Technische Universität Berlin
Werbung
Vorlesung Marktforschung Experiment- und Conjoint-Analyse Sommersemester 2010 TU Berlin, Lehrstuhl Marketing Prof. Dr. V. Trommsdorff, Sekr. WIL-B-3-1, Wilmersdorfer Straße 148, 10585 Berlin Tel: +49.(0)30.314-29.922, Fax: +49.(0)30.314-22.664, E-Mail: [email protected], Internet: http://www.marketing.tu-berlin.de/ Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Einführung Wiederholung Multivariatenanalyse - bisher • Marketingfragestellungen: Dependenz und Interdependenz • Skalenniveau-Voraussetzungen • Allgemeines Lineares Modell • Effektstärke (Varianzaufklärung) • Signifikanz und Modellgüte • Verknüpfung von (Multivariaten-)Analysen • Übergang Varianzanalyse – Conjoint-Analyse Die Conjointanalyse wertet „Experimente“ mit ordinal skalierter a.V.-aus Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 2 Agenda • Das Experiment – allgemein • Versuchsanordnungen I – Informale Experimente • Versuchsanordnungen II – Informale Experimente • Weitere experimentelle Anwendungen • Online - Research Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 3 Das Experiment Das Experiment Definition Eine Untersuchung, mit der ein Sachverhalt bzw. ein Abhängigkeitsverhältnis unter kontrollierten Bedingungen ursächlich dadurch erklärt werden soll, dass das Wenn (unabhängige Variable u.V.) gesetzt (manipuliert) und das Dann (abhängige Variable a.V.) darauf gemessen wird, so dass das Dann ausschließlich durch das Wenn verursacht sein kann (Kontrolle aller potenziellen weiteren u.V.). Ein Experiment setzt das Messen der a.V. voraus, beinhaltet daher eine Befragung und/oder Beobachtung. Über das reine Messen hinaus erfordert das Experiment Maßnahmen zur Manipulation und zur Kontrolle. Messung abhängiger Variablen (a.Vn.) - Merkmale bzw. Zielgrößen Manipulation unabhängiger Variablen (u.Vn.) – Einflussfaktoren Kontrolle möglicher anderer Einflüsse - Umfeldbedingungen Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 4 Das Experiment Typische betriebswirtschaftliche Anwendungen des Experiments • Welche Wirkungen auf Umsatz und Kosten hat die Einführung von ECR (Effective Consumer Response, ein IT-System der Warenwirtschaft)? • Wie wirken verschiedenartige Produktdesigns auf psychologische Zielvariablen wie Produkteinschätzung oder Einstellungen der Verbraucher? • Wie wirken verschiedene Preise und unterschiedliche Platzierungen auf den Abverkauf eines Produktes? Welcher der beiden Faktoren wirkt stärker? Gibt es eine gemeinsame, „interaktive“ Wirkung der beiden Faktoren? • Wie reagieren Mitglieder einer Gruppendiskussion auf autoritäres versus liberales Verhalten des Moderators? • Wie wirkt sich „Job Enrichment“ auf die Arbeitszufriedenheit aus? Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 5 Das Experiment Elemente des Experiments Nicht untersuchte Variablen, die vom Untersucher direkt beeinflußbar sind und deren möglicher Einfluß auf die a.V. durch Beibehaltung des jeweilig vorhandenen Ausprägungsgrades (Ceteris-paribus-Bedingung) ausgeschaltet wird. Objekte an denen Experimente ausgeführt werden (Personen, Produkte usw.) Testelemente/ Testeinheiten Kontrollierte variablen Unabhängige Variablen: Faktoren, deren Einfluß gemessen werden soll (z.B. Verpackungsgrößen) Variablen Störvariablen Faktoren, die neben den u.Vn. Einfluß auf die a.V. nehmen, jedoch als nichtkontrollierbare Parameter anzusehen sind (z.B. Saisonale Einflüsse). Abhängige Variablen: Faktoren, an denen die Wirkung des Einflusses der u.V. gemessen werden soll (z.B. Einstellungswerte) vgl. Meffert (1998) Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 6 Das Experiment Kontrolle: Techniken zur Handlung der Störgrößen • Störvariablen • Elimination: Ausschalten aller denkbaren Störgrößen bei der Durchführung des Experiments. • Konstanthaltung: Wirkung der Störvariablen auf beide Versuchsgruppen (Experimental- und Kontrollgruppe). Messung des Einflusses des experimentellen Faktors durch Differenzbildung. • Einbau ins Design: die Störvariable wird selbst als unabhängige Variable (experimentelle Bedingung) in die Versuchsanlage eingebaut. • Systematische Unterschiede zwischen Experimental- und Kontrollgruppe • Matching: wobei Paare von Untersuchungseinheiten mit gleicher Störvariablenausprägung verschiedenen Bedingungen (Experimental- und Kontrollgruppe) zugewiesen werden. • Randomisierung: Zuordnung der Personen zur Experimental- und Kontrollgruppe nach dem Zufallsprinzip. vgl. Berekoven et al. (2001) S.152 Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 7 Das Experiment Arten des Experiments Nach dem Umfeld (Bedingungen) Nach dem zeitlichen Einsatz Nach der Durchführung (Versuchsanlage) Nach der Datenerhebung • Feldexperiment • Laborexperiment • Projektives Experiment • Ex-post-facto Experiment • Informale Experimente • Formale Experimente • Befragungs-Experiment • Beobachtungs-Experiment • Kombinationen beider Methoden Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 8 Das Experiment Labor- vs. Feldexperiment Laborexperiment Experiment, in dem der Forscher eine Situation mit genau den Bedingungen schafft, die er haben möchte und in der er einige Variablen kontrolliert und andere verändert. Feldexperiment Untersuchung in einer realistischen Situation, in der eine oder mehrere Variablen vom Versuchsleiter manipuliert werden, so sorgfältig, wie es die Situation gestattet. Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 9 Das Experiment Zeitlicher Einsatz der Messung Projektives Experiment Ex-post-facto Experiment wenn ein Vorgang, der durch experimentell geschaffene Bedingungen beeinflußt wird, während des gesamten Zeitraums von der Veränderungen der u.Vn. bis hin zu erfolgten Auswirkungen erfasst wird. erst im nachhinein wird versucht, von Veränderungen bestimmter Variablen auf kausale Wirkungsbeziehungen zu schließen, indem auf den Einfluß möglicher unabhängiger Variablen geschlossen wird. u.Vn. traten bereits in der Vergangenheit auf, a.V. wird in der Gegenwart gemessen werden. Die Kausalitätszuweisung ist daher problematisch. Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 10 Das Experiment Experimentelle Versuchsanlage Informale Experimente nehmen meist eine reine zeitliche Differenzbetrachtung bei der Experimental- (und eventuell noch Kontroll-) Gruppe vor, indem diese vor dem Experimentaleinsatz und danach gemessen wird. Formale Experimente differenzieren die a.V. durch verursachungsgerechte Aufspaltung der Ergebnisstreuung in Einflüsse von Störgrößen, Zufälligkeiten und der eigentlich interessierenden u.Vn. Experiment Informale Experimente (Differenzbetrachtung) EBA EA-CA EBA-CBA Formale Experimente (komplexe Streuungsanalyse) EA-EBA-CBA vollständiges Design reduziertes Design Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 11 Agenda • Das Experiment – allgemein • Versuchsanordnungen I – Informale Experimente • Versuchsanordnungen II – Informale Experimente • Weitere experimentelle Anwendungen • Online - Research Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 12 Versuchsanordnungen I Informale Experimente Die Feststellung der Wirkung der u.V. auf die a.V. erfolgt durch Differenzenbildung der a.V.-Mittelwerte zwischen u.V.-Gruppen. Annahme: der Einfluß der Störgrößen ist additiv (Unabhängigkeit zwischen Störgrößen) alle in die Untersuchung einbezogenen Testelemente werden von Störfaktoren mit gleicher Intensität getroffen. Sie lassen sich anhand von zwei Kriterien klassifizieren: 1- Eingesetzte Gruppe (Experimentgruppe: E, Kontrollgruppe: C) 2- Meßzeitpunkt (Vorhermessung: B, Nachhermessung: A) Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 13 Versuchsanordnungen I EBA-Typ: Vorher-nachher-Vergleich Messung der Werte der abhängigen Variablen zeitlich vor und nach Einsatz der unabhängigen Variablen in einer Testgruppe. Zeitpunkt t0 Untersuchungsgruppe Experimentgruppe Messung der a.V. (Y0) t1 Einwirkung der u.V. (X1) t2 Messung der a.V. (Y1) Faktorwirkung (Experimentelle Wirkung): (Y1 - Y0) Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 14 Versuchsanordnungen I EBA-Beispiel • • Um den Verbrauch von Bohnenkaffee zu steigern, wurden verschiedene Werbe- und Verkaufsförderungsaktionen durchgeführt. Vor und nach den Aktionen wurde der durchschnittliche Verbrauch von Kaffee mit einer Befragung festgestellt. Es ergaben sich folgende Werte: Aktionen wurden… bemerkt nicht bemerkt Verbrauch von Kaffee vor Aktion 400 g 400 g Verbrauch von Kaffee nach Aktion 550 g 420 g EBA Typ - Faktorwirkung : 550 - 400 = 150 g - Steigung des Kaffeeverbrauchs aufgrund aller Faktoren. - Einfluß der zusätzlichen Aktionen wird nicht wiedergegeben Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 15 Versuchsanordnungen I EA-CA-Typ: Querschnittsvergleich Experimental- / Kontrollgruppe Messung der Werte der abhängigen Variablen in Test- und Kontrollgruppe nur nach Einsatz der unabhängigen Variablen. Zeitpunkt Untersuchungsgruppe t1 t2 Experimentgruppe Einwirkung der u.V. (X1) Messung der a.V. (Y1) Kontrollgruppe keine Einwirkung (X2) Messung der a.V. (Y2) Faktorwirkung (Experimentelle Wirkung): (Y1 - Y2) Beispiel: Verbrauch von Bohnenkaffee steigern (siehe Chart 14). EA-CA Typ - Faktorwirkung : 550 - 420 = 130 g Reine Messung der Aktionswirkung, besonders wie hier, bei gleicher Ausgangssituation. Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 16 Versuchsanordnungen I EBA-CBA-Typ: Längsschnittsvergleich mit Kontrollgruppe Messung der Werte der a.Vn. zeitlich vor und nach Einsatz der u.Vn. in der Testgruppe und Vor- und Nachher-Messung in der Kontrollgruppe, die nicht dem Einfluß der unabhängigen Variablen ausgesetzt wird. Zeitpunkt Untersuchungsgruppe t0 t1 t2 Experimentgruppe Messung der a.V. (Y0) Einwirkung der u.V. (X1) Messung der a.V. (Y1) Kontrollgruppe Messung der a.V. (Y2) keine Einwirkung (X2) Messung der a.V. (Y3) Faktorwirkung: (Y1 - Y0) – (Y3 - Y2) oder (Y1 - Y3) – (Y0 - Y2) Beispiel: Verbrauch von Bohnenkaffee steigern (siehe Chart 14). EBA-CBA Typ - Faktorwirkung : (550 – 400) – (420 – 400) = 130 g Gibt die isolierte Wirkung der Aktion wieder. Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 17 Versuchsanordnungen I Verzerrungseffekte • Carry Over-Effekt: der Untersuchungsperiode vorgelagerte Maßnahmen / Ereignisse können nachwirken, obgleich sie nicht auf den Einfluß der u.Vn. zurückzuführen sind, also einen nichtkontrollierten Störfaktor darstellen. • EBA-Typ, EB-CA-Typ • Entwicklungseffekt: im Verlauf des Experiments können Lernwirkungen eintreten, die nicht allein auf die Wirkung der u.Vn. Zurückzuführen sind. • EBA-Typ, EBA-CBA-Typ, EB-CA-Typ • Spill Over-Effekt: parallele Maßnahmen und Ereignisse von anderen als der untersuchten Variablen, also außerhalb der experimentellen Anordnung, können auf diese einwirken. • EBA Typ, EA-CA Typ • Gruppeneffekt: Experiment- und Kontrollgruppen mögen bereits vor Beginn des Experiments stukturelle Unterschiede bezüglich relevanter Variablen besessen haben. • EA-CA Typ Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 18 Versuchsanordnungen I Zusammenfassung: Informale Experimente EBA EA-CA EBA-CBA EA-EBA-CBA E E: C E:C E1:E2:C Messzeiten bei E: B und A bei E: A bei C: A kein B bei E: B und A bei C: B und A bei E1: A bei E2: B und A bei C: B und A Vergleich vorher-nachher bei E nachher-nachher bei E und C ∆ E-C vorher ./. ∆ E-C nachher E2(B-A) ./. C (B-A) ./. E1 Probleme Ursächlich experimenteller Einfluss? Gruppeneffekt? (schon vorher Differenz zischen E und C) Lerneffekt? (Sensibilisierung durch Vorhermessung) gelöst Store-Test Neuproduktakzeptanz mit und ohne Werbung (ERIM-Panel) matched-samples(vergleichbare Läden) Store-Test Labor-Werbepretest Gruppen Beispiele Legende: E - Experimentgruppe C - Kontrollgruppe B - Vorhermessung (before) A - Nachhermessung (after) Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 19 Versuchsanordnungen I Validität von Experimenten Interne Validität Interne Validität eines Testverfahrens liegt vor, wenn die gemessene Variation der abhängigen Variablen einzig und allein auf den Experimentalfaktor ,d.h. die “Manipulation” der unabhängigen Variablen zurückgeführt werden kann. Gewährleistet ist dies insbesondere dann, wenn während des Experimentes keine unkontrollierten Störeinflüsse auftreten. Laborexperimente erlauben eine bessere Kontrolle solcher Störfaktoren als Feldexperimente. Externe Validität bezieht sich auf die Generalisierbarkeit von Ergebnissen über verschiedene Zeiten, Designs und Personen. vgl. Berekoven et al. (2001) Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 20 Versuchsanordnungen I Signifikanztest • Die Frage ist, ob die gefundenen Differenzen signifikant sind. • Bei der Auswertung von Experimenten ist es deshalb im Grunde nicht nur auf die für die Gruppe im ganzen ermittelten Werte (und eben die daraus zu bildenden Differenzen zwischen Versuchs- und Kontrollgruppe) abzustellen, vielmehr müssen diese als Mittelwerte aus den einzelnen Werten der Gruppenmitglieder gedeutet werden. Zur Prüfung der Signifikanz (Signifikanztest): Mittelwert zweier unabhängiger Stichproben werden getestet. H0: µ1 = µ2 ; temp = (s H1: µ1 ≠ µ2 x1 − x2 2 1 ) + s22 / p p1=p2=p vgl. Hüttner (1989) Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 21 Agenda • Das Experiment – allgemein • Versuchsanordnungen I – Informale Experimente • Versuchsanordnungen II – Informale Experimente • Weitere experimentelle Anwendungen • Online - Research Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 22 Versuchsanordnungen II Formale Experimente Ziel eine weiterreichende und genauere Differenzierung der gemessenen Veränderung einer a.V. nach ihren Einflußgrößen. Die Ermittlung der Wirkung unterschiedlicher Einflußgrößen erfolgt durch die Einbeziehung von bekannten Störvariablen und ihre Berücksichtigung in der Versuchsanlage. komplexe Streuungsanalyse Messwiederholungen führen z.B. zu unterschiedlichen Werten der a.Vn., die um einen Mittelwertstreuen. Gelingt es, die festgestellte Sreuung verursachungsgemäß aufzuspalten, lassen sich Einfluss von Störvariablen, Zufallseinflüsse und Auswirkungen der eingesetzten u.Vn. messen und gegenüberstellen. Die Aufteilung der gesamten Veränderung der a.Vn. auf die auslösenden Faktoren erfolgt mit Hilfe der Varianzanalyse. Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 23 Versuchsanordnungen II Merkmale • Treatment (Manipulation): Varianten von Test-Faktoren (Ausprägungn. der u.Vn.), denen die Test-Einheiten ausgesetzt werden. • Haupteffekt: Einfluß jeder unabhängigen Variablen (Test-Faktoren) auf die abhängige(n) Variable(n). • Interaktionseffekt: Einfluß der unabhängigen Variablen (Test-Faktoren) untereinander. Kombinationen der unabhängigen Variablen werden untersucht. • Vollständiges Design: Alle theoretisch möglichen Kombinationen der Test-Faktoren. • Reduziertes Design: Diejenigen Kombinationen, die das vollständige Design möglichst gut repräsentiert. Zweckmäßige Teilmenge. • Symmetrisches Design: Alle Test-Faktoren (u.Vn.) weisen die gleiche Anzahl von Ausprägungen auf. • Asymmetrisches Design: Nicht jedes Test-Faktor besitzt die gleiche Anzahl von Ausprägungen. vgl. Backhaus et al. (2003) Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 24 Versuchsanordnungen II Arten formaler Experimente Vollständige Designs • Vollständige faktorielle Versuchspläne (Vollständiger Zufallsplan) • Zufälliger Blockplan Reduzierte Designs • Lateinisches Quadrat • diverse weitere Arten reduzierter Designs Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 25 Versuchsanordnungen II Vollständiger Zufallsplan Störeinflüsse finden indirekt dadurch Berücksichtigung, dass für die verschiedenen Treatments wiederholte Messungen (Replikationen) nach dem Prinzip der Randomisierung durchgeführt werden. Replikationen Treatments 1 . . i . . p Spaltenmittel 1 … j … m x 11 … x 1j … x 1m x i1 … x ij … x im xp1 … x pj … x pm x.1 x. j x.m Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 26 Versuchsanordnungen II Beispiel: Vollständiger Zufallsplan Produkt: Ziel: Seife Absatzerfolge verschiedener Verpackungen vergleichen Treatments Replikationen schwarze Hülle bunter Karton rosa Folie Metallschachtel 1 2* 3 6 5 2 1 4 8 5 3 3 3 7 5 4 3 5 4 3 5 1 0 10 2 Spaltenmittel 2 3 7 4 *: x 1000 Stück / Woche Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 27 Versuchsanordnungen II Formulierung der Hypothesen für einen vollständigen Zufallsplan Bei der einfaktoriellen Varianzanalyse wird die Additivität der Effekte eines Faktors durch folgende Modellgleichung zum Ausdruck gebracht: xij = µ + αj + εij xij : i-ten Beobachtungswert der j-ten Stichprobe. µ : Gesamtmittelwert der Grundgesamtheit. αj : Wirkung der Stufe j des Faktors. εij : Zufallsfehler beim i-ten Beobachtungswert in der j-ten Stichprobe. Besteht ein Unterschied zwischen den Faktoren ? H0 (Nullhypothese) : µ1 = µ2 = … = µ H1 (Alternativhypothese) : mindestens für ein j , µ - µj ≠ 0 Die Prüfung erfolgt anhand eines Vergleichs des empirischen F-Wertes mit dem theoretischen F-Wert. Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 28 Versuchsanordnungen II Mehrfaktorielle experimentelle Designs Beispiel eines vollständigen Drei-Faktor-Designs Faktor I : Faktor II Faktor II : P1 Faktor III : P2 Verpackung (A,B,C) Preis (P1, P2, P3) Emotional Rational USP U R E Faktor III P3 A B Faktor I C 27 Zellen, in denen jeweils eine Anzahl n von Absatzmessungen durchzuführen sind Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 29 Versuchsanordnungen II Lateinisches Quadrat Das Lateinische Quadrat ist ein spezielles reduziertes symmetrisches Design. Seine Anwendung ist auf den Fall von genau drei Faktoren beschränkt. Das Design ist anwendbar, wenn keine Interaktionseffekte zu erwarten sind, nur Haupteffekte. Bei drei Faktoren mit jeweils drei Ausprägungen können zwei Störgrößen berücksichtigt werden (=9 Zellen). Im griechisch-lateinischen Quadrat (mit vier Ausprägungen) können drei Störgrößen berücksichtigt werden (=16 Zellen). Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 30 Versuchsanordnungen II Beispiel - Lateinisches Quadrat Von den 27 (= 3 x 3 x 3) Stimuli des Volständigen Designs werden 9 derart ausgewählt, daß jede Ausprägung eines Faktors genau einmal mit jeder Ausprägung eines anderen Faktors vorkommt. Damit ergibt sich, daß jede Faktorausprägung genau dreimal (statt neunmal) im Design vertreten ist. Faktor I : Faktor II : Faktor III : A A A A A A A A A P1 P2 P3 P1 P2 P3 P1 P2 P3 E E E R R R U U U Verpackung (A,B,C) Preis (P1, P2, P3) Emotional, Rational, USP B B B B B B B B B P1 P2 P3 P1 P2 P3 P1 P2 P3 E E E R R R U U U C C C C C C C C C P1 P2 P3 P1 P2 P3 P1 P2 P3 E E E R R R U U U A A A B B B C C C P1 P2 P3 P1 P2 P3 P1 P2 P3 E R U U E R R U E 9 Stimuli Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 31 Versuchsanordnungen II Anordnung des Lateinischen Quadrates Lateinisches Quadrat: • nur 9 Zellen, • Balance nach Haupteffekten • keine Berücksichtigung von Interaktionseffekten A A A B B B C C C P1 P2 P3 P1 P2 P3 P1 P2 P3 E R U U E R R U E Faktor II P1 E U R P2 R E U P3 U R E A B Faktor I C Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 32 Versuchsanordnungen II Reduzierte faktorielle Versuchspläne - 2**(k-p) reduziertes Design Kombinationen, die vollständige Designs verzerrungsarm repräsentieren. Beispiel 11 Faktoren mit jeweils zwei Ausprägungen 2**11 = 2048 Stimuli. Auf 2**(k-p) reduzierbares Design bei (k-p)=(11-7)=4 nur 16 Zellen. Design: 2**(11-7) ausgehend von 2**(4) bei 11 Faktoren Run A B C D E F G H I J K Run A B C D ABC BCD ACD ABD ABCD AB AC 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 1 1 1 -1 1 -1 -1 -1 -1 1 1 2 1 1 1 -1 1 -1 -1 -1 -1 1 1 3 1 1 -1 1 -1 -1 -1 1 -1 1 -1 3 1 1 -1 1 -1 -1 -1 1 -1 1 -1 1 1 -1 -1 -1 1 1 -1 1 1 -1 4 1 1 -1 -1 -1 1 1 -1 1 1 -1 4 5 1 -1 1 1 -1 -1 1 -1 -1 -1 1 5 1 -1 1 1 -1 -1 1 -1 -1 -1 1 6 1 -1 1 -1 -1 1 -1 1 1 -1 1 6 1 -1 1 -1 -1 1 -1 1 1 -1 1 7 1 -1 -1 1 1 1 -1 -1 1 -1 -1 7 1 -1 -1 1 1 1 -1 -1 1 -1 -1 1 -1 -1 -1 1 -1 1 1 -1 -1 -1 8 1 -1 -1 -1 1 -1 1 1 -1 -1 -1 8 9 -1 1 1 1 -1 1 -1 -1 -1 -1 -1 9 -1 1 1 1 -1 1 -1 -1 -1 -1 -1 10 -1 1 1 -1 -1 -1 1 1 1 -1 -1 10 -1 1 1 -1 -1 -1 1 1 1 -1 -1 11 -1 1 -1 1 1 -1 1 -1 1 -1 1 11 -1 1 -1 1 1 -1 1 -1 1 -1 1 -1 1 -1 -1 1 1 -1 1 -1 -1 1 12 -1 1 -1 -1 1 1 -1 1 -1 -1 1 12 13 -1 -1 1 1 1 -1 -1 1 1 1 -1 13 -1 -1 1 1 1 -1 -1 1 1 1 -1 14 -1 -1 1 -1 1 1 1 -1 -1 1 -1 14 -1 -1 1 -1 1 1 1 -1 -1 1 -1 15 -1 -1 -1 1 -1 1 1 1 -1 1 1 -1 -1 -1 -1 -1 vgl. Montgomery (1991) -1 -1 -1 1 1 1 15 -1 -1 -1 1 -1 1 1 1 -1 1 16 -1 -1 -1 -1 -1 -1 -1 -1 1 1 E = ABC, F = BCD, G =ACD, H = ABD, I = ABCD, J = AB, K = AC 1 1 16 Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 33 Versuchsanordnungen II Beispiel: die Wirkung zweier Verkaufsförderungskampagnen mit unterschiedlicher Thematik auf den Absatz (Trommsdorff, 1975) Die Werbung ist nur einer von vielen Faktoren, die die Käufer beeinflussen. Hier wird über ein Experiment berichtet, das es ermöglicht, die Absatzerfolge thematisch verschiedener Verkaufsförderungsprogramme zu vergleichen. Die Untersuchung wurde in Zusammenarbeit mit der Washington State Apple Commision durchgeführt. In den vergangenen Jahren hatte diese Kommission ein Verkaufsförderungsprogramm mit zwei Werbethemen entwickelt. • Das eine Thema hob die verschiedenen Verwendungsmöglichkeiten für Äpfel hervor (Obstsalate, Bratäpfel und andere Apfelgerichte), • Während das andere die gesundheitsfördernde Wirkung von Äpfeln herausstellte (Äpfel kräftigen den Körper, sind gut für die Zähne usw. ) vgl. Henderson et al. (1961), Journal of Advertising Research, Vol. 1 No. 6 p. 2-11. Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 34 Versuchsanordnungen II Beispiel - Fortsetzung Als Ziel der Untersuchung sollten im einzelnen ermittelt werden: 1. Die Gesamtwirkung des Verkaufsförderungsprogrammes, bezogen auf den Absatz bei fehlender Verkaufsförderung. 2. Die relative Wirkung der beiden Verkaufsförderungsthemen auf den Absatz. 3. Die kurzfristigen Übertragungseffekte der Werbung für jedes Verkaufsförderungsthema, sofern solche Effekte überhaupt nachzuweisen wären. 4. Die Auswirkungen der Verkaufsförderung für Äpfel aus Washington auf den Absatz von Äpfeln aus konkurrierenden Regionen und auf den Absatz anderer ausgewählter Obstsorten. 5. Der Einfluß verschiedener Verkaufs- und Werbepraktiken des Einzelhandels (z.B. Preissenkungen, Auslagengestaltung, Anzeigenwerbung) auf den Absatz von Äpfeln und anderem ausgewähltenObst. Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 35 Versuchsanordnungen II Beispiel - Fortsetzung Versuchsanordnung, die bei der Untersuchung der Apfelwerbung bei 72 Supermäkten in sechs Städten des Mittelwestens verwendet wurde. Extra-period latin square change-over experimental design Städte Vierwöchige Perioden Quadrat I Quadrat II Stadt 1 Stadt 2 Stadt 3 Stadt 4 Stadt 5 Stadt 6 1 A B C A B C 2 B C A C A B 3 C A B B C A 4 C A B B C A Erläuterung: Behandlung A = Gesundheitsthematik Behandlung B = Gebrauchswertthematik Behandlung C = Keine Werbung und Verkaufsförderung (Kontrollgruppe) Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 36 Versuchsanordnungen II Beispiel - Fortsetzung Die hier vorliegende Versuchsanordnung ist kein einfaches Lateinisches Quadrat, sondern eine darauf aufbauende Versuchsanordnung mit zwei Erweiterungen: 1. 2. Das eigentlich aus den Zeilen 1 bis 3 bestehende Lateinische Quadrat ist um eine zusätzliche Periode (extra-period) erweitert. • Erstens können in der ersten Periode des Versuchsplans keine Übertragungseffekte gemessen werden. Zur Messung der Effekte von Behandlung t aus Periode k in Periode k+1 mußte also der Versuchsplan um eine Zeile erweitert werden (change-over design). • Zweitens müssen, um alle behandlungsspezifischen Übertragungseffekte gleichmäßig zu repräsentieren, die der relevanten Periode k+1 vorausgehenden Behandlungen A,B,C gleich oft vorkommen. Der Plan muss so erweitert werden, daß vor t auch zweimal t‘ und zweimal t’’ vorkommen (z.B. also auch zweimal B und zweimal C vor B). Das eigentlich aus den Spalten 1 bis 3 bestehende extra-period-Quadrat ist um ein zweites erweitert (Quadrat II). Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 37 Versuchsanordnungen II Beispiel - Fortsetzung Das Varianzanalytische Modell: Yijkt = Y + S i + C ij + Pik + Dt + Rt ( k −1) + eijk − Yijkt : bebachtete r Absatz in der j - ten Stadt des i - ten (Lateinischen) Quadrats in der k - ten Periode; Y : durchschni ttlicher Absatz an Äpfel n über alle Behandlung en und Zeitperiod en; S i : Effekt vom Lateinisch en Quadrat i; C : Stadt - Effekt der Stadt j im Quadrat i; − ij Pik : Effekt der Periode k im Quadrat i; Dt : unmittelbarer Effekt der Behandlung t; Rt ( k −1) : Übertragungseffekt der k unmittelbar vorangehenden Behandlung t; eijk : Versuchsf ehler Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 38 Versuchsanordnungen II Beispiel - Fortsetzung Varianzanalysen der gesamten Absatzmengen an Äpfeln (in Pfund) Varianzquelle Freiheitsgrade Quadratsummen mittlere Quadrate F Zwischen den Quadraten 1 2 417 070 246 2 417 070 246 55,83* Zwischen den Perioden innerhalb der Quadrate 6 2 437 012 149 406 168 692 9,38* Zwischen den Perioden überhaupt (3) (2 422 596 446) (807 532 149) 18,65* Interaktion Perioden x Quadrate (3) (14 415 703) (4 805 234) 0,11 Zwischen Städten innerhalb der Quadrate 4 1 613 017 480 403 254 371 9,32* Direkter Behandlungseffekt 2 492 948 044 246 474 022 5,69+ Übertragener Behandlungseffekt 2 7 062 739 3 531 370 0,08 Versuchsfehler 8 346 325 670 43 290 709 - Summe 23 7 313 436 328 - - *: Signifikanz auf dem 1% Niveau; +: Signifikanz auf dem 1% Niveau Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 39 Versuchsanordnungen II Beispiel - Fortsetzung Die Ergebnisse • Sowohl beim Absatz der Äpfel aus Washington als auch beim gesamten Apfelabsatz traten zwischen den Perioden, in denen mit spezifischer Thematik geworben wurde (Verwendungsmöglichkeiten bzw. Gesundheitsförderung) und den Perioden ohne Werbemaßnahmen beträchtliche Unterschiede auf. • Bei kombinierter Betrachtung der Absatzergebnisse für Äpfel zeigte sich, dass die Verkaufsförderungsthematik “Verwendungsmöglichkeiten von Äpfeln” signifikant effektiver war als der Gesundheitsappell. Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 40 Agenda • Das Experiment – allgemein • Versuchsanordnungen I – Informale Experimente • Versuchsanordnungen II – Informale Experimente • Weitere experimentelle Anwendungen • Online - Research Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 41 Weitere experimentelle Anwendungen Anwendungen Markt-Test Testmarktersatzverfahren Minimarkttest (GfK-BehaviorScan) Testmarktsimulation Produkt-Test Store-Test (siehe folgendes Chart) Werbewirkungsforschung psychologische/ medizinische Experimente Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 42 Weitere experimentelle Anwendungen Store-Test Vorgehen • • • • probeweiser, zeitlich begrenzter Verkauf von Testprodukten unter weitgehend kontrollierten Bedingungen im natürlichen Umfeld (ausgewählte Läden) zur Wirkungsmessung bestimmter Produktmerkmale wie • Preis, Qualitätseigenschaften, Verpackung, Plazierung, Promotion Vorteile • kostengünstig • relativ schnell • marktnahe Ergebnisse Nachteile • fehlende Zurechenbarkeit zu Käufern / Käufergruppen • geringe Repräsentativität • ladenspezifische Einflüsse • Störaktionen der Konkurrenz Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 43 Weitere experimentelle Anwendungen Markt-Test Definition Ein Markttest ist der probeweise Verkauf von Produkten unter kontrollierten Bedingungen in einem begrenzten Markt unter Einsatz ausgewählter oder aller Marketing-Instrumente mit dem Ziel, Erfahrungen bzw. projizierbare Zahlenwerte über die Marktgängigkeit der Innovation bzw. über die Wirksamkeit von Marketingmaßnahmen oder Strategieoptionen zu sammeln und diese dadurch optimieren zu können. • • meistens bei Produktänderung oder -neueinführung Anforderungen an den Testmarkt • (Bevölkerungs-, Handels-, Media- etc.) Struktur soll dem Gesamtmarkt entsprechen • Vorhandensein von regionalen Verbraucher- oder Handelspanel Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 44 Weitere experimentelle Anwendungen Ein standardisiert experimenteller Testmarkt besteht in Haßloch GfK-Mini-Testmarkt „Behavior-Scan“ vgl. Berekoven et al. (2001) Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 45 Weitere experimentelle Anwendungen Man kann den Testmarkt durch Simulation im Labor ersetzen Testmarktsimulation • findet nicht - wie Minimarkttest - in einer realen Situation statt, sondern in einer künstlichen Studiosituation • Simulation des Wahrnehmungsprozesses sowie des Kauf- und Wiederkaufverhaltens für ein neues Produkt • in einem mehrstufigen Laborexperiment (Befragung, Beobachtung, Tests) unter Ausschluss der Öffentlichkeit (v.a. der Konkurrenz) • i.d.R. zielgruppenspezifische Auswahl von Verbrauchern • Ziel: Abschätzung der Marktchancen Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 46 Weitere experimentelle Anwendungen Produkt-Test Vorgehen: Ausgewählte Testpersonen ge- oder verbrauchen unentgeltlich bereitgestellte Produkte. Anschließende Befragung zu Wahrnehmung und Beurteilung. Ziel: Instrumentelle Hinweise zur verbesserten Produktgestaltung (Produkttest) Akzeptanzmessung und -diagnose neuer Produktkonzepte (Konzepttest) Überprüfung der Gebrauchs- und Funktionsqualität durch öffentliche Institutionen (Warentest) Systematik: Kriterium Ausprägungen Zahl der Testmerkmale Vergleichsbasis Volltest Partialtest Gesamtes Produkt Einzelne Merkmale direkter Vergleichstest indirekter Vergleichstest bestimmter Wettbewerber alte Produktversion indiv. gewohnte Marke Blindtest Offener Test „Grundnutzen“ ohne Markierung „as marketed“ mit voller Ausstattung Erkennbarkeit Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 47 Weitere experimentelle Anwendungen Mögliche Themen des Produkttests • erste Anmutung und spontane Attraktivität • Transparenz der Produktbesonderheit • welchen Zusatznutzen erfüllt das Produkt • detaillierte Beurteilung der Produktoptik • Verwendungs- bzw. Konsumanlässe • Produkt- / Markenadäquatheit • Preiserwartungen • Kaufbereitschaft • Beurteilung der Verpackung Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 48 Weitere experimentelle Anwendungen Studio-Test vs. Home-Use-Test Studio-Test Home-Use-Test Durchführung von Befragungen in • speziellen Testräumen • Idealfall: Beobachtungsanlage - "Labor-Effekt" nur relativ kurze Testzeit möglich Alle Verfahren, in denen das Testprodukt von den Probanden zu Hause getestet wird. - hohe Kosten, da meist mehrere Interviewerbesuche nötig sind + weitgehend ungestörte Realsituation Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 49 Weitere experimentelle Anwendungen Werbewirkungsforschung: Pretest-Verfahren Teilwirkung Menü 1. Klasse Menü 2. Klasse Aktivierung Psychogalvanische Reaktion (PGR) Einfache Frage Informationsaufnahme Blickaufzeichnung Verbale/grafische Aktivierungsskalen Wahrnehmung / Informationsverarbeitung Tachistoskopische Aktualgenese Lesebeobachtung Bildverarbeitung Imagery-Differential Lautes Denken Assoziationstest Verständlichkeit Hamburger Konzept Recognition-Test Akzeptanz Programmanalyse Einfache Formeln Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 50 Weitere experimentelle Anwendungen Das Tachistoskop Definition Instrument, mit dem es möglich ist, einen Gegenstand in beliebig kurzeZeitintervallen sichtbar zu machen. Ziele 1. Durch das Ausschalten einer bewussten (rationalen) Wahrnehmung möchte man die ersten und spontanen Anmutungen eruieren. 2. Durch eine zunehmende Verlängerung der Wahrnehmungszeiten soll der Wahrnehmungsvorgang Schritt für Schritt aufgebaut werden. Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 51 Weitere experimentelle Anwendungen Anwendung des tachistoskopischen Tests • Analyse von Anmutungsqualitäten • Ermittlung von Wahrnehmungsdominanzen • Überprüfung der Prägnanz einzelner Gestaltungselemente • Überprüfung der Marken- und Produktidentifizierung durch einzelne Gestaltungselemente Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 52 Weitere experimentelle Anwendungen Theorie der Aktualgenese Spontaner Eindruck wenige Millisekunden (1-19 ms) Genaues Verständnis 1/100, 1/10 bis 1/1 Sekunden Suche nach Ursachen der ersten Anmutung Anmutungen sollten bereits in Richtung auf beabsichtigte Werbewirkung weisen positive Anmutungen steigern die Bereitschaft, sich mit der Anzeige auseinander zu setzen dominierende Elemente werden jetzt erkannt; welche? ab 1/10 s. werden auch die weniger dominierenden Elemente wahrgenommen Vergleich der Wahrnehmungsergebnisse • bei unterschiedlicher Darbietungsdauer für die gleiche Anzeige • bei gleicher Darbietungsdauer für unterschiedliche Anzeigen Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 53 Agenda • Das Experiment – allgemein • Versuchsanordnungen I – Informale Experimente • Versuchsanordnungen II – Informale Experimente • Weitere experimentelle Anwendungen • Online - Research Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 54 Online - Research Online-Experiment • Datengewinnung erfolgt auf der Grundlage einer Versuchsanordnung • Zielsetzung: Erforschung bzw. Aufdeckung von Ursache-Wirkungszusammenhängen durch die Variation von Experimentvariablen unter Isolierung bzw. Konstanthaltung von Umweltbedingungen • Im WWW erfreuen sich Experimente aufgrund der technischen Möglichkeiten einer hohen Beliebtheit • Typischer Aufbau: Jedem Besucher wird zunächst die gemeinsame Startseite eingespielt und beim Sprung auf die nächste Seite erfolgt die zufällige Zuweisung zur Experiment- bzw. Kontrollgruppe • Dieser Aufbau kann beliebig erweitert werden, so dass auch sehr komplexe experimentelle Designs ermöglicht werden Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 55 Online - Research WWW-Experimente - Vorteile • Einfacher Zugang zu einer großen Anzahl unterschiedlicher Teilnehmer/Subgruppen • Vermeidung von Zeitdruck • Vermeidung von organisatorischen Problemen z.B. bzgl. Zeitgleichheit der Teilnahme • Freiwilligkeit der Teilnehmer • Reduzierung von durch den Forscher verursachten Effekten • Kosteneinsparungen für Labor, Arbeitszeit, Ausstattung und Verwaltung • Einfacher Zugriff auf das Experiment durch die Teilnehmer • Öffentliche Kontrolle von ethischen Standards Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 56 Online - Research WWW-Experimente - Nachteile • Mögliche Mehrfachteilnahme(allerdings kontrollierbar) • Geringere Experimentkontrolle • Höhere Abbrecherquoten (abhängig von den Incentives) • Keine Interaktionsmöglichkeit mit Forschern oder anderen Teilnehmern • Bislang nur geringe Vergleichsbasis für WWW-Experimente • Problem der Verallgemeinerung da ausschließlich Teilnahme von WWW-Nutzern • Unmöglichkeit der Durchführung bestimmter Experimentformen Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 57 Agenda • Conjoint-Analyse • Grundlagen • Ablaufschritte einer Conjoint-Analyse • Anwendungsbeispiele Die Charts zur Gastvorlesung von Herrn Bichler sind als eigenes File den Vorlesungscharts beigefügt Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 58 Lehrstuhl Marketing I Prof. Dr. Trommsdorff ConjointAnalysen Vorlesung Marktforschung Insight for Management Decisions. Frank Alves Axel Bichler Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 59 Agenda Theoretische Grundlagen • Einführung • Ablauf einer CA • Schätzung der Teilnutzenwerte • Weiterführende Analysen Preference Share Simulator (Demonstration) Demonstration ACA Fazit – Anwendungsbereiche, Vor- und Nachteile, Grenzen Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 60 Einführung Ziele der Conjoint-Analyse Kundenanforderungen verstehen Welche Eigenschaften sind für die Kaufentscheidung wirklich wichtig? Wie tragen die einzelnen Eigenschaftsausprägungen zur Gesamtbeurteilung der Produkte bei? Kundenverhalten prognostizieren Modellierung der Präferenz für alternative Produktkonzepte Durchführung von Marktsimulationen für alternative Produktund Wettbewerbskonzepte Kunden- und wettbewerbsorientierte Produktpositionierung Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 61 Was sind Conjoint-Analysen? Gruppe von Verfahren, die von der Gesamtbeurteilung von Objekten auf die zugrunde liegenden Einzelurteile schließen Modellansätze zur Erklärung und Prognose des Entscheidungsverhaltens von Individuen Abbildung individueller Wahlentscheidungen über multiattributive Nutzenschätzung CONJOINT bedeutet „CONsider JOINTly“ Produktattribute werden nicht einzeln, sondern gleichzeitig beurteilt („Verbundmessung“) - Kompromissbildung erforderlich - Anspruchsinflation wird verhindert Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 62 Methodische Einordnung der CA Analyseverfahren Univariate Analysen Multivariate Analysen Dependenzanalysen Interdependenzanalysen Varianzanalyse Clusteranalyse Regressionsanalyse Faktorenanalyse Diskriminanzanalyse Multidimensionale Skalierung Conjoint-Analyse Strukturgleichungsmodelle Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 63 Ablauf einer CA Festlegung der Eigenschaften und Eigenschaftsausprägungen Erstellung des Studiendesigns (Wahl der Präferenzmodells, Erhebungsform, …) Datenerhebung Schätzung der Nutzenwerte Weiterführende Analysen (Relative Wichtigkeiten, Idealprofil, Marktsimulationen,…) Ableitung von Maßnahmen für die Produktgestaltung und -positionierung Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 64 Anforderungen an Eigenschaften und Ausprägungen relevant (aus Kundensicht) möglichst vollständig Eigenschaften beeinflussbar und Ausprägungen realisierbar Kompensatorisch; keine Ausschlusskriterien (unacceptables) - anderenfalls Verletzung der Modellannahmen - Der Nutzen einer Ausprägung darf nicht durch die Ausprägungen anderer Eigenschaften beeinflusst werden (Ausnahme: Interaktionseffekte werden explizit berücksichtigt) begrenzte Anzahl (Anzahl zu schätzender Parameter Komplexität des Design Interviewdauer) etwa äquivalente Relevanz (Hierachieebene) für die Entscheidung aus Kundensicht wettbewerbsorientiert Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse erfolgskritisch voneinander unabhängig (additives Modell der CA) 65 Generierung potenziell relevanter Eigenschaften und Ausprägungen Keine Einbeziehung der Konsumenten Einbeziehung der Konsumenten Direkte Verfahren •Expertenbefragung •Auswertung von Fachliteratur •Analyse von Testberichten, Werbeanzeigen Prospekten •Direkte Befragung •„elicitation“ •„repertory grid“ Indirekte Verfahren •„thinking aloud“ •Tiefeninterviews •Projektive Techniken Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 66 Erstellung des Studiendesigns - Verfahrensauswahl Conjoint Analysen Rating Based Trade-off Stimuli werden durch Ausprägungen von nur zwei Eigenschaften konstruiert Full-Profile Beurteilung aller Eigenschaften gleichzeitig Choice Based Hybrid Verfahrenskombination (z. B. ACA) Auswahlentscheidung i. d. R. Full-Profile für jedes Paar von Eigenschaften wird eine Trade-off-Matrix gebildet bei n Eigenschaften: n(n-1)/2 Matrizen Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 67 Rating Based CA – Beispiel für die Beurteilungsaufgabe Welches Notebook würden Sie bevorzugen? Prozessor: Intel Pentium M 1.8 GHz Prozessor: Intel Pentium IV 2 GHz Hauptspeicher: 512 MB Hauptspeicher: 1024 MB Festplatte: 30 GB Festplatte: 20 GB Display: 15“ TFT Display: 14“ TFT Preis: 2500 € Preis: 2800 € Starke Bevorzugung links 1 2 Starke Bevorzugung rechts unentschieden 3 4 5 6 7 8 9 Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 68 Erstellung des Studiendesigns - Verfahrensauswahl: Rating Based CA Conjoint Analysen Rating Based - Stärken - viele Attribute und Niveaus, insbes. ACA Rating Based Choice Based - individuelles Datenniveau Full-Profile Hybrid - effiziente experimentelle Designs Trade-off - als Full-Profile realitätsnah; auch schriftlich gut realisierbar Rating Based - Schwächen - Interaktionen sind nicht leicht zu modellieren - nur Erhebung von Präferenzen - Keine Information über tatsächliche Auswahl (Kaufentscheidung) - Anzahl zu bewertender Stimuli steigt bei Full-Profile schnell Anwendung - Produktdesign, -entwicklung; Konzepttests innerhalb einer Kategorie - früh im Entwicklungsprozess - Marktsegmentierung: Post Hoc - Kundenzufriedenheitsanalyse Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 69 Choice Based CA – Beispiel für die Beurteilungsaufgabe Welches Notebook würden Sie auswählen? Prozessor: Intel Pentium M 1.8GHz Prozessor: Intel Pentium IV 2GHz Hauptspeicher: 512 MB Hauptspeicher: 1024 MB Festplatte: 30 GB Festplatte: 20 GB Display: 15“ TFT Display: 14“ TFT Preis: 2500 € Preis: 2800 € Keines dieser beiden Angebote Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 70 Erstellung des Studiendesigns - Verfahrensauswahl: Choice Based CA Conjoint Analysen Choice Based - Stärken Rating Based Choice Based - Interaktionen leicht modellierbar, wenn genügend Daten vorhanden sind Trade-off Full-Profile Hybrid - Option Nichtkauf / Nichtwahl - gewählte Alternative - nicht Präferenz - wird erhoben - flexible alternativenspezifische Designs möglich - mit modernen Schätzverfahren (Hierarchical Bayes) Individualergebnisse möglich Choice Based - Schwächen - wenige Attribute und Niveaus (i. d. R. bis maximal 6) - komplexes Design - vergleichsweise große Fallzahlen erforderlich Anwendung - Produktdesign später im Entwicklungsprozess (reduzierte Eigenschaftszahl) - Preispositionierung - Marktpotenzialabschätzung Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 71 Linear-additives Modell der CA Nutzwertanalyse Bewertun g 8 Ausprägung 1 Ausprägung 2 Ausprägung 3 Ausprägung 1 Ausprägung 2 Ausprägung 3 Ausprägung 1 Ausprägung 2 Ausprägung 3 Produkt Eigenschaft A Bedeutun g 25 % 4 Eigenschaft B 45 % B3: 1,8 7 Eigenschaft C 30 % C2: 2,1 Beurteilungsfunktion Nutzwertanalyse A1: 2,0 Präferenz Nutzen Wahlurteil Σ = 5,9 Verknüpfungsfunktio n Conjointanalyse alternative Modelle der Verknüpfungsfunktion existieren, sind aber nicht gebräuchlich, z. B.Universität multiplikative Technische BerlinVerknüpfung, nichtkompensatorische Modelle (z. Lehrstuhl Marketing Professor Dr. Volker Trommsdorff B. lexikographisch) Experiment- und Conjoint-Analyse 72 Erstellung des Studiendesigns Wahl des Präferenzmodells: Vektormodell Vektormodell u jp = w p ⋅ y jp ujP wp > 0 wp < 0 ujp Nutzen des Merkmals p für Stimulus j yjp Ausprägung des Merkmals p für Stimulus j (kontinuierliche Variable) wp individuelles Gewicht für Merkmal p Ausprägung des Merkmals p Anwendung - Generelle Bevorzugung einer Eigenschaft (Zuverlässigkeit, kurze Wartezeit) - Schätzung nur eines Parameters Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 73 Erstellung des Studiendesigns Wahl des Präferenzmodells: Idealpunktmodell u p = − w p ( y jp − x p ) Idealpunktmodell 2 ujp ujp Nutzen des Merkmals p für Stimulus j yjp Ausprägung des Merkmals p für Stimulus j (kontinuierliche Variable) wp individuelles Gewicht für Merkmal p xp Ausprägung des Merkmals xp : Ideal-Punkt p Xp Idealausprägung für Merkmal p Anwendung - Existenz einer Idealausprägung (Konfektionsgröße, Alkoholgehalt, Fahrzeuggröße) - Schätzung von zwei Parametern Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 74 Erstellung des Studiendesigns Wahl des Präferenzmodells: Teilwertmodell Teilwertmodell A u jp = ∑ β ap xajp ujp a =1 ujp Nutzen des Merkmals p für Stimulus j βap Nutzenwert des Merkmals p für die Ausprägung a 1 2 3 xajp Dummyvariable (0|1), die angibt, ob die Ausprägung a für die Eigenschaft p des Stimulus j vorhanden ist Anwendung - nichtlineare Nutzenverläufe (z. B. Design, Farbe) - Anzahl zu schätzender Parameter: A - 1 - höchste Flexibilität - in Standardsoftware implementiert Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 75 Datenerhebung in der Regel PC-gestützt - Untersuchungsdesigns (faktorielle Design) müssen nicht notwendigerweise a priori spezifiziert werden - erforderlich bei adaptiven Ansätzen - vorteilhaft für CBC-Designs - CAPI oder online (Präsentation der Stimuli; Multimediaeinsatz) - CATI nur bei stark vereinfachtem Design Paper-Pencil Interviews möglich - ggf. Design-Split Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 76 Berechnung der Teilnutzenwerte (OLS-Schätzer) Die abhängigen Variablen müssen mindestens Intervall-Skalenniveau haben (Metrische Lösung) J yk = ∑ j =1 yk Mj ∑β m =1 jm x jmk + µ Additives Modell der Conjoint Analyse Geschätzter Gesamtnutzenwert für Stimulus k β jm Teilnutzenwert für Ausprägung m von Eigenschaft j x jmk 1 falls bei Stimulus k die Eigenschaf t j in der Ausprägun g = m vorliegt, 0 sonst Die Teilnutzenwerte β werden so ermittelt, dass die Summe der quadrierten Abweichungen zwischen empirischen und geschätzten Nutzenwerten minimalK ist Min ∑ ( pk − yk ) 2 βTechnische Universität Berlin 1 k =Marketing Lehrstuhl Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 77 Berechnung der Teilnutzenwerte Beispiel: metrische Varianzanalyse (1) Beispiel: Digitalkamera mit verschiedenen Preisstufen, 3 MP vs. 5 MP Eigenschaft B (Auflösung) 1 (5 MP) 2 (3 MP) pA pA - p I 1 II 1,5 -2,0 Eigenschaft A2 (300) 3 III 4 IV 3,5 0,0 3 (250) 6 V 5 VI 5,5 2,0 1 (350) 2 (Preis in €) pB pB - p 3,6667 0,1667 p(k) - p p(k) p 3,3333 -0,1667 3,5 Teilnutzenwerte Mittelwert einer Zeile/Spalte Gesamtmittel der p - Werte Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff C.A. Experiment- und Conjoint-Analyse Quelle: Vgl. Backhaus, K. u.a.: [Multivariate Analysemetho 78 Berechnung der Teilnutzenwerte Beispiel: metrische Varianzanalyse (2) Stimulus p U p-U (p-U)2 I 2 1,6667 0,333 0,1111 II 1 1,3333 -0,333 0,1111 III 3 3,6667 -0,667 0,4444 IV 4 3,3333 0,667 0,4444 V 6 5,6667 0,333 0,1111 VI 5 5,3333 -0,333 0,1111 21 21,000 0,000 1,3333 (MIN ) p empir. Rangwerte U Gesamtnutzen Regressionsanalyse mit Dummy-Variablen (OLS-Schätzer) führt zu identischen Ergebnissen. Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse Quelle: Vgl. Backhaus, K. u.a.: [Multivariate Analysemetho 79 Analyseergebnisse: Teilnutzenwerte Maßzahl für die Attraktivität einzelner Merkmalsausprägungen werden für jeden Befragten normiert (Vergleichbarkeit der Individualanalysen) dimensionslos, intervallskaliert dürfen nicht als absolute Werte, sondern nur in Relation zueinander betrachtet werden. Dabei gibt die Differenz zwischen zwei Ausprägungen eines Merkmals den Nutzengewinn bzw. -verlust an. absoluter Betrag nicht zwischen den Eigenschaften vergleichbar Basis für alle weitergehenden Analysen Preis Preis Preis Preis 350 300 250 200 € € € € Noname Olympus Kodak Canon Auflösung 3 MP Auflösung 5 MP Technische Universität Berlin usw. Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 80 Analyseergebnisse: Relative Wichtigkeiten Die Nutzenwerte liefern die Basis für die Berechnung der relativen Wichtigkeiten der einzelnen Merkmale, die sich aus der der Betrachtung der Differenz von höchstem und niedrigsten Nutzenwert eines Merkmals für jeden einzelnen Befragten ergibt. wˆ j = wj mit J ∑w j =1 w j = Max{β jm }− Min{β jm } j m m βjm: Teilnutzenwert für Ausprägung m von Eigenschaft j Zwei Möglichkeiten zur Berechnung: – auf individueller Ebene – auf aggregierter Ebene (Basis: mittlere TNW) – Ergebnisse differieren bei Heterogenität der Präferenzen Ergebnisse sind stark von Eigenschaften und Ausprägungen determiniert; keine Aussage über absolute Relevanz Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 81 Analyseergebnisse: Präferenzanteilssimulationen (1) Ziel: Prognose der Auswahlwahrscheinlichkeiten für alternative Produktkonzepte Wichtigste Verfahren: – First Choice: Produkt mit dem höchsten Gesamtnutzen (Summe der TNW) erhält 100% Präferenzanteil – BTL (Bradley, Terry, Luce) Präferenzanteil eines Produktes: Verhältnis des Gesamtnutzens dieses Produktes zur Summe der Gesamtnutzen aller Produkte pk = Uk K ∑U n =1 n pk Auswahlwahrscheinlichkeit für Konzept k Uk Gesamtnutzen für Konzept k K Anzahl der Produkte in der Simulation – Logit: analog BTL mit Exponentialtransformation: pk = eU k K ∑U n e n=1 – BTL und Logit problematisch bei ähnlichen Produktkonzepten (IIA-Eigenschaft); Problem wird von neuen Simulationsverfahren gelöst (Randomized First Choice) Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 82 Analyseergebnisse: Präferenzanteilssimulationen (2) Demonstration „Preference Share Simulator“ Credit Card Simulator (US) Credit Card Options Credit Card 1 Credit Card 2 None Include? APR 7.99% 11.99% Introductory offer 0% APR for 18 months None Rewards for Company purchases 1% cashback 3% cashback Rewards for Non-Company purchases None 2% cashback I would not sign up for any of these credit cards. by list Random sample 34.3% 28.7% 37.0% High value customers 26.3% 33.5% 40.2% by segment* Introductory / low APR [N=164] 96.0% 0.9% 3.1% Rewards [N=145] 23.6% 48.8% 27.6% 0.6% 87.5% 11.9% Cash Back [N=144] *excludes rejecters/uninterested Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 83 Analyseergebnisse: Präferenzanteilssimulationen (3) Demonstration „Preference Share Simulator“ 100% random sample 80% high value customer 60% 40% 34.3% 26.3% 33.5% 28.7% 40.2% 37.0% 20% 0% 100% 96.0% 87.5% 80% APR and introductory Rewards 60% Cashback 40% 48.8% 27.6% 23.6% 11.9% 20% 0.6% 3.1% 0.9% 0% Credit Card 1 Credit Card 2 None Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 84 Beispiel: ACA für Mobiltelefone Eigenschaften Ablauf eines ACA-Interviews Live-Demonstration Ergebnisinterpretation Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 85 Beispiel: ACA für Mobiltelefone Eigenschaften (reduziert) • Hersteller • • • • • Nokia (50% Marktanteil D 2002) Siemens (32%) Alcatel (5%) Sony Ericsson (1%) Design A B C D E • Display • • • • Akkulaufzeit – 100 h Standby / 10 h Gespräch – 150 h Standby / 20 h Gespräch – 200 h Standby / 20 h Gespräch Preis ohne Vertrag – – – – 229 € 259 € 299 € 349 € Zusatzausstattung – – – – Terminplaner Terminplaner, MP3-Player Terminplaner, Kamera Terminplaner, Kamera, MP3-Player Gewicht – 70 g – 85 g – 100 g monochrom (grau/schwarz) monochrom (blau) 256 Farben 65000 Farben Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 86 Beispiel: ACA für Mobiltelefone Ablauf der ACA Das Interview erfolgt normalerweise in 4 Schritten: 1. Preference-Ranking / Rating 2. Importance-Section 3. Paired Comparison 4. Calibration Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 87 Fazit (1) - Vor- und Nachteile, Grenzen Vorteile der Conjoint-Analyse Vorteile der Kompositionellen Verfahren (self-explicated approach) Beurteilungsaufgabe entspricht besser der realen Kaufentscheidung geringere kognitive Belastung der Befragten bessere Ermittlung der tatsächlichen Bedeutung der Produkteigenschaften größere Anzahl von Eigenschaften möglich bessere Ermittlung der Teilnutzenwerte (auch bei Nichtlinearität) kostengünstiger (Erhebung) geringere Beeinflussung der Ergebnisse durch sozial erwünschte Antworten Grenzen insbesondere durch Modellannahmen (rationale Beuteilung/kognitiv, linear-additiv, kompensatorisch) Eigenschaften müssen sich operationalisieren lassen Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 88 Fazit (2) - Anwendung Produktpolitik (Neuproduktplanung, Pflichtenheft) Produktpositionierung und Repositionierung Nutzenorientierte Marktsegmentierung Kommunikationskonzept Marktsimulation (Präferenzanteile), Szenarien Preispolitik (Preis-Absatz-Funktion) Schulung (Zusammenarbeit F&E und Vertrieb) Kundenzufriedenheitsanalyse, Marketingcontrol Fokussierter Ressourceneinsatz Gewinnsteigerung Umsatzsteigerung Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 89 Grundlagen Mit der Conjoint-Analyse kann man Nutzen(beiträge) messen Modell: (einfachster Fall ohne Interaktion zwischen Merkmalen) Up = μ + αi + β j + γ k + δl + ε ijkl mit Up = Gesamtnutzenwert Produkt p μ = Niveaukonstante αi = Teilnutzenwert der Ausprägung i der ersten Merkmalsdimension - usw. ε = Fehlerglied Gesucht ist eine Gewichtungsmatrix {α, β, γ, δ,..... }, die den Gesamtnutzenwertvektor Up so erzeugt, daß die empirische Nutzenrangordnung Rp eine (bestmöglich) monotone Transformation von Up ist. Optimierungskriterium für die iterativ zu findende Lösung ist ein Streßmaß (siehe MDS). Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 90 Grundlagen Beispiel Gewinnmaximale Produktgestaltung mit CM (1 von 4) CM-Produktgestaltung: Präferenz-/Kaufws.-/Marktanteils-Maximierung. Ist mit CM-Produktgestaltung auch Gewinnmaximierung möglich? PreisbereitschaftsEinflüsse sind integrierbar über Preismerkmal, Kosteneinflüsse (Produktqualität, Marktanteilskämpfe) auch. Ansatz Bauer u.a. (1994): 1. Merkmale u. Ausprägungen incl. „Marken“ und „Preise“ auswählen. 2. Mit CM Teil- und Gesamtnutzenwerte für Zielpersonen bestimmen . 3. Erwartete Marktanteile aus Gesamtnutzenrelationen bestimmen (Nutzen der Produktvariante / Nutzensumme aller Varianten). 4. Teil-Stückkosten für alle Merkmalsausprägungen und Gesamt-Stückkosten für alle Produktvarianten bestimmen. 5. Stück-Deckungsbeiträge für alle fiktiven Produkte bestimmen. 6. Deckungsbeitrags-maximale Variante selektieren. Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 91 Grundlagen Beispiel Gewinnmaximale Produktgestaltung mit CM (2 von 4) Kostenwerte der Auto-Merkmalsausprägungen Merkmal Merkmals ausprägungen 90 2.300 110 2.800 130 3.500 Stoff 500 Velour 900 Leder 1.500 normal 300 metallic 500 perlmutt 1.000 ohne ABS 900 PS - Zahl Ausstattung Lackierung Bremssystem Variable Kosten der Merkmals ausprägungen ( € ) mit ABS 1.000 Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 92 Grundlagen Beispiel Gewinnmaximale Produktgestaltung mit CM (3 von 4) Teilnutzenfunktionen für sechs Automerkmale 1 1 1 0,5 0,5 0,5 0 0 A B 0 90 C 110 130 Stoff 1 1 1 0,5 0,5 0,5 0 0 normal metallic perlmutt Velour Leder 0 mit ohne 37.000 40.000 43.000 Quelle: Bauer et.al., ZfB 64 (1994), 1, S.81-94 Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 93 Grundlagen Beispiel Gewinnmaximale Produktgestaltung mit CM (4 von 4) Beispiel - Relative Wichtigkeit der Auto-Merkmale Produktmerkmal Nutzenwert - Range Nutzenbeitrag (%) Marke 0,91 -0,27 = 0,64 19 PS-Zahl 0,86 -0,19 = 0,67 20 Ausstattung 0,54 -0,28 = 0,26 8 Lackierung 0,72 -0,35 = 0,37 11 Bremssystem (ABS?) 0,63 -0,12 = 0,51 15 Preis 1,00 -0,14 = 0,86 26 Summe 100 = 3,31 Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 94 Grundlagen Zweites Beispiel: Messung einer Preis-Absatz-Funktion mit CM • Preis ist ein Produktmerkmal wie andere nutzenrelevante Merkmale • Falls “Disnutzen” des Preises bekannt, ist Relation Nutzen / Disnutzen berechenbar • Gesamtnutzenberechnung für alternative Preise Produkt A und Konkurrenten B, C, ... • Kaufprognose A für jeden Käufer unter Annahme “kauft Produkt mit höchstem Nutzen” • Marktanteil A = (Zahl der “Siege” von A) / Zahl aller Käufe • Berechnung alternativer Marktanteile A für variierende Preise von A ⇒ PAF • Entscheidung für Preis mit höchstem Marktanteil bzw. (Kostenbeachtung) mit Gmax Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 95 Agenda • Conjoint-Analyse • Grundlagen • Ablaufschritte einer Conjoint-Analyse • Anwendungsbeispiele Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 96 Ablaufschritte Ablaufschritte einer Conjoint-Analyse – Klassische CA 1- Merkmale und Merkmalsausprägungen 2- Erhebungsdesign Datenerhebung 3- Bewertung der Stimuli 4- Schätzung der Nutzenwerte Datenauswertung 5- Aggregation der Nutzenwerte Quelle: vgl. Backhaus K., Erichson B., Plinke W., Weiber R., Multivariate Analysemethoden, 2000, s. 568 Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 97 Agenda • Conjoint-Analyse • Grundlagen • Ablaufschritte einer Conjoint-Analyse • Anwendungsbeispiele Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 98 Anwendungsbeispiele 1- Merkmale und Merkmalsausprägungen (1) 1. Die Merkmale müssen relevant sein: Für die Gesamtnutzenbewertung der Befragten von Bedeutung und die Kaufentscheidung beeinflussend. 2. Die Merkmale müssen durch Anbieter beeinflussbar sein: Die Variation der betreffenden Merkmale muss Parameter der Objektgestaltung sein. 3. Die Merkmale sollten unabhängig sein: Empfundener Nutzen einer Merkmalsausprägung soll nicht durch Ausprägungen anderer Merkmale beeinflußt sein. Quelle: vgl. Backhaus K., Erichson B., Plinke W., Weiber R., Multivariate Analysemethoden, 2000, s. 569 Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 99 Anwendungsbeispiele 1- Merkmale und Merkmalsausprägungen (2) 4. Die Merkmalsausprägungen müssen realisierbar sein: Merkmalsausprägungen, die technisch nicht machbar oder sinnlos sind, sollen nicht getestet werden. 5. Die Merkmale müssen in einer kompensatorischen Beziehung zueinander stehen: “Besser” bei Merkmal A wird kompensiert durch “Schlechter” bei Merkmal B 6. Die Anzahl der Merkmale und ihrer Ausprägungen muss begrenzt werden: Man darf die Befragten nicht überfordern Quelle: vgl. Backhaus K., Erichson B., Plinke W., Weiber R., Multivariate Analysemethoden, 2000, s. 570 Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 100 Anwendungsbeispiele 2- Erhebungsdesign Im Rahmen der Festlegung des Erhebungsdesigns sind zwei Entscheidungen zu treffen: 1. Definition der Stimuli: Profil- oder Zwei-Faktor-Methode (trade-off-design) 2. Zahl der Stimuli: Vollständiges oder reduziertes Design Stimulus: Kombination von Merkmalsausprägungen, die den Auskunftspersonen zur Beurteilung vorgelegt wird. Quelle: vgl. Backhaus K., Erichson B., Plinke W., Weiber R., Multivariate Analysemethoden, 2000, s. 571 Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 101 Anwendungsbeispiele Profilmethode Bei der Profilmethode besteht ein Stimulus aus der Kombination je einer Ausprägung aller Merkmale. Merkmale Merkmalsausprägungen A A1, A2 B B1, B2 C C1 A1, B1, C1 A1, B2, C1 2 x 2 x 1 = 4 Stimuli A2, B1, C1 A2, B2, C1 Quelle: vgl. Backhaus K., Erichson B., Plinke W., Weiber R., Multivariate Analysemethoden, 2000, s. 572 Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 102 Anwendungsbeispiele Zwei-Faktor-Methode (Trade-Off-Analyse) Bei der Zwei-Faktor-Methode werden zur Bildung eines Stimulus jeweils nur zwei Merkmale herangezogen. Für jedes mögliche Merkmalspaar wird eine Trade-Off-Matrix gebildet. A B B1 B2 A1 A1, B1 A1, B2 A2 A2, B1 A2, B2 C C1 B1 B2 C1, B1 C1, B2 C C1 2x2+2x1+2x1 B = 8 Stimuli A A1 A2 C1, A1 C1, A2 Quelle: vgl. Backhaus K., Erichson B., Plinke W., Weiber R., Multivariate Analysemethoden, 2000, s. 572 Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 103 Anwendungsbeispiele Zahl der Stimuli Reduziertes Design Die Grundidee eines reduzierten Designs besteht darin, eine Teilmenge von Stimuli zu finden, die das vollständige Design verzerrungsfrei repräsentiert. 1. Symmetrische Designs: Wenn alle Merkmale die gleiche Ausprägungsanzahl haben. Beispiel: Lateinisches Quadrat, siehe Experiment. 2. Asymmetrische Designs: In denen die verschiedenen Merkmale eine unterschiedliche Anzahl von Ausprägungen aufweisen wie das (2x2x3)-faktorielle Design. vgl. Backhaus K., Erichson B., Plinke W., Weiber R., Multivariate Analysemethoden, 2000, s. 574 Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 104 Anwendungsbeispiele 3- Bewertung der Stimuli Die Conjoint-Analyse soll eine Rangfolge der Stimuli „rekonstruieren“, die den empirischen Nutzenrängen der Auskunftsperson entspricht. Zur Erhebung dieser Nutzenränge gibt es verschiedene Befragungsverfahren. 1. Rangordnungsverfahren 2. Rating-Skalen 3. Paarvergleiche Merkmal B Merkmal A B1 B2 A1 2 1 A2 3 4 A3 6 5 Rangwerte: pk Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 105 Anwendungsbeispiele 4- Schätzung der Nutzenwerte (1); Aus Teilnutzenwerten lassen sich folgende Größen ableiten: • Metrische Gesamtnutzenwerte. • Relative Wichtigkeiten für die einzelnen Merkmale. Additives Modell: J yk = ∑ j=1 Mj ∑β m =1 jm ⋅ x jm y k : geschätzter Gesamtnutz enwert für Stimulus k β jm : Teilnutzenwert für Ausprägun g m von Merkmal j x jm 1 falls bei Stimulus k die Merkmal j in der Ausprägun g m vorliegt = 0 sonst Die Teilnutzenwerte βjm sollen so bestimmt werden, daß die resul-tierenden Gesamtnutzenwerte yk “möglichst gut” den empirischen Rangwerten pk entsprechen. Quelle: vgl. Backhaus K., Erichson B., Plinke W., Weiber R., Multivariate Analysemethoden, 2000, s. 579-580 Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 106 Anwendungsbeispiele 4- Schätzung der Nutzenwerte (2) Das zur Ermittlung der Teilnutzenwerte üblicherweise verwendete Rechenverfahren: • Metrische Lösung (metrische Varianzanalyse) • Nichtmetrische Lösung (monotone Varianzanalyse) metrische Varianzanalyse: y = μ + βA + βB Merkmal B Merkmal A B1 B2 pA A1 2 1 1,5 A2 3 4 3,5 A3 6 5 5,5 pB 3,667 3,333 3,5 β j = pj − p μ = p = 3,5 y11 = 3,5 + (−2,0) + 0,1667 K Min ∑ (p k − y k ) 2 β k =1 Quelle: vgl. Backhaus K., Erichson B., Plinke W., Weiber R., Multivariate Analysemethoden, 2000, s. 580-582 Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 107 Anwendungsbeispiele 5- Aggregation der Nutzenwerte • Normierte Teilnutzenwerte β̂ jm Ziel der Normierung: zum Vergleich der Individualanalysen der einzelnen Auskunftspersonen • Am stärksten präferiertes Produkt max {yk} = 1 • Spannweite (relative Wichtigkeit eines Merkmals) wj Zwei grundsätzliche Möglichkeiten, aggregierte Ergebnisse der CA zu gewinnen: • Mittelwertbildung • Gemeinsame CA Quelle: vgl. Backhaus K., Erichson B., Plinke W., Weiber R., Multivariate Analysemethoden, 2000, s. 588-590 Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 108 Anwendungsbeispiele Drei Varianten der klassischen Conjoint-Analyse Choice-based CA Hybride CA Adaptive CA Quelle: vgl. Backhaus K., Erichson B., Plinke W., Weiber R., Multivariate Analysemethoden, 2000, s. 579-580 Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 109 Anwendungsbeispiele Choice-based Conjointanalyse CBC (Discrete-Choice-Analyse) Von Auskunftspersonen werden Präferenzurteile in Form von Auswahlentscheidungen (aus einem Alternativen-Set) verlangt. Im Gegensatz zu allen anderen Methoden kann damit auch eine Nichtwahl-Möglichkeit im Alternativen-Set berücksichtigt werden. Theoretische Grundlage der CBC ist die Zufallsnutzentheorie. Die CBC darf somit nicht als Individualanalyse verwendet werden. Es bildet “echte” Auswahlentscheidungen aggregiert ab. Es werden keine realen Wahlakte abgefragt, sie werden durch die wiederholte Präsentation der Stimuli simulativ ermittelt. Quelle: vgl. Backhaus K., Erichson B., Plinke W., Weiber R., Multivariate Analysemethoden, 2000, s. 612 Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 110 Anwendungsbeispiele Hybride CA Verknüpfung eines Punktbewertungsmodells (Self-Explicated-Modell) mit einem Conjoint-Ansatz. Die individuellen Wichtigkeiten aller relevanten Merkmale sowie die Erwünschtheit ihrer Merkmalsausprägungen werden individuell erfragt. Darauf aufbauend wird das für eine Auskunftsperson zu große Master-Design in Teilblöcke zerlegt, und jedes der Gruppenmitglieder beurteilt nur noch einen Teilblock. Im Gegensatz zur klassischen CA können keine “rein” individuellen Nutzenfunktionen berechnet werden. Quelle: vgl. Backhaus K., Erichson B., Plinke W., Weiber R., Multivariate Analysemethoden, 2000, s. 612 Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 111 Anwendungsbeispiele Adaptive CA Hybrid Modell (dekompositioneller Teil und kompositioneller Teil) Computergestützt, interaktiv. Dynamisch auf Zwischenergebnisse aufbauend. Studien mit einer großen Anzahl von Merkmalen (bis max. 30) und Merkmalsausprägungen (bis max. 9) können durchgeführt werden. Quelle: vgl. Backhaus K., Erichson B., Plinke W., Weiber R., Multivariate Analysemethoden, 2000, s. 612 Technische Universität Berlin Lehrstuhl Marketing Professor Dr. Volker Trommsdorff Experiment- und Conjoint-Analyse 112
