Skip to main content
SpringerLink
Log in

Conjointanalyse: Erfassung von Kundenpräferenzen im Überblick

  • Chapter
  • First Online:
Conjointanalyse

  • 4987 Accesses

Zusammenfassung

In diesem einführenden Kapitel werden überblicksartig zunächst die Grundlagen der Conjointanalyse mit ihrer Entwicklung und Einordnung in die multivariaten Verfahren diskutiert sowie die wichtigsten Varianten – die bewertungsbasierte und die auswahlbasierte Conjointanalyse – und deren Verbreitung in Forschung und Praxis erläutert. Es folgen ein Anwendungsbeispiel und eine Übersicht über Stärken und Schwächen der Conjointanalyse sowie ein Softwareüberblick zur Gestaltung und Durchführung von Conjointanalysen bis hin zu ersten konkreten R-Codes. Die vorgestellten Inhalte werden in den nachfolgenden Kapiteln dieses Buches vertieft und erweitert.

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Log in via an institution
Chapter
USD 29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD 79.99
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
Hardcover Book
USD 99.99
Price excludes VAT (USA)
  • Durable hardcover edition
  • Dispatched in 3 to 5 business days
  • Free shipping worldwide - see info

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Similar content being viewed by others

Literatur

  • Allenby, G.M., N. Arora und J.L. Ginter (1995). “Incorporating Prior Knowledge into the Analysis of Conjoint Studies”. In: Journal of Marketing Research 23, S. 152–162.

    Google Scholar 

  • – (1998). “On the Heterogeneity of Demand”. In: Journal of Marketing Research 35, S. 384–389.

    Google Scholar 

  • Aschenbrenner, K.M. (1977). “Komplexes Wahlverhalten: Entscheidungen zwischen multiattributen Alternativen”. In: Fortschritte der Marktpsychologie – Band 1. Hrsg. von K. D. Hartmann und K. Koepler. Frankfurt: Fachbuchhandlung für Psychologie, S. 21–52.

    Google Scholar 

  • Backhaus, K., B. Erichson, W. Plinke und R. Weiber (2018). Multivariate Analysemethoden: Eine anwendungsorientierte Einführung. 15. Aufl. Berlin: Springer.

    Google Scholar 

  • Baier, D. (1999). “Methoden der Conjointanalyse in der Marktforschungs- und Marketingpraxis”. In: Mathematische Methoden der Wirtschaftswissenschaften. Hrsg. von W. Gaul und M. Schader. Heidelberg: Physica, S. 197–206.

    Google Scholar 

  • – (2014). “Bayesian Methods for Conjoint Analysis-Based Predictions: DoWe Still Need Latent Classes?” In: German-Japanese Interchange of Data Analysis Results. Hrsg. von W. Gaul, A. Geyer-Schulz, Y. Baba und A. Okada. Heidelberg: Springer, S. 103–113.

    Google Scholar 

  • Baier, D. und W. Gaul (1995). “Classification and Representation Using Conjoint Data”. In: From Data to Knowledge. Hrsg. von W. Gaul und D. Pfeifer. Heidelberg: Springer, S. 298–307.

    Google Scholar 

  • Baier, D., M. Pelka, A. Rybicka und S. Schreiber (2015a). “Hierarchical Bayes Regression Compared with Choice-Based Conjoint for Predicting Choices”. In: Archives of Data Science 1.1, S. 1–12.

    Google Scholar 

  • – (2015b). “Ratings-/Rankings-based versus Choice-based Conjoint Analysis for Predicting Choices”. In: Data Science, Learning by Latent Structures, and Knowledge Discovery. Hrsg. von B. Lausen, S. Krolak-Schwerdt und M. Böhmer. Berlin: Springer.

    Google Scholar 

  • Baier, D. und W. Polasek (2003). “Market Simulation Using Bayesian Procedures in Conjoint Analysis”. In: Exploratory Data Analysis in Empirical Research. Hrsg. von M. Schwaiger und O. Opitz. Berlin: Springer, S. 413–421.

    Google Scholar 

  • Baier, D. und F. Säuberlich (1997). “Kundennutzenschätzung mittels individueller Hybrid- Conjointanalyse”. In: Zeitschrift für betriebswirtschaftliche Forschung 49, S. 951–972.

    Google Scholar 

  • Böhler, H., C. Germelmann, D. Baier und H.Woratschek (2021). Marktforschung. 4. Aufl. Stuttgart: Kohlhammer.

    Google Scholar 

  • Brusch, M. (2005). Präferenzanalyse für Dienstleistungsinnovationen mittels multimedialgestützter Conjointanalyse. Wiesbaden: Deutscher Universitäts-Verlag.

    Google Scholar 

  • Chapman, C.N. und E. McDonnell Feit (2015). R for Marketing Research and Analytics. Berlin: Springer.

    Google Scholar 

  • Debreu, G. (1960). “Topological Methods in Cardinal Utility Theory”. In: Mathematical Methods in the Social Sciences: Proceedings of the First Stanford Symposium 1959. Hrsg. von K. J. Arrow, S. Karlin und P. Suppes. Stanford, CA: Stanford University Press, S. 16–26.

    Google Scholar 

  • Decker, R. und R. Wagner (2002). Marketingforschung. München: Mi-Wirtschaftsbuch.

    Google Scholar 

  • DeSarbo, W.S., V. Ramaswamy und S.H. Cohen (1995). “Market Segmentation with Choice-Based Conjoint Analysis”. In: Marketing Letters 6.2, S. 137–147.

    Google Scholar 

  • DeSarbo, W.S., M. Wedel, M. Vriens und V. Ramaswamy (1992). “Latent Class Metric Conjoint Analysis”. In: Marketing Letters 3.3, S. 273–288.

    Google Scholar 

  • Finn, A. und J.J. Louviere (1992). “Determining the Appropriate Response to Evidence of Public Concern: The Case of Food Safety”. In: Journal of Public Policy & Marketing 11.1, S. 12–25.

    Google Scholar 

  • Gaul,W. und D. Baier (1994). Marktforschung und Marketing Management: Computerbasierte Entscheidungsunterstützung. 2. Aufl. München: Oldenbourg.

    Google Scholar 

  • Gaul, W. und M. Both (1990). Computergestütztes Marketing. Berlin: Springer.

    Google Scholar 

  • Green, P.E. und F.J. Carmone (1970). Multidimensional Scaling and Related Techniques in Marketing Analysis. Boston, MA: Allyn und Bacon.

    Google Scholar 

  • Green, P.E., S.M. Goldberg und M. Montemayor (1981). “A Hybrid Utility Estimation Model for Conjoint Analysis”. In: Journal of Marketing 45, S. 33–41.

    Google Scholar 

  • Green, P.E. und A.M. Krieger (1993). “Conjoint Analysis with Product-Positioning Applications”. In: Marketing. Handbooks in Operations Research and Management Science, Volume 5. Hrsg. von J. Eliashberg und G. L. Lilien. Amsterdam: North Holland, S. 467–515.

    Google Scholar 

  • Green, P.E., A.M. Krieger und Y. Wind (2001). “Thirty Years of Conjoint Analysis – Reflections and Prospects”. In: Interfaces 31.2, Part 2, S56–S73.

    Google Scholar 

  • Green, P.E. und V.R. Rao (1970). Nonmetric Approaches to Multivariate Analysis in Marketing. Cambridge, MA: Marketing Science Institute.

    Google Scholar 

  • – (1971). “Conjoint Measurement for Quantifying Judgmental Data”. In: Journal of Marketing Research 8.3, S. 355–363.

    Google Scholar 

  • Green, P.E. und V. Srinivasan (1978). “Conjoint Analysis in Consumer Research – Issues and Outlook”. In: Journal of Consumer Research 5.2, S. 103–123.

    Google Scholar 

  • Hildebrandt, L. (1994). “Präferenzanalysen für die Innovationsmarktforschung”. In: Konsumentenforschung. Hrsg. von Forschungsgruppe Konsum und Verhalten. München: Vahlen, S. 13–28.

    Google Scholar 

  • Huber, G.P. (1974). “Multiattribute Utility Models: A Review of Field and Fieldlike Studies”. In: Management Science 20, S. 1393–1402.

    Google Scholar 

  • Huber, G.P., V.K. Sahney und D.L. Ford (1969). “A Study of Subjective Evaluation Models”. In: Behavioral Science 14, S. 483–489.

    Google Scholar 

  • Johnson, M.R. und K.B. Orme (2007). “A New Approach to Adaptive CBC”. In: Proceedings of the Sawtooth Software Conference. Provo, UT: Sawtooth Software, S. 1–29.

    Google Scholar 

  • Johnson, R.M. (1974). “Trade-Off Analysis of Consumer Values”. In: Journal of Marketing Research 11.May, S. 121–127.

    Google Scholar 

  • – (1975). “A Simple Method of Pairwise Monotone Regression”. In: Psychometrika 40.2, S. 163–168.

    Google Scholar 

  • – (1987). “Adaptive Conjoint Analysis”. In: Proceedings of the Sawtooth Software Conference. Provo, UT: Sawtooth Software, S. 253–265.

    Google Scholar 

  • Lenk, P.J. undW.S. DeSarbo (2000). “Bayesian Inference for Finite Mixtures of Generalized Linear Models with Random Effects”. In: Psychometrika 65.1, S. 93–119.

    Google Scholar 

  • Lenk, P.J.,W.S. DeSarbo, P.E. Green und M.R.Young (1996). “HierarchicalBayes Conjoint Analysis: Recovery of Partworth Heterogeneity from Reduced Experimental Designs”. In: Marketing Science 15.2, S. 173–191.

    Google Scholar 

  • Liechty, J., V. Ramaswamy und S.H. Cohen (2001). “Choice Menus for Mass Customization: An Experimental Approach for Analyzing Customer Demand with an Application to aWeb-Based Information Service”. In: Journal of Marketing Research 38.2, S. 183–196.

    Google Scholar 

  • Louviere, J.J. und G. Woodworth (1983). “Design and Analysis of Simulated Consumer Choice or Allocation Experiments: An Approach Based onAggregate Data”. In: Journal of Marketing Research 20.4, S. 350–367.

    Google Scholar 

  • – (1991). Best-Worst Scaling: A Model for the Largest Difference Judgments. Edmonton, CA: University of Alberta, Working Paper.

    Google Scholar 

  • Luce, R.D. und J.W. Tukey (1964). “Simultaneous Conjoint Measurement – A New Type of Fundamental Measurement”. In: Journal of Mathematical Psychology 1, S. 1–27.

    Google Scholar 

  • Mazanec, J. (1976). Die Schätzung des Beitrages einzelner Produkteigenschaften zur Markenpräferenz als Problem der polynomialen Verbundmessung. Wien: Wirtschaftsuniversität Wien, Arbeitspapiere der absatzwirtschaftlichen Institute.

    Google Scholar 

  • Orme, B.K. (2019). Getting Started with Conjoint Analysis. 4. Aufl. Manhattan Beach, CA: Research Publishers LLC.

    Google Scholar 

  • Orth, B. (1974). Einführung in die Theorie des Messens. Stuttgart: Kohlhammer.

    Google Scholar 

  • Otter, T., R. Tüchler und S. Frühwirth-Schnatter (2004). “Capturing Consumer Heterogeneity in Metric Conjoint Analysis Using Bayesian Mixture Models”. In: International Journal of Research in Marketing 21, S. 285–297.

    Google Scholar 

  • Paetz, F. und W. Steiner (2017). “The Benefits of Incorporating Utility Dependencies in Finite Mixture Probit Models”. In: OR Spectrum 39.3, S. 793–819.

    Google Scholar 

  • Rao, V.R. (2014). Applied Conjoint Analysis. New York: Springer.

    Google Scholar 

  • Rossi, P.E. (2019). bayesm. R-Package. Version 3.1-4. url: cran.r-project.org/package=bayesm.

    Google Scholar 

  • Rossi, P.E., G.M. Allenby und R. McCulloch (2005). Bayesian Statistics and Marketing. New York: Wiley & Sons.

    Google Scholar 

  • Sarstedt, M. und E. Mooi (2019). A Concise Guide to Market Research. 3. Aufl. Berlin: Springer.

    Google Scholar 

  • Sattler, H. und A. Hartmann (2008). “Commercial Use of Conjoint Analysis”. In: Operations Management in Theorie und Praxis – Band 1. Hrsg. von K. I. Höck und M. Voigt. Wiesbaden: Gabler, S. 103–119.

    Google Scholar 

  • Sawtooth Software (2006). The ACA/Hierarchical Bayes v3.0 Technical Paper. Provo, UT. url: sawtoothsoftware.com/uploads/sawtoothsoftware/originals/3f141784-f81a-43ac-8b6e-deee41f10e7a.pdf.

    Google Scholar 

  • – (2007). The ACA/Web v6.0 Technical Paper. Provo, UT. url: sawtoothsoftware.com/resources/technical-papers/aca-technical-paper.

    Google Scholar 

  • – (2013). HB-Reg v4 For Hierarchical Bayes Regression Technical Paper. Provo, UT. url: sawtoothsoftware.com/resources/technical-papers/hb-reg-technical-paper.

    Google Scholar 

  • – (2014). The Adaptive Choice-Based Conjoint (ACBC) Technical Paper. Provo, UT. url:

    Google Scholar 

  • sawtoothsoftware.com/resources/technical-papers/acbc-technical-paper.

    Google Scholar 

  • – (2017). The CBC System for Choice-Based Conjoint Analysis Version 9 Technical Paper. Provo, UT. url: sawtoothsoftware .com/ resources / technical - papers / cbc - technical - paper.

    Google Scholar 

  • – (2019a). Menu-Based Choice (MBC) for Multi-Check Choice Experiments. Provo, UT. url: sawtoothsoftware.com/ resources/ technical- papers/mbc- menu- based- choicedocumentation.

    Google Scholar 

  • – (2019b). Results of the Sawtooth Software User Survey 2019. Provo, UT. url: sawtoothsoftware.com/resources/blog/posts/results- of- the- sawtooth- software- usersurvey.

    Google Scholar 

  • – (2020). Lighthouse Studio Online Manual. Provo, UT. url: sawtoothsoftware .com/help/lighthouse-studio/manual.

    Google Scholar 

  • Schlereth, C. und B. Skiera (2017). “Two New Features in Discrete Choice Experiments to Improve Willingness-to-Pay Estimation that Result in SDR and SADR: Separated (Adaptive) Dual Response”. In: Management Science 63.3, S. 829–842.

    Google Scholar 

  • Schubert, B. (1991). Entwicklung von Konzepten für Produktinnovationen mittels Conjoint- Analyse. Stuttgart: Poeschel.

    Google Scholar 

  • Selka, S. und D. Baier (2014). “Kommerzielle Anwendung auswahlbasierter Verfahren der Conjointanalyse: Eine empirische Untersuchung zur Validitätsentwicklung”. In: Marketing ZFP 36.1, S. 54–64.

    Google Scholar 

  • Thomas, L. (1979). “Conjoint Measurement als Instrument der Absatzforschung”. In: Marketing ZFP 3, S. 199–211.

    Google Scholar 

  • Voeth, M. (1999). “25 Jahre conjointanalytische Forschung in Deutschland”. In: Zeitschrift für Betriebswirtschaft Ergänzungsheft 2.

    Google Scholar 

  • Voeth, M. und C. Hahn (1998). “Limit Conjoint-Analyse”. In: Marketing ZFP 20.2, S. 119–131.

    Google Scholar 

  • Wedel, M. und C. Kistemaker (1989). “Consumer Benefit Segmentation Using Clusterwise Linear Regression”. In: International Journal of Research in Marketing 6.1, S. 45–59.

    Google Scholar 

  • Wind, Y., J.F. Grashof und J.D. Goldhar (1978). “Market-Based Guidelines for Design of Industrial Products”. In: Journal of Marketing 42.3, S. 27–37.

    Google Scholar 

  • Wittink, D.R. und P. Cattin (1989). “Commercial Use of Conjoint Analysis: An Update”. In: Journal of Marketing 53.3, S. 91–96.

    Google Scholar 

  • Wittink, D.R., M. Vriens undW. Burhenne (1994). “Commercial Use of Conjoint Analysis in Europe – Results and Critical Reflections”. In: International Journal of Research in Marketing 11, S. 41–52.

    Google Scholar 

Download references

Author information

Authors and Affiliations

  1. Lehrstuhl für Marketing & Innovation, Universität Bayreuth, Bayreuth, Deutschland

    Daniel Baier

  2. ABWL, insb. Marketing und Unternehmensplanung, Hochschule Anhalt, Köthen, Deutschland

    Michael Brusch

Authors
  1. Daniel Baier
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. Michael Brusch
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Daniel Baier .

Editor information

Editors and Affiliations

  1. Lehrstuhl für Marketing & Innovation, Universität Bayreuth, Bayreuth, Bayern, Germany

    Daniel Baier

  2. Professur für ABWL, insbesondere Marketing und Unternehmensplanung, Hochschule Anhalt, Köthen, Germany

    Michael Brusch

Rights and permissions

Reprints and permissions

Copyright information

© 2021 Springer-Verlag Berlin Heidelberg

About this chapter

Check for updates. Verify currency and authenticity via CrossMark

Cite this chapter

Baier, D., Brusch, M. (2021). Conjointanalyse: Erfassung von Kundenpräferenzen im Überblick. In: Baier, D., Brusch, M. (eds) Conjointanalyse. Springer Gabler, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-63364-9_1

Download citation

  • DOI: https://doi.org/10.1007/978-3-662-63364-9_1

  • Published:

  • Publisher Name: Springer Gabler, Berlin, Heidelberg

  • Print ISBN: 978-3-662-63363-2

  • Online ISBN: 978-3-662-63364-9

  • eBook Packages: Business and Economics (German Language)

Publish with us

Policies and ethics

Search

Navigation