Conjoint-Analyse

Was ist eine Conjoint-Analyse?

  • Hierbei handelt es sich um ein Verfahren welches versucht anhand eines Gesamtnutzenwerts (z.B. eines bestimmten Produkts) die Beiträge der einzelnen Komponenten dieses Produkts (z.B. Preis, Verwendungszweck) am Gesamtnutzen zu ermitteln.
  • Es handelt sich demnach um ein dekompositionelles Verfahren.
  • Es wird davon ausgegangen, dass sich der Gesamtnutzen additiv aus den Teilnutzenwerten (= Nutzen der einzelnen Komponenten) zusammensetzt.
  • Die Daten der Conjoint-Analyse stammen aus Präferenzurteilen von Personen die befragt wurden, d.h. die Personen sollten angeben, welches der fiktiven Produkte sie bevorzugen würden.
  • Demzufolge liegt eine implizite Messung vor.

Wo wird die Conjoint-Analyse eingesetzt?

  • Ein Anwendungsgebiet dieses Verfahrens ist die Neuproduktplanung, d.h. wenn ein neues Produkt auf den Markt kommen soll dann sollte es so geplant und gestaltet werden, dass es die Bedürfnisse des Marktes optimal befriedigt und sich an diese anpasst.

Vorteil der Conjoint-Analyse

  • Die befragten Personen sollen sehr realitätsnahe Entscheidungen treffen, d.h. sie müssen sich nicht irgendwelche abstrakten Dinge vorstellen und diese bewerten sondern sie bekommen die fiktiven Produkte tatsächlich vorgelegt.

Was will man mit der Conjoint-Analyse herausfinden?

  1. Wie hoch die relative Wichtigkeit der einzelnen Attribute (z.B. Einkommen) ist.
  2. Wie hoch die relative Bedeutsamkeit der einzelnen Attributsausprägungen (z.B. persönliches Auftreten) ist.

Vorgehensweise

  1. Auswahl relevanter Attribute für ein Messobjekt.
  2. Das Erhebungsdesign muss bestimmt werden.
  3. Die einzelnen Messobjekte sollen bewertet werden.
  4. Schätzung der relativen Wichtigkeit der einzelnen Attributsausprägungen.
  5. Aggregation der Nutzenwerte.

1. Auswahl relevanter Attribute

  • Die Teilnutzenwerte die mittels der Conjoint-Analyse ermittelt werden sollen beziehen sich auf die Ausprägungen der Eigenschaften des jeweiligen Objekts.
  • Das hat zur Folge, dass man nur diejenigen Merkmalsausprägungen auswählen sollte, die:
  1. relevant sind,
  2. vom Hersteller auch beeinflussbar sind,
  3. die unabhängig sind,
  4. die realisierbar sind,
  5. und die keine Ausschlusskriterien darstellen.
  • Die einzelnen Merkmalsausprägungen sollten außerdem in einer kompensatorischen Beziehung zueinander stehen und sollten in ihrer Anzahl begrenzt sein.
  • In diesem ersten Schritt werden demnach unabhängige Variablen gesucht, die die Verbundmessung beeinflussen.

Beispiel:

 

Wir planen ein neues Shampoo auf den Markt zu bringen und wollen nun wissen, wie wir es planen müssen um so viel wie möglich Gewinn damit zu erzielen.

Die Attribute die wir auswählen könnten in diesem Fall sein:

  • Der Verwendungszweck, d.h. soll es nur für die Haare sein oder sollte es eine Kombination aus Shampoo (Haare) und Duschbad sein (Body + Hair).
  • Der Duft, d.h. sollte das neue Shampoo neutral riechen oder lieber blumig.
  • Und die Verpackung, d.h. sollte es in einer Tube oder in einem Spender geliefert werden.
  • Der Preis, d.h. sollte es in einer preiswerten (2 €), mittelteuren (4€) oder teuren (6€) Preiskategorie angesiedelt sein.

2. Bestimmung des Erhebungsdesigns

  • Im zweiten Schritt bestimmen wir das Erhebungsdesign.
  • Dazu müssen wir 2 Entscheidungen treffen:
  1. Wie definieren wir die Stimuli (Profilmethode vs. Zwei-Faktoren-Methode)?
  2. Verwenden wir ein vollständiges oder ein reduziertes Design?

 

Profilmethode:

  • Ein Stimulus ist eine Kombination von Eigenschaftsausprägungen, welche die Befragten beurteilen sollen.
  • Bei der Profilmethode ist es so, dass ein Stimulus aus der Kombination je einer Ausprägung pro Eigenschaft besteht.

 

Beispiel

Shampoo I

 

Shampoo II

 

Shampoo III

 

Shampoo IV

 

Haare

neutral

Tube

 

Haare

neutral

Spender

 

Haare

blumig

Tube

 

Haare

blumig

Spender

 

Shampoo V

 

Shampoo VI

 

Shampoo VII

 

Shampoo VIII

 

Body+Hair

neutral

Tube

Body+Hair

neutral

Spender

Body+Hair

blumig

Tube

Body+Hair

blumig

Spender

Der Einfachheithalber und Übersichtlichkeit wurde das Attribut Preis aus diesem Beispiel herausgelassen.

Wir haben also hier ein 2x2x2 Design und erhalten insgesamt 8 Stimuli.

Zwei-Faktoren-Methode:

  • In dieser Methode zeiht man jeweils nur 2 Eigenschaften zur Bildung eines Stimulus heran. Dadurch entsteht eine Trade-Off-Matrix, welche die Kombinationen der Ausprägungen der 2 Eigenschaften enthält.
  • Da in der Praxis jedoch häufiger die Profilmethode eingesetzt wird, möchte ich an dieser Stelle nicht weiter auf die Zwei-Faktoren-Methode eingehen.

vollständiges vs. reduziertes Design:

  • Am besten ist immer ein vollständiges Design, d.h. hierbei wird die gesamte Menge der theoretisch möglichen Stimuli ausgewählt.
  • Wenn man jedoch sehr viele Stimuli hat, dann muss man versuchen eine möglichst repräsentative Teilmenge von Stimuli (reduziertes Design) zu finden und auszuwählen.

3. Bewertung der Stimuli

  • Da im Rahmen der Conjoint-Analyse eine Rangfolge der Stimuli ermittelt werden soll, welche die Nutzenvorstellungen der befragten Personen wiederspiegeln, ist es üblich, die einzelnen Stimuli mit Rangwerten zu versehen (je nach empfundenen Nutzen).
 Beispiel:
  Verwendungszweck
Haare Body+Hair
Preis 6€        1 2
4€ 4 3
2€ 5 6

Unsere Fragestellung lautet: Wie wichtig ist der Preis im Vergleich zum Verwendungszweck?

Bewertung: 6 = beste Alternative; 1 = schlechteste Alternative

4. Schätzung der relativen Wichtigkeit der Attributsausprägungen

  • Um die relative Wichtigkeit zu schätzen legt man als einfachste Alternative das additive Modell zugrunde, welches besagt, dass der Nutzen einer Alternative die Summe der Nutzen ihrer Attribute ist.
  • Beispiel: Der Nutzen des Shampoos setzt sich zusammen aus den Teilnutzen für Preis und Verwendungszweck.
  • Es gibt nun 2 Möglichkeiten zur Berechnung:
  1. eine metrische Lösung
  2. eine nichtmetrische Lösung.

 

metrische Lösung:

  • Bei der metrischen Lösung geht man davon aus, dass der Abstand zwischen den einzelnen Rängen (in unserem Beispiel 1-6) gleich groß ist und deshalb ein Intervallskalenniveau zugrunde liegt.
Beispiel
Verwendungszweck  
Haare Body+Hair Mittelwert für Preis Zeileneffekte
Preis 6€ 1 2 1,5 -2 (1,5 - 3,5)
4€ 4 3 3,5 0 (3,5 - 3,5)
2€ 5 6 5,5 2 (5,5 - 3,5)
 

Mittelwert für Verwendungs-

zweck

3,33 3,67  
Spalteneffekte

- 0,17

(3,33-3,5)

0,17

(3,67-3,5)

  Gesamtmittelwert = 3,5

Der Nutzen für das Shampoo was 2€ kostet und für Body+Hair verwendbar ist errechnet sich also wie folgt:

Gesamtmittelwert (3,5) + Nutzen-Preis (2) + Nutzen-Verwendungszweck (0,17) = 5,67.

  • Als nächstes würde man nun die normierten Teilnutzenwerte berechnen, um die Berechnungen zu standardisieren und vergleichbar zu machen.
  • Dazu berechnet man zunächst die Differenz zwischen den unstandardisierten Teilnutzenwerten und den minimalem Teilnutzenwert pro Attribut (Eigenschaft).
  • Anschließend setzt man den Gesamtnutzenwert desjenigen Stimulus der am meisten präferiert wurde auf 1.
  • Zuletzt müssen dann nur noch die jeweiligen Anteile berechnet werden.
Beispiel:
Differenzen
Preis Verwendungszweck
Nutzen(6€) = -2 - (-2) = 0 Nutzen (Haare) =      (-0,17) - (-0,17) = 0
Nutzen(4€) =  0 - (-2) = 2 Nutzen(Body+Hair) = 0,17 - (-0,17) = 0,34
Nutzen(2€) =  2 - (-2) = 4  
Normierte Teilnutzenwerte:
Preis Verwendungszweck
Nutzen(6€) = 0 / 4,34 = 0 Nutzen (Haare)        = 0 / 4,34 = 0
Nutzen(4€) = 2 / 4,34 = 0,46 Nutzen (Body+Hair) = 0,34 / 4,34 = 0,08
Nutzen(2€) = 4 / 4,34 = 0,92  

Das Shampoo was am stärksten präferiert wird ist das was 2€ kostet und für Body+Hair anwendbar ist.

Der am stärksten präferierte Stimulus berechnet sich demnach wie folgt:

Nutzen-Preis (4) + Nutzen-Verwendungszweck (0,34) = 4,34.

  • Die Berechnung der relativen Wichtigkeit eines Attributs erfolgt nun, indem wir die Spannweite des einzelnen Attributes (z.B. Preis) durch die Summe der Spannweite der Attribute (z.B. Preis + Verwendung) dividieren.

Beispiel:

 

Die relative Wichtigkeit des Attributs Preis berechnet sich aus: 4/ 4,34 = 0,92, d.h. der Preis ist zu 92% wichtig.

 

Die relative Wichtigkeit des Attributs Verwendungszweck berechnet sich aus:

0,34/ 4,34 = 0,08, d.h. der Verwendungszweck ist nur zu 8% wichtig.

 

 

Quellen:

 

Backhaus, K., Erichson, B., Plinke, W. & Weiber, R. (2000). Multivariate Analysemethoden. Berlin: Springer.