Zusammenfassung
In den bisherigen Ausführungen wurde zum einen die Marktsegmentierung thematisiert, zum anderen wurde die Kundenzufriedenheit als strategischer Erfolgsfaktor einer marktorientierten Unternehmensführung vorgestellt. Beide Themenbereiche sind, isoliert betrachtet, zwei zentrale Konzepte der marktorientierten Unternehmensführung. Das Kapitel 4 stellt im Folgenden eine integrative Betrachtungsweise beider Themenbereiche vor. Abschnitt 4.1 setzt sich mit segmentspezifischen Ursache-Wirkungsanalysen in der Kundenzufriedenheitsforschung auseinander. Der vorgestellte Ansatz FIMIX-PLS soll zum Lösen dieser Problemstellung einen neuen Beitrag leisten. Abschnitt 4.2 stellt einen Ansatz vor, der es ermöglicht, das in Abschnitt 2.3 vorgestellte Konzept des „Segment of one“ empirisch zu analysieren: der HB-LISREL Ansatz. Abschnitt 4.3 fasst die Erkenntnisse beider neuer Ansätze aus theoretischer und der praktischer Sicht zusammen.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Literatur
Vgl. dazu Abschnitt 3.2.4.
Vgl. Anderson (1994).
Zur näheren Erläuterung dieser Studie sei auf Anderson (1994) verwiesen.
Vgl. dazu Abschnitt 2.2.4.1.1.
Jedidi et al. (1996) stellen einen solchen Ansatz vor. Die Grundidee stammt aus den „Mixture Regression“ Modellen, die bereits in Abschnitt 2.2.4.3.3 vorgestellt wurden. Die Autoren entwickeln die Idee zur Lösung von zusammenhängenden Gleichungssystemen weiter. Danaher (1998) wendet in seinem Aufsatz ein „Mixture Regression” Modell an. Allerdings geht der Autor niclit auf Konsequenzen der Zufriedenheit ein, so dass die Anwendung kein Gleichungssystem von sowohl Ursache- als auch Wirkungsbeziehungen der Kundenzufriedenheit berücksichtigt.
Vgl. dazu Muthén (1989).
Jedidi et al. (1997a) weisen dies in ihrem Aufsatz nach.
Vgl. Jöreskog (1977).
Dabei sind diese Überlegungen kein Phänomen der Kundenzufriedenheitsforschung. Sie können vielmehr auf alle kausalanalytischen Problemstellungen ausgedehnt werden.
Vgl. dazu McLachlan und Basford (1988) und Abschnitt 2.2.4.3.1.
Vgl. Arminger und Stein (1997) und Anninger, Stein und Wittenberg (1997).
Vgl. Jedidi et al. (1997a) und Jedidi et al. (1997b).
Vgl. dazu Abschnitt 3.3.2.1.
Eine ausführliche Darstellung des Mehrgruppen Mess-und Strukturmodells bietet Jedidi et al. (1997a).
Vgl. dazu die Ausfiihrungen in Abschnitt 2.2.4.3.1
Die in der „Finite Mixture“ Analyse üblichen Gütekriterien sind das „Consistent Akaike Information Criterion”, CAIC, und das „Bayesian Information Criterion“, BIC. Der interessierter Leser sei in diesem Zusammenhang auf Jedidi et al. (1997a) und auf Jedidi et al. (1997b) sowie auf Bozdogan (1987) und auf Schwarz (1978) verwiesen. Vgl. dazu auch Abschnitt 2.2.4.3.1.
Vgl. dazu Jedidi et al. (1997a), S. 49 ff.
Vgl. Görz und Hildebrandt (2000).
Vgl. dazu Abschnitt 3.3.2.3.
Aus diesem Grund hat auch das Verfahren des „Data Mining“ in der Marketingpraxis an Bedeutung gewonnen hat. Der Anwender sucht explorativ nach neuen Erkenntnissen, die lediglich aus den Daten ermittelt werden können, ohne dass in einem ersten Schritt eine theoretische Basis geschaffen werden muss. Zu Data Mining siehe auch Nakhaeizadeh (1998) und Hasenauer (1995).
Vgl. dazu Abschnitt 3.3.3.2.
i ist der Index des Beobachtungssubjektes und wird hier als Individuum bezeichnet. Dabei können Individuen Konsumenten, Kunden, Käufer, Lieferanten, Mitarbeiter, potenzielle Mitarbeiter, etc. sein. Auch Firmen, staatliche Organe, Organisationen usw. sind als Beobachtungssubjekte denkbar.
Strukturgleichungsmodelle werden üblicherweise wie folgt dargestellt: 17 = B’7) + 1–4+ b. Vgl. dazu Gleichung 3–2 in Abschnitt 3.3.1. Durch Umformung von mit B = (I —W) und r= —I’s erhält man Gleichung 4–9. Daraus folgt, dass die Formulierungen austauschbar sind. Die Darstellung in Gleichung 4–9 ist für die Beschreibung von FIMIX-PLS vorteilhafter.
Siehe dazu auch die Ausführungen in Abschnitt 3.3.2.1.
Vgl. dazu Abschnitt 3.3.2.2.
Vgl. dazu Abschnitt 2.2.4.3.3.
Vgl. Abschnitt 2.2.4.3.1.
Vgl. dazu McLachlan und Basford (1988).
Die Startwerte der Parameter und der Klassengrößen müssen nicht zwingend zufällig ausgewählt werden. Sie können auch bestimmte Werte annehmen, um zum Beispiel bestimmte Hypothesen zu überprüfen. Der EM-Algorithmus eignet sich sowohl zur explorativen als auch zur konfirmatorischen Analyse des Modells. Allerdings kann sich durch schlecht gewählte Startwerte die Dauer des Schätzprozesses erheblich verlängem.
Vgl. dazu Everitt (1987).
Vgl. Schulze (1999), S. 611.
Die Schätzung von „Finiten Mixture“ Mehrgleichungsmodellen durch den Ansatz von Jedidi, Ramaswamy, DeSarbo und Wedel (1996) lässt Interdependenzen zu. Da das FIMIX-PLS jedoch auf dem Basismodell des PLS Ansatzes beruht, müssen Interdependenzen nicht berücksichtigt werden. Der Vorteil liegt dabei in einem einfacheren Schätzvorgang.
Die ermittelten Werte fir X und Y stammen aus der ersten Stufe des Schätzalgorithnus durch die Anwendung der PIS Methode. Sie repräsentieren die Werte der Konstruktvektoren.
Dabei bezeichnet man eine Matrix als Diagonafmatrix, wenn alle Zellen der Matrix außer die auf der Diagonalen zwingend den Wert Null annehmen.
Vgl. Abschnitt 2.2.4.3.1.
Die Untersuchung wurde im Auftrag der National Association for Convenience Stores, NACR, im Jahr 1999 von Michael D. Johnson, National Quality Research Center, University of Michigan Business School, Ann Arbor und Wayne Hoyer, University of Texas, Austin durchgefiihrt. Die Idee und Entwicklung des neuen Ansatzes FIMIX-PLS entstand bei einem Forschungsaufenthalt des Autors im Herbst/Winter 1999 an der University of Michigan Business School, Ann Arbor, auf Einladung von Prof. Michael D. Johnson. An dieser Stelle sein Prof. Michael D. Johnson und Prof. Wayne Hoyer ein Dank fair die Überlassung der Daten ausgesprochen.
Vgl. NACS (2000a).
Vgl. NACS (2000a).
Vgl. NACS (2000b).
Mom and Pop“ sind mit den deutschen „Tante Emma Läden” vergleichbar. Der Standort befindet sich meistens in Wohngegenden. Sie werden vom Eigentümer selbst geführt und gehören keinem „Franchise“ System an.
Vgl. NACS (2000b).
Vgl. Fomell et al. (1996) und Anderson und Fomell (2000).
Vgl. Fomell et al. (1996), S. 7.
Die Untersuchung wurde in Englischer Sprache durchgefiihrt. Aufgrund der Gefahr einer mehrdeutigen Übersetzung werden die Bezeichnungen der Konstrukte und Indikatoren ebenfalls in Englischer Sprache dokumentiert.
Die Befragung erfolgte im Rahmen eines Telefoninterviews. Insgesamt gingen 1.025 Befragungen in die Untersuchung ein.
Die Frage, weshalb die Analyse bei der Anzahl von sechs Segmenten beendet wird, beantwortet die später diskutierte Beurteilung der Ergebnisse aus den Teilanalysen.
Zur Stärken-Schwächen-Analyse (SWOT-Analyse) sei auf Kotler (2000), S. 76 ff., verwiesen.
Die Segmentgrößen ergeben sich aus der Summe der individuellen segmentspezifischen Zugehörigkeitswahrscheinlichkeiten.
Vgl. Abschnitt 2.2.4.3.1.
Vgl. Ramaswamy et al. (1993).
Da Seven-Eleven mit Abstand am meisten auf die Frage: „Bei welchem Convenience Store kaufen sie am häufigsten ein?“ genannt wurde, ist dafür eine dichotome, deskriptive Variable geschaffen worden. Für den am zweithäufigsten genannten Typ „Mom and Pop” wurde ebenfalls eine dichotome Variable gebildet.
Schmitt (1999) spricht bei diesen Faktoren von „Expertental Variables“.
In Abbildung 4–3 sind diese Voraussetzungen nachzuvollziehen.
Hierbei wird unterstellt, dass eine Verbesserung der Ladengestaltung eine Erhöhung der Bewertung des Indikators S13 zur Folge hat. Um das Beispiel einfach zu halten, sei angenommen, dass jede befragte Person die Verbesserung der Ladengestaltung durch die Erhöhung der Bewertung des Indikators S13 honorieren würde.
Vgl. Kotler (2000), S. 37.
Dabei wird nicht unterschieden, ob die Empfehlung positiven oder negativen Inhalt hat. Bei dieser Untersuchung wird angenommen, dass es sich um eine positive Empfehlung handelt. Zur Diskussion der positiven und negativen Empfehlung siehe auch Anderson (1998).
Zu ROI siehe auch Kotler (2000), S. 466 f.
Koch (2000), S. 3.
Eine umfassende Diskussion der Unterschiede von traditioneller und Bayes Statistik bietet Draper (1998).
Vgl. Koch (2000), S. 6.
Die Originalquelle für das Bayes Theorem ist bei Bayes (1763) zu finden. Die Arbeit und die Biographie des großen Mathematikers aus dem 18. Jahrhundert beschreibt außerdem Barnard (1958). Press (1989) befasst sich ebenfalls intensiv mit der Veröffentlichung des Bayes Theorems.
Zur besseren Übersicht wird die „Wahrscheinlichkeitsverteilung“ nur noch als „Verteilung” bezeichnet.
Die Begründung dafür ist in Koch (2000), S. 14, ausführlich beschrieben.
In der angloamerikanischen Literatur bezeichnet man dies als „informative priors“ und „non-informative priors.”
Diese nicht-informativen Priori Verteilungen sind in der Bayes Literatur oft anzutreffen. Sie dazu auch Dra-per (1998).
„Sr steht fir „Standard Inverse“. Um die Priori Verteilung zu vereinfachen, rechnet man m der Bayes Statistik anstatt mit der Varianz mit der Präzision definiert durch —0.2. Damit ist die Priori Verteilung der Prä zision durch eine Gammaverteilung definiert. Vgl. dazu Koch (2000), S. 111 ff.
Zur Anwendung der Bayes Statistik für die Punktschätzung siehe auch Koch (2000), S. 65.
Vgl. dazu Gilks, Richardson und Spiegelhalter (1996b).
Vgl. dazu Gilks, Richardson und Spiegelhalter (1996b), S. 3.
Siehe dazu auch Gilles, Richardson und Spiegelhalter (1996b), S. 4.
Vgl. Hastings (1960). Der Algorithmus basiert auf den Überlegungen von Metropolis et al. (1953).
Siehe dazu Geman und Geman (1984), Gelfand und Smith (1990) sowie Gelfand et al. (1990).
Eine Einführung in die MCMC Methode bieten Gilks, Richardson und Spiegelhalter (1996b). Strategien zur Verbesserung des MCMC Verfahrens behandeln Gilks und Roberts (1996). Zeger und Karim (1991), Gelman und Rubin (1992a,b), Geyer (1992), Cowles und Carlin (1994), Raftery und Lewis (1992), Geweke (1992), Ritter und Tanner (1992) sowie Liu und Liu (1993) untersuchen spezielle Teilaspekte der MCMC Methode. Zur Modellbewertung siehe Raftery (1996) sowie Gelman und Meng (1996). Bennet, Racine-Poon und Wakefield (1996) stellen eine Möglichkeit zur Anwendung des MCMC Verfahrens bei nicht-linearen „Hierarchischen Bayes“ Modellen vor.
Eine Darstellung von „Random Effects“ Modellen bietet Green (1997), S. 623 ff.
Vgl. Allenby und Lenk (1994), Allenby und Ginter (1995), Lenk, DeSarbo, Green und Young (1996), Rossi, McCulloch und Allenby (1996), Allenby und Rossi (1999), Ansari, Essegaier und Kohli (2000), Shively, Allenby und Kohli (2000) sowie Fischer, Leeflang und Hahn (2001).
Vgl. dazu Allenby, Arora und Ginter (1995), Allenby und Ginter (1995), Lenk, DeSarbo, Green und Young (1996) sowie Lenk und DeSarbo (2000).
Die „Conjoint“ Analyse auf Basis diskreter Wahlmodelle liefert darüber hinaus nur Parameterschätzungen auf aggregiertem Niveau.
Vgl. Krishnan, Ramaswamy, Meyer und Damien (1999).
Vgl. Ansari et al. (1999).
Die Beschreibung der Variablen orientiert sich an der formaltheoretischen Defmition der Kovarianzstrukturanalyse in Abschnitt 3.3.2.1.
Vgl. Ansari et al. (1999).
gl. dazu Muthèn (1989), Muthèn (1994) sowie Goldstein und McDonald (1988).
Der „Halo Effekt“ kann bei der Anwendung von Skalendaten auftreten („Halo” = „high intercategory correlations or low intercategory variance”). Für eine ausführliche Diskussion siehe Cooper (1981).
Damit ist die vermutete Heterogenität des Modells als „Random Effects“ Modell definiert. In der Literatur der Strukturgleichungsmodelle wurden bisher zwei Arfen von Ansätzen diskutiert, die ebenfalls die Heterogenität von Ofberücksichtigen. Zum einen das Mehrgruppenmodell, das Unterschiede in den Kovarianzstrukturen dadurch berücksichtigt, dass a priori eine festgelegte Anzahl von Gruppen spezifiziert werden. Die „Fixed Effects” der Heterogenität werden dabei berücksichtigt. Allerdings verlangt dieser Ansatz eine große Anzahl von Beobachtungen je Gruppe. Siehe dazu Jöreskog (1971) und Sorbom (1981). Zum anderen der „Finite Mixture“ Ansatz von Jedidi et al. (1997). Siehe dazu auch Abschnitt 4.1.1. Schließlich berücksichtigt das konfirmatorische Faktonrodell von Yung (1997) die „Fixed Effects” der Heterogenität durch die Definition von a posteriori definierten Gruppen. HB-LISREL ist jedoch weitaus flexibler und berücksichtigt die Heterogenität durch ein „Random Effects“ Modell.
Der in Abschnitt 4.1 vorgestellte FIMIX-PLS Ansatz etwa konzentriert sich bei der Segmentierung auf die latente Heterogenität innerhalb des Strukturmodells.
Vgl. Jöreskog (1971) und Sorbom (1981).
Vgl. dazu die Diskussion zur Lösung der mehrdimensionalen Integralgleichungen in Abschnitt 4.2.1.2 und 4.2.1.3.
Vgl. Abschnitt 4.2.1.3.
Vgl. Ansari et al. (1999), S. 26.
Vgl. Ansari et al. (1999), S. 26.
Vgl. Ansari et al. (1999), S. 27.
Vgl. dazu Abschnitt 4.2.1.3.
Vgl. Tierney (1994), und Abschnitt 4.2.1.3.
Eine ausführliche Beschreibung des MCMC Algorithmus` für das HB-LISREL Modell bietet Ansari et al. (1999), S. 27 ff.
Vgl. Ansari et al. (1999), S. 10 ff.
Modell 2 unterliegt derselben Annahme, wie sie auch den Multilevelmodellen der Strukturgleichungsmodelle zugrunde liegt.
Dazu eignen sich Programme wie z.B. LISREL, MX oder Proc Calis der Firma SAS. In dieser Untersuchung kam das letztere Programm zum Einsatz Vgl. dazu auch Abschnitt 3.3.2.1.
Vgl. dazu Raftery (1996).
Diese Transformation hat den Vorteil, dass der Bayes Faktor dadurch dasselbe Skalenniveau wie der „Likelihood Ratio“ Test annimmt.
Die Interpretation in Tabelle 4–10 basiert auf den Untersuchungen von Jeffreys (1961). Diese wurden von Raftery (1996) jedoch abgewandelt worden, um die Ergebnisse etwas konservativer zu gestalten.
Die Berechnung der Bayes Faktors zwischen Modell 3 und Modell 1 ist nicht nötig, da Modell 2 bereits den Vorzug vor Modell 1 gegeben werden muss.
Eine ausfiihrliche Diskussion des GFI bietet Bollen (1989), S. 276 ff.
Jedidi et al. (1997a) zeigen, warum bei heterogenen Daten der GFI auf aggregierter Ebene keine Verwendung fmdet.
Die Kovarianzen werden hier nicht untersucht, jedoch erwähnen Ansari et al. (1999), S. 16, dass sie bei der Kovarianzanalyse ähnliche Ergebnisse erhalten haben.
Dabei bedeutet E(e) der Mittelwert und Std (e,) die Standardabweichung der geschätzten Varianzen des Messmodells. Da O. ^ IG(a, bk) für den k-ten Indikator, ergibt sich der Mittelwert durch
Vgl. dazu Yi (1991) und Johnson (2001).
Vgl. dazu auch die Ausführungen in Abschnitt 3.3.2.3.
Vgl. Jöreskog (1971).
Vgl. Jedidi et al. (1997a), Jedidi et al. (1997b), Anninger und Stein (1997) sowie Anninger, Stein, Wittenberg (1997).
Vgl. Ansari et al. (2000).
Eine Diskussion zu dieser Eigenschaft von „Finite Mixture“ Modellen führen Boulding und Staelin (1995).
Ein Bespiel hierfür ist die Anwendung in Abschnitt 4.1.3.4.2.
Vgl. Leeflang und Wittink (2000). 206
Eine Diskussion zu dieser Problematik bieten Allenby et al. (1998).
PLS Anwendungen, die sich mit Problemen außerhalb des Marketing befassen, bieten Hulland und Kleinmuntz (1994), Birkinshaw, Johansson und Yip (1994), Morrison und Hulland (1995), Smith und Barclay (1997) sowie Hulland (1999).
Rights and permissions
Copyright information
© 2002 Springer Fachmedien Wiesbaden
About this chapter
Cite this chapter
Hahn, C.H. (2002). Ansätze zur segmentspezifischen Kundenzufriedenheitsanalyse. In: Segmentspezifische Kundenzufriedenheitsanalyse. Deutscher Universitätsverlag, Wiesbaden. https://doi.org/10.1007/978-3-663-11344-7_4
Download citation
DOI: https://doi.org/10.1007/978-3-663-11344-7_4
Publisher Name: Deutscher Universitätsverlag, Wiesbaden
Print ISBN: 978-3-8244-7599-5
Online ISBN: 978-3-663-11344-7
eBook Packages: Springer Book Archive