Skip to main content
SpringerLink
Log in

Vorschlag einer nachfragerorientierten Vorgehensweise zur Präferenzmessung

  • Chapter
Nachfragerorientierte Präferenzmessung

  • 1666 Accesses

Auszug

Um die Präferenzen von Befragungsteilnehmern erheben zu können, müssen zunächst die aus Sicht der Entscheider einer Zielgruppe relevanten Merkmale und Ausprägungen bestimmt werden. Ergebnis sind Eigenschaftssets, die die Bedürfnisse verschiedener Nachfragergruppen abbilden können und die Bewertungsgrundlage der Präferenzmessung darstellen. Aufgrund der verschiedenen Anforderungen an ein Eigenschaftsset1698 scheint eine stufenweise Methode, analog zu den in Kapitel 5.5 beschriebenen Stufenverfahren sinnvoll. Die zu bestimmende Vorgehensweise (siehe Kapitel 6.1) soll aus Sicht der Befragungsteilnehmer so einfach wie möglich gestaltet werden, um viele Entscheider in dieser Phase der Problemdefinition berücksichtigen zu können.

Siehe Kapitel 4.2

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. Pras (1975), 74; Schubert (1991), 180.

    Google Scholar 

  2. Siehe Kapitel 2.3. Vgl. Reiners (1996), 67.

    Google Scholar 

  3. Vgl. Fischer (2001), 35, 39.

    Google Scholar 

  4. Vgl. Heitmann, Herrmann (2006), 225f. Siehe auch Kapitel 6.2.1.

    Google Scholar 

  5. Vgl. Heitmann, Herrmann (2006), 235. Dies gilt insbesondere für Added-value Merkmale, deren Ausprägungen und Relevanz Entscheider erst nach einer aktiven Informationssuche überhaupt wahrnehmen und bewerten können. Siehe Kapitel 4.1.4.

    Google Scholar 

  6. Vgl. Berstell; Nitterhouse (2005), 10; Heitmann, Herrmann (2006), 225f.

    Google Scholar 

  7. Zu typischen Vereinfachungsstrategien gehören Entscheidungsheuristiken, bei denen der Befragungsteilnehmer nur einen Teil der präsentierten Eigenschaften (typischerweise Preis und Marke) und Ausprägungen in die Bewertung einfließen lässt. Trade-off Entscheidungen, auf denen die Präferenzmessung beruht, finden so nicht mehr statt. Die Teilnutzen können in diesen Fällen nicht unverzerrt ermittelt werden.

    Google Scholar 

  8. Vgl. Bettman; Park (1980), 244.

    Google Scholar 

  9. Vgl. Fischer (2001), 35.

    Google Scholar 

  10. Vgl. Bettman; Luce; Payne (1998), 187ff.; Heitmann; Herrmann (2006), 225.

    Google Scholar 

  11. Die Vernachlässigung des Evoked-Sets bei der Präferenzmessung galt bisher als ein gravierendes Problem (vgl. Balderjahn (1993), 285), das durch diese spezielle Art der Bestimmung der Eigenschaften und insbesondere der Ausprägungen vermieden werden kann. Grundvoraussetzung dieser Vorgehensweise ist jedoch (wie bei jeder Studie zur Präferenzmessung), dass die Befragungsteilnehmer eine Teilmenge der jeweils relevanten Zielgruppen darstellen (siehe dazu auch Cattin; Wittink (1982), 52).

    Google Scholar 

  12. Vgl. Voeth (2000), 23.

    Google Scholar 

  13. Siehe auch Jaccard; Brinberg; Ackerman (1986), 464.

    Google Scholar 

  14. Siehe dazu z.B. Schubert (1991, 185), der praktische Fälle beschreibt, in denen bis zu 80 verschiedene Eigenschaften identifiziert wurden.

    Google Scholar 

  15. Böhler (1979), 265.

    Google Scholar 

  16. Vgl. Böhler (1979), 265; Schweikl (1985), 106.

    Google Scholar 

  17. Vgl. Diller (2000), 147.

    Google Scholar 

  18. Vgl. Böcker; Helm (2003), 23, 30.

    Google Scholar 

  19. Vgl. Böhler (1979), 265.

    Google Scholar 

  20. Vgl. Voeth (2000), 23.

    Google Scholar 

  21. Vgl. Berstell; Nitterhouse (2005), 9f.

    Google Scholar 

  22. Vgl. Huber (1987), 6.

    Google Scholar 

  23. Vgl. Schubert (1991), 193.

    Google Scholar 

  24. Vgl. Shocker; Srinivasan (1979b), 9; Böhler (1979), 287.

    Google Scholar 

  25. Da die Antworten der Entscheidungsträger als kategoriale Daten vorliegen (d.h. die Antworten der Entscheidungsträger werden als Dummy-Variablen kodiert; vgl. Chiu; Fang; Chen; Wang et al. (2001), 263), könnten auch andere Arten von Cluster-Analysen auf Basis von Ähnlichkeitsdaten genutzt werden (siehe dazu Backhaus; Erichson; Plinke; Weiber (2003), 482ff.).

    Google Scholar 

  26. Bei Nutzung kontinuierlicher Variablen werden die Mittelwerte und die Varianz zur Berechnung von Ähnlichkeiten herangezogen, bei kategorialen Variablen werden die Häufigkeiten des gemeinsamen Auftretens von Variablen genutzt (vgl. SPSS (2001a), 4; Chiu; Fang; Chen; Wang et al. (2001), 265).

    Google Scholar 

  27. Vgl. Chiu; Fang; Chen; Wang et al. (2001), 264; SPSS (2001a), 3f. Für eine formale Darstellung der Funktion siehe Bacher; Wenzig; Vogler (2004, 4).

    Google Scholar 

  28. Vgl. Bacher; Wenzig; Vogler (2004), 5.

    Google Scholar 

  29. Chiu; Fang; Chen; Wang et al. (2001), 266.

    Google Scholar 

  30. Vgl. Chiu; Fang; Chen; Wang et al. (2001), 266; SPSS (2001a), 1ff.; SPSS Inc. (2004), 503ff.; SPSS (2002), 1; Bacher; Wenzig; Vogler (2004), 5.

    Google Scholar 

  31. Vgl. Chiu; Fang; Chen; Wang et al. (2001), 266. Dieses Ma Gruppen und wird im ersten Schritt der Two-Step Clusteranalyse berechnet. Für eine formale Darstellung siehe Bacher; Wenzig; Vogler (2004, 5).

    Google Scholar 

  32. Die Distanz zwischen zwei Gruppen wird bei der Two-Step Clusteranalyse durch eine Log-Likelihood Funktion beschrieben. Eine Anwendungsvoraussetzung dieser Funktion ist, dass die Eigenschaften unabhängig voneinander sind (vgl. Chiu; Fang; Chen; Wang et al. (2001), 263ff.; SPSS (2001a), 5).

    Google Scholar 

  33. Für eine ausführliche Beschreibung der Vorgehensweise siehe Bacher; Wenzig; Vogler (2004), 5; SPSS (2001b).

    Google Scholar 

  34. Vgl. Srinivasan; Park (1997), 287. Auch bei allen anderen Methoden zur Präferenzmessung können Merkmale, die nur eine saliente Ausprägung aufweisen, nicht sinnvoll untersucht werden, da diese Attribute keine Unterscheidungskraft besitzen.

    Google Scholar 

  35. Siehe auch Fischer (2001), 149.

    Google Scholar 

  36. Vgl. Klein (2002), 8; Hahn (1997), 5.

    Google Scholar 

  37. Griffin; Hauser (1993, 4) gehen z.B. davon aus, dass es nicht ungewöhnlich ist, 200–400 unterschiedliche Bedürfnisse mit Hilfe einer offenen Befragung von Konsumenten zu erheben.

    Google Scholar 

  38. Vgl. Griffin; Hauser (1993), 23.

    Google Scholar 

  39. Siehe Kapitel 3.8, 4, 4.2.6 und 5.2.2.1 und vgl. Hensel-Bömner (2000), 15.

    Google Scholar 

  40. Srinivasan (1988, 304) zeigt in seiner Studie, dass die gewichtete Self-Explicated Methode besser als einfache Wichtigkeitseinstufungen zur Bewertung der Wichtigkeit geeignet ist. Letztendlich könnte zur Bestimmung der Bedeutungsgewichte der Eigenschaften auch ein Swing-Verfahren genutzt werden (vgl. u.a. Klein; Scholl (2004), 355f.; Eisenführ; Weber (2003), 129ff.), wobei die jeweils am wenigsten und am meisten bevorzugte Ausprägung analog zur gewichteten Self-Explicated Methode bestimmt werden könnten.

    Google Scholar 

  41. Grundvoraussetzung für die Anwendbarkeit der ungewichteten Self-Explicated Methode ist, dass die Eigenschaften alle einen identischen Einfluss auf die Präferenz der Entscheidungsträger ausüben, wovon jedoch im Regelfall nicht ausgegangen werden kann (vgl. Green; Krieger; Agarwal (1993), 373; Hensel-Börner (2000), 16).

    Google Scholar 

  42. Vgl. Hensel-Börner (2000), 15f.

    Google Scholar 

  43. Siehe auch Srinivasan (1988), 297; Huber (1974), 1398.

    Google Scholar 

  44. Vgl. Hensel-Börner (2000), 191.

    Google Scholar 

  45. Vgl. Hensel-Börner (2000), 16.

    Google Scholar 

  46. Srinivasan (1988), 296.

    Google Scholar 

  47. Vgl. Srinivasan (1988), 296; Hensel-Börner (2000), 192.

    Google Scholar 

  48. Vgl. Srinivasan (1988), 296.

    Google Scholar 

  49. Dabei wird ein additives Nutzenmodell unterstellt. Der Gesamtnutzen einer Alternative berechnet sich aus der Summe der Bewertungen für die jeweiligen Ausprägungen multipliziert mit dem entsprechenden Bedeutungsgewicht der Eigenschaft (vgl. Hensel-Börner (2000), 14).

    Google Scholar 

  50. Durch Anwendung einer solchen Skala mit zwei Ankerpunkten soll vermeiden werden, dass die Befragungsteilnehmer sämtliche Eigenschaften als wichtig einstufen (vgl. Lürssen (1989), 176). Siehe auch Louviere (1988b), 56f.

    Google Scholar 

  51. Vgl. Green; Srinivasan 1978, 105.

    Google Scholar 

  52. Vgl. Huber (1987), 5.

    Google Scholar 

  53. Unter Zwei-Wege Interaktionen versteht man Präferenzabhängigkeiten zwischen den Ausprägungen zweier Eigenschaften. Typischerweise werden lediglich Zwei-Wege Interaktionen untersucht, da die Wahrscheinlichkeit von beispielsweise Drei-, Vier-usw. Wege Interaktionen geringer ist (vgl. Voeth (2000), 208).

    Google Scholar 

  54. Zur Vorgehensweise bei der Berechnung von Teilnutzen mit Hilfe von Trade-off Matrizen siehe Green; Tull (1982, 448ff.).

    Google Scholar 

  55. Für ein Beispiel zur bisher üblichen Bestimmung von Interaktionen siehe Voeth (2000), 207ff.

    Google Scholar 

  56. Vgl. Holbrook; Moore (1981), 110.

    Google Scholar 

  57. Dies ist allerdings auch nicht mit Hilfe der von Voeth (2000, 207ff.) beschriebenen Vorgehensweise möglich.

    Google Scholar 

  58. Es handelt sich hierbei um eine Erweiterung zu Helm; Steiner; Scholl; Manthey (2004, 20f.), die die Selektion einer Methode entsprechend der Komplexität eines Bewertungsproblems fordern und Vriens (1995, 31ff.), der sich lediglich auf Interaktions-und Attributstufeneffekte bezieht.

    Google Scholar 

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

    Google Scholar 

  60. Vgl. Alba; Hutchinson (1987), 411.

    Google Scholar 

  61. Vgl. Payne; Bettman; Schkade (1999), 255f.; Reiners (1996), 67f.

    Google Scholar 

  62. Vgl. Bettman; Luce; Payne (1998), 188; Heitmann; Herrmann (2006), 226.

    Google Scholar 

  63. Vgl. Louviere (1988b), 55; McCullough (2002b), 21.

    Google Scholar 

  64. Vgl. Reiners (1996), 67; Louviere (1988b), 55; Strebinger; Hoffmann; Schweiger; Otter (2000), 59.

    Google Scholar 

  65. Vgl. Jaccard; Brinberg; Ackerman (1986), 464; Louviere (1988b), 55.

    Google Scholar 

  66. Vgl. Ofir (2004), 613.

    Google Scholar 

  67. Vgl. Louviere (1988b), 55.

    Google Scholar 

  68. Vgl. Reiners (1996), 67; Steenkamp; Wittink (1994), 284f.; Jaeger; Hedderley; MacFie (2000), 1221, 1231.

    Google Scholar 

  69. Für einen überblick siehe Huber; Wittink; Fiedler; Miller (1993), 106f. und Jaeger; Hedderley; MacFie (2000), 1221f.

    Google Scholar 

  70. Vgl. Jaeger; Hedderley; MacFie (2000), 122.

    Google Scholar 

  71. Vgl. Louviere (1988b), 55.

    Google Scholar 

  72. Dies ist insbesondere der Fall, wenn Produkte untersucht werden, die die Entscheidungsträger relativ häufig kaufen und sich mit der entsprechenden Produktkategorie sehr gut auskennen (vgl. Jaeger; Hedderley; MacFie (2000), 1231f.).

    Google Scholar 

  73. Vgl. Jaeger; Hedderley; MacFie (2000), 1232f.

    Google Scholar 

  74. Vgl. Klein; Bither (1987), 254.

    Google Scholar 

  75. Vgl. Steenkamp; Wittink (1994), 281; Jaeger; Hedderley; MacFie (2000), 1221; Klein; Bither (1987), 253.

    Google Scholar 

  76. Vgl. Payne; Bettman; Schkade (1999), 255f.; Reiners (1996), 67f.; Böcker; Schweikl (1988), 18; Green; Wind (1975), 109.

    Google Scholar 

  77. Vgl. Jaeger; Hedderley; MacFie (2000), 1221.

    Google Scholar 

  78. Vgl. Reiners (1996), 67f.; Nitschke; Völckner (2006), 745,755.

    Google Scholar 

  79. Vgl. Gierl (1987), 460.

    Google Scholar 

  80. Vgl. Reiners (1996), 68.

    Google Scholar 

  81. Vgl. Reiners (1996), 68; Huber; Wittink; Fiedler; Miller (1993), 105ff.

    Google Scholar 

  82. Für einen überblick an Studien siehe Huber; Wittink; Fiedler; Miller (1993), 106f.

    Google Scholar 

  83. In diesem konkreten Fall wurden die Teilnutzen einer CBC mit und ohne ACA als Warm-Up Task miteinander verglichen. Dabei wurde festgestellt, dass sich die Ergebnisse der CBC systematisch ändern, wenn vorher die ACA angewendet wurde (vgl. Huber; Wittink; Johnson (1992), 4f.). Siehe für einen überblick ebenfalls Albrecht (2000, 185f.). Auch „Produktkonfiguratoren“ könnten zu diesem Zweck genutzt werden; siehe dazu Heitmann, Herrmann (2006, 223ff.).

    Google Scholar 

  84. Vgl. Louviere (1988b), 56; Johnson (1991), 223.

    Google Scholar 

  85. Vgl. Louviere (1988b), 56. Verzerrungen können bei einer zu umgangreichen Aufwärmphase z.B. in Form von Ermüdungserscheinungen der Befragungsteilnehmer bei der eigentlichen Präferenzmessung auftreten (vgl. Huber; Wittink; Johnson (1992), 4).

    Google Scholar 

  86. Vgl. Louviere (1988b), 56.

    Google Scholar 

  87. Vgl. Helm; Manthey; Scholl; Steiner (2003), 23ff. und Helm; Steiner; Scholl; Manthey (2004), 15ff.

    Google Scholar 

  88. Vgl. Johnson; Levin (1985), 170ff.

    Google Scholar 

  89. Vgl. Elrod; Louviere; Davey (1992), 368f.; Steenkamp; Wittink (1994), 281.

    Google Scholar 

  90. Vgl. Orme (2002), 3.

    Google Scholar 

  91. Vgl. Jaccard; Brinberg; Ackerman (1986), 464; Jaeger; Hedderley; MacFie (2000), 1221; Louviere (1988b), 56.

    Google Scholar 

  92. Vgl. Steenkamp; Wittink (1994), 285; McCullough (2002b), 21.

    Google Scholar 

  93. Vgl. Steenkamp; Wittink (1994), 281; Louviere (1988b), 56; Jaeger; Hedderley; MacFie (2000), 1221; McCullough (2002b), 21.

    Google Scholar 

  94. Vgl. Louviere (1988b), 56. Elrod; Louviere; Davey (1992, 370) nutzen drei Warm-up Stimuli, wobei eine Alternative für alle Attribute aus den jeweils vermutlich attraktivsten Ausprägungen, eine aus eher mittelmäßigen Ausprägungen und eine aus den jeweils am wenigsten vorziehenswürdigen Ausprägungen besteht.

    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). Vorschlag einer nachfragerorientierten Vorgehensweise zur Präferenzmessung. In: Nachfragerorientierte Präferenzmessung. DUV. https://doi.org/10.1007/978-3-8350-9593-9_6

Download citation

Publish with us

Policies and ethics

Search

Navigation