Diss_Uekermann_080310_Uniformat_Tab Arial - Universität St.Gallen

Bildung neuer automobiler Segmente aus Kundensicht
- Kategorien- und Urteilsbildung in Abhängigkeit von
Stimulusambiguität und der Nennung eines Kategorienlabels
D I S S E R T A T I O N
der Universität St. Gallen,
Hochschule für Wirtschafts-,
Rechts- und Sozialwissenschaften (HSG)
zur Erlangung der Würde einer
Doktorin der Wirtschaftswissenschaften
vorgelegt von
Frauke Uekermann
aus
Deutschland
Genehmigt auf Antrag von
Herrn Prof. Dr. Andreas Herrmann
und
Frau Prof. Dr. Miriam Meckel
Dissertation Nr. 3537
WiesingerMedia, Stuttgart, 2008

Die Universität St. Gallen, Hochschule für Wirtschafts-, Rechts- und Sozialwissenschaften
(HSG), gestattet hiermit die Drucklegung der vorliegenden Dissertation, ohne damit zu den
darin ausgesprochenen Anschauungen Stellung zu nehmen.
St. Gallen, den 23. Juni 2008
Der Rektor:
Prof. Ernst Mohr, PhD

Vorwort
Durch die zunehmende Vernischung des Automobilmarktes sollen die stark individualisier-
ten Konsumentenbedürfnissen möglichst umfassend befriedigt werden. Gleichzeitig ist in
Praxis und Forschung eine zunehmende Diskussion der negativen Konsequenzen von
Angebotskomplexität auf die Informationsverarbeitungs- und Entscheidungsprozesse der
Konsumenten zu beobachten. Diese Arbeit beschreibt die kognitionspsychologischen
Grundlagen bei der Verarbeitung ambiguoser Nischenprodukte und weist Zusammenhänge
zur Produktevaluation mittels umfangreicher empirischer Untersuchungen nach. Die Arbeit
ist während meiner Promotionszeit in der Marketing- und Portfoliostrategie der Daimler AG
entstanden. Zum Gelingen dieser Arbeit haben zahlreiche Menschen durch ihre Unterstüt-
zung beigetragen.
Herzlich danken möchte ich meinem Doktorvater Prof. Dr. Andreas Herrmann, der dieses
Dissertationsprojekt im konstruktiven und motivierenden Dialog begleitete, für das Ver-
trauen und die Unterstützung, die er mir von Beginn an entgegenbrachte. Mein Dank gilt
ebenfalls Prof. Dr. Miriam Meckel für ihre wertvollen Anregungen und die Übernahme des
Korreferats.
Bedanken möchte ich mich auch bei meinen Kollegen der Daimler AG. Herrn Axel Harries
und Dr. Colin Smith sei für die Förderung dieses Dissertationsprojektes gedankt. Durch die
Freiräume, die sie mir einräumten, konnte ich mich in der Entstehungszeit dieser Arbeit
sowohl den Herausforderungen der Marketingpraxis als auch der Marketingforschung
stellen. Ein großes Dankeschön gilt meinem Kollegen Jochen Alpers für seine regelmäßige
Erinnerung „immer auf den Kurs achten“. Seine lebhafte Diskussionsbereitschaft hat
wesentlich zum erfolgreichen Abschluss dieser Arbeit beigetragen. Auch die unzähligen
Gespräche mit Dr. Caroline Buchner während unserer gemeinsamen Doktorandenzeit und
Julia Stefanides haben entscheidende Impulse für die Konzeption dieser Arbeit geliefert.
Nicht zuletzt möchte ich mich bei Katja Derr für die geduldige Unterstützung bei der
graphischen Erstellung des Stimulusmaterials bedanken.
Frauke Uekermann

„Brehms Tierleben kennt den Begriff Crossover nicht. Extreme Kreuzungen wie die einer Bergziege mit
einem Rennpferd gehören ohnehin in das Reich der Fabel. Bei Autos ist das anders. Die Hersteller setzten
hier auf immer gewagtere Crossover-Kreationen. Kaum eine Fahrzeuggattung, die sich nicht mit einer
anderen vermischen ließe, der Fantasie sind keine Grenzen gesetzt.“
(AMS, 16/2007, S. 15)
„Zeig uns eine Nische, wir besetzen sie. Keine Zweifel: Mercedes ist und bleibt Meister der Marktlücke.
Auch dort, wo eigentlich keine ist.“
(Auto Bild, 27/2006, S. 16)

Verzeichnisse III
Inhaltsverzeichnis
INHALTSVERZEICHNIS ......................................................................................................................................III
ANHANGSVERZEICHNIS .....................................................................................................................................V
TABELLENVERZEICHNIS .................................................................................................................................. VI
ABBILDUNGSVERZEICHNIS ............................................................................................................................. VII
ABKÜRZUNGSVERZEICHNIS...........................................................................................................................VIII
ZUSAMMENFASSUNG ....................................................................................................................................... IX
ABSTRACT .........................................................................................................................................................X
A EINLEITUNG UND PROBLEMATISIERUNG ..........................................................................1
1 PRAKTISCHE RELEVANZ DER FORSCHUNGSFRAGE ..............................................................1
1.1 Produktdifferenzierung im Automobilmarkt.................................................................1
1.2 Struktur des deutschen Automobilmarktes und Entwicklung von Crossover-
Segmenten.....................................................................................................................3
2 ZIELE UND THEORETISCHE ANSÄTZE DER ARBEIT...............................................................6
2.1 Ziele der Arbeit .............................................................................................................6
2.2 Theoretische Ansätze der Arbeit ...................................................................................7
2.2.1 Informationsverarbeitungsansatz und Zwei-Prozess Modelle der sozialen
Urteilsbildung ......................................................................................................7
2.2.2 Kategorisierung in der Konsumentenforschung ..................................................9
3 AUFBAU DER ARBEIT .........................................................................................................10
B THEORETISCHE GRUNDLAGEN ........................................................................................12
1 KATEGORIEN UND SCHEMATA ...........................................................................................12
1.1 Definitionen und begriffliche Abgrenzung .................................................................12
1.2 Funktionen von Kategorien.........................................................................................13
1.3 Kategorisierungsansätze..............................................................................................14
1.3.1 Klassischer Ansatz.............................................................................................15
1.3.2 Prototypenansatz................................................................................................15
1.3.3 Exemplaransatz..................................................................................................16
1.3.4 Gemischte Ansätze ............................................................................................16
1.4 Schematheorie .............................................................................................................17
2 VERÄNDERUNG DER KATEGORIENSTRUKTUR....................................................................19
2.1 Bildung neuer Kategorien ...........................................................................................19
2.2 Schemadiskrepanz .......................................................................................................21
2.2.1 Veränderung von Schemata...............................................................................21
2.2.2 Schemadiskrepante Produkte.............................................................................23
2.3 Kategorisierung unter Unsicherheit ............................................................................25
2.3.1 Kategorisierung mehrdeutiger Stimuli ..............................................................25
2.3.2 Hybride Produkte...............................................................................................27

IV
Verzeichnisse
3 PERSONENSPEZIFISCHE DETERMINANTEN DER KATEGORIENBILDUNG .............................30
3.1 Produktwissen .............................................................................................................30
3.2 Involvement.................................................................................................................33
4 URTEILSBILDUNG ALS KONSTRUKTIVER PROZESS .............................................................36
4.1 Verfügbarkeit von Informationen................................................................................37
4.2 Schwierigkeit der Informationsverarbeitung...............................................................37
4.3 Kategorisierung unter Unsicherheit und wahrgenommene Schwierigkeit bei der
Urteilsbildung .............................................................................................................40
C EXPERIMENTELLE STUDIEN.............................................................................................41
1 STUDIE 1: AUTOMOBILE MARKTSTRUKTUR AUS KUNDENSICHT.......................................41
1.1 Forschungslücken, explorative Fragestellungen und Hypothesen ..............................41
1.1.1 Marktstruktur und wahrgenommene Angebotskomplexität..............................41
1.1.2 Repräsentativität von Crossover-Fahrzeugen und Produktevaluation ..............44
1.2 Untersuchungsdesign...................................................................................................46
1.2.1 Kontrollvariablen...............................................................................................46
1.2.2 Abhängige Variablen .........................................................................................48
1.3 Ablauf..........................................................................................................................50
1.4 Stichprobe....................................................................................................................51
1.5 Ergebnisse....................................................................................................................53
1.5.1 Item- und Skalenanalyse....................................................................................53
1.5.2 Fahrzeugkategorisierung....................................................................................56
1.5.2.1 Deskriptive Analysen .....................................................................................56
1.5.2.2 Strukturentdeckende und -prüfende Analysen...............................................58
1.5.2.3 Personenspezifische Kategorisierungsunterschiede.......................................67
1.5.3 Personenspezifische Determinanten der wahrgenommenen Stimulusüberlastung.........................................................................................................70
1.5.4 Repräsentativität von Crossover-Fahrzeugen und Produktevaluation ..............72
1.6 Diskussion ...................................................................................................................73
1.6.1 Zusammenfassung und Diskussion der Ergebnisse...........................................73
1.6.2 Kritische Würdigung der angewandten Methodik.............................................77
2 STUDIE 2: BILDUNG NEUER KATEGORIEN IN ABHÄNGIGKEIT DER STIMULUSAMBIGUITÄT
UND DER NENNUNG EINES KATEGORIENLABEL .................................................................79
2.1 Forschungslücken und Hypothesen.............................................................................79
2.1.1 Ambiguität und Kategorienbildung ...................................................................79
2.1.2 Moderierende Funktion eines Kategorienlabel hinsichtlich der
Informationsverarbeitung ..................................................................................81
2.1.3 Produktevaluation als Ergebnis der Kategorienbeschreibung und
Informationsverarbeitung ..................................................................................83
2.1.4 Repräsentativität und Produktevaluation...........................................................84
2.2 Untersuchungsdesign...................................................................................................85
2.2.1 Unabhängige Variablen .....................................................................................85
2.2.2 Abhängige Variablen .........................................................................................87
2.2.3 Kontrollvariablen...............................................................................................88
2.3 Ablauf..........................................................................................................................88

Verzeichnisse V
2.4 Stichprobe....................................................................................................................89
2.5 Ergebnisse....................................................................................................................90
2.5.1 Manipulationscheck...........................................................................................90
2.5.2 Kontrollvariablen...............................................................................................90
2.5.3 Kategorienbildung, Informationsverarbeitungsprozesse und Produkt-
evaluation...........................................................................................................91
2.5.4 Repräsentativität und Produktevaluation...........................................................98
2.6 Zusammenfassung der Ergebnisse und Diskussion ....................................................99
2.6.1 Zusammenfassung .............................................................................................99
2.6.2 Diskussion........................................................................................................100
2.6.3 Praktische Implikationen .................................................................................104
2.6.4 Limitationen und weiterer Forschungsbedarf..................................................104
D FAZIT ...............................................................................................................................107
LITERATURVERZEICHNIS....................................................................................................109
Anhangsverzeichnis
Anhang A: Item- und Skalenanalysen Studie 1 ................................................................XI
Anhang B: MDS & Clusteranalyse - Gesamtstichprobe ...............................................XIII
Anhang C: MDS & Clusteranalyse - Experten..............................................................XVI
Anhang D: MDS & Clusteranalyse - Novizen................................................................XX
Anhang E: Multiple Regressionsanalyse: Personenspezifische Determinanten der
wahrgenommenen Stimulusüberlastung ..................................................XXIV
Anhang F: Item- und Skalenanalysen Studie 2 ........................................................... XXV
Anhang G: Multivariate Varianzanalyse ....................................................................XXVI
Anhang H: Mediationsanalyse Kategorienbildung................................................... XXVII

VI
Tabellenverzeichnis
Verzeichnisse
Tabelle 1: Operationalisierung Produktwissen ......................................................................46
Tabelle 2: Operationalisierung Automobil-Involvement .......................................................47
Tabelle 3: Operationalisierung Soziodemographie................................................................47
Tabelle 4: Operationalisierung Fahrzeugbesitz......................................................................48
Tabelle 5: Operationalisierung Wahrgenommene Stimulusüberlastung ...............................48
Tabelle 6: Operationalisierung Wahrgenommene Typikalität...............................................49
Tabelle 7: Operationalisierung Wahrgenommene Neuartigkeit ............................................49
Tabelle 8: Operationalisierung Produktevaluation.................................................................50
Tabelle 9: Stichprobenzusammensetzung ..............................................................................52
Tabelle 10: Gütemaße der Skala Produktwissen....................................................................53
Tabelle 11: Gütemaße der Skala Automobil-Involvement ....................................................54
Tabelle 12: Gütemaße der Skala Wahrgenommene Stimulusüberlastung.............................54
Tabelle 13: Deskriptive Statistiken und Test auf Normalverteilung der Skalen....................55
Tabelle 14: Kategorisierungsansätze......................................................................................57
Tabelle 15: Kategorisierung von Crossover-Fahrzeugen.......................................................58
Tabelle 16: Stress- und Anpassungsmaße der MDS-Konfiguration......................................61
Tabelle 17: Clusterprofile.......................................................................................................64
Tabelle 18: Homogenität der Cluster .....................................................................................66
Tabelle 19: Diskriminanzanalyse zur Überprüfung der Clustergüte .....................................67
Tabelle 20: Clusterprofile (Experten) ....................................................................................68
Tabelle 21: Clusterprofile (Novizen) .....................................................................................69
Tabelle 22: Homogenität der Cluster (Experten) ...................................................................70
Tabelle 23: Homogenität der Cluster (Novizen)....................................................................70
Tabelle 24: Multiple Regression: Koeffizienten zur Vorhersage der Wahrgenommenen
Stimulusüberlastung ............................................................................................71
Tabelle 25: Korrelationen zwischen Repräsentativität und Produktevaluation .....................72
Tabelle 26: Operationalisierung Manipulationscheck ...........................................................87
Tabelle 27: Operationalisierung Subjektive Schwierigkeit der Kategorisierung...................87
Tabelle 28: Operationalisierung Sicherheit mit der Kategorisierungsentscheidung..............88
Tabelle 29: Deskriptive Statistiken und Test auf Normalverteilung der Skala
Produktwissen .....................................................................................................91
Tabelle 30: Kreuztabelle Kategorienbildung x Ambiguität x Kategorienbenennung............92
Tabelle 31: Deskriptive Statistiken und Test auf Normalverteilung der Skalen zur
Informationsverarbeitung ....................................................................................93
Tabelle 32: Kreuzvalidierung der abhängigen Skalen zur Informationsverarbeitung ...........93

Verzeichnisse VII
Tabelle 33: Test der Zwischensubjekteffekte auf die Informationsverarbeitungsvariablen..94
Tabelle 34: Test der Zwischensubjekteffekte auf die Produktevaluation ..............................96
Tabelle 35: Test der Zwischensubjekteffekte auf den Informationsverarbeitungsindex .......97
Tabelle 36: Test der Zwischensubjekteffekte auf die Produktevaluation unter Kontrolle der
Informationsverarbeitungsvariablen....................................................................97
Tabelle 37: Deskriptive Statistiken und Test auf Normalverteilung der Skalen zur
Repräsentativität und Produktevaluation ............................................................98
Abbildungsverzeichnis
Abbildung 1: Produktklassifikationssystem.............................................................................3
Abbildung 2: Veränderung der Segmentverteilung im deutschen Automobilmarkt ...............4
Abbildung 3: Formen der Produktproliferation .......................................................................5
Abbildung 4: Aufbau der Arbeit ............................................................................................11
Abbildung 5: Kategorisierungsansätze...................................................................................14
Abbildung 6: Hypothetische Repräsentation von Affekt in der Schemastruktur...................19
Abbildung 7: Darstellung der Kategorisierungsaufgabe........................................................51
Abbildung 8: Marktstruktur aus Konsumentensicht ..............................................................62
Abbildung 9: MDS-Konfiguration mit Fünf-Cluster-Lösung................................................66
Abbildung 10: Werbeanzeigen der Experimentalbedingungen .............................................86
Abbildung 11: Mittelwertsverläufe für die Informationsverarbeitungsvariablen in
Abhängigkeit der Ambiguität und der Nennung eines Kategorienlabels.......95
Abbildung 12: Mittelwertsverläufe für die Produktevaluation in Abhängigkeit der
Ambiguität und der Nennung eines Kategorienlabels....................................96
Abbildung 13: Zusammenfassung der Effekte.....................................................................100

VIII
Abkürzungsverzeichnis
ajq
Faktorladung
AMS Auto Motor Sport
ANOVA(s) Univariate Varianzanalyse(n)
χ² Chi-Quadrat
CIP Consumer Information Processing
CZ Clusterzentrum
df degrees of freedom
hjq
Kommunalität
Hrsg. Herausgeber
IAA Internationale Automobil Ausstellung
KBA Kraftfahrt Bundesamt
M Mittelwert
MB Mercedes-Benz
MDS Multidimensionale Skalierung
MPV Multi Purpose Vehicle
N Stichprobenzahl
NOV Wahrgenommene Neuartigkeit
PDA Personal Digital Assistant
PRE Produktevaluation
R² Determinationskoeffizient
rit
Trennschärfe
s² Varianz
SD Standardabweichung
SKE Sicherheit mit der Kategorisierungsentscheidung
SSK Subjektive Schwierigkeit der Kategorisierung
SUC Sports Utility Coupe
SUV Sports Utility Vehicle
TYP Wahrgenommene Typikalität
VDA Verband der Automobilindustrie
VW Volkswagen
WSÜ Wahrgenommene Stimulusüberlastung
Verzeichnisse

Zusammenfassung IX
Zusammenfassung
Mit der zunehmenden Fragmentierung von Märkten stellt sich zum einen die Frage, wie
Kunden hybride Produkte in ihre bestehende Wissensstruktur integrieren. Zum anderen inte-
ressiert, welche Marketingmaßnahmen die kognitive Integration und die Produktevaluation
beeinflussen können. Zur Beantwortung dieser Fragen werden am Beispiel des deutschen
Automobilmarktes zwei Studien konzipiert.
Inhaltliches Ziel der ersten explorativen Studie ist es, die Struktur des Automobil-
marktes aus Kundensicht abzubilden. Es kann gezeigt werden, dass Kunden Fahrzeuge in
erster Linie anhand ihrer Aufbauform und erwarteter Nutzeneigenschaften klassifizieren.
Crossover-Fahrzeuge werden in bestehende Kategorien integriert, wobei sich teilweise eine
Herausbildung von Subkategorien andeutet. In methodischer Hinsicht werden mit der MDS
und Clusteranalyse Verfahren gewählt, mittels denen die angestrebte Struktur basierend auf
globalen Ähnlichkeitsurteilen ohne Vorgaben von Eigenschaften dargestellt werden kann.
Generell verfügen Automobil-Experten über eine differenziertere Wissensrepräsentation, in
die sie leichter als Novizen innovative Fahrzeuge integrieren können. Der größere Unsi-
cherheitsfaktor der Novizen schlägt sich auch in einer höheren wahrgenommenen Stimulus-
überlastung nieder.
Studie 2 widmet sich der zweiten Fragestellung. Bestehende Studien zeigen, dass
innovative Produkte bei Ambiguität der Kategorisierung zumeist in bekannte Produkt-
kategorien assimiliert werden. Diese Studie untersucht, unter welchen Umständen Konsu-
menten für hybride Produkte neue mentale Kategorien bilden. Dazu wurden das Ausmaß an
Ambiguität der Produkte und die Nennung einer unbekannten Segmentbezeichnung als
Kategorienlabel variiert. Mit zunehmender Ambiguität steigt die Wahrscheinlichkeit der
Bildung einer neuen Kategorie, gleichzeitig verschlechtert sich die Produktevaluation. Hohe
Ambiguität wirkt sich erschwerend auf die Informationsverarbeitung aus. Die Nennung
eines Kategorienlabels relativiert diese Effekte, indem es die Effekte der Ambiguität auf die
abhängigen Variablen moderiert. Ein unbekanntes Kategorienlabel erschwert die Katego-
risierung bei geringer Ambiguität, während es bei hoher Ambiguität eine zusammen-
fassende Beschreibung und eine Rechtfertigung für die Exklusion des Exemplars bietet. Die
Ergebnisse füllen die Forschungslücke zur kognitiven Integration hybrider Produkte vor
dem Hintergrund des individuellen Produktwissens und geben Aufschluss über notwendige
Marketingmaßnahmen zur erfolgreichen Positionierung von Innovationen.

X
Abstract
Abstract
With increasing fragmentation of markets, the question arises as to how hybrid products are
integrated into customers’ existing knowledge structure, on the one hand. On the other hand
it is of interest, what marketing measures can influence the cognitive integration and the
product evaluation. In response to these questions, two studies are conceptualized taking the
German automobile market as an example.
Content wise a first exploratory study is aiming to present the structure of the auto-
motive market from the customer perspective. It can be shown that customers classify
vehicles primarily on the basis of their body type and expected benefit attributes. Crossover
vehicles are integrated into existing vehicle categories, whereby in the case of some catego-
ries, a development of sub-categories is indicated. From a methodological viewpoint it can
be said that the selected MDS and cluster analysis are well suited to represent this structure
on the basis of global similarity judgments without having to name product features. In gen-
eral, automobile experts have a more differentiated knowledge presentation, into which they
can integrate innovative vehicles more easily than novices. The greater uncertainty among
novices is also reflected in a more strongly perceived stimulus overload.
The second study deals with the marketing measures, through which companies can
influence cognitive integration and, finally, product evaluations as well. Prior research has
established that under conditions of categorization ambiguity, innovative products are
mostly assimilated into known product categories. This study examines under what circum-
stances consumers create new mental categories for hybrid products. For this purpose, the
degree of ambiguity of the products and the use of an unknown segment label as category
label were varied. As ambiguity increases, so too does the probability that a new category is
created, while at the same time the product evaluation deteriorates. High ambiguity has a
detrimental effect on processing information. However, a category label can serve to put
these effects into perspective by reducing the effects of ambiguity on the dependent vari-
ables. An unknown category label impedes categorization where ambiguity is low, while in
the case of high ambiguity it offers a summary description of heterogeneous information
that is difficult to assimilate and hence serves to justify its exclusion. The results fill the
research gap in the cognitive integration of hybrid products against the background of the
individual organization of consumers’ product category knowledge and shed light on
marketing measures that are necessary in order to position innovations successfully.

A. Einleitung und Problematisierung 1
A Einleitung und Problematisierung
1 Praktische Relevanz der Forschungsfrage
1.1 Produktdifferenzierung im Automobilmarkt
Das Straßenbild ist zunehmend von Fahrzeugen geprägt, die nicht eindeutig altbekannten
Produktklassen zuzuordnen sind. So hat Renault im Oktober 2001 den Avantime als neues
Fahrzeugkonzept auf den Markt gebracht. Das Fahrzeug sollte klassische Merkmale einer
Limousine und Merkmale eines Vans miteinander verbinden. Citroën hat auf der IAA 1999
erstmals den C3 Pluriel vorgestellt und produziert das Fahrzeug seit 2003 in Serie. Zur
Markteinführung kündigte der Hersteller an, dieses Fahrzeug sei „vier Autos in einem“,
nämlich gleichzeitig Limousine, Cabriolet, Spider und Pick up (Etienne, 2002). Im Herbst
2004 wurde die CLS-Klasse, ein viertüriges Coupé, von DaimlerChrysler auf den Markt
gebracht und im darauf folgenden Jahr die R-Klasse. Diese soll eine Kombination aus
Limousine, SUV und Van darstellen. Wie die Automobilpresse berichtet, ziehen alle großen
deutschen Premiumhersteller nach (Auto Bild, 27/2006). Sie alle haben angekündigt, in den
nächsten Jahren ein Konkurrenzprodukt zur CLS-Klasse auf den Markt zu bringen. So hat
VW für 2008 das viertürige Passat Coupé in der Mittelklasse angekündigt, Audi will 2009
mit dem A7 und Porsche mit dem Panamera folgen und auch BMW will 2010 mit dem LC5
Coupé vom neuen Trend profitieren. Schenkt man der Automobilpresse Glauben, so schei-
nen coupéhafte SUVs ein weiterer neuer Trend zu sein. BMW hat gleich zwei derartige
Modelle in Planung: den X4 auf der X3-Plattform und den X6 auf der X5-Plattform. Audi
hat auf der Shanghai Motor Show 2007 das Cross-Coupe vorgestellt. Diese sogenannten
SUCs (Sport Utility Coupes) sollen sich laut Auto Bild durch ein deutlich sportlicheres
Fahrverhalten als die bekannten SUVs auszeichnen. Im Design sind sie durch ein flacheres
Dach und ein schräg abfallendes Heck gekennzeichnet (Auto Bild, 2/2007, 11/2007).
All diese Fahrzeuge formieren in der Branche unter dem Namen Crossover. Crossover
bezeichnet die Kombination von zwei oder mehr Aufbauformen zu einem neuen Fahrzeug-
typ. Diese Fahrzeuge sollen die Funktionen unterschiedlicher Fahrzeuggattungen mitein-
ander vereinen und unterschiedlichste Kundenbedürfnisse befriedigen (vgl. Wright &
Sedgwick, 2001). Sie sollen dem Kunden beispielsweise sowohl die Leistung eines sport-
lichen Fahrzeuges, die Praktikabilität eines SUVs und den Fahrkomfort einer Limousine
bieten.
Die Einführung von Crossover-Modellen stellt eine Reaktion der Hersteller auf das
stagnierende Wachstum und den damit einhergehenden aggressiven Verdrängungswett-

2
A. Einleitung und Problematisierung
bewerb und den Kampf um Marktanteile in den Triade-Märkten Westeuropa, USA und
Japan dar (VDA, 2006). Um ihren Absatz weiter auszubauen, wenden sich die Hersteller
Schwellenländern wie China und Indien zu, um mit ihren klassischen Produkten neue
Märkte zu erschließen. In ihren Stammmärkten planen die Hersteller durch eine Ausdeh-
nung ihrer Produktprogramme, Marktanteile zu Lasten des Wettbewerbs zu generieren (vgl.
Ansoff, 1957; Schmitt, 1995). Alternativ zu einem aggressiven Preiswettbewerb, der nur
durch eine umfassende Kostenführerschaft zu realisieren wäre, versuchen die Hersteller,
sich durch einzigartige und attraktive Fahrzeuge vom Wettbewerb zu differenzieren. Da es
den Herstellern aufgrund Plattform- und Modulstrategien technisch möglich ist, mit gerin-
gerem Aufwand und kostengünstiger eine Vielzahl von Modellen zu produzieren, können
immer kleinere Marktnischen genutzt werden, wodurch es zu einer immer stärkeren Frag-
mentierung des Automobilmarktes kommt. Herstellerseitig werden so mit dem Ziel der
möglichst umfassenden Befriedigung von Konsumentenbedürfnissen künstlich neue Fahr-
zeugsegmente geschaffen.
Inwieweit Kunden die Fragmentierung des Pkw-Marktes nachvollziehen können,
bleibt jedoch bislang ungeklärt. Betrachtet man den Markterfolg einiger Crossover-
Fahrzeuge, zeichnet sich ein wenig rosiges Bild ab. Als äußerst innovativ angekündigte
Fahrzeugkonzepte finden auf dem Markt nur eine geringe Akzeptanz. So blieben beispiels-
weise die Absatzzahlen des Citroën C3 Pluriel weit hinter den Erwartungen zurück. Die
vom Institut Global Insight im April 2003 prognostizierten Zahlen wurden für das Jahr der
Markteinführung 2003 um ca. ein Drittel unterschritten. Nach dem Topjahr 2004 brach der
Absatz stark ein und die ursprünglich anvisierten Absatzziele wurden auch in den Folge-
jahren nicht erreicht. Gleiches gilt für die Renault Modelle Avantime und Vel Satis. Die
Verkaufszahlen dieser Modelle mit dem ungewöhnlichen Design sind weit hinter den
Erwartungen zurückgeblieben (o.V., 2003). Der Avantime wurde nach nur anderthalb Jah-
ren aufgrund des ausbleibenden kommerziellen Erfolgs eingestellt. Ein weiteres Beispiel für
ein am Markt wenig erfolgreiches Crossover-Fahrzeug ist die Mercedes-Benz R-Klasse.
AMS beschreibt den „Start des neuen Mercedes [als] bislang wenig verheißungsvoll“
(AMS, 8/2006, S. 20). Diez (2003) führt diese Misserfolge auf die Nicht-Existenz eines
Segments für entsprechende Fahrzeugkonzepte zurück. Ähnliche Angebote anderer Her-
steller wären seiner Ansicht nach „für eine Popularisierung dieses Fahrzeugkonzeptes in der
Oberklasse zwingend notwendig“ (S. 18).

A. Einleitung und Problematisierung 3
1.2 Struktur des deutschen Automobilmarktes und Entwicklung von Crossover-
Segmenten
In der Praxis der Automobilhersteller werden der produktbezogenen Marktabgrenzung v.a.
das ökonomische Kriterium Preis sowie technische Eigenschaften, wie z.B. Hubraum,
Motorleistung oder Aufbauformen zugrunde gelegt (Diez, 2001a). Vor dem Hintergrund der
gesellschaftlichen Veränderungen von der Status- zur Lifestyleorientierung verliert das Auf-
steigen in den hierarchischen Fahrzeugklassen an Bedeutung. Die Vielzahl von Nutzen-
bedürfnissen der Konsumenten wird durch unterschiedliche Fahrzeugkonzepte angespro-
chen (vgl. Dahlhoff, 1996). Die strategische Relevanz beider Segmentierungskriterien ist
von vergleichbarer Bedeutung (Heise & Hünerberg, 1995). Daraus ergibt sich eine vertikal-
horizontal gegliederte Segmentierung, die meist in Matrixform dargestellt wird
(Niederländer, 2000; Diez, 2001b). Abbildung 1 stellt ein derartiges Produktklassifikations-
system am Beispiel des Portfolios der Marken Mercedes-Benz und smart dar:
Fahrzeugklassen
Luxusklasse
Oberklasse
Obere
Mittelklasse
Mittelklasse
Untere
Mittelklasse
Kleinwagen
Mini
Schrägheck
Limousine Kombi MPV SUV Coupé Cabrio Roadster
S-Klasse
G
GL
CL
CLS SL
E-Klasse E-Klasse R-Klasse ML CLK CLK
C-Klasse C-Klasse GLK C-Klasse SLK
A-Klasse B-Klasse
smart
fortwo
Aufbauformen
Abbildung 1: Produktklassifikationssystem
Quelle: eigene Darstellung in Anlehnung an Niederländer (2000), KBA (2007)
Anmerkungen: kursiv gesetzte Modelle sind nicht eindeutig zuzuordnen
Betrachtet man die Absatzstärke der Fahrzeugklassen über die Jahre, so zeigt sich, dass
das traditionelle Mittelklasse-Segment starke Einbußen zu verzeichnen hat. Stattdessen
drängen vermehrt neue Segmente auf den Markt, die den etablierten Produktklassen Kon-
kurrenz machen. In der amtlichen Statistik des Kraftfahrt-Bundesamtes (KBA) verzeichnen
die klassischen Segmente einen Rückgang von 86% im Jahr 1999 auf 74% im Jahr 2006 (s.
Abbildung 2). Innerhalb weniger Jahre entwickelte sich hingegen das Segment der Multi-

4
A. Einleitung und Problematisierung
Purpose-Vehicles (MPVs/Vans) vom Nischen- zum Volumensegment; 2007 ist es mit 12%
vertreten, während es 1999 nur 6% aufwies 1 . Auch das Segment der Sport Utility Vehicles
(SUVs), die in der Statistik unter Geländewagen geführt werden, gewinnt mit zweistelligen
Zuwachsraten zunehmend an Bedeutung.
100%
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%
2%
6%
3%
3%
1%
8%
22%
Nischensegmente
4%
12%
2%
7%
1%
6%
16%
31%
Klassische
Segmente 27%
16% 19%
7% 5%
1999 2007
Sonstige
Utilities
Vans
Cabriolets (inkl. Roadster)
Geländewagen
Oberklasse
Obere Mittelklasse
Mittelklasse
Untere Mittelklasse
Kleinwagen
Mini
Abbildung 2: Veränderung der Segmentverteilung im deutschen Automobilmarkt
Quelle: Kraftfahrt-Bundesamt (1999; 2007)
Die strukturelle Veränderung des Automobilmarktes zeigt sich nicht allein in einer
Verschiebung der Segmente, sondern auch in einer Fragmentierung des Automobilmarktes
aufgrund sinkender durchschnittlicher Marktanteile von Automobilen. Während der durch-
schnittliche Marktanteil von Automobilen Anfang der 80er Jahre noch 0,7% betrug,
erreichte er im Jahr 2000 keine 0,4% (Marketing Systems, zit. nach Diez, 2003). Dieser
Trend wird zum einen durch eine zunehmende Zahl von Aufbauvarianten der Baureihen
einzelner Hersteller und zum anderen durch die Entwicklung neuartiger Produktkonzepte
und Begründung neuer Pkw-Segmente bestimmt. Bayus und Putsis Jr. (1999) bezeichnen
eine derartige Ausdehnung der Produktprogramme als Produktproliferation. Sie fassen
darunter eine große Anzahl an Neuprodukteinführungen, eine große Produktvielfalt und
1 Rosa, Porac, Runser-Spanjol und Saxon (1999) analysieren mittels Textanalysen die Entstehung und Etablierung der
Kategorie Minivan in den 80er Jahren auf. Dabei zeigen sie, dass sich die mentalen Repräsentationen des Produktes der
einzelnen Marktteilnehmer mit der Zeit stabilisieren und sich so eine neue Produktklasse bildet.
„In the early 1980s, Chrysler’s minivans came to town, kicked butt and created a hot new segment” (Automotive News,
2007, S. 42).

A. Einleitung und Problematisierung 5
breite Produktlinien zusammen. Diez (2001a; 2003) stellt drei Produktproliferationsstrate-
gien in der Automobilindustrie dar, mit denen Hersteller auf den zunehmenden Wettbe-
werbsdruck reagieren (vgl. Abbildung 3). Bei der klassischen Produktdifferenzierung wer-
den neue Aufbauvarianten oder Motorisierungen einer Baureihe auf den Markt gebracht.
Eine Alternative dazu ist die Erweiterung des Produktprogramms um neue Baureihen.
Unternehmen können zum einen eine bislang nicht angebotene Baureihe in einem bestehen-
den Marktsegment anbieten. So haben beispielsweise die deutschen Premiummarken ihr
Produktportfolio mit der Einführung der Mercedes-Benz A-Klasse bzw. des Audi A3 und
des BMW 1er nach unten in das Kompaktwagensegment ausgeweitet. Zum anderen kann
ein Hersteller neue Marktsegmente schaffen, indem er Crossover-Fahrzeuge auf den Markt
bringt, die eine Kombination bestehender Fahrzeugkonzepte darstellen.
Zunehmende Zahl von
Varianten innerhalb einer
Baureihe
(Produktdifferenzierung)
Ausdehnung der Produktprogramme durch …
Schließen von Lücken im
Produktprogramm
(Full Line)
Abbildung 3: Formen der Produktproliferation
Quelle: Diez (2003, S. 3)
Zunehmende Zahl von
Baureihen
(Programmerweiterung)
Schaffung von neuen
Baureihen durch
Crossover
Crossover-Fahrzeuge sind keine vollkommen neue Idee. Historisch betrachtet, gibt es
vier generische Produktkonzepte, die jeweils zu spezifischen Zwecken entwickelt wurden:
Limousine, Roadster, klassische Geländewagen und Transporter. Von diesen Konzepten
sind alle anderen Aufbauformen ableitbar. Darauf aufbauend entstanden Kombi(-nations-
wagen), eine Mischung aus Limousine und Transporter, Coupés (Mischung aus Limousine
und geschlossenem Roadster), Cabrios (Mischung aus Limousine und offenem Roadster)
sowie Vans (Mischung aus Transporter und Limousine). Diese Fahrzeugkonzepte werden
von Diez (2003) als „traditionelle“ Crossover bezeichnet, da sie sich bereits im Markt
bewährt haben. Bei den jüngeren Entwicklungen, den „modernen“ Crossover-Fahrzeugen,
werden „häufig nicht nur zwei, sondern mehrere generische bzw. traditionelle Crossover-
Konzepte in immer neue, unterschiedliche Mischungsverhältnisse gebracht“ (Diez, 2003, S.

6
A. Einleitung und Problematisierung
4). Wie in Abbildung 2 ersichtlich, konnten insbesondere die SUVs und Minivans großen
Erfolg verzeichnen. Durch Crossover werden die klassischen Segmentgrenzen aufgehoben.
So schafft diese Strategie einerseits Differenzierungspotential zum Wettbewerb, andererseits
birgt sie die Gefahr der Inakzeptanz im Markt.
Die Auflösung der Segmentgrenzen stellt eine Schwierigkeit für die Klassifikation von
Crossover-Fahrzeugen dar. Sie sind den zu Anfang des Kapitels dargestellten Klassen nicht
eindeutig zuzuordnen. In den Zulassungsstatistiken des Kraftfahrt-Bundesamtes werden
Crossover beispielsweise nicht gesondert aufgeführt, sondern unter den bestehenden Seg-
menten 2 subsumiert. Global Insight nutzt für seine Segmentprognosen eine ähnliche, jedoch
feiner untergliederte Klassifikation. 3 Die mangelnde Konsistenz bei der Klassifikation wird
am Beispiel der Mercedes-Benz R-Klasse deutlich: das Fahrzeug wird vom KBA als Gelän-
dewagen eingeordnet, von Global Insight als Luxury MPV. Letztendlich wird nicht eindeu-
tig geklärt, ob es sich bei der R-Klasse um einen Geländewagen oder einen Van handelt.
Aufgrund der Uneindeutigkeit der Klassifikation sind keine klaren Aussagen über die Ent-
wicklung dieser Fahrzeugklassen möglich. Tendenziell kann jedoch festgehalten werden,
dass die Anzahl von Crossover-Modellen in den letzten Jahren stark zugenommen hat. Der
Trend zu mehr Nischen- und Crossover-Modellen wird Automobilherstellern und Bran-
chenkennern zufolge in den nächsten Jahren nicht abflachen (Lundegaard, 2006; Auto Bild,
51/52/2005).
2 Ziele und theoretische Ansätze der Arbeit
2.1 Ziele der Arbeit
Konsumenten sammeln im Laufe ihrer Kundenhistorie Wissen über Marktstrukturen. Mit
der Einführung hybrider Produkte, die auf zwei oder mehr bekannten Produktkategorien
basieren, stellt sich jedoch die Frage, wie diese innovativen Produkte vom Kunden wahrge-
nommen und in seine bestehende Wissensstruktur integriert werden. Die mentale Reprä-
sentation hybrider Produkte wurde bislang nur vor dem Hintergrund ihrer Klassifikation in
2 Das KBA unterscheidet folgende Segmente: Minis, Kleinwagen, Kompaktklasse, untere Mittelklasse, Mittelklasse,
Obere Mittelklasse, Oberklasse, Geländewagen, Cabriolets (inkl. Roadster), Vans und Utilities.
3 Global Insight unterscheidet folgende Segmente: A: Utility/City Class, B: Supermini Class, C1: Lower Medium Class,
C2: Medium Class, D1: Upper Medium Class, D2: Executive Class, E1: Luxury Class, E2: High Luxury Class, F1:
Prestige/Exotic Class, F2: Ultra Prestige/Exotic Class, MPV-B: Sub-Compact MPV, MPV-C: Compact MPV, MPV-D:
Standard MPV, MPV-E: Luxury MPV, SUV-A: Mini SUV, SUV-B: Sub-Compact SUV, SUV-C: Compact SUV,
SUV-D: STANDARD SUV, SUV-E: Luxury SUV, PUP-B: Car-derived Pickup, PUP-C: Compact Pickup, PUP-D:
Full-sized Pickup, CDV: Car-Derived Van, MIC: MicroVan, MVan: Medium Van, N/K: Unidentified.

A. Einleitung und Problematisierung 7
vorgegebene bestehende Produktkategorien untersucht (Moreau, Markman, & Lehmann,
2001; Gregan-Paxton, Hoeffler, & Zhao, 2005; Rajagopal & Burnkrant, 2005). Die Autoren
dieser Studien erforschten, welche Inferenzen und auf welcher Basis Präferenzen für
hybride Produkte im Bereich der Kommunikationstechnologie ausgebildet werden. Die
Ergebnisse sollten Hilfestellungen für die Produktgestaltung und – positionierung geben.
Da hybride Produkte aufgrund ihrer Ambiguität jedoch im Vergleich zu typischen Pro-
dukten bestehender Kategorien häufig schlechter beurteilt werden, versuchen Unternehmen
in der Praxis, neue Segmente zu begründen. Diese Arbeit soll einen Erkenntnisfortschritt
dazu leisten, unter welchen Umständen die kundenseitige Bildung neuer Kategorien statt-
findet, welche kognitiven Prozesse mit der Verarbeitung hybrider Produktinformationen
verbunden sind und welche Effekte sich im Hinblick auf die Urteilsbildung ergeben. Kon-
sumenten verfügen aufgrund ihrer einzigartigen Produkt- und Konsumerfahrung jeweils
über individuelle mentale Produktkategorienstrukturen, die ausschlaggebend für die mentale
Integration eines neuen Produktes (vgl. Nedungadi, Chattopadhyay, & Muthukrishnan,
2001) sind. Daher soll diesen erstmalig bei der Integration unbekannter hybrider Produkte
Rechnung getragen werden.
Basierend auf den Ausführungen in Kapitel A1 erscheint die Einführung von Cross-
over-Fahrzeugen im Automobilmarkt ein geeignetes Untersuchungsobjekt im Hinblick auf
die Erforschung hybrider Produkte zu sein. In einem ersten Schritt soll das aktuelle konsu-
mentenseitige Verständnis der Struktur des Automobilmarktes in diesen Zeiten des Wandels
aufgedeckt werden. Darauf aufbauend wird der Frage nachgegangen, wie die kognitive
Integration von Crossover-Fahrzeugen durch Marketingmaßnahmen beeinflusst werden
kann und wie sich diese auf die Produktevaluation auswirkt. Auf Basis der Ergebnisse
sollen abschließend entsprechende Implikationen für die Produkt- und Programmpolitik von
Automobilherstellern abgeleitet werden.
2.2 Theoretische Ansätze der Arbeit
2.2.1 Informationsverarbeitungsansatz und Zwei-Prozess Modelle der sozialen
Urteilsbildung
Die Wahrnehmung und Beurteilung neuer Produkte kann mit allgemeinen Modellen zur
Informationsverarbeitung erklärt werden. Dieser Arbeit liegt die Annahme zugrunde, dass
Individuen eine konstruktive Rolle im Informationsverarbeitungsprozess spielen. Entgegen
der Nutzentheorie, die vom rationalen Entscheider mit fest ausgeprägten Präferenzen aus-
geht, postuliert der Informationsverarbeitungsansatz bedingte Rationalität (bounded
rationality) (Bettman, Luce, & Payne, 1998). Er unterstellt, dass Konsumenten nicht über

8
A. Einleitung und Problematisierung
stabile Präferenzen verfügen, sondern diese kontextabhängig konstruieren (Bettman, 1979;
Slovic, 1995). Das Entscheidungsverhalten von Konsumenten wird in Abhängigkeit seiner
Informationsverarbeitungskapazität analysiert. Eingeschränkte kognitive Ressourcen führen
dazu, dass Konsumenten nicht alle ihnen zur Verfügung stehenden Informationen aufneh-
men und verarbeiten. Ihr Ziel ist es, ihre Entscheidung auf „«sufficient» rather than
accurate knowledge“ (Moskowitz, Skurnik, & Galinsky, 1999, S. 24) zu basieren.
Unterschiedliche Wege der Informationsverarbeitung werden durch duale Prozess-
theorien beschrieben. Grundannahme aller Modelle ist „the fact that people seek to maxi-
mize outcomes with the least amount of work possible, choosing cognitive economy as a
strategy to allow them the ability to maneuver through a complex stimulus environment”
(Moskowitz et al., 1999, S. 28). Diese Idee wird von Allport (1954, zit. nach Moskowitz et
al., 1999) als „principle of least effort“ bezeichnet (vgl. auch Fiske & Taylor, 1984). Eine
derartige Ressourcen sparende Variante der Informationsverarbeitung geht zu Lasten syste-
matischer Verarbeitung von Informationen. Unter bestimmten Bedingungen kann die
Informationsverarbeitung jedoch von einem theoriegeleiteten Ansatz zu einem datengelei-
teten Ansatz wechseln. Dementsprechend sind duale Prozessmodelle durch zwei sich auf
einem Kontinuum gegenüberliegende Verarbeitungsmodi gekennzeichnet. Einerseits kön-
nen Informationen top-down mittels eines oberflächlichen, kognitiv nicht stark belastenden
Prozesses, bei dem sich Menschen auf ihre bestehenden Wissensstrukturen und Schemata
bzw. Kategorien verlassen, ablaufen; andererseits besteht die Möglichkeit eines bottom-up
Prozesses, bei dem Entscheidungen systematisch mit ausreichend Zeit und kognitiven Res-
sourcen getroffen werden (Moskowitz et al., 1999). Der top-down Prozess wird in der
Literatur als Standardmodus sozialer Informationsverarbeitung angesehen (J. S. Bruner,
Goodnow, & Austin, 1956; Brewer, 1988; Fiske & Neuberg, 1990). Ihre Ursprünge fanden
die dualen Prozessmodelle in der Einstellungs-, Stereotypen- und Persuasionsforschung. Die
prominentesten Modelle sind das Elaboration Likelihood Model von Petty und Cacioppo
(Petty, Cacioppo, & Schumann, 1983), das Heuristic Systematic Model von Eagly und
Chaiken (Chaiken, Lieberman, & Eagly, 1989) sowie das Continuum Model von Fiske und
Neuberg (1990). Shavitt und Wänke (2001) weisen auf die Parallelen der relativ jungen
Forschungstradition des Consumer Information Processing (CIP) und der Sozialpsychologie
hin: „It will become clear that, regarding the underlying cognitive processes, consumer
judgment does not differ much from social judgment” (S. 569). Daher soll die Frage nach
der Bildung neuer Fahrzeugsegmente aus Kundensicht anhand der Kategorisierungstheorie
beantwortet werden.

A. Einleitung und Problematisierung 9
2.2.2 Kategorisierung in der Konsumentenforschung
Zahlreiche psychologische Erkenntnisse zur Kategorisierung wurden auf angewandte Frage-
stellungen im Marketing übertragen. Kategorien stellen die Grundlage für die kognitive
Struktur zur hierarchischen Organisation des Produktwissens eines Konsumenten dar (Sujan
& Dekleva, 1987; Ratneshwar & Shocker, 1991). Auf Basis dieser Strukturierung und
Differenzierung von Produkten werden Konsumentscheidungen getroffen (Alba &
Hutchinson, 1987). Marketingkonstrukten, wie Produktklassen, Marktsegmenten und
Consideration Sets, liegt das Prinzip der Kategorisierung zugrunde. Die Konstrukte be-
zeichnen vom Konsumenten im Hinblick auf die Erfüllung von Bedürfnissen und Zielen in
bestimmten Situationen gebildete mentale Gruppierungen austauschbarer Produkte. Pro-
dukte werden in diesem Ansatz als Nutzenbündel verstanden und auf Basis von ähnlichen
Nutzenversprechen klassifiziert (Day, Shocker, & Srivastava, 1979). Kunden treffen Kauf-
entscheidungen, indem sie zwischen den Alternativen einer derartigen Kategorie wählen.
Nedungadi, Chattopadhyay und Muthukrishnan (2001) zeigen in einem Gedächtnisexperi-
ment, dass die Aktivierung einer Kategorienstruktur sich positiv auf den Abruf der zugehö-
rigen Marken auswirkt. Die mentale Verfügbarkeit von Marken ist Voraussetzung für eine
Kaufentscheidung.
Unternehmen hilft eine etablierte Kategorienstruktur bei der Positionierung eines Pro-
duktes im Wettbewerbsumfeld. Bei der Einführung neuer Produkte muss ein Unternehmen
eine Positionierungsentscheidung treffen. Durch die Herausstellung der (Un-)Ähnlichkeit zu
einer bestehenden Produktkategorie kann beeinflusst werden, ob das Produkt eine neue
Nische besetzt oder in einen bestehenden Markt eindringt (Sujan & Bettman, 1989). Die
vorhandene Kategorienstruktur hilft dem Konsumenten bei der Klassifikation von neuen
Produkten. Zudem erleichtern Kategorien Entscheidungen, weil sie Rückschlüsse auf
Eigenschaften unbekannter Produkte zulassen (Gregan-Paxton & John, 1997; Moreau,
Markman et al., 2001). So verbinden Kunden beispielsweise mit Fahrzeugen der Marke
BMW ein sportlicheres Fahrerlebnis als mit Fahrzeugen der Marke Opel. Die Eigenschaft
„Sportlichkeit“ ist fest mit der Marke BMW assoziiert und wird bei Einführung neuer Bau-
reihen auf diese übertragen.
Sowie Konsumenten mit einer Produktkategorie funktionale Erwartungen verknüpfen,
werden auch Produktbewertungen aufgrund von Kategorienzugehörigkeit getroffen
(Moreau, Markman et al., 2001). Sujan (1985) konnte zeigen, dass Bewertungen eines
neuen Produktes in der Regel aufgrund seiner Kategorienzugehörigkeit getroffen werden
und nicht auf Basis der Qualität einzelner Attribute. Einzig Personen mit großem Produkt-
wissen basieren ihre Bewertungen bei nicht eindeutiger Kategorisierbarkeit auf einzelnen

10
A. Einleitung und Problematisierung
Attributen. Zusammenfassend lässt sich festhalten, dass die Kategorisierbarkeit von Pro-
dukten ausschlaggebend für die Kaufentscheidung ist (Nedungadi et al., 2001). Die Zuord-
nung eines Produktes lässt sich sowohl durch die Ähnlichkeit seiner Merkmale als auch
durch Kontextfaktoren beeinflussen, so dass Kategorisierung forciert und somit Produkt-
beurteilungen beeinflusst werden können (Wänke, 1998).
3 Aufbau der Arbeit
In Kapitel B werden zunächst die Grundlagen der Kategorisierung dargelegt (Kapitel B1).
Dabei wird ein Schwerpunkt auf die definitorische Abgrenzung und die Funktionen von
Kategorien aus Sicht des Informationsverarbeitungsparadigmas gelegt. Es folgt eine Erläu-
terung unterschiedlicher Kategorisierungsansätze und der Schematheorie der sozialen Kog-
nitionsforschung. Darauf aufbauend werden in Kapitel B2 Möglichkeiten der Veränderung
von Kategorienstrukturen sowohl aus Perspektive der psychologischen Grundlagenfor-
schung als auch vor dem Hintergrund des Konsumentenverhaltens betrachtet. Es werden
zum einen theoretische Ansätze und empirische Befunde zur Schemadiskrepanz berichtet
(Kapitel B2.2) und zum anderen die Kategorisierung mehrdeutiger Stimuli insbesondere im
Hinblick auf die kognitive Repräsentation und Beurteilung hybrider Produkte beleuchtet
(Kapitel B2.3). Da Kategorisierung nicht allein von Stimuluseigenschaften abhängig ist,
werden im Anschluss personenspezifische Determinanten der Kategorisierung betrachtet.
Die Arbeit fokussiert die Konstrukte Produktwissen und Automobil-Involvement (Kapitel
B3). Produkturteile sind nicht allein von Merkmalen des Urteilsobjekts abhängig, sondern
auch durch Prozessmerkmale während der Informationsakquise und –verarbeitung
bestimmt. Zur Erläuterung der zugrundeliegenden Prozesse werden abschließend die theo-
retischen Erkenntnisse zu den Effekten von Processing Fluency herangezogen (Kapitel B4).
Auf Basis der theoretischen Ausführungen werden in Kapitel C zwei experimentelle
Studien konzipiert. Die erste Studie (Kapitel C1) strebt die Abbildung des deutschen Auto-
mobilmarktes aus Kundensicht an, wobei neben der Klassifikation der Fahrzeugmodelle ein
besonderes Augenmerk auf die kognitive Integration von Crossover-Fahrzeugen gelegt
wird. Des Weiteren werden Unterschiede in der mentalen Repräsentation des Marktes zwi-
schen Experten und Novizen beleuchtet. Die zweite Studie (Kapitel C2) untersucht, ob und
unter welchen Umständen Konsumenten für Crossover-Fahrzeuge neue mentale Kategorien
bilden oder ob sie diese in bestehende Fahrzeugkategorien integrieren. Dazu werden das
Ausmaß an Ambiguität der hybriden Produkte und die Nennung einer unbekannten
Segmentbezeichnung als Kategorienlabel variiert. Nach der Beschreibung der Auswertung
und der Darstellung der Ergebnisse werden diese vor dem Hintergrund des aktuellen For-
schungsstandes kritisch diskutiert, sowie Implikationen für die Positionierung innovativer

A. Einleitung und Problematisierung 11
Fahrzeugkonzepte abgeleitet. Abschließend werden Limitationen und weiterer Forschungs-
bedarf aufgezeigt. Abbildung 4 stellt den Aufbau der Arbeit graphisch dar:
Kapitel 1
Kategorien und
Schemata
Studie 1
A. Einleitung
B. Theoretische Grundlagen
Kapitel 2
Veränderung der
Kategorienstruktur
Struktur des deutschen Automobilmarktes
aus Kundensicht und Integration von
Crossover-Fahrzeugen
Abbildung 4: Aufbau der Arbeit
Kapitel 3
Personenspezifische
Determinanten der
Kategorisierung
C. Experimenteller Teil
D. Fazit
Studie 2
Kapitel 4
Urteilsbildung als
konstruktiver
Prozess
Bildung neuer Kategorien in Abhängigkeit
von Stimulusambiguität und Nennung eines
Kategorienlabels

12
B Theoretische Grundlagen
1 Kategorien und Schemata
B. Theoretische Grundlagen
Bevor die Forschungsfrage theoretisch näher eingegrenzt wird, sollen die grundlegenden
Begrifflichkeiten und Ansätze der Kategorisierungstheorie geklärt sowie die Funktionen
von Kategorien aus Sicht des Informationsverarbeitungsparadigmas erläutert werden.
1.1 Definitionen und begriffliche Abgrenzung
Jeder Mensch wird täglich mit einer unendlichen Zahl von Wahrnehmungseindrücken kon-
frontiert: Objekte, Personen, Ereignisse. Kategorien helfen dem Menschen, diese Vielfalt
von Eindrücken zu bewältigen, indem sie zwei oder mehr unterscheidbare Objekte oder
Ereignisse zusammenfassen, die in der Folge durch das kognitive System als äquivalent
betrachtet werden (Markman & Ross, 2003; Rosch, 1978; Mervis & Rosch, 1981). Während
Kategorien in der ersten Hälfte des 20. Jahrhunderts im behavioristisch orientierten Stimu-
lus-Response-Lernparadigma betrachtet wurden, in dem einzig die Objekte und ihre Stimu-
luseigenschaften Kategorisierungsgrundlage sind, weisen Bruner, Goodnow und Austin
(1956) im Hinblick auf Kategorisierung erstmals auf die aktive Rolle des Informationsver-
arbeiters hin: „Categorizing serves to cut down the diversity of objects and events that must
be dealt with uniquely by an organism of limited capacities“ (S. 235). Das Informations-
verarbeitungsparadigma postuliert, dass Kategorien mentale Repräsentationen sind, die aus
einer Interaktion von Stimuluseigenschaften der realen Objekte und dem der Kategorisie-
rung zugrunde liegenden kognitiven Prozess entstehen (Rosch & Lloyd, 1978, S. 2).
Kategorien strukturieren im Gedächtnis gespeichertes Wissen mit dem Ziel der höheren
Informationsökonomie.
In der Literatur existiert neben dem Begriff „Kategorie“ auch der des „Schemas“. Eine
konsequente Unterscheidung erfolgt jedoch nicht. In der Marketingforschung werden die
Begriffe häufig austauschbar eingesetzt (vgl. Stayman, Alden, & Smith, 1992; Gregan-
Paxton, 2001), während in der Social Cognition Forschung von Fiske und Pavelchak (1986,
S. 170) eine definitorische Abgrenzung vorgenommen wird: eine Kategorie fasst die Instan-
zen (Mitglieder) einer Klasse strukturell zusammen, ein Schema hingegen fasst in Form von
assoziativen Netzwerken die typischen Eigenschaften dieser Kategorie und ihre Beziehun-
gen untereinander zusammen (Hastie, 1981; Fiske & Taylor, 1984). Ein Schema bezieht
sich folglich stärker auf die inhaltlichen Assoziationen, die mit einer Kategorie verbunden
werden. Im Rahmen dieser Arbeit ist eine derartige Differenzierung von untergeordneter

B. Theoretische Grundlagen 13
Bedeutung, da davon ausgegangen wird, dass der Aufruf von Kategorien mit der Aktivie-
rung der assoziierten Inhalte einhergeht.
Kategoriensysteme können anhand von zwei Dimensionen beschrieben werden
(Rosch, 1978; Crocker, Fiske, & Taylor, 1984). Die vertikale Dimension gibt das Abstrak-
tionsniveau an, anhand dessen Kategorien eingeordnet werden (z.B. Fahrzeug, Auto, Kom-
paktwagen, VW Golf). Die horizontale Dimension zeigt die Abgrenzung von Kategorien
auf einem Abstraktionsniveau an (z.B. Auto, Bus, Lkw, Motorrad). Nicht alle Abstraktions-
niveaus sind vor dem Hintergrund maximaler Informationsökonomie gleichermaßen für die
Kategorisierung von Objekten geeignet. Von besonderer Bedeutung sind Rosch (1978)
zufolge Basiskategorien, die am ehesten die Interdependenzen zwischen Objekten in der
realen Welt darstellen können. Basiskategorien weisen den höchsten Grad an interkatego-
rialer Differenzierung bei gleichzeitig maximaler intrakategorialer Homogenität auf und
führen somit zu einer Herausstellung der Gemeinsamkeiten von Stimuli bei gleichzeitiger
Reduktion der Differenzierung auf ein notwendiges Maß. Auf diesem Abstraktionsniveau
bedarf die Verarbeitung von Informationen der geringsten kognitiven Anstrengung (Mervis
& Rosch, 1981).
1.2 Funktionen von Kategorien
Kategorisierung ist die Grundlage für viele alltägliche kognitive Funktionen, wie Klassifi-
kation, Vorhersage und Kommunikation (Markman & Ross, 2003). Angesichts limitierter
kognitiver Kapazitäten vereinfacht sie den Informationsverarbeitungsprozess, indem „the
organism reduces the complexity of the environment“ (J. S. Bruner et al., 1956, S. 12; vgl.
auch Rosch, 1978). Um die Welt zu verstehen, werden Stimuli in Kategorien klassifiziert.
So können beispielsweise im Tierreich Hund und Katze zusammengefasst werden und als
Mitglieder der Kategorie Säugetiere von Amphibien abgegrenzt werden. „Categorization
frees us from being slaves to the particular, reducing the «necessity of constant learning»“
(Moskowitz et al., 1999, S. 27). Die Kategorienzugehörigkeit eines Objekts lässt Rück-
schlüsse auf die Ausprägung einzelner Eigenschaften zu. Wird ein neues Objekt in die
Kategorie Säugetier aufgenommen, werden ihm die typischen Eigenschaften der Kategorie
zugeschrieben. Kategorien fördern somit den Wissenstransfer in neuen Situationen und
erlauben Vorhersagen über bestimmte Verhaltensweisen. Die Stereotypieforschung z.B.
zeigt, dass unbekannten Personen allein auf Basis ihrer Gruppenzugehörigkeit bestimmte
Verhaltensweisen und Motive zugeschrieben werden (Fiske & Neuberg, 1990). Auf der
anderen Seite werden Kategorien auch als Erklärungsgrundlage für beobachtbares Verhalten
herangezogen (Lingle, Altom, & Medin, 1984).

14
B. Theoretische Grundlagen
Des Weiteren ermöglichen Kategorien erfolgreiche zwischenmenschliche Kommuni-
kation, indem sie eine gemeinsame Verständnisgrundlage darstellen. Wie auch in Abschnitt
1.4 mit dem Ansatz von Fiske und Pavelchak (1986) dargestellt wird, beeinflusst die
Kategorienstruktur Evaluationen. Sowie bestimmte Eigenschaften mit Kategorien assoziiert
sind, können auch evaluative Urteile an Kategorien geknüpft sein. Markman und Ross
(2003) führen diese Funktion unter dem Stichwort „Präferenzbildung“, die besondere
Beachtung im Bereich des Konsumentenverhaltens gefunden hat, auf.
1.3 Kategorisierungsansätze
In der Psychologie besteht eine Vielzahl von Ansätzen zur mentalen Repräsentation von
Kategorien. Bis in die 60er Jahre des letzten Jahrhunderts dominierte die Annahme, dass
alle Elemente einer Kategorie gemeinsame Eigenschaften haben, die einzeln notwendig und
gemeinsam hinreichend zur Definition sind. In den 70er Jahren wurde die Kritik an diesem
Ansatz immer lauter und es entstanden neue Sichtweisen auf die Struktur von Kategorien.
Smith und Medin (1981) unterscheiden anhand der folgenden zwei Fragen drei Erklärungs-
ansätze:
• Gibt es eine einheitliche Beschreibung für alle Elemente einer Kategorie?
• Sind die in der einheitlichen Beschreibung spezifizierten Merkmale für alle Elemente
einer Kategorie wahr?
Abbildung 5 fasst die Kategorisierungsansätze schematisch zusammen:
nein
Exemplaransatz
Einheitliche
Repräsentation?
nein
Probabilistischer
Ansatz
Abbildung 5: Kategorisierungsansätze
Quelle: Smith & Medin (1981, S. 4)
ja
Eigenschaften
für alle Merkmale
wahr?
ja
Klassischer Ansatz

B. Theoretische Grundlagen 15
1.3.1 Klassischer Ansatz
Dem klassischen Ansatz liegt die Annahme zugrunde, dass die Zugehörigkeit eines Ele-
ments zu einer Kategorie durch das Vorhandensein einzeln notwendiger und gemeinsam
hinreichender Merkmale bestimmt wird. Die regelhafte Beschreibung einer Kategorie durch
diese Merkmale trifft auf alle Elemente gleichermaßen zu (Smith & Medin, 1981). Dieser
Ansatz basiert auf den philosophischen Abhandlungen des Aristoteles zu Kategorien, in
denen er der Frage nachgeht, „Was ist das Wesen?“.
Dieser „Alles oder Nichts“-Ansatz wurde mit den Weiterentwicklungen in der kogniti-
ven Psychologie zunehmend kritisiert (J. B. Cohen & Basu, 1987; Smith & Medin, 1981).
Mit der Fokussierung von natürlichen Objekten anstelle von künstlichen Stimuli in der em-
pirischen Forschung zeigte sich, dass es für viele Kategorien schwierig ist, eine eindeutige
Merkmalsbeschreibung zu finden. Zudem sprechen insbesondere Ergebnisse von Rosch und
Kollegen (1973; 1978; Mervis & Rosch, 1981) gegen die Annahme, dass alle Elemente
einer Kategorie gleichermaßen repräsentativ für diese sind. Der klassische Ansatz schließt
qua definitionem eine Variation in der Repräsentativität von Elementen aus. In Studien
konnte jedoch gezeigt werden, dass die Kategorisierungsleistung von Probanden mit nicht
definitorisch notwendigen Merkmalen korreliert (vgl. Smith & Medin, 1981).
1.3.2 Prototypenansatz
Die empirisch begründete Kritik am klassischen Ansatz fußt zu großen Teilen auf dem pro-
babilistischen Ansatz. Rosch und Kollegen (1973; 1978; Mervis & Rosch, 1981) kommen in
ihrer Analyse von Kategorien natürlicher Objekte (z.B. Tiere, Pflanzen, Möbel) zu dem
Schluss, dass Konzepte sich um Prototypen definieren. Ein Prototyp kann als zentrale
Tendenz der für die Kategorie relevanten Merkmale verstanden werden (Rosch & Mervis,
1975). Es handelt sich demnach nicht zwingend um ein bestimmtes Mitglied, sondern eine
hypothetische Abstraktion. Einzelne Objekte sind unterschiedlich repräsentativ für die
Kategorie (graded structure). Das Prinzip der Family Resemblance gibt an, dass Elemente,
die viele Merkmale mit anderen Elementen derselben Kategorie teilen, prototypischer wahr-
genommen werden. Neue Objekte werden aufgrund ihrer Ähnlichkeit zum Prototyp katego-
risiert. Ist der Prototyp für Vögel durch die Merkmale Federn, Flügel, Schnabel, zwei Beine
und Fähigkeit zu fliegen, definiert, dann werden Amseln als typischer wahrgenommen als
afrikanische Strauße. Der der Kategorisierung zugrunde liegende Zusammenhang zwischen
Merkmalen und Kategorie ist probabilistischer Natur.
Rosch (1973) sowie Rips, Shoben und Smith (1973) konnten in Reaktionszeit- und
Lernexperimenten Typikalitätseffekte nachweisen: typische Elemente einer Kategorie wer-
den schneller klassifiziert und gelernt. Kinder lernen die Kategorienzugehörigkeit von Pro-

16
B. Theoretische Grundlagen
totypen bevor sie die anderer Elemente lernen. Auch beim Informationsabruf weisen proto-
typische Elemente einer Kategorie Vorteile auf: sie werden beim ungestützten Abruf zuerst
genannt. Aufgrund der dargestellten Eigenschaften von Prototypen in der Informations-
verarbeitung eignen sich diese besser als weniger repräsentative Elemente für Priming-
Experimente (Rosch, 1978). Dieser Effekt wird durch das Spreading Activation Model von
Collins und Loftus (1975, zit. nach Baddeley, 1997) erklärt. Prominente Vertreter des
Prototypenansatzes sind neben Rosch und Kollegen auch Forscher in der Gruppe um
Edward Smith.
Der gravierendste Kritikpunkt am probabilistischen Ansatz betrifft die unzureichende
Darstellung der kognitiven Komplexität der Wissensrepräsentation. Informationsverarbeiter
nutzen neben der zentralen Tendenz auch andere Informationen, wie z.B. Korrelationen
zwischen Merkmalen und die Variabilität der Merkmale, um Objekte zu klassifizieren
(Bagozzi, Gürhan-Canli, & Priester, 2002).
1.3.3 Exemplaransatz
Eine Antwort auf diese Problematik bietet der Exemplaransatz. Diesem zufolge werden
Kategorien durch die separate Beschreibung einiger typischer Exemplare definiert; er liefert
keine zusammenfassende Beschreibung der Kategorie (Brooks, 1978; Nosofsky, 1988). Ein
Exemplar kann entweder eine Teilmenge der Kategorie oder ein einzelner Fall sein. Wird
ein Exemplar durch eine Teilmenge dargestellt, kann die mentale Repräsentation entweder
durch beschreibende Merkmale oder durch untergeordnete Fälle definiert werden. Wird ein
Exemplar als einzelner Fall dargestellt, muss die Repräsentation anhand einer Merkmalsliste
beschrieben werden (Smith & Medin, 1981). Die Repräsentation basiert folglich auf
disjunktiven Exemplaren. Dieser Ansatz geht nicht von einer zusammenfassenden
Beschreibung des Konzepts aus. Das Exemplar, das die größte Ähnlichkeit zu dem neuen
Objekt aufweist, bestimmt die Kategorisierung. Auch dieser Ansatz kann Typikalitäts-
effekte erklären. Sind beispielsweise Finken ein typisches Exemplar für Vögel, dann werden
Amseln aufgrund der größeren Ähnlichkeit typischer wahrgenommen als afrikanische
Strauße. Das bekannteste Modell des Exemplaransatzes stellt wohl das Context Model von
Medin und Schaffer (1978) dar.
1.3.4 Gemischte Ansätze
Die regelhafte Beschreibung von mentalen Repräsentationen wird den Typikalitätseffekten
und damit verbundenen Unterschieden in der Kategorisierungseffizienz, die insbesondere
bei uneindeutigen Stimuli auftreten, nicht gerecht (vgl. Lingle et al., 1984; J. B. Cohen &
Basu, 1987).

B. Theoretische Grundlagen 17
Kategorisierung basiert sowohl beim Prototypen- als auch beim Exemplaransatz auf
Ähnlichkeitsvergleichen. Die Ansätze unterscheiden sich jedoch hinsichtlich des Referenz-
punktes, mit dem ein neu zu kategorisierendes Objekt verglichen werden soll. Während der
Referenzpunkt beim Prototypenansatz ein abstrahiertes Zentralitätsmaß darstellt, bezieht
sich der Vergleich beim Exemplaransatz auf ein konkretes Kategorienelement. Diese Unter-
scheidung soll im Rahmen der zu untersuchenden Fragestellung nicht weiter verfolgt wer-
den. Elio und Anderson (1981) wie auch Smith und Medin (1981) schlagen Modelle vor, die
die Abstraktion von prototypischen Informationen und den Abgleich mit einzelnen
Exemplaren als komplementäre Prozesse betrachten. Diesen Modellen entsprechend ist
sowohl die Ähnlichkeit zu einem Exemplar als auch zu einem abstrahierten Prototypen aus-
schlaggebend für die Klassifikation eines neuen Items (vgl. auch Gregan-Paxton, 2001;
Sujan, 1985). Cohen und Basu (1987) schlagen ein alternatives Modell vor, demzufolge
Konsumenten jeden der drei dargestellten Ansätze für eine erste Klassifikation nutzen
können. Kategorisierung kann den Autoren zufolge automatisch oder bewusst ablaufen und
Informationen analytisch oder holistisch nutzen.
1.4 Schematheorie
Wie bereits in Kapitel 1.1 dargestellt, hat sich parallel zur Kategorisierungsforschung in der
allgemeinen Psychologie der Schemaansatz in der sozialen Kognitionsforschung entwickelt.
In der Kategorisierungsforschung stehen Ansätze zur Klassifikation von Objekten im Vor-
dergrund, während durch die Schematheorie in erster Linie Informationsverarbeitungs-
prozesse, die durch die Klassifikation ausgelöst werden, erklärt werden sollen. Dies betrifft
insbesondere Wahrnehmungs- und Gedächtnisprozesse sowie die Bildung von Inferenzen
und Evaluationen (Fiske & Taylor, 1984). Während sich die Kategorisierungstheorie vor-
nehmlich mit natürlichen und abstrakten Stimuli beschäftigt, fokussiert die Schematheorie
auf soziale Kategorien und fand ihre Anwendung insbesondere in der Stereotypieforschung.
Die moderne Schematheorie geht auf die frühen Arbeiten von Bartlett (1932) zum
Gedächtnis für Bilder, Figuren und Geschichten zurück. Entgegen der vorherrschenden
theoretischen Meinung der Zeit ging Bartlett davon aus, dass Informationen nicht als iso-
lierte Elemente verarbeitet werden, sondern in sinnvollen Strukturen organisiert sind und
diese den Informationsabruf steuern. Ein Schema beschreibt eine kognitive Struktur, die das
Wissen über ein Konzept oder einen Stimulus in Form seiner Eigenschaften und den Bezie-
hungen zwischen diesen Eigenschaften in abstrahierter Form zusammenfasst (Hastie, 1981).
Schemata helfen dem „cognitive miser“ mit limitierten kognitiven Ressourcen die Komple-
xität der Welt in vereinfachter Form wahrzunehmen und zu verstehen (Fiske & Taylor,
1984). Als bestehende Wissensrepräsentationen leiten Schemata die Aufnahme neuer

18
B. Theoretische Grundlagen
Informationen. Hinsichtlich des Umgangs mit inkonsistenten Informationen werden in der
Literatur zwei grundlegende Prozesse unterschieden: Assimilation und Akkomodation (vgl.
Rumelhart & Norman, 1978; Mandler, 1982). Diese Unterscheidung geht auf die Arbeiten
von Jean Piaget zur kognitiven Entwicklung des Kindes zurück. Piaget bezeichnet mit
Assimilation die Anwendung eines Schemas oder einer Struktur auf ein Objekt, d.h. die
inhaltlichen Assoziationen eines Schemas werden auf das Objekt übertragen, und mit
Akkomodation die Anpassung des Schemas an die Situation oder das Objekt (vgl. Montada,
1995). Schemata weisen in der Regel eine hohe Stabilität auf und nur geringfügig abwei-
chende Informationen werden assimiliert, um eine kohärente Struktur der Umwelt zu
bewahren. Diese top-down Prozesse führen u.U. zu verzerrten Beurteilungen des Objekts,
da geringfügige Abweichungen vernachlässigt werden, fehlende Informationen durch Stan-
dardschemadaten (default values) ersetzt werden oder mittels der Repräsentativitätsheuristik
die wahrscheinlichste Kategorie ausgewählt wird (Augoustinos & Walker, 1995). Wären
Schemata jedoch vollständig resistent gegenüber Veränderungen, würden sie ihre Funktion,
den Wahrnehmenden zu unterstützen, nicht erfüllen. Inkorrekte Schemata führen zu Ineffi-
zienz und Ungenauigkeiten in der Informationsverarbeitung (Crocker et al., 1984).
Neben Aufmerksamkeit steuernden Prozessen haben Schemata auch Einfluss auf die
zu speichernden Gedächtnisinhalte. In der Literatur existieren widersprüchliche Ergebnisse
bezüglich der Gedächtnisleistung bei konsistenten und inkonsistenten Informationen. Hastie
(1981) kommt in einer Übersicht zu dem Ergebnis, dass bessere Gedächtnisleistungen für
schemakonsistente Informationen auf Vorteile gut verankerter Informationen beim
Gedächtnisabruf zurückzuführen sind, während bessere Gedächtnisleistungen für schema-
inkonsistente Informationen auf erhöhte Aufmerksamkeit und tiefere Verarbeitung bei der
Enkodierung von Informationen zurückgehen. Schemairrelevante Informationen hingegen
werden leicht vergessen.
In den 80er Jahren wurden die Kritik am rein kognitiven Ansatz der Schematheorie
und die Forderungen nach einer Integration affektiver Komponenten lauter. Die Arbeiten
von Fiske (1982) sowie Fiske und Pavelchak (1986) zum Schema induzierten Affekt sind
hier von zentraler Bedeutung. Die Autoren argumentieren, dass Affekt und Evaluation
sowohl auf einzelnen Stimulusattributen basierend generiert werden können (piecemeal-
based affect), als auch von einem Schema auf einen assimilierten Stimulus übertragen wer-
den können (category-based affect) (vgl. Abbildung 6). Entsprechend der Logik der Zwei-
Prozess Modelle postulieren die Autoren eine erste Kategorisierungsphase. Verläuft diese
erfolgreich, wird die Person bzw. das Produkt basierend auf den mit dem Kategorienschema
verbundenen Affekten bewertet. Ist die erste Phase aufgrund zu großer Schemadiskrepanz

B. Theoretische Grundlagen 19
nicht erfolgreich, wird die Person in einer zweiten Phase Attribut für Attribut bewertet. Das
Modell wurde in den folgenden Jahren von Fiske und Neuberg (1990) weiter detailliert. Im
Continuum Model legen sie die Phasen und Prämissen der Urteilsbildung dar. Schemata
haben damit nicht nur Einfluss auf die kognitive Repräsentation von Wissen, sondern beein-
flussen ebenso die Bewertung von Stimuli.
Attribut 1
+/ -
Kategorienlabel
Attribut 2 Attribut 3
+/ - +/ -
Attribut 4
+/ -
+/ -
category- based affect
piecemeal- based affect
Abbildung 6: Hypothetische Repräsentation von Affekt in der Schemastruktur
Quelle: nach Fiske & Pavelchak (1986, S. 172)
2 Veränderung der Kategorienstruktur
Bislang wurden die Prinzipien der Kategorisierung dargestellt. Es stellt sich nun die Frage,
ob und unter welchen Umständen Kategorienstrukturen verändert werden können. Dazu
werden die psychologischen Grundlagen der Schemadiskrepanz erläutert und empirische
Befunde aus dem Bereich des Konsumentenverhaltens vorgestellt. Es folgt eine Darstellung
der Kategorisierung mehrdeutiger Stimuli aus Sicht der Grundlagen- sowie der Marketing-
forschung.
2.1 Bildung neuer Kategorien
Die meisten Theorien zur Kategorisierung gehen der Frage nach, wie einzelne Objekte in
ein bestehendes Kategoriensystem integriert werden. Die Bildung neuer Kategorien wird in
der Literatur weniger ausführlich behandelt (vgl. J. B. Cohen & Basu, 1987; Bettman et al.,
1998; Katona, Lajos, Chattopadhyay, & Sarvary, 2006). Wie in Kapitel 1.1 dargelegt, stel-
len Kategorien ein vereinfachtes Abbild der Realität dar. Sie fassen Objekte zusammen, die
sich aufgrund ihrer Eigenschaften ähneln (Rosch, 1978). Um neue Informationen zu verste-
hen und in Entscheidungssituationen zu nutzen, müssen diese in die bestehende Wissens-
struktur integriert werden (Alba, Hutchinson, & Lynch, 1991). Neue mentale Repräsenta-
tionen bilden sich heraus, wenn ein Individuum mit ihm unbekannten Objekten konfrontiert

20
B. Theoretische Grundlagen
wird, die sich untereinander in ihren Eigenschaften ähneln und klar von angrenzenden Kate-
gorien abgrenzen (Markman & Ross, 2003). Das Individuum muss in der Lage sein, sowohl
Ähnlichkeiten als auch Unterschiede zwischen Objekten zu beurteilen, einzelne Attribute
wahrzunehmen und die erkannten Zusammenhänge zu lernen. Mit zunehmender Erfahrung
kommt es zu einer Ausdifferenzierung des Kategorienwissens insbesondere auf den der
Basiskategorie über- und untergeordneten Niveaus (Alba & Hutchinson, 1987).
Es lassen sich sowohl personenspezifische Variablen als auch Eigenschaften der
Information und der Kategorienstruktur definieren, die Einfluss auf die Verarbeitung abwei-
chender Informationen und die Veränderung bestehender Wissensrepräsentationen nehmen.
Crocker und Kollegen (1984) identifizieren drei Personenvariablen, unter denen abwei-
chende 4 Informationen verarbeitet werden. Da abweichende Informationen mehr Zeit zur
Verarbeitung benötigen, müssen erstens ausreichend kognitive Ressourcen frei sein. Diese
Bedingung wird zweitens insbesondere bei Sachexpertise erfüllt, da die gefestigten Wis-
sensstrukturen von Experten konsistente Informationen leichter verarbeiten und so Ressour-
cen für den Umgang mit inkonsistenten Informationen bereitstellen können (Hayes-Roth,
1977). Drittens wirkt sich eine Motivation für Genauigkeit positiv auf die Verarbeitung
andersartiger Informationen aus. Auf die Effekte dieser Variablen im Hinblick auf die Kate-
gorisierung wird in Kapitel 3 eingegangen.
Neben Personenvariablen haben auch Eigenschaften der inkongruenten Information
Einfluss auf Veränderungen des Schemas. In der Literatur werden insbesondere das Ausmaß
an Diskrepanz der Information zum Schema und die Mehrdeutigkeit der Information unter-
sucht. Diese Punkte werden in Kapitel 2.2 respektive Kapitel 2.3 detaillierter behandelt.
Zusätzlich nimmt die aktuelle Beschaffenheit der Kategorienstruktur Einfluss. Katona et al.
(2006) weisen experimentell nach, dass neue Subkategorien eher Kategorien mit einer
bereits größeren Zahl an Subkategorien zugeordnet werden, da diese besser verfügbar sind.
Damit bestätigen sie die Ergebnisse von Herr (1989), der in einem Priming-Experiment
nachweisen konnte, dass neue Produkte eher in leichter verfügbare Kategorien klassifiziert
werden.
4 Die Adjektive inkonsistent, inkongruent, diskrepant und abweichend werden im Folgenden austauschbar genutzt.

B. Theoretische Grundlagen 21
2.2 Schemadiskrepanz
2.2.1 Veränderung von Schemata
Im Rahmen der Stereotypieforschung haben Weber und Crocker (1983) drei Modelle getes-
tet, die die Veränderung von Stereotypen 5 bei Vorlage inkonsistenter Informationen
beschreiben. Diese Modelle wurden bereits auf andere soziale Schemata übertragen und bei-
spielsweise für Arbeiten zur Markenerweiterung genutzt (Loken & John, 1993). Dem
Bookkeeping Model zufolge werden die typischen Eigenschaften eines Schemas sukzessive
mit jeder inkongruenten Information angepasst. Wie stark das Schema modifiziert wird,
hängt von der Menge der widersprüchlichen Informationen ab. Rumelhart und Norman
(1978) beschreiben diese Anpassungen auch als „Tuning“. Das Conversion Model
beschreibt radikale „Alles-oder-Nichts“-Veränderungen. Geringfügig und moderat inkon-
gruente Objekte werden in das Schema assimiliert und drastische Abweichungen führen zur
sofortigen inhaltlichen Anpassung des Schemas. Das dritte Modell postuliert im Hinblick
auf inkongruente Informationen strukturelle Änderungen in der Kategorienhierarchie. Im
Subtyping Model werden zum Schema diskrepante Objekte in einer Subkategorie zusam-
mengefasst. Das Schema selbst bleibt dadurch unverändert. In Abhängigkeit von den Rand-
bedingungen werden unterschiedliche Modelle bestätigt (Hewstone, 1994). Werden die
abweichenden Informationen konzentriert auf wenige Exemplare dargeboten, lässt sich das
Subtyping Model bestätigen. Sind die Inkonsistenzen hingegen auf mehrere Exemplare ver-
teilt, trifft das Bookkeeping Model zu (Crocker & Weber, 1983).
Kunda und Oleson (1995) spezifizieren das Subtyping Model. Ihre Ergebnisse zeigen,
dass Individuen eine Erklärungsgrundlage für die Bildung einer Subkategorie brauchen und
damit die Aufrechterhaltung des Stereotyps rechtfertigen. Zur Rechtfertigung reicht eine
eigentlich neutrale Information aus. Das Stereotyp „Anwälte sind extravertiert“ wird bei
Konfrontation mit einem introvertierten Anwalt aufrechterhalten, wenn zusätzlich eine An-
gabe zur Größe der Kanzlei gemacht wird. Dabei spielt die Ausprägung dieser Zusatzinfor-
mation keine Rolle. Sowohl die Angabe große als auch die Angabe kleine Kanzlei führte
zum Ausschluss des Exemplars aus der Kategorie und blockierte die Generalisierung auf
das Stereotyp. Die Ergebnisse verdeutlichen die konstruktive Rolle des informationsverar-
beitenden Individuums.
5 Stereotype werden in der sozialpsychologischen Literatur als kognitive Strukturen definiert, die Wissen, Meinungen
und Erwartungen über eine soziale Gruppe zusammenfassen (Ashmore & Del Boca, 1981; Hamilton & Sherman, 1994).
Stereotype sind soziale Schemata, die Informations-verarbeitung, Bewertungen und Verhalten lenken können.

22
B. Theoretische Grundlagen
Die Aufrechterhaltung eines Schemas bei inkonsistenten Informationen bedarf kogniti-
ver Ressourcen zum Finden einer Erklärungsgrundlage für eine Subkategorie (Yzerbyt,
Coull, & Rocher, 1999). Sind diese kognitiven Ressourcen nicht vorhanden, unterbleibt das
Subtyping und das Stereotyp wird verändert. Die Autoren zeigen, dass die Wahrnehmung
der stereotypen Gruppe durch die wahrgenommene Atypikalität des Exemplars mediiert
wird (vgl. auch Kunda & Oleson, 1997). Diese Befunde sind konform mit dem Continuum
Model von Fiske und Neuberg (1990), das höhere kognitive Anstrengung bei individuieren-
den als bei kategorialen Prozessen vorhersagt.
Die dargestellten Studien verdeutlichen, dass die Wissensrepräsentation eines neuen
inkonsistenten Exemplars nicht unabhängig von einem Vergleichsstandard der bisherigen
Wissensstruktur gebildet wird. Die Wahrnehmungen beider Entitäten bedingen sich in Ab-
hängigkeit vom Kategorisierungsprozess gegenseitig. Schwarz und Bless (1992; 2007) stel-
len mit dem Inklusions-Exklusionsmodell einen Ansatz vor, der diese Interdependenzen
explizit berücksichtigt und untersucht. Das Modell fand seine Ursprünge in der sozialen
Urteilsbildung. Bless, Schwarz, Bodenhausen und Thiel (2001) untersuchten beispielsweise
die Wahrnehmung von Politikern in Abhängigkeit ihrer Parteizugehörigkeit. Wänke, Bless
und Wortberg (2003) führten eine Studie zum Einfluss beruflich erfolgreicher Frauen auf
die Beurteilung von Frauen im Allgemeinen durch. Der Ansatz wurde jedoch auch auf die
Prozesse des Markenmanagements übertragen (Wänke, Bless, & Schwarz, 1998; Wänke,
Bless, & Igou, 2001).
Die Effekte sollen im Folgenden an einem fiktiven Beispiel von Markenerweiterung
dargestellt werden. Expandiert ein Premiumautomobilhersteller in das Kleinwagensegment,
werden die Imageeigenschaften des Kleinwagens langfristig betrachtet in das Markenimage
integriert, das Premiumimage wird geschwächt. Andererseits profitiert der Kleinwagen vom
Premiumimage der Gesamtmarke. Misslingt die Markenerweiterung und der Kleinwagen
wird nicht in die bestehende Marke kategorisiert, wird das neue Produkt im Kontrast zur
Marke gesehen und erscheint dadurch noch weniger Premiumeigenschaften zu besitzen. Die
Gesamtmarke hingegen bleibt in diesem Fall unberührt (vgl. Bless, Greifeneder, & Wänke,
2007). Das Beispiel verdeutlicht, dass die Effekte auf Exemplar und Kategorie nicht losge-
löst voneinander betrachtet werden können. Da beide in einem Modell miteinander ver-
knüpft sind, kommt es entweder zu einem positiven Imagetransfereffekt für den Klein-
wagen, zu Lasten der Marke oder aber der Kleinwagen profitiert nicht von der Marke und
diese bleibt unbeschädigt. Eine Grundannahme des Modells ist, dass ein und dieselbe
Information je nach Kategorisierung sowohl in einem Assimilations- als auch in einem
Kontrasteffekt resultieren kann. Nicht die Beschaffenheit der Stimuli, sondern vielmehr ihre

B. Theoretische Grundlagen 23
Kategorisierung ist entscheidend. Diese Annahme ist insbesondere im Hinblick auf Marke-
tingmaßnahmen relevant, da die Kategorisierung nicht allein von der Produktsubstanz ab-
hängt, sondern auch durch ihre Darstellung beeinflusst werden kann (vgl. Wänke, 1998).
2.2.2 Schemadiskrepante Produkte
Neben der Bildung von Produktklassen und der Zuordnung bekannter Produkte zu diesen
Klassen wird im Marketing die Frage verfolgt, wie Konsumenten neue Produkte, die nicht
eindeutig einer Kategorie zuzuordnen sind, klassifizieren. Die Anwendung der Assimila-
tions- und Akkomodationshypothese besagt, dass neue Produkte, die eine moderate Diskre-
panz zur bekannten Kategorie aufweisen, in diese assimiliert werden. Gedächtnisinhalte, die
mit der Kategorie zusammenhängen, werden auf das neue Produkt übertragen. Das Produkt
wird bei der weiteren Informationsverarbeitung als Element dieser Produktkategorie behan-
delt. Bei stark diskrepanten Produkten kommt es zu einer Anpassung der bestehenden Pro-
duktkategorie oder der Generierung einer Subkategorie für das neue Produkt.
Sujan und Bettman (1989) untersuchen am Beispiel von Spiegelreflexkameras, wie
sich die Diskrepanz eines neuen Produktes zu einer bekannten Produktkategorie auf die
wahrgenommene Positionierung des Produktes auswirkt. Die Ergebnisse stützen die Assi-
milations- und Subtyping-Hypothese. Die Autoren manipulieren das zentrale Attribut
„Robustheit“ der Kamera. In der kongruenten Bedingung wird die Kamera beschrieben als
„nutzbar bei Nieselregen“, „hat eine Kameratasche zum Schutz“ und „hat einen Schutz für
die Linse“. In der moderat diskrepanten Bedingung wird sie mit den Attributen „kann im
Regen genutzt werden“, „robuste Konstruktion“ und „kratzfeste Linse“ beschrieben. In der
extrem diskrepanten Bedingung werden ihr die Attribute „kann im Wasser genutzt werden“,
„bruchsichere Konstruktion“ und „bruchsichere Linse“ zugeschrieben. Weist die Kamera
keine oder nur moderate Diskrepanz zur Kategorie auf, wird sie in das bestehende Schema
von Spiegelreflexkameras assimiliert. Werden hingegen stärkere Unterschiede wahrge-
nommen, bilden Probanden eine neue Kamera-Subkategorie für das Produkt. Im Hinblick
auf die Bewertung der Marken und die Wichtigkeit als Entscheidungskriterium sind stark
diskrepante Attribute von größerer Bedeutung als nur moderat Schema inkonsistente Attri-
bute. Die wahrgenommene Diskrepanz neuer Produkte zu bekannten Kategorien beeinflusst
folglich nicht nur die mentale Kategorienstruktur, sondern auch darauf basierende Produkt-
evaluationen.
Meyers-Levy und Tybout (1989) untersuchen in einer Reihe von Experimenten den
Einfluss von Inkongruenz eines neuen Produktes zu einem Produktschema auf die Art der
Informationsverarbeitung und Produktevaluation. Basierend auf den theoretischen Arbeiten
von Mandler (1982) postulieren sie einen nicht monotonen Zusammenhang zwischen Inkon-

24
B. Theoretische Grundlagen
gruenz und Produktbewertung: moderat diskrepante Produkte lösen Verarbeitungsprozesse
aus, die verglichen mit kongruenten und stark diskrepanten Produkten in positiveren
Bewertungen resultieren. Mandler (1982) stellt die These auf, dass durch Diskrepanz
bedingter erhöhter Arousal und kognitive Anstrengung zu extremeren Bewertungen führen.
Die empirischen Ergebnisse der Studien am Beispiel von Getränkekategorien stützen diese
Thesen.
Schemainkongruenz wird in der Studie durch die Leichtigkeit, mit der diese bei gege-
bener kognitiver Struktur aufgelöst werden kann, operationalisiert (vgl. Mandler, 1982).
Meyers-Levy und Tybout (1989) gehen basierend auf Überlegungen von Rosch (1978) und
Studien von Sujan und Dekleva (1987) davon aus, dass Inkongruenz bei einer hierarchi-
schen Kategorienstruktur von Produktklassen, Produkttypen und Marken durch eine Zuord-
nung zum nächst untergeordneten Level aufgelöst werden kann. Die Autoren untersuchen
eine Hierarchie, bei der „Getränke“ die übergeordnete Kategorie und „Limonade“ bzw.
„Fruchtsaft“ die Basiskategorien darstellen. Die Subkategorien werden durch eine Spezifi-
zierung der Basiskategorie wie z.B. „natürliche Limonade“ oder „Saft mit Konservierungs-
stoffen“ definiert. Im Untersuchungsdesign wird entweder die übergeordnete Kategorie
„Getränke“ oder die Basiskategorie „Limonade“ aktiviert. Dem folgt eine Produktbeschrei-
bung anhand von sechs Eigenschaften, von denen die ersten fünf auf „Limonade“ und
„Getränke“, nicht aber auf „Fruchtsaft“ zutreffen. Die sechste Eigenschaft variiert die Kon-
gruenz zum Limonade-Schema: „enthält Konservierungsstoffe“ stellt gepaart mit „Limo-
nade“ die kongruente Bedingung dar; „natürliche Limonade“ und „Getränk mit Konservie-
rungsstoffen“ weisen moderate Inkongruenz auf. Die hohe Inkongruenz eines „natürlichen
Getränks“ (mit fünf Limonadeneigenschaften) kann nicht durch ein Schema auf dem Niveau
der Basiskategorie erklärt werden. Produkte in den experimentellen Bedingungen, die
moderate Inkongruenz erzeugen, werden positiver bewertet als in der kongruenten und stark
inkongruenten Bedingung, da im Verarbeitungsprozess Arousal entsteht, der aber aufgrund
der relativ leichten Aufhebung der Inkongruenz schnell aufgelöst wird.
Auf den ersten Blick erscheinen die Ergebnisse von Sujan und Bettman (1989) und
Meyers-Levy und Tybout (1989) hinsichtlich der Bildung von Subkategorien widersprüch-
lich. Sujan und Bettmans Probanden bilden Subkategorien bei starker Diskrepanz einer Pro-
dukteigenschaft von der Standardkategorie. Hier ist allein die Ausprägung der Eigenschaft
untypisch für die Kategorie, die Produkteigenschaft selbst ist jedoch nicht inkongruent mit
der Kategorie. Meyers-Levy und Tybout operationalisieren Inkongruenz hingegen durch
eine Produkteigenschaft, die mit der Kategorie nicht vereinbar ist. Die divergierenden
Ergebnisse sind unter Umständen auf diese methodischen Unterschiede zurückzuführen.

B. Theoretische Grundlagen 25
Darüber hinaus erfassen Meyers-Levy und Tybout die Bildung von Subkategorien nicht
direkt, sondern unterstellen allein aufgrund ihrer Theorie Rückschlüsse von der Bewertung
auf zugrunde liegende Verarbeitungsprozesse.
2.3 Kategorisierung unter Unsicherheit
2.3.1 Kategorisierung mehrdeutiger Stimuli
In den letzten Jahren hat sich die psychologische Grundlagenforschung damit beschäftigt,
wie sich unterschiedliche Klassifikationsmöglichkeiten von Items auf die Bildung von Infe-
renzen auswirken. Es lassen sich zwei unterschiedliche theoretische Strömungen identifizie-
ren. Anderson (1991) benennt im Rational Model of Cognition die Bildung von Inferenzen
als Hauptfunktion der Kategorisierung. Er geht in seinem rationalen Ansatz davon aus, dass
Personen bei der Klassifikation von Items alle zur Auswahl stehenden Kategorien in ihre
Entscheidung einbeziehen. Diesen Überlegungen liegt der Satz von Bayes zugrunde. Die
Wahrscheinlichkeit, dass eine Inferenz j gebildet wird, ist die Summe über alle Kategorien
aus dem Produkt der Auftretenswahrscheinlichkeit einer Kategorie k und der Wahrschein-
lichkeit, dass Inferenz j bei Kategorie k auftritt.
Die zweite Strömung geht von einem heuristischen Ansatz bei der Entscheidungs-
findung aus, der entsprechend der theoretischen Grundannahmen (vgl. Kapitel A2.2) hier
verfolgt werden soll. Seine Vertreter postulieren, dass Entscheidungen nicht nach wohl
überlegten rationalen Gesichtspunkten getroffen werden, sondern subjektiven Wahrschein-
lichkeitsinterpretationen unterliegen (vgl. Tversky & Kahneman, 1974). Kategorisierungs-
entscheidungen sind beispielsweise über-proportional stark durch die wahrscheinlichste
Kategorie bestimmt. Ross und Murphy (1994) kommen in einer Reihe von Experimenten zu
dem Ergebnis, dass Klassifikationsentscheidungen nicht davon beeinflusst werden, wie
viele Kategorien zur Auswahl stehen. Sie präsentieren Probanden geometrische Formen in
unterschiedlichen Farben, schematische Gesichter und Linien in unterschiedlichen Orientie-
rungen. Probanden berücksichtigen im Regelfall allein die wahrscheinlichste Kategorie bei
der Bildung von Inferenzen, es sei denn die zur Auswahl stehenden Kategorien sind glei-
chermaßen wahrscheinlich.
Malt, Ross und Murphy (1995) produzieren ähnliche Ergebnisse in einem natu-
ralistischeren Versuchsaufbau. Die Autoren präsentieren Probanden kurze Geschichten über
Personen in bestimmten Situationen, in denen je zwei Kategorien von Personen aktiviert
werden. Von jeder Geschichte gibt es zwei Versionen, die sich durch die weniger wahr-
scheinliche Kategorie unterscheiden (Bsp.: wahrscheinlichste Kategorie: Immobilienmakler;
alternative Kategorie: Angestellter der Kabelfernsehen-Firma vs. Einbrecher). Nach der

26
B. Theoretische Grundlagen
Lektüre werden die Probanden gebeten, die Wahrscheinlichkeit bestimmter Ereignisse ein-
zuschätzen, die mit den aktivierten Kategorien in Zusammenhang stehen. Die Autoren
kommen zu dem Schluss, dass Inferenzen auf der Klassifikation eines Objektes in die wahr-
scheinlichste Kategorie beruhen und alternative Kategorien nicht als Basis für Inferenzen
herangezogen werden. Dieses Ergebnis stützt jene von Murphy und Ross (1994). Dass
Inferenzen nicht auf multiplen Kategorien beruhen, liegt nicht an mangelnder Aufmerksam-
keit oder mangelndem Erinnerungsvermögen für beide Kategorien. Malt et al. (1995) zei-
gen, dass beide Kategorien im Langzeitgedächtnis gespeichert sind, alternative Kategorien
bei der Beurteilung jedoch nicht im Arbeitsgedächtnis aktiviert werden.
Anknüpfend an Experiment 7 von Murphy und Ross (1994), das bei gleichermaßen
wahrscheinlichen Kategorien den Gebrauch multipler Kategorien andeutet, analysieren Ross
und Murphy (1996) die Umstände der Inferenzbildung basierend auf mehreren Kategorien.
Sie bauen dabei auf dem experimentellen Design von Malt et al. (1995) auf. In einem ersten
Experiment wird die Unsicherheit der Kategorisierung als Einflussfaktor getestet. Jedoch
selbst in Situationen, in denen die uneindeutige Kategorisierungsgrundlage explizit begrün-
det wurde, werden alternative Kategorien nicht zur Bildung von Inferenzen herangezogen.
In drei weiteren Experimenten untersuchen die Autoren die Relation der alternativen
Kategorie zur Testfrage als Einflussfaktor. Es zeigt sich, dass ein expliziter Hinweis auf die
alternative Kategorie in der Frage Inferenzen auf Basis beider Kategorien bewirken kann, da
so die Verfügbarkeit im Arbeitsgedächtnis steigt. 6 Dieser Effekt ist jedoch kurzlebig, er hat
keine Auswirkung auf die Beantwortung nachfolgender Fragen. Mit Hilfe dieser Ausfüh-
rungen zum Verarbeitungsprozess lässt sich nicht erklären, warum die Assoziierung der
Frage mit der alternativen Kategorie keinen Einfluss hat, wenn die Frage ebenfalls auf die
gewählte Kategorie hinweist (Experiment 4). Ross und Murphy (1996) gehen davon aus,
dass das Individuum bei seiner Vorhersage im Sinne des informationsökonomischen Ansat-
zes Genauigkeit und Anstrengung abwägen muss. Eine Vorhersage basierend auf der wahr-
scheinlichsten Kategorie reduziert die Anstrengung, Einbeziehen der alternativen Kategorie
erhöht die Genauigkeit der Inferenzbildung. Wird in der Frage jedoch auf beide Kategorien
hingewiesen, wird dies als Hinweis auf die Validität der wahrscheinlicheren Kategorie
gesehen.
6 Dieses Ergebnis wird durch Studien in der Personenwahrnehmung gestützt. Higgins, Rholes und Jones (1977) zeigen,
dass Personen, die anhand ambivalenter Eigenschaften beschrieben werden, aufgrund von mental verfügbaren
Persönlichkeitseigenschaften kategorisiert werden.

B. Theoretische Grundlagen 27
Dem Argument der Verfügbarkeit von Informationen im Arbeitsgedächtnis sind
Murphy und Ross (1999) nachgegangen. Ihre Ergebnisse erhärten die Argumentation, dass
Individuen unter bestimmten Bedingungen, in denen ihre Aufmerksamkeit explizit auf beide
Kategorien gelenkt wird und so im Arbeitsgedächtnis aktiviert sind, multiple Kategorien als
Basis ihrer Inferenzen nutzen. Diese Ergebnisse bieten den bislang umfassendsten Beweis
für Inferenzen basierend auf multiplen Kategorien (vgl. Gregan-Paxton et al., 2005). Auch
für ihre These zur Abwägung zwischen Genauigkeit und Anstrengung bei der Bildung von
Inferenzen finden die Autoren weitergehende Belege (Verde, Murphy, & Ross, 2005). Sie
überprüfen, inwieweit die Aufgabenstellung Einfluss auf die Inferenzbildung nimmt. Ein-
fache binäre Entscheidungen erfordern weniger Anstrengung und lassen Inferenzen basie-
rend auf multiplen Kategorien zu, während kognitiv schwierigere Wahrscheinlichkeits-
schätzungen in Inferenzbildung basierend auf nur einer Kategorie resultieren.
Zusammenfassend lässt sich festhalten, dass zur Vorhersage von Eigenschaften in der
Regel nur eine Kategorie dient. Nur wenn beide Kategorien salient sind und die Möglichkeit
und Motivation zu genauen Urteilen gegeben sind, greifen Individuen auf multiple Katego-
rien für Vorhersagen zurück. Der Einfluss der kognitiven und motivationalen Variablen ist
insbesondere im Hinblick auf Marketingmaßnahmen relevant, da hier die Möglichkeit
besteht, losgelöst von der Produktsubstanz Einfluss auf die Darstellung eines Produktes zu
nehmen.
2.3.2 Hybride Produkte
Die bislang dargestellten Studien zur kognitiven Repräsentation von Produktkategorien
betrachten neu eingeführte Produkte nur im Vergleich zu einer bekannten Produktkategorie
(vgl. Abschnitt 2.2.2). Diese Vorgehensweise wird auch in Ansätzen der Ähnlichkeits-
messung verfolgt (Tversky, 1977; Gentner & Markman, 1994). Viele neue Produkte basie-
ren jedoch auf zwei oder mehr bekannten Produktkategorien. So vereinen Digitalkameras
beispielsweise Elemente herkömmlicher Fotoapparate und der Computertechnologie,
BlackBerries stellen eine Kombination aus Mobiltelefon und PDA dar und Crossover-Fahr-
zeuge wie die CLS-Klasse vereinen Eigenschaften mehrerer Fahrzeugkonzepte. Die Litera-
tur spricht von „hybriden“ Produkten.
Unsicherheit bei der Produktkategorisierung tritt auf, wenn „information about a new
product makes it difficult or impossible to place the novel offering in a single, existing
category” (Gregan-Paxton et al., 2005, S. 127). Die zum Teil widersprüchlichen Informa-
tionen geben die Möglichkeit zu unterschiedlichen Interpretationen der Produkteigenschaf-
ten (Hoch & Ha, 1986; Hoch & Deighton, 1989). In experimentellen Studien konnten die
Autoren zeigen, dass Werbung ihre Wirkung auf die wahrgenommene Produktqualität eher

28
B. Theoretische Grundlagen
bei mehrdeutigen Produkten entfaltet. Ist die Produktbeschreibung eindeutig, ändert sich die
Einstellung gegenüber dem Produkt nicht. Ist das Produkt jedoch mehrdeutig, kann Wer-
bung eher eine Einstellungsänderung produzieren (Hoch & Ha, 1986; Ha & Hoch, 1989).
Die Evaluation nicht eindeutiger Produkte kann folglich durch Marketingvariablen beein-
flusst werden.
In dieser Dekade wurden einige Studien veröffentlicht, die die Kategorisierung und
Evaluation von hybriden Produkten zum Thema haben. Moreau, Markman und Lehmann
(2001) untersuchen, wie Konsumenten Informationen von multiplen Kategorien nutzen, um
Erwartungen über und Präferenzen für ein neues hybrides Produkt zu bilden. Dazu manipu-
lieren sie die Reihenfolge von zwei Werbeanzeigen, die jeweils eine „Herkunftskategorie“
des Produktes thematisieren, und den Zeitpunkt der Kategorisierungsaufgabe. Ihre Ergeb-
nisse zeigen, dass dem zuerst genannten plausiblen Kategorienlabel eine besondere Rolle
zukommt. Es entscheidet nicht nur die Kategorisierung, sondern beeinflusst auch darauf
aufbauende Produkterwartungen und Präferenzen. Dieser Primacy Effekt kann aufgehoben
werden, wenn die Kategorisierungsaufgabe nach Ansicht beider Anzeigen durchgeführt und
in den Anzeigen explizit auf die Funktionalität beider Kategorien hingewiesen wird. Diese
Ergebnisse stützen die Befunde aus der Grundlagenforschung, der zufolge alle Kategorien-
informationen verfügbar sein müssen, um die Kategorisierung zu beeinflussen.
Gregan-Paxton et al. (2005) erweitern diesen ersten Untersuchungsansatz, indem sie
zwischen der Vertrautheit der Konsumenten mit bildlichen und konzeptuell-beschreibenden
Stimuli differenzieren und die Bekanntheit der Kategorien variieren. Sie gehen davon aus,
dass die Probanden mit der Kategorie „Mobiltelefon“ stärker vertraut sind als mit „PDAs“.
Die Autoren untersuchen, ob BlackBerries und ihre Funktionalität in Abhängigkeit der
Stimulusart eher in die Kategorien „Mobiltelefon“ und/oder „PDA“ klassifiziert werden.
Zur Überprüfung ihrer Hypothesen bilden sie vier experimentelle Bedingungen, die jeweils
aus einem konzeptuellen (Kategorienlabel) und einem bildlichen Stimulus (Foto) bestehen.
Die Ergebnisse zeigen, dass das weniger bekannte Kategorienlabel „PDA“ in Kombination
mit dem Foto eines Mobiltelefons keinen Einfluss auf die Kategorisierung des Produkts hat.
In dieser Bedingung werden dem Produkt genauso viele Eigenschaften eines PDAs zuge-
schrieben wie in der Kontrollbedingung, in der nur die Kategorie „Mobiltelefon“ genannt
und gezeigt wird. Probanden bilden Inferenzen in diesem Fall allein auf Basis des vertrauten
bildlichen Stimulus. Wird in der Anzeige hingegen ein Bild der weniger bekannten Katego-
rie „PDA“ mit dem Kategorienlabel „Mobiltelefon“ gepaart, werden dem Produkt ebenso
viele Funktionen eines PDA, aber mehr Funktionen eines Mobiltelefons zugeschrieben als
in einer Anzeige, die nur PDAs thematisiert. Ist der Konsument mit dem bildlichen Stimulus

B. Theoretische Grundlagen 29
weniger vertraut als mit dem konzeptuellen Stimulus, basieren seine Inferenzen auf beiden
Kategorien. Das Kategorienlabel wirkt nur zusätzlich zum Bild, wenn es durch Bekanntheit
Vertrauen schafft.
Aufbauend auf den Arbeiten von Moreau und Kollegen (2001) untersucht auch
Rajagopal (2004; Rajagopal & Burnkrant, 2005) die Kategorisierung und Bewertung hybri-
der Produkte. Die Autorin geht insbesondere der Frage nach, unter welchen Umständen
Produkterwartungen und Bewertungen hybrider Produkte auf einer oder mehreren zugrunde
liegenden Kategorien beruhen. In Pretests hat sich ergeben, dass ein hybrides Produkt mit
Elementen eines PDA und einer Digitalkamera die Anforderung an ambivalente Kategori-
sierung erfüllt. Die Ergebnisse zeigen, dass das Kategorienlabel unabhängig von weiteren
Produktbeschreibungen die Kategorisierung und die Zuschreibung von Produkteigen-
schaften maßgeblich bestimmt. Den Studien liegt die Annahme zugrunde, dass die Bewer-
tung eines neuen Produktes auf den ihm zugeschriebenen Eigenschaften einer Kategorie
beruht. Wird ein Produkt sowohl anhand eines Labels als auch damit konsistenten und
inkonsistenten Attributen beschrieben, sind allein die mit dem Kategorienlabel überein-
stimmenden Attribute ausschlaggebend für die Produktbewertung. Rückschlüsse auf das
Produkt beruhen folglich nur auf einer Kategorie, die Attribute der nicht benannten zweiten
Kategorie werden bei der Bewertung nicht berücksichtigt. Rajagopal (2004) erklärt diesen
Effekt durch die selektive Aufmerksamkeit gegenüber Informationen und deren Abrufbar-
keit: inkonsistenten Attributen wird bei der Enkodierung weniger Aufmerksamkeit
geschenkt und sie werden seltener abgerufen. 7 Die Bildung von Inferenzen allein auf Basis
der konsistenten Eigenschaften kann durch Priming einer Verarbeitungsstrategie, bei der die
einzelnen Eigenschaften eines Produktes fokussiert werden (property interpretation
strategy), aufgehoben werden. Rückschlüsse auf die Funktionalität des Produktes basieren
in diesem Fall auf den Attributen beider Produktkategorien. Wird hingegen eine holistische
Verarbeitungsstrategie (relational interpretation strategy) geprimt, sind allein die mit dem
Kategorienlabel konsistenten Attribute ausschlaggebend. Entsprechend den Ergebnissen der
ersten beiden Studien, stellte Rajagopal (2004) die These auf, dass sich der Priming-Effekt
der Verarbeitungsstrategie auch auf die Bewertungsgrundlage der Produkte überträgt. Die-
ser Effekt konnte überraschenderweise nicht nachgewiesen werden, vielmehr sind allein
inkonsistente Attribute die einzigen signifikanten Prädiktoren der Bewertung. Möglicher-
weise wird das Produkt von den Probanden als Subkategorie wahrgenommen. Wie bereits
7 Diese Interpretation widerspricht der von Hastie (1981). Hastie geht von einem Enkodierungsvorteil bei inkonsistenten
Information aus (vgl. Kapitel B1.4).

30
B. Theoretische Grundlagen
dargestellt, wird die Bewertung von Unterkategorien durch zur Oberkategorie diskrepante
Eigenschaften bestimmt (Sujan & Bettman, 1989).
Die dargestellten Studien untersuchen neue hybride Produkte vor dem Hintergrund
bekannter Kategorien. Sie befassen sich jedoch nicht explizit mit der Bildung neuer Katego-
rien oder Subkategorien. In allen drei Studien wird der Einfluss unterschiedlicher Stimulus-
arten auf die Kategorisierung der hybriden Produkte untersucht. Moreau, Markman et al.
(2001) fokussieren sich allein auf Kategorienlabel, während Gregan-Paxton und Kollegen
(2005) Kategorienlabel mit Bildmaterial vergleichen und Rajagopal (2004) Interaktions-
effekte von Label und Produktbeschreibungen untersucht. Rajagopals (2004) Ergebnisse
weisen auf die dominante Rolle von Kategorienlabels im Bereich des Konsumentenverhal-
tens hin und stützen damit die Grundlagenstudien von Yamauchi und Markman (2000). Im
Vergleich zu Bildmaterial spielen Label jedoch nur eine ergänzende Rolle bei der Kategori-
sierung (Gregan-Paxton et al., 2005). Während Gregan-Paxton et al. (2005) sich allein auf
die Kategorisierung des hybriden Produktes und den damit einhergehenden Produkterwar-
tungen konzentrieren, untersuchen Moreau und Kollegen (2001) sowie Rajagopal (2004)
darüber hinausgehend Produktevaluationen und Präferenzen. Ob Produkterwartungen und
Präferenzen bezüglich eines hybriden Produktes auf ein oder zwei zugrunde liegenden Ka-
tegorien beruhen, kann durch Informationsverarbeitungsprozesse erklärt werden. Beide
Autoren zeigen, dass Produkterwartungen eher auf Basis multipler Kategorien gebildet wer-
den, wenn während der Informationsaufnahme einzelne Produkteigenschaften im Arbeits-
gedächtnis verfügbar sind und fokussiert verarbeitet werden können.
3 Personenspezifische Determinanten der Kategorienbildung
Wie bereits in Kapitel 2 dargelegt, sind Veränderungen in der Kategorienstruktur nicht nur
vom Stimulusmaterial, sondern auch von personenspezifischen Eigenschaften abhängig. Die
Verhaltenswissenschaften legen dar, dass Verhalten sowohl von kognitiven als auch von
motivationalen Faktoren beeinflusst werden kann. Als wichtigster kognitiver Faktor soll
hier das vorhandene Produktwissen und als motivationaler Faktor das Produktinvolvement
beleuchtet werden.
3.1 Produktwissen
Neben anderen personenspezifischen Variablen entscheidet das vorhandene Produktwissen
eines Nachfragers darüber, wie Informationen über neue Produkte in seine Wissensstruktur
integriert werden (Bettman & Park, 1980). Produktwissen kann sich auf unterschiedliche
Abstraktionsebenen von Gütern beziehen: Produktkategorien und -typen, Marken und

B. Theoretische Grundlagen 31
Modelle (vgl. Sujan & Dekleva, 1987). Im Rahmen dieser Arbeit soll das Wissen über eine
Produktkategorie als Produktwissen verstanden werden. In der gängigen Literatur wird
dieses Phänomen häufig auch unter den Begriffen Familiarity bzw. Produktvertrautheit und
Expertise diskutiert (vgl. E. J. Johnson & Russo, 1984). Für das vorliegende Forschungsvor-
haben sind definitorische Abgrenzungen der Begrifflichkeiten nicht von Relevanz, die
Begriffe werden im Folgenden synonym verwendet. 8
In der Psychologie wird zwischen deklarativem und prozeduralem Wissen unterschie-
den (Anderson, 1996). Das deklarative Wissen bezieht sich auf Fakten, die sprachlich dekla-
riert werden können. Es wird nochmals unterschieden zwischen semantischem und episo-
dischem Wissen. Dabei zählen zum semantischen Wissen beispielsweise Produkte, ihre
Eigenschaften und deren Beziehungen untereinander. Das episodische Wissen umfasst (per-
sönlich) erlebte Erfahrungen und Erkenntnisse mit einem Produkt. Prozedurales Wissen
bezieht sich auf Handlungsabläufe, die automatisch, d.h. unbewusst ablaufen können. So
wird ein Autofahrer z.B. beim Umspringen der Ampel von grün auf rot automatisch brem-
sen, ohne bewusst sein entsprechendes Wissen zu aktivieren (vgl. Trommsdorff, 2004; Kuß
& Tomczak, 2000). Letztgenanntes Wissen ist im Marketingzusammenhang weniger rele-
vant. Im Folgenden sollen Strukturierungsansätze von deklarativem Produktwissen näher
beleuchtet werden.
Richins und Bloch (1983) unterscheiden Produktwissen strukturell nach den Dimensio-
nen Differenzierung und Diskriminanz. Erstere beschreibt die Fähigkeit, Produkteigen-
schaften voneinander zu unterscheiden. Letztere beschreibt die Anzahl der gedanklich fest-
gehaltenen Ausprägungen eines Produktmerkmals. Diese Einteilung wurde von Olson und
Kollegen (Kanwar, Olson, & Sims, 1981; Walker, Celsi, & Olson, 1987) um eine dritte
Dimension erweitert. Der Abstraktionsgrad bezieht sich auf das Inklusionsniveau der
salienten Konzepte einer hierarchischen Wissensstruktur. Abstrakte Wissensstrukturen
organisieren konkretes Wissen.
Einen anderen Ansatz zur Strukturierung von Wissen wählen Brucks und Mitchell
(1981), deren Ansatz von Brucks (1986) erweitert wurde. Sie entwickelten eine Typologie
des Produktwissens anhand von Gedächtnisinhalten. Dabei gehen sie zunächst auf termino-
logisches Wissen ein, das die Kenntnis von der Bedeutung produktbezogener Begriffe,
sowie das Wissen um konkrete Produkteigenschaften, deren subjektive Bewertung und die
Interdependenzen zwischen Produkteigenschaften umfasst. Ferner fällt darunter Wissen
über Markenfakten, d.h. das Wissen über die Vor- und Nachteile einzelner Marken einer
8 Ein Überblick zur Abgrenzung der Konstrukte findet sich bei Bauer, Sauer und Köhler (2003).

32
B. Theoretische Grundlagen
Produktkategorie. Neben diesen semantischen Gedächtnisinhalten führen die Autoren wei-
tere prozedurale Wissensdimensionen an: Wissen aus dem generellen und persönlichen Pro-
duktgebrauch sowie über Kauf- und Entscheidungsvorgänge. Während der generelle Pro-
duktgebrauch die Kenntnisse unterschiedlicher Gebrauchssituationen beschreibt, gibt der
persönliche Produktgebrauch die Erinnerungen an persönliche Produktnutzung an.
Eine weitere inhaltsbezogene Typologie wurde von Johnson und Russo (1981; Russo
& Johnson, 1980) entwickelt. Sie basiert auf der Annahme, dass während Entscheidungs-
prozessen aus externen Einzelinformationen durch kognitive Vergleiche zwischen Marken
oder Produktattributen sukzessive Wissen höherer Ordnung abstrahiert wird. Ausgangs-
punkt ist die inferential basis: dem Vergleichprozess liegen entweder Marken oder Produkt-
attribute zugrunde. Die gedanklich aufeinander aufbauenden durchlaufenen inferential
levels sind Vergleiche einzelner Informationen, ganzheitliche Bewertungen von Attribut-
oder Markenwichtigkeit, Rangreihung der Attribute bzw. Marken und die Entscheidung für
das beste Produkt. Diesem Ansatz zufolge variieren Konsumenten in ihrer Kenntnis dieser
Ebenen und ihrer Wissensbasis.
In Abhängigkeit ihres Wissensstandes lassen sich unkundige Nachfrager (Novizen)
und Experten unterscheiden. Auf Basis der dargestellten strukturellen und inhaltlichen
Wissenstypologien sollen Unterschiede in der Wissensstruktur und der Informationsver-
arbeitung bei Experten und Novizen differenzierter betrachtet werden (vgl. Lürssen, 1989).
Den strukturellen Ansätzen von Richins und Bloch (1983) sowie Olson und Kollegen
(Kanwar et al., 1981; Walker et al., 1987) folgend zeigt sich, dass Experten über mehr
Wissensdimensionen und über eine stärkere vertikale Strukturierung ihres Wissens verfü-
gen. Während Novizen in erster Linie auf dem Abstraktionsniveau von Basiskategorien
arbeiten (vgl. Abschnitt 1.1), ist Expertenwissen auch auf über- und untergeordneten
Niveaus vorhanden (Alba & Hutchinson, 1987). Dies erleichtert die Kategorisierung einzel-
ner Informationen (Gutman & Reynolds, 1979). Vergleiche erfordern häufig detailliertes
Wissen, so dass ehemals nur schwerlich vergleichbare Produkte mit zunehmender Produkt-
erfahrung vergleichbar werden. Neben Vorteilen bei der Identifikation objektiver Gemein-
samkeiten sind Experten aufgrund ihres umfangreichen Wissens auch in der Lage, situativ
bedingte Gemeinsamkeiten zwischen Produkten zu erkennen. So ist zu erwarten, dass sie
auf der Suche nach einer gesunden Zwischenmahlzeit eher Obst und Müsliriegel gruppieren
können als unkundige Konsumenten (Alba & Hutchinson, 1987). Konsumenten mit
umfangreichen Kenntnissen können vielfältigere Ausprägungen einer Produkteigenschaft
differenzieren (Walker et al., 1987) und haben ein besseres Verständnis der Zusammen-
hänge zwischen Produkteigenschaften (Beattie, 1982). So sind Automobilexperten die

B. Theoretische Grundlagen 33
Zusammenhänge zwischen Benzinverbrauch, Hubraum und Beschleunigung geläufig.
Außerdem ist ihnen die Wirkung konkreter Produktattribute, wie z.B. Benzinverbrauch, auf
abstrakte Charakteristika, wie Umweltfreundlichkeit, gegenwärtig. Ein weiteres Indiz für
differenziertes Wissen von Experten ist die Fähigkeit, ungestützt mehr Marken (Hutchinson,
1983) und untypische Produktexemplare zu nennen. Novizen hingegen sind oft nur die
Prototypen einer Produktkategorie bekannt (Alba & Hutchinson, 1987; vgl. Mervis &
Rosch, 1981). Diese Befunde können schematheoretisch erklärt werden (Beattie, 1982) (vgl.
Abschnitt 1.4). Aufgrund ihrer Produkterfahrung konnten Experten differenzierte Wissens-
strukturen ausbilden. Insbesondere bei komplexen Produktkategorien, wie Automobilen,
hilft dieses Wissen, die Aufmerksamkeit der Nachfrager auf wichtige differenzierende Pro-
dukteigenschaften zu lenken (E. J. Johnson & Russo, 1984).
Neben Unterschieden in der Wissensstruktur unterscheiden sich Experten und Novizen
auch in der produktbezogenen Informationsverarbeitung. Das Gedächtnis als Wissens-
speicher übernimmt drei Funktionen in der Informationsverarbeitung: Informationsauf-
nahme, -speicherung und –abruf (E. J. Johnson & Russo, 1978). Für den angestrebten
Erkenntnisfortschritt dieser Arbeit ist die Informationsaufnahme von besonderem Interesse.
Experten können neue Informationen leichter aufnehmen und verarbeiten (E. J. Johnson &
Russo, 1984). Ihre bestehende und aktivierte Wissensstruktur erleichtert die Kategorisierung
neuer Produkte (Herr, 1989; Alba & Hutchinson, 1987). Während Novizen sich v.a. von
oberflächlichen Hinweisen leiten lassen, sind Experten in der Lage, Analogien zu anderen
Produkten zu erkennen (Muthukrishnan & Weitz, 1991) und auch inkongruente Informa-
tionen in die Informationsverarbeitung zu integrieren (Crocker et al., 1984; Beattie, 1982).
Oberflächliche Hinweise sind beispielsweise Kategorienlabel. Sujan (1985) konnte in einer
viel zitierten Studie zeigen, dass sich Novizen bei Produktevaluationen stärker durch die
Produktbezeichnung leiten lassen und davon abweichende Produktinformationen diskontie-
ren. Experten hingegen versuchen trotz der Stimulusinkongruenz eine kognitive Einordnung
zu finden und tendieren zur Bildung von Subkategorien. Novizen verlassen sich demnach
stärker auf Kategorienwissen, während kundige Konsumenten ihre Bewertungen auf ein-
zelnen Attributen basierend ableiten (vgl. Kapitel A2.2.2). Derartige Subkategorien erlau-
ben es Experten an ihrer ursprüngliche Kategorienstruktur festzuhalten (vgl. Elliott &
Anderson, 1995; Yzerbyt et al., 1999).
3.2 Involvement
Die Bezeichnung von Involvement als „Basiskonstrukt der Marketingtheorie“
(Trommsdorff, 2004, S. 56) deutet auf den weit verbreiteten Einsatz des Konstrukts in der
Erforschung des Konsumentenverhaltens hin. In der Marketingforschung wurde das Kon-

34
B. Theoretische Grundlagen
strukt erstmals von Krugman (1965) genutzt. Er beobachtete, dass Konsumenten trotz gerin-
gen Involvements Werbeinformationen wieder erkennen, diese bei freier Wiedergabe jedoch
nicht reproduzieren konnten und schloss daraus, dass – entgegen der vorherrschenden Mei-
nung der Zeit – auch beiläufig wahrgenommene Informationen Kaufverhalten auslösen kön-
nen. In der Folge wurden die differentiellen Effekte von hohem und niedrigem Involvement
auf das Kaufverhalten untersucht.
Im Hinblick auf den Kaufentscheidungsprozess kommt dem Produktinvolvement eines
Konsumenten eine besondere Bedeutung zu. 9 Higie und Feick (1989) definieren Produkt-
involvement als „individual difference variable representing an arousal potential of a
product or activity that causes personal relevance“ (S. 690). Dieser motivationale Zustand
äußert sich neben persönlicher Relevanz auch in der Wichtigkeit eines Produktes, Interesse
gegenüber der Produktklasse und psychologischem Arousal (Celsi & Olson, 1988). Im
Gegensatz zu gering involvierten Konsumenten weisen hoch produktinvolvierte Konsu-
menten eine von situationsbedingten Einflüssen unabhängige enge Beziehung zu der betref-
fenden Produktklasse auf. Bloch und Richins (1983) sehen den Ursprung hohen Produkt-
involvements in der Beziehung eines Produktes zum Selbstbild eines Konsumenten und in
der Freude am Produkt.
Zahlreiche Studien zeigen Zusammenhänge zwischen Involvement und Variablen des
Informationsverarbeitungsprozesses (Laurent & Kapferer, 1985; Higie & Feick, 1989;
McQuarrie & Munson, 1992), Entscheidungsverhalten (Bauer, Sauer, & Becker, 2006; vgl.
Sanbonmatsu & Fazio, 1990) sowie produktbezogenen Verhaltensweisen (Bloch, 1981;
Zaichkowsky, 1985b) auf. Hohes Involvement impliziert objektgerichtete Informations-
suche, -aufnahme, -verarbeitung und –spei-cherung. Gestützt werden diese Ergebnisse durch
das Elaboration Likelihood Model von Petty und Cacioppo. Dies besagt, dass hoch invol-
vierte Personen eine höhere Bereitschaft zeigen, neue Informationen zu verarbeiten. Bei
hoher Motivation verarbeiten Konsumenten produktrelevante Informationen, während ihre
Einstellung bei geringer Motivation stärker durch periphere Merkmale beeinflusst wird
(Petty et al., 1983). Im Hinblick auf die Kategorisierung von Produkten gehen Cohen und
Basu (1987) davon aus, dass hohes Involvement zu einem analytischen Kategorisierungs-
prozess führt. Nur bei entsprechend hohem Involvement erfolgt die Consideration Set Bil-
dung nicht mit dem Ziel, eine maximale oberflächliche Vergleichbarkeit der Alternativen zu
gewährleisten. Motivation führt zu größerer Bereitschaft zu tiefer gehenden Verarbeitungs-
9 Daneben finden sich in der Literatur noch weitere Formen wie Medien- oder Botschaftsinvolvement oder durch die
Entscheidungssituation bedingtes Involvement (vgl. Trommsdorff, 2004; Bearden & Netemeyer, 1999).

B. Theoretische Grundlagen 35
strategien und Berücksichtigung heterogener Alternativen (Chakravarti & Janiszewski,
2003). Gleiches gilt für die Präferenzbildung; beim Vergleich von zwei Marken beziehen
nur hoch involvierte Kunden Informationen auf nonalignable Dimensionen in ihr Präferenz-
urteil mit ein. Gering involvierte Kunden beschränken ihre Beurteilung auf alignable
Dimensionen (Zhang & Markman, 2001). 10
Effekte auf die Informationsverarbeitung in Abhängigkeit von Schemadiskrepanz wer-
den durch Expertise verstärkt (Sujan, 1985). Bei konsistenten Produkten dominiert eine
kategorienbasierte Verarbeitungsstrategie, bei Schema diskrepanten Produkten eine attri-
butweise Bewertung. Dieser Moderatoreffekt von Produktwissen kann alternativ nicht durch
Involvement erklärt werden. Die Involvement-Hypothese würde besagen, dass Experten mit
größerem Produktwissen und Involvement unabhängig von der Diskrepanzbedingung tiefer
verarbeiten würden als Novizen. Die Interpretation mehrdeutiger Produkte hingegen hängt
sowohl von ihrer Kategorie als auch der Motivation zur Verarbeitung ab. Nach Priming
einer property interpretation strategy basieren Rückschlüsse auf die Funktionalität eines
Produktes auf den Attributen beider Produktkategorien, während bei holistischen Strategien
und damit geringerer Motivation zur Beachtung von Details nur Inferenzen basierend auf
einer Produktkategorie gebildet werden (Rajagopal & Burnkrant, 2005).
Sowohl Produktwissen als auch Involvement beeinflussen Aufmerksamkeits- und
Informationsverarbeitungsprozesse. Erste Ergebnisse zur positiven Korrelation dieser bei-
den Konstrukte untereinander finden sich bei Sujan (1985). Die Autorin beobachtet jedoch
auch einen unabhängigen Einfluss von Expertise auf den Evaluationsprozess und schließt
daraus, dass beide Konstrukte die Informationsverarbeitung unabhängig voneinander beein-
flussen können. Zaichkowsky (1985a) repliziert Sujans Korrelationsstudien und findet kei-
nen signifikanten Zusammenhang zwischen objektiv gemessenem Produktwissen und
Involvement. Sie weist jedoch darauf hin, dass diese Ergebnisse bei Selbsteinschätzung des
Produktwissens anders ausfallen können. Eine umfassende Studie zu den differentiellen
Einflüssen von kognitivem Wissen und motivationalem Involvement haben Celsi und Olson
(1988) vorgelegt. Motivierte Probanden bringen relevanten Informationen mehr
Aufmerksamkeit entgegen und zeigen größere Anstrengung bei der Informationsverarbei-
tung. Zur Interpretation und Elaboration der Daten muss jedoch relevantes Produktwissen
10 Das aus der kognitiven Psychologie stammende Structural Alignment Model kann diese Ergebnisse erklären, indem
es zwischen alignable und non alignable, d.h. vergleichbaren und nicht vergleichbaren Unterschieden differenziert (für
eine Übersicht s. Gentner & Markman, 1997). Vergleichbare Unterschiede beziehen sich auf die unterschiedliche
Ausprägung eines Merkmals. Beispielsweise können Fahrzeuge anhand ihrer PS-Zahl miteinander verglichen werden.
Wird hingegen ein Pick up mit einem Coupé verglichen, so stellt der Aspekt Größe der Ladefläche einen nicht
vergleichbaren Unterschied dar, da es kein korrespondierendes Merkmal in beiden Objekten gibt.

36
B. Theoretische Grundlagen
aus dem Langzeitgedächtnis aktiviert werden. Ausgeprägtes Produktwissen kommt in Ent-
scheidungssituationen folglich nur zum Tragen, wenn Individuen genügend involviert sind,
sich auf eine tiefe Verarbeitungsstrategie einzulassen (vgl. Petty et al., 1983) und sie die
relevanten verfügbaren Informationen nutzen können (Sanbonmatsu & Fazio, 1990).
4 Urteilsbildung als konstruktiver Prozess
Wie bereits in Kapitel B1.2 dargelegt, ist Kategorisierung nicht nur funktionale Grundlage
für Klassifikationsentscheidungen und Inferenzbildung, sondern auch für die Urteilsbildung.
In vielfältigen Studien konnten aus der Kategorisierung resultierende Konsequenzen für die
Produktevaluation nachgewiesen werden (Mandler, 1982; Meyers-Levy & Tybout, 1989;
Sujan, 1985).
Der überwiegende Teil der Theorien zur Urteils- und Einstellungsbildung geht davon
aus, dass Menschen ihre Urteile basierend auf ihrem verfügbaren deklarativen Wissen über
ein Objekt formen (z.B. Fishbein, 1967; Wyer & Srull, 1989). Produkte sollten diesen
Ansätzen zufolge positiver bewertet werden, je mehr wünschenswerte Eigenschaften sie
aufweisen. Studien aus der Social Cognition Forschung zeigen jedoch, dass menschliche
Urteile auch durch den affektiven Zustand des Urteilenden, seine Emotionen oder Laune 11
(vgl. Schwarz & Clore, 1983), seine Motivation (z.B. Grayson & Schwarz, 1999) und so
genannte den Urteilsbildungsprozess begleitende metacognitive experiences beeinflusst
werden. Schwarz (2004) definiert metacognitive experiences als, „the ease or difficulty with
which some information can be brought to mind or the fluency with which new information
can be processed“ (S. 332). Derartige Erfahrungen können zum einen die Verfügbarkeit
von Informationen und zum anderen die Verarbeitung von Informationen in Entscheidungs-
oder Urteilsbildungsprozessen beeinflussen. Metakognitive Erfahrungen haben einen Infor-
mationswert für die urteilende Person, der sich direkt auf die Entscheidung oder das zu bil-
dende Urteil auswirkt. Die Leichtigkeit des Informationsabrufes oder der –verarbeitung
wirkt sich positiv auf eine quantitative Einschätzung oder Beurteilung aus. Entsprechend
den Zwei-Prozess Modellen der sozialen Urteilsbildung (vgl. Kapitel A2.2.1) kann die
Verarbeitung von inhaltlichen Argumenten den systematischen Verarbeitungsstrategien
zugeordnet werden, während die Beeinflussung durch metacognitive experiences eine heu-
ristische Verarbeitungsstrategie darstellt (Schwarz, 1998). Ein Beispiel für eine derartige
prozessuale Erfahrung ist die in Verarbeitungsprozessen erlebte Schwierigkeit, die bspw.
11 Ursprünglich hat sich dieser Forschungszweig mit dem Einfluss affektiver Zustände auf die Informationsverarbeitung
beschäftigt. Menschen nutzen ihren wahrgenommenen affektiven Zustand als Informationsquelle. So fallen Bewertung
bei guter Laune bspw. positiver aus als in einer leicht depressiven Verfassung.

B. Theoretische Grundlagen 37
durch die Mehrdeutigkeit von Informationen im Rahmen von Kategorisierungsprozessen
ausgelöst werden kann. Bargh (1989) ordnet prozedurale subjektive Erfahrungen den vorbe-
wussten automatischen Prozessen zu. Was der Einzelne aus seinen metacognitive experien-
ces ableitet, hängt von seinen persönlichen naiven Theorien, seinen Annahmen hinsichtlich
der Gründe der Einfachheit oder Schwierigkeit der Informationsverarbeitung ab (Schwarz,
2004). Wichtig ist weiterhin anzumerken, dass die heuristischen Reize nur wirken, wenn ihr
Informationswert nicht auf andere Gegebenheiten attribuiert werden kann.
4.1 Verfügbarkeit von Informationen
Ursprünglich sind die genannten Arbeiten auf die Availability Heuristic zurückzuführen.
Tversky und Kahneman (1973) argumentieren in ihrer viel zitierten Studie, dass Menschen
die Häufigkeit eines Ereignisses oder die Wahrscheinlichkeit seines Auftretens aufgrund
„the ease with which instances or associations come to mind“ (S. 208) schätzen. Schwarz
und Kollegen (1991) haben sich mit den diesem Effekt zugrunde liegenden Prozessen
beschäftigt und kommen zu dem Ergebnis, dass die subjektive Erfahrung des Ease of
Retrieval die Verfügbarkeit von Informationen erhöht. Der Effekt der Erfahrung leichter
Verfügbarkeit konnte auf unterschiedlichste Art und Weise in verschiedenen Studien repli-
ziert werden (Wänke, Schwarz, & Bless, 1995; Wänke, Bless, & Biller, 1996; Wänke,
Bohner, & Jurkowitsch, 1997). Abschließend lässt sich festhalten, dass der Einfluss verfüg-
barer Informationen auf die Urteilsbildung durch die wahrgenommene Einfachheit des
Informationsabrufs moderiert wird (vgl. Wänke et al., 1997, S. 171). Die subjektive Verfüg-
barkeitserfahrung dient somit als Informationsquelle für Evaluationen.
4.2 Schwierigkeit der Informationsverarbeitung
Prozessuale Erfahrungen haben nicht nur einen Einfluss auf die Urteilsbildung, wenn sie
während der Informationsakquise gesammelt werden, sondern auch während des nachfol-
genden Informationsverarbeitungsprozesses. „Processing fluency pertains to the ease or
difficulty with which new, external information can be processed” (Schwarz, 2004, S. 338).
In der Literatur werden unter dem Begriff der Processing Fluency zwei Facetten zusam-
mengefasst: Perceptual Fluency bezieht sich auf die Schnelligkeit und Genauigkeit, mit der
die äußere Form eines Stimulus identifiziert werden kann, während Conceptual Fluency
sich auf die Identifikation der Stimulusbedeutung und seine Einordnung in die bestehende
Wissensstruktur bezieht. Beide Konstrukte wirken sich auf die Urteilsbildung aus
(Winkielman, Schwarz, Fazendeiro, & Reber, 2003) und können sowohl mit objektiven
Maßen, wie z.B. Reaktionszeiten, als auch subjektiv durch ein Rating wahrgenommener
Schwierigkeit oder Präzision erfasst werden.

38
B. Theoretische Grundlagen
Perceptual Fluency kann zum einen durch objektive Merkmale des Stimulus und zum
anderen aufgrund der Erfahrung des Beobachters mit dem Stimulus hervorgerufen werden
(Reber, Schwarz, & Winkielman, 2004). Bei den Stimuluseigenschaften handelt es sich um
die aus der Gestaltpsychologie bekannten Merkmale, wie Symmetrie, Klarheit der Darstel-
lung, aber auch die Informationsmenge. Reber, Winkielman und Schwarz (1998) beispiels-
weise weisen nach, dass mit einem hohen Figur-Hintergrund Kontrast präsentierte Kreise
schöner beurteilt werden als mit geringem Figur-Hintergrund Kontrast dargestellte Kreise.
Diese Ergebnisse sind für Präsentationszeiten unter drei Sekunden stabil, so dass der Effekt
nicht auf den Figur-Hintergrund Kontrast per se, sondern auf Perceptual Fluency zurück-
geführt werden kann. Auch wiederholte Erfahrungen eines Beobachters mit einem Stimulus
können in einer positiveren Bewertung resultieren. Dieser Effekt ist unter dem Stichwort
mere exposure bekannt (Zajonc, 1968). Dieser präkognitive Mechanismus kann jedoch auch
durch das Fluency Konstrukt erklärt werden (Reber et al., 2004).
Conceptual Fluency wird durch semantische Vorhersagbarkeit, Konsistenz zwischen
Stimulus und Kontext sowie durch die Verfügbarkeit passender mentaler Konzepte zur Sti-
muluskategorisierung hervorgerufen (Schwarz, 2004). Whittlesea (1993) weist in einer
Reihe von Experimenten nach, dass Conceptual Fluency ähnliche Effekte auf die Einschät-
zung von Bekanntheit hat wie Perceptual Fluency. Dazu präsentiert er Probanden Sätze, bei
denen das letzte Wort fehlt und deren Aussage entweder zu einer eindeutigen Vermutung
hinsichtlich des fehlenden Wortes führt oder neutral ist. Die Präsentation des Wortes in
einem „Vorhersage“-Kontext resultiert in positiveren Bewertungen des Wortes als im neut-
ralen Zusammenhang. Winkielman und Fazendeiro (2003) berichten, dass ihre Probanden
eindeutige Bilder (z.B. ein (Tür-)Schloss) positiver bewerten, wenn diesen ein konzeptuell
relevantes Prime (z.B. „Schloss“ oder „Schlüssel“) vorhergeht, als wenn das Prime ohne
inhaltlichen Bezug („Schnee“) ist. Andere Studien weisen darauf hin, dass beim Erlernen
einer neuen fiktiven Grammatik grammatikalisch richtige Ausdrücke positiver bewertet
werden als grammatikalisch falsche Ausdrücke.
Die Literatur zur Processing Fluency weist zahlreiche Effekte in der Urteils- und Ent-
scheidungsbildung und der ästhetischen Bewertung auf. Für die Validität des Effektes sind
jedoch insbesondere psychophysiologische Messungen interessant. Winkielman und
Cacioppo (2001) belegen per Gesichts-EMG, dass hohe Fluency mit stärkerer Aktivität des
Zygomatikus, einem Muskel, der beim Lächeln aktiviert ist, assoziiert wird. Diese Aktivität
kann in den ersten drei Sekunden nach Stimuluspräsentation gemessen werden, bevor eine
bewusste Bewertung vorgenommen wird. Fluency ist somit affektiv positiv und resultiert in
positiven Bewertungen oder Präferenzaussagen (Winkielman et al., 2003).

B. Theoretische Grundlagen 39
Die Effekte der Leichtigkeit der Verarbeitung neuer Informationen sind auch für das
Konsumentenverhalten von hoher Relevanz. Lee und Labro (2004) beleuchten das Kon-
strukt der Conceptual Fluency im Hinblick auf die Produktevaluation genauer. Konsumen-
ten bewerten Ketchup in ihrer Studie positiver, wenn sie vorher in einer Werbeanzeige ein
Produkt der gleichen Produktgruppe (Mayonnaise) gesehen haben, als wenn ihnen ein Pro-
dukt ohne inhaltlichen Zusammenhang (Vitamintabletten) präsentiert wurde. Die hohe Ver-
fügbarkeit adäquater mentaler Kategorien zur Stimulusverarbeitung resultiert in besseren
Bewertungen des beworbenen Produktes. Cho und Schwarz (2006) untersuchen den Effekt
von Fluency auf die wahrgenommene Neuartigkeit eines Produktes. Wie bei Schwarz
(2004) dargelegt, wenden Konsumenten zur Erklärung ihrer metakognitiven Erfahrungen
naive Theorien an. Die Autoren testen, inwieweit sich die naive Theorie „neue Informatio-
nen sind schwieriger zu verarbeiten“ auf die Präferenz für Innovationen auswirkt. Sie kön-
nen nachweisen, dass ein multifunktionales digitales Handset bei geringer Fluency positiver
wahrgenommen wird als bei hoher Fluency. Aufgrund des positiven Zusammenhangs zwi-
schen wahrgenommener Neuartigkeit und Präferenz wird der normalerweise beobachtete
Fluency Effekt umgedreht: Probanden bewerten ein aufgrund höherer Fluency als innova-
tiver wahrgenommenes Produkt positiver. Die Ergebnisse treffen jedoch nur auf Probanden
mit geringem Need for Cognition (NFC) zu. Probanden mit hohem NFC werden von der
Fluency Manipulation nicht beeinflusst, sie verarbeiten die Informationen nicht heuristisch,
sondern systematisch.
Fluency hat auch Effekte auf entscheidungstheoretische Phänomene wie Präferenz
oder Produktwahl. 12 Wiederholte Erfahrung mit einem Produkt erhöht die Wahrscheinlich-
keit seiner Aufnahme in das Consideration Set und die Auswahl der Marke (Nedungadi,
1990). Novemsky, Dhar, Schwarz und Simonson (2007) manipulieren Preference Fluency
unabhängig von inhaltlichen Faktoren oder Alternativen des Choice Sets, indem sie die Les-
barkeit der Schrift bzw. die Anzahl zu generierender Entscheidungsgründe variieren. Es
zeigt sich, dass das subjektive Erleben von Schwierigkeit Entscheidungsaufschub verstärkt
(Studie 1 & 2) und eher zur Wahl einer Kompromissalternative führt (Studie 3 & 4).
Zusammenfassend betrachtet, zeigen zahlreiche Studien, dass die subjektiv wahrge-
nommene Schwierigkeit, mit der neue Informationen verarbeitet werden, neben inhaltlichen
12 Im Gegensatz zu Einstellungen sind Präferenzen immer relativ. Die entscheidungstheoretische Literatur vergleicht
Entscheidungsalternativen miteinander. Sie diskutiert Präferenzkonstruktion vor dem Hintergrund individueller und
sozialer Faktoren sowie Aspekten des Entscheidungsproblems (für einen Überblick siehe Bettman et al., 1998).

40
B. Theoretische Grundlagen
Aspekten Grundlage für die Urteils- und Präferenzbildung sein kann. Processing Fluency
weist somit starke funktionale Parallelen zur Verfügbarkeitsheuristik auf.
4.3 Kategorisierung unter Unsicherheit und wahrgenommene Schwierigkeit bei der
Urteilsbildung
Im Kontext der Einstellungsforschung ist erwiesen, dass ambivalente Informationen schwie-
riger zu einem Globalurteil zusammenzufassen sind (Judd & Brauer, 1995). Ambivalenz
kann sowohl durch deskriptive als auch durch evaluative Inkonsistenz erzeugt werden.
Evaluativ inkonsistente Informationen führen zu Einstellungsambivalenz: ein Produkt wird
gleichzeitig positiv und negativ bewertet (Jonas, Diehl, & Brömer, 1997). Deskriptiv inkon-
sistente Informationen beziehen sich hingegen auf Produkteigenschaften, die nicht eindeutig
unter einer Produktkategorie subsumiert werden können (Gregan-Paxton et al., 2005). Die
Klassifikation sowie die Bildung von Inferenzen fallen aufgrund der Mehrdeutigkeit
schwer. Durch beide Facetten inkonsistenter Informationen kann die subjektive Schwierig-
keit der Informationsverarbeitung variiert werden.
Studien zur Einstellungsbildung vergleichen größtenteils ambivalente Informationen
mit konsistenten Informationen, die jedoch in ihrer Valenz positiv oder negativ sind (Jonas
et al., 1997; Brömer, 1998). Dabei sind Effekte der Stimulusbeschaffenheit (Ambivalenz vs.
Konsistenz) mit inhaltlichen Effekten (positiv vs. negativ) konfundiert. Es bleibt unklar,
welcher Faktor ursächlich für die Valenz des Einstellungsurteils ist. Brömer (2000) ver-
gleicht erstmalig ambivalente mit neutralen Informationen und kommt zu dem Ergebnis,
dass die Einstellungen in den inkonsistenten Bedingungen signifikant negativer ausfallen als
in der neutralen Bedingung. Darüber hinaus steht das Ambivalenzerleben in den inkonsis-
tenten Bedingungen in einem signifikant positiven Zusammenhang zur Antwortlatenz, wäh-
rend dieser Zusammenhang in der neutralen Bedingung nicht von statistischer Relevanz ist.
Die wahrgenommene Ambivalenz evaluativ inkonsistenter Informationen beeinflusst somit
sowohl Variablen des Informationsverarbeitungsprozesses als auch die Valenz des Urteils.

C. Experimentelle Studien 41
C Experimentelle Studien
Die vorausgegangenen Kapitel dienten der Darstellung der theoretischen Grundlagen. Die
Ausführungen gilt es nun im Hinblick auf die anfangs aufgeworfenen Fragestellungen zu
synthetisieren und in Form von Hypothesen und Forschungsfragen zu spezifizieren. Es wer-
den zwei Studien konzipiert (Kapitel C1 und C2). Nach der Darstellung der Studiendesigns
und der Ergebnisse, werden diese abschließend diskutiert und Implikationen für Forschung
und Praxis abgeleitet.
1 Studie 1: Automobile Marktstruktur aus Kundensicht
1.1 Forschungslücken, explorative Fragestellungen und Hypothesen
1.1.1 Marktstruktur und wahrgenommene Angebotskomplexität
Kategorien bilden die Grundlage für die Strukturierung des Produktwissens eines Konsu-
menten. Herstellerseitig gebildete Produktklassen und konsumentenseitig wahrgenommene
Consideration Sets sind der Ausgangspunkt für viele Kaufentscheidungen (Alba &
Hutchinson, 1987; Sujan & Tybout, 1988; Day et al., 1979); sie sind jedoch insbesondere
vor dem Hintergrund sich verändernder Märkte häufig nicht identisch. Aufgrund der in Ka-
pitel A1.2 dargestellten Ausweitung der Produktprogramme und zunehmenden Einführung
von Crossover-Modellen stellt sich die Frage, inwieweit die klassischen Kriterien der
Marktabgrenzung Preis und Aufbauform die Komplexität ausreichend darstellen können. Es
ist zu vermuten, dass diese Kriterien das konsumentenseitige Verständnis der Marktstruktur
nicht abbilden können. Aus diesem Grund sollen im Rahmen einer explorativen Studie die
für die Nachfrager relevanten Fahrzeugkategorien untersucht werden. Dabei werden zwei
zentrale Fragestellungen verfolgt:
Fragestellung 1.1: Wie sieht die Klassifikation des Pkw-Marktes aus Konsumenten
sicht aus?
Fragestellung 1.2: Wie werden einzelne Crossover-Fahrzeuge (hybride Produkte) in
diese Klassifikation integriert?
Die aktive Rolle des Konsumenten als Informationsverarbeiter bei der Bildung von
Consideration Sets konnte in vielfältigen Studien demonstriert werden (vgl. Nedungadi,
1990; Ratneshwar & Shocker, 1991). Johnson und Lehmann (1997) zeigen in einer experi-
mentellen Untersuchung, dass sowohl individuelle als auch Stimulusfaktoren den Prozess

42
C. Experimentelle Studien
der Consideration Set Bildung beeinflussen. So unterscheiden sich Prototypikalität der Ele-
mente und Größe eines Consideration Sets in Abhängigkeit von der individuellen Produkt-
erfahrung und dem Abstraktionsgrad der Stimuli (Produktkategorien vs. Marken). In der
durchzuführenden Studie sollen Kategorisierungsunterschiede in Abhängigkeit der Exper-
tise und des Automobil-Involvements beleuchtet werden (vgl. Kapitel B3). Es wird davon
ausgegangen, dass Experten eine eindeutigere Repräsentation der Marktstruktur aufweisen,
da sie besser zwischen Modellen differenzieren können. Aufgrund ihres Expertenwissens
sollte ihnen die Integration unbekannter Modelle leichter fallen. Da sich hoch involvierte
Konsumenten stärker mit den Produktattributen auseinandersetzen und weniger durch
Informationen der Kategorienzugehörigkeit beeinflusst werden, lassen sie sich im Hinblick
auf die Kategorisierung neuartiger Produkte weniger durch eine hohe Angebotskomplexität
beeinflussen (Huffman & Houston, 1993). Diesen personenspezifischen Unterschieden soll
in einer dritten Fragestellung nachgegangen werden:
Fragestellung 1.3: Bestehen Unterschiede in der Strukturierung des Automobil marktes
zwischen Experten und Novizen?
Neben der explorativen Analyse der Kategorisierungsergebnisse sollen diese differen-
tiellen Effekte auch im Hinblick auf die aus der wahrgenommenen Komplexität entstandene
Stimulusüberlastung 13 untersucht werden. Insbesondere gesättigte Märkte bringen eine Flut
von Produkt- und Werbeinformationen mit sich. Nachfrager werden mit einer hohen Quan-
tität an Informationen konfrontiert, so dass es aufgrund von kognitiven Kapazitätsgrenzen
zum Information Overload (Stimulusüberlastung) kommen kann (Jacoby, 1977). Die
Informationsmenge ist zum einen durch die Anzahl an Produkten, aber auch durch die
Anzahl an zu verarbeitenden Merkmalen bestimmt (Jacoby, Speller, & Berning, 1974).
Überlastung resultiert nicht allein aus der Vielfalt des Marktangebots, sondern wird ebenso
durch die objektive Ähnlichkeit von Produkten oder durch ähnliche (Werbe-) Informationen
bedingt (Walsh, 2004). Aufgrund der zunehmenden Produktvielfalt im Automobilmarkt und
der Besetzung immer kleinerer Nischen können Konsumenten Unterschiede zwischen Fahr-
zeugen nicht mehr klar erkennen. Dementsprechend fällt ihnen eine Zuordnung von Fahr-
zeugen zu bekannten Kategorien schwer. Diese Problematik trifft insbesondere auf Cross-
over-Fahrzeuge zu. Die Ähnlichkeit zwischen Produkten kann das Problem der Stimulus-
13 In der deutschsprachigen Marketingliteratur wird diese Problematik häufig auch unter dem Begriff
Konsumentenverwirrtheit abgehandelt (Wiedmann, Walsh, & Klee, 2001; Walsh, 2002, 2004).

C. Experimentelle Studien 43
überlastung durch Produktvielfalt verstärken (Best & Ursic, 1987). Ein klar strukturiertes
Produkt-angebot ist für den Kunden leichter zu verstehen als ein ebenso umfangreiches
Angebot, bei dem die Differenzierung zwischen den einzelnen Produkten schwer fällt.
Darum sollen im Rahmen dieser Arbeit unter dem Begriff wahrgenommene Stimulusüber-
lastung sowohl ähnlichkeits- als auch überlastungsinduzierte Aspekte zusammengefasst
werden.
Bei höherer Überlastung „[consumers fail] to develop a correct interpretation of
various facets of a product/service, during the information processing procedure”
(Turnbull, Leek, & Ying, 2000, S. 145). Aus der deskriptiven Entscheidungstheorie ist be-
kannt, dass Konsumenten in dieser Situation heuristische Entscheidungsstrategien anwen-
den. Wahrgenommene Stimulusüberlastung steht somit in einem engen Zusammenhang zu
anderen Variablen der Informationsverarbeitung (vgl. Mitchell & Papavassiliou, 1999). Um
eine Auswahlentscheidung zu treffen, entsteht dem Konsumenten bei Stimulusüberlastung
ein höherer Aufwand, ohne dass er einen zusätzlichen Nutzen daraus ziehen kann. Dies
führt zu negativen Emotionen (Jacoby, 1977) und zu Unsicherheit hinsichtlich der Beurtei-
lung von Produkten und bei der Kaufentscheidung (Foxman, Muehling, & Berger, 1990).
Die Literatur weist keine eindeutigen Ergebnisse zu differentiellen Einflussgrößen auf
die wahrgenommene Stimulusüberlastung auf (vgl. Walsh, 2004). Studiert man die Literatur
zur Organisation von Produktwissen, ist jedoch zu vermuten, dass Experten weniger
Stimulusüberlastung wahrnehmen, da sie komplexe Wissensinhalte besser organisieren.
Hypothese 1.1: Je höher das automobile Produktwissen, desto geringer ist die wahrgenom-
mene Stimulusüberlastung.
Bezüglich des Einflusses von Involvement existieren widersprüchliche Erklärungs-
ansätze. Während Mitchell und Papavassiliou (1999) davon ausgehen, dass stark involvierte
Konsumenten zu viele Informationen aufnehmen, die in der Folge für Verwirrung sorgen,
gehen Huffman und Houston (1993) von einer gründlicheren Informationsverarbeitung
involvierter Nachfrager aus. Letzteres Argument entspricht auch den Überlegungen von
Cohen und Basu (1987) (vgl. Kapitel B3.2).
Hypothese 1.2: Je höher das automobile Involvement, desto geringer ist die wahrgenom-
mene Stimulusüberlastung.

44
1.1.2 Repräsentativität von Crossover-Fahrzeugen und Produktevaluation
C. Experimentelle Studien
Sowohl die Forschung zum Konsumentenverhalten als auch die psychologische Grund-
lagenforschung haben sich mit der Repräsentativität von Kategorienmitgliedern beschäftigt.
Insbesondere die Determinanten und Konsequenzen von Typikalität sind von Interesse. Die
Repräsentativität eines Kategorienmitglieds wird durch seine intrakategoriale Ähnlichkeit
bestimmt. Elemente, die viele Merkmale mit anderen Elementen derselben Kategorie teilen,
weisen eine höhere Family Resemblance auf (Rosch & Mervis, 1975) (vgl. Abschnitt
B1.3.2). Die Typikalität eines Kategorienmitglieds ist zentral für einige für das
Konsumentenverhalten relevante Effekte. Studien von Rosch und Kollegen (vgl. Rosch,
1978; Mervis & Rosch, 1981) zeigen, dass typische Kategorienmitglieder bei ungestützten
Gedächtnisabfragen zuerst genannt werden, schneller und korrekter gelernt, mit weniger
Fehlern klassifiziert werden und eher als Referenzpunkte bei Vergleichen herangezogen
werden.
Im Bereich des Konsumentenverhaltens konnten für zahlreiche Produktkategorien
Zusammenhänge zwischen Typikalität, Gedächtnisleistung und Präferenz nachgewiesen
werden. Barsalou (1983) zeigt in seinen Untersuchungen zu ad hoc Kategorien 14
Typikalitätseffekte auf, die aufgrund der Heterogenität der Kategorienmitglieder nicht durch
Family Resemblance erklärt werden können, sondern durch die Relevanz des Objekts hin-
sichtlich der Zielerreichung. Dieser Ansatz erscheint im Hinblick auf die Definition von
Produkten als Nutzenbündel zur Erfüllung von Bedürfnissen (Day et al., 1979) hilfreich. Er
weist weiterhin auf die Notwendigkeit einer produktkategorienspezifischen Betrachtung hin.
Nedungadi und Hutchinson (1985) untersuchen den Zusammenhang zwischen
Prototypikalität, Markenbekanntheit, Nutzungshäufigkeit und Präferenz. Sie finden signifi-
kante Zusammenhänge für Prototypikalität und Präferenz und schließen darauf, dass die
affektive Bewertung von Produkten im Gegensatz zu natürlichen Kategorien (Rosch, 1973)
eng mit der internen Kategorienstruktur verbunden ist (vgl. auch Fiske & Pavelchak, 1986).
Dieser Effekt ist jedoch nur für Produktkategorien haltbar, von denen der Konsument eine
klare kognitive Repräsentation aufweist. Bei nicht wahrgenommenen Kategorienstrukturen
entfällt der Effekt. In einer Folgestudie unterstreichen Nedungadi et al. (2001) die Bedeu-
tung der aktivierten Kategorienstruktur. Neben der Darstellung von Alleinstellungsmerk-
14 Ad hoc Kategorien weisen im Gegensatz zu natürlichen Kategorien keine korrelative Struktur zwischen den
Kategorienmitgliedern auf. Vielmehr werden sie im Hinblick auf die Erreichung eines Ziels hin etabliert und auch als
goal-derived categories bezeichnet (Barsalou, 1983).

C. Experimentelle Studien 45
malen weist die Einordnung eines Produktes in die Kategorienstruktur eine hohe Relevanz
für eine erfolgreiche Produktpositionierung auf.
Ward und Loken (1988) untersuchen aufbauend auf den dargestellten Studien, unter
welchen Bedingungen der Zusammenhang zwischen Prototypikalität und Präferenz zu hal-
ten ist. Sie kommen zu dem Schluss, dass der Zusammenhang durch die wahrgenommene
Exklusivität der Produkte moderiert wird. In Produktkategorien, in denen Prestige und
Luxus kaufentscheidend sind, besteht ein negativer Zusammenhang zwischen Prototypika-
lität und Präferenz. Die Autoren zeigen dies am Beispiel von Automobilen und Beklei-
dungsgeschäften. Dabei testen sie jedoch die Prototypikalität von Baureihen für die überge-
ordnete Kategorie Automobile und nicht für die jeweilige Aufbauform. Übergeordnete
Kategorien weisen jedoch eine geringere Family Resemblance auf als Basiskategorien
(Mervis & Rosch, 1981; Sujan & Dekleva, 1987). Da die intrakategorialen Gemeinsamkei-
ten Determinante für Typikalität sind, sollte der Zusammenhang zwischen Typikalität und
Einstellung für untergeordnete Kategorien höher ausfallen als für übergeordnete Kategorien
(Loken & Ward, 1990). Diese Ergebnisse gehen einher mit den Ausführungen von
Markman und Ross (2003); sie stellen in ihrer Übersicht die Ausbildung von Präferenzen
als eine der grundlegenden Funktionen von Kategorien dar.
Wie wirkt sich die, in Ermangelung einer eindeutigen kategorialen Zuordnung, schwie-
rige Klassifikation von Crossover-Modellen auf die Produktevaluation aus? Aufbauend auf
den Studien von Nedungadi und Hutchinson (1985) wird ein positiver Zusammenhang zwi-
schen der wahrgenommenen Typikalität eines Produktes für die jeweilige Produktkategorie
und Produktevaluation postuliert. Um den Ergebnissen von Hekkert, Snelders und van
Wieringen (2003) Rechnung zu tragen, die u.U. auch die Ergebnisse von Ward und Loken
(1988) erklären können, wird untersucht, inwieweit die wahrgenommene Neuartigkeit eines
Pkws den Zusammenhang zwischen wahrgenommener Typikalität und dem Präferenzurteil
aufhebt. Hekkert et al. (2003) zeigen im Bereich des Industriedesigns positive Zusammen-
hänge zwischen wahrgenommener Typikalität und Produktevaluation sowie zwischen Neu-
artigkeit und Produktevaluation. Typikalität und Neuartigkeit korrelieren dabei negativ mit-
einander. Eine Replikation dieser Ergebnisse wird angestrebt.
Hypothese 1.3: Je typischer ein Produkt für seine Kategorie ist, desto positiver fällt die
Produktbewertung aus. Je neuartiger ein Produkt ist, desto positiver fällt
die Produktbewertung aus. Aufgrund der negativen Korrelation zwischen
wahrgenommener Typikalität und wahrgenommener Neuartigkeit werden

46
C. Experimentelle Studien
diese Effekte jedoch nur sichtbar, wenn die jeweils andere Variable
auspartialisiert wird.
1.2 Untersuchungsdesign
1.2.1 Kontrollvariablen
Nachstehend wird die Operationalisierung der personenspezifischen Determinanten der
Kategorisierung vorgestellt (vgl. Kapitel B3). Alle Konstrukte werden mittels siebenstufiger
Ratingskalen erhoben.
Das subjektive Personenwissen einer Person wird mittels einer Skala erfasst, die Wis-
sen über die Subtypen einer Kategorie, ihre Merkmale sowie Modelle und Marken abfragt.
Die Probanden werden aufgefordert, ihr Wissen relativ zu anderen einzuschätzen. Die Skala
wurde von Mukherjee und Hoyer (2001) übernommen. 15 Die Autoren können eine hin-
reichende Reliabilität von α = 0,81 nachweisen (vgl. G. C. Bruner, Hensel, & James, 2005,
S. 333).
Tabelle 1: Operationalisierung Produktwissen
Im Folgenden interessiert uns, wie gut Sie sich mit Autos auskennen. Bitte schätzen Sie Ihr Auto-
Wissen anhand der folgenden Aussagen mit Hilfe der Skala von 1-7 ein.
Item
PW1 Verglichen mit Ihren Freunden und Bekannten, wie gut kennen Sie sich mit den Merkmalen
von verschiedenen Automodellen und –varianten am Markt aus? (überhaupt nicht gut
(1) – sehr gut (7))
PW2 Wie gut kennen Sie sich im Allgemeinen mit den verschiedenen Automodellen und –
varianten am Markt aus? (überhaupt nicht gut (1) – sehr gut (7))
PW3 Verglichen mit Ihren Freunden und Bekannten, wie viel Erfahrung haben Sie mit verschiedenen
Automodellen und –varianten? (überhaupt keine Erfahrung (1) – sehr viel
Erfahrung (7))
Quelle: Mukherjee und Hoyer (2001); vgl. auch G.C. Bruner et al. (2005, S. 333)
In der Literatur existiert eine Vielzahl an Messinstrumenten für das Involvement-
Konstrukt (vgl. Bearden & Netemeyer, 1999; G. C. Bruner et al., 2005). Da die Skalen sich
in ihren Definitionen des Konstruktes und Gütemaßen unterscheiden, ist die Eignung der
Skalen in Abhängigkeit der jeweiligen Forschungsinteressen zu prüfen (Mittal, 1995). Für
die zu untersuchende Fragestellung eignet sich eine Skala zur Messung des automobilspezi-
fischen Involvements. Das Konstrukt wird in Anlehnung an aktuelle und klassische Studien
15 Aus dem Englischen übernommene Skalen wurden von zwei Personen unabhängig voneinander übersetzt. Bei
Abweichungen einigten sich die Übersetzer anschließend auf den Wortlaut.

C. Experimentelle Studien 47
operationalisiert (s. Tabelle 2). Die Items eins bis vier beziehen sich dabei auf die Facette
Interesse am Produkt, Items fünf und sechs operationalisieren die Facette Gespräch über das
Produkt.
Tabelle 2: Operationalisierung Automobil-Involvement
Im Folgenden interessiert uns Ihre Einstellung gegenüber Autos im Allgemeinen. Bitte beantworten
Sie die folgenden Fragen anhand der bereits bekannten Skala von 1 „Trifft überhaupt nicht
zu“ bis 7 „Trifft voll und ganz zu“.
Item Quelle
INV1 Ich interessiere mich sehr für Autos. Bauer, Mäder & Huber
INV2 Autos faszinieren mich.
(2000); Beatty & Talpade
(1994)
Bauer et al. (2006)
INV3 Autozeitschriften lese ich gerne. Bauer et al. (2006)
INV4 Ein Auto ist für mich nicht mehr als ein Gebrauchsgegenstand,
um von A nach B zu gelangen.*
Bloch (1981)
INV5 Ich unterhalte mich häufig mit Freunden und Bekannten Bloch (1981)
über Autos.
INV6 Es langweilt mich, wenn andere über Autos reden.* Bloch (1981); Beatty &
Talpade (1994)
Anmerkungen. Skala: Trifft überhaupt nicht zu (1) - Trifft voll und ganz zu (7).
* umgekehrte Kodierung.
Zusätzlich zu den psychographischen Variablen werden die Probanden um soziodemo-
graphische Informationen und Angaben zum Fahrzeugbesitz gebeten.
Tabelle 3: Operationalisierung Soziodemographie
Wir bitten Sie nun noch, uns einige Fragen zu Ihrer Person zu beantworten.
Item
SOZ1 Geschlecht
SOZ2 Wie alt sind Sie? _________ Jahre
SOZ3 Welchen höchsten Schulabschluss haben Sie?
SOZ4 Wenn Sie einmal für alle Mitglieder Ihres Haushaltes, Sie selbst eingeschlossen, das
gesamte monatliche Nettoeinkommen – also das Haushaltseinkommen nach Abzug
aller Steuern und Sozialabgaben – zusammenrechnen: in welche Gruppe würde das
Einkommen Ihres Haushaltes fallen? (kategorial)

48
C. Experimentelle Studien
Tabelle 4: Operationalisierung Fahrzeugbesitz
Wir haben nun noch einige Fragen zu Ihrem Fahrzeug. Bitte beziehen Sie sich auf das Auto,
welches Sie persönlich am meisten nutzen.
Item
FZG1 Marke
FZG2 Modell
FZG3 Neu-/Gebrauchtwagen
FZG4 Jahr der Erstzulassung
FZG5 Wie viele Autos haben Sie in ihrem Leben bereits besessen?
FZG6 Wie viele Kilometer fahren Sie durchschnittlich mit Ihrem Wagen im Jahr? (Bitte denken
Sie dabei auch an Urlaubsreisen.) _____ km (metrisch)
1.2.2 Abhängige Variablen
Die Operationalisierung der wahrgenommenen Stimulusüberlastung lehnt sich an die
Arbeiten von Walsh (2002; 2004) und Heitmann (2006) an. Da sowohl eine große
Modellvielfalt als auch eine mangelnde Differenzierung von Fahrzeugmodellen die Infor-
mationsverarbeitung erschwert, werden hier ähnlichkeits- und überlastungsbedingte Fakto-
ren zur Operationalisierung dieser Skala aufgenommen.
Tabelle 5: Operationalisierung Wahrgenommene Stimulusüberlastung
Bitte beurteilen Sie die Angebotspalette im Automobilmarkt. In welchem Maß treffen die folgenden
Aussagen Ihrer Meinung nach zu? Bitte stufen Sie Ihre Zustimmung mit Hilfe der Skala von
1-7 ab, wobei 1 „Trifft überhaupt nicht zu“ bis 7 „Trifft voll ganz zu“.
Item Quelle
WSÜ1 Aufgrund der Vielfalt an Fahrzeugmodellen ist man sich
nicht immer sicher, welches Modell die eigenen Bedürfnisse
am Besten befriedigt.
WSÜ2 Es gibt so viele Fahrzeugmodelle, unter denen man
auswählen kann, dass ich manchmal verwirrt bin.
WSÜ3 Die meisten Fahrzeugmodelle sind sich sehr ähnlich, so
dass es einem schwer fällt, sie zu unterscheiden.
WSÜ4 Es fällt mir schwer, einen Überblick über die angebotenen
Fahrzeugmodelle zu bekommen.
WSÜ5 Bei den vielen angebotenen Fahrzeugmodellen kann ich
keine klaren Unterschiede erkennen.
Walsh (2002)
Sproles & Kendall (1986);
Walsh (2002)
Walsh (2002)
Heitmann (2006)
Heitmann (2006)
WSÜ6 Die angebotenen Fahrzeugmodelle kann ich schlecht
vergleichen.
Heitmann (2006)
Anmerkungen. Skala: Trifft überhaupt nicht zu (1) - Trifft voll und ganz zu (7).
Wahrgenommene Typikalität wird in zahlreichen Studien der psychologischen Grund-
lagenforschung als auch in Studien zum Konsumentenverhalten mit einem oder mehreren
Items operationalisiert (vgl. Rosch & Mervis, 1975; Loken & Ward, 1990; Veryzer &
Hutchinson, 1998; Hekkert et al., 2003). Im Rahmen dieser Untersuchung wird zur Gewähr-

C. Experimentelle Studien 49
leistung ausreichender Reliabilität ein Multi-Item-Measurement mit drei Items vorgenom-
men. Es werden die in der Literatur geläufigsten Items zu einer Skala kombiniert.
Tabelle 6: Operationalisierung Wahrgenommene Typikalität
Wir möchten Sie nun bitten, einige der Fahrzeuge detaillierter zu bewerten.
Inwieweit treffen die folgenden Aussagen auf das Fahrzeug zu? Die Felder zwischen den Endpunkten
der Skala können Sie dazu nutzen, Ihr Urteil abzustufen.
Item
TYP1 Ist ein schlechtes (1) - gutes (7) Beispiel seiner Gruppe
TYP2 Untypisch (1) – typisch (7) für seine Gruppe
TYP3 Nicht repräsentativ (1) – repräsentativ (7) für seine Gruppe
Quelle: Rosch & Mervis (1975), Loken & Ward (1987), Veryzer & Hutchinson (1998),
Hekkert et al. (2003)
Zur Erfassung der wahrgenommenen Neuartigkeit beurteilen Probanden, wie stark sich
ein Produkt von bekannten Produkten unterscheidet bzw. wie innovativ es erscheint. Eine
drei Items umfassende Skala wird von Moreau, Lehmann und Markman (2001) eingesetzt.
Das dritte Item bezieht sich direkt auf den Einfluss auf das Verhalten und wird aufgrund
mangelnder Passung zur vorliegenden Fragestellung eliminiert.
Tabelle 7: Operationalisierung Wahrgenommene Neuartigkeit
Item
NOV1 Wie stark unterscheidet sich dieses Fahrzeug von anderen Fahrzeugen, die Sie
kennen? (unterscheidet sich überhaupt nicht (1) – unterscheidet sich sehr stark (7))
NOV2 Für wie innovativ halten Sie dieses Fahrzeug?
(überhaupt nicht innovativ (1) – sehr innovativ (7))
Quelle: Moreau, Lehmann et al. (2001); vgl. auch G.C. Bruner et al. (2005, S. 427)
Da es sich bei der Kategorisierungsaufgabe und dem Typikalitätsrating um eine allge-
meine Einschätzung handelt, wird auch die Produktevaluation auf einem sehr allgemeinen
Niveau erfasst. Wollte man ein Präferenzurteil im Zusammenhang einer konkreten automo-
bilen Kaufentscheidung erheben, müssten weitere Variablen, wie z.B. Restriktionen wirt-
schaftlicher Art oder der familiären Situation, beachtet werden. Zur Entdeckung der ent-
sprechenden Zusammenhänge ist eine Symmetrie im Generalitätsniveau der Konstrukte
erforderlich (Wittmann, 1990). Je asymmetrischer der Zusammenhang zwischen zwei Kon-
strukten bzw. ihrer Operationalisierung ist, desto stärker sinken die ermittelten Relationen.

50
Tabelle 8: Operationalisierung Produktevaluation
Bitte bewerten Sie das Fahrzeug anhand der folgenden Punkte:
Item Quelle
PRE1 schlecht (1) – gut (7)
PRE2 überhaupt nicht begehrenswert (1) - sehr begehrenswert
(7)
PRE3 unattraktiv (1) - attraktiv (7)
PRE4 negativ (1) - positiv (7)
PRE5 gefällt mir gar nicht (1) - gefällt mir sehr gut (7)
1.3 Ablauf
Rajagopal (2004)
C. Experimentelle Studien
Sujan & Bettman (1989)
Die Daten für Studie 1 wurden mittels eines Online-Panels 16 in der Zeit vom 23.07. bis
26.07.2007 erhoben. Über das Panel „Online-People“ der ODC Services GmbH 17 wurden
Panelisten, mit dem Ziel 500 Probanden entsprechend des Quotenplanes (s. C1.4) zu
rekrutieren, per E-Mail zur Umfrage eingeladen.
Nach einigen einleitenden Worten zur Gliederung der Untersuchung wird die Katego-
risierungsaufgabe in einem kurzen animierten Film erklärt. Zunächst durchlaufen die Pro-
banden ein Card Sorting Verfahren von 49 standardisierten Fotos bekannter Fahrzeuge. Die
Panelisten werden dazu aufgefordert, die Fahrzeuge ihrer Ähnlichkeit entsprechend in
Gruppen einzuteilen. Die Ähnlichkeitsbeurteilung wird explizit nicht anhand von vorgege-
benen Eigenschaftsdimensionen vorgenommen, sondern durch Gruppenbildung seitens der
Probanden, um die für sie wesentliche Kategorienstruktur aufzudecken. Bei der Auswahl
der Fahrzeuge wurde darauf geachtet, dass die klassischen Aufbauformen gleich häufig
vertreten sind. Um ein gewisses Maß an Bekanntheit zu garantieren, handelt es sich jeweils
um die absatzstärksten Fabrikate der jeweiligen Aufbauform. Am Ende des Card Sorting
Verfahrens werden den Teilnehmern zehn Crossover-Fahrzeuge präsentiert, von denen die
drei Mercedes-Benz Modelle bereits im Markt sind und die restlichen sieben in der deut-
schen Automobilpresse als Neuheiten angekündigt sind. Abschließend werden die Pane-
listen aufgefordert, jede Gruppe zu benennen.
16 Bei einem Online-Panel handelt es sich um einen „Pool von registrierten Personen, welche sich bereit erklärt haben,
wiederholt an marktforscherischen oder wissenschaftlichen Online-Untersuchungen teilzunehmen“ (Göritz, Reinhold,
& Moser, 2000, S. 62). Die Vorzüge des Mediums sind breit gefächert: von der Flexibilität bzgl. Ort und Zeit, über
verbesserte Möglichkeiten der Präsentation von Stimulusmaterial bis zu einer Fehlerreduktion durch automatisiertes
Datenhandling (vgl. Göritz et al., 2000).
17 Weitere Informationen zu diesem Panel können unter www.odc-services.com abgerufen werden.

C. Experimentelle Studien 51
Abbildung 7: Darstellung der Kategorisierungsaufgabe
Der zweite Teil der Untersuchung besteht aus einem klassischen Fragebogen, in dem
zuerst die Crossover-Fahrzeuge hinsichtlich ihrer wahrgenommenen Typikalität und Neu-
artigkeit sowie die Produktevaluationen erhoben werden. Es folgen die Fragen zur wahrge-
nommenen Stimulusüberlastung, gefolgt von der Abfrage personenspezifischer Variablen
und soziodemographischer Informationen.
Da es sich bei der Kategorisierungsaufgabe um eine für die Probanden sehr anspruchs-
volle Aufgabe handelt, wird hohes Aufgaben-Involvement manipuliert. Durch Betonung der
Zugehörigkeit der Probanden zu einer kleinen ausgewählten Gruppe, die an dieser Unter-
suchung teilnehmen darf, soll systematische Informationsverarbeitung begünstigt werden
(vgl. Johar, 1995; Maheswaran & Meyers-Levy, 1990). Da auch die automobile
Kaufentscheidung ein hohes Involvement verlangt, entspricht es weitestgehend der Motiva-
tionslage beim Kauf (vgl. Kuß & Tomczak, 2000).
1.4 Stichprobe
5242 Panelisten wurden mit dem Ziel, 500 Probanden zu rekrutieren, per E-Mail zur Um-
frage eingeladen. Davon haben 1831 Personen den mit der E-Mail versendeten Link und
Zugangscode genutzt. Letztendlich nahmen an der Erhebung 582 Personen teil, die rest-
lichen Personen beendeten die Umfrage aufgrund von Screening-Kriterien, bereits vollen
Quoten oder freiwilligen Abbrüchen nicht. Aufgrund technischer Probleme wurden für die
Kategorisierungsaufgabe nur Daten von 580 Probanden gesammelt. Sieben der 582 Proban-

52
C. Experimentelle Studien
den wurden aufgrund geringer Varianz (s² < 0,4) in den Rating-Skalen ausgeschlossen. Ein
solches Antwortverhalten bei zum Teil unterschiedlich gepolten Skalen lässt darauf schlie-
ßen, dass die Teilnehmer den Fragebogen nicht gewissenhaft beantwortet haben. In die Aus-
wertungen einbezogen wurden schlussendlich N = 575 Personen.
Die Repräsentativität einer Stichprobe gilt als Qualitätsmerkmal guter Daten. Im
Zusammenhang mit Online-Panels wird diese vor allem durch zwei Aspekte eingeschränkt:
zum einen Unterschiede zwischen Online- und Offline-Population und zum zweiten die
Selbstselektion der Teilnehmer (Göritz & Moser, 2000). Auch wenn sich die Population der
Internetnutzer immer mehr der Gesamtbevölkerung angleicht, sind Männer und jüngere Per-
sonen noch immer überproportional vertreten (vgl. van Eimeren & Frees, 2007). Um
derartigen Verzerrungen, die sich auf das Untersuchungsergebnis auswirken könnten, entge-
genzuwirken, wurde für die Rekrutierung folgender Quotenplan aufgestellt: es sollten je
50% der Stichprobe auf die Altersgruppen 20 bis 40 Jahre und 41 bis 60 Jahre entfallen, je
50% Frauen und Männer erreicht werden und je 50% Fahrer von Premium-Automobil-
marken bzw. Volumenmarken sein. Die endgültige Stichprobenzusammensetzung ist in
Tabelle 9 dargestellt:
Tabelle 9: Stichprobenzusammensetzung
20 bis 40 Jahre 41 bis 60 Jahre Gesamt
weiblich Premium 59 (10,3%) 46 (8,0%) 105 (18,3%)
Volumen 81 (14,1%) 103 (17,9%) 184 (32,0%)
Gesamt 140 (24,3%) 149 (25,9%) 289 (50,3%)
männlich Premium 69 (12,0%) 88 (15,3%) 157 (27,3%)
Volumen 71 (12,3%) 58 (10,1%) 129 (22,4%)
Gesamt 140 (24,3%) 146 (25,4%) 286 (49,7%)
Gesamt 280 (48,7%) 297 (51,3%) 575 (100,0%)
Anmerkungen. Angaben in Häufigkeiten und Prozent.
Die Mehrzahl der Befragten (54%) besitzt einen Neuwagen, während 46% einen Ge-
brauchtwagen fahren. Die Fahrzeuge sind im Schnitt 7,81 Jahre alt (SD = 4,74). Die über-
wiegende Mehrheit der Probanden hat bereits mehr als ein Fahrzeug im Leben besessen (M
= 6,14; SD = 4,21) und legt im Durchschnitt 21.544 Kilometer pro Jahr zurück (SD =
16.584).

C. Experimentelle Studien 53
1.5 Ergebnisse
1.5.1 Item- und Skalenanalyse
Die Operationalisierung der Kovariaten und abhängigen Variablen erfolgte auf Basis beste-
hender Studien aus der Literatur (vgl. Abschnitt 1.2). Zur Überprüfung der Güte der
Operationalisierung werden die Items der einzelnen Konstrukte einer Reliabilitätsanalyse
nach der Klassischen Testtheorie sowie einer exploratorischen Faktorenanalyse unterzogen.
Die folgenden Tabellen geben für jedes Item neben dem Mittelwert, der Standardab-
weichung und der Part-whole-korrigierten Trennschärfe aus der Itemanalyse die Kommu-
nalitäten und Faktorladungen aus der Faktorenanalyse an. Zur Beurteilung der gesamten
Skala werden Cronbachs α und die erklärte Gesamtvarianz referiert. In einzelnen Fällen fin-
det eine Itemselektion auf Basis der Trennschärfe statt. Zur Beurteilung der Trennschärfe-
koeffizienten kann folgende Einteilung herangezogen werden (Weise 1975, zit. nach
Fisseni, 1997): niedrige Trennschärfe bei rit < .30, mittleres Niveau bei .30 < rit < .50 und
hohe Trennschärfe bei rit > .50. Cronbachs α hat als Maß der internen Konsistenz in der
Literatur besondere Akzeptanz gefunden (Amelang & Zielinski, 1997). Auch hier gibt
Weise (1975, zit. nach Fisseni, 1997) eine Faustregel zur Beurteilung der Koeffizienten an:
rtt < .80 gilt als niedrig, zwischen .80 und .90 liegt eine mittlere Reliabilität vor und Kenn-
werte größer als .90 werden als hoch eingeschätzt. Da die Höhe der Reliabilität jedoch von
der Testlänge abhängig ist, ist die Beurteilung immer vor dem Hintergrund der Itemanzahl
vorzunehmen (Amelang & Zielinski, 1997).
Tabelle 10: Gütemaße der Skala Produktwissen
Item M SD rit hjq ajq
PW1 4,24 1,51 0,86 0,89 0,94
PW2 4,34 1,48 0,87 0,90 0,95
PW3 4,24 1,55 0,77 0,79 0,89
Cronbachs α (3 Items) = 0,917; N = 575. Erklärte Gesamtvarianz: 85,9%
Anmerkungen. M: Mittelwert. SD: Standardabweichung. rit: part-whole-korrigierte Trennschärfe.
hjq: Kommunalität. ajq: Faktorladung.
Die Trennschärfen der Items zum Produktwissen bewegen sich zwischen 0,77 und 0,87
und sind damit als hoch zu bezeichnen. Die Ergebnisse der explorativen Faktorenanalyse
stützen diese Aussagen. Es wird ein Cronbachs α von 0,917 erreicht; damit kann die Relia-
bilität als zufrieden stellend bezeichnet werden.

54
Tabelle 11: Gütemaße der Skala Automobil-Involvement
C. Experimentelle Studien
Item M SD rit hjq ajq
INV1 4,59 1,74 0,82 0,83 0,91
INV2 4,46 1,85 0,77 0,77 0,88
INV3 3,38 1,90 0,69 0,69 0,83
INV4* 3,96 1,80 0,29 0,15 0,39
INV5 3,91 1,70 0,65 0,64 0,80
INV6* 5,19 1,79 0,57 0,46 0,68
Cronbachs α (6 Items) = 0,842; N = 575. Erklärte Gesamtvarianz: 59,0%
Anmerkungen. *umgekehrte Kodierung.
Item INV4 wird aufgrund seiner geringen Trennschärfe und der geringen Kommunali-
tät aus der Skala Automobil-Involvement ausgeschlossen. Durch Ausschluss dieses Items
steigt Cronbachs α bei 5 Items auf 0,882 und liegt damit in einem akzeptablen Bereich. Die
erklärte Gesamtvarianz der reduzierten Skala beträgt 68,6%.
Tabelle 12: Gütemaße der Skala Wahrgenommene Stimulusüberlastung
Item M SD rit hjq ajq
WSÜ1 4,83 1,72 0,62 0,53 0,73
WSÜ2 4,34 2,02 0,75 0,70 0,84
WSÜ3 4,63 1,73 0,65 0,58 0,76
WSÜ4 4,21 1,90 0,77 0,73 0,85
WSÜ5 4,17 1,77 0,69 0,63 0,80
WSÜ6 3,82 1,74 0,67 0,60 0,77
Cronbachs α (6 Items) = 0,881; N = 575. Erklärte Gesamtvarianz: 62,7%
Auch die zur Messung der wahrgenommenen Stimulusüberlastung entwickelte Skala
entspricht den Anforderungskriterien an die Trennschärfe der Items und die Reliabilität der
Skala. Die Koeffizienten weisen hohe Trennschärfen größer 0,62 und sind konform mit den
Ergebnissen der exploratorischen Faktorenanalyse. Die interne Konsistenz der Skala kann
mit einem Cronbachs α = 0,881 als zufrieden stellend beurteilt werden.
Aufgrund der guten Reliabilitätskennwerte wird aus den Mittelwerten der den Skalen
zugehörigen Items für jeden Probanden je Konstrukt ein Skalenscore berechnet. Tabelle
13 gibt die deskriptive Statistik der Skalen wieder. Zur Überprüfung der Normalverteilungs-
annahme wird der Kolmogorov-Smirnov-Anpassungstest durchgeführt. Dabei wird die beo-
bachtete kumulative Verteilungsfunktion für eine Variable mit einer festgelegten theore-
tischen Verteilung verglichen (Lienert & Raatz, 1998). Der Kolmogorov-Smirnov-Anpas-
sungstest ist für alle Skalen, mit Ausnahme der Skala Automobil-Involvement, statistisch
hoch signifikant (p < 0,01). Die Annahme der Normalverteilung müsste aufgrund dieses
Befundes verworfen werden. Da der Kolmogorov-Smirnov-Anpassungstest jedoch sehr test-

C. Experimentelle Studien 55
stark ist und die Wahrscheinlichkeit der Ablehnung der Nullhypothese normalverteilter
Daten mit zunehmender Stichprobengröße steigt (Bortz, 2005), empfehlen Hair und Kolle-
gen ein zweistufiges Verfahren zur Untersuchung der Skalen auf Normalverteilung (Hair,
Anderson, Tatham, & Black, 1998). Im ersten Schritt wird mit Q-Q-Verteilungsdiagrammen
ein graphisches Verfahren zur Überprüfung der Verteilungsannahmen gewählt (vgl. auch
Brosius, 1998). Dabei werden die empirischen Werte gegen die erwarteten Werte abgetra-
gen. „Der erwartete Wert ergibt sich für einen beobachteten Wert aus dessen Position
(Rang) innerhalb der Stichprobenverteilung sowie aus der Anzahl der in der Stichprobe ent-
haltenen Werte“ (S. 958). Die Q-Q-Verteilungsdiagramme sind in Anhang A dargestellt.
Aus den Grafiken sind für die Skala Produktwissen und Automobil-Involvement keine Ab-
weichungen und für die Skala wahrgenommene Stimulusüberlastung nur geringe Abwei-
chungen von der Diagonalen ersichtlich. Im zweiten Schritt sind die z-Werte für Schiefe
und Kurtosis zu überprüfen. Normalverteilung ist ihnen zufolge für die wahrgenommene
Stimulusüberlastung mit einer Irrtumswahrscheinlichkeit von α = 0,01 abzulehnen, für Pro-
duktwissen und Automobil-Involvement kann Normalverteilung angenommen werden.
Tabelle 13: Deskriptive Statistiken und Test auf Normalverteilung der Skalen
Skala M SD Sch z(Sch) Kur z(Kur) K-S-Z p
PW 4,27 1,40 -0,215 -2,11 -0,535 -2,63 2,31 0,000
INV 4,31 1,48 -0,192 -1,88 -0,774 -3,80 1,53 0,019
WSÜ 4,33 1,44 -0,350 -3,44 -0,586 -2,88 1,95 0,001
Anmerkungen. N = 582. M: Arithmetisches Mittel. SD: Standardabweichung. Sch: Schiefe.
SE(Sch) = 0,102. z(Sch): z-Wert Schiefe. Kur: Kurtosis. SE(Kur) = 0,203. z(Kur): z-Wert
Kurtosis. K-S Z: Z-Wert des Kolmogorov-Smirnov Anpassungstests. p: asymptotische
Signifikanz (Zweiseitig).
Die wahrgenommene Typikalität, wahrgenommene Neuartigkeit und Produktevalua-
tion wurden von allen Probanden jeweils für alle zehn Crossover-Fahrzeuge eingeschätzt.
Die Indikatoren wurden per Mittelwertsbildung jeweils zu einem Index zusammengefasst.
Da ihre Reliabilitätskennwerte auf eine hinreichende interne Konsistenz (TYP (3 Items):
Cronbachs α > 0,929; NOV (2 Items): α > 0,654; PRE (5 Items): α > 0,962) schließen las-
sen, ist diese Zusammenfassung angebracht. Aufgrund der Schiefe der Verteilungen wurden
einige Skalen per Quadratur transformiert (vgl. Hair et al., 1998). Die deskriptiven Statis-
tiken und Gütemaße der Skalen sind in Anhang A dargestellt. Da wahrgenommene Typika-
lität und Neuartigkeit vor dem Hintergrund der individuellen Kategorisierung geratet wur-
den und nicht hinsichtlich einer festgelegten Fahrzeugkategorie, ist eine Zusammenfassung
über die Fahrzeuge zur Reliabilitätsbestimmung, wie sie von Hekkert et al. (2003)

56
C. Experimentelle Studien
vorgenommen wurde, nicht indiziert (vgl. auch Shrout & Fleiss, 1979; Wirtz & Caspar,
2002).
1.5.2 Fahrzeugkategorisierung
1.5.2.1 Deskriptive Analysen
Hauptziel dieser ersten Untersuchung ist die Aufdeckung der konsumentenseitig wahrge-
nommenen Marktstruktur. Zunächst werden die von den 573 Probanden gewählten Varian-
ten der Kategorisierung beschrieben. Im Mittel bilden die Probanden aus den 59 präsentier-
ten Fahrzeugen M = 6,67 (SD = 1,94) Gruppen. Im Durchschnitt umfasst eine Gruppe folg-
lich neun bis zehn Fahrzeuge (M = 9,55; SD = 2,66). Zur Untersuchung der angewandten
Kategorisierungsansätze werden die von den Probanden genannten Kategorienbezeichnun-
gen analysiert. Dazu wird unterschieden, ob die Bezeichnung einer Kategorie sich auf eine
Aufbauform, eine Fahrzeugklasse, einen Nutzen, spezifische Eigenschaften oder den Preis
bezieht oder ob eine subjektive Bewertung damit zum Ausdruck gebracht wird. Die Proban-
den verfolgen zum Teil recht unterschiedliche Ansätze der Kategorisierung, wobei sich
jedoch einige Typen als dominant herauskristallisieren. Diese Typen werden meist aller-
dings nicht in Reinform angewandt, sondern miteinander kombiniert.
Die meisten Probanden (69,6%) gruppieren primär nach Aufbauform. Diese Kategori-
sierungsvariante entspricht den in Abschnitt B dargestellten Prototypen- bzw. Exemplaran-
sätzen. Fahrzeuge werden aufgrund ihrer Ähnlichkeit zum Prototyp kategorisiert. Eine wei-
tere Gruppe geht nutzenorientiert vor (14,3%). Dabei werden Fahrzeuge nach dem erwarte-
ten Zweck, z.B. ihrer Funktionalität oder Tauglichkeit als Geschäfts- oder Stadtauto grup-
piert. Diesem Ansatz werden auch Klassifikationen nach Personengruppen wie z.B. Fami-
lienauto oder Fahrzeug für Senioren zugeordnet. Die Kategorisierung nach Nutzen ent-
spricht dem zielbasierten Kategorisierungsansatz nach Barsalou (1983) (vgl. Kapitel C1.1).
Wiederum andere Befragte beschreiben die von Ihnen gebildeten Kategorien anhand ihrer
Eigenschaften (7,9%). Eine kleine Gruppe von fünfzehn Probanden (2,6%) hat die Fahr-
zeuge primär anhand von subjektiven Bewertungskriterien (z.B. gefällt mir, interessant)
sortiert. Neun Probanden haben entgegen der Anweisungen nach Herstellermarken gruppiert
und 23 Probanden haben keine sinnvollen Gruppenbezeichnungen angegeben (z.B. die
Gruppen nummeriert). Auffälligerweise gibt es keine Probanden, die rein nach hierarchi-
scher Fahrzeugklasse gruppieren. Dieses Kriterium wird nur in Kombination mit anderen
Kategorisierungsansätzen verwandt. Über die Hälfte aller Probanden gruppiert auf Basis
einer Mischung von Ansätzen. Am häufigsten (22,3%) ist dabei eine Kombination aus Auf-
bauform und hierarchischer Fahrzeugklasse. Die Hierarchie beschreibt meist eine Einteilung

C. Experimentelle Studien 57
in Kompakt-, Mittel-, Ober- und Luxusklasse und bezieht sich damit insbesondere auf
Limousinen und Kompaktwagen. Daneben werden sportliche Fahrzeuge sowie SUVs an-
hand ihrer Aufbauform beschrieben. Eine weitere Kombination stellt die Kategorisierung
nach Aufbauformen und Nutzen dar. Probanden, die diesen Ansatz verfolgen, fassen einige
Aufbauformen, wie bspw. Kombis und Minivans, aufgrund ihrer Transportfähigkeit zu-
sammen oder bezeichnen diese als Familienfahrzeuge. Tabelle 14 fasst die Ergebnisse
zusammen:
Tabelle 14: Kategorisierungsansätze
Primäransatz n % Ergänzung n %
Aufbauform 399 69,6% keine 191 33,3%
Fahrzeugklasse 128 22,3%
Nutzen 45 7,9%
Eigenschaften 27 4,7%
Subjektive Bewertung 5 0,9%
Preis 3 0,5%
Nutzen 82 14,3% keine 17 3,0%
Aufbauform 30 5,2%
Fahrzeugklasse 13 2,3%
Eigenschaften 18 3,1%
Subjektive Bewertung 3 0,5%
Preis 1 0,2%
Eigenschaften 45 7,9% keine 13 2,3%
Aufbauform 10 1,7%
Fahrzeugklasse 6 1,0%
Nutzen 12 2,1%
Subjektive Bewertung 3 0,5%
Preis 1 0,2%
Subjektive Bewertung 15 2,6% keine 10 1,8%
Aufbauform 1 0,2%
Nutzen 3 0,5%
Preis 1 0,2%
Marke 9 1,6% keine 8 1,4%
Aufbauform 1 0,2%
Keine Angaben 23 4,0% 23 4,0%
Anmerkungen. N = 573. n: Häufigkeit. %: Prozent.
Im Folgenden sollen die Kategorisierungsergebnisse für die zehn Crossover-Fahrzeuge
näher betrachtet werden. Tabelle 15 weist jeweils die Top3 Nennungen aus:

58
Tabelle 15: Kategorisierung von Crossover-Fahrzeugen
C. Experimentelle Studien
Modell Top1 n % Top2 n % Top3 n %
Audi X-Cp SUV 198 34,6% Limo 68 11,9% Sportwg. 34 5,9%
BMW X6 SUV 294 51,3% Minivan 34 5,9% Limo 24 4,2%
Audi A7 Limo 185 32,3% Sportwg. 88 15,4% Luxus 40 7,0%
MB CLS Limo 174 30,4% Sportwg. 93 16,2% Luxus 42 7,3%
VW Coupé Limo 144 25,1% Sportwg. 106 18,5% Mittelkl. 30 5,2%
BMW CS Sportwg. 334 58,3% Coupé 45 7,9% Cabrio 34 5,9%
Panamera Sportwg. 367 64,2% Cabrio 39 6,8% Subj. Bew. 31 5,4%
MB B-Kl. Komp. 148 25,9% Minivan 64 11,2% Familie 57 10,0%
MB R-Kl. Kombi 172 30,1% Limo 64 11,2% Familie 52 9,1%
VW Neeza Sportwg. 114 19,9% SUV 58 10,1% Limo 53 9,2%
Anmerkungen. N = 573. n: Häufigkeit. %: Prozent.
Die an SUVs angelehnten Concept Cars Audi Cross-Coupé und BMW X6 werden
relativ eindeutig der Gruppe der SUVs zugeordnet. Bei den viertürigen Coupés zeigt sich
ein etwas anderes Bild: Audi A7, MB CLS und VW Coupé werden von der jeweils größten
Gruppe der Probanden den Limousinen, von der jeweils zweitgrößten Gruppe den Sport-
wagen zugeordnet. Im Falle einer hierarchischen Kategorisierung werden A7 und CLS der
Ober- bzw. Luxusklasse zugeordnet, während das VW Modell in die Mittelklasse kategori-
siert wird. BMW CS und Porsche Panamera hingegen werden mit 58% respektive 64% ein-
deutig unter den Sportwagen gruppiert. Auch die alternativen Kategorisierungen Coupé und
Cabrio kommen diesem Überbegriff sehr nahe. Die weiteren drei Fahrzeuge werden weni-
ger eindeutig kategorisiert. So ordnet ein Viertel aller Probanden die MB B-Klasse den
Kompaktwagen zu, 11% den Mini-Vans und 10% den Familienfahrzeugen. Die R-Klasse
wird in erster Linie als Kombi bzw. seine Tauglichkeit als Familienwagen wahrgenommen,
11% sehen jedoch auch seine Limousineneigenschaften. Beim VW Neeza stehen eher
sportliche Aspekte im Vordergrund. Dem Fahrzeug werden jedoch ebenso SUV- und
Limousinen-Eigenschaften zugeschrieben.
1.5.2.2 Strukturentdeckende und -prüfende Analysen
Bislang wurden die deskriptiven Ergebnisse der Kategorisierungsaufgabe dargestellt. Um
die aus Konsumentenperspektive relevante Klassifikation von Fahrzeugen und die der Klas-
sifikation zugrunde liegenden Kriterien aufzudecken, wird ein dekompositionelles multi-
variates Verfahren gewählt, bei dem den Probanden keine Produkteigenschaften zur Beur-
teilung vorgegeben werden müssen. Um zudem der individuellen Kategorisierung Rech-
nung zu tragen, wird mit der Multidimensionalen Skalierung (MDS) ein strukturentdecken-
des Verfahren angewandt, das die Rekonstruktion psychischer Räume auf Basis globaler
Ähnlichkeitsurteile erlaubt (vgl. Borg & Groenen, 2005; Dichtl & Schobert, 1979). Der

C. Experimentelle Studien 59
Grundgedanke der MDS ist die Repräsentation der Proximitäten 18 von Objektpaaren durch
Distanzen zwischen Punkten einer multidimensionalen Konfiguration. Ziel ist es, die
Objektmenge in einem möglichst niedrig dimensionalen Raum zu positionieren und dabei
die von den Probanden produzierten Ähnlichkeitsurteile möglichst widerspruchsfrei darzu-
stellen (Borg & Staufenbiel, 1997).
1.5.2.2.1 Methodische Grundlagen und Vorgehensweise bei der Multidimensionalen
Skalierung
In den letzten Jahrzehnten hat sich eine Vielzahl an MDS-Ansätzen herausgebildet. 19 Die
wichtigste Unterscheidung betrifft das Skalenniveau der Daten, es wird zwischen metrischer
und ordinaler MDS differenziert. Im Gegensatz zur metrischen MDS, die anstrebt, die Ver-
hältnisse der Distanzdaten abzubilden, sind für die ordinale MDS die Rangordnungen der
Distanzen, auch als Proximitäten p bezeichnet, als Datenbasis ausreichend. 20 Borg (1981)
weist nach, dass eine derartige Lockerung der Annahmen praktisch keinen Einfluss auf die
Güte der Rekonstruktion hat.
Zur Generation von Ähnlichkeitsurteilen stehen unterschiedliche Datenerhebungs-
verfahren zur Auswahl (Borg & Groenen, 2005; Backhaus, Erichson, Plinke, & Weiber,
2000). Neben der Rangreihung paarweiser Ähnlichkeitsvergleiche und dem Rating von
Ähnlichkeiten hat sich insbesondere bei großen Objektmengen (n ≥ 30) das Sorting-Verfah-
ren als effizient erwiesen. Die Gruppierung von Objekten ist für den Probanden weniger
anstrengend und schneller durchzuführen als Vergleiche aller möglichen n(n-1)/2 Objekt-
paare (Tsogo et al., 2000). Dieses Verfahren findet auch in dieser Arbeit Anwendung. M
Probanden werden aufgefordert, aus n Objekten k Gruppen zu bilden. Dabei kann k vorge-
geben oder wie in dieser Untersuchung durch die Probanden individuell gewählt werden.
Das Ergebnis dieser Sortieraufgabe ist eine n x n Matrix pro Proband, wobei eine „1“ indi-
ziert, dass zwei Objekte einer Gruppe zugeordnet werden und „0“, dass sie unterschied-
lichen Gruppen angehören. Die individuellen Matrizen können über alle Probanden sum-
miert werden, um eine Ähnlichkeitsmatrix zu erhalten, deren Zellen die Häufigkeit angeben,
mit der zwei Objekte einer Gruppe zugeordnet werden. Tsogo und Kollegen (2000) fassen
18 Proximitäten ist die generische Bezeichnung für Ähnlichkeiten und Unähnlichkeiten.
19 Als wichtige Varianten der MDS sind die klassische MDS, die replikative MDS, die konfirmatorische MDS, die
gewichtete MDS sowie die probabilistische MDS zu nennen (Borg & Groenen, 2005; Borg & Lingoes, 1987; Ashby,
1992).
20 Zur Darstellung subjektiver Ähnlichkeiten kommt in den Sozialwissenschaften meist die nichtmetrische MDS zur
Anwendung, während in den Naturwissenschaften häufiger die metrische MDS Anwendung findet (Borg & Groenen,
2005; Tsogo, Masson, & Bardot, 2000; Rabinowitz, 1975).

60
C. Experimentelle Studien
zusammen: „When they are appropriate, sorting and ranking tasks, combined with group
scaling, are recommended firstly because they are less time consuming, and secondly
because Rao and Kaltz (1971) found that group scaling approaches produce better recov-
eries than individual scaling” (S. 318). Auch van der Kloot und van Herk (1991) zeigen,
dass (Un-)Ähnlichkeitsmatrizen auf Basis direkter Sortingdaten sehr gut geeignet sind, die
metrische Struktur von n Objekten mittels eines nicht metrischen MDS-Algorithmus darzu-
stellen.
Zur Berechnung der Distanzen zwischen den Objekten im multidimensionalen Raum
wird das Computerprogramm PROXSCAL Version 1.0 (vgl. Busing, Commandeur, &
Heiser, 1997) verwendet. Die Ähnlichkeitsdaten werden als ordinale Informationen
verarbeitet, wobei Ties entsprechend des secondary approach to ties gelöst werden (Borg &
Groenen, 2005). Als Distanzmaß nutzt PROXSCAL die euklidische Metrik, die laut Borg
(2000) bei explorativen Fragestellungen grundsätzlich das geeignete Distanzmaß ist. Als
Initialkonfiguration wird eine klassische Skalierungslösung nach Torgerson verwendet. Die
Berechnung der Objektkonfiguration ist ein iterativer Vorgang, bei dem ausgehend von der
Initialkonfiguration versucht wird, diese schrittweise zu verbessern, wobei die Monotonie-
bedingung 21 möglichst gut erfüllt werden soll. Zur Beurteilung der Güte der Konfiguration
und als Zielkriterium der Optimierung entwickelte Kruskal (1964) das STRESS-Maß:
( d )
Roh − STRESS = ∑ ij −δ
ij
2
dij = Distanzen zwischen Objekten i und j
δij = Disparitäten für Objekte i und j
Der Roh-STRESS gibt durch die Summe der quadrierten Residuen an, wie gut die
Monotoniebedingung durch die Konfiguration erfüllt ist: je größer das STRESS-Maß, desto
schlechter ist die Anpassung der Distanzen an die Proximitäten (badness of fit). Da die
empirischen Ähnlichkeitswerte in der ordinalen MDS nur begrenzt zuverlässig sind, werden
die so genannten Disparitäten eingeführt. Sie gleichen Verletzungen der Monotonieannahme
aus, ohne dabei die ordinalen Ordnungsbeziehungen zu verletzen. „Die Disparitäten δij sind
dann die optimal monoton reskalierten Datenwerte pij relativ zu den Distanzen dij“ (Borg,
2000, S. 5). Um diese Verlustfunktion vom Maßstab der Konfiguration unabhängig zu ma-
chen, wird sie an der Summe der quadrierten Distanzen normiert:
21 Die Monotoniebedingung besagt, dass die Rangfolge der Proximitäten p durch die Rangfolge der Distanzen d
wiedergegeben werden soll: wenn pkl > pij, dann dkl > dij (Borg, 1981).

C. Experimentelle Studien 61
( dij
−δ
ij)
STRESS 1 = 2
dij
∑
∑
2
dij = Distanzen zwischen Objekten i und j
δij = Disparitäten für Objekte i und j
Das Optimierungsverfahren läuft so lange, bis ein minimaler STRESS oder eine minimale
STRESS-Verbesserung erreicht oder eine maximale Anzahl an Iterationen überschritten
wird. Eine perfekte MDS-Konfiguration hat einen STRESS von Null. Kruskal (1964) gibt
einige Anhaltspunkte zur Interpretation von STRESS1-Werten. Da die Werte jedoch von
einer Vielzahl von Faktoren, wie der Anzahl der Objekte n, der Dimensionalität des Rau-
mes, der Anzahl von Ties und Fehlern abhängig sind, ist es angemessen, die Werte mit dem
STRESS zufälliger Daten zu vergleichen (Borg & Groenen, 2005). Dichtl und Schobert
(1979) geben unter Bezug auf Spence und Ogilvie (1973) Tabellen für die Erwartungswerte
zufälliger Daten an. Die tabellierten Werte stellen eine „Obergrenze“ für qualitativ schlechte
Eingabeinformationen dar. Für eine zweidimensionale Konfiguration beträgt dieser Erwar-
tungswert 0,367, für eine dreidimensionale Konfiguration 0,277 bei einer Standardab-
weichung von 0,0026.
1.5.2.2.2 Ergebnisse der Multidimensionalen Skalierung
Tabelle 16 stellt die erzielten Gütemaße für die zwei- und dreidimensionalen Räume im
Überblick dar:
Tabelle 16: Stress- und Anpassungsmaße der MDS-Konfiguration
Maß 2 Dimensionen 3 Dimensionen
Normalisierter Roh-Stress 0,02544 0,00930
Stress-I 0,15949 0,09645
Stress-II 0,35137 0,25390
S-Stress 0,05647 0,03063
Erklärte Streuung (D.A.F.) 0,97456 0,99070
Kongruenzkoeffizient nach Tucker 0,98720 0,99534
Anmerkungen. PROXSCAL minimiert den normalisierten Roh-Stress. N = 573. D.A.F.:
Disperson accounted for.
Der STRESS reduziert sich von der zwei- zur dreidimensionalen Darstellung. Die
STRESS1-Werte liegen für beide Konfigurationen deutlich unter dem jeweiligen Erwar-
tungswert zufälliger Daten. Den Anhaltspunkten von Kruskal (1964) zufolge handelt es sich
bei den STRESS1-Werten um ausreichende Werte. Weitere Indizes sind die erklärte Streu-
ung und der Kongruenzkoeffizient nach Tucker. Die erklärte Streuung entspricht der quad-
rierten Korrelation zwischen den Disparitäten und den Distanzen. Diese Indizes bezeichnen
den Goodness-of-fit zwischen Konfiguration und Ausgangsdaten. Entgegen dem STRESS
gilt es, ihre Werte zu maximieren. Hier werden jeweils Werte erreicht, die für eine gute

62
C. Experimentelle Studien
Skalierung sprechen. Um die Güte der Übereinstimmung zwischen Konfiguration und wahr-
genommenen Ähnlichkeiten zu veranschaulichen, ist ein Shepard-Diagramm hilfreich (Borg
& Groenen, 2005); es trägt die Proximitäten gegen die berechneten Distanzen ab. In
PROXSCAL sind jedoch nur Diagramme der Residuen und Transformationsdiagramme
einzeln verfügbar, sie werden in Anhang B abgebildet. Die STRESS-Werte sprechen für
eine dreidimensionale Lösung. Da die dritte Dimension, inhaltlich betrachtet, jedoch keinen
logischen Erklärungsgewinn einbringt, soll hier aufgrund der besseren Interpretierbarkeit
die niedrig dimensionale Skalierungslösung als finale Lösung gewählt werden (vgl. Borg,
2000; Backhaus et al., 2000). Abbildung 8 stellt die Marktstruktur aus Kundensicht dar:
Dimension 2
1,0
0,5
0,0
Audi X-Coupé
BMW X6
MB B-Klasse
MB R-Klasse
VW Neeza
VW 4-t. Coupé
MB CLS
BMW CS
Porsche Panamera
-0,5
Audi A7
Cabrio
Coupé
Limousine
Hatchback
Kombi
SUV
Minivan
-1,0
Crossover
-1,5 -1,0 -0,5 0,0
Dimension 1
0,5 1,0 1,5
Abbildung 8: Marktstruktur aus Konsumentensicht
1.5.2.2.3 Interpretation der MDS-Konfiguration
Im Idealfall sollte die Interpretation von MDS-Konfigurationen anhand externer Kriterien
erfolgen. Dabei besteht zum einen die Möglichkeit des Property Fitting und zum anderen
die Möglichkeit der Präferenzanalyse (Backhaus et al., 2000). Beim Property Fitting wer-
den alle Objekte hinsichtlich diverser Eigenschaften beurteilt. Die Eigenschaftsdaten wer-
den dann meist regressionsanalytisch als Vektoren in die MDS-Konfiguration integriert
(Dichtl & Schobert, 1979). Bei der externen Präferenzanalyse werden zusätzlich zu den
Ähnlichkeitsdaten Präferenzurteile der Probanden erhoben und gemeinsam mit der Konfigu-
ration in einem Idealpunkt- oder Idealvektorenmodell dargestellt (vgl. Dichtl, Bauer, &

C. Experimentelle Studien 63
Schobert, 1980). Da die Erhebung zusätzlicher Eigenschafts- oder Präferenzdaten für alle n
Objekte bei großen Objektmengen jedoch nicht durchführbar ist, wird im Rahmen dieser
Studie (n = 59) eine Interpretation anhand interner Kriterien vorgenommen. Dies kann
Rabinowitz (1975) zufolge entweder durch eine traditionelle Interpretation der auftretenden
Gruppierungen oder weiterer auf der MDS-Konfiguration basierender Analyseverfahren
erfolgen. Bei der Nachbarschaftsinterpretation können sowohl dimensionale Deutungen
angestrebt, als auch Regionen interpretiert werden (Borg & Groenen, 2005). Dabei weisen
Objekte, die in eine Region fallen bzw. nahe beieinander liegen, eine hohe Gemeinsamkeit
auf. Letztendlich ist „das Interpretieren einer MDS-Lösung […] die Projektion von inhalt-
lichem Vorwissen auf diese Geometrie“ (Borg, 2000, S. 10).
Abbildung 8 legt nahe, dass der konsumentenseitig wahrgenommenen Marktstruktur
eine auf Aufbauformen basierende Kategorisierung zugrunde liegt. SUVs, Minivans und
Cabrios stellen in sich homogene Gruppen dar. Und auch Limousinen, Coupés und Kombis
sind in bestimmten Regionen der Karte angesiedelt. Einzig die Kompaktwagen bilden eine
eher diffuse Gruppe. Durch ihre räumliche Nähe können einzelne Crossover-Fahrzeuge
bestimmten Segmenten zugeordnet werden. So liegen BMW X6 und Audi Cross-Coupé in
räumlicher Nähe zu den SUVs, grenzen sich jedoch etwas in Richtung der sportlichen Fahr-
zeuge ab. Drei der viertürigen Coupés (Audi A7, MB CLS und VW Coupé) gruppieren sich
um die Limousinen, während der BMW CS und Porsche Panamera in der Konfiguration
näher bei den betont sportlichen Coupés wie dem Porsche 911 und Audi TT liegen. Die B-
Klasse weist eine unmittelbare Nähe zum VW Golf auf und ist den praktisch-orientierten
Kompaktwagen zuzuordnen. Die R-Klasse fällt hier den Kombis zu. Der VW Neeza wird
keiner Aufbauform eindeutig zugeordnet.
1.5.2.2.4 Klassifikation der Fahrzeugmodelle
Ein Ziel dieser Arbeit ist die Entwicklung einer Fahrzeugklassifikation aus Konsumenten-
sicht. Dazu wird die aus der MDS resultierende Koordinatenmatrix einer hierarchischen
Clusteranalyse unterzogen. Die Clusteranalyse bildet Gruppen nach der Maxime einer
hohen Homogenität der Objekte innerhalb einer Gruppe bei gleichzeitiger möglichst deut-
licher Unterscheidung der Objekte unterschiedlicher Gruppen (Blank, Herdzina, & Stützle-
Leinmüller, 1995). Als Clusteralgorithmus findet das Complete-Linkage Verfahren Anwen-
dung, da es entsprechend den Anforderungen der Aufgabe zu einer klaren Trennung von
Clustern und hoher Clusterhomogenität neigt (Backhaus et al., 2000). Im Gegensatz zum
Single-Linkage Verfahren werden hier eher gleich große Gruppen extrahiert. Zur Bestim-
mung der Clusterzahl wird in der Literatur das Elbow-Kriterium empfohlen (Bacher, 1996;
Hair et al., 1998). Wenn ein zusätzlicher Clusterschritt einen überproportionalen Zuwachs

64
C. Experimentelle Studien
an Heterogenität innerhalb der Cluster bedeuten würde, ist eine weitere Agglomeration nicht
sinnvoll und die optimale Clusterzahl erreicht (Jensen, 2008) (s. Anhang B). Im vorliegen-
den Fall sprechen die Daten für eine Fünf-Cluster-Lösung. Diese Lösung ist inhaltlich sinn-
voll zu interpretieren. Bei einer Sieben-Cluster-Lösung umfassen die zwei zusätzlichen
Cluster jeweils nur einen (VW Passat Variant) bzw. zwei Ausreißer (VW Neeza, BMW
1er). Die den fünf Clustern zugeordneten Modelle und die Clustermittelwerte sind in
Tabelle 17 dargestellt:
Tabelle 17: Clusterprofile
Cluster 1 Cluster 2 Cluster 3 Cluster 4 Cluster 5
Dimension 1 0,358 0,792 -0,373 -0,455 -0,831
Dimension 2 -0,289 0,306 -0,316 0,563 0,036
Clustergröße 17 12 13 9 8
Fahrzeugmodelle
Alfa GT
Audi A3
Audi A6 Limo
Audi A7
BMW 1er
BMW 3er Cp
BMW 3er L
BMW 5er L
MB C-Kl. L
MB CLK Cp
MB CLS
MB S-Klasse
MB Sportcp
Opel Vectra
VW Neeza
VW Passat L
VW 4-türiges
Coupé
Audi A4 Cabrio
Audi TT Coupé
BMW 3er Cab
BMW Z4
BMW CS
Mazda RX8
MB CLK Cab
MB SLK
Opel Tigra
Porsche 911
Porsche
Panamera
Saab 9-3 Cab
Audi A4 Avant
BMW 5er
Touring
Ford Fiesta
Ford Focus H
Ford Mondeo
Kombi
MB A-Klasse
MB B-Klasse
MB C-Kl K
MB E-Kl K
MB R-Klasse
Opel Astra K
Opel Corsa
VW Golf
Audi Q7
Audi X-Coupé
BMW X3
BMW X5
BMW X6
MB M-Klasse
MB GL
Toyota RAV4
VW Touareg
Ford C-Max
Opel Meriva
Opel Zafira
Peugeot
307SW
Renault Scenic
Toyota Corolla
Verso
VW Touran
VW Passat
Variant
Anmerkungen. Clustermittelwerte. Fahrzeugmodelle: Ausreißer sind kursiv und Crossover-
Modelle fett gedruckt. Cab: Cabrio. Cp: Coupé. K: Kombi. L: Limousine.
Die fünf Cluster fassen die Fahrzeugmodelle weitestgehend nach Aufbauformen
zusammen. Dabei stellen einige Cluster (2, 4, 5) relativ reine Aufbauformen-Gruppierungen
dar, während die Cluster 1 und 3 Fahrzeuge unterschiedlicher Aufbauformen zusammen-
fassen.
Cluster 1 umfasst Fahrzeuge der Mittel- und Oberklasse. Dies sind in erster Linie
Limousinen, aber auch klassische Coupés (z.B. BMW 3er Coupé, MB CLK). Dieser Kate-
gorie werden auch drei der viertürigen Coupés zugeordnet. MB CLS, Audi A7 sowie das
viertürige Coupé von VW stellen aufgrund ihres Außendesigns eine Schnittmenge der bei-
den originären Aufbauformen dar. Ebenfalls zu diesem Cluster zählen der Audi A3 sowie
der BMW 1er und VW Neeza.

C. Experimentelle Studien 65
Im Cluster 2 befinden sich die Sportwagen. Es vereint alle Cabrios sowie einige sehr
sportlich anmutende Coupés: Audi TT Coupé, Mazda RX8, Porsche 911 und Saab 9-3.
Zusätzlich fallen in diese Gruppe die beiden angekündigten viertürigen Coupés Porsche
Panamera und BMW CS, die sich jeweils durch eine sehr dynamische Linienführung aus-
zeichnen.
Cluster 3 fasst die Kompakt- und Kombinationswagen zusammen. Im Vergleich zu
den Kombis weisen die Kompaktwagen eine etwas geringere Ausprägung auf Dimension 1
auf. Dieser Kategorie werden auch die von Mercedes-Benz unter dem Begriff Sportstourer
vermarkteten Fahrzeuge B-Klasse und R-Klasse zugeordnet. Die Position der B-Klasse in
unmittelbarer Nähe des VW Golf zeigt, dass die Fahrzeuge als sehr ähnlich wahrgenommen
werden und die B-Klassen vom Kunden eher den Kompaktwagen als den Minivans zuge-
ordnet wird. Die R-Klasse ist aus Kundensicht ähnlich wie der BMW 5er Touring positio-
niert und wird als sportlicher Kombi wahrgenommen. Auf die kundenseitige Wahrnehmung
eines neuen Segmentes deuten die Ergebnisse nicht hin. Die angepriesenen Offroad-Eigen-
schaften der R-Klasse und ihre Variabilität als 7-Sitzer werden von den Kunden anschei-
nend nicht wahrgenommen.
Cluster 4 umfasst alle abgefragten SUVs. Die Wahrnehmung der klassischen SUVs
(BMW X3, X5, MB M-Klasse, VW Touareg etc.) ist sehr homogen. Der Audi Q7 fällt mit
geringeren Ausprägungen auf Dimension 2 deutlich aus dem Bild. In diese Kategorie fallen
auch die beiden Concept Cars BMW X6 und Audi Cross-Coupé, die sich durch eine coupé-
hafte Dachlinie von den bekannten SUVs differenzieren. Sie grenzen sich auf der ersten
Dimension etwas in Richtung der Sportwagen ab.
In Cluster 5 fallen alle Minivans sowie als Ausreißer der VW Passat Variant. Dieses
Cluster differenziert sich durch die geringsten Werte auf Dimension 1 von den übrigen
Clustern.
Die Ergebnisse entsprechen weitestgehend denen der deskriptiven Analysen.

66
Dimension 2
1,0
0,5
0,0
CZ 5
CZ 4
Audi X-Coupé
BMW X6
MB B-Klasse
MB R-Klasse
VW Neeza
VW 4-t. Coupé
MB CLS
BMW CS
Porsche Panamera
-0,5
Audi A7
Cabrio
Coupé
Limousine
Hatchback
Kombi
SUV
Minivan
-1,0
Crossover
-1,5 -1,0 -0,5 0,0
Dimension 1
0,5 1,0 1,5
Abbildung 9: MDS-Konfiguration mit Fünf-Cluster-Lösung
Anmerkungen. CZ: Clusterzentrum.
CZ 3
1.5.2.2.5 Güte der Clusterlösung
CZ 1
CZ 2
C. Experimentelle Studien
Die Güte einer Clusterlösung kann einerseits an der Homogenität der gefundenen Cluster
und zum zweiten an der Differenzierung zwischen den Clustern bewertet werden. Zunächst
werden die F-Werte zur Beurteilung der Homogenität der Cluster berichtet (vgl. Tabelle
18). Dieses Kriterium setzt die Varianz eines Cluster hinsichtlich einer Dimension mit der
Varianz der Erhebungsgesamtheit auf dieser Dimension in Beziehung. „Ein Cluster ist dann
als vollkommen homogen anzusehen, wenn alle F-Werte kleiner als 1 sind“ (Backhaus et al.,
2000, S. 378). Dies ist hier der Fall. Die Analyse weist nur zwei Werte auf, die größer 0,2
sind. Dies spricht für eine sehr hohe Clusterhomogenität und eine entsprechend hohe Güte
der Clusterlösung.
Tabelle 18: Homogenität der Cluster
Cluster 1 Cluster 2 Cluster 3 Cluster 4 Cluster 5
Dimension 1 0,066 0,042 0,090 0,088 0,011
Dimension 2 0,250 0,186 0,117 0,126 0,281
Anmerkungen. F-Werte.

C. Experimentelle Studien 67
Als zweites Gütekriterium wird die Differenzierung zwischen den Clustern mittels
einer Diskriminanzanalyse überprüft (vgl. Hair et al., 1998). 22 Beide Diskriminanzfunk-
tionen tragen signifikant zur Trennung der fünf Cluster bei. Die erste Funktion erklärt rund
78% der Varianz der Konfiguration, die zweite Funktion mit etwa 22% deutlich weniger.
Beide Funktionen weisen sehr hohe kanonische Korrelationskoeffizienten auf und auch die
kleinen Werte, die Wilks’ Lambda annimmt, sprechen für eine hohe Trennkraft der Diskri-
minanzfunktionen (vgl. Tabelle 19). Neben der statistischen Prüfung der Diskriminanzfunk-
tionen auf Signifikanz bietet auch der Vergleich der Klassifizierung der Objekte anhand der
errechneten Funktionen mit deren tatsächlicher Gruppenzugehörigkeit eine Beurteilung der
Güte an (Frenzen & Krafft, 2008). In diesem Fall können 100% der geclusterten Objekte auf
Basis der Diskriminanzfunktionen korrekt klassifiziert werden (s. Anhang B). Vor dem
Hintergrund der Gleichverteilung der A-priori-Wahrscheinlichkeiten weist dies auf eine
hervorragende Güte der ermittelten Clusterlösung hin.
Tabelle 19: Diskriminanzanalyse zur Überprüfung der Clustergüte
Funktion Eigenwert
% der
Varianz
Kanon.
Korr.
Wilks’
Lambda χ² df p
1 16,441 78,35 0,971 0,010 249,132 8 0,000
2 4,542 21,65 0,905 0,180 93,325 3 0,000
Anmerkungen. Kanon. Korr.: Kanonische Korrelation. χ²: Prüfstatistik. df: Freiheitsgrade.
p: Signifikanz.
1.5.2.3 Personenspezifische Kategorisierungsunterschiede
Da die beiden Variablen Produktwissen und Automobil-Involvement zu r = 0,749 (p < 0,01)
miteinander korrelieren 23 , werden im Folgenden nur gruppenspezifische Daten für die
Variable Produktwissen berichtet. Die Art der Kategorisierung variiert mit personenspezi-
fischen Variablen. So zeigt sich, dass Experten 24 signifikant mehr Kategorien bilden (M =
6,90) als Novizen (M = 6,40) (t(571) = 3,165; p < 0,01). Personenunterschiede werden jedoch
nicht allein in der Anzahl gebildeter Kategorien evident, sondern auch in der Art der Grup-
pierung. In der Gruppe der Experten werden weniger sinnlose Gruppennamen verwandt
(2,3% vs. 6,0%), die Benennung der individuell gebildeten Gruppen scheint ihnen leichter
22 Für eine ausführliche Darstellung der Diskriminanzanalyse siehe bspw. Backhaus et al. (2000) oder Hair et al. (1998).
23 Die Reliabilität ermittelt durch Cronbachs α beträgt respektive 0,917 für Produktwissen und 0,882 für Automobil-
Involvement.
24 Die Gruppen werden anhand eines Mediansplit der Summenskala Produktwissen (Med = 4,33) gebildet.

68
C. Experimentelle Studien
zu fallen. 76,4% der Experten kategorisieren nach Aufbauform, während von den Novizen
nur 62,5% derart vorgehen. Sie wählen verstärkt eine nutzenbasierte oder eigenschafts-
basierte Vorgehensweise.
Neben den deskriptiven Ergebnissen sollen für die personenspezifischen Unterschiede
separate MDS-Konfigurationen und darauf basierende Clusterlösungen referiert werden.
Die bereits vorgestellte MDS-Konfiguration erweist sich als relativ stabil über die Gruppen.
Die STRESS1-Werte für eine zweidimensionale Darstellung liegen für die Gruppe mit
hohem Produktwissen bei 0,17 und für die Gruppe mit geringerem Produktwissen bei 0,16.
Auch die Goodness-of-fit Indizes erreichen Werte größer 0,97 und sprechen damit für eine
annehmbare Skalierungslösung (s. Anhang C und D).
Die auf den Dimensionen der MDS basierende hierarchische Clusteranalyse führt für
die Gruppe der Experten zu einer Sechs-Cluster-Lösung (vgl. Tabelle 20). Im Vergleich zur
allgemeinen Lösung wird hier eine separate Kategorie klassischer Kombis isoliert (Cluster
3), so dass die Kompaktwagen nur noch eine Gruppe mit den sportlicheren Kombis und den
neueren Crossover-Raummodellen (MB R-Klasse, VW Neeza) teilen (Cluster 5). Insgesamt
betrachtet, weist die Klassifikation der Experten keine Ausreißer auf.
Tabelle 20: Clusterprofile (Experten)
Cluster 1 Cluster 2 Cluster 3 Cluster 4 Cluster 5 Cluster 6
Dimension 1 0,365 0,789 -0,593 -0,456 -0,203 -0,806
Dimension 2 -0,358 0,307 -0,433 0,592 -0,179 0,072
Clustergröße 15 12 5 9 11 7
Fahrzeugmodelle
Alfa GT
Audi A3
Audi A6 Limo
Audi A7
BMW 3erCp
BMW 3er L
BMW 5er L
MB C-Kl. L
MB CLK Cp
MB CLS
MB S-Kl.
MB Sportcpé
Opel Vectra
VW Passat
Limo
VW 4-türig.
Coupé
Bezeichnung Mittel- &
Oberklasse
Audi A4
Cabrio
Audi TT
Coupé
BMW 3er
Cabrio
BMW Z4
BMW CS
Mazda RX8
MB CLK
Cabrio
MB SLK
Opel Tigra
Porsche 911
Porsche
Panamera
Saab 9-3
Cabrio
Sportwagen
Audi A4
Avant
MB C-Kl. K
MB E-Kl. K
Opel Astra
Kombi
VW Passat
Variant
klassische
Kombis
Audi Q7
Audi X-
Coupé
BMW X3
BMW X5
BMW X6
MB M-Kl.
MB GL
Toyota RAV4
VW Touareg
BMW 1er
BMW 5er
Touring
Ford Fiesta
Ford Focus
Hatch
Ford Mondeo
K
MB A-Kl.
MB B-Kl.
MB R-Kl.
Opel Corsa
VW Golf
VW Neeza
SUVs Kompaktwagen
&
sportliche
Kombis
Ford C-Max
Opel Meriva
Opel Zafira
Peugeot
307SW
Renault
Scenic
Toyota
Corolla
Verso
VW Touran
Minivans
Anmerkungen. Clustermittelwerte. Fahrzeugmodelle: Ausreißer sind kursiv und Crossover-
Modelle sind fett gedruckt. Cab: Cabrio. Cp: Coupé. K: Kombi. L: Limousine.

C. Experimentelle Studien 69
Für die Gruppe der Novizen ergibt sich eine Fünf-Cluster-Lösung. Die Kategorien
Sportwagen und SUVs werden auch hier eindeutig identifiziert. Die Gruppe der Ober- und
Mittelklassewagen wird wie in der allgemeinen Lösung durch die beiden Ausreißer BMW
1er und VW Neeza ergänzt. Neu ist hier ein Cluster von Raummodellen, das Minivans und
klassische Kombis zusammenfasst. Diese Gruppe entspricht der bereits beobachteten ver-
mehrten eigenschafts- bzw. nutzenbasierten Vorgehensweise bei der Kategorisierung.
Cluster 4 konstituiert sich aus Kompaktwagen sowie dem 5er Touring, dem Ford Mondeo
Kombi und der MB R-Klasse. Erstmals fällt auch der Audi Q7 in diese Kategorie (vgl.
Tabelle 21).
Tabelle 21: Clusterprofile (Novizen)
Cluster 1 Cluster 2 Cluster 3 Cluster 4 Cluster 5
Dimension 1 0,378 0,767 -0,756 -0,276 -0,476
Dimension 2 -0,275 0,314 -0,040 -0,338 0,595
Clustergröße 17 12 12 10 8
Fahrzeugmodelle
Alfa GT
Audi A3
Audi A6 Limo
Audi A7
BMW 1er
BMW 3er Cp
BMW 3er L
BMW 5er L
MB C-Kl. Limo
MB CLK Cp
MB CLS
MB S-Klasse
MB Sportcp
Opel Vectra
VW Neeza
VW Passat L
VW 4-türiges
Coupé
Bezeichnung Mittel- &
Oberklasse
Audi A4 Cab
Audi TT Cp
BMW 3er Cab
BMW Z4
BMW CS
Mazda RX8
MB CLK Cab
MB SLK
Opel Tigra
Porsche 911
Porsche
Panamera
Saab 9-3 Cab
Audi A4 Avant
MB C-Kl. K
MB E-Kl. K
VW Passat
Variant
Ford C-Max
Opel Astra K
Opel Meriva
Opel Zafira
Peugeot
307SW
Renault Scenic
Toyota Corolla
Verso
VW Touran
Audi Q7
BMW 5er
Touring
Ford Fiesta
Ford Focus H
Ford Mondeo K
MB A-Klasse
MB B-Klasse
MB R-Klasse
Opel Corsa
VW Golf
Sportwagen Raummodelle Kompaktwagen
&
sportliche
Kombis
Audi X-Coupé
BMW X3
BMW X5
BMW X6
MB M-Klasse
MB GL
Toyota RAV4
VW Touareg
SUVs
Anmerkungen. Clustermittelwerte. Fahrzeugmodelle: Ausreißer sind kursiv und Crossover-
Modelle fett gedruckt. Cab: Cabrio. Cp: Coupé. K: Kombi. L: Limousine.
Beide Clusterlösungen überzeugen durch ausreichende Homogenität der Cluster und
gute Differenzierung zwischen den Clustern. Die Clusterlösung der Experten scheint ent-
sprechend der Hypothesen bei näherer Betrachtung der F-Werte etwas homogener zu sein
als die Konfiguration der Novizen (vgl. Tabelle 22 und Tabelle 23). Allein der F-Wert für
das Cluster 5 verzeichnet bei den Experten einen Wert größer 0,2 auf der zweiten Dimen-
sion. Für die Gruppe der Novizen überschreiten drei F-Werte den Wert von 0,2. Die Dis-
kriminanzfunktionen weisen hohe Trennkraft auf. Sie unterscheiden sich jedoch hinsichtlich

70
C. Experimentelle Studien
der Varianzerklärung der zweiten Dimension. Während diese bei den Experten immerhin
27% der Varianz erklärt, sinkt dieser Wert bei den Novizen auf 15%. Die vollständigen Er-
gebnisse sind in Anhang C und D aufgeführt.
Tabelle 22: Homogenität der Cluster (Experten)
Cluster 1 Cluster 2 Cluster 3 Cluster 4 Cluster 5 Cluster 6
Dimension 1 0,063 0,041 0,073 0,087 0,132 0,003
Dimension 2 0,127 0,168 0,032 0,116 0,329 0,073
Anmerkungen. F-Werte.
Tabelle 23: Homogenität der Cluster (Novizen)
Cluster 1 Cluster 2 Cluster 3 Cluster 4 Cluster 5
Dimension 1 0,067 0,037 0,040 0,035 0,102
Dimension 2 0,235 0,180 0,302 0,407 0,024
Anmerkungen. F-Werte.
Die Ergebnisse lassen den Schluss zu, dass es keine grundlegenden strukturellen
Unterschiede bei der Kategorisierung von Pkw durch Automobil-Experten und Novizen
gibt. Wie schon durch die deskriptiven Analysen festgestellt, kategorisieren Experten jedoch
zu einem höheren Anteil nach Aufbauformen und Novizen stärker nutzenbasiert. Die
größere Homogenität der durch die Experten gebildeten Cluster spricht für eine in sich kon-
sistentere Klassifikation, die sich auch darin äußert, dass die Clusterlösung der Experten
keine Ausreißer aufweist.
1.5.3 Personenspezifische Determinanten der wahrgenommenen Stimulusüberlastung
Neben der explorativen Analyse der Kategorisierungsergebnisse sollen differentielle Effekte
auch im Hinblick auf die aus der Angebotskomplexität entstandene wahrgenommene
Stimulusüberlastung untersucht werden. Die in den Hypothesen 1.1 und 1.2 postulierten
negativen Effekte von automobilem Produktwissen und Involvement auf die wahrgenom-
mene Stimulusüberlastung werden mittels einer Regressionsanalyse überprüft.
Wie bereits berichtet (Kap. 1.5.2.3) und hinlänglich aus der Literatur bekannt (z.B.
Sujan, 1985), korrelieren beide Variablen hoch positiv miteinander (r = 0,749; p < 0,01).
Daher soll der relative Einfluss beider Prädiktoren mittels einer multiplen Regression über-
prüft werden. Trotz der hohen Interkorrelation weist die Kollinearitätsstatistik nicht auf
Multikollinearität hin. Sie läge bei linearer Abhängigkeit zwischen den unabhängigen Vari-
ablen des Modells vor. Hair et al. (1998) geben folgende Grenzwerte an: Unterschreitung
des Wertes 0,10 bei der Toleranz bzw. ein Varianz-Inflations-Faktor (VIF) größer 10. Der
Wert für die Toleranz liegt bei 0,439 und der des VIF bei 2,277 und ist somit deutlich von

C. Experimentelle Studien 71
den angegebenen Schwellenwerten entfernt. Auch die weiteren Prämissen der Regressions-
analyse sind erfüllt. Der Durbin/Watson-Test prüft die Nullhypothese, „dass die Beobach-
tungswerte nicht autokorreliert sind“ (Backhaus et al., 2000, S. 41). Aufgrund des errechne-
ten Wertes d = 2,113 kann die Nullhypothese beibehalten werden: Es liegt keine Auto-
korrelation vor. Die Regressionsanalyse basiert weiterhin auf der Annahme, dass die Resi-
duen unabhängig von den Prädiktoren und der Reihenfolge der Beobachtungen sind
(Backhaus et al., 2000). Zur Überprüfung dieser Prämisse eignet sich ein graphisches
Verfahren, bei dem die standardisierten geschätzten Werte gegen die standardisierten Resi-
duen in einem Streudiagramm abgetragen werden. Heteroskedastizität liegt vor, wenn ein
deutlicher Zusammenhang zwischen den Residuen und den geschätzten Werten vorliegt.
Dies ist hier nicht der Fall (vgl. Anhang E). Bei der Interpretation der Regressionsanalyse
muss beachtet werden, dass die abhängige Variable Abweichungen von der Normalvertei-
lung aufweist. Da der Signifikanztest relativ robust gegenüber derartigen Verletzungen der
Prämissen ist (J. Cohen & Cohen, 1983), soll das Signifikanzniveau hier angegeben, jedoch
nur unter Vorbehalt interpretiert werden.
Die Ergebnisse zeigen negative und statistisch hochsignifikante Zusammenhänge zwi-
schen Produktwissen (β = -0,195) bzw. Automobil-Involvement (β = -0,157) und der wahr-
genommenen Stimulusüberlastung (vgl. Tabelle 24). Der Determinationskoeffizient beträgt
R² = 0,109 und ist statistisch signifikant (F(2;572) = 34,855; p < 0,000). Der korrigierte
Determinationskoeffizient ist mit R² = 0,106 nur unwesentlich kleiner als R². Die Effekt-
größe des multiplen Zusammenhangs (f² = R²/(1-R²) = 0,12) ist nach J. Cohen (1992) als
klein bis mittel zu beurteilen. Der Standardschätzfehler beträgt s = 1,36. Hypothesen 1.1
und 1.2 können somit angenommen werden: Produktwissen und Automobil-Involvement
wirken sich negativ auf die wahrgenommene Stimulusüberlastung aus.
Tabelle 24: Multiple Regression: Koeffizienten zur Vorhersage der Wahrgenommenen
Stimulusüberlastung
b s β t p Tol. VIF
Konstante 5,846 0,190 30,765 0,000
Produktwissen -0,201 0,061 -0,195 -3,278 0,001 0,439 2,277
Automobil-Involvem. -0,152 0,058 -0,157 -2,634 0,009 0,439 2,277
Anmerkungen. b: Nicht standardisierter Koeffizient. s: Standardfehler. β: Standardisierter
Koeffizient. t: Prüfstatistik. p: Irrtumswahrscheinlichkeit (α = 0,05; zweiseitig). Tol.: Toleranz.
VIF: Varianz-Inflations-Faktor.

72
1.5.4 Repräsentativität von Crossover-Fahrzeugen und Produktevaluation
C. Experimentelle Studien
Hypothese 1.3 postuliert eine negative Korrelation zwischen wahrgenommener Typikalität
(TYP) und Neuartigkeit (NOV) sowie positive Korrelationen zwischen wahrgenommener
Typikalität und Produktevaluation (PRE) bzw. Neuartigkeit und Produktevaluation, die
jedoch erst unter Auspartialisierung der jeweils anderen Variable hervortreten. Tabelle 25
zeigt die Korrelationen erster Ordnung für die zehn Crossover-Fahrzeuge sowie die entspre-
chenden Fishers Z-Werte von r. J.Cohen (1988) zufolge können mit der Produkt-Moment-
Korrelation bei einer Stichprobengröße von N = 575, dem Signifikanzniveau α = 0,05 und
der Teststärke 1 - β = 0,80 bei zweiseitiger Testung kleine Effekte entdeckt werden.
Tabelle 25: Korrelationen zwischen Repräsentativität und Produktevaluation
TYP ~ NOV TYP ~ PRE NOV ~ PRE
Modell r Z r Z r Z
Audi A7 0,305*** 0,315 0,422*** 0,450 0,608*** 0,706
Audi X-Cp 0,220*** 0,224 0,360*** 0,377 0,553*** 0,623
BMW CS 0,372*** 0,391 0,422*** 0,450 0,596*** 0,687
BMW X6 0,238*** 0,243 0,382*** 0,402 0,579*** 0,661
MB B-Klasse 0,125** 0,126 0,080 0,080 0,153*** 0,154
MB CLS 0,229*** 0,233 0,331*** 0,344 0,669*** 0,809
MB R-Klasse 0,162*** 0,163 0,403*** 0,427 0,643*** 0,763
P. Panamera 0,203*** 0,206 0,383*** 0,404 0,594*** 0,684
VW Coupé 0,256*** 0,262 0,369*** 0,387 0,607*** 0,704
VW Neeza 0,206*** 0,209 0,329*** 0,342 0,545*** 0,611
Anmerkungen. r: Produkt-Moment-Korrelation. Z: Fishers Z-Wert von r.
*p

C. Experimentelle Studien 73
Fishers Z transformierten Werte von Z = 0,24 (SD = 0,07), für den Zusammenhang zwi-
schen wahrgenommener Typikalität und Produktevaluation Z = 0,37 (SD = 0,11) und für
den Zusammenhang zwischen wahrgenommener Neuartigkeit und Produktevaluation Z =
0,64 (SD = 0,18). Dies entspricht Korrelationskoeffizienten von r = 0,23 bzw. 0,35 und
0,57. Die Korrelationen stellen nach J. Cohen (1988) respektive einen kleinen, mittleren und
großen Effekt dar. 25 Hypothese 1.3 muss abgelehnt werden. Die Konstrukte wahrgenom-
mene Typikalität und Neuartigkeit wirken nicht als Suppressorvariablen für den Zusam-
menhang der jeweils anderen Variable mit der Produktevaluation.
1.6 Diskussion
1.6.1 Zusammenfassung und Diskussion der Ergebnisse
Sowohl für die personenspezifischen Kontrollvariablen als auch für die abhängigen Variab-
len konnte ein reliables Messinstrumentarium auf Basis der Literatur entwickelt werden. Die
Reliabilitätskennwerte überzeugen prinzipiell mit Werten von Cronbachs α größer 0,88.
Einzig die aus zwei Items bestehende Skala zur Erfassung der wahrgenommenen Neuartig-
keit weist Reliabilitätswerte für die einzelnen Crossover-Fahrzeuge zwischen α = 0,654 und
0,814 auf. Die Kongruenz der Ergebnisse der Itemanalysen und der Faktorenanalysen stüt-
zen die Validität der Skalen. Eine Itemselektion wurde einzig für das Involvement-
Konstrukt vorgenommen. Da das Item INV4 eine Trennschärfe kleiner 0,3 aufweist, wird
dieses Item eliminiert. Diese Indikation wird durch die geringe Kommunalität des Items und
die geringe Faktorladung im Rahmen der explorativen Faktorenanalyse gestützt.
Zentrales Ziel dieser Studie ist die Identifikation der Struktur des deutschen Pkw-
Marktes aus Kundensicht. Die wahrgenommene Marktstruktur lässt sich in einem zwei-
dimensionalen Raum darstellen. Bei der Interpretation der Nachbarschaftsrelationen zeigt
sich, dass sich die einzelnen Fahrzeuge in diesem Raum weitestgehend nach ihrer Aufbau-
formen-Zugehörigkeit und ihrem Nutzen anordnen. Die Kategorisierung nach Aufbauform
wird durch die deskriptiven Analysen der freien Kategorienbezeichnungen als auch durch
die Ergebnisse der Clusteranalyse bestätigt. Für die Gesamtstichprobe ergibt sich eine
Typologie aus fünf Clustern. Konsumenten unterscheiden zwischen Mittel- und Oberklasse-
wagen, Sportwagen, SUVs, Minivans sowie Kompakt- und Kombinationswagen. Homo-
gene Aufbauformensegmente stellen allein die SUVs und Minivans dar, während die ande-
25 Korrelationen r ≥ 0,10 entsprechen einem kleinen Effekt, Korrelationen r ≥ 0,30 einem mittleren Effekt und
Korrelationen größer gleich r ≥ 0,50 einem großen Effekt (J. Cohen, 1988).

74
C. Experimentelle Studien
ren drei Segmente Fahrzeuge anhand ihrer Eigenschaften bzw. des erwarteten Nutzens
zusammenfassen. Das Mittel- und Oberklassesegment konstituiert sich aus Limousinen und
vom Design her klassisch-eleganten Coupés. Die Kategorie Sportwagen umfasst sowohl
Cabrios als auch sehr schnittige Coupés. Gemeinsam ist allen Fahrzeugen in dieser Gruppe
ein sportlich-dynamisches Fahrverhalten. Überraschenderweise fassen Konsumenten Kom-
bis und Kompaktwagen zusammen. Im Vergleich zu anderen Aufbauformen unterscheiden
sich beide Produkttypen in ihrer Form nicht besonders stark, beide weisen ein two-box
Design auf, so dass die interkategoriale Differenzierung bei intrakategorialer Homogenität
gegeben ist (vgl. Kapitel B1.3). Funktional betrachtet, erlauben beide Fahrzeugtypen den
Transport von vier Personen und aufgrund des Steilhecks die praktische Mitnahme von
Gepäck. Die Fahrzeugtypen unterscheiden sich durch die größere Ladefläche der Kombis
und damit optisch durch eine verlängerte Seitenlinie. Theoretisch betrachtet, werden sowohl
ähnlichkeits- als auch zielbasierte Kategorisierungsansätze angewandt. Die Ergebnisse spre-
chen somit für einen flexiblen Ansatz der Kategorisierung, wie er unter anderen von J.B.
Cohen und Basu (1987) propagiert wird (vgl. Kapitel B1.3.4).
Die zweite Fragestellung bezieht sich auf die Integration der Crossover-Fahrzeuge in
die wahrgenommene Marktstruktur. Bis auf das Minivan-Cluster beinhalten alle Kategorien
mindestens zwei Crossover-Fahrzeuge. Die SUCs werden in das SUV-Cluster integriert,
grenzen sich dort aber von den SUVs deutlich in Richtung der Sportwagen ab. Damit bilden
sie in der Wahrnehmung der Konsumenten vermutlich eine Subkategorie. So wie sich in den
späten 90er Jahren die weniger Offroad tauglichen SUVs von den klassischen Gelände-
wagen abgegrenzt haben (vgl. Diez, 2003), scheint die Segmententwicklung einen nächsten
Schritt zu nehmen, der auch von den Kunden nachvollzogen wird. Die viertürigen Coupés
bzw. coupéhaften Limousinen werden in unterschiedliche Cluster gruppiert. Während
BMW CS und Porsche Panamera Objekte des Sportwagen-Segmentes sind, fallen Audi A7,
MB CLS und das entsprechende VW-Fahrzeug dem Mittel- und Oberklassesegment zu. An
dieser Gruppierung zeigt sich, dass eine Klassifizierung allein nach Aufbauform nicht der
Wahrnehmung der Kunden gerecht wird und es keine eindeutige Lösung für die in der
Praxis geführte Diskussion ob der Benennung dieses Fahrzeugtyps gibt. Vielmehr scheinen
beide Begriffe, viertüriges Coupé und coupéhafte Limousine, auf jeweils unterschiedliche
Fahrzeuge zuzutreffen. Die Einteilung kann am Grad der wahrgenommenen Sportlichkeit
festgemacht werden. Im gemischten Sportwagen-Cluster liegen die beiden Crossover-
Modelle relativ weit vom Clusterzentrum entfernt in der Region der Coupés. Für den Kun-
den handelt es bei ihnen um geschlossene Sportwagen. Die stärker von den Limousinen
geprägten Fahrzeuge Audi A7, MB CLS und das entsprechende VW-Fahrzeug werden ein-

C. Experimentelle Studien 75
deutig als Fahrzeuge des Mittel- und Oberklassesegments wahrgenommen. Auf sie trifft
somit eher eine Beschreibung als coupéhafte Limousine zu. Ebenfalls dem Mittel- und
Oberklassesegment zugeordnet wird der VW Neeza. Da es sich bei diesem Fahrzeug weder
um eine Limousine noch um ein Coupé handelt und das Fahrzeug in der Clusteranalyse im
nächsten Iterationsschritt gemeinsam mit dem BMW 1er ein eigenes Cluster gebildet hätte,
handelt es sich hierbei um einen Ausreißer. Eine eindeutige Ähnlichkeit zu bestehenden
Kategorien bzw. ein klares Nutzenversprechen sind aus Konsumentensicht nicht zu erken-
nen. Die beiden von Mercedes-Benz als Sportstourer vermarkteten Produkte B-Klasse und
R-Klasse fallen in die gemischte Kategorie der Kompakt- und Kombinationswagen. Be-
trachtet man die deskriptiven Analysen, so werden sie über die wahrgenommene Ähnlich-
keit zu bestehenden Fahrzeugkonzepten kategorisiert. Es kann also festgehalten werden,
dass Crossover-Fahrzeuge nicht per se vom Kunden als neue Fahrzeugtypen-Kategorien
wahrgenommen werden, eher bilden sie Subkategorien innerhalb von bestehenden Produkt-
typen. Dieser Befund stützt das Subtyping Model und entspricht den Annahmen der sozialen
Kognitionsforschung, die davon ausgeht, dass kategorienbasierte top-down Prozesse der
Standardmodus sozialer Informationsverarbeitung sind (vgl. Kapitel A2.2.1).
Zur Beantwortung von Fragestellung 1.3 wurden gruppenspezifische Unterschiede der
Kategorisierung untersucht. Es wird vermutet, dass Experten aufgrund ihres Produktwissens
eine differenziertere Wahrnehmung der Marktstruktur haben und Crossover-Fahrzeuge auf-
grund dessen besser integrieren können. Generell ist festzuhalten, dass es keine grundlegen-
den strukturellen Unterschiede bei der Kategorisierung gibt. Die deskriptiven Analysen
geben allerdings einen ersten Hinweis, dass Experten über eine differenziertere mentale
Repräsentation verfügen. Nicht nur bilden Experten signifikant mehr Gruppen als Novizen,
ihnen fällt auch die sinnvolle Benennung der von ihnen gebildeten Gruppen leichter. Diese
Ergebnisse werden durch die Clusteranalyse gestützt. Die höhere Trennkraft der zweiten
Diskriminanzfunktion der Experten (27%) gegenüber der in der Konfiguration der Novizen
(15%) spricht dafür, dass Experten komplexes Automobilwissen besser organisieren kön-
nen. Die Klassifikation der Experten resultiert in einer differenzierteren Sechs-Cluster-
Lösung. Im Gegensatz zur Lösung der Gesamtstichprobe wird hier eine eigenständige
Gruppe klassischer Kombis identifiziert. Die gemischte Gruppe aus Kompaktwagen und
Kombis besteht weiterhin, jedoch bleiben die Kombis in dieser Gruppe auf die sportlicheren
Baureihen beschränkt. In der Clusterlösung der Experten finden sich keine Ausreißer. Dies
ist ein weiterer Aspekt, der für ihre konsistentere Wissensstruktur spricht. Experten sind
folglich in der Lage, auch unbekannte Crossover-Fahrzeuge wie den VW Neeza in ihre
automobile Wissensstruktur zu integrieren. Dieses Fahrzeug ordnen sie den sportlichen

76
C. Experimentelle Studien
Kombis zu. Die Kategorisierung aller anderen Crossover-Modelle bleibt zur Lösung der
Gesamtstichprobe konstant.
Für die Klassifikation der Probanden mit geringem Produktwissen ergibt sich eine
Fünf-Cluster-Lösung, die die eigenschafts- bzw. nutzenorientierte Vorgehensweise der
Novizen widerspiegelt. Dies zeigt sich insbesondere in der Bildung einer Gruppe von
Raummodellen, die sowohl Minivans als auch Kombis umfasst. Aus den deskriptiven Ana-
lysen ist ersichtlich, dass die Probanden hier nach dem Kriterium Eignung als Familienfahr-
zeug vorgegangen sind. Das geringere Automobilwissen dieser Gruppe führt dazu, dass sich
in der Clusterlösung einige Ausreißer finden: so wird der Audi Q7 dem gemischten Cluster
der Kompaktwagen und Kombis zugeordnet. BMW 1er und VW Neeza würden - wie auch
in der Clusterlösung der Gesamtstichprobe - im nächsten Iterationsschritt ein eigenes
Cluster bilden, werden hier aber dem Mittel- und Oberklassesegment zugeschrieben. Novi-
zen fällt die kognitive Integration von Crossover-Fahrzeugen sichtlich schwerer. Sie verfü-
gen über eine weniger gut strukturierte mentale Repräsentation des Automobilmarktes. Die
deskriptiven Analysen deuten weiterhin daraufhin, dass sie weniger mit automobilen Fach-
termini vertraut sind.
Der größere Unsicherheitsfaktor der Novizen schlägt sich außer bei der Kategorisie-
rung und der Benennung der Gruppierungen auch in einer höheren wahrgenommenen
Stimulusüberlastung nieder. Eine Regressionsanalyse zeigt, dass Experten und auch invol-
vierte Personen angeben, die immer komplexer werdende Marktstruktur besser zu verstehen
und zwischen sich immer schwieriger zu differenzierenden Leistungsangeboten unterschei-
den zu können, ohne dabei irritiert zu sein.
Der Versuch, die Ergebnisse von Hekkert et al. (2003) zu replizieren, gelang nicht. Da
in den vorliegenden Daten wahrgenommene Typikalität und Neuartigkeit signifikant positiv
miteinander korrelieren, wirken beide Variablen nicht als Suppressorvariable für den
Zusammenhang der jeweils anderen Variablen mit der Produktevaluation. Während Hekkert
und Kollegen (2003) die wahrgenommene Typikalität und Neuartigkeit hinsichtlich einer
vorgegebenen Produktklasse (z.B. Mittelklassse-Limousinen) beurteilen ließen, wurden die
Bewertungen hier vor dem Hintergrund der im Vorfeld individuell generierten Kategorien-
struktur vorgenommen. Die Ergebnisse deuten darauf hin, dass Probanden mit einer Ein-
schätzung der Neuartigkeit im Hinblick auf selbst generierte Referenzpunkte überfordert
sind. Da Kategorisierung in der Regel auf äußeren Ähnlichkeiten bzw. Ähnlichkeiten hin-
sichtlich Nutzenerwartungen basiert, nutzen Probanden die Typikalitätsinformation als
Basis der Kategorisierung und sind in der Lage, im Anschluss die Typikalität der einzelnen
Crossover-Fahrzeuge hinsichtlich der gebildeten Kategorien zu beurteilen. Hohe wahrge-

C. Experimentelle Studien 77
nommene Typikalität sollte also als Rechtfertigung der individuellen Kategorisierung ver-
standen werden. Die wahrgenommene Neuartigkeit hingegen wird unter Umständen losge-
löst von der Kategorisierung vor dem Hintergrund allgemein bekannter Fahrzeuge beurteilt.
Dies mag zu den vorliegenden positiven Korrelationen zwischen wahrgenommener Typika-
lität und Neuartigkeit führen. Möglicherweise treten hier auch Ermüdungserscheinungen
seitens der Probanden auf, die dazu führen, dass diese sich nicht mehr ausreichend auf die
weiteren Aufgaben konzentriert haben.
1.6.2 Kritische Würdigung der angewandten Methodik
Die konsumentenseitig wahrgenommene Marktstruktur wurde auf Basis von Ähnlichkeits-
vergleichen identifiziert. Dazu wurden die Panelisten gebeten, 59 Fahrzeuge basierend auf
ihrer Ähnlichkeit zu gruppieren. Dieses für die Befragten sehr anspruchsvolle Verfahren
führt zu stabilen Ergebnissen. Wie bereits von Tsogo et al. (2000) festgestellt, liefern
multidimensionale Skalierungen auf aggregierten Daten bei großen Objektmengen gute
Konfigurationen, wenn die Daten mittels Sortieraufgaben erhoben werden. Auch Malhotra
(1987) konnte nachweisen, dass die MDS valide und reliable Ergebnisse in der
Marketingforschung präsentiert. Insbesondere für den Automobilmarkt weisen seine Stu-
dien hohe Konvergenz zwischen aggregierten Ähnlichkeitsdaten und Ratings anhand von
semantischen Differentialen auf. Die stabilen Ergebnisse bestätigen auch in der vorliegen-
den Arbeit, dass sich die MDS als geeigneter Ansatz zur konsumentenseitigen Strukturie-
rung von Produktkategorien erweist.
Neben der Abbildung der Marktstruktur bekannter Produkte ermöglicht die MDS auch
eine räumliche Integration der Wahrnehmung von innovativen hybriden Produkten. Da es
den Probanden freigestellt ist, die präsentierten Fahrzeuge in beliebig vielen Kategorien
anzuordnen, können auch unbekannte Fahrzeuge flexibel in die persönliche Wissensstruktur
eingeordnet werden. Im Gegensatz zu klassischen Ansätzen zum Verständnis hybrider Pro-
dukte (vgl. Moreau, Lehmann et al., 2001; Rajagopal, 2004) wird die Eingruppierung hier
nicht durch vom Forscher vorgegebene Kategorien geleitet.
Zur Erleichterung der Interpretation komplexer Marktstrukturen ist eine Integration
von Eigenschaftsdaten wünschenswert (vgl. Dichtl & Schobert, 1979). Eine Erhebung
zusätzlicher externer Kriterien in Form einer Eigenschaftsbatterie für alle 59 Objekte war
aufgrund der sehr großen Objektmenge jedoch nicht möglich, so dass hier eine Interpreta-
tion anhand interner Kriterien vorgenommen wurde (vgl. Rabinowitz, 1975). Dabei wurden
sowohl die Nachbarschaftsrelationen der einzelnen Objekte als auch auf Basis der Dimensi-
onen gebildete Objektcluster interpretiert. Da der Forscher im Falle der Interpretation von

78
C. Experimentelle Studien
MDS-Lösungen mittels externer wie auch interner Kriterien auf sein Vorwissen rekurriert
(Borg, 2000), erscheinen beide Verfahren gleichermaßen objektiv.
Als Stimulusmaterial dienten hier Fahrzeugfotos, bei deren Auswahl darauf geachtet
wurde, dass alle aus der gleichen Perspektive von schräg vorne und in silbernem Lack auf-
genommen wurden. Da es jedoch nicht möglich war, komplett standardisierte Fotos hin-
sichtlich Größe, Aufnahmewinkel und Fahrzeugfarbe zu bekommen, können einige Ausrei-
ßer in der Kategorisierung unter Umständen auf Unterschiede im Fotomaterial zurückzufüh-
ren sein.
Zusammenfassend betrachtet, hat sich die gewählte Analysemethodik als geeignet zur
Darstellung der konsumentenseitig wahrgenommenen Marktstruktur unter spezieller
Berücksichtigung der mentalen Integration von Crossover-Fahrzeugen erwiesen.

C. Experimentelle Studien 79
2 Studie 2: Bildung neuer Kategorien in Abhängigkeit der
Stimulusambiguität und der Nennung eines Kategorienlabel
Während mit der ersten Studie das Ziel verfolgt wurde, mit einem explorativen Ansatz die
Struktur des Automobilmarktes aus Kundensicht darzustellen, konzentrieren sich die fol-
genden Hypothesen auf die Bildung neuer automobiler Kategorien aus Kundensicht und die
damit verbundenen Informationsverarbeitungsprozesse. Neben den für das Marketing un-
mittelbar relevanten Größen, wie der tatsächlichen Kategorisierung und der Urteilsbildung,
sind hier auch die innerpsychischen Entscheidungsprozesse bei der Kategorisierung von
Interesse. Wie bereits in Kapitel B2.1 dargestellt, wird die Bildung neuer Kategorien in der
Literatur bislang eher stiefmütterlich behandelt.
Die Produktprogramme der Automobilhersteller werden durch Crossover-Fahrzeuge
deutlich erweitert (vgl. Kapitel A1). Ziel ist es, immer neue Marktnischen zu erschließen
und differenzierte Kundenbedürfnisse zu erfüllen. Inwieweit die Nachfrager sich von der
neuen Produktvielfalt angesprochen fühlen, bleibt jedoch zu klären. Einerseits zeigen sich
Konsumenten begeistert hinsichtlich einer großen Auswahl, andererseits setzt sie dies unter
Umständen auch einer Überstimulierung und Überforderung durch eine unklare Produkt-
vielfalt aus (Iyengar & Lepper, 2000; Herrmann & Heitmann, 2006). Aus diesem Grund soll
am Beispiel von Crossover-Fahrzeugen der Frage nachgegangen werden, wie uneindeutige
Produkte in die Wissensstruktur integriert und bewertet werden.
2.1 Forschungslücken und Hypothesen
2.1.1 Ambiguität und Kategorienbildung
Das Produktkategorienwissen setzt sich aus dem Kategoriennamen und inhaltlichem Wissen
über Produktattribute und ihre Beziehungen untereinander zusammen (Markman & Ross,
2003). Dieses Produktwissen ist in einem konsistenten Schema zusammengefasst (vgl.
Kapitel B1.4). Zur Begründung neuer (automobiler) Klassen bedarf es der Erweiterung
altbekannter Schemata. Wie in Kapitel B2.2.2 dargestellt, bildeten Probanden in Studien
von Sujan und Bettman (1989) sowie Meyers-Levy und Tybout (1989) bei starker bzw.
moderater Diskrepanz eines neuen Produktes zur Produktkategorie eine Subkategorie, wäh-
rend sie das Produkt bei geringer Diskrepanz in die Kategorie assimilierten. Diese Studien
untersuchen innovative Produkte allerdings nur im Vergleich zu einer bestehenden Produkt-
kategorie.
Da neue Produkte, wie z.B. Digitalkameras oder BlackBerries aber auch Crossover-
Fahrzeuge, sich häufig aus mehreren Produktkategorien zusammensetzen, ist die alleinige

80
C. Experimentelle Studien
theoretische Betrachtung der Forschung zur Schemadiskrepanz nicht ausreichend. Neuere
Arbeiten zur Kategorisierung ambiguoser Produkte zeigen, dass uneindeutige Informationen
über neue Produkte zu Unsicherheiten bei der Produktkategorisierung führen (Gregan-
Paxton et al., 2005). Die teilweise widersprüchlichen Informationen ermöglichen
unterschiedliche Interpretationen von Produkteigenschaften (Hoch & Ha, 1986; Hoch &
Deighton, 1989). Wie bereits erläutert, haben sich bestehende Studien auf die Inferenz- und
Präferenzbildung basierend auf existierenden Kategorien für hybride Produkte konzentriert.
Sie haben sich jedoch nicht mit der Bildung neuer Kategorien beschäftigt.
Im Gegensatz zu existierenden Studien soll der Frage nachgegangen werden, inwieweit
Ambiguität in der Produktsubstanz die Bildung neuer Kategorien auf Produkttypenebene
vor dem Hintergrund der individuellen Kategorienstruktur begünstigt. Ambiguität liegt in
der Natur von hybriden Produkten, wie z.B. Crossover-Modellen im Automobilmarkt (vgl.
Kapitel A1.2). Der Grad der Ambiguität steigt mit der Anzahl der dem Produkt zugrunde
liegenden Produkttypen, wie z.B. Aufbauformen. So liegen einer CLS-Klasse beispiels-
weise die Aufbauvarianten Limousine und Coupé zugrunde, während die R-Klasse auf
Limousine, Minivan und SUV beruht. Wird ein hybrides Produkt mit seinen uneindeutigen
Attributen in eine bestehende Produktkategorie integriert, sinkt sowohl die Homogenität der
Kategorie als auch die Differenzierung gegenüber anderen Basiskategorien. 26 Daraus resul-
tiert eine aufgrund reduzierter Genauigkeit weniger effiziente Wissensrepräsentation (vgl.
Alba & Hutchinson, 1987; Bettman et al., 1998). Da informationsverarbeitende Individuen
das Ziel verfolgen, möglichst genaue Urteile zu treffen (Moskowitz et al., 1999), werden sie
entsprechend dem Subtyping Model (vgl. Kapitel B2.2.1) versuchen, diese Unsicherheit
durch die Bildung neuer (Sub-)Kategorien zu vermeiden (Weber & Crocker, 1983). Daher
kann die folgende Hypothese aufgestellt werden:
Hypothese 2.1: Je höher die Ambiguität, desto wahrscheinlicher die Bildung einer neuen
Kategorie.
26 Innerhalb der Kategorienhierarchie weisen Basiskategorien den höchsten Grad an interkategorialer Differenzierung
bei gleichzeitig maximaler intrakategorialer Homogenität auf und führen somit zu einer Herausstellung der Gemeinsamkeiten
von Stimuli innerhalb einer Kategorie und gleichzeitiger maximaler Abgrenzung von Nachbarkategorien (Mervis
& Rosch, 1981) (vgl. Kapitel B1.1). Sujan und Dekleva (1987) haben diese Erkenntnis aus der Grundlagenforschung
auf Produktkategorien übertragen. Während Produktklassen (z.B. Pkw, Nfz, Busse etc.) eine sehr abstrakte Ebene
darstellen, bilden Produkttypen (z.B. Limousine, Kombi, Cabrio etc.) die Basiskategorien ab, denen wiederum einzelne
Modelle untergeordnet sind.

C. Experimentelle Studien 81
2.1.2 Moderierende Funktion eines Kategorienlabel hinsichtlich der Informa-
tionsverarbeitung
Sowohl kognitionspsychologische Studien als auch die Marketingliteratur zeigen, dass dem
Kategorienlabel eine gesonderte Stellung bei Kategorisierungsaufgaben zukommt. Label
geben Aufschluss über die Kategorienzugehörigkeit eines Objektes und stellen damit Infor-
mationen zur Verfügung, die über die Ähnlichkeitsinformation von Merkmalen hinausgehen
(Yamauchi & Markman, 2000; Lingle et al., 1984). Da ein Label im Gegensatz zu Eigen-
schaften ausschließlich auf eine Kategorie zutrifft, weist es eine höhere cue validity 27 auf
und ist bestens zur interkategorialen Differenzierung geeignet. Label lenken die Aufmerk-
samkeit auf die Merkmale der Kategorie. Dies führt dazu, dass Inferenzen zu einem neuen
Objekt stark auf den jeweiligen Kategorienmerkmalen beruhen (Murphy & Ross, 1994). Im
Sinne der Schematheorie fasst ein Label die typischen Eigenschaften einer Kategorie in
Form eines assoziativen Netzwerkes zusammen (Hastie, 1981) (vgl. Kapitel B1.4). Die
Ergebnisse werden auch durch Studien im Bereich des Konsumentenverhaltens gestützt.
Sowohl Sujan (1985), Moreau, Markman et al. (2001) als auch Rajagopal (2004; Rajagopal
& Burnkrant, 2005) zeigen, dass die Zuordnung eines bekannten Produktkategorienlabels zu
einem neuen Produkt zur Übertragung des Kategorienwissens auf das neue Produkt führt
und auch Produktpräferenzen überproportional durch das Label im Vergleich zu Attributen
beeinflusst werden. Studien im deutschsprachigen Raum bestätigen den relativen Einfluss
von Labels im Hinblick auf die Markenwahrnehmung. Assoziationen mit dem Marken-
namen haben einen stärkeren Einfluss auf die Wahrnehmung eines Hotels als die beschrei-
benden Informationen (Wänke, Herrmann, & Schaffner, 2007).
Die Unbekanntheit des Kategorienlabels ist langfristig betrachtet zu vernachlässigen.
Viele Marken werden mit Fantasiewörtern benannt. Studien zur Wiedererkennung von
Wörtern zeigen, dass die Unterschiede zwischen echten Wörtern und Fantasiewörtern nach
wenigen Testdurchläufen (ca. 5) aufgehoben werden und auch nach einem Jahr gleich gut
erinnert werden (Feustel, Shiffrin, & Salasoo, 1983; Salasoo, Shiffrin, & Feustel, 1985). Die
Ergebnisse legen folglich die Erlernbarkeit neuer Kategorienbezeichnungen nahe.
Die dargestellten Studien haben die Rolle von Kategorienlabels bei der Klassifikation
unbekannter Produkte in bestehende Kategorien, bei der Bildung von Inferenzen und Präfe-
renzen untersucht. Möchte ein Unternehmen sich durch ein innovatives Fahrzeugkonzept
vom Wettbewerb differenzieren, ist die Aufnahme des Fahrzeugs in eine bestehende Kate-
27 Cue validity gibt die Wahrscheinlichkeit an, mit der eine Eigenschaft mit einer bestimmten Kategorie, aber nicht einer
alternativen Kategorie auftritt (Rosch & Mervis, 1975).

82
C. Experimentelle Studien
gorie durch den Konsumenten nicht wünschenswert. Erklärtes Ziel der Unternehmen ist in
diesem Fall die Begründung einer neuen Fahrzeugkategorie. Da Label stärkeren Aufschluss
über die Kategorienzugehörigkeit eines Objektes geben und sich neue Gedächtnisassozia-
tionen zwischen dem Label und den genannten Produkteigenschaften bilden, soll im Rah-
men dieser Arbeit der Frage nachgegangen werden, ob sich die Nennung eines unbekannten
Labels für eine neue Produktkategorie positiv auf die Wahrscheinlichkeit der Bildung einer
neuen Kategorie auswirkt.
Hypothese 2.2: Die Nennung eines Kategorienlabels für die neue Aufbauform erhöht die
Wahrscheinlichkeit der Bildung einer neuen Kategorie.
Dass Kategorienlabel nicht nur direkt auf die Kategorisierbarkeit neuer Produkte ein-
wirken, sondern auch den Verarbeitungsprozess beeinflussen, wurde in zahlreichen Studien
nachgewiesen. Label aktivieren Schemata und dienen als peripherer Hinweis, der katego-
rienbasierte Verarbeitungsprozesse auslöst (vgl. Fiske & Neuberg, 1990; Sujan, 1985) (s.
auch Kapitel A2.2.1). Die Ambiguitäts-definition impliziert, größere Schwierigkeiten bei
der Verarbeitung ambiguoser Informationen und reduzierte Sicherheit mit der Kategorisie-
rungsentscheidung aufgrund mangelnder Passung des hybriden Produktes zur mentalen
Kategorienstruktur. Die Nennung eines Kategorienlabels sollte diese Effekte moderieren. Es
wird davon ausgegangen, dass Produkte bei geringer Ambiguität im Sinne der Schema-
diskrepanz eher in eine bestehende Kategorie assimiliert werden (vgl. Sujan & Bettman,
1989; Meyers-Levy & Tybout, 1989) und ein unbekanntes Kategorienlabel diesem
Assimilationsprozess entgegenwirkt. Bei hoher Ambiguität hingegen bietet ein Label eine
zusammenfassende Beschreibung für heterogene schlecht assimilierbare Informationen und
sollte so als Rechtfertigung für die Bildung einer neuen Kategorie dienen. Dem Label
kommt aufgrund seiner Unbekanntheit nicht die inhaltliche Funktion eines Kontextreizes im
Sinne des Inklusions-Exklusionsmodells zu, vielmehr übernimmt es eine moderierende
Funktion im Informationsverarbeitungsprozess, indem es die Ambiguität der Produktsub-
stanz reduziert bzw. erhöht. Daher werden die folgenden Hypothesen abgeleitet:
Hypothese 3.1: Bei hoher Ambiguität erhöht die Nennung eines Kategorienlabels für die
neue Aufbauform die Sicherheit mit der Kategorisierungsentscheidung,
während sie bei niedriger Ambiguität die Sicherheit mit der Kategorisie-
rungsentscheidung reduziert.

C. Experimentelle Studien 83
Dementsprechend wird auch der Effekt der Ambiguität auf die subjektive Schwierig-
keit der Kategorisierung durch die Nennung eines Kategorienlabels moderiert.
Hypothese 3.2: Bei hoher Ambiguität reduziert die Nennung eines Kategorienlabels für die
neue Aufbauform die subjektive Schwierigkeit der Kategorisierung, wäh-
rend sie bei niedriger Ambiguität die subjektive Schwierigkeit der Kategori-
sierung erhöht.
Möller (2004) konstatiert, dass „eine eindeutige klare Benennung der Produkte“ (S. 29)
dazu dient, die Entstehung von Konsumentenverwirrtheit zu verhindern. Kategorienlabel
üben ihren Einfluss – wie oben dargelegt – jedoch nicht unabhängig von der Produkt-
substanz aus. Daher wird auch für die abhängige Variable wahrgenommene Stimulusüber-
lastung eine Interaktion zwischen Ambiguität und Nennung eines Kategoriennamens
erwartet.
Hypothese 3.3: Bei hoher Ambiguität reduziert die Nennung eines Kategorienlabels für die
neue Aufbauform die wahrgenommene Stimulusüberlastung, während sie
bei niedriger Ambiguität die wahrgenommene Stimulusüberlastung erhöht.
2.1.3 Produktevaluation als Ergebnis der Kategorienbeschreibung und Informa-
tionsverarbeitung
Für das Marketing innovativer Produkte sind nicht allein die kognitionspsychologischen
Prozesse von Relevanz, vielmehr interessieren ihre Auswirkungen auf die Produktbeurtei-
lung als Indikator eines Markterfolgs. Es stellt sich die Frage, inwieweit sich die während
der Kategorisierung eines mehrdeutigen Produktes ablaufenden Informationsverarbeitungs-
prozesse auf die Urteilsbildung auswirken und somit Effekte der Ambiguität und eines
Kategorienlabels mediieren.
Die Bewertung von Produkten ist nicht allein von der Evaluation der konstituierenden
Produkteigenschaften, sondern auch von Merkmalen des zugrunde liegenden Verarbei-
tungsprozesses abhängig (Lee & Labroo, 2004; Cho & Schwarz, 2006). Die Literatur zu
subjektiven Erfahrungen zeigt, dass sich hohe Fluency während der Stimulusverarbeitung
positiv auf das Urteil auswirkt (Schwarz, 2004). Hohe Conceptual Fluency als Facette der
Processing Fluency ist gekennzeichnet durch eine geringe wahrgenommene Schwierigkeit
bei der Verarbeitung neuer, externer Informationen. Sie kann durch die Verfügbarkeit pas-
sender mentaler Konzepte zur Stimuluskategorisierung hervorgerufen werden (Schwarz,

84
C. Experimentelle Studien
2004). Generell ist anzunehmen, dass sich höhere Ambiguität negativ auf die Produkteva-
luation auswirkt. Brömer (2000) kann zeigen, dass Einstellungen zu evaluativ inkonsistent
dargestellten Produkten signifikant negativer ausfallen als zu evaluativ neutral dargestellten
Produkten. Die Nennung eines unbekannten Kategorienlabels hingegen sollte sich positiv
auf die Bewertung auswirken, da ein Label als strukturierender Faktor wirkt und dadurch
die Informationsverarbeitung erleichtert. Die Interaktion zwischen Ambiguität und der Nen-
nung eines Kategorienlabels sollte analog der Effekte auf die Informationsverarbeitungs-
variablen auch auf die Produktevaluation zutreffen und durch die Anstrengungen bei der
Informationsverarbeitung mediiert werden. Daher soll folgende Hypothese aufgestellt
werden:
Hypothese 4.1: Bei hoher Ambiguität verbessert die Nennung eines Kategorienlabels für
die neue Aufbauform die Produktevaluation, während sie bei niedriger Am-
biguität die Produktevaluation verschlechtert.
Hypothese 4.2: Dieser Interaktionseffekt wird durch die Anstrengungen bei der
Informationsverarbeitung mediiert.
2.1.4 Repräsentativität und Produktevaluation
Wie bereits in Kapitel C1.1.2 dargelegt, werden in der Literatur positive Zusammenhänge
zwischen wahrgenommener Typikalität und Produktevaluation sowie zwischen wahrge-
nommener Neuartigkeit und Produktevaluation unter Konstanthaltung der jeweils anderen
Variable postuliert. Da diese Thesen in Studie 1 jedoch nicht bestätigt werden konnten, sol-
len sie an dieser Stelle nochmals geprüft werden.
Hypothese 5.1: Je typischer ein Produkt für seine Kategorie ist, desto positiver fällt die
Produktbewertung aus. Je neuartiger ein Produkt ist, desto positiver fällt
die Produktbewertung aus. Aufgrund der negativen Korrelation zwischen
wahrgenommener Typikalität und wahrgenommener Neuartigkeit werden
diese Effekte jedoch nur sichtbar, wenn die jeweils andere Variable
auspartialisiert wird.
Zusätzliche soll der Erklärungsbeitrag der Typikalitäts- und Neuartigkeitswahrneh-
mung zur Produktevaluation untersucht werden.

C. Experimentelle Studien 85
Fragestellung 5.2: Wie stark wird die Produktevaluation durch die wahrgenommene
2.2 Untersuchungsdesign
Typikalität und wahrgenommene Neuartigkeit beeinflusst?
Der Untersuchung liegt ein 2 (Ambiguität: gering vs. hoch) x 2 (Label: keine Nennung vs.
Nennung) faktorielles Design zugrunde. Jedem Versuchsteilnehmer wird eine Werbeanzeige
präsentiert, die beiden Faktoren werden entsprechend between-subjects variiert.
2.2.1 Unabhängige Variablen
Als Stimulusmaterial zur Darstellung und Benennung des ambivalenten Produktes wird eine
fiktive Werbeanzeige gewählt. Probanden sind es gewohnt, Informationen im Rahmen von
Neuprodukteinführungen durch Werbeanzeigen zu erhalten. Die zentrale Fragestellung stellt
zwei Anforderungen an die Produktauswahl und die Gestaltung des Stimulusmaterials. Zum
einen müssen zwei unterschiedlich hohe Ausprägungen von Ambiguität eines Fahrzeug-
konzeptes erzielt werden und zum zweiten muss eine vermeintliche Segmentbezeichnung
gefunden werden, die von den Versuchsteilnehmern als solche erkannt und nicht als Pro-
duktmarke wahrgenommen wird. Zur Darstellung eines ambiguosen Produktes wird ein
Foto der Mercedes-Benz R-Klasse ausgewählt und als kleines Bild in die fiktive Anzeige
integriert. Die Produktbezeichnung wird in Mercedes-Benz D-Klasse verfälscht. Die gerin-
gen Absatzzahlen 28 sowie Marktforschungsstudien deuten auf eine geringe Modellbekannt-
heit hin. Es ist folglich davon auszugehen, dass die Mehrheit der Bevölkerung kein klares
Schema des Fahrzeugs hat. Die beiden Ausprägungen von Ambiguität werden durch Kom-
binationen von typischen Eigenschaften der unterschiedlichen Aufbauformen erzielt. Um
Effekte auf den information load konstant zu halten, werden für beide Ausprägungen je vier
Aussagen ausgewählt. In einem Pretest 29 wurden mittels eines vereinfachten Kelly
Repertory Grid Verfahrens Dimensionen exploriert, mit denen der Proband den Auto-
mobilmarkt strukturiert. Dazu wurden die Probanden aufgefordert, Eigenschaften von Fahr-
zeugen und das jeweils dazugehörige Gegenteil zu nennen. Zusätzlich wurden durch offene
Nennungen typische Produkteigenschaften der einzelnen Aufbauvarianten abgefragt. Aus
den Antworten wurden einzelne Sätze zur Beschreibung der Aufbauformen generiert. Zur
28 Die R-Klasse hat im Topjahr 2006 in Deutschland nur 4449 Einheiten abgesetzt (Kraftfahrt-Bundesamt, 2007).
29 Die Daten des Pretests wurden in einem Kölner Marktforschungsinstitut mit 105 Probanden in halbstrukturierten
Interviews erhoben.

86
C. Experimentelle Studien
Überprüfung der Verständlichkeit und der Aufbauformenspezifizität werden 20 Personen 30
gebeten, eine Zuordnung der Items zu den Aufbauvarianten vorzunehmen. Uneingeschränkt
werden die Beschreibungen übernommen, bei denen 70% der Befragten der eindeutigen
Aufbauformenzugehörigkeit zustimmen. Indikatoren, die nicht eindeutig zugeordnet wer-
den, werden mit den Befragten besprochen und modifiziert. Die finale Auswahl besteht aus
jeweils vier Eigenschaften und ist Abbildung 10 zu entnehmen.
Da die Segmentbezeichnung im Hinblick auf die Assoziation von Merkmalen der
bekannten Aufbauformen neutral sein soll, um den Kategorisierungsprozess nicht inhaltlich
zu leiten, überprüfte der Pretest ebenfalls Konnotationen für mögliche Kategorienbezeich-
nungen. Den Probanden wurden nacheinander drei mögliche Bezeichnungen präsentiert, zu
denen sie in einem Laddering-Verfahren ihre Assoziationen frei äußern sollten. Zusätzlich
ordneten die Versuchsteilnehmer das Kategorienlabel der ihrer Ansicht nach am besten pas-
senden Aufbauvariante zu. Neben dem Begriff „Sportstourer“ wurden als potentielle
Bezeichnungen „Variotourer“ und „Crosstourer“ überprüft. Die Ergebnisse zeigen, dass
74% der Befragten „Crosstourer“ den SUVs und 40% „Variotourer“ den Minivans zuord-
nen. Aufgrund dieser starken Assoziationen zu bekannten Aufbauformen sind diese Begriffe
nicht als neue Segmentbezeichnung geeignet. Letztendlich wurde als Kategorienlabel
„Sportstourer“ ausgewählt, da Assoziationen mit bestehenden Aufbauformen hier weniger
eindeutig sind. Abbildung 10 zeigt die Werbeanzeigen der Experimentalbedingungen im
Überblick:
Ambiguität
GERING
Ambiguität
HOCH
NO LABEL LABEL
Abbildung 10: Werbeanzeigen der Experimentalbedingungen
30 Teilnehmer waren sowohl Mitarbeiter der Mercedes-Benz Marketingstrategie, die über Erfahrung in der Konstruktion
von Messinstrumenten für die Automobilindustrie verfügen, sowie Laien, die die allgemeine Verständlichkeit
sicherstellen sollten.

C. Experimentelle Studien 87
Der Erfolg der Ambiguitätsmanipulation wird anhand des folgenden Items geprüft:
Tabelle 26: Operationalisierung Manipulationscheck
Item
MC Bei der Eingruppierung des Fahrzeugs aus der Anzeige fühle ich mich überhaupt nicht
(1) – sehr stark hin und her gerissen (7)
Quelle: Brömer (1998; 2000)
Weitere Informationsverarbeitungsvariablen, die den Erfolg der Ambiguitätsmanipula-
tion belegen, werden im nächsten Abschnitt diskutiert.
2.2.2 Abhängige Variablen
Die Ergebnisse der Studie sollen zum einen Aufschluss über die Kategorisierung des ambi-
guosen Produktes sowie den zugrunde liegenden Kategorisierungsprozess und zum anderen
für das Marketing unmittelbar relevante Variablen geben. Bei der Kategorisierung wird für
die Analysen unterschieden, ob Probanden das Fahrzeug in eine bestehende, im Vorfeld für
bekannte Fahrzeuge gebildete Kategorien gruppiert haben oder ob Probanden eigens eine
neue Kategorie bilden. Informationen über den Kategorisierungsprozess werden anhand
subjektiver Skalen erhoben. Da die Untersuchung im Paper & Pencil Verfahren durchge-
führt wird, kann keine objektive Skala wie die Erfassung der Reaktionszeit bei der Klassifi-
kationsentscheidung integriert werden. Reaktionszeiten gelten als valides Maß für die
Stärke von Assoziationen zwischen Exemplar und Item (Fazio, 1990; Fazio, Williams, &
Powell, 2000). Als subjektive Maße dienen die Subjektive Schwierigkeit der Kategorisie-
rung (SSK) sowie die Sicherheit mit der Kategorisierungsentscheidung (SKE). Alle Items
werden auf 7-stufigen Ratingskalen abgefragt. Die Operationalisierung der subjektiven
Schwierigkeit der Kategorisierung geht auf Brömer (2000) zurück, der diese im Kontext
evaluativ inkonsistenter Produktbeschreibungen einsetzte. Sie fragt ab, wie leicht bzw.
schwer die Einordnung des Fahrzeuges in eine Gruppe fiel. Die subjektiv wahrgenommene
Schwierigkeit bezieht sich auf den Prozess der Urteilsbildung selbst.
Tabelle 27: Operationalisierung Subjektive Schwierigkeit der Kategorisierung
Als Sie vor der Aufgabe standen, das Fahrzeug aus der Anzeige zu gruppieren, wie leicht fiel
Ihnen die Einordnung?
Item
SSK Das Fahrzeug in eine Gruppe einzuordnen, fiel mir sehr leicht (1) – sehr schwer (7)
Quelle: Brömer (2000)

88
C. Experimentelle Studien
Die Sicherheit mit der Kategorisierungsentscheidung hingegen spiegelt die Einstellung
wider, zu einer validen Entscheidung gelangt zu sein und bezieht sich damit auf das Ergeb-
nis. Jacoby et al. (1974) wie auch Brömer (2000), der Entscheidungssicherheit vor dem
Hintergrund der Komplexität der Verarbeitung ambivalenter Stimuli untersucht, wählen
eine Operationalisierung durch ein singuläres Item. Hier soll jedoch in Anlehnung an
Urbany, Bearden, Kaicker und Smith-de Borrero (1997) auf eine Multi-Item-Messung mit
drei Items zurückgegriffen werden. Die Autoren berichten für ihre Skala ein Cronbachs α
von 0,93.
Tabelle 28: Operationalisierung Sicherheit mit der Kategorisierungsentscheidung
Als Sie vor der Aufgabe standen, das Fahrzeug aus der Anzeige zu gruppieren, wie überzeugt
waren Sie, das Fahrzeug richtig eingeordnet zu haben?
Item
SKE1 Ich fühlte mich sehr unsicher (1) – sehr sicher (7)
SKE2 Ich war davon überhaupt nicht überzeugt (1) – absolut überzeugt (7)
SKE3 Es war für mich absolut ungewiss (1) – absolut gewiss (7)
Quelle: Urbany et al. (1997); vgl. Jonas et al. (1997), Brömer (1998; 2000)
Einen weiteren Aspekt der Verarbeitung inkonsistenter Informationen stellt die wahr-
genommene Stimulusüberlastung dar. Die Operationalisierung wird analog Studie 1 umge-
setzt (vgl. Tabelle 5). Die Konstrukte zur Messung der wahrgenommenen Typikalität, der
wahrgenommenen Neuartigkeit sowie der Produktevaluation werden ebenfalls analog
Studie 1 operationalisiert (vgl. C1.2.2).
2.2.3 Kontrollvariablen
Zusätzlich zu den abhängigen Variablen werden zur statistischen Kontrolle Personen-
variablen erfasst, die sich möglicherweise störend oder moderierend auf die postulierten
Zusammenhänge auswirken. Für diese Variablen werden vereinzelt Vermutungen geäußert,
jedoch keine gerichteten Hypothesen formuliert. Da in Studie 1 festgestellt wurde, dass Pro-
duktwissen und Automobil-Involvement sehr hoch miteinander korrelieren, wird in Studie 2
auf die Erhebung des Involvement-Konstruktes als Kontrollvariable verzichtet. Neben der
personenspezifischen Variable Produktwissen sowie soziodemographischen Angaben und
Informationen zum Fahrzeugbesitz, wird die Modellbekanntheit der Mercedes-Benz R-
Klasse als dichotomes Merkmal abgefragt.
2.3 Ablauf
Die Daten für Studie 2 wurden in einer Paper & Pencil Befragung im Rahmen einer Marke-
ting Vorlesung eines Executive MBA Programmes an einer Schweizer Universität im

C. Experimentelle Studien 89
November 2007 erhoben. Um Versuchsleitereffekte auszuschließen und die Versuchsbedin-
gungen zu standardisieren, werden alle Probanden per schriftlicher Instruktion durch die
Untersuchung geführt. Ein Versuchsleiter ist jedoch ständig anwesend, um eventuelle Fra-
gen zu beantworten. Jeder Versuchsteilnehmer bekommt die fünfseitigen Unterlagen zur
individuellen Bearbeitung. Der Titel der Studie lautet „Automobile“ und die Teilnehmer
werden in einem kurzen Einführungstext auf die aktuellen Veränderungen im Automobil-
markt hinsichtlich einer zunehmenden Vielfalt aufmerksam gemacht. Da es sich hierbei um
eine für die Probanden sehr anspruchsvolle Aufgabe handelt, wird hohes Aufgaben-Involve-
ment manipuliert. Durch Betonung der hohen Relevanz der Ergebnisse für die Markteinfüh-
rung eines neuen Automobils soll systematische Informationsverarbeitung begünstigt wer-
den (vgl. Johar, 1995; Maheswaran & Meyers-Levy, 1990). In den wenigen Studien zur
Verarbeitung ambiguoser Informationen hat sich gezeigt, dass Probanden nur bei hoher
Motivation Informationen aller zugrunde liegenden Produktkategorien verarbeiten (Moreau,
Markman et al., 2001; Rajagopal, 2004). Analog verlangt auch die automobile
Kaufentscheidung ein hohes Involvement beim Kauf (vgl. Kuß & Tomczak, 2000). Nach-
dem die Probanden den Einführungstext gelesen haben, werden sie gebeten umzublättern
und die Aufgabe zu beginnen. Auf der zweiten Seite nehmen sie die Gruppierung von zwölf
standardisierten Fahrzeugfotos (Audi A6, BMW 5er, Mercedes-Benz E-Klasse, BMW 5er
Touring, Mercedes-Benz E-Klasse T-Modell, VW Passat Variant, Audi Q7, BMW X5,
Mercedes-Benz M-Klasse, Ford C-Max, Opel Zafira, VW Touran) analog einem Card
Sorting Verfahren vor. Es werden deutsche Fabrikate der Aufbauformen Limousinen, Kom-
bis, Minivans und SUVs präsentiert. Auf der dritten Seite wird ihnen entsprechend der
Experimentalbedingungen eine Werbeanzeige gezeigt. Die Probanden werden aufgefordert,
sich die Anzeige aufmerksam durchzulesen und sich eine Meinung über das Fahrzeug zu
bilden. Im Anschluss werden zuerst die abhängigen Variablen zum Kategorisierungsprozess
sowie zur Urteilsbildung, gefolgt von den Kontrollvariablen erhoben. Die Kontrollvariablen
werden in der Reihenfolge Modellbekanntheit der Mercedes-Benz R-Klasse 31 , Produkt-
wissen, soziodemographische Daten und Angaben zum Fahrzeugbesitz abgefragt.
2.4 Stichprobe
An Studie 2 nahmen insgesamt 120 Probanden im Alter von 24 bis 60 Jahren (M = 37,49;
SD = 8,68) teil. Davon sind 71% männlichen Geschlechts. Die überwiegende Mehrheit der
31 Die Modellbekanntheit der R-Klasse wird gemeinsam mit weiteren vier Modellbekanntheiten nach dem Hauptteil des
Fragebogens abgefragt, um zu gewährleisten werden, dass die Probanden keine Verbindungen zum Zweck der Studie
erraten.

90
C. Experimentelle Studien
Probanden besitzt ein eigenes Auto (80%). Es liegen keine signifikanten Unterschiede
dieser Variablen in Bezug auf die abhängigen Variablen vor. Bei den berichteten Marken
handelt es sich um die verschiedensten Fabrikate. Davon entfallen 34% auf Premiummarken
und 66% auf Volumenmarken.
2.5 Ergebnisse
2.5.1 Manipulationscheck
Mit Hilfe der Ambiguitätsmanipulation können erfolgreich Unterschiede in der wahrge-
nommenen Ambivalenz der Werbeanzeigen induziert werden (t(112,559) = -8,533; p < 0,001).
Probanden, denen die Anzeige mit hoher Ambiguität der Produktbeschreibung präsentiert
wird, fühlen sich bei der Einordnung des Fahrzeugs stärker hin und her gerissen als Proban-
den, denen die Anzeige mit einer gering ambiguosen Produktbeschreibung präsentiert wird
(Ms 2,82 vs. 4,83). Entsprechend der Ambiguitätsdefinition geben Probanden an, in der Be-
dingung hoher Ambiguität größere Schwierigkeiten bei der Kategorisierung wahrzunehmen
(Ms 4,97 vs. 2,67; t(111,161) = -10,041; p < 0,001), sich weniger sicher mit der Kategorisie-
rungsentscheidung zu fühlen (Ms 2,46 vs. 4,84; t(107,761) = 11,761; p < 0,001) und mehr
Stimulusüberlastung wahrzunehmen (Ms 5,47 vs. 2,67; t(118) = -15,439; p < 0,001) als
Probanden in der Bedingung geringer Ambiguität.
2.5.2 Kontrollvariablen
Zur statistischen Kontrolle werden Personenvariablen betrachtet, die möglicherweise Ein-
fluss auf die postulierten Zusammenhänge haben. Zunächst werden die deskriptiven Statis-
tiken der Variable Produktwissen (PW) kurz referiert (vgl. Tabelle 29). Aufgrund ihrer
Homogenität können die Items der Skala durch Mittelwertsbildung zu einem Index aggre-
giert werden. Die Reliabilität ist äußerst zufriedenstellend (Cronbachs α = 0,979) und weist
somit eine sehr gute interne Konsistenz auf. Dem Kolmogorov-Smirnov Anpassungstest
zufolge ist die Skala Produktwissen nicht normalverteilt. Die Statistiken weisen auf eine
positive Schiefe der Verteilung hin. Da dieser Test jedoch sehr teststark ist und die Wahr-
scheinlichkeit der Ablehnung der Nullhypothese normalverteilter Daten mit zunehmender
Stichprobengröße steigt (Bortz, 2005), soll auch an dieser Stelle analog des von Hair et al.
(1998) vorgeschlagenen zweistufigen Verfahrenes vorgegangen werden. Das Q-Q-Vertei-
lungsdiagramm ist in Anhang F dargestellt. Aus der Grafik sind nur geringe Abweichungen
von der Diagonalen ersichtlich. Auch die Überprüfung der z-Werte für Schiefe und Kurtosis
im zweiten Schritt weist nicht auf eine Verletzung der Normalverteilungsannahme hin.

C. Experimentelle Studien 91
Tabelle 29: Deskriptive Statistiken und Test auf Normalverteilung der Skala Produktwissen
Skala M SD Sch z(Sch) Kur z(Kur) K-S-Z p
PW 3,32 1,85 0,605 2,737 -0,788 -1,78 1,753 0,004
Anmerkungen. N = 252. M: Arithmetisches Mittel. SD: Standardabweichung. Sch: Schiefe.
z(Sch): z-Wert Schiefe. Kur: Kurtosis. z(Kur): z-Wert Kurtosis. K-S-Z: Z-Wert des Kolmogorov-Smirnov
Anpassungstests. p: asymptotische Signifikanz (2-seitig).
Eine zweifaktorielle ANOVA (Ambiguität x Label) mit dem Produktwissen als abhän-
giger Variable zeigt, dass das Produktwissen von der Ambiguitätsmanipulation nicht unbe-
einflusst blieb: Es ergibt sich ein signifikanter Haupteffekt (F(1,116) = 9,379; p < 0,003). Pro-
banden, denen die Anzeige hoher Ambiguität präsentiert wird, schätzen ihr Produktwissen
geringer ein (M = 2,81) als Probanden, die die Anzeige geringer Ambiguität gesehen haben
(M = 3,81). Aufgrund dieser Verletzung des Unabhängigkeitskriteriums ist die Berechnung
von Varianzanalysen mit dem Produktwissen als Kovariate nicht sinnvoll.
Gut die Hälfte der Versuchsteilnehmer (59%) gibt an, die Mercedes-Benz R-Klasse zu
kennen. Eine zweifaktorielle ANOVA (Ambiguität x Label) mit der Modellbekanntheit als
abhängiger Variable weist nicht auf signifikante Effekte hin (ps > 0,25). Eine dreifaktorielle
MANOVA unter Einbezug des Faktors Bekanntheit R-Klasse zeigt im Hinblick auf die
abhängigen Variablen generell keine Unterschiede zwischen Probanden, die die R-Klasse
kennen bzw. nicht kennen.
2.5.3 Kategorienbildung, Informationsverarbeitungsprozesse und Produktevaluation
Primäres Ziel der Studie war es, den Einfluss von Ambiguität in der Produktsubstanz und
der Nennung eines unbekannten Labels auf die Bildung neuer Kategorien auf Produkttypen-
ebene und auf die Präferenzbildung zu untersuchen. Für beide unabhängigen Variablen
werden Haupteffekte hinsichtlich der Bildung einer neuen Kategorie postuliert (Hypothesen
2.! und 2.2). Zur Überprüfung dieser Thesen wird jeweils ein Kontingenztest durchgeführt.
Da den Analysen je eine Vierfeldertafel zugrunde liegt und keine der erwarteten Häufig-
keiten kleiner fünf ist, wird für die Berechnung des χ²–Wertes die korrigierte Teststatistik
nach Yates angewandt (vgl. Bortz, 2005; Backhaus et al., 2000). Für den Zusammenhang
zwischen Ambiguität und Kategorienbildung kann die Nullhypothese der Unabhängigkeit
zwischen beiden Variablen verworfen werden (χ²korr = 4,802; p < 0,028). Unter der Bedin-
gung hoher Ambiguität bilden 31 von 59 Probanden (52,5%) eine neue Kategorie, während
dies in der Bedingung geringer Ambiguität nur 19 von 61 Probanden (31,1%) tun. Hypo-
these 2.1 kann damit angenommen werden. Der Phi-Koeffizient weist auf einen Zusam-
menhang mittlerer Stärke hin (φ = 0,189; p < 0,039). Zwischen der Nennung einer Katego-

92
C. Experimentelle Studien
rienbezeichnung und der Kategorienbildung besteht hingegen kein signifikanter Zusam-
menhang (χ²korr = 3,545; p > 0,060).
Tabelle 30: Kreuztabelle Kategorienbildung x Ambiguität x Kategorienbenennung
Ambiguität Kategorien-benennung
Neue
Kategorie
Bestehende
Kategorie Gesamt
gering Kein Label 12 19 31
38,7% 61,3% 100,0%
Label 7 23 30
23,3% 76,7% 100,0%
Gesamt 19 42 61
31,1% 68,9% 100,0%
hoch Kein Label 19 11 30
63,3% 36,7% 100,0%
Label 12 17 29
41,4% 58,6% 100,0%
Gesamt 31 28 59
52,5% 47,5% 100,0%
Anmerkungen. Beobachtete Häufigkeiten und Prozent von Label.
Neben der Kategorisierung selbst werden zum besseren Verständnis des zugrunde lie-
genden Prozesses Variablen zur Informationsverarbeitung erhoben. Zunehmende Ambigui-
tät sollte die Informationsverarbeitung erschweren. Für die Nennung eines Kategorienlabels
werden Interaktionseffekte mit der Höhe der Ambiguität postuliert. Ein unbekanntes Kate-
gorienlabel sollte die Kategorisierung bei geringer Ambiguität erschweren, indem es dem
im Rahmen geringer Schemadiskrepanz auftretenden Assimilationseffekt entgegenwirkt,
während es bei hoher Ambiguität eine zusammenfassende Beschreibung für heterogene
schlecht assimilierbare Informationen und damit eine Rechtfertigung für die Exklusion des
Exemplars bieten sollte (Hypothesen 3.1, 3.2 und 3.3). Die Items der Skalen Sicherheit mit
der Kategorisierungsentscheidung (SKE) (Cronbachs α = 0,969) und wahrgenommene
Stimulusüberlastung (WSÜ) (Cronbachs α = 0,977) werden durch Mittelwertsbildung
jeweils zu einem Index aggregiert. Die subjektive Schwierigkeit der Kategorisierung (SSK)
wird nur mittels eines Items erhoben. Tabelle 31 stellt die deskriptiven Statistiken der drei
Skalen dar. Auch wenn der Kolmogorov-Smirnov Test auf Abweichung von der Normal-
verteilung hinweist, kann die Normalverteilungsannahme aufgrund der Analyse der z-Werte
für Schiefe und Kurtosis beibehalten werden.

C. Experimentelle Studien 93
Tabelle 31: Deskriptive Statistiken und Test auf Normalverteilung der Skalen zur Informationsverarbeitung
Skala M SD Sch z(Sch) Kur z(Kur) K-S-Z p
SSK 3,80 1,69 0,320 1,45 -0,883 -2,01 1,889 0,001
SKE 3,67 1,63 0,333 1,51 -0,832 -1,90 1,103 0,175
WSÜ 4,05 1,72 0,108 0,49 -1,368 -3,12 1,231 0,096
Anmerkungen. N = 120. M: Arithmetisches Mittel. SD: Standardabweichung. Sch: Schiefe.
z(Sch): z-Wert Schiefe. Kur: Kurtosis. z(Kur): z-Wert Kurtosis. K-S Z: Z-Wert des Kolmogorov-Smirnov
Anpassungstests. p: asymptotische Signifikanz (2-seitig).
Tabelle 32 zeigt die Korrelationsmatrix zwischen den Variablen an. Im Sinne einer
Kreuzvalidierung weisen die Korrelationen die erwarteten Zusammenhänge auf. Größere
subjektive Schwierigkeit geht einher mit geringerer Sicherheit bei der Kategorisierungs-
entscheidung und höherer wahrgenommener Stimulusüberlastung. Wahrgenommene
Stimulusüberlastung korreliert negativ mit der Sicherheit der Kategorisierungsentscheidung.
Alle Korrelationen sind von substantieller Größe und auf einem α-Niveau von 0,001 höchst
signifikant.
Tabelle 32: Kreuzvalidierung der abhängigen Skalen zur Informationsverarbeitung
SSK SKE WSÜ
Subjektive Schwierigkeit der Kategorisierung 1
Sicherheit mit der Kategorisierungsentsch. -0,588*** 1
Wahrgenommene Stimulusüberlastung 0,654*** -0,722*** 1
Anmerkungen. Produkt-Moment-Korrelation. *p

94
C. Experimentelle Studien
die Interaktion der beiden unabhängigen Variablen; diese ist hochsignifikant (F(1,116) =
33,824; p < 0,001; ε = 0,55) und stellt einen großen Effekt dar. Die subjektive Schwierigkeit
der Kategorisierung wird in der Bedingung hoher Ambiguität durch die Nennung eines
Kategorienlabels reduziert, während sie in der Bedingung geringer Ambiguität durch die
Nennung eines Kategorienlabels erhöht wird. Hypothese 3.2 kann somit bestätigt werden.
Auch im Hinblick auf die Sicherheit mit der Kategorisierungsentscheidung interagie-
ren die beiden unabhängigen Variablen (F(1,116) = 20,353; p < 0,001; ε = 0,42): Die durch
hohe Ambiguität induzierte Unsicherheit kann durch die Nennung eines Kategorienlabels
reduziert werden, während ein Label bei geringer Ambiguität irritierend wirkt und die
Sicherheit reduziert. Hypothese 3.1 wird ebenfalls bestätigt. Der Befund stellt nach der
Klassifikation von J. Cohen (1988) einen großen Effekt dar.
Auch die wahrgenommene Stimulusüberlastung, die sich im Gegensatz zu den soeben
diskutierten Variablen nicht explizit auf die Kategorisierungsaufgabe selbst bezieht, sondern
durch die Wahrnehmung der Angebotsvielfalt operationalisiert ist, wird durch die Wech-
selwirkung zwischen Ambiguität und Nennung eines Kategorienlabels beeinflusst (F(1,116) =
17,531; p < 0,001; ε = 0,39). ε weist auf einen Effekt mittlerer Stärke hin und Hypothese 3.3
kann somit bestätigt werden. Eine Zusammenfassung der Zwischensubjekteffekte der univa-
riaten Varianzanalysen gibt Tabelle 33:
Tabelle 33: Test der Zwischensubjekteffekte auf die Informationsverarbeitungsvariablen
Quelle SS df MS F p ε
Subjektive Schwierigkeit der Kategorisierung
Ambiguität 155,16 1 155,16 134,874 0,000 1,08
Label 11,72 1 11,72 10,188 0,002 0,29
A x L 38,91 1 38,91 33,824 0,000 0,55
Fehler 133,44 116 1,15
Total 341,20 119
Sicherheit mit der Kategorisierungsentscheidung
Ambiguität 168,38 1 168,38 157,549 0,000 1,18
Label 1,11 1 1,11 1,034 0,311 0,10
A x L 21,75 1 21,75 20,353 0,000 0,42
Fehler 123,97 116 1,07
Total 317,44 119
Wahrgenommene Stimulusüberlastung
Ambiguität 232,54 1 232,54 268,561 0,000 1,53
Label 0,61 1 0,61 0,707 0,402 0,10
A x L 15,18 1 15,18 17,531 0,000 0,39
Fehler 100,44 116 0,87
Total 350,73 119
Anmerkungen. SS: Quadratsumme. df: Freiheitsgrade. MS: Mittel der Quadrate. F: Teststatistik.
p: Signifikanz. ε: Effektstärke (0,10: klein. 0,25: mittel. 0,40: groß).

C. Experimentelle Studien 95
Abbildung 11 stellt die referierten Effekte auf die Informationsverarbeitungsvariablen
graphisch dar:
6
5
4
3
2
Subjektive Schwierigkeit
der Kategorisierung
Kein Label Label
Ambiguität hoch
Ambiguität gering
6
5
4
3
2
Sicherheit mit der
Kategorisierungsentscheidung
Ambiguität gering
Ambiguität hoch
Kein Label Label
6
5
4
3
2
Wahrgenommene
Stimulusüberlastung
Ambiguität hoch
Ambiguität gering
Kein Label Label
Abbildung 11: Mittelwertsverläufe für die Informationsverarbeitungsvariablen in Abhängigkeit
der Ambiguität und der Nennung eines Kategorienlabels.
Anmerkungen. Wertebereich von 1 bis 7. 29 ≤ N ≤ 31.
Von Interesse für die Marketingforschung sind nicht allein die Effekte der Stimulus-
gestaltung auf die Informationsverarbeitung, sondern die Auswirkungen der Manipulation
und der damit verbundenen kognitiven Prozesse auf die Produktevaluation. 33 Weiterfüh-
rende Analysen zeigen, dass sich hohe Ambiguität negativ (Ms 5,03 v. 2,94) (F(1,116) =
111,581; p < 0,001; ε = 0, 98) und die Nennung eines unbekannten Label positiv auf die
Evaluation auswirkt (Ms 3,56 vs. 4,46) (F(1,116) = 21,571; p < 0,001; ε = 0, 43). Des Weite-
ren liegt ein ordinaler Interaktionseffekt beider unabhängigen Variablen hinsichtlich der
Produktbewertung vor (F(1,116) = 10,949; p < 0,001; ε = 0,31). Wie aus Abbildung 12 ersicht-
lich, wirkt sich die Nennung einer Kategorienbezeichnung bei hoher Ambiguität deutlich
stärker auf die Produktbewertung aus als in der Bedingung geringer Ambiguität. Hypothese
4.1 kann somit bestätigt werden.
33 Die Items der Skala werden per Mittelwertsbildung zu einem reliablen Index zusammengefasst (Cronbachs α =
0,968).

96
6
5
4
3
2
No Label Label
Ambiguität gering
Ambiguität hoch
C. Experimentelle Studien
Abbildung 12: Mittelwertsverläufe für die Produktevaluation in Abhängigkeit der Ambiguität
und der Nennung eines Kategorienlabels
Anmerkungen. Wertebereich von 1 bis 7. 29 ≤ N ≤ 31.
Die Haupteffekte sind nach J. Cohen (1988) als groß zu bewerten, die Interaktion als
ein Effekt mittlerer Größe. Die Zwischensubjekteffekte sind in Tabelle 34 zusammen-
gefasst:
Tabelle 34: Test der Zwischensubjekteffekte auf die Produktevaluation
Quelle SS df MS F p ε
Ambiguität 130,19 1 130,19 111,581 0,000 0,98
Label 25,17 1 25,17 21,571 0,000 0,43
A x L 12,78 1 12,78 10,949 0,001 0,31
Fehler 135,35 116 1,17
Total 304,33 119
Anmerkungen. SS: Quadratsumme. df: Freiheitsgrade. MS: Mittel der Quadrate. F: Teststatistik.
p: Signifikanz. ε: Effektstärke (0,10: klein. 0,25: mittel. 0,40: groß).
Aus der Fluency Theorie ist bekannt, dass sich zunehmende Schwierigkeit bei der
Informationsverarbeitung negativ auf Produktbewertungen auswirkt und die Effekte der
zugrunde liegenden Produkteigenschaften mediiert. Gleiches wird auch hier postuliert. Auf-
grund der hohen Interkorrelation der drei Informationsverarbeitungsvariablen werden diese
für die folgende Analyse zu einem Index zusammengefasst (Cronbachs α = 0,966), der die
Anstrengung bei der Informationsverarbeitung misst. Baron und Kenny (1986) zufolge kann
ein mediierter Moderatoreffekt dokumentiert werden, wenn signifikante Effekte des Interak-
tionsterms auf die abhängige und mediierende Variable, wie auch ein Effekt der mediieren-
den Variablen auf die abhängige Variable vorliegen. Die vorausgehende Analyse hat den
Interaktionseffekt auf die Produktevaluation nachgewiesen. Eine weitere univariate Vari-
anzanalyse zeigt einen Interaktionseffekt der beiden unabhängigen Variablen auf den neu
gebildeten Index der Informationsverarbeitungsvariablen auf (F(1,116) = 37,874, p < 0,001; ε
= 0,57) (vgl. Tabelle 35).

C. Experimentelle Studien 97
Tabelle 35: Test der Zwischensubjekteffekte auf den Informationsverarbeitungsindex
Quelle SS df MS F p ε
Ambiguität 204,15 1 204,15 406,624 0,000 1,87
Label 0,25 1 0,25 0,491 0,485 0,07
A x L 19,01 1 19,01 37,874 0,000 0,57
Fehler 58,24 116 0,50
Total 283,72 119
Anmerkungen. SS: Quadratsumme. df: Freiheitsgrade. MS: Mittel der Quadrate. F: Teststatistik.
p: Signifikanz. ε: Effektstärke (0,10: klein. 0,25: mittel. 0,40: groß).
Mittels eines allgemeinen linearen Modells wird das Gesamtmodell getestet. Die Er-
gebnisse sind in Tabelle 36 dargestellt. Während die Haupteffekte und eine Interaktion der
unabhängigen Variablen auf die Produktevaluation berichtet werden können, weist der
zusätzlich aufgenommene Faktor der Anstrengung bei der Informationsverarbeitung keinen
signifikanten Effekt auf die Produktevaluation auf (F(1,115) = 2,226; p > 0,138). Hypothese
4.2 kann somit nicht bestätigt werden. Die Produktevaluation wird durch die Manipulation
beeinflusst; diese Effekte werden jedoch nicht durch den Informationsverarbeitungsprozess
mediiert.
Tabelle 36: Test der Zwischensubjekteffekte auf die Produktevaluation unter Kontrolle der
Informationsverarbeitungsvariablen
Quelle SS df MS F p ε
Infoverarbeit. 2,57 1 2,57 2,226 0,138 0,14
Ambiguität 46,10 1 46,10 39,926 0,000 0,59
Label 26,12 1 26,12 22,619 0,000 0,44
A x L 15,20 1 15,20 13,165 0,000 0,34
Fehler 132,78 115 1,15
Total 304,33 119
Anmerkungen. SS: Quadratsumme. df: Freiheitsgrade. MS: Mittel der Quadrate. F: Teststatistik.
p: Signifikanz. ε: Effektstärke (0,10: klein. 0,25: mittel. 0,40: groß).
In einem letzten Schritt wird überprüft, ob der große negative Effekt der Ambiguität
auf die Produktevaluation durch die Kategorisierungsentscheidung mediiert wird. Dies kann
durch eine einfache Mediationsanalyse nicht bestätigt werden. Obwohl eine Varianzanalyse
zeigt, dass die Bildung einer neuen Kategorie die Produktevaluation negativ beeinflusst
(F(1,118) = 8,789; p < 0,004; ε = 0,273), wird dieser Effekt aufgehoben, sobald der Ambigui-
tätsfaktor in einem zwei-faktoriellen Design aufgenommen wird. Hier produziert allein der
Ambiguitätsfaktor einen signifikanten Effekt auf die Produktevaluation (F(1,117) = 80,182; p
< 0,001; ε = 0,828) (vgl. Anhang H).

98
2.5.4 Repräsentativität und Produktevaluation
C. Experimentelle Studien
Dem Prototypen-Ansatz der Kategorisierung zufolge werden Exemplare umso positiver
bewertet, je typischer sie sind. Gleichzeitig wirkt sich eine hohe wahrgenommene Neuartig-
keit positiv auf die Präferenz aus. Die beiden Konstrukte wahrgenommene Typikalität und
wahrgenommene Neuartigkeit stehen theoretisch jedoch in einem negativen Zusammenhang
miteinander (vgl. Hekkert et al., 2003).
Die Items der jeweiligen Skalen werden durch Mittelwertsbildung zu einem Index
zusammengefasst. Alle Skalen weisen ausreichende interne Konsistenz auf: Typikalität er-
reicht ein Cronbachs α von 0,964, wahrgenommene Neuartigkeit von 0,791. Tabelle 37
zeigt die deskriptiven Statistiken und die Überprüfung der Verteilungsannahmen. Der
Kolmogorov-Smirnov Anpassungstest weist nicht auf Abweichungen der Daten von der
Normalverteilung hin.
Tabelle 37: Deskriptive Statistiken und Test auf Normalverteilung der Skalen zur Repräsentativität
und Produktevaluation
Skala M SD Sch z(Sch) Kur z(Kur) K-S-Z p
TYP 3,64 1,62 0,223 1,01 -0,947 -2,16 1,125 0,159
NOV 3,69 1,62 0,317 1,43 -0,841 -1,92 1,157 0,138
PRE 4,00 1,60 -0,136 -0,62 -0,926 -2,11 1,007 0,263
Anmerkungen. N = 120. M: Arithmetisches Mittel. SD: Standardabweichung. Sch: Schiefe.
z(Sch): z-Wert Schiefe. Kur: Kurtosis. z(Kur): z-Wert Kurtosis. K-S Z: Z-Wert des Kolmogorov-Smirnov
Anpassungstests. p: asymptotische Signifikanz (2-seitig).
Wie erwartet, ergibt sich eine hoch signifikant negative Korrelation zwischen wahrge-
nommener Typikalität und wahrgenommener Neuartigkeit (r = -0,649; p < 0,001). Typika-
lität korreliert signifikant positiv mit dem Präferenzmaß (r = 0,533; p < 0,001). Das heißt, je
typischer Probanden das Fahrzeug wahrnehmen, desto wohlwollender fällt ihre Produkt-
bewertung aus. Entgegen der Hypothese 5.1 steht die wahrgenommene Neuartigkeit hier in
einem signifikant negativen Zusammenhang zur Produktevaluation (r = -0,671; p < 0,001):
je stärker sich das Fahrzeug von bekannten Produkten unterscheidet, desto negativer wird es
aufgenommen. Eine multiple Regressionsanalyse zeigt, dass die wahrgenommene Neuartig-
keit (β = -0,562; p < 0,001) ein deutlich besserer Prädiktor der Produktbewertung ist als die
wahrgenommene Typikalität (β = 0,169; p > 0,060). Zusammen erklären die beiden
Variablen 46,7% der Kriteriumsvarianz. Nach J. Cohen (1992) handelt es sich hierbei um
einen großen Effekt (f² = 0,88). Der korrigierte Determinationskoeffizient ist mit R 2 = 0,46
nur unwesentlich kleiner als R². Das Gesamtmodell ist statistisch signifikant
(F(2;117) = 51,310; p < 0,001). Die Analysen legen nahe, dass wahrgenommene Neuartigkeit

C. Experimentelle Studien 99
nicht inhärent positiv ist, sondern vielmehr den mangelnden Fit des Fahrzeugs zu bestehen-
den Konzepten darstellt.
2.6 Zusammenfassung der Ergebnisse und Diskussion
2.6.1 Zusammenfassung
Die Ergebnisse dieser Studie zeigen erstmalig den Einfluss von Ambiguität in der Produkt-
substanz auf die Bildung neuer Kategorien auf Produkttypenebene auf. Damit unterstützen
sie den Versuch der unternehmensseitigen Begründung neuer Segmente durch hybride Pro-
dukte (Crossover-Fahrzeuge) aus Kundensicht. Mit zunehmender Ambiguität steigt die
Wahrscheinlichkeit der Bildung einer neuen Kategorie für die betreffenden Produkte; sie
werden seltener bestehenden Klassen von Produkttypen zugeordnet. Die Nennung eines un-
bekannten Kategorienlabels allein stützt die Bildung einer neuen Kategorie nicht.
Die Darstellung ambiguoser Produkte ist jedoch nicht uneingeschränkt positiv zu
bewerten. Entsprechend ihrer Definition wirkt sich hohe Ambiguität für sich genommen
erschwerend auf die Informationsverarbeitung aus. Im Zusammenspiel mit der Nennung
eines unbekannten Kategorienlabels wird diese Erschwerung des Informationsverarbei-
tungsprozesses jedoch relativiert. Das Kategorienlabel moderiert die Effekte der Ambigui-
tät. Es erleichtert die Informationsverarbeitung in der Bedingung hoher Ambiguität, indem
es eine zusammenfassende Beschreibung für heterogene Informationen bietet, während ein
Kategorienlabel in Kombination mit geringer Ambiguität als zusätzlicher unbekannter
Stimulus die Informationsverarbeitung erschwert. Ähnliches gilt für die Sicherheit mit der
Kategorisierungsentscheidung. Die Nennung eines Kategorienlabels erhöht die Sicherheit
im Falle hoher Ambiguität und reduziert sie bei geringer Ambiguität. Auch die wahrge-
nommene Stimulusüberlastung, die sich nicht explizit auf die Kategorisierungsaufgabe
selbst bezieht, sondern durch die Wahrnehmung der Angebotsvielfalt operationalisiert ist,
wird von der Interaktion der beiden unabhängigen Variablen beeinflusst. Bei hoher Ambi-
guität kann die Wahrnehmung von Stimulusüberlastung durch die Nennung einer Katego-
rienbezeichnung reduziert werden, während sie bei geringer Ambiguität durch die Nennung
eines Labels erhöht wird.
Die bis dato zusammengefassten Ergebnisse sind insbesondere aus kognitionspsycho-
logischer Sicht interessant. Für die Marketingpraxis von höherer Relevanz sind jedoch ihre
Auswirkungen auf die Produktevaluation. Während hohe Ambiguität sich negativ auf die
Produktbewertung auswirkt, weist die Nennung einer Kategorienbezeichnung einen positi-
ven Effekt auf, der bei hoher Ambiguität besonders stark ausfällt. Auch hier wirkt das Label
als Moderatorvariable. Entgegen der Hypothese wird dieser Moderatoreffekt jedoch nicht

100
C. Experimentelle Studien
durch die Anstrengungen der Informationsverarbeitung mediiert. Abbildung 13 stellt die
Effekte abschließend graphisch dar:
Unabhängige
Variablen
Ambiguität
(gering – hoch)
x
Label
(kein Label –
Label)
H2.1
H2.2
Kategorisierung Informationsverarbeitung
Kategorisierung
(bestehende –
neue Kateg.)
Haupteffekt Interaktionseffekt
Abbildung 13: Zusammenfassung der Effekte
Abhängige Variablen
H3.1
H3.2
H3.3
Sicherheit mit der
Kateg.-Entscheidung
(SKE)
Subj. Schwierigkeit
der Kateg.
(SSK)
Wahrgenommene
Stimulusüberlastung
(WSÜ)
Mediation der UV
H4.1b
Urteilsbildung
Produktevaluation
(PRE)
Mit der vorliegenden Studie sollten außerdem die Ergebnisse von Hekkert et al. (2003)
repliziert werden. Dies gelang jedoch nicht. Während wahrgenommene Typikalität und
Neuartigkeit wie postuliert negativ sowie wahrgenommene Typikalität und die Produkt-
beurteilung positiv miteinander korrelieren, stehen die wahrgenommene Neuartigkeit und
die Produktevaluation in einem signifikant negativen Zusammenhang zueinander. Bei der
Vorhersage der Produktevaluation erweist sich die wahrgenommene Neuartigkeit als deut-
lich stärkerer Prädiktor als die wahrgenommene Typikalität.
2.6.2 Diskussion
Die grundlegenden Funktionsweisen der Kategorisierung wurden in der Social Cognition
Forschung erarbeitet. Kategorisierung verfolgt in erster Linie das Ziel der Vereinfachung
von Informationsverarbeitungsprozessen, indem sie die Komplexität der Umweltreize redu-
ziert (vgl. J. S. Bruner et al., 1956; Fiske & Taylor, 1984; Rosch, 1978). In zahlreichen Stu-
dien wurden die in der Grundlagenforschung erzielten Erkenntnisse auf die Marketing-
forschung übertragen. Produkte werden in hierarchischen Produktklassen, Marktsegmenten
oder Consideration Sets zusammengefasst. Zentrale Merkmale von Kategorien bzw. Sche-
mata sind zum einen typische Produkt- oder Nutzeneigenschaften der zugehörigen Exemp-
lare und zum zweiten ein Kategorienlabel, das unmittelbar Aufschluss über die Kategorien-
H4.1a

C. Experimentelle Studien 101
zugehörigkeit eines Exemplars gibt und somit über den Informationsgehalt von Ähnlich-
keitsinformationen auf Basis von Merkmalen hinausgeht (Yamauchi & Markman, 2000).
Bislang wurde die Kategorisierung hybrider Produkte nur vor dem Hintergrund vom
jeweiligen Forscher festgelegter Produktklassen betrachtet. So hatten Probanden bei
Moreau, Markman et al. (2001), Gregan-Paxton und Kollegen (2005) sowie Rajagopal
(2004) die Möglichkeit, den Stimulus je einer von zwei bekannten Produktklassen zuzuord-
nen. Rajagopal (2004) fragte die Kategorisierung zusätzlich durch offene Nennungen ab und
nahm bei der Codierung eine Antwortkategorie „hybrid“ auf. Keine der referierten Studien
hat individuelle Kategorisierungsansätze (z.B. zielbasierter vs. eigenschaftsbasierter Ansatz)
der Konsumenten berücksichtigt. Die bestehende Kategorienstruktur eines Konsumenten ist
jedoch ausschlaggebend für die mentale Integration eines neuen Produktes (vgl. Nedungadi
et al., 2001). Da Konsumenten aufgrund ihrer einzigartigen Produkt- und Konsumerfahrung
jeweils über individuelle mentale Produktkategorienstrukturen verfügen, muss dieser bei der
Integration unbekannter Produkte Rechnung getragen werden. Dieses Manko wird in der
vorliegenden Untersuchung dadurch gelöst, dass in einem ersten Schritt bekannte eindeutige
Produkte kategorisiert werden, um die individuelle Kategorienstruktur der Probanden zu
aktivieren und erst im zweiten Schritt die Einordnung des hybriden Produktes vor dem Hin-
tergrund der generierten Struktur vorzunehmen ist. Da als Ergebnis nicht die inhaltliche
Zuordnung zu einer bestimmten Kategorie interessiert, kann in der abhängigen Variable
zwischen Bildung einer neuen Kategorie und der Einordnung in eine bekannte Kategorie
unterschieden werden.
Wie postuliert wurde, beeinflusst zunehmende Ambiguität die Kategorienbildung
positiv, wirkt sich aber erschwerend auf die Informationsverarbeitung und negativ auf die
Produktevaluation aus. Diese Ergebnisse sind konform mit dem Subtyping Model von
Weber und Crocker (1983). Mit zunehmender Diskrepanz eines Exemplars zu einem
bekannten Schema erhöht sich die Wahrscheinlichkeit der Bildung einer (Sub-)Kategorie.
Ambiguität kann als Form der Schemadiskrepanz angesehen werden, wobei das Ursprungs-
schema nicht klar definiert ist, sondern sich auf jedes der zugrunde liegenden Konzepte
beziehen kann. Die höhere wahrgenommene Schwierigkeit der Informationsverarbeitung
bei hoher Ambiguität kann entsprechend Studien von Hampson (1998) dadurch erklärt wer-
den, dass vor dem Hintergrund bekannter Schemata heterogene Informationen schwieriger
zu einem kohärenten Gesamtbild zu integrieren sind. Mit den vorliegenden Befunden kann
dieser Effekt, der ursprünglich im Rahmen sozialer Kategorien nachgewiesen wurde, auch
auf das Consumer Information Processing übertragen werden. Die Ergebnisse werden vom
Continuum Model gestützt, in dem Fiske und Neuberg (1990) darlegen, dass individuie-

102
C. Experimentelle Studien
rende Prozesse größerer Anstrengung bei der Informationsverarbeitung bedürfen. Mehrdeu-
tige Informationen erhöhen nicht nur die Schwierigkeit der Verarbeitung, sondern senken
auch die Urteils- bzw. Entscheidungssicherheit ab. Der Definition von Gregan-Paxton et al.
(2005) zufolge ist Unsicherheit bei der Produktkategorisierung ein konstitutiver Bestandteil
von Ambiguität. Brömer (1998) konnte diesen Effekt für evaluativ inkonsistente Produkt-
beschreibungen nachweisen. Mit der vorliegenden Studie wird der Befund auf deskriptiv
ambivalente Produktbeschreibungen erweitert. Da die Kategorisierung eines einzelnen
Crossover-Fahrzeugs immer relativ zum relevanten Markt stattfindet, zeigt sich das Ambi-
valenzerleben neben den unmittelbar von der Kategorisierung abhängigen kognitiven Pro-
zessen auch in der wahrgenommenen Stimulusüberlastung. Produkte, die nicht einfach in
die bestehende Wissensstruktur integriert werden können, führen bei den Konsumenten zu
einem Gefühl der Überforderung aufgrund der hohen Produktvielfalt.
In zahlreichen Studien konnte nachgewiesen werden, dass ein Label die Bildung von
Inferenzen und Präferenz bei bekannten Kategorien im Vergleich zu Produkteigenschaften
überproportional beeinflusst (vgl. Sujan, 1985; Moreau, Markman et al., 2001; Rajagopal,
2004). Die im Rahmen der vorliegenden Studie gewonnenen Erkenntnisse stützen diesen
grundlegenden Befund teilweise. Bezogen auf die Bildung neuer Kategorien konnte der
postulierte Haupteffekt nicht bestätigt werden. Im Hinblick auf die damit verbundenen
Informationsverarbeitungsprozesse kann die dominante Rolle des Labels jedoch bestätigt
und auf eine neue Forschungsfrage ausgedehnt werden. Ein unbekanntes Kategorienlabel
kann die Nachteile der Ambiguität und damit der Produktdifferenzierung aufheben. Es übt
selbst keinen Einfluss auf die Bildung neuer Kategorien aus, bietet aber eine formale
Klammer für inhaltlich ambivalente Informationen und erleichtert dadurch die Informa-
tionsverarbeitung, indem es einen peripheren Hinweis für kategorienbasierte Verarbeitungs-
prozesse liefert (vgl. Fiske & Neuberg, 1990). Da im Pretest keine eindeutigen Aufbaufor-
men-Assoziationen zu dem genannten Kategorienlabel festgestellt werden konnten, kann
dieser Effekt als unabhängig von inhaltlichen Merkmalen des Stimulus betrachtet werden.
Die Erleichterung der kognitiven Prozesse wird allein durch die Tatsache der Nennung einer
Kategorienbezeichnung determiniert.
Aus der Literatur ist bekannt, dass sich evaluative Ambivalenz in der Produktdarstel-
lung negativ auf die Einstellungsbildung auswirkt. Brömer (2000) zufolge fallen Einstellun-
gen zu evaluativ inkonsistent dargestellten Produkten signifikant negativer aus als zu
evaluativ neutral dargestellten Produkten. Die dargestellten Ergebnisse unterstützen dies:
Komplexe, inkonsistente Informationen haben einen negativen Effekt, während ein struktu-
rierender Stimulus wie ein Kategorienlabel einen positiven Effekt ausübt. Dieser Befund

C. Experimentelle Studien 103
zeigt, wie wichtig eine Kategorienbezeichnung für die Begründung erfolgreicher Fahrzeug-
segmente durch hybride Produkte ist.
Des Weiteren ist bekannt, dass die genannten Facetten der Informationsverarbeitung in
einem negativen Zusammenhang zu Variablen des Kaufverhaltens stehen. Hohe Unsicher-
heit oder Stimulusüberlastung ist beispielsweise dafür bekannt, zum Kaufaufschub zu füh-
ren (vgl. Walsh, 2004). Die Fluency Theorie geht davon aus, dass die Evaluation von
Urteilsobjekten über die Processing Fluency, mit der diese verarbeitet werden, vermittelt
wird (Schwarz, 2004). So zeigen Lee und Labro (2004), dass sich Conceptual Fluency, als
Ausdruck der Leichtigkeit der Informationsverarbeitung, positiv auf Produktevaluationen
ausübt. In ihren Studien resultiert die Verfügbarkeit adäquater mentaler Kategorien zur
Stimulusverarbeitung in besseren Bewertungen eines beworbenen Produktes, während sich
erhöhte Schwierigkeiten bei der Kategorisierung negativ auf die Produktevaluation auswir-
ken. Die vorliegenden Effekte auf die Produktbewertung legen nahe, dass auch in dieser
Studie Informationsverarbeitungsprozesse die Urteilsbildung beeinflussen. Entgegen der
Annahmen konnte nicht bestätigt werden, dass Informationsverarbeitungsprozesse die
Effekte der Ambiguität und der Nennung eines Kategorienlabels auf die Produktevaluation
mediieren. Folglich haben Ambiguität und die Nennung eines Kategorienlabels, anders als
postuliert, keinen prozessualen Charakter, sondern sind inhärent negativ bzw. positiv
behaftet. Bezug nehmend auf die Tatsache, dass die evaluativen Effekte von Ambiguität
nicht durch die Kategorisierungsentscheidung mediiert werden, kann davon ausgegangen
werden, dass neue Kategorien nicht per se negativ bewertet werden, sondern dass die
Urteilsbildung auf die Negativität der Ambivalenz zurückzuführen ist.
Wahrgenommene Typikalität steht in einem positiven Zusammenhang zur Evaluation,
während wahrgenommene Neuartigkeit in einem negativen Zusammenhang zur Evaluation
steht. Entgegen der Hypothese wird sie damit nicht im Sinne von Innovativität verstanden
und positiv belegt, sondern als mangelnder Fit des Fahrzeugs zu bestehenden Konzepten
verstanden. Unter Umständen ist dieser Effekt auf eine verbesserungswürdige Operationali-
sierung zurückzuführen. Separate Analysen der beiden Items zeigen jedoch keine Verbesse-
rung. Die Ergebnisse zum Zusammenhang zwischen der Repräsentativität von Kategorien-
mitgliedern und der Produktevaluation sind nicht konsistent über beide Studien. Für diesen
Befund gibt es mehrere mögliche Erklärungen. Zum einen können in Studie 1 nach der
Kategorisierungsaufgabe Ermüdungserscheinungen aufgetreten sein, so dass sich die Pro-
banden nicht mehr voll auf die Aufgaben konzentrieren konnten; zum anderen könnte die
Repräsentativitätsbewertung vor dem Hintergrund individuell gebildeter Kategorien diese
Unterschiede bedingt haben.

104
2.6.3 Praktische Implikationen
C. Experimentelle Studien
Wie bereits dargelegt, wird die Positionierung neuer Fahrzeuge in den gesättigten Auto-
mobilmärkten der Triade zunehmend schwieriger. Die Versuche der Hersteller, sich mit
konzeptuell neuen Crossover-Fahrzeugen Marktnischen zu erschließen und sich so vom
Wettbewerb zu differenzieren, waren in der Vergangenheit nicht immer von Erfolg gekrönt.
Da Konsumenten insbesondere bei langlebigen Produkten wie Automobilen über eine rela-
tiv stabile und fest verankerte mentale Kategorienstruktur der Produkttypen verfügen, er-
weist sich die Schaffung neuer Segmente und ihre Akzeptanz durch die Kunden als schwie-
rig. Die Befunde der vorliegenden Studie und vergangene Erfolge wie die Entstehung der
SUV- und Minivan-Segmente legen jedoch nahe, dass es sich bei der zielgerichteten
Begründung neuer Segmente um eine möglich, jedoch nicht einfach umzusetzende Strategie
handelt, mit der Wettbewerbsvorteile gegenüber dem Wettbewerb erlangt werden können.
Durch Kombination unterschiedlicher Aufbauformenelemente können neue Crossover-
Segmente begründet werden. Aufgrund der bestehenden stabilen Wissensstrukturen ist es
nicht verwunderlich, wenn seitens der Kunden Komplikationen bei der Integration des
Crossover-Produktes in die Wissensstruktur entstehen, die sich in erhöhter Schwierigkeit
und Unsicherheit bei der Informationsverarbeitung zeigen. Diese Komplikationen indizie-
ren, dass zusätzlicher Erklärungsbedarf bei derartigen Produkten besteht. Die Ergebnisse
legen nahe, dass bereits die Nennung einer Segmentbezeichnung Unterstützung bei der
eigenständigen Positionierung des neuen Produkttypen bietet und die kognitiven Anstren-
gungen reduziert. Die Segmentbezeichnung übernimmt damit eine zusammenfassende und
unterstützende Funktion. Ihre Relevanz wird insbesondere in den Produktevaluationen
deutlich. Produkte hoher Ambiguität werden grundsätzlich negativer als Produkte geringer
Ambiguität bewertet. Wird jedoch ein Kategorienlabel kommuniziert, verbessern sich die
Evaluationen signifikant.
Zusammenfassend betrachtet, weisen die Ergebnisse auf die Bedeutsamkeit einer ziel-
gerichteten Marketingstrategie für die Produktneueinführung hin. Eine innovative Produkt-
substanz reicht zur Erzielung eines Markterfolgs nicht aus (Trommsdorff & Steinhoff,
2007). Um Kunden für ein konzeptuell neuartiges Crossover-Produkt zu gewinnen, muss
ihrem aktuellen Marktverständnis Rechnung getragen werden, indem Differenzierungs-
merkmale zu bekannten Produkttypen klar aufgezeigt werden (vgl. Binsack, 2003). Dazu
sollte der unique Nutzen des Produkttyps kommuniziert werden (Ries & Trout, 2001).
2.6.4 Limitationen und weiterer Forschungsbedarf
In der vorliegenden Studie werden die Bildung neuer Kategorien und die damit verbunde-
nen Informationsverarbeitungsprozesse in Abhängigkeit von Stimulusambiguität und der

C. Experimentelle Studien 105
Nennung eines Kategorienlabels betrachtet. Dabei wird Ambiguität auf der konzeptuell ver-
balen Ebene manipuliert, indem im Rahmen einer Produktinformation die Anzahl der einem
Produkt zugrunde liegenden traditionellen Produkttypen variiert wird. Für die Kategorisie-
rung neuer Produkte sind jedoch nicht allein Marketing-Maßnahmen ausschlaggebend, eine
entscheidende Rolle spielt auch das Produktdesign (Kreuzbauer & Malter, 2005). Insbeson-
dere für Produkte mit hohen Entwicklungskosten und langen Produktlebenszyklen in wett-
bewerbsintensiven Märkten, z.B. Automobile, können innovative Designideen existentiell
sein (Carbon & Leder, 2007). Crossover-Fahrzeuge unterscheiden sich im Design von
traditionellen Aufbauvarianten, indem sie Elemente von zwei oder mehr Aufbauformen
miteinander kombinieren (Diez, 2003). Diese Kombinationen drücken Ambiguität aus: Ist
die CLS-Klasse eine Limousine oder ein Coupé? Welcher Aufbauvariante sind die in Ent-
wicklung befindlichen SUCs zuzuordnen (vgl. Kapitel A1.1)? Beim Exterieur-Design von
Pkw sind bestimmte Proportionen charakteristisch für einzelne Aufbauvarianten. So sind
SUVs beispielsweise durch ein two-box Design, eine hohe Bodenfreiheit, einen großen Ab-
stand zwischen Rad und Kotflügel und sichtbare Federwege gekennzeichnet. Generell stellt
sich bei der Entwicklung von hybriden Produkten somit die Frage, welche Dimensionen aus
Kundensicht entscheidend für die Wahrnehmung eines Produkttyps sind. Wie wirken sich
Änderungen im Design auf bestimmten Dimensionen auf die Kategorisierbarkeit der Inno-
vation aus? Werden hybride Produkte ab einem bestimmten Grad der Ambiguität nicht län-
ger in bestehende Kategorien klassifiziert und können Nachfrager für diese Produkte neue
Kategorien bilden? Wie wirkt sich die Kategorisierbarkeit auf Designassoziationen und auf
die Präferenzbildung aus? Inwieweit sich Ambiguität im Design auf die hier untersuchten
abhängigen Variablen auswirkt, wäre von großen Interesse für weitere Studien.
Ein weiterer Aspekt von hoher praktischer Relevanz im Hinblick auf die Etablierung
hybrider Produkte betrifft die Anzahl der benötigten Produkte einer Art zur Bildung neuer
Segmente aus Kundensicht. Diez (2003) postuliert, dass sich vom Kunden als eigenständig
wahrgenommene Produkttypen erst mit der Markteinführung mehrerer derartiger Produkte
herauskristallisieren. Aus experimenteller Sicht ist an dieser Stelle interessant, welcher der
Faktoren Zeit und Anzahl der präsentierten Exemplare ausschlaggebend ist. Dieser
Gesichtspunkt ist auch vor dem Hintergrund der Markteinführung von me-too-Produkten
bedeutsam. Der Pioniervorteil von Produkten konnte vielmals nachgewiesen werden (vgl.
Carpenter & Nakamoto, 1989). Möglicherweise ist der Erfolg eines Pionierprodukts jedoch
von der Einführung weiterer Produkte des gleichen Typs abhängig.
Für ein besseres Verständnis der wahrgenommenen Positionierung des Produktes ist es
hilfreich, die Inferenzen der Konsumenten analog der Studien von Rajagopal (2004) und

106
C. Experimentelle Studien
Gregan-Paxton et al. (2005) zu studieren. Diese Autoren konnten zeigen, dass die
Kategorisierung in eine bekannte Produktgruppe die gebildeten Inferenzen maßgeblich
bestimmt. Im Fall der Bildung einer neuen Kategorie wäre es sehr aufschlussreich, welche
Produktassoziationen Konsumenten herausbilden und inwieweit sich diese von den Asso-
ziationen zu bekannten Produkttypen unterscheiden.
Die vorliegende Arbeit konzentriert sich auf Crossover-Fahrzeuge als ein Beispiel für
hybride Produkte. Die Ergebnisse sollten auf andere Produktklassen generalisierbar sein.
Vorausgegangene Studien haben innovative Kommunikationstechnologien fokussiert und
Entwicklungen in diesem Markt haben gezeigt, dass sich die Produktlandschaft kontinuier-
lich verändert. Scanner, PDAs etc., die Funktionen verschiedener zugrunde liegender Pro-
dukte kombinieren, sind heute in den Wissensstrukturen der Menschen klar präsent,
während sie vor einem Jahrzehnt noch nicht als eigenständiges Produktsegment betrachtet
wurden.

D. Fazit 107
D Fazit
Die automobile Marktstruktur in den Triade-Märkten unterlag bereits in den letzten Jahren
stetiger Veränderung. Nicht nur verzeichnet das traditionelle Mittelklasse-Segment gravie-
rende Einbußen zugunsten neuer Nischensegmente, auch sinken die Marktanteile einzelner
Modelle. Dieser Trend liegt in der Einführung neuartiger Produktkonzepte, die aufgrund
von Plattform- und Modulstrategien mit geringem Aufwand entwickelt werden können,
begründet und setzt sich laut Branchenexperten fort. Eingangs wurde die Frage gestellt, ob
bzw. unter welchen Umständen Konsumenten innovative Crossover-Fahrzeuge als neue
Fahrzeugsegmente wahrnehmen. Der erste Teil der Frage kann nicht uneingeschränkt bejaht
werden. Vielmehr konnte in einer explorativ angelegten Untersuchung aufgezeigt werden,
dass Crossover-Fahrzeuge in bestehende Fahrzeugkategorien integriert werden. Bei einigen
Typen deutet sich jedoch eine Herausbildung von Subkategorien und damit eine bessere
Differenzierung von bestehenden Fahrzeugkonzepten an. So grenzen sich beispielsweise die
beiden SUCs Audi Cross-Coupe und BMW X6 deutlich innerhalb des SUV-Segmentes ab.
Es ist eine weitere Differenzierung des ursprünglich von den klassischen Geländewagen
ausgehenden Segmentes zu erwarten. Die Entwicklung eines Subsegmentes scheint eben-
falls für die viertürigen Coupés, wie den BMW CS und Porsche Panamera, innerhalb des
Sportwagensegmentes möglich.
Studie 2 gibt weiteren Aufschluss über den zweiten Teil der Frage, die Umstände,
unter denen Konsumenten neue Kategorien bilden. Mit zunehmender Ambiguität eines Pro-
duktes wird es schwieriger, das Produkt in eine bestehende Kategorie zu assimilieren und es
steigt die Wahrscheinlichkeit der Bildung einer neuen Kategorie. Die Wahrnehmung neuer
Fahrzeugkategorien wird von den Konsumenten allerdings nicht per se positiv beurteilt.
Hohe Ambiguität in der Produktsubstanz wird negativ gewertet. Dieser Effekt kann jedoch
durch die Nennung einer Segmentbezeichnung als Kategorienlabel relativiert werden. Das
Label fasst die heterogenen Informationen zusammen und reduziert dadurch die im Rahmen
individuierender Prozesse auftretenden Schwierigkeiten bei der Informationsverarbeitung,
was sich wiederum positiv auf die Produktbewertung auswirkt.
Die Ergebnisse verdeutlichen, dass Unternehmen über gezielte und konsequent umge-
setzte Marketingmaßnahmen Einfluss auf die wahrgenommene Produktpositionierung von
Crossover-Fahrzeugen nehmen können. Für die Wahrnehmung neuer (Sub-)Segmente aus
Kundensicht ist eine deutliche Differenzierung in der Produktsubstanz der Fahrzeuge von
bestehenden Segmenten unerlässlich. Dies kann im Falle von Crossover-Fahrzeugen durch
eine Kombination typischer Eigenschaften unterschiedlicher Aufbauformen gegeben sein.

108
D. Fazit
Die bloße Darstellung des ambiguosen Produktes reicht jedoch bei Weitem nicht aus. Das
eindeutige differenzierende Nutzenversprechen sollte klar kommuniziert werden. Da
bekannt ist, dass das Verständnis neuartiger Fahrzeugkonzepte insbesondere Novizen
schwer fällt und diese Personengruppe Fahrzeuge entsprechend ihrer Nutzeneigenschaften
klassifiziert, trifft dies insbesondere zu, wenn Unternehmen weniger erfahrene Personen für
neue Konzepte gewinnen wollen. Die Aufgabe der Kommunikation ist es zudem, die Idee
eines innovativen Produktkonzeptes durch eine adäquate Segmentbezeichnung zu stützen.
Dabei ist es für den Markterfolg des Konzeptes zentral, dass diese durchgängig kommu-
niziert wird.
Zusammenfassend lässt sich festhalten, dass zur erfolgreichen Positionierung hybrider
Produkte Aufgaben der Produkt- und Programmpolitik sowie der Kommunikation in einer
integrierten Marketingstrategie aufeinander abgestimmt sein müssen.

Literaturverzeichnis 109
Literaturverzeichnis
Alba, J. W., & Hutchinson, J. W. (1987). Dimensions of consumer expertise. Journal of
Consumer Research, 13(4), 411-454.
Alba, J. W., Hutchinson, J. W., & Lynch, J. G., Jr. (1991). Memory and decision making. In
T. S. Robertson & H. H. Kassarjian (Eds.), Handbook of consumer behavior (pp. 1-
50). Englewood Cliffs, NJ: Prentice-Hall.
Amelang, M., & Zielinski, W. (1997). Psychologische Diagnostik und Intervention (2.
Aufl.). Berlin: Springer.
AMS (8/2006). In die Menge getrieben. Auto, Motor und Sport, 8 (29.03.06), 16-20.
AMS (16/2007). Xtra-Portion. Auto, Motor und Sport, 16 (18.07.07), 4-18.
Anderson, J. R. (1991). The adaptive nature of human categorization. Psychological
Review, 98(3), 409-429.
Anderson, J. R. (1996). Kognitive Psychologie (2. Aufl.). Heidelberg: Spektrum
Akademischer Verlag.
Ansoff, H. I. (1957). Strategies for diversification. Harvard Business Review, 35(5), 113-
124.
Ashby, F. G. (Ed.). (1992). Multidimensional models of perception and cognition. Hillsdale,
NJ: Lawrence Erlbaum Associates, Inc.
Ashmore, R. D., & Del Boca, F. K. (1981). Conceptual approaches to stereotypes and
stereotyping. In D. L. Hamilton (Ed.), Cognitive processes in stereotyping and
intergroup behavior (pp. 1-35). Hillsdale, NJ: Lawrence Erlbaum Associates, Inc.
Augoustinos, M., & Walker, I. (1995). Social cognition: An integrated introduction.
London: Sage Publications.
Auto Bild. (51/52/2005). Report. Experten-Prognosen: So wird das Jahr 2006. Auto Bild,
51/52 (23.12.05), 24-25.
Auto Bild. (27/2006). Alle neuen Autos aus Deutschland bis 2010. Auto Bild, 27 (07.07.06),
8-23.
Auto Bild. (2/2007). X4. Das kleine SUV-Coupé. Auto Bild, 2 (12.01.07), 20-22.
Auto Bild. (11/2007). Der X5 kriegt was aufs Dach. Auto Bild, 11 (16.03.07), 8-10.
Automotive News (2007). Crossover turns mom's minivan into an also-ran. Automotive
News (08.01.07), 42.
Bacher, J. (1996). Clusteranalyse: Anwendungsorientierte Einführung (2. Aufl. ed.).
München: R. Oldenbourg Verlag.

110
Literaturverzeichnis
Backhaus, K., Erichson, B., Plinke, W., & Weiber, R. (2000). Multivariate Analysemethoden:
eine anwendungsorientierte Einführung (9. Aufl.). Berlin: Springer.
Baddeley, A. (1997). Human memory: Theory and practice. Hove: Psychology Press.
Bagozzi, R. P., Gürhan-Canli, Z., & Priester, J. R. (2002). Social psychology of consumer
behaviour. Buckingham: Open University Press.
Bargh, J. A. (1989). Conditional automaticity: Varieties of automatic influence in social
perception and cognition. In J. S. Uleman & J. A. Bargh (Eds.), Unintended thought
(pp. 3-51). New York: Guilford Press.
Baron, R. M., & Kenny, D. A. (1986). The moderator-mediator variable distinction in social
psychological research: Conceptual, strategic, and statistical considerations. Journal
of Personality and Social Psychology, 51(6), 1173-1182.
Barsalou, L. W. (1983). Ad hoc categories. Memory & Cognition, 11(3), 211-227.
Bartlett, F. C. (1932). Remembering: A study in experimental and social psychology. New
York, NY: Cambridge University Press.
Bauer, H. H., Mäder, R., & Huber, F. (2000). Markenpersönlichkeit als Grundlage von
Markenloyalität (Wissenschaftliches Arbeitspapier No. W41). Mannheim: Institut für
Marktorientierte Unternehmensführung.
Bauer, H. H., Sauer, N. E., & Becker, C. (2006). Investigating the relationship between
product involvement and consumer decision-making styles. Journal of Consumer
Behaviour, 5(4), 342-354.
Bauer, H. H., Sauer, N. E., & Köhler, M. (2003). Der Einfluss des Produktwissens und der
Produkterfahrung auf das Informationsverhalten und die Einstellung - Theoretische
und empirische Befunde am Beispiel Automobil. Jahrbuch der Absatz- und
Verbrauchsforschung, 49(3), 247-270.
Bayus, B. L., & Putsis Jr., W. P. (1999). Product proliferation: An empirical analysis of
product line determinants and market outcomes. Marketing Science, 18(2), 137-153.
Bearden, W. O., & Netemeyer, R. G. (1999). Handbook of marketing scales: Multi-item
measures for marketing and consumer behavior research (2 ed.). Thousand Oaks,
CA: Sage Publications.
Beattie, A. E. (1982). Effects of product knowledge on comparison, memory, evaluation,
and choice: A model of expertise in consumer decision-making. In A. A. Mitchell
(Ed.), Advances in consumer research (Vol. 9, pp. 336-341). Ann Arbor, MI:
Association for Consumer Research.
Beatty, S. E., & Talpade, S. (1994). Adolescent influence in family decision making: A
replication with extension. Journal of Consumer Research, 21(2), 332-341.
Best, R. J., & Ursic, M. (1987). The impact of information load and variability on choice
accuracy. In M. Wallendorf & P. Anderson (Eds.), Advances in consumer research
(Vol. 14, pp. 106-108). Provo, UT: Association for Consumer Research.

Literaturverzeichnis 111
Bettman, J. R. (1979). An information processing theory of consumer choice. Reading, MA:
Addison-Wesley Publishing Company.
Bettman, J. R., Luce, M. F., & Payne, J. W. (1998). Constructive consumer choice
processes. Journal of Consumer Research, 25(3), 187-217.
Bettman, J. R., & Park, C. W. (1980). Effects of prior knowledge and experience and phase
of the choice process on consumer decision processes: A protocol analysis. Journal
of Consumer Research, 7(3), 234-248.
Binsack, M. (2003). Akzeptanz neuer Produkte: Vorwissen als Determinante des
Innovationserfolgs. Wiesbaden: DUV.
Blank, P.-U., Herdzina, K., & Stützle-Leinmüller, S. (1995). Zur Problematik der
Abgrenzung des relevanten Marktes mit Hilfe der Clusteranalyse: Das Beispiel des
Automobilmarktes in Deutschland (Diskussionsbeiträge No. 111/1995). Stuttgart:
Institut für Volkswirtschaftslehre, Universität Hohenheim.
Bless, H., Greifeneder, R., & Wänke, M. (2007). Marken als psychologische Kategorien:
Möglichkeiten und Grenzen einer sozial-kognitiven Sichtweise. In A. Florack, M.
Scarabis & E. Primosch (Hrsg.), Psychologie der Markenführung (S. 31-40).
München: Verlag Franz Vahlen.
Bless, H., Schwarz, N., Bodenhausen, G. V., & Thiel, L. (2001). Personalized versus
generalized benefits of stereotype disconfirmation: Trade-offs in the evaluation of
atypical exemplars and their social groups. Journal of Experimental Social
Psychology, 37(5), 386-397.
Bloch, P. H. (1981). An exploration into the scaling of consumers' involvement with a
product class. In K. B. Monroe (Ed.), Advances in consumer research (Vol. 8, pp.
61-65). Ann Arbor, MI: Association for Consumer Research.
Bloch, P. H., & Richins, M. L. (1983). A theoretical model for the study of product
importance perceptions. Journal of Marketing, 47(3), 69-81.
Borg, I. (1981). Anwendungsorientierte Multidimensionale Skalierung. Heidelberg:
Springer.
Borg, I. (2000). Explorative Multidimensionale Skalierung (ZUMA How-to-Reihe No. 1).
Mannheim: Zentrum für Umfragen und Analysen.
Borg, I., & Groenen, P. J. F. (2005). Modern multidimensional scaling: theory and
applications (2nd ed.). New York: Springer.
Borg, I., & Lingoes, J. C. (1987). Multidimensional similarity structure analysis. New York:
Springer.
Borg, I., & Staufenbiel, T. (1997). Theorien und Methoden der Skalierung: Eine Einführung
(3. Aufl.). Bern: Verlag Hans Huber.
Bortz, J. (2005). Statistik für Human- und Sozialwissenschaftler (6., vollst. überarb. und akt.
Aufl.). Heidelberg: Springer.

112
Literaturverzeichnis
Brewer, M. B. (1988). A dual process model of impression formation. In T. K. Srull & S.
Wyer (Eds.), Advances in social cognition (Vol. 1, pp. 1-36). Hillsdale, NJ:
Lawrence Erlbaum Associates, Inc.
Brömer, P. (1998). Einstellungen gegenüber unvertrauten Produkten: Selbstwirksamkeit
bestimmt die Intensität der Verarbeitung relevanter Produktattribute. Zeitschrift für
Sozialpsychologie, 29(2), 124-133.
Brömer, P. (2000). Einstellungsbildung: Erlebte Ambivalenz, subjektive Schwierigkeit und
Antwortlatenz bei evaluativ inkonsistenten, konsistenten und neutralen
Informationen. Zeitschrift für Experimentelle Psychologie, 47(2), 115-128.
Brooks, L. R. (1978). Nonanalytic concept formation and memory for instances. In E.
Rosch & B. B. Lloyd (Eds.), Cognition and categorization (pp. 169-211). Hillsdale,
NJ: Lawrence Erlbaum Associates, Inc.
Brosius, F. (1998). SPSS 8.0: Professionelle Statistik unter Windows. Bonn: MITP-Verlag.
Brucks, M. (1986). A typology of consumer knowledge content. In R. J. Lutz (Ed.),
Advances in consumer research (Vol. 13, pp. 58-63). Ann Arbor, MI: Association for
Consumer Research.
Brucks, M., & Mitchell, A. (1981). Knowledge structures, production systems and decision
strategies. In K. B. Monroe (Ed.), Advances in consumer research (Vol. 8, pp. 750-
757). Ann Arbor, MI: Association for Consumer Research.
Bruner, G. C., Hensel, P. J., & James, K. E. (2005). Marketing scales handbook: A
compilation of multi-item measures for consumer behavior & advertising (Vol. 4).
Mason, OH: Thomson South-Western Educational Publishers.
Bruner, J. S., Goodnow, J. J., & Austin, G. A. (1956). A study of thinking. Oxford: John
Wiley and Sons.
Busing, F. M. T. A., Commandeur, J. J. F., & Heiser, W. J. (1997). PROXSCAL: A
multidimensional scaling program for individual differences scaling with constraints.
In W. Bandilla & F. Faulbaum (Eds.), SoftStat '97: Advances in Statistical Software 6
(pp. 67-74). Stuttgart: Lucius & Lucius.
Carbon, C.-C., & Leder, H. (2007). Design evaluation: From typical problems to state-ofthe-art
solutions. Thexis, 24(2), 33-37.
Carpenter, G. S., & Nakamoto, K. (1989). Consumer preference formation and pioneering
advantage. Journal of Marketing Research, 26(3), 285.
Celsi, R. L., & Olson, J. C. (1988). The role of involvement in attention and comprehension
processes. Journal of Consumer Research, 15(2), 210-224.
Chaiken, S., Lieberman, A., & Eagly, A. H. (1989). Heuristic and systematic information
processing within and beyond the persuation context. In J. S. Uleman & J. A. Bargh
(Eds.), Unintended Thought (pp. 212-252). New York: Guilford Press.

Literaturverzeichnis 113
Chakravarti, A., & Janiszewski, C. (2003). The influence of macro-level motives on
consideration set composition in novel purchase situations. Journal of Consumer
Research, 30(2), 244-258.
Cho, H., & Schwarz, N. (2006). If I don't understand it, it must be new: Processing fluency
and perceived product innovativeness. In C. Pechmann & L. L. Price (Eds.),
Advances in Consumer Research (Vol. 33, pp. 319-320). Duluth, MN: Association
for Consumer Research.
Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Hillsdale,
NJ: Lawrence Erlbaum Associates, Inc.
Cohen, J. (1992). A power primer. Psychological Bulletin, 112, 155-159.
Cohen, J., & Cohen, P. (1983). Applied multiple regression/correlation analysis for the
behavioral sciences (2nd ed.). Hilldale, NJ: Lawrence Erlbaum Associates Inc.
Cohen, J. B., & Basu, K. (1987). Alternative models of categorization: Toward a contingent
processing framework. Journal of Consumer Research, 13(4), 455-472.
Crocker, J., Fiske, S. T., & Taylor, S. E. (1984). Schematic bases of belief change. In J. R.
Eiser (Ed.), Attitudinal judgment (pp. 197-226). New York: Springer-Verlag.
Crocker, J., & Weber, R. (1983). Cognitive structure and stereotype change. In R. P.
Bagozzi & A. M. Tybout (Eds.), Advances in consumer research (Vol. 10, pp. 459-
463). Ann Arbor, MI: Association for Consumer Research.
Dahlhoff, D. (1996). Automobilmarketing als Element des Wandels. In W. Fritz, F. P. Lang
& G. Wäscher (Hrsg.), Technik, Markt, Umwelt (S. 75-88). Stuttgart: Schäffer-
Poeschel Verlag.
Day, G. S., Shocker, A. D., & Srivastava, R. K. (1979). Customer-oriented approaches to
identifying product markets. Journal of Marketing, 43(4), 8-19.
Dichtl, E., Bauer, H. H., & Schobert, R. (1980). Die Dynamisierung mehrdimensionaler
Marktmodelle am Beispiel des deutschen Automobilmarktes. Marketing ZFP, 2(3),
163-178.
Dichtl, E., & Schobert, R. (1979). Mehrdimensionale Skalierung: Methodische Grundlagen
und betriebswirtschaftliche Anwendungen. München: Vahlen.
Diez, W. (2001a). Automobilmarketing: erfolgreiche Strategien, praxisorientierte Konzepte,
effektive Instrumente (4. Aufl.). Landsberg/Lech: Verlag Moderne Industrie.
Diez, W. (2001b). Herausforderungen und Perspektiven im Premiummarkt für Automobile
(Forschungsbericht No. 22/2001): Institut für Automobilwirtschaft (IFA) an der
Fachhochschule Nürtingen.
Diez, W. (2003). Crossover Fahrzeuge - Wachstumsstrategie oder Sackgasse?
(Arbeitspapier No. 1/2003): Institut für Automobilwirtschaft (IFA) an der
Fachhochschule Nürtingen.

114
Literaturverzeichnis
Elio, R., & Anderson, J. R. (1981). The effects of category generalizations and instance
similarity on schema abstraction. Journal of Experimental Psychology: Human
Learning & Memory, 7(6), 397-417.
Elliott, S. W., & Anderson, J. R. (1995). Effect of memory decay on predictions from
changing categories. Journal of Experimental Psychology: Learning, Memory, and
Cognition, 21(4), 815-836.
Etienne, T. (2002, September 9). C3 - un « Pluriel » fort singulier. Le Figaro.
Fazio, R. H. (1990). A practical guide to the use of response latency in social psychological
research. In C. Hendrick & M. S. Chark (Eds.), Research methods in personality and
social psychology (pp. 74-97). London: Sage.
Fazio, R. H., Williams, C. J., & Powell, M. C. (2000). Measuring associative strength:
Category-item associations and their activation from memory. Political Psychology,
21(1), 7-25.
Feustel, T. C., Shiffrin, R. M., & Salasoo, A. (1983). Episodic and lexical contributions to
the repetition effect in word identification. Journal of Experimental Psychology:
General, 112(3), 309-346.
Fishbein, M. (1967). Atttitude and the prediction of behavior. In M. Fishbein (Ed.),
Readings in attitude theory and measurement (pp. 477-492). New York: John Wiley.
Fiske, S. T. (1982). Schema-triggered affect: Applications to social perception. In M. S.
Clark & S. T. Fiske (Eds.), Affect and cognition: The 17th annual Carnegie
Symposium on Cognition (pp. 55-78). Hillsdale, NJ: Lawrence Erlbaum Associates,
Inc.
Fiske, S. T., & Neuberg, S. L. (1990). A continuum of impression formation, from categorybased
to individuating processes: Influences of information and motivation on
attention and interpretation. In M. P. Zanna (Ed.), Advances in experimental social
psychology (Vol. 23, pp. 1-74). San Diego, CA: Academic Press.
Fiske, S. T., & Pavelchak, M. A. (1986). Category-based versus piecemeal-based affective
responses: Developments in schema-triggered affect. In R. M. Sorrentino & E. T.
Higgins (Eds.), Handbook of motivation and cognition: Foundations of social
behavior (pp. 167-203). New York: Guilford Press.
Fiske, S. T., & Taylor, S. E. (1984). Social cognition. Reading, MA: Addison-Wesley
Publishing Company.
Fisseni, H.-J. (1997). Lehrbuch der psychologischen Diagnostik. Mit Hinweisen zur
Intervention (2. Aufl.). Göttingen: Hogrefe.
Foxman, E. R., Muehling, D. D., & Berger, P. W. (1990). An investigation of factors
contributing to consumer brand confusion. Journal of Consumer Affairs, 24(1), 170-
189.

Literaturverzeichnis 115
Frenzen, H., & Krafft, M. (2008). Logistische Regression und Diskriminanzanalyse. In A.
Herrmann, C. Homburg & M. Klarmann (Hrsg.), Handbuch Marktforschung:
Methoden - Anwendungen - Praxisbeispiele (3. Aufl., S. 607-650). Wiesbaden:
Gabler Verlag.
Gentner, D., & Markman, A. B. (1994). Structural alignment in comparison: No difference
without similarity. Psychological Science, 5(3), 152-158.
Gentner, D., & Markman, A. B. (1997). Structure mapping in analogy and similarity.
American Psychologist, 52(1), 45-56.
Global Insight. (April 2003). Global World Car Sales Forecast (Report).
Göritz, A. S., & Moser, K. (2000). Repräsentativität im Online-Panel. Der Markt, 39, 156-
162.
Göritz, A. S., Reinhold, N., & Moser, K. (2000). Marktforschung mit Online-Panels: State
of the Art. Planung & Analyse, 3, 62-67.
Grayson, C. E., & Schwarz, N. (1999). Beliefs influence information processing strategies:
Declarative and experiential information in risk assessment. Social Cognition, 17(1),
1-18.
Gregan-Paxton, J. (2001). The role of abstract and specific knowledge in the formation of
product judgments: An analogical learning perspective. Journal of Consumer
Psychology, 11(3), 141-158.
Gregan-Paxton, J., Hoeffler, S., & Zhao, M. (2005). When categorization is ambiguous:
Factors that facilitate the use of a multiple category inference strategy. Journal of
Consumer Psychology, 15(2), 127-140.
Gregan-Paxton, J., & John, D. R. (1997). Consumer learning by analogy: A model of
internal knowledge transfer. Journal of Consumer Research, 24(3), 266-284.
Gutman, J., & Reynolds, T. J. (1979). An investigation of the levels of cognitive abstraction
utilized by consumers in product differentiation. In J. Eighmey (Ed.), Attitude
research under the sun (pp. 128-150). Chicago: AMA.
Ha, Y.-W., & Hoch, S. J. (1989). Ambiguity, processing strategy, and advertising-evidence
interactions. Journal of Consumer Research, 16(3), 354-360.
Hair, J. F., Anderson, R. E., Tatham, R. L., & Black, W. C. (1998). Multivariate Data
Analysis (5th ed.). Upper Saddle River, NJ: Prentice-Hall, Inc.
Hamilton, D. L., & Sherman, J. W. (1994). Stereotypes. In R. S. Wyer & T. K. Srull (Eds.),
Handbook of social cognition (Vol. 2, pp. 1-68). Hillsdale, NJ: Lawrence Erlbaum
Associates, Inc.
Hampson, S. E. (1998). When is an inconsistency not an inconsistency? Trait reconciliation
in personality description and impression formation. Journal of Personality and
Social Psychology, 74(1), 102-117.

116
Literaturverzeichnis
Hastie, R. (1981). Schematic principles in human memory. In E. T. Higgins, C. P. Hermann
& M. P. Zanna (Eds.), Social cognition: The Ontario Symposium (Vol. 1, pp. 39-88).
Hillsdale, NJ: Lawrence Erlbaum Associates, Inc.
Hayes-Roth, B. (1977). Evolution of cognitive structures and processes. Psychological
Review, 84(3), 260-278.
Heise, G., & Hünerberg, R. (1995). Globale Segmentierung - Herausforderung für das
Automobilmarketing. In R. Hünerberg, G. Heise & M. Hoffmeister (Hrsg.),
Internationales Automobilmarketing: Wettbewerbsvorteile durch marktorientierte
Unternehmensführung (S. 83-119). Wiesbaden: Gabler Verlag.
Heitmann, M. (2006). Entscheidungszufriedenheit: Grundidee, theoretisches Konzept und
empirische Befunde. Wiesbaden: DUV.
Hekkert, P., Snelders, D., & van Wieringen, P. C. W. (2003). 'Most advanced, yet
acceptable': Typicality and novelty as joint predictors of aesthetic preference in
industrial design. British Journal of Psychology, 94(1), 111-124.
Herr, P. M. (1989). Priming price: Prior knowledge and context effects. Journal of
Consumer Research, 16(1), 67-75.
Herrmann, A., & Heitmann, M. (2006). Providing more or providing less? Accounting for
cultural differences in consumers' preference for variety. International Marketing
Review, 23(1), 7-24.
Herrmann, A., & Landwehr, J. R. (2008). Varianzanalyse. In A. Herrmann, C. Homburg &
M. Klarmann (Hrsg.), Handbuch Marktforschung: Methoden - Anwendungen -
Praxisbeispiele (3. Aufl., S. 579-606). Wiesbaden: Gabler Verlag.
Hewstone, M. (1994). Revision and change of stereotypic beliefs: In search of the elusive
subtyping model. In W. Stroebe & M. Hewstone (Eds.), European review of social
psychology (Vol. 5, pp. 69-109). Chichester: Wiley.
Higgins, E. T., Rholes, W. S., & Jones, C. R. (1977). Category accessibility and impression
formation. Journal of Experimental Social Psychology, 13(2), 141-154.
Higie, R. A., & Feick, L. F. (1989). Enduring involvement: Conceptual and measurement
issues. In T. K. Srull (Ed.), Advances in consumer research (Vol. 16, pp. 690-696).
Provo, UT: Association for Consumer Research.
Hoch, S. J., & Deighton, J. (1989). Managing what consumers learn from experience.
Journal of Marketing, 53(2), 1-20.
Hoch, S. J., & Ha, Y.-W. (1986). Consumer learning: Advertising and the ambiguity of
product experience. Journal of Consumer Research, 13(2), 221-233.
Huffman, C., & Houston, M. J. (1993). Goal-oriented experiences and the development of
knowledge. Journal of Consumer Research, 20(2), 190-207.

Literaturverzeichnis 117
Hutchinson, J. W. (1983). Expertise and the structure of free recall. In R. P. Bagozzi & A.
Tybout (Eds.), Advances in consumer research (Vol. 10, pp. 585-589). Ann Arbor,
MI: Association for Consumer Research.
Iyengar, S. S., & Lepper, M. R. (2000). When choice is demotivating: Can one desire too
much of a good thing? Journal of Personality and Social Psychology, 79(6), 995-
1006.
Jacoby, J. (1977). Information load and decision quality: Some contested issues. Journal of
Marketing Research, 14(4), 569-573.
Jacoby, J., Speller, D. E., & Berning, C. K. (1974). Brand choice behavior as a function of
information load: Replication and extension. Journal of Consumer Research, 1(1),
33-42.
Jensen, O. (2008). Clusteranalyse. In A. Herrmann, C. Homburg & M. Klarmann (Hrsg.),
Handbuch Marktforschung: Methoden - Anwendungen - Praxisbeispiele (3. Aufl., S.
335-372). Wiesbaden: Gabler Verlag.
Johar, G. V. (1995). Consumer involvement and deception from implied advertising claims.
Journal of Marketing Research, 32(3), 267-279.
Johnson, E. J., & Russo, J. E. (1978). The organization of product information in memory
identified by recall times. In H. K. Hunt (Ed.), Advances in consumer research (Vol.
5, pp. 79-86). Ann Arbor, MI: Association for Consumer Research.
Johnson, E. J., & Russo, J. E. (1981). Product familiarity and learning new information. In
K. B. Monroe (Ed.), Advances in consumer research (Vol. 8, pp. 151-155). Ann
Arbor, MI: Association for Consumer Research.
Johnson, E. J., & Russo, J. E. (1984). Product familiarity and learning new information.
Journal of Consumer Research, 11(1), 542-550.
Johnson, M. D., & Lehmann, D. R. (1997). Consumer experience and consideration sets for
brands and product categories. In M. Brucks & D. MacInnis (Eds.), Advances in
consumer research (Vol. 24, pp. 295-300). Provo, UT: Association for Consumer
Research.
Jonas, K., Diehl, M., & Brömer, P. (1997). Effects of attitudinal ambivalence on
information processing and attitude-intention consistency. Journal of Experimental
Social Psychology, 33(2), 190-210.
Judd, C. M., & Brauer, M. (1995). Repetition and evaluative extremity. In R. E. Petty & J.
A. Krosnick (Eds.), Attitude strength: Antecedents and consequences. (pp. 43-71).
Hillsdale, NJ, England: Lawrence Erlbaum Associates, Inc.
Kanwar, R., Olson, J. C., & Sims, L. S. (1981). Toward conceptualizing and measuring
cognitive structures. In K. B. Monroe (Ed.), Advances in consumer research (Vol. 8,
pp. 122-127). Ann Arbor, MI: Association for Consumer Research.

118
Literaturverzeichnis
Katona, Z., Lajos, J., Chattopadhyay, A., & Sarvary, M. (2006). CAM: A spreading
activation network model of subcategory construction. (Working Paper No.
2006/41/MKT). Fontainebleau: INSEAD.
Kraftfahrt-Bundesamt. (1999). Neuzulassungen von Personenkraftwagen nach Segmenten
und Modellreihen. Abgerufen am 12. Januar 2007, von http://www.kba.de.
Kraftfahrt-Bundesamt. (2007). Neuzulassungen von Personenkraftwagen nach Segmenten
und Modellreihen. Abgerufen 25. Januar 2008, von http://www.kba.de.
Kreuzbauer, R., & Malter, A. J. (2005). Embodied cognition and new product design:
Changing product form to influence brand categorization. Journal of Product
Innovation Management, 22(2), 165-176.
Krugman, H. E. (1965). The impact of television advertising: Learning without
involvement. Public Opinion Quarterly, 29(3), 349-356.
Kruskal, J. B. (1964). Multidimensional scaling by optimizing goodness of fit to a
nonmetric hypothesis. Psychometrika, 29(1), 1-27.
Kunda, Z., & Oleson, K. C. (1995). Maintaining stereotypes in the face of disconfirmation:
Constructing grounds for subtyping deviants. Journal of Personality & Social
Psychology, 68(4), 565-580.
Kunda, Z., & Oleson, K. C. (1997). When exceptions prove the rule: How extremity of
deviance determines the impact of deviant examples on stereotypes. Journal of
Personality and Social Psychology, 72(5), 965-979.
Kuß, A., & Tomczak, T. (2000). Käuferverhalten. Eine marketingorientierte Einführung (2.
Aufl.). Stuttgart: Lucius und Lucius.
Laurent, G., & Kapferer, J.-N. (1985). Measuring consumer involvement profiles. Journal
of Marketing Research, 22(1), 41-53.
Lee, A. Y., & Labroo, A. A. (2004). The effect of conceptual and perceptual fluency on
brand evaluation. Journal of Marketing Research, 41(2), 151-165.
Lienert, G. A., & Raatz, U. (1998). Testaufbau und Testanalyse (6. Aufl.). Weinheim: PVU.
Lingle, J. H., Altom, M. W., & Medin, D. L. (1984). Of cabbages and kings: Assessing the
extendibility of natural object concept models to social things. In R. S. Wyer & T. K.
Srull (Eds.), Handbook of social cognition (Vol. 1, pp. 71-117). Hillsdale, NJ.:
Lawrence Erlbaum Associates, Inc.
Loken, B., & John, D. R. (1993). Diluting brand beliefs: When do brand extensions have a
negative impact? Journal of Marketing, 57(3), 71-84.
Loken, B., & Ward, J. (1987). Measures of the attribute structure underlying product
typicality. In M. Wallendorf & P. Anderson (Eds.), Advances in consumer research
(Vol. 14, pp. 22-26). Provo, UT: Association for Consumer Research.

Literaturverzeichnis 119
Loken, B., & Ward, J. (1990). Alternative approaches to understanding the determinants of
typicality. Journal of Consumer Research, 17(2), 111-126.
Lundegaard, K. (2006, January 10). A new generation of SUVs. Wall Street Journal -
Eastern Edition, pp. D1-D6.
Lürssen, J. (1989). Produktwissen und Kaufentscheidung. Frankfurt a.M.: Verlag Peter
Lang.
Maheswaran, D., & Meyers-Levy, J. (1990). The influence of message framing and issue
involvement. Journal of Marketing Research, 27(3), 361-367.
Malhotra, N. K. (1987). Validity and structural reliability of multidimensional scaling.
Journal of Marketing Research, 24(2), 164-173.
Malt, B. C., Ross, B. H., & Murphy, G. L. (1995). Predicting features for members of
natural categories when categorization is uncertain. Journal of Experimental
Psychology: Learning, Memory, and Cognition, 21(3), 646-661.
Mandler, G. (1982). The structure of value: Accounting for taste. In M. S. Clark & S. T.
Fiske (Eds.), Affect and cognition: The 17th annual Carnegie Symposium on
Cognition (pp. 3-36). Hillsdale, NJ: Lawrence Erlbaum Associates, Inc.
Markman, A. B., & Ross, B. H. (2003). Category use and category learning. Psychological
Bulletin, 129(4), 592-613.
McQuarrie, E. F., & Munson, J. M. (1992). A revised product involvement inventory:
Improved usability and validity. In J. F. Sherry & B. Sternthal (Eds.), Advances in
consumer research (Vol. 19, pp. 108-115). Provo, UT: Association for Consumer
Research.
Medin, D. L., & Schaffer, M. M. (1978). Context theory of classification learning.
Psychological Review, 85(3), 207-238.
Mervis, C. B., & Rosch, E. (1981). Categorization of natural objects. Annual Review of
Psychology, 32, 89-115.
Meyers-Levy, J., & Tybout, A. M. (1989). Schema congruity as a basis for product
evaluation. Journal of Consumer Research, 16(1), 39-54.
Mitchell, V.-W., & Papavassiliou, V. (1999). Marketing causes and implications of
consumer confusion. Journal of Product & Brand Management, 8(4), 319-339.
Mittal, B. (1995). A comparative analysis of four scales of consumer involvement.
Psychology & Marketing, 12(7), 663-682.
Möller, S. (2004). Die Vermeidung von Consumer Confusion. Thexis, 21(4), 27-30.
Montada, L. (1995). Die geistige Entwicklung aus der Sicht Jean Piagets. In R. Oerter & L.
Montada (Hrsg.), Entwicklungspsychologie (3. Aufl., S. 518-560). Weinheim: PVU.

120
Literaturverzeichnis
Moreau, C. P., Lehmann, D. R., & Markman, A. B. (2001). Entrenched knowledge
structures and consumer response to new products. Journal of Marketing Research,
38(1), 14-29.
Moreau, C. P., Markman, A. B., & Lehmann, D. R. (2001). "What is it?" Categorization
flexibility and consumers' responses to really new products. Journal of Consumer
Research, 27(4), 489-498.
Moskowitz, G. B., Skurnik, I., & Galinsky, A. D. (1999). The history of dual-process
notions, and the future. In S. Chaiken & Y. Trope (Eds.), Dual-process theories in
social psychology (pp. 12-36). New York: The Guilford Press.
Mukherjee, A., & Hoyer, W. D. (2001). The effect of novel attributes on product evaluation.
Journal of Consumer Research, 28(3), 462-472.
Murphy, G. L., & Ross, B. H. (1994). Predictions from uncertain categorizations. Cognitive
Psychology, 27(2), 148-193.
Murphy, G. L., & Ross, B. H. (1999). Induction with cross-classified categories. Memory &
Cognition, 27(6), 1024-1041.
Muthukrishnan, A. V., & Weitz, B. A. (1991). Role of product knowledge in evaluation of
brand extension. In R. C. Hollman & M. Solomon (Eds.), Advances in consumer
research (Vol. 18, pp. 407-413). Provo, UT: Association for Consumer Research.
Nedungadi, P. (1990). Recall and consumer consideration sets: Influencing choice without
altering brand evaluations. Journal of Consumer Research, 17(3), 263-276.
Nedungadi, P., Chattopadhyay, A., & Muthukrishnan, A. V. (2001). Category structure,
brand recall, and choice. International Journal of Research in Marketing, 18(3), 191-
202.
Nedungadi, P., & Hutchinson, J. W. (1985). The prototypicality of brands: Relationships
with brand awareness, preference and usage. In E. C. Hirschman & M. B. Holbrook
(Eds.), Advances in consumer research (Vol. 12, pp. 498-503). Provo, UT:
Association for Consumer Research.
Niederländer, F. (2000). Dynamik in der internationalen Produktpolitik von
Automobilherstellern. Wiesbaden: Gabler Verlag.
Nosofsky, R. M. (1988). Exemplar-based accounts of relations between classification,
recognition, and typicality. Journal of Experimental Psychology: Learning, Memory,
and Cognition, 14(4), 700-708.
Novemsky, N., Dhar, R., Schwarz, N., & Simonson, I. (2007). Preference fluency in choice.
Journal of Marketing Research, 44(3), 347-356.
o.V. (2003). Renault Avantime ist am Ende. Handelsblatt (27.02.03).
Petty, R. E., Cacioppo, J. T., & Schumann, D. (1983). Central and peripheral routes to
advertising effectiveness: The moderating role of involvement. Journal of Consumer
Research, 10(2), 135-146.

Literaturverzeichnis 121
Rabinowitz, G. B. (1975). An introduction to nonmetric multidimensional scaling.
American Journal of Political Science, 19(2), 343-390.
Rajagopal, P. (2004). Consumer categorization and evaluation of ambiguous products.
Unpublished Doctoral Dissertation, The Ohio State University, Columbus, OH.
Rajagopal, P., & Burnkrant, R. E. (2005). Consumer categorization and evaluation of
ambiguous products. In G. Menon & A. R. Rao (Eds.), Advances in consumer
research (Vol. 32, pp. 362). Duluth, MN: Association for Consumer Research.
Ratneshwar, S., & Shocker, A. D. (1991). Substitution in use and the role of usage context
in product category structures. Journal of Marketing Research, 28(3), 281-295.
Reber, R., Schwarz, N., & Winkielman, P. (2004). Processing fluency and aesthetic
pleasure: Is beauty in the perceiver's processing experience? Personality & Social
Psychology Review, 8(4), 364-382.
Reber, R., Winkielman, P., & Schwarz, N. (1998). Effects of perceptual fluency on affective
judgments. Psychological Science, 9(1), 45-48.
Richins, M. L., & Bloch, P. H. (1983). An investigation of cognitive structure in a shopping
context. In R. P. Bagozzi & A. M. Tybout (Eds.), Advances in consumer research
(Vol. 10, pp. 555-558). Ann Arbor, MI: Association for Consumer Research.
Ries, A., & Trout, J. (2001). Positioning. The battle for your mind. (3 ed.). New York:
McGraw-Hill.
Rips, L. J., Shoben, E. J., & Smith, E. E. (1973). Semantic distance and the verification of
semantic relations. Journal of Verbal Learning and Verbal Behavior, 12, 1-20.
Rosa, J. A., Porac, J. F., Runser-Spanjol, J., & Saxon, M. S. (1999). Sociocognitive
dynamics in a product market. Journal of Marketing, 63(4), 64-77.
Rosch, E. (1973). On the internal structure of perceptual and semantic categories. In T. E.
Moore (Ed.), Cognitive development and the acquisition of language (pp. 111-144).
New York: Academic Press.
Rosch, E. (1978). Principles of categorization. In E. Rosch & B. B. Lloyd (Eds.), Cognition
and categorization (pp. 27-48). Hillsdale, NJ: Lawrence Erlbaum Associates, Inc.
Rosch, E., & Lloyd, B. B. (1978). Cognition and categorization. Hillsdale, NJ: Lawrence
Erlbaum Associates, Inc.
Rosch, E., & Mervis, C. B. (1975). Family resemblances: Studies in the internal structure of
categories. Cognitive Psychology, 7(4), 573-605.
Ross, B. H., & Murphy, G. L. (1996). Category-based predictions: Influence of uncertainty
and feature associations. Journal of Experimental Psychology: Learning, Memory,
and Cognition, 22(3), 736-753.

122
Literaturverzeichnis
Rumelhart, D. E., & Norman, D. A. (1978). Accretion, tuning, and restructuring: Three
modes of learning. In J. W. Cotton & R. Klatzky (Eds.), Semantic factors in
cognition (pp. 37-53). Hillsdale, NJ: Lawrence Erlbaum Associates, Inc.
Russo, J. E., & Johnson, E. J. (1980). What do customers know about familiar products? In
J. C. Olson (Ed.), Advances in consumer research (Vol. 7, pp. 417-423). Ann Arbor,
MI: Association for Consumer Research.
Salasoo, A., Shiffrin, R. M., & Feustel, T. C. (1985). Building permanent memory codes:
Codification and repetition effects in word identification. Journal of Experimental
Psychology: General, 114(1), 50-77.
Sanbonmatsu, D. M., & Fazio, R. H. (1990). The role of attitudes in memory-based decision
making. Journal of Personality and Social Psychology, 59(4), 614-622.
Schmitt, A. (1995). Die psychologischen Rahmenbedingungen des Automobilmarketings. In
R. Hünerberg, G. Heise & M. Hoffmeister (Hrsg.), Internationales
Automobilmarketing: Wettbewerbsvorteile durch marktorientierte
Unternehmensführung (S. 61-79). Wiesbaden: Gabler Verlag.
Schwarz, N. (1998). Accessible content and accessibility experiences: The interplay of
declarative and experiential information in judgment. Personality & Social
Psychology Review, 2(2), 87-99.
Schwarz, N. (2004). Metacognitive experiences in consumer judgment and decision making.
Journal of Consumer Psychology, 14(4), 332-348.
Schwarz, N., & Bless, H. (1992). Constructing reality and its alternatives: Assimilation and
contrast effects in social judgments. In L. L. Martin & A. Tesser (Eds.), The
construction of social judgments (pp. 217-245). Hillsdale, NJ: Lawrence Erlbaum
Associates, Inc.
Schwarz, N., & Bless, H. (2007). Mental construal processes: The inclusion/exclusion
model. In D. A. Stapel & J. Suls (Eds.), Assimilation and contrast in social
psychology. Philadelphia, PA: Psychology Press.
Schwarz, N., Bless, H., Strack, F., Klumpp, G., Rittenauer-Schatka, H., & Simons, A.
(1991). Ease of retrieval as information: Another look at the availability heuristic.
Journal of Personality and Social Psychology, 61(2), 195-202.
Schwarz, N., & Clore, G. L. (1983). Mood, misattribution, and judgments of well-being:
Informative and directive functions of affective states. Journal of Personality and
Social Psychology, 45(3), 513-523.
Shavitt, S., & Wänke, M. (2001). Consumer behavior. In A. Tesser & N. Schwarz (Eds.),
Blackwell handbook of social psychology: Intraindividual processes (Vol. 1, pp. 569-
590). Oxford: Blackwell.
Shrout, P. E., & Fleiss, J. L. (1979). Intraclass correlations: Uses in assessing rater
reliability. Psychological Bulletin, 86(2), 420-428.
Slovic, P. (1995). The construction of preference. American Psychologist, 50(5), 364-371.

Literaturverzeichnis 123
Smith, E. E., & Medin, D. L. (1981). Categories and concepts. Cambridge, MA: Harvard
University Press.
Sproles, G. B., & Kendall, E. L. (1986). A methodology for profiling consumers' decisionmaking
styles. Journal of Consumer Affairs, 20(2), 267-279.
Stayman, D. M., Alden, D. L., & Smith, K. E. (1992). Some effects of schematic processing
on consumer expectations and disconfirmation judgments. Journal of Consumer
Research, 19(2), 240-255.
Sujan, M. (1985). Consumer knowledge: Effects on evaluation strategies mediating
consumer judgments. Journal of Consumer Research, 12(1), 31-46.
Sujan, M., & Bettman, J. R. (1989). The effects of brand positioning strategies on
consumers' brand and category perceptions: Some insights from schema research.
Journal of Marketing Research, 26(4), 454-467.
Sujan, M., & Dekleva, C. (1987). Product categorization and inference making: Some
implications for comparative advertising. Journal of Consumer Research, 14(3), 372-
378.
Sujan, M., & Tybout, A. M. (1988). Applications and extensions of categorization research
in consumer behavior. In M. J. Houston (Ed.), Advances in consumer research (Vol.
15, pp. 50-54). Provo, UT: Association for Consumer Research.
Trommsdorff, V. (2004). Konsumentenverhalten (6. Aufl.). Stuttgart: Verlag W.
Kohlhammer.
Trommsdorff, V., & Steinhoff, F. (2007). Innovationsmarketing. München: Verlag Franz
Vahlen.
Tsogo, L., Masson, M. H., & Bardot, A. (2000). Multidimensional scaling methods for
many-object sets: A review. Multivariate Behavioral Research, 35(3), 307-319.
Turnbull, P. W., Leek, S., & Ying, G. (2000). Customer confusion: The mobile phone
market. Journal of Marketing Management, 16(1-3), 143-163.
Tversky, A. (1977). Features of similarity. Psychological Review, 84(4), 327-352.
Tversky, A., & Kahneman, D. (1973). Availability: A heuristic for judging frequency and
probability. Cognitive Psychology, 5(2), 207-232.
Tversky, A., & Kahneman, D. (1974). Judgment under uncertainty: Heuristics and biases.
Science, 185, 1124-1131.
Urbany, J. E., Bearden, W. O., Kaicker, A., & Smith-de Borrero, M. (1997). Transaction
utility effects when quality is uncertain. Journal of the Academy of Marketing
Science, 25(1), 45-55.
van der Kloot, W. A., & van Herk, H. (1991). Multidimensional scaling of sorting data: A
comparison of three procedures. Multivariate Behavioral Research, 26(4), 563-581.

124
Literaturverzeichnis
van Eimeren, B., & Frees, B. (2007). ARD/ZDF-Online-Studie 2007. Internetnutzung
zwischen Pragmatismus und YouTube-Euphorie. Media Perspektiven, 48(8), 362-
378.
VDA. (2006). Jahresbericht Auto 2006. Frankfurt a.M.: Verband der Automobilindustrie.
Verde, M. F., Murphy, G. L., & Ross, B. H. (2005). Influence of multiple categories on the
prediction of unknown properties. Memory & Cognition, 33(3), 479-487.
Veryzer, R. W., & Hutchinson, J. W. (1998). The influence of unity and prototypicality on
aesthetic responses to new product designs. Journal of Consumer Research, 24(4),
374-394.
Walker, B., Celsi, R., & Olson, J. (1987). Exploring the structural characteristics of
consumers' knowledge. In M. Wallendorf & P. Anderson (Eds.), Advances in
consumer research (Vol. 14, pp. 17-21). Provo, UT: Association for Consumer
Research.
Walsh, G. (2002). Konsumentenverwirrtheit als Marketingherausforderung. Wiesbaden:
DUV.
Walsh, G. (2004). Ansätze der Messung von Konsumentenverwirrtheit: Ein Überblick.
Thexis, 21(4), 5-10.
Wänke, M. (1998). Markenmanagement als Kategorisierungsproblem. Zeitschrift für
Sozialpsychologie, 29, 117-122.
Wänke, M., Bless, H., & Biller, B. (1996). Subjective experience versus content of
information in the construction of attitude judgments. Personality and Social
Psychology Bulletin, 22(11), 1105-1113.
Wänke, M., Bless, H., & Igou, E. R. (2001). Next to a star: Paling, shining, or both?
Turning interexemplar contrast into interexemplar assimilation. Personality and
Social Psychology Bulletin, 27(1), 14-29.
Wänke, M., Bless, H., & Schwarz, N. (1998). Context effects in product line extensions:
Context is not destiny. Journal of Consumer Psychology, 7(4), 299-322.
Wänke, M., Bless, H., & Wortberg, S. (2003). Der Einfluss von "Karrierefrauen" auf das
Frauenstereotyp: Die Auswirkungen von Inklusion und Exklusion. Zeitschrift fur
Sozialpsychologie, 34(3), 187-196.
Wänke, M., Bohner, G., & Jurkowitsch, A. (1997). There are many reasons to drive a
BMW: Does imagined ease of argument generation influence attitudes? Journal of
Consumer Research, 24(2), 170-177.
Wänke, M., Herrmann, A., & Schaffner, D. (2007). Brand name influence on brand
perception. Psychology & Marketing, 24(1), 1-24.
Wänke, M., Schwarz, N., & Bless, H. (1995). The availability heuristic revisited:
Experienced ease of retrieval in mundane frequency estimates. Acta Psychologica,
89(1), 83-90.

Literaturverzeichnis 125
Ward, J., & Loken, B. (1988). The generality of typicality effects on preference and
comparison: An exploratory test. In M. J. Houston (Ed.), Advances in consumer
research (Vol. 15, pp. 55-61). Provo, UT: Association for Consumer Research.
Weber, R., & Crocker, J. (1983). Cognitive processes in the revision of stereotypic beliefs.
Journal of Personality and Social Psychology, 45(5), 961-977.
Whittlesea, B. W. A. (1993). Illusions of familiarity. Journal of Experimental Psychology:
Learning, Memory, and Cognition, 19(6), 1235-1253.
Wiedmann, K.-P., Walsh, G., & Klee, A. (2001). Konsumentenverwirrtheit: Konstrukt und
marketingpolitische Implikationen. Marketing ZFP, 23(2), 83-99.
Winkielman, P., & Cacioppo, J. T. (2001). Mind at ease puts a smile on the face:
Psychophysiological evidence that processing facilitation elicits positive affect.
Journal of Personality and Social Psychology, 81(6), 989-1000.
Winkielman, P., & Fazendeiro, T. (2003). The role of conceptual fluency in preference and
memory.Unpublished manuscript.
Winkielman, P., Schwarz, N., Fazendeiro, T., & Reber, R. (2003). The hedonic marking of
processing fluency: Implications for evaluative judgment. In J. Musch & K. C.
Klauer (Eds.), The psychology of evaluation: Affective processes in cognition and
emotion (pp. 189-217). Mahwah, NJ: Lawrence Erlbaum Associates, Inc.
Wirtz, M., & Caspar, F. (2002). Beurteilerübereinstimmung und Beurteilerreliabilität.
Göttingen: Hogrefe.
Wittmann, W. W. (1990). Brunswik-Symmetrie und die Konzeption der Fünf-Datenboxen -
Ein Rahmenkonzept für umfassende Evaluationsforschung. Zeitschrift für
Pädagogische Psychologie, 4(4), 241-251.
Wright, C., & Sedgwick, D. (2001, February). Cross-dressing. Automotive News
International, 27-28.
Wyer, R. S., & Srull, T. K. (1989). Memory and cognition in its social context. Hillsdale,
NJ: Lawrence Erlbaum Associates, Inc.
Yamauchi, T., & Markman, A. B. (2000). Inference using categories. Journal of
Experimental Psychology: Learning, Memory, and Cognition, 26(3), 776-795.
Yzerbyt, V. Y., Coull, A., & Rocher, S. J. (1999). Fencing off the deviant: The role of
cognitive resources in the maintenance of stereotypes. Journal of Personality and
Social Psychology, 77(3), 449-462.
Zaichkowsky, J. L. (1985a). Familiarity: Product use, involvement or expertise. In E. C.
Hirschman & M. B. Holbrook (Eds.), Advances in consumer research (Vol. 12, pp.
296-299). Provo, UT: Association for Consumer Research.
Zaichkowsky, J. L. (1985b). Measuring the involvement construct. Journal of Consumer
Research, 12(3), 341-352.

126
Literaturverzeichnis
Zajonc, R. B. (1968). Attitudinal effects of mere exposure. Journal of Personality and
Social Psychology: Monograph Supplement, 9(2 (Part 2)), 1-27.
Zhang, S., & Markman, A. B. (2001). Processing product unique features: Alignability and
involvement in preference construction. Journal of Consumer Psychology, 11(1), 13-
27.

Anhang
Anhang
Studie 1
Anhang A: Item- und Skalenanalyse Studie 1
Anhang A-1: Q-Q-Verteilungsdiagramme der Skalen
Erwarteter Wert von Normal
8
7
6
5
4
3
Erwarteter Wert von Normal Q-Q-Diagramm von Normal von Skalen-MW Produktwissen
2
1
1 2 3 4 5 6 7 8
Beobachteter Wert
Q-Q-Diagramm von Normal von Skalen-MW Wahrgenommene
Stimulusüberlastung
8
6
4
2
0
0 2 4 6 8
Beobachteter Wert
Erwarteter Wert von Normal
Q-Q-Diagramm von Normal von Skalen-MW A-Involvement
8
6
4
2
0
0 2 4 6 8
Beobachteter Wert
XI

XII
Anhang
Anhang A-2: Deskriptive Statistiken, Test auf Normalverteilung und Gütemaße der Skalen
M SD Sch z(Sch) Kur z(Kur) K-S-Z p α
Wahrgenommene Typikalität
Audi A7 5,66 1,59 -1,339 -13,14 1,152 5,67 5,04 0,000 0,948
Audi X-Cp* 4,43 1,90 -0,302 -2,96 -1,014 -4,98 2,37 0,000 0,963
BMW CS 5,66 1,58 -1,330 -13,05 1,084 5,33 4,97 0,000 0,929
BMW X6 5,10 1,71 -0,775 -7,61 -0,229 -1,13 3,46 0,000 0,942
MB B-Kl. 4,99 1,64 -0,664 -6,51 -0,352 -1,73 3,40 0,000 0,946
MB CLS 5,50 1,72 -1,169 -11,48 0,471 2,31 4,61 0,000 0,948
MB R- Kl. 4,84 1,78 -0,591 -5,80 -0,561 -2,76 3,44 0,000 0,964
Panamera 5,95 1,60 -1,684 -16,53 1,992 9,79 6,74 0,000 0,935
VW Coupé 4,74 1,76 -0,534 -5,24 -0,630 -3,10 3,19 0,000 0,957
VW Neeza* 4,43 1,77 -0,312 -3,06 -0,818 -4,02 2,32 0,000 0,959
Wahrgenommene Neuartigkeit
Audi A7 4,71 1,42 -0,545 -5,35 -0,130 -0,64 2,96 0,000 0,776
Audi X-Cp 5,03 1,35 -0,648 -6,36 0,304 1,49 3,16 0,000 0,700
BMW CS 5,50 1,20 -1,054 -10,35 1,524 7,49 3,75 0,000 0,724
BMW X6 5,17 1,31 -0,714 -7,01 0,493 2,42 2,97 0,000 0,678
MB B- Kl.* 4,10 1,38 -0,329 -3,23 -0,210 -1,03 3,39 0,000 0,771
MB CLS 4,67 1,51 -0,474 -4,65 -0,337 -1,66 2,48 0,000 0,814
MB R- Kl.* 4,27 1,40 -0,314 -3,08 -0,221 -1,08 3,22 0,000 0,777
Panamera 5,56 1,31 -1,065 -10,46 0,954 4,69 4,11 0,000 0,766
VW Coupé* 4,24 1,34 -0,363 -3,57 0,100 0,49 3,65 0,000 0,771
VW Neeza* 4,73 1,23 -0,450 -4,41 0,332 1,63 2,80 0,000 0,654
Produktevaluation
Audi A7 5,34 1,33 -0,781 -7,67 0,288 1,42 2,59 0,000 0,963
Audi X-Cp* 4,16 1,73 -0,175 -1,72 -0,939 -4,62 2,01 0,001 0,969
BMW CS 5,08 1,61 -0,722 -7,09 -0,339 -1,66 2,80 0,000 0,968
BMW X6 4,67 1,69 -0,426 -4,18 -0,718 -3,53 2,23 0,000 0,969
MB B- Kl. 5,08 1,61 -0,722 -7,09 -0,339 -1,66 2,80 0,000 0,965
MB CLS 5,17 1,46 -0,735 -7,22 -0,001 -0,01 2,99 0,000 0,964
MB R- Kl. 4,51 1,48 -0,397 -3,90 -0,284 -1,40 2,10 0,000 0,967
Panamera 5,31 1,56 -0,878 -8,61 0,041 0,20 3,34 0,000 0,962
VW Coupé* 4,42 1,41 -0,289 -2,84 -0,391 -1,92 1,94 0,001 0,962
VW Neeza* 4,14 1,47 -0,148 -1,45 -0,464 -2,28 1,79 0,003 0,968
Anmerkungen. N = 575. M: Arithmetisches Mittel. SD: Standardabweichung. Sch: Schiefe.
SE(Sch) = 0,102. z(Sch): z-Wert Schiefe. Kur: Kurtosis. SE(Kur) = 0,203. z(Kur): z-Wert
Kurtosis. K-S Z: Z-Wert des Kolmogorov-Smirnov Anpassungstests. p: asymptotische
Signifikanz (2-seitig). α: Cronbachs α. *: Items nicht per Quadratur transformiert.

Anhang
Anhang B: MDS & Clusteranalyse – Gesamtstichprobe
Anhang B-1: Transformationsdiagramm 1 und Diagramm der Residuen
Transformierte Distanzen
2,0
1,5
1,0
0,5
0,0
Transformationsdiagramm
SRC_1
Dimensionalität 2
0 100 200 300 400 500 600
Distanzen
Fallnummer
SRC_1
Distanzen
2,5
2,0
1,5
1,0
0,5
0,0
Diagramm der Residuen
SRC_1
Dimensionalität 2
0,0 0,5 1,0 1,5 2,0
Transformierte Distanzen
Fallnummer
SRC_1
Anmerkungen. 1 Transformation: Matrix bedingt, ordinal (Bindungen bleiben zusammen).
Anhang B-2: Elbow-Kriterium: Fehlerquadratsumme in Abhängigkeit von der Clusterzahl
5,0
4,5
4,0
3,5
3,0
2,5
2,0
1,5
1,0
0,5
0,0
2
4
6
8
10
12
14
16
18
20
22
24
Anmerkungen. Complete Linkage Cluster-Algorithmus. Clusterzahl 5.
26
28
30
32
34
36
38
40
42
44
46
48
50
52
54
56
58
XIII

XIV
Anhang B-3: Dendrogramm der Hierarchischen Clusteranalyse (Complete Linkage)
Rescaled Distance Cluster Combine
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
3 òø
32 òú
50 òú
13 òú
14 òú
39 òôòø
7 òú ó
25 òú ó
10 òú ùòòòòòòòòòòòòòø
47 òú ó ó
43 ò÷ ó ó
48 òòò÷ ó
12 òûòòòòòø ùòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòø
55 ò÷ ó ó ó
4 òø ó ó ó
38 òú ó ó ó
44 òú ùòòòòòòòòò÷ ó
56 òôòø ó ó
2 ò÷ ó ó ó
33 òø ó ó ó
53 òú ó ó ó
18 òú ùòòò÷ ó
31 òôòú ó
16 òú ó ó
1 òú ó ó
15 òú ó ó
28 òú ó ó
29 ò÷ ó ó
8 òòò÷ ó
19 òø ó
20 òú ó
35 òú ó
52 òôòø ó
36 òú ó ó
58 ò÷ ùòòòòòòòòòòòòòòòø ó
9 òø ó ó ó
11 òôò÷ ó ó
6 ò÷ ó ó
22 òø ó ó
41 òú ó ó
24 òú ó ó
27 òôòø ùòòòòòòòòòòòòòòòòòòòòòòòòòòòòò÷
37 òú ó ó
54 òú ó ó
23 ò÷ ùòòòòòòòòòø ó
30 òø ó ó ó
34 òú ó ó ó
5 òú ó ó ó
40 òôò÷ ó ó
17 òú ùòòòòò÷
26 ò÷ ó
46 òø ó
49 òú ó
21 òôòòòø ó
42 òú ó ó
45 òú ùòòòòòòò÷
59 òú ó
51 ò÷ ó
57 òòòòò÷
Anhang

Anhang
Anhang B-4: MDS-Konfiguration mit Fünf-Cluster-Lösung
Anmerkungen. CZ: Clusterzentrum.
XV

XVI
Anhang B-5: Klassifizierungsergebnisse der Diskriminanzanalyse
Vorhergesagte Gruppenzugehörigkeit
1 2 3 4 5 Gesamt
Original
n % n % n % n % n % n %
Anhang
1 17 100% 0 0% 0 0% 0 0% 0 0% 17 100%
2 0 0% 12 100% 0 0% 0 0% 0 0% 12 100%
3 0 0% 0 0% 13 100% 0 0% 0 0% 13 100%
4 0 0% 0 0% 0 0% 9 100% 0 0% 9 100%
5 0 0% 0 0% 0 0% 0 0% 8 100% 8 100%
Anmerkungen. 100,0% der ursprünglich gruppierten Fälle wurden korrekt klassifiziert.
Anhang C: MDS & Clusteranalyse - Experten
Anhang C-1: Stress- und Anpassungsmaße der MDS-Konfiguration (Experten)
Maß 2 Dimensionen 3 Dimensionen
Normalisierter Roh-Stress 0,02909 0,00940
Stress-I 0,17057 0,09693
Stress-II 0,37928 0,25745
S-Stress 0,06778 0,03187
Erklärte Streuung (D.A.F.) 0,97091 0,99060
Kongruenzkoeffizient nach Tucker 0,98535 0,99529
Anmerkungen. PROXSCAL minimiert den normalisierten Roh-Stress. N = 305. D.A.F.:
Disperson accounted for.
Anhang C-2: Transformationsdiagramm 1 und Diagramm der Residuen
Transformierte Distanzen
2,0
1,5
1,0
0,5
0,0
Transformationsdiagramm
SRC_1
Dimensionalität 2
0 50 100 150 200 250 300
Distanzen
Fallnummer
SRC_1
Distanzen
2,0
1,5
1,0
0,5
0,0
Diagramm der Residuen
SRC_1
Dimensionalität 2
0,0 0,5 1,0 1,5 2,0
Transformierte Distanzen
Fallnummer
SRC_1
Anmerkungen. 1 Transformation: Matrix bedingt, ordinal (Bindungen bleiben zusammen).

Anhang
Anhang C-3: Elbow-Kriterium: Fehlerquadratsumme in Abhängigkeit von der Clusterzahl
5,0
4,5
4,0
3,5
3,0
2,5
2,0
1,5
1,0
0,5
0,0
2
4
6
8
10
12
14
16
18
20
22
24
Anmerkungen. Complete Linkage Cluster-Algorithmus. Clusterzahl 6.
26
28
30
32
34
36
38
40
42
44
46
48
50
52
54
56
58
XVII

XVIII
Anhang C-4: Dendrogramm der Hierarchischen Clusteranalyse (Complete Linkage)
Rescaled Distance Cluster Combine
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
42 òø
45 òú
21 òú
59 òú
51 òôòòòòòø
46 òú ó
49 ò÷ ó
30 òø ùòòòòòòòòòòòø
34 òú ó ó
5 òú ó ó
40 òôòòòòò÷ ó
57 ò÷ ó
20 òø ùòòòòòòòòòòòòòòòòòòòòòòòòòòòòòø
35 òú ó ó
52 òú ó ó
19 òú ó ó
36 òôòø ó ó
58 ò÷ ùòòòòòòòòòòòòòòò÷ ó
9 òø ó ó
11 òôò÷ ó
6 ò÷ ó
14 òø ó
32 òú ó
3 òú ó
50 òú ó
39 òôòø ó
13 òú ó ó
48 ò÷ ùòòòòòòòòòòòòòòòòòòòòòòòòòø ó
10 òø ó ó ó
47 òú ó ó ó
7 òôò÷ ó ó
25 òú ó ó
43 ò÷ ó ó
44 òø ó ó
56 òú ó ó
4 òú ó ó
38 òôòø ùòòòòòòòòòòòòòòòòòòò÷
16 òú ó ó
2 ò÷ ó ó
1 òø ó ó
29 òú ùòòòòòòòòòòòø ó
15 òôòú ó ó
18 òú ó ó ó
33 òú ó ó ó
28 òú ó ó ó
31 òú ó ùòòòòòòòòòòòòò÷
53 ò÷ ó ó
8 òòò÷ ó
12 òûòòòòòø ó
55 ò÷ ó ó
17 òø ùòòòòòòò÷
37 òôòòòø ó
23 òú ó ó
24 ò÷ ùò÷
22 òø ó
41 òôòòò÷
26 òú
27 òú
54 ò÷
Anhang

Anhang
Anhang C-5: MDS-Konfiguration mit Sechs-Cluster-Lösung
Dimension 2
1
0,5
0
CZ6
CZ4
BMW X6
Audi X-Coupé
MB B-Kl
VW Neeza
CZ2
BMW CS
Porsche Panamera
CZ5
VW 4-t. Coupé
MB R-Kl
CZ1
CZ3
MB CLS
Cabrio
-0,5
Audi A7
Coupé
Limousine
Hatchback
Kombi
SUV
Minivan
-1
Crossover
-1,5 -1 -0,5 0 0,5 1 1,5
Anmerkungen. CZ: Clusterzentrum.
Dimension 1
Anhang C-6: Diskriminanzanalyse zur Überprüfung der Clustergüte (Experten)
Funktion Eigenwert
% der
Varianz
Kanon.
Korr.
Wilks’
Lambda χ² df p
1 15,656 73,09 0,970 0,009 255,120 10 0,000
2 5,765 26,91 0,923 0,148 103,232 4 0,000
Anmerkungen. Kanon. Korr.: Kanonische Korrelation. χ²: Prüfstatistik. df: Freiheitsgrade.
p: Signifikanz.
Anhang C-7: Klassifizierungsergebnisse der Diskriminanzanalyse (Experten)
Vorhergesagte Gruppenzugehörigkeit
1 2 3 4 5 6 Gesamt
Original
n % n % n % n % n % n % n %
1 14 93% 0 0% 0 0% 0 0% 1 7% 0 0% 15 100%
2 0 0% 12 100% 0 0% 0 0% 0 0% 0 0% 12 100%
3 0 0% 0 0% 5 100% 0 0% 0 0% 0 0% 5 100%
4 0 0% 0 0% 0 0% 9 100% 0 0% 0 0% 9 100%
5 1 9% 0 0% 1 9% 0 0% 9 82% 0 0% 11 100%
6 0 0% 0 0% 0 0% 0 0% 0 0% 7 100% 7 100%
Anmerkungen. 94,9% der ursprünglich gruppierten Fälle wurden korrekt klassifiziert.
XIX

XX
Anhang D: Anhang C: MDS & Clusteranalyse – Novizen
Anhang D-1: Stress- und Anpassungsmaße der MDS-Konfiguration (Novizen)
Maß 2 Dimensionen 3 Dimensionen
Anhang
Normalisierter Roh-Stress 0,02660 0,01248
Stress-I 0,16311 0,11173
Stress-II 0,35995 0,29316
S-Stress 0,05969 0,03486
Erklärte Streuung (D.A.F.) 0,97340 0,98752
Kongruenzkoeffizient nach Tucker 0,98662 0,99374
Anmerkungen. PROXSCAL minimiert den normalisierten Roh-Stress. N = 268. D.A.F.:
Disperson accounted for.
Anhang D-2: Transformationsdiagramm 1 und Diagramm der Residuen
Transformierte Distanzen
2,0
1,5
1,0
0,5
0,0
Transformationsdiagramm
SRC_1
Dimensionalität 2
0 50 100 150 200 250
Distanzen
Fallnummer
SRC_1
Distanzen
2,5
2,0
1,5
1,0
0,5
0,0
Diagramm der Residuen
SRC_1
Dimensionalität 2
0,0 0,5 1,0 1,5 2,0
Transformierte Distanzen
Fallnummer
SRC_1
Anmerkungen. 1 Transformation: Matrix bedingt, ordinal (Bindungen bleiben zusammen).

Anhang
Anhang D-3: Elbow-Kriterium: Fehlerquadratsumme in Abhängigkeit von der Clusterzahl
5,0
4,5
4,0
3,5
3,0
2,5
2,0
1,5
1,0
0,5
0,0
2
4
6
8
10
12
14
16
18
20
22
24
Anmerkungen. Complete Linkage Cluster-Algorithmus. Clusterzahl 5.
26
28
30
32
34
36
38
40
42
44
46
48
50
52
54
56
58
XXI

XXII
Anhang D-4: Dendrogramm der Hierarchischen Clusteranalyse (Complete Linkage)
Rescaled Distance Cluster Combine
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
3 òø
32 òú
50 òú
13 òú
14 òú
39 òôòø
7 òú ó
25 òú ó
10 òú ùòòòòòòòòòòòø
47 òú ó ó
43 ò÷ ó ó
48 òòò÷ ó
12 òûòø ó
55 ò÷ ó ùòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòø
1 òø ùòø ó ó
15 òú ó ó ó ó
16 òôò÷ ó ó ó
29 òú ó ó ó
18 òú ó ó ó
28 ò÷ ùòòòòòòòòò÷ ó
4 òø ó ó
44 òú ó ó
38 òú ó ó
56 òôòø ó ó
2 ò÷ ó ó ó
33 òø ùò÷ ó
53 òú ó ó
31 òôò÷ ó
8 ò÷ ó
9 òûòø ó
11 ò÷ ó ó
19 òø ùòòòòòòòòòòòòòòòø ó
20 òú ó ó ó
35 òôò÷ ó ó
52 òú ó ó
36 òú ó ó
58 ò÷ ó ó
46 òø ó ó
49 òú ó ó
42 òôòòòø ùòòòòòòòòòòòòòòòòòòòòòòòòòòòòò÷
45 òú ó ó
21 òú ó ó
59 òú ó ó
51 ò÷ ùòòòòòòòø ó
30 òø ó ó ó
34 òú ó ó ó
5 òú ó ó ó
40 òôòòò÷ ó ó
57 ò÷ ùòòòòò÷
22 òø ó
23 òú ó
41 òôòòòòòø ó
27 òú ó ó
54 òú ó ó
37 ò÷ ùòòòòò÷
17 òø ó
26 òôòø ó
24 ò÷ ùòòò÷
6 òòò÷
Anhang

Anhang
Anhang D-5: MDS-Konfiguration mit Fünf-Cluster-Lösung
Dimension 2
1
0,5
0
CZ3
CZ5
BMW X6
Audi X-Coupé
VW Neeza
CZ2
BMW CS
Porsche Panamera
CZ1
CZ4
MB CLS
-0,5
MB R-Kl MB B-Kl
VW 4-t. Coupé
Cabrio
Coupé
Audi A7
Limousine
Hatchback
Kombi
SUV
Minivan
-1
Crossover
-1,5 -1 -0,5 0 0,5 1 1,5
Anmerkungen. CZ: Clusterzentrum.
Dimension 1
Anhang D-6: Diskriminanzanalyse zur Überprüfung der Clustergüte (Novizen)
Funktion Eigenwert
% der
Varianz
Kanon.
Korr.
Wilks’
Lambda χ² df p
XXIII
1 19,028 84,54 0,975 0,011 245,075 8 0,000
2 3,480 15,46 0,881 0,223 81,730 3 0,000
Anmerkungen. Kanon. Korr.: Kanonische Korrelation. χ²: Prüfstatistik. df: Freiheitsgrade.
p: Signifikanz.
Anhang D-7: Klassifizierungsergebnisse der Diskriminanzanalyse (Novizen)
Vorhergesagte Gruppenzugehörigkeit
1 2 3 4 5 Gesamt
Original
n % n % n % n % n % n %
1 17 100% 0 0% 0 0% 0 0% 0 0% 17 100%
2 0 0% 12 100% 0 0% 0 0% 0 0% 12 100%
3 0 0% 0 0% 12 100% 0 0% 0 0% 12 100%
4 0 0% 0 0% 0 0% 9 90% 1 10% 10 100%
5 0 0% 0 0% 0 9% 0 0% 8 100% 8 100%
Anmerkungen. 98,3% der ursprünglich gruppierten Fälle wurden korrekt klassifiziert.

XXIV
Anhang E: Multiple Regressionsanalyse: Personenspezifische Determinanten der
Wahrgenommenen Stimulusüberlastung
Anhang
Anhang E-1: Multiple Regression der Produktevaluation auf die Informationsverarbeitungsvariablen
Modellzusammenfassung
Modell R R² korr. R² s D-W-S
1 0,330 0,109 0,106 1,360 2,113
Anmerkungen. R: Multiple Korrelation. R²: Determinationskoeffizient. Korr. R²:
korrigierter Determinationskoeffizient. s: Standardschätzfehler. D-W-S: Durbin-Watson-
Statistik. Einflussvariablen : (Konstante), PW, INV.
ANOVA
Quelle SS df MS F p
Regression 128,93 2 64,46 34,855 0,000
Residuen 1057,93 572 1,85
Gesamt 1186,86 574
Anmerkungen. SS: Quadratsumme. df: Freiheitsgrade. MS: Mittel der Quadrate. F: Teststatistik.
p: Signifikanz.
Streudiagramm zur Überprüfung von Heteroskedastizität
Regression Standardisiertes Residuum Abhängige Variable: Skalen-MW Konsumentenverwirrtheit
3
2
1
0
-1
-2
-3
-4 -2 0 2 4
Regression Standardisierter geschätzter Wert

Anhang
Studie 2
Anhang F: Item- und Skalenanalyse Studie 2
Anhang F-1: Q-Q-Verteilungsdiagramme der Skalen
Erwarteter Wert von Normal
Erwarteter Wert von Normal
7
6
5
4
3
2
1
0
8
6
4
2
0
Q-Q-Diagramm von Normal von Skalen-MW PW
0 1 2 3 4 5 6 7
Beobachteter Wert
Q-Q-Diagramm von Normal von Skalen-MW SKE
0 2 4 6 8
Beobachteter Wert
Q-Q-Diagramm von Normal von subjektive Schwierigkeit Kateg
Erwarteter Wert von Normal
Erwarteter Wert von Normal
7
6
5
4
3
2
1
0
8
6
4
2
0
0 1 2 3 4 5 6 7
Beobachteter Wert
Q-Q-Diagramm von Normal von Skalen-MW WSÜ
-2
-2 0 2 4 6 8
Beobachteter Wert
XXV

XXVI
Anhang G: Multivariate Varianzanalyse
Anhang
Anhang G-1: Multivariate Tests des Einflusses der Ambiguität, der Kategorienbenennung
und der Bekanntheit R-Klasse auf die Informationsverarbeitungsskalen
Effekt Wert F
Hypothese
df Fehler df p
Konstanter Term
Pillai-Spur 0,981 1859,976 3 110 0,000
Wilks-Lambda 0,019 1859,976 3 110 0,000
Hotelling-Spur 50,727 1859,976 3 110 0,000
Gr. ch. Wurzel Roy 50,727 1859,976 3 110 0,000
Ambiguität
Pillai-Spur 0,791 138,663 3 110 0,000
Wilks-Lambda 0,209 138,663 3 110 0,000
Hotelling-Spur 3,782 138,663 3 110 0,000
Gr. ch. Wurzel Roy 3,782 138,663 3 110 0,000
Label
Pillai-Spur 0,085 3,423 3 110 0,020
Wilks-Lambda 0,915 3,423 3 110 0,020
Hotelling-Spur 0,093 3,423 3 110 0,020
Gr. ch. Wurzel Roy 0,093 3,423 3 110 0,020
Bekanntheit R-Klasse
Pillai-Spur 0,010 0,383 3 110 0,765
Wilks-Lambda 0,990 0,383 3 110 0,765
Hotelling-Spur 0,010 0,383 3 110 0,765
Gr. ch. Wurzel Roy 0,010 0,383 3 110 0,765
Ambiguität * Label
Pillai-Spur 0,337 18,621 3 110 0,000
Wilks-Lambda 0,663 18,621 3 110 0,000
Hotelling-Spur 0,508 18,621 3 110 0,000
Gr. ch. Wurzel Roy 0,508 18,621 3 110 0,000
Ambiguität * Bekanntheit R-Klasse
Pillai-Spur 0,028 1,046 3 110 0,375
Wilks-Lambda 0,972 1,046 3 110 0,375
Hotelling-Spur 0,029 1,046 3 110 0,375
Gr. ch. Wurzel Roy 0,029 1,046 3 110 0,375
Label * Bekanntheit R-Klasse
Pillai-Spur 0,010 0,385 3 110 0,764
Wilks-Lambda 0,990 0,385 3 110 0,764
Hotelling-Spur 0,011 0,385 3 110 0,764
Gr. ch. Wurzel Roy 0,011 0,385 3 110 0,764
Ambiguität * Label * Bekanntheit R-Klasse
Pillai-Spur 0,006 0,213 3 110 0,887
Wilks-Lambda 0,994 0,213 3 110 0,887
Hotelling-Spur 0,006 0,213 3 110 0,887
Gr. ch. Wurzel Roy 0,006 0,213 3 110 0,887
Anmerkungen. Gr. ch. Wurzel Roy: Größte charakteristische Wurzel nach Roy. F: Exakte
Teststatistik. df: Freiheitsgrade. p: Signifikanz.

Anhang
XXVII
Anhang G-2: Mittelwerte und Standardabweichungen der Skalen in Abhängigkeit der
Ambiguität und Kategorienbenennung
kein Label Label Gesamt
M SD M SD M SD
Subjektive Schwierigkeit der Kategorisierung
Ambiguität hoch 5,83 0,95 4,07 1,16 4,97 1,38
Ambiguität gering 2,42 1,18 2,93 0,98 2,67 1,12
Gesamt 4,10 2,02 3,49 1,21 3,80 1,69
Sicherheit mit der Kategorisierungsentscheidung
Ambiguität hoch 2,13 0,90 2,79 0,79 2,46 0,90
Ambiguität gering 5,35 1,32 4,31 1,03 4,84 1,29
Gesamt 3,77 1,97 3,57 1,19 3,67 1,63
Wahrgenommene Stimulusüberlastung
Ambiguität hoch 5,89 0,69 5,03 1,13 5,47 1,02
Ambiguität gering 2,39 1,03 2,96 0,81 2,67 0,97
Gesamt 4,11 1,97 3,98 1,43 4,05 1,72
Produktevaluation
Ambiguität hoch 2,17 0,97 3,74 1,15 2,94 1,32
Ambiguität gering 4,90 1,08 5,17 1,12 5,03 1,10
Gesamt 3,56 1,71 4,46 1,33 4,00 1,60
Anmerkungen. M: Mittelwert. SD: Standardabweichung. 29 ≤ N ≤ 31.
Anhang H: Mediationsanalysen Kategorienbildung
Anhang H-1: Zwischensubjekteffekte der Kategorienbildung auf die Produktevaluation
Quelle SS df MS F p
Zwischen den Gruppen 21,10 1 21,10 8,789 0,004
Innerhalb der Gruppen 283,24 118 2,40
Gesamt 304,33 119
Anmerkungen. SS: Quadratsumme. df: Freiheitsgrade. MS: Mittel der Quadrate. F: Teststatistik.
p: Signifikanz.
Anhang H-2: Zwischensubjekteffekte der Ambiguität auf die Produktevaluation unter
Kontrolle der Kategorienbildung
Quelle SS df MS F p ε
Ambiguität 115,17 1 115,17 80,182 0,000 0,407
Kategorienbildung 4,65 1 4,65 3,234 0,075 0,027
Fehler 168,06 117 1,44
Total 2227,00 120
Anmerkungen. SS: Quadratsumme. df: Freiheitsgrade. MS: Mittel der Quadrate. F: Teststatistik.
p: Signifikanz. ε: Effektstärke (0,10: klein. 0,25: mittel. 0,40: groß).

XXVIII
Curriculum vitae
Frauke Uekermann
Landhausstraße 35
70190 Stuttgart
Deutschland
geboren am 17. März 1977 in Paderborn
Berufserfahrung
seit Januar 2005 Strategisches Zielkunden-Management bei der Daimler AG,
Marketing- & Portfoliostrategie (MP/S), Stuttgart
Juli 2003 - Mai 2004 Research Analyst bei Carter Holt Harvey Ltd, HR Strategy &
Organisational Development, Auckland, Neuseeland
Studium
Promotion zum Dr. oec.
April 2005 - Mai 2008
Studiengang Diplom-Psychologie
April 2000 - April 2003
Sept. 1998 - Juni 1999
Okt. 1996 - Aug. 1998
Schulbildung
1987 - 1996
1993 - 1994
Universität St. Gallen, Schweiz
Forschungsstelle für Business Metrics (Prof. Dr. Andreas
Herrmann)
Universität Mannheim
Schwerpunkte: Forschungsmethodik, Markt- & Werbepsychologie,
Marketing
Université catholique de Louvain, Louvain-la-Neuve, Belgien
Universität Konstanz (Vordiplom)
Reismann-Gymnasium, Paderborn: Abitur
Northport High School, Northport, NY, USA: American High
School Diploma