produktgestaltung sowie Markteinführung zu unterscheiden. Für den Teilprozess der
(Neu)Produktgestaltung lässt sich die Profitabilität vereinfacht als Return on Product
Quality konzeptualisieren.185 Hierbei werden die ökonomischen Effekte (Preiserhöhungen, Kostensenkungen) von Investitionen in die Produktqualität untersucht. Um
den gesamten Prozess der Produkteinführung abzubilden, können auf der Inputseite
auch Entwicklungskosten und -dauer, Kosten für Produkttests, Kosten der Produkteinführung und des Produktmanagements, Markenführungskosten, aber auch Kosten
des Beschwerdemanagements, der Wert gewährter Kulanzen sowie Fehlerkosten
integriert werden. Auf der Outputseite können zusätzlich Pioniergewinne (Erfahrungskurvenvorteile und Marktanteilsvorsprünge aufgrund frühzeitiger Markteinführung) sowie weiche Größen wie die Anzahl an Probekäufen, Wiederkaufabsicht, Produktimage und Produktzufriedenheit einbezogen werden.186 Ein umfassendes Verständnis der anbieterseitigen Produkteffizienz erfordert somit, die Effizienz der Ressourcennutzung entlang des gesamten Prozesses von der Ideengewinnung über die
Produktgestaltung bis hin zur Markteinführung zu überprüfen.
Auf der Ebene des Produktprogramms sind als Inputgrößen v.a. die Zahl der Produktvarianten innerhalb einer Linie und die Zahl der Produktlinien im Programm relevant. Auf der Outputseite ergeben sich als zentrale Größen die Cross-Selling-Erlöse
durch Ausdehnung von Kundenbeziehungen, die Erhöhung der Kundenbindung
durch Befriedigung des Abwechslungsbedürfnisses innerhalb der eigenen Produktpalette sowie das Wachstum und die Risikoreduktion durch Vorstoß in neue Marktfelder etwa im Rahmen der lateralen Diversifikation.187
Überträgt man die interne Perspektive der Produkteffizienzanalyse auf den Dienstleistungsbereich, so kann die Effizienz der Dienstleistungserbringung untersucht
werden, indem die dafür eingesetzten Potenzialfaktoren (sog. tangible Faktoren wie
informationstechnische Infrastruktur, Einrichtung, Erscheinungsbild des Personals)
185
186
187
Vgl. Rust/Moorman/Dickson (2002); Thomas (1984), S. 20.
Vgl. Daum (2001); Edgett/Snow (1997).
Vgl. Daum (2001), S. 68 f.; Homburg (1998), S. 209.
54
und immaterielle Prozessfaktoren (Expertise, Kompetenz, Freundlichkeit, Reagibilität
auf Kundenwünsche) mit den resultierenden Ergebnissen verknüpft werden.188 Die
Ergebnisse konkretisieren sich dabei in zwei Stufen. Zunächst ist im ersten Schritt
die Erreichung einer positiven Servicequalitätswahrnehmung der Kunden sicherzustellen. Im zweiten Schritt muss daraus Kundenzufriedenheit und -loyalität und als
Resultat finanzieller Erfolg in Form kundengenerierter Cash Flows erzeugt werden.189
Als insgesamt effizient sind jene Dienstleister anzusehen, die sowohl bei der Transformation der Ressourcen in positive Qualitätsbeurteilung (erste Produktionsstufe)
als auch bei der anschließenden Transformation der Servicequalität in vorökonomische und ökonomische Ergebnisgrößen (zweite Produktionsstufe) erfolgreich sind. In Tabelle 4 sind die für eine Analyse der anbieterseitigen Produkteffizienz
maßgeblichen konzeptionellen und empirischen Arbeiten zusammengefasst.
3.2.2.1.2. Nachfragerorientierte Produkteffizienz
Im Rahmen der zweiten Perspektive wird die Produkteffizienz als Ausdruck der Wertbzw. Nutzensteigerung für Kunden verstanden. Die Identifizierung und Gestaltung
von Produkt- und Servicekonzepten, die einen maximalen Wert für den Kunden stiften, ist die Vorstufe der Produktion und Vermarktung dieser Leistungen im Rahmen
der Produktpolitik. Erst wenn die aus Kundensicht effizienten Leistungen definiert
sind, kann eine effiziente Bereitstellung und Vermarktung dieser Leistungen für die
Kunden erfolgen.190 Unternehmen müssen daher an beiden Fronten erfolgreich sein:
Bei der Investition in Produktionsanlagen und -prozesse (operative Seite), aber auch
bei der Investition in erfolgversprechende Produkte und Services (Kundenseite).
Folglich sind auch bei der Bewertung und Auswahl von Produktalternativen Effizienzkriterien heranzuziehen, die hier jedoch aus Kundensicht zu definieren sind. Diesem
externen, nachfragerorientierten Effizienzbegriff (nachfragerorientierte Produkteffizienz) liegt die Erkenntnis zu Grunde, dass die Optimierung von Produkten bzw.
Dienstleistungen aus Kundensicht das konstituierende Prinzip des Marketing darstellt.
Dennoch ist in der Literatur bisher ein Mangel an Ansätzen zur Produkteffizienzmessung zu konstatieren, welche die Kundenperspektive in den Vordergrund stellen.191
„Even though efficiency measurement has been a fruitful area of scholarly research
188
189
190
191
Zu den Phasen des Prozesses der Dienstleistungserstellung, der aus Anbietersicht durch das in
der englischsprachigen Literatur verbeitete Konzept der service profit chain beschrieben werden
kann, vgl. Bauer/Falk/Hammerschmidt (2006); Kamakura et al. (2002), S. 294.
Vgl. Bauer/Falk/Hammerschmidt (2006); Mukherjee/Nath/Pal (2003).
Vgl. Bauer/Hammerschmidt (2002), S. 3; Triantis (2004), S. 402.
Vgl. Parsons (1994), S. 170 f.; Triantis (2004), S. 402; Xue/Harker (2002), S. 253 f.
55
decision makers have not extensively implemented efficiency measurement concepts
to improve the design performance of products.”192
Autoren
Inputs
Outputs
Methode
• Periodenergebnis
Strukturgleichungsmodell
•
•
•
•
•
•
•
•
•
Unternehmensbefragung
Produktgestaltung
Rust/Zahorik/
Keiningham
(1995)
• Qualitätsbedingt investiertes
Edgett/Snow
(1997)
•
•
•
•
•
Kapital
Beschwerdenanzahl
Wert gewährter Kulanzen
Fehlerquote
Anzahl Kundenbeschwerden
Produktionskapazität
Marktanteil
Wachstum der Kundenzahl
Umsatzwachstum
Gewinn
Cross-Selling-Erlöse
Kundenloyalität
Kundenzufriedenheit
Wiederkaufrate
Produktqualität gegenüber Standards
• Wahrgenommenes Unternehmensimage
Daum (2001)
• Anzahl erfolgreicher Neuprodukteinführungen
•
•
•
•
•
•
Rust/Moorman/
Dickson (2002)
Floprate
• Absatzmenge
• Umsatz, Deckungsbeitrag
• Pioniergewinne (durch frühzeitige
Markteinführung)
Entwicklungskosten
Entwicklungsdauer
Qualitätskosten
Produkteinführungskosten
Kosten des Produktmanagements
• Markenführungskosten
• Qualitätsinvestitionen
konzeptionell
•
•
•
•
•
Deckungsbeitrag
Anzahl verkaufte Produkteinheiten
Kundenzufriedenheit
Qualität der Produkteigenschaften
Wiederkaufabsicht
• Resultierende Kostensenkungen
(bei Fehlerkosten, Produktionskosten etc.)
Strukturgleichungsmodell
• Resultierende Preiserhöhungen
Produktprogrammgestaltung
Daum
(2001)
• Anzahl Produktvarianten und
Produktlinien (evtl. aufgeteilt
nach A-, B-, C-Produkten)
• Komplexitätskosten
• Kosten der Programmgestaltung
• Absatz/Umsatz der Warengruppe
• Cross-Selling-Erlöse
• Kundenzufriedenheit mit Sortimentsbreite
• Markenloyalität
• Kosten des Category Management
• Markenführungskosten
(Dachmarke)
Tabelle 4: Beiträge zur anbieterorientierten Produkteffizienz
192
Triantis (2004), S. 403.
konzeptionell
56
Dies resultiert aus der Tatsache, dass die Domäne von Ökonomen und Operations
Researchers bisher nahezu auschließlich der Produktionsbereich ist; im mit der Produktion korrespondierenden Marketingbereich (Produktpolitik) fehlen diese jedoch
bisher. Dies ist verwunderlich, da in der neueren Literatur zum wertorientierten Marketing die Einschätzung weithin verbreitet ist, dass Kundenbeziehungen erst einen
Wert für das Unternehmen generieren, wenn zuvor die Produkte und Leistungen des
Unternehmens einen Wert für den Kunden stiften.193 Dabei ist der Wert einer Leistung umso höher, je mehr Outputs (i.S. der nutzenstiftenden Leistungsparameter des
Produktes) diese für eine betragsmäßig festgelegte Menge an Geldeinheiten (Inputs:
z.B. Kaufpreis, laufende Kosten) bereitstellt. Je besser dieses Verhältnis ausfällt,
desto effizienter werden die Investitionen des Kunden in entsprechende Outputs
transformiert.194
Die nachfragerorientierte Produkteffizienz ist im Grundprinzip eng verwandt mit dem
Konzept des Preis-Leistungs-Verhältnisses. Dieses untersucht jedoch den Quotienten aus der Produktqualität (definiert als eindimensionales Qualitätsrating) und dem
Kaufpreis.195 Eine globale Betrachtung der Qualität erscheint somit wenig sinnvoll,
um den Produktbeurteilungsprozess eines Konsumenten mit differierenden Präferenzen angemessen zu repräsentieren. Aus diesen Überlegungen heraus ist die Definition von Produkten zu präzisieren, indem diese als Bündel von Input- und Outputattributen verstanden werden.196 Sie folgt somit der inzwischen gesicherten Erkenntnis der modernen mikroökonomischen Nachfragetheorie, wonach Produkte nicht als
Entitäten, sondern als Bündel nutzenstiftender Eigenschaften zu betrachten sind,
wobei die Qualität eine Funktion dieser Eigenschaften darstellt.197 Eine Produkteffizienzbetrachtung erweitert das Konzept des Preis-Leistungs-Verhältnisses zu einem
umfassenden Nutzwert im Sinne eines Verhältnisses multipler Outputs und multipler
Inputs.
Fließen in die Bewertung alle im Verlauf des Erwerbs und der Nutzung eines Produktes relevanten Outputs ein, d.h. neben technischen Merkmalen auch nicht funktionale
Attribute, dann repräsentiert der Produkteffizienzwert ein umfassendes Konzept, welches als Customer Value interpretiert werden kann. Dabei lassen sich unterschiedliche Input-Output-Mixes (Produktkonzepte) identifizieren, die unterschiedliche Produktsegmente konstituieren, welche mit spezifischen Kundenpräferenzen korrespondieren. Für jeden Teilmarkt können dann Benchmarks in Form von Referenzprodukten ermittelt werden, die einen maximalen Effizienzwert in Relation zu den übrigen
193
194
195
196
197
Vgl. Vargo/Lusch (2004), S. 2.
Vgl. Bauer/Hammerschmidt/Staat (2002), S. 4 f.
Vgl. Ratchford et al. (1996), S. 168 f.
Vgl. Staat/Bauer/Hammerschmidt (2002).
Vgl. Lancaster (1966); Ratchford et al. (1996), S. 172.
57
Alternativen für die Kunden generieren. Diese Referenzprodukte können als Zielpositionen im Produktmarktraum fungieren.198 Durch die Maximierung des Customer Value eines Produktes – konzeptualisiert durch den Output-Input-Effizienzwert aus
Kundensicht – wird die Anpassung der Produkte an die Kundenanforderungen der
verschiedenen Teilmärkte sichergestellt. Damit lassen sich die folgenden Kernaufgabe der nachfragerorientierten Produkteffizienzanalyse zusammenfassen:199
1) Abgrenzung von Produktteilmärkten, in denen Produkte zusammenzufassen sind,
die sich durch ähnliche Konzepte der Customer-Value-Generierung und somit einen
hohen Grad an Austauschbarkeit auszeichnen
2) Produktbenchmarking auf Basis der Ermittlung teilmarktspezifischer Referenzprodukte (best buys), um den relativen Customer Value der Produkte zu ermitteln
3) Analyse der Ursachen für evtl. Ineffizienzen eines Produktes
4) Ableitung von Handlungsempfehlungen zur Modifikation der Produkteigenschaften
mit dem Ziel der Customer-Value-Maximierung
Die Aufwands- und Leistungsparameter, die bisher im Rahmen grundlegender Untersuchungen zur nachfragerseitigen Produkteffizienz verwendet wurden, zeigt
Tabelle 5. Auffällig ist, dass bei der Evaluierung der Produkteffizienz aus Kundensicht auf der Input-Seite leicht zu quantifizierende Größen wie Kaufpreis und laufende Kosten des Gebrauchs dominieren. Es wäre aufschlussreich, weitere vor der
Kaufentscheidung anfallende Inputgrößen wie Such- und Transaktionskosten zu berücksichtigen.
Um ein ganzheitliches Produkteffizienz-Controlling zu ermöglichen, sind schließlich
Anbieter- und Nachfragerperspektive systematisch zusammenzuführen. Ziel muss es
sein, Aussagen für unternehmerische Strategieentwürfe und Aktionen auf Produktebene zu gewinnen, die sich an der Werterzeugung für Kunden ausrichten. So können die Ergebnisse beider Perspektiven die Auswahl und Bearbeitung attraktiver
Teilmärkte etwa in Form noch wenig besetzter Nischen unterstützen. Im Rahmen der
Produktpositionierung können neben Hinweisen auf Produktverbesserungen (d.h.
Modifikation der Input- und Outputattribute) auch Entscheidungen über Produktneueinführungen bzw. -eliminationen im Zuge der Optimierung der Tiefe und Breite des
Produktprogramms fundiert werden.
198
199
Vgl. Bauer/Hammerschmidt/Staat (2002), S. 6 f.
Vgl. Staat/Bauer/Hammerschmidt (2002), S. 205 f.; Staat/Hammerschmidt (2005), S. 306 f.
58
Autoren
Inputs
Outputs
Methode
Doyle/Green
(1991)
(Computerdrucker)
• Kaufpreis
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
DEA
Bauer/Staat/
Hammerschmidt
(2000)
(Automobile)
FernandezCastro/Smith
(2002)
(Automobile)
• Kaufpreis
• Laufende Kosten
• Listenpreis
Druckqualität
Druckgeschwindigkeit
Geräuscharmut
Größe des Speichers
Zuverlässigkeit (Fehlerquote)
Breite des Papiereinzugs
Restwert
DEA
Zuverlässigkeit
Sicherheit
Komfort
Fahrleistung
Erfüllte Abgasnorm
Motorleistung
DEA
Verbrauch
Innengeräusch
Kofferraumvolumen
Innenraum
Tabelle 5: Beiträge zur nachfragerorientierten Produkteffizienz
3.2.2.1.3. Markeneffizienz
Marken wurden als eigenständiger Objektbereich der Effizienzanalyse im Rahmen
der Produktpolitik bisher gänzlich ignoriert. Dies ist verwunderlich, denn für viele Unternehmen stellen Marken die größten intangiblen Vermögensgegenstände dar.200
Nicht selten beträgt der Anteil des Markenwertes am Unternehmenswert 70 oder gar
80 %, wie etwa bei den Marken BMW, Kodak, Xerox oder Gucci.201 Dies verdeutlicht
die strategische Relevanz des Markenwertes und dessen Messung, Steuerung und
Kontrolle. Zur Erfassung des Markenwertes wurden in der Marketingliteratur und
-praxis in den letzten Jahren unzählige Ansätze entwickelt, die den Markenwert aus
unterschiedlichen Perspektiven konzeptualisieren. So versuchen die finanzorientierten bzw. betriebswirtschaftlichen Ansätze den Wert des Vermögensgegenstandes
Marke durch monetäre Kennzahlen zu messen, indem die durch eine Marke generierten Zahlungsströme betrachtet werden. In diesem Sinne wird Markenwert als
ökonomischer (gewinn- oder kapitalwertorientierter) Markenwert verstanden, für den
sich in der englischsprachigen Literatur der Begriff Brand Equity findet.202 Die verhaltenswissenschaftlichen Ansätze erfassen den Wert einer Marke über die Reaktionen,
die eine Marke beim Konsumenten hervorruft und die die Markenwahl beeinflussen.
200
201
202
Vgl. Srivastava/Shervani/Fahey (1998), S. 2.
Vgl. Interbrand (2003).
Vgl. Rust et al. (2004); Srivastava/Shervani/Fahey (1998), S. 2.
59
In diesem Sinne wird Markenwert als Markenstärke bzw. Customer Based Brand
Equity verstanden.203 Diese stellt ein im Kopf des Konsumenten verankertes, unverwechselbares Vorstellungsbild einer Marke dar, welches an eine klare Markenpräferenz gekoppelt ist. Damit erfasst Markenstärke sowohl psychologische als auch verhaltensbezogene Wirkungen einer Marke.204 Erstere bilden emotional-affektive Vorstellungen/Assoziationen (wie etwa Markenimage) und Anmutungen (wie Markensympathie) sowie kognitive Reaktionen (wie Markenwissen oder -bekanntheit) ab.
Wiederkäufe oder Markenloyalität als Ergebnisse des durch die Marke veränderten
Kaufverhaltens kennzeichnen die Verhaltenswirkungen.
Ein ganzheitliches Verständnis des Markenwertes muss letztlich sowohl die konsumentenbasierte als auch anbieterorientierte Perspektive integrieren. Denn erst die
psychischen Prozesse beim Konsumenten führen zur Wertschätzung und Begehrlichkeit der Marke, die in kapitalisierbaren Zahlungsströmen infolge eines Kaufaktes
resultieren.205 Die kombinativ-zweistufigen Verfahren, die einen monetären Markenwert durch Transformationsregeln aus einem Markenstärkeindex ableiten, tragen
dieser Sichtweise Rechnung.206
Mit wenigen Ausnahmen konzentrieren sich die Ansätze der genannten drei Gruppen
lediglich auf die Outputseite (Ergebnisse) der Markenführung. Darüberhinaus haben
sie eine Vielzahl verschiedener Markenwertindikatoren hervorgebracht, die relativ
unverbunden nebeneinander stehen und nur spezifische Aspekte der Markenführung
abbilden. Vor dem Hintergrund milliardenschwerer Investitionen vieler Unternehmen
in den Ausbau ihrer Marken207 und eines zunehmenden Wettbewerbs- und Kostendrucks wird auch vom Markenmanagement mehr und mehr der Nachweis gefordert,
die monetären und nicht monetären Ergebniswirkungen im Markt (Outputs) in Beziehung zu den dafür eingesetzten Ressourcen (Inputs) zu setzen. Eine effizienzorientierte Markenführung ist erforderlich, um ein von vielen Unternehmen zunehmend
beklagtes Overspending zu verhindern. Hierunter sind unproduktive Ausgabensteigerungen zu verstehen, die nicht in einer entsprechenden Erhöhung der Zielgrößen der
Markenführung resultieren. Um solche zu erkennen, sind Ansätze erforderlich, die
die verschiedenen Inputs (Kosten) und die resultierenden Outputs (Ergebnisse, Nutzen) der Markenführungsprozesse in Relation setzen. Der Markenwert sollte nicht
nur eine monetäre Erfolgsgröße oder ein Maß der Markenstärke in den Köpfen der
Konsumenten sein, sondern ein Input-Output-Effizienzwert.
203
204
205
206
207
Vgl. Aaker (1991), S. 43.
Vgl. Bekmeier-Feuerhahn (1998), S. 34 ff.
Vgl. Bekmeier-Feuerhahn (1998), S. 38; Schulz/Brandmeyer (1989), S. 365.
Vgl. Zimmermann et al. (2001), S. 55-69.
Beispielsweise wendete Philip Morris für den Kauf der Marke „Kraft“ rund 11,6 Milliarden US $
auf; vgl. Bekmeier-Feuerhahn (1998), S. 42.
60
Stellt die Marke die „geronnenen Leistungen“ im Rahmen der Markenführung dar,208
so kann Markeneffizienz mit Markenführungseffizienz gleichgesetzt werden. Die
Marke steht in diesem Fall für die objektmäßige Konkretisierung des extern nicht
sichtbaren Markenführungsprozesses im Markt. Alle Inputs und Outputs der Marke
können somit letztlich der Markenführung zugerechnet werden. Die Markeneffizienz
gibt dann an, wie effizient das Markenmanagement Markeninputs in Markenoutputs
transformiert. Ziel einer effizienzorientierten Markenführung ist nicht die ausschließliche Optimierung der Ergebnisgrößen (z.B. Image, Bekanntheit, Preispremium), sondern die Optimierung der Ergebnisse relativ zu den dafür eingesetzten Ressourcen,
d.h. des Return on Brand Investment.
Die Betrachtung des Markenwertes als Output-Input-Relation entspricht explizit dem
Grundverständnis der wertorientierten Unternehmensführung. So wird der Blick dafür
geschärft, dass das Markenmanagement durch eine Steuerung der Input- und Outputseite zur Erhöhung des Free Cash Flow als dem zentralen Bestandteil des Shareholder Value beitragen kann. Zum einen wirken Marken auf die Höhe des Free
Cash Flow, indem sie helfen, höhere Erlöse zu erzielen als „namenlose“ Produkte.209
Sie eröffnen so Wachstumschancen durch bessere Ausschöpfung bestehender Erlösquellen (Markentreue und höhere Zahlungsbereitschaft) und Erschließung neuer
Erlöspotenziale (Extensions, Merchandising).210 Eine Zunahme des Cash Flow ist
zudem durch die Reduzierung der Marketingkosten aufgrund starker Marken möglich. Eine hohe Markenloyalität der Konsumenten wirkt sich in einem relativ geringeren Investitionsaufwand z. B. für Neukundenwerbung aus.211 Die Stabilisierung der
Nachfrage durch Markenloyalität senkt weiterhin die Kapitalkosten, indem der Diskontierungszins aufgrund einer geringeren Cash-Flow-Volatilität gesenkt wird.212 Eine
simultane Input- und Outputbetrachtung ist offensichtlich eine wesentliche Voraussetzung zur Steigerung des Unternehmenswertes.
Markeninputs sind „Investitionen“, die Unternehmen für den Aufbau und die Führung
einer Marke einsetzen müssen. Hierunter fallen z.B. Kommunikations- und Distributionsaufwendungen und Kosten für Qualitätsmanagement. Markenoutputs stellen die
„Erträge“ i. S. erwarteter Markenwirkungen im Markt dar, welche entscheidend dafür
sind, dass von einer Marke gesprochen werden kann.213 Hierzu gehören unternehmensbezogene, monetäre Wirkungen wie die Generierung von Markenerlösen oder
208
209
210
211
212
213
Vgl. sinngemäß Bauer (1995), S. 145.
Vgl. Ailawadi/Lehmann/Neslin (2003).
Vgl. Bekmeier-Feuerhahn (1998), S. 42; Farquhar (1989), S. 25.
Vgl. Aaker (1991), S. 30; Clark (1999), S. 715.
Vgl. Srivastava/Shervani/Fahey (1998), S. 12.
Die wirkungsorientierten Ansätze der Markendefinition haben sich mittlerweile durchgesetzt; vgl.
Bauer (2004).
61
Preisprämien, aber auch psychografische, konsumentenbezogene Effekte wie die
Erhöhung von Markenbekanntheit oder Markenimage.214
Um einen Überblick über die relevanten Faktoren zu erlangen, die in die Messung
der Markeneffizienz einfließen könnten, bietet es sich an, die von den verschiedenen
Gruppen von Markenbewertungsverfahren vorgeschlagenen Variablen zu betrachten
und diese hinsichtlich ihrer Zugehörigkeit zur Input- oder Outputseite zu strukturieren.
Hierzu sollen die Kernaussagen der etablierten Verfahren kompakt zusammengefasst werden, um offene Forschungsfragen in Bezug auf die Markeneffizienzanalyse
zu identifizieren. In Tabelle 6 werden die von den Markenbewertungsmodellen behandelten Faktoren, aufgeteilt nach Input- und Outputgrößen, vorgestellt.
Aus der kritischen Würdigung der bestehenden Markenwertmodelle ergeben sich
einige Schwächen, die die Entwicklung eines effizienzorientierten Markenbewertungsansatzes notwendig erscheinen lassen. So behandeln viele Ansätze nur wenige
Größen und nehmen keine Verknüpfung mit den von anderen Ansätzen vorgeschlagenen Variablen vor.
Modell
Inputbezogene Größen
Outputbezogene Größen
Betriebswirtschaftlich-finanzorientierte Modelle
Ertragswertorientierter
Ansatz von Kern
(1962)
• Abdiskontierte markenspezifische Cash
Flows/Jahresüberschüsse über die Lebensdauer der Marke
• „x-fache“ des Gewinns/Umsatzes
• Markenerlöse (Preispremium multipliziert mit
Modell von Herp
(1982)
Investitions- und kostenorientierte Verfahren (vgl. Kapferer
2005)
Absatzmenge)
• Markenkosten (historische
Kosten/Investitionen in die
Marke oder gegenwärtige
„Wiederbeschaffungskosten“)
Kapitalmarktorientiertes Modell von Simon/Sullivan (1993)
• Börsenwert abzüglich des Wertes der materiel-
Modell von Consor
(vgl. Zimmermann et
al. 2001, S. 37)
• Marken-Cash-Flow (berechnet aus Lizenzge-
Modell von Crimmins
(1992)
• Preispremium (Preisdifferenz zu einer gleich
len Aktiva
• Erzielter bzw. potenzieller Verkaufspreis der
Marke (Marktwert)
bühr für vergleichbare Marke und Jahresumsatz)
wünschenswerten Konkurrenzmarke; value
added by brand)
Modell von Sander
(1994)
• Markenkosten (Differenz
Unternehmenswertmodell von Repenn/ Weidenhiller/ Tafelmaier
(2005)
• Grundwert (Kosten zur
214
zwischen Kosten für Markenartikel und unmarkiertes
Produkt)
Schaffung und Erhaltung der
Marke)
Vgl. Bauer/Huber (1997).
• Markenerlöse als hedonischer Preis des Merkmals „Marke“ (d.h. der durch Marke bewirkte
Mehrerlös pro Produkteinheit)
• Betriebswert (Markenerlöse als %-Anteil vom
Jahresumsatz)
• Lizenzgewinne
62
Psychografisch-verhaltensorientierte Modelle
Modell von Aaker
(1991)
•
•
•
•
•
•
Modell von Keller
(1993)
Markeneisberg-Modell
von Icon (vgl. Andresen/Esch 1999)
Markentreue
Wahrgenommene Qualität (Image)
Markenbekanntheit
Markenassoziation
Markenbekanntheit
Markenwissen
• Markenbild (Markenbekanntheit, Einprägsamkeit, Markenpräsenz, Klarheit und Attraktivität
des inneren Markenbildes, Markenuniqueness)
• Markenguthaben (Markensympathie, Markenvertrauen, Markenloyalität)
Brand Asset Valuator
von Young & Rubicam
(vgl. Zimmermann et
al. 2001)
• Markenstärke (Differenzierung, Relevanz)
• Markenstatus (Ansehen, Vertrautheit)
Modell von McKinsey
(vgl. Zimmermann et
al. 2001)
•
•
•
•
•
Modell von Kapferer
(2005)
Marktanteil
Preispremium
Eingesparte Marketingkosten
Leveragepotenzial
Funktionaler Markennutzen:
- Risikoreduktion (Sicherheit, Ersparnis von
Transaktionskosten)
- Qualitätssignalisierung
- Kaufhabitualisierung
Kombinativ-zweistufige Modelle
Modell von Interbrand
(vgl. Penrose 1989)
• Marketing-Unterstützung
(Werbung, Promotions,
Handelsunterstützung)
• Markteinfluss (Marktanteil, Handelsdurchsetzung, Image etc.)
• Marktposition (Volumen, Markenbindung, Nach-
• Rechtlicher Schutz der
Marke
frage etc.)
• Markenstabilität (Alter, Akzeptanz)
• Internationalität der Marke
• Trend der Marke (zukünftiges Entwicklungspotenzial)
• Markenqualität (Persönlichkeit etc.)
Nielsen Brand Performancer (vgl. Kriegbaum 2001)
•
•
•
•
•
•
•
•
•
Markengewinn
Marktvolumen
Marktanteil
Marktanteilswachstum
Marktwachstum
Gewichtete Distributionsquote
Markenbekanntheit
Markentreue
Markenrelevanz
• Monetärer Markenwert (Markenwertanteil am
Ertragspotenzial)
63
Marktorientiertes Markenbewertungsmodell
von BekmeierFeuerhahn (1998)
Modell von Sattler
(1999)
BEES-Modell (vgl.
Zimmermann et al.
2001)
• Werbliche Unterstützung
(Werbebudget)
Brand Equity Evaluator/BEVA-Modell (vgl.
BBDO 2004; Zimmermann et al. 2002)
•
•
•
•
•
•
Aufpreisbereitschaft
•
•
•
•
•
•
•
Markengewinn
Markenerweiterungsakzeptanz
Markentreue
Markenbeachtung
Marken-Pull-Effekt
Zukunftsaussichten
Marktstellung
Marktanteil
Gewichtete Distributionsquote
Bekanntheitsgrad
Imagevorteil
Wiederkaufrate
• Langfristiger monetärer Markenwert
• Markenqualität (Umsatzentwicklung, Umsatzprofitabilität, Entwicklungsperspektive)
• Internationalität
• Marktstärke in der Branche
• Markenimage
• Vorsteuergewinn
• Markenstatus (Funktionsstatus, Marktstatus,
Psychografischer Status, Identitätsstatus,
Mythosstatus)
• Markendominanz/Markenrelevanz
• Internationalität der Marke
• Markengewinn in Form ersparter Lizenzgebühren (Relief from Royalty)
Tabelle 6: Übersicht etablierter Markenwertmodelle
Die meisten Modelle erfassen den Wert einer Marke zudem ausschließlich durch
Outputgrößen. Nur einige finanzwirtschaftliche Verfahren betrachten Inputs der Markenführung. Es erfolgt somit keine gleichzeitige Betrachtung von Ergebnis(ziel)größen und Einsatzfaktoren, wodurch eine Einbettung in einen
ökonomischen Zusammenhang, der Ursache-Wirkungs-Analysen ermöglicht, nicht
erfolgt.215 Lediglich die Kombinationsmodelle berücksichtigen finanzorientierte und
nicht finanzorientierte (konsumentenbezogene) Outputgrößen gemeinsam. Beide
Dimensionen sind für ein ganzheitliches Verständnis von Markenwert unverzichtbar.
Beide repräsentieren verschiedene Gruppen von Zielgrößen der Markenführung, die
215
Vgl. Sattler (1998), S. 194.
64
eigenständige Erklärungsbeiträge zur Entstehung von Markeneffizienz leisten. Außerdem erfolgt, wenn überhaupt mehrere Markenwertindikatoren herangezogen werden, die Gewichtung der Kriterien exogen, d.h. in hohem Maße subjektiv. Dabei werden die Gewichte zumeist nicht offen gelegt.216 Dadurch bleibt die genaue Vorgehensweise der Ermittlung des Markenwertes im Dunkeln. Zudem wird der Markenwert überwiegend nicht relativ, d.h. im Vergleich zu den (besten) Wettbewerbern,
bestimmt, obwohl eine solche Benchmarkorientierung im Rahmen der Markenbewertung in der Literatur ausdrücklich gefordert wird.217
Zwar wird in der Literatur zunehmend die Forderung nach einer Bewertung der Markeneffizienz i. S. der Effizienz der Markenführung laut. Arbeiten zur Konzeptualisierung des Markeneffizienzkonstruktes existieren jedoch bisher ebenso wenig wie Ansätze zu dessen Messung. Lediglich Davidson verwendet explizit den Begriff Branding Efficiency, schlägt zu deren Messung jedoch ausschließlich outputorientierte
Kennzahlen wie Kundenpräferenz, Aufmerksamkeit, Image und wahrgenommene
Differenzierung zu anderen Marken vor.218 In Anbetracht dieser erheblichen Forschungslücke widmet sich eine der drei empirischen Studien dieser Arbeit ausführlich
der Analyse der Markeneffizienz auf Basis von 33 der in Deutschland am weitesten
verbreiteten Automobilmarken. Dieser Ansatz auf Basis der DEA ermöglicht es, einige der identifizierten Nachteile der vorgestellten Markenbewertungsansätze zu überwinden. Nach Kenntnis des Autors wird hier erstmalig die Marke unter produktionsökonomischen Aspekten untersucht. Das Konzept der Markeneffizienz erlaubt es, die
in den verschiedenen Ansätzen vorgeschlagenen Faktoren simultan zu betrachten
und in Form von Input-Output-Relationen zu verknüpfen. Die nicht parametrische
Vorgehensweise ermöglicht außerdem eine endogene Bestimmung der optimalen
(bestmöglichen) Gewichte, mit der die Indikatoren in die Bestimmung des Markenwertes einfließen. Die Offenlegung der Gewichtungen der Input- und Outputparameter ist eine wesentliche Stärke der DEA. Durch die endogene Gewichtung der Inputund Outputfaktoren können zudem mehrere Marken als effizient eingestuft werden.
Sie erlaubt, jeder ineffizienten Marke eine individuell vergleichbare Referenzmarke
zuzuweisen, die Handlungsimplikationen für eine effiziente Markenführung liefert. Da
hierdurch die relative Markeneffizienz untersucht wird, kann zudem das Benchmarkingproblem gelöst werden. Die Effizienz einer Marke wird an der Effizienz alternativer Marken relativiert.
Basierend auf dem Überblick bestehender Ansätze kann nun eine Präzisierung des
Markeneffizienzkonzeptes vorgenommen werden. Zunächst ist festzustellen, dass
die oben dargestellten Markenwertansätze eine Fülle von Indikatoren des Marken216
217
218
Vgl. Bekmeier-Feuerhahn (1998), S. 80.
Vgl. Trommsdorff (2004), S. 1856 f.
Vgl. Davidson (1999), S. 765.
65
wertes liefern, die sich inhaltlich zum Teil stark überschneiden oder sogar synonym
sind und von den Ansätzen nur mit unterschiedlichen Begriffen belegt werden. So
wird z.B. ersichtlich, dass die in Tabelle 6 aufgeführten Indikatoren Markenimage,
Markenassoziationen, Vertrauenskapital und Imagevorteil inhaltlich weitgehend
übereinstimmen und sich etwa unter dem Faktor „Markenimage“ zusammenfassen
lassen. Begriffe wie Wiederkäufe und Breite der Kundenbasis stehen für „Markentreue“. Da die dargestellten Markenwertmodelle kaum Angaben zu möglichen Inputgrößen machen, besteht ihr Beitrag v.a. darin, Hinweise auf mögliche Outputgrößen
zu erlangen und diese zu klassifizieren. Aus diesen sind nun jene „generischen“, inhaltlich eigenständigen Outputs zu extrahieren, die in das Markeneffizienzmodell einfließen sollten. Um eine theoretische Fundierung zu gewährleisten, muss die Auswahl der Outputs entlang der Stufen des Entscheidungsprozesses bei der Markenwahl erfolgen. Im Folgenden sollen der Markenwahlprozess kurz theoretisch strukturiert und darauf aufbauend die zentralen Outputgrößen, die die Ergebnisse der verschiedenen Stufen des Entscheidungsprozesses widerspiegeln, abgeleitet werden.
Als konzeptioneller Rahmen dienen der Brand-Screen-Ansatz von Gelbert et al. und
das Fünf-Stufen-Modell der Markenführung von Bauer.219
Relevante Markenoutputs
Als erster Schritt zur Erzielung einer Kaufhandlung muss sichergestellt werden, dass
eine Marke überhaupt bekannt ist und ins Bewusstsein des Verbrauchers dringt.
Markenbekanntheit erfasst die Wahrscheinlichkeit, dass eine Marke im Gedächtnis
abrufbar ist, wobei diese Größe sowohl gestützt als auch ungestützt erhoben werden
kann.220 Diese Stufe spiegelt v.a. die Wiedererkennungs- und Risikoreduktionsfunktion einer Marke wider, da bekannte, etablierte Marken eine Art Herkunftsnachweis
bzw. Gütesiegel für den Konsumenten darstellen. Sie knüpft an die formale, merkmalsorientierte Definition der Marke i. S. eines Markenartikels an, der sich durch hohe Marktverbreitung und -geltung auszeichnet.221
Auf der ersten Stufe der kognitiven Verankerung baut der Konsument zur Marke
noch keine emotionale Verbundenheit auf, sie ist aber Voraussetzung dafür, dass die
Marke positiv und als begehrenswert wahrgenommen werden kann und Sympathie
auslöst. Die darauf folgenden Outputgrößen rücken emotionale Hinwendungen beim
Konsumenten zunehmend in den Mittelpunkt, wodurch der wirkungsbezogene Ansatz immer stärker in die Output-Modellierung integriert wird. Durch eine emotionale
Beziehung zum Markenartikel entwickelt der Konsument in einem zweiten Schritt eine sympathische Wahrnehmung der Marke, die Voraussetzung für ein positives
219
220
221
Vgl. Bauer (2004); Gelbert et al. (2003), S. 52 f.
Vgl. Aaker (1991), S. 29; Keller (1993), S. 3.
Vgl. Bauer (2004), S. 17.
66
Image darstellt.222 Das Markenimage wird in der Literatur nahezu einstimmig als der
wichtigste Aspekt der Markenstärke angesehen und gilt branchenunabhängig als
relevante Determinante der Markenpräferenz. Es bezeichnet das öffentliche Vertrauenskapital der Marke, es liefert zudem einen das Geltungsbedürfnis befriedigenden
Zusatznutzen.223 Ein starkes Image (Fremdbild) einer Marke im Kopf des Konsumenten wirkt bei hoher Kongruenz mit dem Selbstbild u.U. stark identitätsstiftend. In jedem Fall setzt die Entstehung eines positiven Markenimage ein aktives Involvement
des Konsumenten voraus, der sich dann über die Marke selbst inszeniert (demonstrativer Konsum) und möglicherweise sogar soziale Orientierung und Sinnstiftung erfährt.224 Ein positives Vorstellungsbild (Image) reflektiert eine positive Einstellung zur
Marke, die die Marke im evoked set verankern bzw. positionieren und zu bestimmten
Verhaltenskonsequenzen führen soll. Diese konkretisieren sich in einem Kaufakt und
der Akzeptanz eines Preispremiums. Der Kauf resultiert idealerweise in Wiederkäufen aufgrund von bewusster oder habitualisierter Markentreue, die zu weiteren Erlösen führen. Die Markentreue spiegelt den Bindungs- und Zufriedenheitsgrad beim
Verbraucher wider und steht dadurch in direkter Verbindung zum Ertragspotenzial
einer Marke.225
Das markenspezifische Preispremium stellt die zentrale finanzorientierte Outputgröße dar. Sie drückt den Anteil der Preiszahlungsbereitschaft aus, der allein durch den
Markennamen erklärt wird. Er zeigt damit den markenspezifischen Aufschlag auf den
Preis des technischen, unmarkierten Kernproduktes bzw. eines funktional ähnlichen
Produktes mit vergleichbaren tangiblen Eigenschaften an.226 Einige Autoren setzen
im Prinzip das Preispremium dem ökonomischen Markenwert gleich.227 In jüngster
Zeit wird jedoch zunehmend Kritik an der Aussagekraft des Preispremiums geäußert,
da diese Kennzahl die Mengenkomponente nicht berücksichtigt. So kann ein hohes
Preispremium eventuell - dem üblichen Verlauf der Preis-Absatz-Funktion entsprechend - in einem Rückgang der Stückzahlen resultieren. Gleichermaßen lassen sich
aber auch Argumente dafür finden, dass starke Marken aufgrund ihrer Sicherheitsund Qualitätsindikatorfunktion zu einem Mehrabsatz (Mengenpremium) führen. Um
die Mengeneffekte zu integrieren, sollte statt des Preispremiums das Umsatzpremium (revenue premium) einer Marke herangezogen werden.228 Das Umsatzpremium
spiegelt den tatsächlich markeninduzierten Umsatzanteil wider. Demgegenüber wird
222
223
224
225
226
227
228
Vgl. Huber/Herrmann/Peter (2003), S. 354.
Vgl. Aaker (1991), S. 28; Kapferer (2005), S. 191.
Vgl. Bauer (2004); Meffert/Koers (2001), S. 294 ff.
Vgl. Schulz/Brandmeyer (1989), S. 367; Valtin (2005), S. 91.
Vgl. Bauer et al. (2004), S. 11 f.; Valtin (2005), S. 110 f.
Vgl. Crimmins (1992), S. 141; Sander (1994), S. 244; Valtin (2005).
Vgl. Ailawadi/Lehmann/Neslin (2003), S. 3 f.
67
in einigen finanzorientierten Verfahren fälschlicherweise der Jahres-Gesamtumsatz
des Markenherstellers als Markenerlös verwendet.229
Wie bereits dargelegt, werden in den bestehenden Markenbewertungsansätzen Inputgrößen kaum thematisiert. Findet sie statt, so werden die Inputs zumeist unter
dem Begriff „Markenkosten“ zusammengefasst und nicht näher aufgespaltet. Ein
Überblick über relevante Instrumente der Markenführung, die die Markeninputs determinieren, kann aus der Literatur zu Markenmanagement bzw. -führung gewonnen
werden.
Relevante Markeninputs
Die Kosten aller Aktivitäten im Rahmen der Markenführung, die erst dazu führen,
dass Marken systematisch aufgebaut und gepflegt werden, müssen als monetäre
Inputs der Markenführung berücksichtigt werden. Sie repräsentieren ganz allgemein
zunächst alle Markenkosten im Sinne sämtlicher Kosten, welche nicht anfielen, wenn
das betrachtete Produkt als unmarkiertes Produkt angeboten werden würde.230 Da
die Ausgestaltung des Marketinginstrumentariums für Markenprodukte und somit die
Allokation der Markenbudgets vom Hersteller gezielt gesteuert werden kann, ist eine
undifferenzierte Betrachtung eines Aggregats „Markenkosten“ nicht sinnvoll. 231 Vielmehr stellen die Kosten der einzelnen Instrumente diskretionäre Inputs dar, die als
Stellhebel zur Effizienzsteigerung dienen. Lediglich einige finanzorientierte Verfahren
nehmen eine Differenzierung der Markenkosten vor, die den Markenerlösen gegenübergestellt werden. Zu diesen zählen zuallererst die Werbeausgaben für Print-,
Outdoor- und elektronische Medien, die den relativen Werbeanteil bestimmen.232
Markenwerbung dient nicht nur der Sicherstellung eines hohen Bekanntheitsgrades.
Eine ästhetisch ansprechende und aufwändige Werbung kann auch einen eigenständigen, emotionalen Nutzen (hedonischen Wert) stiften, wie dies die MarlboroWerbung seit Jahrzehnten eindrucksvoll belegt. Sie ist damit im Sinne der MeansEnd-Theorie auch Mittel zur Werterfüllung.233
Neben der Werbung werden in der Literatur auch Distributions- und Qualitätsmanagement als weitere wesentliche Instrumente genannt, auf die sich die Markenführung
erstreckt.234 Da die Ubiquität einer Marke eine leichte Zugänglichkeit sicherstellt, stellen Investitionen in die akquisitorische und physische Distribution einen erheblichen
Anteil der aufgewendeten Inputs dar. Eine überragende Marktpräsenz, die sich in
einem dichten Vertriebsnetz bzw. einer hohen nummerischen Distribution widerspie229
230
231
232
233
234
Vgl. Bekmeier-Feuerhahn (1998), S. 79; Kern (1962), S. 26; Repenn/Weidenhiller/Tafelmaier
(2005), S. 37; Simon/Sullivan (1993), S. 38.
Vgl. Sander (1994), S. 242.
Vgl. Charnes et al. (1997b), S. 146; Murthi/Srinivasan/Kalyanaram (1996), S. 332.
Vgl. Schulz/Brandmeyer (1989), S. 367; Simon/Sullivan (1993), S. 33 f.
Vgl. Bauer et al. (2004), S. 10, 16.
Vgl. Gelbert/Böing (2003), S. 11 f.
68
gelt, kann in gewissem Grade auch eine kostenintensive, breitenwirksame Werbung
substituieren.235
Die Produktqualität ist eine Kernvoraussetzung für eine positive Markenwahrnehmung, wie die Beispiele vieler Marken zeigen, deren negatives Image vor allem aus
einem schlechten Qualitätsimage herrührt. Eine hohe und verbesserte Produktqualität ist schon seit den Anfängen des Markenwesens ein konstituierendes Merkmal
eines Markenartikels. Nach der klassischen, merkmalsbezogenen Markendefinition
wird der Begriff „Markenartikel“ sogar weitgehend mit den Begriffen Qualitätsbürgschaft oder Gütesiegel gleichgesetzt. Aufwendungen zur Sicherung bzw. Steigerung
der funktionalen Produktqualität haben einen erheblichen Anteil an den Markenkosten. Hohe Sachqualität (die Qualität physikalisch-technischer Merkmale, die Verarbeitungs- sowie die Funktionsqualität) manifestiert sich zum einen in den hochwertigen Materialien oder Inhaltsstoffen der Produkte. Zum anderen kann sie, den Implikationen des TQM-Ansatzes folgend, nur durch Sorgfalt und Expertise aller Wertschöpfungsprozesse vom Einkauf über die Produktion/Verarbeitung bis zum Vertrieb
langfristig sichergestellt werden. Zur Steigerung der ästhetische Qualität eines Produktes aufgewendete Kosten dürften als Markenkosten besonders relevant sein, da
Aspekte wie Design einen Zusatznutzen bieten, durch den sich eine Marke differenzieren kann. 236
Weiterhin sind Ausgaben, die durch Mitarbeiter im Markenmanagement entstehen,
zu den Markeninputs zu zählen. Im Rahmen der klassischen Marketingeffizienzforschung steht hierbei die Messung der physischen Arbeitsleistung im Vordergrund.
Diese liegt im Markenmanagement in ihrer Bedeutung weit hinter dem geistigen
Mehrwert, den ein Mitarbeiter zu leisten vermag.237 Auch die Gehälter der Mitarbeiter
oder die Größe des Brand Teams ließen sich als Input heranziehen. Die Quantifizierung der Personalkosten im Rahmen empirischer Studien dürfte aber aufgrund der
zum Teil schweren Zurechenbarkeit und der hohen Sensibilität der Daten ein erhebliches Problem darstellen.
Auch Markenentwicklung und -schutz werden zuweilen als eigenständige Instrumente des Markenmanagement genannt, deren Kosten stellen daher einen Inputfaktor
dar. Die Markenentwicklung umfasst Kosten, die für den Aufbau einer Marke unumgänglich sind, aber aufgrund des spezifischen Charakters kaum explizit berücksichtigt werden können. Dazu gehören einerseits die einmaligen Kosten der Markennamen- und Markenzeichenentwicklung, zu denen auch Kosten für patentamtliche Eintragungen und sonstigen juristischen Beistand gehören. Neben der Neuentwicklung
235
236
237
Vgl. Gelbert/Böing (2003), S. 12.
Vgl. Kriegbaum (2001), S. 210.
Vgl. Murthi/Srinivasan/Kalyanaram (1996), S. 335.
69
sind auch Veränderungen bestehender Markennamen oder -zeichen einzubeziehen,
die auf die Erhaltung bzw. Steigerung der Markenqualität abzielen. Diese Kosten
betreffen z. B. das Design, die Form oder die Farbe des Logos, die die Wahrnehmung der Markenqualität seitens des Konsumenten beeinflussen.238 Andererseits
sind Kosten für Marktforschung, für öffentliche Profilierung der Marke auf Messen &
Ausstellungen und für Lizenzmanagement relevant, die auch als Betriebskosten der
Markenführung begriffen werden können.239
Die hier abgeleiteten Input- und Outputgrößen, die in die Bestimmung der Markeneffizienz einfließen können, sind zusammenfassend in Abbildung 4 dargestellt. Markeneffizienz bildet ab, wie gut es der Markenführung gelingt, die eingesetzten Aufwendungen für Werbung, Distribution und Qualitätssicherung etc. in hohe Outputwerte auf allen fünf Kaufentscheidungsstufen zu transformieren.
Ist die Marke
bekannt?
Markenbekanntheit
Wird die Marke
sympathisch
wahrgenommen?
Bildet sich eine
positive Einstellung
zur Marke?
Markensympathie
Markenimage
Wird die Marke
wieder gekauft?
Markentreue
Wird ein Preispremium akzeptiert?
Preis-/
Umsatzpremium
Monetärer
Markenwert
Markenstärke
Marken–Outputs
Markeneffizienz =
Marken–Inputs
Werbekosten
Distributionskosten
Qualitätskosten
Kosten für
Markenentwicklung und
-schutz
Personalkosten
Abbildung 4: Konzeptualisierung der Markeneffizienz
3.2.2.2. Preiseffizienz
Eng zusammenhängend mit der Messung der Produkteffizienz ist die Bestimmung
der Preiseffizienz. Der Preis stellt nach dem nachfragerseitigen Verständnis einen zu
erbringenden Input dar, mit dem bestimmte Produkteigenschaften erworben werden.240 Aus Anbietersicht sind die Produkteigenschaften Inputs, die eingesetzt und
optimiert werden müssen, um einen möglichst hohen Preis als Output durchzuset-
238
239
240
Vgl. Kriegbaum (2001), S. 210 f.
Vgl. Aaker (1991), S. 29; Sander (1994).
Vgl. Ratchford et al. (1996), S. 168.
70
zen.241 Entsprechend dieser starken Überschneidungen gibt es in der Literatur nur
wenige Beiträge, welche sich explizit mit dem Thema Preiseffizienz auseinandersetzen. Greift man die Sichtweise von Ratchford et al. auf, nach der die Preiseffizienz zu
verstehen ist als die Bildung eines Preises am Markt, welcher die Qualität eines Produktes in adäquater Weise widerspiegelt und die Konsumentenwohlfahrt maximiert,
ließe sich die gesamte volkswirtschaftliche Literatur aufführen, welche sich mit der
Bildung von Gleichgewichtspreisen beschäftigt. 242
Aus diesem Grund folgen wir hier der einschränkenden Überlegung, dass der Preis
für ein Produkt nicht allein aufgrund von Marktgegebenheiten entsteht, sondern zu
einem (oft erheblichen) Teil durch Entscheidungen des Produktmanagements beeinflussbar ist. Demnach wählt das Management aus einer Menge von durchsetzbaren
Preisen denjenigen aus, der den Gewinn des Unternehmens unter Berücksichtigung
anderer Kriterien (wie z.B. Imageziele, Verbundeffekte) maximiert. Dies geschieht
unter der Annahme, dass sich das Unternehmen fixen Faktorpreisen für die Herstellung seiner Produkte und einer gegebenen Aufnahmekapazität gegenübersieht. Um
die Untersuchung einer so verstandenen Preiseffizienz sinnvoll erscheinen zu lassen, muss die Prämisse gelten, dass sich die bearbeiteten Produktmärkte durch Unvollkommenheiten („Störungen“) wie asymmetrische Information, Präferenzen,
Transaktions- und Suchkosten auszeichnen, die ein Abweichen des tatsächlichen
erzielten Preises vom aufgrund der Produktleistung objektiv gerechtfertigten Preis
(Schattenpreis) erst ermöglichen.243
Diese für nahezu alle realen Märkte zutreffende Annahme bedingt die Existenz unterschiedlicher Zahlungsbereitschaften potenzieller Käufer für technisch identische
Produktleistungen, die durch unterschiedliche periphere, also nicht direkt zur Kernleistung gehörende Eigenschaften begründet sind. Dies spiegelt das Grundverständnis der modernen Konsumententheorie wider, wonach Konsumenten Produkte nicht
als Entitäten, sondern als Eigenschaftsbündel wahrnehmen und ihre Entscheidung
auch aufgrund nicht technischer Attribute wie Marke, Design oder Prestige fällen.244
Auch diese Attribute, die quasi extrinsisch sind (d.h. außerhalb des Produktes liegen
und zu einem erheblichen Teil vom Nachfrager kognitiv konstruiert werden), bestimmen einen Teil der gesamten Zahlungsbereitschaft der Konsumenten. Sie sind bei
der Preissetzungsentscheidung durch das Unternehmen zu berücksichtigen.
In Bezug auf die Effizienz der Preisstellung ist dann zu untersuchen, wie hoch ein
tatsächlich am Markt durchgesetzter Produktpreis (der sog. Output Price) im Vergleich zu seinem durch die intrinsischen Eigenschaften gerechtfertigten Schatten241
242
243
244
Vgl. Lins/Novaes/Legey (2005).
Vgl. Ratchford et al. (1996), S. 167 f.
Vgl. Färe/Grosskopf/Lovell (1994), S. 190.
Vgl. Bauer/Herrmann/Mengen (1996); Hjorth-Andersen (1986).
71
preis (Input Price) ist.245 Aus Herstellersicht sind folglich die Preise als effizient zu
klassifizieren, welche eine maximale positive Abweichung vom virtuellen Schattenpreis aufweisen, d.h. das Preispremium maximieren. Preiseffizienz bedeutet aus Unternehmenssicht somit die Abschöpfung der maximalen Zahlungsbereitschaft der
Kunden.246 Entgangene Gewinne aufgrund unvollständiger Abschöpfung der Zahlungsbereitschaft konstituieren Opportunitätskosten, die auf eine ineffiziente Preisfestlegung durch den Anbieter hindeuten. Die Leistungsparameter eines Produktes
stellen nach diesem Verständnis die Inputs des Unternehmens dar, welche den Output „Preis“ am Markt rechtfertigen. Einem Unternehmen geht es demnach darum,
gegeben der Nachfragefunktion den Preis für seine Produkte zu maximieren bzw. bei
einem festen Preisziel die Produktleistung in Form der Ausprägungen der intrinsischen Eigenschaften zu minimieren, um die am Markt erzielbare Produzentenrente
maximal abzuschöpfen. Solche Preise sind natürlich aus Käufersicht weniger effizient. Die Optimierung der nachfragerorientierten Produkteffizienz (Customer Value)
und die Optimierung der anbieterseitigen Preiseffizienz (Output Price Efficiency) sind
also konfligierende Zielsetzungen, die im Rahmen einer ganzheitlichen Marketingeffizienzbetrachtung ausbalanciert werden müssen.
Kamakura/Ratchford/Agrawal übertragen in ihrer Studie die Logik der nachfragerorientierten Produkteffizienz auf die Untersuchung der Preiseffizienz, indem sie nun
nicht das Output-zu-Input-Verhältnis betrachten (von ihnen als „Eigenschaftseffizienz“ bezeichnet), sondern jenes Produkt suchen, welches für eine Einheit Output den geringsten Input verlangt. Danach ist ein Eigenschaftsbündel dann aus
Nachfragersicht preiseffizient, „…if it is the cheapest brand sold for that set of characteristics.”247 Kernfrage dieser Analysen ist die Feststellung des Wohlfahrtverlustes
der Nachfrager, der aus der Tatsache resultiert, dass auch nicht preiseffiziente Marken am Markt überleben. Ein Produkt ist aus Nachfragersicht preisineffizient, wenn
der virtuelle – z.B. mit Hilfe der DEA kalkulierte - effiziente Preis geringer ist als der
am Markt für das betreffende Produkt beobachtete Preis. Der effiziente Preis ist gerade der sog. Schattenpreis des Produktes, der aus Sicht des Konsumenten den fairen Preis darstellt. Die Effizienzwerte messen somit das Ausmaß der „Überpreisung“
des Produktes, welche für die Konsumenten, die ein solches ineffizientes Produkt
kaufen, einen Wohlfahrtsverlust (Verlust an Konsumentenrente) impliziert.248 Aus
Sicht der Hersteller drückt die von Kamakura/Ratchford/Agrawal ermittelte Differenz
aus tatsächlichem und virtuellem Preis nun gerade das Ausmaß der Preiseffizienz
245
246
247
248
Vgl. Färe/Grosskopf/Lovell (1994), S. 177 f. Die ökonomische Logik hierbei ist also, dass die Kosten der extrinsischen (immateriellen) Eigenschaften weit geringer sind als die durch sie bedingten
Zahlungsbereitschaften, so dass bei Vorliegen solcher Eigenschaften eine Preispremium erzielbar
ist. Ein Preis ist umso effizienter, je höher dieses Premium ausfällt.
Vgl. Daum (2001), S. 87 f.
Kamakura/Ratchford/Agrawal (1988), S. 289.
Vgl. Kamakura/Ratchford/Agrawal (1988), S. 293 ff.
72
aus. Die anbieterorientierte Preiseffizienz ist somit genau das Reziprok der nachfragerorientierten Preiseffizienz, da für Anbieter das Verhältnis von erhaltenem Preis zu
den in Geldeinheiten ausgedrückten Eigenschaften eines Produktes zu maximieren
ist.
Entsprechend können bei einer Preiseffizienzmessung aus Anbietersicht die in der
folgenden Tabelle 7 aufgeführten Einflussfaktoren herangezogen werden. Das Problem der Preiseffizienz aus Kundensicht soll in der folgenden Tabelle nicht weiter
thematisiert werden, da es das Pendant zur nachfragerorientierten Produkteffizienz
darstellt, die ausführlich oben behandelt wurde.
Autoren
Input
Output
Kamakura/
• Effizienter Preis, d.h. Preis der Produk- • Tatsächlich durchgeRatchford/
setzter Preis
te, die den geringsten Preis für ein beAgrawal (1988)
stimmtes Bündel an Eigenschaften verlangen; interpretierbar als Summe der
Schattenpreise bzw. hedonischen Preise der Produkteigenschaften:
- Beinfreiheit
- Beschleunigung
- Größe
- Verbrauch
- Fahrkomfort
- Handling
- Reparaturanfälligkeit
- Sonderausstattung
Färe/
• Durch Produkteigenschaften gerecht• Tatsächlich erzielter
Grosskopf/
fertigter Preis (sog. Inputpreis)
Preis (sog. OutputLovell (1994)
preis) bzw. Preiszahlungsbereitschaft
Parsons (1994) • Leistungsparameter
• Preis
• Absatzmenge
• Anzahl Kundentransaktionen
Ratchford et al. • Produktqualität
• Preis
(1996)
• Kundenzufriedenheit
Daum (2001)
• Entgangener Erlös aufgrund mangel• Durchschnittlicher
hafter Abschöpfung der maximalen
Preis in einer KunZahlungsbereitschaft
dengruppe
• Preiszufriedenheit
Methode
DEA
konzeptionell
konzeptionell
DEA, Regression
konzeptionell
Tabelle 7: Beiträge zur Preiseffizienz
3.2.2.3. Kommunikationseffizienz
Als Objektbereiche der Analyse der Kommunikationseffizienz sollen hier nur die Instrumente verbrauchergerichtete Sales Promotions und klassische Werbung näher
betrachtet werden, die in Unternehmen üblicherweise den Löwenanteil des Kommunikationsbudgets beanspruchen.249
249
Andere Formen wie Sponsoring, Public Relations sowie Direktkommunikation werden im Rahmen
dieser Arbeit nicht betrachtet.
73
3.2.2.3.1. Promotioneffizienz
Promotionaktionen sind allgegenwärtig im deutschen Handel. Jedes Jahr werden im
Lebensmitteleinzelhandel über dreitausend Verkaufsförderungsmaßnahmen durchgeführt. Die Kosten hierfür summieren sich auf Herstellerseite auf über zwei Mrd.
Euro zuzüglich Preisreduktionen und Gebühren, die an den Handel gezahlt werden.250 Die jährlich von der GfK und der Zeitschrift Wirtschaftswoche durchgeführte
Werbeklima-Studie zeigt, dass die Bedeutung der Verkaufsförderung in den letzten
Jahren stetig zugenommen hat. Sie machte im Jahr 2004 20 % der Kommunikationsbudgets deutscher Unternehmen aus und erreichte damit den höchsten Wert
der letzten zehn Jahre.251 Insbesondere bei Konsumgütern fällt ein ständig steigender Anteil des Gesamtumsatzes in Aktionszeiträume. Bei vielen Produkten - etwa
Waschmittel und Kaffee - liegt diese Quote bei über 50%. Daher ist die ökonomische
Relevanz einer Überprüfung der Effizienz gerade bei Promotionaktionen augenscheinlich. Unter Verbraucher-Sales-Promotions werden zeitlich befristete Aktionen
verstanden, die den Konsumenten kurzfristige Anreize zum Kauf eines Produktes
liefern und so die Kaufabsicht und damit den Absatz fördern sollen.252
Die Kosten der eingesetzten Instrumente in einem bestimmten Geschäft können dabei als Inputs von Promotionaktionen fungieren. Zu den monetären (preisbezogenen)
Instrumenten gehören solche, die den Kunden einen ökonomischen Anreiz bieten,
indem sie das Preis-Leistungs-Verhältnis des Aktionsproduktes verbessern. Hierzu
gehören etwa Preisreduktionen, Treuerabatte, Coupons, Rückerstattungen oder
Special Packs (Mehrgaben zum gleichen Preis). Typische nicht monetäre Instrumente, die oftmals die Hinführung zu Preispromotions unterstützen sollen, sind Displays,
Handzettelwerbung, Gewinnspiele, Warenproben oder Produktzugaben.253 Preisreduktionen (reine Preispromotions), Displays und Handzettelwerbung sind allerdings
die in der Praxis dominierenden und auch in der Literatur am häufigsten untersuchten Verkaufsförderungsinstrumente.254
Anstelle der Kosten der Promotionaktionen auf Einzelgeschäftsebene können als
Inputs auch die Distributionsgrade dieser Instrumente über alle Einkaufsstätten herangezogen werden. Diese Größe gibt an, in wie viel % der Geschäfte diese Verkaufsförderungsmaßnahmen eingesetzt wurden. Sie spiegeln somit die Intensität des
Instrumenteneinsatzes auf aggregierter Ebene wider, auf der die Promotionaktionen
und Abverkaufszahlen der Einkaufsstätten zusammengefasst sind. Diese Verwen-
250
251
252
253
254
Vgl. UGW (2003).
Vgl. GfK/Wirtschaftswoche (2005).
Vgl. Görtz (2006), S. 11.
Vgl. Gedenk (2002), S. 24.
Vgl. Abraham/Lodish (1993); Gedenk/Neslin (1999); Gupta/Cooper (1992).
74
dung aggregierter Daten hat gegenüber der Effizienzermittlung auf Einzelgeschäftsebene einige Vorteile. Erstens können diese Daten für die eigenen und die Konkurrenzprodukte über Marktforschungsunternehmen wie GfK oder Nielsen erworben
werden und liegen in vielen Unternehmen bereits vor. Aufgrund des geringen Erhebungsaufwandes ist somit eine Untersuchung über eine Vielzahl von Produkten und
Maßnahmen wirtschaftlich durchführbar. Zweitens erlaubt dieser Ansatz nicht nur die
Untersuchung der eigenen Produkte, sondern auch Vergleiche mit Wettbewerbsprodukten. Zudem würde drittens eine Effizienzbetrachtung auf disaggregierter Ebene eine hohe Kooperationsbereitschaft des Handels erfordern, die kaum gegeben
sein dürfte.255
Der Einsatz von Promotioninstrumenten zielt primär auf eine kurzfristige Umsatzsteigerung ab, die somit den wichtigsten Output darstellt. Dennoch ist es für die Abschätzung der mittelfristigen Outputs von Promotions relevant, in welcher Art
Verbraucher ihr Einkaufsverhalten aufgrund von Sonderangeboten verändern. Die
promotioninduzierte Absatzerhöhung kann auf Marken-, Geschäftswechsel, Bevorratungskäufe oder Gewinnung neuer Kunden für die Warengruppe zurückgeführt werde. In Abhängigkeit davon, welche dieser Ursachen den größten Beitrag zum Promotionabsatz leistet, existieren neben den kurzfristigen Absatzwirkungen auch langfristige Absatzeffekte von Promotions, die von Unternehmen gezielt verfolgt werden und
somit als erwünschte Outputs zu betrachten sind.256
Daneben haben Promotions jedoch auch negative Langfristfolgen, die oftmals nicht
adäquat berücksichtigt werden und das kurzfristige Umsatzwachstum konterkarieren
können. Diese unerwünschten Effekte sind die Ursache dafür, dass Sales Promotions langfristig oft nicht profitabel sind. So müssen zur korrekten Bestimmung des
monetären Outputs einer Promotion von den kurzfristigen Umsatzerhöhungen (Zusatzumsatz während der Promotion) jene zukünftigen Umsatzeinbußen abgezogen
werden, die durch eine durch die Promotion ausgelöste Bevorratung (sog. forward
buying) verursacht sind.257 Die von einer Promotion angestrebte Kaufakzeleration
sollte daher idealerweise nur aus einem echten Mehrkonsum bestehen und nicht
durch eine zeitliche Kaufverschiebung bedingt sein. Ein weiteres ökonomisches Ziel
besteht darin, durch den Einsatz von Verkaufsförderungsmaßnahmen neue Kunden
zu gewinnen und somit den Marktanteil zu steigern. Allerdings ist festzustellen, dass
sich der Marktanteil durch Verkaufsförderung langfristig kaum ändern lässt, da Konkurrenten oft unmittelbar mit einer eigenen Verkaufsförderung reagieren.258
255
256
257
258
Vgl. Görtz/Hammerschmidt (2006).
Vgl. Görtz (2006); Görtz/Hammerschmidt (2006).
Vgl. Abraham/Lodish (1993), S. 250; Blattberg/Neslin (1989), S. 88.
Vgl. Lal/Padmanabhan (1995).
75
Promotions haben neben diesen möglichen ökonomischen Negativeffekten auch auf
nicht ökonomische Zielgrößen negative Auswirkungen. So belegen zahlreiche empirische Befunde, insbesondere für Preisreduktionen, eine Verringerung der zukünftigen Markentreue nach Promotionkäufen.259 Dies gilt für Hersteller- und Handelsmarken in gleichem Maße, wodurch die Vermutung widerlegt wird, durch starke Marken
könnte eine Immunisierung gegen die nachteiligen langfristigen Promotioneffekte
erreicht werden.260
Auch auf die Einstellung zeigen sich negative Effekte von Warenproben und Preisreduzierungen, insbesondere für Handelsmarken.261 Zudem können auch auf Produktimage und wahrgenommene Qualität oftmals keine signifikanten positiven Einflüsse
nachgewiesen werden.262 Aufgrund dieser Befunde ist davon auszugehen, dass
Größen wie Markentreue, Einstellung und Image – zumindest für Preispromotions –
keine geeigneten Outputgrößen darstellen. Vielmehr müssten negative Effekte auf
diese Größen als Inputs modelliert werden, die sich etwa als entgangene zukünftige
Gewinne aufgrund einer Verschlechterung von Markentreue und Einstellung erfassen
ließen.
Tabelle 8 zeigt eine Auswahl von in der Promotionliteratur untersuchten Variablen.
Da es zur Messung der Effizienz von Promotions im Sinne von Output-InputVerhältnissen bisher noch keine Arbeiten gibt, werden die in der Tabelle genannten
Größen von den entsprechenden Autoren nicht als Inputs bzw. Outputs verwendet.
Die Zuordnung erfolgte daher durch den Verfasser hinsichtlich einer möglichen Verwendung als Input- bzw. Outputgrößen in zukünftigen Effizienzstudien.
3.2.2.3.2. Werbeeffizienz
Die Werbung dürfte aufgrund des hohen Stellenwertes qualitativer Einflussfaktoten
etwa bei der Gestaltung den wohl schwierigsten Bereich der Marketingeffizienzmessung darstellen, der gleichzeitig jedoch zunehmende Aufmerksamkeit erfährt.263 Dies
lässt sich auf die stetige Erhöhung des Werbevolumens in den Medien und den da259
260
261
262
263
Vgl. Dodson/Tybout/Sternthal (1978); Folkes/Wheat (1995); Gedenk/Neslin (1999); Guadagni/
Little (1983); Shoemaker/Shoaf (1977).
Vgl. Gedenk/Neslin (1999), S. 451. Demgegenüber gibt es empirische Hinweise dafür, dass
Nicht-Preis-Promotions (v.a. Warenproben) zu einer Erhöhung der Wiederkaufwahrscheinlichkeit
und -mengen nach Testkäufen führen, was sich durch Lern- und Dissonanzvermeidungseffekte
erklären lässt; vgl. Gedenk/Neslin (1999). Dafür erreichen aber Preispromotions deutlich höhere
Erstkaufwahrscheinlichkeiten im Vergleich zu Nicht-Preis-Promotions, wodurch der Trade Off zwischen kurz- und langfristigen Outputs belegt wird.
Vgl. Gupta/Cooper (1992), S. 403; Monroe (1990).
Vgl. Gupta/Coper (1992).
Das Thema steht insbesondere in der Werbepraxis auf der Agenda der aktuellen Managementherausforderungen weit oben, wie die Beiträge von Engeser (2003), S. 51 f.; Gelbert/Kam/Büschken (2002); McDonald (1995), S. 52; Schroiff (1999), S. 16; Sommer (1994), S. 7 und Steffenhagen (1999), S. 30 beispielhaft zeigen.
76
raus resultierenden zunehmenden Werbedruck zurückführen, welcher dazu führt,
dass die Frage „Wie viel erhalte ich pro investierten Werbeeuro zurück?“ immer häufiger gestellt wird.
Autoren
Kiener
(1980)
Inputs
Outputs
• Kosten der Verkaufsförde-
Gupta/
Cooper
(1992)
• Preisreduzierungen
• Displaywerbung
• Art der promoteten Marke
•
•
•
•
rung
Umsatz
Methode
konzeptionell
Marktanteil
Kaufabsicht
Wahrgenommene Ersparnis
(perceived discount)
ANOVA, Regression
(Handels- vs. etablierte
Herstellermarke)
•
•
•
•
•
•
Gedenk/
•
Neslin (1999) •
Abraham/
Lodish
(1993)
Daum (2001) •
Einkaufsstätten-Image
Preisreduzierungen
• Kurzfristiger Zusatzumsatz (inc- Regression,
• Langfristige Kaufakzeleration
Kreuztabellen,
Mittelwertvergleiche
• Kaufwahrscheinlichkeit
Logit-Modell
remental sales)
Displayeinsatz
Werbung
Sonderpackungen
Couponeinsatz
Preisreduktion
Umfang von Nicht-Preis•
Promotions (Warenproben, •
Produktdemonstrationen)
Anzahl durchgeführter
Promotionaktionen
• Promotionkosten
Markenloyalität
Wiederkaufrate
• Absatz / Umsatz aufgrund von
konzeptionell
Verkaufsförderungsaktionen
• Anzahl erzielter Kontakte bzw.
gewonnener Neukunden durch
Verkaufsförderung
• Zufriedenheit des Handels mit
der Verkaufsunterstützung
Kotler/ Bliemel (2001)
• Anzahl Promotionaktionen
Reichmann
(2005)
• Zusätzliche Kosten auf-
•
•
•
•
Anzahl eingelöster Gutscheine
konzeptionell
Umsatz
Anzahl Kundenanfragen
Zusätzlicher Umsatz
konzeptionell
grund Verkaufsförderung
Tabelle 8: Beiträge zur Promotioneffizienz
Werbeverantwortliche stehen aufgrund knapper werdender Werbebudgets immer
stärker in der Pflicht, deren produktiven Einsatz nachzuweisen. Letztendliches Ziel
einer systematischen Evaluierung der Werbeeffizienz ist es, mögliche Overspendings
in den Kommunikationsaktivitäten aufzudecken.264
Über die einzubeziehenden Werbeinputs besteht in der Literatur weitgehend Einigkeit. Neben den Werbekosten (Kosten der Konzeption und des Tests einer Kampag-
264
Vgl. Herremans/Ryans/Aggarwal (2000); Luo/Donthu (2005).
77
ne, Schaltungskosten) werden hier Größen wie Kontaktsumme, Länge einer Kampagne, Anzahl der Anzeigen, Anzahl der Wiederholungen, Vergütung der Mitarbeiter
der Werbeabteilung vorgeschlagen.265 Wesentlich komplexer ist die Auswahl der relevanten Werbeoutputs in Form der anzustrebenden Werbeziele, die in der Literatur
eine breite Behandlung erfahren. Sie sind nach gängiger Einteilung in psychografische Wirkungen der Werbung sowie den ökonomischen Erfolg der Werbung zu trennen.266 Dabei sind die beiden Effekte nicht unabhängig voneinander, vielmehr stellen
erstere eine notwendige, jedoch nicht hinreichende Bedingung für das Erreichen von
Erfolg dar. Die Auswahl der relevanten Outputs bestimmt damit die inhaltliche Konkretisierung des Begriffes der Werbeeffizienz, der sich primär auf Werbewirkung oder
Werbeerfolg beziehen kann.267 Aufgrund ihrer hohen Bedeutung wird auf die beiden
Perspektiven näher eingegangen.
Werbeerfolgseffizienz
Die Werbeerfolgsmessung stellt nicht die Frage, warum und auf welche Art eine
Werbung wirkt. Es wird lediglich versucht, einen Zusammenhang zwischen ökonomischem Erfolg und eingesetzten Werbemaßnahmen herzustellen.268 Aus der Perspektive der Werbeerfolgsmessung ist Effizienz als „Werbeerfolgseffizienz“ zu verstehen,
die definiert ist als das Verhältnis der Werbeinvestitionen zu den finanziellen Effekten. Eine diesbezügliche Messung könnte z.B. vorgenommen werden, indem die
Entwicklung von Absatzzahlen bzw. Erlösveränderungen eines beworbenen Produktes über einen Zeitraum beobachtet wird, innerhalb dessen eine Werbekampagne
geschaltet wird.269 Steffenhagen schlägt darüberhinaus die erzielten Bruttokontakte,
den Werbedruck (z.B. gemessen durch Gross Rating Points), Reichweite, induzierte
Probierkäufe und Marktanteilsveränderungen als Erfolgsgrößen vor. Alternativ lässt
sich auch die durch die Werbung ausgelöste Veränderung des Customer Equity, d.h.
der kumulierten Customer Lifetime Values aller aktuellen und potenziellen Kunden
als ökonomisches Erfolgsmaß von Werbekampagnen heranziehen.270 Solche Studien versuchen, Werbemaßnahmen anhand direkt messbarer, monetärer (harter)
Daten zu bewerten. Insgesamt stellen die monetären Größen einen direkten Zusammenhang zu den ökonomischen Spitzenkennzahlen wie Gewinn oder Unternehmenswert her. Sie helfen, den Return on Investment einer Werbekampagne und somit deren Wertsteigerungsbeitrag zu bestimmen.
Eine solche Erfolgsmessung ist jedoch nicht unproblematisch: Eine genaue ursächliche Zurechnung ökonomischer Effekte (z.B. des Produkterfolgs) auf die manipulierte
265
266
267
268
269
270
Vgl. Büschken (2006); Luo/Donthu (2005); Sheth/Sisodia (1995a); Steffenhagen (2003).
Vgl. Mayer/Illmann (2000), S. 640; Zanger/Drenger (1999), S. 32.
Vgl. Bauer/Hammerschmidt/Garde (2004b).
Vgl. Pepels (1996), S. 103.
Vgl. Erichson/Maretzki (1993); Schroiff (1999), S. 18.
Vgl. Rust/Lemon/Zeithaml (2004).
78
Variable „Werbekampagne“ ist nur schwer möglich. Für die sachlich richtige Zuordnung müssten die Effekte simultan ergänzender Marketing-Mix-Instrumente - wie etwa Produktqualität, die Erhältlichkeit und Preisstellung - isoliert und herausgerechnet
werden.271 Ebenso sind die Effekte anderer Instrumente innerhalb des Kommunikations-Mixes selbst zu berücksichtigen. Außerdem erweist sich eine exakte zeitliche
Abgrenzung der Wirkungen als schwierig, da oft nicht bekannt ist, wann eine Reaktion auf die Werbung erfolgt (Delay-Effekte) bzw. ob es sich um Auswirkungen vorausgegangener Werbaktivitäten handelt (Carry-Over- bzw. Hold-Over-Effekte).272
Weitere Einflussfaktoren auf den Werbeerfolg sind auch durch die Kommunikationsanstrengungen konkurrierender Unternehmen, durch informelle Kommunikation zwischen Konsumenten und durch allgemeine Änderungen im Konsumverhalten gegeben.273 Aus den genannten Gründen misslingt oftmals der Versuch, den Zusammenhang zwischen ökonomischem Erfolg und dem Einsatz einer Werbemaßnahme
nachzuweisen. Insbesondere die Abschätzung der zukünftigen durch Werbung generierten Gewinne erweist sich als extrem schwierig. Außerdem würden solche Analysen letztlich unterstellen, dass Werbebudgets den Umsatz eines Unternehmens determinieren, womit das in Theorie und Praxis gängige Verständnis der Prozesse der
Werbewirkung ignoriert würde.274
In ihrer viel zitierten Metaanalyse von 389 Werberesponse-Experimenten testen Lodish et al. gängige Ansichten über die ökonomischen Wirkungen von Fernsehwerbung. Sie konnten unter Berücksichtigung verschiedener Marken, Produktkategorien,
Kaufzyklen, Verwendungszwecke, Preislagen, Verkaufsinstrumente und Marktcharakteristika die häufig geäußerte Vermutung einer stetig steigenden Werberesponsefunktion nicht bestätigen.275 Stattdessen zeigten sich überwiegend abnehmende
Grenzzuwächse bzgl. Umsatz und Marktanteil bei Erhöhung der Werbeausgaben.
Für 67% der untersuchten etablierten Produkte und Marken führte eine Erhöhung der
Werbeausgaben nicht zu nennenswerten Effekten. Vor allem für große Marken zeigte sich sogar ein negativer Werbeintensitäts-Umsatz-Zusammenhang. Demgegenüber weisen neue Produkte und Marken v.a. in wachsenden und breit gefächerten
Warengruppen und nach Line Extensions stärkere Umsatzreaktionen auf Fernsehwerbung auf. Dieser Effekt kann verstärkt werden, wenn kurzfristige Sales Promotions begrenzt und die Budgets auf Einführungswerbung konzentriert werden. Auch
typische Größen wie Werbeintensität (GRPs) und Anteil der Werbeausgaben in Relation zur Konkurrenz (Share of Voice) waren nicht geeignet, zwischen unterschiedlich
271
272
273
274
275
Vgl. Mayer/Illmann (2000), S. 641 ff.
Vgl. Mayer/Illmann (2000), S. 641. Gerade bei der Online-Werbung haben Untersuchungen ergeben, dass ein erheblicher Anteil - zum Teil bis zu 50% der Umsätze – erst 24 Stunden nach einem
Kontakt mit einer Online-Werbung und häufig „offline“ realisiert wird; vgl. o.V. (2001), S. 8.
Vgl. Pepels (1996), S. 188 f.
Vgl. Riedesel (2002), S. 93.
Vgl. Lodish et al. (1995), S. 136 f.
79
erfolgreichen Werbekampagnen zu diskriminieren. Selbst eine Verdreifachung der
GRPs erhöhte die Wahrscheinlichkeit von Umsatzsteigerungen nicht über das auch
zufallsbedingt realisierbare Maß hinaus. Auch der Zusammenhang zwischen den in
Copy-Tests standardmäßig eingesetzten Größen wie Werbeerinnerung oder Überzeugungswirkung (Persuasion) und Umsatzsteigerung war nur schwach ausgeprägt
bzw. gar nicht vorhanden. „Without change in creative execution changing the spending level has little or no impact on sales”.276 So fassen Lodish et al. einen zentralen
Befund ihrer Metaanalyse zusammen, der direkt zum Problem der Werbewirkungseffizienz überleitet.
Werbewirkungseffizienz
Voraussetzung für eine eingehende Effizienzbeurteilung ist neben dem Wissen über
den ökonomischen Erfolg der Werbung insbesondere das Wissen über die psychischen und verhaltensbezogenen Wirkungen der Werbung, die den ökonomischen
Konsequenzen vorausgehen und Bedingungen für die letztlich angestrebte Reaktion
(Kauf) darstellen.277 Des Weiteren müssen zur Erklärung und Beeinflussung der
Werbewirkung auch nicht monetäre Inputgrößen integriert werden, die an der Gestaltung der Werbemaßnahmen und an Mediaselektionsentscheidungen ansetzen. Der
Zusammenhang zwischen Maßnahmeneinsatz und Werbewirkung ist dabei wesentlich besser zu beurteilen als der Zusammenhang zwischen Werbeausgaben und
Werbeerfolg.278 Entsprechend kann die Werbewirkungseffizienz als das Verhältnis
von Werbeinputs zu den psychografischen und verhaltensmäßigen Werbewirkungen
definiert werden.
Da es sich bei diesen Wirkungen um Resultate eines komplexen psychischen Verarbeitungsprozesses handelt, welcher nur durch theoretische Konstrukte erfassbar
ist, existiert hierzu eine Reihe von Modellen, welche sich mit der Strukturierung und
Erklärung dieses Prozesses befassen. Hierbei haben sich v.a. klassische Stufenmodelle (AIDA-Regel, Hierarchie-der-Effekte-Modell) und das Attitude-toward-the-AdModell in der Literatur etabliert.
Die Stufenmodelle versuchen das Handeln eines Konsumenten nach einem Werbekontakt in Form einer Abfolge von verschiedenen Stufen zu beschreiben. Nach der
bekannten AIDA-Regel wird mit der Werbung beim Rezipienten zunächst Aufmerksamkeit (Attention) erzeugt, die sich durch die gestützte bzw. ungestützte Werbeerinnerung (Recognition bzw. Recall) oder den Bekanntheitsgrad erfassen lässt.279 Auf
der zweiten Stufe entsteht beim Konsumenten Interesse (Interest) an dem beworbe-
276
277
278
279
Lodish et al. (1995), S. 138.
Vgl. Steffenhagen (1999), S. 30.
Vgl. Pepels (1996), S. 118.
Vgl. Crössmann (2003); Steffenhagen (1999).
80
nen Produkt, aus dem der Wunsch (Desire) resultiert, das Produkt zu erwerben, um
anschließend diesen Wunsch in eine Handlung (Action) umzusetzen.280 Die bekannteste Weiterentwicklung dieses Grundmodells ist das von Lavidge/Steiner vorgestellte Hierarchie-der-Effekte-Modell. Ausgangspunkt des Modells ist die Auffassung,
dass aus (möglicherweise uninformierten) Rezipienten nicht sofort überzeugte Käufer werden, sondern dieser Wandel einen mehrstufigen Prozess darstellt, an dessen
Endposition der Kauf steht. Die einzelnen Stufen sind dabei die Bekanntheit der
Existenz eines Produktes (Awareness), Kenntnisse des Produktes, Wertschätzung,
Entstehung einer Präferenz, Kaufwunsch (desire to buy) und die Überzeugung, dass
der Kauf eine kluge Entscheidung wäre, sowie die Umsetzung dieser Überzeugung
in den tatsächlichen Kauf.281
Die Stufenmodelle sind jedoch nicht unkritisch zu betrachten, da sie stark vereinfachend die Werbeeffekte in eine feste hierarchische Ordnung einteilen und dabei andere wichtige Einflussfaktoren, wie z.B. bestehende Produkterfahrung beim Konsumenten oder eine Markendifferenzierung beim beworbenen Produkt, ausblenden. Es
ist außerdem anzunehmen, dass die Reihenfolge der Stufen in der Realität variieren
kann, einzelne Stufen möglicherweise übersprungen werden und zwischen den einzelnen Schritten Wechselwirkungen existieren. Insofern ist eine Allgemeingültigkeit
dieser Regel nicht anzunehmen und empirische Überprüfungen konnten bestenfalls
eine partielle Richtigkeit der Modelle bestätigen.282 Allerdings eignen sich die Stufenmodelle gut für eine erste grobe Strukturierung der Effekte einer Werbemaßnahme. Darauf aufbauend können die von Stufenmodellen eher vernachlässigten informations- und motivationsgerichteten Wirkungen der Werbung, insbesondere auf die
Einstellung, betrachtet werden.
Einen solch differenzierteren Einblick in die Zusammenhänge der Werbewirkung gewährt das AtA-Modell, das zudem stärker Erkenntnisse aus der Kaufverhaltenstheorie (Marktpsychologie) und der Informationsverarbeitungs-Theorie integriert.283 Die
Autoren argumentieren, dass die Einstellung des Rezipienten gegenüber einer Werbemaßnahme den Haupteinfluss auf die Kaufintention ausübt. Von dieser Prämisse
ausgehend untersuchen sie Determinanten, welche die Einstellung gegenüber einer
Werbemaßnahme bedingen. Als solche machen sie die Glaubwürdigkeit der Werbemaßnahme (bezüglich der in der Werbung getroffenen Aussagen über Produkt und
Marke), die Wahrnehmung der Werbemaßnahme (hierzu zählen alle kognitiven Aspekte der Kampagne, die nicht unmittelbar vom beworbenen Produkt selbst ausgehen, wie z.B. die Informationsqualität), die Einstellung gegenüber dem Werbenden
280
281
282
283
Vgl. Mayer/Illmann (2000), S. 406 f.
Vgl. Lavidge/Steiner (1961).
Vgl. Mayer/Illmann (2000), S. 412.
Vgl. MacKenzie/Lutz (1989).
81
(positive oder negative Reaktionen des Rezipienten aufgrund bestehenden Wissens
über den Werbetreibenden), Einstellung zu Werbung im Allgemeinen (welche auf das
Verhalten gegenüber der spezifischen Maßnahme auch positiv oder negativ einwirkt)
und die Stimmung des Rezipienten während der Betrachtung der Werbung (Gefühlszustand) aus. Diese Determinanten wirken simultan auf die Einstellung gegenüber
der Werbemaßnahme (Attitude toward the Ad) ein. Mit dem AtA-Modell gelingt es,
zentrale Aussagen früherer Werbewirkungsmodelle zu integrieren und diese weiterzuentwickeln, weshalb es sich als gute theoretische Fundierung einer Werbeeffizienzbewertung eignet.284 Die von den dargestellten Modellen postulierten Effekte
repräsentieren die zentralen psychografischen Werbeziele von Unternehmen, die als
Outputs in eine Analyse der Werbewirkungseffizienz einfließen müssen.
Bisher haben sich erst wenige Arbeiten mit der Entwicklung von Kennzahlensystemen zur Messung der Werbeeffizienz auseinandergesetzt. Die dort vorgeschlagenen
Input- und Outputkennzahlen für beide Begriffsperspektiven finden sich in Tabelle
9.285
Der Überblick in Tabelle 9 zeigt, dass auf der Outputseite nur wenige, überwiegend
hoch aggregierte (monetäre) Output-Kennzahlen herangezogen werden und die aus
den theoretischen Modellen entwickelten Größen bisher wenig Berücksichtigung finden. Offenbar dominiert das Verständnis der Werbeeffizienz als Werbeerfolg und es
wird versucht, Zusammenhänge zwischen den Gestaltungselementen einzelner
Werbemaßnahmen bzw. den dafür aufgewendeten Kosten und ökonomischen Spitzenkennzahlen (Umsatz, Gewinn) herzustellen.
Zahlreiche Autoren fordern jedoch, die Outputseite multidimensional zu erfassen und
auch vor-ökonomische Wirkungsgrößen zu berücksichtigen.286 Auch wenn gerade
bei den neueren Werbeformen etwa im Bereich von Online-Medien die Erhebung
ökonomischer Wirkungsparameter (wie Click Rate, induzierte Produktbestellungen,
heruntergeladene Coupons) leichter fällt und diese genauer den einzelnen Werbemaßnahmen kausal zugerechnet werden können,287 scheint die Forderung nach einer Integration weicher Größen berechtigt. Dies würde ein Verständnis der Ursachen
festgestellter monetärer Werbeeffekte erleichtern.
284
285
286
287
Vgl. Bauer/Mäder/Fischer (2003).
Vgl. Bauer/Hammerschmidt/Garde (2004b), S. 15 f.
Vgl. Bauer/Meeder/Jordan (2002b); Steffenhagen (2003).
Vgl. Bauer/Neumann (2002); Werner (2003), S. 41 f.
82
Autoren
Böcker
(1988)
Inputs
Outputs
• Kosten einer Kampagne
• Kontaktsumme
Werbekosten
•
•
•
•
Werbeausgaben
• Erlösveränderungen
Marken- und WarengruppenVariablen (z.B. Preis, Markenpenetration, durchschn. CategoryPreis, Kaufzyklus, Verteilung der
Umsätze auf Coupon-, Displayund Preisaktionskäufe)
•
•
•
•
Krulis-Randa •
(1990)
Erichson/
•
Maretzki
(1993)
Lodish et al. •
(1995)
• Allgemeine marketingstrategi-
Umsatz
Marktanteil
Methode
konzeptionell
Anzahl Werbeerinnerungen
Umsatz
Umsatzveränderung in %
Absolute Umsatzveränderung
konzeptionell
konzeptionell
Metaanalyse
Marktanteilsveränderung in %
Recall (absolut und in Relation
zum Category-Durchschnitt)
• Persuasion Score
sche Variablen (z.B. Art der verfolgten Wettbewerbsstrategie,
Kooperationen)
• Media Variablen (z.B. Sendezeit,
Dauer der Schaltung, GRPs, Gesamtbudget für Mediaplan)
• Gestaltungsvariablen (z.B. Art
der Copy Tests, Art der Botschaft, Art des Benefit Claims)
Sheth/Sisodia (1995a)
Herremans/
Ryans/
Aggarwal
(2000)
Daum
(2001)
•
•
•
•
Höhe des Werbebudgets
• Absatzmenge
konzeptionell
• Markenwert
Kennzahlenvergleich
• Umsatz(-wachstum) aufgrund
Konzeptionell
Werbeausgaben
Länge einer Kampagne
Werbeausgaben
• Werbekosten
• Anzahl geschalteter Anzeigen
der Erhöhung der Werbeintensität (Werbeelastizität)
• Anzahl gewonnener Neukunden
Bauer/
Meeder/
Jordan
(2002)
Crössmann
(2003)
• Organisatorische Struktur der
Werbeabteilung
•
•
•
•
Marktanteil
Anzahl erzielter Kontakte
Bekanntheitsgrad
Realisierungsgrad der Werbeziele
konzeptionell
• Aufwand für bzw. Anzahl der
Werbetests
• Vergütung der Mitarbeiter
• Werbeintensität (Werbekosten/Umsatz)
• Werbegewinn
konzeptionell
83
Autoren
Inputs
Steffenhagen • Monetärer Werbeeinsatz
(2003)
Luo/Donthu
(2005)
• Werbeausgaben
Outputs
• Bruttokontakte, Kontaktverteilung
•
•
•
•
•
•
•
•
•
•
•
•
•
•
Methode
konzeptionell
Gross Rating Points
Reichweite
Share of Voice
Kundenanfragen
Probierkäufe
Wiederkäufe
Marktanteil
Awareness
Bekanntheit
Prägnanz
Kompetenz
Sympathie
Vertrauen
Umsatz
DEA, SFA
Tabelle 9: Beiträge zur Werbeeffizienz
3.2.2.4. Distributionseffizienz
Im Rahmen der akquisitorischen Distribution lassen sich zwei Entscheidungsfelder
betrachten: Zum einen der direkte Vertrieb, der durch eigene Verkaufsmitarbeiter,
Verkaufsbüros oder Niederlassungen ohne Einschaltung einer weiteren Absatzstufe
erfolgt. Zum anderen der indirekte Vertrieb, der vorliegt, wenn Einzel- oder Großhändler im Absatzkanal zwischengeschaltet werden. Da die Effizienz von Handelsmittlern als fremde Distributionsorgane einer Volkswirtschaft bereits bei der makroökonomischen Betrachtung thematisiert wurde, sollen im weiteren nur unternehmenseigene Vertriebsorganisationen (d.h. der direkte Vertrieb) betrachtet werden.
Die Bezugsobjekte (Entscheidungseinheiten) der direkten Vertriebseffizienzanalyse
lassen sich in drei Kategorien einteilen. Auf der höchsten Aggregationsebene befinden sich zusammengefasste Absatzsegmente in Form der Gesamtheit aller Kundenoder Produktgruppen, Verkaufsgebiete oder Absatzkanäle. Zweitens können einzelne Organisationseinheiten wie Verkaufsbüros (Filialen), Außendienstteams oder das
Key Account Management betrachtet werden, die bestimmte einzelne Kunden/Produkte bzw. Kunden-/Produktgruppen bearbeiten. Drittens kann sich auf einer
disaggregierten Ebene die Betrachtung auf einzelne Maßnahmen innerhalb einer
Organisationseinheit wie etwa Besuchstouren oder Werbemittelaktionen beziehen.288
288
Vgl. Albers/Skiera (2002).
84
Der Analyse und Optimierung der Vertriebseffizienz kommt innerhalb eines effizienzorientierten Marketingcontrolling eine zentrale Bedeutung zu. Die zunehmende Homogenität der Kernprodukte in ausgereiften Märkten lässt v.a. die Performance zusätzlich erbrachter Serviceleistungen, zu denen zweifelsfrei auch die Vertriebsleistung gehört, stärker in das Interesse rücken. Die Messung der Vertriebsperformance
i. S. des Return on Sales erscheint auch daher geboten, da die gängige Praxis gerade im Vertriebsbereich immer noch stark von „Bauchhandeln“ und „Macherkultur“
geprägt ist, die es durch systematische, quantitativ fundierte Analysen zu ergänzen
gilt. Daher steht die Entwicklung von Konzepten der Performancemessung im Vertrieb schon seit geraumer Zeit im Fokus der Forschung, jedoch konnten bislang keine
brauchbaren, umfassenden Ansätze entwickelt werden.289 Aufgrund der üblichen
organisationalen Aufspaltung in mehrere relativ homogene Einheiten (z.B. Außendienstteams) erscheint im Vertriebsbereich eine vergleichende Effizienzanalyse besonders vielversprechend. Hier können allein durch eine Ausrichtung an den internen
Spitzenleistungen in Form der effizienten Einheiten oftmals erhebliche Gewinnsteigerungen erzielt werden.290
Die in der Literatur aufgeführten Inputs und Outputs der Vertriebsfunktion sind breit
gefächert und stark heterogen. Selbst bei der Bewertung ähnlicher Produktarten,
Kunden und Vertriebswege besteht in der vorhandenen Literatur keine Einigkeit über
zu verwendende Parameter. In Ermangelung einheitlicher Standards bietet es sich
an, sich an jenen Inputs und Outputs und deren Operationalisierung zu orientieren,
die in der relevanten Literatur am weitesten verbreitet sind. Einen systematischen
Überblick über ökonomische und qualitative Inputs und Outputs der Vertriebseffizienz
geben Donthu/Yoo, die diese in einer Zusammenfassung verschiedener Studien über
einen Zeitraum von 20 Jahren zusammengetragen haben. Die Autoren extrahieren
auf der Inputseite vier große Inputkategorien, die das Wettbewerbsumfeld, die Kundenstruktur, die Mitarbeiter- sowie die Managementebene abbilden. Auf der Outputseite werden zwei grundlegende Gruppen von Variablen - ökonomische und verhaltensorientierte Outputs - identifiziert (vgl. Tabelle 10).
Wie der Überblick erkennen lässt, dominiert in der Literatur die Verwendung monetärer bzw. leicht zu quantifizierender Größen. Dies ist darauf zurückzuführen, dass die
Erhebung qualitativer Größen meist nur durch subjektive Einschätzungen von Experten (üblicherweise Manager) oder der Mitarbeiter selbst erfolgen kann, woraus erhebliche Validitätsprobleme aufgrund unternehmensinterner Manipulationsspielräumen erwachsen. Zahlreiche Autoren fordern daher explizit, aufgrund ihrer höheren
Objektivität soweit wie möglich auf „harte“ Daten der erfolgsorientierten Vertriebsper289
290
Vgl. Bonoma/Clark (1992), S. 21-37; Bush/Smart/Nichols (2002), S. 343.
Vgl. hierzu die empirische Untersuchung zur Vertriebseffizienz in Kapitel E-3, die die Potenziale
eines internen Vertriebsbenchmarking belegt.
85
formance - wie z.B. Besuchszahlen, Mitarbeiterzahl, Einsatz von Werbemitteln und
deren Einfluss auf den Umsatz - zurückzugreifen.291 In diesen spiegeln sich letztlich
die Größen der verhaltensorientierten Performance der Mitarbeiter wie Kundenbesuche, aber auch weiche Faktoren wie Produktwissen oder Kundenkenntnis wider.
In Zusammenfassung des vierten Kapitels bleibt festzuhalten: Die Marketingeffizienz
ist als hierarchisch gegliedertes Konzept zu verstehen, welches sich aus unterschiedlichen Aggregationsebenen zusammensetzt. Für diese können dann detaillierte Aussagen und Handlungsempfehlungen generiert werden, die wiederum der Steigerung der Gesamteffizienz dienen. Demnach können entsprechend eines BottomUp-Ansatzes zunächst für die Marketing-Bezugsobjekte der untersten Ebene (z.B.
einzelne Produkte, Produktlinien, Vertriebsmitarbeiter, Außendienststellen, Werbekampagnen usw.) die Faktoren ermittelt werden, die den stärksten Einfluss auf deren
Effizienz besitzen. Deren Ausprägungen bestimmen wiederum die Höhe der Inputs
und Outputs der Bezugsobjekte der übergeordneten Aggregationsebene in Form der
Marketing-Mix-Instrumente. Diese determinieren letztlich jene hoch verdichteten Input- und Output-Kennzahlen, die in die Bestimmung der Effizienz der gesamten Marketingfunktion einfließen.
Zwischen den einzelnen Ebenen der Hierarchie bestehen also Ursache-WirkungsZusammenhänge, da die Erreichung der Effizienzziele einer Ebene der Erreichung
der Ziele auf der nächst höheren Ebene dient. Auf jeder Aggregationsebene ist daher
ein System der Effizienzmessung zu institutionalisieren.
Autoren
LaForge/
Cravens/
Young
(1985)
Krulis-Randa
(1990)
Helm
(1996)
Inputs
Outputs
• Anzahl der Mitarbeiter
• Größe des Vertriebsgebiets
• Kundenattraktivität
• Kundenbindung
Methode
PortfolioAnalyse
•
•
•
•
•
•
•
• Umsatz
konzeptionell
• Lieferzeit
• Dauer der Auftragsabwick-
konzeptionell
Verkaufskosten
Verkaufsfläche
Produktkosten
Rabatte
Skonti
Provisionskosten
Anzahl Mitarbeiter
lung
• Motivation des Außendienstes
• Reaktionszeit des Kundendienstes
Vavricka/
Trailer
(1997)
291
• „Costs of goods sold“
• Vertriebskosten
• Administrationskosten
• Umsatz
• Gewinn
Vgl. Albers/Skiera (2002); Piercy/Cravens/Morgan (1996); Sheth/Sisodia (1995b).
konzeptionell
86
Autoren
Donthu/Yoo
(1998)
Inputs
Outputs
•
-
• Finanzielle Outputs
- Umsatzhöhe
- Höhe der Wertschöpfung
- Durchschnittliche Brutto-
Exogene Faktoren
Vertriebsstruktur
Fortschrittlichkeit
Konkurrenzdruck
Wirtschaftliche Struktur des Vertriebsgebiets
• Kundenstruktur
- Anzahl potenzieller Kunden
- Sozioökonomische & demografi•
-
sche Struktur
Psychologische Bedürfnisse
Vertriebsmitarbeiter
Arbeitsstunden
Ausbildungsstand
Einstellung
Durchschnittliche Lohnhöhe
Fachkenntnis & Motivation (Anzahl Schulungen, Verkaufstrainings etc.)
Methode
konzeptionell, DEA
marge
- Marktanteil
• Verhaltensorientierte Outputs
Servicequalität (Anzahl
termingerechter Lieferungen, Lieferzeit etc.)
- Kundenloyalität
- Kundenzufriedenheit
-
• Management
- Größe des Unternehmens
- Eigentumsverhältnisse (Grad der
-
Sharma/
Levy/Kumar
(2000)
Autonomie von Filialen)
Investitionen in Ausstattung
Laufendes Vermögen
Zahl der Angestellten
Arbeitsintensität
Unternehmenskultur
Marketing-Mix-Strategien
Forschungs- & Entwicklungsanstrengungen
Kapazitätsauslastungsgrad
Durchschnittliche Lohnhöhe
Höhe der Bonuszahlungen
Stärke des Betriebsrates
• Zeitaufwand für Vertriebstätigkeit
• Komplexität des Kundenwissens
der Mitarbeiter (ermittelt durch Genauigkeit der Dokumentation)
• Umfang der Begleitung des Vertriebsprozesses
• Anteil des Vertriebsmitarbeiters am Gesamtumsatz
Multivariate
Varianzanalyse
87
Autoren
Daum
(2001)
Inputs
Outputs
•
•
•
•
•
•
•
Kosten eines Absatzkanals
•
•
•
•
Umsatz / Deckungsbeitrag
Image des Absatzkanals
•
•
•
•
•
•
Kosten der Vertriebslogistik
•
•
•
•
•
•
Kosten des Außendienstes
Kosten der Verkaufsstelle
Kosten pro Kundenkontakt
Kosten einer Kundenakquisition
Kosten des Kundendienstes
Kosten des Key Account Managements
Kosten der Handelsunterstützung
Anzahl der Mitarbeiter
Anzahl Absatzkanäle
Anzahl der Lager
Durchschnittlicher Wert des Lagerbestands
Tabelle 10: Beiträge zur Vertriebseffizienz
Umsatz nach Absatzkanal
Umsatzanteil Neuprodukte
Marktpräsenz eines Produktes
Lieferservice
Kundenzufriedenheit
Anzahl Neukunden
Anzahl Aufträge
Anzahl Kundenanfragen
Methode
konzeptionell
89
C
Das Konzept der relativen Marketingeffizienz:
Theoretische Grundlagen und Analysemethoden
1.
Marketingeffizienzanalyse und Benchmarking
1.1.
Benchmarking als Grundprinzip der Marketingeffizienzanalyse
Es wurde bereits angedeutet, dass die Ermittlung einer absoluten Effizienzkennzahl
wenig aussagekräftig ist. Um Ineffizienzen einer Aktivität zu ermitteln, ist stets die
Verwendung eines Vergleichsmaßstabes erforderlich, der die Bestimmung eines Abstandes und damit einer Leistungslücke erlaubt. Ziel einer solchen vergleichenden
Effizienzmessung, die letztlich erst eine Effizienzanalyse im eigentlichen Sinne ermöglicht, ist die Ermittlung einer relativen Effizienz, die in Relation zu einem wie auch
immer gearteten außenstehenden Referenzmaßstab ausgedrückt wird.292 Die im
Rahmen einer relativen Leistungsbewertung untersuchten Aktivitäten werden auch
als Vergleichseinheiten bezeichnet. Eine solche relative Leistungsbewertung ist das
konstituierende Merkmal des Benchmarking, welches ein fundamentales und inzwischen fest etabliertes Denkkonzept der modernen Management- und Strategieforschung sowie der Unternehmenspraxis darstellt.293 Es kann und muss somit als konzeptionelle Basis einer relativen Effizienzmessung herangezogen werden. Es ermöglicht eine objektivere Bewertung der eigenen Fähigkeiten und Ressourcen und eine
Orientierung der Zielsetzungen und Maßnahmen an externen, realistischen „Modellvorgaben“. Eine Benchmarking erscheint gerade für Leistungsbewertungen im Marketing geboten, da gerade das Marketing als Führungskonzeption eine Ausrichtung
aller Aktivitäten an Wettbewerbs- und Kundenanforderungen impliziert.294 In einer
generischen, gesellschaftsorientierten Marketingkonzeption kommen als externe
Standards die Anforderungen sämtlicher Anspruchsgruppen (Stakeholder) in Betracht.
Zum Begriff des Benchmarking gibt es unzählige Definitionen mit verschiedenen
Schwerpunkten. Viele Definitionen, wie auch die ursprüngliche Definition, die 1978
von David T. Kearns, CEO der Xerox Corporation eingeführt wurde, verstehen
Benchmarking als einen kontinuierlichen Vergleich von Objekten (Produkten, Dienstleistungen und Prozessen) mit dem stärksten Wettbewerber oder dem besten Unternehmen einer Branche. Als Arbeitsdefinition wird oft Camp zitiert: “Benchmarking is
the search for industry best practices that leads to superior performance.”295 Die ersten Benchmarkinganwendungen zielten zunächst nur auf die Verbesserung von Pro292
293
294
295
Vgl. Cantner/Hanusch (1998), S. 228; Dyckhoff/Allen (2001), S. 114 f.
Vgl. Vorhies/Morgan (2005).
Vgl. Homburg (2000), S. 583 f.; Sabisch/ Tintelnot (1997), S. 16 f.; Vorhies/Morgan (2005).
Camp (1989), S. 19.
90
duktionsprozessen und deren Kostenstrukturen ab. Inzwischen wurde der Anwendungsbereich auf andere Bereiche und Funktionen und hier insbesondere auf Marketingstrategien und -prozesse ausgeweitet, wodurch dem Engpasscharakter des Marketing im Rahmen der Unternehmensführung Rechnung getragen wird.296
Im klassischen Sinne wird unter Benchmarking immer, so wie von Xerox ursprünglich
eingeführt, kompetitives Benchmarking verstanden. Xerox hatte aufgrund zunehmenden Wettbewerbsdrucks begonnen, die Produktionsprozesse und -kosten ihrer
Kopierer mit denen anderer Hersteller zu vergleichen und zu analysieren.297 Dieser
Prozess war jedoch mehr als eine gewöhnliche Wettbewerbsbeobachtung. Er beinhaltete ein detailliertes Reverse Engineering nicht nur bzgl. Leistungsumfang und
Funktionen der Produkte, sondern auch der Prozesse der Wettbewerber. Vor allem
letzteres diente dazu, genaue Informationen zu allen Wertschöpfungsstufen zu erhalten, die der Findung der Ursachen für die festgestellten eigenen Schwächen dienten.298 Ziel dieser Art des Benchmarking ist der Vergleich der eigenen Leistung und
Prozesse mit denen der wettbewerblichen Spitzenleistungen mit dem Ziel, diese Best
Practice gemäß den Gegebenheiten im eigenen Unternehmen zu implementieren.
Durch gezieltes Hinterfragen, was andere Unternehmen wie besser machen, sollen
Leistungslücken relativ zum Wettbewerb aufgedeckt und geschlossen werden.299 Die
Gleichsetzung eines Benchmarking mit Wettbewerbsorientierung soll verhindern,
Verbesserungen nur an internen Maßstäben auszurichten und Anforderungen des
Marktes zu vernachlässigen. Die Anreicherung der unternehmerischen Leistungsbewertung um den Aspekt der Wettbewerbsorientierung, die im Marketing bereits 1960
von Levitt gefordert wurde, ist ein geeignetes Mittel, um eine „marketing myopia“
auch im Bereich des Marketing Performance Measurement zu verhindern.300
Das zunehmende Bestreben vieler Manager, erfolgreiche Lösungen anderer Unternehmen zu imitieren, wird durch die steigende Umweltdynamik und Marktkomplexität
getrieben, die - gepaart mit begrenzter Rationalität und Ressourcenknappheit – in
einer Erhöhung von Unsicherheit und einer Minderung der Experimentierbereitschaft
resultieren. Kurze Produktlebenszyklen lassen beispielsweise keinen Raum für zeitintensive Forschung. Unternehmen können sich kostspielige Fehlentwicklungen nicht
mehr leisten, da dies vom Kapitalmarkt und von sonstigen Anspruchsgruppen mit
weitreichenden Konsequenzen (Verschlechterung der Bonität, Einbruch von Aktienkursen, höhere Kapitalkosten etc.) abgestraft wird. Um bei verringertem Risiko die
eigene Leistungsfähigkeit zu steigern, versuchen Unternehmen verstärkt von den
Erfolgen und Misserfolgen anderer Organisationen zu lernen, um solche weitrei296
297
298
299
300
Vgl. Donthu/Hershberger/Osmonbekov (2005); Vorhies/Morgan (2005).
Vgl. Camp (1989), S. 6 f.
Vgl. Straub (1997), S. 45 f.
Vgl. Camp (1989), S. 13; Kleemann (2004), S. 36 ff.
Vgl. Levitt (1960).
91
chenden Konsequenzen auf ihrem Weg zur Bestlösung zu vermeiden.301 Im Zuge
des nächsten Abschnitts soll die starke Wettbewerbsfokussierung des Benchmarking
theoretisch begründet, gleichzeitig aber auch der Frage nachgegangen werden, ob
die Betrachtung eines Benchmarking als Wettbewerbsvergleich zu kurz greift und
welche weiteren Dimensionen eine Rolle spielen.
1.2.
Einordnung des Benchmarking – Theoretische Fundierung der
relativen Effizienzanalyse
Im Folgenden soll die Notwendigkeit einer Benchmarkorientierung im Rahmen der
Effizienzanalyse theoretisch herausgearbeitet werden, um so das Konzept der relativen Marketingeffizienz zu begründen.
1.2.1.
Wettbewerbsvorteils-Theorien
Zur Erklärung von Wettbewerbsvorteilen innerhalb der Wertschöpfungsprozesse
können grundsätzlich marktorientierte (Market Based View) und ressourcenorientierte (Resource Based View) Ansätze unterschieden werden.302 Aus Sicht beider Ansätze lässt sich die Entstehung des Benchmarkingkonzeptes erklären. Vom Grundsatz her entspricht es der Forderung einer konsequenten Wettbewerbsorientierung.
Durch Ausrichtung von Leistungsparametern an Wettbewerbern sollen Leistungsverbesserungspotenziale erkannt werden. Damit ist Benchmarking eine konsequente
Umsetzung des Market Based View des strategischen Management, der zum Ziel
hat, die Entstehung von Wettbewerbsvorteilen auf Basis externer Vorteilsquellen zu
erklären. Demnach sind Wettbewerbsvorteile wesentlich von der Branchenstruktur
abhängig, da diese die Stärke der fünf Wettbewerbskräfte,303 die Verteilung der
Wertschöpfung auf die Marktteilnehmer sowie die Angebots- und Nachfragebedingungen durch Markteintrittsbarrieren beeinflusst.304 Die Branchenstruktur bestimmt
somit die Rivalität und damit auch das Ertragspotenzial innerhalb einer Branche. Ein
nachhaltiger Wettbewerbsvorteil resultiert aus einer strategisch vorteilhaften Positionierung innerhalb attraktiver Branchen. Als externe Vorteilsquellen sind somit nach
dem klassischen Porter’schen Ansatz, der als Hauptvertreter des Market Based View
gilt, etwa das Bearbeiten attraktiver Märkte oder Branchen, die Verhinderung von
Markteinritten, der frühere Eintritt in einen Markt, die Erzielung höherer Marktanteile,
301
302
303
304
Vgl. Bauer (2002), S. 5.
Vgl. Rühli (1995), S. 91-94; Schmidt (2000), S. 81.
Vgl. Porter (2000), S. 32. Dies sind die Bedrohung durch neue Anbieter, die Verhandlungsmacht
der Abnehmer, die Bedrohung durch Ersatzprodukte oder -dienste, die Verhandlungsstärke der
Lieferanten und der Wettbewerb innerhalb der Branche.
Vgl. Porter (2000), S. 32.
92
das Anbieten höherer Qualität etc. anzusehen.305 Durch Benchmarking soll erreicht
werden, die Bestandteile der Wertkette unter Beachtung der strategischen Erfolgsfaktoren Qualität, Kosten und Zeit auf attraktive Branchen auszurichten. Damit verbunden ist eine höhere Reaktions- und Anpassungsgeschwindigkeit bzgl. veränderter Markt- und Technologiebedingungen.306 Diese Grundüberlegungen finden sich
typischerweise in Positionierungsmodellen wie Marktraummodellen, in denen der
Erfolg dadurch ausgedrückt wird, inwieweit es gelingt, sich möglichst gut (evtl. besser
als Konkurrenten) an einen Idealpunkt oder Idealvektor anzunähern.
Ressourcenorientierte Ansätze unterscheiden sich von den marktorientierten Ansätzen dadurch, dass Wettbewerbsvorteile nicht aus dem Aufspüren gewinnträchtiger
Marktsegmente, sondern aus dem Aufbau von Kernkompetenzen durch die interne
Kombination materieller und immaterieller Ressourcen erklärt werden.307 Aus ressourcenorientierter Sicht erhält ein Benchmarking eine Legitimation, da es im Ergebnis letztlich zum Aufbau neuer Wissensbestände und Fähigkeiten durch intra- bzw.
interorganisationale Lernprozesse führt.308 Hierdurch wird der Aspekt betont, dass
Benchmarking v.a. versuchen muss, externes Wissen in das Unternehmen zu transferieren und dort nutzbar zu machen. Der Transfer organisationaler Wissensbestände durch Benchmarking ist aber mit einigen Problemen verbunden. Nur ein Teil des
Wissens ist als explizites Know-how übertragbar. Das für einen Wettbewerbsvorteil
wesentlich bedeutendere tazite Wissen einer Organisation ist aufgrund seines kollektiven, instinktiven und erfahrungsgestützten Charakters nur schwer identifizierbar und
schwer durch Märkte übertragbar.309 Es zeigte sich aber, dass durch Kooperationen
etwa in Benchmarking-Netzwerken ein Transfer von Kernfähigkeiten durchaus möglich ist, wodurch die Bedeutung kooperativen Verhaltens verdeutlicht wird.310 Dieses
ist notwendig, um potenzielle Missverständnisse und Interpretationsprobleme durch
Verwendung identischer Techniken der interorganisationalen Externalisierung von
implizitem Kontextwissen zu vermeiden.311
305
306
307
308
309
310
311
Vgl. Porter (2004), S. 4-10.
Vgl. Bauer (2002), S. 12 f.; Porter (2004), S. 53 f.
Vgl. Prahalad/Hamel (1990), S. 80 ff.; Rühli (1995), S. 94.
Vgl. Grether (2003), S. 90 ff.; Raub/Büchel (1996), S. 30.
Vgl. Bauer (2002), S. 14; Müller-Stewens/Osterloh (1996), S. 19.
Beispiel für ein Benchmarking-Netzwerk ist der Zusammenschluss von Boeing, Digital Equipment
Corporation, Motorola Inc. und der Xerox Corporation zur Education & Training Applications
Group, welche Benchmarking-Standards festlegt und vergleichende Analysen zwischen den Mitgliedern initiiert.
Vgl. Grether (2003), S. 111 ff.; Ulrich (1998), S. 56. Ein Beispiel für solche Techniken ist die Visualisierung von Geschäftsprozessen in Ablaufdiagrammen. Da explizites Wissen häufig nicht ohne
das dahinter liegende implizite Wissen umgesetzt werden kann, kommt der interorganisationalen
Sozialisation ebenfalls eine weit reichende Bedeutung beim Benchmarking zu. Benchmarkingprojekte werden nur gelingen, wenn der Wissenstransfer, der in Form von Beobachtung, Nachahmung oder Übung erfolgen kann, vor dem Hintergrund gemeinsam geteilter Erfahrungen geschieht. Vgl. Osterloh/Frost (1998), S. 199; Schmidt (2000), S. 215.
93
Beide Theorierichtungen versuchen, die Entstehung von Wettbewerbsvorteilen zu
erklären, von denen die langfristige Erfolgssicherung und Überlebensfähigkeit eines
Unternehmens abhängen. Beide liefern Begründungen für die Notwendigkeit eines
Benchmarking. Das Benchmarkingkonzept stellt dabei in geradezu dialektischer
Weise eine Synthese aus der These „Marktorientierung“ (Suche nach Opportunitäten) und der Antithese „Ressourcenorientierung“ (Aufbau von Fähigkeiten) dar.
Benchmarking unterstützt Unternehmen, einen Fit zwischen den durch die Umwelt
geschaffenen Chancen und Risken und den internen Ressourcen und Fähigkeiten
(die zusammenfassend als Kompetenzen bezeichnet werden) herzustellen. Die Nutzung von Benchmarks ermöglicht es, Performancesteigerungen zu generieren, indem organisatorische Kompetenzen zunächst an den externen Bedingungen ausgerichtet werden, um diese dann entsprechend der beobachteten Benchmarkprozesse
intern zu verbessern (d.h. bestehende Schwächen zu eliminieren) bzw. neue Ressourcen durch ein Lernen vom Benchmark aufzubauen.312
1.2.2.
Prospect Theory und Strategic Reference Point Theory
Die Kernaussage der Prospect Theory lautet, dass Individuen und Organisationen
Entscheidungssituationen vereinfachen und auf Basis von Referenzpunkten bewerten, so dass eine Entscheidung von der wahrgenommenen Position bezüglich des
Referenzpunktes abhängt.313 Diese Theorie geht der Frage nach, warum das Ergebnis ökonomisch identischer Entscheidungssituationen vor dem Hintergrund unterschiedlicher Positionen zu einem Referenzpunkt differieren kann.314 Im Mittelpunkt
der Prospekttheorie steht eine Wertfunktion, wobei der Wert einer ökonomischen Alternative als davon abhängig betrachtet wird, ob deren Ergebnis eine Verlust- oder
Gewinnsituation darstellt.315 Laut Prospekttheorie wird ein Verlust wahrgenommen,
wenn das Ergebnis unterhalb des subjektiven Referenzpunktes liegt, von diesem
also negativ abweicht. Liegt das Ergebnis oberhalb des Referenzpunktes (positive
Abweichung), befindet es sich im Gewinnbereich. Die Wertfunktion nimmt im Gewinnbereich bei konkavem Verlauf positive Werte, im Verlustbereich bei konvexem
Verlauf negative Werte an.316 Dieser Verlauf der Nutzenfunktion bedeutet, dass Zugewinne gleicher absoluter Höhe mit steigendem Abstand vom Referenzpunkt geringer und gleich hohe absolute Verluste mit steigendem Abstand immer weniger negativ bewertet werden. Somit wird für die subjektive Nutzenfunktion im Verlustbereich
312
313
314
315
316
Vgl. Fiegenbaum/Hart/Schendel (1996), S. 219 f.
Vgl. Kahneman/Tversky (1979), S. 277 ff.
Vgl. Herrmann/Bauer (1996), S. 679.
Vgl. Kahneman/Tversky (1979), S. 263 ff.
Vgl. Kahneman/Tversky (1979), S. 278.
94
ein steilerer Verlauf als im Gewinnbereich postuliert.317 Daraus resultiert eine Verlustaversion, die über sog. Besitzstandseffekte erklärt wird, wonach Menschen stärker dazu neigen, ein einmal erreichtes Niveau zu verteidigen, statt um weitere Zugewinne zu kämpfen. Die zentrale Aussage der Prospect Theory lautet nun, dass die
Art, das Ausmaß und das Risiko gewählter Handlungen davon abhängen, ob Entscheidungsträger ihre eigene Position oberhalb oder unterhalb des Referenzpunktes
wahrnehmen.318 Die Wertfunktion der Prospect Theory wird in Abbildung 5 dargestellt.
Wert
V (y)
V (x)
-x
-y
Verlust
Gewinn
x
y
V (-y)
V (-x)
Abbildung 5: Wertfunktion der Prospect Theory
Quelle: In Anlehnung an Herrmann/Bauer (1996), S. 680
Fiegenbaum/Hart/Schendel entwickeln aus den Kernideen der Prospect Theory ihre
Strategic Reference Point Theory (SRPT). Danach lassen sich andere Unternehmen
bzw. andere Abteilungen, Filialen oder Teams des eigenen Unternehmens, mit denen im Rahmen eines Benchmarkingprojekts die eigene Leistung verglichen wird, als
strategische Referenzpunkte interpretieren. Die wahrgenommene Differenz des eigenen Unternehmens zum Referenzpunkt wird herangezogen, um das Verhalten von
Managern zu erklären. Die Autoren postulieren, dass Manager auf Basis von Referenzpunkten, welche als Zielpositionen herangezogen werden, Wahlentscheidungen
treffen und Risiken bewerten.319 Insbesondere wird vermutet, dass Manager und
folglich Organisationen nicht grundsätzlich risikoavers handeln, wie dies in vielen
317
318
319
Vgl. Kahneman/Tversky (1979), S. 279. Eine 5%-ige Rentabilitätssteigerung wird ausgehend von
einer 80%-igen Rentabilität weniger wertvoll sein als von einer Rentabilität in Höhe von 10%. Dagegen wird der zusätzliche Verlust von 10 Euro, ausgehend von einem Verlust von 1.000 Euro,
weniger negativ bewertet als von 100 Euro.
Vgl. Fiegenbaum/Thomas (1988), S. 88 ff.
Vgl. Bamberger/Fiegenbaum (1996), S. 927.
95
Modellen des Strategiewahlverhaltens implizit unterstellt wird. Vielmehr hängt die
Bereitschaft, bei der Wahl wettbewerbsstrategischer Optionen Risiken einzugehen
(attitude toward risk taking), davon ab, ob sich Entscheidungsträger in einer Gewinnoder Verlustsituation sehen. Bei Unternehmen, die unterhalb des strategischen Referenzpunktes operieren, wird ein risikofreudiges Verhalten postuliert, während sich
Unternehmen oberhalb des strategischen Referenzpunktes vermutlich risikoavers
verhalten.320
In Abhängigkeit davon, ob eine negative Leistungslücke identifiziert und somit das
Unternehmen bezüglich des Benchmarks als unterlegen wahrgenommen wird, oder
eine Überlegenheit gegenüber dem Benchmark vorliegt, lassen sich also Prognosen
über Handlungen von Managern aufstellen. Aus der Wertfunktion in Abbildung 5 wird
deutlich, dass der Verringerung einer negativen Leistungslücke von − x auf den Wert
− y ein größerer Wert beigemessen wird als der weiteren Steigerung einer positiven
Leistungslücke in gleicher absoluter Höhe, d.h. von x auf y . Bei negativer Leistungslücke wird ein Manager daher eher bereit sein, Entscheidungsprozesse zu dezentralisieren, völlig neuartige Wege zu gehen und bei seiner Strategiewahl ein höheres Risiko zu suchen. Identifiziert ein Manager eine überlegene Position, so stellen
neue Lösungen eher eine Bedrohung des Erreichten dar. Das Unternehmen zentralisiert seine Entscheidungsprozesse und wählt defensive, konservative Strategien.321
Das zentrale Ziel besteht in dieser Situation in der Verteidigung der aktuellen Position. Der Wert einer Leistungssteigerung durch Benchmarking hängt demnach von der
eigenen Position am Markt und vom Ausgangsniveau der Leistungssteigerung ab. Im
Kern postuliert die SRPT somit, dass Lösungen zur Schließung einer negativen Leistungslücke stärker priorisiert werden als Lösungen zur weiteren Vergrößerung eines
Leistungsvorsprungs.322
Die prospekttheoretischen Empfehlungen bzgl. des Risikoverhaltens konnten durch
empirische Befunde gestützt werden. So konnte im Verlustbereich (d.h. bei im Branchenvergleich unterdurchschnittlich erfolgreichen Unternehmen) ein deutlich stärkerer positiver Risiko-Return-Zusammenhang beobachtet werden als im Gewinnbereich.323 Für Unternehmen, die schlechter abschneiden als der Branchenbenchmark,
lohnen sich mithin risikobehaftete Strategien mehr. Sowohl Untersuchungen auf privater als auch organisationaler Ebene belegen weiterhin, dass Benchmarks von Individuen genutzt werden, um ökonomische Situationen zu beschreiben. Dabei ändern
sich Wahlentscheidungen in Abhängigkeit vom Framing einer Entscheidungssituati-
320
321
322
323
Vgl. Fiegenbaum/Thomas (1988), S. 198 ff.
Vgl. Fiegenbaum/Hart/Schendel (1996), S. 228.
Vgl. Bauer (2002), S. 21 ff.; Shoham/Fiegenbaum (1999), S. 449.
Vgl. Chang/Thomas (1989); Fiegenbaum (1990); Jegers (1991).
96
on, d.h. abhängig davon, ob das Ergebnis der Handlung im Verlustbereich unterhalb
des Benchmarks liegt oder mit Gewinnen assoziiert wird.324
Fiegenbaum/Hart/Schendel weisen darauf hin, dass die Ergebnisse eines Referenzpunktvergleichs entscheidend davon abhängen, wie der strategische Referenzpunkt
definiert wird. Das Leistungsniveau des identifizierten Benchmarks wird durch eine
Vielzahl von Benchmarkmerkmalen bestimmt. So könnten zwei völlig identische Unternehmen ihre Performance bezüglich eines Benchmarks unterschiedlich einschätzen, wenn sie diesen ganz unterschiedlich definiert haben.325 Für die Erfassung und
Operationalisierung strategischer Referenzpunkte schlagen Fiegenbaum/Hart/
Schendel eine dreidimensionale Matrix vor.326 Die interne Dimension wird in die beiden Ausprägungen „strategische Inputs“ und „strategische Outputs“ aufgeteilt und
beschreibt die Kennzahlen, anhand derer die Leistungsfähigkeit des Benchmarks
ausgedrückt werden soll (Leistungsmaßstab). Strategische Inputs sind Kennzahlen,
die an die strategischen Erfolgsfaktoren Qualität, Kosten, Zeit und Innovativität für
einzelne Funktionsbereiche oder funktionsübergreifende Wertschöpfungsaktivitäten
anknüpfen. Strategische Outputs stellen das Ergebnis der unternehmerischen Tätigkeit des Vergleichspartners in Form klassischer Performancekennzahlen wie Umsatzwachstum, Profitabilität oder Wertsteigerung dar.327
Die zweite, externe Referenzdimension berücksichtigt den Umstand, dass der herangezogene Vergleichspartner verschiedenen externen Anspruchsgruppen zugehören kann. Die Dimension spiegelt im Wesentlichen die oben dargestellte marktorientierte Perspektive wider. Die externe Dimension wird in die Ausprägungen „Wettbewerber“, „Kunden“ und „(andere) Stakeholder“ unterteilt.328 Je nach herangezogener
Anspruchsgruppe ergeben sich völlig andere Bewertungsstandards. Beispielsweise
kann der Erfolg eines Unternehmens in Form des Positionierungserfolgs gegenüber
dem Wettbewerb (in Form der eigenen strategischen Gruppe, des Branchendurchschnitts bzw. –führers oder anderer Industrien), aber auch in Bezug auf die erreichten Wirkungen bei den Kunden (Loyalität etc.) oder nicht marktlichen, sozialen Stakeholdern (Öffentlichkeit, Politik etc.) untersucht werden.
324
325
326
327
328
Vgl. Fiegenbaum/Thomas (1988).
Beispielsweise können zwei identische Unternehmen das gleiche Ziel - eine Senkung ihrer Produktionskosten – durch Betrachtung unterschiedlicher Benchmarks anstreben: Das eine Unternehmen analysiert ausschließlich das Beschaffungsmanagement eines inländischen Wettbewerbers, das andere Unternehmen betrachtet hingegen die gesamten Wertschöpfungsprozesse mehrerer brancheninterner und -externer Unternehmen. Diese beiden Konstellationen strategischer
Referenzpunkte dürften jeweils ganz andere Ergebnisse erbringen und andere Strategien auslösen. Vgl. Bauer (2002), S. 23.
Vgl. Fiegenbaum/Hart/Schendel (1996), S. 222 ff.
Vgl. Bauer (2002), S. 23 f.; Fiegenbaum/Hart/Schendel (1996), S. 225.
Vgl. Fiegenbaum/Hart/Schendel (1996), S. 224.
97
Drittens ist festzulegen, welche zeitliche Dimension eine Leistungsbewertung aufweisen soll (vergangene, gegenwärtige oder zukünftige Leistung).329 Sollen zukünftige
Produktivitätspotenziale des Vergleichspartners als Maßstab herangezogen werden,
sind jene Prozesse zu untersuchen, die für die langfristige Performance relevant
sind: Hierzu gehört etwa die Umstellung auf moderne Produktionsformen (etwa auf
autonome Fertigungsteams, Qualitätszirkel) oder die Implementierung eines Datenbanksystems zur Kundenwertbestimmung, welches die Priorisierung profitabler Kundensegmente ermöglicht. Bei reiner Fokussierung auf vergangenheitsbezogene Faktoren muss beachtet werden, dass sich die operativen und strategischen Rahmenbedingungen des Erfolges evtl. geändert haben oder in Zukunft ändern könnten, so
dass vergangene Lösungen in der aktuellen Situation nicht mehr relevant sind. Folglich wird sich die Leistungsfähigkeit der Vergleichspartner regelmäßig im Zeitverlauf
verändern.330
Die theoretischen Überlegungen haben viele Aspekte und Facetten offen gelegt, anhand derer ein Benchmarkingprojekt beschrieben und konkretisiert werden muss.
Diese Erkenntnisse sollen nun zu einer umfassenden Definition des Benchmarking
verdichtet werden, welche in die Entwicklung eines Klassifizierungsmodells mündet.
1.3.
Dimensionen eines Benchmarks und Klassifizierung von
Benchmarkingarten
Die Position eines strategischen Referenzpunktes und das daraus resultierende Risiko- und Entscheidungsverhalten hängen stets davon ab, wie die Entscheidungsträger den strategischen Referenzpunkt definieren. Dabei zeigen die Erkenntnisse der
SRPT, dass ein Benchmark kein eindimensionales Konstrukt ist, sondern durch eine
Vielzahl verschiedener Dimensionen beschrieben werden muss. Eine Synopse zahlreicher Benchmarkingdefinitionen in der Literatur zeigt, dass diese eine relativ große
Schnittmenge bzgl. der postulierten konstituierenden Dimensionen aufweisen.331 Es
wird deutlich, dass sich fünf übergeordnete Merkmale extrahieren lassen, die das
Benchmarking charakterisieren. So ist Benchmarking ein kontinuierlicher, systematischer Prozess, der spezifische Untersuchungsobjekte unter Heranziehung von bestimmten Maßstäben mit einem Vergleichspartner in einem bestimmten Zeithorizont
mit unterschiedlich ambitionierten Zielen, d.h. bestimmter Intensität vergleicht.332 In
Abbildung 6 sind die aus dem synoptischen Vergleich von Definitionsversuchen er329
330
331
332
Vgl. Bamberger/Fiegenbaum (1996), S. 937.
Vgl. Bauer (2002), S. 25.
Hierzu hat der Autor die Definitionen von über 40 einschlägigen Publikationen zum Benchmarking
verglichen und systematisiert. Es wird darauf verzichtet, diese hier alle auszubreiten.
Eine generische Definition, die ähnliche Bestandteile eines Benchmarkingprozesses identifiziert,
schlägt Spendolini (1994), S. 10 mit seinem Benchmarking-Definitionsmenü vor.
98
mittelten fünf Dimensionen zusammengefasst. Wie erkennbar ist, stellt diese Konzeptualisierung eine Erweiterung der dreidimensionalen Referenzpunktmatrix von
Fiegenbaum/Hart/Schendel dar.
Dimensionen des Benchmarking
Vergleichsobjekt
Vergleichspartner
Vergleichsmaßstab
Produkte, Dienstleistungen
Interne Partner
(„Company BM“)
Organisationseinheiten
Einfache monetäre Kennzahlen (Marktanteil, Umsatz,
Gewinn, Kosten)
Externe Partner
Einfache nicht-monetäre
Kennzahlen (Absatz,
Qualität, Zufriedenheit,
Bindung, Innovationsgeschwindigkeit)
Strategien/
Maßnahmen
Direkte Konkurrenz
(„Market BM“)
Prozesse/
Funktionen
Gleiche Branche
(„Industry BM“)
Verfahren/
Methoden
Fremde Branchen
(global)
(„Generisches BM“ )
Vergleichshorizont
Vergangenheit
Gegenwart (einmalig,
kontinuierlich)
Zukunft
Vergleichsziel
Best Theory
(Ideal)
Best Practice
Average Practice
Verknüpfte Kennzahlen
(Scores, Indizes)
Verhältnis-Kennzahlen
(Output-Input-Relationen, ROI)
Abbildung 6: Dimensionen des Benchmarking
Im Gegensatz zum engen Verständnis des traditionellen Benchmarking (Xerox), welches sich ausschließlich auf ein Reverse Engineering von Produkten bzw. Technologien beschränkte, sind Vergleichsobjekte aller Art denkbar. Neben Produkten/Dienstleistungen333 oder Produktionstechnologien können auch (Marketing)Instrumente und -strategien, aber auch Prozesse und Funktionen bzw. Organisationseinheiten334 verglichen werden. So werden in den späteren empirischen Untersuchungen dieser Arbeit Marketingobjekte (Produkte, vgl. Kapitel E-1), Prozesse
innerhalb eines marketingpolitischen Instrumentalbereichs (Markenführung, vgl. Kapitel E-2) sowie Organisationseinheiten (Vertriebsteams, vgl. Kapitel E-3) als Vergleichseinheiten im Rahmen eines Effizienzvergleichs dienen. Im Rahmen eines generischen Benchmarking wird sogar gefordert, ganz abstrakte und allgemeingültige
betriebliche Funktionen branchenübergreifend zu vergleichen. Ziel ist es hier, eine
333
334
Produkte und Dienstleistungen bzw. deren kundenrelevante Merkmale stellen eine bedeutende
Objektgruppe des Benchmarking dar, da Informationen über die zu Grunde liegenden Leistungserstellungsprozesse und Produktionstechnologien für Konkurrenzunternehmen meist nicht verfügbar sind. Häufig stellt daher ein von Prozessen, Funktionen oder Verfahren losgelöster Vergleich von Produkten und Dienstleistungen die einzige Möglichkeit dar. Vgl. Böhnert (1998), S.
77.
Hier ist zu beachten, dass Prozesse, Funktionen und Organisationseinheiten oft nicht isoliert voneinander betrachtet werden können. Funktionen sind Bestandteil einer Organisation(seinheit),
Prozesse sind wiederum integraler Bestandteil von Funktionsbereichen. Eine Effizienzsteigerung
von Funktionen kann häufig nur über eine Analyse der dort ablaufenden Prozesse erreicht werden. Neben Teilprozessen, die innerhalb einer Funktion stattfinden, lassen sich auch Basisprozesse finden, deren Reichweite mehrere Funktionen umfasst oder die sogar auf die gesamte Organisation wirken. Vgl. Böhnert (1998), S. 75.
99
enge, nur auf die relevanten Konkurrenten ausgerichtete Perspektive zu überwinden
und globale Bestlösungen zu finden. Zum Beispiel gelten der Gästeservice des RitzCarlton und das Beziehungsmarketing von American Express als weltweit führend
und werden nicht nur in der Hotellerie- bzw. Finanzdienstleistungsbranche imitiert,
sondern ebenso in ganz anderen Branchen.335 So existieren sogar Anwendungen für
Krankenhäuser, die als Vergleichsmaßstab für die Patientenaufnahme den Empfang
eines Hotels heranziehen, um Einsichten für völlig neuartige, kreative Lösungsansätze zu gewinnen.336 Die Aufspaltung in verschiedene Benchmarkingobjekte soll der
Tatsache Rechnung tragen, dass bei Betrachtung großer, divisionalisierter Unternehmen ein Benchmarking der gesamten Organisation naturgemäß zu komplex und
aufwändig ist.
Die Dimension Vergleichspartner verdeutlicht, dass die klassische, rein wettbewerbliche Sichtweise zu kurz greift. Best Practices lassen sich auch innerhalb der eigenen
Organisation finden.337 So kann etwa eine Orientierung an den besten Sparten, Filialen, Vertriebsteams oder Verkaufsbüros bereits erhebliche Verbesserungspotenziale
aufdecken. Große Bedeutung erhält das unternehmensinterne Benchmarking daher
in divisionalisierten multinationalen Konzernen bzw. filialisierten Unternehmen.338
Auch beim internen Benchmarking wird dabei der Forderung nach einer Relativierung der Leistung an „externen“ Referenzmaßstäben Rechnung getragen. Extern
bedeutet dabei immer, Bewertungsmaßstäbe außerhalb des Einfluss- und Verfügungsbereichs der betrachteten Entscheidungseinheit heranzuziehen, d.h. keine
Planzahlen oder Trendfortschreibungen eigener Leistungskennzahlen zu verwenden.
Dem Konzept des „internen Wettbewerbs“ folgend kann auch ein internes Benchmarking letztlich dem Grundprinzip der Wettbewerbsorientierung entsprechen.
Die Relevanz eines internen Benchmarking ergibt sch insbesondere für erfolgskritische Prozesse oder Funktionen, zu denen kaum oder nur schwer (und wenn dann
unvollständige) Daten von direkten Wettbewerbern verfügbar sein werden. Da es
zwischen den Benchmarkingpartnern keine bindenden Verträge gibt, wäre die Übermittlung der richtigen Informationen kein rationales Verhalten, da sich derjenige, der
dem anderen unwahre Informationen mitteilt, immer besser stellen und einen kurzfristigen Wettbewerbsvorteil erzielen könnte (Gefangenendilemma). Aufgrund der
Nicht-Kontrahierbarkeit von Informationsleistungen von Benchmarkingpartnern wäre
bei hoher Spezifität und Differenziertheit von Benchmarkobjekten ein externes
335
336
337
338
Vgl. Hiebeler/Kelly/Ketteman (1998).
Vgl. Norman/Stoker (1991).
Vgl. Karlöf/Östblom (1994), S. 62; Ulrich (1998), S. 19.
Vgl. Rau (1996), S. 42. Als Sonderform des internen Benchmarking ist auch ein Zeitvergleich
anzusehen, bei dem Daten derselben Organisationseinheiten zu unterschiedlichen Zeitpunkten
erhoben und verglichen werden (Window-Analysen). Vgl. Backhaus/Streffer/Wilken (2005); Homburg (2000), S. 583.
100
Benchmarking (d.h. ein Informationsaustausch über Unternehmensschnittstellen
hinweg) mit prohibitiv hohen Transaktionskosten verbunden. Hier ist daher eine Internalisierung von Leistungsvergleichen in die Hierarchie das effiziente institutionelle
Arrangement.339 So ist bei vielen Unternehmen ein Engagement in wettbewerblichen
Benchmarkingnetzwerken und Erfahrungsaustauschgruppen nur in Bezug auf periphere, relativ standardisierte Prozesse mit geringem Differenzierungspotenzial zu
beobachten. Bzgl. strategisch bedeutsamer Prozesse werden maximal hoch aggregierte Daten etwa über Kosten für bestimmte Wertschöpfungsprozesse offen gelegt,
die wenig darüber aussagen, wie diese Kostenposition erreicht wurde (weniger Mitarbeiter, günstigere Lieferanten, bessere Produktionstechnologien etc.). Damit dürfte
die Kooperationsbereitschaft von Unternehmen für ein externes Benchmarking umso
geringer sein, je intensiver die bestehenden Wettbewerbsbeziehungen sind. Spieltheoretische Überlegungen legen jedoch nahe, dass die Anreizprobleme eines
Benchmarking zwischen direkten Wettbewerbern gemildert werden können, wenn die
Teilnahme an einem Benchmarkingprojekt langfristiger Natur ist. Es kommt dann zu
einem wiederholten Austausch strategisch relevanter Information (wiederholte Spiele) mit der Möglichkeit von Vergeltungsstrategien, z.B. in Form von Reputationsverlust bei opportunistischer Informationsnutzung.340
Die letzte Dimension in Abbildung 6 zeigt, dass ein Benchmarking nicht zwingend nur
mit dem Vergleichsziel erfolgen muss, die Best Practice in Form bereits realisierter
Spitzenleistungen zu erreichen. Vielmehr können auch strengere Ziele in Form theoretisch denkbarer Positionen herangezogen werden („Best Theory“), wie sie etwa in
Idealpunkt- und Idealvektormodellen vorgegeben werden. Dies repräsentiert die
Idee, über inkrementale Verbesserungen hinaus ambitionierte Ziele zu verfolgen und
so progressive Veränderungen (Quantensprünge) zu erreichen. Weiterhin zeigt sich,
dass auch jene Vergleiche zum Benchmarking gezählt werden können, die sich nicht
an besten, sondern durchschnittlichen Leistungsbeurteilungen orientieren, die weniger strenge Maßstäbe darstellen und z.B. bei der Regressionsanalyse herangezogen
werden.
Für die vollständige Beschreibung eines Benchmarks müssen stets die in Abbildung
6 genannten fünf unabhängigen Dimensionen herangezogen werden. Ein Benchmark ist damit durch eine bestimmte Ausprägung bei jeder Dimension hinreichend
gekennzeichnet. Letztlich hängt der Erfolg eines Benchmarkingprojektes davon ab,
inwieweit es gelingt, den mehrdimensionalen Charakter eines strategischen Referenzpunktes adäquat zu erfassen.
339
340
Vgl. Bayón (1997), S. 148 f.
Vgl. Schmitz (1987), S. 78-81.
101
Wie die zahlreichen Ausprägungen der fünf Dimensionen erkennen lassen, sind die
in der Praxis verwendbaren Benchmarks sehr vielfältig. Dies hat dazu geführt, dass
v.a. in der Praxisliteratur eine Vielzahl vermeintlich unterschiedlicher Benchmarkingarten vorgeschlagen werden, die meistens nach dem Aspekt benannt sind, dem die
meiste Bedeutung beigemessen wird.341 Beispielsweise bedeutet die Bezeichnung
„wettbewerbsbezogenes Benchmarking“, dass ein Benchmarking gegenüber direkten
Konkurrenten durchgeführt wird. Dass auch hier genauso die zu vergleichenden Objekte, der Zeithorizont etc. bestimmt werden müssen, wird in dieser Bezeichnung
nicht vermittelt. Insofern gibt es - streng genommen - kein Wettbewerbsbenchmarking, sondern nur z.B. „ein über die Zeit verlaufendes, wettbewerbsorientiertes
Benchmarking des Customer Value von Produkten anhand von Best-PracticeBeobachtungen.“ Des Weiteren werden in der Literatur Benchmarkingarten meist nur
enumerativ dargestellt. In der Folge ergeben sich exemplarische, mehr oder weniger
beliebige Aufzählungen von Benchmarkingarten, mit Haupt- und Unterarten, die
meist nicht überschneidungsfrei und häufig auch inhaltlich identisch sind.342 Die dadurch entstehenden Unschärfe und Komplexität erschweren es, eine Ordnungssystematik zu entwickeln.
Im Gegensatz dazu ermöglicht eine Verwendung konstituierender Dimensionen, die
simultan betrachtet werden, die präzise Definition eines Benchmarks und folglich eine mengenlogisch saubere und trennscharfe Klassifizierung von Benchmarkingarten.
Jede Dimension bildet eine Achse eines Koordinatensystems, auf der bestimmte
Ausprägungen abgetragen sind. Jede Kombination von Ausprägungen der fünf unabhängigen Dimensionen ist prinzipiell möglich und ergibt eine eigenständige
Benchmarkingart. Eine solche simultan-mehrdimensionale Definition erlaubt im Gegensatz zur enumerativen Vorgehensweise eine abschließende Typologisierung von
Benchmarkingarten.
1.4.
Aufgaben und Funktionen der relativen Effizienzanalyse im Marketing
Um nicht bei einer Dokumentation des Status Quo der Leistungsfähigkeit des Marketing stehen zu bleiben, sondern auch kontinuierliche Leistungsverbesserungen zu
erreichen, ist Benchmarking über eine reine Wettbewerbsbeobachtung hinaus als
umfassendes Management- bzw. Controllingkonzept zu verstehen. Damit wird deutlich, dass die Aufgaben einer benchmarkorientierten Performanceanalyse den Aufgaben eines ganzheitlichen Controlling entsprechen müssen. Als klassische Controllingaufgaben ist neben der Planung von Soll-Größen und der Ermittlung von IstGrößen die Soll-Ist-Abweichungskontrolle zu nennen. Die entscheidende Aufgabe
341
342
Vgl. Böhnert (1998), S. 14.
Vgl. Böhnert (1998), S. 14.
102
besteht in der Analyse der Ursachen der festgestellten Soll-Ist-Abweichungen. Nur
so können in der nächsten Stufe Zusammenhänge zwischen den betrachteten Größen hergestellt werden, die Wirkungswissen (etwa in Form von Reaktionsfunktionen,
die Wenn-dann-Aussagen bzw. Mittel-Zweck-Aussagen ermöglichen) generieren.
Dieses ist notwendig, um die relevanten Stellhebel für Verbesserungen zu identifizieren. Dieses Wissen ermöglicht in einer letzten Stufe die Ableitung von konkreten
Handlungsempfehlungen (Strategien, Maßnahmen) zur Leistungsverbesserung.
Ausgehend von Informationen zu offensichtlich erkennbaren Symptomen muss das
Controlling versuchen, die dahinter liegenden Ursachen zu erkunden und in tiefere
Wissensschichten (Ursachen-, Wirkungs- und Gestaltungswissen) bzgl. des Problembereichs vorzudringen.
Entsprechend dieser Aufgabenschichten muss auch ein umfassendes Benchmarking
und somit eine relative Effizienzanalyse fünf Kernaufgaben erfüllen. In Abschnitt D1.6 wird gezeigt, wie die im Rahmen dieser Arbeit favorisierte Methode der Effizienzmessung die Erfüllung aller fünf Aufgaben unterstützt.343
1) die Ermittlung der Ist-Performance,
2) die Ermittlung der Merkmalsausprägungen des Referenzpunktes (etwa der Best
Practice), die als Ziel- und Vergleichswerte dienen,
3) die Feststellung der Leistungslücke als Abweichung zum Benchmark, d.h. die Positionierung der Vergleichseinheit relativ zum Benchmark,
4) die Analyse der Ursachen festgestellter Leistungslücken im Sinne einer StärkenSchwächen-Analyse (Vermehrung des Ursachenwissens). Diese informiert darüber, welche Leistungsparameter auf Individual-, Gruppen- und Gesamtorganisationsebene wie stark für die festgestellte Performancelücke verantwortlich sind.
Sie ermöglicht die Identifikation von kritischen Erfolgsfaktoren als Voraussetzung
zur Etablierung einer lernenden Organisation.
5) die Entwicklung von Verbesserungsstrategien zur Schließung der Leistungslücke
durch Anpassung bestehender und Aufbau - Erlernen oder Akquirieren - neuer
Kompetenzen und Fähigkeiten (Vermehrung des Handlungswissens).
Der grundlegende Unterschied des Benchmarking zu klassischen Controllingkonzepten besteht in der Erfassung und Festlegung der „Soll-Seite“. So sind im Benchmarking die Soll-Größen keine internen Plan- oder Standardzahlen etwa aus dem Rechnungswesen, sondern die Parameterausprägungen externer Bezugsobjekte. Da in
der Regel reale Benchmarks ausgewiesen werden, kann eine detaillierte Analyse
343
Vgl. Bauer/Hammerschmidt (2002), S. 3 f.
103
dieser Referenzeinheiten realisierbare Verbesserungspotenziale offenbaren, was die
Akzeptanz und Erreichbarkeit der Leistungsvorgaben fördert.344
Diese Form der Bestimmung von Soll-Zuständen bzw. Ziel-Positionen zeichnet sich
durch einige Vorteile aus. Die bei den Referenzeinheiten beobachteten Strategien
und Maßnahmen liefern Hinweise auf Katalysatoren zur Erreichung der angestrebten
Zielwerte für die Leistungsgrößen. Sie sind der eigentliche Output eines Benchmarkingprojektes, da sie den Schlüssel für praktisch auch umsetzbare Verbesserungen
darstellen und zur Etablierung einer lernenden Organisation führen. Benchmarking
fördert als ein nach außen gerichtetes Konzept die explizite Einbeziehung von Kunden- und Wettbewerbsanforderungen in unternehmerischen Entscheidungen.
Benchmarking liefert somit Frühwarnindikatoren, anhand derer wichtige interne und
externe Entwicklungen rechtzeitig erkannt werden. Ziel ist letztlich die Erhöhung der
Innovationsbereitschaft, der Kunden- und Qualitätsorientierung sowie der Bereitschaft für Veränderungsprozesse. Im Gegensatz zu Zielvorgaben durch die Fortschreibung von Trends erhöht die Orientierung an der Marktrealität die Akzeptanz
und Glaubwürdigkeit bei den verschiedenen Anspruchsgruppen.345 Benchmarking ist
eine Methode, auch mit knappem Ressourceneinsatz relativ schnelle und messbare
Steigerungen der Wettbewerbsfähigkeit zu erreichen. Primär strebt ein Benchmarking somit immer revolutionäre Verbesserungen durch Entdecken neuartiger bzw.
andersartiger Problemlösung oder den Übergang zu neuen Lösungsprinzipien (z.B.
Neuentwicklung von Produkten oder Verfahren) an. Daneben können aber auch evolutionäre, kontinuierliche Verbesserungen einzelner Parameter unter Beibehaltung
des gleichen Grundprinzips (z.B. Weiterentwicklung von Produkten oder Verfahren)
erreichbar sein.346
Im Rahmen eines Benchmarkingprojektes werden Abläufe im Unternehmen transparent, Schwachstellen aufgedeckt und Einflussfaktoren auf die Effektivität und die Effizienz der Prozesse ermittelt.347 Durch Benchmarking kann ferner ein Wandel der Unternehmenskultur in Richtung erhöhter Lernfähigkeit ausgelöst werden.348 Erhöhte
Lernfähigkeit meint nicht nur das Kopieren anderer Lösungen, sondern beabsichtigt,
kreative Lernprozesse auszulösen, indem Unternehmen mit anderen Lösungen und
Kernfähigkeiten konfrontiert werden und diese weiterentwickeln, verändern oder mit
eigenen Verhaltens- und Handlungsweisen zu neuartigen Lösungen verbinden.349
Organisationales Lernen durch Benchmarking bietet eine Möglichkeit, Kernfähigkeiten mit anderen Unternehmen bzw. anderen Organisationseinheiten des eigenen
344
345
346
347
348
349
Vgl. Parsons (1994), S. 186.
Vgl. Camp (1989), S. 37 f.
Vgl. Sabisch/Tintelnot (1997), S. 6.
Vgl. Sabisch/Tintelnot (1997), S. 18.
Vgl. Karlöf/Östblom (1994), S. 200.
Vgl. Sabisch/Tintelnot (1997), S. 18.
104
Unternehmens zu vergleichen und neue Kernfähigkeiten durch Wissenstransfer zu
akquirieren. Letztlich stellt Benchmarking auch eine Grundphilosophie dar, die Mitarbeiter anregen soll, das „Lernen zu lernen“, indem Lernprozesse wie Beobachtung,
Nachahmung, Übung vermittelt werden, die „trial and error“-Prozesse fördern.350
Bei einer kritischen Betrachtung des Benchmarking wird erkennbar, dass dieses evtl.
weniger durch das tatsächliche Streben nach Effizienz getrieben ist, sondern oft eine
institutionalisierte Regel widerspiegelt, die durch die Marktumwelt verbindlich vorgegeben wird. Die Funktion des Benchmarking besteht dann darin, Legitimation und
Unterstützung zu erhalten sowie Zugang zu Ressourcen zu sichern. Diese Vermutung wird v.a. durch die Neoinstitutionalisten gestützt, denen zufolge viele Projekte
und Aktivitäten in Unternehmen durch das Bemühen ausgelöst werden, die Erwartungen und Anforderungen einflussreicher Anspruchsgruppen zu erfüllen. Die verbindlich vorgeschriebene, regelmäßige Durchführung von Leistungsvergleichen mit
marktlichen Spitzenstandards kann in Normen oder gemeinsamen Vorstellungen
darüber enthalten sein, wie gute Organisationen gestaltet sein und welche Verfahrensweisen zur Anwendung kommen sollten, ohne dass primär auf die dadurch erzielbaren Ergebnisse geachtet wird.351 Dabei werden möglicherweise nicht solche
Organisationen als Vorbilder propagiert, die von ihrer Umwelt als effizient, sondern
als legitimiert wahrgenommen werden. Eine Aktiengesellschaft, die stark in institutionalisierte Umwelten eingebunden ist (Bewertungsdruck durch Kapitalmärkte in Form
regelmäßiger Ratings und Aktienanalysen) und sich nicht dieses institutionalisierten
Instruments bedienen, könnten im Markt den Ruf erwerben, nicht innovativ und leistungsorientiert zu sein. Aus den genannten Gründen kann sich Benchmarking zu einem „Rationalitätsmythos“ entwickeln, durch den eine rationale Steuerung der unternehmerischen Aktivitäten signalisiert werden soll. Ein solch institutionalisiertes
Benchmarking wird dann vielleicht nicht mehr hinterfragt und als „Ritual“ angesehen.352
2.
Verfahren der relativen Effizienzmessung: Ein Überblick
Wie im vorigen Kapitel deutlich geworden ist, können Aussagen über die tatsächliche
Effizienz eines Unternehmens nur durch eine Relativierung der eigenen Leistung an
einem situativen Bezugs- und Handlungsrahmen gewonnen werden. Die Effizienz
einer Einheit muss stets in Beziehung zu einem definierten Problemkreis gesetzt und
auf eine bestimmte Alternativenmenge bezogen werden.353 Ein solche Forderung
350
351
352
353
Vgl. Bauer (2002), S. 16; Grether (2003), S. 98; Osterloh/Frost (1998), S. 199 ff.
Vgl. Meyer/Rowan (1977), S. 342 f.
Vgl. DiMaggio/Powell (1983), S. 148 f.; Scott/Meyer (1991), S. 122 ff.
Vgl. Dyckhoff/Ahn (2001), S. 114 ff.
104
Unternehmens zu vergleichen und neue Kernfähigkeiten durch Wissenstransfer zu
akquirieren. Letztlich stellt Benchmarking auch eine Grundphilosophie dar, die Mitarbeiter anregen soll, das „Lernen zu lernen“, indem Lernprozesse wie Beobachtung,
Nachahmung, Übung vermittelt werden, die „trial and error“-Prozesse fördern.350
Bei einer kritischen Betrachtung des Benchmarking wird erkennbar, dass dieses evtl.
weniger durch das tatsächliche Streben nach Effizienz getrieben ist, sondern oft eine
institutionalisierte Regel widerspiegelt, die durch die Marktumwelt verbindlich vorgegeben wird. Die Funktion des Benchmarking besteht dann darin, Legitimation und
Unterstützung zu erhalten sowie Zugang zu Ressourcen zu sichern. Diese Vermutung wird v.a. durch die Neoinstitutionalisten gestützt, denen zufolge viele Projekte
und Aktivitäten in Unternehmen durch das Bemühen ausgelöst werden, die Erwartungen und Anforderungen einflussreicher Anspruchsgruppen zu erfüllen. Die verbindlich vorgeschriebene, regelmäßige Durchführung von Leistungsvergleichen mit
marktlichen Spitzenstandards kann in Normen oder gemeinsamen Vorstellungen
darüber enthalten sein, wie gute Organisationen gestaltet sein und welche Verfahrensweisen zur Anwendung kommen sollten, ohne dass primär auf die dadurch erzielbaren Ergebnisse geachtet wird.351 Dabei werden möglicherweise nicht solche
Organisationen als Vorbilder propagiert, die von ihrer Umwelt als effizient, sondern
als legitimiert wahrgenommen werden. Eine Aktiengesellschaft, die stark in institutionalisierte Umwelten eingebunden ist (Bewertungsdruck durch Kapitalmärkte in Form
regelmäßiger Ratings und Aktienanalysen) und sich nicht dieses institutionalisierten
Instruments bedienen, könnten im Markt den Ruf erwerben, nicht innovativ und leistungsorientiert zu sein. Aus den genannten Gründen kann sich Benchmarking zu einem „Rationalitätsmythos“ entwickeln, durch den eine rationale Steuerung der unternehmerischen Aktivitäten signalisiert werden soll. Ein solch institutionalisiertes
Benchmarking wird dann vielleicht nicht mehr hinterfragt und als „Ritual“ angesehen.352
2.
Verfahren der relativen Effizienzmessung: Ein Überblick
Wie im vorigen Kapitel deutlich geworden ist, können Aussagen über die tatsächliche
Effizienz eines Unternehmens nur durch eine Relativierung der eigenen Leistung an
einem situativen Bezugs- und Handlungsrahmen gewonnen werden. Die Effizienz
einer Einheit muss stets in Beziehung zu einem definierten Problemkreis gesetzt und
auf eine bestimmte Alternativenmenge bezogen werden.353 Ein solche Forderung
350
351
352
353
Vgl. Bauer (2002), S. 16; Grether (2003), S. 98; Osterloh/Frost (1998), S. 199 ff.
Vgl. Meyer/Rowan (1977), S. 342 f.
Vgl. DiMaggio/Powell (1983), S. 148 f.; Scott/Meyer (1991), S. 122 ff.
Vgl. Dyckhoff/Ahn (2001), S. 114 ff.
105
resultiert aus der Erkenntnis, dass die absolute, technisch mögliche Effizienz zumeist
unbekannt ist.354 Des Weiteren ermöglicht die Betrachtung der relativen Effizienz,
den Grad der Effizienz zu bestimmen statt ein Objekt oder eine Aktivität wie in einer
Schwarz-Weiß-Sichtweise entweder als dominant oder dominiert auszuweisen. Eine
Differenzierung in mehr oder weniger effizient ist besonders vor dem Hintergrund
wichtig, dass ein Performance Management oftmals auf graduelle Leistungsveränderungen abzielt.355
Verfahren der
Effizienzmessung
Rein
outputbezogene
Kennzahlen
Klasse I
Effizienzmessung anhand
einfacher Kennzahlen
Effizienzmessung anhand von
Produktionsfunktionen
(„Verfahren der 1. Generation“)
(„Verfahren der 2. Generation“)
Rein
inputbezogene
Kennzahlen
Einfache
Output/InputVerhältniskennzahlen
Klasse II
Klasse III
Parametrische
Verfahren
(Regression,
DFA, SFA)
Klasse IV
Nicht
parametrische
Verfahren
(DEA, FDH)
Klasse V
Abbildung 7: Systematik von Verfahren der Effizienzmessung
Die Methoden zur Effizienzmessung, die sich in Vorgehen und Komplexität erheblich
unterscheiden, lassen sich in fünf Klassen einteilen. Diese wiederum können auf einer übergeordneten Ebene entweder der Gruppe traditioneller, kennzahlenbasierter
Verfahren oder der Gruppe moderner Verfahren auf Basis von Produktionsfunktionen
angehören.356 Diese Systematisierung ist in Abbildung 7 dargestellt.
2.1.
Traditionelle Verfahren - Relative Effizienzmessung anhand von
Kennzahlen
Zur ersten Gruppe, die als traditionelle Verfahren bzw. Verfahren der ersten Generation bezeichnet werden sollen, gehören alle, die auf Basis einzelner Kennzahlen einen einzigen punktuellen Benchmark in Form einer global besten Referenzeinheit zu
ermitteln versuchen, anhand derer alle Analyseeinheiten verglichen werden. Dabei
kann die Bewertung ausschließlich auf Outputkennzahlen (Klasse I), auf Inputkennzahlen (Klasse II) oder einzelnen Input-Output-Verhältniskennzahlen (Klasse III) beruhen. In den Verfahren der Klasse I werden die Outputkennzahlen Umsatz, Vorjah354
355
356
Vgl. Dyckhoff/Allen (1999), S. 415; Parsons (1994), S. 185.
Vgl. Dyckhoff/Allen (1999), S. 419.
Vgl. Bauer/Hammerschmidt/Garde (2004a), S. 11; Boles/Donthu/Lohtia (1995), S. 32 ff.
106
reserlöse, Anzahl an Bestellungen, verkaufte Stückzahl und Kundenzufriedenheit am
häufigsten verwendet.357 Die rein inputorientierten Ansätze verwenden typischerweise Produktwissen, Anzahl durchgeführter Aktionen, Vertriebskosten, Personaleinsatz
oder Anzahl der Verkaufsgespräche.358 Im Rahmen der Klasse III werden Verhältniszahlen wie Umsatz pro Mitarbeiter bzw. pro Anruf, Neukunden pro Aktion etc. betrachtet.359
Ziel all dieser Verfahren ist es, auf Basis der absoluten bzw. relativen Kennzahlen
Rankings der interessierenden Objekte zu erhalten und Soll-Ist-Vergleiche anzustellen. Die Eignung für eine umfassende Performanceanalyse ist bei diesen Methoden
nicht gegeben, da sie lediglich zu isolierten Rangfolgen der Objekte führen, die von
der gerade betrachteten Kennzahl abhängig sind und somit kein konsistentes Gesamtranking der Objekte ermöglichen. Je nach herangezogener Kennzahl werden
andere Objekte als Benchmarks, d.h. an der Spitze des Rankings stehend, identifiziert. Diese Verfahren erlauben somit lediglich partielle Analysen, die sich auf spezifische Leistungsfacetten beziehen. So stellt vielleicht eine Einheit bzgl. der Erzielung
eines hohen Marktanteils die Best Practice dar, ist jedoch bei der Etablierung langfristiger Geschäftsbeziehungen mit zufriedenen Kunden nur wenig erfolgreich. Die
Frage ist dann, welche Kennzahl herangezogen werden soll, um Managemententscheidungen bzgl. der Objekte, etwa Budget- oder Eliminationsentscheidungen, zu
legitimieren.360 Da einzelne Rankings keine Feststellung der Gesamtperformance
(overall performance) erlauben, kann auch keine Relation der einzelnen Variablen
bzgl. ihrer Einflussstärke auf die Performance hergestellt werden, wodurch eine Ursachenanalyse erschwert wird. Bei den Verfahren der Klassen I und II werden zudem
keine Relationen zwischen Kennzahlen der Output- und Inputseite hergestellt, so
dass keine wirklichen Effizienzaussagen getroffen werden können, sondern immer
nur eine Dimension der Effizienz betrachtet wird. So kann eine Analyseobjekte als
überlegen in Bezug auf den erbrachten Output eingestuft werden, obwohl hierfür eine
unverhältnismäßig höhere Inputmenge benötigt wird.
Auch die Verfahren der Klasse III, die zwar simultan sowohl die Output- als auch Input-Seite einbeziehen und bereits echte Effizienzkennziffern generieren, ziehen nur
einfache, partielle Output/Input-Verhältnisse (single factor productivity wie Mitarbeiterproduktivität, Kapitalproduktivität etc.) heran.361 Auch hier besteht das Problem
inkonsistenter Teilrankings je nach betrachteter Produktivitätskennziffer. „Simple ratio
analysis provides nearly endless possibilities for debate. Which provider represents
357
358
359
360
361
Vgl. Bagozzi (1978).
Vgl. Weeks/Kahle (1990).
Vgl. Adkins (1979); Lamont/Lundstrom (1977).
Vgl. Hershberger/Osmonbekov/Donthu (2001) sowie Nyhan/Martin (1999), S. 350 ff.
Vgl. Boles/Donthu/Lohtia (1995), S. 33-37
107
overall best practice?“362 Meist werden zudem Relationen hoch aggregierter monetärer Kennzahlen herangezogen mit der Folge eines entsprechenden Informationsverlustes bzgl. der Relevanz und Zusammenhänge einzelner Einflussparameter. Sollen
mehrere Kennzahlen einfließen, müssen diese durch das Zuweisen von Gewichtungen etwa zu einem Indexwert bzw. Score verknüpft werden. Oftmals nimmt eine solche Verknüpfungsfunktion die Form fixer, für alle Objekte einheitlich vorgegebener
Input- und Output-Gewichtungen an.363 Diese erfordern mehr oder weniger willkürliche, möglicherweise unrealistische A-Priori-Vorgaben durch den Entscheider, welche
die Akzeptanz und Fairness der Ergebnisse beeinträchtigen. Außerdem verfolgen
einfache, kennzahlenbasierte Methoden das Ziel, immer nur ein Objekt, nämlich jenes, welches an erster Position des jeweiligen Rankings steht, als globalen Benchmark auszuweisen. Es wird somit unterstellt, dass es nur einen richtigen Benchmark
gibt, ohne eine weitere Differenzierung, etwa bezüglich unterschiedlicher Strategien
zur Leistungsmaximierung, vorzunehmen. Dies widerspricht dem zentralen Prinzip
eines strategisch ausgerichteten Marketing, wonach Unternehmen aus der Fülle
möglicher Konzepte alternative, eigenständige Vorgehensweisen wählen, die jeweils
in einem bestimmten Teilmarkt bzw. Kundensegment erfolgreich sind.
Als Beispiele für Verfahren der Performanceanalyse, die auf einfachen Kennzahlen
basieren, sind z.B. die Gap- und die ABC-Analyse zu nennen, die zwar eine graduelle Abstufung der Leistungsfähigkeit von Objekten ermöglichen, als Leistungsmaßstab
jedoch immer nur eine Kennzahl isoliert - i.d.R. Umsatz, seltener auch Deckungsbeitrag - heranziehen. Auch zwei- bzw. dreidimensionale Analysemethoden wie Portfolio-Analysen oder Raummodelle (Idealpunkt bzw. -vektormodelle) lösen dieses Problem nicht, da auch hier nicht klar ist, wie die Dimensionen aggregiert werden sollen,
um ein eindeutiges Ranking der Objekte zu erhalten. Hier sind ebenfalls exogene
Gewichtungsvorschriften notwendig, von denen die Position der einzelnen Objekte
entscheidend abhängt. Beide Verfahren unterstellen globale Idealpunkte, die von
allen Einheiten angestrebt werden sollten. Im Rahmen von Portfolio Analysen können anhand der Positionen der Objekte Leistungsunterschiede zwar visualisiert, aber
nicht quantifiziert werden.
Grundsätzlich bleibt als zentraler Nachteil der einfachen kennzahlenorientierten Verfahren festzuhalten, dass aufgrund der Heranziehung unverbundener Kennzahlen
stets nur partielle Performancewerte ausgewiesen werden können. Aussagekräftiger
sind daher Analyseverfahren, die komplexe Verhältniskennzahlen unter simultaner
Einbeziehung aller relevanten Outputs und Inputs (multiple input/multiple output ratios) heranziehen und die Berechnung einer Gesamtproduktivität (total factor producti-
362
363
Nyhan/Martin (1999), S. 351.
Für Beispiele hierzu vgl. Norman/Stoker (1991).
108
vity) erlauben. Dies ermöglicht den Ausweis mehrerer effizienter Input-OutputKombinationen, weshalb solche Verfahren nicht mehr den einen besten Referenzpunkt bestimmen, sondern eine Referenzfunktion in Form einer ganzen Gruppe von
gleichwertigen Vergleichspunkten suchen. Aus dieser können für jede Einheit realistische, individuelle Referenzmaßstäbe ermittelt werden. Dies wird zum Teil von den
Verfahren der Klasse IV (parametrische Verfahren) und in umfassender Weise von
den Methoden der Klassen V (nicht parametrische Verfahren) geleistet.
2.2.
Moderne Verfahren - Relative Effizienzmessung anhand von
Produktionsfunktionen
Die Verfahren der Klassen IV und V stellen als Verfahren der zweiten Generation
einen ökonomischen Zusammenhang zwischen Kennzahlen der Input- und Outputseite durch mathematische Bestimmung einer Produktionsfunktion her. Projektionen
der untersuchten Einheiten auf die Produktionsfunktionen konstruieren Referenzpunkte, in die alle relevanten In- und Outputparameter einfließen, wodurch eine umfassend Abbildung der Leistungsfähigkeit gewährleistet wird.364 Mit der Bestimmung
einer Produktionsfunktion geben die modernen Verfahren einen expliziten Standard
vor, anhand dessen die Effizienz verglichen und Relationen zwischen den Objekten
hergestellt werden können. Erst ein solcher Referenzmaßstab erlaubt eine präzise
Quantifizierung, wie viel besser eine Einheit im Vergleich zu einer anderen ist. Sie
können aufgrund mathematisch anspruchsvoller Algorithmen komplexe Datenbasen
bei der Bestimmung und Beschreibung von Benchmarks abbilden und ermöglichen
die Quantifizierung der Gesamteffizienz.365 Die Verfahren der relativen Effizienzmessung auf Basis der Produktionstheorie lassen sich damit als analytisch-quantitative
Erweiterungen der einfachen Verfahren charakterisieren.
Es wird deutlich, dass eine produktionstheoretisch fundierte Effizienzmessung, besonders bei der Leistungsbewertung innerhalb des Marketing, zu bevorzugen ist.
Gerade hier ist eine Vielzahl relevanter Inputs und Outputs simultan zu berücksichtigen, um eine genaue und realistische Modellierung der zu bewertenden Prozesse zu
gewährleisten. Im Rahmen mehrdimensionaler Leistungsvergleiche, insbesondere
wenn die Parameter in unterschiedlichen Maßeinheiten vorliegen und zum Teil psychografischer Natur sind, sind zur Berechnung einer Gesamteffizienzkennzahl leistungsfähige Methoden erforderlich. Diese müssen v.a. die Gewichtungsproblematik
adressieren und die individuelle Bedeutung der Parameter für die Performance der
jeweiligen Einheit adäquat widerspiegeln. 366
364
365
366
Vgl. Mahajan (1991), S. 190.
Vgl. Bauer/Hammerschmidt/Garde (2004a), S. 4 ff.; Porembski (2000).
Vgl. Homburg/Eichin (1998), S. 363; Thomas et al. (1998), S. 488.
109
Die modernen Verfahren lassen sich nach der Art und Weise einteilen, wie die Produktionsfunktion bestimmt wird. Es lässt sich unterscheiden, ob die Schätzung der
Produktionsfunktion parametrisch oder nicht parametrisch erfolgt. Bei parametrischen Verfahren wird die Randproduktionsfunktion durch eine a priori festgelegte
Form des Funktionsverlaufes repräsentiert (Vorgabe einer festen Berechnungsvorschrift). Die Schätzung der Produktionsfunktion erfolgt statistisch, d.h. aggregiert
über alle Beobachtungspunkte. Damit werden einheitliche Gewichtungsparameter
der Input- und Outputvariablen für alle Objekte fix vorgegeben. Der Schätzung einer
solchen Produktionsfunktion liegen daher exogen spezifizierte Verteilungsannahmen
bzgl. der Abweichungen der Beobachtungspunkte von der Referenzfunktion zu
Grunde.367 Es wird versucht, einen für alle Datenpunkte repräsentativen InputOutput-Zusammenhang zu finden und durch die verschiedenen Funktionsannahmen
zu erreichen, alle Daten in dieses vorgegebene „Korsett zu zwingen“.368 Eine flexible
Anpassung der Produktionsfunktion an die empirischen Datenpunkte wird dadurch
eingeschränkt, weshalb die Effizienz unter eher „künstlichen“ Bedingungen bewertet
wird, was eine Interpretierbarkeit und Umsetzbarkeit der Ergebnisse erschwert. Nicht
parametrischen Verfahren erfordern keine Annahmen bzgl. der funktionalen Form
des Input-Output-Zusammenhangs, dieser hängt vom beobachteten Datenset ab und
resultiert lediglich aus wenigen zu Grunde gelegten Prämissen des Verfahrens
selbst. Die Optimierung der Funktionsparameter erfolgt für jede Einheit separat,
weshalb Analysen und Implikationen auf Individualebene möglich werden, die nicht
mehr nur allgemeine Performancetreiber des Marketingbereichs als Ganzes identifizieren.
Im Folgenden werden - basierend auf der Einteilung in parametrische und nicht parametrische Vorgehensweisen - die wichtigsten modernen, produktionsökonomischen Verfahren zur Effizienzmessung vorgestellt.
2.2.1.
Parametrische Verfahren
Innerhalb der parametrischen Verfahren ist zu unterscheiden, ob eine Durchschnittsoder Randproduktionsfunktion geschätzt wird. Erstere gibt eine durchschnittlich effiziente Input-Output-Transformation wieder und lässt Abweichungen nach oben und
nach unten zu. Letztere zeigt die maximal mögliche Effizienz an und lässt nur negative Abweichungen zu und erlaubt so die Feststellung systematischer Ineffizienzen.
Des Weiteren ist zu untersuchen, ob die Funktionsverläufe deterministisch oder stochastisch (ökonometrisch) sind. Bei deterministischen Verfahren ist jede Differenz
zur Randproduktionsfunktion allein auf Ineffizienz zurückzuführen. Bei stochasti367
368
Vgl. Boles/Donthu/Lohtia (1995), S. 40; De Borger et al. (1994a), S. 647.
Vgl. Rust (1988).
110
schen Verfahren wird der Abstand zur Produktionsfunktion in eine Komponente der
Ineffizienz und einen Fehlerterm als Zufallskomponente aufgeteilt. Dies erlaubt eine
Differenzierung zwischen Ineffizienz und solchen Einflussfaktoren, die außerhalb der
Kontrolle der Entscheidungsträger liegen.369
2.2.1.1. Regressionsanalyse
Die Regressionsanalyse als klassisches und ältestes Verfahren zur empirischen
Schätzung von Produktionsfunktionen basiert als parametrisches Verfahren auf einer
vorab fixierten funktionalen Beziehung der Form f ( x, β ) für die Produktionsfunktion.
Dabei stellt x einen Vektor von beobachteten Inputs und β den zu schätzenden
Parametervektor dar. Stellen ( x j , y j ) beobachtete Input-Output-Kombinationen dar,
so lautet die Schätzgleichung für die Produktionsfunktion
(4)
y j = f (x j , β ) + ε j ,
j = 1,..., n
wobei der Parametervektor β in der einfachsten und bekanntesten Form der Kleinste-Quadrate-Regression (OLS-Regression) so bestimmt wird, dass die Summe der
quadrierten Residuen ε 1 + ... + ε N minimiert wird.370 Neben linearen Funktionen werden in der Literatur üblicherweise Cobb-Douglas-, CES (Constant Elasticity of Scale)oder Translog-Funktionen vorgeschlagen.371 Die Regression berücksichtigt alle Beobachtungspunkte bei der Bestimmung der Produktionsfunktion und weist in Form der
ȕ-Gewichte aus, welche Outputeffekte bei Variation der Inputgrößen durchschnittlich
zu erwarten sind. Mit einer Regression wird somit stets eine Funktion bestimmt, die
durch die Mitte der aus den Input-Output-Kombinationen bestehenden Punktewolke
führt und für alle Beobachtungen identische Funktionsparameter aufweist.
Die durch die Regression geschätzte Produktionsfunktion gibt an, wie eine durchschnittliche Einheit die zur Verfügung stehenden Inputs kombiniert um eine bestimmte Menge an Outputs zu erstellen.372 Die Abweichungen der tatsächlichen Datenpunkte von dieser durchschnittlichen Produktionsfunktion (average production function), die das Performancemaß darstellen, werden als stochastische Fehlerterme und
somit als Zufallsschwankungen interpretiert. Sie werden als durch nicht kontrollierbare Einflüsse oder Messfehler bedingt angenommen. Dies kommt dadurch zum Ausdruck, dass bei Verwendung des OLS-Schätzers die Residualgrößen als unabhängig
normalverteilt unterstellt werden.373 Der Verlauf der ermittelten Produktionsfunktion
369
370
371
372
373
Vgl. De Borger/Kerstens (1996), S. 151; Cummins/Zi (1998), S. 131 ff.
Vgl. Porembski (2000), S. 96; Schefczyk (1996).
Vgl. Porembski (2000); S. 97 f.
Vgl. Cantner/Hanusch (1998), S. 229.
Vgl. Skiera/Albers (2000), S. 390 f.
111
ist stets von den Annahmen über die Verteilung der Fehlergrößen abhängig. Als effizient werden diejenigen Input/Output-Kombinationen klassifiziert, welche auf oder
über der geschätzten Regressionsfunktion liegen.374 Diese Zusammenhänge seien
anhand des Zahlenbeispiels verdeutlicht, für dessen Daten die in Abbildung 8 dargestellte lineare Regressionsfunktion resultiert.
22
I
18
16
Output
14
12
K
J
20
H
G
F
εD < 0
εF > 0
E
10
D
A
C
8
B
6
4
2
0
0
2
4
6
8
10
12
14
16
18
Input
Abbildung 8: Durchschnittsproduktionsfunktion der Regressionsanalyse
Aus der Abbildung 8 geht hervor, dass die Punkte F bis K als effizient einzustufen
sind, da sie über der Durchschnittsproduktionsfunktion liegen. Regressive Verfahren
sind wegen ihrer Zielsetzung, eine „central tendency“ zu ermitteln, dadurch charakterisiert, dass Abweichungen von der Referenzfunktion auch positiv sein können. Die
positiven Abweichungen einer Beobachtung von der Average Practice stellen nach
der Logik dieses Messverfahrens eine nicht notwendige Überperformance dar. Die
unteren Abweichungen als Differenz zwischen erreichtem Output und erreichbarem
Durchschnitts-Output entsprechen einer Underperformance. Diese wird bei der Regression als Ineffizienz interpretiert.375 Wenig aussagekräftig ist jedoch, dass alle Abstände von der Average Practice als „Rauschen“, d.h. als zufällig und temporär interpretiert werden. Dies stellt eine Verletzung der Forderung dar, systematische ökonomische Ineffizienzen aufzudecken. Eine Effizienzklassifizierung auf Basis der Regression sagt weiterhin nichts darüber aus, welche maximale Outputrate für bestimmte
Inputs erreichbar wäre.
374
375
Vgl. Bowlin et al. (1985); Luo/Donthu (2001), S. 11.
Vgl. Boles/Donthu/Lohtia (1995), S. 41.
112
In die Gruppe der regressionsanalytischen Ansätze lassen sich nahezu alle Studien
zur Schätzung von Umsatz- bzw. Marktreaktionsfunktionen einordnen, die versuchen, basierend auf Querschnittsdaten den durchschnittlichen Einfluss des Einsatzes
von Marketinginstrumenten (unabhängige Variablen) auf bestimmte, unterschiedlich
aggregierte Responseparameter (abhängige Variable) funktional zu erfassen. Werden als Responseparameter absolute Umsatz- bzw. Absatzgrößen verwendet,
spricht man von Umsatzreaktionsmodellen (Sales Response Models), während von
Marktreaktionsmodellen (Market Response Models) gesprochen wird, wenn der
Marktanteil als Erfolgskennziffer herangezogen wird.376 Ziel der ersteren Gruppe von
Modellen ist es, auf der Basis von Nachfragefunktionen für die Marketinginstrumente
durchschnittliche Marketing-Mix-Elastizitäten wie die Preiselastizität, die Werbeelastizität oder auch die Zufriedenheitselastizität zu ermitteln, die die Wirksamkeit der
Instrumente anzeigen.377 Das Konzept der Elastizität lässt sich allgemein mit folgender Formel definieren: Um wie viel Prozent verändert sich eine Erfolgsgröße wie der
Absatz, in Relation zur prozentualen Veränderung einer Stimulusgröße wie dem
Preis? Basierend auf der Elastizität z.B. der Werbe- oder Promotionsausgaben lässt
sich der Return on Investment eines zusätzlich investierten Werbe-Euro ableiten.
Eine weitere wichtige Funktion übernehmen Marketingelastizitäten, wenn es um die
Allokation knapper Ressourcen geht.378 Die Allokationsentscheidung betrifft dabei
unterschiedliche Ebenen. Knappe Marketingbudgets werden entsprechend festgestellter Elastizitätsunterschiede über Marketinginstrumente, Produkte oder Kundensegmente verteilt.379 Die neuere Forschung fügt eine weitere Dimension mit der Frage hinzu, wie viel von einem Budget in Maßnahmen zur Akquisition vs. Bindung von
Kunden investiert werden soll.380
Marktreaktionsmodelle ermöglichen es, durch die Betrachtung von am Gesamtmarkt
relativierten Responsegrößen die Wettbewerbseffekte der Veränderung von Marketingparametern abzuschätzen. In der Forschung dominieren dabei lineare und multiplikative Responsemodelle, die vorwiegend für die Bereiche Preis, Werbung, Direct
Mailing, Promotions und Außendiensteinsatz entwickelt wurden. Einen hervorragenden Überblick über den Stand der Forschung zur regressiven Responsemodellierung
für die einzelnen Teilbereiche des Marketing-Mix bietet Fischer.381
Als Fazit zur Regressionsanalyse lässt sich folgendes festhalten: Das Hauptproblem
besteht durch die Bestimmung von Durchschnittsfunktionen darin, dass Abweichungen als zufällig angesehen werden und somit Ineffizienzen nicht explizit von Zufalls376
377
378
379
380
381
Vgl. Leeflang et al. (2000).
Vgl. Fischer (2001b), S. 104; Fischer/Herrmann/Huber (2001), S. 1170 ff.
Vgl. Fischer (2004), S. 9.
Vgl. Albers (1998), S. 220 ff.
Vgl. Reinartz/Thomas /Kumar (2005).
Vgl. Fischer (2001b), S. 105-113. Vgl. auch Bauer/Fischer/Pfahlert (2001) und Fischer (2001a).
113
schwankungen getrennt werden. Durch die Annahme einer Normalverteilung der Residuen können neben negativen auch positive Abweichungen ( ε > 0 ) wie beispielhaft
für F dargestellt) auftreten, was der Idee einer Produktionsfunktion im strengen Verständnis widerspricht, die für gegebene Inputs die maximal erreichbaren Outputs anzeigen soll. Verfahren der Klasse IV können daher lediglich Aussagen darüber treffen, wie unähnlich ein Objekt einem durchschnittlich arbeitenden Produktionsprozess
ist. Wie gezeigt, bietet die Referenzfunktion der multiplen Regression wenig hilfreiche
Informationen zu Verbesserungsmöglichkeiten, die für solche Einheiten bestehen,
die die Average Practice bereits erreicht haben und sich nun im Rahmen eines BestPractice-Benchmarking messen wollen. Ein zusätzliches Problem von Regressionsanalysen stellt der Sachverhalt dar, dass diese stets nur eine abhängige Variable in
die Untersuchung mit einbeziehen. Daher kann nur der Zusammenhang zwischen
einem Output (Input) und mehreren Inputs (Outputs) untersucht werden.
Um systematische Ineffizienzen explizit auszuweisen, entstanden aus einer Weiterentwicklung der Regressionsanalyse Verfahren, die Referenzfunktionen bestimmen,
zu denen nur noch negative Abweichungen möglich sind. Diese geben dann Aufschluss über Ineffizienzen und evtl. vorliegende, davon zu trennende Zufallsschwankungen. Alle im weiteren vorgestellten Verfahren sind hier einzuordnen, da sie
Randproduktionsfunktionen (Produktionsgrenzfunktionen, Frontier Production Functions) ermitteln, die die maximal erreichbaren Output-Input-Verhältnisse anzeigen.
2.2.1.2. Der deterministische Ansatz: Deterministic Frontier Approach
Dem von Aigner/Chu entwickelten deterministischen Ansatz (DFA) liegt ebenfalls
eine parametrische Vorgehensweise zu Grunde, allerdings werden nun positive Abweichungen von der Produktionsfunktion ausgeschlossen, indem als Nebenbedingung ε ≤ 0 eingeführt wird.382 Da üblicherweise eine Funktionsform vom CobbDouglas-Typ vorgegeben wird, ergibt sich die Schätzgleichung der Produktionsfunktion für n Beobachtungen im einfachen Fall eines Outputs ( y ) und zweier Inputs
( x1, x2 ) als
y j = x1βj1 x 2β 2j + ε j ,
j = 1...n
(5)
mit
εj ≤ 0
wobei β1, β 2 die unbekannten Funktionsparameter sind, die wiederum z.B. durch Minimierung der Summe der (quadrierten) Residuen geschätzt werden können.383 Wird
382
383
Vgl. Aigner/Chu (1968), S. 831.
Vgl. Aigner/Chu (1968), S. 831; Porembski (2000), S. 99.
114
∗
der unter Zugrundelegung der geschätzten Funktionsparameter β1 , β 2
∗
ermittelte
∗
optimale Output mit y j ∗ bezeichnet, so gilt für eine bestimmte Einheit j : y j = y j + ε j .
Der beobachtete Output entspricht dem maximalen Output abzüglich der Ineffizienzabweichung. Da nur noch einseitige Abweichungen von der Produktionsfunktion zulässig sind, wird keine Normalverteilung der Residualvariablen mehr angenommen.384 Die Produktionsgrenze ist deterministisch, d.h. jede Differenz zur Referenzfunktion wird als Ineffizienz interpretiert.385 Die Variable ε j misst nun die Ineffizienz
der der betrachteten Einheit j in Form der Abweichung des produzierten Outputs
von der Frontierfunktion. Verwendet ein Unternehmen die optimale Technologie und
produziert das maximale Outputniveau, dann nimmt die Variable ε j den Wert Null
an.
Auswirkungen nicht beeinflussbarer, stochastischer Einflüsse werden durch den
Ausweis nur eines Fehlerterms komplett als Ineffizienz interpretiert. Damit wird nicht
explizit abgebildet, dass die Maximalpunkte auf der Randfunktion durch günstige
Ausprägungen der externen Inputs (Wetter, Produktionsbedingungen, Marktpotenzial
etc.) zustande gekommen sein können. Es wird vielmehr unterstellt „…that random
errors average out to zero, while the average efficiency of each firm remains constant
over time.”386 Somit stellt die deterministische Cobb-Douglas-Frontierfunktion das in
einer optimalen Situation maximal erreichbare Outputniveau dar.387 Sie wird geschätzt, indem die Regressionsfunktion solange nach oben verschoben wird, bis sie
durch den Punkt mit der größten oberen Residualabweichung verläuft, der hier im
Zahlenbeispiel durch Punkt J gegeben ist (vgl. Abbildung 9).388 Dies lässt sich z.B.
durch den COLS (Corrected Ordinary Least Squares)-Schätzer erreichen.389 “Corrected ordinary least squares (COLS) consists of shifting the OLS estimation … The
largest positive residual is added to the intercept to get the COLS frontier. This residual is associated with the most efficient firm. Efficiency scores are then calculated as
the exponent of the COLS residuals.”390
384
385
386
387
388
389
390
Vgl. Berger/Hancock/Humphrey (1993) und DeYoung (1997).
Vgl. De Borger/Kerstens (1996), S. 151.
Paradi/Vela/Yang (2004), S. 353.
Vgl. Greene (2003), S. 72.
Vgl. Ratchford et al. (1996), S. 173.
Vgl. Coelli/Perelman (1999); Deprins/Simar (1989); Perelman/Pestieau (1988).
Affuso/Angeriz/Pollitt (2002), S. 13.
115
22
εH < 0
I
18
16
H
G
F
14
Output
K
J
20
12
E
D
A
10
C
8
B
6
4
2
0
0
2
4
6
8
10
12
14
16
18
Input
Abbildung 9: Randproduktionsfunktion des deterministischen Ansatzes
Es wird ersichtlich, dass dieser Ansatz im Sinne des klassischen Benchmarking nach
bestmöglichen statt durchschnittlichen Leistungen sucht. Der Ansatz ermöglicht die
Identifizierung systematischer Abweichungen von der Referenzfunktion, die somit
über ökonomische interpretierbare Ineffizienzen und nicht über zufallsbedingte
Schwankungen informieren. Allerdings bleibt auch beim DFA der erhebliche Nachteil
der parametrischen Vorgehensweise bestehen. Die Parameter der Funktion werden
weiterhin unter Vorgabe eines spezifischen, lediglich als realistisch vermuteten Funktionstyps geschätzt, wobei alle Input-Output-Kombinationen in die Schätzung einfließen.391 Es erfolgt also weiterhin die statistische Schätzung einer theoretischen, nur
unter optimalen Bedingungen anwendbaren effizienten Technologie. Der effiziente
Rand wird weiterhin nicht allein auf Basis der Best-Practice-Beobachtungen bestimmt. Daher sind die Annahmen, unter denen die Produktionsgrenze geschätzt
wird, sehr restriktiv. Ein weiterer Nachteil dieses Ansatzes ist seine große Sensitivität
gegenüber Extremwerten.392
2.2.1.3. Der stochastische Ansatz: Stochastic Frontier Approach
Ebenso wie der DFA schätzt der Stochastic Frontier Approach (SFA) eine Randproduktionsfunktion. Dabei wird jedoch eine nicht deterministische Frontier Function be391
392
Vgl. Schmidt (1976), S. 238 f.
Vgl. Aigner/Lovell/Schmidt (1977), S. 22; Greene (2003), S. 75 ff. Vgl. zu dieser Problematik ausführlicher Abschnitt D-1.5 und D-1.6.3.
116
stimmt, die nicht mehr impliziert, dass alle Abweichungen vom Rand Ineffizienzen
darstellen.393 Stattdessen repräsentieren die SFA-Modelle das Verständnis, dass die
Leistungserstellung von zwei zu trennenden Sachverhalten beeinflusst wird. Danach
können Abweichungen einerseits auf managementbedingte Ineffizienz zurückzuführen sein, andererseits aber auch auf Faktoren, die außerhalb der Kontrolle der Entscheidungsträger liegen. Somit wird bei diesen Ansätzen eine explizite Unterscheidung zwischen Ineffizienzen und extern bedingten Zufallschwankungen (stochastischen Einflüssen wie Glück oder Wetter) getroffen. Die originären SFA-Modelle gehen im Wesentlichen auf die gleichzeitig erschienenen Arbeiten von Aigner/Lovell/Schmidt, Battese/Corra und Meeusen/van den Broeck zurück.394
Bei der SFA handelt es sich, wie bei der Regression und dem DFA, ebenfalls um ein
parametrisches Verfahren, da zum einen ein bestimmter Funktionstyp der Randfunktion (üblicherweise Cobb Douglas) a priori vorgegeben wird und zum anderen die
Funktionsparameter aus den Daten aller beobachteten Vergleichseinheiten, also
auch der ineffizienten Einheiten, geschätzt werden. Die deterministische Frontier
Function wird dabei um einen kombinierten Fehlerterm ergänzt. Eine erste Variable
v̂ j drückt Abweichungen von der Funktion aufgrund von zufallsbedingten, nicht kontrollierbaren Einflussfaktoren aus. Die durch diese Faktoren bewirkten Outputschwankungen werden als zweiseitig unbeschränkt angenommen, weshalb v̂ j so-
wohl positive als auch negative Werte annehmen kann und für diese Komponente
üblicherweise eine symmetrische Normalverteilung mit dem Mittelwert Null angenommen wird. Eine zweite Variable û j quantifiziert Abweichungen von der Produktionsfunktion aufgrund ökonomischer Ineffizienz, die von der Entscheidungseinheit zu
verantworten ist. Es wird angenommen, dass die durch die kontrollierbaren Inputs
erzielbaren Outputwirkungen nach oben beschränkt sind, d.h. hierfür Maximalwerte
existieren. Für diese Variable wird daher üblicherweise eine Halb-Normalverteilung
zugrundegelegt, die bei den vom Management kontrollierbaren Inputfaktoren nur negative Abweichungen von der Referenzfunktion zulässt. Der zusammengesetzte
Term, der in (6) als ε j bezeichnet wird, ist somit asymmetrisch verteilt; die beiden
Fehlerkomponenten sind voneinander unabhängig.395
Auf diese Weise entsteht eine stochastische Frontier Function, wodurch nicht mehr
zwangsläufig die gesamte Abweichung von der Funktion als Ineffizienz zu interpretieren ist. Die Cobb-Douglas-Referenzfunktion des SFA lässt sich in Vektorschreibwei-
393
394
395
Vgl. De Borger/Kerstens (1996), S. 151.
Vgl. Aigner/Lovell/Schmidt (1977); Battese/Corra (1977); Meeusen/van den Broeck (1977).
Vgl. Aigner/Lovell/Schmidt (1977), S. 24 f.
117
se durch die folgende Beziehung formulieren, wobei x den Vektor der Inputs und y
den Vektor der Outputs darstellt: 396
y j = x βj + ε j ,
(6)
mit
j = 1,..., n
ε j = vˆ j − uˆ j
Zur Bestimmung der Randfunktion und zur Dekomposition des kombinierten Fehlerterms existieren mehrere Möglichkeiten. Üblicherweise erfolgt dies bei Querschnittsdaten durch eine Maximum-Likelihood-Schätzung.397 Sind die Auswirkungen nicht
kontrollierbarer Einflüsse vernachlässigbar gering ( vˆ j = 0 ), dann liegt der TargetOutput y ∗j auf der deterministischen Randfunktion und entspricht der Komponente:
(7)
y ∗j = x βj
Ist dagegen der Leistungserstellungsprozess einer Beobachtung durch stochastische
Einflüsse gekennzeichnet ( vˆ j ≠ 0 ), dann wird dieser anhand einer stochastischen
Randfunktion bewertet und der Frontier-Output entspricht dann:
(8)
y ∗j = x βj + vˆ j
Da v̂ j sowohl positive Werte (wenn Zufallseinflüsse die Leistungserstellung begünstigen) als auch negative Werte (bei nachteiligen Zufallseinflüssen) annehmen kann,
schwanken die Outputwerte der stochastischen Frontierfunktion um ihren deterministischen Teil, sowohl in positiver als auch in negativer Richtung.398 Sind dagegen keine unkontrollierten Störeinflüsse vorhanden ( vˆ j = 0 ), dann befinden sich effiziente
Objekte ( uˆ j = 0 ) stets auf, ineffiziente Einheiten stets unterhalb der deterministischen
Produktionsfunktion. Sobald jedoch stochastische Einflüsse existent sind, kann es
vorkommen, dass beobachtete Outputwerte oberhalb der deterministischen Grenze
liegen, nämlich wenn bei effizienten Einheiten günstig ausgeprägte Zufallseinflüsse
(„Glück“) vorliegen bzw. Ineffizienzen durch das Vorliegen von „Glück“ überkompensiert werden. Alle Beobachtungspunkte unterhalb der deterministischen Randfunktion
können einen positiven Störterm (dann liegt der stochastische Frontier-Output oberhalb der deterministischen Funktion) oder negativen Störterm (dann liegt der stochastische Frontier-Output darunter) aufweisen.
Die stochastische Randfunktion kann somit sowohl oberhalb als auch unterhalb der
deterministischen Randfunktion verlaufen.399 Damit wird berücksichtigt, dass bei Vor396
397
398
399
Vgl. Aigner/Lovell/Schmidt (1977), S. 24 f.
Vgl. Kumbhakar/Lovell (2000); Lovell (2006).
Vgl. Coelli et al. (2005), S. 242 f.
Vgl. Coelli et al. (2005), S. 243 f.
118
liegen von Zufallseinflüssen für gegebene Inputs zwar ein maximales Outputlevel
existiert, dies aber beim SFA nur in Form einer Verteilung statt eines Punktes ausgedrückt werden kann. Folglich können sich verschiedene Einheiten unterschiedlichen
Produktionsgrenzen gegenübersehen.
Die beschriebenen Zusammenhänge werden für das Zahlenbeispiel anhand von
Abbildung 10 illustrativ erläutert.
22
y J∗
mit vJ = 6,2
J
20
18
16
y J∗ mit vJ = 0
Output
14
J‘
12
y B∗ mit vB = 0
B‘
10
y B∗ mit vB = -3,9
8
B
6
4
2
0
0
2
4
6
8
10
12
14
16
18
Input
Abbildung 10: Randproduktionsfunktion des stochastischen Ansatzes
Die durchgezogene Linie stellt den deterministischen Teil der Cobb-DouglasRandproduktionsfunktion dar. Die Schätzung der Funktionsparameter für die Beispieldaten erfolgte mittels Maximum-Likelihood-Schätzer.400 Zur besseren Übersicht400
Alle Berechnungen im Rahmen der SFA wurden mit STATA durchgeführt. Die oben genannten
üblichen Verteilungsannahmen wurden verwendet. Die Schätzungen zeigen, dass keine Einheit
exakt auf der deterministischen Funktion liegt, wodurch der theoretische Charakter der Frontierfunktion deutlich wird, der durch die parametrische Vorgehensweise bedingt ist. Die Randfunktion
basiert somit nicht auf tatsächlichen Best Practice-Beobachtungen, sondern gibt eine ideale Best
Practice Technologie der Input-Output-Transformation wider. Es handelt sich aber dennoch um
eine Randfunktion, da keine Einheit ohne Betrachtung der Zufallskomponente (d.h. bei alleiniger
Betrachtung des Ineffizienzterms) oberhalb dieser Funktion liegen kann. Hier gelten also nur negative Abweichungen. Da aber beim stochastischen Term auch positive Abweichungen zulässig
sind, können einige Einheiten aufgrund von „Glück“ über der deterministischen Grenze liegen.
Aufgrund der Tatsache, dass ein Teil der Abweichungen vom Randoutput bei der SFA auf nicht
beeinflussbare Zufallseinflüsse und nicht auf Ineffizienzen zurückgeführt wird, ist der durchschnittlich ermittelte Effizienzwert relativ hoch, im Beispiel liegt dieser bei 0,93. Das Ausmaß der Ineffizienz wird hier wie bei allen parametrischen Verfahren regelmäßig unterschätzt; mit entsprechend
wenig strengen Handlungsempfehlungen! Daher konstatieren viele SFA-Studien, dass die betrachteten Unternehmen in den untersuchten Branchen überwiegend effizient geführt werden,
119
lichkeit sind nur zwei Einheiten (B und J) dargestellt. Die Dreiecke auf der Kurve zeigen die Target-Outputwerte, die im deterministischen Fall erreichbar wären, wenn
diese effizient operierten. y ∗ zeigt das Outputlevel, welches vorzugeben wäre, wenn
zusätzlich die negativen bzw. positiven Zufallseinflüsse berücksichtigt werden.
Für Einheit J wird ein stochastischer Maximaloutput von 21,7 ermittelt. Er liegt über
dem deterministischen Rand, was impliziert, dass J aufgrund glücklicher Umstände
(d.h. vˆJ > 0 ) einen Output erzielt hat, der über dem deterministischen Frontier-Output
von 15,5 liegt, der durch das Dreieck angezeigt wird. Die SFA-Ergebnisse zeigen
weiter, dass Einheit J ineffizient ist mit einem Effizienzwert von 0,957, d.h. ohne die
günstige Zufallskomponente (im deterministischen Fall) unterhalb der durchgezogenen Linie liegen und nur einen Output von 14,8 erzielen würde (0,957*15,5 = 14,8).
Dieser wird durch Punkt J’ angezeigt. Der Ineffizienzeffekt (0,7) wird aber durch die
Ausprägung des stochastischen Terms (+6,2) überkompensiert, so dass selbst der
beobachtete Outputwert oberhalb der deterministischen Grenze bei 21 liegt. Es gilt
für J somit vˆJ > uˆJ . Der tatsächlich beobachtete Output y J ergibt sich folglich als
y J = 15,5 – 0,7 + 6,2 = 21. Soll Einheit J bei gegebenen positiven Zufallseinflüssen
(„Glück“) die Ineffizienz in Höhe von 0,7 beseitigen, muss ein Outputniveau von
y J∗ = x βj + vˆJ = 15,5 + 6,2 = 21,7 erzielt werden, welches als stochastischer Frontier-
Output bezeichnet wird und durch den Stern gekennzeichnet ist. Die stochastische
Randfunktion für J verläuft daher durch Punkt y J∗ , angedeutet durch die gestrichelte
Linie.
Für Einheit B zeigt der für v̂ B ermittelte Wert von -3,9 das Vorliegen einer ungünstig
ausgeprägten Zufallskomponente („Pech“). B weist einen beobachteten Output von 7
auf und ist ineffizient mit einem Effizienzwert von 0,932. Der Target-Punkt auf der
deterministischen Randfunktion liegt bei 11,7, woraus ersichtlich ist, dass B ohne
negative Störeffekte einen Output von 10,9 (11,7*0,932) erreicht hätte. Der beobachtete Output liegt wegen v̂ B = -3,9 jedoch bei 7. Hier wird die Abweichung von der
deterministischen Funktion durch einen negativen stochastischen Term also noch
verstärkt. Unter Berücksichtigung dieser ungünstigen Umstände beträgt der anzustrebende stochastische Frontier-Output für B nur y B∗ = 7,8 (11,7 – 3,9). Die stochastische Referenzfunktion verläuft für B somit unterhalb des deterministischen
Teils. Die Outputabweichung von der deterministischen Randfunktion setzt sich damit aus einer Ineffizienzabweichung (0,8) und einer stochastischen Abweichung
was aber nur auf evtl. unrealistische und zu zuversichtliche Verteilungs- und Funktionsannahmen
und nicht auf tatsächliche Überlegenheit der Leistungsfähigkeit zurückzuführen ist. Insgesamt
werden daher zu stark idealisierte Datenwelten angenommen, was zu systematischen Verzerrungen in Richtung zu optimistischer Ergebnisse führt. Vgl. Barth/Staat (2005); Scheel (2000).
120
(-3,9) zusammen, die in der Summe die Gesamtabweichung ε B = –3,9 – 0,8 = – 4,7
ergibt.
Wie aus den Ausführungen bereits vermutet werden kann, setzt die Hauptkritik am
SFA an dem gravierenden Nachteil an, dass zur Schätzung der Funktionsparameter
û j und v̂ j bestimmte Verteilungen a priori für alle untersuchten Objekte fest vorgege-
ben werden müssen. So wird unter der Annahme, dass û j nur negative Werte annehmen darf (Best-Practice-Orientierung), zumeist eine Halb-Normalverteilung der
Ineffizienzen angenommen, um eine Schätzung der SFA-Modellparameter mit der
Maximum-Likelihood-Methode zu ermöglichen, die als robustester und leistungsfähigster Schätzer gilt.401 Befunde zeigen, dass die geschätzten Effizienzgrenzen stark
mit den Verteilungsannahmen bzgl. der Ineffizienzen und des Fehlerterms variieren.402 Unter Zugrundelegung der oben genannten Verteilungsannahmen für û j und
v̂ j kann der Erwartungswert der Ineffizienzkomponente û j auf Basis der bedingten
Verteilung von û j und bei gegebenem Wert der Residualgröße ε j wie folgt berech-
[
]
(
net werden: E uˆ j vˆ j − uˆ j = σ ∗ [f (⋅) ηF (⋅)(ε σ )].403 Dabei ist σ = σ u2 + σ v2
σ =σ σ σ
∗
2
u
2
v
2
)
1/ 2
; η = σu σv ;
sowie f (⋅) und F (⋅) die Dichtefunktion der Standard-Normal-Verteilung
und die kumulierte Verteilungsfunktion.
Weiterhin kann eine stochastische Frontier aufgrund der Beschränkung auf eine abhängige Variable nur für ein-Input-multiple-Output- oder ein-Output-multiple-InputFälle spezifiziert werden.404
Demgegenüber besteht der Vorteil, dass es aufgrund dieser Parameterschätzungen
möglich ist, Abweichungen von der deterministischen Produktionsfunktion differenziert betrachten und entweder auf stochastische Einflüsse oder auf Ineffizienzen in
der Leistung zurückführen zu können. Die explizite Berücksichtigung von Einflussfaktoren, die außerhalb der Kontrolle des Managements liegen, aber dennoch die Effizienz einer Entscheidungseinheit wesentlich determinieren können, ist die wesentliche Weiterentwicklung des SFA-Modells. Ein weiterer Vorteil besteht darin, dass die
ermittelten Ineffizienzwerte auf Signifikanz überprüft werden können.405 Aufgrund
401
402
403
404
405
Vgl. Aigner/Lovell/Schmidt (1977), S. 24 f. Diese Schätzmethode wurde von einigen Autoren kritisiert, die eine Schätzung auf Basis einer Exponentialverteilung, einer Gamma-Verteilung oder einer dezimierten Normalverteilung vorschlagen. Für eine zusammenfassende Darstellung dieser
alternativen Schätzer vgl. Greene (2003), S. 76 ff.; Kumbhakar/Lovell (2000), S. 72 ff.
Vgl. Bauer et al. (1998), S. 83; Kumbhakar/Lovell (2000), S. 90.
Vgl. Jondrow et al. (1982), S. 235 ff.
Vgl. Bryce/Engberg/Wholey (2000); Kaparakis/Miller/Noulas (1994).
Vgl. Coelli et al. (2005), S. 258 f.
121
seiner Eigenschaften ist die SFA derzeit der bedeutendste parametrische Ansatz zur
Effizienzmessung.406
Als zusammenfassende Kritik an allen Verfahren der parametrischen Effizienzmessung bleibt ihr konstituierendes Merkmal zu nennen: Die Annahme einer bestimmten
funktionalen Form der Produktionsgrenze, die in der Schätzung fixer Gewichtungsparameter der Input- und Outputvariablen resultiert. „The parametric approaches commit the sin of imposing a particular functional form (and associated behavioural assumptions) that presupposes the shape of the frontier. If the functional form is misspecified, measured efficiency may be confounded with the specification errors.”407
Es stellt sich somit die erhebliche Herausforderung, den richtigen Funktionstyp auszuwählen und dann die gemessenen Abweichungen richtig zu interpretieren und zu
erkennen, ob wirkliche Ineffizienzen oder Messfehler vorliegen.408 Einheitliche Gewichtungen unterstellen außerdem, dass es nur „die eine richtige“ Strategie gibt, welche zur Effizienz führt. Diese Eigenschaft lässt außer Acht, dass eine hohe Marketingperformance durch unterschiedliche Strategien, das heißt durch individuell unterschiedliche Gewichtungen der Input- und Output-Parameter, erreicht werden kann.409
Aufgrund der vielen notwendigen Funktions- und Verteilungsannahmen sind parametrische Modelle generell als stark restriktiv zu bezeichnen und nur anwendbar,
wenn das theoretische Modell exakt mit der Wirklichkeit übereinstimmt.410
2.2.2.
Nicht parametrische Verfahren
Aufgrund der oben genannten Schwächen der parametrischen Methoden erscheint
die Anwendung nicht parametrischer Analyseverfahren (Klasse V) sinnvoll. Diese
Verfahren, deren wichtigste Vertreter die DEA und FDH darstellen, liegt eine völlig
andere Philosophie zur Bestimmung der Randproduktionsfunktion zu Grunde. Es
handelt sich um mathematische Programmierungsmodelle, welche den großen Vorteil aufweisen, dass der korrekte Funktionsverlauf der Referenzfunktion a priori nicht
bekannt sein muss.411 Daraus erwächst der wesentliche Unterschied, dass eine implizite Bestimmung einer Funktion möglich ist. Während ökonometrische Verfahren
die optimale statistische Schätzung von Produktionsfunktionen anstreben, lassen
nicht parametrische Verfahren zu, dass sich die Randfunktion als Kombination tatsächlich beobachteter Produktionseinheiten bilden kann. Ziel ist es somit, eine empi406
407
408
409
410
411
Vgl. Porembski (2000), S. 102.
Berger/Humphrey (1997), S. 179.
Vgl. Bauer et al. (1998), S. 93.
Vgl. Bauer/Hammerschmidt/Staat (2002), S. 10.
Vgl. Hanow (1999), S. 118.
Vgl. Bauer (1990), S. 39.
122
rische statt eine theoretische Produktionsfunktion zu identifizieren.412 Im Gegensatz
zu parametrischen Ansätzen gehen nicht parametrische Verfahren nicht von der Fiktion einer dem Produktionsprozess zu Grunde liegenden „wahren“ Produktionsfunktion aus, sondern lassen durch nur schwache Annahmen die Daten für sich selbst
sprechen. Das erscheint sehr vorteilhaft, da ersteres in realen, meist komplexen Situationen (wie gerade im Marketing, in dem die Produktion intangibler Outputs dominiert) aufgrund fehlender Anhaltspunkte über den tatsächlichen Zusammenhang zwischen den Input- und Outputfaktoren kaum möglich ist. Für diese Flexibilität wird im
Gegenzug in Kauf genommen, dass die Berücksichtigung stochastischer Einflüsse
bei der Bestimmung der Effizienzwerte im Allgemeinen nicht möglich ist.413
Die nicht parametrischen Verfahren lassen sich danach unterscheiden, ob konvexe
(DEA) oder nicht konvexe (FDH) Produktionstechnologien zur Effizienzbewertung
bestimmt werden, wodurch grundsätzlich verschiedene Randfunktionen entstehen.
Eine konvexe Technologie liegt vor, wenn jede Input-Output-Kombination, die anteilig
aus zwei oder mehreren effizienten Kombinationen gebildet wird, ebenfalls Bestandteil der Technologie ist. Damit werden die Verbindungen zwischen den effizienten
Beobachtungen als stetig linear approximiert und damit gefordert, dass die Randfunktion eine positive Steigung aufweist und ein höherer Input immer auch einen höheren Output erbringt. Die Annahme einer nicht konvexen Technologie resultiert in
nicht linearen Referenzfunktionen, die dann Einheiten enthalten kann, welche den
identischen Output wie eine andere effiziente Einheit mit höherem Inputeinsatz
erbringen. Dies bedeutet, dass die Randfunktion Teilabschnitte enthält, bei denen
eine Erhöhung des Inputs nicht zu einer Outputerhöhung führt und somit Verschwendung von Inputs zugelassen wird. Ebenso wie die DFA bestimmen auch die
DEA und FDH deterministische Produktionsfunktionen, wodurch die Eigenschaften
des DFA konserviert werden, zusätzlich jedoch die Vorteile der nicht parametrischen
Vorgehensweise genutzt werden.
2.2.2.1. Konvexe Technologien: Data Envelopment Analysis
Grafische Darstellung des Grundprinzips
Die Data Envelopment Analysis (DEA) ist eine nicht parametrische, mathematische
Programmierungsmethode, welche die relative Effizienz auf Basis einer konvexen
Referenztechnologie bestimmt. Konvexität impliziert, dass alle linearen Kombinationen von effizienten Aktivitäten als Referenzpunkte zulässig sind. Wie beim DFA wird
ebenso eine deterministische Randfunktion bestimmt, die nun aber aufgrund der
412
413
Vgl. Varian (1984).
Vgl. Schefczyk (1994), S. 151.
123
Nicht-Parametrie nur anhand der Daten der Best-Practice-Beobachtungen implizit
ermittelt wird, wobei die Funktionsparameter (Gewichte) für jede Einheit individuell
optimiert werden. Es wird eine Produktionsfunktion implizit bestimmt, d.h. durch den
Ausweis von effizienten Referenzpunkten, die die Funktion aufspannen. Bezüglich
der Skalenertragseigenschaften lassen sich nun zwei Fälle unterscheiden. Im Falle
konstanter Skalenerträge (Constant Returns to Scale, CRS) wird unterstellt, dass
eine Verdopplung der Inputs immer auch zu einer Verdopplung der Outputs führt.
Eine auf der Basis konstanter Skalenerträge gebildete Randfunktion zieht das maximale im Datenset beobachtete Output-Input-Verhältnis (also die höchste Durchschnittsproduktivität des Inputfaktors), im Zahlenbeispiel realisiert durch Einheit F, für
die Konstruktion des effizienten Randes heran. Diese wird für alle anderen Einheiten
durch entsprechende Niveauanpassungen extrapoliert, woraus eine lineare Randfunktion resultiert, die durch den Punkt F verläuft und in Abbildung 11 mit CRS bezeichnet ist.414
CRS Randfunktion
Inputslack
22
J
20
18
x
I
VI
OH
H
16
G
F
14
Output
VRS Randfunktion
K
12
E
10
D
A
C
8
B
6
4
2
x
0
0
2
4
6
IH
8
10
12
14
16
18
Input
Abbildung 11: Randproduktionsfunktionen der DEA
Für viele Anwendungsfälle, insbesondere im Marketing und hier v.a. in der Werbung,
ist es jedoch nicht realistisch anzunehmen, dass unabhängig vom Skalenniveau immer proportionale Outputsteigerungen bei Inputsteigerungen erzielt werden und damit das Output-Input-Verhältnis konstant bleibt.415 Vielmehr ist zu vermuten, dass für
414
415
Vgl. auch Abschnitt D-1.2.
Vgl. Büschken (2003).
124
unterschiedliche Skalenniveaus die aus Inputerhöhungen resultierenden Outputerhöhungen variieren und kein linearer Zusammenhang besteht. In diesem Fall lägen
variable Skalenerträge (Variable Returns to Scale, VRS) vor. Werden variable Skalenerträge modelliert, lassen sich für verschiedene Inputvolumina Best-PracticeBeobachtungen finden, die im Beispiel durch die Punkte B, F, I, J, K gegeben sind
und alle als effizient ausgewiesen werden. Sie weisen innerhalb ihrer Größenklasse
das vergleichsweise höchste Output/Input-Verhältnis auf und werden als Efficient
Peers bezeichnet. Sie stellen die Benchmarks für andere Beobachtungen dar, die auf
ähnlichem Skalenniveau produzieren. Die Verbindungen zwischen den effizienten
Punkten werden aufgrund der Konvexitätsannahme linear extrapoliert, wodurch eine
stückweise lineare Randfunktion entsteht, deren Steigung (Skalenerträge) variiert
und die in der Abbildung 11 mit VRS bezeichnet ist.416 Alle Einheiten auf der VRSRandfunktion werden als technisch effizient bezeichnet. Sie setzen also für die bestehende Betriebsgröße Ressourcen verschwendungsfrei ein und produzieren für
das gegebene Inputniveau einen maximalen Output. Im Gegensatz zum CRS-Modell
werden im DEA-Modell mit VRS nur noch Einheiten der gleichen Größe miteinander
verglichen. Jede Einheit wird in Relation zum individuellen Teilstück der Randfunktion bewertet.
Technisch effiziente Einheiten müssen deshalb nicht zwingend auch skaleneffizient
sein, d.h. auch auf dem CRS-Rand liegen, weil unter Annahme variabler Skalenerträge durch Größenunterschiede verursachte Ineffizienzen ausgeblendet sind. Alle
Teilstücke der VRS-Funktion links/unterhalb von Punkt F weisen dabei steigende
Skalenerträge, der Punkt F selbst konstante Skalenerträge und alle Segmente
rechts/oberhalb fallende Skalenerträge auf. F ist somit die einzige rein technisch effiziente Beobachtung, die auch die optimale Größe (most productive scale size) aufweist. Daher liegt der technisch effiziente Punkt B im Bereich zunehmender Skalenerträge und weist eine zu geringe Betriebsgröße auf. Die VRS-effizienten Einheiten I,
J, und K liegen im Bereich abnehmender Skalenerträge und sind zu groß und deshalb ebenfalls skalenineffizient.
Effizienzmessung im Ein-Input-Ein-Output-Fall
Anhand des Zahlenbeispiels soll die Berechnung der in Abschnitt B-2.1.5 vorgestellten Effizienzmaße für beide Arten von DEA-Randfunktionen demonstriert werden.
Damit soll gezeigt werden, wie die Effizienzmessung von den zu Grunde gelegten
Technologieannahmen und von dem verwandten Effizienzmaß abhängt. Da dieser
Abschnitt als Einführung in das Grundprinzip der DEA dient, erfolgt die Berechnung
der Effizienzmaße für den einfachen Fall mit einem Input und einem Output. Für eine
416
Vgl. Charnes et al. (1997a), S. 4
125
Berechnung der Effizienzmaße für Fälle mit mehreren Inputs bzw. Outputs sei auf
das nächste Kapitel verwiesen.
Die absoluten Produktivitätswerte für die Untersuchungseinheiten des Zahlenbeispiels sind in Tabelle 11 dargestellt. Diese lassen sich allein auf Basis der beobachteten Input- und Outputmengen berechnen, ohne andere Einheiten zu berücksichtigen. Im zweidimensionalen Fall lassen sich diese Werte leicht ermitteln, da lediglich
das Verhältnis des einen Outputs zu dem einen Input zu bilden ist. Wie schon grafisch gezeigt, weist F den höchsten Produktivitätswert auf und ist somit bei Zugrundelegung einer Technologie mit konstanten Skalenerträgen (d.h. einer Normierung
des Outputs auf eine Einheit Input) die einzige effiziente Einheit.
Einheit
A
B
C
D
E
F
G
H
I
J
K
Input
Output
4
2
10
8
12
3
5
9
6
9
14
10
7
10
12
12
15
16
17
19
21
21
Absolute Effizienz
(Output / Input)
2,500
3,500
1,000
1,500
1,000
5,000
3,200
1,889
3,167
2,333
1,500
Relative Effizienz
50,00%
70,00%
20,00%
30,00%
20,00%
100,00%
64,00%
37,78%
63,33%
46,67%
30,00%
Tabelle 11: Absolute und relative Effizienz im Ein-Input-Ein-Output-Fall
Der effiziente Rand ist - wie dargestellt - eine lineare Funktion, die ausgehend vom
Ursprung durch den Punkt F verläuft. Keine der anderen Einheiten weist eine ebenso
hohe Durchschnittsproduktivität auf wie F, weshalb diese im CRS-Fall als relativ ineffizient ausgewiesen werden. Die relative Ineffizienz ergibt sich für das inputorientierte
Effizienzmaß, indem man die Produktivitätswerte der Vergleichseinheiten in Relation
zum Produktivitätswert von F setzt. Zur Veranschaulichung werden die verschiedenen Effizienzmaße auf Einheit H angewendet. Abbildung 12 zeigt, wie die Effizienzmaße für eine CRS-Technologie grafisch bestimmt werden können.
Um für den inputorientierten Fall den Benchmark für H zu konstruieren, muss die
größenoptimale Einheit F auf das Outputniveaus von H skaliert, d.h. auf dem Fahrstrahl bis auf das Outputniveau 17 projiziert werden. Durch diese Art der Konstruktion des Referenzpunktes wird unterstellt, dass alle Einheiten das bei optimaler Größe
erzielbare Output-Input-Verhältnis realisieren könnten. Um den Benchmark auf dem
effizienten Rand und somit die gleiche Durchschnittsproduktivität wie F zu erreichen,
126
müsste H ihren Input unter Konstanthaltung des aktuellen Outputniveaus um 62,22%
- von 9 auf 3,4 Einheiten - reduzieren. Aufgrund komplexerer Zusammenhänge wird
die Bestimmung der anderen Effizienzmaße anhand des VRS-Falles ausführlich erklärt, gilt für den CRS-Fall jedoch analog.
46
outputorientiert V
O
44
42
40
38
36
34
32
30
28
26
unorientiert V
U
24
22
20
J
I
inputorientiert VI
F
2
4
18
16
H
G
14
6
8
10
Abbildung 12: Ermittlung der Effizienzmaße für Vergleichseinheit H bei
CRS-Technologie
Die Vorgehensweise bei der Ermittlung der Effizienzwerte für den VRS-Fall wird anhand der Abbildung 13 gezeigt, die den für Einheit H relevanten Ausschnitt aus der in
Abbildung 11 dargestellten Technologie zeigt und genau wie in Abbildung 12 veranschaulicht, auf welche Referenzpunkte die ineffiziente Vergleichseinheit H unter
Verwendung der verschiedenen Effizienzmaße jeweils projiziert wird.
Bei Anwendung eines inputorientierten äquiproportionalen Effizienzmaßes wird die
Ineffizienz durch die horizontale Euklidische Distanz zum entsprechenden Teilfrontierstück ausgedrückt. Auf dem Projektionspunkt auf dem effizienten Rand befindet
sich für H keine reale Vergleichseinheit. Aufgrund der Konvexitätsannahme wird daher eine sog. virtuelle Referenzeinheit VI aus den beiden angrenzenden Beobachtungen F und I linear kombiniert (vgl. Abbildung 13).
127
outputorientiert
unorientiert VU
22
outputorientiert
J
J
20
20
unorientiert
I
I
18
inputorientiert VI
H
G
18
inputorientiert VI
H
G
16
16
F
F
14
14
12
12
2
22
4
6
8
10
Äquiproportionale Effizienzmaße
2
4
6
8
10
Additive Effizienzmaße
Abbildung 13: Ermittlung der Effizienzmaße für Vergleichseinheit H bei
VRS-Technologie
Die Anteile, mit denen diese in die Referenzeinheit eingehen, werden mit λ bezeichnet. Sie ergeben sich aus dem Abstand der effizienten Einheiten zum virtuellen Referenzpunkt, d.h. aus den Streckenverhältnissen FVI / FI bzw. IVI / FI , und müssen
sich bei variablen Skalenerträgen zu eins addieren. Durch diese Bedingung wird sichergestellt, dass als Benchmark nicht mehr das x-fache einer viel kleineren Einheit
vorgegeben wird, sondern ein Vergleich nur noch mit Objekten ähnlicher Größe erfolgt. Damit ist der Benchmark, obwohl virtuell konstruiert, realistisch und vergleichbar. Die Annahme der Realisierbarkeit konvexer Kombinationen angrenzender Einheiten ermöglicht es, einen nur auf Beobachtungen basierenden Rand der Technologiemenge kontrolliert zu vergrößern.417 Da für die hier betrachtete Entscheidungseinheit der virtuelle Benchmark die Strecke zwischen den beiden angrenzenden effizienten Punkten genau halbiert, betragen die λ -Gewichte für beide 50%. Als Referenzpunkt ergibt sich 4,5/17, der sich je zur Hälfte aus den Input- und Outputmengen der
Benchmarks F und I zusammensetzt, d.h. es gilt 0,5*3+0,5*6=4,5 und
0,5*15+0,5*19=17. Einheit H muss bei gleich bleibender Outputmenge die Inputmenge um 50% (d.h. von 9 auf 4,5 Mengeneinheiten) senken, um effizient zu werden. In
Abbildung 11 oben kann der Grad der Ineffizienz grafisch aus dem Verhältnis der
Strecken VI H / OH H abgelesen werden.
Wird ein outputorientiertes äquiproportionales Effizienzmaß angewandt, so entspricht
der Referenzpunkt genau der beobachteten Vergleichseinheit J, weil sie den gleichen Input wie H (9) aufweist. Deren Outputlevel (21) dient als Zielwert für H. Die
Outputmenge der Vergleichseinheit H muss (bei gleich bleibender Inputmenge) von
417
Vgl. Scheel (2000), S. 47.
128
17 auf 21, d.h. um 23,53%, erhöht werden. Grafisch wird der Effizienzwert laut
Abbildung 11 durch I H J / I H H gemessen.
Das unorientierte äquiproportionale Maß bestimmt den Referenzpunkt so, dass
gleichzeitige Inputsenkungen und Outputerhöhungen um denselben Prozentsatz (im
Fall von H 17,39%) vorgenommen werden müssen. Benchmark ist dabei eine Linearkombination, in die die effiziente Einheit I mit einer Gewichtung von 0,52 und J mit
einer Gewichtung von 0,48 eingehen. Die Referenzwerte für den Input und den Output ergeben sich somit als 7,45/19,95.
Bei additiven Maßen bleiben alle Interpretationen gleich, die vorgeschlagenen Verbesserungen werden jedoch in absoluten Einheiten gemessen. Der Effizienzwert
schlägt bei Inputorientierung eine Reduzierung der Inputmenge um 4,5 Mengeneinheiten bzw. bei Outputorientierung eine Erhöhung der Outputmenge um 4 Mengeneinheiten vor, die der vertikalen Euklidischen Distanz zur Effizienzgrenze entspricht.
Ein Unterschied zum Benchmark bei den äquiproportionalen Maßen ergibt sich lediglich bei dem unorientierten additiven Maß. Es resultiert in diesem Fall die Vergleichseinheit I als realisierter Benchmark und somit der Referenzpunkt 6/19. Es wird folglich eine Inputmengenreduzierung um 3 und eine Outputmengenerhöhung um 2
Mengeneinheiten vorgeschlagen. Deren Summe ergibt den Effizienzwert von 5. Wie
erkennbar ist, liegt der Bestimmung des additiven Effizienzmaßes im unorientierten
Fall eine City-Block-Metrik zu Grunde. Die Verwendung der Euklidischen Distanz in
Form der kürzesten Strecke zum virtuellen Punkt VU ist hier unzulässig. Ist auf dem
relevanten Teilstück des Randes eine beobachtete Einheit wie I nicht vorhanden, so
drückt das additive Maß auch im unorientierten Fall die Verbesserung vollständig
input- oder outputorientiert aus, je nachdem, welcher Punkt näher liegt.
Die Werte der Effizienzmaße für Einheit H sind für beide Technologien in Tabelle 12
zusammengefasst. Es sei nochmals darauf hingewiesen, dass die Effizienzmaße im
ursprünglichen Verständnis die notwendigen Verbesserungen ausdrücken, d.h. angeben, um wie viel die jeweils betrachteten Größen verändert werden müssen. Die
im folgenden Kapitel dargestellten DEA-Modelle verwenden jedoch als Effizienzwerte
üblicherweise den Komplementärwert der Effizienzmaße und zeigen, auf welches
Niveau die Parameter erhöht bzw. vermindert werden müssen. Darauf wird im folgenden Kapitel ausführlich eingegangen.
Werden die Effizienzmaße auf Einheit K angewendet, zeigt sich, dass K bei Outputorientierung als effizient ausgewiesen wird, da eine Steigerung des Outputs nicht
möglich ist; der Effizienzwert beträgt daher 0%. Dennoch besitzt K einen Benchmark
in Form von Punkt J, der den identischen Output mit 5 Einheiten weniger Input erreicht.
129
CRS-Technologie
Effizienzmaß
Radial inputorientiert
Radial outputorientiert
Äquiproportional
unorientiert
Additiv inputorientiert
Additiv outputorientiert
Additiv unorientiert
Effizienzwert
VRS-Technologie
Effizienzwert
Zielwerte
(Targets)
Benchmarks
(Gewichte λ )
4,5/17
F (0,5),
I (0,5)
J (1,0)
Zielwerte
(Targets)
Benchmarks
(Gewichte λ )
62,22%
3,4/17
F (1,13)
50%
164,71%
9/45
F (3,0)
23,53%
9/21
45,16%
4,95/24,7
F (1,65)
17,39%
7,45/19,95
5,6
3,4/17
F (1,13)
4,5
28
9/45
F (3,0)
4
9/21
I (0,52),
J (0,48)
F (0,5),
I (0,5)
J (1,0)
28
9/45
F (3,0)
5 (3+2)
6/19
I (1,0)
4,5/17
Tabelle 12: Werte der Effizienzmaße für Vergleichseinheit H
Das outputorientierte Effizienzmaß weist daher einen sog. Input-Slack von 5 aus (vgl.
Abbildung 11), der bei Verwendung des inputorientierten Maßes demzufolge zum
Ausweis von Ineffizienz führt, da K den Input um 35,71% (5/14) reduzieren müsste.
Einheiten wie K werden als schwach effizient bezeichnet. Dieses Beispiel belegt,
dass es vom verwendeten Effizienzmaß abhängt, ob eine Beobachtung als effizient
oder ineffizient ausgewiesen wird.
Wie weiter erkennbar ist, können die CRS- und VRS-DEA-Modelle zu sehr unterschiedlichen Ergebnissen gelangen, so dass eine adäquate Modellierung entscheidend für die Qualität der Ergebnisse ist. Da H nicht größenoptimal ist, wird mit dem
CRS-Modell bei allen Maßen eine deutlich höhere Ineffizienz ausgewiesen als mit
dem VRS-Modell. Die Verwendung einer Randfunktion mit konstanten Skalenerträgen führt hier zu einer Überschätzung der Ineffizienz, wenn die gesamte ausgewiesene Ineffizienz als technische Ineffizienz interpretiert wird, so wie dies im CRSModell geschieht. Gerade im Rahmen der Effizienzmessung von Marketingaktivitäten
wie Werbung (bei denen keine konstanten Grenzzuwächse der Outputs zu erwarten
sind) und Organisationseinheiten wie Vertriebsteams (die in der Regel nicht alle die
optimale Betriebsgröße aufweisen und diese dazu meist nicht selbst wählen können)
erscheint es wichtig, sich nicht nur auf eine Modellspezifikation festzulegen. Stattdessen sollten in solchen Fällen immer die Ergebnisse beider DEA-Modelle verglichen werden, um eine korrekte Zuordnung der festgestellten Gesamtineffizienz zu
deren Ursachen (Ressourcenverschwendung aufgrund ineffizienter Techniken der
Inputtransformation und/oder suboptimale Größe) zu gewährleisten.
Bestimmung von Skalenineffizienzen
Alle Einheiten, die auf dem CRS-Rand liegen, sind stets gesamteffizient, d.h. sowohl
technisch effizient als auch skaleneffizient. Dies trifft, wie gesagt, nur für Punkt F zu.
130
Gesamteffizienz impliziert stets technische Effizienz, weshalb alle im CRS-Modell als
effizient klassifizierten Einheiten auch im VRS-Modell stets effizient sind. Daraus resultiert jedoch die Konsequenz, dass mit dem CRS-Modell auch immer nur eine Gesamtineffizienz ausgewiesen wird. Nur wenn alle Einheiten mit konstanten Skalenerträgen produzieren, wird im CRS-Modell technische Ineffizienz korrekt ausgewiesen.
Ansonsten kann eine Abweichung von der CRS-Randfunktion sowohl auf Skalenineffizienz als auch auf technische Ineffizienz zurückzuführen sein.
22
20
Output
CRS
Skalenineffizienz
VRS
J
I
technische
Ineffizienz
18
H
VICRS
16
VIVRS
F
14
12
0
2
4
6
8
10
12
Input
Abbildung 14: Ermittlung der Skalenineffizienz für Vergleichseinheit H
Da das VRS-Modell nur rein technische Ineffizienz ausweist, erlaubt ein Vergleich
der Effizienzwerte des CRS- und des VRS-Modells Rückschlüsse über das Ausmaß
evtl. zusätzlich vorliegender Skalenineffizienzen zu ziehen. Dies soll anhand von
Abbildung 14 verdeutlicht werden, in der wiederum der für Einheit H relevante Ausschnitt vergrößert dargestellt ist. Der Abstand zwischen den beiden Randfunktionen
drückt das Ausmaß der Skalenineffizienz in absoluten Inputeinheiten (also additiv)
aus. Der Vergleich der beiden Modelle zeigt also eine Differenzierung der Gesamtineffizienz von H in Skalenineffizienz, deren Ausmaß additiv gemessen der Strecke
VICRSVIVRS entspricht, und technische Ineffizienz in Höhe der Strecke VIVRS H . Unter
Verwendung des inputorientierten äquiproportionalen Effizienzmaßes lässt sich der
Grad der Skalenineffizienz auch prozentual ausdrücken, indem der Quotient aus dem
CRS Effizienzwert (62,22%) und dem VRS Effizienzwert (50%) gebildet wird, der sich
als 1,2444 ergibt und somit ein Ausmaß der Skalenineffizienz von 24,44% anzeigt.
Im Gegensatz dazu ist bei den Einheiten I und J, die auf dem Rand der VRS-
131
Technologie liegen, die gesamte aufgedeckte Abweichung von der CRSRandfunktion ausschließlich auf die „falsche“ Größe der Einheit zurückzuführen.
Anhand der Abbildung 14 lässt sich neben der Höhe auch die Art der Skalenineffizienz erkennen. So befindet sich H im Bereich abnehmender Skalenerträge, ist also
zu groß. Diese ist daran zu erkennen, dass H’s Benchmark VI über der skaleneffizienten Einheit F liegt. Als Benchmark wird hier also ein Vielfaches von F vorgegeben. Dies wird durch das λ -Gewicht in der 3. Spalte des CRS-Teils in Tabelle 12
angezeigt,418 welches für H im inputorientierten Fall einen Wert von 1,13 aufweist
und mit dem die Input- und Outputwerte von H zu multiplizieren sind. Der Benchmark
VI hat also die 1,13-fache Größe von F. Ist das Gewicht kleiner 1 (wie dies etwa für
A der Fall ist), so weist die betrachtete Einheit nur einen Bruchteil des Volumens von
F auf und ist somit zu klein. Anhand der λ -Multiplikatoren, die im CRS-Modell bestimmt werden, kann abgelesen werden, ob eine betrachtete Einheit im Bereich abnehmender Skalenerträge (> 1) oder zunehmender Skalenerträge (< 1) operiert und
damit zu groß oder zu klein ist.419 Da auch die technisch effizienten Punkte I und J
oberhalb von F liegen, ist ihr Skalenniveau in Relation zu F ebenfalls zu hoch und sie
weisen größenbedingte Ineffizienzen auf. I und J könnten ihre Skaleneffizienz und
somit auch ihre Gesamteffizienz durch Niveauverringerungen verbessern.
2.2.2.2. Nichtkonvexe Technologien: Free Disposable Hull
Bei dem von Deprins/Simar/Tulkens eingeführten Free Disposable Hull (FDH)-Modell
handelt es sich wie bei der DEA um ein deterministisches, nicht parametrisches Programmierungsmodell, welches jedoch eine nicht konvexe Referenztechnologie bestimmt.420 Sie haben als Alternative zu den DEA-Modellen große Popularität erlangt.
Die Konvexitätsannahme der DEA-Modelle führt zur Konstruktion von Randfunktionen, die unterstellen, dass periphere Substituierbarkeit zwischen den Inputs bzw.
zwischen den Outputs besteht und dass die einzelnen Inputs und Outputs beliebig
teilbar sind.421 Nicht für alle Inputs und Outputs ist diese Annahme jedoch zutreffend:
Falls beispielsweise Unternehmensziele oder auch hochaggregierte Kennzahlen in
die Analyse aufgenommen werden, ist die Substituierbarkeit zwischen diesen nicht
mehr gegeben.422 Auch sind Inputs wie Mitarbeiter nicht teilbar, d.h. es können hier
nicht Bruchteile verschiedener Einheiten virtuell kombiniert werden. Bei der Verwendung diskreter Inputs und Outputs kann durch die Konvexität der Technologie das
418
419
420
421
422
Vgl. Banker et al. (2004), S. 49.
Vgl. Banker/Thrall (1992), S. 78 ff.
Vgl. De Borger et al. (1994a), S. 647; De Borger/Kerstens (1996), S. 148; Deprins/Simar/Tulkens
(1984), S. 244 ff.
Vgl. Allen (2002), S. 168.
Für ein Beispiel vgl. Allen (2002), S. 168.
132
Problem auftreten, dass eine ineffiziente Entscheidungseinheit gegenüber Zwischenwerten gebenchmarkt wird, welche aufgrund diskreter Abstufungen tatsächlich
nicht realisierbar sind.423
Ziel der FDH ist es, durch die Aufgabe des Konvexitätspostulats der DEA-Modelle
eine stärkere Annäherung an den realen Produktionszusammenhang zu erreichen.
Die FDH-Referenzfunktion wird nur aus realen, d.h. tatsächlich beobachtbaren Efficient Peers gebildet, Konvexkombinationen sind ausgeschlossen. Damit werden den
ineffizienten Entscheidungseinheiten nur echte Realisationen (diskrete Faktorkombinationen) und keine virtuellen Punkte als Benchmarks zugewiesen.424 Der Rand der
Technologiemenge nimmt dadurch einen stufenförmigen Verlauf an. Die Schätzung
einer FDH-Referenzfunktion basiert nur noch auf der Annahme der freien Disposabilität (Verschwendbarkeit), die impliziert, dass auch Einheiten zur Technologie gehören, die für denselben Output mehr Input verbrauchen oder mit demselben Input weniger Output erwirtschaften. Die durch den FDH-Rand abgegrenzte Menge an InputOutput-Kombinationen ist die kleinst mögliche, die Beobachtungen A bis K enthaltende Technologiemenge, die noch die Eigenschaft der freien Disposabilität erfüllt.
Sie stellt somit die geringsten axiomatischen Anforderungen an die Bestimmung der
Technologie.425 Daher wird der resultierende stufenförmige Rand als Free Disposable Hull und das zu Grunde liegende Optimierungsverfahren als FDH-Modell bezeichnet.
Für das Zahlenbeispiel ergibt sich der effiziente Rand der FDH als die stufenförmige
Funktion, die die Einheiten B, F, G, I, J und K verbindet. Die entsprechende DEAReferenzfunktion ist zum Vergleich gestrichelt dargestellt. Im DEA-Modell würde zur
Effizienzbestimmung von H der hypothetische Punkt VDEA verwendet. Für die Effizienzbestimmung im FDH-Modell wird stattdessen nur eine dominante Einheit vollständig als Benchmark vorgegeben. Dies ist Einheit I in Abbildung 15, die in inputorientierter Hinsicht äquivalent ist mit dem auf der Kantenlinie befindlichen Punkt I’, der
als FDH-Referenzpunkt fungiert. Das inputorientierte Effizienzmaß nimmt einen Wert
von 33,33% an, da der Input von 9 auf 6 reduziert werden muss. Diese notwendige
Reduktion entspricht der Strecke I' H .
Wie der grau schraffierte Bereich zeigt, wird H von zwei Einheiten (I und J) dominiert.
Im Falle mehrerer Inputs bzw. Outputs hätte dies zur Folge, dass durch einen paarweisen Vektorvergleich festzulegen wäre, welche der beiden dominierenden Entscheidungseinheiten als Benchmark auszuwählen ist.426
423
424
425
426
Vgl. Greißinger (2000), S. 128.
Vgl. Cooper/Seiford/Tone (2000), S. 105.
Vgl. De Borger et al. (1994a), S. 647 f.; Tulkens (1993), S. 186.
Vgl. Tulkens (1993), S. 189.
133
22
J
20
K
I
18
VDEA
16
F
H
I‘
G
Output
14
E
12
D
10
C
A
8
B
6
4
2
0
0
2
4
6
8
10
12
14
16
18
Input
Abbildung 15: Randproduktionsfunktion des Free-Disposable-Hull-Modells
Eine erste Problematik der FDH entsteht hier, wenn eine ineffiziente Einheit so im
Input- bzw. Outputraum liegt, dass sie von mehreren Einheiten gleichstark dominiert
wird. Hier werden dann alternative Benchmarks ausgewiesen, ohne eine Aussage zu
treffen, welcher von diesen als Zielposition zu wählen ist. Demgegenüber weist die
DEA immer genau einen eindeutigen Referenzpunkt aus und belässt den Entscheider nicht in einer Indifferenzsituation.
Im FDH-Modell gilt zweitens eine Beobachtung schon dann als effizient, wenn es
nicht gelingt, zumindest eine andere Realisation zu finden, welche das gleiche oder
höhere Outputniveau unter geringerem Einsatz mindestens eines Inputfaktors erzielt
bzw. welche mit gleichem oder geringerem Inputeinsatz ein höheres Outputniveau
erreicht.427 Aus diesem Grunde ist nun G im FDH-Modell effizient, weil G nicht durch
eine reale Einheit dominiert wird, sondern nur durch die virtuelle Einheit wie z.B. VDEA
dominiert würde, die jedoch unzulässig ist. G ist eine Beobachtungseinheit, die für
keine andere als Benchmark fungiert und gleichzeitig von keiner anderen dominiert
wird. Sie ist somit als “efficient by default“428 zu bezeichnen. Die FDH führt dazu,
dass es viele effiziente Entscheidungseinheiten gibt, die diese Eigenschaft aufweisen
und einzig deshalb als effizient ausgewiesen werden, weil „zufällig“ im entsprechenden Dominanzbereich keine realisierte Input-Output-Kombination liegt. In der DEA
wird die Zahl solcher Einheiten reduziert, indem die Randfunktion durch Zulassen
427
428
Vgl. De Borger et al. (1994a), S. 651.
Vanden/Tulkens/Jamar (1993), S. 308.
134
von Konvexkombinationen von Efficient Peers, d.h. von dominanten virtuellen Einheiten wie VDEA , sinnvoll erweitert wird.
Durch die geschilderte Problematik der Nicht-Konvexität wird durch die FDH die im
Vergleich zu allen anderen Verfahren maximale Anzahl effizienter Einheiten ausgewiesen. In empirischen Studien unter Anwendung der FDH liegt der Anteil effizienter
Objekte nicht selten bei 80-90%.429 Damit überschätzt die FDH regelmäßig das
Ausmaß der Effizienz der beobachteten Produktionsmenge. Die Diskriminierbarkeit
der Einheiten wird dadurch massiv erschwert. Durch den stufenförmigen Verlauf bildet die FDH-Grenze die engst mögliche Umhüllende aller Beobachtungen. Deshalb
unterscheiden sich die Ergebnisse beider Verfahren signifikant voneinander. So
nimmt der FDH-Effizienzscore – verstanden als Komplement der dargestellten Effizienzmaße - immer mindestens gleich hohe, für die meisten Objekte jedoch größere
Werte als der DEA-Score an.430
Ein drittes Problem besteht in der Annahme der freien Verschwendbarkeit (free
disposability) der Randfunktion. Damit können auch solche Punkte auf der Randfunktion liegen, die für denselben Output mehr Input benötigen als ein anderer Punkt des
Randes und daher eigentlich von diesem dominiert werden.431 So erwirtschaftete z.B.
eine Einheit, die genau auf Punkt I’ liegen würde, mit demselben Input, den auch I
verwendet (6), einen um zwei Einheiten geringeren Output. Obwohl dieser Punkt also
eindeutig dominiert wird, wird er im inputorientierten Fall als effizient ausgewiesen
und als Benchmark verwendet. Somit können mit dem FDH-Modell Einheiten als effizient klassifiziert werden, obwohl diese selbst Benchmarks in Form dominanter Vergleichseinheiten besitzen.432 Dies widerspricht dem Effizienzpostulat von ParetoKoopmans, wonach Effizienz nur dann ausgewiesen werden sollte, wenn keine Verbesserungspotenziale mehr bestehen, d.h. kein Output mehr erhöht werden kann,
ohne den Input zu erhöhen.
2.3.
Vergleich von DEA, FDH und SFA - Auswahl eines geeigneten
Verfahrens zur relativen Effizienzmessung im Marketing
Viele traditionelle Studien zur vergleichenden Effizienzmessung außerhalb des Marketingbereichs kommen zu der scheinbar beruhigenden Erkenntnis, dass die Vermutung erheblicher Ineffizienzen für die meisten Einheiten nicht bestätigt werden kann.
Häufig wird daher kein dringender Handlungsbedarf konstatiert. Bei genauerer Betrachtung der methodischen Vorgehensweise dieser Studien wird jedoch der Grund
429
430
431
432
Vgl. einige der in Kapitel D-2 vorgestellten Studien.
Vgl. Bauer (2002), S. 132; Cummins/Zi (1998), S. 131-152; Tulkens (1993), S. 183-210.
Vgl. Tulkens (1993), S. 184 ff.
Vgl. Allen (2002), S. 171; Porembski (2000), S. 122.
135
für diese Befunde erkennbar. So zeigt sich, dass “…virtually all studies have centered on average performance…but researchers need to focus on best performance.”433 Dies reflektiert die Denkhaltung der Regression, nach der das Ziel lediglich
darin gesehen wird, eine durchschnittliche Leistungsfähigkeit zu erreichen. So demonstrieren Staat/Hammerschmidt in einer Bewertung der relativen Performance von
1.700 deutschen Krankenhäusern, dass bei regressionsanalytischer Betrachtung für
die schlechtesten Krankenhäuser ein Einsparpotenzial von 40% der Behandlungskosten identifiziert wird. Selbst wenn alle unterdurchschnittlichen Krankenhäuser sich
auf das Niveau der Durchschnittsperformance verbesserten, blieben beträchtliche
potenzielle Effizienzgewinne – die Differenz zwischen der Average und Best Practice
– unaufgedeckt. Zieht man nun letztere als Maßstab heran, liegt das Kostensenkungspotenzial der ineffizientesten Häuser bei über 55%.434 Die Abweichungen von
der Durchschnittsfunktion werden im Rahmen der Regressionsanalyse nicht auf systematische Ineffizienzen, sondern vielmehr auf exogene, nicht verantwortbare Störgrößen und situative Einflüsse zurückgeführt, die lediglich identifiziert werden müssen. Während die geringen Abstände zur Average Practice vielleicht tatsächlich
durch exogene Größen erklärbar sind, reicht deren Erklärungskraft nicht mehr aus,
wenn der Abstand zur Best Practice begründet werden soll. Dies schränkt den Nutzen der Regression für eine systematische Effizienzbewertung stark ein.
Auch für den Marketingbereich finden sich ähnliche Erkenntnisse. Bhargava/Kim zeigen im Bereich der Werbeeffizienzbewertung, welchen Fehleinschätzungen und
-entscheidungen resultieren, wenn die Residuen zur Regressionsfunktion als Ineffizienzindikator und als Grundlage für Handlungsempfehlungen herangezogen werden. So zeigte sich nur eine sehr schwache Korrelation zwischen DEA-Effizienzscores und den Residuen der untersuchten Kampagnen. Dies deutet darauf hin,
dass Kampagnen mit hohen positiven Abweichungen von der Regressionslinie nicht
auch höhere Effizienzwerte aufweisen. Vielmehr ergibt sich, dass der überwiegende
Teil (etwa 95%) der Kampagnen, die positive Residuen zeigten (d.h auf Basis der
Regression als überdurchschnittlich gut und damit als effizient eingestuft werden),
ineffizient waren, d.h. DEA-Scores von kleiner 1 aufwiesen.435 Im Ergebnis der Regressionsanalyse werden Werbekampagnen als „Outperformer“ klassifiziert - mit entsprechenden Budgetimplikationen! -, die in Wahrheit deutlich schwächer sind als
vergleichbare Kampagnen auf dem Rand der Beobachtungsmenge. Konsistente Befunde deckt auch Büschken auf, der für Werbekampagnen ebenfalls eine geringe
433
434
435
Parsons (1994), S. 189 f.
Vgl. Staat/Hammerschmidt (2000), S. 243.
Vgl. Bhargava/Kim (1995), S. 214.
136
Korrelation zwischen den Ergebnissen „naiver linearer Modelle“ und nicht linearer
DEA-Modelle ermittelt.436
In ihrer Untersuchung im Vertriebsbereich bestätigen Donthu/Yoo unter Nutzung von
Rangkorrelationskoeffizienten nur schwache Zusammenhänge zwischen DEA- und
Regressions-Rankings.437 Boles/Donthu/Lohtia ermitteln ebenfalls geringe Rangkorrelationen und stützen die Erkenntnis, wonach im Vertrieb ein wesentlicher Teil möglicher Kosteneinsparungen bei Verwendung des „Mittelmaßes“ als Leistungsstandards unaufgedeckt bleibt. Dadurch wird eine optimale Ressourcenallokation etwa
durch adäquate Vergütungs- und Budgetierungssysteme verfehlt. Ein großer Teil der
Vertriebseinheiten, die mit traditionellen Verfahren als effizient ausgewiesen werden,
sind nach strengeren Maßstäben als Underperformer zu klassifizieren.438
Zahlreiche Methodenvergleiche von Frontier-Function-Ansätzen und Regression im
Marketing belegen, dass die Effizienzwerte ersterer Ansätze weniger mit den Residuen, sondern deutlich stärker mit den unabhängigen Variablen (Inputs) korrelieren.
Daraus ist zu schlussfolgern, dass die durch die Frontier-Ansätze generierten Effizienzwerte keine lineare Transformation der durch die Regression errechneten Abweichungen darstellen. Die ermittelten Input-Output-Zusammenhänge bzw. Produktionsbeziehungen der Frontier-Ansätze und der Verfahren zur Ermittlung einer Durchschnittstendenz sind folglich von grundlegend unterschiedlicher Natur.439
Aus diesem Grund konstatiert Parsons, einer der Pioniere der Marketingökonomie, in
seiner einschlägigen Arbeit zur Marketingproduktivität: „Traditional productivity is not
a viable managerial concept in marketing. Because they have focused on average
performance, most past empirical studies on productivity are flawed. … All concepts
of efficiency have no unambiguous meaning unless the efficiency frontier is obtained.
Relative efficiency shows more promise than traditional productivity measures as a
managerially useful concept in marketing.”440 Es ist offensichtlich, dass das Versagen
der traditionellen Produktivitätsforschung im Marketing durch das Aufkommen neuer,
verbesserter Methoden überhaupt erst sichtbar geworden ist. Erst die Kenntnis und
die Akzeptanz neuer Methoden lässt Fragen aufkommen, die bisher nicht gestellt
wurden und die die bisherigen Antworten plötzlich als unbefriedigend erscheinen lassen.441 Durch die Brille des bisher dominierenden Regressionsparadigmas betrachtet, stellt sich etwa die Frage nach der Produktivität der besten Einheiten an der
Grenze einer Menge von Realisationen schlichtweg nicht. „Implicit assumptions
436
437
438
439
440
441
Vgl. Büschken (2003), S. 9 f.
Vgl. Donthu/Yoo (1998), S. 99.
Vgl. Boles/Donthu/Lohtia (1995).
Vgl. Bhargava/Kim (1995), S. 215 ff.; Büschken (2003), S. 3.; Donthu/Yoo (1998), S. 99; Doyle/
Green (1991).
Parsons (1994), S. 189.
Vgl. Kuhn (1970), S. 52 f.
137
which come with the technique can limit the questions which are considered worth
asking…, in much the same way that dominant scientific paradigms have been said
to constrain science in general.”442
Insofern kann das Stadium, in dem sich die Forschung zur Marketingproduktivität
derzeit befindet, als „Wissenschaft im Umbruch“ bezeichnet werden. Eine solche
Phase des Umbruchs ist nach der Erkenntnistheorie Kuhns ein deutliches Zeichen
für wissenschaftliche Revolutionen. Diese wird durch zunehmenden Misserfolg beim
wissenschaftlichen „Rätsellösen“ und eine resultierende Unzufriedenheit der scientific community mit tradierten Problemlösungsmustern ausgelöst.443 Die derzeit in der
Managementwissenschaft zu beobachtende zunehmende Anwendung von FrontierModellen neben den etablierten Regressionsverfahren444 deutet auf eine nachlassende Immunität gegen konkurrierende Methoden und Paradigmen hin. Dies könnte
in optimistischer Interpretation als ein beginnender Paradigmenwechsel gedeutet
werden. In der Volkswirtschaftslehre hat das Frontier-Paradigma in einschlägigen
Lehrbüchern zu Methoden der Produktivitätsanalyse schon seit langer Zeit Einzug
gehalten und steht dort gleichberechtigt neben dem ökonometrischen AverageParadigma.445 Gerade dem Marketingkonzept ist das Prinzip inhärent, dass der
Schlüssel zum Unternehmenserfolg darin besteht, Kundenbedürfnisse (mindestens)
so gut wie der beste Wettbewerber zu befriedigen. Daher erscheint nur eine Orientierung an der Marketing-Best-Practice sinnvoll.446
Als Essenz der bisherigen Ausführungen bleibt festzuhalten, dass die Regression als
adäquates Verfahren zur Produktivitätsmessung im Marketing entfällt. Ziel der zu
wählenden Methode muss in jedem Fall darin bestehen, eine Produktionsfunktion auf
Basis der besten Einheiten zu ermitteln. Daher kommen nur Verfahren zur Schätzung von Frontierfunktionen – also DFA, SFA, DEA und FDH - als Alternativenmenge in Betracht. Entsprechend der in diesem Kapitel bisher erarbeiteten Erkenntnisse
wird deutlich, dass sich im Marketing eine Effizienzbestimmung auf Basis nicht parametrischer Randfunktionen als klar überlegen erweist, da sich diese aufgrund der
geringsten axiomatischen Restriktionen am flexibelsten an die empirischen Gegebenheiten komplexer Problemfelder anpassen. Außerdem erlauben sie aufgrund der
separaten Optimierung für jede Einheit Aussagen auf Individualebene, „…thus allowing a better fit to each observation and a better basis for identifying sources of inef-
442
443
444
445
446
Doyle/Green (1994), S. 61.
Vgl. Hunt (1990), S. 2 f.; Kuhn (1970), S. 111-116.
Vgl. den Bücher-Review zur DEA als „managment science tool“ von Luo (2004) sowie Luo/Donthu
(2005); Zhu (2003).
Vgl. die Lehrbücher von Coelli et al. (2005); Färe (1988); Färe/Grosskopf/Lovell (1985); Sengupta
(2000).
Vgl. Parsons (1994), S. 189 f.; Shoham/Fiegenbaum (1999), S. 446.
138
ficiency for each unit.“447 Bestünde das Ziel hingegen darin, das „Produktionsverhalten“ einer ganzen Branche bzw. des Marketing einer Gruppe von Filialen oder Unternehmen zu verstehen, wäre die SFA geeigneter, da sie eine Gesamtoptimierung über alle Beobachtungen vornimmt, um die Ineffizienz zu schätzen. In dieser Arbeit
besteht das Ziel darin, spezifische Ineffizienzen jeder einzelnen Marketingeinheit
aufzudecken und zu eliminieren. Die genannten Punkte legen eine Fokussierung auf
die Gruppe nicht parametrischer Techniken nahe. Die SFA wird beim zusammenfassenden Methodenvergleich dennoch einbezogen, da sie die methodische Besonderheit einer Berücksichtigung stochastischer Einflüsse aufweist.
Die Vor- und Nachteile der drei verbleibenden Methoden SFA, DEA und FDH werden
nun abgewogen, um letztlich eine Entscheidung für das adäquate Verfahren im Marketing zu treffen. Dies muss dabei vor dem Hintergrund der spezifischen Anforderungen im Marketingbereich geschehen, die in Abschnitt B-1.3 herausgearbeitet wurden.
In der folgenden Tabelle wird abgeprüft, inwieweit die drei Verfahren diese Anforderungen erfüllen.
Marketinganforderung
DEA
FDH
SFA
Ganzheitliche Abbildung der
Leistungsprozesse
Ja, Handhabbarkeit multipler Inputs und Outputs durch Aggregation zu virtuellem Input und Output
auf Basis endogener Verknüpfungsfunktionen
Ja (Begründung
wie bei DEA)
Nein, nur eine
abhängige Variable
möglich
Kundenorientierung (d.h. bei
nachfragerorientierten Analysen Integrierbarkeit aller entscheidungsrelevanten Kriterien)
Ja, simultane Integration multipler
Inputs und Outputs
Ja (Begründung
wie bei DEA)
Nein, nur eine
abhängige Variable
möglich
Wettbewerbsorientierung (im
weiteren Sinne Relativierung
der Bewertung an Alternativen)
Ja, Ausweis der relativen Effizienz
durch Vergleich mit Referenzeinheiten
Ja (Begründung
wie bei DEA)
Ja (Begründung
wie bei DEA)
Basiert die Referenzfunktion
nur auf Best-PracticeBeobachtungen?
Ja, nur Realisationen mit maximaler relativer Effizienz bilden die
Referenzfunktion (keine positiven
Abweichungen möglich)
Ja (Begründung
wie bei DEA)
Nein, statistische
Schätzung der
Randfunktion über
alle Einheiten;
diese zeigt theoretische und keine
praktizierte effiziente Technologie an
Berücksichtigung von Differenzierungsmöglichkeiten,
d.h. Zulassen mehrerer erfolgreicher Strategien der
Input-Output-Transformation
Ja, keine A-Priori-Vorgabe fixer
Gewichtungsvektoren und Funktionstypen; endogene (flexible)
Gewichtung der Parameter und
Berücksichtigung unterschiedlicher
Skalenniveaus
Ja (Begründung
wie bei DEA)
Nein, da exogene
Fixierung des
Funktionstyps
notwendig mit
einheitlichen Gewichten
Analysen auf Individualebene
möglich?
Ja, jede Einheit stellt eigenes
Optimierungsproblem dar, d.h.
jede Einheit wird mit allen anderen
im Referenzset verglichen (iteratives Vorgehen im Rahmen linearer
Programmierung)
Ja (Begründung
wie bei DEA)
Nein, es werden
Gewichte einer
durchschnittlichen
Einheit bestimmt,
die für alle Einheiten identisch gelten
447
Chilingerian/Sherman (2004), S. 490.
139
Vergleichbarkeit von untersuchter Marketingeinheit und
Benchmark(s)
Ja, Auswahl individueller Benchmarks mit ähnlichem Input- bzw.
Output-Mix durch radiale Abstandsmessung (Wahl der nächstgelegenen Benchmarks)
Ja (Begründung
wie bei DEA)
Nein, Referenzfunktion basiert auf
Daten aller Beobachtungen
Quantifizierung der Benchmarking-Ergebnisse und der
Handlungsempfehlungen
Ja, die Koordinaten der Referenzeinheiten werden explizit angegeben; durch Verwendung eines
radialen Effizienzmaßes werden
Verbesserungspotenziale bzgl.
jedes Parameters prozentual angegeben
Ja (Begründung
wie bei DEA)
Ja (Begründung
wie bei DEA)
Ausweis realer (diskreter)
Benchmarks
Nein, da Konvexkombinationen
zulässig sind
Ja, wegen Aufgabe des Konvexitätspostulats
Nein (Begründung
wie bei DEA)
Ausschöpfung sämtlicher
Verbesserungspotenziale für
als effizient ausgewiesene
Einheiten
Bedingt, nur in slack-erweiterten
Modellen Ausweis von ParetoKoopmans-Effizienz
Nein, auch dominierte Einheiten
können als effizient ausgewiesen werden
Ja, Ausweis von
Pareto-KoopmansEffizienz
Trennung von operativen
(technischen) und „strategischen“ (größenbedingten)
Ineffizienzen?
Ja, wegen Modellierbarkeit unterschiedlicher Skalenertragsannahmen
Ja (Begründung
wie bei DEA)
Ja (Begründung
wie bei DEA)
Hohe Flexibilität bzgl. Daten
(d.h. keine einheitlich gemessenen Inputs und Outputs und
keine Preise erforderlich)?
Ja
Ja
Ja
Realitätsnähe, Umsetzbarkeit,
Akzeptanz der Ergebnisse
Ja, Bestimmung empirischer statt
theoretisch-hypothetischer Randfunktion
Ja (Begründung
wie bei DEA)
Nein, Vorgabe der
Funktionsform
erfordert Annahmen über den
richtigen (jedoch
unbekannten)
Input-OutputZusammenhang
Eindeutigkeit der Lösung
Ja, Ausweis genau eines Referenzpunktes durch Zulassen von
Konvexkombinationen von Efficient Peers
Nein, aufgrund
Ganzzahligkeitsrestriktion können mehrere
Referenzpunkte
ausgewiesen
werden
Nein, Ausweis
einer Verteilung
von Benchmarks
statt eines Punktes
Ausreichende Diskriminierbarkeit der Einheiten
Bedingt, relativ viele Einheiten
effizient (jedoch viel weniger als
mit FDH)
Nein, sehr viele
Einheiten effizient
Ja, sehr wenige
Einheiten effizient
(deutlich weniger
als mit DEA)
Berücksichtigung von stochastischen Einflüssen
Nein, da deterministisches Verfahren
Nein (Begründung wie bei
DEA)
Ja, durch Zerlegung der Abweichung in Ineffizienz- und Zufallsabweichung
Tabelle 13: Vergleich von DEA, FDH und SFA
Als die zentralen Unterschiede der Verfahren lassen sich folgende festhalten: Die
SFA basiert auf einer vorgegebenen Struktur, da der funktionale Zusammenhang
zwischen den Input- und Outputfaktoren und damit die Verteilungseigenschaften vor-
140
ab spezifiziert werden. Bei ökonometrischen Modellen wie der SFA werden stochastische Einflüsse explizit berücksichtigt, was die Ermittlung von Messfehlern erlaubt. Somit erfordern ökonometrische Modelle Annahmen sowohl über die Verteilung der Zufallsfehler als auch über die der Ineffizienzwerte. Hierdurch wird die Flexibilität des Modells erheblich eingeschränkt. Dies birgt die Gefahr in sich, durch die
Vorgabe unverhältnismäßig restriktiver Funktionsverläufe nachteilige Effizienzbewertungen zu erhalten.448 Bei der DEA und der FDH handelt es sich hingegen um mathematische Programmierungsmodelle, welche den großen Vorteil aufweisen, dass
der Funktionsverlauf der Referenzfunktion a priori nicht festgelegt werden muss.449
Dies erscheint besonders in komplexen Situationen sehr vorteilhaft, in denen Anhaltspunkte über den tatsächlichen Zusammenhang zwischen den Input- und Outputfaktoren fehlen.450 Gerade in Wirkungsprozessen des Marketing, deren Outputs
meist nicht real, sondern intangibler Natur sind, ist in der Regel nicht von bekannten,
formal definierten Beziehungen zwischen Inputs und Outputs auszugehen.
Für diese Flexibilität wird im Gegenzug in Kauf genommen, dass die Berücksichtigung stochastischer Einflüsse nicht möglich ist. Dies stellt höhere Anforderungen an
die Validierung der Ergebnisse, da statistische Tests nicht anwendbar sind.451
Daneben weisen die nicht parametrischen Modelle den Nachteil eines erheblichen
Rechenaufwandes auf, da beispielsweise der DEA-Effizienzwert für jede Entscheidungseinheit durch ein lineares Programm einzeln ermittelt werden muss. Dieses
Problem ist aufgrund der Verfügbarkeit von EDV-Software weitgehend irrelevant geworden.
Die Entscheidung zwischen der Anwendung eines mathematischen Programmierungsmodells wie der DEA und der FDH oder eines ökonometrischen Verfahrens wie
der SFA kann daher als eine Entscheidung zwischen Flexibilität und Struktur verstanden werden.452 Bei Zugrundelegung eines ökonometrischen Modells kann mit
besseren Ergebnissen gerechnet werden, sofern der funktionale Zusammenhang
zwischen den Input- und Outputfaktoren richtig antizipiert wurde.453 Da aber der wahre, theoretisch richtige Produktionszusammenhang in aller Regel und v.a. im Marketing nicht bekannt ist, ist hier eine wesentliche Voraussetzung für die Anwendung
parametrischer Verfahren nicht gegeben. Daher ist im Marketing zur Sicherstellung
einer aussagekräftigen und realistischen Effizienzbewertung ein Verfahren aus der
Gruppe der parametrischen Verfahren zu wählen. Da die Zusammenfassung aller
Vor- und Nachteile von DEA und FDH zeigt, dass die DEA die Marketinganforderun448
449
450
451
452
453
Vgl. Bauer (2002), S. 148.
Vgl. Bauer (1990), S. 39.
Vgl. Schefczyk (1994), S. 151; Triantis (2004), S. 405.
Vgl. Schefczyk (1994), S. 188.
Vgl. Bauer (2002), S. 148 f.
Vgl. Bauer (1990), S. 40.
141
gen besser erfüllt als die FDH, ergibt sich die DEA als die im Marketing zu präferierende Methode der Effizienzmessung. Aufgrund der Nähe zur DEA und basierend
auf der Idee eines methodischen Pluralismus wird die FDH in der empirischen Studie
zur Vertriebseffizienz (vgl. Teil E) jedoch als Alternativmodell zur DEA „getestet“. Daher folgt nach der formalen Darstellung der DEA-Modelle im nächsten Kapitel auch
ein Exkurs zur formalen Beschreibung der FDH.
Im folgenden Kapitel werden die verschiedenen DEA-Grundmodelle sowie deren Erweiterungen formal beschrieben und hergeleitet, bevor dann das Anwendungspotenzial der Methode im Marketing eingehend betrachtet wird.
143
D
Die Data Envelopment Analysis als Methode zur
Analyse der relativen Marketingeffizienz
1.
Die Methodik der DEA
1.1.
Entwicklung, Annahmen und Marketingrelevanz der DEA
Die von Charnes/Cooper/Rhodes entwickelte DEA hat ihr Fundament in der Produktionstheorie und wurde wesentlich von den Arbeiten von Farrell und Shephard geprägt.454 Wie bereits im Überblickskapitel erwähnt, stellt die DEA eine Methode der
mathematischen Programmierung dar. Da es sich nicht um eine statistische Methode
handelt, erlaubt sie, eine empirische Randproduktionsfunktion ohne vorherige Kenntnis des funktionalen Input-Output-Zusammenhangs allein auf Basis der tatsächlich
realisierten Input- und Outputkombinationen beobachteter Decision Making Units
(DMUs) zu bilden. Diese Bezeichnung geht auf Charnes/Cooper/Rhodes zurück und
drückt aus, dass eine DEA für alle Analyseobjekte im privaten und öffentlichen Sektor durchführbar ist, die Entscheidungen bzgl. des Einsatzes von Inputs und Outputs
treffen. Der Begriff beschränkt sich dabei nicht allein auf Organisationen bzw. Organisationseinheiten, die selbst Entscheidungen über den Einsatz von Inputs und Outputs treffen, sondern auch auf alle Arten von sachlichen Objekten, auf die sich solche
Entscheidungen beziehen und die als Input-Output-Strukturen beschrieben werden
können. Die Identifizierung der effizienten DMUs erfolgt, indem jede in die Untersuchung einfließende Entscheidungseinheit mit jeder anderen verglichen wird. Jede
Einheit stellt ein eigenes Optimierungsproblem dar, wodurch Informationen zur relativen Performance jeder einzelnen DMU und nicht einer fiktiven durchschnittlichen
DMU gewonnen werden.455
Der Vergleich der Untersuchungseinheiten kann bei der DEA über alle relevanten
Input- und Outputfaktoren stattfinden, wodurch eine sinnvolle Effizienzbewertung in
praktischen Situationen möglich wird, die durch mehrere Inputs und mehrere Outputs
gekennzeichnet sind. Diese müssen zwar quantifizierbar (messbar) sein, die DEAModelle sind jedoch – mit Ausnahme der additiven Modelle, die hier nicht betrachtet
werden - skaleninvariant. Dies resultiert aus der Verwendung eines äquiproportionalen Effizienzmaßes, mittels dessen für jede DMU eine relative Effizienz als prozentualer Anteil der maximal möglichen Performance ausgewiesen wird. Es erfolgt keine
Interpretation der Effizienzwerte in absoluten Maßeinheiten. Insbesondere ist zu betonen, dass die Inputs und Outputs nicht in Geldeinheiten angegeben werden müssen.
454
455
Vgl. Farrell (1957); Shephard (1953).
Vgl. Charnes/Cooper/Rhodes (1978); Golany et al. (1990), S. 95.
144
Der besondere Vorteil der DEA-Methodik liegt in der Transformation aller Input- und
Outputwerte in ein skalares Performancemaß in Form eines Effizienz-Scores für die
jeweiligen DMUs. Aufgrund der nicht parametrischen Vorgehensweise werden die
Gewichtungen, anhand derer die Inputs und Outputs bewertet und aggregiert werden, für jede DMU individuell berechnet. Auf diese Weise werden die Stärken und
Schwächen jeder Einheit bei der Effizienzbewertung bestmöglich widergespiegelt.
Mit der Methode wird nicht versucht, eine übergreifende Optimierung der Gewichte
für die Menge aller Beobachtungen vorzunehmen und eine statistische Produktionsfunktion zu bestimmen. Dieses Prinzip ermöglicht es, den aktuellen Effizienzwert einer DMU so „wohlwollend“ wie möglich auszuweisen, d.h. zu maximieren.456 Relativ
effizient sind dann jene Einheiten, deren maximales Verhältnis aus gewichteten Outputs und gewichteten Inputs von keiner anderen Einheit dominiert wird.457 Diese
Elemente weisen einen Effizienzwert von 1 auf. Sie sind also im Vergleich zu allen
anderen Einheiten zu 100% effizient und bilden als Efficient Peers die Produktionsgrenze. Jeder dominierten Untersuchungseinheit wird aus dieser Gruppe eine auf die
spezifische Input-Output-Struktur zugeschnittene Referenzeinheit gegenübergestellt.
Der Abstand zum Referenzpunkt drückt dann den Grad der Ineffizienz aus.
Für die Identifikation der Randproduktionsfunktion, deren Verlauf a priori unbekannt
ist, sind lediglich die im Folgenden beschriebenen Annahmen notwendig. Wie bereits
dargelegt wurde, kommen nicht parametrische Methoden und speziell die DEA mit
nur wenigen, schwachen Annahmen aus, die intuitiv einsichtig sind und ökonomischen Modellen üblicherweise zu Grunde liegen. Die Produktionsfunktion wird dann
lediglich unter Berücksichtigung dieser Technologieannahmen allein auf Basis der
empirischen Daten bestimmt. Im Rahmen der DEA werden folgende Eigenschaften
der Referenztechnologie unterstellt.
Ist X die Matrix der beobachteten Inputs und Y die Matrix beobachteter Outputs,
dann wird der Raum der Produktionsmöglichkeiten (Technologie Τ ) beschrieben als:
Τ = {( X ,Y ) | Y ≥ 0 kann erstellt werden aus X ≥ 0}, der wie folgt spezifiziert ist:458
Kein Output ohne Input. Zur Erzeugung von Output bedarf es eines Inputeinsatzes,
wodurch die Existenz eines „Schlaraffenlandes“ ausgeschlossen wird. Das Nichtstun
stellt die einzige zulässige Produktion ohne Input dar. Die Technologiemenge muss
außerdem Aktivitäten mit positivem Output enthalten.
Nicht-Sättigungsannahme: Jeder Output ist zu maximieren, d.h. je mehr, desto besser. Jeder Input ist zu minimieren, d.h. je weniger, desto besser.459
456
457
458
459
Vgl. Charnes/Cooper/Rhodes (1978), S. 430.
Vgl. Charnes et al. (1997a), S. 6.
Vgl. Banker/Charnes/Cooper (1984), S. 1081; Färe/Grosskopf/Lovell (1985), S. 45 ff.
Vgl. Scheel (2000), S. 18.
145
Konvexität: Wenn gilt ( X j ,Y j ) ∈ Τ , j = 1,..., n und alle λ j ≥ 0 sind nicht negative Skalare, dann gilt auch ( ¦ λ j X j , ¦ λ jY j ) ∈ Τ . Diese Annahme besagt, dass alle durch die
j
j
Verbindung mehrerer realer Entscheidungseinheiten entstehenden Input-OutputKombinationen selbst als (virtuelle) Entscheidungseinheiten zur Technologiemenge
gehören. Durch die Annahmen wird festgelegt, dass für die Bestimmung der Effizienz
auch hypothetische Referenzeinheiten in Frage kommen.460
Freie Verschwendbarkeit (Starke Disposabilität): Falls ( X ,Y ) ∈ Τ und X ' ≥ X , dann
gilt ( X ' ,Y ) ∈ Τ . Falls ( X ,Y ) ∈ Τ und Y ' ≤ Y , dann gilt ( X ,Y ' ) ∈ Τ . Ineffiziente Produktionen, die sich durch höhere Inputs und/oder geringere Outputs auszeichnen, gehören stets zur Technologiemenge. Diese Bedingung besagt außerdem, dass bei einer
Erhöhung der Inputs bzw. Verringerung der Outputs das Outputniveau nicht sinken
bzw. der Inputeinsatz nicht steigen darf.461
Konstante Skalenerträge: Falls ( X ,Y ) ∈ Τ , dann gilt (λX , λY ) ∈ Τ für alle λ > 0 . Bei
gleichbleibendem Effizienzniveau führt eine Steigerung bzw. Senkung der Inputs zu
einer proportionalen Steigerung bzw. Senkung des Outputs. Diese Annahme wird
jedoch durch die Weiterentwicklung der DEA zu Modellen mit variablen Skalenerträgen abgeschwächt.462
Abgeschlossenheit und empirische Vollständigkeit: Τ ist die Schnittmenge aller Τ ' ,
welche die vorhergehenden Annahmen erfüllen, und für die gilt, dass sie alle Beobachtungen enthält, d.h. ( X ,Y ) ∈ Τ ist. Es werden also alle Datenpunkte eingehüllt.
Diese wenigen Annahmen stellen geringste axiomatischen Anforderungen an die
Konstruktion des effizienten Randes und erlauben eine flexible Anpassung der Randfunktion an das empirisch beobachtete Produktionsverhalten.
Die DEA ist generell zur Messung der Effizienz jeder Entscheidungseinheit geeignet,
die multiple Inputs einsetzt, um multiple Outputs zu produzieren. Dennoch beschränkte sich ihr Einsatz zunächst im Wesentlichen auf makroökonomische Anwendungsbereiche (d.h. ganze Branchen, Industriezweige, Länder), Institutionen des
Non-Profit-Sektors (Krankenhäuser, Verwaltungsbehörden, Militäreinrichtungen, Bildungseinrichtungen etc.) bzw. bei einzelwirtschaftlichen Untersuchungen auf den
Produktionsbereich. Die große Verbreitung der DEA im öffentlichen Bereich ist durch
die Tatsache erklärbar, dass hier durch das Fehlen eines Marktmechanismus’ eine
effiziente Ressourcenallokation nicht „automatisch“ (durch die invisible hand des
Wettbewerbs) sichergestellt werden kann. Gerade hier ist es besonders nützlich, ein
460
461
462
Vgl. Deprins/Simar/Tulkens (1984), S. 248.
Vgl. Banker/Charnes/Cooper (1984).
Vgl. Schefczyk (1994), S. 159.
146
Effizienzbenchmarking einzusetzen, welches dann als Wettbewerbssurrogat fungiert.463 Durch die Vorgabe der Leistungen ähnlicher Institutionen, die sich durch effiziente Ressourcenverwendung auszeichnen, kann dann ebenso eine disziplinierende
Wirkung erreicht werden. Bei öffentlichen Unternehmen ist zudem eine monetäre
Quantifizierung der Outputs schwer möglich, da die Leistungen unentgeltlich oder
zumindest nicht gegen Marktpreise im Sinne von Knappheitspreisen erbracht werden. Hier erweist sich die DEA als eine geeignete Lösung, da nicht monetäre Größen
problemlos integriert werden können.
Erst später hielt die DEA auch zur Effizienzmessung innerhalb privater Unternehmen
Einzug. Eine Übertragung der Methode auf den Marketingbereich hat bisher nur in
ersten Ansätzen stattgefunden, wobei eine zunehmende Beachtung der DEA sowohl
in der Marketingforschung464 als auch in der Marketingpraxis465 festzustellen ist. Die
Tatsache, dass die DEA im Vergleich zu anderen, zum Teil weniger leistungsfähigen
Verfahren der Marketingforschung bisher unterrepräsentiert ist, dürfte u. a. durch die
produktionsökonomische Herkunft der DEA begründet sein. So erscheinen Begriffe
wie Produktionsprozess oder Produktionsfunktion, die in einem engen Verständnis
eher technische Größen implizieren, im Marketingkontext auf den ersten Blick ungewöhnlich.466
Legt man jedoch den im Rahmen dieser Arbeit verwendeten generischen Produktionsbegriff einer Allgemeinen Produktionstheorie zu Grunde, so zeigt sich, dass das
Marketing ebenso wie der Fertigungsbereich ein Input-Output-System darstellt. Dieses produziert ebenso durch den Einsatz von Inputs (wie etwa Werbe- und Promotionaufwendungen, Außendienstbesuche etc.) Outputs für das Unternehmen i. S. angestrebter tangibler oder intangibler Ergebniswirkungen im Markt (Umsätze, Kundenzufriedenheit, Markenbekanntheit etc.). Überträgt man also die produktionstheoretische Logik auf den Marketingbereich, so können die DMUs einer disaggregierten
Effizienzanalyse aus allen Bereichen des Marketing-Mix stammen. Neben den Marketinginstrumenten kann auf einer aggregierten Ebene, wie in B-3.2.1 beschrieben,
auch die Marketingfunktion bzw. die Marketingorganisation als Ganzes untersucht
werden.
463
464
465
466
Vgl. Baum/Przybilla (2003), S. 219 ff.
Vgl. Backhaus/Wilken (2003), S. 3; Donthu/Hershberger/Osmonbekov (2005); Luo (2004).
Vgl. Norton (1994). So lässt der Einsatz der DEA durch große Unternehmen wie British Airways,
Citibank oder Pizza Hut zur Analyse der Effizienz ihrer operativen Prozesse eine zukünftig häufigere Verwendung in der Praxis erwarten. Als weiterer Indikator für die zunehmende Beachtung
der DEA in der Praxis sei die Tatsache genannt, dass der Autor dieser Schrift die DEA in den letzten beiden Jahren bereits in drei Kooperationsprojekten mit Unternehmen aus der Konsumgüterund Pharmabranche erfolgreich eingesetzt haben. Die DEA diente dabei als Basis für die Entwicklung eines Controllingsystems zur Analyse und Steuerung der Vertriebs-, Promotion- und
Werbeeffizienz.
Vgl. Backhaus/Wilken (2003), S. 3.
147
Anwendungsobjekte
Land
Untersuchungen
Makroökonomische Anwendungsfelder
Bankensektor verschiedener
wirtschaftlich starker Nationen
Skandinavien
Westeuropa und
USA
Berg et al. (1993); Bukh/Berg/Forsund (1995)
Handelssektor
Großbritannien
Athanassopoulos/Ballantine (1995)
Pastor/Perez/Queseda (1997)
Non-Profit-Unternehmen, öffentliche Behörden
Arbeitsämter
Deutschland
Mosley/Schütz/Schmid (2003)
Energieversorgungsunternehmen
USA
Griechenland
Schweden und
Australien
Charnes et al. (1989)
Miliotis (1992)
Finanzämter
Großbritannien
Dyson/Thanassoulis (1988)
Gerichte
Deutschland
Norwegen
USA
Schneider (2004).
Kittelsen/Forsund (1992)
Lewin/Morey/Cook (1982)
Krankenhäuser, Ärzte
USA
Großbritannien
Jordanien
Zhang/Bartels (1998)
Deutschland
Byrnes/Valdmins (1997)
Thanassoulis/Boussofiane/Dyson (1995)
Al-Shammari (1999)
Staat (2000); Staat (2003); Staat/Hammerschmidt
(2000)
Polizeistationen, Polizeitruppen
Militär
Großbritannien
USA
Cubbin/Tzanidakis (1998); Thanassoulis (1995)
Charnes et al. (1985)
Staatliche Sparkassen
Spanien
Deutschland
USA
Grifell-Tatje/Lovell (1997)
Westermann/Pröll/Cantner (1996)
Deprins/Simar/Tulkens (1984)
USA
Großbritannien
Charnes/Cooper/Rhodes (1981); Noulas/Ketkar (1998)
Thanassoulis (1996); Thanassoulis/Dunstan (1994)
Bibliotheken
Deutschland
Reichmann/Sommersguter-Reichmann (2004)
Stadtverwaltungen
Belgien
Großbritannien
Deutschland
De Borger et al. (1994b); De Borger/Kerstens (1996)
Nyhan/Martin (1999); Nyhan/Marlowe (1995)
Baum/Przybilla (2003)
Staatliche Fluggesellschaften
Deutschland
Lateinamerika
Schefczyk (1993)
Charnes/Gallegos/Hongyu (1996)
Universitätslehrstühle
Wirtschaftswissenschaftliche
Fachbereiche
Großbritannien
Beasley (1990)
Deutschland
Backes-Gellner/Zanders (1989)
Postämter
Schulen
Produktions-/Fertigungsprozesse privater Unternehmen
Brauereien
USA
Gießereien
Deutschland
Lewin/Day (1995)
Schefczyk (1994)
Luftfahrtunternehmen
USA
Banker/Johnston (1997)
Maschinenbaufirmen
Deutschland
Bernard/Cantner/Westermann (1993)
Tabelle 14: Klassische DEA-Anwendungsbereiche und ausgewählte Studien 467
Im nächsten Kapitel erfolgt eine Bestandsaufnahme der DEA-Anwendungen im Marketing. Auf Basis identifizierter Forschungslücken soll das Potenzial der DEA zur Un467
Vgl. auch Tavares (2002) für die derzeit umfassendste Bibliografie von Arbeiten zur DEA mit über
1.500 Quellen, von denen etwa die Hälfte Anwendungen sind.
148
terstützung von Marketingentscheidungen anhand dreier eigener Untersuchungen
demonstriert werden. Zuvor erfolgen die formale Darstellung der am weitesten verbreiteten DEA-Modelle, des FDH-Modells, die Darstellung der zentralen Beschränkungen dieser Modelle sowie der daran ansetzenden Weiterentwicklungen.
1.2.
Das DEA-Grundmodell mit konstanten Skalenerträgen
1.2.1.
Formale Herleitung
Die Berechnung der Effizienzkennzahl erfolgt durch die Maximierung des Quotienten
aus der Summe der gewichteten Outputs (sog. aggregierter Output) und der Summe
der gewichteten Inputs (aggregierter Input). Die lässt sich formal wie folgt darstellen:468
s
max h0 =
ur 0 ,v i 0
¦ ur 0 y r 0
r =1
m
¦ v i 0 xi 0
i =1
s
(9)
u.d.N. h j =
¦ ur 0 y rj
r =1
m
≤ 1,
∀j = 1,...,n,
¦ v i 0 xij
i =1
ur 0 ≥ 0;v i 0 ≥ 0; r = 1,...,s; i = 1,...,m.
In die Bestimmung des Effizienzwertes der zu bewertenden Einheit (DMU0) fließen s
mit ur gewichtete Outputs y r ( r = 1,..., s ) und m mit v i gewichtete Inputs x i
( i = 1,..., m ) ein. Ausdruck (9) verdeutlicht das entscheidende Charakteristikum der
DEA, das darin besteht, eine Vielzahl möglicherweise heterogener Input- und Outputfaktoren zu aggregieren und daraus eine einzige Effizienzkennzahl h0 zu bestimmen.
Hierzu müssen keine A-Priori-Vorgaben über die Gewichtung der Faktoren vorgenommen werden. Stattdessen sind die Gewichte ur und v i flexibel und werden endogen, d.h. als Lösung des Programms, bestimmt. Sie werden dabei für jede DMU
so festgelegt, dass deren Effizienzwert maximiert wird. Grafisch bedeutet das Zulassen der für eine DMU bestmöglichen Gewichtungen nichts anderes, als den Abstand
zum Rand zu minimieren. Für die Bestimmung des Effizienzwertes werden daher die
Gewichte verwendet, die eine DMU selbst wählen würde, um sich im besten Licht
erscheinen zu lassen. Diese Best-Case-Philosophie sichert die Ergebnisse gegen
das Argument ab, die ermittelte Ineffizienz sei lediglich durch subjektive, ungünstige
Gewichtungen der Parameter oder durch Verwendung falscher Benchmarks begrün468
Vgl. Charnes/Cooper/Rhodes (1978), S. 430.
149
det. Es wird nur die sicher nachweisbare Ineffizienz bestimmt, weshalb der durch die
DEA berechnete Effizienzwert als obere Grenze zu interpretieren ist.
Der auf diese Weise gebildete Effizienzwert wird mit denen jeder anderen DMU j
( j = 1,..., n ) unter der Nebenbedingung verglichen, dass keine Einheit mit den für
DMU0 optimalen Gewichten einen Effizienzwert von größer als 1 erreicht. Damit wird
der Effizienzwert auf 1 normiert. Alle DMUs, denen es gelingt, über diesen Ansatz
den maximalen Effizienzwert von 1 zu erhalten, werden als relativ effizient bezeichnet. Eine Entscheidungseinheit wird erst dann als ineffizient bewertet, wenn sie bei
jeder denkbaren Gewichtungskombination von einer anderen Realisation oder einer
Kombination von Realisationen dominiert wird. Für solche DMUs lässt sich kein Gewichtungsvektor finden, der diese Einheit relativ effizient werden lässt. Alle ineffizienten Einheiten weisen deshalb im inputorientierten Fall einen Effizienzwert von kleiner
1 auf. Das in (9) angegebene fraktionale Maximierungsproblem wird für alle in die
Analyse einbezogenen DMUs durchlaufen, weshalb die Zahl der Optimierungsprobleme der Anzahl der DMUs entspricht.469
In (9) besteht das Problem, dass sowohl die Zielfunktion als auch die Nebenbedingungen jeweils ein Quotient zweier linearer Aggregationen sind. Dies stellt somit ein
Problem der sog. Quotientenprogrammierung bzw. ein fraktionales Programmierungsproblem dar, welches nicht ohne weiteres lösbar ist.470 Mit Hilfe der sog. Charnes-Cooper-Transformation kann (9) jedoch in ein lineares Programmierungsproblem
(LP) überführt werden. Diese ist mit Hilfe der bekannten Methoden der linearen Optimierung lösbar.471
Die Transformation beinhaltet folgende Schritte: Unter der Annahme, dass alle Inputs
x i und die zugehörigen Gewichte v i größer Null sind, können beide Seiten der NB
m
von (9) mit dem Nenner der NB in Form des aggregierten Inputs ¦ v i 0 xij multipliziert
i =1
werden, ohne die Aussage der NB zu verändern. Dadurch entsteht eine neue, lineare
NB, die als NB 1 in (10) unten dargestellt ist. Weiterhin kann der aggregierte Input
der Zielfunktion von (9) auf eins normiert werden, da eine Verhältniszahl invariant ist,
wenn Zähler und Nenner mit derselben Zahl multipliziert werden. Diese Umformung
wird durch die NB 2 in (10) ausgedrückt. Durch die Normierung des Inputs auf 1 ergibt sich für den Nenner der Zielfunktion (9) der Wert eins, weshalb die neue, lineare
Form der Zielfunktion gleichbedeutend ist mit einer Maximierung des aggregierten
Outputs. Die neue Zielfunktion ist in (10) dargestellt. Die Gewichte µ und ν in (10)
entsprechen dabei den Gewichten u und v . Da die vorgenommene lineare Trans469
470
471
Vgl. Schefczyk (1994), S. 164.
Vgl. Charnes et al. (1997a), S. 41
Vgl. Charnes/Cooper (1962), S. 181 ff.
150
formation reversibel ist, d.h. die optimale Lösung des Programms (9) unverändert
lässt, sind die Werte der Gewichtungsfaktoren und die Zielfunktionswerte der optimalen Lösung in beiden Programmen identisch.
Die beschriebene Linearisierung ergibt das nach seinen Autoren Charnes/Cooper/
Rhodes benannte sog. primale inputorientierte CCR-Modell:
s
max h0 = ¦ µr 0 y r 0
µ ,ν
r0
r =1
i0
s
m
r =1
i =1
u.d.N. ¦ µr 0 y rj − ¦ν i 0 xij ≤ 0,
∀j = 1,...,n,
(10)
m
¦ν i 0 xi 0 = 1,
i =1
µr 0 ≥ 0;ν i 0 ≥ 0; r = 1,..., s; i = 1,..., m.
Wie beschrieben, wird der Wert der Zielfunktion in Form der gewichteten Summe der
Outputmengen gegen einen normierten Input maximiert. Wie NB 1 anzeigt, kann der
aggregierte Output dabei maximal den Wert 1 annehmen, da die Differenz aus aggregiertem Output und Input höchstens Null betragen darf. Für eine effiziente Einheit
nimmt der aggregierte Output somit den Wert 1 an, womit die NB den Wert 0 und die
Zielfunktion einen Wert von 1 annimmt. Die berechneten Multiplikatoren können als
Schattenpreise interpretiert werden, mit denen die Input- und Outputmengen zu multiplizieren sind. Die in NB 1 angegebene Differenz lässt sich dann als „Gewinn“ interpretieren.472
Da mit dem Programm (10) für jede DMU ein optimales System von Multiplikatoren
(Preisen) für gegebene Input/Outputmengen bestimmt wird, wird das lineare Maximierungsproblem der DEA oft als multiplier form bezeichnet. Gelegentlich findet sich
auch die Bezeichnung productivity form, die darauf hinweist, dass hier die klassische
Produktivitätskennzahl bestimmt wird, die den maximal möglichen gewichteten Output für einen gegebenen Input bestimmt. Da die Bestimmung der Effizienzkennzahl
durch einen Vergleich der DMU0 mit allen anderen Beobachtungen erfolgt, entspricht
die Anzahl der Nebenbedingungen in (10) der Zahl der einbezogenen DMUs ( n ).
Eine implizite Randfunktion wird hier jedoch noch nicht ermittelt.
Da gemäß dem Dualitätssatz der linearen Programmierung zu jedem Maximierungsproblem auch ein duales Minimierungsproblem existiert, lässt sich das primale Pro-
472
Vgl. Allen (2002), S. 66 f.
151
gramm (10) entsprechend in ein duales Minimierungsproblem (duales CCR-Modell)
umwandeln:473
min θ 0
Ȝj
n
u.d.N. ¦ λ j y rj ≥ y r 0 ,
j =1
∀r = 1,...,s,
(11)
n
−ș0 xio + ¦ λ j xij ≤ 0,
j =1
∀ i = 1,...,m,
λ j ≥ 0; j = 1,..., n.
Wie Modell (11) zeigt, versucht die Zielfunktion, den gewichteten Input der betrachteten DMU proportional bis an die Effizienzgrenze zu reduzieren.474 Der InputEffizienzfaktor θ sagt dabei aus, dass eine Kombination aus mit λ j gewichteten effizienten Beobachtungen - eine virtuelle DMU - existiert, die mindestens den gleichen
Output erzeugt wie DMU0 (vgl. NB 1) und dafür nur das θ -fache der Inputs von
DMU0 benötigt, wobei θ von 0 bis 1 rangieren kann (vgl. NB 2). Die Skalenniveaufaktoren λ j - auch als duals bezeichnet - zeigen somit an, welche nächstgelegenen,
effizienten Einheiten eine ineffiziente Einheit umhüllen und so das für seine Bewertung relevante Teilstück der Randproduktionsfunktion konstituieren. Da mit den λ j
angegeben wird, welche effizienten Einheiten in welcher Weise linear kombiniert
werden müssen, um die Randfunktion (implizit) zu bilden, findet sich für das duale
Programm (11) auch die Bezeichnung envelopment form.475 Die Faktoren λ j geben
für jede DMU an, mit welchen Anteilen die effizienten Beobachtungen in die (virtuelle) Referenz-DMU eingehen, mit der DMU0 verglichen wird. Dabei bilden jene Effi473
474
475
Vgl. Charnes/Cooper/Rhodes (1978).
Beide linearen Programme gehören zum sog. inputorientierten CCR-Modell der DEA. Die Tatsache, dass es sich beim primalen Programm (3) um ein Maximierungsproblem handelt, darf daher
nicht mit dem Begriff der Outputorientierung verwechselt werden. Inputorientierung liegt immer
dann vor, wenn das Maximum des Effizienzwertes ș auf eins normiert wird und damit alle ineffizienten Einheiten einen ș-Wert von kleiner eins erhalten. Dadurch lässt sich die Ineffizienz in beiden Programmen immer in Inputeinheiten (im Sinne eines „zu viel an Inputs“) ausdrücken. Aus
dem Komplement des Effizienzwertes kann so unmittelbar abgelesen werden, um wie viel Prozent alle Inputs proportional reduziert werden können. Da bei beiden linearen Programmen (3)
und (4) der Effizienzwert auf den Wert 1 normiert ist, wie aus den NB erkennbar ist, handelt es
sich bei beiden um inputorientierte Programme.
Dieser Zusammenhang wird in der Literatur nicht immer klar. So sprechen einige Quellen vom
inputorientierten Modell dann, wenn der aggregierte Input minimiert wird (Schefczyk 1996, S.
171). Dies gilt jedoch immer für eines der beiden linearen Programme. Die Unterscheidung „inputorientiert vs. outputorientiert“ entspricht also nicht der Unterscheidung „primal vs. dual“. Jedes
inputorientierte und jedes outputorientierte DEA-Modell besteht sowohl aus einem primalen als
auch einem dualen Programm.
Vgl. Green/Doyle (1997), S. 67.
152
cient Peers mit λ > 0 das jeweilige Referenzset. Je näher der entsprechende Efficient Peer am Referenzpunkt liegt, desto höher fällt λ j aus, d.h. desto stärker geht j
in die virtuelle DMU ein.
Der Wert θ zeigt an, auf welches Niveau die Inputs unter Beibehaltung des aktuellen
Outputniveaus proportional reduziert werden müssen, um diese auf die Randfunktion
zu projizieren. Er gibt somit Auskunft über den Abstand einer Beobachtung von der
Randfunktion. Beträgt der Wert 1, bedeutet dies, dass die Referenzeinheit 100% der
Inputs von DMU0 benötigt, so dass kein Reduktionspotenzial besteht und DMU0 als
effizient ausgewiesen wird. Ist der Faktor kleiner als 1, also z.B. 0,8, zeigt dies an,
dass eine virtuelle DMU ermittelt werden kann, die den Output von DMU0 bei keinem
Outputfaktor unterschreitet, aber dafür nur 80% von deren Inputs benötigt. Der von
beiden Programmen ausgewiesene Zielfunktionswert entspricht dabei dem Komplement des in B-2.1.5 vorgestellten inputorientierten radialen Effizienzmaßes, welches
den prozentualen Anteil angibt, auf den alle Inputquantitäten proportional reduziert
werden könnten, wenn diese durch die entsprechende Einheit so effizient eingesetzt
würden wie von der Referenzeinheit. Ein Effizienzscore von 80% impliziert einen
Grad der Ineffizienz von ( 1 − θ ) = 20%. Diese Größe ist nun genau das oben vorgestellte inputorientierte radiale Effizienzmaß, welches den Prozentsatz angibt, um den
alle Inputs gesenkt werden müssten, um effizient zu werden. Der Referenzpunkt, auf
den eine ineffiziente Vergleichseinheit projiziert wird, weist für jeden Input i den Wert
ș0 xio auf, der als Input-Zielwert interpretiert werden kann. Die Anzahl der NB entspricht im dualen Programm der Anzahl der Inputs und Outputs ( s + m ).
Die für die Effizienzbewertung von DMU0 dargestellten linearen Programme müssen
für alle n Untersuchungseinheiten gelöst werden. Es ist deutlich geworden, dass
aufgrund der Dualität die optimalen Werte (Effizienzwerte) beider Programme identisch sind. Beide drücken den Anteil der aktuellen Inputeinsätze der DMU0 aus, der
bei der Referenzeinheit ausreicht, um mindestens den Output von DMU0 zu produzieren. Die Bestimmung des Effizienzwertes erfolgt jedoch durch die beiden Programme auf unterschiedliche Weise, weshalb die ausgewiesenen Modellparameter
jeweils eigenständige ökonomische Interpretationen anbieten, die zur Ableitung von
Handlungsempfehlungen nützlich sind.476 Die marketingbezogenen Implikationen der
DEA-Resultate beider Programme werden anhand der empirischen Anwendungen in
Kapitel E-1 bis E-3 verdeutlicht.
Das duale und primale outputorientierte CCR-Modell kann jeweils in Analogie zum
entsprechenden inputorientierten Modell abgeleitet und interpretiert werden.477 Der
476
477
Vgl. Green/Doyle (1997), S. 67.
Bei der Herleitung dieser beiden Modelle aus dem Quotientenprogramm (9) ist nun der virtuelle
Output auf den Wert 1 zu normieren; vgl. Charnes et al. (1997a), S. 42. Bei einem outputorientier-
153
Zielfunktionswert φ0 gibt den Output-Effizienzwert der Vergleichseinheit an, den diese
bei optimaler Bewertung unter Beibehaltung ihres Inputniveaus erreichen kann. Für
eine effiziente Vergleichseinheit nimmt die Zielfunktion weiterhin den Wert 1, für eine
ineffiziente Vergleichseinheit einen Wert größer als 1 an, es gilt nun also 1 ≤ φ0 < ∞ .
Der Wert ( φ0 − 1 ) entspricht nun dem outputorientierten äquiproportionalen Effizienzmaß und drückt aus, um welchen Prozentsatz alle Outputs simultan zu erhöhen sind,
um effizient zu werden. Da eine Outputmaximierung die andere Seite des ökonomischen Prinzips darstellt, wird auf eine formale Herleitung der outputorientierten Modelle hier verzichtet, da diese keine prinzipiellen Unterschiede zum inputorientierten
Modell aufweist.
1.2.2.
Grafische Darstellung der Effizienzmessung mittels DEA im
mehrdimensionalen Fall
Wie das CCR-Modell verwenden alle gängigen DEA-Modelle, die im Rahmen dieser
Arbeit behandelt werden, radiale Effizienzmaße, um den Abstand einer Vergleichseinheit zum effizienten Rand zu messen (diese wurden ausführlich in Abschnitt B2.1.5 oben vorgestellt).478 Daher lassen sich, wie bereits anlässlich der Herleitung
des CCR-Modells diskutiert, alle DEA-Modelle stets in input- und outputorientierte
Modelle unterscheiden. Die Art der Orientierung ist vom Anwender vorher festzulegen und zu begründen. Radiale Effizienzmaße haben den Vorteil, dass ihre Werte
unmittelbar die prozentualen Input- bzw. Output-Verbesserungspotenziale der betrachteten Vergleichseinheit anzeigen.479
Um die mathematischen Zusammenhänge der DEA anschaulich zu machen, wird die
Berechnung dieser beiden Effizienzmaße im Rahmen des CCR-Modells anhand des
Zahlenbeispiels gezeigt, welches auf den mehrdimensionalen Fall erweitert wird. Um
die Bestimmung des inputorientierten radialen Effizienzmaßes zu zeigen, wird zunächst ein inputorientiertes Modell mit zwei Inputs, die auf Output 1 normiert sind,
erläutert. Anschließend wird die Berechnung für den outputorientierten Fall gezeigt,
indem zwei Outputs betrachtet werden, die auf Input 1 normiert sind. Die Normierung
auf den Input bzw. Output entspricht der zu Grunde gelegten Annahme konstanter
478
479
ten Modell ist das Minimum des Effizienzwertes auf 1 normiert. Die Ineffizienz wird dann in Form
der notwendigen simultanen Erhöhung aller Outputs angegeben und entspricht somit dem outputorientierten äquiproportionalen Effizienzmaß.
Die Anwendung eines unorientierten äquiproportionalen Maßes sowie der additiven Effizienzmaße soll hier unterbleiben, da diese nur in spezifischen Modellerweiterungen (multiplikative Modelle, vgl. Charnes et al. 1982; additive Modelle, vgl. Charnes et al. 1985) betrachtet werden, deren
theoretische und praktische Relevanz als gering einzustufen ist.
Vgl. Scheel (2000), S. 89.
154
Skalenerträge, d.h. es wird immer betrachtet, wie viel Input (Output) pro eine Mengeneinheit Output (Input) benötigt (erbracht) wird.
Vergleichseinheit
(Vertriebsteams)
Input 1 (Besuchstouren *100)
Input 2 (abgegebene
Incentives *100)
Output 1 (gewonnene
Neukunden *10)
Output 2 (Umsatz mit
Altkunden in Mio.)
A
4
15
10
7
B
2
12
7
3
C
10
3
10
13
D
8
4
12
26
E
12
6
12
30
F
3
14
15
4
G
5
12
16
14
10
H
9
10
17
I
6
10
19
10
J
9
18
21
28
K
14
19
21
17
Tabelle 15: Erweitertes Zahlengerüst für die fiktiven Marketingeinheiten
Anhand der Betrachtung zweier Inputs bzw. Outputs wird der Vorteil der flexiblen
Gewichtung der Input- bzw. Outputgrößen unmittelbar ersichtlich. Im Falle nur eines
Inputs und Outputs, wie er im vorigen Abschnitt betrachtet wurde, tritt kein Gewichtungsproblem auf, weshalb die Vorzüge der DEA bei der Ermittlung der Parametergewichte hier irrelevant waren, da jeder Parameter logischerweise mit 1 gewichtet
wird. Im Fall zweier Inputs (vgl. Abbildung 16) repräsentiert nun jedes Teilstück der
abschnittsweise linearen Randfunktion eine andere Gewichtung der Inputs, die sich
in jeweils unterschiedlichen Steigungen der Isoquante ausdrücken. Auf diese Weise
können Einheiten, die ganz unterschiedliche Input-Mixes einsetzen, effizient sein. Im
Zahlenbeispiel ist das für vier Einheiten (C, D, F, I) der Fall.
Wäre eine fixe Gewichtung dergestalt vorgegeben worden, dass Input 1 ein hohes
und Input 2 ein niedriges Gewicht erhält, verliefe die Randfunktion linear (etwa wie
die durch Punkt F verlaufende Strich-Punkt-Linie), wodurch die Einheiten C, D, I ineffizient werden würden. Für eine genau gegensätzliche Extrem-Gewichtung wäre nur
Einheit C effizient. Wird beiden Inputs eine ähnliche Wichtigkeit beigemessen, läge
nur Einheit I, die eine ausgewogene Input-Mischung aufweist, auf dem Rand. Durch
die DEA werden hingegen alle denkbaren Gewichtungsmöglichkeiten zugelassen
und bei der Konstruktion der Randfunktion berücksichtigt. Die unterschiedlichen Gewichte der Inputs, die durch das primale Programm ermittelt werden, sind als individuelle „Strategien“ der DMUs interpretierbar. Auf diese Weise wird der gerade im
Marketing wichtigen Prämisse Rechnung getragen, dass mehrere Wege zum Erfolg
existieren.
155
2
1,8
B
1,6
A
Input 2 / Output 1
1,4
VB
1,2
Slack
1
K
F
J
0,8
G
0,6
VH
H
E
I
0,4
D
C
0,2
0
0
0,2
0,4
0,6
0,8
1
1,2
1,4
1,6
Input 1 / Output 1
Abbildung 16: Inputorientierte Ermittlung der Effizienzwerte im
Zwei-Input-Ein-Output-Fall
Alle Input-Output-Kombinationen auf und oberhalb der Randfunktion stellen die Menge an Produktionsmöglichkeiten dar. Die Best-Practice-Funktion, die sich hier als
Isoquante darstellt, ergibt sich durch lineare Verknüpfung der nicht dominierten
DMUs C, D, F und I, die relativ effizient sind.480 Diese DMUs haben einen Effizienzwert von 1, da keine andere DMU ein höheres Output-Input-Verhältnis in beiden Dimensionen aufweist. Sie sind somit Pareto-optimal. Die horizontale und vertikale Verlängerung der Funktion über ihre äußeren Punkte C und F hinaus kann als konservative Approximation ihres weiteren Verlaufs angesehen werden und spiegelt die Annahme der freien Verschwendbarkeit wider.481 Als Referenzmaßstab zur Ermittlung
des Effizienzwertes einer DMU0 wird jene Einheit auf dem effizienten Rand herangezogen, die die Inputs im gleichen Verhältnis (d.h. mit denselben Gewichtungen) einsetzt wie DMU0 und somit strukturell identisch ist. So wird im Rahmen der DEA ausgeschlossen, dass z.B. die ineffiziente Einheit B in Abbildung 16 mit der effizienten
Einheit C verglichen wird, da beide einen ganz unterschiedlichen Input-Output-Mix
aufweisen. Aus der Menge potenzieller Benchmarks werden mittels DEA die „pas480
481
Die Vorgehensweise zur Bestimmung der Randfunktion ist grafisch maximal für Fälle mit 2 Inputs
oder 2 Outputs darstellbar. Die Ausführungen gelten ohne Einschränkung auch für Fälle mit mehreren Inputs und mehreren Outputs. Der effiziente Rand ist dann allerdings eine Hyperebene, die
nur noch analytisch in Form linearer Programme darstellbar ist.
Vgl. Cooper/Seiford/Tone (2000), S. 7.
156
senden“ für die Effizienzbewertung ausgewählt. Somit ist der Einsatz der DEA v.a.
dann empfehlenswert, wenn Marketingeinheiten - prinzipielle Vergleichbarkeit vorausgesetzt - unter unterschiedlichen Bedingungen arbeiten.482
Der Projektionspunkt auf dem Rand wird durch den Schnittpunkt eines aus dem Koordinatenursprung durch DMU0 führenden Fahrstrahls mit der Randfunktion bestimmt. Die Messung des Abstandes einer Vergleichseinheit auf einem Fahrstrahl
verdeutlicht die Anwendung eines radialen Effizienzmaßes.483 Durch ein radiales
Maß wird sichergestellt, dass die vorgeschlagenen Inputreduktionen proportional
sind. Das Verhältnis der Inputs zueinander bleibt also unverändert, da dessen Festlegung Gegenstand strategischer Entscheidungen der DMU ist, die im Rahmen der
DEA als vorgegeben betrachtet werden. Grafisch bedeutet dies, den nächstgelegenen Benchmark auf dem Rand auszuweisen, der somit am besten vergleichbar ist.
Auf diese Weise wird sichergestellt, dass nicht „Äpfel mit Birnen“ verglichen werden.
Referenzpunkt ist derjenige, der von Einheit ohne eine Veränderung der grundlegenden Strategie der Inputtransformation und somit am einfachsten erreicht werden
kann.
Wie in Abschnitt C-2.2.2.1 dargestellt, wird dieser Referenzpunkt entweder durch
eine beobachtete oder eine konvex kombinierte virtuelle Referenzeinheit gebildet.
Die Referenzeinheit setzt zur Produktion des gleichen Outputlevels bei beiden Inputs
geringere Mengen ein.484 Das Zulassen von konvexen Kombinationen von Efficient
Peers als Benchmarks schränkt die Realitätsnähe und Anwendbarkeit eines DEAModells kaum ein, da nur die nächstgelegenen effizienten DMUs zur Konstruktion
herangezogen werden.485 Die DEA stellt einen quantitativen Algorithmus bereit, der
die Bestimmung des adäquaten Benchmarks ohne Verwendung exogener Vorgaben
oder Informationen durch den Anwender erlaubt. Dadurch wird vermieden, dass Einheiten miteinander verglichen werden, die strukturell nicht vergleichbar sind.
Die Inputwerte der Referenztechnologie dienen als Zielvorgaben (Targets) für die
ineffiziente Vergleichseinheit.486 Alle effizienten Beobachtungen bilden zunächst das
potenzielle Referenzgruppe der ineffizienten DMU. Welche Einheiten dieser Gruppe
für das Benchmarking der DMU0 in welchem Maße herangezogen werden, entscheidet sich über die Nähe einer effizienten Beobachtung zur DMU0, aus der sich die λ Gewichte ergeben. Abbildung 16 verdeutlicht die Ausführungen zum dualen Programm. Sie zeigt, durch welche Beobachtungen das für eine ineffiziente DMU relevante Teilstück der Umhüllenden aufgespannt wird. Für H sind dies die Einheiten D
482
483
484
485
486
Vgl. Boles/Donthu/Lohtia (1995).
Vgl. Allen (2002), S. 51; Cantner/Hanusch (1998), S. 230. Diese Aussage bezieht sich auf den
Fall mehrerer Inputs.
Vgl. Charnes et al. (1997a), S. 6.
Vgl. Bauer/Staat/Hammerschmidt (2000), S. 14.
Vgl. Allen (2002), S. 50.
157
und I, die den virtuellen Benchmark VH bilden. Mit welchem Anteil diese in den
Benchmark eingehen, lässt sich unmittelbar aus dessen Lage auf dem Teilstück zwischen D und I ablesen. Aus Abbildung 16 ergeben sich diese mit λD = 0,3 und λI =
0,7. Der Wert für λI ist höher, weil I deutlich näher an VH liegt (ähnlicher zu H ist) als
D. Der inputorientierte Effizienzwert für H bestimmt sich grafisch durch das Streckenverhältnis 0VH / 0H , welches in etwa 0,8 beträgt. Für E liegt auf dem Schnittpunkt
des Fahrstrahls mit dem Rand hingegen eine echte Realisation (Einheit D), deren
Konzept von E direkt zu imitieren wäre.
Die Effizienzmessung anhand eines Vergleiches mit einer Referenz-DMU erlaubt es,
nicht nur das Ausmaß der Ineffizienz durch Bestimmung des Abstandes zum Rand
zu erkennen, sondern auch deren Quellen in Form der Verbesserungsmöglichkeiten
bei jedem Input und Output zu bestimmen. Dabei zeigen die DEA-Ergebnisse tatsächlich realisierbare Verbesserungspotenziale auf, da als Referenzmaßstäbe die
Leistungen von ähnlichen, effizienten DMUs herangezogen werden.487 Durch die Bestimmung der Effizienzwerte und Referenzpunkte lassen sich in der Folge noch weitere Erkenntnisse ableiten. So kann eine Segmentierung der Beobachtungspunkte
erfolgen, indem die DMUs, welche auf die gleichen Efficient Peers projiziert werden,
zu einem Segment ähnlicher Effizienzstrategien zusammengefasst werden.488 So
ließe sich für das Segment der beispielhaften Vertriebsteams, die durch F und I gebenchmarkt werden, tendenziell eine „Hard-Selling-Strategie“ erkennen, indem versucht wird, durch hohen Einsatz von Input 2 – d.h. starke Incentivegewährung durch
Aktionsprodukte, Gratisabgaben – einen hohen Output zu generieren. Es kann auch
vorkommen, dass man auf Untersuchungseinheiten des effizienten Randes stößt, die
für keine andere DMU als Referenzpunkt dienen (Punkt C in Abbildung 16). Diese
sog. Self Evaluators verfolgen eine individuelle Strategie – für das Beispiel interpretierbar als personalintensive „Kundennähe-Strategie“ aufgrund vieler Kundenbesuche - die mit keiner anderen DMU vergleichbar ist.489 Sie stellen daher ein eigenes
Segment dar.
Die Anwendung des CCR-Modells soll anhand des Zahlenbeispiels verdeutlicht werden. Die Tabelle 16 zeigt die Ergebnisse des primalen und dualen Programms des
inputorientierten Modells. Die identischen Effizienzwerte beider Programme belegen
die Dualität der DEA-Modelle. Dies bedeutet, dass beide Vorgehensweisen zu gleichen Effizienzergebnissen führen: Es ist somit unerheblich, ob der Effizienzwert
durch den Abstand zum Umhüllungspunkt gemessen oder durch Einsetzen der Gewichte ermittelt wird.
487
488
489
Vgl. Bürkle (1997), S. 30.
Vgl. Bauer/Hammerschmidt/Staat (2002), S. 10.
Vgl. Cummins/Zi (1998), S. 139.
158
DMU
Primales Modell
Duales Modell
j
h0
ν1
ν2
µ1
θ0
A
0,473
0,1
0,03
0,1
0,473
B
0,7
0,5
0
0,14
0,7
C
1
0
0,33
0,1
1
λC = 1
D
1
0,05
0,15
0,08
1
λD = 1
E
0,667
0,04
0,08
0,08
0,667
λD = 1
λF = 1
λj
λF = 0,46 λI = 0,17
λF = 0,47
F
1,0
0,3
0,01
0,07
1
G
0,885
0,12
0,03
0,06
0,885
λF = 0,36 λI = 0,56
H
0,796
0,04
0,07
0,06
0,796
λD = 0,43 λI = 0,63
λI = 1
I
1
0,07
0,06
0,05
1
J
0,692
0,07
0,02
0,05
0,692
λF = 0,23 λI = 0,92
K
0,681
0,03
0,05
0,05
0,681
λD = 0,36 λI = 0,87
Tabelle 16: Ergebnisse des primalen und dualen inputorientierten CCR-Modells
Für Vergleichseinheit H werden im Folgenden die LPs beider inputorientierter CCRModelle dargestellt, um so abschließend die konkrete Vorgehensweise der Ermittlung der Ergebnisvariablen dieser beiden Modelle anschaulich zu machen. Die Multiplikatoren ν 1 , ν 2 und µ1 ermitteln sich durch das primale LP:
max hH = 17 µ1
µ ,ν
u.d.N. 10 µ1 – ( 4ν 1 + 15ν 2 ) ” 0
7 µ1 – ( 2ν 1 + 12ν 2 ) ” 0
10 µ1 – (10ν 1 + 3ν 2 ) ” 0
12 µ1 – ( 8ν 1 + 4ν 2 ) ” 0
12 µ1 – (12ν 1 + 6ν 2 ) ” 0
15 µ1 – ( 3ν 1 + 14ν 2 ) ” 0
16 µ1 – ( 5ν 1 + 12ν 2 ) ” 0
17 µ1 – ( 9ν 1 + 10ν 2 ) ” 0
19 µ1 – ( 6ν 1 + 10ν 2 ) ” 0
21 µ1 – ( 9ν 1 + 18ν 2 ) ” 0
21 µ1 – (14ν 1 + 19ν 2 ) ” 0
X H = 9ν 1 + 10ν 2 = 1
ν1 , ν 2 • 0
µ1 • 0
159
Die Zahl der NB entspricht der Anzahl der DMUs zuzüglich der Inputnormierungsbedingung und der üblichen Nichtnegativitätsbedingungen. Da z.B. Einheit K die Inputs
in einem ungefähr ausgewogenen Verhältnis einsetzt, sind die beiden InputGewichte ähnlich hoch, wie Tabelle 16 zeigt. Die Gewichte entsprechen der Steigung
der Isoquante. Je höher die Gewichte ν 1 , desto steiler verläuft die Randfunktion und
desto überlegener ist eine Einheit bzgl. Input 1. Das duale LP bestimmt anschließend
die Benchmarkanteile λ j :
min θH
λ
u.d.N. 10 λA +7 λ B +10 λC +12 λD +12 λE +15 λF +16 λG +17 λH +19 λI +21 λJ +21 λK • 17
4 λA +2 λB +10 λC +8 λD +12 λE +3 λF +5 λG +9 λH +6 λI +9 λJ +14 λK -9 θ H ” 0
15 λA +12 λB +3 λC +4 λD +6 λE +14 λF +12 λG +10 λH +10 λI +18 λJ +19 λK -10 θ H ” 0
λ j ≥ 0 ; j = A, ..., K
Die Nebenbedingungen des dualen Programms entsprechen der Anzahl der Inputs
und Outputs zuzüglich Nichtnegativitätsbedingung.490 Wie Tabelle 16 zeigt, bildet
Einheit I, da sie ähnlich ausgewogene Gewichtungen wie K aufweist, zum größten
Teil den Benchmark für K. Insofern wird die Dualität der Lösungen der beiden Programme deutlich.
Abbildung 17 zeigt nun ein outputorientiertes Modell unter Verwendung der zwei
Outputs des Zahlenbeispiels, die auf den Input 1 normiert sind. Der Effizienzwert für
H lässt sich nun durch das Verhältnis der Entfernungen von H und VH vom Ursprung
bestimmen. Er beträgt somit 0VH / 0H = 2,04. Wie auch grafisch erkennbar ist, beträgt der Effizienzwert der Frontier-DMUs weiterhin 1, ineffiziente Einheiten erhalten
im outputorientierten Modell einen Score von größer 1. Dem Effizienzwert entsprechend müsste H, um auf die Effizienzgrenze zu gelangen, beide Outputs bei konstantem Input um 104% steigern.
490
Wie ersichtlich ist, entsprechen die ermittelten λ -Werte für H, die in Tabelle 16 angegeben sind,
nicht denen, die aus der Abbildung 16 oben abzulesen sind. Dies ist durch die Normierung auf eine Einheit Output begründet. Um zu berücksichtigen, dass sich die Referenzeinheiten, mit denen
H verglichen wird, auf anderen Outputniveaus bewegen, müssen die Anteile λ aus Abbildung 16
noch auf das Outputniveau von H angepasst werden, um die unnormierten λ zu erhalten, die in
Tabelle 16 ausgegeben sind. So produziert Einheit I auf einem Outputlevel von 19, d.h. auf 89,5%
des Niveaus von H (17). Daher ist der Benchmarkanteil von 0,7 von I mit dem Skalenniveaufaktor
0,895 zu multiplizieren. Daraus ergibt sich der in der Tabelle angegebene λ -Wert von 0,63, der
notwendig ist, um die unnormierten Input-Targets für H zu erhalten. Referenzeinheit D produziert
hingegen auf einem geringeren Outputlevel (12), weshalb der λ -Wert aus Abbildung 16 auf das
Niveau 1,417 skaliert werden muss. Als unnormiertes λ ergibt sich 1,417*0,30=0,43. Da sich
hingegen E und deren Benchmark D auf dem gleichen Outputniveau bewegen (nämlich 12), wird
auch in Tabelle 16 für D ein Wert von 1 ausgewiesen.
160
4
3,5
VE
D
J
Output 2 / Input 1
3
Slack
2,5
G
E
VH
2
A
1,5
C
I
K
1
B
F
H
0,5
0
0
0,5
1
1,5
2
2,5
3
3,5
4
4,5
5
5,5
Output 1 / Input 1
Abbildung 17: Outputorientierte Ermittlung der Effizienzwerte im
Ein-Input-Zwei-Output-Fall
Um eine einheitliche Notation der Effizienzwerte zu gewährleisten, die üblicherweise
inputorientiert ausgedrückt werden und damit einen Wertebereich zwischen 0 und 1
aufweisen, wird in der Literatur bei outputorientierten Modellen oft der Reziprokwert
des Effizienzwertes verwendet.491 Für H ergäbe sich damit ein Score von 0,49. Es ist
letztlich jedoch immer vom Analyseziel abhängig, welche Notation aus Sicht der Interpretierbarkeit und für die Ableitung von Managementimplikationen zu bevorzugen
ist. Besteht im Vertrieb etwa der Fokus in einer Identifikation von Ressourceneinsparpotenzialen, so ist zweifellos eine inputorientierte Berechnung des Effizienzwertes zu bevorzugen. Sollen hingegen die bei effizientem Ressourceneinsatz erreichbaren Umsatzniveaus ermittelt werden, um ambitionierte Zielvorgaben für die Vertriebsteams abzuleiten, ist eine Outputorientierung zu wählen.
Da eine proportionale Erhöhung der Outputs bei H ausreicht, um den Benchmark zu
erreichen, weist H lediglich radiale Ineffizienz auf, nach deren Beseitigung H ParetoKoopmans-effizient wäre. Anders stellt sich dies bei Punkt E dar, der nach Erlangung
radialer Effizienz durch Erreichen des Randes bei Output 1 noch zusätzliche nicht
radiale Ineffizienzen aufweist, die durch den Slack in Höhe 2,4 angezeigt werden.
Die gleiche Situation liegt für B im inputorientierten Modell vor. VE ist daher nicht der
Referenzpunkt für E, da bei Output 1 eine Verbesserung möglich ist, ohne sich bei
dem anderen Output zu verschlechtern. Der Projektionspunkt VE auf dem Rand wird
491
Vgl. Cooper/Seiford/Tone (2000), S. 9 ff.
161
immer noch dominiert, und zwar durch D. Erst wenn Output 1 nach der proportionalen Erhöhung um 30% (Effizienzwert für E: 1,30) noch um weitere 2,4 Einheiten gesteigert wird, ist E Pareto-Koopmans-effizient und erreicht Punkt D, der als Benchmark für E fungiert. Die Eliminierung nicht radialer Ineffizienzen macht eine Änderung
des Output-Mixes erforderlich.492
Äquiproportionale Effizienzmaße weisen also das Problem auf, nur Ineffizienzen zu
indizieren, die für alle Inputs bzw. Outputs gleichzeitig bestehen, nicht aber Änderungen am Input- oder Output-Mix.493 Sie berücksichtigen daher keine Verbesserungsmöglichkeiten bzgl. einzelner Parameter, die über die simultan möglichen Verbesserungen hinausgehen. Da der Ausweis einer radialen Effizienz dann kein Indikator für
Pareto-Koopmans-Effizienz ist, werden DMUs wie E oder B als schwach effizient bezeichnet.494 Für ineffiziente Einheiten, denen eine solch schwach effiziente Einheit
gegenübergestellt wird, hat dies zur Folge, dass nur ein Teil ihrer Ineffizienz identifiziert wird. Die Slacks sind hier zum proportionalen Reduktionspotenzial zu addieren.
Der Ausweis von Slacks folgt somit der Logik der additiven Effizienzmessung und
gibt die Verbesserungen in absoluten Skaleneinheiten an. Die maximale mögliche
Verbesserung der Einheit E bei Output 1 würde also durch die Summe aus maximaler radialer Verbesserung (d.h. Erhöhung um 3,6 Einheiten) und zusätzlicher nicht
radialer Erhöhung um 2,4 Mengeneinheiten angegeben. Slack-erweiterte DEAModelle verknüpfen radiale und additive Effizienzmaße und weisen damit immer Pareto-Koopmans-Effizienz aus.495 Da für eine Pareto-Koopmans-effiziente (stark effiziente) Vergleichseinheit keinerlei Verbesserungen möglich sind, beträgt ihr Effizienzwert stets 1 und ihre Slacks sind gleich Null. Das slack-erweiterte CCR-Modell
wird nun formal dargestellt.
1.2.3.
Das slack-erweiterte DEA-Grundmodell
Wie oben grafisch dargestellt, werden durch das bisher betrachtete Effizienzmaß zusätzlichen Leistungslücken in Form nicht radialer Verbesserungspotenziale nicht
ausgewiesen. Dies ist aus den ≥ -Zeichen der NB in den bisherigen Modellen erkennbar, welche Fälle zulassen, in denen bei Erreichen der optimalen Lösung nur ein
Teil der Nebenbedingungen mit Gleichheit erfüllt ist. Nicht mit Gleichheit erfüllte
Restriktionen wären so zu interpretieren, dass bei den zugehörigen Input- und/oder
Output-Parametern selbst nach Erreichen des effizienten Randes noch zusätzliche
492
493
494
495
Vgl. Cooper/Seiford/Tone (2000), S. 10 f.
Vgl. Scheel (2000), S. 91.
Vgl. Dyckhoff/Gilles (2004), S. 771.
Vgl. Allen (2002), S. 51.
162
überproportionale Verbesserungen notwendig sind, um den (virtuellen) Referenzpunkt zu erreichen.
Durch eine Erweiterung von (11) um Schlupfvariablen (Input-Slacks s − bzw. OutputSlacks s + ) kann ein slack-erweiterter Effizienzscore bestimmt werden. Hierdurch
können solche „excess inputs“ bzw. “output shortfalls” separat aufgedeckt werden.
Liegen positive Slacks vor, müssen die Slack-Werte zu den radialen Verbesserungen
addiert werden, um die Zielwerte für die Inputs bzw. Outputs zu bestimmen, die erreicht werden müssen, um vollständig („stark“) effizient zu werden.
Das slack-erweiterte duale CCR-Modell ergibt sich als:496
m
s
min θ 0 − κ §¨ ¦ sr+ + ¦ si− ·¸
i =1
¹
© r =1
λ j ,s r+, s i−
n
u.d.N. ¦ λ j y rj − sr+ = y r 0 ,
j =1
∀r = 1,..., s,
(12)
n
−θ0 xi 0 + ¦ λ j xij + si− = 0,
j =1
∀i = 1,..., m,
λ j ≥ 0; sr+ ≥ 0; sr− ≥ 0; j = 1,..., n.
Dabei ist κ > 0 eine Zahl kleiner als jede positive reelle Zahl (sog. nicht archimedische Konstante). Sie verhindert, dass Teile der Randfunktion so wie in Abbildung 11
eine Steigung von 0 oder unendlich aufweisen. Durch Einführung der Slacks werden
nun auch jene Ineffizienzen ausgewiesen, die sich nicht durch eine radiale Variation
der Parameter bis zum Erreichen der Frontierfunktion abbauen lassen und somit
nicht allein durch die Variable θ erfassbar sind. Gleichung (12) stellt daher das vollständige DEA-Basismodell dar. Eine Einheit ist nun genau dann stark effizient, wenn
gilt: θ ∗ = 1 und für alle Slacks sr+ ∗ = si−∗ = 0 . Eine Einheit, die zwar einen Effizienzwert
θ = 1, aber bei mindestens einer Variablen s einen positiven Wert annimmt, ist nur
schwach effizient. Wird nun das slack-erweiterte Modell auf das Zahlenbeispiel angewendet, so ändern sich die Ergebnisse der beiden oben dargestellten inputorientierten Programme nur dadurch, dass für DMU B zusätzlich ein Slack in Höhe von
1,87 ausgewiesen wird.
496
Vgl. Charnes/Cooper/Rhodes (1978), S. 433 ff.; Schefczyk (1996), S. 171.
163
1.3.
Das DEA-Grundmodell mit variablen Skalenerträgen
Die bisher dargestellten CCR-Modellvarianten unterstellen konstante Skalenerträge
der Randproduktionsfunktion. Hierbei werden technische und Skaleneffizienz simultan bewertet und gemeinsam durch den Effizienzscore ausgedrückt. Auf diese Weise
ist keine Separation der beiden Arten von Effizienz möglich. Ein Abweichen von der
höchsten Produktivität kann auf technische Ineffizienz und/oder auf eine suboptimale
Betriebsgröße zurückzuführen sein. Wie oben bereits angesprochen, operieren
DMUs insbesondere im Marketing, aufgrund von Sättigungs- und Wear-out-Effekten,
oftmals unter der Bedingung variabler (i.d.R. abnehmender) Grenzerträge. Es lassen
sich dann für verschiedene Skalenniveaus (Inputvolumina) jeweils Best-PracticeBeobachtungen finden. Zunächst ist dabei die Art der vorliegenden Skalenerträge
der untersuchten Produktionstechnologie zu identifizieren. Hierfür kann, wie bereits
ausgeführt, die Summe der durch das duale CCR-Modell berechneten λ j - Werte
herangezogen werden. Diese Summe zeigt an, ob die Produktionseinheiten eine optimale Größe aufweisen. Dies ist der Fall, wenn die λ j - Summe des CCR-Modells
n
genau den Wert 1 aufweist. Alle anderen Fälle weisen die ¦ λ j - fache Größe der opj =1
n
timalen Referenzeinheit auf und sind damit entweder zu groß ( ¦ λ j > 1 ) oder zu klein
j =1
n
( ¦ λ j < 1).497
j =1
Die Erweiterung des CCR-Modells um variable Skalenerträge nehmen Banker/Charnes/Cooper mit dem nach ihnen benannten BCC-Modell vor. Variable Skalenerträge werden modelliert, indem an die λ j -Werte nicht nur die Bedingung der
Nichtnegativität gestellt wird, sondern das Programm (12) um die Nebenbedingung
n
498
¦ λ j = 1 erweitert wird. Auf diese Weise wird bei der Effizienzbewertung automaj =1
tisch sichergestellt, dass nur noch Einheiten mit gleichem Skalenvolumen verglichen
werden, womit evtl. Skaleneffekte aus dem Effizienzwert herausgerechnet werden.
n
Dabei lassen sich auch die Unterfälle nicht abnehmender Skalenerträge ( ¦ λ j ≤ 1)
j =1
n
bzw. nicht zunehmender Skalenerträge ( ¦ λ j ≥ 1) modellieren.499
j =1
Für den Fall variabler Skalenerträge ergibt sich das duale BCC-Modell wie folgt:500
497
498
499
500
Vgl. Banker/Chang/Cooper (1996); Zhu (2000).
Vgl. Banker/Charnes/Cooper (1984), S. 1083 ff.
Vgl. Cantner/Hanusch (1998), S. 234.
Vgl. Banker/Charnes/Cooper (1984), S. 1083 ff.
164
m
s
min θ0 − κ §¨ ¦ sr+ + ¦ si− ·¸
i =1
© r =1
¹
λ j ,s r+, s i−
n
u.d.N. ¦ λ j y rj − sr+ = y r 0 ,
j =1
(13)
n
∀r = 1,..., s,
−θ o xi 0 + ¦ λ j xij + si− = 0,
j =1
∀i = 1,..., m,
n
¦ λ j = 1,
j =1
λ j ≥ 0; sr+ ≥ 0; sr− ≥ 0; j = 1,..., n.
Der Unterschied zum dualen CCR-Modell (12) liegt also in der dritten Nebenbedingung. Diese verlangt, dass die Summe der Skalenniveaufaktoren λ j (d.h. die Summe der Gewichte jener DMUs, die eine Linearkombination bilden) den Wert eins annimmt, wodurch eine abschnittsweise lineare Randfunktion entsteht.501 Einer DMU
können im BCC-Modell somit keine Vielfachen oder Bruchteile einer effizienten DMU
gegenübergestellt werden, sondern nur noch gewichtete Summen von Efficient
Peers. Auch das BCC-Modell wird nun auf das Zahlenbeispiel angewendet. Die Ergebnisse der beiden inputorientierten Modelle sind in Tabelle 17 dargestellt. Da im
BCC-Modell Abweichungen vom optimalen Wirkungsverhältnis zwischen Inputs und
Outputs (gegeben durch die CCR-effizienten Einheiten) nicht mehr als Ineffizienzen
interpretiert werden, sind nun auch die DMUs B und J und somit insgesamt 6 Einheiten effizient.
Der ausgewiesene BCC-Effizienzwert ist um Skalenineffizienzen bereinigt und ermittelt somit die rein technische, nicht jedoch die größenbedingte Ineffizienz. Bei Vorliegen von Skalenineffizienzen weist das CCR-Modell somit stets geringere Effizienzwerte aus als das BCC-Modell.502 Dies trifft für Einheiten A, B, G, H, J und K zu, wie
ein Vergleich von Tabelle 16 und Tabelle 17 zeigt. Falls Vergleichseinheiten ihr Inputniveau (ihre „Größe“) kurzfristig nicht beeinflussen können, ist diese Form der
Analyse besonders nützlich.503
501
502
503
Vgl. Banker/Natarajan (2004), S. 303.
Vgl. Cooper/Seiford/Tone (2000), S. 87.
Vgl. Alpar et al. (2000), S. 479.
165
DMU
Primales Modell
Duales Modell
λj
j
h0
ν1
ν2
µ1
θ0
A
0,762
0,08
0,05
0,1
0,762
B
1
0,5
0
0,14
1
λB = 1
C
1
0
0,33
0,1
1
λC = 1
D
1
0,07
0,12
0,08
1
λD = 1
E
0,667
0,05
0,07
0,08
0,667
λD = 1
F
1
0,33
0
0,07
1
λF = 1
G
0,932
0,09
0,05
0,06
0,932
λB = 0,18 λF = 0,2
λI = 0,62
H
0,829
0
0,1
0,06
0,829
λD = 0,29 λI = 0,71
I
1
0,07
0,06
0,05
1
λI = 1
J
1
0,11
0
0,05
1
λJ = 1
K
0,947
0
0,05
0,05
0,947
λJ = 1
Slacks
λB = 0,74 λD = 0,01
λI = 0,25
s1− = 0,89
s1− = 4,26
Tabelle 17: Ergebnisse des primalen und dualen inputorientierten BCC-Modells
Ein Vergleich der CCR- mit den BCC-Effizienzwerten erbringt Aufschlüsse darüber,
ob Skalenineffizienzen vorliegen. Die Summe der λ j -Werte des dualen CCR-Modells
informiert zunächst über die Art der Skalenineffizienzen, gibt also an, inwieweit eine
Beobachtung von der optimalen Größe abweicht. Die Betrachtung des Verhältnisses
beider Scores
(14)
δ0 =
θ0
BCC
θ0
CCR
erlaubt zudem die Quantifizierung der Skalenineffizienz einer Beobachtung.504 Ist das
Verhältnis gleich 1, ist die Beobachtung skaleneffizient, andernfalls skalenineffizient.
Der Faktor gibt an, um wie viel Prozent die Inputs zu reduzieren sind, damit neben
der technischen Ineffizienz auch die Skalenineffizienz beseitigt wird und die Einheit
mit derselben Durchschnittsproduktivität produziert wie die größenoptimale Referenzeinheit.
504
Vgl. Banker (1984), S. 38 ff.
166
1.4.
Exkurs: Formale Darstellung des FDH-Modells
Nach Darstellung der DEA-Grundmodelle wird, wie oben bereits begründet, auch das
FDH-Modell kurz formal eingeführt, nachdem die Vorgehensweise der FDH grafisch
bereits in Abschnitt C-2.2.2.2 vermittelt wurde. Der Unterschied zum Programmierungsmodell der DEA ergibt sich durch das Hinzufügen der zusätzlichen Nebenbedingung λ j ∈ {0;1} in das duale inputorientierte Programm. Daraus resultiert ein gemischt ganzzahliges Optimierungsproblem:505
min θ 0
λj
n
u.d.N. ¦ λ j y rj ≥ y r 0 , ∀r = 1,..., s,
j =1
n
−θ o x i 0 + ¦ λ j x ij ≤ 0, ∀i = 1,..., m,
j =1
(15)
n
¦ λ j = 1,
j =1
λ j ∈ {0;1},
j = 1,..., n.
Der Vektor λ enthält nun nur noch bivalente Gewichtungsfaktoren. Durch die Beschränkung auf die Werte 0 oder 1 ist eine Effizienzmessung auf Basis von Linearkombinationen effizienter Entscheidungseinheiten ausgeschlossen und die Nichtn
Konvexität der Referenztechnologie sichergestellt. Aus der Nebenbedingung ¦ λ j = 1
j =1
wird ersichtlich, dass es sich um ein Modell mit variablen Skalenerträgen handelt.
Aufgrund der geforderten Ganzzahligkeit der Gewichtungsfaktoren ist dieses Programm nicht über den allgemeingültigen Algorithmus linearer Programme, wie im
Falle der DEA, lösbar. Der angewandte Lösungsalgorithmus basiert auf der Logik der
paarweisen Vektordominanz und erfordert ein zweistufiges Vorgehen, welches sich
im inputorientierten Fall wie folgt darstellt:506
Auf der ersten Stufe erfolgt die Bestimmung der Menge der für die zu untersuchende
DMU0 dominanten Einheiten D(I0 ) , welche die Werte für DMU0 selbst und die Werte
( xh , y h ) enthält, welche die Beobachtungen ( x0 , y 0 ) schwach dominieren. Im input505
506
Vgl. Tulkens (1993), S. 187.
Vgl. Bauer (2002), S. 134 f.; Tulkens (1993), S. 189 ff.
167
orientierten Modell ist dies die Menge der Vektoren ( xh , y h ) für die gilt: xih ≤ xi 0 für
Inputs i = 1,..., m , wobei mindestens ein Inputfaktor i strikt kleiner ist und weiterhin
y rh ≥ y r 0 für Outputs r = 1,..., s erfüllt ist.
Auf der zweiten Stufe wird der Effizienzwert θ 0 berechnet, der sich durch den folgenden Algorithmus ergibt:
(16)
­ xid ½
¾
¯ xi 0 ¿
θ 0 = Min Max ®
d ∈D(I 0 ) i =1,..., m
Über das Minimierungsproblem wird zunächst die DMUd als diejenige ausgewählt,
welche DMU0 bezüglich der Inputs am stärksten dominiert.507 Diese wird zur Bestimmung der relativen Effizienz von DMU0 verwendet.
Zur Veranschaulichung sei angenommen, dass der Inputvektor ( x1d , x2d ) die Werte
(15;10) aufweist. Die durch d dominierte Entscheidungseinheit 0 weist den Inputvektor ( x10 ; x20 ) = (20;20) auf. Mittels der nachfolgenden Maximierungsregel wird nun der
genaue Effizienzwert von DMU0 unter Verwendung der Inputwerte von d bestimmt,
­ 15 10 ½
der sich ergibt als: θ 0 = Max ® ; ¾ = Max{0,75;0,5} .
¯ 20 20 ¿
Damit erreicht die Entscheidungseinheit 0 einen Effizienzwert von 75%. Dies bedeutet, dass sie mit höchstens 75% des aktuellen Einsatzes aller Inputfaktoren denselben Output erzielt haben müsste. Durch den paarweisen Vektorvergleich können
sich analog zum DEA-Modell Slackwerte für einige Input- bzw. Outputparameter ergeben, die nicht in die Bestimmung des Effizienzwertes eingegangen sind. Für den
Input x20 ergibt sich ein Slack, da das Verhältnis der Inputfaktoren 2 in Höhe von
50% angibt, dass bei Beibehaltung des aktuellen Outputniveaus eine Senkung des
Inputs 2 um weitere 25% möglich wäre.508
1.5.
Grenzen der DEA-Grundmodelle
Vor der Entscheidung für oder gegen die DEA muss sich ein Anwender die Vor- und
Nachteile der Technik vergegenwärtigen. Wie bei jeder Methode hängt auch der Erfolg einer DEA wesentlich von der Kenntnis der „Fallstricke“ und Lösungen zu deren
Vermeidung bzw. Kontrolle ab. Daher gibt dieser Abschnitt einen Überblick der zentralen Probleme der Grundmodelle, bevor dann in D-1.6 Weiterentwicklungen vorgestellt werden, die diese Probleme aufgreifen.
507
508
Vgl. Tulkens (1993), S. 189.
Vgl. Bauer (2002), S. 133.
168
Problem 1: Zu viele effiziente Einheiten bei kleinen Stichproben, keine Diskriminierung effizienter Einheiten
Eine grundlegende Schwäche besteht darin, dass für eine aussagekräftige DEA eine
große Anzahl von Einheiten benötigt wird, da ansonsten aufgrund fehlender vergleichbarer DMUs zu viele Einheiten als effizient eingestuft werden.509 Dieses Problem wird umso gravierender, je mehr Input- und Outputparameter in die Analyse einbezogen werden. Bei einer geringen Anzahl von DMUs in Relation zur Anzahl der
Parameter klassifiziert der DEA-Ansatz sehr viele Einheiten als effizient. Mit zunehmender Zahl an Parametern steigt die Wahrscheinlichkeit, dass sich irgendein Output-Input-Verhältnis findet, bezüglich dessen die fragliche DMU von keiner anderen
dominiert wird und in der Folge als effizient ausgewiesen wird. „The degree of overstatement is likely larger when the sample is small, since the best practice firms in a
small sample have greater chances of being further from the true frontier.“510 In solchen Fällen werden DMUs evtl. nur deshalb als effizient bewertet, weil sie extreme
Ausprägungen bei einem Parameter aufweisen, obwohl sie bei allen übrigen nur
schwach abschneiden. Eine zu große Zahl einbezogener Inputs und Outputs führt
dazu „… that everybody becomes 100% efficient in their own little micro-corner of the
market.”511 Ausschlaggebend bei der Anwendung einer DEA ist es daher, eine ausreichende Größe des Referenzsets im Verhältnis zur Summe der Input- und Outputfaktoren sicherzustellen. Je größer die Stichprobe ist, desto näher ist das Ergebnis
der Realität. Die von Dyson et al. aufgestellte Faustregel fordert, dass die Anzahl der
Untersuchungseinheiten mindestens so groß ist wie das Doppelte des Produktes aus
der Zahl der Inputs und der Zahl der Outputs.512 Eine Abschwächung dieser Regel
schlagen Vassiloglou/Giokas für Fälle vor, in denen die Daten zu einer solchen Anzahl von Untersuchungsobjekten nicht verfügbar sind. Als Minimalforderung sollte
dann die Größe der Stichprobe die Summe der Inputs und Outputs mindestens zweifach übersteigen.513
Das genannte Problem ist v.a. deshalb relevant, weil die DEA selbst keine Differenzierung zwischen den effizienten Objekten vornehmen kann. Alle effizienten Objekte
erhalten einen Einheitsscore von 1. Eine Ranking ist daher nur für die ineffizienten
DMUs möglich. Die auch für effiziente DMUs bestehende Möglichkeit, ihre Leistungsfähigkeit durch den Vergleich mit anderen effizienten Einheiten steigern zu können,
vernachlässigt die DEA somit.514
509
510
511
512
513
514
Vgl. Andersen/Petersen (1993), S. 1261.
Berger (1993), S. 264.
Doyle/Green (1991), S. 637.
Vgl. Dyson et al. (2001), S. 247. Dieses strenge Kriterium ist für die drei in Teil E vorgestellten
empirischen Studien erfüllt.
Vgl. Vassiloglou/Giokas (1990), S. 593.
Vgl. Greißinger (2000), S. 109; Staat/Hammerschmidt (2005), S. 311.
169
Problem 2: Unbeschränkte Gewichtsflexibilität, Ausblendung externer Präferenzinformationen zur Bedeutung der Parameter
Eng zusammenhängend mit dem Problem einer zu großen Anzahl effizienter DMUs
ist eine weitere Problematik, die aus der – ansonsten sehr vorteilhaften – unbeschränkten Gewichtsflexibilität resultiert. Insbesondere bei starker Heterogenität der
DMUs können Einheiten existieren, die nur aufgrund eines extrem vorteilhaften Wertes bei einem Input oder Output, der dann sehr hoch gewichtet wird, Effizienzwerte
von 100% erhalten. Diese Gewichtungen spiegeln dann evtl. nicht mehr die tatsächliche, „globale“ Bedeutung dieses Faktors aus Sicht von Kunden, Management oder
anderen Stakeholdern wider.515 Extreme Gewichte bei einem oder wenigen Faktoren
ignorieren die Effizienz einer Entscheidungseinheit in Betracht auf die anderen Inputs
und Outputs.516
Vor diesem Hintergrund muss der DEA-Anwender entscheiden, ob die Einführung
gewisser Gewichtsbeschränkungen ratsam ist. Diese Beschränkung bezüglich der
Gewichte nimmt der DEA jedoch den Vorteil, dass jede DMU automatisch mit der
bestmöglichen Gewichtung und somit mit dem bestmöglichen DEA-Effizienzwert versehen wird. Mit der individuellen Gewichtung zur Maximierung der Gesamtkennzahl
umgeht die DEA gerade die Gewichtungsproblematik traditioneller Kennzahlenanalysen.517 Diese Gewichtsrestriktionen erfordern zudem stets willkürliche Annahmen im
Vorfeld der Analyse, etwa wenn das verantwortliche Management der Meinung ist,
dass die Gewichte bestimmter Inputs oder Outputs in einem bestimmten Verhältnis
zueinander stehen sollen. Dieses Procedere nimmt der DEA die Möglichkeit, den
bestmöglichen Effizienzwert für jede Entscheidungseinheit zu bestimmen und beraubt sie damit dem wichtigsten „Argument“ für die Legitimation von Verbesserungsmaßnahmen bei den ineffizienten DMUs.518 Die Flexibilität der Gewichte im Rahmen
der DEA stellt sich, um die Ausführungen sprichwörtlich auf den Punkt zu bringen,
als “Segen und Fluch“ zugleich dar.
Problem 3: Nicht-Berücksichtigung von Messfehlern und Verteilungen (AusreißerProblematik)
Durch den deterministischen Charakter der DEA liegt ihr die Annahme zu Grunde,
dass Datenfehler aufgrund von Mess- und Codierungsfehlern oder Zufallseinflüssen
im Datenmaterial nicht existieren.519 Daher wird der gesamte Abstand zum Rand als
systematische Ineffizienz ausgewiesen. Solche Messfehler können zu Extremwerten
(outliers) führen, welche die Effizienzwerte einiger oder sogar aller evaluierten Ent515
516
517
518
519
Vgl. Andersen/Petersen (1993), S. 1261.
Vgl. Belton/Vickers (1993), S. 886.
Vgl. Werner/Brokemper (1996), S. 165.
Vgl. Doyle/Green (1994), S. 570.
Vgl. Cantner/Hanusch (1998), S. 229.
170
scheidungseinheiten verzerren. Im Gegensatz zu den deterministischen Verfahren
wie DEA und FDH ist es bei stochastischen Verfahren wie der Regressionsanalyse
oder der SFA möglich, über die Analyse der Residuen Rückschlüsse auf mögliche
Ausreißer zu ziehen.520 Zudem werden dort aufgrund der Betrachtung durchschnittlicher Input-Output-Beziehungen Ausreißer geglättet. Problematisch ist die Existenz
eines Mess- oder Zufallsfehlers besonders für die auf dem effizienten Rand gelegenen Untersuchungsobjekte, weil die Effizienzwerte sämtlicher Einheiten, die sich mit
dieser DMU direkt oder in Kombination vergleichen, dann ebenso fehlerhaft sind.521
Die Forderung einer hohen Datenqualität gilt in besonderem Maße für die DEA, um
Messfehler auszuschließen.
Des Weiteren werden durch den nicht parametrischen Charakter keine Annahmen
über die Verteilung der Effizienzwerte getroffen, weil die theoretisch richtige Verteilung der Effizienzwerte nicht bekannt ist.522 Durch diesen Verzicht werden gerade die
wesentlichen Vorteile der DEA konstituiert. Daher sind aber inferenzstatistische Signifikanzprüfungen und statistische Hypothesentests, etwa die Anwendung eines tTests, nicht möglich, da hierfür eine Normalverteilung der Effizienzwerte vorausgesetzt würde.523 Für DEA und FDH müssen somit andere Möglichkeiten gefunden
werden, um Datenfehler zu beheben oder die Extremwerte zu identifizieren und aus
der Analyse zu entfernen. Diese bilden einen Schwerpunkt der derzeitigen Forschung zur DEA.524 In der jüngeren Literatur wurden bereits einige Verfahren entwickelt, die sich noch in ihren Anfängen befinden und in DEA-Anwendungen bisher
kaum zum Einsatz gekommen sind. Einige davon werden im folgenden Abschnitt
vorgestellt und auch bei den späteren empirischen Untersuchungen angewendet.
Problem 4: Ausschluss nicht kontrollierbarer Variablen und Sensitivitätsprobleme
bzgl. der Auswahl der Input- und Outputvariablen
Als weitere Schwäche wird angeführt, dass häufig durch das Management nicht kontrollierbare Variablen die Ausprägungen der kontrollierten Inputs- und Outputs und
damit die Effizienz einer DMU beeinflussen. Ziel muss es daher sein, solche sog.
nicht diskretionären Parameter in der Analyse zu berücksichtigen, was jedoch nicht
immer möglich ist. So ist zum Beispiel denkbar, dass bei der Evaluierung der Außendiensteffizienz die zu bewertenden Mitarbeiter auf unterschiedlich gut informierte
Kunden treffen. Dabei erfordert ein besser informierter Kunde weniger Beratungszeit
und vermutlich auch weniger Serviceleistungen. Auch Faktoren wie Marktpotenzial
oder Wettbewerbsintensität können sich wesentlich auf die Performance eines Mitar520
521
522
523
524
Vgl. Wilson (1995), S. 27.
Vgl. Berger/Humphrey (1997), S. 178.
Vgl. Cooper/Seiford/Tone (2000), S. 200.
Vgl. Sengupta (1995), S. 216, Simar/Wilson (1998), S. 60.
Vgl. Banker/Natarajan (2004); Barth/Staat (2005); Cooper et al. (2004); Simar/Wilson (2004);
Staat (2002).
171
beiters niederschlagen, können aber in herkömmlichen DEA-Modellen nicht abgebildet werden. Liegt das betreffende Team dann nicht auf der Randfunktion, wird dies
auf eine ineffiziente Arbeitsweise zurückgeführt, obwohl möglicherweise die nicht
steuerbaren Einflussfaktoren der Grund für die Ineffizienz sind.525
Somit zeigt sich die Anfälligkeit der DEA für unzureichende Modellspezifikationen.
Dies gilt nicht nur für die Erfassung relevanter nicht kontrollierbarer Variablen sondern für die Festlegung der Inputs und Outputs generell. Es wird deutlich, dass vor
der Analyse mittels DEA umfangreiche Überlegungen und Analysen in Bezug auf
mögliche Einflussfaktoren stattfinden müssen, um eine realistische Abbildung der
Leistungsprozesse zu gewährleisten.526 Auf diese Problematik wird daher ebenfalls
Problem 5: Fokussierung auf technische Effizienz, Vernachlässigung der allokativen
und der Kosteneffizienz
Aufgrund der Fokussierung auf technische Effizienz trifft die DEA bei Verwendung
realer Größen keine Aussagen darüber, welche der auf dem Rand befindlichen Einheiten auch unter Kostengesichtspunkten optimal sind. So kann es sein, dass eine
DMU ein Inputlevel erreicht hat, welches zwar technisch effizient ist, die Inputs aber
bezüglich der Faktorpreise nicht im optimalen Verhältnis einsetzt, d.h. allokativ ineffizient ist. Dies ist immer dann der Fall, wenn z.B. in Abhängigkeit von Technik- vs.
Personaleinsatz (Grad der Automatisierung!) unterschiedliche Kosten der Inputs anfallen.527
Eine optimale Proportionierung erfordert es evtl., bei einigen Inputs weitere Senkungen zu Lasten anderer Inputs vorzunehmen. Die Berücksichtigung der allokativen
Effizienz, die natürlich voraussetzt, dass Preise gegeben sind, ermöglicht es, nicht
nur zu entscheiden, wie die Dinge richtig getan werden (um den Rand zu erreichen),
sondern macht auch Aussagen zur Effektivität, indem die profitablen Punkte (d.h. die
richtig proportionierten Inputkombinationen auf dem Rand) ausgewählt werden können.528 Treffen technische und allokative Effizienz zusammen, ist die Minimalkostenkombination realisiert. Der effiziente Rand der DEA stellt somit die obere Schranke in
Bezug auf das Kriterium der Kosteneffizienz dar. Ein kosteneffizienter Punkt ist zwingend auch technisch effizient, eine technisch effiziente Aktivität muss jedoch nicht
unbedingt unter Kostenaspekten effizient sein. Weiterentwicklungen der DEA ermöglichen die Bestimmung der allokativen und der kostenbezogenen Effizienz, wofür allerdings - wie oben betont - Informationen über Marktpreise vorliegen müssen.
525
526
527
528
Vgl. Sengupta (1996), S. 125; Staat (1999).
Vgl. Donthu/Hershberger/Osmonbekov (2005), S. 1477; Dubelaar/Bhargava/Ferrarin (2002), S.
419.
Vgl. Porembski (2000), S. 86.
Vgl. Golany/Phillips/Rousseau (1993), S. 4 ff.
172
Durch aktuelle Weiterentwicklungen bzw. in der jüngeren Literatur vorgeschlagene
Analysen können, wie im Folgenden ausgeführt wird, die meisten dieser Nachteile
vermieden oder doch zumindest erheblich abgemildert werden.
1.6.
Weiterentwicklungen der DEA
1.6.1.
Messung von Supereffizienz
Das Konzept der Supereffizienz zielt auf eine Verfeinerung der Effizienzbewertung
ab, indem im Rahmen eines DEA-Modells auch für die effizienten Einheiten das
Ausmaß der Effizienz bestimmt und somit auch Performanceunterschiede innerhalb
der Gruppe der als effizient klassifizierten Einheiten aufgedeckt werden können.529
Im Rahmen der Standardmodelle kann kein Abstand zwischen dem effizienten Rand
und den effizienten Vergleichseinheiten bestimmt werden, da diese auf sich selbst
projiziert werden. Daher erhalten alle effizienten DMUs einen Einheits-Score von
100%, was besonders im Falle einer großen Zahl effizienter Vergleichseinheiten unbefriedigend ist.
Eine weitergehende Diskriminierung kann nun erreicht werden, indem jede (effiziente) DMU0 mit einer Randfunktion verglichen wird, die aus den übrigen Einheiten aufgespannt wird. Die betreffende DMU wird somit aus dem Referenzset ausgeschlossen. Die Entfernung einer effizienten Einheit zu dieser neuen Randfunktion kann als
Grad der Supereffizienz interpretiert werden.530 Supereffizienzmaße quantifizieren
die Stabilität des Effizienzstatus’ einer effizienten Vergleichseinheit, d.h. den Leistungsvorsprung in Relation zu den effizienten Alternativen.531 Ein inputorientiertes
äquiproportionales Supereffizienzmaß etwa gibt an, um welchen Anteil alle Inputmengen einer als effizient klassifizierten Vergleichseinheit maximal erhöht werden
könnten, so dass diese gerade noch effizient bleibt.532 Abbildung 18 veranschaulicht
dieses Vorgehen wiederum anhand des Zahlenbeispiels. Entsprechend des Standardmodells ist I selbst sein eigener Referenzpunkt, der Effizienzwert entspricht
0I / 0I = 1,0. Der Grad der Supereffizienz von I kann bestimmt werden, indem I aus
dem Referenzset entfernt wird. Dies impliziert, dass I nun mit einer ohne diese Einheit aufgespannten Input-Frontier verglichen wird, die von den Beobachtungen C, D,
G und F gebildet wird.
Für ineffiziente Realisationen stimmen die Resultate des Supereffizienzmodells mit
denen der Standard-DEA überein, da eine Eliminierung ineffizienter Einheiten den
Verlauf der Randfunktion unverändert lässt. Der Unterschied beider Modelle liegt nur
529
530
531
532
Vgl. Allen (2002), S. 89.
Vgl. Andersen/Petersen (1993), S. 1262.
Vgl. Scheel (2000), S. 112; Staat/Hammerschmidt (2005), S. 317.
Vgl. Andersen/Petersen (1993), S. 1264.
173
in der Behandlung der effizienten Einheiten, deren Elimination den Verlauf der Randfunktion ändert. Der aus dieser Änderung resultierende Effizienzeffekt wird genau
durch die Supereffizienzanalyse untersucht. Der Supereffizienzwert von I, d.h. ihre
Entfernung von dieser neuen Funktion, ergibt sich dann grafisch über das Verhältnis
der Strecke 0VI zu der Strecke 0I , welches etwa 1,25 beträgt (exakt 1,245). Folglich
könnten sämtliche Inputmengen der Vergleichseinheit I um 24,5% erhöht werden,
ohne dass diese dann von einer anderen Einheit dominiert würde.
2
1,8
B
1,6
A
Input 2 / Output 1
1,4
1,2
1
K
F
J
G
0,8
VI
H
0,6
E
I
0,4
D
Grad der
Supereffizienz
0,2
C
0
0
0,2
0,4
0,6
0,8
1
1,2
1,4
1,6
Input 1 / Output 1
Abbildung 18: Ermittlung des Supereffizienzwertes für I
Da sich auf diese Weise auch die effizienten Vergleichseinheiten differenzieren lassen und nicht mehr pauschal den Wert 1 erhalten, wird ein vollständiges Ranking
aller Vergleichseinheiten möglich.533 Die mathematische Formulierung des Supereffizienzmodells erfordert eine Erweiterung des LP (13) durch Hinzufügen der zusätzliche Nebenbedingung λ0 = 0 . Hierdurch wird der Vektor der gerade bewerteten Einheit 0 aus der Referenztechnologie-Matrix der envelopment form eliminiert. Dadurch
ist auch für die effizienten Einheiten, für die in der Standardformulierung λ0 = 1 gelten
533
Das Supereffizienzprogramm kann in bestimmten Fällen nicht lösbar sein. Diese liegen vor, wenn
die Nebenbedingungen nicht mehr eingehalten werden können und der Effizienzwert der betrachteten Entscheidungseinheit nicht definiert werden kann. Dies passiert dann, wenn die Streichung
einer Entscheidungseinheit impliziert, dass die ausgeschlossene Entscheidungseinheit unterhalb
der Effizienzkurve liegt und diese durch keinerlei radiale Erhöhungen der Inputs bei konstantem
Outputniveau erreicht werden kann. Für eine Darstellung dieser Probleme des Supereffizienzmodells vgl. Dula/Hickman (1997) und Seiford/Zhu (1999).
174
würde, selbst eine Referenztechnologie bestimmbar. Hieraus folgt das duale inputorientierte Supereffizienzmodell:534
min θ0 − κ (s + − s − )
λ ,s + , s −
u.d.N. Yλ − s + = Y0 ,
θX 0 − Xλ − s − = 0,
(17)
eλ = 1,
λ0 = 0,
λ , s + , s − ≥ 0.
Die Variable θ 0 ist der Effizienzwert, der sich durch Lösung des linearen Programms
ergibt, bei dem die Daten der betrachteten Entscheidungseinheit 0 nicht berücksichtigt werden, d.h. für das j ≠ 0 gilt. Für diejenigen Entscheidungseinheiten, die unterhalb der ohne sie aufgespannten Referenzkurve liegen, gilt θ 0 > 1 und sie werden als
supereffizient bezeichnet.
1.6.2.
Integration von Präferenzinformationen durch Gewichtsbeschränkungen
Im Ausgangsmodell (9) ergibt sich die relative Effizienz einer DMU durch die Maximierung des Verhältnisses der Summe der gewichteten Outputs zur Summe der gewichteten Inputs. Die vorgestellten DEA-Modelle zeichnen sich durch den Vorteil aus,
dass keine Aussagen zur Höhe der Input- und Outputmultiplikatoren getroffen werden müssen. Dadurch können DMU´s mit völlig unterschiedlichen Kombinationen
von Input- und Outputausprägungen effizient werden, da ihre individuellen Stärken
und Schwächen durch die Wahl bestmöglicher Gewichte adäquat berücksichtigt werden. Diese uneingeschränkte Flexibilität der Gewichte kann jedoch dazu führen, dass
stark unvorteilhaft ausgeprägten Inputs oder Outputs sehr geringe Gewichte zugewiesen werden. Diese Inputs und Outputs würden bei der Effizienzbewertung praktisch ignoriert. Dann ergibt sich die Leistung einer DMU nicht mehr aus der Gesamtheit aller betrachteten Input- und Outputfaktoren.535 Beispielsweise könnte ein erfolgloses Produkt einen Effizienzwert von eins aufweisen, da es bezüglich einer für den
534
535
Vgl. Dula/Hickman (1997). Aus Vereinfachungsgründen werden alle LPs der ab jetzt folgenden
erweiterten DEA-Modelle in Vektorschreibweise dargestellt. Analog zur DEA sind X und Y nun die
Matrizen der Input- bzw. Outputfaktoren.
Vgl. Dyson/Thanassoulis (1988), S. 564.
175
Markt eher irrelevanten Produkteigenschaft relativ zu den anderen DMU´s das
höchste gewichtete Output-Input-Verhältnis aufweist und dieses Merkmal den Effizienzwert dominiert.
In der Literatur werden zahlreiche Ansätze diskutiert, um die Gewichte zu restringieren und somit Informationen über die Bedeutung der Inputs und Outputs aus Sicht
der Anwender bzw. Entscheider zu integrieren. Durch eine Beschränkung der Multiplikatoren soll erreicht werden, dass nicht nur die DMU-individuelle Bedeutung, sondern auch die übergreifende Bewertung der einzelnen Input- und Outputfaktoren
durch das Management in die relative Effizienzbeurteilung eingeht. Im Folgenden
werden einige dieser Ansätze diskutiert.
1.6.2.1. Fixierung von Input- und Outputmultiplikatoren
Im folgenden additiven Modell, sei für den Outputmultiplikator r das Gewicht mit
zr ≠ 0 und den Inputmultiplikator i das Gewicht mit zi ≠ 0 exogen fixiert, so dass
diese dann nicht mehr frei optimiert werden können. Daraus ergibt sich das folgende
Programm:536
min − s + − s −
λ ,s + ,s −
u.d.N. Xλ + s − − zi = X 0 ,
(18)
Yλ − s + + zr = Y0 ,
eλ = 1,
λ, s + , s − ≥ 0.
Durch die Beschränkung der Multiplikatoren auf einen Mindestwert größer Null sinkt
der Effizienzwert jener Entscheidungseinheiten, bei denen nachteilige Input- oder
Outputfaktoren durch flexible Multiplikatoren vernachlässigt werden konnten und deren hoher Effizienzwert evtl. durch die positive Gewichtung nur der unbedeutenden
Faktoren entstanden ist.537 Die Entscheidungseinheiten, deren Effizienzwert nicht nur
auf einigen wenigen Faktoren basiert, erreichen durch die Beschränkung oft einen
höheren Effizienzwert, da dieser auf einer breiteren Basis beruht. Im Produktcontrolling könnte beispielsweise die Zuverlässigkeit eines Autos das aus Kundensicht wichtigste Kriterium sein. Eine PKW-Marke A, die nur eine geringe Zuverlässig536
537
Vgl. Schefczyk, M. (1994), S. 190.
Vgl. Dyson/Thanassoulis (1988), S. 568.
176
keit, im Gegenzug aber hohen Komfort aufweist, wird ohne Beschränkung der Multiplikatoren dennoch einen relativ hohen Effizienzwert erreichen. Durch eine Fixierung
der Gewichtungsfaktoren wird erreicht, dass dem Outputfaktor Zuverlässigkeit eine
relativ höhere Bedeutung beigemessen wird und dadurch der Effizienzwert der Marke A sinkt. Durch die Gewichtsbeschränkung werden somit Positionierungsaspekte in
die Effizienzanalyse integriert.538 Die Werte einzelner Input- und Outputgewichte
können beispielsweise anhand der Beta-Gewichte aus einer Regressionsanalyse auf
Basis der vorhandenen Daten oder in Höhe des Durchschnitts des betrachteten Gewichts über alle DMUs festgelegt werden.539
1.6.2.2. Vorgabe von Bandbreiten
Im Gegensatz zur Fixierung der Multiplikatoren werden jetzt Ansätze betrachtet, in
denen durch Festlegung von Ober- und Unterschranken bestimmte Bandbreiten vorgegeben werden, innerhalb derer die Optimierung der Gewichte erfolgen darf. Die
einfachste Möglichkeit besteht darin, für ein Input-Gewicht ν i absolute Beschränkungen der Form ν i ≤ ν i ≤ ν i , i ∈ G ⊆ {1,..., m} zu verwenden. Diese Beschränkungen
müssen aber in plausibler Weise begründet sein, da die Flexibiltät der Methode hierdurch besonders stark eingeschränkt wird. Werden die l1 Beschränkungen der Output-Gewichte und die l 2 Beschränkungen der Input-Gewichte in der l1 × s Matrix Q
bzw. der l 2 × m Matrix P ausgedrückt, kann beispielsweise das primale inputorientierte Modell (10) folgendermaßen formuliert werden:
max h0 = µY0
u.d.N. νX 0 = 1,
µY − νX ≤ 0,
(19)
µr Q ≤ 0,
ν i P ≤ 0,
µr ≥ 0;ν i ≥ 0.
Durch die Einführung dieser Beschränkungen wird eine geringere Wahrscheinlichkeit
zugelassen, mit der unbedeutende Input- und Outputfaktoren in die Effizienzanalyse
538
539
Vgl. Bauer (2002), S. 119 f.
Vgl. Dyson/Thanassoulis (1988), S. 567 ff. Hier wird die Vorgehensweise anhand eines realen
Beispiels mit einem Input und vier Outputs erläutert.
177
einfließen. Letztlich werden die durch das Grundmodell zugelassenen Unterschiede
zwischen den Gewichtungsfaktoren eingeschränkt, so dass die Anzahl CCReffizienter Entscheidungseinheiten sinkt.540 Auch wenn absolute Gewichtsbeschränkungen eine sehr einfache Möglichkeit darstellen, erscheinen diese nur in den wenigen Fällen befriedigend, in denen nur ein Input benötigt wird. Die untere Grenze für
einen Output r kann dann durch die Höhe des Inputverbrauchs bestimmt werden,
der für die Produktion einer Einheit von Output r benötigt wird. Durch Nutzung dieses Ressourcenanteils eines Inputs, der mindestens für eine Einheit Output aufzuwenden ist, kann sichergestellt werden, dass keine DMU einen zu hohen Effizienzwert erhalten kann, indem dieser Output bei der Berechnung ausgeschlossen wird.
Absolute Begrenzungen sind auch problematisch, weil sie nur für eine spezifische
DMU gültig sind und daher für unterschiedliche DMUs unterschiedliche Begrenzungen benutzt werden müssten (heterogene Beschränkungen).541
Um Gewichtsbeschränkungen zu erhalten, die für alle Einheiten gelten (homogene
Beschränkungen) können Restriktionen der Verhältnisse von Gewichten verwendet
werden.542 Beispielsweise kann das Verhältnis der Gewichtungsfaktoren ν i und ν t
durch das Intervall ν it ≤ ν i / ν t ≤ ν it , (i , t ) ∈ H ⊆ {1,..., m}× {1,..., m} beschränkt werden,
wobei ν it und ν it die Unter- und Obergrenzen des Intervalls darstellen.543 Durch solche Verhältnisbeschränkungen wird sichergestellt, dass sich der Relativpreis der
beiden Inputs, der den trade-off zwischen diesen Inputs widerspiegelt, nur in der vorgegebenen Bandbreite (sog. assurance region) bewegt.544 Auch relative Beschränkungen der virtuellen Inputs bzw. Outputs einer DMU j ν i ≤
bzw. µ ≤
r
xijν i
≤ ν i , i ∈ F1 ⊆ {1,..., m}
νX j
y rj µr
≤ µ r , r ∈ F2 ⊆ {1,..., s} können vorgenommen werden. Diese bieten
µY j
eine Möglichkeit, Einschätzungen über den gewünschten Beitrag der entsprechenden Inputs und Outputs zur Gesamteffizienz einzubeziehen.545
1.6.2.3. Ordinale Multiplikatoren
In manchen Situationen ist nur die relative Wichtigkeit verschiedener Inputs und Outputs bekannt. Es kann dann z.B. nicht auf einer metrischen Skala angegeben werden, wie wichtig Image und Zuverlässigkeit für die Entscheidung zum Kauf eines
540
541
542
543
544
545
Vgl. Thompson et al. (1990), S. 100.
Vgl. Roll/Cook/Golany (1991).
Vgl. Thompson et al. (1990), S. 96 ff.
Vgl. Allen et al. (1997); Cooper/Seiford/Tone (2000), S. 152.
Vgl. Dyson et al. (2001), S. 255; Keeney/Raiffa (1976).
Vgl. Wong/Beasley (1990).
178
Neuwagens sind. Möglicherweise liegen jedoch etwa durch die Ermittlung von Teilnutzenwerten mittels einer Conjoint-Analyse Aussagen über die relativen Wichtigkeiten und damit über ordinalen Zusammenhänge einzelner Produktmerkmale vor. So
kann bekannt sein, dass der Kauf stärker vom Image der Marke als von der Zuverlässigkeit des Automobils abhängt. Soll diese Rangfolge in einer DEA erhalten bleiben, dann müssen ordinale Beziehungen zwischen den Input- und Outputmultiplikatoren spezifiziert werden. Ordinale Beziehungen zwischen l 2 der m Inputfaktoren
werden ausgedrückt als ν m − l 2 +1 > ν m − l 2 + 2 > ... > ν m ≥ ξ . Dies Vorgabe ordinaler Beziehungen für das Verhältnis der Gewichte stellt damit einen Spezialfall des Modells mit
Bandbreiten (17) dar. Sie kann erreicht werden, indem die obere Schranke auf 1 gesetzt, jedoch keine untere Schranke vorgegeben wird, d.h. es gilt für das obige Beispiel ν it = 1 und ν it = −∞ .546
Das generelle Problem aller Gewichtsbeschränkungen besteht darin, dass sich die
Interpretation der Ergebnisse der DEA-Modelle verändern. So sind die Effizienzwerte
restringierter DEA-Modelle nicht mehr radial zu interpretieren, d.h. die Targets einer
ineffizienten DMU0 weisen evtl. geringere Niveaus einiger Outputs und evtl. höhere
Niveaus einiger Inputs als DMU0 auf. Die Input- bzw. Output-Mixes sind damit nicht
mehr identisch.547 Die Anwendung von Gewichtsrestriktionen muss daher sorgfältig
überlegt und durch zusätzliche Analysen gut begründet werden.
1.6.2.4. Transformation der Daten
Bisher wurde dargestellt, wie sich Präferenzen bzw. Bewertungen der Entscheider in
die DEA integrieren lassen, indem direkt die Gewichte beeinflusst werden. Eine andere Möglichkeit besteht darin, die Präferenzen indirekt einzubeziehen, indem die
Input- und Outputdaten so verändert werden, dass die Gewichte die Präferenzen
widerspiegeln. Die Gewichtsbeschränkungen werden dann implizit in Form von Datenveränderungen vorgenommen. Die bekannteste Vorgehensweise ist der sog. Cone-Ratio-Ansatz. Grafisch gesprochen werden durch Vorgabe von Regionen, in denen sich die Gewichte bewegen dürfen, polyhedrale konvexe Kegel (cones) im InputOutput-Raum aufgespannt, welche den zulässigen Bereich der Input- und Outputmultiplikatoren angeben.548 Die Input- und Outputdaten der DMUs werden mittels
bestimmter Matrizen zulässiger Multiplikatoren so transformiert, dass sich die resultierenden Gewichte nur innerhalb der gewünschten Kegel bewegen. Werden die
Outputdaten durch die Matrix G transformiert, dann ergibt sich der polyhedrale kon546
547
548
Vgl. Ali/Cook/Seiford (1991), S. 734 ff.
Vgl. Allen et al. (1997).
Vgl. Charnes et al. (1989); Charnes et al. (1990), S. 74 ff.
179
vexe Kegel UCR , der die Outputmultiplikatoren µ beschränkt, als UCR = GT γ (γ ≥ 0) .
Werden die Inputdaten durch A transformiert so definiert sich der Kegel VCR der Inputmultiplikatoren ν durch VCR = AT α (α ≥ 0) .549 Die Matrizen mit den zulässigen Multiplikatoren können entweder durch Managementpräferenzen oder Expertenmeinungen vorgegeben sein. Es lassen sich aber auch die ermittelten Gewichtungsvektoren
jener Einheiten als Schranken heranziehen, die in der Lösung des unrestringierten
CCR-Modells als effizient identifiziert wurden. Der Vorteil besteht darin, dass der Cone-Ratio-Ansatz allgemeiner ist als Gewichtsrestriktionen und daher auch solche exogenen Bewertungen integrierbar sind, die sich nicht in Gewichtsrestriktionen übersetzen lassen.550
Durch die Cone Ratios werden diese effizienten Input-Mixes als die „überlegenen“
angesehen und als Bewertungsmaßstab aller anderen Einheiten herangezogen. Die
übrigen Einheiten werden so gezwungen, ihre Leistung unter Verwendung des als
erstrebenswert angesehenen Input-Mixes zu optimieren. Dies kann etwa im Gesundheitswesen relevant sein, wo die Behandlungsmethoden und Instrumente der besten
Ärzte oder Kliniken als Norm für alle übrigen vorgegeben werden. So zeigen Chilingerian/Sherman, dass sich die Inputeinsätze (Hausbesuche, bestimmte Untersuchungen, Gesprächstermine) erfolgreicher Allgemeinärzte alle in ähnlichen Regionen
bewegen, die dann z.B. von Krankenkassen oder Gesundheitsämtern für die Leistungsbewertung aller Ärzte als Vorbild zu Grunde gelegt werden. Die Matrizen aus
zulässigen Inputmultiplikatoren werden dann genutzt, um die Inputfaktoren aller Entscheidungseinheiten entsprechend des gewünschten Bewertungssystems zu transformieren.551
1.6.3.
Validitäts- und Signifikanzprüfungen der DEA-Effizienzwerte
Bevor auf Basis der Effizienzwerte möglicherweise weit reichende Maßnahmen ergriffen werden, sollte eine Qualitätsprüfung der Ergebnisse erfolgen, um festzustellen, ob die Resultate sinnvoll interpretiert werden können und stabil sind. Eine solche
Überprüfung ist nach Anwendung der DEA v.a. deshalb geboten, da durch deren
deterministischen Charakter das Problem besteht, dass Datenfehler aufgrund von
Messfehlern oder Zufallseinflüssen nicht modelliert werden. Solche Messfehler können zu Extremwerten führen, welche die Effizienzwerte einiger oder sogar aller evaluierten Entscheidungseinheiten verzerren.552 In der kritischen Würdigung der DEA
wurde darauf hingewiesen, dass statistische Tests aufgrund fehlender Verteilungs549
550
551
552
Vgl. Charnes et al. (1989); Thanassoulis/Portela/Allen (2004), S. 119 f.
Vgl. Thanassoulis/Portela/Allen (2004), S. 120 f.
Vgl. Chilingerian/Sherman (1997).
Vgl. Wilson (1995), S. 27.
180
annahmen nicht möglich sind. Um dennoch Datenfehler erkennen und die entsprechenden Datensätze aus der Analyse entfernen zu können, wurden in der Literatur in
jüngster Zeit einige Verfahren entwickelt, die sich noch in ihren Anfängen befinden
und in DEA-Anwendungen bisher kaum zum Einsatz gekommen sind.
Gubelt/Padberg/Werner schlagen eine Sensitivitätsanalyse dergestalt vor, nach
Durchlauf einer DEA alle CCR-effizienten DMUs aus dem Datensatz zu entfernen
und die Berechnung erneut durchzuführen. Führt die erneute Berechnung zu starken
Unterschieden in den Ergebnissen der verbliebenen Einheiten, so sind diese kritisch
daraufhin zu überprüfen, ob sie tatsächlich vergleichbar sind. Weichen die neu berechneten DEA-Ergebnisse nur geringfügig ab (Gubelt/Padberg/Werner nennen eine
Obergrenze für die durchschnittliche Abweichung von 7,5%), so dürfen die generierten DEA-Benchmarks als stabil angesehen werden.553 Es kann dann angenommen
werden, dass die Unterschiede der Effizienzwerte tatsächlich signifikant und nicht
zufällig sind.
Doyle/Green raten zu einer Überprüfung der Sensitivität der ermittelten Effizienzwerte h bei Veränderungen der Gewichtungen. Hierdurch lassen sich Außenseiter, sog.
Mavericks, identifizieren, die nur aufgrund extremer Gewichtungen in der Folge extremer Input- oder Outputspezialisierungen einen hohen bzw. maximalen Effizienzwert erhalten (sog. false positives). Die Ermittlung von Extremwerten erfolgt durch
Berechnung von Kreuzeffizienzen. Die Kreuzeffizienzen einer DMU0 sind die Effizienzwerte, die diese mit den jeweils optimalen Gewichten der n − 1 übrigen Vergleichseinheiten erhalten würde.554 Kreuzeffizienzen ermöglichen somit eine Bewertung aus dem Blickwinkel anderer Vergleichseinheiten einer bestimmten Peer Group,
die entweder durch alle übrigen Einheiten gebildet wird oder in die nur vergleichbare
effiziente Einheiten eingehen, mit denen zusammen eine Referenztechnologie gebildet wird. Dies entspricht der Überkreuzvalidierung in den traditionellen parametrischen Marktforschungsmethoden (Regression, LISREL). Aus allen Kreuzeffizienzwerten wird ein durchschnittlicher Peer-Group-Kreuzeffizienzwert CE P für DMU k
gebildet.555 Anhand (20) wird der Maverick-Index Mk berechnet.
(20)
Mk =
hk − CEPk
CEPk
Je höher der Wert für M k , desto eher ist k ein Außenseiter.556 Nach Doyle/Green ist
ab einem M von größer 1 von einem Ausreißer zu sprechen. Dies wäre z.B. der Fall,
553
554
555
556
Vgl. Gubelt/Padberg/Werner (2000), S. 298 f.
Vgl. Doyle/Green (1995), S. 205 ff.
Vgl. Doyle/Green (1994), S. 574 f.
Vgl. Doyle/Green (1994), S. 575. Die normalen DEA-Werte sind natürlich stets höher als der
Durchschnitt der „fremden“ Effizienzwerte (CE-Werte), da erstere auf Basis der optimalen Gewichte berechnet wurden und somit immer den höchsten Effizienzwert ergeben.
181
wenn die durchschnittliche CE einer effizienten DMU (d.h. hk = 1) nur 0,4 betrüge,
da dann ein M von (1-0,4)/0,4 = 1,5 vorläge. Diese Betrachtung kann für alle Einheiten in der Stichprobe angewendet werden, bietet sich aber besonders für die als effizient klassifizierten DMUs an. Gerade bei den auf dem effizienten Rand gelegenen
Objekten ist das Vorliegen von Messfehlern kritisch, da dann auch die Effizienzwerte
sämtlicher Einheiten verzerrt sind, die sich mit dieser DMU direkt oder mittels der
virtuellen Referenzeinheit vergleichen.
Falls z. B. Messfehler in den Daten einer ineffizienten DMU (z.B. K in Abbildung 19)
vorhanden sind, hat dies lediglich Auswirkung auf die Effizienzbewertung dieser
DMU selbst. Falls jedoch die Daten einer auf dem effizienten Rand liegenden Einheit
- z.B. von I - fehlerbehaftet sind, so wäre die Effizienzmessung aller in der grau
schraffierten Kegelfläche liegenden Punkte ebenfalls fehlerhaft, da all diese Punkte
durch I (mit)gebenchmarkt werden.557 Werden die Inputs von I durch Datenfehler geringer ausgewiesen als sie tatsächlich sind bzw. werden die Outputs überschätzt, so
wird der Rand zu weit in Richtung Ursprung „geschoben“. Dies führt dann zu einer
negativen Verzerrung der Effizienzwerte aller im grauen Kegel befindlichen Einheiten, da deren Abstand zum Rand größer wird.
2
1,8
B
1,6
A
Input 2 / Output 1
1,4
1,2
1
K
F
J
0,8
G
H
0,6
E
I
0,4
D
0,2
C
0
0
0,2
0,4
0,6
0,8
1
1,2
1,4
1,6
Input 1 / Output 1
Abbildung 19: Auswirkungen von Messfehlern im Rahmen der DEA
Daher sollten v.a. die effizienten Beobachtungen keine M k -Werte von > 1 aufweisen.
Wird jedoch für M k ein hoher Wert festgestellt, so sollte die betreffende Einheit detailliert auf mögliche Unzulänglichkeiten überprüft und ggf. aus dem Datensatz aus557
Vgl. Berger (1993), S. 264; Berger/Humphrey (1997), S. 178.
182
geschlossen werden. Liegen jedoch für die überwiegende Mehrheit der DMUs Maverick-Werte von ” 1 vor, kann von signifikanten und robusten Effizienzwerten ausgegangen werden, d.h. es liegen keine nennenswerten Datenfehler in der Stichprobe
vor.
1.6.4.
Integration nicht diskretionärer Variablen und Überprüfung der Auswahl der
Inputs und Outputs
Als nicht diskretionär (nicht kontrollierbar, exogen fixiert) werden solche Inputs und
Outputs bezeichnet, die außerhalb des Einflussbereichs der DMU liegen (z.B. Umweltvariablen) und daher von dieser zumindest nicht unmittelbar und kurzfristig beeinflusst werden können.558 Dies sind üblicherweise standortbezogene Wettbewerbsoder Infrastrukturfaktoren, wie Kundenpotenzial, Wettbewerbsintensität, Kaufkraft
etc.. Die Berücksichtigung nicht kontrollierbarer Inputs und Outputs im Rahmen eines
DEA-Modells ist von zentraler Bedeutung, um etwa zu verhindern, dass einer Vergleichseinheit Benchmarks zugewiesen werden, die mit ihr aufgrund unterschiedlicher Umweltvariablen nicht vergleichbar sind.559 Für das Beispiel der Vertriebsteams
wäre dies etwa der Fall, wenn bestimmte Teams über viel bessere Ausprägungen
der nicht kontrollierbaren Inputs verfügen, weil sie etwa in Gebieten mit hoher Kaufkraft aufgrund einer hohen Dichte vermögender Kunden arbeiten. Durch die Berücksichtigung nicht kontrollierbarer Variablen kann verhindert werden, dass Unterschiede in den Ausprägungen dieser Variablen zwischen zwei Vergleichseinheiten irrtümlich als Effizienzunterschiede interpretiert werden. Würde eine Einheit hauptsächlich
durch eine exogen fixierte Variable als ineffizient eingestuft, wäre es ihr unmöglich,
den Rand zu erreichen.
Ein Ansatz zur Behandlung nicht kontrollierbarer Inputs ist die Trennung der Menge
der Inputvariablen in eine Untermenge diskretionärer ( ID ) und nicht diskretionärer
( IND ) Inputs. Letztere wird aus der Bestimmung des Zielfunktionswertes ausgeschlossen, indem θ nur in der NB für die i ∈ ID enthalten ist. Somit wird IND bei der
Optimierung des Effizienzwertes nicht berücksichtigt.560 In den Nebenbedingungen
ist IND jedoch als zusätzliche Restriktion integriert, um die Bestimmung eines vergleichbaren Benchmarks zu gewährleisten und nicht diskretionäre Variablen damit
indirekt einzubeziehen. Auch die Slacks der nicht diskretionären Inputs werden nicht
in die Zielfunktion integriert, so dass von Null verschiedene Slacks keinen Eingang in
558
559
560
Vgl. Allen (2002), S. 86.
Vgl. Staat (1999), S. 28.
Vgl. Banker/Morey (1986), S. 515.
183
den Effizienzwert finden. Daraus ergibt sich das duale inputorientierte BCC-Modell
mit teilweise exogen fixierten Inputs:561
min θ0 − κ (s + + s − )
λ ,s + ,s −
i ∈I D
u.d.N. Yλ − s + = Y0 ,
θX 0 − Xλ − s − = 0 für alle i ∈ ID ,
(21)
X 0 − Xλ − s − = 0 für alle i ∈ IND ,
eλ = 1,
λ , s + , s − ≥ 0.
Auf diese Weise wird eine „Bestrafung“ der betrachteten Vergleichseinheit durch ungünstige Rahmenbedingungen verhindert. Eine DMU wird nur mit solchen Einheiten
verglichen, denen von dem nicht beeinflussbaren Input (z.B. Kundenpotenzial)
höchstens genauso viel zur Verfügung steht, die also in einem gleichartigen oder
schlechteren Umfeld operieren.562
In diesem Abschnitt sei auch auf die Problematik der Auswahl der Inputs und Outputs eingegangen. Wie bei allen Methoden hängt auch bei der DEA die Güte der Ergebnisse davon ab, dass alle relevanten Input- und Outputgrößen berücksichtigt sind
und diese auch tatsächlich in einem Input-Output-Zusammenhang stehen. Donthu/
Hershberger/Osmonbekov betonen, dass die DEA-Effizienzwerte sensitiv darauf reagieren, welche und wie viele Variablen ausgewählt werden. Sie schlagen vor, die
Effizienzwerte eines Modells mit allen ausgewählten Variablen („full model“) mit den
Effizienzwerten von Teilmodellen, in denen jeweils eine Variable entfernt wird („omitted variable models“), zu vergleichen, um die Sensitivität des Modells abzuschätzen.
Sie berechnen für eine Marketinganwendung mit 3 Inputs und 2 Outputs sowohl die
Effizienzwerte des „full model“ und die Effizienzwerte der fünf „omitted variable models“. Anschließend berechnen sie die jeweiligen Korrelationen zwischen den Effizienzwerten des vollständigen Modells und denen der „omitted models“. Es zeigt
sich, dass die Korrelationen zwischen 0,54 und 0,91 schwanken, d.h. bei einigen Variablen das Weglassen einen erheblichen Einfluss auf die Berechnung der Effizienzwerte ausübt.563 Die Variablen, deren Weglassen zu sehr niedrigen Korrelationen mit
561
562
563
Vgl. Staat (1999).
Vgl. Allen (2002), S. 86 f.
Vgl. Donthu/Hershberger/Osmonbekov (2005), S. 1480.
184
den Effizienzwerten des Gesamtmodells führt, sind als besonders kritisch und einflussreich zu sehen.
Vor einer DEA-Anwendung sollte daher intensiv abgewogen werden, welche Variablen in die Analyse aufgenommen werden. Generell und insbesondere in dem Bereich, aus dem die besonders einflussreichen Variablen stammen (in der Anwendung
von Donthu/Hershberger/Osmonbekov der Bereich „Managementerfahrung“) ist nach
weiteren potenziell relevanten Größen zu suchen. Die wichtigste Grundlage bildet
hierfür das Zielsystem des Anwenders. Alle für die Effizienz relevanten Zielgrößen
sind als zu minimierende (Inputs) oder zu maximierende (Outputs) Größen zu erfassen.564 Für die Outputseite ist es gerade im Marketing wichtig, sowohl ökonomische
als auch vorökonomische Faktoren mit in die Analyse aufzunehmen. So können die
psychografischen Faktoren als Indikatoren für zukünftige potenzielle Gewinne gesehen werden, während die ökonomischen Faktoren die gegenwärtige bzw. vergangene Gewinnsituation abbilden.565 Des Weiteren sollten, um einen kausalen Zusammenhang zumindest unterstellen zu können, die Input- und Outputvariablen positiv
(zumindest aber nicht negativ) korreliert sein.566
1.6.5.
Messung von allokativer Effizienz
Banker/Maindiratta entwickeln ein Modell, mit dem es möglich ist, neben der technischen Effizienz (ausgedrückt durch die Nähe zum Rand) auch allokative Effizienz
(als Maß für die richtige Proportionierung der Inputs) zu bestimmen. Durch Multiplikation beider Komponenten kann die Kosteneffizienz einer DMU ermittelt werden.567
Hierfür müssen Daten zu Faktorpreisen der Inputs in das Modell integriert werden. Ist
dies möglich, kann die kostenminimale Inputkombination bestimmt werden, mit der
festgelegte Outputs hergestellt werden können. Ein kosteneffizientes Inputbündel
wird erreicht, wenn eine Einheit eine effiziente Technologie verwendet (also auf dem
Rand liegt) und zusätzlich mit der bzgl. der Faktorpreise optimalen Proportion der
Inputs produziert (also allokativ effizient ist). Durch die zusätzliche Berücksichtigung
der allokative Effizienz ist es möglich, Effektivitätsbetrachtungen in die DEA zu integrieren, indem innerhalb der Kombinationen, die die Dinge effizient tun, auch die richtige (profitabelste) Kombination gewählt werden kann.
Die kosteneffiziente Kombination wird durch den Tangentialpunkt von Kosten- und
Randproduktionsfunktion repräsentiert. D ist ein kosteneffizientes Inputbündel, d.h.
es liegt auf dem Rand und ist allokativ effizient.
564
565
566
567
Vgl. Donthu/Yoo (1998), S. 103; Dyckhoff (2006).
Vgl. Achabal/Heineke/McIntyre (1984), S. 108.
Vgl. Dyson et al. (2001), S. 248.
Vgl. Banker/Maindiratta (1988).
185
2
1,8
B
1,6
A
Input 2 / Output 1
1,4
1,2
1
K
F
J
VA
0,8
G
0,6
H
I
E
V‘A
0,4
D
C
0,2
0
0
0,2
0,4
0,6
0,8
1
1,2
1,4
1,6
Input 1 / Output 1
Abbildung 20: Bestimmung von allokativer und Kosteneffizienz im Rahmen der
DEA
Einheit E arbeitet allokativ effizient, da der Fahrstrahl durch diesen Tangentialpunkt
führt, ist aber technisch ineffizient, da sie nicht auf dem Rand liegt. Bei I ist der Fall
gerade umgekehrt. Die Kosteneffizienz von Einheit A misst die durch Verwendung
eines kostenminimalen Inputverhältnisses mögliche Kostensenkung. Diese wird in
eine Kostensenkung durch Erhöhung der technischen Effizienz hA (d.h. Vermeidung
von Inputverschwendung durch Bewegung von A zu VA ) und eine Kostensenkung
durch Erhöhung der allokativen Effizienz aA (d.h. Bewegung von VA zu D) aufgespaltet. Diese beiden Kostensenkungspotenziale werden grafisch durch die Teilstreckenverhältnisse hA = 0VA / 0 A und aA = 0VA ' / 0VA angegeben, deren Multiplikation die
Kosteneffizienz k A ergibt, die durch das Streckenverhältnis 0VA ' / 0 A gemessen wird.
Die Kosteneffizienz kann bestimmt werden, indem im dualen Minimierungsmodell
(11) ein Vektor von Inputpreisen bzw. im Maximierungsmodell (10) ein Vektor der
Output-Marktpreise eingefügt wird, mit denen die Input(Output)quantitäten zu multiplizieren sind. Auf diese Weise entsteht das Kostenminimierungs(Erlösmaximierungs)modell der DEA, auf dessen Darstellung verzichtet wird.568 Aufgrund
der monetären Betrachtung wird die Slack-Problematik automatisch gelöst, indem
568
Vgl. dazu Coelli et al. (2005), S. 269 ff.
186
suboptimale Input-Kombinationen entsprechend geringere Kosteneffizienzwerte erhalten.
1.7.
Abschließende Würdigung der DEA
Mit der DEA wird in dieser Arbeit für ein Verfahren der relativen Marketingeffizienzanalyse plädiert, welches die meisten Mängel der einfachen, kennzahlenbezogenen
sowie der parametrischen Verfahren vermeidet. Dies wird gewährleistet durch eine
produktions- und entscheidungstheoretische Fundierung der Methode. Erstere erlaubt es, komplexe multidimensional beschriebene Problemfelder zu modellieren, da
multiple Outputs und multiple Inputs in Beziehung gesetzt werden können. Zum anderen erlaubt es die entscheidungstheoretische Fundierung, die einzelnen Inputs und
Outputs endogen zu gewichten und in ein einziges Effizienzmaß zu transformieren.
Dieses wird zu vergleichbaren Entscheidungseinheiten in Relation gesetzt.569 Die
DEA repräsentiert dabei einen Algorithmus, mit dessen Hilfe eine exakte Bestimmung des adäquaten Benchmarks im Input-Output-Raum möglich ist, dessen Koordinaten unmittelbar als Zielwerte herangezogen werden können, wodurch Handlungsempfehlungen „quantifiziert“ werden, und zwar in Form notwendiger Veränderungen aller Inputs und Outputs. Der adäquate Benchmark wird durch jene Vergleichseinheit auf der Produktionsfunktion gegeben, die den Abstand einer ineffizienten DMU zum Rand minimiert. Demgegenüber liefern einfache Verfahren meist keine
Hinweise darauf, welches Objekt als geeigneter Benchmark aus der Menge möglicher Referenzobjekte auszuwählen ist.
Die Möglichkeit, mehrere Input- und Output-Parameter zu integrieren, erlaubt eine
ganzheitliche Effizienzbewertung und eine simultane Optimierung aller relevanten
Performancevariablen.570 Die DEA beschränkt sich somit nicht auf die Bestimmung
von Teilproduktivitäten, sondern stellt ein Maß für die Gesamteffizienz (overall efficiency) zur Verfügung. Auf diese Weise lassen sich auch Verbesserungsempfehlungen für alle Variablen ableiten, wodurch die Managementrelevanz erheblich gesteigert wird. Die DEA ist somit in der Lage, Ineffizienzen zu identifizieren, die mit anderen Verfahren unter Umständen unentdeckt blieben.571 Durch den Ausweis einer relativen Effizienz als prozentualer Abstand vom effizienten Rand wird zudem eine
Skaleninvarianz, d.h. eine Interpretation der Effizienzwerte unabhängig von der Art
der Messung der Inputs und Outputs erreicht. Es können sowohl reale als auch monetäre Größen integriert werden, wodurch alle Arten von Daten für eine DEA ver-
569
570
571
Vgl. Golany et al. (1990), S. 101; Thomas et al. (1998), S. 500.
Vgl. Bouyssou (1999), S. 974.
Vgl. Epstein/Henderson (1989), S. 100.
187
wendbar sind.572 Insbesondere werden durch den Ausweis technischer Effizienz weiterhin keine Preis- oder Kosteninformationen benötigt. Dieser Vorzug erlaubt die Berücksichtigung qualitativer und vor-ökonomischer Größen (wie Markenimage, Zufriedenheit, Loyalität etc.), die gerade im Marketing von zentraler Bedeutung sind.
Eine weitere Stärke der DEA besteht in der nicht parametrischen Vorgehensweise,
die es erlaubt, den Verlauf der Produktionsfunktion und damit die Funktionsparameter flexibel an die empirischen Gegebenheiten anzupassen. Im Rahmen der DEA
wird ein individueller Optimierungslauf für jede einzelne Einheit in der Stichprobe
vorgenommen. Davon profitieren die Untersuchungsobjekte dadurch, dass nur die
mit den eigenen Stärken und Schwächen vergleichbaren Einheiten als Benchmarks
gegenübergestellt werden.573 Diese Stärke der DEA entfaltet sich vor allem im Marketing, einem Bereich, in dem in der Regel keine einheitlichen Standards für die Bewertung der Inputs und Outputs (etwa in Form von Marktpreisen) existieren. Demgegenüber muss bei parametrischen Verfahren die funktionale Form des effizienten
Randes über alle Beobachtungseinheiten hinweg exakt spezifiziert werden, wobei
oftmals ein linearer Zusammenhang angenommen wird, was vielfach eine zu starke
Vereinfachung darstellt.574 Die Funktionsparameter werden dann unter der Maßgabe
ermittelt, für alle DMUs übergreifend gültig zu sein. Die Steigung einer linearen Produktionsfunktion gibt an, in welchem Verhältnis Inputs in Outputs transformiert werden. Eine solche Funktion lässt sich als eine bestimmte Strategie der Transformation
auffassen, ausgedrückt durch eine bestimmte Gewichtung der Einflussfaktoren.575
Diesem Vorgehen liegt die wenig realistische Annahme der Existenz „der einen“ richtigen Strategie der Transformation für alle Beobachtungspunkte zu Grunde. Die Efficient Frontier der DEA stellt hingegen eine Zusammensetzung aus verschiedenen
Teilfunktionen mit unterschiedlichen Steigungen dar. Damit lässt sich die Randkurve
als Kombination der abschnittsweise effizienten Strategien verstehen, wobei sich
diese Gewichtungen (Steigungen) endogen aus den Daten ergeben. Eine nicht parametrisch bestimmte Randfunktion repräsentiert eine ganze Menge von effizienten
Strategien in Form einer Menge unterschiedlicher Benchmarks. Somit wird dem
grundsätzlichen Postulat im Marketing entsprochen, dass verschiedene Konzepte
zum Erfolg führen können.576
Die Schätzung der Produktionsfunktion basiert außerdem nur auf den Best-PracticeBeobachtungen, wodurch als Referenzpunkte die maximal erreichbaren Outputniveaus für bestimmte Inputs vorgegeben werden. Die DEA entspricht dem Prinzip des
Lernens von Spitzenstandards statt Ausrichtung am Mittelmaß. Je nach gewähltem
572
573
574
575
576
Vgl. Schefczyk/Gerpott (1994), S. 951.
Vgl. Bauer/Hammerschmidt/Garde (2004a).
Vgl. Cavallo/Rossi (2002), S. 124.
Vgl. Varian (1984).
Vgl. Bauer/Hammerschmidt (2002), S. 8.
188
Modell lassen sich ferner die Skalenerträge für die Untersuchungsobjekte bestimmen
und zusätzlich mögliche Effizienzsteigerungen identifizieren, die bei Wahl der optimalen Größe realisierbar wären. Indem die Referenzfunktion nur auf Basis realisierter
Einheiten und somit realistisch erreichbarer Erfolge gebildet wird, vermeidet die DEA
ein Messen an fiktiven Input-Output-Kombinationen in Form von Idealpunkten.577 Die
DEA zeichnet sich insgesamt durch ein hohes Maß an praktischer Anwendbarkeit
aus, da die Resultate direkt ökonomisch interpretierbar sind und unmittelbar umsetzbare Handlungsempfehlungen liefern. Die durch die DEA ermittelten Variablen unterstützen die Erfüllung der in C-1.4 identifizierten Aufgaben einer relativen Effizienzanalyse.
Aufgaben der relativen
Effizienzanalyse im Marketing
DEA-Unterstützung durch:
Ermittlung der Ist-Effizienz
Bestimmung des Effizienzwertes θ
Ermittlung des Soll-Zustandes
Bestimmung der Anteile λ der Efficient Peers zur Konstruktion
der Referenzeinheit, deren Input- und Outputausprägungen die
Zielvorgaben darstellen
Soll-Ist-Vergleich
Ausweis des Abstandes zum effizienten Rand
Angabe der Differenz zwischen Ausprägungen der
Referenzeinheit und den aktuellen Ausprägungen
Ursachenanalyse /
Stärken-Schwächen-Analyse
Bestimmung der Gewichte ν i und
der Inputs und Outputs anzeigen
Festlegung von
Verbesserungsmaßnahmen
Ausweis notwendiger radialer Input- und Output-Variationen
( 1 − θ ) und zusätzlicher nicht radialer Variationen in Höhe der
Slacks si− und s r+
µr , die die Effizienzbeiträge
Tabelle 18: Implikationen der DEA-Resultate für die Analyse der relativen
Marketingeffizienz
Damit erlaubt die Methodik, Performanceziele zu identifizieren, und sie gibt den Entscheidungseinheiten exakte Vorgaben, die erreicht werden müssen, um als effizient
zu gelten.578 Für die Managementpraxis besitzt die DEA eine besondere Attraktivität,
weil ein hohes Maß an Leistungstransparenz erreichbar wird, ohne dass Manager
sich über eine Zusammenfassung der einzelnen Performancekennziffern in eine
Spitzenkennzahl einigen müssen - diese Verknüpfung wird von der DEA selbst vorgenommen - und bestimmte Benchmarks zur Leistungsbewertung vorab auszuwählen sind - diese werden für alle Einheiten individuell bestimmt. Dadurch lassen sich
Entscheidungen und Handlungsvorgaben nachvollziehbar ableiten, da keine subjektiven Präferenzen des Managements wirksam werden.579 Die DEA stellt somit ein
577
578
579
Vgl. Schefczyk (1996), S. 178-179.
Vgl. Sowlati/Paradi (2004), S. 261.
Vgl. Weibler/Lucht (2001), S. 22.
189
Minimum von Informationsanforderungen an Manager, wodurch der Einsatz auch in
Situationen mit hohem Zeitdruck und Ressourcenknappheit möglich ist.
Aufgrund der aufgeführten methodischen Eigenschaften muss vor dem Hintergrund
der Diskussion bestehender Effizienzanalyseverfahren konstatiert werden, dass für
die DEA – trotz der in D-1.5 genannten Probleme - bislang kaum überzeugende Alternativen existieren. Die aufgezeigten Schwächen sind zudem durch die vorgestellten modellunabhängigen Weiterentwicklungen zu einem erheblichen Teil behebbar.
Insgesamt liefern die bisherigen Ausführungen zahlreiche Argumente dafür, dass
sich die DEA für einen breiteren Einsatz in der Praxis eignet und universell auf unterschiedliche Problembereiche anwendbar ist. Die empirischen Anwendungen dieser
Arbeit, die im Produkt-, Preis- und Vertriebsmanagement angesiedelt sind, sollen die
Aussagekraft der DEA demonstrieren. Sie sollen zum standardmäßigen, institutionalisierten Einsatz der DEA im Marketingcontrolling animieren. Zuvor erfolgt im folgenden Kapitel jedoch eine Bestandsaufnahme von DEA-Anwendungsbereichen im
Marketing, die den derzeitigen State of the Art vermittelt. Für jeden Marketingbereich
werden bestehende Forschungslücken identifiziert, die die Wahl der empirischen Untersuchungsobjekte dieser Arbeit begründen.
2.
Anwendungsfelder der DEA im Marketing –
Bestandsaufnahme empirischer Befunde
2.1.
Anwendungen zur Analyse der aggregierten Marketingeffizienz
In Abschnitt 2.1 werden DEA-Anwendungen vorgestellt, die sich mit der Marketingeffizienz aus einer instrumentenübergreifenden Perspektive befassen und sich auf der
Ebene der Unternehmung bzw. von Geschäftseinheiten (Business Units) bewegen.
In der Studie von Golany et al., die den Beginn von DEA-Anwendungen im Marketing
markiert, wurde die Effizienz der gesamten Marketingfunktion von eigenständigen
Gesellschaften eines Unternehmens untersucht.580 Als Marketingoutputs definieren
sie dabei den Umsatz und die Anzahl der Wiederholungskäufe, als Marketinginputs
die Aufwendungen für Werbung und Verkaufsförderung. Das Marketing von vier der
zehn untersuchten Unternehmen erweist sich als technisch effizient. Um daneben
auch die allokative Effizienz der einzelnen Einheiten analysieren zu können, beziehen Golany et al. Marktpreise in die Analyse ein, die in Form eines exogenen Gewichtungsvektors für die Inputs vorgegeben werden. Über die Minimierung des virtuellen Inputs in der Zielfunktion des DEA-Modells bestimmen die Autoren dann den
kostenminimalen Input-Mix der effizienten Unternehmen. Dieses Vorgehen ermöglicht die Differenzierung der als operativ effizient klassifizierten Einheiten in Bezug
580
Vgl. Golany et al. (1990).
189
Minimum von Informationsanforderungen an Manager, wodurch der Einsatz auch in
Situationen mit hohem Zeitdruck und Ressourcenknappheit möglich ist.
Aufgrund der aufgeführten methodischen Eigenschaften muss vor dem Hintergrund
der Diskussion bestehender Effizienzanalyseverfahren konstatiert werden, dass für
die DEA – trotz der in D-1.5 genannten Probleme - bislang kaum überzeugende Alternativen existieren. Die aufgezeigten Schwächen sind zudem durch die vorgestellten modellunabhängigen Weiterentwicklungen zu einem erheblichen Teil behebbar.
Insgesamt liefern die bisherigen Ausführungen zahlreiche Argumente dafür, dass
sich die DEA für einen breiteren Einsatz in der Praxis eignet und universell auf unterschiedliche Problembereiche anwendbar ist. Die empirischen Anwendungen dieser
Arbeit, die im Produkt-, Preis- und Vertriebsmanagement angesiedelt sind, sollen die
Aussagekraft der DEA demonstrieren. Sie sollen zum standardmäßigen, institutionalisierten Einsatz der DEA im Marketingcontrolling animieren. Zuvor erfolgt im folgenden Kapitel jedoch eine Bestandsaufnahme von DEA-Anwendungsbereichen im
Marketing, die den derzeitigen State of the Art vermittelt. Für jeden Marketingbereich
werden bestehende Forschungslücken identifiziert, die die Wahl der empirischen Untersuchungsobjekte dieser Arbeit begründen.
2.
Anwendungsfelder der DEA im Marketing –
Bestandsaufnahme empirischer Befunde
2.1.
Anwendungen zur Analyse der aggregierten Marketingeffizienz
In Abschnitt 2.1 werden DEA-Anwendungen vorgestellt, die sich mit der Marketingeffizienz aus einer instrumentenübergreifenden Perspektive befassen und sich auf der
Ebene der Unternehmung bzw. von Geschäftseinheiten (Business Units) bewegen.
In der Studie von Golany et al., die den Beginn von DEA-Anwendungen im Marketing
markiert, wurde die Effizienz der gesamten Marketingfunktion von eigenständigen
Gesellschaften eines Unternehmens untersucht.580 Als Marketingoutputs definieren
sie dabei den Umsatz und die Anzahl der Wiederholungskäufe, als Marketinginputs
die Aufwendungen für Werbung und Verkaufsförderung. Das Marketing von vier der
zehn untersuchten Unternehmen erweist sich als technisch effizient. Um daneben
auch die allokative Effizienz der einzelnen Einheiten analysieren zu können, beziehen Golany et al. Marktpreise in die Analyse ein, die in Form eines exogenen Gewichtungsvektors für die Inputs vorgegeben werden. Über die Minimierung des virtuellen Inputs in der Zielfunktion des DEA-Modells bestimmen die Autoren dann den
kostenminimalen Input-Mix der effizienten Unternehmen. Dieses Vorgehen ermöglicht die Differenzierung der als operativ effizient klassifizierten Einheiten in Bezug
580
Vgl. Golany et al. (1990).
190
auf ihre Profitabilität. Durch Einbeziehung der Marktpreise ist es also möglich, unter
den Einheiten auf dem effizienten Rand jene mit der besten Mittelverwendung zu
identifizieren, wobei letzteres als ein Indikator für deren Effektivität interpretiert werden kann.581
Genauere Einsichten in den Zusammenhang zwischen dem Markteintrittszeitpunkt
eines Unternehmens und dessen Marketingeffizienz vermitteln Murthi/Srinivasan/
Kalyanaram. Auf Basis einer Untersuchung von 260 Geschäftseinheiten von Konsumgüterherstellern der sog. Fortune-500-Liste für 1974 bis 1977 erweist sich das
Ausmaß der Fähigkeiten des Marketingmanagement (marketing skills) als der „missing link“ zwischen den beiden Größen. Die Befunde decken auf, dass der auch in
vielen anderen Studien beobachtete signifikant positive Einfluss des Pioneering auf
die Marketingeffizienz dadurch erklärt werden kann, dass sich First Mover durch eine
überlegene Nutzung der Marketingressourcen auszeichnen. Diese beruht auf der
Etablierung einer effizienten Marketingorganisation und hoher Managementexpertise
im Sinne eines klugen Managements. Diese höhere Marketingeffizienz drückt sich in
der Realisierung eines First Mover Advantage in Form höherer Marktanteile und
ROIs in Relation zu den eingesetzten Marketingressourcen aus.582 Im Gegensatz zu
den Pionieren weisen Folger hohe Slacks, d.h. exzessive (überproportionale) Marketingaufwendungen auf, was darauf hindeutet, dass sie massiv höhere Investitionen
als die Pioniere tätigen mussten, um den gleichen Marktanteil zu erreichen.
Chebat et al. analysieren in ihrer branchenübergreifenden Studie die Effizienz der
Allokation der Marketingressourcen (d.h. der Inputs). Ziel ist es, die Ressourcenallokation effizienter Unternehmen zu erkunden, um Informationen über deren strategische Erfolgsbedeutung zu erhalten.583 Als effizient klassifizierte Unternehmen tätigen
unabhängig von der Branche überdurchschnittlich hohe Marketingausgaben und beschäftigen überdurchschnittlich viele Mitarbeiter im Marketing- und Finanzbereich.
Die Allokation der übrigen Ressourcen unterscheidet sich jedoch stark in Abhängigkeit von der Branchenzugehörigkeit. Die Autoren folgern daraus, dass es keine allgemein gültige Allokationsregel bzgl. aller Ressourcen gibt. Anschließend treffen die
Autoren über die Analyse der im Rahmen der DEA für die Inputs ermittelten Gewichte (Schattenpreise) Aussagen bezüglich der strategischen Bedeutung der einzelnen
Ressourcen. So empfehlen die Autoren, verstärkt in solche Ressourcen zu investieren, die hohe Gewichte aufweisen und folglich von großer strategischer Bedeutung
sind, und solche abzubauen, die nur geringe Gewichte aufweisen. Die Zahl der strategisch wichtigen Ressourcen schwankt dabei stark von Branche zu Branche. Relativ
konsistent scheint jedoch zu sein, dass der Effizienzwert insgesamt stärker von der
581
582
583
Vgl. Kreuder (2003), S. 101.
Vgl. Murthi/Srinivasan/Kalyanaram (1996), S. 333 f.
Vgl. Chebat et al. (1994).
191
Allokation der Personalressourcen als von der Allokation der finanziellen Ressourcen
abhängig ist, da lediglich zwei finanzielle (die Aufwendungen für Marketing und Forschung), hingegen aber fast alle personellen Ressourcen hohe Gewichte erhalten.
Tabelle 19 vermittelt einen Überblick, welche Parameter in weiteren Studien einbezogen wurden und welche Kernbefunde resultieren.584
Autoren /
Fragestellung
Analysegegenstand
Inputs
Outputs
Kernbefunde
Golany et al.
(1990)
Analyse von
technischer
und allokativer Marketingeffizienz
10 unabhängige
Tochtergesellschaften
• Aufwendungen für
Werbung
• Umsatz
• 40% der Einheiten sind marketingeffizient
Chebat et al.
(1994)
Analyse der
Effizienz der
Allokation der
Marketingressourcen
229 Unternehmen aus
fünf Branchen
• Aufwendungen für
Verkaufsförderung
• Wiederkaufrate
• es wird der kostenminimale
Input-Mix ermittelt, der es den
Unternehmen ermöglicht, ihre
Profitabilität unter Beibehaltung des Marketingeffizienzwertes zu steigern
• Gesamt-Marketing• Zufriedenheit des
budget
Managements mit
dem Gewinn
(Aufwendungen für
Kundendienst, Vertrieb, Werbung, Verkaufsförderung, Public Relations, Marktforschung)
• Anzahl Mitarbeiter in
den einzelnen Marketingbereichen
• Anzahl Mitarbeiter in
Nicht-Marketingbereichen (Finanzen,
IT, F&E, Personal)
584
236 Hersteller von
Verbrauchsgütern in
Reifephase
des Produktlebenszyklus’ (19741977)
• Produktqualität
• Preis
• Marketingausgaben
• effiziente Unternehmen tätigen tendenziell höhere Forschungs- und Marketingausgaben und beschäftigen mehr
Mitarbeiter im Finanz- und im
Marketingbereich als ineffiziente Unternehmen
• durch die Gewichte (Schattenpreise) wird strategische
Bedeutung der einzelnen
Ressourcen ermittelt
• die Anzahl der Ressourcen
mit hohen Schattenpreisen
schwankt stark innerhalb der
einzelnen Branchen
• Gesamter Forschungsaufwand
Murthi/Sriniva
san/Kalyanaram
(1996)
Untersuchung
des Zusammenhangs
zwischen
Markteintrittszeitpunkt,
Marketingeffizienz und
Managementfähigkeiten
• Differenzierung der effizienten
Unternehmen in Bezug auf ihre Profitabilität
• die Effizienz hängt stärker von
der Allokation der Personalressourcen als von der Allokation der Finanzressourcen ab
• Return on Investment
• Marktanteil
• Image
• Direkte Kosten
(Lohn, Gehalt, Material)
Vgl. Kleemann/Hammerschmidt (2006b); Kreuder (2003), S. 110 ff.
• Pioniere weisen größte Marketingeffizienz auf, da Ressourcen am besten genutzt
werden
• Späte Einsteiger weisen bei
Marketingaufwendungen die
größten Defizite auf, d.h.
müssen deutlich mehr investieren, um so effizient zu werden wie Pioniere
192
Charnes et al.
(1997b)
Zeitreihenuntersuchung
der Marketingeffizienz
unter Berücksichtigung
des Wettbewerbsumfeldes
Soft-DrinkHersteller in
unterschiedlichen Regionen der
USA
• Eigene TVWerbeausgaben
• Produktpreis
• Preisnachlässe
• Durchschnittstemperatur im Vertriebsgebiet
• Marktpotenzial
• Werbeausgaben der
Konkurrenz
• Abgesetzte Menge • Keine Konzentration effizienzu regulären Preiter Unternehmen in bestimmsen
ten Regionen
• Abgesetzte Menge • Dauerhafte technische Ineffizu Vorteilspreisen
zienz vieler Unternehmen über das gesamte Zeitfenster;
• Anzahl kaufender
dies ist ein Symptom für
Haushalte
Marktversagen, welches der
• Kaufhäufigkeit
klassischen Gleichgewichtstheorie widerspricht
• Marktanteil
• Effiziente Unternehmen schaffen es, einen hohen Produktpreis bei hoher Kauffrequenz
durchzusetzen
• Hohe Werbeausgaben führen
nicht unbedingt zu Effizienz
Donthu /
Hershberger/
Osmonbekov
(2005)
Benchmarking der Marketingeffizienz von
Franchiseunternehmen
24 FastFoodRestaurantbetriebe
• Werbe- und Promotionausgaben
• Anzahl der Mitarbeiter
• Managementerfahrung
• Umsatz
• Kundenzufriedenheit
• 50% der Restaurants sind
effizient
• Bestimmung von Soll-Größen
und Verbesserungsvorschlägen anhand des Benchmarks
• Nichtberücksichtigung der
Managererfahrung verzerrt Effizienzwerte erheblich; die belegt die hohe Bedeutung der
Erfahrung für die korrekte Abbildung der Marketingeffizienz
Tabelle 19: Empirische DEA-Studien zur aggregierten Marketingeffizienz
Insgesamt kristallisiert sich auf einer hohen Aggregationsebene der Effizienzbetrachtung im Marketing relativ klar heraus, welche Inputs und Outputs in jedem Fall zu
berücksichtigen sind. Forschungslücken bestehen hinsichtlich der Frage, ob sich der
gesamte Managementerfolg allein durch die wenigen in der DEA berücksichtigten
Faktoren messen lässt. Weiche Faktoren wie Loyalität, Image, Bekanntheit und Dauer der Kundenbeziehungen wurden bisher nicht in Effizienzuntersuchungen der gesamten Marketingfunktion einbezogen. In vielen der vorgestellten Studien werden
zudem fast ausschließlich große und erfolgreiche Unternehmen untersucht, was zu
Verzerrungen führen kann. Die Analysen aggregieren meist die Daten mehrerer verschiedener Branchen, daher ist unsicher, ob sich auf Segmentebene die gleichen
Befunde ergäben. Bezüglich der Arbeit von Murthi/Srinivasan/Kalyanaram ist anzumerken, dass sich seit dem betrachteten Zeitraum 1974-77 die Wettbewerbsverhältnisse auf den Konsumgütermärkten sicherlich stark gewandelt haben, so dass eine
Übertragung der Implikationen auf heutige Märkte fraglich ist.
193
2.2.
Anwendungen zur Produkteffizienzanalyse
2.2.1.
Anbieterorientierte Produkteffizienz
Wie bereits in Abschnitt B-3.2.2.1 dargestellt, lässt sich die Effizienz von Produkten
bzw. Dienstleistungen aus Sicht des Herstellers (interne Perspektive) und aus Sicht
des Konsumenten (externe Perspektive) analysieren. Bei der Analyse der internen
Produkteffizienz geht es darum, den Return on Investment der für die Produktentwicklung, -gestaltung und -vermarktung eingesetzten Prozesse zu bewerten. Hier ist
zu überprüfen, wie effizient der Aufwand für das Anbieten eines bestimmten Produktes in entsprechende Erlöse transformiert wird. Diese Fragestellung wurde mittels
DEA bisher nur für die Erstellung immaterieller Produkte in Form von Dienstleistungen untersucht. So nutzen Soteriou/Zenios und Mukherjee/Nath/Pal die DEA zur Effizienzanalyse der Dienstleistungsqualitätserbringung von Banken. Hierbei wird ein
mehrstufiges DEA-Modell verwendet. Als Inputs dienen die Aufwendungen für die
Produktion der Dienstleistungen (Kosten der technischen Infrastruktur, Marketingaufwand, Personalaufwand), als Outputs die durch die Erbringung der Dienstleistungen erzielten Einnahmen (Zinseinnahmen, Gebühren). Der Input-OutputZusammenhang wird durch die Qualitätswahrnehmung der Kunden mediiert. Sie
stellt aus diesem Grunde den Output der ersten „Produktionsstufe“ (Transformation
der operativen Faktoreinsätze in positive Qualitätsbeurteilung) dar, der dann als Input
in die zweite Stufe (Transformation der Qualitätsbeurteilung in Erlöse) eingeht. Durch
Betrachtung solcher Input-Output-Ketten wird eine Trennung in Qualitäts- und Erlöseffizienz ermöglicht. Mukherjee/Nath/Pal zeigen, dass nur 29% der Banken sowohl
qualitäts- als auch erlöseffizient arbeiten. Nur diese Unternehmen schaffen es, den
gesamten Prozess der Dienstleistungserstellung – d.h. beide Stufen – erfolgreich zu
managen.585
In ihrer anspruchsvollen Studie zur Dienstleistungseffizienz untersuchen Kamakura
et al. die Effizienz der sog. Service Profit Chain586 anhand von Filialen einer brasilianischen Bank. Auch hier erfolgt die Messung der Dienstleistungseffizienz mittels eines zweistufigen Modells. Das operative Effizienzmodell repräsentiert die erste Stufe
und bildet die Wirkungen der für die Leistungserstellung verwendeten operativen
Ressourcen „Infrastruktur“ und „Prozesse“ auf die Qualitätswahrnehmung der Kunden ab. Im zweiten Modell (Kundenverhaltensmodell) wird die effiziente Verwertung
einer positiven Qualitätsbeurteilung zur Generierung langfristiger Kundenbindung
untersucht, die letztlich den finanziellen Erfolg determiniert.587 Somit stellt der Output
der ersten Stufe (Qualitätsbeurteilung) den Input der zweiten Stufe dar. Outputs der
585
586
587
Vgl. Mukherjee/Nath/Pal (2003), S. 730.
Vgl. hierzu Heskett et al. (1994).
Vgl. Kamakura et al. (2002), S. 294.
194
zweiten Stufe sind Erfolgsmaße des Kundenverhaltens. Der Ansatz berücksichtigt,
dass der Ressourceneinsatz durch das operative Filialmanagement dezentral variierbar ist. Die strategische Unternehmenspolitik wird insofern berücksichtigt, als nur
Filialen evaluiert wurden, in denen im Kern das gleiche Modell der Leistungserstellung implementiert war. Die Befunde zeigen, dass genau die Filialen die höchsten
Pro-Kopf-Gewinne aufweisen, die sowohl auf der operativen Ebene als auch auf der
Kundenbindungsebene am effizientesten agieren. Effizienz nur in einem Bereich hingegen ist wenig erfolgreich. Dies zeigt, dass das Management enorme Aktionspotenziale hat, um zum Einen die Ressourcen kosteneffizient zu nutzen und zum anderen
durch ein effektives Kundenbindungsmanagement die Profitabilität zu erhöhen.588
Die nachfolgende Tabelle fasst Studien zur Messung der Produkteffizienz aus Anbietersicht zusammen.589 Als Ergebnis des Literaturüberblicks fällt auf, dass sich die
Autoren bei der Modellierung der Inputseite, welche die für die Dienstleistungserstellung eingesetzten Ressourcen abbildet, fast ausschließlich auf technische, direkt beobachtbare Potenzialfaktoren (d.h. interne Produktionsfaktoren des tangiblen Umfeldes wie IT-Ausstattung, Anzahl an Geldautomaten oder Zahl der Angestellten) konzentrieren.
Hier bestünde zukünftiger Forschungsbedarf hinsichtlich der Einbeziehung qualitativer, stärker prozessbezogener Einsatzfaktoren. So müsste etwa der Zeitaufwand für
Beratung, Betreuung, Auftragsbearbeitung etc. berücksichtigt werden.590 Von diesen
Einschränkungen abgesehen liegen zur Konzeptualisierung und Analyse der Anbietereffizienz im Bereich der Produktpolitik mit den bestehenden Studien zwar wenige,
dafür sehr anspruchsvolle und umfassende Arbeiten vor, die zahlreiche Problemstellungen beleuchten. Durch die in einigen Studien verwendeten mehrstufigen Modelle
können die Strukturen der Dienstleistungsproduktion sehr realitätsnah modelliert
werden, wodurch bessere Einblicke in den Transformationsprozess gewährt werden,
der zwischen den Inputs und Outputs liegt und dadurch weniger einer Black Box
gleicht. Allerdings fokussieren sich alle empirischen Studien auf immaterielle Produkte (Dienstleistungen). Ähnliche Studien wären auch für Sachgüter wünschenswert.
Vorgaben für eine mögliche Gestaltung einer solchen Untersuchung könnte den konzeptionellen Überlegungen von Rust/Moorman/Dickson entnommen werden.
588
589
590
Vgl. auch Kleemann (2004), S. 121 f.
Vgl. auch Kleemann (2004), S. 130 f.
Vgl. Frei/Harker (1999), S. 302 ff.; Xue/Harker (2002).
195
Verfasser /
Fragestellung
Analysegegenstand
Inputs
Outputs
Soteriou /
Zenios (1999)
Messung der
internen
Dienstleistungsqualitätseffizienz
Finanzdienstleistungen
einer Großbank im
Mittelmeerraum
Ressourcen:
• Von den Angestellten • durchschnittliche Effi-
• Einsatz leitender Angestellter
• Einsatz an Servicepersonal
Kernbefunde
zienz liegt bei 78,6 %
eingeschätzte Dienstleistungsqualität
• Massive Unterschiede in
(bzgl. der SERVden Effizienzwerten (MiQUAL-Dimensionen)
nimum: 0,39)
• Art und Qualität des
Kundenstamms haben
erhebliche Auswirkungen
auf die Dienstleistungsqualität
• Computerausstattung
• Arbeitsfläche
Mikro-Umwelt:
• Anzahl Privatkunden
• Anzahl Geschäftskunden
• Anzahl Kreditanträge
• Provisionen
Kamakura et
al. (2002)
Analyse der
Dienstleistungseffizienz
entlang der
Service Profit
Chain
Bankdienst- 1. Stufe (Operatives Effizienzmodell):
leistungen
in Brasilien
• Anzahl an Geldautomaten
• Anzahl leitender Angestellter
• Anzahl nicht leitender
1. Stufe:
• Anzahl an Stammkunden
• getätigte Transaktionen
• Weiterempfehlungen
von Kunden
Angestellter und Kassierer
2. Stufe (Kundenverhaltensmodell):
• Weiterempfehlungen
von Kunden
2. Stufe:
• Kundenbindung
(Dauer der Beziehung mit Stammkunden)
• finanzieller Erfolg
• 35 effiziente Filialen auf
der 1. Stufe, nur 10 effiziente Filialen auf der 2.
Stufe
• Nur 5 Filialen sind auf
beiden Stufen effizient
(d.h. gesamteffizient);
diese Filialen weisen
auch den höchsten Gewinn pro Mitarbeiter auf
• eine effiziente Konfiguration und Implementierung der gesamten Service Profit Chain sind
Voraussetzungen für
Profitabilität der Dienstleistungen
(durchschnittlich verwalteter Geldbetrag)
über alle Kunden
• finanzieller Erfolg
(durchschnittlich verwalteter Geldbetrag)
mit Stammkunden
Mukherjee/
Nath/Pal
(2003)
Zweistufige
Analyse der
Effizienz der
Dienstleistungserstellung (Qualitäts- und Erlöseffizienz)
Dienstleistungen
staatlicher
Banken in
Indien
1. Stufe (Qualitätseffizienzmodell):
• Bauliche und technische Infrastruktur der
Filialen
• Marketingaufwand
• Beratungsqualität durch
Personal (Kompetenz)
2. Stufe (Erlöseffizienzmodell):
• Wahrgenommene
Dienstleistungsqualität
1. Stufe:
• durch Kunden wahr-
• 29% der Filialen sind
qualitätseffizient
• Nur 7 Banken waren
genommene
sowohl qualitäts- als
Dienstleistungsauch erlöseffizient
qualität (SERVQUAL)
• Durchschnittliche Gesamteffizienz liegt bei
0,82
2. Stufe:
• Einlagen
• Zinseinnahmen
• Sonstige Einnahmen
• Errechnung eines sog.
Leistungsverbesserungsindex der Dienstleistungsqualität
Tabelle 20: Empirische DEA-Studien zur anbieterorientierten Produkteffizienz
196
2.2.2.
Nachfragerorientierte Produkteffizienz
Die externe Richtung der Produkteffizienzanalyse untersucht den Produktwert aus
Kundensicht. Hier werden die Investitionen des Kunden in das Produkt als Inputs
verstanden (sowohl im Rahmen der Anschaffung als auch der laufenden Nutzung
bzw. Unterhaltung). Als Outputs fungieren die Erträge dieser Investitionen in Form
der Leistungskomponenten, die ein Kunde mit dem Produkt erwirbt. Im Zuge dieser
Definition sind Produkte als Bündel von Input- und Outputattributen zu verstehen.591
Wie in Abschnitt B-3.2.2.2 bereits angedeutet wurde, sind die Aspekte der Produktund der Preiseffizienz nicht einfach getrennt voneinander zu betrachten. Konsumenten optimieren in einer Kaufentscheidung nicht alleinig das Outputlevel, sondern optimieren das Verhältnis des Nutzens aus den Produkteigenschaften (Outputs) zu den
dafür zu erbringenden Kosten (Inputs). Der Preis eines Produktes fließt bei der Effizienzanalyse somit über die Inputseite automatisch in die Evaluierung des Angebots
ein.
Anwendungen der DEA zur Entscheidungsunterstützung bei der Entwicklung und
Gestaltung kundengerechter Produkte sind bisher selten. Die wenigen DEA-Studien
zur nachfragerorientierten Produkteffizienz können in zwei Gruppen - technisch orientierte und umfassender marktorientierte - unterteilt werden. Im Rahmen der Ansätze der ersten Gruppe, die als engineering applications bezeichnet werden können,592
wird zwar auch der Effizienzwert eines Produktes aus Sicht des Käufers ermittelt, sie
unterstellen jedoch, dass ausschließlich technisch-funktionale Attribute dessen Nutzen bestimmen und gegen den zu erbringenden Preis abgewogen werden. Einige
dieser Arbeiten sind im B2B-Bereich angesiedelt und untersuchen etwa die Effizienz
von Robotern, Maschinen, Flugzeugen oder Lastkraftwagen anhand technischer Parameter wie Traglast, Geschwindigkeit, Luftwiderstand oder Schubkraft.593 Andere
Studien untersuchen Konsumgüter (PCs, Drucker, Automobile) anhand technischer
Parameter wie Geschwindigkeit, Zuverlässigkeit etc.594 In die Gruppe der technischen Ansätze sind die meisten Studien der externen Produkteffizienzanalyse zuzuordnen. Der auf diese Weise bestimmte Effizienzwert berücksichtigt folglich keine
nicht funktionalen (pse) Eigenschaften, die aber für die Kaufentscheidung des Kunden ebenfalls als hoch relevant einzustufen sind.
Der Begriff der marktorientierten Produkteffizienz ist deutlicher in Bezug auf den
Kunden und die relevanten Wettbewerber definiert als der Begriff der technischen
Produkteffizienz. Eine stärkere Kundenorientierung wird erreicht, indem nicht nur die
591
592
593
594
Vgl. Staat/Bauer/Hammerschmidt (2002), S. 207.
Vgl. Triantis (2004), S. 402 ff.
Vgl. Baker/Talluri (1997); Braglia/Petroni (1999); Bulla et al. (2000); Khouja (1995); Odeck/ Hjalmarsson (1996).
Vgl. Doyle/Green (1991, 1994); Fernandez-Castro/Smith (2002); Papagapiou/Mingers/Thanassoulis (1997); Papahristodoulou (1997).
197
funktional-technischen, sondern sämtliche aus Kundensicht relevanten Inputs und
Outputs in die Analyse einbezogen werden.595 Damit wird verstärkt der Tatsache
Rechnung getragen, dass nur ein aus Kundensicht insgesamt (und nicht etwa nur in
Bezug auf die technischen Faktoren) effizientes Produkt einen Wert schafft, was zu
Kundenzufriedenheit, Kundenbindung und somit letztlich zur Unternehmenswertsteigerung führt. Die Produkteffizienzanalyse ist somit als Ansatzpunkt zur Steigerung
des Wertbeitrags des Marketing zu sehen. Auf diese Weise wird eine gezielte Optimierung der Produkte gemäß den Kundenanforderungen sichergestellt. Eine verstärkte Orientierung am relevanten Wettbewerb drückt sich bei der marktorientierten
Produkteffizienzbetrachtung aus, indem ein Produkt nur in Relation zu den Produkten
des „eigenen“ Teilmarktes bewertet wird, die sich durch ähnliche Strategien der Produktgestaltung auszeichnen.
Im Rahmen der marktorientierten Studien wird die Produkteffizienz somit als umfassender Customer Value operationalisiert. Dieser Perspektive, die den State of the Art
der Produkteffizienzanalyse darstellt, folgen bisher nur wenige Studien. Die Forschung zu einer umfassend verstandenen Produkteffizienzanalyse befindet sich erst
in den Anfängen.596 Daher bezieht sich die in dieser Arbeit vorgestellte empirische
DEA-Studie im Rahmen der Produktpolitik auf die marktorientierte Definition der Produkteffizienz. Im Folgenden sollen zu beiden Forschungsrichtungen jene Studien
aufbereitet werden, die wesentlich zu deren Entwicklung beigetragen haben.
Technische Produkteffizienzanalyse
Die Forschungsrichtung zur Effizienzanalyse von Produkten aus Nachfragersicht
wurde mit der maßgeblichen Studie von Doyle/Green begründet.597 Sie analysieren
mittels eines CCR-Modells die Effizienz von Druckern auf Basis von sieben technischen Outputs, beispielsweise der Druckqualität und der Größe des Druckerspeichers sowie dem Kaufpreis als einzigem Input. Die Autoren erweitern anschließend
ihre Analyse, indem sie untersuchen, ob die effizienten Drucker jeweils aufgrund nur
einzelner, extrem ausgeprägter Eigenschaften als effizient klassifiziert werden und
folglich eine „spezialisierte Nische“ im Markt ausfüllen oder ob sie vielmehr deshalb
als effizient klassifiziert werden, weil sie ein ausgewogenes Leistungsprofil anbieten
(All-round-Produkte). Drucker, die ein Nischenprodukt darstellen, werden anderen
Druckern nur sehr selten oder nie als Benchmark zugewiesen, da sie aufgrund ihrer
Spezialisierung eine sehr unterschiedliche Input-Output-Struktur aufweisen.
595
596
597
Vgl. Staat/Hammerschmidt (2005), S. 307.
Zu ersten empirischen Anwendungen zur Messung und Analyse der Produkteffizienz i.S. eines
umfassenden Output-Input-Wertes vgl. die nachfolgende Tabelle.
Vgl. Doyle/Green (1991).
198
In einer späteren Studie wenden Doyle/Green ihren Ansatz auf Computer an und
konnten ähnliche Befunde gewinnen.598 Wie sie weiter zeigen, gibt es durchaus Anbieter, die es schaffen, ein hohes Maß an Qualität, Service und Innovation bei
gleichzeitig niedrigem Preis bereitzustellen und so nachhaltige Wettbewerbsvorteile
zu sichern. Diese Befunde können die klassische „Stuck-in-the-middle-These“ von
Porter also nicht bestätigen und stehen vielmehr im Einklang mit der neueren Managementliteratur, die diese These zunehmend in Frage stellt und als nicht mehr zeitgemäß ansieht. Sie zeigen, dass die DEA als Instrument zur Entscheidungsunterstützung vor allem in Situationen leistungsfähig ist „…where the choice is complicated and involves many attributes …and where human choice may be unacceptably
poor.“599 Es wird betont, dass die Interpretation der Ergebnisse und die Auswahl der
passenden Lösung aus der Gruppe der effizienten Alternativen eine Einschätzung
der Entscheidungsträger erfordert und die DEA selbst keine Entscheidungen treffen,
sondern diese nur unterstützen kann.600 Bei beiden Studien ist jedoch die Frage zu
stellen, ob die Wahl eines Druckers bzw. PCs nicht auch von qualitativen Aspekten
wie emotional ansprechenden Attributen wie etwa Design abhängt. Selbst bei den
technischen Merkmalen sind weitere wichtige Merkmale denkbar, die fehlen. Insbesondere die Aussagekraft der zweiten Studie, die lediglich vier Merkmale einem Input
gegenüberstellt, ist anzuzweifeln.
Seit Doyle/Green sind zahlreiche ähnliche Studien erschienen, die sich jedoch weiterhin dadurch auszeichnen, dass die Analyse der Produkte ausschließlich auf Basis
von funktional-technischen Inputs und Outputs erfolgt, d.h. direkt und einfach messbarer Faktoren wie etwa der PS-Zahl eines Autos oder der Arbeitsgeschwindigkeit
von Druckern oder PCs. Darüber hinausgehende, qualitative Eigenschaften werden
im Rahmen dieser Bewertung nicht berücksichtigt, weshalb keine umfassende Abbildung kundenwichtiger Kriterien erfolgt. Solche engineering applications beziehen
sich im Wesentlichen auf die Produktkategorien Robotertechnologien, LKWs, Computer und PKWs (vgl. Tabelle 21). Sie erwecken vielfach den Eindruck, eher auf einen ausgewählten Kreis von technisch versierten Experten (Ingenieuren) als auf
„normale“ Kunden abzuzielen. Dies trifft insbesondere für die im Industriegüterbereich (Roboter, LKW) angesiedelten Studien zu, die eine nur geringe Aussagekraft
für marketingtheoretische Fragestellungen aufweisen und daher nicht eingehender
behandelt, sondern zusammenfassend in Tabelle 21 dargestellt werden.
Stattdessen sollen die Ergebnisse der einschlägigen Studien zum Produktbenchmarking im Automobilbereich kompakt vorgestellt werden. Diese lassen sich
598
599
600
Vgl. Doyle/Green (1994).
Doyle/Green (1994), S. 68.
Vgl. Doyle/Green (1994), S. 68.
199
zumindest partiell zur Entscheidungsunterstützung im Produktmarketing heranziehen.
Das von Papagapiou/Mingers/Thanassoulis durchgeführte Produktbenchmarking von
Gebrauchtwagen liefert den Händlern Details über ihre Wettbewerbsposition im
Markt. Aus Sicht der Kunden wenden sie die DEA als MCDM-Instrument an,601 das
den Kunden die Möglichkeit bietet, die leistungsfähigsten Gebrauchtwagen zu identifizieren und so ihre Verhandlungsmacht gegenüber alternativen Anbietern zu erhöhen, die anhand der Ergebnisse wiederum von den Händlern antizipiert werden
kann. Ein Händler kann auf diese Weise ebenfalls Informationen darüber erhalten,
welche Preise er im Hinblick auf die Performance der von ihm angebotenen PKWs
setzen kann, um ein wettbewerbsfähiges Angebot zu erstellen. Als eine Möglichkeit,
die Anzahl effizienter Produkte zu reduzieren, führen die Autoren Gewichtsrestriktionen ein. Dieses Vorgehen ist zwar im Rahmen der Produktselektion eines Kunden
hilfreich, durch die Einschränkung der Flexibilität der DEA bei der Optimierung der
individuellen Gewichte wird jedoch ein entscheidender Vorteil der DEA zum Teil zunichte gemacht. Aus diesem Grund stellt sich die Frage nach der Objektivität der Ergebnisse.602
Unter Verwendung unterschiedlicher Skalenertragsannahmen kommt Papahristodoulou zu der Erkenntnis, dass die Leistung der untersuchten Autos nur unterproportional mit der Größe und dem Preis zunimmt.603 So weisen Autos der Oberklasse in
allen betrachteten Modellreihen stets die geringste Anzahl an effizienten Varianten
auf. Ein großer Anteil der Ineffizienz wird auf abnehmende „Returns to Price“ zurückgeführt, d.h. der Preisaufschlag der Oberklassemodelle gegenüber der (unteren) Mittelklasse wird nur zum Teil durch die zusätzliche Leistung gerechtfertigt. Im Bereich
der unteren Mittelklasse lohnt es sich für die Konsumenten hingegen, ein etwas teureres Auto zu wählen, da in diesem Bereich ein überproportionaler Performancezuwachs (steigende Grenzerträge in Bezug auf den Preis) beobachtbar ist. Dieser Befund ist allerdings nicht frei von Zweifeln, da er darin begründet sein könnte, dass
Konsumenten in unteren Segmenten möglicherweise noch viel stärker bereit sind,
überproportional viel zu bezahlen, wenn sie technische Leistung durch ein „Mehr“ an
emotionalen Leistungsattributen substituieren können. Da emotionale Attribute wie
Prestige, Komfort oder Design jedoch nicht berücksichtigt werden, kann streng genommen keine Aussage darüber gemacht werden, ob die Oberklassemodelle tat601
602
603
Vgl. Papagapiou/Mingers/Thanassoulis (1997), S. 13. Im Gegensatz zu den klassischen Entscheidungsmethoden versucht die DEA jedoch nicht, die beste Alternative zu finden, und verlangt dem
Entscheider keine eindeutige Präferenzbekundung ab. Auch Doyle/Green (1991) heben die Aussagekraft der DEA besonders in solchen Situationen hervor, in denen eine große Anzahl an Attributen, aber keine Präferenzfolge gegeben ist; vgl. Doyle/Green (1991), S. 631.
Vgl. Kleemann (2004), S. 113 f.
Vgl. Papahristodoulou (1997), S. 1494 ff. Der Autor verwendet die Begriffe der Returns to technical performance im Sinne der Skalenerträge.
200
sächlich weniger Leistung für einen höheren Preis bieten. Der Befund wäre evtl. ein
anderer, wenn die Leistungsseite umfassend abgebildet und auch non-funktionale
Outputs integriert worden wären. Anhand des CCR-Modells werden insgesamt 43%
der PKWs als effizient klassifiziert. Während alle fünf untersuchten koreanischen
PKWs effizient sind, sind nur 45% der japanischen und nur 39% der europäischen
PKWs effizient. Die von Papahristodoulou vorab geäußerte Hypothese der Überlegenheit japanischer PKWs kann somit nicht bestätigt werden; vielmehr erweisen sich
koreanische PKWs als eindeutig überlegen.
Der Arbeit von Papagapiou/Mingers/Thanassoulis folgend stellen auch FernandezCastro/Smith in ihrem Beitrag zur Selektion von Automobilen eine stärkere Verbindung der DEA zu konsumententheoretischen Fragestellungen her. Die Autoren verknüpften die Idee der DEA mit dem „Characteristics Approach“ von Lancaster und
verstehen folglich die DEA auch als Instrument des MCDM. Dieser Ansatz betrachtet
die Produkteigenschaften und deren konkreten Nutzenbeitrag als Determinanten der
Kaufentscheidung. Die DEA ermöglicht die Messung dieses aus den Attributsausprägungen vermittelten Produktnutzens. Die Autoren verwenden neben den gängigen CRS- und VRS-DEA-Modellen auch ein FDH-Modell, welches ebenfalls sowohl
unter der VRS- und der CRS-Annahme gerechnet wird. Die FDH betrachtet nur
DMUs, die Kombinationen aus ganzzahligen Attributausprägungen darstellen. Unendlich teilbare Attribute, d.h. Kombinationen aus Bruchteilen von Produkten, werden
dann ausgeschlossen. Von den vier genannten Modellen weist das CRS-DEA-Modell
die beste Diskriminierungsfähigkeit auf, da es nur ein Fünftel der PKWs als effizient
bewertet, im Gegensatz zu einer sehr viel höheren Zahl in VRS-Modellen.604 Das
CCR-FDH-Modell bewertete 15 der 44 Modelle als effizient. Aus diesem Set könnten
dann bei Präferenzinformationen (d.h. Parametergewichtungen aus Kundensicht)
eine für den jeweiligen Konsumenten beste Alternative ausgewählt werden. Fernandez-Castro/Smith stellen das CCR-DEA- und CCR-FDH-Modell als die am besten
geeigneten Ansätze heraus, da sie die größte Diskriminierungskraft aufweisen. Dabei
zeigt sich, dass der aggregierte Effizienzwert, der alle Eigenschaften zusammenfasst, eine weit höhere Korrelation mit den Absatzzahlen aufweist als die verschiedenen singulären Eigenschafts-Preis-Verhältnisse. Demzufolge ist der Gesamteffizienzwert ein besserer Prädiktor für den Markterfolg als die Leistung bzgl. einzelner
Charakteristika. Die höchste Korrelation mit den Absatzzahlen weisen die CRS-DEAEffizienzwerte auf ( r = 0,76 ).
Kritisch anzumerken bleibt hier, ob die Korrelation zwischen Verkaufszahlen und Effizienzwerten bei nur einem verwendeten Input und lediglich fünf Outputs wirklich als
verlässlicher Maßstab für die Qualität und Praxistauglichkeit des von Fernandez604
Vgl. Fernandez-Castro/Smith (2002), S. 86 f.
201
Castro/Smith verwendeten Designs angesehen werden kann. Die Verkaufszahlen
werden in der Realität sicherlich von mehr Faktoren bestimmt. Die Aussage der eher
einfachen empirischen Untersuchung von Fernandez-Castro/Smith sollte daher nicht
als allgemeingültig angesehen werden.
Alle bisher betrachteten Studien nutzen die DEA im klassischen Sinne als Benchmarkingtool. Sie nehmen ein Produktbenchmarking mit dem Ziel vor, effiziente Kombinationen von Input- und Output-Ausprägungen zu bestimmen, die als Zielpositionen anzustreben sind, um die Effizienz für Kunden zu maximieren.
Autoren /
Fragestellung
Analysegegenstand
Doyle/ Green 37 Compu(1991)
terdrucker
Externes
Produktbenchmarking
unter Berücksichtigung von
Skalenerträgen
Inputs
Outputs
Kernbefunde
• Produktpreis
• Druckqualität
• 30% der Drucker sind effizient, niedrigster Effizienzwert lag bei 59%.
• Geschwindigkeit
• Geräuscharmut
• Größe des Pufferspeichers
• Zuverlässigkeit (Fehlerquote)
• Breite des Papiereinzugs
• teure Marken sind tendenziell weniger effizient (abnehmende Skalenerträge)
• Hohe Übereinstimmung der DEABewertung mit dem Expertenranking
einer Testzeitschrift
• Korrelation zwischen Kosten und
Effizienz ist negativ, da Hersteller
von billigeren Massenprodukten
durch Skalenerträge erzeugte Kostenvorteile an Kunden weitergeben
• Die besten Drucker befinden sich
fast ausschließlich in stark umkämpften Märkten
Doyle/ Green 22 Perso(1994)
nalcomputer
Externes
Produktbenchmarking
Vergleich
DEA und
Regression
• Preis
Khouja
27 Roboter
(1995)
Entscheidungsmodell
für Produktselektion im
industriellen
Beschaffungsprozess
• Preis
Odeck/
72 LKWs
Hjalmarsson
(1996)
Vergleich der
Ergebnisse
eines inputund eines
outputorientierten
Modells
• Benzinkosten
• Größe des Arbeitsspeichers
• Festplattengröße
• Prozessorgeschwindigkeit
• Speicherzugriffsgeschwindigkeit
• Wartungskosten
• Kosten für
Zubehör
• Identifizierung unterschiedlicher
Produktstrategien zur Erreichung
von Effizienz (All-round-Produkte mit
ausgewogenem Eigenschaftsmix
sowie spezialisierte Produkte)
• Traglast
• 33% der Roboter sind effizient
• Geschwindigkeit
• durch Beachtung individueller Präferenzen (Nutzenfunktionen) kann der
für den individuellen Entscheider am
besten geeignete Roboter aus der
Menge der effizienten Roboter ausgewählt werden
• Wiederholungsgenauigkeit
• Lohnkosten der
Fahrer
• 23% der Computer sind effizient
• Anzahl gefahrener Kilometer pro Jahr
• 18% der LKWs sind effizient
• die Kapazität der meisten LKWs ist
zu hoch
• Marke und Baujahr eines LKWs
üben keinen Einfluss auf den Effizienzwert aus; das geografische
Einsatzgebiet ist jedoch ein signifikanter Faktor
202
Autoren /
Fragestellung
Analysegegenstand
Papahristodoulou
(1997)
Vergleich der
Effizienz
europäischer
und asiatischer Fahrzeuge unter
Berücksichtigung von
Skalenerträgen
121 PKWs • Kaufpreis
der unteren • BenzinMittelund Repaklasse,
raturMittelklasse
kosten/
und Ober10.000 km
klasse
• Versicherungskosten
Papagapiou/
Mingers/
Thanassoulis
(1997)
Modell zur
Produktselektion mit
Gewichtsbeschränkungen
14 PKWs
(Anwendung 1)
• Preis
56 Computer
(Anwendung 2)
• Preis
Inputs
• Steuern
Outputs
Kernbefunde
• Radstand
• im CCR-Modell sind 43%, im BCCModell 74% der PKWs effizient
• Innenraumgröße
• Leergewicht
• Max. Zuladung
• Achslast
• Kofferraumvolumen
• Hubraum
• Motorleistung (PS-Zahl)
• Höchstgeschwindigkeit
• Wertver• Beschleunigung
lust/
15.000 km
• verbleibende Meilen
• PKWs mit geringem Hubraum sind
tendenziell effizienter als PKWs mit
großem Hubraum, d.h. es liegen abnehmende Skalenerträge vor
• Sicherheitsbewertungen und Beschwerdehäufigkeiten haben keinen
Einfluss auf Effizienz
• 36% der PKWs sind effizient
• verbleibende Nutzungsjahre
• Festplattengröße
• 36% der Computer sind effizient
• Größe des Arbeitsspeichers
• Anhand der Ergebnisse werden
Informationen bezüglich der direkten
Konkurrenten und der Stärken und
Schwächen der Produkte ermittelt
• Bildschirmgröße
• Geschwindigkeit des
CD-Laufwerks
• Garantiedauer
• Prozessorgeschwindigkeit
Baker/
27 Roboter
Talluri (1997)
Modell zur
Produktselektion mit
Gewichtsbeschränkungen
• die koreanischen PKWs weisen in
beiden DEA-Modellen im Vergleich
zu den japanischen und europäischen PKWs den höchsten Anteil effizienter Fahrzeuge auf
• Preis
• durch Gewichtsbeschränkungen
entsprechend gängiger Kundenanforderungen wird eine Reduktion der
Anzahl effizienter Computer erreicht
• Traglast
• 33% der Roboter sind effizient
• Geschwindigkeit
• Ermittlung von Kreuzeffizienzen zur
Differenzierung der effizienten Roboter; hierdurch können solche Roboter identifiziert werden, deren Bewertung nur auf sehr wenigen günstig
ausgeprägten Inputs und Outputs
basiert
• Wiederholungsgenauigkeit
• die durchschnittliche Kreuzeffizienz
der Roboter schwankt zwischen 0,06
und 0,82
Braglia/
Petroni
(1999)
Weiterentwicklung der
DEA als
Instrument
der Technologiewahl
12 Roboter
• Preis
• Traglast
• 17% der Roboter sind effizient
• Wiederholungsgenauigkeit
• Durch Reduktion der Anzahl der
Outputs durch Zusammenfassung
einzelner Outputs in eine übergeordnete Kennzahl wird Verringerung
der Anzahl als effizient klassifizierter
Roboter möglich
• Geschwindigkeit
• Kennzahl für die Beweglichkeit des Greifarms
• auch durch exogene Gewichtsbeschränkungen erfolgt eine Verringerung der Anzahl effizienter Roboter
• Sensitivitätsanalysen durch Variation der Gewichtsbeschränkungen
zeigen, dass unterschiedliche Arten
von Robotern effizient sind
203
Autoren /
Fragestellung
Analysegegenstand
29 FlugBulla et al.
zeug(2000)
Vergleich der triebwerke
DEA mit
ingenieurwissenschaftlichen
Methoden
der Produktbeurteilung
FernandezCastro/
Smith
(2002)
Produktselektion
Vergleich
von restringierten und
unrestringierten FDHund DEAModellen
Inputs
Outputs
Kernbefunde
• Luftwiderstand
• Schubkraft
• 28% der Triebwerke sind effizient
• Luftdurchstrom
• DEA-Ergebnisse stimmen mit den
Ergebnissen ingenieurwissenschaftlicher Tests in Bezug auf das Ranking der Triebwerke überein
• Kerosinverbrauch
• Gewicht
44 PKW• ListenVarianten
preis
auf dem
spanischen
Markt
• die DEA ist als Ergänzung zu ingenieurwissenschaftlichen Effizienzmessmethoden geeignet, da sie
mehr Inputs und Outputs simultan
einbeziehen kann und durch Berücksichtigung verschiedener Gewichtungsmuster unterschiedliche
Blickwinkel bei der Untersuchung
ermöglicht
• Motorleistung (PS-Zahl)
• Verbrauch
• Geräuscharmut
• Kofferraumvolumen
• Innenraumvolumen
• ohne Gewichtsbeschränkungen sind
mit CCR-DEA 20% und mit BCCDEA 68% der PKWs effizient
• mit Beschränkungen sind 16% effizient
• das VRS-FDH-Modell klassifiziert
sogar 91% als effizient
• die Ergebnisse des CCR-DEAModells korrelieren am stärksten mit
den Absatzzahlen der PKWs
• das CCR-DEA-Modell besitzt die
größte Ähnlichkeit zu dem Ansatz
von Lancaster
• DEA-basierte Ergebnisse sind wegen höherer Diskriminanzfähigkeit
der FDH vorzuziehen
Tabelle 21: Empirische DEA-Studien zur technischen Produkteffizienz
Der Vergleich mit den Produktbenchmarks ermöglicht die Analyse von Stärken und
Schwächen der Produkte, die die Ursachenforschung sowie die Ableitung von Handlungsempfehlungen zur Produktverbesserung und -positionierung unterstützen. Die
Ergebnisse aller bisherigen Studien zur technischen Produkteffizienz sind in Tabelle
21 zusammengefasst.605
Marktorientierte Produkteffizienzanalyse
Den nächsten Abschnitt in der Genese der DEA als Ansatz der Produkteffizienzanalyse und zugleich den gegenwärtigen Stand der Forschung repräsentieren die Studien, die der Kategorie der marktorientierten Produkteffizienzanalyse angehören.
Diese ist durch zwei wesentliche Weiterentwicklungen gekennzeichnet. Erstens beziehen diese Studien bewusst auch qualitative (psychisch-emotionale) Aspekte der
605
Vgl. auch Kreuder (2003), S. 150 ff.
204
Produktleistung mit ein, die über technisch-physikalische Merkmale hinausgehen.
Somit wird versucht, das Kaufentscheidungsverhalten der (potenziellen) Kunden
adäquater abzubilden, indem weit mehr präferenzbestimmende Kriterien der Produktwahl einbezogen werden. Auf diese Weise soll eine stärkere Kundenorientierung
sichergestellt werden. Zweitens erweitern einige der genannten Studien das Anwendungsspektrum der DEA auch in wettbewerbsorientierter Hinsicht, indem sie über ein
globales, gesamtmarktbezogenes Produktbenchmarking hinaus eine Marktpartitionierung auf Basis der DEA-Ergebnisse vornehmen.606 Dies ermöglicht dann die Identifizierung vergleichbarer Intra-Segment-Benchmarks. Die neueren Studien konzeptualisieren die Produkteffizienz wesentlich systematischer als die bisherigen Studien
und entwickeln einen DEA-basierten Ansatz, welcher mehrere Problemstellungen
vom Benchmarking über Produktpositionierung bis hin zur Marktstrukturierung integriert. Aus den genannten Gründen sollen die im Folgenden dargestellte Richtung der
Produkteffizienzanalyse als marktorientiert bezeichnet werden.
Bauer/Staat/Hammerschmidt und Smirlis et al. konzeptualisieren den Produkteffizienzwert in einer umfassenderen Weise als bisher. Er kann dort als Customer
Value verstanden werden, der die relevanten Inputs und Outputs im Rahmen von
Produkterwerb-, -nutzung und -wiederverkauf erfasst. Während erstere Arbeit dieses
Konzept zur Bewertung von PKWs heranzieht, wählt letztere Studie als Untersuchungseinheiten Mobilfunkpakete bestehend aus Handy und Prepaid-Karte inkl.
Startguthaben. Bauer/Staat/Hammerschmidt verwenden ein inputorientiertes Effizienzmodell und können so Aussagen darüber treffen, ob und um wie viel kostengünstiger der Käufer eines bestimmten Modells ein ähnliches Eigenschaftsbündel
hätte erwerben können. Sie identifizieren zahlreiche Automobile, die bei keiner noch
so vorteilhaften Gewichtung effizient wären. Da solche Modelle für keine denkbare
Präferenzkonstellation den best buy darstellen können, ist deren Kauf aus Sicht eins
Käufers stets suboptimal. Der Ansatz empfiehlt eine nachfragerorientierte Effizienzmaximierung als Grundprinzip der Produktentwicklung und -gestaltung. So besteht
letztlich das Ziel aller produktpolitischen Aktionen darin, Angebote zu kreieren, die
ein maximales Verhältnis eines Eigenschaftsmixes und somit der Nutzenstiftung zu
den eingesetzten Kosten für den Konsumenten bietet.
Der DEA-Effizienzwert misst genau dieses Verhältnis im Vergleich zu allen anderen
Marktangeboten und bestimmt somit einen relativen Customer Value. Diese Vorgehensweise der Customer-Value-Ermittlung lehnt sich stark an den Produktwahlprozess der Konsumenten an, deren Kaufentscheidung ebenfalls zwingend eine Relativierung an Alternativen verlangt.607 Die Autoren untersuchen weiterhin den Zusam-
606
607
Vgl. Staat/Bauer/Hammerschmidt (2002), S. 207 f.; Staat/Hammerschmidt (2005), S. 308.
Vgl. Bauer (1989).
205
menhang zwischen DEA-Effizienzwerten und dem Markterfolg von PKWs, der anhand des Absatzes gemessen wird. In der Tat konnte hier ein signifikanter Zusammenhang festgestellt werden. Alle der acht meist verkauften Modelle weisen mindestens eine effiziente Variante auf, während die letzten Verkaufsränge von ausschließlich ineffizienten Modellreihen belegt werden. Die Autoren zeigen, dass sich auf Basis der Produkteffizienzwerte Prognosen über den Markterfolg ableiten lassen.608
Diese Erkenntnis ist besonders interessant vor dem Hintergrund der stets bemängelten prädiktiven Qualität von Marketing-Performance-Kennzahlen, d.h. der Unfähigkeit, aus gegenwärtigen Leistungsparametern Aussagen über den zukünftigen
Markterfolg von Maßnahmen und Leistungsobjekten abzuleiten.
Analog zeigen Smirlis et al., dass Mobilfunkpakete existieren, die selbst im schlechtesten Fall, d.h. bei der ungünstigsten Gewichtung der Attribute, noch einen Effizienzwert von 1 aufweisen. Fast drei Viertel der Telefonpakete sind selbst im besten
Fall, d.h. unter Zugrundelegung des niedrigsten Preises zusammen mit der maximalen im Markt erhältlichen Anzahl an Freiminuten, ineffizient. Für die meisten dieser
ineffizienten Pakete empfiehlt sich daher eine Veränderung des Preises und des
Startguthabens.609
Das Customer-Value-Konzept könnte nun der Ausgangspunkt für eine wettbewerbsbezogene Partitionierung des jeweils betrachteten Produktmarktes sein, um einen
integrierten Ansatzes für Partitionierung, Positionierung und Marktstrukturierung zu
entwickeln.610 Aus dem für den Gesamtmarkt ermittelten Referenzset könnten dann
Gruppen von Automobilen mit ähnlichen Input-Output-Strukturen extrahiert werden,
die Marktsegmente darstellen. Eine solche weiterführende Betrachtung findet sich in
der bestehenden Literatur nur in ersten Ansätzen, wie zusammenfassend Tabelle 22
zeigt.
Wie die beiden tabellarischen Übersichten belegen, konzeptualisieren die wenigsten
Studien die Produkteffizienz in ganzheitlicher Weise, indem auch qualitative (sog.
extrinsische, d.h. nicht im materiellen Produkt verankerte) Attribute mit einbezogen
werden. Der überwiegende Teil der Arbeiten zur Produkteffizienz zeichnet sich durch
eine ingenieurhafte, techniklastige Denkweise aus. Diese unterstellen, dass lediglich
objektiv messbare funktionale Eigenschaften von Produkten in das Kalkül der Nachfrager eingehen. In den meisten Studien werden zudem nur wenige Produktattribute
(im Durchschnitt fünf) berücksichtigt, wodurch vermutlich Verzerrungen in der Leistungsbewertung resultieren.
608
609
610
Vgl. Bauer/Staat/Hammerschmidt (2000), S. 30 ff.
Vgl. Smirlis et al. (2004), S. 172 ff.
Diese Weiterführung einer DEA-basierten Customer-Value-Analyse erfolgt in der empirischen Anwendung zur Produkteffizienz in E-1.
206
Bis auf zwei Arbeiten, die eher exploratorischen Charakter haben, ermöglicht es bisher keine Studie, segmentspezifisch Effizienzaussagen zu treffen. Da ein Produktmarkt jedoch keine homogene Masse von Objekten darstellt, erscheint eine differenzierte Analyse auch und gerade im Rahmen der Effizienzbewertung von Produkten
als wichtige Forschungsfrage.
Autoren /
Fragestellung
Analysegegenstand
Bauer/Staat/ 30 PKWs
Hammerder Komschmidt
paktklasse
(2000)
Inputs
Outputs
Kernbefunde
•
•
•
•
•
•
•
•
•
•
Kaufpreis
Laufende
Kosten
Produktcontrolling
(Produktbenchmarking,
Produktpositionierung)
Staat/Bauer/
Hammerschmidt
(2002)
•
•
Smirlis et al. 29 Mobiltele- •
(2004)
fonpakete in
GriechenIdentifikaland
tion von
„best buys“
Bauer/
Hammerschmidt/
Staat
(2002)
Restwert
Zuverlässigkeit
Sicherheit
Komfort
Fahrleistung
Erfüllte Abgasnorm
30 PKWs
der Kompaktklasse
•
•
Preis
•
•
•
Kaufpreis
Laufende
Kosten
•
•
•
•
•
•
Startguthaben in
Minuten
Qualität des
Mobiltelefons
Qualität des
Netzanbieters
•
Wiederverkaufswert
Verlässlichkeit
Sicherheit
Komfort
Motorleistung
Leistungsfähigkeit des Katalysators
•
•
•
•
Marktstrukturierung
auf Basis
der Produktstrategien
•
Teilmarktspezifische
Analyse des
Customer
Value
•
•
•
40% der PKWs sind effizient
Quantifizierung von Zielpositionen im
Merkmalsraum, anhand derer Leistungslücken ermittelt werden können
und an denen sich ineffiziente Produkte ausrichten sollten
exakte Quantifizierung der notwendigen Variationen der Inputs und Outputs zur Erreichung der Zielposition
eine Regressionsanalyse des Zusammenhangs zwischen DEAEffizienzwert und Verkaufszahlen ermöglicht es, auf Basis der Produkteffizienz Prognosen über den Verkaufserfolg neuer Produkte zu treffen
26% der Mobilfunkpakete sind effizient und repräsentieren die best buys
des Marktes
Es existieren zwei grundlegende Effizienz-Strategien: Konzentration auf
ein hochwertiges Telefon oder Konzentration auf hohes Startguthaben
8 von 11 Automarken haben wenigstens ein effizientes Produkt im Sortiment
Produkteffizienzwerte werden als
relativer Customer Value der PKWs
interpretiert
DEA-Ergebnisse werden für Implikationen zur Optimierung des kundenorientierten Produktwertes im Rahmen
des Produktmanagements herangezogen
auf Basis der identifizierten CustomerValue-Benchmarks werden die PKWs
Teilmärkten zugeordnet
die Produktsegmente zeichnen sich
durch spezifische Strategien der
Customer-Value-Generierung aus
Identifizierung von Massenmarktprodukten, die sich in großen Teilmärkten
positionieren, und differenzierten Nischenprodukten, die eigene Teilmärkte bilden
Relative Stärken und Schwächen der
Autos im Vergleich zu den Konkurrenten innerhalb der Marktpartition werden identifiziert
207
Staat/
Hammerschmidt
(2005)
48 PKWs
der Mittelklasse („A4
Klasse“)
•
•
Händlerpreis (street
price)
Laufende
Kosten
Produktbenchmarking
Vergleich
von Standard-DEA
und Supereffizienzanalyse
•
•
•
•
•
•
•
Motorleistung
Sicherheit
Zahl der Airbags
Komfort
Hedonischer
Wert
Symbolischer
Wert
Markenstärke
•
•
•
•
Bei Anwendung des DEAStandardmodells (CCR) erweisen sich
67% der Autos als effizient
Durch eine Supereffizienzanalyse
werden 84% der effizienten Autos als
supereffizient klassifiziert
Ermittlung eines vollständigen Produktrankings auf Basis der Supereffizienzwerte, welches auf Gesamtmarktebene die Identifizierung des
best buy erlaubt
Supereffizienzwerte ermöglichen das
Aufdecken von Wettbewerbsvorsprüngen innerhalb der Gruppe der
CCR-effizienten PKWs
Tabelle 22: Empirische DEA-Studien zur marktorientierten Produkteffizienz
Eine auf Basis der DEA-Ergebnisse vorgenommene Marktstrukturierung ermöglicht
die Beantwortung wichtiger strategischer und taktischer Fragen des Produktmarketing, so etwa das Erkennen der relevanten Wettbewerber, die einen Kundenwert
durch ähnliche Produktkonzepte stiften. Auf Basis der Anzahl ähnlicher Produktkonzeptionen wäre eine Abschätzung der Wettbewerbsintensität innerhalb der extrahierten Teilmärkte sowie die Aufdeckung bisher noch wenig besetzter Produktnischen möglich. Eine Analyse der Referenzsets jedes Teilmarktes gäbe Hinweise
für die Optimierung der Produkteigenschaften mit dem Ziel einer Maximierung des
Customer Value. Letzteres würde den Herstellern Möglichkeiten aufzeigen, wie der
Eigenschaftsmix zu optimieren ist, um einen festgesetzten Kaufpreis aus Kundensicht zu rechtfertigen.
Ein weiteres, ganz wesentliches Problem bisheriger Studien wird deutlich, wenn man
die Anteile der im Rahmen der Standard-DEA als effizient ausgewiesenen Produkte
über die 17 oben vorgestellten Studien zur nachfragerorientierten Produkteffizienz
betrachtet. So zeigt sich, dass durchschnittlich 45,5% der untersuchten Einheiten
effizient sind. Während das Minimum bei 17% liegt611, weisen FernandezCastro/Smith auf Basis des VRS-FDH-Modells 91% der Produkte als effizient aus.
Für diesen Extremfall heißt dies, dass für 91% der untersuchten Produkte keine weiterführenden Einsichten zu den Effizienzeigenschaften und keine Handlungsempfehlungen gewonnen werden können. Insgesamt erhält mit den Standardmodellen der
DEA (CCR- oder BCC-Modelle) üblicherweise eine große Zahl von DMUs einen Effizienzwert von 1, woraus eine geringe Diskriminierungsfähigkeit resultiert. Dies ist v.a.
aus Sicht der Nachfrager problematisch, die letztlich eine Entscheidung für genau
eine DMU treffen müssen und daher ein eindeutiges Effizienzranking aller Produkte
611
Vgl. Braglia/Petroni (1999).
208
benötigen. Auch für die Anbieter auf dem effizienten Rand ist eine DEA wenig befriedigend, da etwaige Wettbewerbsvorsprünge effizienter Produkte selbst nicht ausgewiesen werden. Sie wären aber hilfreich, um den langfristigen Produkterfolg abschätzen zu können und zukünftig notwendig werdende Positionierungsmaßnahmen zu
erkennen. Eine viel versprechende Weiterentwicklung der marketingorientierten
DEA-Anwendungen wäre daher die Verwendung eines Supereffizienzmodells. Dieses bestimmt durch schrittweises Ausschließen der effizienten DMUs aus der Randfunktion auch für jede effiziente DMU eine eigene Referenzfunktion. Die Distanz der
DMU zu dieser modifizierten Randfunktion drückt den Grad an Supereffizienz aus,
der eine Differenzierung auch der effizienten DMUs erlaubt.
Weiterer Forschungsbedarf stellt die Verknüpfung der Effizienzanalyse mit der hedonischen Preistheorie dar, um damit eine Verbindung zwischen Produkt- und Preiseffizienz herzustellen. Die DEA ermöglicht es, durch Ausweis der Gewichte den Preisbeitrag jedes Produktmerkmals abzuschätzen, wodurch eine hedonische Preisbildung unterstützt wird.
In Anbetracht der konstatierten Forschungslücken soll die im Rahmen dieser Arbeit
durchgeführte empirische Untersuchung zur nachfragerorientierten Produkteffizienz
(vgl. Kapitel E-1) folgende Erkenntnisbeiträge leisten.
1) Umfassende Konzeptualisierung der Produkteffizienz im marktorientierten Sinne
(d.h. Erweiterung um nicht funktionale Outputs wie Markenimage),
2) Verfeinerung eines DEA-basierten Ansatzes zur simultanen Betrachtung von
Produktbenchmarking und Marktstrukturierung,
3) Verwendung eines Supereffizienzmodells zur Ermittlung von Effizienzmaßen, die
eine Diskriminierbarkeit zwischen allen Produkten erlauben und Ableitung von
Aussagen ermöglichen, die nicht nur für Hersteller, sondern auch Nachfrager
konkrete Entscheidungsunterstützung bieten,
4) Verknüpfung der Konzepte der Produkt- und Preiseffizienz durch Interpretation
der DEA-Ergebnisse im Lichte der hedonischen Preistheorie (Ermittlung von „effizienten Preisen“).
2.2.3.
Markeneffizienz
Marken haben im Rahmen effizienzorientierter Untersuchungen bisher überhaupt
keine Rolle gespielt. Dies verwundert, da in jüngster Zeit Forscher wie Praktiker fordern, Marken und hier v.a. die Markenführung innerhalb der Produktpolitik als Objekte der Effizienzanalyse in den Mittelpunkt zu rücken.612 Bisher existieren lediglich ers612
Vgl. Steffenhagen (2003).
209
te Versuche einer Konzeptualisierung des Markeneffizienzbegriffes. Es existieren
jedoch keinerlei empirischen Studien, die die Effizienz von Marken oder des Prozesses der Markenführung untersuchen. Zwar verwenden einige DEA-Studien den Begriff der Markeneffizienz (brand efficiency): So bezeichnen Hjorth-Andersen und Kamakura/Ratchford/Agrawal in ihren Arbeiten zur Preiseffizienz die „brands“ eines
Marktes als Untersuchungsgegenstände.613 Ähnlich suggeriert der Titel der Studie
von Charnes et al., es gehe um die relative Effizienzanalyse von Marken, die in einer
Branche mit anderen Marken konkurrieren.614 Allerdings wird in all diesen Studien
der Begriff Marke synonym für Produkte verwendet und letztlich die Effizienz von
Produkten aus Kundensicht (bei den beiden erstgenannten Studien)615 bzw. aus Anbietersicht (letztere Studie) untersucht. Daher betrachten die Arbeiten Marken nicht
im allgemein üblichen Verständnis als eigenständige, transferierbare Vermögensgegenstände, die eigene Managementprozesse erfordern und deren Wert prinzipiell
unabhängig von Produktleistung besteht. Die genannten Studien werden in dieser
Arbeit daher unter der Rubrik Produkt- bzw. Preiseffizienz behandelt.
Um die bestehende Forschungslücke in Bezug auf Marken zu schließen, behandelt
eine der drei empirischen Anwendungen dieser Arbeit (vgl. Kapitel E-2) ausführlich
die Problematik der Analyse der Effizienz der Markenführung am Beispiel von Automobilmarken. Ziel ist es, die Effizienz der Markenbudgetverwendungen im Hinblick
auf die erreichte Markenpositionierung zu untersuchen, um Overspendings aufzudecken und Hinweise darüber zu erhalten, wie die Ressourcenallokation zu optimieren
ist. Gerade die Automobilbranche ist als extrem markengetrieben zu bezeichnen, d.h.
viele Entscheidungen und Maßnahmen beziehen sich auf Marken und nicht auf einzelne Produkte (Modelle).616 Aus Sicht eines Markeninhabers in der Automobilindustrie erscheint die Marke als hoch aktuelles Bezugsobjekt einer Effizienzanalyse, dies
gilt umso mehr angesichts milliardenschwerer Markeninvestitionen.
2.3.
Anwendungen zur Preiseffizienzanalyse
Im Abschnitt zur Produkteffizienz wurden jene Produkte als aus Kundensicht effizient
charakterisiert, die das maximale Verhältnis der Eigenschaften zu den Kosten aufwiesen. Die Messung der nachfragerorientierten Preiseffizienz folgt inhaltlich der
gleichen Logik, stellt aber eine Umkehrung der aufgezeigten Vorgehensweise dar.
Demnach ist ein Produkt als Eigenschaftsbündel dann preiseffizient, „…if it is the
613
614
615
616
Vgl. Hjorth/Andersen (1984), S. 711; Kamakura/Ratchford/Agrawal (1988), S. 289.
Vgl. Charnes et al. (1997b), S. 149.
Dies wird an der folgenden Definition von Kamakura/Ratchford/Agrawal (1988), S. 289 erkennbar,
wonach eine Marke effizient ist, „…if it provides the highest value per dollar spent for that set of
characterstics”. Damit ist aber nichts anderes gemeint als die konsumentenorientierte Produkteffizienz i.S. des Customer Value.
Vgl. Fischer/Meffert/Perrey (2004), S. 340 f.
210
cheapest brand [Produkt, Anm. d. Verf.] produced and sold for that set of characteristics”617. Diese Form der Preiseffizienz untersuchen Kamakura/Ratchford/Agrawal
für 22 Produktkategorien und liefern eine der ersten DEA-basierten Untersuchungen
zur Preiseffizienz. Die Anzahl preiseffizienter Produkte eines Marktes dient dabei als
Indikator für die Effizienz dieses Marktes. Effizienz wurde hierbei als das Verhältnis
des fairen Preises (also des Preises der effizienten Referenzprodukte) zum tatsächlich geforderten Preis gemessen. Die Resultate bieten auch für das Marketingmanagement wertvolle Hinweise zur Gestaltung einer fairen Preisstrategie.
Diese Methodik erlaubt es, den Verlust zu quantifizieren, den ein Konsument durch
Kauf eines ineffizienten Produktes etwa aufgrund unvollständiger Informationen über
Alternativen erleidet. Dadurch wird es wiederum möglich, den möglichen Wohlfahrtsgewinn bei Preissenkung oder bei Eliminierung des Produktes zu bestimmen. In einer Gesamtmarktbetrachtung lassen sich die Wohlfahrtsgewinne aller Konsumenten
unter der Annahme berechnen, dass die Marktanteile der eliminierten ineffizienten
Produkte unter den effizienten proportional zu deren Marktanteilen aufgeteilt werden.618 So stellt Hjorth-Andersen in einer Untersuchung von 2.076 Marken aus 127
Produktkategorien fest, dass 54% der Marken ineffizient sind. Alle Konsumenten
könnten insgesamt 12,8% ihres derzeitigen Aufwands sparen, wenn es keine ineffizienten Produkte gäbe. Es ist allerdings zu bezweifeln, dass alle ineffizienten Produkte eliminiert werden können. Es zeigt sich weiterhin eine abnehmende Zahl ineffizienter Produkte mit zunehmender Anzahl an Charakteristika der Produkte, d. h. je
mehr Charakteristika ein Produkt aufweist, desto geringer ist die Wahrscheinlichkeit,
dass dieses Produkt ineffizient ist. Eine mögliche Erklärung dafür ist, dass jede zusätzliche Eigenschaft für einen bestimmten Preis den Output steigert und somit auch
einen höheren Nutzen liefert als andere preisgleiche Produkte.
Neben zwei detaillierten Analysen zur Preiseffizienz von Automobilen und Batterien
(dargestellt in Tabelle 23) stellen Kamakura/Ratchford/Agrawal in ihrer Studie zusammenfassend die Preiseffizienz von 20 Produktmärkten dar. Sie ermitteln für jeden Markt die „mean inefficiency“, die der durchschnittlichen proportionalen Senkung
der Preise entspricht, die notwendig wäre, um alle Marken des jeweiligen Marktes
effizient zu machen. Hier liegt allerdings die Annahme gleicher Marktanteile der Marken zugrunde. Dabei werden für die Konsumenten Verluste von 5% (für Mikrowellen)
bis 48% (für Seifen) aus dem Kauf ineffizienter Marken festgestellt.619 Diese Schätzung ist jedoch nicht vollkommen realitätsgetreu, denn es ist unwahrscheinlich, dass
alle Marken die gleichen Marktanteile besitzen. Es ist eher davon auszugehen, dass
die effizienten Marken häufiger gekauft werden und somit höhere als Durchschnitts617
618
619
Kamakura/Ratchford/Agrawal (1988), S. 291.
Vgl. Hjorth-Andersen (1984), S. 710 f.
Vgl. Kamakura/Ratchford/Agrawal (1988), S. 298.
211
marktanteile haben, da sich viele Konsumenten vor dem Kauf informieren und verschiedene Marken vergleichen. Daher sind die geschätzten Ineffizienzen als Obergrenzen der Marktineffizienz anzusehen, da hier praktisch die Annahme zugrunde
liegt, dass alle Kaufentscheidungen nach Zufallsprinzip erfolgen. Die Ergebnisse zeigen deutlich, dass das Ausmaß der Preisineffizienz bei niedrigpreisigen und damit
vermutlich Low-Involvement-Produkten deutlich höher ausfällt, da hier nur geringe
Such- und Vergleichsaktivitäten zu erwarten sind.
Aus der Perspektive des Anbieters ist der reziproke Wert des eben beschriebenen
Verhältnisses, also das Verhältnis von erhaltenem Preis zu den vorhandenen Eigenschaften eines Produktes zu maximieren. Dieses Verhältnis wäre aus Sicht der Kunden natürlich zu minimieren. Das Verhältnis darf jedoch nur so groß sein, dass sich
Konsumenten gerade noch für das Produkt entscheiden. Die anbieterorientierte
Preiseffizienz ist somit eine reziproke Betrachtung der nachfragerorientierten Preiseffizienz. Auf einer aggregierten Ebene kann das Verhältnis vom maximal möglichen
Umsatz zum tatsächlich erzielten Umsatz herangezogen werden.620
Wie bereits im Abschnitt zur Produkteffizienz angesprochen, bestünde eine viel versprechende Forschungsfrage darin, die Preiseffizienz auf Basis der Theorie der hedonischen Preisbildung zu untersuchen. Diese hat zum Ziel, einen funktionalen Zusammenhang zwischen den nutzenstiftenden Eigenschaften eines Produktes und
dessen Preis herzustellen.621 Sie baut ebenfalls wie die DEA auf der Idee des „Eigenschaftsansatzes“ auf und befasst sich mit der Bestimmung der Preisanteile dieser
Produkteigenschaften am Gesamtpreis eines Gutes.622 Hierfür könnten die DEAErgebnisse eine gute Basis liefern.
Autoren /
Fragestellung
HjorthAndersen
(1984)
Untersuchung
der Markteffizienz und
Bestimmung
des Wohlfahrtsverlustes
mittels FDH
620
621
622
Analysegegenstand
2.076 Produkte aus 127
Kategorien
Inputs
Outputs
Kernbefunde
• nicht angegeben
• nicht angegeben
• 54% der untersuchten Produkte
sind preisineffizient
• 122 der 127 Kategorien enthalten
ineffiziente Produkte, es bestehen
teilweise erhebliche Marktineffizienzen
• der Wohlfahrtsverlust durch den
Kauf von ineffizienten Produkten
beträgt im Durchschnitt über alle
Kategorien 12,8% der Ausgaben
der Konsumenten
• dieser Wert stellt aber die Obergrenze dar, weshalb eine staatliche Regulierung der Märkte als
nicht notwendig angesehen wird
Färe/Grosskopf/Lovell (1994), S. 190. Dieser Beitrag beschränkt sich auf ein nummerisches Beispiel, so dass er in Tabelle 23 nicht als empirische Studie aufzuführen ist.
Vgl. Hall/Lloyd (1985), S. 192.
Vgl. Lancaster (1966), S. 133 ff.; Rosen (1974).
212
Autoren /
Fragestellung
Kamakura/
Ratchford/
Agrawal
(1988)
AnalyseInputs
gegenstand
Anwendung 1: • Preis
16 Batterien im
US-Markt
Ermittlung der
Preiseffizienz
durch Vergleiche des objektiven (fairen)
mit dem tatsächlichen
Preis
Outputs
• Im BCC-Modell sind 50%, im
CCR-Modell 31% der Batterien
Lebensdauer bei
preiseffizient
permanenter Nut• Markteffizienz (gemessen als
zung
durchschnittliche Preiseffizienz)
• Durchschnittliche
liegt bei 0,91 (BCC) bzw. 0,84
Lebensdauer bei
(CCR)
unterbrochener
• der niedrigste Effizienzwert liegt
Nutzung
bei 0,6; d.h. der maximale Wohl• Leistung bei perfahrtsverlust beim Kauf einer inefmanenter Nutzung
fizienten Batterie beträgt 40% (1 • Leistung bei un0,6) des Kaufpreises
terbrochener Nutzung
• Durchschnittliche
Messung des
Wohlfahrtsverlustes durch
Anwendung 2:
ineffiziente
82 PKWs im
Produkte im
US-Markt
Markt
• Preis
•
•
•
•
•
•
•
•
Kalita (1994)
• Preis
•
Untersuchung
der Markteffizienz auf
Basis der
Daten von
Kamakura/
Ratchford /
Agrawal
(1988) mittels
Regression,
DEA, FDH,
SFA
16 Batterien
Kernbefunde
• 78% der analysierten PKWs sind
preiseffizient
• Ineffizienzen (Wohlfahrtsverluste)
sind im Automarkt sehr gering;
Marktineffizienz beträgt lediglich
1% des Gesamtmarktumsatzes
• Befunde können durch hohe Komplexität der Produkte und damit
verbundene hohe Such- und Informationsintensität der Konsumenten begründet werden
• Preiseffizienz ist höher bei höherpreisigen Produkten
• Preiseffizienz der PKW über die
Zeit fast unverändert
Durchschnittliche • Markteffizienzwert ist Durchschnitt
Betriebsdauer bei
der zugehörigen Produkteffizienzpermanenter Nutwerte
zung
• die DEA ermittelt einen MarkteffiDurchschnittliche
zienzwert von 0,98; die SFA von
Betriebsdauer bei
0,94
unterbrochener
• Regression und FDH klassifizieren
Nutzung
jeweils 50% der Produkte als effiLeistung bei perzient
manenter Nutzung
• die Korrelation der Ergebnisse von
Leistung bei unDEA und SFA beträgt nur 0,49
terbrochener Nut• die Korrelation zwischen den DEAzung
und FDH-Resultaten ist deutlich
höher (0,66)
Beinfreiheit
Beschleunigung
Länge
Breite
Verbrauch
Fahrkomfort
Handling
Reparaturanfälligkeit
• Sonderausstattung
•
•
•
Tabelle 23: Empirische DEA-Studien zur Preiseffizienz
Die in der Multiplier-Form des DEA-Modells ausgegebenen Output-Gewichte
(virtuellen Multiplikatoren) können, wenn als Input allein der Preis herangezogen
wird, unter bestimmten Bedingungen als empirisch geschätzte hedonische Preise der
einzelnen Outputmerkmale interpretiert werden.623
623
Vgl. Dyson/Thanassoulis (1988); Kamakura/Ratchford/Agrawal (1988).
213
Im Unterschied zur hedonischen Regression würden die Gewichte allerdings nicht
den über alle Produkte betrachteten durchschnittlichen Beitrag der Eigenschaften zur
Durchsetzung des Marktpreises angeben. Stattdessen zeigen die DEA-Gewichte,
wie die Eigenschaften maximal zu bepreisen sind, wenn der resultierende Gesamtpreis effizient sein soll. Aus solchen Daten könnte das Marketing z.B. erkennen, welchen Kostenanteil ein Attribut in der jeweiligen Ausprägung gemäß seinem Nutzenbeitrag maximal beanspruchen darf bzw. welchen Preisanteil ein Hersteller für die
jeweiligen Attribute veranschlagen kann. Diese Informationen könnten eine Hilfestellung im Rahmen des Target Costing und der Preisgestaltung sein. Eine entsprechende Interpretation der DEA-Ergebnisse für die Preispolitik wird im Rahmen der
empirischen Untersuchung in Kapitel E-1 vorgenommen.
2.4.
Anwendungen zur Kommunikationseffizienzanalyse
Die DEA-basierte Effizienzforschung im Bereich der Kommunikationspolitik hat sich
bisher fast ausschließlich auf die klassische Werbung beschränkt. Für Sales Promotions wurde das Thema Effizienz im Sinne einer Input-Output-Beziehung noch kaum
aufgegriffen. Zum Thema Promotioneffizienz kann nach Kenntnis des Verfassers erst
auf eine Studie verwiesen werden, die in Kooperation mit einem internationalen Konsumgüterhersteller entstand und an der der Verfasser beteiligt war.624 Darüber hinaus existieren in der Literatur bisher keine Untersuchungen zur Messung der InputOutput-Effizienz von Promotionmaßnahmen. Diese Studie eröffnet daher ein neues
Anwendungsgebiet für die DEA, welches vielversprechend erscheint, da hierzu
selbst innerhalb eines Unternehmens in der Regel große Datenbestände vorliegen.
So führen gerade Hersteller von Konsumgütern jährlich eine Vielzahl von Verkaufsaktionen durch. Da die Ablaufprozesse von Promotions und die verwendeten Instrumente relativ stark standardisiert sind, bietet es sich gerade an, Promotionaktionen
innerhalb bestimmter Handelskanäle und auch zwischen Kanälen im Hinblick auf die
Effizienz des Mitteleinsatzes zu vergleichen. Die wesentlichen Ergebnisse der Studie
zur Promotioneffizienz können Tabelle 24 entnommen werden.
Die Studien zur Analyse der Werbeeffizienz konzentrieren sich entsprechend der
zwei unterschiedlichen Perspektiven der Werbeeffizienz entweder auf die Werbeerfolgseffizienz oder Werbewirkungseffizienz. Erstere Gruppe von Studien versucht,
auf einer aggregierten Makro-Ebene die Ineffizienz der Werbeausgaben bei der Erzeugung von Umsatz/Absatz aufzudecken. Sie helfen, den Return on Investment
einer Werbekampagne und somit deren Wertsteigerungsbeitrag zu bestimmen.
Demgegenüber sind die Studien zur Werbewirkungseffizienz auf einer vorgelagerten
624
Vgl. Görtz/Hammerschmidt (2006).
214
Mikro-Ebene angesiedelt. Sie setzen neben ökonomischen auch vor-ökonomische
Werbewirkungsgrößen in Relation zur Einsatzintensität der Gestaltungsinstrumente
(Werbewiederholungen, Anzeigengröße, Bildgröße). Hier geht es somit darum, wie
die emotionalen und kognitiven Werbeziele, die vereinfacht durch die Begriffe „Überzeugen“ und „Informieren“ beschrieben werden können, durch inhaltliche Gestaltung
des Werbemittels effizienter erreicht werden können.
In erstere Gruppe lässt sich die viel zitierte Untersuchung von Luo/Donthu einordnen,
die im ersten Teil auf der Makro-Ebene die zeitliche Entwicklung der aggregierten
gesamtunternehmerischen Werbeeffizienz für 63 der 100 größten Werbetreibenden
in den USA untersuchen. Diese „Top 100 US Advertisers“ investierten im Jahr 2004
93,3 Mrd. US$ in Werbung.625 Hierbei setzen sie den Umsatz und das operative Ergebnis ins Verhältnis zu den Ausgaben für Werbung in Printmedien, Radio und Fernsehen sowie Außenkampagnen.626 Die sehr umsatzstarken Unternehmen wiesen
überproportional hohe Werbekosten auf, wodurch sich zeigt, dass v. a. große Unternehmen zu exzessiven Werbeausgaben neigen und sich in einem Bereich der Werbeintensität bewegen, in dem ein zusätzlich investierter Dollar kaum mehr nennenswerte Erhöhungen der Zielgrößen bewirkt.
Im betrachteten Markt ist somit vor allem bei den führenden Werbetreibenden ein
beträchtliches und dazu steigendes Maß an Overspending, d.h. verschwendeten
Werbeausgaben, zu beobachten. Slack-Analysen zeigen, dass v.a. die Bereiche Radio/TV und Outdoor die Ineffizienztreiber und somit kritische Faktoren darstellen. So
müsste McDonald’s etwa unter Beibehaltung von Umsatz und Ergebnis seine Aufwendungen für Außenwerbung um 26 Mio. Dollar senken, um effizient zu werden.
Insgesamt fällt die durchschnittliche Gesamtwerbeffizienz der Unternehmen in beiden Jahren gering aus, wobei eine deutliche Verschlechterung über den Verlauf von
zwei Jahren (von 1997 zu 1998) festzustellen ist.
Der erste Teil der Studie von Luo/Donthu weist zwei wichtige Beschränkungen auf,
die auf eine fast naive, unkritische Anwendung der DEA schließen lassen: Zum einen
bleibt die Wahl des DEA-Modells unbegründet. So unterstellen Luo/Donthu implizit
konstante Skalenerträge, ohne die Sinnhaftigkeit dieser Annahme zu begründen. Die
Autoren unterstellen also, dass es den verantwortlichen Werbemanagern aller Unternehmen einfach möglich ist, (1) die Werbebudgets z. B. von 200.000 auf 400.000 $
zu verdoppeln, (2) einen ebenso verdoppelten Umsatz - bei konstanten Preisen also
625
626
Vgl. Advertising Age (2005).
Vgl. Luo/Donthu (2001), S. 14. Die Autoren weisen in ihrer Arbeit explizit darauf hin, dass die
Auswahl der Inputs und Outputs für eine Effizienzanalyse mit Hilfe der DEA eine sorgfältige Auseinandersetzung der zu Grunde liegenden Beziehung verlangt. Inputs und Outputs sollten in der
DEA stets (stark) positiv korreliert sein, um aussagekräftige Untersuchungsergebnisse zu erzielen. Eine positive Korrelation war für die Beziehung zwischen Werbeausgaben und Umsatz bzw.
Betriebsergebnis gegeben; für die zweite Analyse wurden keine Angaben gemacht.
215
eine Verdopplung der Produktnachfrage! - resultieren zu lassen, die (3) vom Unternehmen auch durch entsprechende Verdopplung der Menge befriedigt werden könnte. Dem können aber beschränkte Werbebudgets, begrenzte Produktions- und Vertriebskapazitäten oder sonstige Skaleneffekte entgegenstehen. Gerade bei TVWerbung muss von anfangs zunehmenden und später abnehmenden Skaleneffekten
ausgegangen werden. In der Werbewirkungsforschung wird dies durch eine
s-förmige Budget-Absatz-Funktion zum Ausdruck gebracht.627 Ist es dem Werbemanagement nicht möglich, die Werbeausgaben hinsichtlich des optimalen Skalenniveaus geeignet anzupassen, etwa wegen eines durch das Zentralcontrolling beschränkten Werbebudgets, so können Kampagnen nicht mehr an Hand der höchsten
Durchschnittsproduktivität verglichen werden, wie das bei konstanten Skalenerträgen
der Fall ist. Zum anderen fällt die unkritische Wahl von Ergebnisgrößen (Umsatz, Betriebsergebnis) auf, die vermutlich ausschließlich auf der Verfügbarkeit der Daten
basiert. So konstatieren die Autoren, dass die Korrelation der drei medienspezifischen Werbeausgabenarten mit dem Betriebsergebnis zwar signifikant positiv, aber
mit Korrelationskoeffizienten von 0,28; 0,19 und 0,18 äußerst gering ist. Für den Umsatz ist die Korrelation dagegen stärker (0,61; 0,44; 0,17). Dies ist jedoch logisch
zwingend, da der Umsatz einen wesentlichen, definitorischen Bestandteil des Betriebsergebnisses ausmacht und die anderen definitorischen Bestandteile (etwa die
Herstellungskosten) mit Ausnahme der Werbeausgaben kaum durch Werbung beeinflussbar sind.628 Daher stellen das Betriebsergebnis bzw. generell Gewinngrößen
keine geeigneten Outputs für Marketingeffizienz-Studien dar.
Zu ähnlichen Befunden wie Luo/Donthu kommt auch Büschken im Bereich der Automobilmarkenwerbung, wonach besonders Marktführer zum Overspending tendieren. Der Autor erklärt das damit, dass starke Marken bereits fest im relevant set des
Verbrauchers verankert sind, so dass viele Maßnahmen lediglich eine unterproportionale Wirkung aufweisen. Es scheint, dass viele große Marken somit bereits einen
kritischen Punkt der Werbeintensität überschritten haben.629 Damit ist erklärbar, dass
Unternehmen mit kleinen Budgets (Nischenanbieter) sogar effizienter sein können
als die Unternehmen mit hohem Werbeanteil.630 In den Arbeiten von Luo/Donthu und
Büschken wird die DEA zudem als ein Instrument vorgestellt, das durch Betrachtung
der Werbeausgaben in den verschiedenen Medien auf einer übergeordneten Ebene
Hinweise zur Mediaselektion liefern kann.
Um eine genauere Ursachenforschung zu unterstützen, wird in einer zweiten Anwendung der Studie von Luo/Donthu auf der Mikro-Ebene die Effizienz einzelner Au627
628
629
630
Vgl. Steffenhagen (2004), S. 201.
Vgl. Dyckhoff (2006).
Vgl. Büschken (2006), S. 17 f.
Vgl. Büschken (2006), S. 9.
216
ßenwerbekampagnen der im ersten Teil betrachteten Unternehmen untersucht. Hier
wird analysiert, wie die einzelnen Elemente der Kampagnen zu verändern sind, um
eine maximale Effizienz zu erreichen, z.B. ob farbige Werbung oder mehr Bilder statt
Texte einzusetzen sind. Diese Untersuchungen zur Frage „Wie soll eine wirkungsvolle Werbekampagne aussehen?“ ist in die Gruppe der eher qualitativ ausgerichteten
Werbeeffizienzbetrachtungen einzuordnen. Im Rahmen der Werbeinputs unterscheiden die Autoren zwischen ordinalen Inputs (z.B. schwarz-weiße vs. farbige Plakatwand) und kardinalen Inputs (z.B. die Anzahl großer Wörter auf einer Plakatwand).
Als Outputs werden die Qualität der einzelnen Plakate in Form einer Expertenbewertung sowie die jeweils erzielten Erinnerungswerte verwendet.631 Hier waren besonders bei Rundfunk- und TV- Werbung sog. Inputkongestionen (Inputüberhäufungen)
erkennbar. Bei solchen Kampagnen ließe sich durch eine Reduzierung der Inputintensität sogar eine Erhöhung der Werbewirkung erreichen. Über die Interpretation
der Effizienzwerte und Benchmarks können die Autoren für jede Werbemaßnahme
Verbesserungspotenziale aufdecken. Abschließend stellen die Autoren einige zentrale Schwächen der DEA (Auslassen von Inputs, Unvollständigkeit der Objektmenge)
vor und demonstrieren deren Auswirkungen mit Hilfe von Beispielrechnungen. Die
Aussagekraft der zweiten Anwendung von Luo/Donthu wird durch Vernachlässigung
wichtiger Werbeoutputs wie Markenstärke, Einstellung aber auch Reichweite oder
Zahl der Werbekontakte eingeschränkt. Solche und weitere Größen sind jedoch zu
berücksichtigen, um den Leistungsprozess der Werbung (Kreation, Produktion,
Reichweite) gut abzubilden.
Tabelle 24 vermittelt den aktuellen Stand zur empirischen Kommunikationseffizienzforschung.632 Da sich die Werbeeffizienzforschung noch im Anfangsstadium befindet,
existieren noch keine umfassenden, theoretisch fundierten Studien, die Inputs und
Outputs entlang des gesamten Werbewirkungsprozesses einbeziehen. Die meisten
Studien verwenden hoch aggregierte, finanziell-orientierte Input- und Outputgrößen
und versuchen, die Werbeerfolgseffizienz zu ermitteln.
Zwar zeichnen sich die monetären Größen durch leichtere Quantifizierbarkeit aus
und unterstützen Unternehmen bei der effizienten Budgetierung von Ausgaben im
Rahmen der Kommunikationspolitik.633 Fraglich erscheint jedoch der unterstellte
kausale Zusammenhang zwischen den Ausgaben für Werbemaßnahmen und hoch
aggregierten finanziellen Größen wie Umsatz oder Gewinn.
631
632
633
Eine prinzipiell ähnlich angelegte Untersuchung nehmen Bauer/Hammerschmidt/Garde (2004b)
für Werbebanner im Internet vor. Auch hier bildet nicht der monetäre Aufwand, sondern der
gestalterische Aufwand für die Banner (Bildgröße, Einbindung von Kooperationspartnern) den Input, der zur Erreichung bestimmter psychografischer und verhaltensbezogener Werbewirkungsziele eingesetzt wird. Hierbei zeigt sich, dass die einzelnen Gestaltungsmittel nur für bestimmte
Zielgrößen effizient sind.
Vgl. auch Kleemann/Hammerschmidt (2006b).
Vgl. Luo/Donthu (2005), S. 33 f.
217
Außerdem lässt die Verwendung eines alle Einzelinstrumente zusammenfassenden
Inputs in Form der Kosten die Effizienzwirkungen der einzelnen qualitativen Gestaltungselemente (Bild- oder Anzeigengröße, Text- vs. Bilddominanz) außer Acht. Damit ergeben sich nur schwache Implikationen für die Optimierung der einzelnen Gestaltungsinstrumente (etwa Bildelemente, Anzeigengröße), obwohl die Gestaltung
der Werbemittel letztlich die Ursachen für eine niedrigere oder höhere Werbezielerreichung darstellen. Sie erlaubt v.a. keine Entscheidungsunterstützung zur Priorisierung der verschiedenen Gestaltungsmittel.
Eine Erfassung der Outputseite ausschließlich durch monetäre Größen, die am Ende
der Wirkungskette stehen, kann keine Aussagen dazu machen, welche psychografischen Werbeeffekte primär zur Umsatzsteigerung geführt haben. Die Komplexität
gerade des Werbebereichs, der keine unmittelbar tangiblen Outputs erbringt, verlangt viel stärker eine multidimensionale Konzeptualisierung sowohl der Input- als
auch Outputseite.634
Autoren / Fragestellung
Analysegegenstand
Inputs
Outputs
Kernbefunde
53 Promotions von 4
Marken und
15 Produktlinien im Markt
für Raumdüfte
• Basisumsatz
• Preisreduktion
• Intensität des
• Promotion-
• Während in Discountern 88% der
Promotions
Görtz/Hammerschmidt (2006)
Effizienzbetrachtung für
drei Handelskanäle (Drogeriemärkte,
Verbrauchermärkte, Discounter) sowie
Totalmarktbetrachtung
reinen Displayeinsatzes
• Intensität der
reinen
Preispromotions
• Intensität der
reinen Handzettelwerbung
• Intensität des
kombinierten
Einsatzes von
Handzettelwerbung und
Displays
umsatz
• Zusatzumsatz
Promotions effizient waren, betrug die
Quote in Verbrauchermärkten nur
52%; dies lässt auf eine prinzipiell
höhere Eignung (Affinität) von Discountern für Promotions schließen
• Es lassen sich prinzipiell zwei effiziente Promotionstrategien identifizieren: Pure Play Promotions (d.h. Fokussierung auf Displaypromotions)
und Mixed Promotions (kombinierter
Einsatz von Preisreduktion und Displays bzw. Handzettelwerbung)
• Reine Preispromotions und reine
Handzettelwerbung sind hingegen
überwiegend ineffizient und sollten
durch andere Instrumente unterstützt
werden, wobei die Art der Unterstützung bzgl. der Produktkategorie ausgewählt werden sollte
• Für sog. „Problemlöser-Produkte“ mit
hohem Involvement sind eher kombinierte Handzettel- und Preispromotions effizient (da diese Produkte meist
vor dem Kauf schon gezielt ausgewählt werden)
• Für sog. „Wohlfühlprodukte“ ist tendenziell eine Unterstützung durch
Displays effizient, da diese Produkte
oftmals erst am POS impulsgesteuert
(spontan) gekauft werden
634
Vgl. Bhargava/Dubelaar/Ramaswami (1994), S. 235; Clark (2000), S. 42 ff.
218
Werbung
Bhargava/Kim
(1995)
Effizienzanalyse mit DEA
und multipler
Regression
(Methodenvergleich)
361 Werbeanzeigen
Luo/Donthu
(2001)
Zeitreihenanalyse der Werbeerfolgseffizienz
(1997/1998)
Anwendung
1:
63 der Top
100 werbenden Unternehmen der
USA
Werbeausgaben
für
Luo/Donthu
(2001)
Disaggregierte
Analyse der
Effizienz einzelner konkurrierender Werbemaßnahmen
(Wettbewerbsbenchmarking)
Anwendung
2:
23 Außenwerbekampagnen
• Anzahl großer
• Anzeigengröße
• Anzahl der
Farben
• Anzahl Fotos
• Bildgröße (als
Anteil an Anzeigegröße)
3 “StarchScores”:
• Bildgröße und Logogröße haben
• Ad-Attention
• Ad-Elaboration
• Ad-
• DEA-Effizienzwerte korrelieren stär-
Comprehension
• Logogröße
• Print
• TV/Radio
• Außenwerbung
• Umsatz
• operatives Ergebnis
signifikant negativen Einfluss auf
Werbeeffizienz
ker mit Inputvariablen als mit Fehlertermen der Regression, d.h. die DEAScores sind keine linearen Transformationen der Abweichungen von der
Regressionsgeraden (Residuen )
• Es existieren sehr große Ineffizienzen; teilweise ist die relative Effizienz
geringer als 0,2, d.h. es wurden zu
viele Ressourcen ohne entsprechende Wirkung investiert (starke Overspendings)
• Ineffizienzen haben im Zeitverlauf
zugenommen
Wörter in der
Werbung
• Anzahl platzierter Konzepte/
Informationen
auf dem Plakat
• Recall der
Kampagne
• Qualität der
Werbung (Expertenbewertung)
• 25% der Kampagnen sind relativ
ineffizient, v.a. bei starker Textlastigkeit
• Bestimmung von Zielvorgaben für die
Werbekampagnen
• bei ineffizienten DMUs v.a. im Bereich Rundfunk/TV und Außenwerbung sind Outputerhöhungen durch
Inputsenkungen möglich, wenn z.B.
Reduktion der Informationsmenge zu
abnehmender Reaktanz und somit
höherer Kaufbereitschaft führt
• Anzahl Bilder
auf dem Plakat
• Farbigkeit der
Werbung
• Ein Ranking auf Basis der Gesamteffizienz (DEA) weicht stark von den
Rankings auf Basis einzelner Outputgrößen (wie Recall) ab
Büschken
(2003, 2006)
Untersuchung
der Effizienz
der Markenwerbung und
deren Ursachen
anhand von
Methodenvergleichen
(CCR vs. BCC,
Input- vs. Outputorientierung)
35 Automobilmarken im
deutschen
Markt
Werbeausgaben
für
• TV
• Radio
• Print
• Außenwerbung
• Purchase Consideration
(Kaufwahrscheinlichkeit)
• Ineffizienz bei Markenwerbung in
großem Maße vorhanden, nur 20%
der Marken sind effizient
• Werbeeffizienz variiert sehr stark
(niedrigster Effizienzwert bei 2%)
• Vor allem Marktführer tendieren zum
Overspending, insbesondere bei Radio- und Außenwerbung
• Hohe brand consideration ist kein
Indikator für effiziente Kommunikation.
• Eine Regression zwischen den Effizienzwerten und möglichen Determinanten zeigt, dass nur 30% der Ineffizienz durch Umfang des Produktportfolios (Marktabdeckung), Produkterfahrung, Markenimage und PreisLeistungs-Verhältnis erklärbar ist;
offenbar existieren weitere Ursachen
der Ineffizienz, wie etwa Mediaselektion und Markenrelevanz für Zielgruppen
219
Bauer/Hammer- 30 Onlineschmidt/Garde
Werbebanner
(2004b)
aus 3 Produktkategorien
Analyse der
Effizienz der
Werbegestaltung im Internet
unter Berücksichtigung von
Skaleneffekten
durch Vergleich
von CCR- und
BCC-Modell
• Bannergröße
• Bildanteil
• Grad der Werbekooperation
(Co Advertising)
• Aufmerksamkeit • Nur 5 von 16 Werbetreibenden schalten in allen untersuchten Produktka• Ungestützte
Werbeerinnerung
• Produktinteresse
• Einstellung
gegenüber der
Werbemaßnahme (Attitude
toward the Ad)
• Kaufwunsch
• Klick-Rate
tegorien effiziente Banner
• Einige der Unternehmen sind in keiner Kategorie mit ihrer BannerWerbung effizient
• Der schlechteste Banner erreicht nur
40% der Effizienz des relevanten
Benchmarks, müsste also alle Inputs
um 60% reduzieren
• Für die meisten ineffizienten Banner
zeigen sich abnehmende Skalenerträge des relevanten Teilstücks der
Werberesponsefunktion (d.h. Größenineffizienzen durch Schaltung zu
großer Banner mit zu hohem Bildanteil)
• Weitere Ineffizienzursache ist eine
unzureichende Transformation psychografischer Werbewirkungen (Produktinteresse, Kaufinteresse) in konkrete Handlungen (Click Rate)
• Es existieren mehrere erfolgreiche
Online-Werbestrategien (die Gestaltungselemente/Instrumente wirken
dabei unterschiedlich auf die Werbewirkungsgrößen)
Luo/Donthu
(2005)
Untersuchung
der Effizienz
der Werbeausgaben in Bezug
auf Umsatzgenerierung;
Vergleich DEA
und SFA
• 100 größte
werbetreibende Unternehmen
der USA
Werbeausgaben
für
• Print
• TV/Radio
• Außenwerbung
• Umsatz
• Die Unternehmen hätten bei effizientem Werbeeinsatz 20% mehr Umsatz
generieren können
• Die mit SFA ausgewiesene Ineffizienz
ist geringer, da ein Teil der Abweichung vom effizienten Rand nicht auf
Ineffizienzen, sondern auf nicht kontrollierbare Zufallseinflüsse zurückzuführen ist, die mit SFA berücksichtigt
werden
Tabelle 24: Empirische DEA-Studien zur Kommunikationseffizienz
Nur wenige Studien widmen sich stärker der Analyse der Effizienz der Werbeexekution, statt nur der Werbeausgaben.635 Sie liefern mit ihren Ergebnissen Hinweise auf
die Zuordnung der erreichten psychografischen und verhaltensbezogenen Outputwirkungen zu den eingesetzten Gestaltungsparametern. Dadurch sind Aussagen
möglich, bei welchen Zielen welche Stellhebel der Werbemittelgestaltung genutzt
werden sollten. Gerade eine Weiterentwicklung der Effizienzanalyse auf Basis
disaggregierter, psychografischer Outputs erscheint viel versprechend für die Beantwortung inhaltlicher Fragestellungen der Werbepraxis. Zukünftig besteht v.a. Bedarf
an Studien, die die Bedeutung der einzelnen Inputs oder Outputs für die festgestell-
635
Vgl. Bauer/Hammerschmidt/Garde (2004b) für Online-Werbung und Bhargava/Kim (1995) für
klassische Anzeigenwerbung.
220
ten Ineffizienzen aufdeckt, um so Aussagen über Effizienztreiber und erfolgreiche
Werbekonzepte zu generieren.
Weiterhin hat bisher kaum eine Studie die Problematik von Skaleneffekten (Größeneffekten) in der Werbung bei der Effizienzmessung berücksichtigt. Mittels eines entsprechenden Untersuchungsdesigns könnte überprüft werden, ob auch eine auf Basis von Best-Practice-Beobachtungen gebildete Werbereaktionsfunktion einen degressiv steigenden Verlauf aufweist, so wie er auf Basis klassischer AverageResponse-Modelle zu erwarten wäre.636 So ist zu vermuten, dass eine Zunahme der
Intensität der Werbeinputs (etwa in Form größerer Anzeigen, größerer Bilder) zu geringeren Effizienzwerten führt.637 Dies würde auf abnehmende Skalenerträge hinweisen, weshalb die Verwendung von DEA-Modellen mit konstanten Skalenerträgen im
Werbebereich zu hinterfragen wäre. Stattdessen sollten zukünftige Studien die Effizienz unter verschiedenen Skalenertragsannahmen untersuchen und vergleichen.
2.5.
Anwendungen zur Distributionseffizienzanalyse
In Abschnitt B-3.1 wurde deutlich gemacht, dass sich traditionelle Ansätze zur Messung der Marketingproduktivität vorrangig auf die Distributionspolitik und hier speziell
den Handel beziehen. Auch in diesem Bereich wird jedoch zunehmend versucht, die
Vielfältigkeit der Performanceparameter zu würdigen, indem multidimensionale Verfahren wie die DEA eingesetzt werden, um aussagekräftigere Informationen zur Managementunterstützung zu gewinnen. Die bestehenden DEA-Studien wählen unterschiedliche Aggregationsgrade der Analyse. So untersuchen einige Studien auf einer
individuellen Ebene die Leistungsfähigkeit von Vertriebsmitarbeitern. Auf individueller
Ebene können somit alle Ursachen von Ineffizienzen identifiziert werden, die in der
Arbeit der einzelnen Mitarbeiter liegen. Die Ergebnisse dieser Studien, die Verantwortlichkeiten für eine aufgedeckte Ineffizienz auf der niedrigsten Ebene und somit
direkt zuweisen, haben unmittelbare Implikationen für die Personalführung. Aus diesen ergeben sich Ansatzpunkte für die Mitarbeiterbeurteilung, Vergütungsmodelle
und evtl. erforderliche Weiterbildungsmaßnahmen.
Auf einer mittleren Aggregationsebene betrachtet eine zweite Gruppe von Studien
die Effizienz von Personengruppen (Teams, Mannschaften) innerhalb der Vertriebsorganisation eines Unternehmens. Die Verantwortlichkeiten für Leistungsabweichungen und entsprechende Verbesserungsvorgaben lassen sich auch hier noch relativ
verursachungsgerecht zuweisen. Auf dieser Ebene lassen sich auch strukturelle
636
637
Vgl. Lodish et al. (1995), S. 136 f.
Vgl. Bauer/Hammerschmidt/Garde (2004b), S. 37 f.
221
Probleme erkennen, was bei individueller Bewertung nicht möglich ist. So können
etwa Aussagen zur optimalen Größe von Vertriebseinheiten getroffen werden.
Eine dritte Gruppe untersucht aus institutioneller Perspektive die Effizienz der ganzen internen Vertriebsorganisation eines Unternehmens (Backoffice), in der sämtliche Teams bzw. Mitarbeiter zusammengefasst sind, oder eigenständiger externer
Vertriebsorgane in Form von Filialen oder Niederlassungen z. B. von Banken, Restaurants, aber auch Einzelhandelsunternehmen. Problematisch ist hier, dass Handlungsempfehlungen nur auf einem sehr abstrakten Niveau ausgesprochen werden
können und ein Herunterbrechen der Zielvorgaben bzw. die Aufteilung der notwendigen Verbesserungen dann allein (und daher möglicherweise willkürlich) vom Anwender vorzunehmen ist.
Für jede Ebene soll im Folgenden eine einschlägige Studie genauer vorgestellt werden. Die Modellspezifikationen und Kernergebnisse aller anderen Untersuchungen
werden wiederum tabellarisch zusammengefasst. In den meisten Analysen werden
die Inputs durch die eingesetzten Ressourcen operationalisiert, die sich an der klassischen Einteilung in die drei generischen Produktionsfaktoren Arbeit (Personalstärke), Boden (Verkaufsfläche, Mietkosten) und Kapital (Ausstattung, Betriebskosten)
orientieren. Erfolgsgrößen wie Umsatz oder Gewinn erfassen die Outputs.
Individualebene
Boles/Donthu/Lohtia vergleichen die Aussagekraft verschiedener Methoden der Performanceanalyse (ausschließlich input-, ausschließlich output- sowie input-outputbasierte Verfahren, darunter die Regressionsanalyse und die DEA) zur Analyse der
individuellen Performance von Mitarbeitern.638 Die auf Basis der jeweiligen Performancemaße gebildeten Rangfolgen der untersuchten 58 Vertriebsmitarbeiter weisen
zum Teil erhebliche Unterschiede auf. Auffallend sind die niedrigen Korrelationen der
DEA-Ergebnisse mit denen der anderen Messansätze. Die hohe Übereinstimmung
der DEA-Rankings mit den subjektiven Beurteilungen des Managements stützen
nach Ansicht der Autoren die Validität ihrer Ergebnisse.639 Die DEA erweist sich als
die zuverlässigere Methode in Bezug auf das Pareto-Effizienzkriterium, da die Regression aufgrund ihres Average-Practice-Ansatzes einen Teil der Outputerhöhungen,
die ohne Erhöhung des Inputs oder Senkung anderer Outputs möglich wären, unaufgedeckt lässt. Die DEA liefert darüber hinaus weit mehr diagnostische und handlungsrelevante Informationen (z.B. Stärken und Schwächen der einzelnen Vertriebsmitarbeiter, Umsatzvorgaben, Entlohnung) als die anderen Verfahren. Aufgrund der
Fähigkeit, die individuellen Besonderheiten der Mitarbeiter adäquat zu berücksichtigen, ist der Einsatz der DEA besonders in solchen Unternehmen zu empfehlen, de638
639
Vgl. Boles/Donthu/Lohtia (1995), S. 32 ff.
Vgl. Boles/ Donthu/Lohtia (1995), S. 43 ff.
222
ren Vertriebsmitarbeiter unter unterschiedlichen Bedingungen in den einzelnen Vertriebsgebieten arbeiten und daher kaum anhand eines einheitlichen Standards bewertet werden können.640
Gruppenebene
Die erste DEA-Effizienzanalyse innerhalb des Vertriebs stammt von Mahajan und ist
auf der mittleren Ebene angesiedelt. Er untersucht die Effizienz der Vertriebseinheiten von 33 konkurrierenden Versicherungsgesellschaften und insbesondere die
Auswirkungen, wenn die kritischen Vertriebsressourcen (etwa die Anzahl und Größe
der betreuten Gebiete) beeinflussbare Variablen für die Teams darstellen. Die durchschnittliche Summe der Versicherungsprämien pro Mitarbeiter und die erwartete
Steigerung der Versicherungsprämien werden als Vertriebsoutputs verwendet. Ausgehend von den Gewichten der einzelnen Inputs und Outputs und den identifizierten
Slacks werden anschließend genaue Handlungsvorschläge zur Effizienzsteigerung
der einzelnen Versicherungen abgeleitet. Die Vertriebseffizienz der meisten Teams
lässt sich, so die zentrale Aussage der Studie, weiter erhöhen, wenn diese die bisher
von der Gesellschaft zentral gesteuerten Ressourcen selbst kontrollieren können.
Dies erscheint plausibel, weil diese aufgrund der Nähe zu den Kunden besser in der
Lage sind, die Ressourcen gezielt zu planen und einzusetzen.641
Organisationsebene
Athanassopoulos/Thanassoulis betrachten die Marketingeffizienz verschiedener Niederlassungen eines Unternehmens am Beispiel der Restaurantkette einer großen
Brauerei. Durch einen Vergleich der Effizienzwerte mit der Profitabilität können die
Ursachen von Ineffizienzen ermittelt werden. Diese liegen in der Fähigkeit, das
Marktpotenzial durch Umsatzgenerierung zu realisieren, und/oder in der Kostenkontrolle, d.h. in der Fähigkeit, erzielte Umsätze in Gewinn zu transferieren.642 Dabei
sind einige Restaurants in Bezug auf beide Dimensionen überlegen; diese werden
als „Stars“ bezeichnet und bilden die Benchmarks der Organisation. Andere Outlets
zeichnen sich durch gute Umsatzpotenzialausschöpfung, jedoch durch ineffiziente
operative Prozesse und einen schlechten Zustand der Restaurants mit der Folge hoher Kosten aus. Hier sind v.a. Maßnahmen zur Kostenkontrolle einzuleiten. Andere
Implikationen ergeben sich für Restaurants mit hoher Kosteneffizienz und damit Profitabilität, die sich jedoch durch eine nicht ausreichende Marktdurchdringung auszeichnen. Diese von Athanassopoulos/Thanassoulis als „Sleepers“ bezeichneten
Einheiten sind kleine und unter vorteilhaften Marktbedingungen agierende Restaurants, die erhebliche Überkapazitäten aufweisen, die es durch eine Fokussierung auf
640
641
642
Vgl. Kreuder (2003), S. 103 f.
Vgl. Mahajan (1991), S. 201.
Vgl. Athanassopoulos/Thanassoulis (1995), S. 25 ff.
223
Neukundengewinnung zu nutzen gilt. Hier ist jedoch zu bedenken, dass die geringen
Kosten auch durch eine geringe (Service)Qualität bedingt sein können.
Weiterhin untersuchen die Autoren, ob verschiedene Typen von Outlets der Brauerei
(Pubs mit einem hohen vs. niedrigen Anteil an Laufkundschaft) systematische Performanceunterschiede aufweisen. Dazu wurde die durch das zentrale Management
mittels Preissetzung und Produktmix beeinflussbare Effizienz eliminiert und die Einheiten der zwei betrachteten Segmente, die sich somit nur noch durch exogene Variablen unterscheiden, verglichen. In der Tat wurden systematische Effizienzunterschiede zwischen den Gruppen aufgedeckt. Die Pubs mit Laufkundschaft waren sowohl effizienter als auch profitabler. Dies liefert wichtige Informationen für die Wahl
der optimalen Betriebsform und Standorte bei zukünftigen Filialeröffnungen.643 Die
Kenntnis der Input- und Output-Ausprägungen der effizienten Referenzfilialen lassen
sich nutzen, um Umsatzziele für neu zu eröffnende Filialen in Abhängigkeit des jeweiligen Skalenniveaus und der Marktbedingungen vorzugeben. So lassen sich
durch den Vergleich mit Referenzfilialen bei inputorientierter Betrachtung für die exogenen Marktvariablen wie Anzahl der Wettbewerber oder Alkoholkonsum kritische
Schwellen bestimmen, bis zu denen sich die Marktbedingungen verschlechtern können, ohne dass sich die optimale Lösung, d.h. die Vorgaben bzgl. des Umsatzes,
ändern. Trotz der aufgezeigten interessanten Aspekte ist die Generalisierbarkeit der
Ergebnisse aufgrund der geringen Anzahl der zudem sehr spezifischen Inputs als
etwas fraglich einzuschätzen.
In einer komplexen Analyse untersuchen Thomas et al. die Effizienz von 520 Filialen
eines großen Einzelhandelsunternehmens. Sie berücksichtigen mit 16 Inputs (die zu
vier Input-Gruppen zusammengefasst werden) und zwei Outputs ein umfassendes
Set an Einflussfaktoren.644 Die Autoren zeigen, dass ein Problem entstehen kann,
wenn die von der DEA frei optimierten Gewichtungen nicht den strategischen Prioritäten der Unternehmensleitung entsprechen. Durch Anwendung verschiedener Formen von Gewichtsrestriktionen kann dieser Schwäche jedoch entgegengewirkt werden. Auch in diesem Beispiel konnte die Rangfolge der DEA-Effizienzwerte durch die
Beurteilung des Managements bestätigt werden. Thomas et al. demonstrieren anhand einer großen Datenbasis, wie die Unternehmensziele, Strategien und Vorstellungen der Unternehmensleitung in eine DEA integriert werden können. Die DEAErgebnisse können dann die Basis für ein strategisch ausgerichtetes Vergütungssystem sein.
643
644
Vgl. Athanassopoulos/Thanassoulis (1995), S. 32.
Vgl. Thomas et al. (1998), S. 494 ff..
224
Tabelle 25 fasst bisherige DEA-Studien im Bereich der Distributionspolitik zusammen.645 Wie ersichtlich wird, stellt die mittlere Aggregationsebene der Vertriebseffizienzbetrachtung einen guten Kompromiss zwischen Exaktheit der Zurechnung von
Ineffizienzursachen (Individualebene) und struktureller Aussagekraft (Organisationsebene) dar. Auf der mittleren Ebene können unterschiedlich erfolgreiche Verkaufskonzepte, individuelle Stärken-Schwächen-Profile und darauf zugeschnittene Zielvorgaben und Verbesserungsempfehlungen ermittelt sowie die Auswirkungen von
Parameterveränderungen simuliert werden. Insofern erscheint es vielversprechend,
diese Richtung der Vertriebseffizienzanalyse weiter voranzutreiben. Gerade auf dieser Messebene existieren bisher jedoch die wenigsten Anwendungen.
Deshalb blieben auf der mittleren Aggregationsebene einige wichtige Problemstellungen bisher unbehandelt: So wären zukünftig Studien wünschenswert, die unterschiedliche Vertriebskanäle vergleichen und Performanceveränderungen durch
Zeitreihenuntersuchungen analysieren. Ebenso selten werden in Arbeiten sog. nicht
diskretionäre Einflussfaktoren bezüglich der Gebietsattraktivität (z.B. Kundenstruktur
im Vertriebsgebiet, Umsatzpotenzial) berücksichtigt, welche vom Management nicht
beeinflusst werden können, jedoch erhebliche Performanceauswirkungen besitzen.
Autoren /
AnalyseInputs
Fragestellung gegenstand
Outputs
Kernbefunde
Einzelne Außendienstmitarbeiter (Individualebene)
Boles/Donthu/
Lohtia (1995)
Internes
Benchmarking
von Mitarbeitern im Verkauf
58 Vertriebsmitarbeiter
einer Werbeagentur
•
Erfahrung des Mitarbeiters (Anzahl Verkaufstrainings)
•
Quote Ist- zu SollAbsatz (Grad der
Zielerreichung)
•
DEA ist zuverlässigste Messmethode in Bezug auf ParetoKriterium
•
•
Gehalt des Mitarbeiters
•
•
Umsatz
•
Hohe Übereinstimmung von
DEA-Ranking und Managementbeurteilung
Vergleich
alternativer
Methoden der
Effizienzmessung
•
Anzahl potenzieller
Kunden des Mitarbeiters
•
Einsatz der DEA v.a. dann
empfehlenswert, wenn Mitarbeiter unter unterschiedlichen
Bedingungen arbeiten
Pilling/Donthu/ 172
Henson
Vertriebsmit(1999)
arbeiter von
BekleiMessung der
dungsunterEffizienz von
nehmen
Vertriebsmitarbeitern unter
Berücksichtigung des Einflusses des
Marktpotenzials der Gebiete
•
Durchschnittlicher Kundenwert (Umsatz) pro
Mitarbeiter
Umsatz
•
Leistungseinschätzung des Mitarbeiters
7% der Mitarbeiter arbeiten
effizient
•
die Effizienz wird stark von
den Merkmalen des betreuten
Verkaufsgebiets beeinflusst
•
sehr breite Streuung der Effizienzwerte
645
•
•
Proportion Manager zu
Vertriebsmitarbeitern
Gesamtnachfrage innerhalb eines Vertriebsgebiets (nicht kontrollierbar)
•
•
Mitarbeiterqualität
(ermittelt durch
Vorgesetztenbeurteilung)
Wachstumsrate der
Marktnachfrage (nicht
kontrollierbar)
Vgl. Bauer/Hammerschmidt/Garde (2004a), S. 34 f.; Kleemann/Hammerschmidt (2006b); Kreuder
(2004), S. 110 ff.
225
Autoren /
AnalyseInputs
Fragestellung gegenstand
Outputs
Kernbefunde
Weibler/ Lucht
(2001)
•
•
Fluktuationsquote
•
DEA-Ergebnisse werden
genutzt, um Auseinandersetzung mit Führungseffizienz zu
forcieren und Leistungstransparenz zu schaffen
•
•
Arbeitszufriedenheit
•
Durchschnittliche
Versicherungsprämie pro Mitarbeiter
•
42% der Teams sind ineffizient
•
•
Erwartetes Wachstum der Versicherungsprämien
Fast alle Teams weisen aufgrund der hohen Wettbewerbsintensität und Marktsättigung geringe Effizienz der
Promotionmaßnahmen auf
•
Mehr Entscheidungsfreiheit
der DMUs über Anzahl der betreuten Absatzgebiete führt zu
höherer Effizienz (bestätigt
positiven Effekt einer höheren
Kontrolle über kritische Ressourcen)
•
Individuelle Mitarbeiterproduktivität ist entscheidender Stellhebel für Vertriebsergebnis
•
Bloße Umverteilung von Vertriebsmitarbeitern zwischen
Regionen ist wenig wirkungsvoll
•
Vergrößerung des Vertriebsteams ist nicht unbedingt effizienzfördernd (Grenzproduktivität von zusätzlichen
Mitarbeitern in effizienten Gebieten sogar negativ)
•
•
50% der Teams sind effizient
•
Ermittlung zweier effizienter
„Vertriebsstile“ („Fetischisten“
vs. "ausgewogene Optimierer")
•
tendenziell schlechte Ausschöpfung des Marktpotenzials
•
einseitige Minimierung nur
eines Inputs führt zu Ineffizienz
Verkaufsmitarbeiter
•
•
Brutto-Jahresgehalt
•
Kundenpotenzial des
Mitarbeiters
Kosten für Schulungen
des Mitarbeiters
Mitarbeiterbeurteilung durch
Vorgesetzten
Kundenzufriedenheit
Vertriebsteams/Außendienst (Gruppenebene)
Mahajan
(1991)
Analyse der
relativen Effizienz von
Vertriebsteams und des
Einflusses der
Ressourcenkontrolle auf
die Effizienz
Horsky/ Nelson (1996)
Analyse des
Einflusses der
Vertriebsgröße auf
Gewinn und
Umsatz
Bauer/ Hammerschmidt
(2003)
Internes Effizienzbenchmarking der
regionalen
Vertriebsteams
Identifikation
erfolgreicher
Vertriebsstrategien
Vertriebsteams von
33 konkurrierenden
Versicherungsgesellschaften
53 Regionalteams zweier konkurrierender Unternehmen
mit insgesamt 359
Mitarbeitern
8 Außendienstteams
eines Pharmaunternehmens
•
Größe der Vertriebsteams
•
Anzahl erstellter Angebote
•
Ausgaben für vom
Team organisierte Verkaufsförderungsmaßnahmen
•
Anzahl der Vergünstigungen für Mitarbeiter
(Schulungsangebote)
•
Anzahl betreuter Gebiete (nicht kontrollierbar)
•
Wettbewerbsintensität
der Gebiete (nicht kontrollierbar)
•
Anzahl Vertriebsmitarbeiter
•
Anzahl Vertriebsmitarbeiter der Konkurrenz
•
Zahl potenzieller Kunden
•
Marktpotenzial (nicht
kontrollierbar)
•
•
•
Teamgröße
•
Anzahl verkaufter Aktionsprodukte pro Besuchstour
•
Kundenpotenzial (nicht
kontrollierbar)
•
Einwohnerdichte im
Vertriebsgebiet (nicht
kontrollierbar)
•
Umsatz
•
•
Umsatz
Anzahl Kundenbesuche
Anzahl vergebener Kundenincentives (Gratisprodukte)
•
Absatz von Zusatzleistungen
Anteil des über
Apotheken erzielten
Umsatzes
Vertriebsgesellschaften/Filialen/Verkaufsniederlassungen (Organisationsebene)
Trotz fast identischer Marktanteile bestehen starke Effizienzunterschiede
226
Autoren /
AnalyseInputs
Fragestellung gegenstand
Outputs
Kernbefunde
Sherman /
Gold (1985)
Analyse der
operativen
Effizienz von
Banken
•
Lebensversicherungsverkäufe
57% der Filialen sind effizient
•
•
•
•
•
Vergebene Kredite
•
•
•
Verkaufte Anleihen
insb. Personal- und Betriebskosten sollten als die direkt
kontrollierbaren Faktoren Ansatzpunkte für Verbesserungen sein
Anzahl Kassierer
•
Anzahl Zahlungstransaktionen
•
•
•
30% der Filialen sind effizient
Umfang des Schalterpersonals
Verkaufte Schecks,
Bonds
•
•
Nachttresoreinzahlungen
Führungsstil des Filialleiters
entscheidend für Effizienz
•
•
Kredit- und Hypothekentransaktionen
•
Zahl neuer Konten
Mitarbeiterstruktur wichtig:
ineffiziente Filialen setzen nur
Vollzeitkräfte ein, effiziente Filialen greifen in Stoßzeiten auf
Teilzeitkräfte zurück (höhere
Flexibilität)
•
Umsatz
•
Effizienzwerte in VRS-Modell
sind deutlich höher, d.h. es
existieren bei den meisten Filialen Skalenineffizienzen
(suboptimale Größe)
•
Vergleich von Marketingeffizienz und Profitabilität lässt
Rückschlüsse auf die Kosteneffizienz der Filialen zu
•
Ableitung realistischer Umsatzziele
14 Bankfilialen
Sherman /
33 BankfiliaLadino (1995) len
Steigerung der
Profitabilität
bei Beibehaltung der Servicequalität
Athanassopoulos / Thanassoulis
(1995)
60 Outlets
(Pubs) einer
Brauerei in
England
Vertriebseffizienzanalyse verschiedener
Filialen unter
Berücksichtigung von
Größeneffekten
Kamakura/
Lenartowicz/
Ratchford
(1996)
Effizienzmessung von
Filialen unter
Berücksichtigung des
Einflusses
demografischer Kundenspezifika
188 Filialen
einer Bank
in einem
lateinamerikanischen
Großstadtraum
•
•
•
•
•
•
•
•
Personalbestand (FTE)
Mietkosten
Betriebskosten
Größe der Filialleitung
Betriebskosten
Filialgröße
•
•
Pubfläche
•
Anzahl anderer Pubs
und Bars im Einzugsbereich (nicht kontrollierbar)
Kontoeröffnungen
Verkaufte Reiseschecks
Anzahl von Zahlungstransaktionen
Bierkonsum im Einzugsbereich (nicht kontrollierbar)
•
Geleistete Arbeitsstunden
•
Größe der Servicefläche
•
Volumen der Bareinlagen und anderer Bankeinlagen
•
Transaktionsvolumen
•
Höhe berechneter
Gebühren
bei Effizienz aller Filialen
besteht Einsparpotenzial von
4,4 Vollzeitstellen, 33.900 $
bei Betriebskosten und 47.600
$ bei Mietkosten
7 Mio. $ Einsparungspotenzial
bei Betriebsausgaben
•
Segmentweise Effizienzbewertung für 5 homogene
Filial-Cluster in Bezug auf
die Eigenschaften des Kundenstamms
•
Die Cluster weisen systematische Performanceunterschiede auf
•
Investierte Zeit zur Bearbeitung von Kundenaufträgen
diskriminiert am stärksten
zwischen Segmenten und
ist entscheidend für relative
Effizienz
•
Schätzung von Arbeitselastizitäten der Segmente
(d.h. Outputwirkungen bei
Veränderung der Arbeitsstunden)
227
Autoren /
AnalyseInputs
Fragestellung gegenstand
Outputs
Kernbefunde
Athanassopoulos
(1998b)
•
•
Basierend auf beobachteten
effizienten Input-OutputKombinationen werden Umsatz- und Gewinnziele für neu
zu eröffnende Filialen in Abhängigkeit vom vorliegenden
Skalenniveau vorgegeben
•
Effizienz des oberen (strategischen) Managements deutlich
geringer als lokale Filialeffizienz, da zentrales Management auch Skalenineffizienzen
zu verantworten hat
•
Systematische lokale Effizienzunterschiede sind v.a.
auf unterschiedliche Breite
des Serviceangebots zurückzuführen
Vertriebseffizienzanalyse auf
unterschiedlichen Managementebenen, Einfluss der Angebotsbreite
auf Effizienz
154 Outlets
(Pubs) von 5
großen
Brauereien
mit verschiedenen
Servicemixes (mit
oder ohne
Speisenangebot)
Donthu/Yoo
(1998)
Internes EffizienzBenchmarking
über 3 Jahre
Vergleich von
DEA und
multipler Regression
24 Filialen
einer Restaurantkette
Thomas et al.
(1998)
Ermittlung von
Haupteinflussfaktoren der
Filialperformance
520 Einzelhandelsfilialen
•
•
•
Lokalfläche
•
•
Arbeitsstunden
•
Anzahl potenzieller
Kunden
•
Regionale Soziodemografika (nicht kontrollierbar)
•
Alkoholkonsum in der
Vertriebsregion (nicht
kontrollierbar)
•
Durchschnittliches
Haushaltseinkommen in
der Vertriebsregion
(nicht kontrollierbar)
•
Bierabsatz der nächsten
Konkurrenten (nicht
kontrollierbar)
•
•
Restaurantgröße
•
Ausgaben für Promotions
•
Lage des Restaurants
Umsatz
Anzahl Parkplätze
Breite des Serviceangebots
technischer Zustand
(Reparaturaufwendungen)
Erfahrung des Geschäftsführers
4 Inputgruppen:
•
Arbeit (Arbeitskosten,
Anzahl der Mitarbeiter)
•
Erfahrung (Tätigkeitsdauer des Mitarbeiters)
•
Geschäftsprozesse
(Operative Kosten, Lagerbestand)
•
Umwelt (Anzahl Einwohner pro Filiale,
durchschnittliches
Haushaltseinkommen
im Vertriebsgebiet, Anzahl Haushalte im Vertriebsgebiet, Nähe zur
nächsten Filiale) (nicht
kontrollierbar)
•
•
Umsatz
•
Kundenzufriedenheit
30% der Filialen arbeiten
effizient
•
•
Kundenloyalität
Regressionsanalyse führt zu
völlig anderen Rankings als
DEA; DEA ist jedoch aufgrund
der Berücksichtigung multipler
Outputs zu bevorzugen
•
Im Zeitverlauf bleiben nur 2
Filialen konstant effizient, der
Rest verschlechtert sich
•
Mit restringierten Inputs und
Outputs sind nur 7 der 520 Filialen effizient
•
Hohe Übereinstimmung der
DEA-Ergebnisse mit internen
Rankings der regionalen Manager
•
Kritische Erfolgsfaktoren
liegen in den Inputbereichen
Lage und Umgebung des Geschäfts und Personalmanagement
•
Operativer Gewinn
pro Filiale
•
Nettoumsatz pro
Filiale
228
Autoren /
AnalyseInputs
Fragestellung gegenstand
Outputs
Kernbefunde
Grewal et al.
(1999)
Auswirkung
regionaler
Sortimentsunterschiede auf
die Effizienz
•
•
•
Verfeinerung der Analyse
durch Disaggregation der
Produktkategorien und Berücksichtigung regionaler Sortimentsunterschiede führt zu
höherer Anzahl effizienter
DMUs
•
Effizienzsteigerungen können
über Anpassungen des Sortiments erfolgen
Zenios et al.
(1999)
Sowlati/Paradi
(2004)
59 Vertriebszentren für
Kfz-Teile
144 Bankfilialen einer
zypriotischen
Bank
79 Filialen
einer kanadischen
Bank
•
•
•
Operative Kosten der
Filiale
Umsatz
Absatz
Ladenfläche
Lagerbestände
•
Anzahl leitende Angestellte
•
Arbeitsstunden
•
Durch Isolation der Umwelteinflüsse kann die reine operative Effizienz der Filialen
bewertet werden
•
Anzahl tariflich Angestellter
•
•
Provisionen
•
•
•
•
Filialgröße
•
•
Anzahl Kreditanträge
•
•
Umfang Supportpersonal
Abgeschlossene
Konsumentenkredite
•
Umfang sonstiges Personal
Verkaufte Kreditbriefe
Unter Vorgabe von Gewichtsrestriktionen (Bandbreiten) auf
Basis von Managementeinschätzungen sind nur 10% der
Filialen effizient
•
•
•
Abgeschlossene
Hypotheken
•
•
Abgeschossene
Rentensparpläne
Bildung von künstlichen Filialen zur Ableitung von Verbesserungsmöglichkeiten auch für
die effizienten Filialen; nun
sind nur noch zwei reale Filialen effizient
•
Aufgrund der exogenen Restriktionen und der künstlichen
Verschlechterung der Effizienz
durch Dummy- Filialen wird
Akzeptanz und Verständnis
der Ergebnisse in den betroffenen Filialen erschwert
Anzahl Computerterminals (in Stunden)
Anzahl Girokonten
Anzahl Sparkonten
Anzahl Geschäftskonten
Umfang Verkaufspersonal
Tabelle 25: Empirische DEA-Studien zur Distributionseffizienz
In der Literatur wird gefordert, solche Variablen adäquat zu berücksichtigen, da sonst
erhebliche Verzerrungen in der Effizienzbewertung resultieren, die die Validität und
Akzeptanz der Ergebnisse mindern. Sie verhindern die Implementierung effektiver
Verbesserungsstrategien, da an Parametern angesetzt wird, die nicht die eigentlichen Ursachen der Ineffizienz darstellen.646
646
Vgl. Banker/Morey (1986); Staat (1999).
229
Eine vordringliche Forschungsaufgabe liegt ferner in der Bestimmung der Skalenertragseigenschaften der Frontier-Sales-Responsefunktion. Dies ist bisher erst in zwei
Untersuchungen geschehen. Informationen zu Skalenerträgen ermöglichen Erkenntnisse darüber, ob die Einheiten zu klein oder zu groß sind und durch eine Veränderung des Personaleinsatzes Effizienzsteigerungen durch entsprechend überproportionale Outputveränderungen erreichbar wären. In zukünftigen Studien sind verstärkt
Modelle mit unterschiedlichen Skalenertragsannahmen zu vergleichen, um technische Ineffizienzen und größenbedingte Ineffizienzen (Skalenineffizienzen) zu separieren und die Verbesserungspotenziale jeweils getrennt abzuschätzen, die aus der
Beseitigung der jeweiligen Arten von Ineffizienzen resultieren. Diese Separierung von
Skalenineffizienzen und technischen Ineffizienzen verspricht v.a. deshalb einen signifikanten Erkenntnisfortschritt, weil diese von Entscheidungsträgern unterschiedlicher
Managementebenen verursacht wurden und folglich zu beeinflussen sind. Demgegenüber macht ein Ausweis der aggregierten Verbesserungspotenziale (die aus der
Beseitigung der Gesamtineffizienz folgen) wenig Sinn. Den verschiedenen organisatorischen Einheiten können dann keine individuellen Vorgaben in Bezug darauf zugewiesen werden, für welchen Teil dieser gesamten Einsparpotenziale sie verantwortlich sind. Eine Separierung der Ineffizienzen erleichtert eine verursachungsgerechte Zuordnung von Zuständigkeiten (Accountability) der Managementbereiche.
Weiterhin wurde bisher nicht thematisiert, welchen Einfluss die Annahme beliebiger
konvexer Kombinierbarkeit der Vergleichseinheiten, die der DEA zu Grunde liegt, auf
die Effizienzbewertung und die ausgewiesenen Verbesserungsempfehlungen hat.
Hierzu wären sinnvollerweise DEA-Modelle zu ergänzen durch Analysen auf Basis
nicht konvexer Technologien, wie sie etwa die FDH ermittelt. Insofern empfiehlt sich
gerade im Vertriebsbereich, in dem der Faktor Mensch auf der Inputseite einen wesentlichen Stellenwert besitzt, eine methodenpluralistische Vorgehensweise, um die
Realitätsnähe und damit die Akzeptanz von Effizienzbewertungen kritisch zu überprüfen.
Ein Vergleich unterschiedlicher Distributionskanäle sowie Zeitreihenanalysen sind
aufgrund von Datenbeschränkungen in der im nächtsen Teil vorgestellten Vertriebseffizienzstudie nicht durchführbar. Zur Schließung der übrigen genannten Forschungslücken soll die Vertriebsstudie in Kapitel E-3 jedoch einen Beitrag leisten, um
die Eignung der DEA als methodisches Fundament eines Performancesteuerungssystems gerade im Vertrieb zu untermauern. Die Studie ist auf der Gruppenebene
angesiedelt und untersucht die Effizienz von Außendienstteams im Pharmamarkt.
Durch den Vergleich der Effizienzwerte, die auf Basis unterschiedlicher Skalenertragsannahmen bestimmt werden, soll eine Trennung der Gesamtineffizienzen in
technische und größenbedingte Ineffizienzen erfolgen. Während letztere eher strate-
230
gischer Natur sind und somit nur vom übergeordneten, zentralen Vertriebsmanagement beeinflusst werden können, stellen sich erstere als operative Ineffizienzen dar,
die vom lokalen Teammanagement zu verantworten und zu beseitigen sind.
Gerade im Pharmasektor verursacht die Vertriebsfunktion einen erheblichen Teil der
Marketingkosten und stellt somit einen zentralen Erfolgsfaktor dar. Die Kostensenkungs- bzw. Umsatzsteigerungspotenziale, die allein aus der Identifizierung von
Effizienzlücken in Relation zu internen Benchmarks resultieren, sind gerade im
Pharmasektor, der sich bisher noch durch einen relativ geringen Performance- und
Wettbewerbsdruck auszeichnet, als sehr hoch einzuschätzen. Ziel der Untersuchung
ist es auch, eine systematische und transparente Auswertung der Ergebnisse zu
demonstrieren.
231
E
Empirische Untersuchungen
Die nachfolgenden Studien haben das Ziel, einige der vorgestellten DEA-Modelle
praktisch anzuwenden, um die Aussagekraft und die vielfältigen Vorteile einer umfassenden und quantitativ fundierten Effizienzanalyse im Marketing zu verdeutlichen.
So kommen in den folgenden drei empirischen Untersuchungen von den theoretisch
vorgestellten Verfahren der 2. Generation die DEA-Standardmodelle (CCR und BCC)
sowohl mit konstanten als auch variablen Skalenerträgen sowie deren Erweiterung in
Form der Supereffizienzanalyse und des Modells mit exogen fixierten Variablen zum
Einsatz. Um die Praxisnähe und Anwendbarkeit der Ergebnisse zu gewährleisten,
werden in der Vertriebsuntersuchung die DEA-Ergebnisse durch Implikationen der
FDH als Vertreter der nicht konvexen Verfahren angereichert.
1.
Studie zur Analyse der nachfragerorientierten
Produkteffizienz
1.1.
Untersuchungsgegenstand und Problemstellungen
Ziel der nachfolgenden Untersuchung ist es, die Analyse der relativen Produkteffizienz aus Kundensicht anhand von Daten aus dem Markt für untere MittelklassePKWs zu demonstrieren. Die Analyse schließt 40 Varianten von 17 der in Deutschland meistverkauften Modellreihen ein (diese sind Tabelle 27 unten zu entnehmen).
Deren kumulierter Marktanteil beträgt 78,5%.647 Um eine grundsätzliche Vergleichbarkeit zu gewährleisten, werden bzgl. der Motorisierung keine Fahrzeuge mit Diesel- und Hybridantrieb und bzgl. Wagentyp keine Cabrios, Kombilimousinen und
Großraumlimousinen (Vans) einbezogen. Daher können 15 Modellreihen nicht berücksichtigt werden, die aber im unteren Mittelklasse-Segment nur einen Anteil von
etwa einem Fünftel ausmachen, weshalb die zu Grunde liegende Datenbasis den
betrachteten Markt sehr umfassend abbildet.
Gerade im Automobilmarkt bietet sich eine nachfragerorientierte Produkteffizienzanalyse auf Basis der DEA an. Dies kann v.a. dadurch begründet werden, dass das methodische Grundprinzip einer Bewertung von Input-Output-Strukturen im Einklang mit
dem in der Konsumentenforschung etablierten Merkmalsansatz (characteristics approach) steht. Dieser auf Lancaster zurückgehende Ansatz bildet das Produktwahlverhalten von Konsumenten weit realistischer ab als traditionelle Modelle der mikroökonomischen Nachfragetheorie, in denen nur die für ein bestimmtes Budget optimalen Mengen von eigenschaftslosen Gütern (commodities) bestimmt werden. Der
647
Vgl. Kraftfahrt-Bundesamt (2004), S. 14 f.
232
Merkmalsansatz betrachtet Produkte nicht als wünschenswert um ihrer selbst Willen,
sondern als Bündel von intrinsischen und extrinsischen Eigenschaften, die Nutzen für
den Konsumenten stiften.648 Unterschiedliche Nachfragereaktionen auf Produktangebote mit denselben Charakteristika können dann dadurch erklärt werden, dass sie
diese in unterschiedlichen Proportionen anbieten. Dies dürfte in hohem Maße für Automobile zutreffen, die keinesfalls als commodities zu betrachten sind.
Nach dem Ansatz von Lancaster lassen sich Güter anhand ihres Preises sowie ihrer
jeweiligen Eigenschaftsausprägungen im Merkmalsraum anordnen, dessen Achsen
die Merkmalsdimensionen darstellen.649 Durch eine Verbindung der am weitesten
außen liegenden Produkte wird dann eine Effizienzgrenze (consumption possibilities
frontier) gebildet. Auf dieser liegen die für ein bestimmtes Ausgabenniveau maximal
erreichbaren Kombinationen von Merkmalsausprägungen. Die Vorziehenswürdigkeit
eines Produktes für einen nutzenmaximierenden Konsumenten kann folglich daran
abgelesen werden, ob es auf dieser Effizienzgrenze liegt oder nicht. Für Anbieter
ergeben sich aus der Lage und dem Verlauf dieser Effizienzgrenze wichtige Implikationen für die Modifizierung bestehender und die Einführung neuer Produkte. Wie
deutlich wird, ist Qualität in dieser Arbeit als ein mehrdimensionales Konstrukt zu
verstehen. Diese Sichtweise reflektiert auch ein modernes, entscheidungstheoretisches Verständnis des Produktwahlprozesses, der sich realistischerweise als Problem der multikriteriellen Entscheidungsfindung (MCDM) auffassen lässt.650 Konsumenten treffen ihre Entscheidung nicht auf Basis einer eindimensionalen Bewertung
der Gesamtqualität. Vielmehr wird das Qualitätsurteil in der Regel multiattributiv aus
den Bewertungen der zu Grunde liegenden Eigenschaften komponiert. Die DEA stellt
nun eine Technik dar, mittels derer es möglich ist, die Effizienzgrenze eines Produktraumes unter Berücksichtigung der hier dargestellten Annahmen zum Konsumentenverhalten zu bestimmen.
Die Anwendung der DEA auf Produktwahlprozesse von Konsumenten kann auf zwei
Stufen erfolgen. Als Ergebnis des DEA-Grundmodells wird aus der untersuchten Objektmenge das Set von effizienten Angeboten eines Marktes extrahiert. Dieses stellt
die Lösung der ersten Stufe des Auswahlproblems eines Konsumenten dar, die darin
besteht, die Wahl von Produkten zu verhindern, die unterhalb der Effizienzgrenze
liegen und deren Käufe zu Wohlfahrtsverlusten führen.651 Die Effizienzbewertung der
Eigenschaftsbündel erfolgt dabei, ohne den Eigenschaften a priori Präferenzgewichte
zuweisen zu müssen. Stattdessen wird die betrachtete Produktmenge objektiv aus
verschiedenen Blickwinkeln (d.h. unter Anwendung verschiedener Gewichtungsvek648
649
650
651
Vgl. Hjorth-Andersen (1984); Lancaster (1979).
Vgl. Lancaster (1979), S. 135 ff.
Vgl. Bouyssou (1999); Stewart (1996).
Vgl. Deaton/Muellbauer (1999); Rosen (1974).
233
toren für die Parameter) bewertet und für jede Perspektive die jeweils effizienten
Produkte bestimmt. Der zentrale Vorteil der DEA im Rahmen der ersten Stufe sei
nochmals hervorgehoben: Durch Nutzung der DEA kann das Ausscheiden von Produkten, die nicht das maximal am Markt erhältliche Outputniveau für eine bestimmte
Budgethöhe bieten, ohne Kenntnisse von Konsumentenpräferenzen erfolgen. Dies
wird erreicht, da von allen denkbaren Gewichtungsmustern ohnehin das bestmögliche zur Produktbeurteilung gewählt wird. Es ist somit keine Nutzenfunktion (d.h.
Form von Gewichten) denkbar, die ein ineffizientes Produkt für irgendeinen Konsumenten effizient werden lassen könnte. Würde ein solches Gewichtungsschema
existieren, würde das fragliche Produkt unter Zuweisung genau dieser Outputgewichte als effizient klassifiziert werden.
Wenn das Ziel in der Maximierung des durch ein Produkt gestifteten Customer Value
besteht, sollten nur die effizienten Angebote das relevant set für die Auswahl des
endgültigen Produktes darstellen, welche in der zweiten Stufe erfolgt. Da Präferenzen der Nachfrager heterogen sind, werden die von den Nachfragern im Ergebnis
der zweiten Stufe ausgewählten effizienten Produkte unterschiedlichen Teilmärkten
entstammen. Hier ist es also nicht das Ziel, ein einziges Idelaprodukt festzulegen,
stattdessen müssen Gruppen von Produkten identifiziert werden. Aus diesem Grund
erscheint es angemessen, nach der Aufteilung des Marktes in effiziente und ineffiziente PKWs eine differenzierte Analyse ausgewählter Produkt-Segmente vorzunehmen. Diese zeichnen sich durch eine homogene Art und Weise der CustomerValue-Stiftung für Kunden, d.h. ähnliche Positionierung im Merkmalsraum, aus. Im
folgenden Abschnitt wird ausführlich beleuchtet, inwieweit sich die DEA aufgrund ihrer besonderen methodischen Eigenschaften eignet, eine solche Partitionierung des
Gesamtmarktes endogen zu erreichen. Lägen dann genaue Präferenzinformationen
vor, könnte für bestimmte Gruppen von Käufern zur Lösung des Problems der zweiten Stufe die Auswahl eines geeigneten Segmentes von Produkten aus der Menge
aller effizienten Produkte erfolgen.
Da im Rahmen dieser Studie allerdings keine Präferenzdaten vorliegen, kann hier
keine konkrete Auswahl des „besten“ Teilmarktes erfolgen. Es können jedoch Aussagen darüber gemacht werden, mit welchem Segment von prospektiven Nachfragern ein durch die DEA extrahierter Teilmarkt am besten zusammenpasst. Für einen
bestimmten Kunden sollte nun innerhalb jenes Teilmarktes, der am besten mit dessen Präferenzen (Merkmalsgewichtungen) korrespondiert, das Produkt mit dem
höchsten Preis-Leistungs-Verhältnis identifizierbar sein.652 Zur Unterstützung der optimalen Wahlentscheidung innerhalb eines Teilmarktes ist dann ein DEA-Modell zu
wählen, welches eine Diskriminierung effizienter Einheiten und so die Identifizierung
652
Vgl. Papagapiou/Mingers/Thanassoulis (1997), S. 15.
234
des best buy innerhalb jedes Teilmarktes erlaubt. Da keine Präferenzinformationen
vorliegen, können die Implikationen zur Unterstützung der zweiten Stufe der Wahlentscheidung in der nachfolgenden Untersuchung nur exemplarisch an einem ausgewählten Teilmarkt erfolgen.
Eine Effizienzbewertung von Produkten unter Heranziehung kundenrelevanter Inputund Outputmerkmale liefert wichtige Einsichten für die Anbieterseite. So stellt die
DEA-Informationen zur Optimierung der Produktpositionierung im Merkmalsraum
bereit. Die Ergebnisse zeigen, welche Merkmale eines Produktes in welchem Ausmaß zu modifizieren sind, um am schnellsten und mit geringstem Aufwand eine effiziente Position im Marktraum zu erreichen. Letzterer Aspekt wird durch die teilmarktspezifische Betrachtung gewährleistet, die keine grundlegenden Veränderungen der
Marktausrichtung und -bearbeitung anstrebt, sondern als Referenzfunktion nur das
Teilstück der Effizienzgrenze vorgibt, welches für den betrachteten Teilmarkt relevant
ist. Die Handlungsempfehlungen beziehen sich dann auf die Verbesserung der Angebote mit dem Ziel, innerhalb dieses strategisch vorgegebenen Rahmens einen
maximalen relativen Customer Value zu bieten. Für die Konsumentenseite bieten die
Resultate eine konkrete Entscheidungshilfe im Produktwahlprozess, die es ermöglicht, die best buys eines bestimmten Teilmarktes zu identifizieren und so die Konsumentenwohlfahrt zu maximieren.
Unter Verwendung der in Abschnitt C-1.3 herausgearbeiteten Benchmarkingdimensionen lässt sich die nachfolgende Analyse der relativen Produkteffizienz wie folgt
charakterisieren:
1) Vergleichspartner: extern; direkte Konkurrenten im deustchen Markt
2) Vergleichsobjekte: Produkte
3) Vergleichsmaßstab: Output-Input-Relation
4) Vergleichshorizont: 2004 (Marktdaten, Kundeneinschätzungen)
5) Vergleichsziel: Best Practice und Best-Practice-Führer (Supereffizienz)
1.2.
DEA als Instrument zur Marktstrukturierung
Eine präzise Marktstrukturierung ist Voraussetzung für fast alle strategischen und
taktischen Marketingentscheidungen. Eine Strukturierung impliziert das Aufdecken
der Zusammensetzung von Produkt-Teilmengen; dies wiederum erfordert ein Ziehen
von Grenzen zwischen ihnen (Marktabgrenzung).653 Einer Marktabgrenzung liegt die
Annahme zu Grunde, dass ein Absatzmarkt keine homogene Menge von Gütern
653
Vgl. Bauer (1989); Bauer/Herrmann (1992), S. 1342.
235
darstellt, sondern vielmehr aus getrennten Produktsegmenten besteht, die sich hinsichtlich der Ausprägungen bestimmter nachfragerrelevanter Produktmerkmale unterscheiden. Die Idee besteht darin, ein vorspezifiziertes Produktset so zu gruppieren, dass Produkte, die hinsichtlich dieser Merkmale ähnlich und daher als enge
Substitute zu betrachten sind, einen Teilmarkt bilden.654
Viele Ansätze zur Identifikation von Teilmarktgrenzen, die an den Produktmerkmalen
ansetzen, weisen den Nachteil auf, sich entweder auf qualitäts-/nutzenbezogene
oder auf preisbezogene Attribute zu fokussieren.655 So wurden in der Literatur Konstrukte wie relative product quality und relative product cost eingeführt, ohne beide
Dimensionen in eine übergeordnete Messgröße zu integrieren.656 Als Indikator für die
Wertstiftung eines Produktes und folglich für die Güte der Wahlentscheidung (Kaufentscheidungseffizienz) kann jedoch nur das Preis-Qualitäts-Verhältnis oder allgemeiner das Input-Output-Verhältnis eines gewählten Produktes herangezogen werden.657 Daher erscheint gerade die DEA als Ansatz zur Analyse der Produktmarktstruktur viel versprechend. Wie im methodischen Teil bereits ausführlich dargelegt,
zeichnet sich die DEA weiterhin durch den Vorteil aus, jedem Produkt den höchstmöglichen Effizienzwert zuzuweisen. Dieses Prinzip bedeutet, dass die minimale Ineffizienz (Entfernung zum Rand) ausgewiesen wird, und stellt sicher, dass die ineffizienten Produkte mit jenen effizienten Einheiten auf dem Rand verglichen werden,
die in der Nähe angesiedelt und somit strukturell ähnlich sind. Es lassen sich daher
alle Produkte, die anhand derselben effizienten Peers gebenchmarkt werden und
daher einen vergleichbaren Eigenschaftsmix anbieten, zusammen mit ihren Peers zu
einem Cluster ähnlicher Produkte zusammenfassen, die sich als Teilmarkt interpretieren lassen. Die Identifikation verschiedener Benchmarks gemeinsam mit ähnlichen
ineffizienten Produkten im Rahmen der DEA ermöglicht es, endogen „natürliche“
Marktpartitionen aufzudecken.
Die Eignung der DEA als Ansatz zur Teilmarktabgrenzung wird an einem grafischen
Beispiel demonstriert. Der Einfachheit halber unterstellen wir einen Gesamtmarkt mit
neun Produkten (dargestellt durch die schwarzen Punkte), welche durch zwei Output-Dimensionen (z. B. Komfort und Sicherheit) und eine Input-Dimension (z. B.
Preis) beschrieben werden. Um die wertmaximalen Eigenschaftsbündel identifizieren
zu können, werden die Outputs auf eine Einheit Input (Preis) normiert. Die fiktiven
Produkte sind in Abbildung 21 abgebildet.
654
655
656
657
Vgl. Bauer/Herrmann (1992); Day/Shocker/Srivastava (1979).
Vgl. Day/Shocker/Srivastava (1979); DeSarbo/Wu (2001); Rao/Sabavala (1981).
Vgl. Gatignon/Xuereb (1997); Pelham/Wilson (1996). Gemeint sind hier die Produktkosten für die
Nachfrager.
Vgl. Bauer/Sauer/Hammerschmidt (2005), S. 2 ff.; Ratchford et al. (1996).
236
Sicherheit / Preis
Teilmarkt 4
Teilmarkt 3
R
V
Teilmarkt 2
W
Q
S
U
X
T
P
Teilmarkt 1
Y
0
Output 1/ /Preis
Komfort
Input
Abbildung 21: Identifikation von Teilmärkten mittels DEA
Die Eigenschaftsbündel P, Q und R sind als effizient einzustufen, da sie in der jeweiligen Richtung ihrer Outputkombinationen am weitesten vom Ursprung entfernt liegen
und nicht dominiert werden. Sie bilden den effizienten Rand des betrachteten Produktraumes. Effizienz kann auch bei Kombinationen gegeben sein, welche bei keinem der betrachteten normierten Outputs den Maximalwert erreichen (Produkt Q).
Dies resultiert aus der flexiblen Gewichtung, die eine stückweise lineare Randfunktion ergibt, wobei jedes Teilstück eine andere Gewichtung der Outputs (d.h. andere Stärken-Schwächen-Profile) reflektiert. Auf diese Weise können Produkte mit
ganz unterschiedlichen Konzepten und USPs effizient sein. Die Steigungen der linearen Teilstücke reflektieren alternative Grenzraten der Transformation zwischen den
Outputs.
Im Beispiel stiften alle drei Produkte P, Q und R einen überlegenen Kundennutzen
(Customer Value) durch ganz unterschiedliche Mixes von Outputausprägungen. Diese Produkte bieten jeweils das beste Preis-Leistungs-Verhältnis für entsprechende
Präferenzen. Jeder der konvexen Kegel in Abbildung 21 bildet einen Teilmarkt, wobei
die Fahrstrahlen aus dem Ursprung, die die effizienten Produktpunkte schneiden
(vgl. die gestrichelten Linien), die Grenzen der Teilmärkte darstellen. Die Produkte S,
T und U liegen innerhalb desselben durch Q und R begrenzten konvexen Kegels,
d.h. sie werden nur in Relation zu Q und R evaluiert.658 Diese Produkte positionieren
sich also mit einem ähnlichen Produktkonzept im Merkmalsraum. Da alle Produkte
innerhalb eines Kegels ähnliche und damit in gewissen Grenzen austauschbare
Bündel von Produktcharakteristika darstellen, dürfte zwischen diesen auch ein intensiverer Wettbewerb herrschen. Diese Argumentation legt es nahe, die Produkte Q bis
658
Vgl. Bauer/Hammerschmidt/Staat (2002).
237
U demselben Teilmarkt zuzuordnen, da der Grad der Substituierbarkeit das in der
Literatur etablierte Kriterium zur Abgrenzung von Produktteilmärkten darstellt.659
Offensichtlich lässt sich in diesem stilisierten Beispiel der Gesamtmarkt in vier Teilmärkte partitionieren. Es sei nochmals betont, dass die Homogenität innerhalb eines
Teilmarktes nicht im Hinblick auf die absoluten Ausprägungen einzelner Parameter,
sondern im Hinblick auf das angebotene Verhältnis der Parameter zueinander definiert wird. Es bilden somit all jene Produkte einen Teilmarkt, deren relative Gewichte
ähnlich ausgeprägt sind. So wird z.B. der Wert der Produkte R und W hauptsächlich
durch Output 2 (Sicherheit) determiniert, welcher im Verhältnis zu Output 1 (Komfort)
in hoher Ausprägung angeboten wird und somit ein hohes Gewicht besitzt. Die Wertstruktur von P ist dem entgegengesetzt. Die vier Teilmärkte in Abbildung 21 zeichnen
sich durch vier spezifische Gewichtungsmuster aus. Im Rahmen der folgenden empirischen Anwendung werden die Extraktion solcher Muster und die darauf basierende
Teilmarktbestimmung anhand realer Daten demonstriert.
Anhand des Effizienzwertes lassen sich innerhalb jedes Teilmarktes dominierende
und dominierte Kaufalternativen (best and worst buy) identifizieren. So stiftet das
Produkt U im Teilmarkt 3 einen geringeren Wert, da es bei beiden Dimensionen von
Kombinationen aus Q und R dominiert wird. Wie aus dem Streckenverhältnis
0U / 0V , welches entsprechend der Grafik etwa 0,6 beträgt - erkennbar ist, bietet U
einen relativen Customer Value von 60%; d.h. für denselben Input (Preis), der auch
für V investiert werden muss, bietet U dem Kunden nur 60% von V’s Outputs. Bei
Kauf von Produkt Q oder R würde ein Kunde für denselben Preis deutlich mehr Komfort und Sicherheit erhalten als bei Kauf von Produkt U. Um bei unverändertem Output-Mix eine Positionierung im Produktraum zu erreichen, die einen maximalen
Customer Value bietet, müsste F die Position von V besetzen und somit seine Outputs bei unverändertem Preis um ca. 66% erhöhen.
Aus diesem Grund stellt für Konsumenten, deren Präferenzen durch jene Parametergewichte repräsentiert werden, wie sie für Q, R, S und U von der DEA zugewiesen
werden, Produkt U nicht die optimale Wahl dar. Die Konsumenten erhalten einen höheren Produktwert bei Kauf von Q oder R. Die Effizienzwerte der von den Konsumenten gewählten Produkte können damit als Indikator für die „Effizienz“ der Kaufentscheidung herangezogen werden. Dadurch kann die Güte der Kaufentscheidung
anhand des Ergebnisses beurteilt werden, welches einen eindeutigeren, objektiveren
Maßstab der Rationalität darstellt als die in der verhaltenswissenschaftlichen Literatur oft herangezogene Prozessrationalität.660 Diese setzt vornehmlich an den psychologischen Prozessen der Informationssuche, -aufnahme, -verarbeitung und -speiche659
660
Vgl. Bauer (1989).
Vgl. Bauer/Sauer/Hammerschmidt (2005); Sauer (2003), S. 22.
238
rung innerhalb des kognitiven Systems eines Verbrauchers an, die damit viel schwieriger und kaum objektiv zu messen ist.661 Je höher der Effizienzwert eines gekauften
Produktes, desto höher ist die Kaufentscheidungseffizienz des Kunden. Alle Konsumenten eines bestimmten Produktbereichs, die die auf dem effizienten Rand liegenden Alternativen ausgewählt haben, erzielen damit eine maximale Kaufentscheidungseffizienz.
1.3.
Auswahl der Outputs und Inputs und Datengrundlage
Automobile sind Produkte mit geringer Kauffrequenz, deren Erwerb ein hohes finanzielles Risiko birgt. Gerade beim Automobilkauf können extensive Kaufentscheidungsprozesse erwartet werden, die sich nicht nur auf die Elaboration peripherer,
eher affektiver Produktstimuli beschränken, sondern auch eine umfassende Informationssuche und -verarbeitung beinhalten.662 Die Annahme eines hohen kognitiven
Involvements beim PKW-Kauf wird sich zumindest für einen erheblichen Teil der
Konsumenten als zutreffend erweisen. Aus diesem Grund sind zum einen technische
und preisbezogene Parameter als wichtige Auswahlkriterien heranzuziehen. Dieser
Argumentation folgend nutzen die meisten Produkteffizienz-Studien ausschließlich
“objektive” technische Outputparameter und modellieren die Inputseite ausschließlich
durch den Preis.663
Auf der Outputseite sind aber zusätzlich zu technischen Features auch nicht technische Parameter zu berücksichtigen, um eine umfassende Performancebewertung
sicherzustellen. Die Produkteffizienz ausschließlich auf der Basis physikalischtechnischer Merkmale zu modellieren, stünde im Widerspruch zur Realität des Automobilkaufverhaltens, bei dem neben rational-sachlichen Kriterien auch affektive Elemente einen bedeutenden Einfluss ausüben.664 Weiterhin ist, um eine kundenorientierte Erfassung der Produkteffizienz sicherzustellen, darauf zu achten, nicht nur
konkrete Leistungseigenschaften, sondern auch erzielte Nutzenwirkungen beim
Kunden (wie wahrgenommene Zuverlässigkeit und empfundener Komfort) als Outputs heranzuziehen. Somit werden auch die aus Attributen erwachsenden nutzenstiftenden Effekte einbezogen und eine ausschließlich am Produkt orientierte Merkmalsbetrachtung auf eine am Kunden ausgerichtete Nutzenbetrachtung erweitert.
In diesem Zusammenhang ist zu betonen, dass der Wert eines PKW zudem zu einem signifikanten Teil auch aus psycho-sozial-emotionalen (pse-)Attributen, sog.
extrinsischen Produkteigenschaften, erwächst. Hierzu gehören zum einen symboli661
662
663
664
Vgl. Sauer (2003), S. 107 ff.
Vgl. Papahristodoulou (1997); Sauer (2003), S. 88 ff.
Vgl. die Studien von Doyle/Green (1991, 1994); Fernandez-Castro/Smith (2002); Papagapiou/Mingers/ Thanassoulis (1997); Papahristodoulou (1997); Smirlis et al. (2004).
Vgl. Bearden/Etzel (1982), S. 185 ff.; Sauer (2003), S. 125 ff.
239
sche Attribute wie Markenimage, die die außengerichtete Selbstdarstellung unterstützen. Automobile sind immer auch Symbole, die genutzt werden, um Wohlstand
und Status zu demonstrieren. Zum anderen sind beim Automobilkauf auch innengerichtete, hedonische Attribute relevant, die zur Erfüllung des Strebens nach Genuss
und Freude dienen. Die Mehrheit der Konsumenten weist daher ein erhebliches emotionales Involvement in Bezug auf PKWs auf.665 Auch auf der Inputseite sind regelmäßig neben dem Preis noch weitere Inputs für die Kaufentscheidung relevant, wie
etwa laufende Kosten.
Der vorangegangenen Argumentation folgend, nutzen wir neben den technischen
Outputs Motorleistung (jährliche Laufleistung), Wiederverkaufswert und Umweltverträglichkeit weitere Größen. Als wichtige nicht technische und nutzenbezogene Outputdimensionen werden wahrgenommene Zuverlässigkeit, wahrgenommene Sicherheit, empfundener Komfort und Markenimage herangezogen. Komfort umfasst zum
einen hedonische Attribute (wie Sonderausstattungen), die emotionale Erlebnisse
wie Entspannung und Vergnügen stiften, andererseits auch symbolische Features,
die in einem gewissen Maße sozialen Status und Prestige ausdrücken. Markenimage
als weiterer nicht funktionaler Output stellt ein entscheidendes Kaufkriterium beim
Automobilkauf dar und ist primär als symbolisches Attribut anzusehen, welches dem
Selbstdarstellungszweck dient. Das Markenimage wird als Scoringwert (Index) gemessen, der die Bewertungen von 14 Imagefacetten wie Qualitätsimage, Kundenfreundlichkeit, Reputation, Innovationskraft, Design, Sportlichkeit und Exklusivität
enthält. Der Preis und die laufenden Kosten (Betriebskosten, Werkstattkosten, Fixkosten für Steuer und Versicherung) abzüglich Abschreibung dienen als Inputs.666
665
666
Vgl. Bearden/Etzel (1982); Sauer (2003), S. 197 f.
Datenquellen: Preis, laufende Kosten, Motorleistung, Sicherheit, Umweltverträglichkeit, Komfort:
Autotest des ADAC („ADAC Special Auto-Test 2004“). Zuverlässigkeit: ADAC Pannenstatistik
2004; vgl. Brieter (2004); o.V. (2004a). Markenimage: ADAC-AutoMarxX Juni 2004. Wiederverkaufswert: Deutsche Automobil Treuhand (DAT).
Der Wiederverkaufswert ist der Restwert nach 4 Jahren, angegeben in % des Kaufpreises. Die
Wertverlustangaben werden aus den Gebrauchtwagenpreisnotierungen der DAT abgeleitet. Dabei werden auch zu erwartende Modellwechsel, die sich preismindernd auswirken, einbezogen.
Der Basispreis für die Ermittlung des Restwertes wird gebildet aus dem Grundpreis zzgl. einer
Pauschale von 1.000 EUR für Zubehör, z.B. ein Schiebedach, Metallic-Lackierung oder auch ein
(höherwertiges) Radio - also Extras, welche den Wertverlust abmildern. Diese sind in unserer Tabelle allerdings nicht aufgeführt. Die Zuverlässigkeit wird durch den % Anteil der in einem Zeitraum untersuchten Autos operationalisiert, die keine Panne hatten (Pannenstatistik). Die ADAC
Pannenstatistik basiert auf der Analyse von über 500.000 Pannen von PKW-Fahrern in Deutschland im letzten Jahr, die somit den umfangreichsten Fahrzeug-Test in Deutschland darstellt. Die
einzelnen Items des Parameters Sicherheit wurden anhand standardisierter Tests (z.B. Bremstest, EuroNCAP-Fußgängertest, EuroNCAP-Front- und Seitencrashtests, Airbags, KindersitzTest) auf einer Schulnotenskala von 1-5 bewertet und dann zu einer Gesamtnote zusammengefasst. Da bei Outputs eine höhere (bessere) Ausprägung auch durch einen höheren Wert angezeigt werden muss (je mehr, desto besser), wurden die Reziprokwerte der Schulnoten verwendet,
um eine reversed scale zu erhalten, die sich von 0,2 bis 1 erstreckt. Umweltverträglichkeit ist eine
kategoriale Variable, die angibt, ob die Euro4 Abgasnorm (1) oder nur die Euro3 Norm erfüllt ist
240
Mit dieser Auswahl von Inputs und Outputs wird die Kritik an den technisch orientierten Ansätzen aufgegriffen und eine wirklich Customer-Value-bezogene Operationalisierung der Produkteffizienz gewährleistet. Dem liegt die Überzeugung zugrunde,
durch die Einbeziehung nicht technischer und nutzenbezogener Outputs das Entscheidungsverhalten der Kunden in umfassender Weise und damit realistischer darzustellen. Die ausgewählten Inputs und Outputs werden von den gängigen Automobilverkaufsstatistiken und Testberichten sowie Konsumentenbefragungen als die
kaufentscheidungsrelevanten Kriterien von PKWs der unteren Mittelklasse angesehen.667
Die deskriptiven Statistiken der Input- und Outputdaten finden sich in Tabelle 26.
Inputs
Technische Outputs
Nicht technische und nutzenbezogene Outputs
Laufende Kosten
Preis
Wiederverkaufswert
Motorleistung
Umweltverträgl.
(kategorial)
Zuverlässigkeit
Sicherheit
Komfort
Markenimage
Min.
2.748
12.400
0,28
15.470
0
0,89
0,28
0,3
3.956
Max.
4.812
24.980
0,56
29.200
1
0,99
0,5
0,5
36.537
Mittelwert
3.286,25
16.550
0,39
20.348
-
0,953
0,4
0,39
12.684,7
Median
3.147
16.125
0,38
20.300
-
0,95
0,41
0,38
9.350
STABW
491,5
2.809,5
0,073
2.688,92
-
0,03
0,04
0,06
9.202,25
Tabelle 26: Deskriptive Statistik der Ausgangsdaten
1.4.
Auswahl einer geeigneten DEA-Spezifikation
In dieser Anwendung kommt zunächst das DEA-Standardmodell mit konstanten Skalenerträgen (CCR-Modell) zum Einsatz, um das Set effizienter Produkte zu bestimmen und eine Partitionierung des Marktes vorzunehmen. Die Vorgabe konstanter
Skalenerträge ist zum einen konsistent mit den theoretischen Anforderungen des
Merkmalsansatzes als theoretischem Fundament der Untersuchung. Ziel ist es, Eigenschaftsbündel zu suchen, welche den maximalen Output für eine Einheit Input
liefern. Zum anderen sind skalenbedingte Effizienzunterschiede durch die Beschränkung auf eine Wagenklasse (untere Mittelklasse) und damit einen relativ schmalen
Preiskorridor weitgehend irrelevant. Wir gehen weiter davon aus, dass Konsumenten
relativ genaue Vorstellungen darüber besitzen, welchem Wagensegment sie sich
aufgrund ihrer Präferenzen zuordnen. Die Alternativenmenge ist dann von vornherein
auf die Modelle dieses Teilmarktes beschränkt und es wird jenes Fahrzeug gesucht,
welches einen gewünschten Eigenschaftsmix zum geringst möglichen Preis bereit-
667
(0). Auch für den Parameter Komfort, der sich aus verschiedenen Hauptkriterien (z.B. Sitzkomfort,
Federung, Klimatisierung) zusammensetzt, wurde eine reversed scale verwendet.
Vgl. AC Nielsen (2001); ADAC (1997); Fernandez-Castro/Smith (2002).
241
stellt. Aus diesem Grund wird die Produkteffizienz in Form des Mehr-Inputs gemessen, der für ein ineffizientes Produkt im Vergleich zu einem effizienten (für denselben
Output) aufzuwenden ist. Die ausgewiesene Ineffizienz gibt dann genau den Inputanteil an, den Konsumenten bei Wahl eines effizienten Produktes hätten einsparen
können. Die Verwendung eines inputorientierten Modells erscheint auch sinnvoll, weil
im Rahmen des Produktmarketing die Inputseite, zumindest in Form des Preises,
vom Anbieter sofort und direkt variiert werden kann, während eine Verbesserung der
Leistungseigenschaften nur mit gewisser Zeitverzögerung erfolgen kann.
Ein wesentliches Problem des Standardmodells der DEA besteht darin, dass für jedes identifizierte Segment in der Regel mehrere Produkte als effizient klassifiziert
werden, die dann einen einheitlichen Effizienzwert von 100% erhalten. Für die Unterstützung der zweite Stufe des Entscheidungsproblems eines Nachfragers - die Auswahl einer Alternative innerhalb des präferierten Teilmarktes - bietet die Standardformulierung der DEA nur wenig Unterstützung. Es sollte möglich sein, aus der Menge der effizienten Produkte eines Teilmarktes das „effizienteste“ Produkt zu ermitteln.
Dies ist unmittelbar einsichtig, da ein Konsument letztlich immer ein komplettes Produkt auswählen muss. Der Kauf eines Automobils stellt eine „diskrete Auswahl“ dar.
Der Kauf einer linearen Kombinationen verschiedener effizienter Produkte ist nicht
möglich. Für Hersteller erscheint hingegen die Vorgabe von aus mehreren effizienten
Fahrzeugen konvex kombinierten virtuellen Referenzfahrzeugen realistischer. Diese
können die technischen Produktkonzepte und damit den Merkmalsmix im Rahmen
der Produktgestaltung und Produktion verändern. Um Implikationen für die Optimierung der Produktkonzepte durch die Anbieter zu generieren, ist die Standard-DEA
gut geeignet. Soll die DEA hingegen auch als MCDM-Tool zur Kaufentscheidungsunterstützung nutzbar sein, impliziert dies die Anforderung, ein komplettes, eindeutiges
Ranking aller untersuchten Produkte bereitzustellen. Dies kann nur mittels eines Supereffizienzmodells erreicht werden, welches daher zusätzlich zum CCR-Standardmodell herangezogen wird.668
1.5.
Auswertung der Ergebnisse
1.5.1.
Status quo: Die Customer Values der untersuchten Automobile
Von den 40 analysierten Modellvarianten sind 40% effizient. Sie generieren einen
Customer Value, der von keiner anderen Beobachtung dominiert wird. Von den elf
untersuchten Modellen haben, bis auf den Hyundai Lantra und den Peugeot 306,
deren Varianten zum Teil erheblich hinter ihren Benchmarks zurückliegen, alle Mo-
668
Ein FDH-Modell, welches das Problem der Nicht-Kombinierbarkeit ebenfalls löst, scheidet aus, da
hier der Nachteil der fehlenden Differenzierung der effizienten Einheiten bestehen bleibt.
242
delle zumindest eine effiziente Variante in ihrer Produktlinie. Der Corolla erreicht sogar mit allen Varianten eine effiziente Positionierung im Markt und betreibt somit eine
erfolgreichere Modellpolitik als andere japanische Marken wie Mazda oder Nissan,
die nur mit einer Variante effizient sind. Die Ergebnisse der Effizienzanalyse für alle
Varianten sind in Tabelle 27 dargestellt.
Rang
PKW-Variante
Supereffizienzwert
CCREffizienzwert
Häufigkeit in
Referenzsets
ACE
MaverickIndex
1,2
1
11
0,887
0,127
1
Honda Civic 1.4/66
2
Audi A3/1.6
1,138
1
2
0,849
0,177
3
VW Golf SR3/44
1,134
1
4
0,881
0,136
4
Toyota Corolla 71
1,111
1
12
0,969
0,032
5
Mazda 3/1.4
1,094
1
5
0,892
0,121
6
VW Golf SR3/55
1,09
1
2
0,842
0,188
7
Peugeot 307/55
1,089
1
4
0,856
0,182
8
Ford Focus 1.4
1,068
1
2
0,907
0,102
9
Opel Astra 92
1,067
1
0
0,747
0,339
10
Opel Astra 44
1,045
1
2
0,837
0,195
11
Kia Rio 1.5
1,043
1
0
0,746
0,34
12
Citroen Xsara 1.4
1,036
1
0
0,904
0,106
13
Nissan Almera 1.5/72
1,026
1
2
0,931
0,074
14
Audi A3/2.0
1,016
1
0
0,788
0,269
15
Toyota Corolla 81
1,011
1
3
0,809
0,237
16
Honda Civic 1.3/55
1,011
1
4
0,925
0,081
17
Opel Astra 66
0,993
0,993
0,826
0,203
18
Renault Megane 60
0,985
0,985
0,797
0,236
19
VW Golf SR3/66
0,978
0,978
0,793
0,234
20
Mazda 3/1.6
0,976
0,976
0,849
0,151
21
Hyundai Accent 1.3
0,969
0,969
0,858
0,129
22
Honda Civic 1.7/74
0,955
0,955
0,813
0,175
23
Honda Civic 1.6/81
0,95
0,95
0,8
0,188
24
Renault Megane 72
0,94
0,94
0,764
0,229
25
Mazda 3/1.5
0,939
0,939
0,849
0,106
26
Opel Astra 77
0,933
0,933
0,765
0,22
27
Fiat Stilo 1.8/5
0,931
0,931
0,797
0,168
28
Peugeot 307/65
0,931
0,931
0,763
0,22
29
Alfa Romeo 147/1.6 Eco
0,927
0,927
0,722
0,283
30
VW Golf SR5/55
0,921
0,921
0,792
0,163
243
31
Ford Focus 1.6
0,909
0,909
0,826
0,101
32
Nissan Almera 1.8/85
0,909
0,909
0,830
0,095
33
Hyundai Accent 1.5
0,896
0,896
0,782
0,146
34
Fiat Stilo 1.8/3
0,89
0,89
0,79
0,127
35
Daewoo Nubira 1.6
0,87
0,87
0,689
0,262
36
Honda Civic ES
0,857
0,857
0,716
0,197
37
VW Golf SR3/85
0,828
0,828
0,709
0,167
38
Daewoo Nubira 1.8
0,825
0,825
0,662
0,247
39
Alfa Romeo 147/2.0 Twin
0,791
0,791
0,616
0,284
40
Seat Leon Cupra
0,623
0,623
0,495
0,258
Tabelle 27: Effizienzergebnisse für die untersuchten PKW-Varianten
Eine Anwendung des CCR-Standardmodells resultiert in einer starken Linksschiefe
der Verteilung der Effizienzwerte. Dies ergibt sich aus der Problematik, dass das
Grundmodell 40% (16/40) der PKW-Varianten mit einem Einheitsscore von 1,0 undifferenziert lässt und als effizient ausweist. Dies ist offensichtlich gerade für die Bewertung der Wettbewerbsposition von Produkten wenig hilfreich, da innerhalb der Gruppe effizienter Produkte keine weitergehende Diskriminierung bzgl. der Wertgenerierung möglich ist. Für einen erheblichen Teil der betrachteten Produkte lassen sich
mit der CCR-DEA nur sehr beschränkte Marketingimplikationen für das Management
ableiten. Für die Entscheidungsfindung der potenziellen Käufer bieten diese Ergebnisse ebenfalls wenig Unterstützung.
Im Gegensatz dazu ermöglicht das Supereffizienzmodell eine differenzierte Beurteilung aller PKWs einschließlich der effizienten Varianten, indem ein komplettes Effizienzranking bestimmbar ist (vgl. dritte Spalte von Tabelle 27). Dieses bietet zusätzliche Informationen über die Eigenschaften und Konzepte der effizienten Automobile.
Die Supereffizienz-Resultate zeigen, dass selbst innerhalb der Gruppe der CCReffizienten Varianten erhebliche Unterschiede im Ausmaß der Wertgenerierung für
Kunden bestehen. Betrachtet man zunächst den Gesamtmarkt, stiftet der Honda Civic 1.4/66 den maximalen Customer Value und repräsentiert den best buy in der unteren Mittelklasse. Der Supereffizienz-Score von 1,2 impliziert, dass der Honda Civic
1.4/66 selbst bei einer 20%-igen Erhöhung der von den Kunden aufzubringenden
Inputs (Preis, laufende Kosten) noch auf dem effizienten Rand verbleiben würde. Die
Konsumenten würden somit auch dann noch eine effiziente Kaufentscheidung treffen, d.h. einen maximalen Wert in Relation zu den relevanten Alternativen erhalten.
Im Gegensatz dazu weisen Seat Leon, Alfa Romeo 147/2.0 und Daewoo Nubira 1.8
244
das schwächste Preis-Leistungs-Verhältnis auf, sind also für den angebotenen Output überteuert (worst buys). Durch den Kauf der Referenzfahrzeuge des Seat Leon,
die sich aus der Analyse durch den Toyota Corolla 81 und den VW Golf SR3/44 ergeben, könnten Konsumenten denselben Output für nur etwa 62% der für den Seat
aufzubringenden Inputs erhalten. Konsumenten könnten also ihre Kaufentscheidungseffizienz erheblich verbessern, indem sie den Seat Leon nicht kaufen.
Wie Tabelle 27 weiter zeigt, liegen alle Maverick-Werte deutlich unter 1, der höchste
Indexwert beträgt 0,34 beim Kia Rio. Dies belegt eine hohe Signifikanz der Effizienzwerte, die auch bei völlig unterschiedlichen Gewichtungsmustern sehr stabil bleiben.
Die Maverick-Werte zeigen außerdem, dass die Daten aller DMUs für eine DEA geeignet sind, weshalb kein Anlass besteht, eine DMU als Ausreißer aus der Analyse
auszuschließen. Um insbesondere die Stabilität der als effizient eingestuften DMUs
zu belegen, werden die Ergebnisse der Sensitivitätsanalyse für diese vollständig
dargestellt (vgl. die Tabelle 28).
Die interessierenden Kreuzeffizienzen für jede fragliche DMU finden sich jeweils in
den Spalten (vertikale Betrachtung). Wie erinnerlich sind die Kreuzeffizienzen einer
DMU jene Effizienzwerte, die unter Verwendung der optimalen Gewichte jeder anderen DMU berechnet werden. Für jede PKW-Variante ergeben sich somit neben dem
eigenen Effizienzwert 39 Kreuzeffizienzwerte. Damit würde sich unter Einbeziehung
aller 40 Varianten eine 40 x 40 Matrix von Kreuzeffizienzen ergeben. Aus Platzgründen beschränken wir uns auf die Darstellung der Kreuzeffizienzen der 16 effizienten
Varianten, weshalb Tabelle 28 nur eine 40 x 16 Matrix darstellt. In der Zeile ACE stehen die durchschnittlichen Kreuzeffizienzen (Average Cross Efficiency), die sich aus
den einzelnen Kreuzeffizienzen einer DMU, d.h. pro Spalte, ergeben. Diese sollten
möglichst nah an den maximalen Effizienzwerten ( θ ) liegen, die in der Zeile darüber
angegeben sind und hier alle 100% betragen, da in den Spalten nur effiziente PKWs
abgetragen sind. In den übrigen Zeilen finden sich die Werte, die sich ergäben, wenn
die Gewichte der in der Zeile jeweils betrachteten DMU auf alle anderen DMUs (d.h.
über alle Spalten) angewendet würden (horizontale Betrachtung).
Berechnet man aus den beiden Werten entsprechend Formel (20) den durchschnittlichen Maverick-Index der effizienten PKWs, so ergibt sich ein Wert von 0,16, der sehr
weit unter dem kritischen Schwellenwert von 1 liegt. Deshalb sind die für die ineffizienten Einheiten vorgegebenen Benchmarks als robust anzusehen und enthalten
keine false positives. Die Null-Hypothese, dass ein Benchmark seinen Effizienzwert
von 100% nur durch extreme Gewichtungen erhalten hat und unter zusätzlichen Gewichtsrestriktionen erheblich geringere Werte aufweisen würde, kann für jedes
Benchmarkprodukt verworfen werden. Mit der Robustheit der Effizienzwerte der
245
Benchmarks ist somit auch die korrekte Effizienzbewertung der übrigen Einheiten
sichergestellt.
DMU
3
4
5
10
12
13
19
20
23
25
28
29
34
35
36
37
θ
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
ACE
0,849 0,788 0,904 0,907 0,925 0,887 0,746 0,892 0,931 0,837 0,747 0,846 0,969 0,809 0,881 0,842
1
1,000 0,910 0,936 0,904 0,995 1,000 0,867 0,935 0,983 0,949 0,853 0,951 1,000 1,000 0,992 0,950
2
1,000 0,951 0,931 0,963 0,952 0,880 0,773 0,985 0,937 0,974 0,776 0,944 1,000 1,000 0,963 0,946
3
1,000 0,892 0,884 0,826 0,949 1,000 0,851 0,855 0,943 0,894 0,849 0,886 0,939 0,955 0,969 0,911
4
0,980 1,000 0,830 1,000 0,786 0,572 0,528 0,987 0,761 0,949 0,573 0,863 0,930 0,914 0,896 0,935
5
0,985 0,903 1,000 0,942 0,959 0,925 0,832 0,968 0,983 1,000 0,831 0,941 1,000 0,964 0,978 0,947
6
0,964 0,870 0,960 0,901 0,996 1,000 0,905 0,941 1,000 0,970 0,866 0,966 1,000 1,000 0,992 0,943
7
0,653 0,592 0,827 0,840 0,967 1,000 1,000 0,800 0,960 0,826 0,898 1,000 0,968 0,815 0,966 0,889
8
0,960 0,942 0,924 1,000 0,927 0,814 0,723 1,000 0,912 0,985 0,740 0,946 1,000 0,986 0,946 0,939
9
0,960 0,942 0,924 1,000 0,927 0,814 0,723 1,000 0,912 0,985 0,740 0,946 1,000 0,986 0,946 0,939
10
0,889 0,911 0,888 1,000 0,781 0,568 0,575 0,993 0,788 1,000 0,604 0,895 0,924 0,908 0,881 0,919
11
0,958 0,937 0,936 1,000 0,924 0,812 0,733 1,000 0,916 1,000 0,750 0,953 1,000 0,987 0,956 0,949
12
0,629 0,572 0,912 0,908 1,000 1,000 0,330 0,848 0,999 0,249 0,349 0,290 0,986 0,247 0,292 0,246
13
0,629 0,572 0,912 0,908 1,000 1,000 0,330 0,848 0,999 0,249 0,349 0,290 0,986 0,247 0,292 0,246
14
0,984 0,878 0,948 0,886 1,000 1,000 0,742 0,939 0,987 0,758 0,729 0,760 0,988 0,815 0,799 0,746
15
0,984 0,878 0,948 0,886 1,000 1,000 0,742 0,939 0,987 0,758 0,729 0,760 0,988 0,815 0,799 0,746
16
0,984 0,878 0,948 0,886 1,000 1,000 0,742 0,939 0,987 0,758 0,729 0,760 0,988 0,815 0,799 0,746
17
0,622 0,566 0,932 0,951 0,993 0,873 0,001 0,904 0,976 0,001 0,001 0,001 1,000 0,001 0,001 0,001
18
0,629 0,572 0,912 0,908 1,000 1,000 0,330 0,848 0,999 0,249 0,349 0,290 0,986 0,247 0,292 0,246
19
0,625 0,583 0,904 0,891 0,956 1,000 1,000 0,819 1,000 0,890 0,957 1,000 0,976 0,806 0,951 0,856
20
0,747 0,674 0,880 0,900 0,962 0,760 0,904 1,000 0,935 0,871 0,621 0,994 1,000 0,913 0,880 0,875
21
0,998 0,905 0,977 0,912 0,989 1,000 0,882 0,943 1,000 0,986 0,875 0,955 1,000 1,000 0,997 0,950
22
0,970 0,865 0,930 0,894 0,989 0,905 0,875 1,000 0,968 0,924 0,743 0,952 1,000 1,000 0,936 0,916
23
0,625 0,595 0,944 0,918 0,924 1,000 0,920 0,797 1,000 0,906 1,000 0,952 0,967 0,751 0,943 0,842
24
0,969 0,893 1,000 0,956 0,939 0,851 0,804 1,000 0,962 1,000 0,772 0,940 1,000 0,950 0,956 0,944
25
0,969 0,893 1,000 0,956 0,939 0,851 0,804 1,000 0,962 1,000 0,772 0,940 1,000 0,950 0,956 0,944
26
0,584 0,572 0,907 0,898 0,791 0,783 0,876 0,758 0,893 1,000 0,975 1,000 0,895 0,762 1,000 0,920
27
0,584 0,572 0,907 0,898 0,791 0,783 0,876 0,758 0,893 1,000 0,975 1,000 0,895 0,762 1,000 0,920
28
0,558 0,522 0,801 0,765 0,845 1,000 0,931 0,665 0,901 0,820 1,000 0,897 0,845 0,731 0,896 0,781
29
0,571 0,563 0,888 0,905 0,742 0,634 0,795 0,771 0,833 1,000 0,867 1,000 0,882 0,734 0,989 0,947
30
0,682 0,640 0,923 0,886 0,926 1,000 0,964 0,804 0,983 0,959 1,000 1,000 0,954 0,853 1,000 0,907
31
1,000 0,920 0,936 0,915 0,989 1,000 0,861 0,930 0,982 0,958 0,864 0,948 1,000 1,000 1,000 0,950
32
1,000 0,920 0,936 0,915 0,989 1,000 0,861 0,930 0,982 0,958 0,864 0,948 1,000 1,000 1,000 0,950
33
0,986 0,895 0,970 0,903 0,976 0,989 0,884 0,931 0,990 0,992 0,876 0,958 0,989 1,000 1,000 0,954
34
1,000 0,920 0,936 0,915 0,989 1,000 0,861 0,930 0,982 0,958 0,864 0,948 1,000 1,000 1,000 0,950
35
0,996 0,903 0,978 0,910 0,988 1,000 0,885 0,941 1,000 0,988 0,877 0,957 0,999 1,000 0,999 0,952
36
0,968 0,875 0,748 0,915 0,839 0,670 0,412 0,814 0,769 0,610 0,485 0,664 1,000 0,540 1,000 1,000
37
0,968 0,875 0,748 0,915 0,839 0,670 0,412 0,814 0,769 0,610 0,485 0,664 1,000 0,540 1,000 1,000
38
0,695 0,624 0,707 0,792 0,840 0,747 0,761 0,740 0,778 0,757 0,705 0,941 0,907 0,720 1,000 1,000
39
0,962 0,892 0,905 0,926 0,804 0,584 0,703 1,000 0,818 1,000 0,604 0,926 0,934 0,918 0,958 1,000
40
0,707 0,643 0,690 0,704 0,803 1,000 0,850 0,597 0,821 0,745 0,972 0,813 0,818 0,711 1,000 0,870
Die jeweils fettgedruckten Einträge sind die Effizienzwerte der jeweiligen DMU unter Verwendung ihrer eigenen optimalen
Gewichte und sind somit keine Kreuzeffizienzen.
246
Legende:
1
Alfa Romeo 147/1.6 2
Alfa Romeo 147/2.0 3
Audi A3/1.6
4
Audi A3/2.0
5
Citroen Xsara 1.4
6
Daewoo Nubira 1.8 7
Daewoo Nubira 1.6
8
Fiat Stilo 1.8/3
9
Fiat Stilo 1.8/5
10
Ford Focus 1.4
11
Ford Focus 1.6
12
Honda Civic 1.3/55
13
Honda Civic 1.4/66
14
Honda Civic 1.6/81
15
Honda Civic 1.7/74
16
Honda Civic ES
17
Hyundai Accent 1.3 18
Hyundai Accent 1.5
19
Kia Rio 1.5
20
Mazda 3/1.4
21
Mazda 3/1.5
22
Mazda 3/1.6
23
Nissan Almera 1.5/72 24
Nissan Almera 1.8/85 25
Opel Astra 44
26
Opel Astra 66
27
Opel Astra 77
28
Opel Astra 92
29
Peugeot 307/55
30
Peugeot 307/65
31
Renault Megane 60 32
Renault Megane 72 33
Seat Leon Cupra
34
Toyota Corolla 71
35
Toyota Corolla 81
36
VW Golf SR3/44
VW Golf SR3/55
VW Golf SR5/55
39
VW Golf SR3/66
40
VW Golf SR3/85
37
38
Tabelle 28: Kreuzeffizienzen der effizienten PKWs
Wie Tabelle 27 zeigt, korrelieren die Supereffizienzwerte und die Häufigkeiten des
Auftretens im Referenzset einer ineffizienten Variante relativ stark. Damit wird deutlich, dass es sich bei den hoch supereffizienten Varianten um die führenden Produkte des Marktes handelt, die entsprechend häufig als Referenzobjekte für die Bewertung der ineffizienten Produkte herangezogen werden. Sie stellen quasi die marktweiten Benchmarks dar.
Da, wie oben bereits angesprochen, die betrachteten PKWs ganz unterschiedliche
Produktkonzepte verfolgen, die ja gerade entwickelt werden, um Kundensegmente
mit korrespondierenden Präferenzen zu bedienen, ist eine aggregierte Betrachtung
allein nicht ausreichend. Stattdessen sollen die Ergebnisse für ausgewählte Produktteilmärkte differenziert besprochen werden. Dafür wird im nächsten Abschnitt zunächst kurz dargestellt, welche Informationen zur Strukturierung des betrachteten
PKW-Marktes den DEA-Ergebnissen entnommen werden können. Die effizienten
Peers stellen Wert-Benchmarks für verschiedene Teilmärkte dar, weil sie ihre Position mit einer spezifischen Struktur der Leistungsparameter erreichen.
1.5.2.
Strukturierung des Mittelklassewagenmarktes auf Basis der DEA-Ergebnisse
Erkenntnisse zur Teilmarktabgrenzung lassen sich aus den Variablen der beiden linearen Programme (10) und (12), die in Abschnitt D-1.3 ausführlich dargestellt wurden, ableiten. Zunächst zeigen die λ aus dem dualen Programm, welche ineffizienten Varianten durch dieselben Efficient Peers gebenchmarkt werden und daher als
ähnlich zu betrachten sind. Nach der oben vorgestellten Logik können diese ineffizienten Varianten und die zugehörigen Benchmarks zu einem Teilmarkt zusammengefasst werden.
247
Variante (DMU)
Effizienzwert
Honda
Civic
1.3/55
Honda
Civic
1.4/66
Honda Civic 1.7/74
0,955
0,73
0,27
Honda Civic 1.6/81
0,95
0,81
0,19
Honda Civic ES
0,857
0,73
0,27
Hyundai Accent 1.5
0,896
0,88
0,12
Mazda 3/1.5
0,939
0,21
0,14
Daewoo Nubira 1.8
0,825
0,17
0,26
Hyundai Accent 1.3
0,968
0,92
0,08
Mazda 3/1.6
0,976
0,45
0,55
Nissan Almera 1.8/85
0,909
0,92
0,08
Ford Focus 1.6
0,909
0,65
0,35
Opel Astra 66
0,993
0,82
0,18
Opel Astra 77
0,933
0,30
0,70
VW Golf SR5/55
0,921
VW Golf SR3/66
0,978
VW Golf SR3/85
0,828
Nissan
Almera
1.5/72
Toyota
Corolla
71
Mazda
3/1.4
Opel
Astra 44
Peugeot
307/55
VW Golf
SR3/44
VW Golf
SR3/55
Teilmarkt 1
Teilmarkt 2
0,65
0,57
Teilmarkt 3
Teilmarkt 4
Teilmarkt 5
0,7
0,3
1
1
Tabelle 29: Identifikation der Teilmärkte und zugehöriger Benchmarks
In Tabelle 29 sind ausgewählte Teilmärkte dargestellt, die sich aus den Zuordnungen
von ineffizienten Produkten in den Zeilen zu den Efficient Peers in den Spalten ergeben. Ein erster Teilmarkt wird durch die Honda-Varianten gebildet. Es ist auffällig,
dass die ineffizienten Hondas - anders als z.B. bei Daewoo, Hyundai, Nissan oder
Ford - nur auf Peers aus der eigenen Modelllinie referenzieren. Varianten aus fremden Modellreihen werden nicht zur Bewertung herangezogen. Damit hat sich die
Honda-Modelllinie Civic ausreichend gegenüber konkurrierenden Modellen abgegrenzt. Der Civic stellt daher einen sog. Self Evaluator dar, d.h. dieser positioniert
sich aus wettbewerbsstrategischer Hinsicht als eine Art Nischenmodell, was im Wesentlichen aus seiner herausragenden Motorleistung und einem sportlichen Markenimage resultiert, wodurch eine spezifische Zielgruppe vor allem jungendlicher Fahrer
angesprochen wird. Allerdings fällt auf, dass sich die Honda-Varianten selbst sehr
ähnlich und somit innerhalb der eigenen Modellreihe nicht ausreichend differenziert
sind. Da die Hondas untereinander offenbar in engeren Substitutionsbeziehungen
stehen als mit Wettbewerbsmarken, sind hier Kannibalisierungstendenzen zu vermuten.
In Teilmarkt 3 lassen sich die Peers Mazda 3/1.4 und Toyota Corolla 71 und die von
ihnen dominierten Beobachtungen Hyundai Accent 1.3, Mazda 3/1.6, Nissan Almera
1.8/85 und Ford Focus 1.6 zusammenfassen. Hier werden die ineffizienten Einheiten,
mit Ausnahme des Mazda 3/1.6 (der zum Teil durch einen anderen Mazda gebenchmarkt wird), durch Varianten anderer Hersteller dominiert. Interessant ist, dass
auch der Ford Focus in dieses sonst nur von japanischen Modellen besetzte Segment fällt, da dessen Merkmalsstruktur hohe Ähnlichkeiten zu den japanischen Mo-
248
dellen aufweist. Aus Sicht des Ford stellen der Hyundai Accent 1.3, Mazda 3/1.6 und
der Nissan Almera 1.8/85 die direkten (relevanten) Konkurrenten dar, da sie alle
durch dieselben Referenzvarianten bewertet werden. Dies lässt erkennen, dass es u.
U. wenig Sinn macht, Teilmärkte nach vordergründigen, etwa länderbezogenen Kriterien, zu bilden (z.B. „Japaner-Segment“), da solche Einteilungen wenig Bezug zu den
für die Produktbeurteilung relevanten Parametern haben. Vielmehr zeigt sich, dass
möglicherweise andere Teilmarktabgrenzungen entstehen, wenn die Struktur der
Werterzeugung für Kunden als Grundlage herangezogen wird.
In Tabelle 29 ist eine weitere größere Partition dargestellt (Teilmarkt 2), in dessen
Referenzeinheit ebenfalls der Toyota Corolla 71 eingeht.669 Dieser liegt somit in der
Schnittmenge mehrerer überlappender Teilmärkte. Die Input-Output-Struktur des Corolla ist mit denen der Varianten dieser Teilmärkte vergleichbar. Gleiches gilt, wie die
Tabelle 29 zeigt, auch für den Civic 1.4/66, der ebenfalls Benchmark für zwei Teilmärkte darstellt. Sofern Vergleichbarkeit auch Substituierbarkeit impliziert, sind der
Corolla 71 und der Civic 1.4/66 einem wesentlich stärkeren Wettbewerbsdruck ausgesetzt als zum Beispiel der Mazda 3/1.4 oder der Civic 1.3/55, die nur einem Teilmarkt angehören. Zur genaueren Abschätzung des Wettbewerbsdrucks eines effizienten Produktes kann also die Anzahl der Teilmärkte dienen, in deren Referenzeinheiten dieses Produkt eingeht. Die Vermutung eines Wettbewerbsvorteils sollte
daher nicht allein aufgrund des „Prädikats der Effizienz“ erfolgen. Sie kann sich als
falsch erweisen, wenn dem Konsumenten zu dem effizienten Produkt aufgrund einer
Überlappungsposition viele ähnliche Alternativen zur Verfügung stehen.
Als vierter Teilmarkt kann eine Gruppe extrahiert werden, die durch die ineffizienten
Opel-Varianten gebildet wird, deren Referenzeinheiten als Kombination der effizienten Opel- und Peugeot-Varianten konstruiert werden. Auffällig ist hier wiederum,
dass auch für die ineffizienten Opel-Varianten der Peugeot als Referenzfahrzeug
dient, wodurch die Implikationen aus Teilmarkt 3 unterstrichen werden.
Genau wie die Civics bilden auch die Golf-Varianten einen eigenen Teilmarkt (Teilmarkt 5). Allerdings lassen sich, wie auch für das Civic-Segment, für die GolfVarianten Kannibalisierungen erkennen, da die ineffizienten Golfs gegen Fahrzeuge
aus der eigenen Linie gebenchmarkt werden.
Zusätzlich zu den bisher betrachteten Teilmärkten lassen sich noch zwei weitere
Teilmärkte extrahieren, die hier nicht näher dargestellt werden. Daneben existieren
noch vier Nischen in Form der sog. Self Evaluators, die nur durch sich selbst gebenchmarkt werden und nicht in die Referenzeinheit einer anderen Variante eingehen (vgl. alle effizienten Produkte in Tabelle 27 mit einer 0 in der Spalte „Häufigkeit in
669
Der Corolla dominiert zu einem erheblichem Anteil auch noch einen weiteren kleineren Teilmarkt,
der in Tabelle 29 nicht mehr dargestellt ist.
249
Referenzsets“). Sie sind somit nicht mit anderen Produkten bzgl. ihres Produktkonzeptes vergleichbar und erreichen als Nischensegmente eine eigenständige, ausreichend differenzierte Positionierung im Merkmalsraum.
1.5.3.
DEA-Befunde und Managementimplikationen für ausgewählte Teilmärkte
1.5.3.1. Teilmarkt 3
Auf Basis der DEA-Ergebnisse lassen sich detaillierte Informationen über die in den
extrahierten Segmenten verfolgten Produktstrategien gewinnen. Außerdem geben
die Zielwerte (Targets) für die Inputs und Outputs Handlungsempfehlungen zu Produktverbesserungen, die erforderlich sind, um ein effizientes Angebot zu generieren,
welches einen maximalen relativen Customer Value stiftet. Die genannten Detailanalysen sollen in diesem Abschnitt anhand des Teilmarktes 3 veranschaulicht werden.
Im vorigen Abschnitt wurde bereits gezeigt, dass sich alle ineffizienten Produkte eines Teilmarktes auf dieselben Referenzeinheiten beziehen. Für die ausgewählte Partition 3 sind dies der Mazda 3/1.4 und der Toyota Corolla 71. Für alle ineffizienten
Varianten dieses Teilmarktes werden die virtuellen Referenz-PKW anteilig aus dem
Mazda 3/1.4 und dem Corolla 71 linear kombiniert. Aufgrund der Dualität der beiden
linearen Programme der DEA (vgl. Abschnitt D-1.2) impliziert eine Ähnlichkeit bzgl.
der Referenzeinheiten auch eine Ähnlichkeit der Input-/Outputgewichtungen, die der
Lösung des primalen Programms entnommen werden können. Alle Produkte eines
Teilmarktes weisen daher auch ähnliche Gewichtungsmuster auf, wie Tabelle 30 erkennen lässt. Alle PKWs erhalten ähnlich hohe Gewichte bei denselben Parametern,
da sie ähnliche Ausprägungsniveaus der Input- und Output-Parameter bieten. Die
produktspezifischen Gewichte weisen auf jene Parameter hin, bei denen ein Produkt
eine starke Performance im Vergleich zu den Produkten anderer Teilmärkte aufweist
und die den höchsten Beitrag zur Produkteffizienz leisten. Verschiedene Teilmärkte
sind somit durch die Verwendung jeweils spezifischer Hebel zur Kundenwertgenerierung charakterisiert, die letztlich bestimmte Produktstrategien repräsentieren. Die
Gewichte geben folglich Auskunft über die produktspezifischen Stärken, die entsprechend kommunikativ (etwa in der Werbung) herausgehoben werden könnten.
Wie Tabelle 30 zeigt, zeichnen sich die Produkte des Teilmarktes 3 dadurch aus, in
Relation zu den anderen untersuchten Varianten einen Customer Value überwiegend
durch Anbieten hoher Zuverlässigkeit, Motorleistung und Umweltverträglichkeit verbunden mit geringen vom Kunden zu erbringenden Investitionen (v.a. geringe laufende Kosten, zum Teil auch günstiger Preis) zu stiften. Diese Parameter erhalten als
Stärken somit fast ausschließlich hohe Gewichte, während den übrigen Parametern
geringe bzw. Null-Gewichte zugewiesen werden.
250
Variante
Supereffizienzwert
Laufende
Kosten
Preis
Wiederverkaufswert
Zuverlässigkeit
Motorleistung
Umweltverträglichkeit
Komfort
Sicherheit
Markenimage
Ford Focus 1.6
0,909
0,94
0,06
0
0
0,38
0
0,06
0,56
0
Hyundai
Accent 1.3
0,967
0
1
0
0
0
1
0
0
0
Mazda
3/1.4
1,094
1
0
0
0,4
0,1
0,5
0
0
0
Mazda
3/1.6
0,976
1
0
0
0,2
0,5
0,3
0
0
0
Nissan
Almera
1.8/85
0,909
1
0
0
0,12
0,45
0,05
0,3
0
0
Toyota
Corolla 71
1,111
0,94
0,06
0
0
0,75
0,25
0
0
0
0,45
1,08
19190
1,07
0,42
0,45
12410,83
0,42
0,99
18650
1
0,38
0,41
12442
Gewichte
Targets für ineffiziente Varianten
Ford Focus 1.6
Hyundai
Accent 1.3
2951,99 15423,65
2766
13550
Mazda
3/1.4
2625,38 14337,92
0,4
0,99
16910
1
0,37
0,4
10364,4
Nissan
Almera 1.8
2749,87 13670,94
0,42
0,99
18430
1
0,38
0,41
12136,77
Slacks der ineffizienten Varianten
Ford Focus 1.6
0
0
0,09
0,16
0
0,07
0
0
247,8
56,35
0
0,1
0,02
240
0
0,08
0,04
8215
Mazda
3/1.4
0
1859,55
0,09
0
0
0
0
0
1719,4
Nissan
Almera 1.8
0
823,6
0,09
0
0
0
0
0,03
6034,7
Hyundai
Accent 1.3
Tabelle 30: Detailergebnisse für Teilmarkt 3
So zeigen die geringen Gewichte, dass die Schaffung einer imagestarken Marke und
eines hohen Wiederverkaufswertes ganz klar nicht den Fokus der hier betrachteten
PKW-Konzepte bilden. Gerade diese Positionierung wird vom Golf-Segment (Segment 5) verfolgt, dessen USPs insbesondere die „marktführenden“ Ausprägungen
bei den Attributen Wiederverkaufswert und Markenimage sind. Diese müssen jedoch
mit einem deutlich höheren Preis erkauft werden. Dieses Segment soll hier nicht näher dargestellt werden, da sich die Implikationen analog ergeben.
Die durch die Gewichtungsmuster identifizierten Stärken und Schwächen von Teilmarkt 3 stimmen stark mit Testberichten und Marktanalysen überein, die den hier
betrachten PKW-Varianten typischerweise eine geringe Pannenanfälligkeit und weit
überdurchschnittliche Motorlebensdauer bescheinigen (so finden sich die Varianten
251
in Pannenstatistiken regelmäßig auf den besten Plätzen). Auch die hohe Gewichtung
der laufenden Kosten erscheint intuitiv plausibel, da sich diese Varianten durch günstigen Verbrauch und geringe Diebstahlhäufigkeit (mit der Folge geringerer Versicherungskosten) auszeichnen. Der betrachtete Teilmarkt korrespondiert daher am
stärksten mit jenen Nachfragern, für die v.a. Zuverlässigkeit, Motorleistung und Umweltverträglichkeit sowie laufende Kosten die kaufentscheidenden Kriterien darstellen. Es wird dadurch erkennbar, welche Kundensegmente durch welchen Teilmarkt
am besten bedient werden (könnten). Aus einer Inside-Out-Betrachtung sollte sich
jeder Teilmarkt an jenen potenziellen Konsumenten ausrichten, deren Präferenzstruktur (ausgedrückt durch deren Nutzenfunktion) am besten mit dem Gewichtungsprofil der Inputs und Outputs übereinstimmt.670 Insofern bietet die DEA hilfreiche Implikationen für eine optimale Zielgruppenauswahl, die sich trotz aller Forderungen
nach Marktorientierung zuallererst nach den vorhandenen Kompetenzen des Unternehmens richten sollte. Die Forderung, die Marktsegmente auszuwählen, die mit den
bestehenden Stärken und Schwächen am erfolgreichsten bearbeitet werden können,
ist eine zentrale Erkenntnis der neueren Managementforschung.
Aus Sicht der Konsumenten stellt die Anwendung einer DEA sicher, dass keine suboptimalen Leistungen ausgewählt werden. Für eine möglicherweise nachfolgende
Produktanalyse aus Sicht der individuellen Präferenzen einzelner Nutzer fänden
dann nur effiziente Einheiten Berücksichtigung. Wenn die Präferenzen der Nachfrager nicht bekannt sind bzw. nur unter prohibitiv hohem Aufwand ermittelbar wären,
wird durch die endogene Gewichtung der Parameter sichergestellt, dass keine durch
die DEA als ineffizient klassifizierten Produkte aus Sicht irgendeines Nachfragers die
erste Wahl darstellen könnten. Dies wird erreicht, weil kein Vektor von Gewichten
existiert, der ein ineffizientes Produkt effizient werden ließe. Die DEA ist daher eine
Methode, die durch die nicht parametrische Vorgehensweise explizit keine Präferenzinformationen zur Produktbewertung benötigt. Vielmehr wird durch die iterative
670
Vgl. Halme et al. (1999); Khouja (1995). Es könnte Gegenstand weiterführender Studien sein, im
Anschluss an eine DEA Nachfrager anhand ihrer Präferenzstrukturen zu segmentieren und dann
für jedes Produkt zu untersuchen, für welches Segment ein hoher Fit zwischen den Nutzengewichtungen durch die Nachfrager und dem Leistungsprofil der Produkte besteht. Die Kaufentscheidungseffizienz der entsprechenden „Fit-Kunden“ könnte dann daran gemessen werden, ob
sie tatsächlich die effizienten Produkte des für sie relevanten Teilmarktes wählen und somit ihren
Customer Value maximieren. Darüber hinaus könnte dann untersucht werden, ob zwischen der
Kaufentscheidungseffizienz, operationalisiert durch den Effizienzwert der gekauften Produkte, und
der Konsumentenexpertise (Consumer Sophistication) ein Zusammenhang besteht. In der Literatur zur Konsumentenexpertise und Consumer Sophistication wird dieser Zusammenhang häufig
behauptet bzw. als gültig unterstellt. Bauer/Sauer/Hammerschmidt (2005) legen die nach Wissen
des Autors erste Untersuchung vor, die diese Hypothese empirisch überprüft. Am Beispiel des
Digitalkameramarktes zeigte sich, dass ein erheblicher Teil der befragten Käufer tatsächlich die
effizienten Kameramodelle ausgewählt haben. Des Weiteren ergab sich ein hochsignifikanter positiver Zusammenhang (r=0,48) zwischen dem Effizienzwert des gewählten Produktes und dem
Grad der Consumer Sophistication. Dieser Befund liefert erste Hinweise für die Bestätigung der
Vermutung, dass Konsum-Experten auch rationaler handeln, nicht nur im Sinne einer Prozessrationalität, sondern auch einer Ergebnisrationalität; vgl. Bauer/Sauer/Hammerschmidt (2005), S. 4.
252
Vorgehensweise im Rahmen eines linearen Programmierungsmodells jede denkbare
Kombination von Merkmalsgewichtungen (Präferenzen/Nutzenfunktionen) bei der
Effizienzwertermittlung durchgespielt.
Obwohl zwar alle Produkte des Teilmarktes 3 prinzipiell eine ähnliche Produktstrategie verfolgen, sind der Mazda und der Corolla hierbei erfolgreicher als die übrigen
Varianten des Teilmarktes. Sie bieten beide ein Output-Input-Verhältnis, welches von
keinem der anderen Produkte dominiert wird, und positionieren sich als die Benchmarks des Teilmarktes. Demgegenüber zeigt der Effizienzwert des Almera 1.8/85
(0,909), dass nur 90,9% der vom Kunden verlangten Inputs durch den angebotenen
Output (der ja eine gewichtete Aggregation der Ausprägungen der einzelnen Outputparameter darstellt) gerechtfertigt wird, wobei die Parameter dabei schon so vorteilhaft wie möglich gewichtet wurden. Jede andere Gewichtung hätte ein noch schlechteres Preis-Leistungs-Verhältnis ergeben.
Die beiden Benchmark-Fahrzeuge des Almera liefern den spezifischen Mix von Produktmerkmalen erheblich günstiger. Sie formieren das virtuelle Referenzfahrzeug für
den Almera als Linearkombination mit λMazda 3/1.4 = 0,08 und λToyota Corolla 71 = 0,92 , wie
Tabelle 29 zeigt. Um einen maximalen Customer Value zu erzeugen, sollte der Almera folglich eine Output-Input-Struktur anbieten, die einer entsprechend gewichteten
Mischung aus Mazda 3/1.4 und Corolla 71 entspricht. Der Effizienzwert von 0,909
ließe zunächst die Schlussfolgerung zu, dass der Almera den gleichen Customer Value wie der Referenz-PKW bieten könnte, wenn die laufenden Kosten und der Preis
bei Beibehaltung des aktuellen Leistungsniveaus um 9,1% (1 – 0,909) gesenkt würden. Dies wäre so jedoch nur richtig, wenn keine Slacks vorlägen. Wie Tabelle 30
zeigt, liegen jedoch zum Teil Slacks vor, die bei der Modifikation der Parameter zusätzlich zu berücksichtigen sind. So müsste nach der Senkung des Preises um den
proportionalen Faktor 9,1% dieser noch weiter um 823,60 Euro (Slack für Preis) reduziert werden. Es ist offenkundig, dass die Slack-Attribute die wesentlichen Schwächen eines Produktkonzeptes darstellen und folglich mit geringen Gewichten im oberen Teil der Tabelle korrespondieren. Die endgültigen Target-Werte, die erreicht werden müssen, um einen effizienten PKW zu kreieren, sind auch in Tabelle 30 angegeben. Die Targets für jeden Parameter ergeben sich als mit den λ -Werten aus
Tabelle 29 gewichtete Summen der Input- und Output-Ausprägungen der effizienten
Peers im Referenzset.
Die Implikationen der Teilmarktresultate fallen für die beiden Marktseiten unterschiedlich aus. So sollte etwa Nissan, um sich bestmöglich zu positionieren und eine
neue Position im Marktraum zu besetzen, versuchen, langfristig ein Cross-overFahrzeug zu konzipieren, welches räumlich gesehen zwischen dem Mazda 3/1.4 und
dem Corolla 71 angesiedelt ist und eine Mischung dieser beiden Varianten darstellt.
253
Tatsächlich erscheint die praktische Relevanz dieser Implikationen gegeben, da
Cross-over-Konzepte im Zeitalter von CAD/CAM-Technologien in der Automobilindustrie zunehmende Verbreitung erfahren, wie die zahlreichen Modellschöpfungen
(SUVs, MPVs, Off-Roader etc.) zeigen. "Go anywhere, do anything" lautet verstärkt
das Motto in der Automobilindustrie.671 Offenbar bietet die DEA durchaus auch strategisch relevante Einsichten, die evtl. Anregungen für ganz neue Richtungen der
Produktentwicklung bieten. Die zunehmende technische Realisierbarkeit von Produkt-Kreuzungen lässt die Annahme der linearen (konvexen) Kombinierbarkeit von
Analyseobjekten realistischer werden. Die DEA könnte sich so vielleicht sogar als
eine innovative Technik der Ideenfindung im Gestaltungsprozess neuer Automobilkonzepte erweisen, denn Cross-over bezeichnet weniger eine eigene Stilrichtung als
vielmehr eine Kreativitätstechnik.
Während für die Hersteller die Empfehlung auszusprechen ist, Entscheidungen und
Aktionen im Rahmen des Produktmanagements am jeweiligen virtuellen Referenzfahrzeug auszurichten, ist diese für den Nachfrager nur eingeschränkt sinnvoll. Nachfrager können im Rahmen des Kaufaktes nicht einfach zwei Varianten konvex kombinieren. Aus Kundensicht gilt daher die Implikation, aus der Gruppe der effizienten
Produkte jenes mit dem höchsten Supereffizienzwert als Zielprodukt auszuwählen
bzw. als Referenzmaßstab im Kaufentscheidungsprozess heranzuziehen. Für die
Kunden der oben betrachteten Marktpartition sollte daher der Corolla 71 die erste
Wahl darstellen, da dieser mit 1,11 einen höheren Supereffizienzwert aufweist als
der Mazda 3/1.4 (1,09). Der Supereffizienzwert sagt aus, dass der Corolla 71 auch
bei signifikanten Preiserhöhungen, nämlich um bis zu 11%, den höchsten relativen
Output bietet und der beste Kauf bleibt. Solange also keine massiven Veränderungen hinsichtlich Preis und Leistungsattributen durch den Anbieter vorgenommen
werden, ist der Corolla aus Sicht der Nachfrager stets zu bevorzugen, wenn das Ziel
in einer Maximierung der Kaufentscheidungseffizienz besteht.
1.5.3.2. Self Evaluators
Tabelle 31 mit den Gewichten der Self Evaluators zeigt, dass diese jeweils andere
Parameter fokussieren und sich mit eigenständigen Produktkonzepten im Markt für
Mittelklassewagen positionieren. Sie bieten bei sehr wenigen Features eine überlegene Performance (belegt durch die Tatsche, dass überwiegend nur ein Merkmal ein
sehr hohes Gewicht erhält) und schneiden bzgl. der übrigen Parameter eher
schwach ab. Im Gegensatz dazu bieten die Mitglieder des oben betrachteten Teil671
„Man glaubt sich am Set einer Science-Fiction- oder Fantasy-Film-Produktion. Die Mobilmutanten
sind unter uns. Sie sind Ergebnisse von Züchtungen, Kreuzungen, Experimenten." Knewitz
(2001), S. 32.
254
marktes 3 einen deutlich ausgewogeneren Output-Mix. Sie konkurrieren in mehreren
Features mit anderen PKWs und lassen sich daher eher als All-round-Autos bezeichnen, wie die von Null verschiedenen Gewichte in Tabelle 31 zeigen.
Motorleistung
Laufende
Kosten
Preis
Wiederverkaufswert
Zuverlässigkeit
Audi A3 Ambition
1
0
0
0
Citroen Xsara
Exclusive
1
0
0
0
0,64
Kia Rio 1.5
0
1
0,62
0,38
Opel Astra 92
0
1
0
0,74
Varianten
0
Umweltverträglichkeit
Sicherheit
0
0,87
0
Komfort
Markenimage
0,13
0
0,36
0
0
0,26
0
Tabelle 31: Input- und Output-Gewichte für Self Evaluators
Die Spezialisierungsstrategie der Self Evaluators liefert die Begründung dafür, warum diese nicht in die Referenztechnologie anderer Einheiten eingehen und somit
einen eigenen Teilmarkt in Form einer Nische bilden. So erreicht der Citroen Xsara
eine hohe Performance auf der Outputseite ausschließlich durch Anbieten eines hohen Komforts (Gewicht von 0,36) und überlegener Motorleistung (0,64). Dafür ist dieses Modell vergleichsweise günstig zu haben. Es ist somit klar, dass der Citroen
Xsara v.a. solche Konsumenten anspricht, die Komfort und Motorleistung höher bewerten als andere Features. Die hier extrahierten Self Evaluators werden auch von
Marktstudien und Autotests oft als Nischenmodelle charakterisiert.672
1.5.3.3. Beurteilung der Wettbewerbsstruktur auf Basis der DEA-Ergebnisse
Anhand des Bildes, welches die DEA-Ergebnisse vom Markt für Untere-MittelklassePKWs zeichnen, lassen sich klare wettbewerbsstrategische Ausrichtungen der betrachteten Modelle empirisch untermauern. So versuchen Modelle wie der Toyota
Corolla offensichtlich, möglichst viele Teilmärkte mit Varianten zu besetzen. Diese
Strategie einer breiten Marktabdeckung („Schrotflintenkonzept“) steht im Gegensatz
zu der des Citroen Xsara oder Kia Rio, die sich im Rahmen einer selektiven Marktbearbeitung auf einen Teilmarkt fokussieren („Scharfschützenkonzept“). Während
letztere Modelle als erfolgreich differenzierte Modelle betrachtet werden können, ist
der Corolla ein durchschnittliches Allzweck-Auto, das insgesamt mit über einem Drittel des hier betrachteten PKW-Marktes konkurriert. Dessen Varianten sind offenbar
in der Mitte des Marktraumes positioniert, der hart umkämpft und von zahlreichen
Varianten besetzt ist.
672
Vgl. AC Nielsen (2001); ADAC (1997). Dies kann als Indikator für die face validity des hier entwickelten Ansatzes zur Marktstrukturierung angesehen werden.
255
Wie anhand der Ergebnisse deutlich wird, bietet eine DEA-basierte Produktmarktanalyse die Möglichkeit, effiziente Nischenprodukte von effizienten All-roundProdukten zu unterscheiden. Eine DEA kann ganz unterschiedliche strategische Ausrichtungen gleichzeitig und gleichberechtigt berücksichtigen: Unternehmen, die eine
Nischenstrategie mit ihren Produkten verfolgen, können ebenso analysiert und als
effizient ausgewiesen werden wie Unternehmen, die eine Massenmarktstrategie verfolgen und daher auf breiter Basis gute Produkteigenschaften bieten. Für alle Strategien ermöglicht die DEA die Ermittlung von Effizienzwerten, Referenzpunkten, Stärken und Schwächen. Die von einem Unternehmen verfolgte Produktstrategie hat
folglich keinen Einfluss auf die Effizienzbeurteilung. Im Gegenteil, die DEA ermöglicht
es, die einem Produkt zu Grunde liegende Strategie zu bestimmen und durch den
Vergleich mit konzeptionell ähnlichen, aber erfolgreicheren Produkten Defizite bei der
Strategieumsetzung aufzudecken.
1.5.4.
Bestimmung effizienter Preise auf Basis der DEA-Ergebnisse
Bei der Diskussion der Forschungslücken zur Preiseffizienz wurde bereits auf die
Notwendigkeit der Integration von Produkt- und Preiseffizienzanalyse im Rahmen der
DEA hingewiesen, zu der sich in der bisherigen Literatur wenige Arbeiten finden.673
Diese Verknüpfung wird durch die hedonische Preistheorie offensichtlich. Ziel ist es,
den Gesamtpreis eines Produktes in Teilpreise für die einzelnen Leistungseigenschaften zu dekomponieren, um den Wertbeitrag der Attribute in Geldeinheiten ausdrücken zu können. Der hedonische Preis (Schattenpreis, impliziter Marktpreis) eines
Qualitätsattributes gibt dann an, welcher Teil des Produktpreises durch die Ausprägung dieses Attributes gerechtfertigt wird. Folglich geben diese Preisbeiträge Hinweise für eine der Preisbedeutung entsprechenden Allokation der Qualitätskosten.
Unter bestimmten Bedingungen lassen sich die Outputgewichte, die aus dem primalen Programm resultieren, als hedonische Preise interpretieren.674 Dies soll im folgenden Abschnitt kuz erläutert werden.
Um den Preis in seine attributspezifischen Bestandteile zu zerlegen, dürfen erstens
in der DEA die Outputmerkmale nur noch zum Preis in Beziehung gesetzt werden.
Nur in diesem Fall können die Gewichte als die Preise für die jeweiligen Outputs interpretiert werden.675 Aus diesem Grund wird zur Ermittlung der hedonischen Preise
ein DEA-Modell mit singulärem Input (Preis) berechnet, so dass die laufenden Kosten aus der Analyse ausgeschlossen werden. Auf die Möglichkeit, die laufenden Kos673
674
675
Lediglich Fernandez-Castro/Smith (2002) und Kamakura/Ratchford/Agrawal (1988) gehen am
Rande auf die Möglichkeit ein, die DEA zur hedonischen Preisbildung einzusetzen, nehmen aber
keine entsprechenden Auswertungen der Daten vor.
Vgl. Dyson/Thanassoulis (1988), S. 565 ff.
Vgl. Dyson/Thanassoulis (1988), S. 565.; Fernandez-Castro/Smith (2002), S. 86.
256
ten implizit auch als Preis zu interpertieren und dem Kaufpreis aufzuschlagen, soll
hier aus Vereinfachungsgründen verzichtet werden. Zweitens ist zu beachten, dass
bei Zulassung vollständiger Gewichtsflexibilität bei bestimmten Outputs NullGewichte resultieren können. Solche Null-Gewichte deuten dann natürlich nicht darauf hin, dass die entsprechenden Outputs überhaupt keinen Beitrag zur Erzielung
des Marktpreises leisten und somit kostenfrei bereitgestellt werden müssten. Gewichte von Null weisen lediglich auf jene Leistungseigenschaften hin, bei denen keine komparativen Qualitätsvorteile gegenüber den alternativen Angeboten bestehen.
Bei diesen Merkmalen sollte sich das Qualitätsmanagement darauf beschränken,
eine am Markt durchschnittlich erwartete „Standardleistung“ bereitzustellen und die
Budgetanteile entsprechend zu begrenzen. Sollen für alle Outputs monetär interpretierbare Lösungen ermittelt werden, sind für die Gewichte untere Schranken festzulegen, die etwa durch die zur Produktion einer Standardqualität notwendigen anteiligen Kosten definiert sein könnten. Sind, wie im Falle dieser Studie, keine Informationen über die kostenmäßige Bedeutung der einzelnen Charakteristika vorhanden,
wäre eine Beschränkung der Gewichte rein willkürlich und ist dann zu unterlassen.676
Insbesondere sind andere in der Literatur üblicherweise genannte Methoden zur Definition unterer Gewichtsschranken (Verwendung des Mittelwerts der Gewichte etc.)
nicht sinnvoll, da etwa der Mittelwert eines Gewichts nicht mit dem mittleren Preisbeitrag bzw. Kostenanteil des Outputs identisch sein wird. Bei Anwendung eines unrestringierten DEA-Modells, wie in unserem Fall, sind die Gewichte vorsichtig zu interpretieren. Sie dürfen dann nicht strikt als die maximalen Kostenanteile eines
Merkmals interpretiert werden, sondern sind als grobe Näherungswerte zu betrachten, die v.a. eine Fokussierung der Qualitätsmaßnahmen auf die wichtigen Performancedimensionen unterstützen sollen.677 Insofern ist auch für Eigenschaften mit
Gewichten von Null ein gewisser Anteil des Budgets einzuplanen, um eine Mindestqualität bei diesen Eigenschaften sicherzustellen. Dies gilt, obwohl der hedonische
Preis dieser Merkmale als Null bzw. sehr gering einzuschätzen ist, d.h. kein Nachfrager das entsprechende Fahrzeug nur aufgrund dieser Merkmale kaufen wird.
In der Tabelle 32 sind für ausgewählte Fahrzeugmodelle dieser Untersuchung die
effizienten Preise dargestellt. Die Tabelle zeigt außerdem, welche Preissenkungen
die ineffizienten PKW vornehmen müssten, um mit den aktuell gegebenen Leistungsdaten auf den effizienten Rand zu gelangen. Auf diese Weise kann mittels DEA
der in Bezug auf die gelieferten Leistungseigenschaften optimale Preis bestimmt
werden. Weiterhin sind die Gewichte der Leistungsmerkmale angegeben, die Hinweise darauf geben, wie stark diese Merkmale zur „Durchsetzung“ des Verkaufsprei-
676
677
Vgl. Fernandez-Castro/Smith (2002), S. 88.
Vgl. Dyson/Thanassoulis (1988), S. 563 ff.; Fernandez-Castro/Smith (2002), S. 87.
257
ses beitragen bzw. welchen Teil des Kaufpreises diese rechtfertigen. Die Gewichte
sind daher für die Priorisierung von Entscheidungen im Rahmen der Produktgestaltung nutzbar. Die Verteilung der Qualitäts- bzw. Produktionskosten (bzw. der zugehörigen Budgets) auf die Merkmale sollte, unter Berücksichtigung der oben genannten Einschränkungen, deren Wertbeiträge zumindest in gewissem Maße widerspiegeln. Dies ist die Voraussetzung für eine profitable Produktgestaltung. Damit helfen
die Ergebnisse auch, die Wirtschaftlichkeit von Qualitätsmaßnahmen einzuschätzen
und zu steuern, indem sie angeben, wie hoch die stückbezogenen Qualitätskosten
jedes Outputmerkmals maximal ausfallen dürfen.678 Mittels DEA lassen sich jene
Leistungseigenschaften identifizieren, für die Investitionen in Qualitätsverbesserungen wirtschaftlich sinnvoll erscheinen, da diese auch zu entsprechenden Nachfragewirkungen und folglich Preiserhöhungsspielräumen führen dürften. Dies sind jene, für
die in Tabelle 32 die höchsten Gewichte ausgewiesen werden.
Der effiziente Preis gibt genau den Teil des aktuellen Preises an, der durch die Outputs insgesamt gerechtfertigt ist. Dieser Teil des Preises wird durch den Effizienzwert
ausgedrückt und beträgt beim Mazda z.B. 85,4%. Wird der aktuelle Preis von 16.489
mit dem Faktor 0,854 multipliziert, ergibt sich der effiziente Preis des Eigenschaftsbündels (14.082 Euro).679 Die Differenz zwischen aktuellem und effizientem Preis
gibt damit das Ausmaß der Überpreisung an, das beim Mazda bei ca. 2.400 Euro
liegt.
Variante
Aktueller
Preis
Effizienzwert
EffizienNotw.
ter
PreisreKaufduzierung
preis
in %
Wiederverkaufswert
Zuverlässigkeit
Motorleistung
Umweltverträglich
keit
Komfort
Sicherheit
Markenimage
Gewichte (in %)
Audi A3 21.800
1.6
1
21.800
0
22,9%
22,6%
54,5%
Ford
Focus
1.6
16.960
0,864
14.653
13,6
20,4%
1,4%
Mazda
3 1.5
16.489
0,854
14.082
14.6
41,7%
4,7%
Opel
Astra
92
17.010
1
17.010
0
78,5%
12,7%
Peugeot
14.670
0,923
13.540
7,7
20,4%
50,1%
27,6%
13.550
1
13.550
0
22,8%
42,1%
307/65
Toyota
Corolla
71
31,8%
Tabelle 32: Effiziente Preise für ausgewählte Modelle
678
679
Vgl. Ratchford et al. (1996), S. 173.
Vgl. Kamakura/Ratchford/Agrawal (1988), S. 292 f.
3,3%
78,2%
21,3%
32,3%
8,8%
1,9%
258
Der Prozentwert indiziert jenen Teil des Kaufpreises, der nicht auf Basis der Eigenschaften gerechtfertigt ist. So zeigt sich beispielsweise, dass die aktuelle Outputleistung des Mazda nur 85,4% des derzeitigen Kaufpreises rechtfertigt. Die fünfte Spalte
von Tabelle 32 zeigt, wie stark die ineffizienten Varianten überteuert ist und welche
Preissenkungen vorzunehmen wären. Beim Mazda wären dies 14,6%. Dies ist der
Preis, der bei Kauf des Referenzproduktes für die gleiche Leistung nur vom Kunden
zu zahlen ist. Durch den Kauf des Mazda entgeht den entsprechenden Käufern somit
eine Konsumentenrente in Höhe von 2.400 Euro. Einen Teil dieser Konsumentenrente könnten die Käufer realisieren, wenn Sie in dem von ihnen präferierten Segment
statt des Mazda eine der beiden Benchmark-Varianten erwerben würden. Diese Informationen können eine große Hilfestellung für Produktcontrolling, Preisfestsetzung
und Target Costing liefern.
2.
Studie zur Analyse der Markeneffizienz
2.1.
Untersuchungsgegenstand und Problemstellungen
Gegenstand der folgenden empirischen Studie ist die Markeneffizienz aus Anbietersicht. Es wird somit die Effizienz des Markenführungsprozesses (Branding Efficiency)
untersucht. Im Rahmen der Markenführung investieren Hersteller durch den Einsatz
bestimmter Marketinginstrumente Ressourcen mit dem Ziel, eine bestimmte Ausbringung (psychologische und ökonomische Markenwertgrößen) zu produzieren. Diese
allgemeine Definition des Markenmanagements reflektiert eine ganzheitliche Betrachtung des Markenwertes, die die verhaltenswissenschaftliche und finanzwirtschaftliche Perspektive verknüpft. Danach ist Markenwert die Gesamtheit aller positiven und negativen Vorstellungen und Reaktionen, die aktiviert werden, wenn Konsumenten das Markenzeichen wahrnehmen sowie die daraus transferierten finanzielle Wirkungen für das Unternehmen.680 Die Einbeziehung beider Outputkategorien
erweist sich auch deshalb als angebracht, da sie sowohl Implikationen für die Markenführung als auch -kontrolle ermöglichen. Die verhaltenswissenschaftlichen Outputgrößen dienen als diagnostisches Zielmaß der Markenführung und unterstützen
so einen optimalen Instrumenteneinsatz zur Markensteuerung. Die ökonomischen
Größen sind hingegen Bewertungsmaßstäbe, die die Kontrolle der Umsetzung der
psychografischen Größen in tatsächlichen Markenerfolg ermöglichen.681
Ziel der Untersuchung ist es, für das Management von 33 konkurrierenden Automobilmarken in Deutschland das Verhältnis aus eingesetzten Inputs (Spendings) und
erreichten Outputs zu ermitteln und zu vergleichen. Vor dem Hintergrund zunehmen680
681
Vgl. Schulz/Brandmeyer (1989), S. 365.
Vgl. Meffert/Koers (2001), S. 299.
258
Der Prozentwert indiziert jenen Teil des Kaufpreises, der nicht auf Basis der Eigenschaften gerechtfertigt ist. So zeigt sich beispielsweise, dass die aktuelle Outputleistung des Mazda nur 85,4% des derzeitigen Kaufpreises rechtfertigt. Die fünfte Spalte
von Tabelle 32 zeigt, wie stark die ineffizienten Varianten überteuert ist und welche
Preissenkungen vorzunehmen wären. Beim Mazda wären dies 14,6%. Dies ist der
Preis, der bei Kauf des Referenzproduktes für die gleiche Leistung nur vom Kunden
zu zahlen ist. Durch den Kauf des Mazda entgeht den entsprechenden Käufern somit
eine Konsumentenrente in Höhe von 2.400 Euro. Einen Teil dieser Konsumentenrente könnten die Käufer realisieren, wenn Sie in dem von ihnen präferierten Segment
statt des Mazda eine der beiden Benchmark-Varianten erwerben würden. Diese Informationen können eine große Hilfestellung für Produktcontrolling, Preisfestsetzung
und Target Costing liefern.
2.
Studie zur Analyse der Markeneffizienz
2.1.
Untersuchungsgegenstand und Problemstellungen
Gegenstand der folgenden empirischen Studie ist die Markeneffizienz aus Anbietersicht. Es wird somit die Effizienz des Markenführungsprozesses (Branding Efficiency)
untersucht. Im Rahmen der Markenführung investieren Hersteller durch den Einsatz
bestimmter Marketinginstrumente Ressourcen mit dem Ziel, eine bestimmte Ausbringung (psychologische und ökonomische Markenwertgrößen) zu produzieren. Diese
allgemeine Definition des Markenmanagements reflektiert eine ganzheitliche Betrachtung des Markenwertes, die die verhaltenswissenschaftliche und finanzwirtschaftliche Perspektive verknüpft. Danach ist Markenwert die Gesamtheit aller positiven und negativen Vorstellungen und Reaktionen, die aktiviert werden, wenn Konsumenten das Markenzeichen wahrnehmen sowie die daraus transferierten finanzielle Wirkungen für das Unternehmen.680 Die Einbeziehung beider Outputkategorien
erweist sich auch deshalb als angebracht, da sie sowohl Implikationen für die Markenführung als auch -kontrolle ermöglichen. Die verhaltenswissenschaftlichen Outputgrößen dienen als diagnostisches Zielmaß der Markenführung und unterstützen
so einen optimalen Instrumenteneinsatz zur Markensteuerung. Die ökonomischen
Größen sind hingegen Bewertungsmaßstäbe, die die Kontrolle der Umsetzung der
psychografischen Größen in tatsächlichen Markenerfolg ermöglichen.681
Ziel der Untersuchung ist es, für das Management von 33 konkurrierenden Automobilmarken in Deutschland das Verhältnis aus eingesetzten Inputs (Spendings) und
erreichten Outputs zu ermitteln und zu vergleichen. Vor dem Hintergrund zunehmen680
681
Vgl. Schulz/Brandmeyer (1989), S. 365.
Vgl. Meffert/Koers (2001), S. 299.
259
der Homogenisierung der technischen Kernleistungen und zunehmender Markengetriebenheit des Automobilkaufs steht die Marke gerade im Automobilbereich stärker
denn je im Fokus der Marketingbemühungen.682 Der Output-Input-Quotient stellt den
Markeneffizienzwert dar, der als Return on Brand Investment (ROBI) zu verstehen
ist. Der relative ROBI einer Marke, der den ROBI im Vergleich zur relevanten Referenzmarke misst, gibt Auskunft darüber, welche Markenausgaben für die erreichten
Markenwirkungen angemessen sind. So bedeutet ein relativer ROBI von 80%, dass
80% der aktuellen Markenausgaben ausreichen müssten, um den gleichen Output zu
erzielen. 20% der Ausgaben werden also ohne entsprechende Outputwirkungen eingesetzt. Die Differenz zwischen den aktuellen Ausgaben einer bestimmten Marke
und den effizienten Ausgaben in Höhe von 20% misst das Ausmaß an Overspendings. Die DEA erlaubt die Quantifizierung solcher Overspendings bzgl. jedes betrachteten Instrumentes. Eine entsprechende Reduktion der Inputs ist die Voraussetzung, um eine ineffiziente Marke auf den effizienten Rand zu überführen. Die Identifizierung von Overspendings ist somit erforderlich für die Ableitung adäquater Budgetvorgaben für die Markenführungsinstrumente.
Unter Verwendung der Benchmarking-Klassifizierungsdimensionen lässt sich die
nachfolgende Studie zum Vergleich der Markeneffizienz wie folgt charakterisieren:
1) Vergleichspartner: extern; direkte Konkurrenten im deutschen Markt
2) Vergleichsobjekte: Prozess (Markenführung) innerhalb eines Marketinginstrumentes (Produktpolitik)
3) Vergleichsmaßstab: Output-Input-Relation
4) Vergleichshorizont: 2003/2004 (Marktdaten, Kundeneinschätzungen)
5) Vergleichsziel: Best Practice und Best-Practice-Führer (Supereffizienz)
2.2.
Auswahl der Outputs und Inputs und Datengrundlage
Die Auswahl der Outputs folgt, wie bereits erwähnt, der Maßgabe, den Markenwert
umfassend abzubilden und sowohl Markenstärkegrößen als auch monetäre Markenwertgrößen einzubeziehen. Hierfür wird auf das in B-3.2.2.1.3 entwickelte Markeneffizienzmodell zurückgegriffen.
Der Output Markenbekanntheit wird gewählt, um die die kognitive Wirkung der Marke
abzubilden, während Markensympathie und -image herangezogen werden, um die
emotionalen Reaktionen auf die Marke zu erfassen. Diese drei Outputgrößen decken
somit die psychografische Dimension der Markenstärke ab. Als verhaltensbezogener
682
Vgl. Büschken (2006); Fischer/Meffert/Perrey (2004), S. 340 f.
260
Markenstärkeindikator mit unmittelbaren ökonomischen Konsequenzen wird die Markentreue i.S. der Bereitschaft, eine Marke wiederholt zu erwerben, verwendet.683 Das
Umsatzpremium reflektiert schließlich die monetären Folgen des Verhaltens der
Konsumenten (Kauf, Markentreue) für das Unternehmen und ist somit der Indikator
des ökonomischen Markenwertes. Durch diese Auswahl der Outputs wird die konsumenten- und anbieterbezogene Perspektive des Markenwertes umfassend berücksichtigt. Die mehrdimensionale Konzeptualisierung der Outputseite ermöglicht es nun
zu untersuchen, durch welche Instrumente sich welche Markenwertgrößen am effizientesten verbessern lassen (Ermittlung der Wirkungseffizienz der eingesetzten Instrumente). So zeigt die DEA, bezüglich welcher Output- und Inputgrößen eine Marke ein überlegenes Effizienzverhältnis erreicht. Es lassen sich, je nach Zielsetzung
des Herstellers in Bezug auf die Markenoutputkette (z.B. Image- vs. Loyalitätssteigerung), entsprechend ihrer Effizienz die entsprechenden Instrumente priorisieren und
Ressourcen entsprechend allozieren. Nachfolgend wird auf die Operationalisierung
der ausgewählten Outputs eingegangen.
Die Markenbekanntheit wird über die ungestützte Markenbekanntheit in % erfasst,
die angibt, wie viel % der Befragten die Marke aus dem Gedächtnis erinnern konnten
(Recall-Test). Die Markensympathie misst, inwieweit eine Marke den Konsumenten
emotional aktivieren kann. Das Konstrukt wird operationalisiert durch den Anteil der
Konsumenten, die die entsprechende Marke als sympathisch und begehrenswert
empfinden und eine emotionale Beziehung zur Marke aufgebaut haben.684 Das Markenimage spiegelt die Einstellung zur Marke wider und wird durch einen ScoringWert operationalisiert, der sich aus der Bewertung folgender Imagefacetten zusammensetzt: Sicherheit, Qualitätsimage, Umweltbewusstsein, Kundenfreundlichkeit,
Überlegenheit, Reputation, Innovationskraft, Weltoffenheit, Persönlichkeit/Charakter,
Design, Sportlichkeit, Exklusivität/Prestige und Motorsporterfolg.685 Die genannten
Imagefacetten habe sich in verschiedenen Studien als für einen Autokauf relevant
erwiesen. 686 Der prozentuale Anteil der Befragten, die die Marke nach vier Jahren
wieder kaufen würden, misst die Markenloyalität. Auf Individualebene kann dieser %Wert als Wiederkaufwahrscheinlichkeit (Bindungsquote) interpretiert werden.687
683
684
685
686
687
Vgl. Yoo/Donthu/Lee (2000), S. 200 f.
Datenquelle für Markenbekanntheit und -sympathie: Stern Markenprofile 10, September 2003.
Der Scoringwert ergibt sich als Summe der Werte für die einzelnen Imagefacetten, die durch die
Anzahl der befragten Personen erfasst wurden, die der Marke die betrachtete Imagefacette zuschreiben. Die Imagedaten entstammen der aktuellen Imageerhebung, die jährlich vom ADAC im
Rahmen des PKW-Monitor-Panels (3.935 Teilnehmer) durchgeführt wird.
Vgl. AC Nielsen (2001); ADAC (1997); ADAC Spezial Autotest; Forsa-Automobilumfrage 2004
(zit. nach ADAC (2004)); Papahristodoulou (1997).
Datenquelle: Unveröffentlichte empirische Studie zur Markenstärke in der deutschen Automobilindustrie, Lehrstuhl für ABWL und Marketing II, Universität Mannheim.
261
Das Umsatzpremium gibt den Anteil des Umsatzes in % an, der nur aufgrund der
Marke erzielt wurde.688 Hiermit wird der in Abschnitt B-3.2.2.1.3 aufgestellten Forderung entsprochen, als Markenpremium nicht allein das Preispremium heranzuziehen,
sondern auch die Mengenkomponente zu berücksichtigen.
Bezüglich der Erfassung der Outputseite sei abschließend auf folgendes messmethodisches Problem hingewiesen: Es wird in der Literatur betont und auch empirisch
nachgewiesen, dass die verhaltensorientierten Markenstärkegrößen als Determinanten der monetären Markenwertgrößen zu betrachten sind.689 Damit ist klar, dass die
hier verwendeten Outputgrößen nicht unabhängig voneinander sind. Allerdings ist
deren gleichzeitige Berücksichtigung im Rahmen der DEA gerechtfertigt, solange die
Höhe der vorgelagerten Outputgrößen nicht vollständig die Höhe der nachfolgenden
Größen determiniert. Dies kann bei den hier betrachteten Outputs ausgeschlossen
werden, da vorteilhaft ausgeprägte psychografische Wirkungsgrößen beim Konsumenten (z.B. ein gutes Image oder ein hohe Bekanntheit) nicht zwangsläufig zu einem hohen Preispremium führen. Vielmehr ist es gerade von der Markenführung abhängig, ob die Markenstärke auch in Form von zusätzlichen Zahlungsströmen kapitalisiert werden kann. Insofern leisten alle betrachteten Outputs einen eigenständigen
Erklärungsbeitrag zur Effizienz der Markenführung und sollten deshalb berücksichtigt
werden, um ein allgemeingültiges Modell zu ermöglichen. In der DEA-Literatur wird
explizit betont, dass hohe Korrelationen zwischen Outputgrößen aufgrund der entsprechenden Anpassung der Gewichtungen keine Verzerrung der Effizienzwerte bewirken. So würden sich bei Verwendung zweier ähnlicher Faktoren, statt nur eines
dieser Faktoren, die Gewichte jedes Faktors entsprechend reduzieren bzw. die Gewichte zwischen den hoch korrelierten Variablen verschieben.690 Daher sollten und
dürfen bei nicht parametrischen Verfahren einzelne Input- oder Outputvariablen,
auch bei hoher Korrelation mit anderen Variablen, nicht weggelassen werden wie
dies z.B. von Norman/Stoker empfohlen wird,691 weil dies zu einer starken Veränderung der durchschnittlichen DEA-Effizienz führen kann.692 So kann es sein, dass Va-
688
689
690
691
692
Hierzu wurde das absolute Dachmarken-Preispremium in Euro (als Durchschnitt der Preisprämien
der einzelnen Produktmarken) mit der abgesetzten Stückzahl multipliziert. Das DachmarkenPreispremium gibt dabei den Anteil des Kaufpreises an, der ausschließlich für die Marke gezahlt
wird. Die Daten für die Preisprämien wurden aus drei Marktstudien (BCG, McKinsey und Morgan
Stanley) entnommen. Da die Angaben der drei Studien in gewissen nachvollziehbaren Bandbreiten variierten, wurde der Durchschnitt aus den drei Datenquellen verwendet, um eine gute Annäherung an den „wahren“ Wert zu gewährleisten.
Vgl. Bekmeier-Feuerhahn (1998); Valtin (2005), S. 91 f.
Vgl. Dyson et al. (2001), S. 248 f. Eine Unabhängigkeit der Input- und Outputgrößen im Rahmen
der DEA wird in der Literatur nicht gefordert, sie wäre auch nicht realisierbar. Eine Abhängigkeit
erscheint plausibel und wünschenswert, um eine inhaltliche Nähe der Parameter zum Untersuchungsgegenstand (Markeneffizienz) zu gewährleisten.
Vgl. Norman/Stoker (1991), S. 33 f. Ein solches Vorgehen, das von Norman/Stoker zur Reduzierung der Variablenanzahl in DEA-Modellen empfohlen wird, wäre rein mechanistisch.
Vgl. Dyson et al. (2001), S. 249; Saen/Memariani/Lotfi (2005), S. 519 f.
262
riationen in den Variablenausprägungen einzelner DMUs zwar einen kleinen Einfluss
auf die Korrelation der Variablen, aber einen signifikanten Effekt auf die DEAEffizienz haben, da diese anhand der multi-dimensionalen Distanz zu den (einzelnen) extremen Beobachtungen gemessen wird. Selbst bei perfekter Korrelation
zweier Variablen kann sich – bspw. aufgrund unterschiedlicher fixer Bestandteile –
durch Weglassen von einer der beiden Einflussgrößen die Effizienz der DMUs ändern, solange nicht ein Faktor exakt ein Vielfaches des anderen ist.693
Der Literatur folgend kann davon ausgegangen werden, dass die drei Markenführungsinstrumente Werbung, Distribution und Qualitätspolitik die „key marketing instrument variables“ darstellen, die den größte Teil der Aufwendungen für die Markenführung abdecken.694 Auch in der empirischen Untersuchung von Huber/Herrmann/
Peter ergeben sich die Kommunikations-, Vertriebs- und Produkt(qualitäts)leistung
als die wichtigsten Treiber der Markenstärke, weshalb (Re)Allokationsentscheidungen sich auf die hierfür eingesetzten Ressourcen konzentrieren müssen.695 Andere Marketingaktivitäten sind in ihrer Bedeutung als eher vernachlässigbar anzusehen. Entsprechend gehen die Aufwendungen dieser drei genannten Instrumente als
Inputs in die Effizienzbewertung ein. Eine Integration weiterer Inputs, wie Mitarbeiterkosten oder Kosten für Markenentwicklung und Markenschutz, hätte außerdem prohibitiv hohe Anforderungen an die Datenbeschaffung gestellt, da die Markenhersteller selbst in der Regel diese Kostenpositionen nicht quantifizieren und bestenfalls
grobe Schätzungen hierfür vornehmen können. Nachfolgend wird auf die Operationalisierung der ausgewählten Inputs eingegangen.
Die Werbekosten umfassen die Bruttowerbeinvestitionen für Print, TV, Hörfunk und
Outdoor in Mio. Euro.696 Die Berücksichtigung von Außenwerbung ist im Rahmen der
693
694
695
696
Vgl. Dyson et al. (2001), S. 248 f.; Nunamaker (1985).
Vgl. Bauer/Meeder/Jordan (2000a), S. 38; Murthi/Srinivasan/Kalyanaram (1996), S. 332;
Yoo/Donthu/Lee (2000), S. 201 ff.
Vgl. Huber/Herrmann/Peter (2003), S. 358.
Datenquellen: ADAC AutoMarXx Dezember 2002 und Dezember 2003. Zur Überprüfung der
Richtigkeit der ADAC-Daten wurden die dort ausgewiesenen Werbeaufwendungen mit den Zahlen von Nielsen Media Research abgeglichen, die für 10 der 33 Marken vorlagen. Hier zeigte sich
eine hohe Übereinstimmung. Eine Vergleichbarkeit der Werbeausgaben über die Marken ist gegeben, da alle hier betrachteten Marken schon seit mehreren Jahren im Markt präsent und somit
etabliert sind. Insofern sind in den Werbeausgaben der hier untersuchten Marken keine einmaligen, „außergewöhnlichen“ Ausgaben für die (Wieder)Markteinführung einer Marke enthalten, wie
dies z. B. bei Maybach oder Chevrolet der Fall wäre. Somit sind die Werbeausgaben als laufende
Ausgaben zu verstehen, die primär der Markenpflege dienen. Dies wirft natürlich gewisse Probleme der verursachungsgerechten Zurechnung der Werbeausgaben zu den Outputgrößen auf. So
dürfte z.B. ein gewisser Teil der Markenbekanntheit gerade durch die Werbekampagnen in der
Einführungsphase aufgebaut worden und im Sinne einer Depotwirkung unabhängig von den heutigen Werbeausgaben erhalten geblieben sein. Dies gilt jedoch für alle Marken gleichermaßen
und außerdem ist zu argumentieren, dass wiederum ein erheblicher Teil der Bekanntheit und Erinnerung ohne kontinuierliche Werbeanstrengungen durch Vergessensprozesse verfallen würde
und eine einmalige massierte Schaltung nicht ausreicht. Hierfür existieren zahlreiche Forschungsbefunde; vgl. Mayer/Illmann (2000).
263
Markenbewertung wichtig, da gerade sie zum Teil sog. „uninformative Werbung“ darstellt, die keine konkreten produktbezogenen Informationen vermittelt und daher primär dem Markenaufbau dient.697 Hier besteht das Problem, dass zumindest ein Teil
der Outputwirkung der Werbung regelmäßig erst mit gewisser Zeitverzögerung eintritt. Um diese time-lag-Effekte zu modellieren, wird der Durchschnitt aus den Werbeinvestitionen der Basis- und der Vorperiode herangezogen. Dem liegt die Annahme
zu Grunde, dass sich jeweils 50% der Werbeaufwendungen erst in der nächsten Periode in entsprechenden Outputänderungen niederschlagen. Einige Autoren schlagen stattdessen eine Gewichtung von 75% zu 25% vor,698 allerdings soll diesem
Vorgehen in Ermangelung präziser Informationen zum Ausmaß der time lags nicht
gefolgt werden. Vielmehr scheint eine Gleichgewichtung ein guter Kompromiss zu
sein.699
Da die Verfügbarkeit einer Marke nach klassischem Begriffsverständnis des Markenartikels eine zentrale Rolle spielt und Distributionsleistungen entscheidend zur Differenzierung einer Marke beitragen, dürfte die Distributionsfunktion einen großen Teil
des Markenbudgets beanspruchen.700 Zur Bestimmung der Distributionskosten in
Euro wurde die Anzahl der Vertragshändler mit Komplettvermarktungslizenz herangezogen und mit den durchschnittlichen Kosten für den Aufbau und die markengerechte Gestaltung einer Händlerfiliale multipliziert.701
Problematisch erwies sich die Beschaffung der Daten zu den Qualitätskosten. Um
die Kosten für Qualitätssicherung und -prüfung und Fehlerbeseitigung als wichtige
Investition in eine Marke berücksichtigen zu können, wurden die Ausprägungen der
wesentlichen technischen und funktionalen Qualitätseigenschaften als Indikator für
die Kosten herangezogen. Diese Qualitätsattribute entstammen der regelmäßig
durchgeführten ADAC-Studie AutoMarXx, die diese Attribute in vier Hauptqualitätskategorien einteilt:702 technisch-ökologische Qualität (Karosserie/Kofferraum, Innenraum, Komfort, Motor/Antrieb, Fahreigenschaften, Sicherheit, Umwelt) entnommen
aus über 350 Testberichten des Landsberger Autotestzentrums, ökonomische Qualität (Wertbeständigkeit, Verbrauch, Steuerbelastung, laufende Reparatur- und Wartungskosten), „TÜV-Qualität“ (Anzahl erheblicher Mängel) und Zuverlässigkeit (Pannenkennzahlen aus ADAC-Pannenstatistik). Die Testnoten für alle Einzelkriterien
werden zu einem Gesamtqualitätsindex zusammengefasst, der als Proxy für die
697
698
699
700
701
702
Vgl. Tirole (1999), S. 252.
Vgl. Charnes et al. (1997b), S. 161.
Vgl. Luo/Donthu (2001), S. 14, die zur Messung der Werbeeffizienz eine ähnliche Vorgehensweise wählen.
Vgl. Bauer/Herrmann/Graf (1995), S. 5; Mahajan (1991), S. 189.
Die Händlerzahl wurde der jährlich vom Verband des Kfz-Gewerbes bundesweit durchgeführten
Studie zum Vertriebs- und Servicenetz im Automobilhandel entnommen. Die Kostenangaben basieren auf Expertengesprächen mit BCG, Bereich Automotive.
Datenquelle: ADAC AutoMarXx, Dezember 2003.
264
Qualitätskosten dient. Dem liegt die unmittelbar einsichtige und vielfach empirisch
bestätigte Annahme zu Grunde, dass Qualitätsniveau und -kosten hoch korreliert
sind.703
Die deskriptive Statistik zu den verwendeten Input- und Output-Daten zeigt Tabelle
33.
Werbekosten
Distributionskosten
Qualitätskosten
Bekanntheit
Sympathie
Image
Markentreue
Umsatzpremium
Min
1,98
5,1
1,02
62,2
2,8
3.228
39,4
0,2
Max
132,24
107,52
4,35
98,8
74,8
49.617
70,5
17,31
Mittelwert
39,6
26,96
1,98
88,88
24,86
12.220
53,45
3,14
Median
19,26
20,76
1,93
90,9
17,6
6.995
51,36
1,64
STABW
38,58
22,24
0,69
8,35
20,75
12.170
6,76
4,38
Tabelle 33: Deskriptive Statistik der Ausgangsdaten
2.3.
Auswahl einer geeigneten DEA-Spezifikation
Zur Bestimmung der Markeneffizienz wird auf ein inputorientiertes BCC-Modell zurückgegriffen, welches wiederum mit dem Supereffizienzmodell kombiniert wird. Die
Wahl eines inputorientierten Modells entspricht der Zielsetzung, Overspendings bei
den Markenkosten zu identifizieren, da der Instrumenteneinsatz und damit die Markenkosten unmittelbar und direkt durch das Markenmanagement kontrolliert werden
können. Dies wird üblicherweise durch eine Allokation von Budgets auf die Instrumente gewährleistet. Ein BCC-Modell reflektiert die Annahme, dass keine konstanten
Grenzerträge des Einsatzes der Markenführungsmaßnahmen zu erwarten sind, d.h.
die Zielerreichung nicht proportional zur Steigerung etwa von Werbedruck und Distributionsquote zunimmt. Ein Supereffizienzmodell wird darüber hinaus angewendet,
um ein eindeutiges Effizienz-Ranking der Marken zu erhalten und auch innerhalb der
Gruppe der effizienten Marken Performanceunterscheide (Wettbewerbsvorsprünge)
erkennen zu können.
2.4.
Auswertung der Ergebnisse
2.4.1.
Das Markeneffizienz-Ranking
Tabelle 34 zeigt die Effizienzwerte der untersuchten Marken, die als valide angesehen werden können, wie die Maverick-Werte zeigen, die bis auf zwei Ausnahmen
703
Vgl. Tirole (1999). Zahlreiche Untersuchungen zeigen, dass Unternehmen in den meisten Fällen
höhere Preise nicht aus opportunistischen Überlegungen setzen, um Informationsasymmetrien
der Käufer auszubeuten, sondern diese durch höhere Kosten (aufgrund höherer Qualität) gerechtfertigt sind; vgl. Kirmani/Rao (2000), S. 70 ff. Gerade aus diesem Grunde wird eine höhere Preiszahlungsbereitschaft der Nachfrager legitimiert.
265
alle deutlich unter 1 liegen. 19 Marken sind effizient und erreichen einen BCCEffizienzwert von 100%. Diese bilden den effizienten Rand des betrachteten Marktes
und können im Standardmodell nicht weiter differenziert werden. Erst eine Bestimmung der Supereffizienzwerte ermöglicht ein vollständiges Ranking der Marken. Wie
die Supereffizienzanalyse zeigt, bestehen auch innerhalb der Marken auf dem effizienten Rand erhebliche Performanceunterschiede, die durch den Einheitsscore von
100% verdeckt werden. Anhand der Supereffizienzwerte stellt sich die Marke Porsche als der Performanceführer dar, der bzgl. der Markenführung über den größten
Wettbewerbsvorsprung verfügt. So würde Porsche selbst bei einer erheblichen Erhöhung der Markeninvestitionen - genau bis zu einer Erhöhung um 154% - das „Prädikat“ der Effizienz behalten und auf dem Rand verbleiben. Dies verdeutlicht, welche
Werte Porsche, insb. bei Image, Bekanntheit und Markentreue, mit vergleichsweise
moderaten Markeninvestitionen generieren kann. Gefolgt wird Porsche von Daewoo,
ein Ergebnis, welches zunächst kontraintuitiv scheint. Dies ist jedoch durch das
Grundprinzip der Effizienzanalyse erklärbar, bei der nicht die absolute Höhe der Input- und Outputquantitäten relevant ist, sondern betrachtet wird, welche Outputs in
Relation zu den Inputs produziert werden. Bei dieser Transformation von Inputs in
Outputs ist Daewoo offenbar ähnlich erfolgreich wie Porsche oder Jaguar, auch
wenn das absolut erreichte Niveau nicht vergleichbar ist. Auf die entsprechenden
Strategieimplikationen wird noch genauer im nächsten Abschnitt eingegangen.
Die durch die DEA implizit ermittelte Randfunktion, die hier eine n-dimensionale Hyperebene darstellt, die durch 19 Marken aufgespannt wird, kann als eine Technologie
für die „effiziente Produktion von Markenwert“ interpretiert werden. Für jede ineffiziente Marke kann ein Referenzpunkt auf dieser Randfunktion bestimmt werden, der
entweder vollständig durch eine reale effiziente Marke (wie für Kia und Hyundai) oder
eine Kombination aus mehreren effizienten Marken (wie für die übrigen ineffizienten
Marken) formiert wird. Eine Analyse der Referenzmarke liefert dann für die jeweilige
dominierte Marke Erkenntnisse über die zu verwendende Technologie der InputOutput-Transformation. Sie liefert in Form von Zielvorgaben damit auch genaue Informationen darüber, welches Ausmaß an Markenbekanntheit, -sympathie, -image, treue und Umsatzpremium bei effizientem Ressourceneinsatz erreichbar wäre.
Der Markeneffizienzwert wird in Relation zu den besten vergleichbaren Wettbewerbern (Best-Practice-Marken) ermittelt. Diese explizite Berücksichtigung der Wettbewerbssituation bei der Markenbewertung stellt eine wesentliche Verbesserung im
Vergleich zu klassischen Markenwertansätzen dar. Der ausgewiesene Markeneffizienzwert kann als relativer Return on Brand Investment interpretiert werden. Er gibt
an, wie viel weniger Input eine vergleichbare effiziente Marke zur Produktion der
gleichen Markenwirkung (Output) benötigt. Für Kia bedeutet dies, dass die Refe-
266
renzmarke Land Rover nur 76% der Markenkosten aufwenden muss, um mindestens
das gleiche Outputniveau wie Kia zu erzielen.704
Marke
SuperBCCeffizienzwert Effizienzwert
Referenzmarken (Anteile λ an virtueller Referenzmarke) / Anzahl der Referenznehmer
MaverickIndex
0,86
Porsche
2,544
1
3
Daewoo
1,817
1
2
0,8
Jaguar
1,615
1
6
0,16
Mercedes Benz
1,551
1
1
0,47
Subaru
1,481
1
0
1,27
Renault
1,461
1
0
0,77
Fiat
1,402
1
2
0,41
Chrysler
1,376
1
2
0,26
Volkswagen
1,364
1
1
0,81
Opel
1,362
1
0
0,87
Land Rover
1,359
1
8
0,14
Audi
1,31
1
0
1,04
Toyota
1,296
1
0
0,61
Mitsubishi
1,281
1
1
0,96
Ford
1,199
1
1
0,71
Volvo
1,199
1
2
0,45
BMW
1,146
1
0
0,54
Alfa Romeo
1,129
1
6
0,32
Nissan
1,067
1
0
0,54
Honda
0,977
0,977
Jaguar (0,17) Mercedes (0,08) Mitsubishi
(0,2) Porsche (0,1) Volvo (0,45)
0,45
0,77
Rover
0,963
0,963
Jaguar (0,49) Land Rover (0,51)
Smart
0,926
0,926
Jaguar (0,75) Porsche (0,25)
0,9
Peugeot
0,895
0,895
Alfa (0,61) Ford (0,39)
0,61
Citroen
0,867
0,867
Alfa (0,15) Chrysler (0,25) Fiat (0,6)
0,55
Lancia
0,862
0,862
Jaguar (0,54) Land Rover (0,46)
0,55
Saab
0,798
0,798
Daewoo (0,07) Jaguar (0,93) Porsche
0,48
Mazda
0,771
0,771
Alfa (0,4) Chrysler (0,09) Fiat (0,23) VW
(0,05) Volvo (0,23)
0,49
0,75
Kia
0,76
0,76
Land Rover (1)
Daihatsu
0,751
0,751
Daewoo (0,82) Land Rover (0,18)
0,81
Suzuki
0,698
0,698
Alfa (0,1) Land Rover (0,9)
0,51
Hyundai
0,642
0,642
Land Rover (1)
0,51
Seat
0,638
0,638
Alfa (0,43) Jaguar (0,21) Land Rover
(0,36)
0,33
Skoda
0,597
0,597
Alfa (0,3) Land Rover (0,7)
0,29
Tabelle 34: Effizienzergebnisse der untersuchten Marken
704
Da Output-Slacks vorliegen, wie Tabelle 36 zeigt, erreicht Land Rover bei einigen Outputs sogar
eine höhere Wirkung als Kia bei gleichzeitig geringeren Markeninvestitionen.
267
Entsprechend outputorientiert formuliert gibt der Effizienzwert von 0,76 für Kia an,
dass Kia mit dem aktuellen Inputeinsatz die Ergebnisse bei den fünf Outputgrößen
um den Faktor 1,31 (1/0,76) bzw. 31% steigern müsste, um denselben Return on
Brand Investment wie Land Rover zu erzielen.
Tabelle 34 zeigt weiterhin an, wie häufig die effizienten Marken in die (virtuellen)
Benchmarks ineffizienter Marken eingehen, d.h. wie viele Referenznehmer diese besitzen. Land Rover (8), Jaguar (6) und Alfa Romeo (6) werden am häufigsten als
Benchmarks zur Effizienzbewertung herangezogen. Dies ist ein erstes Indiz dafür,
dass diese Marken offenbar – zumindest im Vergleich mit den ineffizienten Marken „gängige, weit verbreitete Markenführungskonzepte“ verfolgen, da diese offenbar zu
denen zahlreicher anderer ineffizienter Marken ähnlich sind. Demgegenüber verfolgen jene Marken, die nur für sich selbst als Benchmark dienen (also 0 Referenznehmer aufweisen) eine differenzierte, eigenständige Markenführungsstrategie.
Da für die effizienten Marken keine fremden Benchmarks existieren, lässt sich eine
Aussage über die Ähnlichkeit von Strategien innerhalb der Gruppe der effizienten
Marken nur anhand der Input- und Output-Gewichte treffen. Hierauf wird im nächsten
Abschnitt genauer eingegangen.
2.4.2.
Identifizierung der Markeneffizienztreiber und erfolgreicher Markenführungsstrategien
In Tabelle 35 sind die Gewichte angegeben, die im Rahmen der DEA für jede Marke
individuell entsprechend der spezifischen Input-/Outputstruktur ermittelt wurden, um
den Markeneffizienzwert zu maximieren. Der Ausweis der Gewichte ist ein weiterer
Vorteil im Vergleich zu klassischen Markenwertansätzen, bei denen üblicherweise
nicht offen gelegt wird, mit welchen Gewichten die Variablen in die Bestimmung des
Markenwertes einfließen. Da diese Gewichte außerdem endogen optimiert werden,
sind keine subjektiven A-Priori-Informationen über die Parametergewichtungen für
die Markenbewertung notwendig. Entsprechend dieser Vorgehensweise informieren
die Gewichte über den Effizienzbeitrag der Parameter und somit die individuellen
Stärken und Schwächen. Ein Blick auf die Input-Gewichte der effizienten Marken
zeigt die von diesen fokussierten Instrumente an, während die Outputgewichte Auskunft geben, welche Ergebniswirkungen damit vornehmlich realisiert wurden. Damit
können Erkenntnisse über den eingesetzten Output/Input-Mix gewonnen werden, der
zum Erreichen der effizienten Positionierung geführt hat.
268
Marke
„Strategie“
Werbekosten
Distributionskosten
Qualitäts- Bekanntkosten
heit
Sympathie
Image
Markentreue
Umsatzpremium
Effiziente Marken
Porsche
Bekanntheit
1
0
0
0,93*
0
0,07
0
0
Daewoo
Bekanntheit
1
0
0
1*
0
0
0
0
Mitsubishi
Bekanntheit
0,68
0
0,32
0,84*
0
0
0
0,16
Volvo
Bekanntheit
0,55
0
0,45
0,87*
0
0
0,09
0,04
Fiat
Bekanntheit
0,41
0
0,59
1*
0
0
0
0
Opel
Bekanntheit
0
0
1
0,9*
0
0
0,1
0
Ford
Bekanntheit
0
0,20
0,8
1*
0
0
0
0
Alfa Romeo
Bekanntheit
0,05
0
0,95
0,91*
0
0,09
0
0
Nissan
Bekanntheit
0,26
0
0,74
0,93*
0
0
0
0,07
Volkswagen
Sympathie
0
0,01
0,99
0
0,9*
0
0,1
0
Land Rover
Sympathie
0,09
0
0,91
0
1*
0
0
0
Audi
Sympathie
1
0
0
0
1*
0
0
0
BMW
Sympathie
0,99
0,01
0
0
0,72*
0,28
0
0
Jaguar
Markentreue
0
0,49
0,51
0
0
0
0,99*
0,01
Mercedes
Benz
Markentreue
0,03
0,95
0,02
0
0
0
0,69*
0,31
Renault
Markentreue
0
0,22
0,78
0
0
0
1*
0
Subaru
Umsatzpremium
0,74
0
0,26
0
0
0
0
1*
Chrysler
Umsatzpremium
0,52
0,1
0,38
0
0
0
0
1*
Toyota
Umsatzpremium
0
0
1
0
0
0
0
1*
0,6
0,1
0,3
0,87*
0
0
0
0,13
0,54*
Ineffiziente Marken
Honda
Bekanntheit
Rover
Umsatzpremium
0
0,36
0,64
0,1
0,03
0,06
0,27
Smart
Bekanntheit
0
0,97
0,03
1*
0
0
0
0
Peugeot
Bekanntheit
0
0,21
0,79
0,78*
0,22
0
0
0
Citroen
Bekanntheit
0
0
1
0,96*
0
0,02
0
0,02
Lancia
Bekanntheit
0
0,35
0,65
0,99*
0
0
0,01
0
Saab
Bekanntheit
0,61
0,29
0,09
0,68*
0,07
0,02
0,21
0,02
Mazda
Bekanntheit
0,1
0
0,9
0,91*
0,07
0
0
0,02
Kia
Image
0
0
1
0,23
0,01
0,64*
0,08
0,04
Daihatsu
Markentreue
0,1
0
0,9
0,18
0,01
0
0,81*
0
Suzuki
Bekanntheit
0,21
0
0,79
1*
0
0
0
0
Hyundai
Umsatzpremium
0
0
1
0
0
0
0
1*
Seat
Bekanntheit
0,28
0
0,72
1*
0
0
0
0
Skoda
Bekanntheit
0,26
0
0,74
1*
0
0
0
0
Inputs/Outputs mit signifikant von Null verschiedenen Gewichten (> 0,1, fett gedruckt) lassen sich als Effizienztreiber
(Stärken) interpretieren. Die fokussierte „Strategie“ wird nach dem Output mit dem höchsten Gewicht (*) bezeichnet.
Niedrige Gewichte (” 0,1) zeigen entsprechend Schwächen an, die bei den ineffizienten Marken als Quellen der Ineffizienz zu interpretieren sind.
Lesebeispiel für Rover: Die Ineffizienz ist hauptsächlich dadurch verursacht, dass Rover hohe Werbekosten aufwendet
und dafür nur geringe Werte bei Bekanntheit, Sympathie und Image erreicht.
Tabelle 35: Input- und Output-Gewichte der Marken
269
Die Strategie von Daewoo zeichnet sich dadurch aus, Werbeausgaben sehr effizient
in Markenbekanntheit zu transformieren, weshalb diese beiden Parameter als wesentliche Effizienztreiber für die Marke anzusehen sind. Dies ist konsistent mit Berichten in der Wirtschaftspresse, in denen der Europa-Auftritt von Daewoo positiv
beurteilt wird. So ist es der Newcomer-Marke, die erst 1995 in Europa eingeführt
wurde, gelungen, sofort einen Bekanntheitsgrad von über 70 % zu erzielen. Dies wird
auf eine aufmerksamkeitsstarke und kognitiv involvierende Werbekampagne zurückgeführt („Daewoo und Du"), in der zunächst lediglich das markante Markenlogo (es
symbolisiert die sieben Weltmeere und die Kontinente) gezeigt wurde, der Markenname jedoch nirgendwo auftauchte. Dieses Geheimnis wurde dann erst nach einigen
Wochen der Schaltung „gelüftet“, um Neugier auf den Markennamen zu erwecken,
dessen deutsche Übersetzung "allumfassendes Universum" lautet.705
Hier ist zu beachten, dass die Markenbekanntheit von inzwischen 79% zwar weit hinter der etablierter deutscher PKW-Marken zurückliegt, dieser Quote jedoch auch die
geringsten Werbeinvestitionen im untersuchten Markt gegenüberstehen (1,98 Mio.
Euro im Vergleich zu 132,24 Mio., die von der Marke VW durchschnittlich im Jahr
aufgewendet werden). Bezogen auf die Werbeausgaben erreicht Daewoo somit eine
maximale relative Markenbekanntheit im Markt.
Demgegenüber setzen Mitsubishi, Porsche und Volvo ein Vielfaches der Markenaufwendungen von Daewoo ein, erzielen dafür aber auch eine wesentlich höhere Markenbekanntheit. Diese Marken erzielen somit ebenso wie Daewoo ein optimales
Output-Input-Verhältnis. Sie verfolgen also bzgl. der Gewichtungen der Input- und
Output-Parameter (d.h. der Parameter-Kombinationen) eine ganz ähnliche Strategie
wie Daewoo, jedoch auf einem völlig anderen Skalenniveau. Hiermit wird deutlich,
dass es für verschiedene Ausgabenniveaus effiziente Beobachtungen geben kann
und daher - hier für Werbung betrachtet - sowohl eine Sparstrategie als auch eine
„Big Spender“-Strategie erfolgversprechend sein kann, wenn entsprechende Outputwirkungen realisiert werden. Gelegentlich wird daher auch von lokal optimalen Strategien bzw. Einheiten gesprochen, die hier aufgrund der Anwendung eines DEAModells mit variablen Skalenerträgen identifizierbar sind.
Für die Gruppe der Marken Porsche, Daewoo, Mitsubishi und Volvo stellen die Parameter Werbeausgaben und Markenbekanntheit die Stärken dar und lassen sich
somit für diese Gruppe als die kritischen Erfolgsfaktoren interpretieren. Um die absolute Produktivität unabhängig von der hohen relativen Effizienz weiter zu steigern,
sollten Porsche & Co. v.a. an den beiden genannten Parametern ansetzen. In
Tabelle 35 stellen für jede Marke die Parameter mit fettgedruckten Gewichten die
Effizienztreiber dar. Auch für die ineffizienten Marken im unteren Teil der Tabelle zei705
Vgl. Pfannmüller (2004).
270
gen hohe Gewichte jene Parameter an, die noch relative Stärken darstellen und ohne
die der Effizienzwert noch geringer ausgefallen wäre. Jene Parameter mit niedrigen
bzw. Null-Gewichten stellen analog die Ursachen der festgestellten Ineffizienz dar,
die als Misserfolgsfaktoren zu interpretieren sind und die primären Stellhebel zur Effizienzsteigerung darstellen. Anhand der Gewichtungsmuster der ineffizienten Marken ist auch zu erkennen, dass einige Best-Practice-Strategien, d.h. bestimmte Priorisierungen von Parametern auf der Input- bzw. Outputseite, auch von ineffizienten
Marken ähnlich verfolgt werden, deren Umsetzung jedoch weniger erfolgreich ist.
Auch Fiat, Opel, Ford, Alfa Romeo und Nissan verfolgen primär eine „Bekanntheitsstrategie“ (hohe Gewichte bei Markenbekanntheit), erreichen dies aber v.a. durch
eine effiziente Qualitätspolitik, wie die hohen Gewichte beim Parameter Qualitätskosten belegen.
Ein anderes Markenführungskonzept verfolgen die Marken Volkswagen, Land Rover,
Audi und BMW, die sich auf die Schaffung einer starken Markensympathie fokussieren und ein vorteilhaftes Verhältnis von Werbe- bzw. Qualitätskosten und Markensympathie aufweisen. Jaguar, Mercedes und Renault wiederum zeichnen sich dadurch aus, Distributions- und Qualitätsinvestitionen besonders produktiv in Markentreue zu transformieren. Aus diesem Grund erreichen die Marken ein hohes Maß an
Loyalität mit einem vergleichsweise dazu geringen Aufwand für Distribution und Qualität, wodurch die hohen Gewichte bei diesen Größen zu Stande kommen. Zuletzt
seien die Marken Subaru, Chrysler und Toyota genannt, die durch den produktiven
Einsatz von Werbung und Qualitätspolitik v.a. ein hohes Umsatzpremium abzuschöpfen vermögen. So zeigen die Daten, dass Toyota in der Lage ist, trotz eines durchschnittlichen Markenpremiums von etwa 15% eine im Vergleich zu anderen Marken
exorbitante Absatzmenge zu erzielen.706 Durch das Vorliegen eines Preis- und Mengenpremiums konnte die Marke Toyota in 2003 ein Umsatzpremium von 16,23 Mrd.
Euro generieren, welches die Effizienz vornehmlich begründet.
Betrachtet man die Parameter in Tabelle 35 spaltenweise über alle Marken, so erhält
man ein Bild von den generellen Erfolgsfaktoren im betrachteten Markt. So fällt auf,
dass bis auf BMW und Kia keine Marke beim Output „Image“ ein hohes Gewicht und
somit eine relative Stärke aufweist.707 Dies lässt darauf schließen, dass beim Markenimage insgesamt noch starke Verbesserungspotenziale bestehen und dieser Parameter im Markt einen insgesamt geringen Erfolgsbeitrag leistet. Sie sind eher als
706
707
Toyota Motor Corp. hat im Jahr 2003 global 6,78 Mio. Autos verkauft und so Ford Motor vom
zweiten Platz gedrängt; nur General Motors erreichte einen höheren Absatz und bleibt damit
Branchenführer; vgl. o.V. (2004b).
Das hohe Gewicht bei Image für Kia ist damit zu erklären, dass Kia bei diesem Output noch vergleichsweise günstig abschneidet und hier „nur“ an siebtletzter Position rangiert, während Kia bei
allen anderen Outputgrößen deutlich schlechter abschneidet und bis auf Markentreue auf dem
letzten Platz liegt.
271
Ursache der beobachteten Gesamtineffizienz im Markt anzusehen. In abgeschwächter Form gilt dies auch für Sympathie und Markentreue. In Bezug auf Bekanntheit
schneidet demgegenüber weit über die Hälfte aller Marken vorteilhaft ab, weshalb
dieser Parameter als genereller Erfolgsfaktor in der untersuchten Branche anzusehen ist.
Es ist hier jedoch zu beachten, dass Gewichte von Null bei Outputs nicht implizieren,
dass von diesen im optimalen Fall Null Einheiten zu produzieren und somit Null Einheiten der Inputfaktoren einzusetzen sind.708 Vielmehr sind diese Outputgrößen bzw.
deren erreichtes Level als eine Art notwendige Bedingungen - in der Sprache der
Herzbergschen Zwei-Faktoren-Theorie als Hygienefaktoren709 - zu betrachten, mit
denen die betreffenden Marken im Vergleich zu Wettbewerbsmarken keine Differenzierung erreichen können. Erhöhungen dieser Outputs lösen daher vermutlich nur
unterproportionale Effizienzsteigerungen aus. Daher sollten sich Unternehmen bei
diesen Outputs nur auf die Erzielung einer bestimmten Mindestausprägung beschränken, was die Vorgabe eines bestimmten minimalen Ressourceneinsatzes impliziert.710 Analog ist bei den in hohen Ausprägungen vorliegenden und daher mit hohen Gewichten versehenen Outputs von überproportionalen Effizienzeffekten auszugehen. Analog sind niedrige Input-Gewichte nicht so zu verstehen, dass von den zugehörigen Inputs Null Einheiten einzusetzen sind. Die Gewichte sind daher nicht im
Sinne einer linearen Wertfunktion zu interpretieren.
Der Interpretation von Dyson/Thanassoulis folgend, zeigt jedes Output-Gewicht die
Menge des Inputs an, die verbraucht wird, um eine Einheit des Outputs zu erzeugen.
Auch wenn diese Interpretation streng genommen nur für den Ein-Input-Fall gilt, so
ermöglicht sie Einschätzungen darüber, welche Outputs (Wirkungen) bei einer spezifischen Marke durch die jeweils eingesetzten Ressourcen vorwiegend erzielt werden.711 So zeigen die geringen Gewichte für Sympathie, Image und Markentreue bei
Mitsubishi an, dass die eingesetzten Ressourcen wenig zur Erzeugung dieser Outputs genutzt werden, da für die Produktion dieser Outputs keine bzw. geringe Mengen der Inputs eingesetzt werden. Stattdessen werden die Ressourcen vorwiegend
für die Erzeugung von Bekanntheit (und z. T. Umsatzpremium) verbraucht, weshalb
708
709
710
711
„Given the economic interpretation of the weights, …low weights on some outputs may represent
unrealistically low amounts of resource to achieve a unit of output. …[It] necessitates the determination of the minimum resource necessary to support a unit of each output, however efficiently
that output may be produced.” Dyson/Thanassoulis (1988), S. 566.
Vgl. Matzler et al. (2005), S. 305.
Vgl. Dyson/Thanassoulis (1988), S. 566; Matzler et al. (2005), S. 311 f.
Vgl. Dyson/Thanassoulis (1988), S. 566. Die Autoren fassen im Mehr-Input-Fall die Inputs gedanklich zu einem „compound input“ zusammen und interpretieren die Gewichte der Outputs so
wie im Ein-Input-Fall. Die Output-Gewichte zeigen dann an, wie viele Einheiten des compound input die DMU für eine Einheit Output verbraucht.
272
Mitsubishi mit den eingesetzten Inputs offensichtlich primär die Outputs Bekanntheit
und Umsatzpremium steigert.
Insgesamt zeigen die Gewichtungsmuster sehr deutlich, dass sich fast alle effizienten Marken auf eine Zielgröße fokussieren und hierzu auf der Inputseite jeweils andere Instrumente wirkungsvoll einsetzen. Dies stützt die Hypothese, wonach die betrachteten Markenführungsinstrumente in Bezug auf jeweils unterschiedliche Zielgrößen eine hohe Wirkungseffizienz aufweisen (Werbung und Qualität primär für Bekanntheit, Sympathie und Umsatzpremium; Distribution primär für Markentreue). Das
Markenmanagement vermag auf Basis der ermittelten Gewichtungsmuster je nach
Vorgabe der primären Markenziele die jeweils adäquaten Instrumente zu priorisieren.
2.4.3.
Analyse der Overspendings ineffizienter Marken
Der Effizienzwerte jener Marken, die nicht auf dem effizienten Rand liegen, zeigen
an, dass mit dem eingesetzten Input zu wenig Output bzw. der erzielte Output mit zu
viel Input erzeugt wurde. Geht man davon aus, dass vom Markenmanagement nur
die Inputseite unmittelbar beeinflusst werden kann, ist die Ineffizienz auf Overspendings bzgl. der Instrumente zurückzuführen. Zunehmend werden von Markenmanagern solche Overspendings beklagt und als Ursachen für ineffiziente Markenführung
angesehen.712 Im Werbebereich ist der Nachweis und die Quantifizierung von Overspendings schon seit längerer Zeit Gegenstand der Forschung.713 „It has long
been noted that advertising practice might not be as efficient as it has been theorized. … High level of advertising inefficiency plagues businesses and frustrates
managers.”714 Im Markenmanagement werden Ineffizienzen zumeist jedoch nur „intuitiv gefühlt und vermutet“, ohne sie genau beziffern und den einzelnen Markenführungsinstrumenten exakt zurechnen zu können. Trotz der hohen praktischen Relevanz des Themas und der erheblichen Auswirkungen auf die Unternehmensprofitabilität und das zukünftige Wachstum gibt es bisher keine Studie, die die Messung und
den Vergleich von markenbezogenen Overspendings zum Gegenstand hat. Die Verwendung eines inputorientierten DEA-Modells erlaubt es nun, vorliegende
Overspendings in Bezug auf die eingesetzten Instrumente zu quantifizieren. Diese
reflektieren letztlich Fehlallokationen des Markenbudgets. Diese Erkenntnisse stellen
ein höchst praxisrelevantes Ergebnis einer DEA-basierten Untersuchung der Markeneffizienz dar.
Aus dem DEA-Modell ergeben sich die Overspendings für jedes Instrument als der
Teil der Aufwendungen, der im Vergleich zur effizienten Referenzmarke zu hoch aus712
713
714
Vgl. Gelbert et al. (2003), S. 51; Stöckle (2004), S. 67.
Vgl. Aaker/Carman (1982); Tull et al. (1986).
Luo/Donthu (2005), S. 28.
273
fällt. Hierbei sei nochmals darauf hingewiesen, dass die Referenzmarken nicht hinsichtlich der Ähnlichkeit der PKW-Modelle (Wagenklasse, Wagentyp etc). bestimmt
werden, sondern nach der Ähnlichkeit der Markenführung, die sich in spezifischen
Input-Output-Strukturen (Mixes) manifestiert. Wenn als Benchmark für Kia also die
Marke Land Rover zugewiesen wird, dann heißt dies, dass der von Kia eingesetzte
Instrumenten-Mix dem von Land Rover entspricht, die Umsetzung dieser Markenführungsstrategie bei Kia jedoch ineffizienter erfolgt als bei Land Rover.
Für die Quantifizierung der Ausgaben-Ineffizienzen müssen zwei von der DEA ermittelte Kennzahlen berücksichtigt werden, was am Beispiel der Marke Kia verdeutlicht
werden soll. Zuerst zeigt der Effizienzwert von 76% an, dass alle Inputs proportional
auf das Niveau von 76% gesenkt werden müssten, um die Position der Referenzmarke Land Rover zu erreichen. Bei der Marke Kia ist somit bzgl. aller drei betrachteten Markeninstrumente ein Overspending von mindestens 24% zu beobachten, d.h.
um diesen Teil könnten alle Ausgaben bei effizientem Instrumenteneinsatz gesenkt
werden, ohne den Output verringern zu müssen. Im zweiten Schritt sind die Slacks
zu betrachten, die darüber Auskunft geben, bei welchen Instrumenten zusätzliche,
überproportionale Kostensenkungspotenziale bestehen. Die Slacks sind sowohl absolut als auch relativ in Tabelle 36 angegeben. Wie diese zeigt, liegen für Kia positive
Slacks für die Instrumente Werbung und Distribution vor. Sie geben an, dass bei den
Werbekosten ein zusätzliches Overspending von 8,13 Mio. EUR (44%) und bei den
Distributionskosten von 7,15 Mio. EUR (29,7%) zu beobachten ist. Entsprechend
müssen die Slack-Werte zum proportionalen Reduktionsfaktor addiert werden, um
das gesamte Overspending zu bestimmen. Bei den Qualitätskosten ergibt sich folglich ein Overspending genau in Höhe des proportionalen Faktors (24%), da kein
Slack vorliegt. Bzgl. der Werbekosten betragen die Zuviel-Ausgaben 68% (24% plus
Slack von 44%), bei den Distributionskosten 53,7%.
Für alle Marken, bei denen keine Slacks vorliegen (Honda, Saab), lassen sich die
Overspendings für alle Instrumente direkt aus dem Effizienzwert ablesen. Da die
Slacks zusätzliche Kostensenkungspotenziale anzeigen, geben diese Auskunft darüber, welche Kostenpositionen vorrangig kontrolliert werden müssen, um die festgestellten Ineffizienzen zu beseitigen. Sie erlauben damit eine genaue Priorisierung der
Instrumente, wobei jener Input mit dem höchsten Slack den kritischen Faktor darstellt. Diese Informationen liefern wichtige Implikationen für die Budgetierung. So
sollten Ressourcen tendenziell auf jene Instrumente alloziert werden, die noch vergleichsweise produktiv eingesetzt werden, bei denen also geringe Overspendings zu
beobachten sind. Damit wird auch deutlich, dass die Höhe der Slacks entsprechend
negativ mit den Gewichtungsfaktoren korreliert. Parameter mit positiven Slacks stellen die am ungünstigsten ausgeprägten Parameter dar und erhalten demnach ent-
274
sprechend geringe Gewichte, bei nicht gewichtsrestringierten DEA-Modellen meist
Null-Gewichte. Bei Kia werden deshalb für Werbung und Distribution Gewichte von
Null ausgewiesen. Da für Honda bei keinem Input Slacks vorliegen, erhalten alle Inputs Gewichte von größer Null. Seat hingegen weist bei Distributionskosten Slacks
auf und erhält daher nur für Werbung und Qualität positive Gewichte. Die Overspendings für die Marke Seat, die mit einem Score von 63,77% in Bezug auf die Markenführungseffizienz das Schlusslicht im Ranking darstellt, liegen entsprechend bei
36,23% für Werbe- und Qualitätskosten und 48,33% für Distributionskosten.
Wie Tabelle 36 zeigt, liegen auch bei einigen Outputs Slacks vor. Diese geben an,
dass neben den notwenigen Reduktionen auf der Ausgabenseite gleichzeitig noch
Erhöhungen bei den jeweiligen Outputs notwendig sind, um eine effiziente Position
zu erreichen. Aus den Effizienzwerten und den Slacks lassen sich die gesamten Overspendings bezüglich der drei Kategorien von Markenausgaben bestimmen, die in
absoluter Höhe in Tabelle 37 ausgewiesen sind.
Marke
Werbekosten
Distributionskosten
Qualitätskosten
Bekanntheit
Sympathie
Image
Markentreue
Citroen
38,16
(46,8%)
0
0
0
3,77
0
1,67
0
0
1,73
(8,5%)
0
0,85
2,77
0,01
0,63
0,09
Daihatsu
Honda
Umsatzpremium
0
0
0
0
12,28
0,52
4,54
0
1,92
(15,7%)
5,6
(21,5%)
0
3,2
10,26
0,02
2,32
0
8,13
(44%)
7,15
(29,7%)
0
6,4
12
0,02
2,71
0,35
Lancia
4,24
(36,2%)
0
0
4,13
11,98
0,13
3,41
0,73
Mazda
0
6,06
(17,4%)
0
0
0
0,1
15,61
0
Peugeot
31,54
(36,6%)
0
0
0
0
0,06
0,99
0,56
Rover
5,09
(44,9%)
0
0
23,57
12,81
0,12
3,54
0,44
Hyundai
Kia
Saab
0
0
0
4,82
11,07
0,17
4,61
0,81
Seat
0
2,55
(12,1%)
0
0
6,65
0,1
1,78
0,31
Skoda
0
2,95
(13,1%)
0
0
5
0,07
1,47
0,51
Smart
5,48
(46,2%)
0
0
1,36
12,53
0,29
3,81
1,16
Suzuki
0
5,53
(23%)
0
0
9,98
0,05
2,28
0,3
Tabelle 36: Slacks der ineffizienten Marken
275
Am Beispiel von Kia zeigt Tabelle 37, dass hier Ausgabeneinsparungen von 12,5
Mio. Euro allein für Werbung erreichbar wären, wenn Kia Werbemaßnahmen so effizient durchführen würde wie Land Rover.
Im Detail wäre zu prüfen, wie die effizientere Exekution bei Land Rover zustande
kommt, etwa durch bessere Mediaselektion und daraus resultierender Zielgruppenansprache und geringerer Streuverluste. Insgesamt zeigen die Ergebnisse, dass die
höchsten Ineffizienzen der Markenführung im Bereich der Werbung bestehen. Im
Durchschnitt über alle Marken ist ein Werbe-Overspending von 17% der Werbeausgaben bzw. 6,7 Mio. Euro zu beobachten. In der Summe belaufen sich die
Overspendings der Werbung auf 157 Mio. Euro. Bei den Distributionsausgaben liegt
die durchschnittliche Ineffizienz im Datensatz bei 12% bzw. 3,2 Mio. Euro. Die geringsten Ineffizienzen liegen mit einem Mittelwert von 9% bei den Qualitätskosten
vor. Die Ergebnisse belegen damit, dass die Vermutung, wonach ein erheblicher Teil
der Werbeausgaben verschwendet wird, zutrifft. Zwar werden nicht 50% zum Fenster
hinausgeworfen, wie Henry Ford mit seinem vielfach zitierten Ausspruch in den 20er
Jahren befürchtete, dennoch sind die verschwendeten Markenwerbeausgaben in der
Automobilbranche mit 17% beträchtlich.
Marke
Citroen
Daihatsu
Honda
Hyundai
Kia
Lancia
Mazda
Peugeot
Rover
Saab
Seat
Skoda
Smart
Suzuki
Overspendings Werbung in Mio. Euro
49,13
0,88
0,6
6,3
12,53
5,85
10,02
40,57
5,52
1,43
6,98
7,75
6,36
3,11
Overspendings Distribution in Mio. Euro
2,61
6,76
0,46
14,91
12,9
1,28
14,04
2,44
0,32
1,47
10,2
12,04
0,42
12,78
Overspendings Qualität
0,22
0,4
0,06
0,57
0,33
0,21
0,47
0,19
0,05
0,4
0,72
0,87
0,18
0,46
Tabelle 37: Overspendings der ineffizienten Marken
3.
Studie zur Analyse der Vertriebseffizienz
3.1.
Untersuchungsgegenstand und Problemstellungen
In diesem Kapitel wird die Aussagekraft der DEA für das Vertriebscontrolling demonstriert. Als Untersuchungsgegenstand dient der nationale Vertriebsaußendienst
275
Am Beispiel von Kia zeigt Tabelle 37, dass hier Ausgabeneinsparungen von 12,5
Mio. Euro allein für Werbung erreichbar wären, wenn Kia Werbemaßnahmen so effizient durchführen würde wie Land Rover.
Im Detail wäre zu prüfen, wie die effizientere Exekution bei Land Rover zustande
kommt, etwa durch bessere Mediaselektion und daraus resultierender Zielgruppenansprache und geringerer Streuverluste. Insgesamt zeigen die Ergebnisse, dass die
höchsten Ineffizienzen der Markenführung im Bereich der Werbung bestehen. Im
Durchschnitt über alle Marken ist ein Werbe-Overspending von 17% der Werbeausgaben bzw. 6,7 Mio. Euro zu beobachten. In der Summe belaufen sich die
Overspendings der Werbung auf 157 Mio. Euro. Bei den Distributionsausgaben liegt
die durchschnittliche Ineffizienz im Datensatz bei 12% bzw. 3,2 Mio. Euro. Die geringsten Ineffizienzen liegen mit einem Mittelwert von 9% bei den Qualitätskosten
vor. Die Ergebnisse belegen damit, dass die Vermutung, wonach ein erheblicher Teil
der Werbeausgaben verschwendet wird, zutrifft. Zwar werden nicht 50% zum Fenster
hinausgeworfen, wie Henry Ford mit seinem vielfach zitierten Ausspruch in den 20er
Jahren befürchtete, dennoch sind die verschwendeten Markenwerbeausgaben in der
Automobilbranche mit 17% beträchtlich.
Marke
Citroen
Daihatsu
Honda
Hyundai
Kia
Lancia
Mazda
Peugeot
Rover
Saab
Seat
Skoda
Smart
Suzuki
Overspendings Werbung in Mio. Euro
49,13
0,88
0,6
6,3
12,53
5,85
10,02
40,57
5,52
1,43
6,98
7,75
6,36
3,11
Overspendings Distribution in Mio. Euro
2,61
6,76
0,46
14,91
12,9
1,28
14,04
2,44
0,32
1,47
10,2
12,04
0,42
12,78
Overspendings Qualität
0,22
0,4
0,06
0,57
0,33
0,21
0,47
0,19
0,05
0,4
0,72
0,87
0,18
0,46
Tabelle 37: Overspendings der ineffizienten Marken
3.
Studie zur Analyse der Vertriebseffizienz
3.1.
Untersuchungsgegenstand und Problemstellungen
In diesem Kapitel wird die Aussagekraft der DEA für das Vertriebscontrolling demonstriert. Als Untersuchungsgegenstand dient der nationale Vertriebsaußendienst
276
eines weltweit führenden Pharmaunternehmens mit Spezialisierung auf Produkte zur
Diagnose und Kontrolle von Diabetes. Der Außendienst ist regional organisiert und
gliedert sich in 19 Teams, welche in unterschiedlich strukturierten Gebieten operieren.
Das Ziel der nachfolgenden Untersuchung besteht darin, die Effizienz der betrachteten Teams vergleichend zu analysieren und Empfehlungen zu deren Erhöhung zu
generieren. Die Ergebnisauswertung erfolgt dabei auf zwei Ebenen: Auf Gesamtebene ergibt sich zunächst die Einteilung in effiziente und nicht effiziente Untersuchungseinheiten. Den in Abschnitt D-2.5 identifizierten Forschungslücken folgend,
liegt ein zentrales Ziel der Studie darin, operative Ineffizienzen, die direkt durch das
lokale Teammanagement zu verantworten sind, von strategischen Größenineffizienzen zu separieren. Letztere können nur vom zentralen Vertriebsmanagement beeinflusst werden. Weiterhin werden allgemeine Effizienztreiber für den betrachteten Vertriebsbereich ermittelt. Auf der Ebene der einzelnen Teams werden dann Aussagen
zu den individuellen Stärken und Schwächen getroffen, indem die Benchmarkteams
für die ineffizienten Einheiten ermittelt werden. Daraus können dann Zielvorgaben für
die Leistungsparameter sowie Handlungsempfehlungen zur Erreichung des effizienten Randes abgeleitet werden.
Unter Verwendung der Benchmarking-Klassifizierungsdimensionen aus Abschnitt C1.3 lässt sich die nachfolgende Studie wie folgt charakterisieren:
1) Vergleichspartner: unternehmensintern; national
2) Vergleichsobjekte: Organisationseinheiten (Vertriebsteams)
3) Vergleichsmaßstab: Output-Input-Relation
4) Vergleichshorizont: Geschäftsjahr 2003 (Daten aus dem Vertriebscontrolling)
5) Vergleichsziel: Best Practice
3.2.
Auswahl der Inputs und Outputs und Datengrundlage
Als wesentliche Einflussfaktoren der Vertriebsperformance wurden in zahlreichen
Gesprächsrunden mit Mitarbeitern verschiedener Hierarchieebenen des betrachteten
Unternehmens (Außendienstmitarbeiter, Gebietsleiter, Produktmanager) fünf InputParameter, von denen zwei als nicht diskretionär eingestuft wurden, und zwei Output-Parameter identifiziert.
Zu den Input-Parametern zählt zunächst die Teamgröße im Sinne der Arbeitszeitäquivalente für eingesetzte Außendienstmitarbeiter im Vertriebsgebiet. Da diese Mitarbeiter ihre Arbeitszeit, die sie für Besuche bei Altkunden bzw. potenziellen Neu-
277
kunden und somit nicht für administrative Tätigkeiten verbringen, frei wählen können,
wurde des Weiteren der Faktor Besuchstage als Instrument zur Erreichung von Geschäftsabschlüssen hinzugezogen. Darüber hinaus wird der Faktor Werbemittel als
wesentlich angesehen, der durch die Stückzahl der als Incentives an Kunden (Apotheken, niedergelassene Ärzte, Kliniken) kostenlos oder verbilligt abgegebenen Produkte gemessen wird. Weitere potenzielle Inputs wie die IT-Ausstattung waren über
alle Teams sehr ähnlich ausgeprägt. Da diese auch keine „Engpassfaktoren“ darstellen, wurden diese nicht berücksichtigt.
Als nicht diskretionäre Inputs, die durch die Entscheidungsträger im Vertrieb nicht
beeinflussbar, aber dennoch in hohem Maße performancerelevant sind, werden das
Marktpotenzial und die Gebietsstruktur herangezogen. Das Marktpotenzial wird
durch den Insulinumsatz in Tsd. Euro im Vertriebsgebiet operationalisiert. Die Wahrscheinlichkeit des Bezugs der Produkte des Unternehmens korreliert in hohem Grade mit dem Insulinumsatz, der ein Indikator für die Anzahl von Diabetikern und damit
potenzieller Nachfrager im Gebiet ist. Mit der Berücksichtigung der Gebietsstruktur,
die durch die Einwohnerdichte (Einwohner pro qkm) erfasst wird, wird der Annahme
Rechnung getragen, dass der Aufwand eines Außendienstmitarbeiters zur Erreichung der Kunden davon abhängt, ob er überwiegend in städtischen oder ländlichen
Gebieten tätig ist. Die Auswirkung einer höheren Bevölkerungsdichte auf die Performance wird aufgrund der damit verbundenen höheren Zahl potenzieller Nachfrager
bzw. einer höheren Kundenkonzentration als positiv vermutet.715 Stadtgebiete sind
auch deshalb als vorteilhaft zu vermuten, weil hier eine höhere Flexibilität bei der
Tourenplanung gegeben ist, da einfacher eine Tour „eingeschoben“ werden kann.
Somit kann bei Engpässen schneller und zuverlässiger geliefert und eine hohe Verfügbarkeit mit entsprechend positiven Umsatzeffekten sichergestellt werden. Andere
Umfeldfaktoren (wie Erstattungsregelungen der Krankenkassen, Wettbewerbsintensität, Anteil alternativer Vertriebskanäle wie Großhändler, Internethandel etc. am Gesamtmarktumsatz) waren nach Angaben des Managements in allen Gebieten sehr
ähnlich ausgeprägt und wurden daher nicht berücksichtigt. Durch die zwei genannten
nicht kontrollierbaren Inputs werden, im Gegensatz zu den meisten bisherigen Studien, ökonomisch-demografische Unterschiede der Außendienstbezirke, die deren
Attraktivität determinieren, ausreichend berücksichtigt.
Auf der Output-Seite sind die zwei wesentlichen Zielgrößen „Umsatzgenerierung“
und „Neukundengewinnung“ abzubilden. Zum einen wird der absolute realisierte
Umsatz des Vertriebsteams im jeweiligen Gebiet herangezogen, der als ökonomische Spitzenkennzahl in vielen Studien als alleiniger Vertriebsoutput herangezogen
715
Vgl. die Befunde von Pilling/Donthu/Henson (1999), S. 35 ff.
278
wird.716 Auf die Verwendung von Gewinn oder Deckungsbeitrag als Output wird verzichtet, da es bei Outputvariablen mit Ergebnischarakter problematisch ist, dass diese prinzipiell von Inputvariablen überschwemmt werden, die mit ihnen negativ korreliert sind, d.h. der Gewinn setzt sich aus dem Umsatz und den Kosten zusammen.717
Eine solche Verknüpfung von Input und Output in einer Variablen sollte jedoch vermieden werden; auch können Gewinn und Deckungsbeitrag negativ sein, was eine
Verletzung der Annahmen der DEA darstellen würde.718 Der Aspekt der Profitabilität
der Teams wird insofern beachtet, als Kostenaspekte indirekt durch die verwendeten
Inputs repräsentiert werden.
Eine alleinige Betrachtung des Umsatzes würde einen zu starken Schwerpunkt auf
die Bearbeitung von Kunden legen, die im Kunden- bzw. Beziehungslebenszyklus
schon weiter fortgeschritten sind und die Gewinnung von Neukunden, die noch keinen oder einen geringen Umsatz erbringen, vernachlässigen. Daher muss zusätzlich
eine Größe erfasst werden, die die Leistungsfähigkeit bzgl. der Neukundengewinnung reflektiert.719 Dies wird durch den Anteil der Apotheken am Gesamtumsatz im Vertriebsgebiet (Apo-Anteil in %) ausgedrückt, Apotheken haben hier präferenzbildende Funktion und beeinflussen aufgrund hoher Beratungskompetenz und
ihrer Experten- und Meinungsführerrolle wesentlich die Initialentscheidung der Endabnehmer (Patienten) für ein Gerät und somit die Erstkaufabsicht. Das gewählte Gerät determiniert dann den Kauf der Teststreifen, da diese nur mit dem Gerät des jeweiligen Anbieters kompatibel sind. Daher ist davon auszugehen, dass die Wiederkaufentscheidungen primär durch eine Systembindung (lock in) und kaum mehr
durch die Apotheken bestimmt sind. Daher sind Apotheken im betrachteten Markt
v.a. Vehikel zur Kundenakquisition; der Apothekenanteil ist damit als ein valider Indikator für die Zahl der neu gewonnenen Kunden anzusehen. Das Ziel besteht darin,
die Vertriebsaktivitäten (Besuche, Incentivevergaben) so zu steuern, dass möglichst
viele Apotheken die Geräte des Herstellers führen und als beste Alternative an potentielle Neukunden empfehlen.
Vertriebsmannschaften kommt somit eine duale Rolle zu: Sie müssen bei ihrer Besuchsplanung die Umsatzpotenzialausschöpfung bei bestehenden Kunden im Blick
haben und gleichzeitig auch in die Gewinnung von „Prospects“ investieren. Auch in
den Gesprächsrunden mit den Vertriebsverantwortlichen ergaben sich die beiden
Kennzahlen Umsatz und Apothekenanteil als die beiden zentralen Zielgrößen, anhand derer die Vertriebsteams bewertet werden. Die Auswahl der Outputgrößen orientiert sich somit an den Zielvorstellungen des betrachteten Unternehmens, die als
716
717
718
719
Vgl. Athanassopoulos (1998a); Athanassopoulos (2004), S. 461 ff.; Doutt (1984);
Paradi/Vela/Yang (2004).
Vgl. Scheel (2000), S. 18.
Vgl. Donthu/Yoo (1998), S. 95.
Vgl. Athanassopoulos (2004), S. 463 f.
279
die wesentliche Basis der Festlegung der Outputvariablen anzusehen ist. Der Marktanteil als weiterer potenzieller Output wurde nicht einbezogen, da dieser kaum zwischen den Gebieten variiert und sich bei allen Teams nah an der Marke 50% bewegt.
Die Analyse basiert auf den Daten eines Geschäftsjahres, deren deskriptiv statistische Eigenschaften in Tabelle 38 zusammengefasst sind. Insbesondere die Gegenüberstellung von Mitarbeiterzahl und Umsatz verdeutlicht, dass im Vertrieb die Personalkosten den wesentlichen Kostentreiber darstellen und daher eine Effizienzanalyse gerade hier notwendig erscheint.
Die gewählten Variablen entsprechen den formalen Anforderungen der DEA. So ist
die Anzahl an Variablen nicht zu groß, da die Daumenregel für die Mindestzahl an
DMUs720 nahezu eingehalten wird: So stehen den durch diese Regel geforderten
2 * (Inputzahl * Outputzahl) = 2 * (5 * 2) = 20 DMUs 19 gegenüber. Zudem sind alle
Input-Output-Korrelationen signifikant positiv.
Diskretionäre Inputs
Teamgröße
Nicht diskretionäre Inputs
Werbemittel
in Stück
Besuchstage
Marktpoten- Gebietsstrukzial in Tsd. tur (Einwohner
Euro
pro qkm)
1.512
53
Outputs
Umsatz in
Tsd. Euro
Apo Anteil
in %
179
31,95
Min
1,3
7.187
147
Max
4
32.226
430
4.769,1
687
1.094
76,05
Mittelwert
2,43
17.146,79
248,84
2.855,81
223,53
589,63
61,87
Median
2,43
17.147
231
2.853,9
169
542
65,61
STABW
0,64
5.991,64
66,94
941,68
165,15
212,65
12,06
Tabelle 38: Deskriptive Statistik der Ausgangsdaten
3.3.
Auswahl der geeigneten DEA-Spezifikation
Um eine Dekomposition der Gesamtineffizienz in technische und Skalenineffizienz
vornehmen zu können, kommt das DEA-Grundmodell mit konstanten Skalenerträgen
(CCR) und das erweiterte Modell mit variablen Skalenerträgen (BCC) zum Einsatz.
Anhand des BCC-Modells lassen sich das Ausmaß der operativen Ineffizienzen der
Teams sowie deren generelle Ursachen identifizieren. Ein Vergleich der Ergebnisse
beider Modelle erlaubt anschließend das Ausmaß der durch suboptimale Teamgrößen bedingten Ineffizienz zu ermitteln. Auch lässt sich für jedes ineffiziente Team
feststellen, in welchem Skalenertragsbereich sich dieses bewegt. Daraus ergibt sich
für jedes Team eine implizite Sales-Response-Funktion, die Aussagen darüber erlaubt, ob über- oder unterproportionale Umsatzsteigerungen bei Größenvariation,
d.h. Variationen der Inputeinsätze, zu erwarten sind. Außerdem können auf Basis
720
Vgl. Dyckhoff/Gilles (2004), S. 767; Dyson et al. (2001), S. 248.
280
prognostischer Simulationsrechnungen die bei vollständiger Effizienz insgesamt
möglichen Umsatzsteigerungen bestimmt werden. Diese lassen sich entsprechend
ihrer operativen bzw. strategischen Natur aufspalten und den zuständigen Managementebenen zuordnen. So lässt sich erkennen, welcher Teil des Gesamtumsatzpotenzials nur bei Veränderung der Gebietsstruktur und folglich der Teamgrößen realisierbar ist und eine teamübergreifende Optimierung erfordert. Auf diese Weise erlaubt die DEA die Generierung von Planzahlen im Sinne von Umsatzzielen bzw. Vorgaben für Umsatzsteigerungen.721
Die Implikationen für die einzelnen Teams basieren auf dem BCC-Modell, um größenbedingte Effizienzunterschiede auszublenden und eine höhere Vergleichbarkeit
zu gewährleisten. Dies ist erforderlich, da vermutlich nicht alle Teams dieselbe optimale Größe aufweisen und daraus resultierende Effizienzeffekte aus den Vorgaben
für die Teams herauszurechnen sind. Zur Analyse der Effizienz der Ressourcenverwendung wird ein inputorientiertes Modell gewählt. Dessen Ergebnisse zeigen Einsparmöglichkeiten bei den Inputs als Stellhebel zur Effizienzverbesserung. Zur Identifizierung der Umsatzvorgaben und der Umsatzerhöhungspotenziale ist ein outputorientiertes DEA-Modell zu wählen, welches die Ineffizienz alternativ durch das „zu wenig“ an Outputs ausdrückt.
Zum Abschluss der Untersuchung wird die Effizienz der Vertriebsteams auch auf Basis eines FDH-Modells analysiert und dessen Ergebnisse mit denen des BCC-DEAModells verglichen. Die Zugrundelegung einer nicht konvexen Technologie zur
Schätzung des effizienten Randes und zur Bestimmung der Benchmarkteams trägt
der Tatsache Rechnung, dass Vertriebsteams aus Personen bestehen und daher
nicht beliebig teilbar und kombinierbar sind. Eine unter der Bedingung der NichtKonvexität gebildete Randfunktion weist nur reale Teams, d.h. ganzzahlige Lösungen als Benchmarks, aus. Es werden keine Bruchteile von effizienten Teams herangezogen und diese zu einem virtuellen Team verbunden.
3.4.
Auswertung der Ergebnisse
3.4.1.
Auswertung auf Gesamtebene
3.4.1.1. Überblick über effiziente und ineffiziente Teams
Bisher existiert noch keine DEA-Studie für Vertriebsteams, die untersucht hat, auf
welche Arten von Ineffizienzen eine festgestellte Gesamtineffizienz in welchem Umfang zurückzuführen ist. So ist es möglich, dass Teams trotz technischer Effizienz
Skalenineffizienzen aufweisen (d.h. von der optimalen Größe abweichen) oder zu721
Vgl. Ball/Roberts/Thomas (1999), S. 136 f.; Homburg (2000), S. 583.
281
sätzlich zu bestehenden Skalenineffizienzen auch technisch ineffizient arbeiten. Die
Beantwortung dieser Frage kann nur durch einen Vergleich von CCR- und BCCModell der DEA erfolgen. Wie bereits dargestellt, wird mit dem CCR-Modell eine
Randfunktion mit konstanten Skalenerträgen ermittelt, während das BCC-Modell variable Skalenerträge zulässt und somit größenbedingte Ineffizienzen ausblendet.
Die Unterscheidung in die beiden Effizienzarten erhöht die Aussagekraft einer Performancebewertung im Vertrieb erheblich. Technische Effizienz spiegelt die lokale
Effizienz der Teams wider, die diese selbst beeinflussen können. Das Management
eines einzelnen Teams kann jedoch dessen Größe und daraus resultierende Ineffizienzen in aller Regel nicht beeinflussen, da die Vertriebszentrale solche Entscheidungen trifft. Es erscheint daher sinnvoll, auf Ebene der einzelnen Teams das BCCModell zu verwenden und Größeneffekte auszublenden. Die Leistungsfähigkeit der
Entscheidungen des Top Managements in Bezug auf die Teams sollte hingegen mittels des CCR-Modells untersucht werden. Alle als CCR-effizient ausgewiesenen Einheiten sind sowohl skalen- als auch technisch effizient, während die BCC-effizienten
Einheiten zwar technisch effizient, nicht aber unbedingt skaleneffizient sind. Vertriebseinheiten weisen genau dann Skalenineffizienzen auf, wenn der CCR-Score
kleiner als der BCC-Score ist. Der Quotient aus CCR- und BCC-Score indiziert demnach, zu wie viel % eine Einheit skaleneffizient ist.
Falls größenbedingte Ineffizienzen aufgedeckt werden, ist des weiteren interessant,
welcher Art diese Größenineffizienzen sind (d.h. ob die Vertriebseinheiten zu groß
oder zu klein sind). Die Beantwortung dieser Frage hängt wiederum von der Art der
Skalenertragseigenschaften ab. Ein Team ist zu groß (zu klein), wenn es im Bereich
sinkender (steigender) Skalenerträge operiert. Diese Informationen sind wichtig, um
möglichst realistische Aussagen über die Eigenschaften der zu Grunde liegenden
Responsefunktion zu treffen. Da mit den verwendeten DEA-Modellen automatisch
Annahmen über die Skalenerträge der ermittelten Responsefunktion verbunden sind,
sollte überprüft werden, welche der Annahmen dem untersuchten Datensatz am besten entsprechen.
Ob ein Team im Bereich sinkender oder steigender Skalenerträge operiert, lässt sich
aus den λ -Werten des CCR-Modells ablesen, wie anhand der Abbildung 12 in Abschnitt C-2.2.2.1 demonstriert. Ist die Summe der errechneten λ kleiner 1, so heißt
dies, dass das untersuchte Team nur einen Bruchteil der Größe des Referenzteams
aufweist und somit zu klein ist. Es könnte seine Effizienz durch eine Erhöhung der
Teamgröße steigern, woraus ersichtlich wird, dass das Team in einer Situation steigender Skalenerträge operiert. Demgegenüber weisen Teams mit einer λ -Summe
von größer 1 ein Vielfaches der Größe des Benchmarkteams auf und könnten somit
282
durch eine Reduktion der Teamstärke effizienter werden.722 Solche Teams operieren
folglich mit sinkenden Skalenerträgen. Nur Teams, die konstante Skalenerträge aufweisen befinden sich in der Region der most productive scale size und sind somit
skaleneffizient ( δ =1). Sobald steigende oder fallende Skalenerträge vorliegen, kann
ein Team nicht mehr skaleneffizient sein.723
Zunächst sei auf die Validität der ermittelten Effizienzwerte durch Betrachtung der
Maverick-Werte eingegangen. Einige Teams weisen einen Indexwert auf, der den
kritischen Wert von 1 deutlich überschreitet. Dies deutet auf gewisse Probleme bzgl.
der Robustheit der jeweiligen Effizienzwerte hin.
Team
Gesamteffizienz (CCRScore θ CCR )
Technische
Effizienz (BCCBCC
)
Score θ
Skaleneffizienz ( δ =
Grad der Skalenineffi-zienz
(1− σ )
1
1
1
1
0
1 (konstant)
2
1
1
1
0
1 (konstant)
0,6
3
1
1
1
0
1 (konstant)
0,64
4
1
1
1
0
1 (konstant)
0,6
7
1
1
1
0
1 (konstant)
0,8
8
1
1
1
0
1 (konstant)
0,18
12
1
1
1
0
1 (konstant)
1,56
13
1
1
1
0
1 (konstant)
3,69
14
1
1
1
0
1 (konstant)
0,92
15
1
1
1
0
1 (konstant)
0,54
16
0,989
1
0,989
0,011
0,81 (steigend)
1,03
17
1
1
1
0
1 (konstant)
0,25
18
1
1
1
0
1 (konstant)
0,75
5
0,85
0,941
0,903
0,097
1,03 (fallend)
0,61
11
0,696
0,825
0,844
0,156
0,7 (steigend)
17,21
θ CCR / θ BCC )
CCR
¦ λj
MaverickIndex
(Skalenerträge)
0,54
19
0,757
0,78
0,971
0,029
0,94 (steigend)
0,9
6
0,697
0,709
0,983
0,017
0,97 (steigend)
3,83
10
0,443
0,634
0,699
0,301
0,56 (steigend)
0,95
9
0,501
0,544
0,92
0,08
0,79 (steigend)
8,76
Tabelle 39: Aufspaltung der Gesamteffizienz in technische und Skaleneffizienz
Die hohen Maverick-Indices sind durch die in Relation zur Zahl der Inputs und Outputs kleine Menge an DMUs erklärbar, die aber nicht weiter erhöht werden kann, da
es sich bei der Untersuchung um eine Totalerhebung handelt. Es sind alle nationalen
Vertriebsmannschaften des betrachteten Unternehmens enthalten. Zudem ist die
Aussagekraft der Analyse nicht gefährdet, da der Index für die überwiegende Mehrzahl der DMUs unterhalb des Schwellenwertes bleibt. Insbesondere die effizienten
722
723
Die genannte Regel bzgl. der Lambda-Summen gilt nur für die inputorientierte Betrachtung, bei
der die Inputs für gegebene Outputs minimiert werden; vgl. Cooper/Seiford/Tone (2000), S. 124.
Vgl. Banker (1984), S. 37 ff.; Banker/Natarajan (2004), S. 304.
283
Einheiten, für die das „Maverick-Kriterium“ vor allem gilt, weisen bis auf zwei Ausnahmen keine Maverick-Werte über 1 auf.
Anhand der ermittelten BCC-Effizienzwerte in Tabelle 39 lässt sich konstatieren,
dass von den 19 untersuchten Teams 68% als lokal effizient zu klassifizieren sind.
Das schwächstes der sechs technisch ineffizienten Team ist mit einem Wert von
0,544 Team 9. Alle lokal effizienten Teams erzielen für die gegebene Größe einen
maximalen Return on Investment (ROI) der eingesetzten Vertriebsaufwendungen im
Vergleich zu allen untersuchten Teams.
Wie die CCR-Scores in Tabelle 39 zeigen, weisen nur 63 % der Teams auch die optimale Größe auf. Demgegenüber könnte für die übrigen Teams die Effizienz durch
Veränderung der Teamstärke verbessert werden. Bis auf ein Team (Team 5) sind
alle skalenineffizienten Teams zu klein, wobei die stärkste Abweichung von der optimalen Größe bei Team 10 zu beobachten ist. Diese arbeiten noch in einem Bereich
steigender Skalenerträge und könnten durch Mitarbeiteraufstockung die Durchschnittsproduktivität pro Mitarbeiter steigern. Die steigenden Skalenerträge geben
Hinweise darauf, dass Effizienzverbesserungen durch das Zusammenlegen von Vertriebsgebieten und zugehöriger Teams erreichbar wären. Dieser Befund liefert Handlungsvorschläge für zu treffende Investitionsentscheidungen des strategischen Vertriebsmanagements, die notwendig sind, um die Teams insgesamt effizient werden
zu lassen.
Die damit implizierten Anpassungen zur Beseitigung der Größenineffizienzen sind
streng zu trennen von jenen Inputanpassungen, die notwendig sind, um ParetoKoopmans-effizient zu werden. Letzteres kann erreicht werden, indem die technischen Ineffizienzen eliminiert werden, die vorliegen, wenn Inputsenkungen unter
Konstanthaltung des aktuellen Outputniveaus möglich sind (siehe die ausgewiesenen Verbesserungsempfehlungen im nächsten Abschnitt). Solche Empfehlungen
sind somit statischer Natur. Steigende Skalenerträge drücken hingegen aus, dass
ausgehend vom Referenzpunkt auf der BCC-Frontier, der nach Beseitigung der
technischen Ineffizienzen erreicht ist (first stage solution), bei Inputsteigerungen
überproportionale Outputsteigerungen erreichbar wären. Durch diese Anpassungen
ließen sich im Zuge einer second stage solution dann auch die bestehenden Skalenineffizienzen beseitigen. Diese Anpassungen sind dynamischer Natur und zeigen an,
wie die Outputgrößen bei einer Variation des Inputniveaus reagieren werden. Hier
werden also stets Veränderungen sowohl auf der Input- als auch der Outputseite betrachtet, die durch ein Verlassen des Referenzpunktes in Richtung des Punktes mit
der maximalen Durchschnittsproduktivität zu Stande kommen.
Da 37% der Teams größenbedingte Ineffizienzen aufweisen, erscheint eine Effizienzanalyse unter der Annahme konstanter Skalenerträge für den betrachteten Da-
284
tensatz tatsächlich unrealistisch. Aus diesem Grund basieren die Analysen auf Ebene der individuellen Teams auf dem BCC-Modell, welches variable Skalenerträge bei
der Schätzung der Referenzfunktion zulässt. Bevor die individuelle Analyse anhand
ausgewählter Teams erfolgt, wird der Überblick auf der Gesamtebene fortgesetzt, um
die generellen Ursachen der festgestellten Gesamtineffizienz der Vertriebsfunktion
sowie grundlegende erfolgreiche Vertriebskonzepte zu identifizieren.
3.4.1.2. Identifizierung der generellen Ineffizienzursachen des Vertriebs
Die Identifizierung der generellen Ursachen der vorhandenen Ineffizienzen bietet
Aufschlüsse über die Effizienztreiber der betrachteten Vertriebsorganisation. Die Gesamtineffizienz kann ausgedrückt werden als die Summe der potenziellen Verbesserungen aller Inputs und Outputs (d.h. den Differenzen aus den Ist-Werten und den
Soll-Werten gegeben durch die Ausprägungen der Referenzeinheiten) betrachtet
über alle untersuchten Außendienstteams. Daraus lässt sich nun ablesen, welchen
Anteil die Verbesserungspotenziale bzgl. eines bestimmten Parameters an den gesamten Verbesserungspotenzialen haben.
T eamgröße 21,08%
Werbemittel 20,62%
Besuchstage 27,01%
Marktpotenzial 21,56%
Gebietsstruktur 8,27%
Umsatz
Apo-Anteil
Apo-Anteil 1,28%
Teamgröße
Umsatz 0,17%
Gebietsstruktur
Werbemittel
Marktpotenzial
Besuchstage
Abbildung 22: Überblick über Ursachen der Gesamtineffizienz im Vertrieb
So machen die für die Erreichung der Effizienzgrenze notwendigen Verbesserungen
(d.h. Reduktionen) bzgl. der Besuchstage mit 27,1% den mit Abstand größten Anteil
an der Gesamtineffizienz aus. Auch der Faktor Werbemitteleinsatz trägt erheblich zur
Ineffizienz bei (20,6%). Beide Parameter machen zusammen fast 50% der gesamten
285
möglichen Verbesserungen aus. Diese Befunde werden bestätigt durch hohe negative Korrelationen zwischen den Effizienzwerten und den Parametern Besuchstage
( r = −0,59 ) und Werbemittel ( r = −0,43 ). Diese indizieren, dass hohe Besuchszahlen
und die kostenlose bzw. verbilligte Abgabe von Geräten tendenziell zu Ineffizienz
führen, da die Outputs nicht in entsprechendem Maße reagieren. Ineffizienzen entstehen offensichtlich v.a. dann, wenn Teams versuchen, den Erfolg durch starke Erhöhung der Incentiveabgabe und der Besuchstage zu „erzwingen“. Das Verschenken
von Geräten um jeden Preis ist daher kritisch zu sehen, insbesondere dann, wenn es
sich nicht um Einführungswerbung bei neuen Geräten handelt. Die von den betrachteten Teams vertriebenen Produkte sind aber bereits im Markt etabliert und bekannt.
Es muss berücksichtigt werden, dass die Produktion der Geräte einen erheblichen
Kostentreiber darstellt. Es ist etwa durch Elastizitätsanalysen zu prüfen, wie der Teststreifenumsatz nach Promotionaktionen reagiert.
Auch die Produktivität der Teammitarbeiter ist, gemessen an den aktuellen Outputs,
zu gering, wie der Anteil der Teamgröße an der Ineffizienz von 21,1% zeigt. Es könnte, wie bereits oben argumentiert, in strategischer Hinsicht für das zentrale Vertriebsmanagement durchaus lohnenswert erscheinen, die Teamstärke zu erhöhen.
Zumindest bei den Teams, die sich noch in Bereichen zunehmender Grenzerträge
befinden, was für fast alle ineffizienten Teams zutrifft. Hierdurch ließe sich bei diesen
Mannschaften die Durchschnittsproduktivität der Mitarbeiter steigern.
Bemerkenswert ist auch der große Einfluss des Marktpotenzials als einem nicht kontrollierbaren Parameter: Mit 21,6% ist er der zweit stärkste Ineffizienztreiber, welcher
sich gemäß der obigen Ausführungen so interpretieren lässt, dass vorhandene Umsatzpotenziale der Gebiete nicht ausreichend genutzt werden. Die Tatsache, dass
ein erheblicher Teil der Ineffizienz nicht etwa durch ein Operieren in unattraktiven
Gebieten an sich, sondern durch eine Nichtausschöpfung bestehender Gebietspotenziale verursacht ist, lässt sich daran erkennen, dass die effizienten Teams zum
Teil deutlich unattraktivere Gebiete bedienen. Insofern kann nicht geschlussfolgert
werden, dass eine Umstrukturierung der Vertriebsgebiete mit dem Ziel der Erhöhung
des Marktpotenzials einen wichtigen Erfolgsfaktor darstellt, wie dies etwa Mahajan
für die Versicherungsbranche postuliert.724
Die Effizienzwerte der einzelnen Teams in Tabelle 39 oben geben Aufschluss darüber, welche Teams in welchem Maße für die bestehenden Effizienzlücken verantwortlich sind. Aus diesem Grund wird im nächsten Abschnitt auf Ebene der individuellen Teams untersucht, welche Leistungslücken die nicht optimal operierenden Einheiten bzgl. der einzelnen Parameter aufweisen und durch welche Maßnahmen diese zu schließen sind. Zuvor ist jedoch im Rahmen einer Gesamtbetrachtung noch
724
Vgl. Mahajan (1991), S. 201.
286
aufschlussreich, welche Verkaufsstrategien von den erfolgreichen Teams eingesetzt
werden.
3.4.1.3. Identifizierung erfolgreicher Vertriebsstrategien
Ein Blick auf die als Lösung des primalen Modells ermittelten Gewichtungsfaktoren
der Input- und Outputparameter (vgl. Tabelle 40) gibt Aufschluss über die Stärken
und Schwächen der Teams. Dabei informieren die Gewichtungsmuster der effizienten Teams (grau unterlegt) über generische Vertriebsstrategien bzw. Verkaufskonzepte, die im betrachteten Markt offensichtlich erfolgreich sind.
Team
Diskretionäre Inputs
Nicht diskretionäre Inputs
Teamgröße
Werbemittel
Besuchstage
Marktpotenzial
1
0
94,9
0
2
84,8
0
0
3
0
37,5
4
0
7
Outputs
Gebietsstruktur
Umsatz
Apo-Anteil
0
5,1
84,7
15,3
0
15,2
0
100
0
0
62,5
0
100
54,1
0
0
45,9
0
100
0
0
100
0
0
100
0
8
0
0
100
0
0
100
0
12
100
0
0
0
0
100
0
13
0
0
39,1
40,1
20,8
0
100
14
0
0
24
76
0
100
0
15
0
100
0
0
0
64,1
35,9
16
0
100
0
0
0
64,5
35,5
17
82,9
0
0
0
17,1
100
0
18
0
100
0
0
0
0
100
5
0
57,8
0
0
42,2
0
100
11
100
0
0
0
0
100
0
19
48,4
51,6
0
0
0
99,5
0,5
6
100
0
0
0
0
42,6
57,4
10
55,6
0
44,4
0
0
100
0
9
0
96,2
0
0
3,8
100
0
Tabelle 40: Input- und Output-Gewichte der Vertriebsteams
So zeichnen sich die meisten Teams dadurch aus, dass sie ein bestimmtes Instrument besonders wirkungsvoll zur Generierung von Outputs einsetzen, wobei einige
Teams bzgl. beider Outputgrößen einen ausgewogenen Erfolg aufweisen und andere
v.a. bei einer der beiden Kennzahlen überlegen sind. Jene Parameter mit hohen
Gewichten lassen sich daher als relative Erfolgsfaktoren der betrachteten Teams in-
287
terpretieren, da sie bei diesen Parametern im Vergleich zu den anderen Inputs und
Outputs vorteilhaft abschneiden. Hier sei nochmals betont, dass nicht die absoluten
Ausprägungen der Inputs und Outputs ausschlaggebend sind, sondern durch die
Gewichte angegeben wird, in welchem Verhältnis (Mix) die Vertriebsinstrumente in
Form der Inputs eingesetzt werden. So generieren Teams 7 und 8 mit wenigen Besuchstagen sehr hohe Umsätze, wobei die übrigen Inputs eher nachteilig (d.h. relativ
hoch) ausgeprägt sind. Der Verkaufsstil zur Erreichung des optimalen Umsatzes ist
hier v.a. in einem produktiven (sparsamen) Einsatz der Kundenbesuche zu sehen,
während bei den Besuchen offenbar umfangreiche Werbemittel bereitgestellt werden.
Demgegenüber erreichen Team 12 und 17 ein überlegenes Verhältnis von Umsatz
zu Teamgröße. In Team 2 werden die Mitarbeiter hingegen sehr produktiv in Bezug
auf die Erhöhung des Apo-Anteils eingesetzt. Die große Stärke von Team 15 und 16
besteht in einem relativ sparsamen Einsatz von Werbemitteln, der dennoch zu hohen
und relativ ausgewogenen Outputs führt. Allerdings wird dies unter Aufwendung relativ hoher Inputs bei den Faktoren Teamgröße und Besuchstage erreicht, wie die Gewichte von Null bei diesen Parametern zeigen. Die Strategie, die von diesen Teams
erfolgreich eingesetzt wird, könnte umschrieben werden als: „Einsatz weniger Werbemittel und Konzentration auf häufige Besuche bei den potenziellen Kunden durch
viele Außendienstmitarbeiter zur Sicherstellung hoher Kundenzufriedenheit, Erreichbarkeit und Betreuungsqualität“. Diese Strategie scheint aber auch auf Kosten der
Ausnutzung des Gebietspotenzials (wie die geringen Gewichte der nicht beeinflussbaren Strukturparameter zeigen) zu gehen, denn sie stellen - verglichen mit den anderen Inputfaktoren - relative Schwächen dar. Mit derselben Strategie bzgl. des Instrumenteneinsatzes sind Teams 3, 4 und 18 besonders bei der Erreichung eines
hohen Apo-Anteils erfolgreich.
Auch die Gewichte der nicht kontrollierbaren Inputs liefern Erkenntnisse. So zeigen
die zum Teil hohen Gewichte bei den Parametern „Marktpotenzial“ und „Gebietsstruktur“, dass einige Teams insbesondere deshalb erfolgreich sind, weil sie die Fähigkeit besitzen, die sich bietenden Gebietspotenziale optimal zu kapitalisieren. Dies
trifft auf die Mehrheit der Teams jedoch nicht zu.
3.4.2.
Auswertung auf Teamebene
3.4.2.1. Analyse der Ist-Effizienz und Bestimmung der Referenzteams
Bevor eine individuelle Ursachenforschung und die Ableitung von Handlungsempfehlungen für schwache Teams erfolgen können, müssen deren Referenzteams identifiziert werden. Hierüber geben die λ -Werte des dualen Programms Auskunft. In
288
Tabelle 41 sind die λ -Anteile der effizienten Teams zur Bildung der (virtuellen) Referenzteams angegeben. Es ist klar, dass für jedes effiziente Team j der Benchmark
das Team selbst darstellt, weshalb jeweils λ j = 1 gilt und die λ aller anderen Teams
den Wert Null annehmen. Für die ineffizienten Teams sind für jene Efficient Peers
(dargestellt in den Spalten), die in die Konstruktion des entsprechenden virtuellen
Referenzteams eingehen, die λ -Anteile > 0, alle mit Werten von Null haben keine
Relevanz für das Benchmarking des betrachteten ineffizienten Teams. Die Summe
der λ ergibt für jedes Team stets eins. Daraus wird erkenntlich, dass größenbedingte
Ineffizienzen ausgeschlossen werden und es nicht mehr passieren kann, dass einer
ineffiziente Einheit das x-fache der Größe eines effizienten Teams als Maßstab vorgegeben wird.
Ineff.
Team
Anteile λ an Referenzteam
7
8
12
13
14
BCC-Effizienzw.
1
2
5
0,941
0,12
0,17
11
0,825
0,5
0,5
19
0,78
0,09
0,13
0,07
6
0,709
0,73
0,07
0,2
10
0,634
0,4
0,6
9
0,544
3
4
0,3
15
16
17
18
0,35
0,36
0,71
0,7
Tabelle 41: Referenzteams der ineffizienten Teams
Aus der Übersicht wird deutlich, dass bestimmte Teams häufiger als Referenzeinheiten für ineffiziente Vertriebsteams auftreten als andere. So stellen Team 8 und 12 die
Performanceführer bzw. sog Influential Units dar, da sie vier- bzw. fünfmal in die virtuellen Referenzeinheiten für ineffiziente Teams eingehen. Hierfür kann zum Beispiel
der virtuelle Benchmark für Team 11 genannt werden, der sich zu gleichen Anteilen
aus den beiden führenden Teams linear kombiniert. Dies lässt darauf schließen,
dass die beiden Performanceführer ein populäres Vertriebskonzept (Sales Style) gewählt haben, welches sie jedoch effizienter umsetzen als ihre ineffizienten Pendants.
Die Außendienstteams 3, 4, 7, 14, 15 und 16, die grau unterlegt sind, dienen für kein
ineffizientes Team als Vergleichsobjekt und sind somit nur ihr eigener Benchmark.
Sie stellen sog. Self Evaluators in dem Sinne dar, dass kein Vergleichsobjekt auf sie
referenziert und diese somit eine individuelle Strategie der Marktbearbeitung verfolgen, die mit keiner der anderen Teams vergleichbar ist. Des Weiteren ist aus Tabelle
41 ersichtlich, dass es unter den ineffizienten Einheiten keine gibt, die vollständig
durch ein effizientes Team dominiert wird. Daraus kann geschlussfolgert werden,
dass es keine Teams gibt, die identische Strategien verfolgen.
289
Am Beispiel des Teams 11 soll die Interpretation der DEA-Ergebnisse beispielhaft
gezeigt werden: Dessen Ist-Effizienzwert von 82,5% bedeutet, dass das entsprechende virtuelle Referenzteam den gleichen Umsatz und Apo-Anteil mit nur 82,5%
der von Team 11 eingesetzten Inputs erreicht. Als Benchmark wird ein virtuelles Referenzteam zu 50% aus Team 8 und zu 50% aus Team 12 gebildet. Das Referenzset
besteht also aus zwei Vergleichseinheiten. Anhand der λ -Werte kann somit jener
Referenzpunkt auf dem effizienten Rand exakt bestimmt werden, der von Team 11
am schnellsten, d.h. ohne Veränderung des Input-Mixes, erreichbar ist. Die Inputund Outputkoordinaten dieses Benchmarks bilden somit die Soll-Werte für Team 11.
Auf dem Weg zur Effizienz müsste es offenbar genau einen Mittelweg zwischen den
von den beiden Efficient Peers gewählten Vertriebskonzepten finden.
3.4.2.2. Soll-Ist-Abweichungskontrolle und Analyse der Ursachen der Ineffizienz
Anhand der Gewichte lassen sich die individuellen Stärken und Schwächen des
Teams ablesen, die somit Aufschluss über die Ursachen der festgestellten Abweichung vom effizienten Rand in Höhe von 17,5% geben. Sie liefern bereits Hinweise
auf wichtige Stellschrauben zur Verbesserung der Performance.
Tabelle 40 oben zeigt sehr deutlich, dass die Parameter Besuchstage und Werbemittel sehr unvorteilhaft ausgeprägt sind und deshalb Gewichte von Null erhalten. Sie
stellen somit die zentralen Schwächen dar und sind die Ursachen für die geringe
Performance. Offensichtlich setzt Team 11 im Vergleich zum Referenzteam zu viele
Werbemittel und Kundenbesuche ein und erreicht dennoch einen zu geringen ApoAnteil. Wie die Gewichte für die beiden exogenen Faktoren zeigen, ist die geringe
Performance auch auf eine nicht optimale Ausnutzung des Marktpotenzials und der
Gebietsstruktur zurückzuführen. Die relative Stärke des Teams besteht in einem vorteilhaften Verhältnis von Umsatz zu Teamgröße. Wie die hohen Gewichte indizieren,
schafft es Team 11 offensichtlich mit wenigen Mitarbeitern, einen relativ hohen Umsatz zu erzielen, und erreicht dadurch noch einen Effizienzwert von 82,5%. In Anbetracht des aktuell geringen Personaleinsatzes könnte – nach erfolgter Verbesserung
der operativen Vertriebsprozesse entsprechend des Benchmarks (!) - eine Teamvergrößerung zur besseren Ausnutzung der Gebietsstruktur eine mögliche Interpretation
sein.
3.4.2.3. Ableitung von Zielvorgaben und Handlungsempfehlungen aus dem
inputorientierten Modell
Entsprechend der ausgewiesenen operativen Ineffizienz von 17,5% bestünde die
Handlungsempfehlung für Team 11 prinzipiell darin, unter Beibehaltung des Outputs
290
alle Inputeinsätze proportional um 17,5% zu reduzieren, um einen Effizienzgrad von
1 zu erreichen. Allerdings liegt im Falle bei Team 11 die oben beschriebene Situation
vor, in der für einige der beeinflussbaren Inputs eine Reduktion um den proportionalen Faktor nicht ausreicht, um effizient zu werden, da überproportionale Verbesserungspotenziale (Slacks) vorliegen.
Um die exakten Zielwerte zu bestimmen, auf die die jeweiligen Inputs reduziert werden müssten, sind für jeden Input die Ausprägungen der zwei Referenzteams mit
dem jeweiligen λ -Anteil zu gewichten und zu addieren.725 Die notwendigen prozentualen Verbesserungen der Inputparameter sind in Tabelle 42 angegeben. Die InputTargets ergeben sich genauso, wenn die durch den proportionalen Faktor angegebenen Inputsenkungen um die Slack-Werte ergänzt werden. Aus Tabelle 42 ist zu
erkennen, wie stark jeder Parameter zu variieren ist, um vollständig effizient zu werden. Danach sollte Team 11 unter Beibehaltung des Umsatzes und mit einer
5,7%igen Erhöhung des Apo-Anteils (Slack von 2,8) die Teamstärke um 17,5%, die
Besuchstage um 23,2% und den Werbemitteleinsatz um 23,8% reduzieren. Da es
sich um ein inputorientiertes Modell handelt sind die Verbesserungen beim Output
Apo-Anteil ausschließlich auf Slacks zurückzuführen. Außerdem arbeitet die Referenzeinheit in erheblich unattraktiveren Gebieten: Team 11 müsste dasselbe Resultat
auch unter weniger günstigen strukturellen Bedingungen schaffen, denn das Gebiet
des Referenzteams weist ein um 46,63% geringeres Umsatzpotenzial und eine
7,53% geringere Einwohnerdichte auf.726
Team 11
Parameter
Ist-Wert
θ = 0,825
Inputs
Slacks
(absolut)
Zielwert
Notwendige Verbesserungen in %
Teamgröße
2
0,35
0
1,65
-17,5
Werbemittel
16.785
2.937,38
1.059,13
12.788,5
-23,81
Besuchstage
Output
proportion. Verbesserung (absolut)
231
40,43
13,08
177,5
-23,16
Marktpotenzial
4.412,7
0
2.057,85
2.354,85
-46,63
Gebietsstruktur
146
0
11
135
-7,53
Umsatz
501
0
0
501
0
49,05
0
2,8
51,84
5,7
Apo-Anteil
Tabelle 42: DEA-Ergebnisse für das ineffiziente Vertriebsteam 11
Die in Tabelle 42 ausgewiesenen notwendigen „Verbesserungen“ bzgl. der nicht kontrollierbaren Inputs Marktpotenzial und Gebietsstruktur zeigen, dass die Referenzteams effizient sind, obwohl sie in deutlich schlechteren Gebieten operieren. Es ist
725
726
Vgl. Bauer/Hammerschmidt (2003), S. 492.
An der Tatsache, dass bei den nicht diskretionären Inputs trotz einer Ineffizienz von 17,5% lediglich Slacks und keine radialen Verbesserungen ausgewiesen werden ist ersichtlich, dass diese
nicht in die Berechnung des Effizienzwertes einfließen, sondern lediglich zur Sicherstellung der
Vergleichbarkeit dienen.
291
daher zu prüfen, ob Maßnahmen zur Umstrukturierung bzw. Neuzuschneidung des
Vertriebsgebiets, die evtl. Implikationen dieser Befunde sein können, sinnvoll erscheinen.
Analog der für Team 11 geschilderten Vorgehensweise lassen sich auf Basis der
DEA-Resultate für alle Teams individuelle, bei effizientem Agieren realistisch erreichbare Zielvorgaben hinsichtlich der betrachteten Aktionsparameter ableiten. Realistisch sind diese deshalb, weil sie von den Referenzteams, die unter gleichen oder
schlechteren Bedingungen und mit vergleichbarem Input-Mix arbeiten, bereits realisiert sind. Die Ergebnisse der DEA können somit die Einsatzplanung des Verkaufsaußendienstes erheblich unterstützen, die als komplexe Aufgabe erhebliche Anforderungen an das Verkaufsmanagement stellt.727 Der Vorteil der Ermittlung individueller
Benchmarks ermöglicht es, für jedes Team individuelle Zielvorgaben zu verwenden,
die die spezifische Teamsituation und die Marktgegebenheiten abbilden.728 Nach den
Implikationen der DEA ist es somit durchaus sinnvoll und wünschenswert, für Team
11 für den Apo-Anteil eine Quote von 52% vorzugeben, während z.B. für die Teams
5 und 6 eine Zielvorgabe von 68% adäquat ist. Genauso können für die Höhe der
abgegebenen Werbemittel unterschiedliche Maximalwerte zugelassen werden
(12.788 für Team 11 vs. 16.436 für Team 6), da beide ganz unterschiedliche Verkaufskonzepte anwenden und unter anderen Bedingungen arbeiten. Bei allen effizienten Teams, die auf dem Rand liegen und nur sich selbst als Benchmark haben,
bestehen keine Leistungslücken. In einer Tabelle, wie oben dargestellt, würden also
für alle Parameter Verbesserungen von 0% ausgewiesen.
3.4.2.4. Ableitung von Zielvorgaben und Handlungsempfehlungen aus dem
outputorientierten Modell
Die bisherigen Aussagen des inputorientierten Modells repräsentieren eine eher
quantitative, mechanistische Interpretation der Effizienzergebnisse in Form notwendiger Inputreduktionen, die bei effizientem Operieren erreichbar sind. Eine outputorientierte Modellierung bietet aus Managementperspektive ebenfalls interessante Einsichten. Wie bereits für den Werbebereich beschrieben, bilden die effizienten Vertriebseinheiten eine Sales-Responsefunktion, die eine effiziente Transformation der
Inputs in Outputs abbildet. Auf Basis dieser Responsefunktion lassen sich mögliche
Effizienzverbesserungen anhand der dadurch erzielbaren Umsatzwirkungen monetär
bewerten. So könnte Team 11, wenn es durch Erzielung einer höheren Qualität des
Instrumenteneinsatzes und höherer Verkaufsanstrengungen die Ressourcen so effizient einsetzen würde wie das Benchmarkteam, mit dem aktuellen Inputeinsatz den
727
728
Vgl. Albers/Skiera (2002), S. 1106 f.
Vgl. Horsky/Nelson (1996).
292
Umsatz um den Faktor 1,3767 (vgl. den outputorientierten Effizienzwert in Tabelle 43
unten), d.h. um 37,67% steigern. Solche Qualitätssteigerungen drücken sich z.B. in
Form einer besseren Einsatzplanung aus, die in einer besseren Allokation der Ressourcen (Besuchstouren, Beratungsgespräche) auf Produkte oder Kundengruppen
resultiert.729 Durch solche qualitativen Verbesserungen wären für die ineffizienten
Teams offensichtlich signifikant höhere Umsätze erzielbar, die dann ebenso zum Erreichen des effizienten Randes führen.
Die DEA-Ergebnisse eines outputorientierten Modells lassen sich folglich heranziehen, um realistisch erreichbare Umsatzsteigerungen vorzugeben. Diese Umsatzvorgaben können bei Trennung in technische und größenbedingte Ineffizienzen sowohl
für das lokale Teammanagement als auch für das übergeordnete Vertriebsmanagement abgeleitet werden. Damit wird der Tatsache Rechnung getragen, dass eine
Ausschöpfung des gesamten Umsatzsteigerungspotenzials nicht allein durch die einzelnen Teams realisiert werden kann, da diese auf die Größe der Teams keinen unmittelbaren Einfluss haben. Die Teamgröße ergibt sich aus der Strukturierung der
Vertriebsgebiete, die durch das zentrale Management festgelegt wird und strategische Entscheidungen auf übergeordneter Hierarchieebene erfordert. In Tabelle 43
sind die Umsatzsteigerungspotenziale sowohl für die einzelnen ineffizienten Teams
als auch für das zentrale Management angegeben. Solche Umsatzvorgaben können
dann die Basis eines performanceorientierten Vergütungssystems darstellen.730
Ineff.
Team
Ist Umsatz
Gesamteffizienz
(CCR)
Technische
Effizienz
(BCC)
Skaleneffizienz
(CCR/ BCC)
5
542
1,0794
1,0094
1,069
43,03
5,06
38
6
720
1,2998
1,0827
1,2
215,83
101,92
113,91
9
508
1,1378
1,0587
1,074
70,02
29,8
40,22
10
439
1,9567
1,7418
1,123
419,97
325,65
94,32
11
501
1,3767
1,3767
1
188,75
188,75
0
16
517
1,0114
1
1,011
5,9
0
5,9
590
1,2663
1,1649
1,087
19
Summe
3.817
Pot. Umsatzsteigerung
gesamt
Pot. Umsatzsteigerung durch
techn. Effizienz
(Vorgabe für
Teams)
Pot. Umsatzsteigerung durch
Skaleneffizienz (Vorgabe für Vertriebsleitung)
164,61
157,12
7,49
1.108,14
808,31
299,83
Tabelle 43: Potenzielle Umsatzsteigerungen bei operativer und strategischer
Effizienz
Die Umsatzsteigerungen bei Beseitigung der beiden Arten von Ineffizienz bestimmen
sich prinzipiell aus den jeweiligen Effizienzscores, die im outputorientierten Modell
direkt als Multiplikatoren interpretierbar sind. Allerdings gilt dies nur, wenn keine
729
730
Vgl. Albers (2000), S. 170 ff.
Vgl. Albers/Skiera (2002), S. 1117 f.
293
Slacks vorliegen, ansonsten sind diese noch zu addieren. Die in Tabelle 43 angegebenen absoluten Umsatzsteigerungspotenziale enthalten sowohl die proportionalen
(radialen) als auch die zusätzlichen Verbesserungen in Form der Slacks. Da für
Team 5 keine Umsatz-Slacks vorliegen, ergibt sich der gesamte Umsatzsteigerungseffekt als (1,0794*542) - 542 = 43,03, der in Tabelle 43 ausgewiesen ist. Unter Verwendung der Scores für technische und Skaleneffizienz (1,0094 und 1,069) erhält
man analog die jeweiligen Umsatzsteigerungen. Die Realisierung der Umsatzsteigerungen bzgl. der technischen Effizienz liegen dabei in der Verantwortung der einzelnen Teams und sind diesen als Zielwerte vorzugeben. Das Umsatzziel liegt für Team
5 somit bei 547,06 Tsd. Euro. Die übrige Umsatzsteigerung (38 Tsd. Euro) kann nur
durch Erreichen einer optimalen Größenstruktur ausgeschöpft werden, wobei hierfür
die Vertriebsleitung zuständig ist. Insgesamt müsste bei effizientem operativen und
strategischen Vertriebsmanagement für Team 5 ein Umsatz von 585,03 Tsd. Euro
realisierbar sein.
Insgesamt ergeben sich durch die ineffizienten Teams Umsatzeinbußen von 1,108
Mio. Euro, die somit das Wachstumspotenzial des gesamten Vertriebsbereichs darstellen. Davon sind 0,808 Mio. Euro (73%) durch operative Ineffizienzen, 0,299 Mio.
Euro (27%) hingegen durch falsche Teamgrößen (d.h. in Bezug auf das Vertriebsgebiet zu kleine bzw. zu große Teams) verursacht. Dieses Szenario impliziert, dass die
ineffizienten Teams die durch den jeweiligen Referenzpunkt vorgegebene ZielPosition auf dem effizienten Rand erreichen und die aktuellen Vertriebsaufwendungen effizient in Outputs transformieren. Insgesamt könnten die vormals ineffizienten
Teams so eine Umsatzsteigerung um 1,108 Mio. Euro auf 4,925 Mio. Euro erzielen.
Bezieht man die nicht weiter steigerbaren Umsätze der bereits effizient arbeitenden
Teams in Höhe von 7,386 Mio. Euro ein, betrüge der potenzielle Umsatz für den gesamten Vertriebsbereich 12,311 Mio. Euro im Gegensatz zum Ist-Umsatz von 11,203
Mio. Euro. Somit besteht bei vollständig effizientem Vertrieb ein Umsatzsteigerungspotenzial von insgesamt 9,9 %.
3.5.
FDH als Alternativmodell zur Vertriebseffizienzanalyse?
Im letzten Abschnitt wird der Idee eines Methodenpluralismus folgend geprüft, welche zusätzlichen Erkenntnisse ein FDH-Modell für die Analyse der Vertriebsperformance erbringt. Damit soll die Frage beantwortet werden, ob die FDH als Alternative
zur DEA geeignet erscheint. Nachdem die FDH formal in Abschnitt D-1.4 eingeführt
wurde, wird diese nun für die Vertriebsdaten angewendet. In Tabelle 44 sind die Resultate der FDH-ineffizienten Teams dargestellt.
294
Ineff. bzw.
dominierte
Teams
FDHEffizienzwert
Benchmarkteam
11
1
17
19
0,9993
17
6
0,868
8 oder 14
10
0,8
4 oder 17
Slacks
Teamgröße
Werbemittel
Besuchstage
Marktpotenzial
Gebietsstruktur
Umsatz
ApoAnteil
0
-2.816
-58
-1.558,8
-30
142
16,56
Tabelle 44: FDH-Ergebnisse für ineffiziente Teams
Im Rahmen der FDH-Analyse erweisen sich nur noch drei Teams als ineffizient
(Team 19, 6 und 10). Die FDH vergleicht die ineffizienten Teams nur anhand realisierter und nicht virtueller Benchmarks, die als plastische Vorbilder dienen und deren
Input- und Outputausprägungen direkt als Zielwerte genutzt werden können. So wird
Team 10 durch Team 4 und 17 vollständig dominiert, d.h. diese erzielen mit weniger
Inputs den gleichen oder mehr Output. Die FDH erscheint vordergründig deshalb geeignet, weil Vertriebsteams aus Menschen bestehen und somit nicht beliebig teilbar
und rekombinierbar sind. Hingegen liegt der DEA die häufig kritisierte Annahme zu
Grunde, Bruchteile von Teams heranziehen und diese dann zu neuen virtuellen
Teams verschmelzen zu können. Allerdings weist die FDH selbst wiederum gravierende Nachteile auf, die eine Verwendung der DEA rechtfertigen, insb. dann, wenn
statt der Anzahl der Mitarbeiter Vollzeitäquivalente (FTEs) verwendet werden.
Die Ergebnisse in Tabelle 44 deuten auf einige Probleme der FDH hin: Erstens gibt
es in der Regel mehrere Benchmarks, die das ineffiziente Teams hinsichtlich aller
Parameter dominieren und die von der FDH als Referenzpunkte angeboten werden
(vgl. Team 6 und 10). Die Auswahl bleibt dem Anwender selbst überlassen, während
die DEA eindeutige Zielwerte ermittelt. Aufgrund der Nicht-Konvexitätsannahme des
FDH-Modells kann es zweitens vorkommen, dass Teams als effizient ausgewiesen
werden (100%), obwohl sie durch andere Teams eindeutig dominiert werden. Dies ist
der Fall für Team 11, welches durch Team 17 dominiert wird, aber dennoch auf der
Randfunktion liegt. Es kann also nicht Pareto-Koopmans-effizient sein, da Verbesserungen bei mindestens einem Parameter ohne Verschlechterung bei den anderen
möglich wären. So liegt Team 11 bzgl. Teamgröße auf einer Höhe mit Team 17, benötigt aber mehr von den anderen Inputs und erzielt bei beiden Outputs geringere
Werte. Dies wird durch die Slacks angezeigt. Dieses Problem entsteht aufgrund der
Annahme der freien Verschwendbarkeit der Inputs bzw. Outputs, die eine Einheit als
auf dem Rand liegend ausweist, sobald sie bzgl. eines Inputs genauso gut ist wie
eine andere effiziente Einheit, selbst wenn sie bei anderen Inputs bzw. Outputs
schlechter abschneidet.
295
Ein dritter gravierender Nachteil ergibt sich aus der mangelnden Diskriminierungsfähigkeit der FDH. Aufgrund der extrem gelockerten Prämissen werden für den hier
betrachteten Fall 84% der Einheiten als effizient und somit bzgl. der Performance als
nicht weiter differenzierbar ausgewiesen (im Vergleich zu 63% bzw. 68% bei den
DEA-Modellen), nur noch 3 Teams werden als ineffizient klassifiziert. Dies führt den
Sinn einer kritischen Effizienzanalyse, die bessere und schlechtere Teams identifizieren soll, ad absurdum. Insgesamt zeigen die Ergebnisse, dass ein FDH-Modell zwar
einige alternative Interpretationen bietet, aufgrund kritischer Eigenschaften jedoch
keinesfalls als der DEA überlegen anzusehen ist.
4.
Ein „Denken in Produktionsfunktionen“ als neue Perspektive
im Marketing?
Im Zuge der Etablierung eines wertorientierten Management gerät auch das Marketing zunehmend unter Druck: Es wird verstärkt eine Bewertung der Performance der
Marketingaktivitäten gefordert, die mittlerweile in vielen Unternehmen den größten
Kostenblock verursachen.731 Marketing steht verstärkt unter dem Druck, den Vorwurf,
keine angemessene Verantwortung zur Wertsteigerung (Accountability) zu übernehmen, zu widerlegen. Hierzu ist es erforderlich, den Erfolg der Marketingaktivitäten
möglichst objektiv und quantitativ zu bewerten.732 Diese Leistungsbewertung hat einerseits zum Ziel, den Erfolgsbeitrag des Marketing durch Identifizierung leistungsstarker, bestpraktizierender Einheiten zu belegen. Anderseits müssen jene Einheiten,
bei denen noch Performancelücken bestehen, benannt und Ansatzpunkte für die
Steigerung des Wertbeitrags auf individueller Ebene abgeleitet werden. Zur Leistungsbewertung des Marketingbereichs wurde in dieser Arbeit für den Einsatz des
Effizienzkonzeptes plädiert. Es verhindert eine einseitige Fokussierung auf finanzielle
Outputgrößen und eine Vernachlässigung nicht monetärer Aspekte der Marketingprozesse.
Als geeignete Methode zur Effizienzmessung und -analyse wurde im Rahmen dieser
Arbeit die DEA vorgeschlagen. Sie ermöglicht es, produktionsökonomische Erkenntnisse und Prinzipien auf das Marketing zu übertragen und im Bewusstsein des Managements das Verständnis zu verankern, dass auch Handlungen des Marketing als
Input-Output-Transformationen zu verstehen sind. Auch Marketing „produziert“ durch
den Einsatz von Inputs verschiedene Outputs.733 Als Produktionsfaktoren sind jedoch
nicht Rohstoffe oder Maschinenstunden zu betrachten, sondern Kundenbesuche,
Werbekampagnen, Promotionaktionen oder die Investitionen in räumliche Ubiquität
731
732
733
Vgl. Reinecke/Reibstein (2002), S. 18.
Vgl. Rust et al. (2004), S. 78.
Vgl. Parsons (1994), S. 172 f.
295
Ein dritter gravierender Nachteil ergibt sich aus der mangelnden Diskriminierungsfähigkeit der FDH. Aufgrund der extrem gelockerten Prämissen werden für den hier
betrachteten Fall 84% der Einheiten als effizient und somit bzgl. der Performance als
nicht weiter differenzierbar ausgewiesen (im Vergleich zu 63% bzw. 68% bei den
DEA-Modellen), nur noch 3 Teams werden als ineffizient klassifiziert. Dies führt den
Sinn einer kritischen Effizienzanalyse, die bessere und schlechtere Teams identifizieren soll, ad absurdum. Insgesamt zeigen die Ergebnisse, dass ein FDH-Modell zwar
einige alternative Interpretationen bietet, aufgrund kritischer Eigenschaften jedoch
keinesfalls als der DEA überlegen anzusehen ist.
4.
Ein „Denken in Produktionsfunktionen“ als neue Perspektive
im Marketing?
Im Zuge der Etablierung eines wertorientierten Management gerät auch das Marketing zunehmend unter Druck: Es wird verstärkt eine Bewertung der Performance der
Marketingaktivitäten gefordert, die mittlerweile in vielen Unternehmen den größten
Kostenblock verursachen.731 Marketing steht verstärkt unter dem Druck, den Vorwurf,
keine angemessene Verantwortung zur Wertsteigerung (Accountability) zu übernehmen, zu widerlegen. Hierzu ist es erforderlich, den Erfolg der Marketingaktivitäten
möglichst objektiv und quantitativ zu bewerten.732 Diese Leistungsbewertung hat einerseits zum Ziel, den Erfolgsbeitrag des Marketing durch Identifizierung leistungsstarker, bestpraktizierender Einheiten zu belegen. Anderseits müssen jene Einheiten,
bei denen noch Performancelücken bestehen, benannt und Ansatzpunkte für die
Steigerung des Wertbeitrags auf individueller Ebene abgeleitet werden. Zur Leistungsbewertung des Marketingbereichs wurde in dieser Arbeit für den Einsatz des
Effizienzkonzeptes plädiert. Es verhindert eine einseitige Fokussierung auf finanzielle
Outputgrößen und eine Vernachlässigung nicht monetärer Aspekte der Marketingprozesse.
Als geeignete Methode zur Effizienzmessung und -analyse wurde im Rahmen dieser
Arbeit die DEA vorgeschlagen. Sie ermöglicht es, produktionsökonomische Erkenntnisse und Prinzipien auf das Marketing zu übertragen und im Bewusstsein des Managements das Verständnis zu verankern, dass auch Handlungen des Marketing als
Input-Output-Transformationen zu verstehen sind. Auch Marketing „produziert“ durch
den Einsatz von Inputs verschiedene Outputs.733 Als Produktionsfaktoren sind jedoch
nicht Rohstoffe oder Maschinenstunden zu betrachten, sondern Kundenbesuche,
Werbekampagnen, Promotionaktionen oder die Investitionen in räumliche Ubiquität
731
732
733
Vgl. Reinecke/Reibstein (2002), S. 18.
Vgl. Rust et al. (2004), S. 78.
Vgl. Parsons (1994), S. 172 f.
296
von Marken. Diese Inputs werden im Rahmen von Marketingprozessen in Marketingoutputs transformiert, die sich etwa durch erzielte Markenbekanntheit, Kundenzufriedenheit oder durchgesetzte Preisprämien ergeben. Das Verhältnis der Outputs zu
den Inputs einer Maßnahme kann dann mit anderen verglichen werden, um so ein
Maß für die relative Effizienz zu erhalten. Diese Vielfalt der Modellierungsmöglichkeiten, die die DEA bietet, erlaubt es, den Produktionsbegriff auf Bereiche ohne physikalisch-technisch determinierte Input-Output-Beziehungen auszuweiten und die Erkenntnispotenziale der produktionsökonomischen Analyse auch für das Marketing
fruchtbar zu machen.734
Eine Leistungsbewertung im Marketing auf Basis der DEA wird den zentralen Anforderungen an Performance-Measurement-Ansätze735 besser gerecht als klassische
Kennzahlensysteme. Dies soll im Folgenden noch einmal zusammenfassend begründet werden:
Die DEA ist in der Lage, die Multidimensionalität der Leistungserstellung im Marketing, die sich durch Einsatz zahlreicher, insbesondere nicht monetär bewertbarer immaterieller Inputs und Outputs auszeichnet, adäquat widerzuspiegeln. Es können
simultan multiple Inputs und Outputs verschiedener Maßeinheiten analysiert werden,
die sowohl tangibler als auch intangibler Natur sein können. Des Weiteren kann die
DEA eine Accountability in zweierlei Hinsicht sicherstellen: erstens bzgl. der Unterscheidung in aggregierte vs. disaggregierte (individuelle) Betrachtung, zweitens in
Bezug auf die Zurechnung von Verantwortlichkeiten für festgestellte Ineffizienzen auf
Managementebenen (strategisch vs. operativ). Hinsichtlich der ersten Perspektive
erlaubt die DEA, durch Abstufung der Effizienzwerte in Form einer Rangfolge den
Anteil jeder DMU an der Gesamtineffizienz zu quantifizieren. Hierdurch können das
Ausmaß an Ressourcenverschwendung exakt quantifiziert und Verantwortlichkeiten
den DMUs verursachungsgerecht zugeordnet werden. Der finanzielle Wertbeitrag
kann mittels einer DEA allerdings nur evaluiert werden, wenn die Outputseite durch
monetäre Größen modelliert wird, so wie dies in der Vertriebsuntersuchung in Kapitel
E-3 der Fall war. Hier ließen sich die Umsatzsteigerungen, die bei Eliminierung der
Ineffizienz möglich sind, explizit ausweisen. Auf diese Weise zeigt sich, welche Leistungssteigerungspotenziale insgesamt bestehen und wie die Budgets auf die einzelnen DMUs (Teams, Marketingaktivitäten etc.) zu verteilen sind, um dieses Potenzial
auszuschöpfen. Auf individueller DMU-Ebene kann der Anteil jedes Input- und Outputparameters an der festgestellten Ineffizienz quantifiziert werden, wodurch eine
Ursachenanalyse unterstützt wird, die zur Ableitung individueller Verbesserungs-
734
735
Vgl. Werner/Brokemper (1996), S. 167.
Vgl. Reinecke (2004), S. 38 ff. und 76 ff.
297
maßnahmen dient. Das Aufdecken der Quellen der Ineffizienz erlaubt die Priorisierung kritischer Performanceparameter i. S. von Erfolgsfaktoren. 736
Die Zuweisung der Zuständigkeiten für festgestellte Ineffizienzen auf Hierarchieebenen wird durch die Möglichkeit der DEA unterstützt, in technische und größenbedingte Ineffizienz zu unterscheiden. Auf diese Weise kann z. B. im Vertrieb spezifiziert
werden, welcher Teil der ausgewiesenen Verbesserungspotenziale eines Teams
durch Entscheidungen des Teams selbst (durch Verbesserung der operativen Effizienz) und welche nur durch strategische Entscheidungen auf übergeordneter Managementebene (etwa durch die Vertriebsleitung) zu realisieren sind. In gewissem Maße kann die DEA somit strategische Entscheidungen, wie etwa die Umstrukturierung
von Vertriebsgebieten bzw. die Änderung von Teamgrößen, anregen.
Des Weiteren hebt sich die DEA von anderen Methoden dadurch ab, dass ihr Effizienzmaß nicht durchschnittsorientiert ist. Stattdessen misst die DEA die Effizienz in
Relation zur Best Practice und orientiert sich an den erfolgreichsten Vergleichsunternehmen oder -einheiten, um Strategien und Handlungsempfehlungen abzuleiten, die
es dem Unternehmen ermöglichen, eine effiziente Position zu erlangen. Ein großes
Maß an Entscheidungsunterstützung bietet die DEA v.a., wenn der Effizienzvergleich
auf Marktebene erfolgt und auch konkurrierende Marketingeinheiten bzw. -objekte
integriert. Die Informationen zur Effizienz der Wettbewerber ermöglichen wettbewerbstrategische Marktanalysen. Der Anwender erhält etwa Hinweise zu Gestaltung,
Modifikation oder Elimination von Produkten bzw. Varianten oder die Gestaltung von
Maßnahmen im Rahmen der Markenführung. So konnte mit der Anwendung zur Produkteffizienzanalyse gezeigt werden, wie die Informationen der DEA für eine Marktstrukturierung nutzbar sind, die Hinweise auf die Intensität des Wettbewerbs in bestimmten Teilmärkten und den Grad der Differenzierung der angebotenen Produkte
vermitteln. So lassen sich stark umkämpfte Segmente sowie mögliche Nischen erkennen und Marktauswahlentscheidungen fundieren.
Die DEA ist auch ein viel versprechendes Instrument, um einen Information Overload
zu verhindern, da sie als Ergebnis nur eine Effizienzkennzahl ermittelt, die unmittelbar ökonomisch zu interpretieren ist. Das Prinzip, die Input- und Outputparameter bei
der Bestimmung dieser Spitzenkennzahl bestmöglich zu gewichten, stellt eine faire
Leistungsbewertung sicher, was der Akzeptanz der Methode in der Praxis zuträglich
ist.
“Use of DEA approach to performance evaluation would encourage people to work
smarter rather than harder by encouraging them to use their time and effort (inputs
that are in their control) more efficiently so as to generate maximum outputs.”737
736
Vgl. Golany et al. (1990), S. 102.
298
Auch wenn die DEA als leistungsfähiges Instrument anzusehen ist, welches viele
konzeptionelle Probleme klassischer Performance-Measurement-Konzepte überwindet, bestehen einige bisher kaum behandelte Forschungsfragen, die Bedarf für zukünftige DEA-Untersuchungen im Marketing konstituieren. Auf zwei dieser Forschungsfragen, die sich unter dem Stichwort prädiktive Validität sowie Dynamisierung der Effizienzmessung zusammenfassen lassen, soll abschließend eingegangen
werden.
Die erste Fragestellung betrifft die Problematik der Vergangenheitsorientierung der
Effizienzanalyse. So kann auch die DEA die Effizienz nur ex post bzw. bestenfalls
auf Basis gegenwärtiger Daten evaluieren. Es gilt zu prüfen, welche prädiktive Kraft
die ermittelten Effizienzwerte besitzen. So wäre zu testen, inwieweit z.B. die ermittelte Marketingeffizienz ein guter Indikator des zukünftigen Markterfolgs im Vergleich
zur Konkurrenz darstellt. Es ist ein steigendes Interesse an sog. prognostischen Leistungsmaßen zu erwarten, die Gefahren, aber auch Erfolge in der Zukunft vorhersagen.738 Es ist zu vermuten, dass Effizienzmaße zur Prognose zukünftiger Gewinnströme besser geeignet sind als vergangene Gewinne. Dies erscheint plausibel, weil
vergangenheitsbezogene Gewinngrößen stark durch Störeinflüsse (noise) bzw. kurzfristige, transitorische Einflüsse aus der Umwelt verzerrt sind.739 Demgegenüber ist
die Fähigkeit, maximale Outputs aus verfügbaren Inputs zu erzeugen, eine nachhaltige Ressource eines Unternehmens, die höchstwahrscheinlich auch in der Zukunft
nutzbar ist. Daher erfassen Effizienzmaße die dauerhaften Komponenten der Gewinnentwicklung besser und sind vermutlich bessere Prädiktoren zukünftiger Gewinnströme.
Es erscheint daher vielversprechend, die Stärke des Zusammenhangs zwischen vergangenen und zukünftigen Gewinnen und des Zusammenhangs zwischen der Effizienz und zukünftigen Gewinnen über die Zeit und über verschiedene Unternehmen
hinweg zu vergleichen. Zur Überprüfung der prädiktiven Kraft von Effizienzwerten
könnte im einfachsten Fall eine Regression bzw. Korrelation von Effizienzwerten und
Absatzzahlen bzw. Gewinnen über bestimmte Zeitperioden erfolgen.740 Die Ergebnisse können dann genutzt werden, um auf Marktanteile zu schließen und Absatzzahlen und Gewinne zu prognostizieren. Eine erste Untersuchung von Athanassopoulos (2004) für Bankfilialen, Restaurants sowie Wett- und Lotteriebüros zeigt signifikante Korrelationen zwischen Marketingeffizienz und Profitabilität. Für die Bankfilialen lag der Korrelationskoeffizient bei 0,38. Insgesamt schlussfolgert Athanassopoulos, dass Marketingeffizienzwerte gute Prädiktoren für die langfristige Überlebensfä737
738
739
740
Boles/Donthu/Lohtia (1995), S. 46.
Vgl. Neely et al. (1995), S. 109.
Vgl. Banker/Mashruwala (2004).
Vgl. für erste Untersuchungen in diese Richtung Abad/Banker/Mashruwala (2004); Athanassopoulos (2004), S. 470 ff.; Banker/Mashruwala (2004) und Fernandez-Castro/Smith (2002), S. 86 f.
299
higkeit von Unternehmen darstellen. Interessant wäre in diesem Kontext die Untersuchung des Zusammenhangs von Insolvenzen und der (Marketing)effizienz. Eine
geringe Marketingeffizienz ließe sich dann als ein Frühwarnsignal für einen möglichen Konkurs bzw. als ein Indikator zur Prognose des Konkursrisikos heranziehen.
Ein zweites zukünftiges Forschungsfeld besteht darin, die Effizienz von Marketingbereichen im Zeitverlauf in Form von Zeitreihenanalysen zu untersuchen. Dies könnte
die Erfüllung wichtiger Controlling-Aufgaben, wie z. B. das Erkennen zeitlicher
Trends und das Ableiten von Ursachen für langfristige Performanceveränderungen,
unterstützen, anhand derer gegensteuernde Maßnahmen wie etwa Strategiewechsel
zu ergreifen wären. Wichtig ist dies auch für Bereiche, in denen Wirkungen zeitversetzt eintreten, etwa im Servicemarketing, wo sich eine intensive Beratung evtl. erst
in späteren Perioden auf den Umsatz auswirkt. Ein „Performance Tracking“ über die
Zeit bietet außerdem die Möglichkeit, die Wirkung der Umsetzung von DEA-basierten
Handlungsempfehlungen zu überprüfen.
Die zentrale Herausforderung dynamischer Effizienzanalysen besteht darin, Verbesserungen der Effizienz einer einzelnen DMU zu separieren von generellen Effizienzverbesserungen, die durch eine Verschiebung der Frontier etwa aufgrund von innovativen (Produktions)technologien entstehen. Findet keine Verschiebung des Randes
statt, so hat eine Einheit ihre relative Effizienz gesteigert, sobald sie sich in Periode 2
auf den Rand zu bewegt hat. Kommt es gleichzeitig jedoch zu einer Verschiebung
der Frontier in Periode 2, muss die Verbesserung entsprechend höher ausfallen, um
eine Erhöhung der relativen Effizienz zu erreichen.741 Wird dies berücksichtigt, können Marketingmaßnahmen daraufhin überprüft werden, ob sie nur für einzelne Einheiten relevant waren oder ob sie die Effizienz sämtlicher Einheiten gesteigert haben.
Dynamische Analysen liefern somit wichtige Informationen für die Kontrolle von
Maßnahmen und die Gestaltung von Anreizsystemen. Hierzu müssen die fast ausschließlich im Produktionsbereich entwickelten dynamischen DEA-Modelle742 auf das
Marketing übertragen werden. Erste Ansätze existieren im Vertriebsbereich in Form
von Window-Analysen743 und Untersuchungen auf Basis des Malmquist-Indexes744.
Diese gilt es voranzutreiben.
741
742
743
744
Vgl. Färe et al. (1995); Grifell-Tatje/Lovell (1997), S. 367 ff.; Tone (2004), S. 204 f.
Vgl. Charnes et al. (1985); Färe/Grosskopf (1992, 1996); Sengupta (1995, 1999, 2000); Staat
(2003); Thrall (2000).
Vgl. Backhaus/Streffer/Wilken (2005); Charnes et al. (1997b).
Vgl. Padberg/Werner (2005); Paradi/Vela/Yang (2004).
301
Literaturverzeichnis
Aaker, D. A. (1991): Managing Brand Equity, New York.
Aaker, D. A. / Carman, J. M. (1982): Are You Overadvertising?, Journal of Advertising Research, Vol. 22 (August/September), 57-70.
Abad, C. / Banker, R. D. / Mashruwala, R. (2004): Information content of an efficiency
measure for predicting operating income, Proceedings of the 4th International
Symposium on DEA, Aston University, 30.
Abraham, M. / Lodish, L. (1993): An implemented system for improving promotion
productivity using store scanner data, Marketing Science, Vol. 12, No. 3, 248269.
AC Nielsen (2001): New Car Buyer Survey, Report, New York.
Achabal, D. D. / Heineke, J. M. / McIntyre, S. H. (1984): Issues and Perspetives on
Retail Productivity, Journal of Retailing, Vol. 60, No. 3, 107-127.
ADAC (1997): Nachgefragt: Was taugen die Bestseller unter den Kompakten?, ADAC Motorwelt, Nr. 10, 33-40.
ADAC (2004): Autokauf-Kriterien, ADAC Motorwelt, Nr. 7, 6.
Adkins, R. T. (1979): Evaluating and Comparing Salesmen’s Performance, Industrial
Marketing Management, Vol. 8 (June), 207-212.
Advertising Age (2005): The annual 100 leading national advertisers, Special Report,
June 27, 2005.
Affuso, L. / Angeriz, A. / Pollitt, M. (2002): Measuring the Efficiency of Britain’s Privatised Train Operating Companies, Regulation Initiative Discussion Paper Series,
No. 48, London Business School.
Aigner, D. J. / Chu, S. F. (1968): On estimating the industry production function, The
American Economic Review, Vol. 58, No. 4, 826-839.
Aigner, D. J. / Lovell, C. A. K. / Schmidt, P. (1977): Formulation and estimation of
stochastic frontier production function models, Journal of Econometrics, Vol. 6,
21-37.
Ailawadi, K. / Lehmann, D. R. / Neslin, S. A. (2003): Revenue Premium as an Outcome Measure of Brand Equity, Journal of Marketing, Vol. 67, No. 4, 1-17.
302
Albers, S. (1998): Regeln für die Allokation eines Marketing-Budgets auf Produkte
oder Marktsegmente, Zeitschrift für betriebswirtschaftliche Forschung, 50. Jg.,
211–235.
Albers, S. (2000): Impact of Types of Functional Relationships, Decisions, and Solutions on the Applicability of Marketing Models, International Journal of Research
in Marketing, Vol. 17, 169-175.
Albers, S. / Skiera, B. (2002): Einsatzplanung eines Verkaufsaußendienstes auf der
Basis von Umsatzreaktionsfunktionen, Zeitschrift für Betriebswirtschaft, 72. Jg.,
1105-1131.
Alderson, W. (1948): A Formula for Measuring Productivity in Distribution, Journal of
Marketing, Vol. 12, 442-448.
Ali, A. I. / Cook, W. D. / Seiford, L. M. (1991): Strict vs. Weak Ordinal Relations for
Multipliers in Data Envelopment Analysis, Management Science, Vol. 37, No. 6,
733-738.
Allen, K. (2002): Messung ökologischer Effizienz mittels Data Envelopment Analysis,
Wiesbaden.
Allen, R. / Athanassopoulos, A. / Dyson, R. G. / Thanassoulis, E. (1997): Weight restrictions and value judgements in data envelopment analysis, Annals of Operations Research, Vol. 73, 13-34.
Alpar, P. / Janisch, R. / Porembski, M. / Rösch, H.-D. (2000): Erfolgreiche Produktivitäts-Analyse mit DEA, Betriebswirtschaftliche Blätter, 49. Jg., 477-483.
Al-Shammari, M. (1999): A multi-criteria data envelopment analysis model for measuring the productive efficiency of hospitals, International Journal of Operations
and Production Management, Vol. 19, 879-890.
Andersen, P. / Petersen, N. C. (1993): A procedure for ranking efficient units in DEA,
Management Science, Vol. 39, No. 10, 1261-1264.
Anderson, E. / Weitz, B. A. (1986): Make-or-Buy Decisions: Vertical Integration and
Marketing Productivity, Sloan Management Review, Vol. 27, No. 3, 3 - 19.
Andresen, T. / Esch, F.-R. (1999): Messung der Markenstärke durch den Markeneisberg, in: Esch, F.-R. (Hrsg.): Moderne Markenführung, Wiesbaden, 1011 - 1033.
Angehrn, O. (1978): Erfolgsanalyse und Erfolgskontrolle im Marketing, in: WeinholdStünzi, H. (Hrsg.): Unternehmung und Markt: systemtheoretische und prognostische Betrachtung zu Marketing und Distribution, St. Gallen, 258-269.
303
Athanassopoulos A.D. (1998a): Multivariate and frontier analysis for assessing the
market and cost efficiency of large scale bank branch networks, Journal of Money
and Credit Banking, Vol. 30, No. 2, 173-192.
Athanassopoulos, A. D. (1998b): Optimization models for assessing marketing efficiency in multi-branch organisations, International Review of Retail, Distribution
and Consumer Research, Vol. 8, No. 4, 415-443.
Athanassopoulos, A. D. (2004): Assessing the selling function in retailing, in: Cooper,
W. W. / Seiford, L. M. / Zhu, J. (Eds.): Handbook on data envelopment analysis,
Boston, 445-480.
Athanassopoulos, A. D. / Ballantine, J. A. (1995): Ratio and Frontier Analysis for Assessing Corporate Performance - Evidence from the Grocery Industry in the UK,
The Journal of the Operational Research Society, Vol. 46, No. 4, 427-440.
Athanassopoulos, A. D. / Thanassoulis, E. (1995): Seperating Market Efficiency from
Profitability and Its Implications for Planning, The Journal of the Operational Research Society, Vol. 46, No. 1, 20-34.
Auerbach, H. / Czenskowsky, T. (2003): Marketing-Controlling im Spannungsfeld, in
Pepels, W. (Hrsg.): Marketing-Controlling-Kompetenz, Berlin, 17-31.
Backes-Gellner, U. / Zanders, E. (1989): Lehre und Forschung als Verbundproduktion: Data Envelopment Analysen und organisationsökonomische Interpretationen
der Realität in wirtschaftswissenschaftlichen Fachbereichen, Zeitschrift für Betriebswirtschaft, 59. Jg., Nr. 3, 271-290.
Backhaus, K. / Streffer, T. / Wilken, R. (2005): Dynamische Effizienzmessung als Instrument im Marketing-Controlling - Eine empirische Analyse der Window Analyse, Arbeitspapier Nr. 40/2005, Institut für Anlagen und Systemtechnologien,
Münster.
Backhaus, K. / Wilken, R. (2003): Effizienzmessung im Marketing mit Data Envelopment Analysis - Eine methodische Bestandsaufnahme, Arbeitspapier Nr.
34/2003, Institut für Anlagen und Systemtechnologien, Münster.
Bagozzi, R. P. (1978): Salesforce performance and satisfaction as a function of individual difference, interpersonal, and situational factors, Journal of Marketing Research, Vol. 15 (November), 517-531.
Baker, R. C. / Talluri, S. (1997): A Closer Look at the Use of Data Envelopment
Analysis for Technology Selection, Computers & Industrial Engineering, Vol. 32,
No. 1, 101-108.
304
Ball, R. / Roberts, E. / Thomas, R. (1999): Lessons learned for DEA practice from
health care application in the UK, in: Westermann, G. (Ed.): Data Envelopment
Analysis in the Service Sector, Wiesbaden, 133-157.
Bamberg, G. / Coenenberg, A. C. (2004): Betriebswirtschaftliche Entscheidungslehre, 12. überarb. Aufl., München.
Bamberger, P. / Fiegenbaum, A. (1996): The role of strategic reference points in explaining the nature and consequences of human resource strategy, Academy of
Management Review, Vol. 21, No. 4, 926-958.
Banker, R. D. (1984): Estimating the most productive scale size using data envelopment analysis, European Journal of Operational Research, Vol. 17, 35-44.
Banker, R. D. / Chang, H. / Cooper, W. W. (1996): Equivalence and implementation
of alternative methods for determining returns to scale in Data Envelopment
Analysis, European Journal of Operational Research, Vol. 89, 473-481.
Banker, R. D. / Charnes, A. / Cooper, W. W. (1984): Models for the estimation of
technical and scale efficiencies in data envelopment analysis, Management Science, Vol. 30, 1078-1092.
Banker, R. D. / Cooper, W. W. / Seiford, L. M. / Zhu, J. (2004): Returns to Scale in
DEA, in: Cooper, W. W. / Seiford, L. M. / Zhu, J. (Eds.): Handbook on data envelopment analysis, Boston, 41-73.
Banker, R. D. / Johnston, H. H. (1997): Evaluating the Impacts of Operating Strategies on Efficiency in the U.S. Airline Industry, in: Charnes, A. / Cooper, W. W. /
Lewin, A. Y. / Seiford, L. M. (Eds.): Data Envelopment Analysis: Theory, Methodology, and Application, Boston, 3rd ed., 97-128.
Banker, R. D. / Maindiratta, A. (1988): Nonparametric analysis of technical and allocative efficiencies in production, Econometrica, Vol. 56, 1315-1332.
Banker, R. D. / Mashruwala, R. (2004): Does the DEA efficiency score predict future
profitability?, Proceedings of the 4th International Symposium on DEA, Aston
University, 23.
Banker, R. D. / Morey, R. C. (1986): The Use of Categorical Variables in Data Envelopment Analysis, Management Science, Vol. 32, No. 12, 1613-1627.
Banker, R. D. / Natarajan, R. (2004): Statistical Tests Based on DEA Efficiency
Scores, in: Cooper, W. W. / Seiford, L. M. / Zhu, J. (Eds.): Handbook on data envelopment analysis, Boston, 299-321.
Banker, R. D. / Thrall, R. M. (1992): Estimation of returns to scale using Data Envelopment Analysis, European Journal of Operational Research, Vol. 62, 74-84.
305
Barger, H. (1955): Distribution’s Place in the American Economy since 1869, Princeton.
Barth, W. / Staat, M. (2005): Environmental variables and relative efficiency of bank
branches: a DEA-bootstrap approach, International Journal of Business Performance Management, Vol. 7, No. 3, 228-240.
Battese, G. / Corra, G. (1977): Estimation of a production frontier model with application to the pastoral zone of eastern Australia, Australian Journal of Agricultural Economics, Vol. 21, No. 3, 167-179.
Bauer, Ch. (2002): Moderne Benchmarking-Ansätze, Diplomarbeit, Universität
Mannheim.
Bauer, H. H. (1989): Marktabgrenzung: Konzeption und Problematik von Ansätzen
und Methoden zur Abgrenzung und Strukturierung von Märkten unter besonderer
Berücksichtigung von marketingtheoretischen Verfahren, Berlin.
Bauer, H. H. (1995): Wege der Marketingkritik, in: Bauer, H. H. / Diller, H. (Hrsg.):
Wege des Marketing, Berlin, 137-159.
Bauer H. H. (2000): Megatrends in Handel und Distribution als Herausforderung für
das Vertriebsmanagement, Management Know-how Papier M 47, Institut für
Marktorientierte Unternehmensführung, Mannheim.
Bauer, H. H. (2004): Nutzenorientierte Markenführung im Internet, Management
Know-how Papier M 88, Institut für Marktorientierte Unternehmensführung,
Mannheim.
Bauer, H. H. / Falk, T. / Hammerschmidt, M. (2006): eTransQual: A Transaction
Process-Based Approach for Capturing Service Quality in Online Shopping,
forthcoming in: Journal of Business Research, Vol. 59.
Bauer, H. H. / Fischer, M. / Pfahlert, V. (2001): Lohnt sich für Pharmaunternehmen
der Markteintritt als Late Mover? Ergebnisse einer Rentabilitätsanalyse, Zeitschrift für betriebswirtschaftliche Forschung, 53. Jg., 632–648.
Bauer, H. H. / Hammerschmidt, M. (2002): Produkt-Controlling als Schnittstelle zwischen Marketing und Produktion, in: Lingnau, V. / Schmitz, H. (Hrsg.): Aktuelle
Aspekte des Controllings, Heidelberg / New York, 1-21.
Bauer, H. H. / Hammerschmidt, M. (2003): Marketingeffizienz durch Best Practice
Analyse am Beispiel des Vertriebsbenchmarking, in: Wildemann, H. (Hrsg.): Führungsverantwortung -Bewährte oder innovative Managementmethoden?, München, 483-496.
306
Bauer, H. H. / Hammerschmidt, M. / Garde, U. (2004a): Marketingeffizienzanalyse
mittels Efficient Frontier Benchmarking - Eine Anwendung der Data Envelopment
Analysis, Wissenschaftliches Arbeitspapier W 72, Institut für Marktorientierte Unternehmensführung, Mannheim.
Bauer, H. H. / Hammerschmidt, M. / Garde, U. (2004b): Messung der Werbeeffizienz
- Eine Untersuchung am Beispiel von Online-Werbung, Wissenschaftliches Arbeitspapier W 78, Institut für Marktorientierte Unternehmensführung, Mannheim.
Bauer, H. H. / Hammerschmidt, M. / Staat, M. (2002): Analyzing Product Efficiency A Customer-Oriented Approach, Wissenschaftliches Arbeitspapier W 57, Institut
für Marktorientierte Unternehmensführung, Mannheim.
Bauer, H. H. / Herrmann, A. (1992): Eine Methode zur Abgrenzung von Märkten,
Zeitschrift für Betriebswirtschaft, 62. Jg., 1341-1360.
Bauer, H. H. / Herrmann, A. / Graf, G. (1995): Die nutzenorientierte Gestaltung der
Distribution für ein Produkt, Jahrbuch der Absatz- und Verbrauchsforschung, 41.
Jg., Nr. 1, 4-15.
Bauer, H. H. / Herrmann, A. / Mengen, A. (1996). Eine Methode zur gewinnmaximalen Produktgestaltung auf der Basis des Conjoint Measurement, Zeitschrift für
Betriebswirtschaft, 64. Jg., Nr. 1, 81-94
Bauer H. H. / Huber, F. (1997): Der Wert der Marke, Management Know-how Papier
M 31, Institut für Marktorientierte Unternehmensführung, Mannheim.
Bauer, H. H. / Klein-Bölting, U. / Murad-Aga, Th. / Sander, B. / Valtin, A. (2004):
Brand Equity Excellence, Band 3, Brand Equity Drivers Modell, Düsseldorf.
Bauer, H. H. / Mäder, R. / Fischer, Ch. (2003): Determinanten der Wirkung von Online-Markenkommunikation, Marketing ZFP, 25. Jg., Nr. 4, 227-241
Bauer, H. H. / Meeder, U. / Jordan, J. (2002a): Werbung: Der große Spagat zwischen
Kreativität und Controlling, Absatzwirtschaft, 45. Jg., Nr. 8, 50-53.
Bauer, H. H. / Meeder, U. / Jordan, J. (2002b): Werbung: Advertising Benchmarks –
was steckt dahinter?, Absatzwirtschaft, 45. Jg., Nr. 9, 56-59.
Bauer, H. H. / Neumann, M. (2002): Entscheidungskriterien werbetreibender Unternehmen beim Einsatz von Online-Marketing, Arbeitspapier E 1, Lehrstuhl für
ABWL und Marketing II, Universität Mannheim.
Bauer, H. H. / Rösger, J. / Valtin, A. (2004): Nutzenorientierte Markenführung im Internet, in: Bauer, H. H. / Rösger, J. / Neumann, M. (Hrsg.): Konsumentenverhalten im Internet, München, 297-312.
307
Bauer, H. H. / Sauer, N. E. / Hammerschmidt, M. (2005): Werden gute Produkte honoriert?, Science Factory, 7. Jg., Nr. 2, S. 1-5.
Bauer, H. H. / Staat, M. / Hammerschmidt, M. (2000): Produkt-Controlling: Eine Untersuchung mit Hilfe der Data Envelopment Analysis (DEA), Wissenschaftliches
Arbeitspapier W 45, Institut für Marktorientierte Unternehmensführung, Mannheim.
Bauer, H. H. / Staat, M. / Hammerschmidt, M. (2001): Integrating Market Partitioning,
Benchmarking and Product Positioning: A Value-Based Application of Data Envelopment Analysis, Proceedings of the 25th annual Conference of the German
Classification Society, München.
Bauer, H. H. / Staat, M. / Hammerschmidt, M. (2002): Value-Based Benchmarking
and Market Partitioning, in: Opitz, O. / Schwaiger, M. (Eds.): Exploratory Data
Analysis in Empirical Research, Berlin, 422-432.
Bauer, P. W. (1990): Recent developments in the econometric estimation of frontiers,
Journal of Econometrics, Vol. 46, 39-56.
Bauer, P. W. / Berger, A. N. / Ferrier, G. D. / Humphrey, D. B. (1998): Consistency
Conditions for Regulatory Analysis of Financial Institutions: A Comparison of
Frontier Efficiency Methods, Journal of Economics and Business, Vol. 50, No. 2,
85-114.
Baum, H.-G. / Przybilla, R. P. (2003): Benchmarking als Wettbewerbssurrogat: DEAbased Yardstick Competition in der Abfallwirtschaft, Zeitschrift für öffentliche und
gemeinwirtschaftliche Unternehmen, 26. Jg., 219 – 240.
Bayón, T. (1997): Neuere Mikroökonomie und Marketing - Eine wissenschaftstheoretisch geleitete Analyse, Wiesbaden.
BBDO (2004): Markenbewertung etabliert sich auf der Top-Management-Agenda,
BBDO Point of View, Nr. 5, 4-10.
Bearden, W. O. / Etzel, M. J. (1982): Reference Group Influence on Product and
Brand Purchase Decision, Journal of Consumer Research, Vol. 9 (September),
183-194.
Beasley, J. E. (1990): Comparing University Departments, Omega, Vol. 18, 171-183.
Beckman, T. N. (1957): The Value Added Concept as a Measurement of Output, Advanced Management, Vol. 22, No. 4, 6-9.
Beckman, T. N. (1960): Measuring Productivity in Marketing, Proceedings of the
Business and Economics Statistics Section, American Statistical Association,
Washington.
308
Beckman, T. N. (1965): Marketing Productivity - Appraisal and Challenge, in:
Heskett, J. L. (Ed.): Papers of the Theodore N. Beckman Symposium on Marketing Productivity, Columbus, 59-72.
Bekmeier-Feuerhahn, S. (1998): Marktorientierte Markenbewertung – Eine konsumenten- und unternehmensbezogene Betrachtung, Wiesbaden.
Belton, V. / Vickers, S. P. (1993): Demystifying DEA - A Visual Interactive Approach
Based on Multiple Criteria Analysis, The Journal of the Operational Research Society, Vol. 44, No. 9, 883-896.
Berg, S. A. / Forsund, F. R. / Hjalmarsson, L. / Suominen, M. (1993): Banking efficiencies in the Nordic countries, Journal of Banking and Finance, Vol. 17, No. 2,
371-388.
Berger, A. N. (1993): "Distribution-Free" Estimates of Efficiency in the U.S. Banking
Industry and Tests of the Standard Distributional Assumptions, Journal of Productivity Analysis, Vol. 4, 261-292.
Berger, A. N. / Hancock, D. / Humphrey, D. B. (1993): Bank Efficiency Derived from
the Profit Function, Journal of Banking and Finance, Vol. 17. No. 2/3, 317-348.
Berger, A. N. / Humphrey, D. B. (1997): Efficiency of financial institutions: International survey and directions for future research, European Journal of Operational
Research, Vol. 98, 175-212.
Bernard, J. / Cantner, U. / Westermann, G. (1993): Technological Leadership and
Variety - A Data Envelopment Analysis for the French Machinery Industry,
Volkswirtschaftliche Diskussionsreihe, Nr. 106, Universität Augsburg.
Bhargava, M. / Dubelaar, C. / Ramaswami, S. (1994): Reconciling Diverse Measures
of Performance – A Conceptual Framework and Test of a Methodology, Journal
of Business Research, Vol. 31, 235 – 246.
Bhargava, M. / Kim, J. (1995): Efficiency in Advertising: Data Envelopment Analysis
of Print Ads, in: Stewart, D. W. (Ed.): Marketing theory and applications, AMA
Summer Educators’ Conference, Amercian Marketing Association, Chicago, 209216.
Blattberg, R. C. / Neslin, S. A. (1989): Sales Promotion: The Long and the Short of It,
Marketing Letters, Vol. 1, No. 1, 81-97.
Böcker, F. (1988): Marketing-Kontrolle, Stuttgart.
Böhnert, A. (1998): Benchmarking: Charakeristik eines aktuellen Managementinstruments, Hamburg.
309
Bohr, K. (1993): Effizienz und Effektivität, in: Wittmann, W. / Kern, W. / Köhler, R. /
Küpper, H.-U. / Wysocki, K. v. (Hrsg.): Handwörterbuch der Betriebswirtschaft, 5.
Aufl., Stuttgart, Sp. 855-870.
Boles, J. S. / Donthu, N. / Lohtia, R. (1995): Salesperson Evaluation Using Relative
Performance Efficiency: The Application of Data Envelopment Analysis, Journal
of Selling & Sales Management, Vol. 15, No. 3, 31–49.
Bonoma, T. V. / Clark, B. H. (1992): Marketing Performance Assessment, 2nd ed.,
Boston.
Bouyssou, D. (1999): Using DEA as a tool for MCDM: some remarks, The Journal of
the Operational Research Society, Vol. 50, 974-978.
Bowlin W. F. / Charnes A. / Cooper W. W. / Sherman H. D. (1985): Data Envelopment Analysis and Regression Approaches to Efficiency Estimation and Evaluation, Annals of Operations Research, Vol. 61, 113-138.
Braglia, M. / Petroni, A. (1999): Evaluating and selecting investments in industrial
robots, International Journal of Production Research, Vol. 37, No. 18, 4157-4178.
Brieter (2004): Die Bilanz der Gelben Engel, ADAC Motorwelt, Nr. 5, 10-18.
Bruhn, M. / Georgi, D. (2005): Wirtschaftlichkeit des Kundenbindungsmanagement,
in: Bruhn, M. / Homburg, Ch. (Hrsg.): Handbuch Kundenbindungsmanagement –
Strategien und Instrumente für ein erfolgreiches CRM, 5. überarb. u. erw. Aufl.,
Wiesbaden, 589-619.
Bryce, C. L. / Engberg, J. B. / Wholey, D. R. (2000): Comparing the agreement
among alternative models in evaluating HMO efficiency, Health Service Research, Vol. 35, 509-528.
Bucklin, L. P. (1978a): Productivity in marketing, Chicago.
Bucklin, L. P. (1978b): Research in productivity measurement for marketing decisions, Research in Marketing, Vol. 1, 1-22.
Bürkle, B. (1997): Effizienzmessung im Gesundheitswesen - Möglichkeiten und
Grenzen der Data Envelopment Analysis, Nürnberg.
Büschken, J. (2003): Performance of Efficiency Measurement Models - A Study of
Brand Advertising Efficiency in the German Car Industry, CU Working Paper No.
164, Ingolstadt.
Büschken, J. (2006): Determinants of Brand Advertising Inefficiency - Evidence from
the German Car Market, forthcoming in: The Journal of Advertising, Vol. 35.
310
Bukh, P. N. D. / Berg, S. A. / Forsund, F. R. (1995): Banking efficiency in the Nordic
countries: A four-country Malmquist index analysis, Working Paper, University of
Aarhus, Denmark.
Bulla, S. / Cooper, W. W. / Park, K. S. / Wilson, D. (2000): Evaluating Efficiencies of
Turbofan Jet Engines: A Data Envelopment Analysis Approach, Journal of Propulsion and Power, Vol. 16, No. 3, 431-439.
Bush, A. / Smart, D. / Nichols, E. (2002): Pursuing the concept of marketing productivity, Journal of Business Research, Vol. 55, No. 5, 343 – 347.
Byrnes, P. / Valdmins, V. (1997): Analyzing Technical and Allocative Efficiency of
Hospitals, in: Charnes, A. / Cooper, W. W. / Lewin, A. Y. / Seiford, L. M. (Eds.):
Data Envelopment Analysis: Theory, Methodology, and Application, 3rd ed., Boston, 129-144.
Camp, R. C. (1992): Benchmarking: the search for industry best practices that lead to
superior performance, 7th ed., Milwaukee.
Camp, R. (1994): Benchmarking, München.
Cantner, U. / Hanusch, H. (1998): Effizienzanalyse mit der Data Envelopment Analysis, Wirtschaftswissenschaftliches Studium, 27. Jg., 228-237.
Cavallo, L. / Rossi, S. P. S. (2002): Do environmental variables affect the performance and technical effciency of the European banking systems? A parametric
analysis using the stochastic frontier approach, The European Journal of Finance, Vol. 8, 123-146.
Chang, Y. / Thomas, H. (1989): The impact of diversification strategy on risk-return
performance, Strategic Management Journal, Vol. 10, No. 3, 271-284.
Charnes, A. / Clark, C. T. / Cooper, W. W. / Golany, B. (1985): A developmental
study of data envelopment analysis in measuring the efficiency of maintenance
units in the U.S. Air Forces, Annals of Operations Research, Vol. 2, 95-112.
Charnes, A. / Cooper, W. W. (1962): Programming with Linear Fractional Functionals, Naval Research Logistics Quarterly, Vol. 9, No. 3/4, 181-186.
Charnes, A. / Cooper, W. W. / Divine, D. / Ruefli, T. W. / Thomas, D. (1989): Comparisons of DEA and existing Ratio and Regression Systems for effecting Efficiency Evaluations of regulating Electric Cooperatives in Texas, Research in
Governmental and Nonprofit Accounting, Vol. 5, 187-210.
Charnes, A. / Cooper, W. W. / Golany, B. / Learner, D. B. / Phillips, F. Y. / Rousseau,
J. J. (1997b): A Multiperiod Analysis of Market Segments and Brand Efficiency in
the Competitive Carbonated Beverage Industry, in: Charnes, A. / Cooper, W. W. /
311
Lewin, A. Y. / Seiford, L. M. (Eds.): Data Envelopment Analysis: Theory, Methodology, and Application, 3rd ed., Boston, 145-165.
Charnes, A. / Cooper, W. W. / Golany, B. / Seiford, L. M. / Stutz, J. (1985): Foundations of data envelopment analysis for Pareto-Koopmans efficient empirical production functions, Journal of Econometrics, Vol. 30, 91-107.
Charnes, A. / Cooper, W. W. / Huang, Z. M. / Sun, D. B. (1990): Polyhedral coneratio DEA models with an illustrative application to large commercial banks, Journal of Econometrics, Vol. 46, 73-91.
Charnes, A. / Cooper, W. W. / Lewin, A. Y. / Seiford, L. M. (1997a): Data Envelopment Analysis: Theory, Methodology, and Application, 3rd ed., Boston.
Charnes, A. / Cooper, W. W. / Rhodes, E. (1978), Measuring the Efficiency of Decision Making Units, European Journal of Operational Research, Vol. 2, 429-444.
Charnes, A. / Cooper, W. W. / Rhodes, E. (1981): Evaluating Program and Managerial Efficiency - An Application of Data Envelopment Analysis to Program Follow
Through, Management Science, Vol. 27, No. 6, 668-697.
Charnes, A. / Cooper, W. W. / Seiford, L. M. / Stutz, J. (1982): A multiplicative model
for efficiency analysis, Socio Economic Planing Sciences, Vol. 16, 223-224.
Charnes, A. / Cooper, W. W. / Wei, Q. L. / Huang, Z. M. (1989): Cone ratio data envelopment analysis and multi-objective programming, International Journal of
Systems Science, Vol. 20, 1099-1118.
Charnes, A. / Gallegos, A. / Hongyu, L. (1996): Robustly efficient parametric frontiers
via Multiplicative DEA for domestic and international operations of the Latin
American airline industry, European Journal of Operational Research, Vol. 88,
525-536.
Chebat, J.-C. / Filiatrault, P. / Katz, A. / Maital, S. (1994): Strategic Auditing of Human an Financial Resource Allocation in Marketing - An Empirical Study Using
Data Envelopment Analysis, Journal of Business Research, Vol. 47, 197-207.
Chilingerian, J. A. / Sherman, H. D. (1997): DEA and primary care physician report
cards, Annals of Operations Research, Vol. 73, 35-66.
Chilingerian, J. A. / Sherman, H. D. (2004): Health care Applications, in: Cooper, W.
W. / Seiford, L. M. / Zhu, J. (Eds.): Handbook on data envelopment analysis, Boston, 481-537.
Clark, B. H. (1999): Marketing Performance Measures: History and Interrelationships,
Journal of Marketing Management, Vol. 15, 711-732.
312
Clark, B. H. (2000): Assessing marketing performance: History and Challenges, International Journal of Business Performance Management, Vol. 2, Nr. 1/2/3, 42-55.
Coelli, T. / Perelman, S. (1999): Theory and Methodology: A Comparison of Parametric and Non-Parametric Distance Functions: With Application to European Railways, European Journal of Operational Research, Vol. 117, 326-39.
Coelli, T. J. / Rao, D. S. P. / O’Donnell, C. J. / Battese, G. E. (2005): An introduction
to efficiency an productivity analysis, 2nd ed., New York.
Cook, W D. / Johnston, A. / McCutcheon, D. M. (1992): Implementations of Robotics:
Identifying Efficient Implementators, Omega, Vol. 20, 227-239.
Cooper, W. W. / Li, S. / Seiford, L. M. / Zhu, J. (2004): Sensitivity Analysis in DEA, in:
Cooper, W. W. / Seiford, L. M. / Zhu, J. (Eds.): Handbook on data envelopment
analysis, Boston, 75-98.
Cooper, W. W. / Seiford, L. M. / Tone, K. (2000): Data Envelopment Analysis, Boston.
Corr, A. (1976): A Cost-Effectiveness Approach to Marketing Outlays, Management
Accounting, January, 33-26.
Corsten, H. (2004): Produktionswirtschaft, 10., vollst. überarb. Aufl., München / Wien.
Corsten, H. / Gössinger, R. (2004): Überlegungen zur Produktionstheorie, Zeitschrift
für Betriebswirtschaft, 74. Jg., 511-522.
Corsten, H. / Gössinger, R. (2006): Output-Flexibilität in der Dienstleistungsproduktion – Eine produktionstheoretische Analyse, Zeitschrift für Betriebswirtschaft, 76.
Jg., 29-53.
Cox, R. / Goodman, C. / Fichandler, T. (1965): Distribution in a High-Level Economy,
Englewood Cliffs.
Crimmins, J. (1992): Better Measurement and Management of Brand Value, Journal
of Advertising Research, Vol 32 (July/August), 11-20.
Crössmann, J. (2003): Marketing-Controlling-Erfolgskennzahlen, in: Pepels, W. /
Birker, K. (Hrsg.): Marketing-Controlling-Organisation, Berlin, 81-105.
Cubbin, J. / Tzanidakis, G. (1998): Techniques for analyzing company performance,
Business Strategy Review, Vol. 9, No. 4, 37-46.
Cummins, D. J. / Zi, H. (1998): Comparison of frontier efficiency methods: An application to the U. S. life insurances industry, Journal of Productivity Analysis, Vol. 10,
131-152.
313
Daum, D. (2001): Marketingproduktivität: Konzeption, Messung und empirische Analyse, Wiesbaden.
Davidson, J. H. (1999): Transforming the Value of Company Reports through Marketing Measurement, Journal of Marketing Management, Vol. 15, 757-777.
Day, G. S. / Shocker, A. D. / Srivastava, R. K. (1979): Customer-Oriented Approaches to Identifying Product-Markets, Journal of Marketing, Vol. 43 (Fall), 819.
De Borger, B. / Kerstens, K. (1996): Cost efficiency of Belgian local governments: A
comparative analysis of FDH, DEA, and econometric approaches, Regional Science and Urban Economics, Vol. 26, 145-170.
De Borger, B. / Kerstens, K. / Moesen, W. / Vanneste, J. (1994a): A non-parametric
Free Disposal Hull (FDH) approach to technical efficiency, Swiss Journal of Economics and Statistics, Vol. 130, No. 4, 647-667.
De Borger, B. / Kerstens, K. / Moesen, W. / Vanneste, J. (1994b): Explaining differences in productive efficiency: An application to Belgian Municipalities, Public
Choice, Vol. 80, 339-358.
Deaton, A. / Muellbauer, J. (1999): Economics and Consumer Behavior, Cambridge
et al.
Debreu, G. (1951): The Coefficient of Resource Utilization, Econometrica, Vol. 19,
No. 3, 273-292.
Dellmann, K. / Pedell, K. L. (1994): Controlling von Produktivität, Wirtschaftlichkeit
und Ergebnis, Stuttgart.
Denison, E. F. (1970): Why Growth Rates Differ, 4th ed., Washington.
Deprins, D. / Simar L. (1989): Estimating Technical Inefficiencies With Correction For
Environmental Conditions - With an application to railway companies, Annals of
Public and Cooperative Economics, 81-101.
Deprins, D. / Simar, L. / Tulkens, H. (1984): Measuring labour efficiency in post offices, in: Marchand, M. / Pestieau, P. / Tulkens, H. (Eds.): The performance of
public enterprises: Concepts and measurements, Amsterdam, 243-267.
DeSarbo, W. S. / Wu, J. (2001), The Joint Spatial Representation of Multiple Variable
Batteries Collected in Marketing Research, Journal of Marketing, Vol. 38 (May),
244-253.
DeYoung, R. (1997): A Diagnostic Test for the Distribution-Free Efficiency Estimator,
European Journal of Operational Research, Vol. 98, No. 2, 243-249.
314
DiMaggio, P. J. / Powell, W. W. (1983): The iron cage revisited, American Sociological Review, Vol. 48, No. 2, 147-160.
Dodson, J. / Tybout, A. / Sternthal, B. (1978): Impact of Deals and Deal Retraction on
Brand Switching, Journal of Marketing Research, Vol. 15, No. 1, 72-81.
Donthu, N. / Hershberger, E. / Osmonbekov, T. (2005): Benchmarking Marketing
Productivity Using Data Envelopment Analysis, Journal of Business Research,
Vol. 58, 1474-1482.
Donthu, N. / Yoo, B. (1998): Retail productivity assessment using data envelopment
analysis, Journal of Retailing, Vol. 74, 89-107.
Doutt, J. (1984): Comparative productivity performance in fast-food retail distribution,
Journal of Retailing, Vol. 60, 98-106.
Doyle, J. R. / Green, R. H. (1991): Comparing Products Using Data Envelopment
Analysis, Omega, Vol. 19, 631-638.
Doyle, J. R. / Green, R. H. (1994): Strategic choice and data envelopment analysis –
comparing computers across many attributes, Journal of Information Technology,
Vol. 9, 61 – 69.
Doyle, J. R. / Green, R. H. (1995): Cross Evaluation in DEA: Improving discrimination
among DMUs, INFOR, Vol. 33, No. 3, 205-222.
Drucker, P. (1974): Management: Tasks, Responsibilities, Practices, New York.
Dubelaar, C. / Bhargava, M. / Ferrarin, D. (2002): Measuring retail productivity –
What really matters?, Journal of Business Research, Vol. 55, 417-426.
Dula, J. H. / Hickman, B. L. (1997): Effects of excluding the column being scored
from the DEA envelopment LP technology matrix, The Journal of the Operational
Research Society, Vol. 48, 1001-1012.
Dyckhoff, H. (1993): Aktivitätsanalyse, in: Wittmann, W. / Kern, W. / Köhler, R. / Küpper, H.-U. / Wysocki, K. v. (Hrsg.): Handwörterbuch der Betriebswirtschaft, 5.
Aufl., Stuttgart, Sp. 57-68.
Dyckhoff, H. (1994): Betriebliche Produktion, 2. Aufl., Berlin et al.
Dyckhoff, H. (2000): Grundzüge der Produktionswirtschaft, 3. überarb. Aufl., Berlin et
al.
Dyckhoff, H. (2003): Neukonzeption der Produktionstheorie, Zeitschrift für Betriebswirtschaft, 73. Jg., 705-732.
315
Dyckhoff, H. (2006): Analyse der Werbeeffizienz mit Advanced DEA, erscheint in:
Bauer, H. H. / Staat, M. / Hammerschmidt, M. (Hrsg.): Marketingeffizienz: Messung und Steuerung mit der DEA – Konzept und Einsatz in der Praxis, München.
Dyckhoff, H. / Ahn, H. (2001): Sicherstellung der Effektivität und Effizienz der Führung als Kernfunktion des Controlling, Kostenrechnungspraxis, 45. Jg., Nr. 2,
111-121.
Dyckhoff, H. / Allen, K. (1999): Theoretische Begründung einer Effizienzanalyse mittels Data Envelopment Analysis (DEA), Zeitschrift für betriebswirtschaftliche Forschung, 51. Jg., 411–436.
Dyckhoff, H. / Gilles, R. (2004): Messung der Effektivität und Effizienz produktiver
Einheiten, Zeitschrift für Betriebswirtschaft, 74. Jg., 765-783.
Dyson, R. G. / Allen, R. / Camanho, A. S. / Podinovski, V. V. / Sarrico, C. S. / Shale,
E. A. (2001): Pitfalls and protocols in DEA, European Journal of Operational Research, Vol. 132, No. 2, 245-259.
Dyson, R. G. / Thanassoulis, E. (1988): Reducing weight flexibility in data envelopment analysis, The Journal of the Operational Research Society, Vol. 39, No. 6,
563-576.
Edgett, S. / Snow, K. (1997): Benchmarking measures of customer satisfaction, quality and performance for financial products, Journal of Product & Brand Management, Vol. 6, 250-259.
Eisenführ, F. / Weber, M. (2003): Rationales Entscheiden, 4. Aufl., Berlin et al.
Engeser, M. (2003): Mehr Kopf, weniger Bauch, Wirtschaftswoche, Nr. 45, 50-52.
Epstein, M. K. / Henderson, J. C. (1989): Data Envelopment Analysis for Managerial
Control and Diagnosis, Decision Sciences, Vol. 20, No. 1, S. 90-199.
Erichson, B. / Maretzki, J. (1993): Werbeerfolgskontrolle, in: Berndt, R. / Hermanns,
A. (Hrsg.): Handbuch Marketing-Kommunikation, Wiesbaden, 521-560.
Esser, J. (2001): Entscheidungsorientierte Erweiterung der Produktionstheorie,
Frankfurt/M.
Färe, R. / Lovell, C. A. K. (1978): Measuring the technical efficiency of production,
Journal of Economic Theory, Vol. 19, 150-162.
Färe, R. / Grosskopf, S. (1992): Malmquist Indexes and Fisher Ideal Indexes, The
Economic Journal, Vol. 102, 158-160.
Färe, R. / Grosskopf, S. (1996): Intertemporal Production Frontiers: With Dynamic
DEA, Boston et al.
316
Färe, R. / Grosskopf, S. / Lindgren, B. / Roos, R. (1995): Productivity Developments
in Swedish Hospitals, in: Charnes, A. / Cooper, W. W. / Lewin, A. Y. / Seiford, L.
M. (Eds.): Data Envelopment Analysis: Theory, Methodology, and Application,
Boston, 253-272.
Färe, R. / Grosskopf, S. / Lovell, C. A. K. (1985): The measurement of efficiency of
production, Boston.
Färe, R. / Grosskopf, S. / Lovell, C. A. K. (1994): Production Frontiers, Cambridge.
Fandel, G. (1980): Zum Stand der betriebswirtschaftlichen Theorie der Produktion,
Zeitschrift für Betriebswirtschaft, 50. Jg., 86-111.
Fandel, G. (2005): Produktion, Band 1, Produktions- und Kostentheorie, 6. Aufl., Berlin et al.
Farquhar, P. H. (1989): Managing Brand Equity, Journal of Consumer Research, Vol.
30, 7-12.
Farrell, M. J. (1957): The Measurement of Productive Efficiency, Journal of the Royal
Statistical Society, Series A, Vol. 120, No. 3, 253-281.
Feder, R. (1965): How to measure marketing performance, Harvard Business Review, Vol. 43 (May/June), 132-142.
Fernandez-Castro, A. S. / Smith, P. C. (2002): Lancaster's characteristics approach
revisited: product selection using non-parametric methods, Managerial and Decision Economics, Vol. 23, No. 2, 83-91.
Fiegenbaum, A. (1990): Prospect Theory and the Risk-return Association: An empirical examination in 85 industries, Journal of Economic Behavior and Organization,
Vol. 14, No. 2, 187-204.
Fiegenbaum, A. / Hart, S. / Schendel, D. (1996): Strategic reference point theory,
Strategic Management Journal, Vol. 17, No. 3, 219-235.
Fiegenbaum, A. / Thomas, H. (1988): Attitudes towards risk and the risk return paradox: Prospect theory explanations, Academy of Management Journal, Vol. 31,
85-107.
Fischer, M. (2001a): Die Bedeutung der Wettbewerbsdynamik für den Lebenszyklusverlauf von Produkten, Die Betriebswirtschaft, 61. Jg., 443-461.
Fischer, M. (2001b): Produktlebenszyklus und Wettbewerbsdynamik - Grundlagen für
die ökonomische Bewertung von Markteintrittsstrategien, Wiesbaden.
Fischer, M. (2004): Instrumente zur Messung der Marketingperformance, Thexis, 21.
Jg., Nr. 3, 8-12.
317
Fischer, M. / Herrmann, A. / Huber, F. (2001): Return on Customer Satisfaction - Wie
rentabel sind Maßnahmen zur Steigerung der Zufriedenheit?, Zeitschrift für Betriebswirtschaft, 71. Jg., 1161-1190.
Fischer, M. / Meffert, H. / Perrey, J. (2004): Markenpolitik: Ist sie für jedes Unternehmen gleichermaßen relevant?, Die Betriebswirtschaft, 64. Jg., 333-356.
Folkes, V. S. / Wheat, R. D. (1995): Consumer Price Perception of Promoted Products, Journal of Retailing, Vol. 71, No. 3, 317-328.
Frei, F. / Harker, P. T. (1999): Measuring the Efficiency of Service Delivery Processes, Journal of Service Research, Vol. 1, 300-312.
Gatignon, H. / Xuereb, J.-M. (1997): Strategic Orientation of the Firm and New Product Performance, Journal of Marketing Research, Vol. 34 (February), 77-90.
Gedenk, K. (2002): Verkaufsförderung, München.
Gedenk, K. / Neslin, S. A. (1999): The Role of Retail Promotion in Determining Future Brand Loyalty: Its Effect on Purchase Event Feedback, Journal of Retailing,
Vol. 75, 433-459.
Gelbert, A. / Böing, Ch. (2003): Gegenstand und Bedeutung des Brand Equity Managements, in: Göttgens, O. / Gelbert, A. / Böing, Ch. (Hrsg.): Profitables Markenmanagement: Strategien - Konzepte - Best Practices, Wiesbaden, 3-21.
Gelbert, A. / Herrmann, A. / Schulz-Moll, P. / Thun, S. (2003): Brand Performance
Driver Analysis – Allokation von Marketingbudgets auf die wirklichen Treiber der
Marken-Performance, BBDO Insights, Nr. 4, 50-60.
Gelbert, A. / Kam, P. / Büschken, J. (2002): Mit Integrated Marketing Efficiency Controlling die Kosten integrierter Kommunikation senken, BBDO Insights, Nr. 2, 4754
George, K. (1966): Productivity in Distribution, London.
GfK/Wirtschaftswoche (2005): Werbeklimastudie I/2005, Nürnberg.
Görtz, G. (2006): Verbraucherspezifische Promotionwirkungen, Wiesbaden.
Görtz, G. / Hammerschmidt, M. (2006): Promotioneffizienz, erscheint in: Bauer, H. H.
/ Staat, M. / Hammerschmidt, M. (Hrsg.): Marketingeffizienz: Messung und Steuerung mit der DEA - Konzept und Einsatz in der Praxis, München.
Golany, B. / Learner, D. B. / Phillips, F. Y. / Rousseau, J. J. (1990): Managing service
productivity: the data envelopment analysis perspective, Computers, Environment
and Urban Systems, Vol. 14, No. 2, 89-102.
318
Golany, B. / Phillips, F. Y. / Rousseau, J. J. (1993): Models for Improved Effectiveness based on DEA Efficiency Results, IIE Transactions, Vol. 25, 2-10.
Goodman, S. (1967): Improved marketing Analysis of profitability, Relevant Costs,
and Life Cycles, Financial Executive, Vol. 35, No. 6, 28-34.
Green, R. H. / Doyle, J. R. (1997): Implementing Data Envelopment Analysis: Primal
or Dual?, INFOR, Vol. 35, No. 1, 66-75.
Greene, W. H. (1993): The econometric approach to efficiency analysis, in: Fried, H.
O. / Lovell, C. A. K. / Schmidt, S. S. (Eds.): The measurement of productive efficiency, Oxford / New York, 68-119.
Greene, W. H. (2003): Econometric analysis, 5th ed., Upper Saddle River et al.
Greißinger, P. (2000): Wirtschaftlichkeitsanalysen im Gesundheitswesen, Wiesbaden.
Grether, M. (2003): Marktorientierung durch das Internet – Ein wissensorientierter
Ansatz für Unternehmen, Wiesbaden.
Grewal, D. / Levy, M. / Mehotra, A. / Sharma, A. (1999): Planning Merchandising Decisions to Account for Regional and Product Assortment Differences, Journal of
Retailing, Vol. 73, No. 3, 405–424.
Grifell-Tatjé, E. / Lovell, C. A. K. (1997): The sources of productivity change in Spanish banking, European Journal of Operational Research, Vol. 98, 364-380.
Guadagni, P. M. / Little, J. D. C. (1983), A Logit Model of Brand Choice Calibrated on
Scanner Data, Marketing Science, Vol. 2, No. 3, 203-38.
Gubelt, C. / Padberg, T. / Werner, T. (2000): Produktionstheoretische Untersuchung
der Effizienz deutscher Sparkassen, Zeitschrift für öffentliche und gemeinwirtschaftliche Unternehmen, 23. Jg., Nr. 3, 289-303.
Gupta, S. / Cooper, L. G. (1992): The Discounting of Discounts and Promotion
Thresholds, Journal of Consumer Research, Vol. 19 (December), 401-411.
Gutenberg, E. (1951): Grundlagen der Betriebswirtschaftslehre, Band 1, Die Produktion, Berlin.
Gutenberg, E. (1955): Grundlagen der Betriebswirtschaftslehre, Band 2, Der Absatz,
Berlin.
Gutenberg, E. (1975): Einführung in die Betriebswirtschaftslehre, Wiesbaden.
Hall, G. / Lloyd, T. (1985): The Usefulness of Hedonic Prices to the Consumers' Association, Applied Economics, Vol. 17, No. 2, 191-203.
319
Halme, M. / Joro, T. / Korhonen, P. / Salo, S. / Wallenius, J. (1999): A Value Efficiency Approach to Incorporating Preference Information in Data Envelopment
Analysis, Management Science, Vol. 45, No. 1, 103-115.
Hanow, G. A. (1999): Die Messung des Einflusses der Informationstechnologie auf
die Produktivität von Kreditinstituten mit Hilfe der Data Envelopment Analysis,
Marburg.
Hawkins, D. / Best, R. / Lillis, C. (1987): The nature and measurement of marketing
productivity in consumer durables industries: a firm level analysis, Journal of the
Academy of Marketing Science, Vol. 15, No. 4, 1-8.
Heinen, E. (1965): Betriebswirtschaftliche Kostenlehre, Band 1, 2. Aufl., Wiesbaden.
Helm, R. (1996): Methoden der Produktivitätssteuerung im Vertrieb, IO-Management,
65. Jg., Nr. 7/8, 64-67.
Herp, T. (1982): Der Markenwert von Marken des Gebrauchsgütersektors, Frankfurt/M.
Herremans, I. M. / Ryans, J. K. (1995): The Case for Better Measurement and Reporting of Marketing Performance, Business Horizons, Vol. 38, No. 5, 51-60.
Herremans, I. M. / Ryans, J. K. / Aggarwal, R. (2000): Linking advertising and brand
value, Business Horizons, Vol. 43, No. 3, 19 - 26.
Herrmann, A. / Bauer, H. H. (1996): Ein Ansatz zur Preisbündelung auf der Basis der
„prospect“-Theorie, Zeitschrift für betriebswirtschaftliche Forschung, 48. Jg., Nr.
7/8, 675-694.
Hershberger, E. / Osmonbekov, T. / Donthu, N. (2001): Benchmarking Marketing
Performance, AMA Summer Educator's Conference Proceedings, Vol. 12, 1-25.
Heskett, J. L. / Jones, T. O. / Lovemann, G. W. / Sasser, W. E. / Schlesinger, L. A.
(1994): Putting the Service-Profit-Chain to Work, Harvard Business Review, Vol.
94, March-April, 164 -174.
Hiebeler, R. / Kelly, T. B. / Ketteman, C. (1998): Best Practices, New York.
Hjorth-Andersen, C. (1984): The Concept of Quality and the Efficiency of Markets for
Consumer Products, Journal of Consumer Research, Vol. 11 (September), 708718.
Hofer, C. W. / Schendel, D. (1984): Strategy formulation: analytical concepts, St.
Paul.
Hoitsch, H.-J. (1993): Produktionswirtschaft. Grundlagen einer industriellen Betriebswirtschaftslehre, 2., vollst. überarb. u. erw. Aufl., München.
320
Hoitsch, H.-J./ Lingnau, V. (2004): Kosten- und Erlösrechnung. Eine controllingorientierte Einführung, 5. überarb. Auflage, Heidelberg.
Hoitsch, H.-J. (2000): Produktionsfunktionen, in: Corsten, H. (Hrsg.): Lexikon der Betriebswirtschaftslehre, 4. Aufl., München, 775-779.
Homburg, C. (2000): Benchmarking durch Data Envelopment Analysis, Wirtschaftswissenschaftliches Studium, 29. Jg., 583–587.
Homburg, C. / Eichin, R. (1998): Aggregierte Prozessanalysen als Instrument des
Prozessmanagements, Die Betriebswirtschaft, 58. Jg., 635-643.
Homburg, Ch. (1994): Produktivitätssteuerung in Marketing und Vertrieb, Controlling,
6. Jg., Nr. 3, 140-146.
Homburg, Ch. (1998): Quantitative Betriebswirtschaftslehre, 2. überarb. u. erw. Auflage, Wiesbaden.
Homburg, Ch. / Krohmer, H. (2003): Marketingmanagement: Strategie – Instrumente
– Umsetzung – Unternehmensführung, Wiesbaden.
Homburg, Ch. / Schneider, J. / Schäfer, H. (2003): Sales Excellence: Vertriebsmanagement mit System, 3., überarb. Aufl., Wiesbaden
Hood, N. (1968): A conceptual framework for the measurement of marketing efficiency, British Journal of Marketing, Vol. 3, 13-17.
Hoopes, B. / Triantis, K. P. (2001): Efficiency Performance, Control Charts and Process Improvement, IEEE Transactions on Engineering Management, Vol. 48,
239-253.
Horsky, D. / Nelson, P. (1996): Evaluation of Salesforce Size and Productivity
Through Efficient Frontier Benchmarking, Marketing Science, Vol. 15, No. 4, 301–
320.
Horváth, P. (2005): Controlling, 10., vollst. überarb. Aufl, München.
Huber, F. / Herrmann, A. / Peter, S. (2003): Ein Ansatz zur Steuerung der Markenstärke, Zeitschrift für Betriebswirtschaft, 73. Jg., Nr. 4, 345-370.
Hunt, S. D. (1990): Truth in Marketing Theory and Research, Journal of Marketing,
Vol. 54 (July), 1-15.
Hunt, S. D. / Duhan, D. F. (2002): Competition in the third millennium – Efficiency or
Effectiveness?, Journal of Business Research, Vol. 55, 97-102.
Ingene, C. (1983): A Conceptual Model and Empirical Evidence of Labor Productivity
in Department Stores, in: Gautschi, D. A. (Ed.): Productivity and Efficiency in Distribution Systems, Amsterdam, 77-92.
321
Interbrand (2003): World’s Most Valuable Brands, Survey, New York.
Jegers, M. (1991): Prospect Theory and the Risk-Return Relation: Some Belgian
Evidence, Academy of Management Journal, Vol. 34, No. 1, 215-225.
Jondrow, J. / Lovell, C. A. K. / Materov, I. S. / Schmidt, P. (1982): On the estimation
of technical inefficiency in the stochastic frontier production function model, Journal of Econometrics, Vol. 19, 233-238.
Kahnemann, D. / Tversky, A. (1979): Prospect Theory: An analysis of decision under
risk, Econometrica, Vol. 47, 262-291.
Kalita, J. K. (1994): Measuring Product Market Efficiency: A New Methodology, Marketing Letters, Vol. 5, No. 1, 77-89.
Kamakura, W. A. / Lenartowicz, T. / Ratchford, B. T. (1996): Productivity assessment
of multiple retail outlets, Journal of Retailing, Vol. 72, No. 4, 333-356.
Kamakura, W. A. / Ratchford, B. T. / Agrawal, J. (1988): Measuring Market Efficiency
and Welfare Loss, Journal of Consumer Research, Vol. 15 (December), 289-302.
Kamakura, W. A. / Mittal, V. / de Rosa, F. / Mazzon, J. A. (2002): Assessing the service profit chain, Marketing Science, Vol. 21, No. 3, 294-317.
Kaparakis, E. I. / Miller, S. M. / Noulas, A. G. (1994): Short-Run Cost Inefficiency of
Commercial Banks: A Flexible Stochastic Frontier Approach, Journal of Money,
Credit and Banking, Vol. 26, No. 4, 875-894.
Kapferer, J.–N. (2005): The new strategic brand management: creating and sustaining brand equity long term, 3rd ed., London et al.
Karlöf, B. / Östblom, S. (1994): Benchmarking: A signpost to excellence in quality
and productivity, New York.
Keeney, R. L. / Raiffa, H. (1976): Decisions with Multiple Objectives: Preferences and
Value Tradeoffs, New York.
Keller, K. L. (1993): Conceptualizing, Measuring and Managing Customer-Based
Brand Equity, Journal of Marketing, Vol. 57 (January), 1-22.
Kern, W. (1962): Bewertung von Warenzeichen, Betriebswirtschaftliche Forschung
und Praxis, 14. Jg., Nr. 1, 17-31.
Khouja, M. (1995): The Use of Data Envelopment Analysis for Technology Selection,
Computers & Industrial Engineering, Vol. 28, No. 1, 123-132.
Kiener, J. (1980): Marketing Controlling, Darmstadt.
Kirmani, A. / Rao, A. R. (2000): No Pain, No Gain, Journal of Marketing, Vol. 64, 6679.
322
Kittelsen, S. A. C. / Forsund, F. R. (1992): Efficiency Analysis of Norwegian District
Courts, Journal of Productivity Analysis, Vol. 3, 277-306.
Kleemann, S. (2004): Konzeptualisierung und Messung der Produktivität im Marketing - Eine State-of-the-Art-Analyse, Diplomarbeit, Universität Mannheim.
Kleemann, S. / Hammerschmidt, M. (2006a): Ausgewählte Instrumente zur Steuerung der Marketingeffektivität, in: Bauer, H. H. / Stokburger, G. / Hammerschmidt,
M.: Marketing Performance: Messen – Analysieren - Optimieren, Wiesbaden,
250-263.
Kleemann, S. / Hammerschmidt, M. (2006b): Weiterführende Literatur zu DEAAnwendungen im Marketing, erscheint in: Bauer, H. H. / Staat, M. / Hammerschmidt, M. (Hrsg.): Marketingeffizienz: Messung und Steuerung mit der DEA Konzept und Einsatz in der Praxis, München.
Kleine, A. (2002): DEA-Effizienz: Entscheidungs- und produktionstheoretische
Grundlagen der Data Envelopment Analysis, Wiesbaden.
Knewitz, A. (2001): Raubtiere, Stadtlaster, Die Zeit, Nr. 37, 06.09.2001, 32.
Koopmans, T. C. (1951): Analysis of Production as an Efficient Combination of Activities, in: Koopmans, T. C. (Ed.): Activity Analysis of Production and Allocation,
London, 33-97.
Kotler, P. (1997): Marketing Management, 9th ed., Upper Saddle River.
Kotler, P. / Bliemel, F. (2001): Marketing-Management, 10. Aufl., Stuttgart.
Kraftfahrt-Bundesamt (2004): Statistische Mitteilungen, Reihe 1, Fahrzeugzulassungen: Neuzulassungen - Besitzumschreibungen - Löschungen - Bestand, November 2004.
Kreuder, A. (2003): State of the Art der Produkteffizienzanalyse mittels Data Envelopment Analysis, Diplomarbeit, Universität Mannheim.
Kriegbaum, C. (2001): Markencontrolling: Bewertung und Steuerung von Marken als
immaterielle Vermögenswerte im Rahmen eines unternehmenswertorientierten
Controlling, München.
Krulis-Randa, J. (1990): Theorie und Praxis des Marketing-Controlling, in: Siegwart,
H. / Mahari, J. / Caytas, I. G. / Sander, S. (Hrsg.): Management Controlling, Basel
et al., 257-272.
Kuhn, T. S. (1970): The Structure of Scientific Revolutions, 2nd ed., Chicago.
Kumbhakar, S. C. / Lovell, C. A. K. (2000): Stochastic Frontier Analysis, New York.
323
LaForge, R. / Cravens, D. / Young, C. (1985): Improving Salesforce Productivity,
Business Horizons, Vol. 28, No. 5, 50-59.
Lal, R. / Padmanabhan, V. (1995): Competitive Response and Equilibria, Marketing
Science, Vol. 14 (Summer), 101-108.
Lamont, L. M. / Lundstrom, W. J. (1977): Identifying successful industrial salesmen
by personality and personal characteristics, Journal of Marketing Research, Vol.
14, 517-529.
Lancaster, K. J. (1966): A New Approach to Consumer Theory, The Journal of Political Economy, Vol. 74, No. 2, 132-157.
Lancaster, K. J. (1979): Variety, Equity and Efficiency, Oxford.
Lasch, R. / Trost, R. (1997): Wettbewerbs-Benchmarking - ein empfehlenswertes
Management-Instrument?, Zeitschrift für Betriebswirtschaft, 67. Jg., 689-712.
Lasslop, I. (2003): Effektivität und Effizienz von Marketing-Events - Wirkungstheoretische Analyse und empirische Befunde, Wiesbaden.
Lavidge, R. J. / Steiner, G. (1961): A model for predictive measurements of advertising effectiveness, Journal of Marketing, Vol. 25, 59-62.
Leeflang, P. / Wittink, D. / Wedel, M. / Naert, P. (2000): Building Models for Marketing
Decisions, Dordrecht.
Lenskold, J. (2002): Marketing RoI: Playing to Win, Marketing Management, Vol. 14,
S. 31-34.
Levitt, T. (1960): Marketing Myopia, Harvard Business Review, Vol. 38, No. 4, 45-56.
Lewin, A. Y. / Day, D. (1995): Strategic Leaders or Strategic Groups: A Longitudinal
Data Envelopment Analysis of the U.S. Brewing Industry, European Journal of
Operational Research, Vol. 8, 619-638.
Lewin A. Y. / Morey, R. C. / Cook T. J. (1982): Evaluating the Administrative Efficiency of Courts, Omega, Vol. 10, 401-411.
Lins, M. P. E. / Novaes, L. F. L. / Legey, L. F. L. (2005): Real Estate Appraisal: A
Double Perspective Data Envelopment Analysis Approach, Annals of Operations
Research, Vol. 138, No. 1, 79-96.
Lodish, L. M. / Abraham, M. M. / Kalmenson, S. / Livelsberger, J. / Lubetkin, B. /
Richardson, B. / Stevens, M. E. (1995): How T.V. Advertising Works: A MetaAnalysis of 389 Real World Split Cable T.V. Advertising Experiments, Journal of
Marketing Research, Vol. 32 (May), 125-139.
324
Lovell, C. A. K. (2006): Frontier Analysis in Health Care, International Journal of
Healthcare Technology and Management, Vol. 7, No.1/2, 5–14.
Luo, X. (2004): Data Envelopment Analysis: A Management Science Tool for Scientific Marketing Research, Journal of Marketing Research, Vol. 41 (August), 365368.
Luo, X. / Donthu, N. (2001): Benchmarking Advertising Efficiency, Journal of Advertising Research, Vol. 41, No. 6, 7-18.
Luo, X. / Donthu, N. (2005): Assessing advertising media spending inefficiencies in
generating sales, Journal of Business Research, Vol. 58, 28-36.
MacKenzie, S. / Lutz, R. (1989): An Empirical Examination of the Structural Antecedents of Attitude Toward the Ad in an Advertising Pretest Context, Journal of
Marketing, Vol. 53, 48-65.
Mahajan, J. (1991): A Data Envelopment Analytic Model for Assessing the Relative
Efficiency of the Selling Function, European Journal of Operational Research,
Vol. 53, 189-205.
Marketing Science Institute (2002): 2002 - 2004 Research Priorities - A Guide to MSI
Research Programs and Procedures, Research Paper, Cambridge.
Matzler, K. / Fuchs, M. / Binder, H. J. / Leihs, H. (2005): Asymmetrische Effekte bei
der Entstehung von Kundenzufriedenheit: Konsequenzen für die ImportancePerformance-Analyse, Zeitschrift für Betriebswirtschaft, 75. Jg., Nr. 3, 299-317.
Mayer, H. / Illmann, T. (2000): Markt- und Werbepsychologie, 3. Aufl., Stuttgart
McDonald, C. (1995): Single Source - neue Möglichkeiten der Untersuchung von
Werbeeffizienz, Planung & Analyse, 22. Jg., Nr. 5, 52-58.
Meeusen, W. / van den Broeck, J. (1977): Efficiency estimations from Cobb-Douglas
Production Functions with composed errors, International Economic Review, Vol.
18, No. 2, 435-444.
Meffert, H. / Koers, M. (2001): Integratives Markencontrolling auf Basis des Balanced-Scorecard-Ansatzes, in: Reinecke, S. / Tomczak, T. / Geis, G. (Hrsg.):
Handbuch Marketingcontrolling, St. Gallen / Wien, 292-320.
Meyer, J. W. / Rowan, B. (1977): Institutionalized organisations: Formal structure as
myth and ceremony, American Journal of Sociology, Vol. 83, Nr. 2, 340-363.
Miliotis, P. A. (1992): Data Envelopment Analysis Applied to Electricity Distribution
Districts, The Journal of the Operational Research Society, Vol. 43, No. 5, 549555.
325
Monroe, K. B. (1990): Pricing: Making Profitable Decisions, New York.
Morgan, N. A. / Clark, B. H. / Gooner, R. (2002): Marketing Productivity, Marketing
Audits, and Systems for Marketing Performance Assessment: Integrating Multiple
Perspectives, Journal of Business Research, Vol. 55, No. 5, 363-375.
Morris, M. / Davis, D. / Allen, J. / Avila, R. / Chapman, J. (1991): Assessing the relationship among performance measures, managerial practices, and satisfaction
when evaluating the salesforce: A Replication and extension, Journal of Personal
Selling & Sales Management, Vol. 9, No. 3, 25-35.
Mosley, H. / Schütz, H. / Schmid, G. (2003): Effizienz der Arbeitsämter, Berlin.
Müller-Stewens, G. / Osterloh, M. (1996): Kooperationsinvestitionen besser nutzen:
Interorganisationales Lernen als Know-how-Transfer oder Kontext-Transfer?,
Zeitschrift Führung und Organisation, 65. Jg., Nr. 1, 18-24.
Mukherjee, A. / Nath, P. / Pal, M. (2003): Resource, service quality and performance
triad: a framework for measuring efficiency of banking services, The Journal of
the Operational Research Society, Vol. 54, 723-735.
Murthi, B. P. S. / Srinivasan, K. / Kalyanaram, G. (1996): Controlling for Observed
and Unobserved Managerial Skills in Determining First-Mover Market Share Advantage, Journal of Marketing Research, Vol. 33 (August), 329-336.
Neely, A. D. (2004): Business Performance Measurement – Theory and Practice, 4th
ed., Cambridge.
Neely, A. D. / Mills, J. F. / Gregory, M. J. / Platts, K. W. (1995): Performance measurement systems design - A literature review and research agenda, International
Journal of Operations and Production Management, Vol. 15, No. 4, 80-116.
Norman, M. / Stoker, B. (1991): Data Envelopment Analysis. The Assessment of Performance, New York et al.
Norton, R. (1994): Which offices or stores really perform best? A new tool tells, Fortune, Vol. 130, No. 9, 38.
Noulas, A. / Ketkar, K. (1998): Efficient utilization of resources in public schools: a
case study of New Jersey, Applied Economics, Vol. 30, 1299-1309.
Nunamaker, T. R. (1985): Using Data Envelopment Analysis to Measure the Efficiency of Non-profit Organizations, Managerial and Decision Economics, Vol. 6,
50-58.
Nyhan, R. C. / Marlowe, H. A. (1995): Performance Measurement in the Public Sector: Challenges and Opportunities, Public Productivity & Management Review,
Vol. 18, No. 4, 333-348.
326
Nyhan, R. C. / Martin, L. L. (1999): Comparative performance measurement, Public
Productivity & Management Review, Vol. 22, No. 3, 348-364.
Odeck, J. / Hjalmarsson, L. (1996): The Performance of Trucks - An Evaluation Using
Data Envelopment Analysis, Transportation Planning and Technology, Vol. 20,
No. 1, 49-66.
Osterloh, M. / Frost, J. (1998): Prozessmanagement als Kernkompetenz: Wie Sie
Business Reengineering strategisch nutzen können, 2. aktual. u. erw. Aufl.,
Wiesbaden.
o.V. (2001): Engage Online Advertising Report Summer 2001, Engage Inc., San
Francisco.
o.V. (2004a): Neue Erhebungsdaten: Fahrzeug-Qualität gemessen durch Pannenstatistik, http://www.adac.de/Auto_Motorrad/pannen_und_maengel/PannenStatistik.
o.V. (2004b): Toyota zweitgrößter Autohersteller, Wall Street Journal, 26. 01. 2004.
Padberg, T. / Werner, T (2005): Analyse der Mehrjahresentwicklung der Effizienz von
Sparkassen unter Einsatz der DEA und des Malmquist Index, Zeitschrift für betriebswirtschaftliche Forschung, 57. Jg., 214-236
Papagapiou, A. / Mingers, J. / Thanassoulis, E. (1997): Would you buy a used car
with DEA?, OR Insight, Vol. 10, No. 1, 13-19.
Papahristodoulou, C. (1997): A DEA Model to Evaluate Car Efficiency, Applied Economics, Vol. 29 (November), 1493-1508.
Paradi, J. C. / Vela, S. / Yang, Z. (2004): Assessing Bank and Bank Branch Performance, in: Cooper, W. W. / Seiford, L. M. / Zhu, J. (Eds.): Handbook on data envelopment analysis, Boston, 349-400.
Parsons, L. J. (1994): Productivity versus Relative Efficiency in Marketing: Past and
Future?, in: Laurent, G. / Lilien, G. L. / Pras, B. (Eds.): Research Traditions in
Marketing, Boston, 169-198.
Pastor, J. M. / Pérez, F. / Quesada, J. (1997): Efficiency analysis in banking firms: An
international comparison, European Journal of Operational Research, Vol. 98,
395-407.
Pelham, A. M. / Wilson, D. T. (1996): A Longitudinal Study of the Impact of Market
Structure, Firm Structure, Strategy, and Market Orientation Culture on Dimensions of Small-Firm Performance, Journal of the Academy of Marketing Science,
Vol. 24, No. 1, 27-43.
327
Penrose, N. (1989): Valuation of Brand Names and Trademarks, in: Murphy, J. (Ed.):
Brand Valuation: Establishing a True and Fair View, The Interbrand Group, London, 32-46.
Pepels, W. (1996): Werbeeffizienzmessung, Stuttgart.
Perelman, S. / Pestieau, P. (1988): Technical Performance in Public Enterprises - A
comparative Study of Railways and Postal Services, European Economic Review, Vol. 32, 432-441.
Pfannmüller, M. (2004): Markentausch: Bald kommen Chevrolets aus Südkorea,
FAZ, 17.07.2004.
Piercy, N. / Cravens, D. / Morgan, N. A. (1996): Salesforce performance and behaviour-based management processes in business-to-business sales organizations,
European Journal of Marketing, Vol. 32, 79-100.
Piercy, N. / Cravens, D. / Morgan, N. A. (1999): Relationship between sales management control, territory design, salesforce performance and sales organization
effectiveness, British Journal of Management, Vol. 10, 95-111.
Pilling, B. / Donthu, N. / Henson, S. (1999): Accounting for the Impact of Territory
Characteristics on Sales Performance – Relative Efficiency as a Measure of
Salesperson Performance, Journal of Personal Selling & Sales Management, Vol.
19, No. 2, 35-45.
Porembski, M. (2000): Produktivität der Banken, Wiesbaden.
Porter, M. E. (2004): Competitive advantage: Creating and sustaining superior performance, New York et al.
Porter, M. E. (2000): Wettbewerbsvorteile: Spitzenleistungen erreichen und behaupten, 6. Aufl., Frankfurt, M./New York.
Prahalad, C. K. / Hamel, G. (1990): The core competence of the corporation, Harvard
Business Review, Vol. 90, No. 3, 79-91.
Rao, V. / Sabavala, D. J. (1981): Inference of Hierarchical Choice Processes from
Panel Data, Journal of Consumer Research, Vol. 8 (June), 85-96.
Ratchford, B. T. / Agrawal, J. / Grimm, P. E. / Srinivasan, N. (1996): Toward Understanding the Measurement of Market Efficiency, Journal of Public Policy & Marketing, Vol. 15, No. 2, 167-184.
Rau, H. (1996): Mit Benchmarking an die Spitze: von den Besten lernen, Wiesbaden.
328
Raub, S. / Büchel, B. (1996): Organisationales Lernen und Unternehmensstrategie „core capabilities“ als Ziel und Resultat organisationalen Lernens, Zeitschrift Führung und Organisation, 65. Jg., Nr. 1, 26-30.
Recht, P. / Scheel, H. (1997): Faire Effizienzmessung im Außendienst, Versicherungswirtschaft, 52. Jg., 364-366.
Reichmann, G. / Sommersguter-Reichmann, M. (2004): Performancemessung im
Bereich wissenschaftlicher Bibliotheken, Die Betriebswirtschaft, 64. Jg., 154-173.
Reichmann, T. (2005): Controlling mit Kennzahlen und Managementberichten, 7.
Aufl., München.
Reinartz, W. / Thomas, J. S. / Kumar, V. (2005): Balancing Acquisition and Retention
Resources to Maximize Customer Profitability, Journal of Marketing, Vol. 69
(January), 63–79.
Reinecke, S. (2004): Marketing Performance Management: Empirisches Fundament
und Konzeption für ein integriertes Marketingkennzahlensystem, Wiesbaden.
Reinecke, S. / Reibstein, D. J. (2002): Performance Measurement im Marketing und
Verkauf: Einsatz von Marketingkennzahlen in den USA und in Kontinentaleuropa,
Kostenrechnungspraxis, 46. Jg., Nr. 1, 18-25.
Repenn, W. / Weidenhiller, G. / Tafelmaier, R. (2005): Markenbewertung und
Markenverwertung, 2. Aufl., München.
Riedesel, P. (2002): Comment on “Benchmarking Advertising Efficiency”, Journal of
Advertising Research, Vol. 42, S. 93.
Roll, Y. / Cook, W. D. / Golany, B. (1991): Controlling factor weights in data envelopment analysis, IIE Transactions, Vol. 23, 2-9.
Rosen, S. (1974): Hedonic Prices and Implicit Markets: Product Differentiation in
Pure competition, The Journal of Political Economy, Vol. 82, No. 1, 34-55.
Rühli, E. (1995): Ressourcenmanagement: Strategischer Erfolg dank Kernkompetenzen, Die Unternehmung, 40. Jg., Nr. 2, 91-105.
Rust, R. T. (1988): Flexible Regression, Journal of Marketing Research, Vol. 25
(February), 10-24.
Rust, R. T. / Ambler, T. / Carpenter, G. S. / Kumar, V. / Srivastava, R. K. (2004):
Measuring Marketing Productivity: Current Knowledge and Future Directions,
Journal of Marketing, Vol. 68, No. 4, 76-89.
329
Rust, R. T. / Lemon, K. N. / Zeithaml, V. A. (2004): Return on Marketing: Using Customer Equity to Focus Marketing Strategy, Journal of Marketing, Vol. 68, No. 1,
109–127.
Rust, R. T. / Moorman, C. / Dickson, P. R. (2002): Getting Return on Quality, Journal
of Marketing, Vol. 66 (October), 7-24.
Rust, R. T. / Zahorik, A. / Keiningham, T. L. (1995): Return on Quality (ROQ): Making
Service Quality Financially Accountable, Journal of Marketing, Vol. 59 (April), 58–
70.
Sabisch, H. / Tintelnot, C. (1997): Integriertes Benchmarking für Produkte und Produktentwicklungsprozesse, Berlin / Heidelberg.
Saen, R. F. / Memariani, A. / Lotfi, F. H. (2005): The effect of correlation coefficient
among multiple input vectors on the efficiency mean in data envelopment
analysis, Applied Mathematics and Computation, Vol. 162, No. 2, 503-521.
Sander, M. (1994): Die Bestimmung und Steuerung des Wertes von Marken: eine
Analyse aus Sicht des Markeninhabers, Heidelberg.
Sattler, H. (1998): Markenbewertung als Instrument der Wertorientierten Unternehmensführung, in: Bruhn, M. / Lusti, M. / Müller, W. R. / Schierenbeck, H. / Studer,
T. (Hrsg.): Wertorientierte Unternehmensführung, Wiesbaden, 192-212.
Sattler, H. (1999): Ein Indikatorenmodell zur langfristigen monetären Markenwertbestimmung, Die Betriebswirtschaft, Nr. 5, 633-653.
Sauer, N. E. (2003): Consumer Sophistication - Messung, Determinanten und Wirkungen auf Kundenzufriedenheit und Kundenloyalität, Wiesbaden.
Scheel, H. (2000): Effizienzmaße der Data Envelopment Analysis, Wiesbaden.
Schefczyk, M. (1993): Operational Performance of Airlines: An Extension of Traditional Mangement Paradigms, Strategic Management Journal, Vol. 14, No. 4,
301-317.
Schefczyk, M. (1994): Kritische Erfolgsfaktoren in schrumpfenden Branchen, Stuttgart.
Schefczyk, M. (1996): Data Envelopment Analysis, Die Betriebswirtschaft, 56. Jg.,
167-183.
Schefczyk, M. / Gerpott, T. (1996): Unternehmenserfolgssicherung in einem
schrumpfenden Markt: eine empirische Analyse deutscher Gießereien unter Anwendung der DEA, Zeitschrift für Planung, 7. Jg., Nr. 3, 211-232.
330
Schmidt, F. (2000): Strategisches Benchmarking: Gestaltungskonzeptionen aus der
Markt- und Ressourcenperspektive, Lohmar / Köln.
Schmidt, P. (1976): On the statistical estimation of parametric frontier production
functions, Review of Economics and Statistics, Vol. 58, 238-239.
Schmitz, N. (1987): Superspiele mit Vertrauensbildung, in: Opitz, O. / Rauhut, B.
(Hrsg.): Ökonomie und Mathematik, Berlin et al., 75-88.
Schneeweiß, C. (2002a): Einführung in die Produktionswirtschaft, 8., verb. u. erw.
Aufl., Berlin et al.
Schneeweiß, C. (2002b): Zur Erweiterung der Produktionstheorie auf die Dienstleistungsproduktion, in: Lingnau, V. / Schmitz, H. (Hrsg.): Aktuelle Aspekte des Controllings, Heidelberg / New York, 199-224.
Schneider, D. (1997): Betriebswirtschaftslehre, Band 3, Theorie der Unternehmung,
München/Wien.
Schneider, M. (2004): Data-Envelopment-Analyse von Landesarbeitsgerichten. Betriebswirtschaftlicher Leistungsvergleich im kennzahlenfreien Raum, Die Betriebswirtschaft, 64. Jg., 28-38.
Schroiff, H.-W. (1999): Schwerpunktthema: Marketing-Controlling durch Marktforschung, Planung & Analyse, 26. Jg., Nr. 6, 16-44.
Schulz, R. / Brandmeyer, K. (1989): Die Marken-Bilanz: Ein Instrument zur Bestimmung und Steuerung von Markenwerten, Markenartikel, 51. Jg., Nr. 7, 364-370.
Scott, W. R. / Meyer, J. W. (1991): The organization of societal sectors, in: Powell,
W. W. / Di Maggio, P. J. (Eds.): The new institutionalism in organizational analysis, Chicago, 108-140.
Seiford, L. M. / Zhu, J. (1999): Infeasibility of Super-Efficiency Data Envelopment
Analysis Models, INFOR, Vol. 37, No. 2, 174-187.
Sengupta, J. K. (1995): Dynamics of Data Envelopment Analysis - Theory of Systems Efficiency, Dordrecht et al.
Sengupta, J. K. (1996): Stochastic efficiency measurement: a new approach, Applied
Economics Letters, Vol. 4, 125-128.
Sengupta, J. K. (1999): A dynamic efficiency model using DEA, International Journal
of Production Economics, Vol. 62, 209-218.
Sengupta, J. K. (2000): Dynamic and stochastic efficiency analysis: Economics of
Data Envelopment Analysis, Singapore et al.
Sevin, C. (1965): Marketing productivity Analysis, St. Louis et al.
331
Sharma, A. / Levy, M. / Kumar, A. (2000): Knowledge Structures and Retail Sales
Performance: An empirical Examination, Journal of Retailing, Vol. 76, 53-69.
Shaw, R. (2001): Measure up! A manifesto for change, Journal of Targeting, Measurement and Analysis for Marketing, Vol. 9, 301-305.
Shephard, R. W. (1953): Cost and Production Functions, Princeton.
Sherman, H. D. / Gold, F. (1985): Bank branch operating efficiency, Journal of Banking and Finance, Vol. 9, No. 2, 297-315.
Sherman, H. D. / Ladino, G. (1995): Managing Bank Productivity Using Data Envelopment Analysis (DEA), Interfaces, Vol. 25, No. 2, 60-73.
Sheth, J. / Sisodia, R. (1995a): Feeling the Heat - Part 1, Marketing Management,
Vol. 4, No. 2, 9-23.
Sheth, J. / Sisodia, R. (1995b): Feeling the Heat - Part 2, Marketing Management,
Vol. 4, No. 3, 19-33.
Sheth, J. / Sisodia, R. (2002): Marketing Productivity – Issues and Analysis, Journal
of Business Research, Vol. 55, 349-362.
Shoemaker, R. W. / Shoaf, F. R. (1977): Repeat Rates of Deal Purchases, Journal of
Advertising Research, Vol. 17, No. 2, 47-53.
Shoham, A. / Fiegenbaum, A. (1999): Extending the Competitive Marketing Strategy
Paradigm: The Role of Strategic Reference Points Theory, Journal of the Academy of Marketing Science, Vol. 27, 442-454.
Simar, L. / Wilson, P. W. (1998): Sensitivity Analysis of Efficiency Scores, Management Science, Vol. 44, 49-61.
Simar, L. / Wilson, P. W. (2004): Performance of the Bootstrap for DEA, in: Cooper,
W. W. / Seiford, L. M. / Zhu, J. (Eds.): Handbook on data envelopment analysis,
Boston, 265-298.
Simon, C. J. / Sullivan, M. W. (1993): The Measurement and Determinants of Brand
Equity: a financial approach, Marketing Science, Vol. 12, No. 1, 28-52.
Skiera, B. / Albers, S. (2000): Regressionsanalyse, in: Herrmann, A. / Homburg, Ch.
(Hrsg.): Marktforschung, Wiesbaden, 203-236.
Smirlis, Y. G. / Despotis, D. K. / Jablonsky, J. / Fiala, P. (2004): Identifying best-buys
in the market of prepaid mobile telephony: An application of imprecise DEA, International Journal of Information Technology and Decision Making, Vol. 3, 167177.
Sommer, R. (1994): Werbeeffizienz, Planung & Analyse, 21. Jg., Nr. 5, 7-11.
332
Soteriou, A. / Zenios, S. A. (1999): Operations, Quality, and Profitability in the Provision of Banking Services, Management Science, Vol. 45, No. 9, 1221-1238.
Sowlati, T. / Paradi, J. C. (2004): Establishing the "practical frontier" in data envelopment analysis, Omega, Vol. 32, 261-272.
Spendolini, M. J. (1994): The Benchmarking Book, New York
Staat, M. (1999): Treating non-discretionary variables one way or the other: implications for efficiency scores and their interpretation, in: Westermann, G. (Ed.): Data
Envelopment Analysis in the Service Sector, Wiesbaden, 23-50.
Staat, M. (2000): Der Krankenhausbetriebsvergleich: Benchmarking vs. Data Envelopment Analysis, Zeitschrift für Betriebswirtschaft, 70. Jg., Ergänzungsheft
4/2000, 123-140.
Staat, M. (2002): Bootstrapped estimates for a model for groups and hierarchies in
DEA, European Journal of Operational Research, Vol. 138, 1-8.
Staat, M. (2003): The Efficiency of Treatment Strategies of General Practitioners: A
Malmquist Index Approach, European Journal of Health Economics, Vol. 4, No. 3,
232-238.
Staat, M. / Bauer, H. H. / Hammerschmidt, M. (2002): Structuring Product-Markets:
An Approach Based on Customer Value, Marketing Theory and Applications, Vol.
13, No. 1, 205-212.
Staat, M. / Hammerschmidt, M. (2000): Relative Performance Evaluation of Hospitals
in Germany, in: Albertshauser, U. / Knoedler, H. (Eds.): Economics and Political
Counselling Between Theory and Practice, Berlin, 221-253.
Staat, M. / Hammerschmidt, M. (2005): Product Performance Evaluation - A SuperEfficiency Model, International Journal of Business Performance Management,
Vol. 7, No. 3, 304-319.
Steffenhagen, H. (1999): Werbeeffizienz-Leitbilder: Eine Bestandsaufnahme von
Wirkungsmechanismen der Werbung, Werbeforschung & Praxis, 45. Jg., Nr. 4,
30-35.
Steffenhagen, H. (2003): Messung der Effizienz der Markenkommunikation, in: Gesellschaft zur Erforschung des Markenwesens (Hrsg.): Markendialog - Markenkommunikation auf dem Prüfstand, Wiesbaden, 81-101.
Steffenhagen, H. (2004): Marketing – Eine Einführung, 5. Aufl., Stuttgart.
Steiner, R. (1978): Marketing Productivity in Consumer Goods Industries - A Vertical
Perspective, Journal of Marketing, Vol. 42 (January), 60-70.
333
Stewart, T. J. (1996): Relationships between DEA and Multicriteria Decision Analysis,
The Journal of the Operational Research Society, Vol. 47, 654-665.
Stöckle, F. (2004): Brand Equity vs. Branding Efficiency, Planung & Analyse, 31. Jg.,
Nr. 2, 65-70.
Straub, R. (1997): Benchmarking: Eine Darstellung des Benchmarking als modernes
Instrument zur Leistungsverbesserung, Zürich.
Srivastava, R. K. / Shervani, T. A. / Fahey, L. (1998): Market-based Assets and
Shareholder Value: A Framework for Analysis, Journal of Marketing, Vol. 62
(January), 2-18.
Tavares, G. (2002): A Bibliography of Data Envelopment Analysis, Rutgers Research
Report RRR 01-02, Rutgers Center for Operations Research, Rutgers University,
Piscataway.
Thanassoulis, E. (1995): Assessing Police Forces in England and Wales Using Data
Envelopment Analysis, European Journal of Operational Research, Vol. 87, 641–
657.
Thanassoulis, E. (1996): Assessing the effectiveness of schools with pupils of different ability using data envelopment analysis, The Journal of the Operational Research Society, Vol. 47, No. 1, 84-97.
Thanassoulis, E. (1997): Assessing the market efficiency of Pubs, OR Insight, Vol.
10, No. 4, 3-19.
Thanassoulis, E. / Boussofiane, A. / Dyson, R. G. (1995): Exploring output quality
targets in the provision of perinatal care in England using data envelopment
analysis, European Journal of Operational Research, Vol. 80, No. 3, 588-607.
Thanassoulis, E. / Dunstan, P. (1994): Guiding schools to improved performance using data envelopment analysis: An illustration with data from a local education authority, The Journal of the Operational Research Society, Vol. 45, No. 11, 12471262.
Thanassoulis, E. / Portela, M. C. / Allen, R. (2004): Incorporating value judgements in
DEA, in: Cooper, W. W. / Seiford, L. M. / Zhu, J. (Eds.): Handbook on data envelopment analysis, Boston, 99-138.
Thomas, M. J. (1984): The Meaning of Marketing Productivity Analysis, Marketing
Intelligence and Planning, Vol. 2, No. 2, 13–28.
Thomas, R. / Barr, R. / Cron, W. / Slocum, J. (1998): A process for evaluating retail
store efficiency: a restricted DEA Approach, International Journal of Research in
Marketing, Vol. 15, No. 5, 487-503.
334
Thompson, R. G. / Langemeier, L. N. / Lee, C.-T. / Lee, E. / Thrall, R. M. (1990): The
role of multiplier bounds in efficiency analysis with applications to Kansas farming, Journal of Econometrics, Vol. 46, 93-108.
Thrall, R. M. (2000): Measures in DEA with an application to the Malmquist index,
Journal of Productivity Analysis, Vol. 13, 125-137.
Tirole, J. (1999): Industrieökonomik, 2. Aufl., München et. al.
Tone, K. (2004): Malmquist Productivity Index – Efficiency Changes Over Time, in:
Cooper, W. W. / Seiford, L. M. / Zhu, J. (Eds.): Handbook on data envelopment
analysis, Boston, 203-227.
Triantis, K. P. (2004): Engineering Applications of DEA, in: Cooper, W. W. / Seiford,
L. M. / Zhu, J. (Eds.): Handbook on data envelopment analysis, Boston, 401-441.
Trommsdorff, V. (2004): Verfahren der Markenbewertung, in: Bruhn, M. (Hrsg.):
Handbuch Markenführung, Band 2, 2. Aufl., Stuttgart, 1853-1875.
Tulkens, H. (1993): On FDH Efficiency Analysis: Some Methodological Issues and
Applications to Retail Banking, Courts, and Urban Transit, Journal of Productivity
Analysis, Vol. 4, 183-210.
Tull, D. S. / Wood, V. R. / Duhan, D. / Gillpatrick, T. / Robertson, K. R. / Helgeson, J.
G. (1986): “Leveraged” Decision Making in Advertising: The Flat Maximum Principle and Its Implications, Journal of Marketing Research, Vol. 23, 25-32.
Turck, F. (1948): Man Hours as a Measurement of Marketing Efficiency, Journal of
Marketing, Vol. 12 (April), 499-500.
Ulrich, P. (1998): Organisationales Lernen durch Benchmarking, Wiesbaden.
UGW (2003): PoS-Marketing Report 2002/03, Wiesbaden.
Valtin, A. (2005): Der Wert von Luxusmarken, Wiesbaden.
Vanden, E. / Tulkens, P. H. / Jamar, M. A. (1993): Cost efficiency in Belgian
municipalities, in: Fried, H. O. / Lovell, C. A. K. / Schmidt, S. S. (Eds.): The
measurement of productive efficiency, Oxford / New York, 300-334.
Vargo, S. L. / Lusch, R. F. (2004): Evolving to a New Dominant Logic for Marketing,
Journal of Marketing, Vol. 68 (January), 1-17.
Varian, H. (1984): The Nonparametric Approach to Production Analysis, Econometrica, Vol. 52, No. 3, 579-598.
Vassiloglou, M. / Giokas, D. (1990): A Study of the Relative Efficiency of Bank
Branches: An Application of Data Envelopment Analysis, The Journal of the
Operational Research Society, Vol. 41, No. 7, 591-597.
335
Vavricka, J. / Trailer, B. (1997): Implementing a Formal Selling Process and Performance Measures in a Sales Organization, in: Kaydos, W. (Ed.): Operational
Performance Measurement - Increasing Total Productivity, Boca Raton, 1-21.
Vorhies, D. W. / Morgan, N. A. (2003): A Configuration Theory Assessment of Marketing Organization Fit with Business Strategy and Its Relationship with Marketing Performance, Journal of Marketing, Vol. 67, 100-115.
Vorhies, D. W. / Morgan, N. A. (2005), Benchmarking Marketing Capabilities for
Sustainable Competitive Advantage, Journal of Marketing, Vol. 69, 80-94.
Weeks, W. A. / Kahle, L. R. (1990): Salespeople’s Time Use and Performance, Journal of Personal Selling and Sales Management, Vol. 10, 29-37.
Weibler, J. / Lucht, T. (2001): Führungseffizienz mit DEA messen, Personalwirtschaft, 28. Jg., Nr. 12, 18-23.
Werner, A. (2003): Marketing-Instrument Internet, 3. Aufl., Heidelberg.
Werner, T. / Brokemper, A. (1996): Leistungsmessung mit System, Data Envelopment Analysis als Instrument des Controlling, Controlling, 8. Jg., Nr. 3, 164 - 170.
Westermann, G. / Pröll, R. / Cantner, U. (1996): DEA - effektives Instrument der Effizienzmessung, Betriebswirtschaftliche Blätter, 45. Jg., Nr. 2, 77-81.
Weston, H. (1976): The estimation of marketing efficiency, European Journal of Marketing, Vol. 10, No. 5, 218-239.
White, L. (1973): The Technology of Retailing, Boston.
Wilson, P. W. (1995): Detecting influential observations in data envelopment analysis, Journal of Productivity Analysis, Vol. 6, 27-45.
Wong, Y.-H. B. / Beasley, J. (1990): Restricting weight flexibility in DEA, The Journal
of the Operational Research Society, Vol. 41, 829-835.
Xue, M. / Harker, P. T. (2002): Customer Efficiency, Journal of Service Research,
Vol. 4, 253-267.
Yoo, B. / Donthu, N. / Lee, S. (2000): An Examination of Selected Marketing Mix
Elements and Brand Equity, Journal of the Academy of Marketing Science, Vol.
28, No. 2, 195-212.
Zanger, C. / Drenger, J. (1999): Erfolgskontrolle im Eventmarketing, Planung & Analyse, 26. Jg., Nr. 6, 31-36.
Zenios, C. / Zenios, S. / Agathathocleous, K. / Soteriou, A. (1999): Benchmarks of
the Efficiency of Bank Branches, Interfaces, Vol. 29, 37-51.
336
Zhang, Y. / Bartels, R. (1998): The effect of sample size on the mean efficiency in
DEA with an application to electricity distribution in Australia, Sweden and New
Zealand, Journal of Productivity Analysis, Vol. 9, 187-204.
Zhu, J. (2000): Setting scale efficient targets in DEA via returns to scale estimation
methods, The Journal of the Operational Research Society, Vol. 51, 376-378.
Zhu, J. (2003): Quantitative models for performance evaluation and benchmarking:
data envelopment analysis with spreadsheets and DEA Excel Solver, Boston.
Zimmermann, H.-J. / Gutsche, L. (1991): Multi-Criteria Analyse: Einführung in die
Theorie der Entscheidungen bei Mehrfachzielsetzungen, Berlin.
Zimmermann, R. / Klein-Bölting, U. / Sander, S. / Murad-Aga, Th./ Bauer, H. H.
(2001): Brand Equity Excellence, Band 1, Brand Equity Review, Düsseldorf.
Zimmermann, R. / Klein-Bölting, U. / Sander, B. / Murad-Aga, Th. / Bauer, H. H. /
Valtin, A. (2002): Brand Equity Excellence, Band 2, Brand Equity Evaluator,
Düsseldorf.