Offengelegte Präferenzen (Revealed preferences): Logit Analyse

Mitgeteilte Präferenzen (Stated preferences):

• Kompositionell
• Dekompositionell
• Hybrid

Vorteile von stated Preferences:

• Abbildung neuer Produktmerkmale/Innovationen
• Nicht typische Nachteile von Marktdaten (Hohe Kollinearität von Variablen wie Preis und Marke; Wenig Varianz der unabhängigen Variablen wie geringe Preisschwankungen)
• Auch für B2B-Märkte (nicht öffentlich)
• Anbietereinflüsse wie Marken herausrechenbar
• Meist kostengünstiger

Nachteile:

• Präferenzen in hypothetischen Situationen: Einstellung != Verhalten
• Unvollständige Marktbedingung (Kein Modell für Wettbewerbsverhalten)
• I.d.R. keine vollständige Abbildung der Produkte (Überlegungen zu fehlenden Merkmalen verzerren evtl. Ergebnisse)

Zerlegung Gesamtnutzen in Teilnutzen

Produkt / Merkmal / Merkmalsausprägung (z.B. Auto / Preis / 10.000)

$U_p=\sum_{i=1}^I\sum_{j=1}^J PW_{ij} * x_{ij}$

$PW_{ij}$: Partworth

$x_{ij}$ Indikatorvariable für Merkmal i mit Auprägung j.

Skalierung: Relative Konsistenz entscheidend (absolut uninteressant)

Verfahrenstypen:

• Kompositionell: Erst PW bestimmen, dann U
• Dekompositionell: Erst U bestimmen, dann PW
• Hybrid: Kombination aus beiden.

Ergebnis sind Teilnutzenkurven für Merkmale (x: Merkmalsausprägung j; y: Nutzen).

$PW_{ij} = w_j * b_{ij}$

$w_i$: Relative Wichtigkeit von Merkmal i

$b_{ij}$: Bewertung der Ausprägung j des Merkmals i

Wichtigkeitsbestimmung auf Produktmerkmalsebene:

• Fokus auf Bestimmung der $w_i$
• $b_{ij}$ müssen interpoliert werden (0% (100%) bei schlechtester (bester) Ausprägung am Markt).

Wichtigkeitsbestimmung auf Merkmals- und Ausprägungsebene:

• Mehrstufig: Erst Bestimmung der $b_{ij}$, dann der $w_i$
• Erweiterung um Elimination unerwünschter Ausprägungen

Weitere Verfahren der direkten Wichtigkeitsabfrage (SEA: Self Explicated Approach - Direkte Präferenzbefragung):

Stage 0: Eliminierung unakzeptabler Attributniveaus Stage 1: Evaluation der akzeptablen Attributniveaus Stage 2: Evaluation der Attributwichtigkeit

Direkte Wichtigkeitsabfrage auf Ebene der Produktmerkmale:

• Punkteskala
  • Wichtigkeit der Produktmerkmale auf Punkteskala bewerten
  • Vorteil: Leicht durchführbar, große Merkmalszahl möglich
  • Nachteil: Keine Trade-Offs (zu viele Ansprüche)
  • Teilnutzenwerte nur über Interpolation für $b_{ij}$ zu ermitteln
    • $b_{Top-Speed,200}$ z.B. (200-Min-Speed) / (Max-Speed-Min-Speed)
    • Für Merkmal Marke unmöglich
• Ranking
  • Produktmerkmale nach Wichtigkeit ordnen
  • Vorteil: Einfache Tradeoffs
  • Nachteil: Keine Distanzangabe zwischen Rängen; Reihenfolgeeffekte; Schwierig für hohe Merkmalszahl
  • Teilnutzenwerte wieder nur über Interpolation von $b_{ij}$
• Konstantsummenskala
  • Verteilung einer konstanten Summe auf Produktmerkmale
  • Vorteil: Tradeoffs; Quantifizierbar
  • Nachteil: Telefonisch nicht möglich; Reihenfolgeeffekte; Schwierig für hohe Merkmalszahl
  • Teilnutzenwerte wieder nur über Interpolation von $b_{ij}$

Direkte Wichtigkeitsabfrage auf Ebene der Produktmerkmale und -ausprägungen:

• Erster Schritt: Bewertung der Merkmalsausprägungen ($b_{ij}$) z.B. über Punkteskala
• Zweiter Schritt: Bewertung der Wichtigkeit der Merkmale ($w_j$)
• Kombination ermöglich Ermittlung von Teilnutzenkurve

Datenbasis bilden die Gesamtnutzenurteile (Präferenzurteile) der befragten Personen.

Anwendungsgebiete: Produktgestaltung, Preispolitik, Marktsegmentierung, Marktsiumulation.

Varianten:

• Profilmethode: Entscheidung zwischen Profilen mit Eigenschaften
• Tradeoff: Gegenüberstellung von Merkmalen in einer Matrix

• Rankingbasierte CA: Präsentation aller Entscheidungsalternativen auf einmal; Ordnen der Alternativen.
• Ratingbasierte CA: Entscheidungssituation auf Punkteskala mit zwei Alternativen (als Produktprofile)
• Auswahlbasierte CA (Choide Based Conjoint Analysis): Entscheidungssituation mit zwei oder mehr Alternativen (als Produktprofile). Entscheidung für eine (oder keine) Option.
• Best/Worst CA: Mehrere Entscheidungsalternativen (als Produktprofile); Auswahl der besten und schlechtesten Alternative

1. Merkmale und Merkmalsausprägungen
   • Relevant für Kaufentscheidung; Vollständig; Von Unternehmen beeinflussbar; Unabhängig; Wettbewerbsprodukte abbildbar; Kompensatorische Beziehung; Keine Ausschlusskriterien; Anzahl der Eigenschaften/Ausprägung beschränkt
2. Erhebungsdesign
   • Ideal: Voll-faktorielle Designs (alle mögliche Kombinationen aus Produktmerkmalen)
     • Unabhängigkeit der Mekmale (keine Korrelationen)
     • #Produktprofile = Produkt der #Merkmalsausprägungen pro Merkmal
     • Exponentielles Wachstum
   • Kompromiss: Reduzierte Designs:
     • Orthogonalität der Auswertungsmöglichkeiten wird beibehalten; Beschrieben über Auflösung
3. Datenerhebung
   • Ergebnis: Ranking aller möglichen Produktprofile (Maximum = am meisten präferiert)
4. Schätzung der Nutzenwerte
   • siehe unten
5. Überprüfen der Modellgüte
6. Interpreation der Nutzenparameter

Für jedes Merkmal:

• Erzeugung einer Variable $x_{ij}$. Wenn Merkmal i Ausprägung j hat ist $x_{ij}=1$ sonst 0.
• Erzeugung einer solchen Variable für J-1 Ausprägungen des Merkmals.
• Ausgelassene Ausprägung stellt Basisausprägung dar, andere Werte werden relativ zu dieser Ausprägung geschätzt.
• OLS-Regression
• $Rank = \alpha + \sum_{i=1}^I \sum_{j=1}^{J-1} \beta_{ij} x_{ij}$
• $\alpha$: Nutzen eines Produkts bei dem alle Merkmale Basisausprägung besitzen
• $\beta_{ij}$: Teilnutzen der Ausprägung j des Merkmals i im Vergleich zur Basisausprägung.

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -5.0278 1.1401 -4.410 0.000139 ***
time3d 14.1111 1.1401 12.377 7.15e-13 ***

• Verkürzung der Zeit von 12 auf 3 Minuten entspricht Nutzen von 14,1
• Wenn Basisausprägung ergibt sich ein Gesamtnutzen von -5,0278

Für jedes Merkmal:

• Variable $x_{ij}$
  • 1, wenn Merkmal i des bewerteten Profils Ausprägung j hat
  • -1, wenn Merkmal i des bewerteten Profils Basisausprägung hat
  • 0, sonst
• Erzeugung einer socleh Variable für J-1 Ausprägungen des Merkmals
• Ausgelassene Ausprägung ist Basisausprägung
• OLS-Regression
  • $Rank = \alpha + \sum_{i=1}^I \sum_{j=1}^{J-1} \beta_{ij} x_{ij}$
  • $\alpha$: Durchschnittlicher Nutzen über alle Produktprofile
  • $\beta_{ij}$: Teilnutzen der Ausprägung j des Merkmals i
  • $\sum_{j=1}^{J-1} - \beta_{ij}$ Nutzen der Basisausprägung

Korrelation vorhergesagter/tatsächlicher Bewertung

Vorhersagekraft hinsichtlich Schätzung unberücksichtigter Produktprofile