Advertisement

Untersuchung der relativen Bedeutung von Signalen in Produkt- Vorankündigungen und von Bedingungen ihrer Wirkung

Chapter
  • 55 Downloads
Part of the Betriebswirtschaftslehre für Technologie und Innovation book series (BTI, volume 35)

Zusammenfassung

Im Vordergrund der vorangegangenen Analysen stand die Untersuchung der Denkprozesse der Probanden. Nachteilig an der herangezogenen Untersuchungsmethode ist, daß nur wenige Variablen gleichzeitig betrachtet werden können. Interessant ist es insbesondere herauszufinden, welche relative Bedeutung dem Vorankündigungsaufwand und den Patenten bei der Beurteilung der Vorankündigung zukommen. Zudem soll herausgefunden werden, unter welchen Bedingungen Signalwirkungen zu erwarten sind. Speziell soll geprüft werden, ob die Ausprägungen der Detaillierung der Vorankündigung, des Innovationsgrades des betrachteten Produktes sowie wiederum des Etablierungsgrades die Signalwirkungen von Patenten und dem Vorankündigungsaufwand beeinflussen, und ob sich einzelne Kundensegmente im Hinblick auf das Heranziehen von Signalen identifizieren lassen. Es wird aus diesem Grunde ein Conjoint-Experiment durchgeführt.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. 722.
    Vgl. dazu Brockhoff (1999a), S. 152ff. und 158ff.Google Scholar
  2. 723.
    Vgl. Backhaus et al. (1996), S. 497f.; Hair et al. (1998), S. 392.Google Scholar
  3. 724.
    Vgl. Teichert (1994), S. 150.Google Scholar
  4. 725.
    Vgl. Schirm (1995), S. 98 und die dort genannten Quellen.Google Scholar
  5. 726.
    Vgl. die Beispiele von Teichert (1994), S. 152f.Google Scholar
  6. 727.
    Die Empfehlung, die Conjoint-Analyse zur Untersuchung der Glaubwürdigkeit von Vorankündigungen gegenüber Kunden heranzuziehen stammt von Brockhoff/Rao (1993), S. 225, vgl. dazu auch Schirm (1995), S. 97.Google Scholar
  7. 728.
    Vgl. zu den einzelnen Schritten z. B. Green/Srinivasan (1978); Backhaus et al. (1996), S. 500; Hair et al. (1998), S. 401f.Google Scholar
  8. 730.
    Vgl. z. B. Teichert (1994), S. 156ff.; Backhaus et al. (1996), S. 501f.; Hair et al. (1998), S. 405ff. 731 Es ist zu bedenken, daß sich die Anzahl aller möglichen Stimuli durch AE ergibt, mit A gleich den Ausprägungen und E den Eigenschaften. Insbesondere sind zur Schätzung von Interaktions- effekten eine hohe Anzahl von Stimuli erforderlich, vgl. Teichert (1994), S. 159f.Google Scholar
  9. 732.
    Die Literatur empfiehlt generell eine Betrachtung von weniger als sieben Variablen. Vgl. Teichert (1994), S. 159.Google Scholar
  10. 734.
    Vgl. Hair et al. (1998), S. 408. Vgl. auch Schirm (1995), S. 110 und die dort genannten Quellen.Google Scholar
  11. 735.
    Es wird auf eine stichwortartige Wiederholung der Eigenschaften und ihrer Ausprägungen auf der Stimuluskarte (vgl. hierzu Schirm (1995), S. 121f.) verzichtet, da dies zu einer weniger realistischen Präsentation der Vorankündigung führt. Der durchgeführte Pretest ergab, daß die Befragten keine Probleme beim Sortieren der Karten ohne die Angabe der Stichworte haben.Google Scholar
  12. 736.
    Vgl. zur Berücksichtigung von Interaktionseffekten Hair et al. (1998), S. 408f. und 416.Google Scholar
  13. 737.
    Vgl. Backhaus et al. (1996), S. 501.Google Scholar
  14. 738.
    Hair et al. sprechen sich dafür aus, paarweise Korrelationen bis zu 0,2 dann zu vernachlässigen, wenn sie zu einer Erhöhung der Vorhersagekraft des Modells beitragen. Vgl. Hair et al. (1998), S. 416.Google Scholar
  15. 740.
    Vgl. Hair et al. (1998), S. 411f.; Brockhoff (1999a), S. 42f.Google Scholar
  16. 741.
    Vgl. Brockhoff(1999a), S. 43.Google Scholar
  17. 742.
    Vgl. Backhaus et al. (1996), S. 503ff.; Brockhoff (1999a), S. 43.Google Scholar
  18. 743.
    Es werden all möglichen Kombinationen der Ausprägungen vom Probanden beurteilt., bei n Eigenschaften also (n2) Trade-Off-Matrizen, vgl. dazu Backhaus et al. (1996), S. 504f.Google Scholar
  19. 744.
    Vgl. Teichert (1994), S. 161f.Google Scholar
  20. 745.
    Vgl. Hair et al. (1998), S. 412; Brockhoff (1999a), S. 43.Google Scholar
  21. 746.
    Vgl. Teichert (1994), S. 161.Google Scholar
  22. 747.
    Vgl. Ebenda; Hair et al. (1998), S. 413; Brockhoff(1999a), S. 43.Google Scholar
  23. 748.
    Vgl. Backhaus et al. (1996), S. 505.Google Scholar
  24. 749.
    Vgl. Hair et al. (1998), S. 413; vgl. auch Schirm (1995), S. 122.Google Scholar
  25. 750.
    Vgl. Brockhoff(1999a), S. 43.Google Scholar
  26. 751.
    Einen Überblick über die Möglichkeiten zur Bildung fraktionierter Designs liefern Lehmann/ Gupta/Steckel (1998), S. 158f.Google Scholar
  27. 752.
    Vgl. Backhaus et al. (1996), S. 506.Google Scholar
  28. 754.
    Vgl. dazu Teichert (1994), S. 163f. Orthogonalität bedeutet, daß die geschätzten Teilgewichte der einzelnen Eigenschaftsausprägungen voneinander unabhängig sind.Google Scholar
  29. 755.
    Vgl. auch Schirm (1995), S. 135, der ein zu vernachlässigendes Bedeutungsgewicht der Interaktion „Hersteller und Detaillierung“ ermittelt.Google Scholar
  30. 756.
    Vgl. Green/Tull/Albaum (1988), S. 457; Teichert (1994), S. 165; Hair et al. (1998), S. 420.Google Scholar
  31. 757.
    Berechnet wird die Korrelation zwischen den geschätzten Glaubwürdigkeitswerten und den tatsächlichen Rängen (Kendall’s Tau). Vgl. z. B. Backhaus et al. (1996), S. 531.Google Scholar
  32. 758.
    Diese Anzahl wird als vorteilhaft hinsichtlich der Validität und Reliabilität der Ergebnisse angesehen. Vgl. Teichert (1994), S. 165 und die dort genannten Quellen.Google Scholar
  33. 759.
    Vgl. Teichert (1994), S. 166; Backhaus et al. (1996), S. 508.Google Scholar
  34. 760.
    Vgl. Teichert (1994), S. 166f.Google Scholar
  35. 761.
    Vgl. Hair et al. (1998), S. 417; vgl. auch Schirm (1995), S. 134.Google Scholar
  36. 762.
    Vgl. Backhaus et al. (1996), S. 508.Google Scholar
  37. 765.
    Vgl. Backhaus et al. (1996), S. 509.Google Scholar
  38. 766.
    Vgl. Brockhoff (1999a), S. 44 und die dort genannten Quellen.Google Scholar
  39. 767.
    Vgl. Lehmann/Gupta/Steckel (1998), S. 548.Google Scholar
  40. 768.
    Zu einer Darstellung dieses Verfahrens vgl. Backhaus et al. (1996), S. 510ff.Google Scholar
  41. 769.
    Für eine Darstellung vgl. Green/Tull/Albaum (1988), S. 541ff.; Backhaus et al. (1996), S. 512ff.Google Scholar
  42. 770.
    Vgl. Green/Tull/Albaum (1988), S. 453; Backhaus et al. (1996), S. 513f. Zur Auswertung der Daten dieser Untersuchung wird auf das SPSS-Programmpaket Version 7.0 zurückgegriffen.Google Scholar
  43. 771.
    Vgl. Wittink/Cattin (1989), S. 93.Google Scholar
  44. 775.
    Gute Darstellungen der Clusteranalyse finden sich z. B. bei Punj/Stewart (1983); Backhaus et al. (1996), S. 261ff.; Kaufmann/Pape (1996); Nieschlag/Dichtl/Hörschgen (1997), S. 808ff.; Hair et al. (1998), S. 469ff. sowie bei Lehmann/Gupta/Steckel (1998), S. 565ff.Google Scholar
  45. 776.
    Vgl. Nieschlag/Dichtl/Hörschgen (1997), S. 810; vgl. auch Lehmann/Gupta/Steckel (1998), S. 568ff. zu einer guten Darstellung dieses Maßes. Zu weiteren möglichen Proximitätsmaßen vgl. z. B. Green/Tull/Albaum (1988), S. 414ff.; Backhaus et al. (1996), S. 265.Google Scholar
  46. 777.
    Vgl. Backhaus et al. (1996), S. 292ff., welcher eine gute Beschreibung dieses Verfahrens liefert.Google Scholar
  47. 778.
    Dies ist der Fall bei partionierenden Verfahren, vgl. Hair et al. (1998), S. 498.Google Scholar
  48. 779.
    Vgl. das Beispiel von Backhaus et al. (1996), S. 299f., in welchem die Autoren das Ergebnis einer Untersuchung von Bergs (1981) bestätigen können. Vgl. auch Schirm (1995), S. 144.Google Scholar
  49. 780.
    Eine Überprüfung ist deshalb sinnvoll, da das Ward-Verfahren nicht grundsätzlich stabile Lösungen hervorbringt. Vgl. Kaufmann/Pape (1996), S. 467.Google Scholar
  50. 781.
    Vgl. Punj/Stewart (1983), S. 138 und S. 144f.Google Scholar
  51. 782.
    Vgl. dazu Wedel/Kamakura (1998), S. 55.Google Scholar
  52. 783.
    Vgl. Backhaus et al. (1996), S. 298f. und S. 287ff., sowie Hair et al. (1998), S. 494, für eine Darstellung des Verfahrens. Als Distanz zwischen zwei Clustern wird immer die kürzeste Distanz zwischen einem Objekt im ersten Cluster und einem Objekt im zweiten Cluster ermittelt.Google Scholar
  53. 784.
    Vgl. Hair et al. (1998), S. 498.Google Scholar
  54. 785.
    Auf eine Darstellung wird verzichtet.Google Scholar
  55. 786.
    Es wurde im Anschluß an die Clusteranalyse überprüft, ob sich die als Ausreißer identifizierten Probanden hinsichtlich ihrer Kenntnis von Patenten und dem vorangekündigten Produkt sowie hinsichtlich ihrer Erfahrungen mit Vorankündigungen zu den anderen gefundenen Clustern unterscheiden. Es ergaben sich keine signifikanten Mittelwertunterschiede.Google Scholar
  56. 787.
    Die Forschung ist sich uneinig bezüglich kritischer Werte. Backhaus et al. nennen beispielsweise einen Wert von 0,9, vgl. Backhaus et al. (1996), S. 314. Dieser Wert erscheint jedoch viel zu hoch.Google Scholar
  57. 788.
    In einem Struktrogramm wird die Fehlerquadratsumme in Abhängigkeit von der Anzahl der Cluster dargestellt. Auf eine Darstellung des Struktrogramms wird verzichtet.Google Scholar
  58. 789.
    Nach dem Kriterium der Fehlerquadratsumme muß die Varianz zwischen den Clustern höher als innerhalb der Cluster sein.Google Scholar
  59. 790.
    Eine Sechs-Cluster-Lösung wird ausgeschlossen, da bei dieser Lösung ein Cluster mit nur 7 Probanden eine sehr geringe und zudem nur schwer interpretierbare Besetzung aufweist.Google Scholar
  60. 791.
    Es ist üblich, die Charakterisierung der Cluster mittels normierter t-Werte zu überprüfen. Vgl. dazu Backhaus et al. (1996), S. 310f. Negative t-Werte zeigen eine Unterrepräsentierung der entsprechenden Variable in der jeweiligen Gruppe, positive Werte eine Überrepräsentierung an. Aus Tab. A 16 im Anhang ist ersichtlich, daß sich das zweite Cluster der Vier-Cluster-Lösung bei einer Fünf-Cluster-Lösung in zwei Gruppen aufspaltet. Eine Gruppe beurteilt Vorankündigungen hauptsächlich anhand des Etablierungsgrades des Herstellers. Die andere Gruppe zieht alle Informationskomponenten bis auf die Detaillierung in überdurchschnittlichem Maße bei der Beurteilung heran.Google Scholar
  61. 792.
    Vgl. dazu Backhaus et al. (1996), S. 310f. Der F-Wert sollte nicht größer als Eins sein, vgl. Backhaus et al. (1996), S. 310.Google Scholar
  62. 793.
    Vgl. Milligan (1981); Klastorin (1983).Google Scholar
  63. 794.
    Vgl. Klastorin (1983), S. 96. Der Erwartungswert wird über die möglichen Clusterlösungen berechnet. Ist die ermittelte Clusterlösung besser als eine Zufallslösung, so sollte der Erwartungswert größer als der beobachtete Wert sein.Google Scholar
  64. 795.
    Vgl. Chandon (1996), S. 18.Google Scholar
  65. 796.
    Vgl. Milligan (1981), S. 187ff. Der Index berechnet sich wie folgt.Google Scholar
  66. Vgl. Milligan (1981), S. 196. Das Maß entspricht inhaltlich einem t-Test zur Überprüfung von Unterschiedshypothesen. Vgl. Bortz (1989), S. 272.Google Scholar
  67. 799.
    Die Güterkriterien wurden mit der Software „Evalue-P“ von Chandon (1996) überprüft.Google Scholar
  68. 801.
    Für eine Benennung werden solche Merkmale gesucht, welche das Verhalten der Probanden bei der Beurteilung der Glaubwürdigkeit innerhalb eines Clusters am besten beschreiben. Vgl. Hair et al. (1998), S. 500; Lehmann/Gupta/Steckel (1998), S. 586.Google Scholar

Copyright information

© Springer Fachmedien Wiesbaden 2000

Authors and Affiliations

There are no affiliations available

Personalised recommendations