Skip to main content
SpringerLink
Log in

Theoretische Grundlagen der Präferenzmessung

  • Chapter
Nachfragerorientierte Präferenzmessung

  • 1921 Accesses

Auszug

Ausgangspunkt jeglicher unternehmerischer Marktaktivitäten und damit der Präferenzmessung bilden die Bedürfnisse der potenziellen Kunden.50 Bedürfnisse sind dabei der Startpunkt des menschlichen Kaufentscheidungsprozesses und stellen ein Mangelgefühl, verbunden mit dem Bestreben der Beseitigung dieses Mangelgefühls, dar.51 Ein Individuum wird versuchen, diesen Zustand zu überwinden, indem es verschiedene Alternativen zur Bedürfnisbefriedigung selektiert und bewertet. Der sich daraus ableitende Bedarf ist objektorientiert und somit auf eine Reihe von Produktalternativen bezogen, die generell zur Bedürfnisbefriedigung geeignet erscheinen.52 Die letztendliche Entscheidung für eine konkrete Produktalternative wird hierbei stark von den Präferenzen des Entscheidungsträgers beeinflusst.53 Aufgrund der engen Beziehung zwischen Präferenzen und dem tatsächlichen Kaufverhalten spielen die Verfahren der Präferenzmessung eine bedeutende Rolle bei der Erklärung der Alternativenselektion von Nachfragern.54

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 69.99
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
Hardcover Book
USD 89.99
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.

Literatur

  1. Vgl. Fischer (2001), 8.

    Google Scholar 

  2. Vgl. Böcker; Helm (2003), 17; Trommsdorff (2003), 114.

    Google Scholar 

  3. Vgl. Böcker; Helm (2003), 17; Fischer (2001), 8.

    Google Scholar 

  4. Vgl. Fischer (2001), 8.

    Google Scholar 

  5. Vgl. Fischer (2001), 9; Albrecht (2000), 7.

    Google Scholar 

  6. Vgl. Fischer (2001), 9; Balderjahn (1993), 22.

    Google Scholar 

  7. Vgl. Böcker (1986), 556; Thaden (2002), 1; Hahn (1997), 6f.; Schweikl (1985), 26; Albrecht (2000), 7.

    Google Scholar 

  8. Vgl. Höser (1998), 27. Siehe dazu auch Kapitel 2.3.

    Google Scholar 

  9. Vgl. Böcker; Helm (2003), 167.

    Google Scholar 

  10. Vgl. Hahn (1997), 5; Höser (1998), 27; Heitmann; Herrmann (2006), 225. Einige Forscher wie Schweikl (1985, 26) oder Nowlis; Simonson (1997, 205) nutzen die Begriffe „Präferenz“ und „Nutzen“ als Synonyme. Präferenzen könnten demnach auch durch die direkte und isolierte Einschätzung einzelner Alternativen erhoben werden (vgl. Nowlis; Simonson (1997), 205). In dieser Arbeit wird jedoch analog zu Voeth (2000, 5f.) zwischen diesen beiden Begriffen unterschieden. Nutzen wird deshalb als „hypothetische objektbezogene Beurteilungsgröße“ (Voeth (2000), 5f.) definiert, d.h. es handelt sich um den subjektiven Wertmaßstab zur Beurteilung des Ausmaßes der Bedürfnisbefriedigung von Produktalternativen (vgl. Höser (1998), 26; Ahlert; Kenning (2006), 33). Präferenzen ergeben sich demgegenüber, wie oben beschrieben, immer erst aus dem Nutzenvergleich mindestens zweier Alternativen (vgl. Albrecht (2000), 7).

    Google Scholar 

  11. Trommsdorff (2003), 150.

    Google Scholar 

  12. Vgl. Hahn (1997), 5.

    Google Scholar 

  13. Vgl. Gierl (1987), 459; Hahn (1997), 5. Albrecht (2000, 7) beschreibt Präferenzen im Gegensatz dazu als „[i]nnerhalb eines bestimmten Zeitraums... stabil“, ohne jedoch die Einflussfaktoren auf diesen Zeitraum genauer zu erläutern. Er kommt jedoch zu dem Schluss, dass sich Präferenzen im Laufe der Zeit verändern können.

    Google Scholar 

  14. Vgl. Payne; Bettman; Schkade (1999), 246; Ratneshwar; Shocker; Stewart (1987), 520; Goldstein (1990), 316.

    Google Scholar 

  15. Vgl. Klein (2002), 8; Hahn (1997), 5. Die Erfassung von Präferenzen für Produkte, die sich nicht im Evoked-Set eines Befragungsteilnehmers befinden, ist somit nicht sinnvoll.

    Google Scholar 

  16. Vgl. Hahn (1997), 8ff.; Balderjahn (1993), 112. Siehe auch Kapitel 2.3.

    Google Scholar 

  17. Vgl. Hahn (1997), 6f.; Balderjahn (1993), 23, 26; Höser (1998), 51.

    Google Scholar 

  18. Vgl. Balderjahn (1993), 98.

    Google Scholar 

  19. Vgl. Klein (2002), 8; Hahn (1997), 5. Dies wird ausführlich in Kapitel 2.3 beschrieben.

    Google Scholar 

  20. Vgl. Soni; Lilien; Wilson (1993), 365; Ali (1994), 46; Tomkovick; Miller (2000), 413; Sawalsky (1995), 22ff.; Uebele (1988), 777.

    Google Scholar 

  21. Vgl. Sawalsky (1995), 17ff.; Helm; Scholl; Manthey; Steiner (2004), 13.

    Google Scholar 

  22. Vgl. Helm (2001), 30; Brockhoff (1999), 1; Gruner; Homburg (1998), 1; Tomkovick; Miller (2000), 415; Sawalsky (1995), 7f.

    Google Scholar 

  23. Vgl. Helm (2001), 34; Gruner; Homburg (1999), 120; Sattler (2001), 26; Ali (1994), 46; Sawalsky (1995), 17f.

    Google Scholar 

  24. Vgl. Helm (2001), 34; Tomkovick; Miller (2000), 413; Boutellier; Völker (1997), 49; Albers; Kemnitz (1985), 236.

    Google Scholar 

  25. Vgl. Helm (2001), 33; Gruner; Homburg (1999), 120; Tomkovick; Miller (2000), 415.

    Google Scholar 

  26. Vgl. Helm (2001), 39. Siehe analog Hauser; Urban (1977), 579f.; Ali (1994), 46; Tomkovick; Miller (2000), 416f.; Sawalsky (1995), 8; Urban; Weinberg; Hauser (1996), 47.

    Google Scholar 

  27. Vgl. Helm (2001), 32; Sawalsky (1995), 13ff.; Calantone; Cooper (1981), 48; Erichson (2000), 387f.

    Google Scholar 

  28. Vgl. Helm (2001), 36; Brockhoff (1999), 2; Soni; Lilien; Wilson (1993), 365; Sawalsky (1995), 7; Urban; Hauser (1993), 60.

    Google Scholar 

  29. Vgl. Helm (2001), 40; Soni; Lilien; Wilson (1993), 365; Sawalsky (1995), 15f.

    Google Scholar 

  30. Für einen Überblick über verschiedene Studien siehe Helm (2001), 39 und Sawalsky (1995), 16. Siehe dazu auch Brockhoff (1999), 3ff.; Sattler (2001), 25; Fricke; Lohse (1997), 65; Erichson (2000), 387; Helm; Scholl; Manthey; Steiner (2004), 13. Vergleicht man diese Raten mit älteren Untersuchungen in denen beispielsweise Flopraten von 30% (vgl. Hauser; Urban (1977), 580) oder 64,5 %, im Jahr 1982 (vgl. Urban; Katz; Hatch; Silk (1983), 39) beschrieben wurden, so ist erkennbar, dass der Anteil der Flops an den Neuproduktentwicklungen in den letzten Jahren tendenziell gestiegen ist.

    Google Scholar 

  31. Vgl. Buchholz (1996), 129ff.; Paulson Gjerde; Slotnick; Sobel (2002), 1268; Gierl; Helm (2002), 313f.; Brockhoff (2000), 31ff.

    Google Scholar 

  32. Vgl. Helm (2001), 63.

    Google Scholar 

  33. Helm (2001s), 64. Siehe ebenso Parry; Song (1994), 27f. und Buchholz (1996), 131f., die die Bedeutung nachfrageinduzierter Innovationen unterstreichen.

    Google Scholar 

  34. Vgl. Helm (2001), 65; Simon (1996), 109f.; Buchholz (1996), 131.

    Google Scholar 

  35. Vgl. Helm (2001), 65; Buchholz (1996), 131.

    Google Scholar 

  36. Vgl. Helm (2001), 65; Brockhoff (1999), 2; Ali (1994), 46. Der Anteil der inkrementalen Innovationen ist jedoch von der jeweiligen Branche abhängig (vgl. Ali (1994), 47; Sawalsky (1995), 16).

    Google Scholar 

  37. Vgl. Helm (2001), 79f.

    Google Scholar 

  38. Vgl. Simon (1996), 110f.; Brockhoff (1999), 2.

    Google Scholar 

  39. Vgl. Herstatt; Sander (2004), 100; Simon (1996), 112; Hauser; Urban (1977), 580; Shocker; Srinivasan (1979a), 159.

    Google Scholar 

  40. Vgl. Helm (2001), 105f.; Schubert (1991), 80; Fricke; Lohse (1997), 8; Shocker; Srinivasan (1979a), 161.

    Google Scholar 

  41. Vgl. Helm (2001), 80; Gruner; Homburg (1999), 136f.; Gruner; Homburg (1998), 27; Meffert (2000), 391.

    Google Scholar 

  42. Vgl. Kristensson; Gustafsson; Archer (2004), 4; Brockhoff (1999), 10f.; Urban; Hauser (1993), 67ff.; Shocker; Srinivasan (1979a), 160.

    Google Scholar 

  43. Vgl. Helm (2001), 80; Gruner; Homburg (1999), 137. Siehe auch Schubert (1991), 75, 105.

    Google Scholar 

  44. Vgl. Parry; Song (1994), 28; Erichson (2000), 387.

    Google Scholar 

  45. Für einen Überblick siehe beispielsweise Cooper; Kleinschmidt (1995), 377.

    Google Scholar 

  46. Vgl. Schubert (1991), 74.

    Google Scholar 

  47. Vgl. Schubert (1991), 73ff.

    Google Scholar 

  48. Vgl. Schubert (1991), 76ff.

    Google Scholar 

  49. Vgl. Calantone; Cooper (1981), 48; Sattler; Schrader (1995), 997f.

    Google Scholar 

  50. Vgl. Schubert (1991), 80; Lees; Wright (2004), 389.

    Google Scholar 

  51. Vgl. Brockhoff (1999), 106; Schubert (1991), 74f.

    Google Scholar 

  52. Je nach Gestaltung und Benennung der Phasen der Neuproduktentwicklungsprozesse wird die Präferenzmessung in der Literatur teilweise zu den Verfahren zur Selektion von Neuproduktideen gerechnet. Für ein Beispiel siehe Meffert (1998), 387ff.; Meffert (2000), 401; Tumbusch (1991), 1. Für erste praktische Anwendungen der Präferenzmessung im Rahmen der Konzeptentwicklung siehe Westwood; Lunn; Beazley (1974), 328ff. oder Hauser; Urban (1977), 581ff.

    Google Scholar 

  53. Vgl. Green; Wind (1975), 112. Neben diesen quantitativen Verfahren (Methoden der Präferenzmessung) können auch qualitative Ansätze zur Bewertung der Produktkonzepte eingesetzt werden. Vorteil der quantitativen Methoden ist allerdings, dass die Erfolgsaussichten konkret, z.B. durch die Prognose von Marktanteilen, bestimmt werden können (vgl. Schubert (1991), 81). Deshalb sollen in dieser Arbeit die quantitativen Verfahren im Mittelpunkt stehen. Für einen überblick über weitere Methoden zum Konzepttest siehe Green; Krieger; Vavra (1997), 12ff. oder Hauser; Urban (1977), 584ff. Die Verfahren zur Präferenzmessung sind jedoch eher auf inkrementale Innovationen beschränkt, da die Einschätzungen der Befragungsteilnehmer auf den bisherigen Erfahrungen bzw. gelerntem Wissen in der jeweiligen Produktkategorie beruhen, d.h. der Zusammenhang zwischen den präsentierten Eigenschaften und dem daraus resultierenden Nutzen muss dem Entscheidungsträger bekannt sein (vgl. Hoeffler (2003), 406ff.; siehe dazu auch Kapitel 4.1.8). Radikale Innovationen setzen demgegenüber zunächst einen „Lernprozess“ der Konsumenten voraus, damit die Produkte überhaupt eingeschätzt werden können. Derartige Produktinnovationen haben zudem oft einen erheblichen Einfluss auf bisherige Kauf-und Konsumgewohnheiten. Für einen Methodenüberblick zur Abschätzung der Erfolgspotenziale entsprechender Innovationen siehe Urban; Weinberg; Hauser (1996), 47ff.

    Google Scholar 

  54. Vgl. Brockhoff (1999), 106; Herstatt; Sander (2004), 102f.; Dahan; Srinivasan (2000), 100f.; Schubert (1991), 83ff.

    Google Scholar 

  55. Vgl. Schubert (1991), 80; Lees; Wright (2004), 389.

    Google Scholar 

  56. Vgl. Green; Srinivasan (1978), 103; Green; Wind (1975), 108.

    Google Scholar 

  57. Vgl. American Marketing Association (1992), 9; Cattin; Wittink (1982), 45; Wittink, Cattin (1989), 92; Wittink, Vriens, Burhenne (1994), 41, 44.

    Google Scholar 

  58. Vgl. American Marketing Association (1992), 9.

    Google Scholar 

  59. Vgl. Weiber; Rosendahl (1997), 107.

    Google Scholar 

  60. Es handelt sich hierbei um gewichtete Werte, um eine Vergleichbarkeit der Ergebnisse mit den anderen Studien zu ermöglichen (vgl. Melles; Holling (1998), 6).

    Google Scholar 

  61. Auch Voeth (1999, 160) untersuchte die Anwendungsgebiete der Conjoint-Analyse, dies jedoch im Rahmen einer Meta-Studie, bei der lediglich in Deutschland publizierte wissenschaftliche Studien herangezogen wurden. über Anwendungsgebiete in der Praxis können deshalb keine Aussagen getroffen werden, weshalb diese Studie hier nicht berücksichtigt wird.

    Google Scholar 

  62. Weitere Anwendungsgebiete der Präferenzmessung sind Forschungsbereiche der Entscheidungsanalyse, der Psychologie, der Transportplanung, der Stadtplanung usw. (vgl. Vriens (1995), 13).

    Google Scholar 

  63. Vgl. Boutellier; Völker (1997), 49; Brockhoff (2000), 39f.

    Google Scholar 

  64. Vgl. Brockhoff (2000), 40; Cattin; Wittink (1982), 50.

    Google Scholar 

  65. Vgl. Boutellier; Völker (1997), 49. Siehe dazu auch Gierl (1987), 459.

    Google Scholar 

  66. Vgl. Hahn (1997), 5; Johnson; Meyer (1984), 528.

    Google Scholar 

  67. Vgl. Winterfeldt; Edwards (1986), 285; Creyer; Ross (1988), 508; Schubert (1991), 239; Sattler; Gedenk (2005), 4; Fischer (1995), 252ff.; Nitzsch; Weber (1991), 971; Nitzsch; Weber (1993), 937f.; Sattler; Gedenk; Hensel-Börner (2002b), 954; Mishra; Umesh; Stem (1989), 605ff.; Payne; Bettman; Schkade (1999), 246; Ratneshwar; Shocker; Stewart (1987), 520f.; Green; Krieger (1996), 854; Goldstein (1990), 316; Höser (1998), 227; Shocker; Srinivasan (1979a), 161. Siehe dazu auch Kapitel 5.2.2.1. Im Gegensatz dazu fordern Oppewal; Louviere; Timmermans (1994, 92) bei der Self-Explicated Methode (siehe Kapitel 3.1) eine kontextfreie Bewertung der Eigenschaftsgewichte. Dies erscheint vor dem Hintergrund, dass Präferenzen gerade kontextabhängig sind, wenig sinnvoll. Auch Akaah; Korgaonkar (1983, 189) weisen darauf hin, dass von einem Entscheidungsproblem losgelöste Eigenschaftsgewichte nicht zur Prognose von Wahlentscheidungen geeignet sind.

    Google Scholar 

  68. Vgl. Green; Srinivasan (1978), 115.

    Google Scholar 

  69. Siehe analog Myers; Alpert (1997), 51.

    Google Scholar 

  70. Vgl. Cattin; Wittink (1982), 51.

    Google Scholar 

  71. Vgl. Höser (1998), 21f.

    Google Scholar 

  72. Vgl. Kotler; Bliemel (2001), 365.

    Google Scholar 

  73. Höser (1998), 27.

    Google Scholar 

  74. Siehe auch Höser (1998), 42f.

    Google Scholar 

  75. Vgl. Böcker; Helm (2003), 17; Kroeber-Riel; Weinberg (2003), 143ff.; Trommsdorff (2003), 114.

    Google Scholar 

  76. Vgl. Böcker; Helm (2003), 17; Kotler; Bliemel (2001), 355.

    Google Scholar 

  77. Vgl. Böcker; Helm (2003), 17.

    Google Scholar 

  78. Vgl. Kotler; Bliemel (2001), 355f. Siehe auch Gierl (1987), 458.

    Google Scholar 

  79. Vgl. Goodwin; Wright (2000), 57.

    Google Scholar 

  80. Vgl. Backhaus; Brzoska (2004), 41ff.

    Google Scholar 

  81. Vgl. Kotler; Bliemel (2001), 356; Goodwin; Wright (2000), 56ff.; Klein; Scholl (2004), 328; Gutman (1982), 61; Böhler (1979), 262.

    Google Scholar 

  82. Vgl. Goodwin; Wright (2000), 57; Gutman (1982), 62.

    Google Scholar 

  83. Vgl. Klein; Scholl (2004), 328.

    Google Scholar 

  84. Goodwin; Wright (2000), 56.

    Google Scholar 

  85. In den verschiedenen Phasen des Kaufentscheidungsprozesses nutzen Nachfrager unterschiedliche Eigenschaften zur Einschätzung der Alternativen. Die Relevanz eines Merkmals ist somit von der jeweils betrachteten Phase im Kaufentscheidungsprozess abhängig. Ein Attribut, dass beispielsweise innerhalb einer frühen Phase zur Bestimmung der akzeptablen Produkte herangezogen wird (dieses wird auch als Schwelleneigenschaft bezeichnet, siehe Kapitel 4.1.4), kann in einer folgenden Trade-off Phase irrelevant sein und wird deshalb bei der letztendlichen Entscheidung für eine Produktalternative nicht berücksichtigt (vgl. Gutman (1982), 62). Beispielsweise könnte ein Nachfrager fordern, dass ein Notebook über eine Speicherkapazität von mindestens 1 GB RAM verfügen muss. Alle Laptops, die weniger als die geforderte Größee des Arbeitsspeichers aufweisen, werden demnach nicht weiter in der Wahlentscheidung berücksichtigt. Im Evoked-Set verbleiben nach Berücksichtigung weiterer Schwelleneigenschaften u.U. lediglich Alternativen, die über eine Arbeitsspeicherkapazität von 1 GB RAM verfügen. Die Bedeutung der in der Trade-off Phase zu berücksichtigenden Produktmerkmale ergibt sich aus der in dieser Phase zu berücksichtigenden Bandbreite der Eigenschaftsausprägungen. Durch die Eliminierung von Produktalternativen wird die Bandbreite der möglichen Merkmalsausprägungen eingeschränkt, so dass sich die Relevanz der Produktmerkmale ändert. In dem beschriebenen Beispiel eines Laptopkaufs weisen alle Notebooks einen Arbeitsspeicher von 1 GB RAM auf, so dass diese Eigenschaft keinerlei Einfluss auf die weitere Wahlentscheidung ausübt. Es ist somit nicht davon auszugehen, dass Schwelleneigenschaften, die in der nicht-kompensatorischen Phase berücksichtigt werden, ebenfalls bei den späteren Trade-off Entscheidungen eine Rolle spielen. Dies bedeutet aber auch, dass nicht alle am Markt verfügbaren Ausprägungen, sondern lediglich Eigenschaftsausprägungen zu berücksichtigen sind, die für den jeweiligen Konsumenten in der jeweiligen Phase des Kaufentscheidungsprozesses relevant sind.

    Google Scholar 

  86. Vgl. Goodwin; Wright (2000), 56. Siehe analog dazu Gutman (1982), 62.

    Google Scholar 

  87. Vgl. Mehta; Moore; Pavia (1992), 470; Kotler; Bliemel (2001), 357f., 360; Klein; Scholl (2004), 328; Malhotra (1986), 34.

    Google Scholar 

  88. Vgl. Kotler; Bliemel (2001), 356.

    Google Scholar 

  89. Vgl. Brockhoff (1999), 38. Die nicht wahrgenommenen Alternativen werden dabei dem Unawareness-Set zugeordnet (vgl. Böcker; Helm (2003), 176.

    Google Scholar 

  90. Sämtliche nicht wahrgenommenen Produkte befinden sich dementsprechend im “unawareness set” (vgl. Böcker; Helm (2003), 176).

    Google Scholar 

  91. Vgl. Böcker; Helm (2003), 175f.; Brockhoff (1999), 38.

    Google Scholar 

  92. Vgl. Howard; Sheth (1969), 26ff.; Böcker; Helm (2003), 175; Brockhoff (1999), 38; Böhler (1979), 262f.

    Google Scholar 

  93. Analog zu Kotler; Bliemel (2001), 356f. und Mehta; Moore; Pavia (1992), 470.

    Google Scholar 

  94. Vgl. Böhler (1979), 263f.

    Google Scholar 

  95. Siehe auch Böhler (1979), 270; Hauser; Urban (1977), 589.

    Google Scholar 

  96. Kotler; Bliemel (2001), 357.

    Google Scholar 

  97. Vgl. Kotler; Bliemel (2001), 357. Da die Wahrnehmung bestimmter Produkte, beschrieben durch die jeweiligen Eigenschaftsausprägungen, subjektiv ist, können objektive und subjektive Realität u.U. voneinander abweichen (vgl. Böcker; Helm (2003), 175).

    Google Scholar 

  98. Vgl. Ratneshwar; Shocker; Stewart (1987), 523f.

    Google Scholar 

  99. Nicht-kompensatorische Vorgehensweisen zur Einschätzung von Alternativen werden auch als Entscheidungsheuristiken bezeichnet (vgl. Johnson; Meyer; Ghose (1989), 255; Andrews; Manrai (1998), 198). Für einen überblick über Entscheidungsheuristiken siehe Goodwin; Wright (2000), 55ff.; Tscheulin (1992), 14ff.

    Google Scholar 

  100. Vgl. Malhotra (1986), 34; Bucklin; Srinivasan (1991), 61; Klein; Bither (1987), 240; Mehta; Moore; Pavia (1992), 470; Andrews; Manrai (1998), 198; Ayag (2002), 3058.

    Google Scholar 

  101. Vgl. Malhotra (1986), 34; Johnson; Meyer; Ghose (1989), 255.

    Google Scholar 

  102. Vgl. Green; Srinivasan (1978), 104. Daraus ergibt sich die Forderung, dass lediglich Ausprägungen, die zur Anwendung von kompensatorischen Entscheidungsprozessen führen, im Rahmen der Verfahren zur Präferenzmessung untersucht werden sollten (vgl. Voeth (2000), 69).

    Google Scholar 

  103. Präferenzmessmethoden untersuchen somit die „intention-to-purchase“, nicht aber reale Kaufentscheidungen (vgl. Cattin; Wittink (1982), 50). Siehe auch Albrecht (2000), 10. Mit Hilfe von Produktwahlmodellen wird jedoch oftmals versucht, das Produktwahlverhalten der Entscheidungsträger auf aggregierter Ebene zu prognostizieren (siehe dazu Kapitel 3.9).

    Google Scholar 

  104. Vgl. Kotler; Bliemel (2001), 358.

    Google Scholar 

  105. Vgl. Steffenhagen (2000), 35.

    Google Scholar 

  106. Um bessere Aussagen über die Kaufabsicht eines Entscheidungsträgers bzw. über reale Kaufentscheidungen treffen zu können, müssen weiterhin die Ausgestaltungsformen der anderen Marketing-Mix Elemente wie Kommunikationspolitik und Vertriebsbemühungen, aber ebenso mögliche Konkurrenzreaktionen beachtet werden (vgl. Cattin; Wittink (1982), 50; Ding; Grewal; Liechty (2005), 68; Srinivasan; deMaCarty (1999), 29).

    Google Scholar 

  107. Eine ähnliche Einteilung findet sich in Böcker; Helm (2003, 18).

    Google Scholar 

  108. Vgl. Böcker; Helm (2003), 18; Böcker (1986), 554.

    Google Scholar 

  109. Vgl. Böcker; Helm (2003), 18; Böcker (1986), 554; Albrecht (2000), 11.

    Google Scholar 

  110. Vgl. Kotler; Bliemel (2001), 361; Albrecht (2000), 11; Payne; Bettman; Schkade (1999), 246; Böcker (1986), 554. Zum Einfluss von Bezugspersonen siehe auch Bither; Wright (1977), 39ff.

    Google Scholar 

  111. Vgl. Green; Krieger (1991), 23; Kotler; Bliemel (2001), 361; Srinivasan; MaCarty (1998), 3; Wittink; Cattin (1989), 94.

    Google Scholar 

  112. Vgl. Kotler; Bliemel (2001), 361. Für einen überblick über weitere Einflüsse auf das tatsächlich realisierte Kaufverhalten siehe Shocker; Srinivasan (1979a), 160; Höser (1998), 29ff.; Srinivasan; MaCarty (1998), 3f.; Braunstein; Huber; Herrmann (2005), 189.

    Google Scholar 

  113. Vgl. Kotler; Bliemel (2001), 361.

    Google Scholar 

  114. Vgl. Albrecht (2000), 11. Für einen überblick über empirische Studien siehe Louviere (1988a, 113f.) — die Ergebnisse der Präferenzmessung sind demnach zur Prognose des realen Entscheidungsverhaltens geeignet.

    Google Scholar 

  115. Vgl. Kotler; Bliemel (2001), 362.

    Google Scholar 

  116. Vgl. Myers; Alpert (1968), 14.

    Google Scholar 

  117. Vgl. Albrecht (2000), 11; Kotler; Bliemel (2001), 350.

    Google Scholar 

  118. Vgl. Köcher (1997), 143.

    Google Scholar 

  119. Vgl. Kotler; Bliemel (2001), 350.

    Google Scholar 

  120. Vgl. Köcher (1997), 143.

    Google Scholar 

  121. Vgl. Kotler; Bliemel (2001), 350.

    Google Scholar 

  122. Daneben werden auch extensive und limitierte Kaufentscheidungsprozesse zu den Verhaltenstypen gezählt, bei denen der Entscheidungsträger den gesamten Kaufentscheidungsprozess durchläuft. Extensive Kaufentscheidungsprozesse treten bei Gütern auf, bezüglich derer der Käufer über keine bzw. wenig bisherige Erfahrungen verfügt — deshalb ist die letztendliche Wahl einer Alternative aus Sicht des Entscheidungsträgers schwierig und neuartig, weshalb dabei mit einem höheren Ausmanen ist (vgl. Albrecht (2000), 11). Da die Bewertungen eines Untersuchungsobjekts immer vom jeweiligen Vorwissen der Entscheidungsträger in einer bestimmten Produktkategorie abhängen (vgl. Urban; Weinberg; Hauser (1996), 47ff., siehe auch Kapitel 2.1), sind entsprechende Produktgruppen weniger zur Untersuchung im Rahmen einer Studie zur Präferenzmessung geeignet — es sei denn, es werden Entscheidungsträger befragt, die die Phasen der Informationssuche und-bewertung durchlaufen haben. Auch bei Produkten, bei denen dem Kauf typischerweise limitierte Kaufentscheidungsprozesse zugrunde liegen, dominieren zur Alternativenbewertung kognitive Prozesse bezüglich eines vom Entscheidungsträger bereits eingeschränkten Alternativensets, jedoch genügt dem Entscheider, dass die Alternativen ein bestimmtes Anspruchsniveau erreichen (vgl. Gierl (1995), 265).

    Google Scholar 

  123. Vgl. Kotler; Bliemel (2001), 351.

    Google Scholar 

  124. Vgl. Kotler; Bliemel (2001), 353.

    Google Scholar 

  125. Vgl. Diller (1988), 351f.

    Google Scholar 

  126. Backhaus; Brzoska (2004), 42.

    Google Scholar 

  127. Vgl. Backhaus; Brzoska (2004), 41.

    Google Scholar 

  128. Huber (1997, 244) sieht zudem einen strategischen Wert der Präferenzmessung, da mit ihrer Hilfe mögliches Entscheidungsverhalten bei Marktveränderungen vorhergesagt werden kann.

    Google Scholar 

  129. Vgl. Albrecht (2000), 11; Louviere (1988a), 113f.

    Google Scholar 

  130. Vgl. Albers; Herrmann (2000), 5. Im Folgenden wird nicht weiter zwischen physischen Produkten und Dienstleistungen differenziert, da diese Unterscheidung keinen Einfluss auf die Präferenzmessung ausübt (für eine Ausnahme siehe Kapitel 4.1.1).

    Google Scholar 

  131. Vgl. Böcker; Helm (2003), 249; Brockhoff (1999), 13; Schubert (1991), 20; Kotler; Bliemel (2001), 14; Gutman (1982), 61; Jaeger; Hedderley; MacFie (2000), 1218; Brockhoff (2000), 27.

    Google Scholar 

  132. Vgl. Gutman (1982), 61.

    Google Scholar 

  133. Vgl. Herrmann (1996), 16; siehe auch Kapitel 2.3.

    Google Scholar 

  134. Vgl. Herrmann (1996), 17; Voeth (2000), 14ff.

    Google Scholar 

  135. Vgl. Kotler; Bliemel (2001), 14; Kotler (2003), 407.

    Google Scholar 

  136. Herrmann (1996), 51. Genau genommen handelt es sich um eine physische Einheit oder eine Verrichtung von wahrgenommenen und mit Nutzenerwartungen verknüpften Eigenschaftsausprägungen. Siehe auch Kapitel 4 und vgl. Fischer (2001), 12.

    Google Scholar 

  137. Vgl. Kotler; Bliemel (2001), 719f.; Kotler (2003), 410.

    Google Scholar 

  138. Vgl. Kotler; Bliemel (2001), 720; Nieschlag; Dichtl; Hörschgen (2002), 580.

    Google Scholar 

  139. Vgl. Kotler; Bliemel (2001), 720; Kotler (2003), 411; Höser (1998), 33f.; Nieschlag; Dichtl; Hörschgen (2002), 580f.

    Google Scholar 

  140. Vgl. Kotler; Bliemel (2001), 720f.; Kotler (2003), 411; Nieschlag; Dichtl; Hörschgen (2002), 581.

    Google Scholar 

  141. Vgl. Kotler; Bliemel (2001), 721.; Kotler (2003), 411; Nieschlag; Dichtl; Hörschgen (2002), 581.

    Google Scholar 

  142. Vgl. Kotler; Bliemel (2001), 721.; Kotler (2003), 411.

    Google Scholar 

  143. Vgl. Kotler; Bliemel (2001), 721.

    Google Scholar 

  144. Vgl. Goodwin; Wright (2000), 57.

    Google Scholar 

  145. Vgl. Kotler; Bliemel (2001), 720.

    Google Scholar 

  146. Vgl. American Marketing Association (1992), 6.

    Google Scholar 

  147. Vgl. Cattin; Wittink (1982), 50.

    Google Scholar 

  148. Die Verfahren zur Präferenzmessung eignen sich somit eher zur Erfassung extensiver, aber nicht habitualisierter oder impulsiver Kaufentscheidungen. Dies ist vor allem bei Produkten der Fall, bei denen der Kauf mit einem gewissen finanziellen, sozialen und/oder psychologischen Risiko verbunden ist, so dass möglichst der gesamte, in Kapitel 2.3 beschriebene, Kaufentscheidungsprozess von einem potenziellen Käufer durchlaufen wird (vgl. Backhaus; Brzoska (2004), 41).

    Google Scholar 

  149. Vgl. Huber (1987), 5; Balderjahn (1993), 94; Johnson (1987), 253. Werden diese Produktgruppen mit Hilfe einer Präferenzmessmethode untersucht, ist deshalb verstärkt mit Interaktionseffekten zu rechnen (siehe Kapitel 4.2.3.1).

    Google Scholar 

  150. Vgl. Green; Krieger; Wind (2001), 59; Perrey (1998), 69.

    Google Scholar 

  151. Vgl. Green; Srinivasan (1978), 105; Wilkie; Pessemier (1973), 429; Hammann; Erichson (2000), 386f.; Backhaus; Erichson; Plinke; Weiber (2003), 642; Skiera; Gensler (2002a), 203f.; Green; Srinivasan (1990), 4; Klein (2002), 15f.; Schubert (1991), 118f. Ein Beispiel dafür wäre der Preis einer Produktalternative (je geringer der Preis, desto höher ist die Präferenz) oder die Eigenschaft „Jahresgehalt“ bei einem Job-Angebot (je höher, desto stärker ist die Präferenz). Teilweise wird hier ein linearer Verlauf, d.h. jeweils proportionale Änderungen der Präferenz je nach Variation der Merkmalsausprägung, unterstellt (vgl. Gutsche (1995), 82; Fischer (2001), 65; Hahn (1997), 50f., 60; Thaden (2002), 12). Dieser, auch in Abbildung 6 dargestellte, lineare Nutzenverlauf ist jedoch lediglich für einen begrenzten Bereich gültig (vgl. Hammann; Erichson (2000), 387). In jedem Fall wird bei Vektormodellen von einem monoton wachsenden bzw. fallenden Nutzenverlauf ausgegangen (vgl. Balderjahn (1993), 93).

    Google Scholar 

  152. Vgl. Hahn (1997), 52; Backhaus; Erichson; Plinke; Weiber (2003), 650; Klein (2002), 16. Beispiele für ein mögliches Idealpunktmodell wären die „Süße“ oder die „Temperatur“ von Kaffee.

    Google Scholar 

  153. Vgl. Green; Srinivasan (1978), 105; Fischer (2001), 66f.; Skiera; Gensler (2002a), 203f.; Hahn (1997), 51; Wilkie; Pessemier (1973), 435; Thaden (2002), 12; Hammann; Erichson (2000), 386f.; Balderjahn (1993), 93; Gutsche (1995), 83f.; Green; Krieger; Wind (2001), 60; Backhaus; Erichson; Plinke; Weiber (2003), 642; Green; Wind; Rao (1998), 68; Green; Srinivasan (1990), 4; Klein (2002), 16f.; Perrey (1998), 68f.

    Google Scholar 

  154. Vgl. Gutsche (1995), 84. Schubert (1991, 120) präsentiert deshalb ein Idealpunktmodell, bei dem um den Idealpunkt kein symmetrischer Nutzenverlauf vorausgesetzt wird, es entspricht allerdings weitgehend dem Teilnutzenmodell, wie es z.B. Green; Srinivasan (1978, 106) beschreiben.

    Google Scholar 

  155. Vgl. Green; Srinivasan (1978), 105f.; Green; Srinivasan (1990), 4; Balderjahn (1993), 94; Gutsche (1995), 85; Fischer (2001), 67; Thaden (2002), 13; Skiera; Gensler (2002a), 203f.; Green; Wind; Rao (1998), 68; Schubert (1991), 120f.

    Google Scholar 

  156. Vgl. Balderjahn (1993), 95; Green; Srinivasan (1978), 106; Klein (2002), 18; Schubert (1991), 120; Perrey (1998), 69.

    Google Scholar 

  157. Vgl. Hahn (1997), 52.

    Google Scholar 

  158. Vgl. Green; Srinivasan (1978), 106; Green; Srinivasan (1990), 4; Hahn (1997), 53; Klein (2002), 18. Bei der Anwendung der Conjoint-Analyse auf Basis des Teilnutzenmodells werden für jede Ausprägung jeweils Teilnutzen geschätzt. Andererseits könnte man einige Teilnutzen von Ausprägungen quantitativer Merkmale bei Unterstellung des Vektormodells auch durch lineare Interpolation zwischen den Teilnutzen der Extrempunkte der Ausprägungen bestimmen (vgl. Green; Srinivasan (1978), 105). Eine solche Vorgehensweise ist durchaus problematisch, wenn der reale Nutzenverlauf wie z.B. beim Idealpunktmodell (siehe Abbildung 6) nicht linear ist. Zudem ist bei vielen Eigenschaften gerade nicht davon auszugehen, dass ein linearer Nutzenverlauf über eine große Bandbreite der Ausprägungen vorliegt (siehe dazu Kapitel 5.7.1). Wendet man das Teilnutzenmodell an und geht davon aus, dass zwischen den untersuchten Ausprägungen ein linearer Nutzenverlauf besteht, werden die drei in Abbildung 6 untersuchten Ausprägungen jeweils durch Geraden miteinander verbunden (vgl. Green; Srinivasan (1978), 106). Neben diesem Teilnutzenmodell könnten auch sog. „mixed models“, d.h. verschiedene Nutzenmodelle innerhalb einer Studie zur Präferenzmessung, angewendet werden (vgl. Green; Srinivasan (1978), 106f.; Green; Srinivasan (1990), 4).

    Google Scholar 

  159. Vgl. Thaden (2002), 13; Hahn (1997), 59; Green; Srinivasan (1978), 106; Cattin; Wittink (1982), 46f.; Schubert (1991), 121.

    Google Scholar 

  160. Vgl. Luce; Tukey (1964), 1ff.; Green; Carmone; Wind (1972), 290.

    Google Scholar 

  161. Vgl. Green; Carmone; Wind (1972), 298; Dawes; Corrigan (1974), 105; Green; Srinivasan (1978), 107; Green; Goldberg; Wiley (1983), 149; Johnson; Meyer (1984), 539f. Dies gilt jedoch nur eingeschränkt, wenn nicht-kompensatorische Entscheidungsregeln von einem Befragungsteilnehmer zur Bewertung der Alternativen eingesetzt werden (vgl. Johnson; Meyer; Ghose (1989), 268f.).

    Google Scholar 

  162. Vgl. Green; Carmone; Wind (1972), 298. Siehe auch Kapitel 4.2.3.1.

    Google Scholar 

  163. Siehe Green; Carmone; Wind (1972), 288f.; Green; Srinivasan (1978), 104. Auch bei anderen Verfahren wie dem AHP oder der SMART wird der Gesamtnutzen in analoger Weise berechnet, siehe für den AHP u.a. Klein; Scholl (2004), 370f. bzw. von Winterfeldt; Edwards (1986), 281 für die SMART.

    Google Scholar 

  164. Vgl. Lans; Wittink; Huber; Vriens (1992), 365.

    Google Scholar 

Download references

Rights and permissions

Reprints and permissions

Copyright information

© 2007 Deutscher Universitäts-Verlag | GWV Fachverlage GmbH, Wiesbaden

About this chapter

Cite this chapter

(2007). Theoretische Grundlagen der Präferenzmessung. In: Nachfragerorientierte Präferenzmessung. DUV. https://doi.org/10.1007/978-3-8350-9593-9_2

Download citation

Publish with us

Policies and ethics

Search

Navigation