Übersicht Kundenpräferenzmodelle

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)

Nutzenmodell von stated preferences

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).

Kompositionell

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

$w_i$: 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

Dekompositionell

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

Vorgehen Rankingbasierte CA:

  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

Schätzung der Nutzenwerte:

Regression mit Dummy Variablen

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

Regression mit effekt-kodierten Variablen

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

Überprüfung der Modellgüte

Korrelation vorhergesagter/tatsächlicher Bewertung

Vorhersagekraft hinsichtlich Schätzung unberücksichtigter Produktprofile