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
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. Pras (1975), 74; Schubert (1991), 180.
Siehe Kapitel 2.3. Vgl. Reiners (1996), 67.
Vgl. Fischer (2001), 35, 39.
Vgl. Heitmann, Herrmann (2006), 225f. Siehe auch Kapitel 6.2.1.
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.
Vgl. Berstell; Nitterhouse (2005), 10; Heitmann, Herrmann (2006), 225f.
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.
Vgl. Bettman; Park (1980), 244.
Vgl. Fischer (2001), 35.
Vgl. Bettman; Luce; Payne (1998), 187ff.; Heitmann; Herrmann (2006), 225.
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).
Vgl. Voeth (2000), 23.
Siehe auch Jaccard; Brinberg; Ackerman (1986), 464.
Siehe dazu z.B. Schubert (1991, 185), der praktische Fälle beschreibt, in denen bis zu 80 verschiedene Eigenschaften identifiziert wurden.
Böhler (1979), 265.
Vgl. Böhler (1979), 265; Schweikl (1985), 106.
Vgl. Diller (2000), 147.
Vgl. Böcker; Helm (2003), 23, 30.
Vgl. Böhler (1979), 265.
Vgl. Voeth (2000), 23.
Vgl. Berstell; Nitterhouse (2005), 9f.
Vgl. Huber (1987), 6.
Vgl. Schubert (1991), 193.
Vgl. Shocker; Srinivasan (1979b), 9; Böhler (1979), 287.
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.).
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).
Vgl. Chiu; Fang; Chen; Wang et al. (2001), 264; SPSS (2001a), 3f. Für eine formale Darstellung der Funktion siehe Bacher; Wenzig; Vogler (2004, 4).
Vgl. Bacher; Wenzig; Vogler (2004), 5.
Chiu; Fang; Chen; Wang et al. (2001), 266.
Vgl. Chiu; Fang; Chen; Wang et al. (2001), 266; SPSS (2001a), 1ff.; SPSS Inc. (2004), 503ff.; SPSS (2002), 1; Bacher; Wenzig; Vogler (2004), 5.
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).
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).
Für eine ausführliche Beschreibung der Vorgehensweise siehe Bacher; Wenzig; Vogler (2004), 5; SPSS (2001b).
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.
Siehe auch Fischer (2001), 149.
Vgl. Klein (2002), 8; Hahn (1997), 5.
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.
Vgl. Griffin; Hauser (1993), 23.
Siehe Kapitel 3.8, 4, 4.2.6 und 5.2.2.1 und vgl. Hensel-Bömner (2000), 15.
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.
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).
Vgl. Hensel-Börner (2000), 15f.
Siehe auch Srinivasan (1988), 297; Huber (1974), 1398.
Vgl. Hensel-Börner (2000), 191.
Vgl. Hensel-Börner (2000), 16.
Srinivasan (1988), 296.
Vgl. Srinivasan (1988), 296; Hensel-Börner (2000), 192.
Vgl. Srinivasan (1988), 296.
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).
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.
Vgl. Green; Srinivasan 1978, 105.
Vgl. Huber (1987), 5.
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).
Zur Vorgehensweise bei der Berechnung von Teilnutzen mit Hilfe von Trade-off Matrizen siehe Green; Tull (1982, 448ff.).
Für ein Beispiel zur bisher üblichen Bestimmung von Interaktionen siehe Voeth (2000), 207ff.
Vgl. Holbrook; Moore (1981), 110.
Dies ist allerdings auch nicht mit Hilfe der von Voeth (2000, 207ff.) beschriebenen Vorgehensweise möglich.
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.
Vgl. Ratneshwar; Shocker; Stewart (1987), 523f.
Vgl. Alba; Hutchinson (1987), 411.
Vgl. Payne; Bettman; Schkade (1999), 255f.; Reiners (1996), 67f.
Vgl. Bettman; Luce; Payne (1998), 188; Heitmann; Herrmann (2006), 226.
Vgl. Louviere (1988b), 55; McCullough (2002b), 21.
Vgl. Reiners (1996), 67; Louviere (1988b), 55; Strebinger; Hoffmann; Schweiger; Otter (2000), 59.
Vgl. Jaccard; Brinberg; Ackerman (1986), 464; Louviere (1988b), 55.
Vgl. Ofir (2004), 613.
Vgl. Louviere (1988b), 55.
Vgl. Reiners (1996), 67; Steenkamp; Wittink (1994), 284f.; Jaeger; Hedderley; MacFie (2000), 1221, 1231.
Für einen überblick siehe Huber; Wittink; Fiedler; Miller (1993), 106f. und Jaeger; Hedderley; MacFie (2000), 1221f.
Vgl. Jaeger; Hedderley; MacFie (2000), 122.
Vgl. Louviere (1988b), 55.
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.).
Vgl. Jaeger; Hedderley; MacFie (2000), 1232f.
Vgl. Klein; Bither (1987), 254.
Vgl. Steenkamp; Wittink (1994), 281; Jaeger; Hedderley; MacFie (2000), 1221; Klein; Bither (1987), 253.
Vgl. Payne; Bettman; Schkade (1999), 255f.; Reiners (1996), 67f.; Böcker; Schweikl (1988), 18; Green; Wind (1975), 109.
Vgl. Jaeger; Hedderley; MacFie (2000), 1221.
Vgl. Reiners (1996), 67f.; Nitschke; Völckner (2006), 745,755.
Vgl. Gierl (1987), 460.
Vgl. Reiners (1996), 68.
Vgl. Reiners (1996), 68; Huber; Wittink; Fiedler; Miller (1993), 105ff.
Für einen überblick an Studien siehe Huber; Wittink; Fiedler; Miller (1993), 106f.
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.).
Vgl. Louviere (1988b), 56; Johnson (1991), 223.
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).
Vgl. Louviere (1988b), 56.
Vgl. Helm; Manthey; Scholl; Steiner (2003), 23ff. und Helm; Steiner; Scholl; Manthey (2004), 15ff.
Vgl. Johnson; Levin (1985), 170ff.
Vgl. Elrod; Louviere; Davey (1992), 368f.; Steenkamp; Wittink (1994), 281.
Vgl. Orme (2002), 3.
Vgl. Jaccard; Brinberg; Ackerman (1986), 464; Jaeger; Hedderley; MacFie (2000), 1221; Louviere (1988b), 56.
Vgl. Steenkamp; Wittink (1994), 285; McCullough (2002b), 21.
Vgl. Steenkamp; Wittink (1994), 281; Louviere (1988b), 56; Jaeger; Hedderley; MacFie (2000), 1221; McCullough (2002b), 21.
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.
Rights 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
DOI: https://doi.org/10.1007/978-3-8350-9593-9_6
Publisher Name: DUV
Print ISBN: 978-3-8350-0773-4
Online ISBN: 978-3-8350-9593-9
eBook Packages: Business and Economics (German Language)