Übersicht Kundenpräferenzmodelle

Offengelegte Präferenzen (Revealed preferences): Logit Analyse

Mitgeteilte Präferenzen (Stated preferences):

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:

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:

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:

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

Merkmale und Merkmalsausprägungen
- Relevant für Kaufentscheidung; Vollständig; Von Unternehmen beeinflussbar; Unabhängig; Wettbewerbsprodukte abbildbar; Kompensatorische Beziehung; Keine Ausschlusskriterien; Anzahl der Eigenschaften/Ausprägung beschränkt
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
Datenerhebung
- Ergebnis: Ranking aller möglichen Produktprofile (Maximum = am meisten präferiert)
Schätzung der Nutzenwerte
- siehe unten
Überprüfen der Modellgüte
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 ***

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