Diss_Uekermann_080310_Uniformat_Tab Arial - Universität St.Gallen
Diss_Uekermann_080310_Uniformat_Tab Arial - Universität St.Gallen
Diss_Uekermann_080310_Uniformat_Tab Arial - Universität St.Gallen
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
Bildung neuer automobiler Segmente aus Kundensicht<br />
- Kategorien- und Urteilsbildung in Abhängigkeit von<br />
<strong>St</strong>imulusambiguität und der Nennung eines Kategorienlabels<br />
D I S S E R T A T I O N<br />
der <strong>Universität</strong> <strong>St</strong>. <strong>Gallen</strong>,<br />
Hochschule für Wirtschafts-,<br />
Rechts- und Sozialwissenschaften (HSG)<br />
zur Erlangung der Würde einer<br />
Doktorin der Wirtschaftswissenschaften<br />
vorgelegt von<br />
Frauke <strong>Uekermann</strong><br />
aus<br />
Deutschland<br />
Genehmigt auf Antrag von<br />
Herrn Prof. Dr. Andreas Herrmann<br />
und<br />
Frau Prof. Dr. Miriam Meckel<br />
<strong>Diss</strong>ertation Nr. 3537<br />
WiesingerMedia, <strong>St</strong>uttgart, 2008
Die <strong>Universität</strong> <strong>St</strong>. <strong>Gallen</strong>, Hochschule für Wirtschafts-, Rechts- und Sozialwissenschaften<br />
(HSG), gestattet hiermit die Drucklegung der vorliegenden <strong>Diss</strong>ertation, ohne damit zu den<br />
darin ausgesprochenen Anschauungen <strong>St</strong>ellung zu nehmen.<br />
<strong>St</strong>. <strong>Gallen</strong>, den 23. Juni 2008<br />
Der Rektor:<br />
Prof. Ernst Mohr, PhD
Vorwort<br />
Durch die zunehmende Vernischung des Automobilmarktes sollen die stark individualisier-<br />
ten Konsumentenbedürfnissen möglichst umfassend befriedigt werden. Gleichzeitig ist in<br />
Praxis und Forschung eine zunehmende Diskussion der negativen Konsequenzen von<br />
Angebotskomplexität auf die Informationsverarbeitungs- und Entscheidungsprozesse der<br />
Konsumenten zu beobachten. Diese Arbeit beschreibt die kognitionspsychologischen<br />
Grundlagen bei der Verarbeitung ambiguoser Nischenprodukte und weist Zusammenhänge<br />
zur Produktevaluation mittels umfangreicher empirischer Untersuchungen nach. Die Arbeit<br />
ist während meiner Promotionszeit in der Marketing- und Portfoliostrategie der Daimler AG<br />
entstanden. Zum Gelingen dieser Arbeit haben zahlreiche Menschen durch ihre Unterstüt-<br />
zung beigetragen.<br />
Herzlich danken möchte ich meinem Doktorvater Prof. Dr. Andreas Herrmann, der dieses<br />
<strong>Diss</strong>ertationsprojekt im konstruktiven und motivierenden Dialog begleitete, für das Ver-<br />
trauen und die Unterstützung, die er mir von Beginn an entgegenbrachte. Mein Dank gilt<br />
ebenfalls Prof. Dr. Miriam Meckel für ihre wertvollen Anregungen und die Übernahme des<br />
Korreferats.<br />
Bedanken möchte ich mich auch bei meinen Kollegen der Daimler AG. Herrn Axel Harries<br />
und Dr. Colin Smith sei für die Förderung dieses <strong>Diss</strong>ertationsprojektes gedankt. Durch die<br />
Freiräume, die sie mir einräumten, konnte ich mich in der Entstehungszeit dieser Arbeit<br />
sowohl den Herausforderungen der Marketingpraxis als auch der Marketingforschung<br />
stellen. Ein großes Dankeschön gilt meinem Kollegen Jochen Alpers für seine regelmäßige<br />
Erinnerung „immer auf den Kurs achten“. Seine lebhafte Diskussionsbereitschaft hat<br />
wesentlich zum erfolgreichen Abschluss dieser Arbeit beigetragen. Auch die unzähligen<br />
Gespräche mit Dr. Caroline Buchner während unserer gemeinsamen Doktorandenzeit und<br />
Julia <strong>St</strong>efanides haben entscheidende Impulse für die Konzeption dieser Arbeit geliefert.<br />
Nicht zuletzt möchte ich mich bei Katja Derr für die geduldige Unterstützung bei der<br />
graphischen Erstellung des <strong>St</strong>imulusmaterials bedanken.<br />
Frauke <strong>Uekermann</strong>
„Brehms Tierleben kennt den Begriff Crossover nicht. Extreme Kreuzungen wie die einer Bergziege mit<br />
einem Rennpferd gehören ohnehin in das Reich der Fabel. Bei Autos ist das anders. Die Hersteller setzten<br />
hier auf immer gewagtere Crossover-Kreationen. Kaum eine Fahrzeuggattung, die sich nicht mit einer<br />
anderen vermischen ließe, der Fantasie sind keine Grenzen gesetzt.“<br />
(AMS, 16/2007, S. 15)<br />
„Zeig uns eine Nische, wir besetzen sie. Keine Zweifel: Mercedes ist und bleibt Meister der Marktlücke.<br />
Auch dort, wo eigentlich keine ist.“<br />
(Auto Bild, 27/2006, S. 16)
Verzeichnisse III<br />
Inhaltsverzeichnis<br />
INHALTSVERZEICHNIS ......................................................................................................................................III<br />
ANHANGSVERZEICHNIS .....................................................................................................................................V<br />
TABELLENVERZEICHNIS .................................................................................................................................. VI<br />
ABBILDUNGSVERZEICHNIS ............................................................................................................................. VII<br />
ABKÜRZUNGSVERZEICHNIS...........................................................................................................................VIII<br />
ZUSAMMENFASSUNG ....................................................................................................................................... IX<br />
ABSTRACT .........................................................................................................................................................X<br />
A EINLEITUNG UND PROBLEMATISIERUNG ..........................................................................1<br />
1 PRAKTISCHE RELEVANZ DER FORSCHUNGSFRAGE ..............................................................1<br />
1.1 Produktdifferenzierung im Automobilmarkt.................................................................1<br />
1.2 <strong>St</strong>ruktur des deutschen Automobilmarktes und Entwicklung von Crossover-<br />
Segmenten.....................................................................................................................3<br />
2 ZIELE UND THEORETISCHE ANSÄTZE DER ARBEIT...............................................................6<br />
2.1 Ziele der Arbeit .............................................................................................................6<br />
2.2 Theoretische Ansätze der Arbeit ...................................................................................7<br />
2.2.1 Informationsverarbeitungsansatz und Zwei-Prozess Modelle der sozialen<br />
Urteilsbildung ......................................................................................................7<br />
2.2.2 Kategorisierung in der Konsumentenforschung ..................................................9<br />
3 AUFBAU DER ARBEIT .........................................................................................................10<br />
B THEORETISCHE GRUNDLAGEN ........................................................................................12<br />
1 KATEGORIEN UND SCHEMATA ...........................................................................................12<br />
1.1 Definitionen und begriffliche Abgrenzung .................................................................12<br />
1.2 Funktionen von Kategorien.........................................................................................13<br />
1.3 Kategorisierungsansätze..............................................................................................14<br />
1.3.1 Klassischer Ansatz.............................................................................................15<br />
1.3.2 Prototypenansatz................................................................................................15<br />
1.3.3 Exemplaransatz..................................................................................................16<br />
1.3.4 Gemischte Ansätze ............................................................................................16<br />
1.4 Schematheorie .............................................................................................................17<br />
2 VERÄNDERUNG DER KATEGORIENSTRUKTUR....................................................................19<br />
2.1 Bildung neuer Kategorien ...........................................................................................19<br />
2.2 Schemadiskrepanz .......................................................................................................21<br />
2.2.1 Veränderung von Schemata...............................................................................21<br />
2.2.2 Schemadiskrepante Produkte.............................................................................23<br />
2.3 Kategorisierung unter Unsicherheit ............................................................................25<br />
2.3.1 Kategorisierung mehrdeutiger <strong>St</strong>imuli ..............................................................25<br />
2.3.2 Hybride Produkte...............................................................................................27
IV<br />
Verzeichnisse<br />
3 PERSONENSPEZIFISCHE DETERMINANTEN DER KATEGORIENBILDUNG .............................30<br />
3.1 Produktwissen .............................................................................................................30<br />
3.2 Involvement.................................................................................................................33<br />
4 URTEILSBILDUNG ALS KONSTRUKTIVER PROZESS .............................................................36<br />
4.1 Verfügbarkeit von Informationen................................................................................37<br />
4.2 Schwierigkeit der Informationsverarbeitung...............................................................37<br />
4.3 Kategorisierung unter Unsicherheit und wahrgenommene Schwierigkeit bei der<br />
Urteilsbildung .............................................................................................................40<br />
C EXPERIMENTELLE STUDIEN.............................................................................................41<br />
1 STUDIE 1: AUTOMOBILE MARKTSTRUKTUR AUS KUNDENSICHT.......................................41<br />
1.1 Forschungslücken, explorative Fragestellungen und Hypothesen ..............................41<br />
1.1.1 Marktstruktur und wahrgenommene Angebotskomplexität..............................41<br />
1.1.2 Repräsentativität von Crossover-Fahrzeugen und Produktevaluation ..............44<br />
1.2 Untersuchungsdesign...................................................................................................46<br />
1.2.1 Kontrollvariablen...............................................................................................46<br />
1.2.2 Abhängige Variablen .........................................................................................48<br />
1.3 Ablauf..........................................................................................................................50<br />
1.4 <strong>St</strong>ichprobe....................................................................................................................51<br />
1.5 Ergebnisse....................................................................................................................53<br />
1.5.1 Item- und Skalenanalyse....................................................................................53<br />
1.5.2 Fahrzeugkategorisierung....................................................................................56<br />
1.5.2.1 Deskriptive Analysen .....................................................................................56<br />
1.5.2.2 <strong>St</strong>rukturentdeckende und -prüfende Analysen...............................................58<br />
1.5.2.3 Personenspezifische Kategorisierungsunterschiede.......................................67<br />
1.5.3 Personenspezifische Determinanten der wahrgenommenen <strong>St</strong>imulusüberlastung.........................................................................................................70<br />
1.5.4 Repräsentativität von Crossover-Fahrzeugen und Produktevaluation ..............72<br />
1.6 Diskussion ...................................................................................................................73<br />
1.6.1 Zusammenfassung und Diskussion der Ergebnisse...........................................73<br />
1.6.2 Kritische Würdigung der angewandten Methodik.............................................77<br />
2 STUDIE 2: BILDUNG NEUER KATEGORIEN IN ABHÄNGIGKEIT DER STIMULUSAMBIGUITÄT<br />
UND DER NENNUNG EINES KATEGORIENLABEL .................................................................79<br />
2.1 Forschungslücken und Hypothesen.............................................................................79<br />
2.1.1 Ambiguität und Kategorienbildung ...................................................................79<br />
2.1.2 Moderierende Funktion eines Kategorienlabel hinsichtlich der<br />
Informationsverarbeitung ..................................................................................81<br />
2.1.3 Produktevaluation als Ergebnis der Kategorienbeschreibung und<br />
Informationsverarbeitung ..................................................................................83<br />
2.1.4 Repräsentativität und Produktevaluation...........................................................84<br />
2.2 Untersuchungsdesign...................................................................................................85<br />
2.2.1 Unabhängige Variablen .....................................................................................85<br />
2.2.2 Abhängige Variablen .........................................................................................87<br />
2.2.3 Kontrollvariablen...............................................................................................88<br />
2.3 Ablauf..........................................................................................................................88
Verzeichnisse V<br />
2.4 <strong>St</strong>ichprobe....................................................................................................................89<br />
2.5 Ergebnisse....................................................................................................................90<br />
2.5.1 Manipulationscheck...........................................................................................90<br />
2.5.2 Kontrollvariablen...............................................................................................90<br />
2.5.3 Kategorienbildung, Informationsverarbeitungsprozesse und Produkt-<br />
evaluation...........................................................................................................91<br />
2.5.4 Repräsentativität und Produktevaluation...........................................................98<br />
2.6 Zusammenfassung der Ergebnisse und Diskussion ....................................................99<br />
2.6.1 Zusammenfassung .............................................................................................99<br />
2.6.2 Diskussion........................................................................................................100<br />
2.6.3 Praktische Implikationen .................................................................................104<br />
2.6.4 Limitationen und weiterer Forschungsbedarf..................................................104<br />
D FAZIT ...............................................................................................................................107<br />
LITERATURVERZEICHNIS....................................................................................................109<br />
Anhangsverzeichnis<br />
Anhang A: Item- und Skalenanalysen <strong>St</strong>udie 1 ................................................................XI<br />
Anhang B: MDS & Clusteranalyse - Gesamtstichprobe ...............................................XIII<br />
Anhang C: MDS & Clusteranalyse - Experten..............................................................XVI<br />
Anhang D: MDS & Clusteranalyse - Novizen................................................................XX<br />
Anhang E: Multiple Regressionsanalyse: Personenspezifische Determinanten der<br />
wahrgenommenen <strong>St</strong>imulusüberlastung ..................................................XXIV<br />
Anhang F: Item- und Skalenanalysen <strong>St</strong>udie 2 ........................................................... XXV<br />
Anhang G: Multivariate Varianzanalyse ....................................................................XXVI<br />
Anhang H: Mediationsanalyse Kategorienbildung................................................... XXVII
VI<br />
<strong>Tab</strong>ellenverzeichnis<br />
Verzeichnisse<br />
<strong>Tab</strong>elle 1: Operationalisierung Produktwissen ......................................................................46<br />
<strong>Tab</strong>elle 2: Operationalisierung Automobil-Involvement .......................................................47<br />
<strong>Tab</strong>elle 3: Operationalisierung Soziodemographie................................................................47<br />
<strong>Tab</strong>elle 4: Operationalisierung Fahrzeugbesitz......................................................................48<br />
<strong>Tab</strong>elle 5: Operationalisierung Wahrgenommene <strong>St</strong>imulusüberlastung ...............................48<br />
<strong>Tab</strong>elle 6: Operationalisierung Wahrgenommene Typikalität...............................................49<br />
<strong>Tab</strong>elle 7: Operationalisierung Wahrgenommene Neuartigkeit ............................................49<br />
<strong>Tab</strong>elle 8: Operationalisierung Produktevaluation.................................................................50<br />
<strong>Tab</strong>elle 9: <strong>St</strong>ichprobenzusammensetzung ..............................................................................52<br />
<strong>Tab</strong>elle 10: Gütemaße der Skala Produktwissen....................................................................53<br />
<strong>Tab</strong>elle 11: Gütemaße der Skala Automobil-Involvement ....................................................54<br />
<strong>Tab</strong>elle 12: Gütemaße der Skala Wahrgenommene <strong>St</strong>imulusüberlastung.............................54<br />
<strong>Tab</strong>elle 13: Deskriptive <strong>St</strong>atistiken und Test auf Normalverteilung der Skalen....................55<br />
<strong>Tab</strong>elle 14: Kategorisierungsansätze......................................................................................57<br />
<strong>Tab</strong>elle 15: Kategorisierung von Crossover-Fahrzeugen.......................................................58<br />
<strong>Tab</strong>elle 16: <strong>St</strong>ress- und Anpassungsmaße der MDS-Konfiguration......................................61<br />
<strong>Tab</strong>elle 17: Clusterprofile.......................................................................................................64<br />
<strong>Tab</strong>elle 18: Homogenität der Cluster .....................................................................................66<br />
<strong>Tab</strong>elle 19: Diskriminanzanalyse zur Überprüfung der Clustergüte .....................................67<br />
<strong>Tab</strong>elle 20: Clusterprofile (Experten) ....................................................................................68<br />
<strong>Tab</strong>elle 21: Clusterprofile (Novizen) .....................................................................................69<br />
<strong>Tab</strong>elle 22: Homogenität der Cluster (Experten) ...................................................................70<br />
<strong>Tab</strong>elle 23: Homogenität der Cluster (Novizen)....................................................................70<br />
<strong>Tab</strong>elle 24: Multiple Regression: Koeffizienten zur Vorhersage der Wahrgenommenen<br />
<strong>St</strong>imulusüberlastung ............................................................................................71<br />
<strong>Tab</strong>elle 25: Korrelationen zwischen Repräsentativität und Produktevaluation .....................72<br />
<strong>Tab</strong>elle 26: Operationalisierung Manipulationscheck ...........................................................87<br />
<strong>Tab</strong>elle 27: Operationalisierung Subjektive Schwierigkeit der Kategorisierung...................87<br />
<strong>Tab</strong>elle 28: Operationalisierung Sicherheit mit der Kategorisierungsentscheidung..............88<br />
<strong>Tab</strong>elle 29: Deskriptive <strong>St</strong>atistiken und Test auf Normalverteilung der Skala<br />
Produktwissen .....................................................................................................91<br />
<strong>Tab</strong>elle 30: Kreuztabelle Kategorienbildung x Ambiguität x Kategorienbenennung............92<br />
<strong>Tab</strong>elle 31: Deskriptive <strong>St</strong>atistiken und Test auf Normalverteilung der Skalen zur<br />
Informationsverarbeitung ....................................................................................93<br />
<strong>Tab</strong>elle 32: Kreuzvalidierung der abhängigen Skalen zur Informationsverarbeitung ...........93
Verzeichnisse VII<br />
<strong>Tab</strong>elle 33: Test der Zwischensubjekteffekte auf die Informationsverarbeitungsvariablen..94<br />
<strong>Tab</strong>elle 34: Test der Zwischensubjekteffekte auf die Produktevaluation ..............................96<br />
<strong>Tab</strong>elle 35: Test der Zwischensubjekteffekte auf den Informationsverarbeitungsindex .......97<br />
<strong>Tab</strong>elle 36: Test der Zwischensubjekteffekte auf die Produktevaluation unter Kontrolle der<br />
Informationsverarbeitungsvariablen....................................................................97<br />
<strong>Tab</strong>elle 37: Deskriptive <strong>St</strong>atistiken und Test auf Normalverteilung der Skalen zur<br />
Repräsentativität und Produktevaluation ............................................................98<br />
Abbildungsverzeichnis<br />
Abbildung 1: Produktklassifikationssystem.............................................................................3<br />
Abbildung 2: Veränderung der Segmentverteilung im deutschen Automobilmarkt ...............4<br />
Abbildung 3: Formen der Produktproliferation .......................................................................5<br />
Abbildung 4: Aufbau der Arbeit ............................................................................................11<br />
Abbildung 5: Kategorisierungsansätze...................................................................................14<br />
Abbildung 6: Hypothetische Repräsentation von Affekt in der Schemastruktur...................19<br />
Abbildung 7: Darstellung der Kategorisierungsaufgabe........................................................51<br />
Abbildung 8: Marktstruktur aus Konsumentensicht ..............................................................62<br />
Abbildung 9: MDS-Konfiguration mit Fünf-Cluster-Lösung................................................66<br />
Abbildung 10: Werbeanzeigen der Experimentalbedingungen .............................................86<br />
Abbildung 11: Mittelwertsverläufe für die Informationsverarbeitungsvariablen in<br />
Abhängigkeit der Ambiguität und der Nennung eines Kategorienlabels.......95<br />
Abbildung 12: Mittelwertsverläufe für die Produktevaluation in Abhängigkeit der<br />
Ambiguität und der Nennung eines Kategorienlabels....................................96<br />
Abbildung 13: Zusammenfassung der Effekte.....................................................................100
VIII<br />
Abkürzungsverzeichnis<br />
ajq<br />
Faktorladung<br />
AMS Auto Motor Sport<br />
ANOVA(s) Univariate Varianzanalyse(n)<br />
χ² Chi-Quadrat<br />
CIP Consumer Information Processing<br />
CZ Clusterzentrum<br />
df degrees of freedom<br />
hjq<br />
Kommunalität<br />
Hrsg. Herausgeber<br />
IAA Internationale Automobil Ausstellung<br />
KBA Kraftfahrt Bundesamt<br />
M Mittelwert<br />
MB Mercedes-Benz<br />
MDS Multidimensionale Skalierung<br />
MPV Multi Purpose Vehicle<br />
N <strong>St</strong>ichprobenzahl<br />
NOV Wahrgenommene Neuartigkeit<br />
PDA Personal Digital Assistant<br />
PRE Produktevaluation<br />
R² Determinationskoeffizient<br />
rit<br />
Trennschärfe<br />
s² Varianz<br />
SD <strong>St</strong>andardabweichung<br />
SKE Sicherheit mit der Kategorisierungsentscheidung<br />
SSK Subjektive Schwierigkeit der Kategorisierung<br />
SUC Sports Utility Coupe<br />
SUV Sports Utility Vehicle<br />
TYP Wahrgenommene Typikalität<br />
VDA Verband der Automobilindustrie<br />
VW Volkswagen<br />
WSÜ Wahrgenommene <strong>St</strong>imulusüberlastung<br />
Verzeichnisse
Zusammenfassung IX<br />
Zusammenfassung<br />
Mit der zunehmenden Fragmentierung von Märkten stellt sich zum einen die Frage, wie<br />
Kunden hybride Produkte in ihre bestehende Wissensstruktur integrieren. Zum anderen inte-<br />
ressiert, welche Marketingmaßnahmen die kognitive Integration und die Produktevaluation<br />
beeinflussen können. Zur Beantwortung dieser Fragen werden am Beispiel des deutschen<br />
Automobilmarktes zwei <strong>St</strong>udien konzipiert.<br />
Inhaltliches Ziel der ersten explorativen <strong>St</strong>udie ist es, die <strong>St</strong>ruktur des Automobil-<br />
marktes aus Kundensicht abzubilden. Es kann gezeigt werden, dass Kunden Fahrzeuge in<br />
erster Linie anhand ihrer Aufbauform und erwarteter Nutzeneigenschaften klassifizieren.<br />
Crossover-Fahrzeuge werden in bestehende Kategorien integriert, wobei sich teilweise eine<br />
Herausbildung von Subkategorien andeutet. In methodischer Hinsicht werden mit der MDS<br />
und Clusteranalyse Verfahren gewählt, mittels denen die angestrebte <strong>St</strong>ruktur basierend auf<br />
globalen Ähnlichkeitsurteilen ohne Vorgaben von Eigenschaften dargestellt werden kann.<br />
Generell verfügen Automobil-Experten über eine differenziertere Wissensrepräsentation, in<br />
die sie leichter als Novizen innovative Fahrzeuge integrieren können. Der größere Unsi-<br />
cherheitsfaktor der Novizen schlägt sich auch in einer höheren wahrgenommenen <strong>St</strong>imulus-<br />
überlastung nieder.<br />
<strong>St</strong>udie 2 widmet sich der zweiten Fragestellung. Bestehende <strong>St</strong>udien zeigen, dass<br />
innovative Produkte bei Ambiguität der Kategorisierung zumeist in bekannte Produkt-<br />
kategorien assimiliert werden. Diese <strong>St</strong>udie untersucht, unter welchen Umständen Konsu-<br />
menten für hybride Produkte neue mentale Kategorien bilden. Dazu wurden das Ausmaß an<br />
Ambiguität der Produkte und die Nennung einer unbekannten Segmentbezeichnung als<br />
Kategorienlabel variiert. Mit zunehmender Ambiguität steigt die Wahrscheinlichkeit der<br />
Bildung einer neuen Kategorie, gleichzeitig verschlechtert sich die Produktevaluation. Hohe<br />
Ambiguität wirkt sich erschwerend auf die Informationsverarbeitung aus. Die Nennung<br />
eines Kategorienlabels relativiert diese Effekte, indem es die Effekte der Ambiguität auf die<br />
abhängigen Variablen moderiert. Ein unbekanntes Kategorienlabel erschwert die Katego-<br />
risierung bei geringer Ambiguität, während es bei hoher Ambiguität eine zusammen-<br />
fassende Beschreibung und eine Rechtfertigung für die Exklusion des Exemplars bietet. Die<br />
Ergebnisse füllen die Forschungslücke zur kognitiven Integration hybrider Produkte vor<br />
dem Hintergrund des individuellen Produktwissens und geben Aufschluss über notwendige<br />
Marketingmaßnahmen zur erfolgreichen Positionierung von Innovationen.
X<br />
Abstract<br />
Abstract<br />
With increasing fragmentation of markets, the question arises as to how hybrid products are<br />
integrated into customers’ existing knowledge structure, on the one hand. On the other hand<br />
it is of interest, what marketing measures can influence the cognitive integration and the<br />
product evaluation. In response to these questions, two studies are conceptualized taking the<br />
German automobile market as an example.<br />
Content wise a first exploratory study is aiming to present the structure of the auto-<br />
motive market from the customer perspective. It can be shown that customers classify<br />
vehicles primarily on the basis of their body type and expected benefit attributes. Crossover<br />
vehicles are integrated into existing vehicle categories, whereby in the case of some catego-<br />
ries, a development of sub-categories is indicated. From a methodological viewpoint it can<br />
be said that the selected MDS and cluster analysis are well suited to represent this structure<br />
on the basis of global similarity judgments without having to name product features. In gen-<br />
eral, automobile experts have a more differentiated knowledge presentation, into which they<br />
can integrate innovative vehicles more easily than novices. The greater uncertainty among<br />
novices is also reflected in a more strongly perceived stimulus overload.<br />
The second study deals with the marketing measures, through which companies can<br />
influence cognitive integration and, finally, product evaluations as well. Prior research has<br />
established that under conditions of categorization ambiguity, innovative products are<br />
mostly assimilated into known product categories. This study examines under what circum-<br />
stances consumers create new mental categories for hybrid products. For this purpose, the<br />
degree of ambiguity of the products and the use of an unknown segment label as category<br />
label were varied. As ambiguity increases, so too does the probability that a new category is<br />
created, while at the same time the product evaluation deteriorates. High ambiguity has a<br />
detrimental effect on processing information. However, a category label can serve to put<br />
these effects into perspective by reducing the effects of ambiguity on the dependent vari-<br />
ables. An unknown category label impedes categorization where ambiguity is low, while in<br />
the case of high ambiguity it offers a summary description of heterogeneous information<br />
that is difficult to assimilate and hence serves to justify its exclusion. The results fill the<br />
research gap in the cognitive integration of hybrid products against the background of the<br />
individual organization of consumers’ product category knowledge and shed light on<br />
marketing measures that are necessary in order to position innovations successfully.
A. Einleitung und Problematisierung 1<br />
A Einleitung und Problematisierung<br />
1 Praktische Relevanz der Forschungsfrage<br />
1.1 Produktdifferenzierung im Automobilmarkt<br />
Das <strong>St</strong>raßenbild ist zunehmend von Fahrzeugen geprägt, die nicht eindeutig altbekannten<br />
Produktklassen zuzuordnen sind. So hat Renault im Oktober 2001 den Avantime als neues<br />
Fahrzeugkonzept auf den Markt gebracht. Das Fahrzeug sollte klassische Merkmale einer<br />
Limousine und Merkmale eines Vans miteinander verbinden. Citroën hat auf der IAA 1999<br />
erstmals den C3 Pluriel vorgestellt und produziert das Fahrzeug seit 2003 in Serie. Zur<br />
Markteinführung kündigte der Hersteller an, dieses Fahrzeug sei „vier Autos in einem“,<br />
nämlich gleichzeitig Limousine, Cabriolet, Spider und Pick up (Etienne, 2002). Im Herbst<br />
2004 wurde die CLS-Klasse, ein viertüriges Coupé, von DaimlerChrysler auf den Markt<br />
gebracht und im darauf folgenden Jahr die R-Klasse. Diese soll eine Kombination aus<br />
Limousine, SUV und Van darstellen. Wie die Automobilpresse berichtet, ziehen alle großen<br />
deutschen Premiumhersteller nach (Auto Bild, 27/2006). Sie alle haben angekündigt, in den<br />
nächsten Jahren ein Konkurrenzprodukt zur CLS-Klasse auf den Markt zu bringen. So hat<br />
VW für 2008 das viertürige Passat Coupé in der Mittelklasse angekündigt, Audi will 2009<br />
mit dem A7 und Porsche mit dem Panamera folgen und auch BMW will 2010 mit dem LC5<br />
Coupé vom neuen Trend profitieren. Schenkt man der Automobilpresse Glauben, so schei-<br />
nen coupéhafte SUVs ein weiterer neuer Trend zu sein. BMW hat gleich zwei derartige<br />
Modelle in Planung: den X4 auf der X3-Plattform und den X6 auf der X5-Plattform. Audi<br />
hat auf der Shanghai Motor Show 2007 das Cross-Coupe vorgestellt. Diese sogenannten<br />
SUCs (Sport Utility Coupes) sollen sich laut Auto Bild durch ein deutlich sportlicheres<br />
Fahrverhalten als die bekannten SUVs auszeichnen. Im Design sind sie durch ein flacheres<br />
Dach und ein schräg abfallendes Heck gekennzeichnet (Auto Bild, 2/2007, 11/2007).<br />
All diese Fahrzeuge formieren in der Branche unter dem Namen Crossover. Crossover<br />
bezeichnet die Kombination von zwei oder mehr Aufbauformen zu einem neuen Fahrzeug-<br />
typ. Diese Fahrzeuge sollen die Funktionen unterschiedlicher Fahrzeuggattungen mitein-<br />
ander vereinen und unterschiedlichste Kundenbedürfnisse befriedigen (vgl. Wright &<br />
Sedgwick, 2001). Sie sollen dem Kunden beispielsweise sowohl die Leistung eines sport-<br />
lichen Fahrzeuges, die Praktikabilität eines SUVs und den Fahrkomfort einer Limousine<br />
bieten.<br />
Die Einführung von Crossover-Modellen stellt eine Reaktion der Hersteller auf das<br />
stagnierende Wachstum und den damit einhergehenden aggressiven Verdrängungswett-
2<br />
A. Einleitung und Problematisierung<br />
bewerb und den Kampf um Marktanteile in den Triade-Märkten Westeuropa, USA und<br />
Japan dar (VDA, 2006). Um ihren Absatz weiter auszubauen, wenden sich die Hersteller<br />
Schwellenländern wie China und Indien zu, um mit ihren klassischen Produkten neue<br />
Märkte zu erschließen. In ihren <strong>St</strong>ammmärkten planen die Hersteller durch eine Ausdeh-<br />
nung ihrer Produktprogramme, Marktanteile zu Lasten des Wettbewerbs zu generieren (vgl.<br />
Ansoff, 1957; Schmitt, 1995). Alternativ zu einem aggressiven Preiswettbewerb, der nur<br />
durch eine umfassende Kostenführerschaft zu realisieren wäre, versuchen die Hersteller,<br />
sich durch einzigartige und attraktive Fahrzeuge vom Wettbewerb zu differenzieren. Da es<br />
den Herstellern aufgrund Plattform- und Modulstrategien technisch möglich ist, mit gerin-<br />
gerem Aufwand und kostengünstiger eine Vielzahl von Modellen zu produzieren, können<br />
immer kleinere Marktnischen genutzt werden, wodurch es zu einer immer stärkeren Frag-<br />
mentierung des Automobilmarktes kommt. Herstellerseitig werden so mit dem Ziel der<br />
möglichst umfassenden Befriedigung von Konsumentenbedürfnissen künstlich neue Fahr-<br />
zeugsegmente geschaffen.<br />
Inwieweit Kunden die Fragmentierung des Pkw-Marktes nachvollziehen können,<br />
bleibt jedoch bislang ungeklärt. Betrachtet man den Markterfolg einiger Crossover-<br />
Fahrzeuge, zeichnet sich ein wenig rosiges Bild ab. Als äußerst innovativ angekündigte<br />
Fahrzeugkonzepte finden auf dem Markt nur eine geringe Akzeptanz. So blieben beispiels-<br />
weise die Absatzzahlen des Citroën C3 Pluriel weit hinter den Erwartungen zurück. Die<br />
vom Institut Global Insight im April 2003 prognostizierten Zahlen wurden für das Jahr der<br />
Markteinführung 2003 um ca. ein Drittel unterschritten. Nach dem Topjahr 2004 brach der<br />
Absatz stark ein und die ursprünglich anvisierten Absatzziele wurden auch in den Folge-<br />
jahren nicht erreicht. Gleiches gilt für die Renault Modelle Avantime und Vel Satis. Die<br />
Verkaufszahlen dieser Modelle mit dem ungewöhnlichen Design sind weit hinter den<br />
Erwartungen zurückgeblieben (o.V., 2003). Der Avantime wurde nach nur anderthalb Jah-<br />
ren aufgrund des ausbleibenden kommerziellen Erfolgs eingestellt. Ein weiteres Beispiel für<br />
ein am Markt wenig erfolgreiches Crossover-Fahrzeug ist die Mercedes-Benz R-Klasse.<br />
AMS beschreibt den „<strong>St</strong>art des neuen Mercedes [als] bislang wenig verheißungsvoll“<br />
(AMS, 8/2006, S. 20). Diez (2003) führt diese Misserfolge auf die Nicht-Existenz eines<br />
Segments für entsprechende Fahrzeugkonzepte zurück. Ähnliche Angebote anderer Her-<br />
steller wären seiner Ansicht nach „für eine Popularisierung dieses Fahrzeugkonzeptes in der<br />
Oberklasse zwingend notwendig“ (S. 18).
A. Einleitung und Problematisierung 3<br />
1.2 <strong>St</strong>ruktur des deutschen Automobilmarktes und Entwicklung von Crossover-<br />
Segmenten<br />
In der Praxis der Automobilhersteller werden der produktbezogenen Marktabgrenzung v.a.<br />
das ökonomische Kriterium Preis sowie technische Eigenschaften, wie z.B. Hubraum,<br />
Motorleistung oder Aufbauformen zugrunde gelegt (Diez, 2001a). Vor dem Hintergrund der<br />
gesellschaftlichen Veränderungen von der <strong>St</strong>atus- zur Lifestyleorientierung verliert das Auf-<br />
steigen in den hierarchischen Fahrzeugklassen an Bedeutung. Die Vielzahl von Nutzen-<br />
bedürfnissen der Konsumenten wird durch unterschiedliche Fahrzeugkonzepte angespro-<br />
chen (vgl. Dahlhoff, 1996). Die strategische Relevanz beider Segmentierungskriterien ist<br />
von vergleichbarer Bedeutung (Heise & Hünerberg, 1995). Daraus ergibt sich eine vertikal-<br />
horizontal gegliederte Segmentierung, die meist in Matrixform dargestellt wird<br />
(Niederländer, 2000; Diez, 2001b). Abbildung 1 stellt ein derartiges Produktklassifikations-<br />
system am Beispiel des Portfolios der Marken Mercedes-Benz und smart dar:<br />
Fahrzeugklassen<br />
Luxusklasse<br />
Oberklasse<br />
Obere<br />
Mittelklasse<br />
Mittelklasse<br />
Untere<br />
Mittelklasse<br />
Kleinwagen<br />
Mini<br />
Schrägheck<br />
Limousine Kombi MPV SUV Coupé Cabrio Roadster<br />
S-Klasse<br />
G<br />
GL<br />
CL<br />
CLS SL<br />
E-Klasse E-Klasse R-Klasse ML CLK CLK<br />
C-Klasse C-Klasse GLK C-Klasse SLK<br />
A-Klasse B-Klasse<br />
smart<br />
fortwo<br />
Aufbauformen<br />
Abbildung 1: Produktklassifikationssystem<br />
Quelle: eigene Darstellung in Anlehnung an Niederländer (2000), KBA (2007)<br />
Anmerkungen: kursiv gesetzte Modelle sind nicht eindeutig zuzuordnen<br />
Betrachtet man die Absatzstärke der Fahrzeugklassen über die Jahre, so zeigt sich, dass<br />
das traditionelle Mittelklasse-Segment starke Einbußen zu verzeichnen hat. <strong>St</strong>attdessen<br />
drängen vermehrt neue Segmente auf den Markt, die den etablierten Produktklassen Kon-<br />
kurrenz machen. In der amtlichen <strong>St</strong>atistik des Kraftfahrt-Bundesamtes (KBA) verzeichnen<br />
die klassischen Segmente einen Rückgang von 86% im Jahr 1999 auf 74% im Jahr 2006 (s.<br />
Abbildung 2). Innerhalb weniger Jahre entwickelte sich hingegen das Segment der Multi-
4<br />
A. Einleitung und Problematisierung<br />
Purpose-Vehicles (MPVs/Vans) vom Nischen- zum Volumensegment; 2007 ist es mit 12%<br />
vertreten, während es 1999 nur 6% aufwies 1 . Auch das Segment der Sport Utility Vehicles<br />
(SUVs), die in der <strong>St</strong>atistik unter Geländewagen geführt werden, gewinnt mit zweistelligen<br />
Zuwachsraten zunehmend an Bedeutung.<br />
100%<br />
90%<br />
80%<br />
70%<br />
60%<br />
50%<br />
40%<br />
30%<br />
20%<br />
10%<br />
0%<br />
2%<br />
6%<br />
3%<br />
3%<br />
1%<br />
8%<br />
22%<br />
Nischensegmente<br />
4%<br />
12%<br />
2%<br />
7%<br />
1%<br />
6%<br />
16%<br />
31%<br />
Klassische<br />
Segmente 27%<br />
16% 19%<br />
7% 5%<br />
1999 2007<br />
Sonstige<br />
Utilities<br />
Vans<br />
Cabriolets (inkl. Roadster)<br />
Geländewagen<br />
Oberklasse<br />
Obere Mittelklasse<br />
Mittelklasse<br />
Untere Mittelklasse<br />
Kleinwagen<br />
Mini<br />
Abbildung 2: Veränderung der Segmentverteilung im deutschen Automobilmarkt<br />
Quelle: Kraftfahrt-Bundesamt (1999; 2007)<br />
Die strukturelle Veränderung des Automobilmarktes zeigt sich nicht allein in einer<br />
Verschiebung der Segmente, sondern auch in einer Fragmentierung des Automobilmarktes<br />
aufgrund sinkender durchschnittlicher Marktanteile von Automobilen. Während der durch-<br />
schnittliche Marktanteil von Automobilen Anfang der 80er Jahre noch 0,7% betrug,<br />
erreichte er im Jahr 2000 keine 0,4% (Marketing Systems, zit. nach Diez, 2003). Dieser<br />
Trend wird zum einen durch eine zunehmende Zahl von Aufbauvarianten der Baureihen<br />
einzelner Hersteller und zum anderen durch die Entwicklung neuartiger Produktkonzepte<br />
und Begründung neuer Pkw-Segmente bestimmt. Bayus und Putsis Jr. (1999) bezeichnen<br />
eine derartige Ausdehnung der Produktprogramme als Produktproliferation. Sie fassen<br />
darunter eine große Anzahl an Neuprodukteinführungen, eine große Produktvielfalt und<br />
1 Rosa, Porac, Runser-Spanjol und Saxon (1999) analysieren mittels Textanalysen die Entstehung und Etablierung der<br />
Kategorie Minivan in den 80er Jahren auf. Dabei zeigen sie, dass sich die mentalen Repräsentationen des Produktes der<br />
einzelnen Marktteilnehmer mit der Zeit stabilisieren und sich so eine neue Produktklasse bildet.<br />
„In the early 1980s, Chrysler’s minivans came to town, kicked butt and created a hot new segment” (Automotive News,<br />
2007, S. 42).
A. Einleitung und Problematisierung 5<br />
breite Produktlinien zusammen. Diez (2001a; 2003) stellt drei Produktproliferationsstrate-<br />
gien in der Automobilindustrie dar, mit denen Hersteller auf den zunehmenden Wettbe-<br />
werbsdruck reagieren (vgl. Abbildung 3). Bei der klassischen Produktdifferenzierung wer-<br />
den neue Aufbauvarianten oder Motorisierungen einer Baureihe auf den Markt gebracht.<br />
Eine Alternative dazu ist die Erweiterung des Produktprogramms um neue Baureihen.<br />
Unternehmen können zum einen eine bislang nicht angebotene Baureihe in einem bestehen-<br />
den Marktsegment anbieten. So haben beispielsweise die deutschen Premiummarken ihr<br />
Produktportfolio mit der Einführung der Mercedes-Benz A-Klasse bzw. des Audi A3 und<br />
des BMW 1er nach unten in das Kompaktwagensegment ausgeweitet. Zum anderen kann<br />
ein Hersteller neue Marktsegmente schaffen, indem er Crossover-Fahrzeuge auf den Markt<br />
bringt, die eine Kombination bestehender Fahrzeugkonzepte darstellen.<br />
Zunehmende Zahl von<br />
Varianten innerhalb einer<br />
Baureihe<br />
(Produktdifferenzierung)<br />
Ausdehnung der Produktprogramme durch …<br />
Schließen von Lücken im<br />
Produktprogramm<br />
(Full Line)<br />
Abbildung 3: Formen der Produktproliferation<br />
Quelle: Diez (2003, S. 3)<br />
Zunehmende Zahl von<br />
Baureihen<br />
(Programmerweiterung)<br />
Schaffung von neuen<br />
Baureihen durch<br />
Crossover<br />
Crossover-Fahrzeuge sind keine vollkommen neue Idee. Historisch betrachtet, gibt es<br />
vier generische Produktkonzepte, die jeweils zu spezifischen Zwecken entwickelt wurden:<br />
Limousine, Roadster, klassische Geländewagen und Transporter. Von diesen Konzepten<br />
sind alle anderen Aufbauformen ableitbar. Darauf aufbauend entstanden Kombi(-nations-<br />
wagen), eine Mischung aus Limousine und Transporter, Coupés (Mischung aus Limousine<br />
und geschlossenem Roadster), Cabrios (Mischung aus Limousine und offenem Roadster)<br />
sowie Vans (Mischung aus Transporter und Limousine). Diese Fahrzeugkonzepte werden<br />
von Diez (2003) als „traditionelle“ Crossover bezeichnet, da sie sich bereits im Markt<br />
bewährt haben. Bei den jüngeren Entwicklungen, den „modernen“ Crossover-Fahrzeugen,<br />
werden „häufig nicht nur zwei, sondern mehrere generische bzw. traditionelle Crossover-<br />
Konzepte in immer neue, unterschiedliche Mischungsverhältnisse gebracht“ (Diez, 2003, S.
6<br />
A. Einleitung und Problematisierung<br />
4). Wie in Abbildung 2 ersichtlich, konnten insbesondere die SUVs und Minivans großen<br />
Erfolg verzeichnen. Durch Crossover werden die klassischen Segmentgrenzen aufgehoben.<br />
So schafft diese <strong>St</strong>rategie einerseits Differenzierungspotential zum Wettbewerb, andererseits<br />
birgt sie die Gefahr der Inakzeptanz im Markt.<br />
Die Auflösung der Segmentgrenzen stellt eine Schwierigkeit für die Klassifikation von<br />
Crossover-Fahrzeugen dar. Sie sind den zu Anfang des Kapitels dargestellten Klassen nicht<br />
eindeutig zuzuordnen. In den Zulassungsstatistiken des Kraftfahrt-Bundesamtes werden<br />
Crossover beispielsweise nicht gesondert aufgeführt, sondern unter den bestehenden Seg-<br />
menten 2 subsumiert. Global Insight nutzt für seine Segmentprognosen eine ähnliche, jedoch<br />
feiner untergliederte Klassifikation. 3 Die mangelnde Konsistenz bei der Klassifikation wird<br />
am Beispiel der Mercedes-Benz R-Klasse deutlich: das Fahrzeug wird vom KBA als Gelän-<br />
dewagen eingeordnet, von Global Insight als Luxury MPV. Letztendlich wird nicht eindeu-<br />
tig geklärt, ob es sich bei der R-Klasse um einen Geländewagen oder einen Van handelt.<br />
Aufgrund der Uneindeutigkeit der Klassifikation sind keine klaren Aussagen über die Ent-<br />
wicklung dieser Fahrzeugklassen möglich. Tendenziell kann jedoch festgehalten werden,<br />
dass die Anzahl von Crossover-Modellen in den letzten Jahren stark zugenommen hat. Der<br />
Trend zu mehr Nischen- und Crossover-Modellen wird Automobilherstellern und Bran-<br />
chenkennern zufolge in den nächsten Jahren nicht abflachen (Lundegaard, 2006; Auto Bild,<br />
51/52/2005).<br />
2 Ziele und theoretische Ansätze der Arbeit<br />
2.1 Ziele der Arbeit<br />
Konsumenten sammeln im Laufe ihrer Kundenhistorie Wissen über Marktstrukturen. Mit<br />
der Einführung hybrider Produkte, die auf zwei oder mehr bekannten Produktkategorien<br />
basieren, stellt sich jedoch die Frage, wie diese innovativen Produkte vom Kunden wahrge-<br />
nommen und in seine bestehende Wissensstruktur integriert werden. Die mentale Reprä-<br />
sentation hybrider Produkte wurde bislang nur vor dem Hintergrund ihrer Klassifikation in<br />
2 Das KBA unterscheidet folgende Segmente: Minis, Kleinwagen, Kompaktklasse, untere Mittelklasse, Mittelklasse,<br />
Obere Mittelklasse, Oberklasse, Geländewagen, Cabriolets (inkl. Roadster), Vans und Utilities.<br />
3 Global Insight unterscheidet folgende Segmente: A: Utility/City Class, B: Supermini Class, C1: Lower Medium Class,<br />
C2: Medium Class, D1: Upper Medium Class, D2: Executive Class, E1: Luxury Class, E2: High Luxury Class, F1:<br />
Prestige/Exotic Class, F2: Ultra Prestige/Exotic Class, MPV-B: Sub-Compact MPV, MPV-C: Compact MPV, MPV-D:<br />
<strong>St</strong>andard MPV, MPV-E: Luxury MPV, SUV-A: Mini SUV, SUV-B: Sub-Compact SUV, SUV-C: Compact SUV,<br />
SUV-D: STANDARD SUV, SUV-E: Luxury SUV, PUP-B: Car-derived Pickup, PUP-C: Compact Pickup, PUP-D:<br />
Full-sized Pickup, CDV: Car-Derived Van, MIC: MicroVan, MVan: Medium Van, N/K: Unidentified.
A. Einleitung und Problematisierung 7<br />
vorgegebene bestehende Produktkategorien untersucht (Moreau, Markman, & Lehmann,<br />
2001; Gregan-Paxton, Hoeffler, & Zhao, 2005; Rajagopal & Burnkrant, 2005). Die Autoren<br />
dieser <strong>St</strong>udien erforschten, welche Inferenzen und auf welcher Basis Präferenzen für<br />
hybride Produkte im Bereich der Kommunikationstechnologie ausgebildet werden. Die<br />
Ergebnisse sollten Hilfestellungen für die Produktgestaltung und – positionierung geben.<br />
Da hybride Produkte aufgrund ihrer Ambiguität jedoch im Vergleich zu typischen Pro-<br />
dukten bestehender Kategorien häufig schlechter beurteilt werden, versuchen Unternehmen<br />
in der Praxis, neue Segmente zu begründen. Diese Arbeit soll einen Erkenntnisfortschritt<br />
dazu leisten, unter welchen Umständen die kundenseitige Bildung neuer Kategorien statt-<br />
findet, welche kognitiven Prozesse mit der Verarbeitung hybrider Produktinformationen<br />
verbunden sind und welche Effekte sich im Hinblick auf die Urteilsbildung ergeben. Kon-<br />
sumenten verfügen aufgrund ihrer einzigartigen Produkt- und Konsumerfahrung jeweils<br />
über individuelle mentale Produktkategorienstrukturen, die ausschlaggebend für die mentale<br />
Integration eines neuen Produktes (vgl. Nedungadi, Chattopadhyay, & Muthukrishnan,<br />
2001) sind. Daher soll diesen erstmalig bei der Integration unbekannter hybrider Produkte<br />
Rechnung getragen werden.<br />
Basierend auf den Ausführungen in Kapitel A1 erscheint die Einführung von Cross-<br />
over-Fahrzeugen im Automobilmarkt ein geeignetes Untersuchungsobjekt im Hinblick auf<br />
die Erforschung hybrider Produkte zu sein. In einem ersten Schritt soll das aktuelle konsu-<br />
mentenseitige Verständnis der <strong>St</strong>ruktur des Automobilmarktes in diesen Zeiten des Wandels<br />
aufgedeckt werden. Darauf aufbauend wird der Frage nachgegangen, wie die kognitive<br />
Integration von Crossover-Fahrzeugen durch Marketingmaßnahmen beeinflusst werden<br />
kann und wie sich diese auf die Produktevaluation auswirkt. Auf Basis der Ergebnisse<br />
sollen abschließend entsprechende Implikationen für die Produkt- und Programmpolitik von<br />
Automobilherstellern abgeleitet werden.<br />
2.2 Theoretische Ansätze der Arbeit<br />
2.2.1 Informationsverarbeitungsansatz und Zwei-Prozess Modelle der sozialen<br />
Urteilsbildung<br />
Die Wahrnehmung und Beurteilung neuer Produkte kann mit allgemeinen Modellen zur<br />
Informationsverarbeitung erklärt werden. Dieser Arbeit liegt die Annahme zugrunde, dass<br />
Individuen eine konstruktive Rolle im Informationsverarbeitungsprozess spielen. Entgegen<br />
der Nutzentheorie, die vom rationalen Entscheider mit fest ausgeprägten Präferenzen aus-<br />
geht, postuliert der Informationsverarbeitungsansatz bedingte Rationalität (bounded<br />
rationality) (Bettman, Luce, & Payne, 1998). Er unterstellt, dass Konsumenten nicht über
8<br />
A. Einleitung und Problematisierung<br />
stabile Präferenzen verfügen, sondern diese kontextabhängig konstruieren (Bettman, 1979;<br />
Slovic, 1995). Das Entscheidungsverhalten von Konsumenten wird in Abhängigkeit seiner<br />
Informationsverarbeitungskapazität analysiert. Eingeschränkte kognitive Ressourcen führen<br />
dazu, dass Konsumenten nicht alle ihnen zur Verfügung stehenden Informationen aufneh-<br />
men und verarbeiten. Ihr Ziel ist es, ihre Entscheidung auf „«sufficient» rather than<br />
accurate knowledge“ (Moskowitz, Skurnik, & Galinsky, 1999, S. 24) zu basieren.<br />
Unterschiedliche Wege der Informationsverarbeitung werden durch duale Prozess-<br />
theorien beschrieben. Grundannahme aller Modelle ist „the fact that people seek to maxi-<br />
mize outcomes with the least amount of work possible, choosing cognitive economy as a<br />
strategy to allow them the ability to maneuver through a complex stimulus environment”<br />
(Moskowitz et al., 1999, S. 28). Diese Idee wird von Allport (1954, zit. nach Moskowitz et<br />
al., 1999) als „principle of least effort“ bezeichnet (vgl. auch Fiske & Taylor, 1984). Eine<br />
derartige Ressourcen sparende Variante der Informationsverarbeitung geht zu Lasten syste-<br />
matischer Verarbeitung von Informationen. Unter bestimmten Bedingungen kann die<br />
Informationsverarbeitung jedoch von einem theoriegeleiteten Ansatz zu einem datengelei-<br />
teten Ansatz wechseln. Dementsprechend sind duale Prozessmodelle durch zwei sich auf<br />
einem Kontinuum gegenüberliegende Verarbeitungsmodi gekennzeichnet. Einerseits kön-<br />
nen Informationen top-down mittels eines oberflächlichen, kognitiv nicht stark belastenden<br />
Prozesses, bei dem sich Menschen auf ihre bestehenden Wissensstrukturen und Schemata<br />
bzw. Kategorien verlassen, ablaufen; andererseits besteht die Möglichkeit eines bottom-up<br />
Prozesses, bei dem Entscheidungen systematisch mit ausreichend Zeit und kognitiven Res-<br />
sourcen getroffen werden (Moskowitz et al., 1999). Der top-down Prozess wird in der<br />
Literatur als <strong>St</strong>andardmodus sozialer Informationsverarbeitung angesehen (J. S. Bruner,<br />
Goodnow, & Austin, 1956; Brewer, 1988; Fiske & Neuberg, 1990). Ihre Ursprünge fanden<br />
die dualen Prozessmodelle in der Einstellungs-, <strong>St</strong>ereotypen- und Persuasionsforschung. Die<br />
prominentesten Modelle sind das Elaboration Likelihood Model von Petty und Cacioppo<br />
(Petty, Cacioppo, & Schumann, 1983), das Heuristic Systematic Model von Eagly und<br />
Chaiken (Chaiken, Lieberman, & Eagly, 1989) sowie das Continuum Model von Fiske und<br />
Neuberg (1990). Shavitt und Wänke (2001) weisen auf die Parallelen der relativ jungen<br />
Forschungstradition des Consumer Information Processing (CIP) und der Sozialpsychologie<br />
hin: „It will become clear that, regarding the underlying cognitive processes, consumer<br />
judgment does not differ much from social judgment” (S. 569). Daher soll die Frage nach<br />
der Bildung neuer Fahrzeugsegmente aus Kundensicht anhand der Kategorisierungstheorie<br />
beantwortet werden.
A. Einleitung und Problematisierung 9<br />
2.2.2 Kategorisierung in der Konsumentenforschung<br />
Zahlreiche psychologische Erkenntnisse zur Kategorisierung wurden auf angewandte Frage-<br />
stellungen im Marketing übertragen. Kategorien stellen die Grundlage für die kognitive<br />
<strong>St</strong>ruktur zur hierarchischen Organisation des Produktwissens eines Konsumenten dar (Sujan<br />
& Dekleva, 1987; Ratneshwar & Shocker, 1991). Auf Basis dieser <strong>St</strong>rukturierung und<br />
Differenzierung von Produkten werden Konsumentscheidungen getroffen (Alba &<br />
Hutchinson, 1987). Marketingkonstrukten, wie Produktklassen, Marktsegmenten und<br />
Consideration Sets, liegt das Prinzip der Kategorisierung zugrunde. Die Konstrukte be-<br />
zeichnen vom Konsumenten im Hinblick auf die Erfüllung von Bedürfnissen und Zielen in<br />
bestimmten Situationen gebildete mentale Gruppierungen austauschbarer Produkte. Pro-<br />
dukte werden in diesem Ansatz als Nutzenbündel verstanden und auf Basis von ähnlichen<br />
Nutzenversprechen klassifiziert (Day, Shocker, & Srivastava, 1979). Kunden treffen Kauf-<br />
entscheidungen, indem sie zwischen den Alternativen einer derartigen Kategorie wählen.<br />
Nedungadi, Chattopadhyay und Muthukrishnan (2001) zeigen in einem Gedächtnisexperi-<br />
ment, dass die Aktivierung einer Kategorienstruktur sich positiv auf den Abruf der zugehö-<br />
rigen Marken auswirkt. Die mentale Verfügbarkeit von Marken ist Voraussetzung für eine<br />
Kaufentscheidung.<br />
Unternehmen hilft eine etablierte Kategorienstruktur bei der Positionierung eines Pro-<br />
duktes im Wettbewerbsumfeld. Bei der Einführung neuer Produkte muss ein Unternehmen<br />
eine Positionierungsentscheidung treffen. Durch die Herausstellung der (Un-)Ähnlichkeit zu<br />
einer bestehenden Produktkategorie kann beeinflusst werden, ob das Produkt eine neue<br />
Nische besetzt oder in einen bestehenden Markt eindringt (Sujan & Bettman, 1989). Die<br />
vorhandene Kategorienstruktur hilft dem Konsumenten bei der Klassifikation von neuen<br />
Produkten. Zudem erleichtern Kategorien Entscheidungen, weil sie Rückschlüsse auf<br />
Eigenschaften unbekannter Produkte zulassen (Gregan-Paxton & John, 1997; Moreau,<br />
Markman et al., 2001). So verbinden Kunden beispielsweise mit Fahrzeugen der Marke<br />
BMW ein sportlicheres Fahrerlebnis als mit Fahrzeugen der Marke Opel. Die Eigenschaft<br />
„Sportlichkeit“ ist fest mit der Marke BMW assoziiert und wird bei Einführung neuer Bau-<br />
reihen auf diese übertragen.<br />
Sowie Konsumenten mit einer Produktkategorie funktionale Erwartungen verknüpfen,<br />
werden auch Produktbewertungen aufgrund von Kategorienzugehörigkeit getroffen<br />
(Moreau, Markman et al., 2001). Sujan (1985) konnte zeigen, dass Bewertungen eines<br />
neuen Produktes in der Regel aufgrund seiner Kategorienzugehörigkeit getroffen werden<br />
und nicht auf Basis der Qualität einzelner Attribute. Einzig Personen mit großem Produkt-<br />
wissen basieren ihre Bewertungen bei nicht eindeutiger Kategorisierbarkeit auf einzelnen
10<br />
A. Einleitung und Problematisierung<br />
Attributen. Zusammenfassend lässt sich festhalten, dass die Kategorisierbarkeit von Pro-<br />
dukten ausschlaggebend für die Kaufentscheidung ist (Nedungadi et al., 2001). Die Zuord-<br />
nung eines Produktes lässt sich sowohl durch die Ähnlichkeit seiner Merkmale als auch<br />
durch Kontextfaktoren beeinflussen, so dass Kategorisierung forciert und somit Produkt-<br />
beurteilungen beeinflusst werden können (Wänke, 1998).<br />
3 Aufbau der Arbeit<br />
In Kapitel B werden zunächst die Grundlagen der Kategorisierung dargelegt (Kapitel B1).<br />
Dabei wird ein Schwerpunkt auf die definitorische Abgrenzung und die Funktionen von<br />
Kategorien aus Sicht des Informationsverarbeitungsparadigmas gelegt. Es folgt eine Erläu-<br />
terung unterschiedlicher Kategorisierungsansätze und der Schematheorie der sozialen Kog-<br />
nitionsforschung. Darauf aufbauend werden in Kapitel B2 Möglichkeiten der Veränderung<br />
von Kategorienstrukturen sowohl aus Perspektive der psychologischen Grundlagenfor-<br />
schung als auch vor dem Hintergrund des Konsumentenverhaltens betrachtet. Es werden<br />
zum einen theoretische Ansätze und empirische Befunde zur Schemadiskrepanz berichtet<br />
(Kapitel B2.2) und zum anderen die Kategorisierung mehrdeutiger <strong>St</strong>imuli insbesondere im<br />
Hinblick auf die kognitive Repräsentation und Beurteilung hybrider Produkte beleuchtet<br />
(Kapitel B2.3). Da Kategorisierung nicht allein von <strong>St</strong>imuluseigenschaften abhängig ist,<br />
werden im Anschluss personenspezifische Determinanten der Kategorisierung betrachtet.<br />
Die Arbeit fokussiert die Konstrukte Produktwissen und Automobil-Involvement (Kapitel<br />
B3). Produkturteile sind nicht allein von Merkmalen des Urteilsobjekts abhängig, sondern<br />
auch durch Prozessmerkmale während der Informationsakquise und –verarbeitung<br />
bestimmt. Zur Erläuterung der zugrundeliegenden Prozesse werden abschließend die theo-<br />
retischen Erkenntnisse zu den Effekten von Processing Fluency herangezogen (Kapitel B4).<br />
Auf Basis der theoretischen Ausführungen werden in Kapitel C zwei experimentelle<br />
<strong>St</strong>udien konzipiert. Die erste <strong>St</strong>udie (Kapitel C1) strebt die Abbildung des deutschen Auto-<br />
mobilmarktes aus Kundensicht an, wobei neben der Klassifikation der Fahrzeugmodelle ein<br />
besonderes Augenmerk auf die kognitive Integration von Crossover-Fahrzeugen gelegt<br />
wird. Des Weiteren werden Unterschiede in der mentalen Repräsentation des Marktes zwi-<br />
schen Experten und Novizen beleuchtet. Die zweite <strong>St</strong>udie (Kapitel C2) untersucht, ob und<br />
unter welchen Umständen Konsumenten für Crossover-Fahrzeuge neue mentale Kategorien<br />
bilden oder ob sie diese in bestehende Fahrzeugkategorien integrieren. Dazu werden das<br />
Ausmaß an Ambiguität der hybriden Produkte und die Nennung einer unbekannten<br />
Segmentbezeichnung als Kategorienlabel variiert. Nach der Beschreibung der Auswertung<br />
und der Darstellung der Ergebnisse werden diese vor dem Hintergrund des aktuellen For-<br />
schungsstandes kritisch diskutiert, sowie Implikationen für die Positionierung innovativer
A. Einleitung und Problematisierung 11<br />
Fahrzeugkonzepte abgeleitet. Abschließend werden Limitationen und weiterer Forschungs-<br />
bedarf aufgezeigt. Abbildung 4 stellt den Aufbau der Arbeit graphisch dar:<br />
Kapitel 1<br />
Kategorien und<br />
Schemata<br />
<strong>St</strong>udie 1<br />
A. Einleitung<br />
B. Theoretische Grundlagen<br />
Kapitel 2<br />
Veränderung der<br />
Kategorienstruktur<br />
<strong>St</strong>ruktur des deutschen Automobilmarktes<br />
aus Kundensicht und Integration von<br />
Crossover-Fahrzeugen<br />
Abbildung 4: Aufbau der Arbeit<br />
Kapitel 3<br />
Personenspezifische<br />
Determinanten der<br />
Kategorisierung<br />
C. Experimenteller Teil<br />
D. Fazit<br />
<strong>St</strong>udie 2<br />
Kapitel 4<br />
Urteilsbildung als<br />
konstruktiver<br />
Prozess<br />
Bildung neuer Kategorien in Abhängigkeit<br />
von <strong>St</strong>imulusambiguität und Nennung eines<br />
Kategorienlabels
12<br />
B Theoretische Grundlagen<br />
1 Kategorien und Schemata<br />
B. Theoretische Grundlagen<br />
Bevor die Forschungsfrage theoretisch näher eingegrenzt wird, sollen die grundlegenden<br />
Begrifflichkeiten und Ansätze der Kategorisierungstheorie geklärt sowie die Funktionen<br />
von Kategorien aus Sicht des Informationsverarbeitungsparadigmas erläutert werden.<br />
1.1 Definitionen und begriffliche Abgrenzung<br />
Jeder Mensch wird täglich mit einer unendlichen Zahl von Wahrnehmungseindrücken kon-<br />
frontiert: Objekte, Personen, Ereignisse. Kategorien helfen dem Menschen, diese Vielfalt<br />
von Eindrücken zu bewältigen, indem sie zwei oder mehr unterscheidbare Objekte oder<br />
Ereignisse zusammenfassen, die in der Folge durch das kognitive System als äquivalent<br />
betrachtet werden (Markman & Ross, 2003; Rosch, 1978; Mervis & Rosch, 1981). Während<br />
Kategorien in der ersten Hälfte des 20. Jahrhunderts im behavioristisch orientierten <strong>St</strong>imu-<br />
lus-Response-Lernparadigma betrachtet wurden, in dem einzig die Objekte und ihre <strong>St</strong>imu-<br />
luseigenschaften Kategorisierungsgrundlage sind, weisen Bruner, Goodnow und Austin<br />
(1956) im Hinblick auf Kategorisierung erstmals auf die aktive Rolle des Informationsver-<br />
arbeiters hin: „Categorizing serves to cut down the diversity of objects and events that must<br />
be dealt with uniquely by an organism of limited capacities“ (S. 235). Das Informations-<br />
verarbeitungsparadigma postuliert, dass Kategorien mentale Repräsentationen sind, die aus<br />
einer Interaktion von <strong>St</strong>imuluseigenschaften der realen Objekte und dem der Kategorisie-<br />
rung zugrunde liegenden kognitiven Prozess entstehen (Rosch & Lloyd, 1978, S. 2).<br />
Kategorien strukturieren im Gedächtnis gespeichertes Wissen mit dem Ziel der höheren<br />
Informationsökonomie.<br />
In der Literatur existiert neben dem Begriff „Kategorie“ auch der des „Schemas“. Eine<br />
konsequente Unterscheidung erfolgt jedoch nicht. In der Marketingforschung werden die<br />
Begriffe häufig austauschbar eingesetzt (vgl. <strong>St</strong>ayman, Alden, & Smith, 1992; Gregan-<br />
Paxton, 2001), während in der Social Cognition Forschung von Fiske und Pavelchak (1986,<br />
S. 170) eine definitorische Abgrenzung vorgenommen wird: eine Kategorie fasst die Instan-<br />
zen (Mitglieder) einer Klasse strukturell zusammen, ein Schema hingegen fasst in Form von<br />
assoziativen Netzwerken die typischen Eigenschaften dieser Kategorie und ihre Beziehun-<br />
gen untereinander zusammen (Hastie, 1981; Fiske & Taylor, 1984). Ein Schema bezieht<br />
sich folglich stärker auf die inhaltlichen Assoziationen, die mit einer Kategorie verbunden<br />
werden. Im Rahmen dieser Arbeit ist eine derartige Differenzierung von untergeordneter
B. Theoretische Grundlagen 13<br />
Bedeutung, da davon ausgegangen wird, dass der Aufruf von Kategorien mit der Aktivie-<br />
rung der assoziierten Inhalte einhergeht.<br />
Kategoriensysteme können anhand von zwei Dimensionen beschrieben werden<br />
(Rosch, 1978; Crocker, Fiske, & Taylor, 1984). Die vertikale Dimension gibt das Abstrak-<br />
tionsniveau an, anhand dessen Kategorien eingeordnet werden (z.B. Fahrzeug, Auto, Kom-<br />
paktwagen, VW Golf). Die horizontale Dimension zeigt die Abgrenzung von Kategorien<br />
auf einem Abstraktionsniveau an (z.B. Auto, Bus, Lkw, Motorrad). Nicht alle Abstraktions-<br />
niveaus sind vor dem Hintergrund maximaler Informationsökonomie gleichermaßen für die<br />
Kategorisierung von Objekten geeignet. Von besonderer Bedeutung sind Rosch (1978)<br />
zufolge Basiskategorien, die am ehesten die Interdependenzen zwischen Objekten in der<br />
realen Welt darstellen können. Basiskategorien weisen den höchsten Grad an interkatego-<br />
rialer Differenzierung bei gleichzeitig maximaler intrakategorialer Homogenität auf und<br />
führen somit zu einer Herausstellung der Gemeinsamkeiten von <strong>St</strong>imuli bei gleichzeitiger<br />
Reduktion der Differenzierung auf ein notwendiges Maß. Auf diesem Abstraktionsniveau<br />
bedarf die Verarbeitung von Informationen der geringsten kognitiven Anstrengung (Mervis<br />
& Rosch, 1981).<br />
1.2 Funktionen von Kategorien<br />
Kategorisierung ist die Grundlage für viele alltägliche kognitive Funktionen, wie Klassifi-<br />
kation, Vorhersage und Kommunikation (Markman & Ross, 2003). Angesichts limitierter<br />
kognitiver Kapazitäten vereinfacht sie den Informationsverarbeitungsprozess, indem „the<br />
organism reduces the complexity of the environment“ (J. S. Bruner et al., 1956, S. 12; vgl.<br />
auch Rosch, 1978). Um die Welt zu verstehen, werden <strong>St</strong>imuli in Kategorien klassifiziert.<br />
So können beispielsweise im Tierreich Hund und Katze zusammengefasst werden und als<br />
Mitglieder der Kategorie Säugetiere von Amphibien abgegrenzt werden. „Categorization<br />
frees us from being slaves to the particular, reducing the «necessity of constant learning»“<br />
(Moskowitz et al., 1999, S. 27). Die Kategorienzugehörigkeit eines Objekts lässt Rück-<br />
schlüsse auf die Ausprägung einzelner Eigenschaften zu. Wird ein neues Objekt in die<br />
Kategorie Säugetier aufgenommen, werden ihm die typischen Eigenschaften der Kategorie<br />
zugeschrieben. Kategorien fördern somit den Wissenstransfer in neuen Situationen und<br />
erlauben Vorhersagen über bestimmte Verhaltensweisen. Die <strong>St</strong>ereotypieforschung z.B.<br />
zeigt, dass unbekannten Personen allein auf Basis ihrer Gruppenzugehörigkeit bestimmte<br />
Verhaltensweisen und Motive zugeschrieben werden (Fiske & Neuberg, 1990). Auf der<br />
anderen Seite werden Kategorien auch als Erklärungsgrundlage für beobachtbares Verhalten<br />
herangezogen (Lingle, Altom, & Medin, 1984).
14<br />
B. Theoretische Grundlagen<br />
Des Weiteren ermöglichen Kategorien erfolgreiche zwischenmenschliche Kommuni-<br />
kation, indem sie eine gemeinsame Verständnisgrundlage darstellen. Wie auch in Abschnitt<br />
1.4 mit dem Ansatz von Fiske und Pavelchak (1986) dargestellt wird, beeinflusst die<br />
Kategorienstruktur Evaluationen. Sowie bestimmte Eigenschaften mit Kategorien assoziiert<br />
sind, können auch evaluative Urteile an Kategorien geknüpft sein. Markman und Ross<br />
(2003) führen diese Funktion unter dem <strong>St</strong>ichwort „Präferenzbildung“, die besondere<br />
Beachtung im Bereich des Konsumentenverhaltens gefunden hat, auf.<br />
1.3 Kategorisierungsansätze<br />
In der Psychologie besteht eine Vielzahl von Ansätzen zur mentalen Repräsentation von<br />
Kategorien. Bis in die 60er Jahre des letzten Jahrhunderts dominierte die Annahme, dass<br />
alle Elemente einer Kategorie gemeinsame Eigenschaften haben, die einzeln notwendig und<br />
gemeinsam hinreichend zur Definition sind. In den 70er Jahren wurde die Kritik an diesem<br />
Ansatz immer lauter und es entstanden neue Sichtweisen auf die <strong>St</strong>ruktur von Kategorien.<br />
Smith und Medin (1981) unterscheiden anhand der folgenden zwei Fragen drei Erklärungs-<br />
ansätze:<br />
• Gibt es eine einheitliche Beschreibung für alle Elemente einer Kategorie?<br />
• Sind die in der einheitlichen Beschreibung spezifizierten Merkmale für alle Elemente<br />
einer Kategorie wahr?<br />
Abbildung 5 fasst die Kategorisierungsansätze schematisch zusammen:<br />
nein<br />
Exemplaransatz<br />
Einheitliche<br />
Repräsentation?<br />
nein<br />
Probabilistischer<br />
Ansatz<br />
Abbildung 5: Kategorisierungsansätze<br />
Quelle: Smith & Medin (1981, S. 4)<br />
ja<br />
Eigenschaften<br />
für alle Merkmale<br />
wahr?<br />
ja<br />
Klassischer Ansatz
B. Theoretische Grundlagen 15<br />
1.3.1 Klassischer Ansatz<br />
Dem klassischen Ansatz liegt die Annahme zugrunde, dass die Zugehörigkeit eines Ele-<br />
ments zu einer Kategorie durch das Vorhandensein einzeln notwendiger und gemeinsam<br />
hinreichender Merkmale bestimmt wird. Die regelhafte Beschreibung einer Kategorie durch<br />
diese Merkmale trifft auf alle Elemente gleichermaßen zu (Smith & Medin, 1981). Dieser<br />
Ansatz basiert auf den philosophischen Abhandlungen des Aristoteles zu Kategorien, in<br />
denen er der Frage nachgeht, „Was ist das Wesen?“.<br />
Dieser „Alles oder Nichts“-Ansatz wurde mit den Weiterentwicklungen in der kogniti-<br />
ven Psychologie zunehmend kritisiert (J. B. Cohen & Basu, 1987; Smith & Medin, 1981).<br />
Mit der Fokussierung von natürlichen Objekten anstelle von künstlichen <strong>St</strong>imuli in der em-<br />
pirischen Forschung zeigte sich, dass es für viele Kategorien schwierig ist, eine eindeutige<br />
Merkmalsbeschreibung zu finden. Zudem sprechen insbesondere Ergebnisse von Rosch und<br />
Kollegen (1973; 1978; Mervis & Rosch, 1981) gegen die Annahme, dass alle Elemente<br />
einer Kategorie gleichermaßen repräsentativ für diese sind. Der klassische Ansatz schließt<br />
qua definitionem eine Variation in der Repräsentativität von Elementen aus. In <strong>St</strong>udien<br />
konnte jedoch gezeigt werden, dass die Kategorisierungsleistung von Probanden mit nicht<br />
definitorisch notwendigen Merkmalen korreliert (vgl. Smith & Medin, 1981).<br />
1.3.2 Prototypenansatz<br />
Die empirisch begründete Kritik am klassischen Ansatz fußt zu großen Teilen auf dem pro-<br />
babilistischen Ansatz. Rosch und Kollegen (1973; 1978; Mervis & Rosch, 1981) kommen in<br />
ihrer Analyse von Kategorien natürlicher Objekte (z.B. Tiere, Pflanzen, Möbel) zu dem<br />
Schluss, dass Konzepte sich um Prototypen definieren. Ein Prototyp kann als zentrale<br />
Tendenz der für die Kategorie relevanten Merkmale verstanden werden (Rosch & Mervis,<br />
1975). Es handelt sich demnach nicht zwingend um ein bestimmtes Mitglied, sondern eine<br />
hypothetische Abstraktion. Einzelne Objekte sind unterschiedlich repräsentativ für die<br />
Kategorie (graded structure). Das Prinzip der Family Resemblance gibt an, dass Elemente,<br />
die viele Merkmale mit anderen Elementen derselben Kategorie teilen, prototypischer wahr-<br />
genommen werden. Neue Objekte werden aufgrund ihrer Ähnlichkeit zum Prototyp katego-<br />
risiert. Ist der Prototyp für Vögel durch die Merkmale Federn, Flügel, Schnabel, zwei Beine<br />
und Fähigkeit zu fliegen, definiert, dann werden Amseln als typischer wahrgenommen als<br />
afrikanische <strong>St</strong>rauße. Der der Kategorisierung zugrunde liegende Zusammenhang zwischen<br />
Merkmalen und Kategorie ist probabilistischer Natur.<br />
Rosch (1973) sowie Rips, Shoben und Smith (1973) konnten in Reaktionszeit- und<br />
Lernexperimenten Typikalitätseffekte nachweisen: typische Elemente einer Kategorie wer-<br />
den schneller klassifiziert und gelernt. Kinder lernen die Kategorienzugehörigkeit von Pro-
16<br />
B. Theoretische Grundlagen<br />
totypen bevor sie die anderer Elemente lernen. Auch beim Informationsabruf weisen proto-<br />
typische Elemente einer Kategorie Vorteile auf: sie werden beim ungestützten Abruf zuerst<br />
genannt. Aufgrund der dargestellten Eigenschaften von Prototypen in der Informations-<br />
verarbeitung eignen sich diese besser als weniger repräsentative Elemente für Priming-<br />
Experimente (Rosch, 1978). Dieser Effekt wird durch das Spreading Activation Model von<br />
Collins und Loftus (1975, zit. nach Baddeley, 1997) erklärt. Prominente Vertreter des<br />
Prototypenansatzes sind neben Rosch und Kollegen auch Forscher in der Gruppe um<br />
Edward Smith.<br />
Der gravierendste Kritikpunkt am probabilistischen Ansatz betrifft die unzureichende<br />
Darstellung der kognitiven Komplexität der Wissensrepräsentation. Informationsverarbeiter<br />
nutzen neben der zentralen Tendenz auch andere Informationen, wie z.B. Korrelationen<br />
zwischen Merkmalen und die Variabilität der Merkmale, um Objekte zu klassifizieren<br />
(Bagozzi, Gürhan-Canli, & Priester, 2002).<br />
1.3.3 Exemplaransatz<br />
Eine Antwort auf diese Problematik bietet der Exemplaransatz. Diesem zufolge werden<br />
Kategorien durch die separate Beschreibung einiger typischer Exemplare definiert; er liefert<br />
keine zusammenfassende Beschreibung der Kategorie (Brooks, 1978; Nosofsky, 1988). Ein<br />
Exemplar kann entweder eine Teilmenge der Kategorie oder ein einzelner Fall sein. Wird<br />
ein Exemplar durch eine Teilmenge dargestellt, kann die mentale Repräsentation entweder<br />
durch beschreibende Merkmale oder durch untergeordnete Fälle definiert werden. Wird ein<br />
Exemplar als einzelner Fall dargestellt, muss die Repräsentation anhand einer Merkmalsliste<br />
beschrieben werden (Smith & Medin, 1981). Die Repräsentation basiert folglich auf<br />
disjunktiven Exemplaren. Dieser Ansatz geht nicht von einer zusammenfassenden<br />
Beschreibung des Konzepts aus. Das Exemplar, das die größte Ähnlichkeit zu dem neuen<br />
Objekt aufweist, bestimmt die Kategorisierung. Auch dieser Ansatz kann Typikalitäts-<br />
effekte erklären. Sind beispielsweise Finken ein typisches Exemplar für Vögel, dann werden<br />
Amseln aufgrund der größeren Ähnlichkeit typischer wahrgenommen als afrikanische<br />
<strong>St</strong>rauße. Das bekannteste Modell des Exemplaransatzes stellt wohl das Context Model von<br />
Medin und Schaffer (1978) dar.<br />
1.3.4 Gemischte Ansätze<br />
Die regelhafte Beschreibung von mentalen Repräsentationen wird den Typikalitätseffekten<br />
und damit verbundenen Unterschieden in der Kategorisierungseffizienz, die insbesondere<br />
bei uneindeutigen <strong>St</strong>imuli auftreten, nicht gerecht (vgl. Lingle et al., 1984; J. B. Cohen &<br />
Basu, 1987).
B. Theoretische Grundlagen 17<br />
Kategorisierung basiert sowohl beim Prototypen- als auch beim Exemplaransatz auf<br />
Ähnlichkeitsvergleichen. Die Ansätze unterscheiden sich jedoch hinsichtlich des Referenz-<br />
punktes, mit dem ein neu zu kategorisierendes Objekt verglichen werden soll. Während der<br />
Referenzpunkt beim Prototypenansatz ein abstrahiertes Zentralitätsmaß darstellt, bezieht<br />
sich der Vergleich beim Exemplaransatz auf ein konkretes Kategorienelement. Diese Unter-<br />
scheidung soll im Rahmen der zu untersuchenden Fragestellung nicht weiter verfolgt wer-<br />
den. Elio und Anderson (1981) wie auch Smith und Medin (1981) schlagen Modelle vor, die<br />
die Abstraktion von prototypischen Informationen und den Abgleich mit einzelnen<br />
Exemplaren als komplementäre Prozesse betrachten. Diesen Modellen entsprechend ist<br />
sowohl die Ähnlichkeit zu einem Exemplar als auch zu einem abstrahierten Prototypen aus-<br />
schlaggebend für die Klassifikation eines neuen Items (vgl. auch Gregan-Paxton, 2001;<br />
Sujan, 1985). Cohen und Basu (1987) schlagen ein alternatives Modell vor, demzufolge<br />
Konsumenten jeden der drei dargestellten Ansätze für eine erste Klassifikation nutzen<br />
können. Kategorisierung kann den Autoren zufolge automatisch oder bewusst ablaufen und<br />
Informationen analytisch oder holistisch nutzen.<br />
1.4 Schematheorie<br />
Wie bereits in Kapitel 1.1 dargestellt, hat sich parallel zur Kategorisierungsforschung in der<br />
allgemeinen Psychologie der Schemaansatz in der sozialen Kognitionsforschung entwickelt.<br />
In der Kategorisierungsforschung stehen Ansätze zur Klassifikation von Objekten im Vor-<br />
dergrund, während durch die Schematheorie in erster Linie Informationsverarbeitungs-<br />
prozesse, die durch die Klassifikation ausgelöst werden, erklärt werden sollen. Dies betrifft<br />
insbesondere Wahrnehmungs- und Gedächtnisprozesse sowie die Bildung von Inferenzen<br />
und Evaluationen (Fiske & Taylor, 1984). Während sich die Kategorisierungstheorie vor-<br />
nehmlich mit natürlichen und abstrakten <strong>St</strong>imuli beschäftigt, fokussiert die Schematheorie<br />
auf soziale Kategorien und fand ihre Anwendung insbesondere in der <strong>St</strong>ereotypieforschung.<br />
Die moderne Schematheorie geht auf die frühen Arbeiten von Bartlett (1932) zum<br />
Gedächtnis für Bilder, Figuren und Geschichten zurück. Entgegen der vorherrschenden<br />
theoretischen Meinung der Zeit ging Bartlett davon aus, dass Informationen nicht als iso-<br />
lierte Elemente verarbeitet werden, sondern in sinnvollen <strong>St</strong>rukturen organisiert sind und<br />
diese den Informationsabruf steuern. Ein Schema beschreibt eine kognitive <strong>St</strong>ruktur, die das<br />
Wissen über ein Konzept oder einen <strong>St</strong>imulus in Form seiner Eigenschaften und den Bezie-<br />
hungen zwischen diesen Eigenschaften in abstrahierter Form zusammenfasst (Hastie, 1981).<br />
Schemata helfen dem „cognitive miser“ mit limitierten kognitiven Ressourcen die Komple-<br />
xität der Welt in vereinfachter Form wahrzunehmen und zu verstehen (Fiske & Taylor,<br />
1984). Als bestehende Wissensrepräsentationen leiten Schemata die Aufnahme neuer
18<br />
B. Theoretische Grundlagen<br />
Informationen. Hinsichtlich des Umgangs mit inkonsistenten Informationen werden in der<br />
Literatur zwei grundlegende Prozesse unterschieden: Assimilation und Akkomodation (vgl.<br />
Rumelhart & Norman, 1978; Mandler, 1982). Diese Unterscheidung geht auf die Arbeiten<br />
von Jean Piaget zur kognitiven Entwicklung des Kindes zurück. Piaget bezeichnet mit<br />
Assimilation die Anwendung eines Schemas oder einer <strong>St</strong>ruktur auf ein Objekt, d.h. die<br />
inhaltlichen Assoziationen eines Schemas werden auf das Objekt übertragen, und mit<br />
Akkomodation die Anpassung des Schemas an die Situation oder das Objekt (vgl. Montada,<br />
1995). Schemata weisen in der Regel eine hohe <strong>St</strong>abilität auf und nur geringfügig abwei-<br />
chende Informationen werden assimiliert, um eine kohärente <strong>St</strong>ruktur der Umwelt zu<br />
bewahren. Diese top-down Prozesse führen u.U. zu verzerrten Beurteilungen des Objekts,<br />
da geringfügige Abweichungen vernachlässigt werden, fehlende Informationen durch <strong>St</strong>an-<br />
dardschemadaten (default values) ersetzt werden oder mittels der Repräsentativitätsheuristik<br />
die wahrscheinlichste Kategorie ausgewählt wird (Augoustinos & Walker, 1995). Wären<br />
Schemata jedoch vollständig resistent gegenüber Veränderungen, würden sie ihre Funktion,<br />
den Wahrnehmenden zu unterstützen, nicht erfüllen. Inkorrekte Schemata führen zu Ineffi-<br />
zienz und Ungenauigkeiten in der Informationsverarbeitung (Crocker et al., 1984).<br />
Neben Aufmerksamkeit steuernden Prozessen haben Schemata auch Einfluss auf die<br />
zu speichernden Gedächtnisinhalte. In der Literatur existieren widersprüchliche Ergebnisse<br />
bezüglich der Gedächtnisleistung bei konsistenten und inkonsistenten Informationen. Hastie<br />
(1981) kommt in einer Übersicht zu dem Ergebnis, dass bessere Gedächtnisleistungen für<br />
schemakonsistente Informationen auf Vorteile gut verankerter Informationen beim<br />
Gedächtnisabruf zurückzuführen sind, während bessere Gedächtnisleistungen für schema-<br />
inkonsistente Informationen auf erhöhte Aufmerksamkeit und tiefere Verarbeitung bei der<br />
Enkodierung von Informationen zurückgehen. Schemairrelevante Informationen hingegen<br />
werden leicht vergessen.<br />
In den 80er Jahren wurden die Kritik am rein kognitiven Ansatz der Schematheorie<br />
und die Forderungen nach einer Integration affektiver Komponenten lauter. Die Arbeiten<br />
von Fiske (1982) sowie Fiske und Pavelchak (1986) zum Schema induzierten Affekt sind<br />
hier von zentraler Bedeutung. Die Autoren argumentieren, dass Affekt und Evaluation<br />
sowohl auf einzelnen <strong>St</strong>imulusattributen basierend generiert werden können (piecemeal-<br />
based affect), als auch von einem Schema auf einen assimilierten <strong>St</strong>imulus übertragen wer-<br />
den können (category-based affect) (vgl. Abbildung 6). Entsprechend der Logik der Zwei-<br />
Prozess Modelle postulieren die Autoren eine erste Kategorisierungsphase. Verläuft diese<br />
erfolgreich, wird die Person bzw. das Produkt basierend auf den mit dem Kategorienschema<br />
verbundenen Affekten bewertet. Ist die erste Phase aufgrund zu großer Schemadiskrepanz
B. Theoretische Grundlagen 19<br />
nicht erfolgreich, wird die Person in einer zweiten Phase Attribut für Attribut bewertet. Das<br />
Modell wurde in den folgenden Jahren von Fiske und Neuberg (1990) weiter detailliert. Im<br />
Continuum Model legen sie die Phasen und Prämissen der Urteilsbildung dar. Schemata<br />
haben damit nicht nur Einfluss auf die kognitive Repräsentation von Wissen, sondern beein-<br />
flussen ebenso die Bewertung von <strong>St</strong>imuli.<br />
Attribut 1<br />
+/ -<br />
Kategorienlabel<br />
Attribut 2 Attribut 3<br />
+/ - +/ -<br />
Attribut 4<br />
+/ -<br />
+/ -<br />
category- based affect<br />
piecemeal- based affect<br />
Abbildung 6: Hypothetische Repräsentation von Affekt in der Schemastruktur<br />
Quelle: nach Fiske & Pavelchak (1986, S. 172)<br />
2 Veränderung der Kategorienstruktur<br />
Bislang wurden die Prinzipien der Kategorisierung dargestellt. Es stellt sich nun die Frage,<br />
ob und unter welchen Umständen Kategorienstrukturen verändert werden können. Dazu<br />
werden die psychologischen Grundlagen der Schemadiskrepanz erläutert und empirische<br />
Befunde aus dem Bereich des Konsumentenverhaltens vorgestellt. Es folgt eine Darstellung<br />
der Kategorisierung mehrdeutiger <strong>St</strong>imuli aus Sicht der Grundlagen- sowie der Marketing-<br />
forschung.<br />
2.1 Bildung neuer Kategorien<br />
Die meisten Theorien zur Kategorisierung gehen der Frage nach, wie einzelne Objekte in<br />
ein bestehendes Kategoriensystem integriert werden. Die Bildung neuer Kategorien wird in<br />
der Literatur weniger ausführlich behandelt (vgl. J. B. Cohen & Basu, 1987; Bettman et al.,<br />
1998; Katona, Lajos, Chattopadhyay, & Sarvary, 2006). Wie in Kapitel 1.1 dargelegt, stel-<br />
len Kategorien ein vereinfachtes Abbild der Realität dar. Sie fassen Objekte zusammen, die<br />
sich aufgrund ihrer Eigenschaften ähneln (Rosch, 1978). Um neue Informationen zu verste-<br />
hen und in Entscheidungssituationen zu nutzen, müssen diese in die bestehende Wissens-<br />
struktur integriert werden (Alba, Hutchinson, & Lynch, 1991). Neue mentale Repräsenta-<br />
tionen bilden sich heraus, wenn ein Individuum mit ihm unbekannten Objekten konfrontiert
20<br />
B. Theoretische Grundlagen<br />
wird, die sich untereinander in ihren Eigenschaften ähneln und klar von angrenzenden Kate-<br />
gorien abgrenzen (Markman & Ross, 2003). Das Individuum muss in der Lage sein, sowohl<br />
Ähnlichkeiten als auch Unterschiede zwischen Objekten zu beurteilen, einzelne Attribute<br />
wahrzunehmen und die erkannten Zusammenhänge zu lernen. Mit zunehmender Erfahrung<br />
kommt es zu einer Ausdifferenzierung des Kategorienwissens insbesondere auf den der<br />
Basiskategorie über- und untergeordneten Niveaus (Alba & Hutchinson, 1987).<br />
Es lassen sich sowohl personenspezifische Variablen als auch Eigenschaften der<br />
Information und der Kategorienstruktur definieren, die Einfluss auf die Verarbeitung abwei-<br />
chender Informationen und die Veränderung bestehender Wissensrepräsentationen nehmen.<br />
Crocker und Kollegen (1984) identifizieren drei Personenvariablen, unter denen abwei-<br />
chende 4 Informationen verarbeitet werden. Da abweichende Informationen mehr Zeit zur<br />
Verarbeitung benötigen, müssen erstens ausreichend kognitive Ressourcen frei sein. Diese<br />
Bedingung wird zweitens insbesondere bei Sachexpertise erfüllt, da die gefestigten Wis-<br />
sensstrukturen von Experten konsistente Informationen leichter verarbeiten und so Ressour-<br />
cen für den Umgang mit inkonsistenten Informationen bereitstellen können (Hayes-Roth,<br />
1977). Drittens wirkt sich eine Motivation für Genauigkeit positiv auf die Verarbeitung<br />
andersartiger Informationen aus. Auf die Effekte dieser Variablen im Hinblick auf die Kate-<br />
gorisierung wird in Kapitel 3 eingegangen.<br />
Neben Personenvariablen haben auch Eigenschaften der inkongruenten Information<br />
Einfluss auf Veränderungen des Schemas. In der Literatur werden insbesondere das Ausmaß<br />
an Diskrepanz der Information zum Schema und die Mehrdeutigkeit der Information unter-<br />
sucht. Diese Punkte werden in Kapitel 2.2 respektive Kapitel 2.3 detaillierter behandelt.<br />
Zusätzlich nimmt die aktuelle Beschaffenheit der Kategorienstruktur Einfluss. Katona et al.<br />
(2006) weisen experimentell nach, dass neue Subkategorien eher Kategorien mit einer<br />
bereits größeren Zahl an Subkategorien zugeordnet werden, da diese besser verfügbar sind.<br />
Damit bestätigen sie die Ergebnisse von Herr (1989), der in einem Priming-Experiment<br />
nachweisen konnte, dass neue Produkte eher in leichter verfügbare Kategorien klassifiziert<br />
werden.<br />
4 Die Adjektive inkonsistent, inkongruent, diskrepant und abweichend werden im Folgenden austauschbar genutzt.
B. Theoretische Grundlagen 21<br />
2.2 Schemadiskrepanz<br />
2.2.1 Veränderung von Schemata<br />
Im Rahmen der <strong>St</strong>ereotypieforschung haben Weber und Crocker (1983) drei Modelle getes-<br />
tet, die die Veränderung von <strong>St</strong>ereotypen 5 bei Vorlage inkonsistenter Informationen<br />
beschreiben. Diese Modelle wurden bereits auf andere soziale Schemata übertragen und bei-<br />
spielsweise für Arbeiten zur Markenerweiterung genutzt (Loken & John, 1993). Dem<br />
Bookkeeping Model zufolge werden die typischen Eigenschaften eines Schemas sukzessive<br />
mit jeder inkongruenten Information angepasst. Wie stark das Schema modifiziert wird,<br />
hängt von der Menge der widersprüchlichen Informationen ab. Rumelhart und Norman<br />
(1978) beschreiben diese Anpassungen auch als „Tuning“. Das Conversion Model<br />
beschreibt radikale „Alles-oder-Nichts“-Veränderungen. Geringfügig und moderat inkon-<br />
gruente Objekte werden in das Schema assimiliert und drastische Abweichungen führen zur<br />
sofortigen inhaltlichen Anpassung des Schemas. Das dritte Modell postuliert im Hinblick<br />
auf inkongruente Informationen strukturelle Änderungen in der Kategorienhierarchie. Im<br />
Subtyping Model werden zum Schema diskrepante Objekte in einer Subkategorie zusam-<br />
mengefasst. Das Schema selbst bleibt dadurch unverändert. In Abhängigkeit von den Rand-<br />
bedingungen werden unterschiedliche Modelle bestätigt (Hewstone, 1994). Werden die<br />
abweichenden Informationen konzentriert auf wenige Exemplare dargeboten, lässt sich das<br />
Subtyping Model bestätigen. Sind die Inkonsistenzen hingegen auf mehrere Exemplare ver-<br />
teilt, trifft das Bookkeeping Model zu (Crocker & Weber, 1983).<br />
Kunda und Oleson (1995) spezifizieren das Subtyping Model. Ihre Ergebnisse zeigen,<br />
dass Individuen eine Erklärungsgrundlage für die Bildung einer Subkategorie brauchen und<br />
damit die Aufrechterhaltung des <strong>St</strong>ereotyps rechtfertigen. Zur Rechtfertigung reicht eine<br />
eigentlich neutrale Information aus. Das <strong>St</strong>ereotyp „Anwälte sind extravertiert“ wird bei<br />
Konfrontation mit einem introvertierten Anwalt aufrechterhalten, wenn zusätzlich eine An-<br />
gabe zur Größe der Kanzlei gemacht wird. Dabei spielt die Ausprägung dieser Zusatzinfor-<br />
mation keine Rolle. Sowohl die Angabe große als auch die Angabe kleine Kanzlei führte<br />
zum Ausschluss des Exemplars aus der Kategorie und blockierte die Generalisierung auf<br />
das <strong>St</strong>ereotyp. Die Ergebnisse verdeutlichen die konstruktive Rolle des informationsverar-<br />
beitenden Individuums.<br />
5 <strong>St</strong>ereotype werden in der sozialpsychologischen Literatur als kognitive <strong>St</strong>rukturen definiert, die Wissen, Meinungen<br />
und Erwartungen über eine soziale Gruppe zusammenfassen (Ashmore & Del Boca, 1981; Hamilton & Sherman, 1994).<br />
<strong>St</strong>ereotype sind soziale Schemata, die Informations-verarbeitung, Bewertungen und Verhalten lenken können.
22<br />
B. Theoretische Grundlagen<br />
Die Aufrechterhaltung eines Schemas bei inkonsistenten Informationen bedarf kogniti-<br />
ver Ressourcen zum Finden einer Erklärungsgrundlage für eine Subkategorie (Yzerbyt,<br />
Coull, & Rocher, 1999). Sind diese kognitiven Ressourcen nicht vorhanden, unterbleibt das<br />
Subtyping und das <strong>St</strong>ereotyp wird verändert. Die Autoren zeigen, dass die Wahrnehmung<br />
der stereotypen Gruppe durch die wahrgenommene Atypikalität des Exemplars mediiert<br />
wird (vgl. auch Kunda & Oleson, 1997). Diese Befunde sind konform mit dem Continuum<br />
Model von Fiske und Neuberg (1990), das höhere kognitive Anstrengung bei individuieren-<br />
den als bei kategorialen Prozessen vorhersagt.<br />
Die dargestellten <strong>St</strong>udien verdeutlichen, dass die Wissensrepräsentation eines neuen<br />
inkonsistenten Exemplars nicht unabhängig von einem Vergleichsstandard der bisherigen<br />
Wissensstruktur gebildet wird. Die Wahrnehmungen beider Entitäten bedingen sich in Ab-<br />
hängigkeit vom Kategorisierungsprozess gegenseitig. Schwarz und Bless (1992; 2007) stel-<br />
len mit dem Inklusions-Exklusionsmodell einen Ansatz vor, der diese Interdependenzen<br />
explizit berücksichtigt und untersucht. Das Modell fand seine Ursprünge in der sozialen<br />
Urteilsbildung. Bless, Schwarz, Bodenhausen und Thiel (2001) untersuchten beispielsweise<br />
die Wahrnehmung von Politikern in Abhängigkeit ihrer Parteizugehörigkeit. Wänke, Bless<br />
und Wortberg (2003) führten eine <strong>St</strong>udie zum Einfluss beruflich erfolgreicher Frauen auf<br />
die Beurteilung von Frauen im Allgemeinen durch. Der Ansatz wurde jedoch auch auf die<br />
Prozesse des Markenmanagements übertragen (Wänke, Bless, & Schwarz, 1998; Wänke,<br />
Bless, & Igou, 2001).<br />
Die Effekte sollen im Folgenden an einem fiktiven Beispiel von Markenerweiterung<br />
dargestellt werden. Expandiert ein Premiumautomobilhersteller in das Kleinwagensegment,<br />
werden die Imageeigenschaften des Kleinwagens langfristig betrachtet in das Markenimage<br />
integriert, das Premiumimage wird geschwächt. Andererseits profitiert der Kleinwagen vom<br />
Premiumimage der Gesamtmarke. Misslingt die Markenerweiterung und der Kleinwagen<br />
wird nicht in die bestehende Marke kategorisiert, wird das neue Produkt im Kontrast zur<br />
Marke gesehen und erscheint dadurch noch weniger Premiumeigenschaften zu besitzen. Die<br />
Gesamtmarke hingegen bleibt in diesem Fall unberührt (vgl. Bless, Greifeneder, & Wänke,<br />
2007). Das Beispiel verdeutlicht, dass die Effekte auf Exemplar und Kategorie nicht losge-<br />
löst voneinander betrachtet werden können. Da beide in einem Modell miteinander ver-<br />
knüpft sind, kommt es entweder zu einem positiven Imagetransfereffekt für den Klein-<br />
wagen, zu Lasten der Marke oder aber der Kleinwagen profitiert nicht von der Marke und<br />
diese bleibt unbeschädigt. Eine Grundannahme des Modells ist, dass ein und dieselbe<br />
Information je nach Kategorisierung sowohl in einem Assimilations- als auch in einem<br />
Kontrasteffekt resultieren kann. Nicht die Beschaffenheit der <strong>St</strong>imuli, sondern vielmehr ihre
B. Theoretische Grundlagen 23<br />
Kategorisierung ist entscheidend. Diese Annahme ist insbesondere im Hinblick auf Marke-<br />
tingmaßnahmen relevant, da die Kategorisierung nicht allein von der Produktsubstanz ab-<br />
hängt, sondern auch durch ihre Darstellung beeinflusst werden kann (vgl. Wänke, 1998).<br />
2.2.2 Schemadiskrepante Produkte<br />
Neben der Bildung von Produktklassen und der Zuordnung bekannter Produkte zu diesen<br />
Klassen wird im Marketing die Frage verfolgt, wie Konsumenten neue Produkte, die nicht<br />
eindeutig einer Kategorie zuzuordnen sind, klassifizieren. Die Anwendung der Assimila-<br />
tions- und Akkomodationshypothese besagt, dass neue Produkte, die eine moderate Diskre-<br />
panz zur bekannten Kategorie aufweisen, in diese assimiliert werden. Gedächtnisinhalte, die<br />
mit der Kategorie zusammenhängen, werden auf das neue Produkt übertragen. Das Produkt<br />
wird bei der weiteren Informationsverarbeitung als Element dieser Produktkategorie behan-<br />
delt. Bei stark diskrepanten Produkten kommt es zu einer Anpassung der bestehenden Pro-<br />
duktkategorie oder der Generierung einer Subkategorie für das neue Produkt.<br />
Sujan und Bettman (1989) untersuchen am Beispiel von Spiegelreflexkameras, wie<br />
sich die Diskrepanz eines neuen Produktes zu einer bekannten Produktkategorie auf die<br />
wahrgenommene Positionierung des Produktes auswirkt. Die Ergebnisse stützen die Assi-<br />
milations- und Subtyping-Hypothese. Die Autoren manipulieren das zentrale Attribut<br />
„Robustheit“ der Kamera. In der kongruenten Bedingung wird die Kamera beschrieben als<br />
„nutzbar bei Nieselregen“, „hat eine Kameratasche zum Schutz“ und „hat einen Schutz für<br />
die Linse“. In der moderat diskrepanten Bedingung wird sie mit den Attributen „kann im<br />
Regen genutzt werden“, „robuste Konstruktion“ und „kratzfeste Linse“ beschrieben. In der<br />
extrem diskrepanten Bedingung werden ihr die Attribute „kann im Wasser genutzt werden“,<br />
„bruchsichere Konstruktion“ und „bruchsichere Linse“ zugeschrieben. Weist die Kamera<br />
keine oder nur moderate Diskrepanz zur Kategorie auf, wird sie in das bestehende Schema<br />
von Spiegelreflexkameras assimiliert. Werden hingegen stärkere Unterschiede wahrge-<br />
nommen, bilden Probanden eine neue Kamera-Subkategorie für das Produkt. Im Hinblick<br />
auf die Bewertung der Marken und die Wichtigkeit als Entscheidungskriterium sind stark<br />
diskrepante Attribute von größerer Bedeutung als nur moderat Schema inkonsistente Attri-<br />
bute. Die wahrgenommene Diskrepanz neuer Produkte zu bekannten Kategorien beeinflusst<br />
folglich nicht nur die mentale Kategorienstruktur, sondern auch darauf basierende Produkt-<br />
evaluationen.<br />
Meyers-Levy und Tybout (1989) untersuchen in einer Reihe von Experimenten den<br />
Einfluss von Inkongruenz eines neuen Produktes zu einem Produktschema auf die Art der<br />
Informationsverarbeitung und Produktevaluation. Basierend auf den theoretischen Arbeiten<br />
von Mandler (1982) postulieren sie einen nicht monotonen Zusammenhang zwischen Inkon-
24<br />
B. Theoretische Grundlagen<br />
gruenz und Produktbewertung: moderat diskrepante Produkte lösen Verarbeitungsprozesse<br />
aus, die verglichen mit kongruenten und stark diskrepanten Produkten in positiveren<br />
Bewertungen resultieren. Mandler (1982) stellt die These auf, dass durch Diskrepanz<br />
bedingter erhöhter Arousal und kognitive Anstrengung zu extremeren Bewertungen führen.<br />
Die empirischen Ergebnisse der <strong>St</strong>udien am Beispiel von Getränkekategorien stützen diese<br />
Thesen.<br />
Schemainkongruenz wird in der <strong>St</strong>udie durch die Leichtigkeit, mit der diese bei gege-<br />
bener kognitiver <strong>St</strong>ruktur aufgelöst werden kann, operationalisiert (vgl. Mandler, 1982).<br />
Meyers-Levy und Tybout (1989) gehen basierend auf Überlegungen von Rosch (1978) und<br />
<strong>St</strong>udien von Sujan und Dekleva (1987) davon aus, dass Inkongruenz bei einer hierarchi-<br />
schen Kategorienstruktur von Produktklassen, Produkttypen und Marken durch eine Zuord-<br />
nung zum nächst untergeordneten Level aufgelöst werden kann. Die Autoren untersuchen<br />
eine Hierarchie, bei der „Getränke“ die übergeordnete Kategorie und „Limonade“ bzw.<br />
„Fruchtsaft“ die Basiskategorien darstellen. Die Subkategorien werden durch eine Spezifi-<br />
zierung der Basiskategorie wie z.B. „natürliche Limonade“ oder „Saft mit Konservierungs-<br />
stoffen“ definiert. Im Untersuchungsdesign wird entweder die übergeordnete Kategorie<br />
„Getränke“ oder die Basiskategorie „Limonade“ aktiviert. Dem folgt eine Produktbeschrei-<br />
bung anhand von sechs Eigenschaften, von denen die ersten fünf auf „Limonade“ und<br />
„Getränke“, nicht aber auf „Fruchtsaft“ zutreffen. Die sechste Eigenschaft variiert die Kon-<br />
gruenz zum Limonade-Schema: „enthält Konservierungsstoffe“ stellt gepaart mit „Limo-<br />
nade“ die kongruente Bedingung dar; „natürliche Limonade“ und „Getränk mit Konservie-<br />
rungsstoffen“ weisen moderate Inkongruenz auf. Die hohe Inkongruenz eines „natürlichen<br />
Getränks“ (mit fünf Limonadeneigenschaften) kann nicht durch ein Schema auf dem Niveau<br />
der Basiskategorie erklärt werden. Produkte in den experimentellen Bedingungen, die<br />
moderate Inkongruenz erzeugen, werden positiver bewertet als in der kongruenten und stark<br />
inkongruenten Bedingung, da im Verarbeitungsprozess Arousal entsteht, der aber aufgrund<br />
der relativ leichten Aufhebung der Inkongruenz schnell aufgelöst wird.<br />
Auf den ersten Blick erscheinen die Ergebnisse von Sujan und Bettman (1989) und<br />
Meyers-Levy und Tybout (1989) hinsichtlich der Bildung von Subkategorien widersprüch-<br />
lich. Sujan und Bettmans Probanden bilden Subkategorien bei starker Diskrepanz einer Pro-<br />
dukteigenschaft von der <strong>St</strong>andardkategorie. Hier ist allein die Ausprägung der Eigenschaft<br />
untypisch für die Kategorie, die Produkteigenschaft selbst ist jedoch nicht inkongruent mit<br />
der Kategorie. Meyers-Levy und Tybout operationalisieren Inkongruenz hingegen durch<br />
eine Produkteigenschaft, die mit der Kategorie nicht vereinbar ist. Die divergierenden<br />
Ergebnisse sind unter Umständen auf diese methodischen Unterschiede zurückzuführen.
B. Theoretische Grundlagen 25<br />
Darüber hinaus erfassen Meyers-Levy und Tybout die Bildung von Subkategorien nicht<br />
direkt, sondern unterstellen allein aufgrund ihrer Theorie Rückschlüsse von der Bewertung<br />
auf zugrunde liegende Verarbeitungsprozesse.<br />
2.3 Kategorisierung unter Unsicherheit<br />
2.3.1 Kategorisierung mehrdeutiger <strong>St</strong>imuli<br />
In den letzten Jahren hat sich die psychologische Grundlagenforschung damit beschäftigt,<br />
wie sich unterschiedliche Klassifikationsmöglichkeiten von Items auf die Bildung von Infe-<br />
renzen auswirken. Es lassen sich zwei unterschiedliche theoretische <strong>St</strong>römungen identifizie-<br />
ren. Anderson (1991) benennt im Rational Model of Cognition die Bildung von Inferenzen<br />
als Hauptfunktion der Kategorisierung. Er geht in seinem rationalen Ansatz davon aus, dass<br />
Personen bei der Klassifikation von Items alle zur Auswahl stehenden Kategorien in ihre<br />
Entscheidung einbeziehen. Diesen Überlegungen liegt der Satz von Bayes zugrunde. Die<br />
Wahrscheinlichkeit, dass eine Inferenz j gebildet wird, ist die Summe über alle Kategorien<br />
aus dem Produkt der Auftretenswahrscheinlichkeit einer Kategorie k und der Wahrschein-<br />
lichkeit, dass Inferenz j bei Kategorie k auftritt.<br />
Die zweite <strong>St</strong>römung geht von einem heuristischen Ansatz bei der Entscheidungs-<br />
findung aus, der entsprechend der theoretischen Grundannahmen (vgl. Kapitel A2.2) hier<br />
verfolgt werden soll. Seine Vertreter postulieren, dass Entscheidungen nicht nach wohl<br />
überlegten rationalen Gesichtspunkten getroffen werden, sondern subjektiven Wahrschein-<br />
lichkeitsinterpretationen unterliegen (vgl. Tversky & Kahneman, 1974). Kategorisierungs-<br />
entscheidungen sind beispielsweise über-proportional stark durch die wahrscheinlichste<br />
Kategorie bestimmt. Ross und Murphy (1994) kommen in einer Reihe von Experimenten zu<br />
dem Ergebnis, dass Klassifikationsentscheidungen nicht davon beeinflusst werden, wie<br />
viele Kategorien zur Auswahl stehen. Sie präsentieren Probanden geometrische Formen in<br />
unterschiedlichen Farben, schematische Gesichter und Linien in unterschiedlichen Orientie-<br />
rungen. Probanden berücksichtigen im Regelfall allein die wahrscheinlichste Kategorie bei<br />
der Bildung von Inferenzen, es sei denn die zur Auswahl stehenden Kategorien sind glei-<br />
chermaßen wahrscheinlich.<br />
Malt, Ross und Murphy (1995) produzieren ähnliche Ergebnisse in einem natu-<br />
ralistischeren Versuchsaufbau. Die Autoren präsentieren Probanden kurze Geschichten über<br />
Personen in bestimmten Situationen, in denen je zwei Kategorien von Personen aktiviert<br />
werden. Von jeder Geschichte gibt es zwei Versionen, die sich durch die weniger wahr-<br />
scheinliche Kategorie unterscheiden (Bsp.: wahrscheinlichste Kategorie: Immobilienmakler;<br />
alternative Kategorie: Angestellter der Kabelfernsehen-Firma vs. Einbrecher). Nach der
26<br />
B. Theoretische Grundlagen<br />
Lektüre werden die Probanden gebeten, die Wahrscheinlichkeit bestimmter Ereignisse ein-<br />
zuschätzen, die mit den aktivierten Kategorien in Zusammenhang stehen. Die Autoren<br />
kommen zu dem Schluss, dass Inferenzen auf der Klassifikation eines Objektes in die wahr-<br />
scheinlichste Kategorie beruhen und alternative Kategorien nicht als Basis für Inferenzen<br />
herangezogen werden. Dieses Ergebnis stützt jene von Murphy und Ross (1994). Dass<br />
Inferenzen nicht auf multiplen Kategorien beruhen, liegt nicht an mangelnder Aufmerksam-<br />
keit oder mangelndem Erinnerungsvermögen für beide Kategorien. Malt et al. (1995) zei-<br />
gen, dass beide Kategorien im Langzeitgedächtnis gespeichert sind, alternative Kategorien<br />
bei der Beurteilung jedoch nicht im Arbeitsgedächtnis aktiviert werden.<br />
Anknüpfend an Experiment 7 von Murphy und Ross (1994), das bei gleichermaßen<br />
wahrscheinlichen Kategorien den Gebrauch multipler Kategorien andeutet, analysieren Ross<br />
und Murphy (1996) die Umstände der Inferenzbildung basierend auf mehreren Kategorien.<br />
Sie bauen dabei auf dem experimentellen Design von Malt et al. (1995) auf. In einem ersten<br />
Experiment wird die Unsicherheit der Kategorisierung als Einflussfaktor getestet. Jedoch<br />
selbst in Situationen, in denen die uneindeutige Kategorisierungsgrundlage explizit begrün-<br />
det wurde, werden alternative Kategorien nicht zur Bildung von Inferenzen herangezogen.<br />
In drei weiteren Experimenten untersuchen die Autoren die Relation der alternativen<br />
Kategorie zur Testfrage als Einflussfaktor. Es zeigt sich, dass ein expliziter Hinweis auf die<br />
alternative Kategorie in der Frage Inferenzen auf Basis beider Kategorien bewirken kann, da<br />
so die Verfügbarkeit im Arbeitsgedächtnis steigt. 6 Dieser Effekt ist jedoch kurzlebig, er hat<br />
keine Auswirkung auf die Beantwortung nachfolgender Fragen. Mit Hilfe dieser Ausfüh-<br />
rungen zum Verarbeitungsprozess lässt sich nicht erklären, warum die Assoziierung der<br />
Frage mit der alternativen Kategorie keinen Einfluss hat, wenn die Frage ebenfalls auf die<br />
gewählte Kategorie hinweist (Experiment 4). Ross und Murphy (1996) gehen davon aus,<br />
dass das Individuum bei seiner Vorhersage im Sinne des informationsökonomischen Ansat-<br />
zes Genauigkeit und Anstrengung abwägen muss. Eine Vorhersage basierend auf der wahr-<br />
scheinlichsten Kategorie reduziert die Anstrengung, Einbeziehen der alternativen Kategorie<br />
erhöht die Genauigkeit der Inferenzbildung. Wird in der Frage jedoch auf beide Kategorien<br />
hingewiesen, wird dies als Hinweis auf die Validität der wahrscheinlicheren Kategorie<br />
gesehen.<br />
6 Dieses Ergebnis wird durch <strong>St</strong>udien in der Personenwahrnehmung gestützt. Higgins, Rholes und Jones (1977) zeigen,<br />
dass Personen, die anhand ambivalenter Eigenschaften beschrieben werden, aufgrund von mental verfügbaren<br />
Persönlichkeitseigenschaften kategorisiert werden.
B. Theoretische Grundlagen 27<br />
Dem Argument der Verfügbarkeit von Informationen im Arbeitsgedächtnis sind<br />
Murphy und Ross (1999) nachgegangen. Ihre Ergebnisse erhärten die Argumentation, dass<br />
Individuen unter bestimmten Bedingungen, in denen ihre Aufmerksamkeit explizit auf beide<br />
Kategorien gelenkt wird und so im Arbeitsgedächtnis aktiviert sind, multiple Kategorien als<br />
Basis ihrer Inferenzen nutzen. Diese Ergebnisse bieten den bislang umfassendsten Beweis<br />
für Inferenzen basierend auf multiplen Kategorien (vgl. Gregan-Paxton et al., 2005). Auch<br />
für ihre These zur Abwägung zwischen Genauigkeit und Anstrengung bei der Bildung von<br />
Inferenzen finden die Autoren weitergehende Belege (Verde, Murphy, & Ross, 2005). Sie<br />
überprüfen, inwieweit die Aufgabenstellung Einfluss auf die Inferenzbildung nimmt. Ein-<br />
fache binäre Entscheidungen erfordern weniger Anstrengung und lassen Inferenzen basie-<br />
rend auf multiplen Kategorien zu, während kognitiv schwierigere Wahrscheinlichkeits-<br />
schätzungen in Inferenzbildung basierend auf nur einer Kategorie resultieren.<br />
Zusammenfassend lässt sich festhalten, dass zur Vorhersage von Eigenschaften in der<br />
Regel nur eine Kategorie dient. Nur wenn beide Kategorien salient sind und die Möglichkeit<br />
und Motivation zu genauen Urteilen gegeben sind, greifen Individuen auf multiple Katego-<br />
rien für Vorhersagen zurück. Der Einfluss der kognitiven und motivationalen Variablen ist<br />
insbesondere im Hinblick auf Marketingmaßnahmen relevant, da hier die Möglichkeit<br />
besteht, losgelöst von der Produktsubstanz Einfluss auf die Darstellung eines Produktes zu<br />
nehmen.<br />
2.3.2 Hybride Produkte<br />
Die bislang dargestellten <strong>St</strong>udien zur kognitiven Repräsentation von Produktkategorien<br />
betrachten neu eingeführte Produkte nur im Vergleich zu einer bekannten Produktkategorie<br />
(vgl. Abschnitt 2.2.2). Diese Vorgehensweise wird auch in Ansätzen der Ähnlichkeits-<br />
messung verfolgt (Tversky, 1977; Gentner & Markman, 1994). Viele neue Produkte basie-<br />
ren jedoch auf zwei oder mehr bekannten Produktkategorien. So vereinen Digitalkameras<br />
beispielsweise Elemente herkömmlicher Fotoapparate und der Computertechnologie,<br />
BlackBerries stellen eine Kombination aus Mobiltelefon und PDA dar und Crossover-Fahr-<br />
zeuge wie die CLS-Klasse vereinen Eigenschaften mehrerer Fahrzeugkonzepte. Die Litera-<br />
tur spricht von „hybriden“ Produkten.<br />
Unsicherheit bei der Produktkategorisierung tritt auf, wenn „information about a new<br />
product makes it difficult or impossible to place the novel offering in a single, existing<br />
category” (Gregan-Paxton et al., 2005, S. 127). Die zum Teil widersprüchlichen Informa-<br />
tionen geben die Möglichkeit zu unterschiedlichen Interpretationen der Produkteigenschaf-<br />
ten (Hoch & Ha, 1986; Hoch & Deighton, 1989). In experimentellen <strong>St</strong>udien konnten die<br />
Autoren zeigen, dass Werbung ihre Wirkung auf die wahrgenommene Produktqualität eher
28<br />
B. Theoretische Grundlagen<br />
bei mehrdeutigen Produkten entfaltet. Ist die Produktbeschreibung eindeutig, ändert sich die<br />
Einstellung gegenüber dem Produkt nicht. Ist das Produkt jedoch mehrdeutig, kann Wer-<br />
bung eher eine Einstellungsänderung produzieren (Hoch & Ha, 1986; Ha & Hoch, 1989).<br />
Die Evaluation nicht eindeutiger Produkte kann folglich durch Marketingvariablen beein-<br />
flusst werden.<br />
In dieser Dekade wurden einige <strong>St</strong>udien veröffentlicht, die die Kategorisierung und<br />
Evaluation von hybriden Produkten zum Thema haben. Moreau, Markman und Lehmann<br />
(2001) untersuchen, wie Konsumenten Informationen von multiplen Kategorien nutzen, um<br />
Erwartungen über und Präferenzen für ein neues hybrides Produkt zu bilden. Dazu manipu-<br />
lieren sie die Reihenfolge von zwei Werbeanzeigen, die jeweils eine „Herkunftskategorie“<br />
des Produktes thematisieren, und den Zeitpunkt der Kategorisierungsaufgabe. Ihre Ergeb-<br />
nisse zeigen, dass dem zuerst genannten plausiblen Kategorienlabel eine besondere Rolle<br />
zukommt. Es entscheidet nicht nur die Kategorisierung, sondern beeinflusst auch darauf<br />
aufbauende Produkterwartungen und Präferenzen. Dieser Primacy Effekt kann aufgehoben<br />
werden, wenn die Kategorisierungsaufgabe nach Ansicht beider Anzeigen durchgeführt und<br />
in den Anzeigen explizit auf die Funktionalität beider Kategorien hingewiesen wird. Diese<br />
Ergebnisse stützen die Befunde aus der Grundlagenforschung, der zufolge alle Kategorien-<br />
informationen verfügbar sein müssen, um die Kategorisierung zu beeinflussen.<br />
Gregan-Paxton et al. (2005) erweitern diesen ersten Untersuchungsansatz, indem sie<br />
zwischen der Vertrautheit der Konsumenten mit bildlichen und konzeptuell-beschreibenden<br />
<strong>St</strong>imuli differenzieren und die Bekanntheit der Kategorien variieren. Sie gehen davon aus,<br />
dass die Probanden mit der Kategorie „Mobiltelefon“ stärker vertraut sind als mit „PDAs“.<br />
Die Autoren untersuchen, ob BlackBerries und ihre Funktionalität in Abhängigkeit der<br />
<strong>St</strong>imulusart eher in die Kategorien „Mobiltelefon“ und/oder „PDA“ klassifiziert werden.<br />
Zur Überprüfung ihrer Hypothesen bilden sie vier experimentelle Bedingungen, die jeweils<br />
aus einem konzeptuellen (Kategorienlabel) und einem bildlichen <strong>St</strong>imulus (Foto) bestehen.<br />
Die Ergebnisse zeigen, dass das weniger bekannte Kategorienlabel „PDA“ in Kombination<br />
mit dem Foto eines Mobiltelefons keinen Einfluss auf die Kategorisierung des Produkts hat.<br />
In dieser Bedingung werden dem Produkt genauso viele Eigenschaften eines PDAs zuge-<br />
schrieben wie in der Kontrollbedingung, in der nur die Kategorie „Mobiltelefon“ genannt<br />
und gezeigt wird. Probanden bilden Inferenzen in diesem Fall allein auf Basis des vertrauten<br />
bildlichen <strong>St</strong>imulus. Wird in der Anzeige hingegen ein Bild der weniger bekannten Katego-<br />
rie „PDA“ mit dem Kategorienlabel „Mobiltelefon“ gepaart, werden dem Produkt ebenso<br />
viele Funktionen eines PDA, aber mehr Funktionen eines Mobiltelefons zugeschrieben als<br />
in einer Anzeige, die nur PDAs thematisiert. Ist der Konsument mit dem bildlichen <strong>St</strong>imulus
B. Theoretische Grundlagen 29<br />
weniger vertraut als mit dem konzeptuellen <strong>St</strong>imulus, basieren seine Inferenzen auf beiden<br />
Kategorien. Das Kategorienlabel wirkt nur zusätzlich zum Bild, wenn es durch Bekanntheit<br />
Vertrauen schafft.<br />
Aufbauend auf den Arbeiten von Moreau und Kollegen (2001) untersucht auch<br />
Rajagopal (2004; Rajagopal & Burnkrant, 2005) die Kategorisierung und Bewertung hybri-<br />
der Produkte. Die Autorin geht insbesondere der Frage nach, unter welchen Umständen<br />
Produkterwartungen und Bewertungen hybrider Produkte auf einer oder mehreren zugrunde<br />
liegenden Kategorien beruhen. In Pretests hat sich ergeben, dass ein hybrides Produkt mit<br />
Elementen eines PDA und einer Digitalkamera die Anforderung an ambivalente Kategori-<br />
sierung erfüllt. Die Ergebnisse zeigen, dass das Kategorienlabel unabhängig von weiteren<br />
Produktbeschreibungen die Kategorisierung und die Zuschreibung von Produkteigen-<br />
schaften maßgeblich bestimmt. Den <strong>St</strong>udien liegt die Annahme zugrunde, dass die Bewer-<br />
tung eines neuen Produktes auf den ihm zugeschriebenen Eigenschaften einer Kategorie<br />
beruht. Wird ein Produkt sowohl anhand eines Labels als auch damit konsistenten und<br />
inkonsistenten Attributen beschrieben, sind allein die mit dem Kategorienlabel überein-<br />
stimmenden Attribute ausschlaggebend für die Produktbewertung. Rückschlüsse auf das<br />
Produkt beruhen folglich nur auf einer Kategorie, die Attribute der nicht benannten zweiten<br />
Kategorie werden bei der Bewertung nicht berücksichtigt. Rajagopal (2004) erklärt diesen<br />
Effekt durch die selektive Aufmerksamkeit gegenüber Informationen und deren Abrufbar-<br />
keit: inkonsistenten Attributen wird bei der Enkodierung weniger Aufmerksamkeit<br />
geschenkt und sie werden seltener abgerufen. 7 Die Bildung von Inferenzen allein auf Basis<br />
der konsistenten Eigenschaften kann durch Priming einer Verarbeitungsstrategie, bei der die<br />
einzelnen Eigenschaften eines Produktes fokussiert werden (property interpretation<br />
strategy), aufgehoben werden. Rückschlüsse auf die Funktionalität des Produktes basieren<br />
in diesem Fall auf den Attributen beider Produktkategorien. Wird hingegen eine holistische<br />
Verarbeitungsstrategie (relational interpretation strategy) geprimt, sind allein die mit dem<br />
Kategorienlabel konsistenten Attribute ausschlaggebend. Entsprechend den Ergebnissen der<br />
ersten beiden <strong>St</strong>udien, stellte Rajagopal (2004) die These auf, dass sich der Priming-Effekt<br />
der Verarbeitungsstrategie auch auf die Bewertungsgrundlage der Produkte überträgt. Die-<br />
ser Effekt konnte überraschenderweise nicht nachgewiesen werden, vielmehr sind allein<br />
inkonsistente Attribute die einzigen signifikanten Prädiktoren der Bewertung. Möglicher-<br />
weise wird das Produkt von den Probanden als Subkategorie wahrgenommen. Wie bereits<br />
7 Diese Interpretation widerspricht der von Hastie (1981). Hastie geht von einem Enkodierungsvorteil bei inkonsistenten<br />
Information aus (vgl. Kapitel B1.4).
30<br />
B. Theoretische Grundlagen<br />
dargestellt, wird die Bewertung von Unterkategorien durch zur Oberkategorie diskrepante<br />
Eigenschaften bestimmt (Sujan & Bettman, 1989).<br />
Die dargestellten <strong>St</strong>udien untersuchen neue hybride Produkte vor dem Hintergrund<br />
bekannter Kategorien. Sie befassen sich jedoch nicht explizit mit der Bildung neuer Katego-<br />
rien oder Subkategorien. In allen drei <strong>St</strong>udien wird der Einfluss unterschiedlicher <strong>St</strong>imulus-<br />
arten auf die Kategorisierung der hybriden Produkte untersucht. Moreau, Markman et al.<br />
(2001) fokussieren sich allein auf Kategorienlabel, während Gregan-Paxton und Kollegen<br />
(2005) Kategorienlabel mit Bildmaterial vergleichen und Rajagopal (2004) Interaktions-<br />
effekte von Label und Produktbeschreibungen untersucht. Rajagopals (2004) Ergebnisse<br />
weisen auf die dominante Rolle von Kategorienlabels im Bereich des Konsumentenverhal-<br />
tens hin und stützen damit die Grundlagenstudien von Yamauchi und Markman (2000). Im<br />
Vergleich zu Bildmaterial spielen Label jedoch nur eine ergänzende Rolle bei der Kategori-<br />
sierung (Gregan-Paxton et al., 2005). Während Gregan-Paxton et al. (2005) sich allein auf<br />
die Kategorisierung des hybriden Produktes und den damit einhergehenden Produkterwar-<br />
tungen konzentrieren, untersuchen Moreau und Kollegen (2001) sowie Rajagopal (2004)<br />
darüber hinausgehend Produktevaluationen und Präferenzen. Ob Produkterwartungen und<br />
Präferenzen bezüglich eines hybriden Produktes auf ein oder zwei zugrunde liegenden Ka-<br />
tegorien beruhen, kann durch Informationsverarbeitungsprozesse erklärt werden. Beide<br />
Autoren zeigen, dass Produkterwartungen eher auf Basis multipler Kategorien gebildet wer-<br />
den, wenn während der Informationsaufnahme einzelne Produkteigenschaften im Arbeits-<br />
gedächtnis verfügbar sind und fokussiert verarbeitet werden können.<br />
3 Personenspezifische Determinanten der Kategorienbildung<br />
Wie bereits in Kapitel 2 dargelegt, sind Veränderungen in der Kategorienstruktur nicht nur<br />
vom <strong>St</strong>imulusmaterial, sondern auch von personenspezifischen Eigenschaften abhängig. Die<br />
Verhaltenswissenschaften legen dar, dass Verhalten sowohl von kognitiven als auch von<br />
motivationalen Faktoren beeinflusst werden kann. Als wichtigster kognitiver Faktor soll<br />
hier das vorhandene Produktwissen und als motivationaler Faktor das Produktinvolvement<br />
beleuchtet werden.<br />
3.1 Produktwissen<br />
Neben anderen personenspezifischen Variablen entscheidet das vorhandene Produktwissen<br />
eines Nachfragers darüber, wie Informationen über neue Produkte in seine Wissensstruktur<br />
integriert werden (Bettman & Park, 1980). Produktwissen kann sich auf unterschiedliche<br />
Abstraktionsebenen von Gütern beziehen: Produktkategorien und -typen, Marken und
B. Theoretische Grundlagen 31<br />
Modelle (vgl. Sujan & Dekleva, 1987). Im Rahmen dieser Arbeit soll das Wissen über eine<br />
Produktkategorie als Produktwissen verstanden werden. In der gängigen Literatur wird<br />
dieses Phänomen häufig auch unter den Begriffen Familiarity bzw. Produktvertrautheit und<br />
Expertise diskutiert (vgl. E. J. Johnson & Russo, 1984). Für das vorliegende Forschungsvor-<br />
haben sind definitorische Abgrenzungen der Begrifflichkeiten nicht von Relevanz, die<br />
Begriffe werden im Folgenden synonym verwendet. 8<br />
In der Psychologie wird zwischen deklarativem und prozeduralem Wissen unterschie-<br />
den (Anderson, 1996). Das deklarative Wissen bezieht sich auf Fakten, die sprachlich dekla-<br />
riert werden können. Es wird nochmals unterschieden zwischen semantischem und episo-<br />
dischem Wissen. Dabei zählen zum semantischen Wissen beispielsweise Produkte, ihre<br />
Eigenschaften und deren Beziehungen untereinander. Das episodische Wissen umfasst (per-<br />
sönlich) erlebte Erfahrungen und Erkenntnisse mit einem Produkt. Prozedurales Wissen<br />
bezieht sich auf Handlungsabläufe, die automatisch, d.h. unbewusst ablaufen können. So<br />
wird ein Autofahrer z.B. beim Umspringen der Ampel von grün auf rot automatisch brem-<br />
sen, ohne bewusst sein entsprechendes Wissen zu aktivieren (vgl. Trommsdorff, 2004; Kuß<br />
& Tomczak, 2000). Letztgenanntes Wissen ist im Marketingzusammenhang weniger rele-<br />
vant. Im Folgenden sollen <strong>St</strong>rukturierungsansätze von deklarativem Produktwissen näher<br />
beleuchtet werden.<br />
Richins und Bloch (1983) unterscheiden Produktwissen strukturell nach den Dimensio-<br />
nen Differenzierung und Diskriminanz. Erstere beschreibt die Fähigkeit, Produkteigen-<br />
schaften voneinander zu unterscheiden. Letztere beschreibt die Anzahl der gedanklich fest-<br />
gehaltenen Ausprägungen eines Produktmerkmals. Diese Einteilung wurde von Olson und<br />
Kollegen (Kanwar, Olson, & Sims, 1981; Walker, Celsi, & Olson, 1987) um eine dritte<br />
Dimension erweitert. Der Abstraktionsgrad bezieht sich auf das Inklusionsniveau der<br />
salienten Konzepte einer hierarchischen Wissensstruktur. Abstrakte Wissensstrukturen<br />
organisieren konkretes Wissen.<br />
Einen anderen Ansatz zur <strong>St</strong>rukturierung von Wissen wählen Brucks und Mitchell<br />
(1981), deren Ansatz von Brucks (1986) erweitert wurde. Sie entwickelten eine Typologie<br />
des Produktwissens anhand von Gedächtnisinhalten. Dabei gehen sie zunächst auf termino-<br />
logisches Wissen ein, das die Kenntnis von der Bedeutung produktbezogener Begriffe,<br />
sowie das Wissen um konkrete Produkteigenschaften, deren subjektive Bewertung und die<br />
Interdependenzen zwischen Produkteigenschaften umfasst. Ferner fällt darunter Wissen<br />
über Markenfakten, d.h. das Wissen über die Vor- und Nachteile einzelner Marken einer<br />
8 Ein Überblick zur Abgrenzung der Konstrukte findet sich bei Bauer, Sauer und Köhler (2003).
32<br />
B. Theoretische Grundlagen<br />
Produktkategorie. Neben diesen semantischen Gedächtnisinhalten führen die Autoren wei-<br />
tere prozedurale Wissensdimensionen an: Wissen aus dem generellen und persönlichen Pro-<br />
duktgebrauch sowie über Kauf- und Entscheidungsvorgänge. Während der generelle Pro-<br />
duktgebrauch die Kenntnisse unterschiedlicher Gebrauchssituationen beschreibt, gibt der<br />
persönliche Produktgebrauch die Erinnerungen an persönliche Produktnutzung an.<br />
Eine weitere inhaltsbezogene Typologie wurde von Johnson und Russo (1981; Russo<br />
& Johnson, 1980) entwickelt. Sie basiert auf der Annahme, dass während Entscheidungs-<br />
prozessen aus externen Einzelinformationen durch kognitive Vergleiche zwischen Marken<br />
oder Produktattributen sukzessive Wissen höherer Ordnung abstrahiert wird. Ausgangs-<br />
punkt ist die inferential basis: dem Vergleichprozess liegen entweder Marken oder Produkt-<br />
attribute zugrunde. Die gedanklich aufeinander aufbauenden durchlaufenen inferential<br />
levels sind Vergleiche einzelner Informationen, ganzheitliche Bewertungen von Attribut-<br />
oder Markenwichtigkeit, Rangreihung der Attribute bzw. Marken und die Entscheidung für<br />
das beste Produkt. Diesem Ansatz zufolge variieren Konsumenten in ihrer Kenntnis dieser<br />
Ebenen und ihrer Wissensbasis.<br />
In Abhängigkeit ihres Wissensstandes lassen sich unkundige Nachfrager (Novizen)<br />
und Experten unterscheiden. Auf Basis der dargestellten strukturellen und inhaltlichen<br />
Wissenstypologien sollen Unterschiede in der Wissensstruktur und der Informationsver-<br />
arbeitung bei Experten und Novizen differenzierter betrachtet werden (vgl. Lürssen, 1989).<br />
Den strukturellen Ansätzen von Richins und Bloch (1983) sowie Olson und Kollegen<br />
(Kanwar et al., 1981; Walker et al., 1987) folgend zeigt sich, dass Experten über mehr<br />
Wissensdimensionen und über eine stärkere vertikale <strong>St</strong>rukturierung ihres Wissens verfü-<br />
gen. Während Novizen in erster Linie auf dem Abstraktionsniveau von Basiskategorien<br />
arbeiten (vgl. Abschnitt 1.1), ist Expertenwissen auch auf über- und untergeordneten<br />
Niveaus vorhanden (Alba & Hutchinson, 1987). Dies erleichtert die Kategorisierung einzel-<br />
ner Informationen (Gutman & Reynolds, 1979). Vergleiche erfordern häufig detailliertes<br />
Wissen, so dass ehemals nur schwerlich vergleichbare Produkte mit zunehmender Produkt-<br />
erfahrung vergleichbar werden. Neben Vorteilen bei der Identifikation objektiver Gemein-<br />
samkeiten sind Experten aufgrund ihres umfangreichen Wissens auch in der Lage, situativ<br />
bedingte Gemeinsamkeiten zwischen Produkten zu erkennen. So ist zu erwarten, dass sie<br />
auf der Suche nach einer gesunden Zwischenmahlzeit eher Obst und Müsliriegel gruppieren<br />
können als unkundige Konsumenten (Alba & Hutchinson, 1987). Konsumenten mit<br />
umfangreichen Kenntnissen können vielfältigere Ausprägungen einer Produkteigenschaft<br />
differenzieren (Walker et al., 1987) und haben ein besseres Verständnis der Zusammen-<br />
hänge zwischen Produkteigenschaften (Beattie, 1982). So sind Automobilexperten die
B. Theoretische Grundlagen 33<br />
Zusammenhänge zwischen Benzinverbrauch, Hubraum und Beschleunigung geläufig.<br />
Außerdem ist ihnen die Wirkung konkreter Produktattribute, wie z.B. Benzinverbrauch, auf<br />
abstrakte Charakteristika, wie Umweltfreundlichkeit, gegenwärtig. Ein weiteres Indiz für<br />
differenziertes Wissen von Experten ist die Fähigkeit, ungestützt mehr Marken (Hutchinson,<br />
1983) und untypische Produktexemplare zu nennen. Novizen hingegen sind oft nur die<br />
Prototypen einer Produktkategorie bekannt (Alba & Hutchinson, 1987; vgl. Mervis &<br />
Rosch, 1981). Diese Befunde können schematheoretisch erklärt werden (Beattie, 1982) (vgl.<br />
Abschnitt 1.4). Aufgrund ihrer Produkterfahrung konnten Experten differenzierte Wissens-<br />
strukturen ausbilden. Insbesondere bei komplexen Produktkategorien, wie Automobilen,<br />
hilft dieses Wissen, die Aufmerksamkeit der Nachfrager auf wichtige differenzierende Pro-<br />
dukteigenschaften zu lenken (E. J. Johnson & Russo, 1984).<br />
Neben Unterschieden in der Wissensstruktur unterscheiden sich Experten und Novizen<br />
auch in der produktbezogenen Informationsverarbeitung. Das Gedächtnis als Wissens-<br />
speicher übernimmt drei Funktionen in der Informationsverarbeitung: Informationsauf-<br />
nahme, -speicherung und –abruf (E. J. Johnson & Russo, 1978). Für den angestrebten<br />
Erkenntnisfortschritt dieser Arbeit ist die Informationsaufnahme von besonderem Interesse.<br />
Experten können neue Informationen leichter aufnehmen und verarbeiten (E. J. Johnson &<br />
Russo, 1984). Ihre bestehende und aktivierte Wissensstruktur erleichtert die Kategorisierung<br />
neuer Produkte (Herr, 1989; Alba & Hutchinson, 1987). Während Novizen sich v.a. von<br />
oberflächlichen Hinweisen leiten lassen, sind Experten in der Lage, Analogien zu anderen<br />
Produkten zu erkennen (Muthukrishnan & Weitz, 1991) und auch inkongruente Informa-<br />
tionen in die Informationsverarbeitung zu integrieren (Crocker et al., 1984; Beattie, 1982).<br />
Oberflächliche Hinweise sind beispielsweise Kategorienlabel. Sujan (1985) konnte in einer<br />
viel zitierten <strong>St</strong>udie zeigen, dass sich Novizen bei Produktevaluationen stärker durch die<br />
Produktbezeichnung leiten lassen und davon abweichende Produktinformationen diskontie-<br />
ren. Experten hingegen versuchen trotz der <strong>St</strong>imulusinkongruenz eine kognitive Einordnung<br />
zu finden und tendieren zur Bildung von Subkategorien. Novizen verlassen sich demnach<br />
stärker auf Kategorienwissen, während kundige Konsumenten ihre Bewertungen auf ein-<br />
zelnen Attributen basierend ableiten (vgl. Kapitel A2.2.2). Derartige Subkategorien erlau-<br />
ben es Experten an ihrer ursprüngliche Kategorienstruktur festzuhalten (vgl. Elliott &<br />
Anderson, 1995; Yzerbyt et al., 1999).<br />
3.2 Involvement<br />
Die Bezeichnung von Involvement als „Basiskonstrukt der Marketingtheorie“<br />
(Trommsdorff, 2004, S. 56) deutet auf den weit verbreiteten Einsatz des Konstrukts in der<br />
Erforschung des Konsumentenverhaltens hin. In der Marketingforschung wurde das Kon-
34<br />
B. Theoretische Grundlagen<br />
strukt erstmals von Krugman (1965) genutzt. Er beobachtete, dass Konsumenten trotz gerin-<br />
gen Involvements Werbeinformationen wieder erkennen, diese bei freier Wiedergabe jedoch<br />
nicht reproduzieren konnten und schloss daraus, dass – entgegen der vorherrschenden Mei-<br />
nung der Zeit – auch beiläufig wahrgenommene Informationen Kaufverhalten auslösen kön-<br />
nen. In der Folge wurden die differentiellen Effekte von hohem und niedrigem Involvement<br />
auf das Kaufverhalten untersucht.<br />
Im Hinblick auf den Kaufentscheidungsprozess kommt dem Produktinvolvement eines<br />
Konsumenten eine besondere Bedeutung zu. 9 Higie und Feick (1989) definieren Produkt-<br />
involvement als „individual difference variable representing an arousal potential of a<br />
product or activity that causes personal relevance“ (S. 690). Dieser motivationale Zustand<br />
äußert sich neben persönlicher Relevanz auch in der Wichtigkeit eines Produktes, Interesse<br />
gegenüber der Produktklasse und psychologischem Arousal (Celsi & Olson, 1988). Im<br />
Gegensatz zu gering involvierten Konsumenten weisen hoch produktinvolvierte Konsu-<br />
menten eine von situationsbedingten Einflüssen unabhängige enge Beziehung zu der betref-<br />
fenden Produktklasse auf. Bloch und Richins (1983) sehen den Ursprung hohen Produkt-<br />
involvements in der Beziehung eines Produktes zum Selbstbild eines Konsumenten und in<br />
der Freude am Produkt.<br />
Zahlreiche <strong>St</strong>udien zeigen Zusammenhänge zwischen Involvement und Variablen des<br />
Informationsverarbeitungsprozesses (Laurent & Kapferer, 1985; Higie & Feick, 1989;<br />
McQuarrie & Munson, 1992), Entscheidungsverhalten (Bauer, Sauer, & Becker, 2006; vgl.<br />
Sanbonmatsu & Fazio, 1990) sowie produktbezogenen Verhaltensweisen (Bloch, 1981;<br />
Zaichkowsky, 1985b) auf. Hohes Involvement impliziert objektgerichtete Informations-<br />
suche, -aufnahme, -verarbeitung und –spei-cherung. Gestützt werden diese Ergebnisse durch<br />
das Elaboration Likelihood Model von Petty und Cacioppo. Dies besagt, dass hoch invol-<br />
vierte Personen eine höhere Bereitschaft zeigen, neue Informationen zu verarbeiten. Bei<br />
hoher Motivation verarbeiten Konsumenten produktrelevante Informationen, während ihre<br />
Einstellung bei geringer Motivation stärker durch periphere Merkmale beeinflusst wird<br />
(Petty et al., 1983). Im Hinblick auf die Kategorisierung von Produkten gehen Cohen und<br />
Basu (1987) davon aus, dass hohes Involvement zu einem analytischen Kategorisierungs-<br />
prozess führt. Nur bei entsprechend hohem Involvement erfolgt die Consideration Set Bil-<br />
dung nicht mit dem Ziel, eine maximale oberflächliche Vergleichbarkeit der Alternativen zu<br />
gewährleisten. Motivation führt zu größerer Bereitschaft zu tiefer gehenden Verarbeitungs-<br />
9 Daneben finden sich in der Literatur noch weitere Formen wie Medien- oder Botschaftsinvolvement oder durch die<br />
Entscheidungssituation bedingtes Involvement (vgl. Trommsdorff, 2004; Bearden & Netemeyer, 1999).
B. Theoretische Grundlagen 35<br />
strategien und Berücksichtigung heterogener Alternativen (Chakravarti & Janiszewski,<br />
2003). Gleiches gilt für die Präferenzbildung; beim Vergleich von zwei Marken beziehen<br />
nur hoch involvierte Kunden Informationen auf nonalignable Dimensionen in ihr Präferenz-<br />
urteil mit ein. Gering involvierte Kunden beschränken ihre Beurteilung auf alignable<br />
Dimensionen (Zhang & Markman, 2001). 10<br />
Effekte auf die Informationsverarbeitung in Abhängigkeit von Schemadiskrepanz wer-<br />
den durch Expertise verstärkt (Sujan, 1985). Bei konsistenten Produkten dominiert eine<br />
kategorienbasierte Verarbeitungsstrategie, bei Schema diskrepanten Produkten eine attri-<br />
butweise Bewertung. Dieser Moderatoreffekt von Produktwissen kann alternativ nicht durch<br />
Involvement erklärt werden. Die Involvement-Hypothese würde besagen, dass Experten mit<br />
größerem Produktwissen und Involvement unabhängig von der Diskrepanzbedingung tiefer<br />
verarbeiten würden als Novizen. Die Interpretation mehrdeutiger Produkte hingegen hängt<br />
sowohl von ihrer Kategorie als auch der Motivation zur Verarbeitung ab. Nach Priming<br />
einer property interpretation strategy basieren Rückschlüsse auf die Funktionalität eines<br />
Produktes auf den Attributen beider Produktkategorien, während bei holistischen <strong>St</strong>rategien<br />
und damit geringerer Motivation zur Beachtung von Details nur Inferenzen basierend auf<br />
einer Produktkategorie gebildet werden (Rajagopal & Burnkrant, 2005).<br />
Sowohl Produktwissen als auch Involvement beeinflussen Aufmerksamkeits- und<br />
Informationsverarbeitungsprozesse. Erste Ergebnisse zur positiven Korrelation dieser bei-<br />
den Konstrukte untereinander finden sich bei Sujan (1985). Die Autorin beobachtet jedoch<br />
auch einen unabhängigen Einfluss von Expertise auf den Evaluationsprozess und schließt<br />
daraus, dass beide Konstrukte die Informationsverarbeitung unabhängig voneinander beein-<br />
flussen können. Zaichkowsky (1985a) repliziert Sujans Korrelationsstudien und findet kei-<br />
nen signifikanten Zusammenhang zwischen objektiv gemessenem Produktwissen und<br />
Involvement. Sie weist jedoch darauf hin, dass diese Ergebnisse bei Selbsteinschätzung des<br />
Produktwissens anders ausfallen können. Eine umfassende <strong>St</strong>udie zu den differentiellen<br />
Einflüssen von kognitivem Wissen und motivationalem Involvement haben Celsi und Olson<br />
(1988) vorgelegt. Motivierte Probanden bringen relevanten Informationen mehr<br />
Aufmerksamkeit entgegen und zeigen größere Anstrengung bei der Informationsverarbei-<br />
tung. Zur Interpretation und Elaboration der Daten muss jedoch relevantes Produktwissen<br />
10 Das aus der kognitiven Psychologie stammende <strong>St</strong>ructural Alignment Model kann diese Ergebnisse erklären, indem<br />
es zwischen alignable und non alignable, d.h. vergleichbaren und nicht vergleichbaren Unterschieden differenziert (für<br />
eine Übersicht s. Gentner & Markman, 1997). Vergleichbare Unterschiede beziehen sich auf die unterschiedliche<br />
Ausprägung eines Merkmals. Beispielsweise können Fahrzeuge anhand ihrer PS-Zahl miteinander verglichen werden.<br />
Wird hingegen ein Pick up mit einem Coupé verglichen, so stellt der Aspekt Größe der Ladefläche einen nicht<br />
vergleichbaren Unterschied dar, da es kein korrespondierendes Merkmal in beiden Objekten gibt.
36<br />
B. Theoretische Grundlagen<br />
aus dem Langzeitgedächtnis aktiviert werden. Ausgeprägtes Produktwissen kommt in Ent-<br />
scheidungssituationen folglich nur zum Tragen, wenn Individuen genügend involviert sind,<br />
sich auf eine tiefe Verarbeitungsstrategie einzulassen (vgl. Petty et al., 1983) und sie die<br />
relevanten verfügbaren Informationen nutzen können (Sanbonmatsu & Fazio, 1990).<br />
4 Urteilsbildung als konstruktiver Prozess<br />
Wie bereits in Kapitel B1.2 dargelegt, ist Kategorisierung nicht nur funktionale Grundlage<br />
für Klassifikationsentscheidungen und Inferenzbildung, sondern auch für die Urteilsbildung.<br />
In vielfältigen <strong>St</strong>udien konnten aus der Kategorisierung resultierende Konsequenzen für die<br />
Produktevaluation nachgewiesen werden (Mandler, 1982; Meyers-Levy & Tybout, 1989;<br />
Sujan, 1985).<br />
Der überwiegende Teil der Theorien zur Urteils- und Einstellungsbildung geht davon<br />
aus, dass Menschen ihre Urteile basierend auf ihrem verfügbaren deklarativen Wissen über<br />
ein Objekt formen (z.B. Fishbein, 1967; Wyer & Srull, 1989). Produkte sollten diesen<br />
Ansätzen zufolge positiver bewertet werden, je mehr wünschenswerte Eigenschaften sie<br />
aufweisen. <strong>St</strong>udien aus der Social Cognition Forschung zeigen jedoch, dass menschliche<br />
Urteile auch durch den affektiven Zustand des Urteilenden, seine Emotionen oder Laune 11<br />
(vgl. Schwarz & Clore, 1983), seine Motivation (z.B. Grayson & Schwarz, 1999) und so<br />
genannte den Urteilsbildungsprozess begleitende metacognitive experiences beeinflusst<br />
werden. Schwarz (2004) definiert metacognitive experiences als, „the ease or difficulty with<br />
which some information can be brought to mind or the fluency with which new information<br />
can be processed“ (S. 332). Derartige Erfahrungen können zum einen die Verfügbarkeit<br />
von Informationen und zum anderen die Verarbeitung von Informationen in Entscheidungs-<br />
oder Urteilsbildungsprozessen beeinflussen. Metakognitive Erfahrungen haben einen Infor-<br />
mationswert für die urteilende Person, der sich direkt auf die Entscheidung oder das zu bil-<br />
dende Urteil auswirkt. Die Leichtigkeit des Informationsabrufes oder der –verarbeitung<br />
wirkt sich positiv auf eine quantitative Einschätzung oder Beurteilung aus. Entsprechend<br />
den Zwei-Prozess Modellen der sozialen Urteilsbildung (vgl. Kapitel A2.2.1) kann die<br />
Verarbeitung von inhaltlichen Argumenten den systematischen Verarbeitungsstrategien<br />
zugeordnet werden, während die Beeinflussung durch metacognitive experiences eine heu-<br />
ristische Verarbeitungsstrategie darstellt (Schwarz, 1998). Ein Beispiel für eine derartige<br />
prozessuale Erfahrung ist die in Verarbeitungsprozessen erlebte Schwierigkeit, die bspw.<br />
11 Ursprünglich hat sich dieser Forschungszweig mit dem Einfluss affektiver Zustände auf die Informationsverarbeitung<br />
beschäftigt. Menschen nutzen ihren wahrgenommenen affektiven Zustand als Informationsquelle. So fallen Bewertung<br />
bei guter Laune bspw. positiver aus als in einer leicht depressiven Verfassung.
B. Theoretische Grundlagen 37<br />
durch die Mehrdeutigkeit von Informationen im Rahmen von Kategorisierungsprozessen<br />
ausgelöst werden kann. Bargh (1989) ordnet prozedurale subjektive Erfahrungen den vorbe-<br />
wussten automatischen Prozessen zu. Was der Einzelne aus seinen metacognitive experien-<br />
ces ableitet, hängt von seinen persönlichen naiven Theorien, seinen Annahmen hinsichtlich<br />
der Gründe der Einfachheit oder Schwierigkeit der Informationsverarbeitung ab (Schwarz,<br />
2004). Wichtig ist weiterhin anzumerken, dass die heuristischen Reize nur wirken, wenn ihr<br />
Informationswert nicht auf andere Gegebenheiten attribuiert werden kann.<br />
4.1 Verfügbarkeit von Informationen<br />
Ursprünglich sind die genannten Arbeiten auf die Availability Heuristic zurückzuführen.<br />
Tversky und Kahneman (1973) argumentieren in ihrer viel zitierten <strong>St</strong>udie, dass Menschen<br />
die Häufigkeit eines Ereignisses oder die Wahrscheinlichkeit seines Auftretens aufgrund<br />
„the ease with which instances or associations come to mind“ (S. 208) schätzen. Schwarz<br />
und Kollegen (1991) haben sich mit den diesem Effekt zugrunde liegenden Prozessen<br />
beschäftigt und kommen zu dem Ergebnis, dass die subjektive Erfahrung des Ease of<br />
Retrieval die Verfügbarkeit von Informationen erhöht. Der Effekt der Erfahrung leichter<br />
Verfügbarkeit konnte auf unterschiedlichste Art und Weise in verschiedenen <strong>St</strong>udien repli-<br />
ziert werden (Wänke, Schwarz, & Bless, 1995; Wänke, Bless, & Biller, 1996; Wänke,<br />
Bohner, & Jurkowitsch, 1997). Abschließend lässt sich festhalten, dass der Einfluss verfüg-<br />
barer Informationen auf die Urteilsbildung durch die wahrgenommene Einfachheit des<br />
Informationsabrufs moderiert wird (vgl. Wänke et al., 1997, S. 171). Die subjektive Verfüg-<br />
barkeitserfahrung dient somit als Informationsquelle für Evaluationen.<br />
4.2 Schwierigkeit der Informationsverarbeitung<br />
Prozessuale Erfahrungen haben nicht nur einen Einfluss auf die Urteilsbildung, wenn sie<br />
während der Informationsakquise gesammelt werden, sondern auch während des nachfol-<br />
genden Informationsverarbeitungsprozesses. „Processing fluency pertains to the ease or<br />
difficulty with which new, external information can be processed” (Schwarz, 2004, S. 338).<br />
In der Literatur werden unter dem Begriff der Processing Fluency zwei Facetten zusam-<br />
mengefasst: Perceptual Fluency bezieht sich auf die Schnelligkeit und Genauigkeit, mit der<br />
die äußere Form eines <strong>St</strong>imulus identifiziert werden kann, während Conceptual Fluency<br />
sich auf die Identifikation der <strong>St</strong>imulusbedeutung und seine Einordnung in die bestehende<br />
Wissensstruktur bezieht. Beide Konstrukte wirken sich auf die Urteilsbildung aus<br />
(Winkielman, Schwarz, Fazendeiro, & Reber, 2003) und können sowohl mit objektiven<br />
Maßen, wie z.B. Reaktionszeiten, als auch subjektiv durch ein Rating wahrgenommener<br />
Schwierigkeit oder Präzision erfasst werden.
38<br />
B. Theoretische Grundlagen<br />
Perceptual Fluency kann zum einen durch objektive Merkmale des <strong>St</strong>imulus und zum<br />
anderen aufgrund der Erfahrung des Beobachters mit dem <strong>St</strong>imulus hervorgerufen werden<br />
(Reber, Schwarz, & Winkielman, 2004). Bei den <strong>St</strong>imuluseigenschaften handelt es sich um<br />
die aus der Gestaltpsychologie bekannten Merkmale, wie Symmetrie, Klarheit der Darstel-<br />
lung, aber auch die Informationsmenge. Reber, Winkielman und Schwarz (1998) beispiels-<br />
weise weisen nach, dass mit einem hohen Figur-Hintergrund Kontrast präsentierte Kreise<br />
schöner beurteilt werden als mit geringem Figur-Hintergrund Kontrast dargestellte Kreise.<br />
Diese Ergebnisse sind für Präsentationszeiten unter drei Sekunden stabil, so dass der Effekt<br />
nicht auf den Figur-Hintergrund Kontrast per se, sondern auf Perceptual Fluency zurück-<br />
geführt werden kann. Auch wiederholte Erfahrungen eines Beobachters mit einem <strong>St</strong>imulus<br />
können in einer positiveren Bewertung resultieren. Dieser Effekt ist unter dem <strong>St</strong>ichwort<br />
mere exposure bekannt (Zajonc, 1968). Dieser präkognitive Mechanismus kann jedoch auch<br />
durch das Fluency Konstrukt erklärt werden (Reber et al., 2004).<br />
Conceptual Fluency wird durch semantische Vorhersagbarkeit, Konsistenz zwischen<br />
<strong>St</strong>imulus und Kontext sowie durch die Verfügbarkeit passender mentaler Konzepte zur <strong>St</strong>i-<br />
muluskategorisierung hervorgerufen (Schwarz, 2004). Whittlesea (1993) weist in einer<br />
Reihe von Experimenten nach, dass Conceptual Fluency ähnliche Effekte auf die Einschät-<br />
zung von Bekanntheit hat wie Perceptual Fluency. Dazu präsentiert er Probanden Sätze, bei<br />
denen das letzte Wort fehlt und deren Aussage entweder zu einer eindeutigen Vermutung<br />
hinsichtlich des fehlenden Wortes führt oder neutral ist. Die Präsentation des Wortes in<br />
einem „Vorhersage“-Kontext resultiert in positiveren Bewertungen des Wortes als im neut-<br />
ralen Zusammenhang. Winkielman und Fazendeiro (2003) berichten, dass ihre Probanden<br />
eindeutige Bilder (z.B. ein (Tür-)Schloss) positiver bewerten, wenn diesen ein konzeptuell<br />
relevantes Prime (z.B. „Schloss“ oder „Schlüssel“) vorhergeht, als wenn das Prime ohne<br />
inhaltlichen Bezug („Schnee“) ist. Andere <strong>St</strong>udien weisen darauf hin, dass beim Erlernen<br />
einer neuen fiktiven Grammatik grammatikalisch richtige Ausdrücke positiver bewertet<br />
werden als grammatikalisch falsche Ausdrücke.<br />
Die Literatur zur Processing Fluency weist zahlreiche Effekte in der Urteils- und Ent-<br />
scheidungsbildung und der ästhetischen Bewertung auf. Für die Validität des Effektes sind<br />
jedoch insbesondere psychophysiologische Messungen interessant. Winkielman und<br />
Cacioppo (2001) belegen per Gesichts-EMG, dass hohe Fluency mit stärkerer Aktivität des<br />
Zygomatikus, einem Muskel, der beim Lächeln aktiviert ist, assoziiert wird. Diese Aktivität<br />
kann in den ersten drei Sekunden nach <strong>St</strong>imuluspräsentation gemessen werden, bevor eine<br />
bewusste Bewertung vorgenommen wird. Fluency ist somit affektiv positiv und resultiert in<br />
positiven Bewertungen oder Präferenzaussagen (Winkielman et al., 2003).
B. Theoretische Grundlagen 39<br />
Die Effekte der Leichtigkeit der Verarbeitung neuer Informationen sind auch für das<br />
Konsumentenverhalten von hoher Relevanz. Lee und Labro (2004) beleuchten das Kon-<br />
strukt der Conceptual Fluency im Hinblick auf die Produktevaluation genauer. Konsumen-<br />
ten bewerten Ketchup in ihrer <strong>St</strong>udie positiver, wenn sie vorher in einer Werbeanzeige ein<br />
Produkt der gleichen Produktgruppe (Mayonnaise) gesehen haben, als wenn ihnen ein Pro-<br />
dukt ohne inhaltlichen Zusammenhang (Vitamintabletten) präsentiert wurde. Die hohe Ver-<br />
fügbarkeit adäquater mentaler Kategorien zur <strong>St</strong>imulusverarbeitung resultiert in besseren<br />
Bewertungen des beworbenen Produktes. Cho und Schwarz (2006) untersuchen den Effekt<br />
von Fluency auf die wahrgenommene Neuartigkeit eines Produktes. Wie bei Schwarz<br />
(2004) dargelegt, wenden Konsumenten zur Erklärung ihrer metakognitiven Erfahrungen<br />
naive Theorien an. Die Autoren testen, inwieweit sich die naive Theorie „neue Informatio-<br />
nen sind schwieriger zu verarbeiten“ auf die Präferenz für Innovationen auswirkt. Sie kön-<br />
nen nachweisen, dass ein multifunktionales digitales Handset bei geringer Fluency positiver<br />
wahrgenommen wird als bei hoher Fluency. Aufgrund des positiven Zusammenhangs zwi-<br />
schen wahrgenommener Neuartigkeit und Präferenz wird der normalerweise beobachtete<br />
Fluency Effekt umgedreht: Probanden bewerten ein aufgrund höherer Fluency als innova-<br />
tiver wahrgenommenes Produkt positiver. Die Ergebnisse treffen jedoch nur auf Probanden<br />
mit geringem Need for Cognition (NFC) zu. Probanden mit hohem NFC werden von der<br />
Fluency Manipulation nicht beeinflusst, sie verarbeiten die Informationen nicht heuristisch,<br />
sondern systematisch.<br />
Fluency hat auch Effekte auf entscheidungstheoretische Phänomene wie Präferenz<br />
oder Produktwahl. 12 Wiederholte Erfahrung mit einem Produkt erhöht die Wahrscheinlich-<br />
keit seiner Aufnahme in das Consideration Set und die Auswahl der Marke (Nedungadi,<br />
1990). Novemsky, Dhar, Schwarz und Simonson (2007) manipulieren Preference Fluency<br />
unabhängig von inhaltlichen Faktoren oder Alternativen des Choice Sets, indem sie die Les-<br />
barkeit der Schrift bzw. die Anzahl zu generierender Entscheidungsgründe variieren. Es<br />
zeigt sich, dass das subjektive Erleben von Schwierigkeit Entscheidungsaufschub verstärkt<br />
(<strong>St</strong>udie 1 & 2) und eher zur Wahl einer Kompromissalternative führt (<strong>St</strong>udie 3 & 4).<br />
Zusammenfassend betrachtet, zeigen zahlreiche <strong>St</strong>udien, dass die subjektiv wahrge-<br />
nommene Schwierigkeit, mit der neue Informationen verarbeitet werden, neben inhaltlichen<br />
12 Im Gegensatz zu Einstellungen sind Präferenzen immer relativ. Die entscheidungstheoretische Literatur vergleicht<br />
Entscheidungsalternativen miteinander. Sie diskutiert Präferenzkonstruktion vor dem Hintergrund individueller und<br />
sozialer Faktoren sowie Aspekten des Entscheidungsproblems (für einen Überblick siehe Bettman et al., 1998).
40<br />
B. Theoretische Grundlagen<br />
Aspekten Grundlage für die Urteils- und Präferenzbildung sein kann. Processing Fluency<br />
weist somit starke funktionale Parallelen zur Verfügbarkeitsheuristik auf.<br />
4.3 Kategorisierung unter Unsicherheit und wahrgenommene Schwierigkeit bei der<br />
Urteilsbildung<br />
Im Kontext der Einstellungsforschung ist erwiesen, dass ambivalente Informationen schwie-<br />
riger zu einem Globalurteil zusammenzufassen sind (Judd & Brauer, 1995). Ambivalenz<br />
kann sowohl durch deskriptive als auch durch evaluative Inkonsistenz erzeugt werden.<br />
Evaluativ inkonsistente Informationen führen zu Einstellungsambivalenz: ein Produkt wird<br />
gleichzeitig positiv und negativ bewertet (Jonas, Diehl, & Brömer, 1997). Deskriptiv inkon-<br />
sistente Informationen beziehen sich hingegen auf Produkteigenschaften, die nicht eindeutig<br />
unter einer Produktkategorie subsumiert werden können (Gregan-Paxton et al., 2005). Die<br />
Klassifikation sowie die Bildung von Inferenzen fallen aufgrund der Mehrdeutigkeit<br />
schwer. Durch beide Facetten inkonsistenter Informationen kann die subjektive Schwierig-<br />
keit der Informationsverarbeitung variiert werden.<br />
<strong>St</strong>udien zur Einstellungsbildung vergleichen größtenteils ambivalente Informationen<br />
mit konsistenten Informationen, die jedoch in ihrer Valenz positiv oder negativ sind (Jonas<br />
et al., 1997; Brömer, 1998). Dabei sind Effekte der <strong>St</strong>imulusbeschaffenheit (Ambivalenz vs.<br />
Konsistenz) mit inhaltlichen Effekten (positiv vs. negativ) konfundiert. Es bleibt unklar,<br />
welcher Faktor ursächlich für die Valenz des Einstellungsurteils ist. Brömer (2000) ver-<br />
gleicht erstmalig ambivalente mit neutralen Informationen und kommt zu dem Ergebnis,<br />
dass die Einstellungen in den inkonsistenten Bedingungen signifikant negativer ausfallen als<br />
in der neutralen Bedingung. Darüber hinaus steht das Ambivalenzerleben in den inkonsis-<br />
tenten Bedingungen in einem signifikant positiven Zusammenhang zur Antwortlatenz, wäh-<br />
rend dieser Zusammenhang in der neutralen Bedingung nicht von statistischer Relevanz ist.<br />
Die wahrgenommene Ambivalenz evaluativ inkonsistenter Informationen beeinflusst somit<br />
sowohl Variablen des Informationsverarbeitungsprozesses als auch die Valenz des Urteils.
C. Experimentelle <strong>St</strong>udien 41<br />
C Experimentelle <strong>St</strong>udien<br />
Die vorausgegangenen Kapitel dienten der Darstellung der theoretischen Grundlagen. Die<br />
Ausführungen gilt es nun im Hinblick auf die anfangs aufgeworfenen Fragestellungen zu<br />
synthetisieren und in Form von Hypothesen und Forschungsfragen zu spezifizieren. Es wer-<br />
den zwei <strong>St</strong>udien konzipiert (Kapitel C1 und C2). Nach der Darstellung der <strong>St</strong>udiendesigns<br />
und der Ergebnisse, werden diese abschließend diskutiert und Implikationen für Forschung<br />
und Praxis abgeleitet.<br />
1 <strong>St</strong>udie 1: Automobile Marktstruktur aus Kundensicht<br />
1.1 Forschungslücken, explorative Fragestellungen und Hypothesen<br />
1.1.1 Marktstruktur und wahrgenommene Angebotskomplexität<br />
Kategorien bilden die Grundlage für die <strong>St</strong>rukturierung des Produktwissens eines Konsu-<br />
menten. Herstellerseitig gebildete Produktklassen und konsumentenseitig wahrgenommene<br />
Consideration Sets sind der Ausgangspunkt für viele Kaufentscheidungen (Alba &<br />
Hutchinson, 1987; Sujan & Tybout, 1988; Day et al., 1979); sie sind jedoch insbesondere<br />
vor dem Hintergrund sich verändernder Märkte häufig nicht identisch. Aufgrund der in Ka-<br />
pitel A1.2 dargestellten Ausweitung der Produktprogramme und zunehmenden Einführung<br />
von Crossover-Modellen stellt sich die Frage, inwieweit die klassischen Kriterien der<br />
Marktabgrenzung Preis und Aufbauform die Komplexität ausreichend darstellen können. Es<br />
ist zu vermuten, dass diese Kriterien das konsumentenseitige Verständnis der Marktstruktur<br />
nicht abbilden können. Aus diesem Grund sollen im Rahmen einer explorativen <strong>St</strong>udie die<br />
für die Nachfrager relevanten Fahrzeugkategorien untersucht werden. Dabei werden zwei<br />
zentrale Fragestellungen verfolgt:<br />
Fragestellung 1.1: Wie sieht die Klassifikation des Pkw-Marktes aus Konsumenten<br />
sicht aus?<br />
Fragestellung 1.2: Wie werden einzelne Crossover-Fahrzeuge (hybride Produkte) in<br />
diese Klassifikation integriert?<br />
Die aktive Rolle des Konsumenten als Informationsverarbeiter bei der Bildung von<br />
Consideration Sets konnte in vielfältigen <strong>St</strong>udien demonstriert werden (vgl. Nedungadi,<br />
1990; Ratneshwar & Shocker, 1991). Johnson und Lehmann (1997) zeigen in einer experi-<br />
mentellen Untersuchung, dass sowohl individuelle als auch <strong>St</strong>imulusfaktoren den Prozess
42<br />
C. Experimentelle <strong>St</strong>udien<br />
der Consideration Set Bildung beeinflussen. So unterscheiden sich Prototypikalität der Ele-<br />
mente und Größe eines Consideration Sets in Abhängigkeit von der individuellen Produkt-<br />
erfahrung und dem Abstraktionsgrad der <strong>St</strong>imuli (Produktkategorien vs. Marken). In der<br />
durchzuführenden <strong>St</strong>udie sollen Kategorisierungsunterschiede in Abhängigkeit der Exper-<br />
tise und des Automobil-Involvements beleuchtet werden (vgl. Kapitel B3). Es wird davon<br />
ausgegangen, dass Experten eine eindeutigere Repräsentation der Marktstruktur aufweisen,<br />
da sie besser zwischen Modellen differenzieren können. Aufgrund ihres Expertenwissens<br />
sollte ihnen die Integration unbekannter Modelle leichter fallen. Da sich hoch involvierte<br />
Konsumenten stärker mit den Produktattributen auseinandersetzen und weniger durch<br />
Informationen der Kategorienzugehörigkeit beeinflusst werden, lassen sie sich im Hinblick<br />
auf die Kategorisierung neuartiger Produkte weniger durch eine hohe Angebotskomplexität<br />
beeinflussen (Huffman & Houston, 1993). Diesen personenspezifischen Unterschieden soll<br />
in einer dritten Fragestellung nachgegangen werden:<br />
Fragestellung 1.3: Bestehen Unterschiede in der <strong>St</strong>rukturierung des Automobil marktes<br />
zwischen Experten und Novizen?<br />
Neben der explorativen Analyse der Kategorisierungsergebnisse sollen diese differen-<br />
tiellen Effekte auch im Hinblick auf die aus der wahrgenommenen Komplexität entstandene<br />
<strong>St</strong>imulusüberlastung 13 untersucht werden. Insbesondere gesättigte Märkte bringen eine Flut<br />
von Produkt- und Werbeinformationen mit sich. Nachfrager werden mit einer hohen Quan-<br />
tität an Informationen konfrontiert, so dass es aufgrund von kognitiven Kapazitätsgrenzen<br />
zum Information Overload (<strong>St</strong>imulusüberlastung) kommen kann (Jacoby, 1977). Die<br />
Informationsmenge ist zum einen durch die Anzahl an Produkten, aber auch durch die<br />
Anzahl an zu verarbeitenden Merkmalen bestimmt (Jacoby, Speller, & Berning, 1974).<br />
Überlastung resultiert nicht allein aus der Vielfalt des Marktangebots, sondern wird ebenso<br />
durch die objektive Ähnlichkeit von Produkten oder durch ähnliche (Werbe-) Informationen<br />
bedingt (Walsh, 2004). Aufgrund der zunehmenden Produktvielfalt im Automobilmarkt und<br />
der Besetzung immer kleinerer Nischen können Konsumenten Unterschiede zwischen Fahr-<br />
zeugen nicht mehr klar erkennen. Dementsprechend fällt ihnen eine Zuordnung von Fahr-<br />
zeugen zu bekannten Kategorien schwer. Diese Problematik trifft insbesondere auf Cross-<br />
over-Fahrzeuge zu. Die Ähnlichkeit zwischen Produkten kann das Problem der <strong>St</strong>imulus-<br />
13 In der deutschsprachigen Marketingliteratur wird diese Problematik häufig auch unter dem Begriff<br />
Konsumentenverwirrtheit abgehandelt (Wiedmann, Walsh, & Klee, 2001; Walsh, 2002, 2004).
C. Experimentelle <strong>St</strong>udien 43<br />
überlastung durch Produktvielfalt verstärken (Best & Ursic, 1987). Ein klar strukturiertes<br />
Produkt-angebot ist für den Kunden leichter zu verstehen als ein ebenso umfangreiches<br />
Angebot, bei dem die Differenzierung zwischen den einzelnen Produkten schwer fällt.<br />
Darum sollen im Rahmen dieser Arbeit unter dem Begriff wahrgenommene <strong>St</strong>imulusüber-<br />
lastung sowohl ähnlichkeits- als auch überlastungsinduzierte Aspekte zusammengefasst<br />
werden.<br />
Bei höherer Überlastung „[consumers fail] to develop a correct interpretation of<br />
various facets of a product/service, during the information processing procedure”<br />
(Turnbull, Leek, & Ying, 2000, S. 145). Aus der deskriptiven Entscheidungstheorie ist be-<br />
kannt, dass Konsumenten in dieser Situation heuristische Entscheidungsstrategien anwen-<br />
den. Wahrgenommene <strong>St</strong>imulusüberlastung steht somit in einem engen Zusammenhang zu<br />
anderen Variablen der Informationsverarbeitung (vgl. Mitchell & Papavassiliou, 1999). Um<br />
eine Auswahlentscheidung zu treffen, entsteht dem Konsumenten bei <strong>St</strong>imulusüberlastung<br />
ein höherer Aufwand, ohne dass er einen zusätzlichen Nutzen daraus ziehen kann. Dies<br />
führt zu negativen Emotionen (Jacoby, 1977) und zu Unsicherheit hinsichtlich der Beurtei-<br />
lung von Produkten und bei der Kaufentscheidung (Foxman, Muehling, & Berger, 1990).<br />
Die Literatur weist keine eindeutigen Ergebnisse zu differentiellen Einflussgrößen auf<br />
die wahrgenommene <strong>St</strong>imulusüberlastung auf (vgl. Walsh, 2004). <strong>St</strong>udiert man die Literatur<br />
zur Organisation von Produktwissen, ist jedoch zu vermuten, dass Experten weniger<br />
<strong>St</strong>imulusüberlastung wahrnehmen, da sie komplexe Wissensinhalte besser organisieren.<br />
Hypothese 1.1: Je höher das automobile Produktwissen, desto geringer ist die wahrgenom-<br />
mene <strong>St</strong>imulusüberlastung.<br />
Bezüglich des Einflusses von Involvement existieren widersprüchliche Erklärungs-<br />
ansätze. Während Mitchell und Papavassiliou (1999) davon ausgehen, dass stark involvierte<br />
Konsumenten zu viele Informationen aufnehmen, die in der Folge für Verwirrung sorgen,<br />
gehen Huffman und Houston (1993) von einer gründlicheren Informationsverarbeitung<br />
involvierter Nachfrager aus. Letzteres Argument entspricht auch den Überlegungen von<br />
Cohen und Basu (1987) (vgl. Kapitel B3.2).<br />
Hypothese 1.2: Je höher das automobile Involvement, desto geringer ist die wahrgenom-<br />
mene <strong>St</strong>imulusüberlastung.
44<br />
1.1.2 Repräsentativität von Crossover-Fahrzeugen und Produktevaluation<br />
C. Experimentelle <strong>St</strong>udien<br />
Sowohl die Forschung zum Konsumentenverhalten als auch die psychologische Grund-<br />
lagenforschung haben sich mit der Repräsentativität von Kategorienmitgliedern beschäftigt.<br />
Insbesondere die Determinanten und Konsequenzen von Typikalität sind von Interesse. Die<br />
Repräsentativität eines Kategorienmitglieds wird durch seine intrakategoriale Ähnlichkeit<br />
bestimmt. Elemente, die viele Merkmale mit anderen Elementen derselben Kategorie teilen,<br />
weisen eine höhere Family Resemblance auf (Rosch & Mervis, 1975) (vgl. Abschnitt<br />
B1.3.2). Die Typikalität eines Kategorienmitglieds ist zentral für einige für das<br />
Konsumentenverhalten relevante Effekte. <strong>St</strong>udien von Rosch und Kollegen (vgl. Rosch,<br />
1978; Mervis & Rosch, 1981) zeigen, dass typische Kategorienmitglieder bei ungestützten<br />
Gedächtnisabfragen zuerst genannt werden, schneller und korrekter gelernt, mit weniger<br />
Fehlern klassifiziert werden und eher als Referenzpunkte bei Vergleichen herangezogen<br />
werden.<br />
Im Bereich des Konsumentenverhaltens konnten für zahlreiche Produktkategorien<br />
Zusammenhänge zwischen Typikalität, Gedächtnisleistung und Präferenz nachgewiesen<br />
werden. Barsalou (1983) zeigt in seinen Untersuchungen zu ad hoc Kategorien 14<br />
Typikalitätseffekte auf, die aufgrund der Heterogenität der Kategorienmitglieder nicht durch<br />
Family Resemblance erklärt werden können, sondern durch die Relevanz des Objekts hin-<br />
sichtlich der Zielerreichung. Dieser Ansatz erscheint im Hinblick auf die Definition von<br />
Produkten als Nutzenbündel zur Erfüllung von Bedürfnissen (Day et al., 1979) hilfreich. Er<br />
weist weiterhin auf die Notwendigkeit einer produktkategorienspezifischen Betrachtung hin.<br />
Nedungadi und Hutchinson (1985) untersuchen den Zusammenhang zwischen<br />
Prototypikalität, Markenbekanntheit, Nutzungshäufigkeit und Präferenz. Sie finden signifi-<br />
kante Zusammenhänge für Prototypikalität und Präferenz und schließen darauf, dass die<br />
affektive Bewertung von Produkten im Gegensatz zu natürlichen Kategorien (Rosch, 1973)<br />
eng mit der internen Kategorienstruktur verbunden ist (vgl. auch Fiske & Pavelchak, 1986).<br />
Dieser Effekt ist jedoch nur für Produktkategorien haltbar, von denen der Konsument eine<br />
klare kognitive Repräsentation aufweist. Bei nicht wahrgenommenen Kategorienstrukturen<br />
entfällt der Effekt. In einer Folgestudie unterstreichen Nedungadi et al. (2001) die Bedeu-<br />
tung der aktivierten Kategorienstruktur. Neben der Darstellung von Alleinstellungsmerk-<br />
14 Ad hoc Kategorien weisen im Gegensatz zu natürlichen Kategorien keine korrelative <strong>St</strong>ruktur zwischen den<br />
Kategorienmitgliedern auf. Vielmehr werden sie im Hinblick auf die Erreichung eines Ziels hin etabliert und auch als<br />
goal-derived categories bezeichnet (Barsalou, 1983).
C. Experimentelle <strong>St</strong>udien 45<br />
malen weist die Einordnung eines Produktes in die Kategorienstruktur eine hohe Relevanz<br />
für eine erfolgreiche Produktpositionierung auf.<br />
Ward und Loken (1988) untersuchen aufbauend auf den dargestellten <strong>St</strong>udien, unter<br />
welchen Bedingungen der Zusammenhang zwischen Prototypikalität und Präferenz zu hal-<br />
ten ist. Sie kommen zu dem Schluss, dass der Zusammenhang durch die wahrgenommene<br />
Exklusivität der Produkte moderiert wird. In Produktkategorien, in denen Prestige und<br />
Luxus kaufentscheidend sind, besteht ein negativer Zusammenhang zwischen Prototypika-<br />
lität und Präferenz. Die Autoren zeigen dies am Beispiel von Automobilen und Beklei-<br />
dungsgeschäften. Dabei testen sie jedoch die Prototypikalität von Baureihen für die überge-<br />
ordnete Kategorie Automobile und nicht für die jeweilige Aufbauform. Übergeordnete<br />
Kategorien weisen jedoch eine geringere Family Resemblance auf als Basiskategorien<br />
(Mervis & Rosch, 1981; Sujan & Dekleva, 1987). Da die intrakategorialen Gemeinsamkei-<br />
ten Determinante für Typikalität sind, sollte der Zusammenhang zwischen Typikalität und<br />
Einstellung für untergeordnete Kategorien höher ausfallen als für übergeordnete Kategorien<br />
(Loken & Ward, 1990). Diese Ergebnisse gehen einher mit den Ausführungen von<br />
Markman und Ross (2003); sie stellen in ihrer Übersicht die Ausbildung von Präferenzen<br />
als eine der grundlegenden Funktionen von Kategorien dar.<br />
Wie wirkt sich die, in Ermangelung einer eindeutigen kategorialen Zuordnung, schwie-<br />
rige Klassifikation von Crossover-Modellen auf die Produktevaluation aus? Aufbauend auf<br />
den <strong>St</strong>udien von Nedungadi und Hutchinson (1985) wird ein positiver Zusammenhang zwi-<br />
schen der wahrgenommenen Typikalität eines Produktes für die jeweilige Produktkategorie<br />
und Produktevaluation postuliert. Um den Ergebnissen von Hekkert, Snelders und van<br />
Wieringen (2003) Rechnung zu tragen, die u.U. auch die Ergebnisse von Ward und Loken<br />
(1988) erklären können, wird untersucht, inwieweit die wahrgenommene Neuartigkeit eines<br />
Pkws den Zusammenhang zwischen wahrgenommener Typikalität und dem Präferenzurteil<br />
aufhebt. Hekkert et al. (2003) zeigen im Bereich des Industriedesigns positive Zusammen-<br />
hänge zwischen wahrgenommener Typikalität und Produktevaluation sowie zwischen Neu-<br />
artigkeit und Produktevaluation. Typikalität und Neuartigkeit korrelieren dabei negativ mit-<br />
einander. Eine Replikation dieser Ergebnisse wird angestrebt.<br />
Hypothese 1.3: Je typischer ein Produkt für seine Kategorie ist, desto positiver fällt die<br />
Produktbewertung aus. Je neuartiger ein Produkt ist, desto positiver fällt<br />
die Produktbewertung aus. Aufgrund der negativen Korrelation zwischen<br />
wahrgenommener Typikalität und wahrgenommener Neuartigkeit werden
46<br />
C. Experimentelle <strong>St</strong>udien<br />
diese Effekte jedoch nur sichtbar, wenn die jeweils andere Variable<br />
auspartialisiert wird.<br />
1.2 Untersuchungsdesign<br />
1.2.1 Kontrollvariablen<br />
Nachstehend wird die Operationalisierung der personenspezifischen Determinanten der<br />
Kategorisierung vorgestellt (vgl. Kapitel B3). Alle Konstrukte werden mittels siebenstufiger<br />
Ratingskalen erhoben.<br />
Das subjektive Personenwissen einer Person wird mittels einer Skala erfasst, die Wis-<br />
sen über die Subtypen einer Kategorie, ihre Merkmale sowie Modelle und Marken abfragt.<br />
Die Probanden werden aufgefordert, ihr Wissen relativ zu anderen einzuschätzen. Die Skala<br />
wurde von Mukherjee und Hoyer (2001) übernommen. 15 Die Autoren können eine hin-<br />
reichende Reliabilität von α = 0,81 nachweisen (vgl. G. C. Bruner, Hensel, & James, 2005,<br />
S. 333).<br />
<strong>Tab</strong>elle 1: Operationalisierung Produktwissen<br />
Im Folgenden interessiert uns, wie gut Sie sich mit Autos auskennen. Bitte schätzen Sie Ihr Auto-<br />
Wissen anhand der folgenden Aussagen mit Hilfe der Skala von 1-7 ein.<br />
Item<br />
PW1 Verglichen mit Ihren Freunden und Bekannten, wie gut kennen Sie sich mit den Merkmalen<br />
von verschiedenen Automodellen und –varianten am Markt aus? (überhaupt nicht gut<br />
(1) – sehr gut (7))<br />
PW2 Wie gut kennen Sie sich im Allgemeinen mit den verschiedenen Automodellen und –<br />
varianten am Markt aus? (überhaupt nicht gut (1) – sehr gut (7))<br />
PW3 Verglichen mit Ihren Freunden und Bekannten, wie viel Erfahrung haben Sie mit verschiedenen<br />
Automodellen und –varianten? (überhaupt keine Erfahrung (1) – sehr viel<br />
Erfahrung (7))<br />
Quelle: Mukherjee und Hoyer (2001); vgl. auch G.C. Bruner et al. (2005, S. 333)<br />
In der Literatur existiert eine Vielzahl an Messinstrumenten für das Involvement-<br />
Konstrukt (vgl. Bearden & Netemeyer, 1999; G. C. Bruner et al., 2005). Da die Skalen sich<br />
in ihren Definitionen des Konstruktes und Gütemaßen unterscheiden, ist die Eignung der<br />
Skalen in Abhängigkeit der jeweiligen Forschungsinteressen zu prüfen (Mittal, 1995). Für<br />
die zu untersuchende Fragestellung eignet sich eine Skala zur Messung des automobilspezi-<br />
fischen Involvements. Das Konstrukt wird in Anlehnung an aktuelle und klassische <strong>St</strong>udien<br />
15 Aus dem Englischen übernommene Skalen wurden von zwei Personen unabhängig voneinander übersetzt. Bei<br />
Abweichungen einigten sich die Übersetzer anschließend auf den Wortlaut.
C. Experimentelle <strong>St</strong>udien 47<br />
operationalisiert (s. <strong>Tab</strong>elle 2). Die Items eins bis vier beziehen sich dabei auf die Facette<br />
Interesse am Produkt, Items fünf und sechs operationalisieren die Facette Gespräch über das<br />
Produkt.<br />
<strong>Tab</strong>elle 2: Operationalisierung Automobil-Involvement<br />
Im Folgenden interessiert uns Ihre Einstellung gegenüber Autos im Allgemeinen. Bitte beantworten<br />
Sie die folgenden Fragen anhand der bereits bekannten Skala von 1 „Trifft überhaupt nicht<br />
zu“ bis 7 „Trifft voll und ganz zu“.<br />
Item Quelle<br />
INV1 Ich interessiere mich sehr für Autos. Bauer, Mäder & Huber<br />
INV2 Autos faszinieren mich.<br />
(2000); Beatty & Talpade<br />
(1994)<br />
Bauer et al. (2006)<br />
INV3 Autozeitschriften lese ich gerne. Bauer et al. (2006)<br />
INV4 Ein Auto ist für mich nicht mehr als ein Gebrauchsgegenstand,<br />
um von A nach B zu gelangen.*<br />
Bloch (1981)<br />
INV5 Ich unterhalte mich häufig mit Freunden und Bekannten Bloch (1981)<br />
über Autos.<br />
INV6 Es langweilt mich, wenn andere über Autos reden.* Bloch (1981); Beatty &<br />
Talpade (1994)<br />
Anmerkungen. Skala: Trifft überhaupt nicht zu (1) - Trifft voll und ganz zu (7).<br />
* umgekehrte Kodierung.<br />
Zusätzlich zu den psychographischen Variablen werden die Probanden um soziodemo-<br />
graphische Informationen und Angaben zum Fahrzeugbesitz gebeten.<br />
<strong>Tab</strong>elle 3: Operationalisierung Soziodemographie<br />
Wir bitten Sie nun noch, uns einige Fragen zu Ihrer Person zu beantworten.<br />
Item<br />
SOZ1 Geschlecht<br />
SOZ2 Wie alt sind Sie? _________ Jahre<br />
SOZ3 Welchen höchsten Schulabschluss haben Sie?<br />
SOZ4 Wenn Sie einmal für alle Mitglieder Ihres Haushaltes, Sie selbst eingeschlossen, das<br />
gesamte monatliche Nettoeinkommen – also das Haushaltseinkommen nach Abzug<br />
aller <strong>St</strong>euern und Sozialabgaben – zusammenrechnen: in welche Gruppe würde das<br />
Einkommen Ihres Haushaltes fallen? (kategorial)
48<br />
C. Experimentelle <strong>St</strong>udien<br />
<strong>Tab</strong>elle 4: Operationalisierung Fahrzeugbesitz<br />
Wir haben nun noch einige Fragen zu Ihrem Fahrzeug. Bitte beziehen Sie sich auf das Auto,<br />
welches Sie persönlich am meisten nutzen.<br />
Item<br />
FZG1 Marke<br />
FZG2 Modell<br />
FZG3 Neu-/Gebrauchtwagen<br />
FZG4 Jahr der Erstzulassung<br />
FZG5 Wie viele Autos haben Sie in ihrem Leben bereits besessen?<br />
FZG6 Wie viele Kilometer fahren Sie durchschnittlich mit Ihrem Wagen im Jahr? (Bitte denken<br />
Sie dabei auch an Urlaubsreisen.) _____ km (metrisch)<br />
1.2.2 Abhängige Variablen<br />
Die Operationalisierung der wahrgenommenen <strong>St</strong>imulusüberlastung lehnt sich an die<br />
Arbeiten von Walsh (2002; 2004) und Heitmann (2006) an. Da sowohl eine große<br />
Modellvielfalt als auch eine mangelnde Differenzierung von Fahrzeugmodellen die Infor-<br />
mationsverarbeitung erschwert, werden hier ähnlichkeits- und überlastungsbedingte Fakto-<br />
ren zur Operationalisierung dieser Skala aufgenommen.<br />
<strong>Tab</strong>elle 5: Operationalisierung Wahrgenommene <strong>St</strong>imulusüberlastung<br />
Bitte beurteilen Sie die Angebotspalette im Automobilmarkt. In welchem Maß treffen die folgenden<br />
Aussagen Ihrer Meinung nach zu? Bitte stufen Sie Ihre Zustimmung mit Hilfe der Skala von<br />
1-7 ab, wobei 1 „Trifft überhaupt nicht zu“ bis 7 „Trifft voll ganz zu“.<br />
Item Quelle<br />
WSÜ1 Aufgrund der Vielfalt an Fahrzeugmodellen ist man sich<br />
nicht immer sicher, welches Modell die eigenen Bedürfnisse<br />
am Besten befriedigt.<br />
WSÜ2 Es gibt so viele Fahrzeugmodelle, unter denen man<br />
auswählen kann, dass ich manchmal verwirrt bin.<br />
WSÜ3 Die meisten Fahrzeugmodelle sind sich sehr ähnlich, so<br />
dass es einem schwer fällt, sie zu unterscheiden.<br />
WSÜ4 Es fällt mir schwer, einen Überblick über die angebotenen<br />
Fahrzeugmodelle zu bekommen.<br />
WSÜ5 Bei den vielen angebotenen Fahrzeugmodellen kann ich<br />
keine klaren Unterschiede erkennen.<br />
Walsh (2002)<br />
Sproles & Kendall (1986);<br />
Walsh (2002)<br />
Walsh (2002)<br />
Heitmann (2006)<br />
Heitmann (2006)<br />
WSÜ6 Die angebotenen Fahrzeugmodelle kann ich schlecht<br />
vergleichen.<br />
Heitmann (2006)<br />
Anmerkungen. Skala: Trifft überhaupt nicht zu (1) - Trifft voll und ganz zu (7).<br />
Wahrgenommene Typikalität wird in zahlreichen <strong>St</strong>udien der psychologischen Grund-<br />
lagenforschung als auch in <strong>St</strong>udien zum Konsumentenverhalten mit einem oder mehreren<br />
Items operationalisiert (vgl. Rosch & Mervis, 1975; Loken & Ward, 1990; Veryzer &<br />
Hutchinson, 1998; Hekkert et al., 2003). Im Rahmen dieser Untersuchung wird zur Gewähr-
C. Experimentelle <strong>St</strong>udien 49<br />
leistung ausreichender Reliabilität ein Multi-Item-Measurement mit drei Items vorgenom-<br />
men. Es werden die in der Literatur geläufigsten Items zu einer Skala kombiniert.<br />
<strong>Tab</strong>elle 6: Operationalisierung Wahrgenommene Typikalität<br />
Wir möchten Sie nun bitten, einige der Fahrzeuge detaillierter zu bewerten.<br />
Inwieweit treffen die folgenden Aussagen auf das Fahrzeug zu? Die Felder zwischen den Endpunkten<br />
der Skala können Sie dazu nutzen, Ihr Urteil abzustufen.<br />
Item<br />
TYP1 Ist ein schlechtes (1) - gutes (7) Beispiel seiner Gruppe<br />
TYP2 Untypisch (1) – typisch (7) für seine Gruppe<br />
TYP3 Nicht repräsentativ (1) – repräsentativ (7) für seine Gruppe<br />
Quelle: Rosch & Mervis (1975), Loken & Ward (1987), Veryzer & Hutchinson (1998),<br />
Hekkert et al. (2003)<br />
Zur Erfassung der wahrgenommenen Neuartigkeit beurteilen Probanden, wie stark sich<br />
ein Produkt von bekannten Produkten unterscheidet bzw. wie innovativ es erscheint. Eine<br />
drei Items umfassende Skala wird von Moreau, Lehmann und Markman (2001) eingesetzt.<br />
Das dritte Item bezieht sich direkt auf den Einfluss auf das Verhalten und wird aufgrund<br />
mangelnder Passung zur vorliegenden Fragestellung eliminiert.<br />
<strong>Tab</strong>elle 7: Operationalisierung Wahrgenommene Neuartigkeit<br />
Item<br />
NOV1 Wie stark unterscheidet sich dieses Fahrzeug von anderen Fahrzeugen, die Sie<br />
kennen? (unterscheidet sich überhaupt nicht (1) – unterscheidet sich sehr stark (7))<br />
NOV2 Für wie innovativ halten Sie dieses Fahrzeug?<br />
(überhaupt nicht innovativ (1) – sehr innovativ (7))<br />
Quelle: Moreau, Lehmann et al. (2001); vgl. auch G.C. Bruner et al. (2005, S. 427)<br />
Da es sich bei der Kategorisierungsaufgabe und dem Typikalitätsrating um eine allge-<br />
meine Einschätzung handelt, wird auch die Produktevaluation auf einem sehr allgemeinen<br />
Niveau erfasst. Wollte man ein Präferenzurteil im Zusammenhang einer konkreten automo-<br />
bilen Kaufentscheidung erheben, müssten weitere Variablen, wie z.B. Restriktionen wirt-<br />
schaftlicher Art oder der familiären Situation, beachtet werden. Zur Entdeckung der ent-<br />
sprechenden Zusammenhänge ist eine Symmetrie im Generalitätsniveau der Konstrukte<br />
erforderlich (Wittmann, 1990). Je asymmetrischer der Zusammenhang zwischen zwei Kon-<br />
strukten bzw. ihrer Operationalisierung ist, desto stärker sinken die ermittelten Relationen.
50<br />
<strong>Tab</strong>elle 8: Operationalisierung Produktevaluation<br />
Bitte bewerten Sie das Fahrzeug anhand der folgenden Punkte:<br />
Item Quelle<br />
PRE1 schlecht (1) – gut (7)<br />
PRE2 überhaupt nicht begehrenswert (1) - sehr begehrenswert<br />
(7)<br />
PRE3 unattraktiv (1) - attraktiv (7)<br />
PRE4 negativ (1) - positiv (7)<br />
PRE5 gefällt mir gar nicht (1) - gefällt mir sehr gut (7)<br />
1.3 Ablauf<br />
Rajagopal (2004)<br />
C. Experimentelle <strong>St</strong>udien<br />
Sujan & Bettman (1989)<br />
Die Daten für <strong>St</strong>udie 1 wurden mittels eines Online-Panels 16 in der Zeit vom 23.07. bis<br />
26.07.2007 erhoben. Über das Panel „Online-People“ der ODC Services GmbH 17 wurden<br />
Panelisten, mit dem Ziel 500 Probanden entsprechend des Quotenplanes (s. C1.4) zu<br />
rekrutieren, per E-Mail zur Umfrage eingeladen.<br />
Nach einigen einleitenden Worten zur Gliederung der Untersuchung wird die Katego-<br />
risierungsaufgabe in einem kurzen animierten Film erklärt. Zunächst durchlaufen die Pro-<br />
banden ein Card Sorting Verfahren von 49 standardisierten Fotos bekannter Fahrzeuge. Die<br />
Panelisten werden dazu aufgefordert, die Fahrzeuge ihrer Ähnlichkeit entsprechend in<br />
Gruppen einzuteilen. Die Ähnlichkeitsbeurteilung wird explizit nicht anhand von vorgege-<br />
benen Eigenschaftsdimensionen vorgenommen, sondern durch Gruppenbildung seitens der<br />
Probanden, um die für sie wesentliche Kategorienstruktur aufzudecken. Bei der Auswahl<br />
der Fahrzeuge wurde darauf geachtet, dass die klassischen Aufbauformen gleich häufig<br />
vertreten sind. Um ein gewisses Maß an Bekanntheit zu garantieren, handelt es sich jeweils<br />
um die absatzstärksten Fabrikate der jeweiligen Aufbauform. Am Ende des Card Sorting<br />
Verfahrens werden den Teilnehmern zehn Crossover-Fahrzeuge präsentiert, von denen die<br />
drei Mercedes-Benz Modelle bereits im Markt sind und die restlichen sieben in der deut-<br />
schen Automobilpresse als Neuheiten angekündigt sind. Abschließend werden die Pane-<br />
listen aufgefordert, jede Gruppe zu benennen.<br />
16 Bei einem Online-Panel handelt es sich um einen „Pool von registrierten Personen, welche sich bereit erklärt haben,<br />
wiederholt an marktforscherischen oder wissenschaftlichen Online-Untersuchungen teilzunehmen“ (Göritz, Reinhold,<br />
& Moser, 2000, S. 62). Die Vorzüge des Mediums sind breit gefächert: von der Flexibilität bzgl. Ort und Zeit, über<br />
verbesserte Möglichkeiten der Präsentation von <strong>St</strong>imulusmaterial bis zu einer Fehlerreduktion durch automatisiertes<br />
Datenhandling (vgl. Göritz et al., 2000).<br />
17 Weitere Informationen zu diesem Panel können unter www.odc-services.com abgerufen werden.
C. Experimentelle <strong>St</strong>udien 51<br />
Abbildung 7: Darstellung der Kategorisierungsaufgabe<br />
Der zweite Teil der Untersuchung besteht aus einem klassischen Fragebogen, in dem<br />
zuerst die Crossover-Fahrzeuge hinsichtlich ihrer wahrgenommenen Typikalität und Neu-<br />
artigkeit sowie die Produktevaluationen erhoben werden. Es folgen die Fragen zur wahrge-<br />
nommenen <strong>St</strong>imulusüberlastung, gefolgt von der Abfrage personenspezifischer Variablen<br />
und soziodemographischer Informationen.<br />
Da es sich bei der Kategorisierungsaufgabe um eine für die Probanden sehr anspruchs-<br />
volle Aufgabe handelt, wird hohes Aufgaben-Involvement manipuliert. Durch Betonung der<br />
Zugehörigkeit der Probanden zu einer kleinen ausgewählten Gruppe, die an dieser Unter-<br />
suchung teilnehmen darf, soll systematische Informationsverarbeitung begünstigt werden<br />
(vgl. Johar, 1995; Maheswaran & Meyers-Levy, 1990). Da auch die automobile<br />
Kaufentscheidung ein hohes Involvement verlangt, entspricht es weitestgehend der Motiva-<br />
tionslage beim Kauf (vgl. Kuß & Tomczak, 2000).<br />
1.4 <strong>St</strong>ichprobe<br />
5242 Panelisten wurden mit dem Ziel, 500 Probanden zu rekrutieren, per E-Mail zur Um-<br />
frage eingeladen. Davon haben 1831 Personen den mit der E-Mail versendeten Link und<br />
Zugangscode genutzt. Letztendlich nahmen an der Erhebung 582 Personen teil, die rest-<br />
lichen Personen beendeten die Umfrage aufgrund von Screening-Kriterien, bereits vollen<br />
Quoten oder freiwilligen Abbrüchen nicht. Aufgrund technischer Probleme wurden für die<br />
Kategorisierungsaufgabe nur Daten von 580 Probanden gesammelt. Sieben der 582 Proban-
52<br />
C. Experimentelle <strong>St</strong>udien<br />
den wurden aufgrund geringer Varianz (s² < 0,4) in den Rating-Skalen ausgeschlossen. Ein<br />
solches Antwortverhalten bei zum Teil unterschiedlich gepolten Skalen lässt darauf schlie-<br />
ßen, dass die Teilnehmer den Fragebogen nicht gewissenhaft beantwortet haben. In die Aus-<br />
wertungen einbezogen wurden schlussendlich N = 575 Personen.<br />
Die Repräsentativität einer <strong>St</strong>ichprobe gilt als Qualitätsmerkmal guter Daten. Im<br />
Zusammenhang mit Online-Panels wird diese vor allem durch zwei Aspekte eingeschränkt:<br />
zum einen Unterschiede zwischen Online- und Offline-Population und zum zweiten die<br />
Selbstselektion der Teilnehmer (Göritz & Moser, 2000). Auch wenn sich die Population der<br />
Internetnutzer immer mehr der Gesamtbevölkerung angleicht, sind Männer und jüngere Per-<br />
sonen noch immer überproportional vertreten (vgl. van Eimeren & Frees, 2007). Um<br />
derartigen Verzerrungen, die sich auf das Untersuchungsergebnis auswirken könnten, entge-<br />
genzuwirken, wurde für die Rekrutierung folgender Quotenplan aufgestellt: es sollten je<br />
50% der <strong>St</strong>ichprobe auf die Altersgruppen 20 bis 40 Jahre und 41 bis 60 Jahre entfallen, je<br />
50% Frauen und Männer erreicht werden und je 50% Fahrer von Premium-Automobil-<br />
marken bzw. Volumenmarken sein. Die endgültige <strong>St</strong>ichprobenzusammensetzung ist in<br />
<strong>Tab</strong>elle 9 dargestellt:<br />
<strong>Tab</strong>elle 9: <strong>St</strong>ichprobenzusammensetzung<br />
20 bis 40 Jahre 41 bis 60 Jahre Gesamt<br />
weiblich Premium 59 (10,3%) 46 (8,0%) 105 (18,3%)<br />
Volumen 81 (14,1%) 103 (17,9%) 184 (32,0%)<br />
Gesamt 140 (24,3%) 149 (25,9%) 289 (50,3%)<br />
männlich Premium 69 (12,0%) 88 (15,3%) 157 (27,3%)<br />
Volumen 71 (12,3%) 58 (10,1%) 129 (22,4%)<br />
Gesamt 140 (24,3%) 146 (25,4%) 286 (49,7%)<br />
Gesamt 280 (48,7%) 297 (51,3%) 575 (100,0%)<br />
Anmerkungen. Angaben in Häufigkeiten und Prozent.<br />
Die Mehrzahl der Befragten (54%) besitzt einen Neuwagen, während 46% einen Ge-<br />
brauchtwagen fahren. Die Fahrzeuge sind im Schnitt 7,81 Jahre alt (SD = 4,74). Die über-<br />
wiegende Mehrheit der Probanden hat bereits mehr als ein Fahrzeug im Leben besessen (M<br />
= 6,14; SD = 4,21) und legt im Durchschnitt 21.544 Kilometer pro Jahr zurück (SD =<br />
16.584).
C. Experimentelle <strong>St</strong>udien 53<br />
1.5 Ergebnisse<br />
1.5.1 Item- und Skalenanalyse<br />
Die Operationalisierung der Kovariaten und abhängigen Variablen erfolgte auf Basis beste-<br />
hender <strong>St</strong>udien aus der Literatur (vgl. Abschnitt 1.2). Zur Überprüfung der Güte der<br />
Operationalisierung werden die Items der einzelnen Konstrukte einer Reliabilitätsanalyse<br />
nach der Klassischen Testtheorie sowie einer exploratorischen Faktorenanalyse unterzogen.<br />
Die folgenden <strong>Tab</strong>ellen geben für jedes Item neben dem Mittelwert, der <strong>St</strong>andardab-<br />
weichung und der Part-whole-korrigierten Trennschärfe aus der Itemanalyse die Kommu-<br />
nalitäten und Faktorladungen aus der Faktorenanalyse an. Zur Beurteilung der gesamten<br />
Skala werden Cronbachs α und die erklärte Gesamtvarianz referiert. In einzelnen Fällen fin-<br />
det eine Itemselektion auf Basis der Trennschärfe statt. Zur Beurteilung der Trennschärfe-<br />
koeffizienten kann folgende Einteilung herangezogen werden (Weise 1975, zit. nach<br />
Fisseni, 1997): niedrige Trennschärfe bei rit < .30, mittleres Niveau bei .30 < rit < .50 und<br />
hohe Trennschärfe bei rit > .50. Cronbachs α hat als Maß der internen Konsistenz in der<br />
Literatur besondere Akzeptanz gefunden (Amelang & Zielinski, 1997). Auch hier gibt<br />
Weise (1975, zit. nach Fisseni, 1997) eine Faustregel zur Beurteilung der Koeffizienten an:<br />
rtt < .80 gilt als niedrig, zwischen .80 und .90 liegt eine mittlere Reliabilität vor und Kenn-<br />
werte größer als .90 werden als hoch eingeschätzt. Da die Höhe der Reliabilität jedoch von<br />
der Testlänge abhängig ist, ist die Beurteilung immer vor dem Hintergrund der Itemanzahl<br />
vorzunehmen (Amelang & Zielinski, 1997).<br />
<strong>Tab</strong>elle 10: Gütemaße der Skala Produktwissen<br />
Item M SD rit hjq ajq<br />
PW1 4,24 1,51 0,86 0,89 0,94<br />
PW2 4,34 1,48 0,87 0,90 0,95<br />
PW3 4,24 1,55 0,77 0,79 0,89<br />
Cronbachs α (3 Items) = 0,917; N = 575. Erklärte Gesamtvarianz: 85,9%<br />
Anmerkungen. M: Mittelwert. SD: <strong>St</strong>andardabweichung. rit: part-whole-korrigierte Trennschärfe.<br />
hjq: Kommunalität. ajq: Faktorladung.<br />
Die Trennschärfen der Items zum Produktwissen bewegen sich zwischen 0,77 und 0,87<br />
und sind damit als hoch zu bezeichnen. Die Ergebnisse der explorativen Faktorenanalyse<br />
stützen diese Aussagen. Es wird ein Cronbachs α von 0,917 erreicht; damit kann die Relia-<br />
bilität als zufrieden stellend bezeichnet werden.
54<br />
<strong>Tab</strong>elle 11: Gütemaße der Skala Automobil-Involvement<br />
C. Experimentelle <strong>St</strong>udien<br />
Item M SD rit hjq ajq<br />
INV1 4,59 1,74 0,82 0,83 0,91<br />
INV2 4,46 1,85 0,77 0,77 0,88<br />
INV3 3,38 1,90 0,69 0,69 0,83<br />
INV4* 3,96 1,80 0,29 0,15 0,39<br />
INV5 3,91 1,70 0,65 0,64 0,80<br />
INV6* 5,19 1,79 0,57 0,46 0,68<br />
Cronbachs α (6 Items) = 0,842; N = 575. Erklärte Gesamtvarianz: 59,0%<br />
Anmerkungen. *umgekehrte Kodierung.<br />
Item INV4 wird aufgrund seiner geringen Trennschärfe und der geringen Kommunali-<br />
tät aus der Skala Automobil-Involvement ausgeschlossen. Durch Ausschluss dieses Items<br />
steigt Cronbachs α bei 5 Items auf 0,882 und liegt damit in einem akzeptablen Bereich. Die<br />
erklärte Gesamtvarianz der reduzierten Skala beträgt 68,6%.<br />
<strong>Tab</strong>elle 12: Gütemaße der Skala Wahrgenommene <strong>St</strong>imulusüberlastung<br />
Item M SD rit hjq ajq<br />
WSÜ1 4,83 1,72 0,62 0,53 0,73<br />
WSÜ2 4,34 2,02 0,75 0,70 0,84<br />
WSÜ3 4,63 1,73 0,65 0,58 0,76<br />
WSÜ4 4,21 1,90 0,77 0,73 0,85<br />
WSÜ5 4,17 1,77 0,69 0,63 0,80<br />
WSÜ6 3,82 1,74 0,67 0,60 0,77<br />
Cronbachs α (6 Items) = 0,881; N = 575. Erklärte Gesamtvarianz: 62,7%<br />
Auch die zur Messung der wahrgenommenen <strong>St</strong>imulusüberlastung entwickelte Skala<br />
entspricht den Anforderungskriterien an die Trennschärfe der Items und die Reliabilität der<br />
Skala. Die Koeffizienten weisen hohe Trennschärfen größer 0,62 und sind konform mit den<br />
Ergebnissen der exploratorischen Faktorenanalyse. Die interne Konsistenz der Skala kann<br />
mit einem Cronbachs α = 0,881 als zufrieden stellend beurteilt werden.<br />
Aufgrund der guten Reliabilitätskennwerte wird aus den Mittelwerten der den Skalen<br />
zugehörigen Items für jeden Probanden je Konstrukt ein Skalenscore berechnet. <strong>Tab</strong>elle<br />
13 gibt die deskriptive <strong>St</strong>atistik der Skalen wieder. Zur Überprüfung der Normalverteilungs-<br />
annahme wird der Kolmogorov-Smirnov-Anpassungstest durchgeführt. Dabei wird die beo-<br />
bachtete kumulative Verteilungsfunktion für eine Variable mit einer festgelegten theore-<br />
tischen Verteilung verglichen (Lienert & Raatz, 1998). Der Kolmogorov-Smirnov-Anpas-<br />
sungstest ist für alle Skalen, mit Ausnahme der Skala Automobil-Involvement, statistisch<br />
hoch signifikant (p < 0,01). Die Annahme der Normalverteilung müsste aufgrund dieses<br />
Befundes verworfen werden. Da der Kolmogorov-Smirnov-Anpassungstest jedoch sehr test-
C. Experimentelle <strong>St</strong>udien 55<br />
stark ist und die Wahrscheinlichkeit der Ablehnung der Nullhypothese normalverteilter<br />
Daten mit zunehmender <strong>St</strong>ichprobengröße steigt (Bortz, 2005), empfehlen Hair und Kolle-<br />
gen ein zweistufiges Verfahren zur Untersuchung der Skalen auf Normalverteilung (Hair,<br />
Anderson, Tatham, & Black, 1998). Im ersten Schritt wird mit Q-Q-Verteilungsdiagrammen<br />
ein graphisches Verfahren zur Überprüfung der Verteilungsannahmen gewählt (vgl. auch<br />
Brosius, 1998). Dabei werden die empirischen Werte gegen die erwarteten Werte abgetra-<br />
gen. „Der erwartete Wert ergibt sich für einen beobachteten Wert aus dessen Position<br />
(Rang) innerhalb der <strong>St</strong>ichprobenverteilung sowie aus der Anzahl der in der <strong>St</strong>ichprobe ent-<br />
haltenen Werte“ (S. 958). Die Q-Q-Verteilungsdiagramme sind in Anhang A dargestellt.<br />
Aus den Grafiken sind für die Skala Produktwissen und Automobil-Involvement keine Ab-<br />
weichungen und für die Skala wahrgenommene <strong>St</strong>imulusüberlastung nur geringe Abwei-<br />
chungen von der Diagonalen ersichtlich. Im zweiten Schritt sind die z-Werte für Schiefe<br />
und Kurtosis zu überprüfen. Normalverteilung ist ihnen zufolge für die wahrgenommene<br />
<strong>St</strong>imulusüberlastung mit einer Irrtumswahrscheinlichkeit von α = 0,01 abzulehnen, für Pro-<br />
duktwissen und Automobil-Involvement kann Normalverteilung angenommen werden.<br />
<strong>Tab</strong>elle 13: Deskriptive <strong>St</strong>atistiken und Test auf Normalverteilung der Skalen<br />
Skala M SD Sch z(Sch) Kur z(Kur) K-S-Z p<br />
PW 4,27 1,40 -0,215 -2,11 -0,535 -2,63 2,31 0,000<br />
INV 4,31 1,48 -0,192 -1,88 -0,774 -3,80 1,53 0,019<br />
WSÜ 4,33 1,44 -0,350 -3,44 -0,586 -2,88 1,95 0,001<br />
Anmerkungen. N = 582. M: Arithmetisches Mittel. SD: <strong>St</strong>andardabweichung. Sch: Schiefe.<br />
SE(Sch) = 0,102. z(Sch): z-Wert Schiefe. Kur: Kurtosis. SE(Kur) = 0,203. z(Kur): z-Wert<br />
Kurtosis. K-S Z: Z-Wert des Kolmogorov-Smirnov Anpassungstests. p: asymptotische<br />
Signifikanz (Zweiseitig).<br />
Die wahrgenommene Typikalität, wahrgenommene Neuartigkeit und Produktevalua-<br />
tion wurden von allen Probanden jeweils für alle zehn Crossover-Fahrzeuge eingeschätzt.<br />
Die Indikatoren wurden per Mittelwertsbildung jeweils zu einem Index zusammengefasst.<br />
Da ihre Reliabilitätskennwerte auf eine hinreichende interne Konsistenz (TYP (3 Items):<br />
Cronbachs α > 0,929; NOV (2 Items): α > 0,654; PRE (5 Items): α > 0,962) schließen las-<br />
sen, ist diese Zusammenfassung angebracht. Aufgrund der Schiefe der Verteilungen wurden<br />
einige Skalen per Quadratur transformiert (vgl. Hair et al., 1998). Die deskriptiven <strong>St</strong>atis-<br />
tiken und Gütemaße der Skalen sind in Anhang A dargestellt. Da wahrgenommene Typika-<br />
lität und Neuartigkeit vor dem Hintergrund der individuellen Kategorisierung geratet wur-<br />
den und nicht hinsichtlich einer festgelegten Fahrzeugkategorie, ist eine Zusammenfassung<br />
über die Fahrzeuge zur Reliabilitätsbestimmung, wie sie von Hekkert et al. (2003)
56<br />
C. Experimentelle <strong>St</strong>udien<br />
vorgenommen wurde, nicht indiziert (vgl. auch Shrout & Fleiss, 1979; Wirtz & Caspar,<br />
2002).<br />
1.5.2 Fahrzeugkategorisierung<br />
1.5.2.1 Deskriptive Analysen<br />
Hauptziel dieser ersten Untersuchung ist die Aufdeckung der konsumentenseitig wahrge-<br />
nommenen Marktstruktur. Zunächst werden die von den 573 Probanden gewählten Varian-<br />
ten der Kategorisierung beschrieben. Im Mittel bilden die Probanden aus den 59 präsentier-<br />
ten Fahrzeugen M = 6,67 (SD = 1,94) Gruppen. Im Durchschnitt umfasst eine Gruppe folg-<br />
lich neun bis zehn Fahrzeuge (M = 9,55; SD = 2,66). Zur Untersuchung der angewandten<br />
Kategorisierungsansätze werden die von den Probanden genannten Kategorienbezeichnun-<br />
gen analysiert. Dazu wird unterschieden, ob die Bezeichnung einer Kategorie sich auf eine<br />
Aufbauform, eine Fahrzeugklasse, einen Nutzen, spezifische Eigenschaften oder den Preis<br />
bezieht oder ob eine subjektive Bewertung damit zum Ausdruck gebracht wird. Die Proban-<br />
den verfolgen zum Teil recht unterschiedliche Ansätze der Kategorisierung, wobei sich<br />
jedoch einige Typen als dominant herauskristallisieren. Diese Typen werden meist aller-<br />
dings nicht in Reinform angewandt, sondern miteinander kombiniert.<br />
Die meisten Probanden (69,6%) gruppieren primär nach Aufbauform. Diese Kategori-<br />
sierungsvariante entspricht den in Abschnitt B dargestellten Prototypen- bzw. Exemplaran-<br />
sätzen. Fahrzeuge werden aufgrund ihrer Ähnlichkeit zum Prototyp kategorisiert. Eine wei-<br />
tere Gruppe geht nutzenorientiert vor (14,3%). Dabei werden Fahrzeuge nach dem erwarte-<br />
ten Zweck, z.B. ihrer Funktionalität oder Tauglichkeit als Geschäfts- oder <strong>St</strong>adtauto grup-<br />
piert. Diesem Ansatz werden auch Klassifikationen nach Personengruppen wie z.B. Fami-<br />
lienauto oder Fahrzeug für Senioren zugeordnet. Die Kategorisierung nach Nutzen ent-<br />
spricht dem zielbasierten Kategorisierungsansatz nach Barsalou (1983) (vgl. Kapitel C1.1).<br />
Wiederum andere Befragte beschreiben die von Ihnen gebildeten Kategorien anhand ihrer<br />
Eigenschaften (7,9%). Eine kleine Gruppe von fünfzehn Probanden (2,6%) hat die Fahr-<br />
zeuge primär anhand von subjektiven Bewertungskriterien (z.B. gefällt mir, interessant)<br />
sortiert. Neun Probanden haben entgegen der Anweisungen nach Herstellermarken gruppiert<br />
und 23 Probanden haben keine sinnvollen Gruppenbezeichnungen angegeben (z.B. die<br />
Gruppen nummeriert). Auffälligerweise gibt es keine Probanden, die rein nach hierarchi-<br />
scher Fahrzeugklasse gruppieren. Dieses Kriterium wird nur in Kombination mit anderen<br />
Kategorisierungsansätzen verwandt. Über die Hälfte aller Probanden gruppiert auf Basis<br />
einer Mischung von Ansätzen. Am häufigsten (22,3%) ist dabei eine Kombination aus Auf-<br />
bauform und hierarchischer Fahrzeugklasse. Die Hierarchie beschreibt meist eine Einteilung
C. Experimentelle <strong>St</strong>udien 57<br />
in Kompakt-, Mittel-, Ober- und Luxusklasse und bezieht sich damit insbesondere auf<br />
Limousinen und Kompaktwagen. Daneben werden sportliche Fahrzeuge sowie SUVs an-<br />
hand ihrer Aufbauform beschrieben. Eine weitere Kombination stellt die Kategorisierung<br />
nach Aufbauformen und Nutzen dar. Probanden, die diesen Ansatz verfolgen, fassen einige<br />
Aufbauformen, wie bspw. Kombis und Minivans, aufgrund ihrer Transportfähigkeit zu-<br />
sammen oder bezeichnen diese als Familienfahrzeuge. <strong>Tab</strong>elle 14 fasst die Ergebnisse<br />
zusammen:<br />
<strong>Tab</strong>elle 14: Kategorisierungsansätze<br />
Primäransatz n % Ergänzung n %<br />
Aufbauform 399 69,6% keine 191 33,3%<br />
Fahrzeugklasse 128 22,3%<br />
Nutzen 45 7,9%<br />
Eigenschaften 27 4,7%<br />
Subjektive Bewertung 5 0,9%<br />
Preis 3 0,5%<br />
Nutzen 82 14,3% keine 17 3,0%<br />
Aufbauform 30 5,2%<br />
Fahrzeugklasse 13 2,3%<br />
Eigenschaften 18 3,1%<br />
Subjektive Bewertung 3 0,5%<br />
Preis 1 0,2%<br />
Eigenschaften 45 7,9% keine 13 2,3%<br />
Aufbauform 10 1,7%<br />
Fahrzeugklasse 6 1,0%<br />
Nutzen 12 2,1%<br />
Subjektive Bewertung 3 0,5%<br />
Preis 1 0,2%<br />
Subjektive Bewertung 15 2,6% keine 10 1,8%<br />
Aufbauform 1 0,2%<br />
Nutzen 3 0,5%<br />
Preis 1 0,2%<br />
Marke 9 1,6% keine 8 1,4%<br />
Aufbauform 1 0,2%<br />
Keine Angaben 23 4,0% 23 4,0%<br />
Anmerkungen. N = 573. n: Häufigkeit. %: Prozent.<br />
Im Folgenden sollen die Kategorisierungsergebnisse für die zehn Crossover-Fahrzeuge<br />
näher betrachtet werden. <strong>Tab</strong>elle 15 weist jeweils die Top3 Nennungen aus:
58<br />
<strong>Tab</strong>elle 15: Kategorisierung von Crossover-Fahrzeugen<br />
C. Experimentelle <strong>St</strong>udien<br />
Modell Top1 n % Top2 n % Top3 n %<br />
Audi X-Cp SUV 198 34,6% Limo 68 11,9% Sportwg. 34 5,9%<br />
BMW X6 SUV 294 51,3% Minivan 34 5,9% Limo 24 4,2%<br />
Audi A7 Limo 185 32,3% Sportwg. 88 15,4% Luxus 40 7,0%<br />
MB CLS Limo 174 30,4% Sportwg. 93 16,2% Luxus 42 7,3%<br />
VW Coupé Limo 144 25,1% Sportwg. 106 18,5% Mittelkl. 30 5,2%<br />
BMW CS Sportwg. 334 58,3% Coupé 45 7,9% Cabrio 34 5,9%<br />
Panamera Sportwg. 367 64,2% Cabrio 39 6,8% Subj. Bew. 31 5,4%<br />
MB B-Kl. Komp. 148 25,9% Minivan 64 11,2% Familie 57 10,0%<br />
MB R-Kl. Kombi 172 30,1% Limo 64 11,2% Familie 52 9,1%<br />
VW Neeza Sportwg. 114 19,9% SUV 58 10,1% Limo 53 9,2%<br />
Anmerkungen. N = 573. n: Häufigkeit. %: Prozent.<br />
Die an SUVs angelehnten Concept Cars Audi Cross-Coupé und BMW X6 werden<br />
relativ eindeutig der Gruppe der SUVs zugeordnet. Bei den viertürigen Coupés zeigt sich<br />
ein etwas anderes Bild: Audi A7, MB CLS und VW Coupé werden von der jeweils größten<br />
Gruppe der Probanden den Limousinen, von der jeweils zweitgrößten Gruppe den Sport-<br />
wagen zugeordnet. Im Falle einer hierarchischen Kategorisierung werden A7 und CLS der<br />
Ober- bzw. Luxusklasse zugeordnet, während das VW Modell in die Mittelklasse kategori-<br />
siert wird. BMW CS und Porsche Panamera hingegen werden mit 58% respektive 64% ein-<br />
deutig unter den Sportwagen gruppiert. Auch die alternativen Kategorisierungen Coupé und<br />
Cabrio kommen diesem Überbegriff sehr nahe. Die weiteren drei Fahrzeuge werden weni-<br />
ger eindeutig kategorisiert. So ordnet ein Viertel aller Probanden die MB B-Klasse den<br />
Kompaktwagen zu, 11% den Mini-Vans und 10% den Familienfahrzeugen. Die R-Klasse<br />
wird in erster Linie als Kombi bzw. seine Tauglichkeit als Familienwagen wahrgenommen,<br />
11% sehen jedoch auch seine Limousineneigenschaften. Beim VW Neeza stehen eher<br />
sportliche Aspekte im Vordergrund. Dem Fahrzeug werden jedoch ebenso SUV- und<br />
Limousinen-Eigenschaften zugeschrieben.<br />
1.5.2.2 <strong>St</strong>rukturentdeckende und -prüfende Analysen<br />
Bislang wurden die deskriptiven Ergebnisse der Kategorisierungsaufgabe dargestellt. Um<br />
die aus Konsumentenperspektive relevante Klassifikation von Fahrzeugen und die der Klas-<br />
sifikation zugrunde liegenden Kriterien aufzudecken, wird ein dekompositionelles multi-<br />
variates Verfahren gewählt, bei dem den Probanden keine Produkteigenschaften zur Beur-<br />
teilung vorgegeben werden müssen. Um zudem der individuellen Kategorisierung Rech-<br />
nung zu tragen, wird mit der Multidimensionalen Skalierung (MDS) ein strukturentdecken-<br />
des Verfahren angewandt, das die Rekonstruktion psychischer Räume auf Basis globaler<br />
Ähnlichkeitsurteile erlaubt (vgl. Borg & Groenen, 2005; Dichtl & Schobert, 1979). Der
C. Experimentelle <strong>St</strong>udien 59<br />
Grundgedanke der MDS ist die Repräsentation der Proximitäten 18 von Objektpaaren durch<br />
Distanzen zwischen Punkten einer multidimensionalen Konfiguration. Ziel ist es, die<br />
Objektmenge in einem möglichst niedrig dimensionalen Raum zu positionieren und dabei<br />
die von den Probanden produzierten Ähnlichkeitsurteile möglichst widerspruchsfrei darzu-<br />
stellen (Borg & <strong>St</strong>aufenbiel, 1997).<br />
1.5.2.2.1 Methodische Grundlagen und Vorgehensweise bei der Multidimensionalen<br />
Skalierung<br />
In den letzten Jahrzehnten hat sich eine Vielzahl an MDS-Ansätzen herausgebildet. 19 Die<br />
wichtigste Unterscheidung betrifft das Skalenniveau der Daten, es wird zwischen metrischer<br />
und ordinaler MDS differenziert. Im Gegensatz zur metrischen MDS, die anstrebt, die Ver-<br />
hältnisse der Distanzdaten abzubilden, sind für die ordinale MDS die Rangordnungen der<br />
Distanzen, auch als Proximitäten p bezeichnet, als Datenbasis ausreichend. 20 Borg (1981)<br />
weist nach, dass eine derartige Lockerung der Annahmen praktisch keinen Einfluss auf die<br />
Güte der Rekonstruktion hat.<br />
Zur Generation von Ähnlichkeitsurteilen stehen unterschiedliche Datenerhebungs-<br />
verfahren zur Auswahl (Borg & Groenen, 2005; Backhaus, Erichson, Plinke, & Weiber,<br />
2000). Neben der Rangreihung paarweiser Ähnlichkeitsvergleiche und dem Rating von<br />
Ähnlichkeiten hat sich insbesondere bei großen Objektmengen (n ≥ 30) das Sorting-Verfah-<br />
ren als effizient erwiesen. Die Gruppierung von Objekten ist für den Probanden weniger<br />
anstrengend und schneller durchzuführen als Vergleiche aller möglichen n(n-1)/2 Objekt-<br />
paare (Tsogo et al., 2000). Dieses Verfahren findet auch in dieser Arbeit Anwendung. M<br />
Probanden werden aufgefordert, aus n Objekten k Gruppen zu bilden. Dabei kann k vorge-<br />
geben oder wie in dieser Untersuchung durch die Probanden individuell gewählt werden.<br />
Das Ergebnis dieser Sortieraufgabe ist eine n x n Matrix pro Proband, wobei eine „1“ indi-<br />
ziert, dass zwei Objekte einer Gruppe zugeordnet werden und „0“, dass sie unterschied-<br />
lichen Gruppen angehören. Die individuellen Matrizen können über alle Probanden sum-<br />
miert werden, um eine Ähnlichkeitsmatrix zu erhalten, deren Zellen die Häufigkeit angeben,<br />
mit der zwei Objekte einer Gruppe zugeordnet werden. Tsogo und Kollegen (2000) fassen<br />
18 Proximitäten ist die generische Bezeichnung für Ähnlichkeiten und Unähnlichkeiten.<br />
19 Als wichtige Varianten der MDS sind die klassische MDS, die replikative MDS, die konfirmatorische MDS, die<br />
gewichtete MDS sowie die probabilistische MDS zu nennen (Borg & Groenen, 2005; Borg & Lingoes, 1987; Ashby,<br />
1992).<br />
20 Zur Darstellung subjektiver Ähnlichkeiten kommt in den Sozialwissenschaften meist die nichtmetrische MDS zur<br />
Anwendung, während in den Naturwissenschaften häufiger die metrische MDS Anwendung findet (Borg & Groenen,<br />
2005; Tsogo, Masson, & Bardot, 2000; Rabinowitz, 1975).
60<br />
C. Experimentelle <strong>St</strong>udien<br />
zusammen: „When they are appropriate, sorting and ranking tasks, combined with group<br />
scaling, are recommended firstly because they are less time consuming, and secondly<br />
because Rao and Kaltz (1971) found that group scaling approaches produce better recov-<br />
eries than individual scaling” (S. 318). Auch van der Kloot und van Herk (1991) zeigen,<br />
dass (Un-)Ähnlichkeitsmatrizen auf Basis direkter Sortingdaten sehr gut geeignet sind, die<br />
metrische <strong>St</strong>ruktur von n Objekten mittels eines nicht metrischen MDS-Algorithmus darzu-<br />
stellen.<br />
Zur Berechnung der Distanzen zwischen den Objekten im multidimensionalen Raum<br />
wird das Computerprogramm PROXSCAL Version 1.0 (vgl. Busing, Commandeur, &<br />
Heiser, 1997) verwendet. Die Ähnlichkeitsdaten werden als ordinale Informationen<br />
verarbeitet, wobei Ties entsprechend des secondary approach to ties gelöst werden (Borg &<br />
Groenen, 2005). Als Distanzmaß nutzt PROXSCAL die euklidische Metrik, die laut Borg<br />
(2000) bei explorativen Fragestellungen grundsätzlich das geeignete Distanzmaß ist. Als<br />
Initialkonfiguration wird eine klassische Skalierungslösung nach Torgerson verwendet. Die<br />
Berechnung der Objektkonfiguration ist ein iterativer Vorgang, bei dem ausgehend von der<br />
Initialkonfiguration versucht wird, diese schrittweise zu verbessern, wobei die Monotonie-<br />
bedingung 21 möglichst gut erfüllt werden soll. Zur Beurteilung der Güte der Konfiguration<br />
und als Zielkriterium der Optimierung entwickelte Kruskal (1964) das STRESS-Maß:<br />
( d )<br />
Roh − STRESS = ∑ ij −δ<br />
ij<br />
2<br />
dij = Distanzen zwischen Objekten i und j<br />
δij = Disparitäten für Objekte i und j<br />
Der Roh-STRESS gibt durch die Summe der quadrierten Residuen an, wie gut die<br />
Monotoniebedingung durch die Konfiguration erfüllt ist: je größer das STRESS-Maß, desto<br />
schlechter ist die Anpassung der Distanzen an die Proximitäten (badness of fit). Da die<br />
empirischen Ähnlichkeitswerte in der ordinalen MDS nur begrenzt zuverlässig sind, werden<br />
die so genannten Disparitäten eingeführt. Sie gleichen Verletzungen der Monotonieannahme<br />
aus, ohne dabei die ordinalen Ordnungsbeziehungen zu verletzen. „Die Disparitäten δij sind<br />
dann die optimal monoton reskalierten Datenwerte pij relativ zu den Distanzen dij“ (Borg,<br />
2000, S. 5). Um diese Verlustfunktion vom Maßstab der Konfiguration unabhängig zu ma-<br />
chen, wird sie an der Summe der quadrierten Distanzen normiert:<br />
21 Die Monotoniebedingung besagt, dass die Rangfolge der Proximitäten p durch die Rangfolge der Distanzen d<br />
wiedergegeben werden soll: wenn pkl > pij, dann dkl > dij (Borg, 1981).
C. Experimentelle <strong>St</strong>udien 61<br />
( dij<br />
−δ<br />
ij)<br />
STRESS 1 = 2<br />
dij<br />
∑<br />
∑<br />
2<br />
dij = Distanzen zwischen Objekten i und j<br />
δij = Disparitäten für Objekte i und j<br />
Das Optimierungsverfahren läuft so lange, bis ein minimaler STRESS oder eine minimale<br />
STRESS-Verbesserung erreicht oder eine maximale Anzahl an Iterationen überschritten<br />
wird. Eine perfekte MDS-Konfiguration hat einen STRESS von Null. Kruskal (1964) gibt<br />
einige Anhaltspunkte zur Interpretation von STRESS1-Werten. Da die Werte jedoch von<br />
einer Vielzahl von Faktoren, wie der Anzahl der Objekte n, der Dimensionalität des Rau-<br />
mes, der Anzahl von Ties und Fehlern abhängig sind, ist es angemessen, die Werte mit dem<br />
STRESS zufälliger Daten zu vergleichen (Borg & Groenen, 2005). Dichtl und Schobert<br />
(1979) geben unter Bezug auf Spence und Ogilvie (1973) <strong>Tab</strong>ellen für die Erwartungswerte<br />
zufälliger Daten an. Die tabellierten Werte stellen eine „Obergrenze“ für qualitativ schlechte<br />
Eingabeinformationen dar. Für eine zweidimensionale Konfiguration beträgt dieser Erwar-<br />
tungswert 0,367, für eine dreidimensionale Konfiguration 0,277 bei einer <strong>St</strong>andardab-<br />
weichung von 0,0026.<br />
1.5.2.2.2 Ergebnisse der Multidimensionalen Skalierung<br />
<strong>Tab</strong>elle 16 stellt die erzielten Gütemaße für die zwei- und dreidimensionalen Räume im<br />
Überblick dar:<br />
<strong>Tab</strong>elle 16: <strong>St</strong>ress- und Anpassungsmaße der MDS-Konfiguration<br />
Maß 2 Dimensionen 3 Dimensionen<br />
Normalisierter Roh-<strong>St</strong>ress 0,02544 0,00930<br />
<strong>St</strong>ress-I 0,15949 0,09645<br />
<strong>St</strong>ress-II 0,35137 0,25390<br />
S-<strong>St</strong>ress 0,05647 0,03063<br />
Erklärte <strong>St</strong>reuung (D.A.F.) 0,97456 0,99070<br />
Kongruenzkoeffizient nach Tucker 0,98720 0,99534<br />
Anmerkungen. PROXSCAL minimiert den normalisierten Roh-<strong>St</strong>ress. N = 573. D.A.F.:<br />
Disperson accounted for.<br />
Der STRESS reduziert sich von der zwei- zur dreidimensionalen Darstellung. Die<br />
STRESS1-Werte liegen für beide Konfigurationen deutlich unter dem jeweiligen Erwar-<br />
tungswert zufälliger Daten. Den Anhaltspunkten von Kruskal (1964) zufolge handelt es sich<br />
bei den STRESS1-Werten um ausreichende Werte. Weitere Indizes sind die erklärte <strong>St</strong>reu-<br />
ung und der Kongruenzkoeffizient nach Tucker. Die erklärte <strong>St</strong>reuung entspricht der quad-<br />
rierten Korrelation zwischen den Disparitäten und den Distanzen. Diese Indizes bezeichnen<br />
den Goodness-of-fit zwischen Konfiguration und Ausgangsdaten. Entgegen dem STRESS<br />
gilt es, ihre Werte zu maximieren. Hier werden jeweils Werte erreicht, die für eine gute
62<br />
C. Experimentelle <strong>St</strong>udien<br />
Skalierung sprechen. Um die Güte der Übereinstimmung zwischen Konfiguration und wahr-<br />
genommenen Ähnlichkeiten zu veranschaulichen, ist ein Shepard-Diagramm hilfreich (Borg<br />
& Groenen, 2005); es trägt die Proximitäten gegen die berechneten Distanzen ab. In<br />
PROXSCAL sind jedoch nur Diagramme der Residuen und Transformationsdiagramme<br />
einzeln verfügbar, sie werden in Anhang B abgebildet. Die STRESS-Werte sprechen für<br />
eine dreidimensionale Lösung. Da die dritte Dimension, inhaltlich betrachtet, jedoch keinen<br />
logischen Erklärungsgewinn einbringt, soll hier aufgrund der besseren Interpretierbarkeit<br />
die niedrig dimensionale Skalierungslösung als finale Lösung gewählt werden (vgl. Borg,<br />
2000; Backhaus et al., 2000). Abbildung 8 stellt die Marktstruktur aus Kundensicht dar:<br />
Dimension 2<br />
1,0<br />
0,5<br />
0,0<br />
Audi X-Coupé<br />
BMW X6<br />
MB B-Klasse<br />
MB R-Klasse<br />
VW Neeza<br />
VW 4-t. Coupé<br />
MB CLS<br />
BMW CS<br />
Porsche Panamera<br />
-0,5<br />
Audi A7<br />
Cabrio<br />
Coupé<br />
Limousine<br />
Hatchback<br />
Kombi<br />
SUV<br />
Minivan<br />
-1,0<br />
Crossover<br />
-1,5 -1,0 -0,5 0,0<br />
Dimension 1<br />
0,5 1,0 1,5<br />
Abbildung 8: Marktstruktur aus Konsumentensicht<br />
1.5.2.2.3 Interpretation der MDS-Konfiguration<br />
Im Idealfall sollte die Interpretation von MDS-Konfigurationen anhand externer Kriterien<br />
erfolgen. Dabei besteht zum einen die Möglichkeit des Property Fitting und zum anderen<br />
die Möglichkeit der Präferenzanalyse (Backhaus et al., 2000). Beim Property Fitting wer-<br />
den alle Objekte hinsichtlich diverser Eigenschaften beurteilt. Die Eigenschaftsdaten wer-<br />
den dann meist regressionsanalytisch als Vektoren in die MDS-Konfiguration integriert<br />
(Dichtl & Schobert, 1979). Bei der externen Präferenzanalyse werden zusätzlich zu den<br />
Ähnlichkeitsdaten Präferenzurteile der Probanden erhoben und gemeinsam mit der Konfigu-<br />
ration in einem Idealpunkt- oder Idealvektorenmodell dargestellt (vgl. Dichtl, Bauer, &
C. Experimentelle <strong>St</strong>udien 63<br />
Schobert, 1980). Da die Erhebung zusätzlicher Eigenschafts- oder Präferenzdaten für alle n<br />
Objekte bei großen Objektmengen jedoch nicht durchführbar ist, wird im Rahmen dieser<br />
<strong>St</strong>udie (n = 59) eine Interpretation anhand interner Kriterien vorgenommen. Dies kann<br />
Rabinowitz (1975) zufolge entweder durch eine traditionelle Interpretation der auftretenden<br />
Gruppierungen oder weiterer auf der MDS-Konfiguration basierender Analyseverfahren<br />
erfolgen. Bei der Nachbarschaftsinterpretation können sowohl dimensionale Deutungen<br />
angestrebt, als auch Regionen interpretiert werden (Borg & Groenen, 2005). Dabei weisen<br />
Objekte, die in eine Region fallen bzw. nahe beieinander liegen, eine hohe Gemeinsamkeit<br />
auf. Letztendlich ist „das Interpretieren einer MDS-Lösung […] die Projektion von inhalt-<br />
lichem Vorwissen auf diese Geometrie“ (Borg, 2000, S. 10).<br />
Abbildung 8 legt nahe, dass der konsumentenseitig wahrgenommenen Marktstruktur<br />
eine auf Aufbauformen basierende Kategorisierung zugrunde liegt. SUVs, Minivans und<br />
Cabrios stellen in sich homogene Gruppen dar. Und auch Limousinen, Coupés und Kombis<br />
sind in bestimmten Regionen der Karte angesiedelt. Einzig die Kompaktwagen bilden eine<br />
eher diffuse Gruppe. Durch ihre räumliche Nähe können einzelne Crossover-Fahrzeuge<br />
bestimmten Segmenten zugeordnet werden. So liegen BMW X6 und Audi Cross-Coupé in<br />
räumlicher Nähe zu den SUVs, grenzen sich jedoch etwas in Richtung der sportlichen Fahr-<br />
zeuge ab. Drei der viertürigen Coupés (Audi A7, MB CLS und VW Coupé) gruppieren sich<br />
um die Limousinen, während der BMW CS und Porsche Panamera in der Konfiguration<br />
näher bei den betont sportlichen Coupés wie dem Porsche 911 und Audi TT liegen. Die B-<br />
Klasse weist eine unmittelbare Nähe zum VW Golf auf und ist den praktisch-orientierten<br />
Kompaktwagen zuzuordnen. Die R-Klasse fällt hier den Kombis zu. Der VW Neeza wird<br />
keiner Aufbauform eindeutig zugeordnet.<br />
1.5.2.2.4 Klassifikation der Fahrzeugmodelle<br />
Ein Ziel dieser Arbeit ist die Entwicklung einer Fahrzeugklassifikation aus Konsumenten-<br />
sicht. Dazu wird die aus der MDS resultierende Koordinatenmatrix einer hierarchischen<br />
Clusteranalyse unterzogen. Die Clusteranalyse bildet Gruppen nach der Maxime einer<br />
hohen Homogenität der Objekte innerhalb einer Gruppe bei gleichzeitiger möglichst deut-<br />
licher Unterscheidung der Objekte unterschiedlicher Gruppen (Blank, Herdzina, & <strong>St</strong>ützle-<br />
Leinmüller, 1995). Als Clusteralgorithmus findet das Complete-Linkage Verfahren Anwen-<br />
dung, da es entsprechend den Anforderungen der Aufgabe zu einer klaren Trennung von<br />
Clustern und hoher Clusterhomogenität neigt (Backhaus et al., 2000). Im Gegensatz zum<br />
Single-Linkage Verfahren werden hier eher gleich große Gruppen extrahiert. Zur Bestim-<br />
mung der Clusterzahl wird in der Literatur das Elbow-Kriterium empfohlen (Bacher, 1996;<br />
Hair et al., 1998). Wenn ein zusätzlicher Clusterschritt einen überproportionalen Zuwachs
64<br />
C. Experimentelle <strong>St</strong>udien<br />
an Heterogenität innerhalb der Cluster bedeuten würde, ist eine weitere Agglomeration nicht<br />
sinnvoll und die optimale Clusterzahl erreicht (Jensen, 2008) (s. Anhang B). Im vorliegen-<br />
den Fall sprechen die Daten für eine Fünf-Cluster-Lösung. Diese Lösung ist inhaltlich sinn-<br />
voll zu interpretieren. Bei einer Sieben-Cluster-Lösung umfassen die zwei zusätzlichen<br />
Cluster jeweils nur einen (VW Passat Variant) bzw. zwei Ausreißer (VW Neeza, BMW<br />
1er). Die den fünf Clustern zugeordneten Modelle und die Clustermittelwerte sind in<br />
<strong>Tab</strong>elle 17 dargestellt:<br />
<strong>Tab</strong>elle 17: Clusterprofile<br />
Cluster 1 Cluster 2 Cluster 3 Cluster 4 Cluster 5<br />
Dimension 1 0,358 0,792 -0,373 -0,455 -0,831<br />
Dimension 2 -0,289 0,306 -0,316 0,563 0,036<br />
Clustergröße 17 12 13 9 8<br />
Fahrzeugmodelle<br />
Alfa GT<br />
Audi A3<br />
Audi A6 Limo<br />
Audi A7<br />
BMW 1er<br />
BMW 3er Cp<br />
BMW 3er L<br />
BMW 5er L<br />
MB C-Kl. L<br />
MB CLK Cp<br />
MB CLS<br />
MB S-Klasse<br />
MB Sportcp<br />
Opel Vectra<br />
VW Neeza<br />
VW Passat L<br />
VW 4-türiges<br />
Coupé<br />
Audi A4 Cabrio<br />
Audi TT Coupé<br />
BMW 3er Cab<br />
BMW Z4<br />
BMW CS<br />
Mazda RX8<br />
MB CLK Cab<br />
MB SLK<br />
Opel Tigra<br />
Porsche 911<br />
Porsche<br />
Panamera<br />
Saab 9-3 Cab<br />
Audi A4 Avant<br />
BMW 5er<br />
Touring<br />
Ford Fiesta<br />
Ford Focus H<br />
Ford Mondeo<br />
Kombi<br />
MB A-Klasse<br />
MB B-Klasse<br />
MB C-Kl K<br />
MB E-Kl K<br />
MB R-Klasse<br />
Opel Astra K<br />
Opel Corsa<br />
VW Golf<br />
Audi Q7<br />
Audi X-Coupé<br />
BMW X3<br />
BMW X5<br />
BMW X6<br />
MB M-Klasse<br />
MB GL<br />
Toyota RAV4<br />
VW Touareg<br />
Ford C-Max<br />
Opel Meriva<br />
Opel Zafira<br />
Peugeot<br />
307SW<br />
Renault Scenic<br />
Toyota Corolla<br />
Verso<br />
VW Touran<br />
VW Passat<br />
Variant<br />
Anmerkungen. Clustermittelwerte. Fahrzeugmodelle: Ausreißer sind kursiv und Crossover-<br />
Modelle fett gedruckt. Cab: Cabrio. Cp: Coupé. K: Kombi. L: Limousine.<br />
Die fünf Cluster fassen die Fahrzeugmodelle weitestgehend nach Aufbauformen<br />
zusammen. Dabei stellen einige Cluster (2, 4, 5) relativ reine Aufbauformen-Gruppierungen<br />
dar, während die Cluster 1 und 3 Fahrzeuge unterschiedlicher Aufbauformen zusammen-<br />
fassen.<br />
Cluster 1 umfasst Fahrzeuge der Mittel- und Oberklasse. Dies sind in erster Linie<br />
Limousinen, aber auch klassische Coupés (z.B. BMW 3er Coupé, MB CLK). Dieser Kate-<br />
gorie werden auch drei der viertürigen Coupés zugeordnet. MB CLS, Audi A7 sowie das<br />
viertürige Coupé von VW stellen aufgrund ihres Außendesigns eine Schnittmenge der bei-<br />
den originären Aufbauformen dar. Ebenfalls zu diesem Cluster zählen der Audi A3 sowie<br />
der BMW 1er und VW Neeza.
C. Experimentelle <strong>St</strong>udien 65<br />
Im Cluster 2 befinden sich die Sportwagen. Es vereint alle Cabrios sowie einige sehr<br />
sportlich anmutende Coupés: Audi TT Coupé, Mazda RX8, Porsche 911 und Saab 9-3.<br />
Zusätzlich fallen in diese Gruppe die beiden angekündigten viertürigen Coupés Porsche<br />
Panamera und BMW CS, die sich jeweils durch eine sehr dynamische Linienführung aus-<br />
zeichnen.<br />
Cluster 3 fasst die Kompakt- und Kombinationswagen zusammen. Im Vergleich zu<br />
den Kombis weisen die Kompaktwagen eine etwas geringere Ausprägung auf Dimension 1<br />
auf. Dieser Kategorie werden auch die von Mercedes-Benz unter dem Begriff Sportstourer<br />
vermarkteten Fahrzeuge B-Klasse und R-Klasse zugeordnet. Die Position der B-Klasse in<br />
unmittelbarer Nähe des VW Golf zeigt, dass die Fahrzeuge als sehr ähnlich wahrgenommen<br />
werden und die B-Klassen vom Kunden eher den Kompaktwagen als den Minivans zuge-<br />
ordnet wird. Die R-Klasse ist aus Kundensicht ähnlich wie der BMW 5er Touring positio-<br />
niert und wird als sportlicher Kombi wahrgenommen. Auf die kundenseitige Wahrnehmung<br />
eines neuen Segmentes deuten die Ergebnisse nicht hin. Die angepriesenen Offroad-Eigen-<br />
schaften der R-Klasse und ihre Variabilität als 7-Sitzer werden von den Kunden anschei-<br />
nend nicht wahrgenommen.<br />
Cluster 4 umfasst alle abgefragten SUVs. Die Wahrnehmung der klassischen SUVs<br />
(BMW X3, X5, MB M-Klasse, VW Touareg etc.) ist sehr homogen. Der Audi Q7 fällt mit<br />
geringeren Ausprägungen auf Dimension 2 deutlich aus dem Bild. In diese Kategorie fallen<br />
auch die beiden Concept Cars BMW X6 und Audi Cross-Coupé, die sich durch eine coupé-<br />
hafte Dachlinie von den bekannten SUVs differenzieren. Sie grenzen sich auf der ersten<br />
Dimension etwas in Richtung der Sportwagen ab.<br />
In Cluster 5 fallen alle Minivans sowie als Ausreißer der VW Passat Variant. Dieses<br />
Cluster differenziert sich durch die geringsten Werte auf Dimension 1 von den übrigen<br />
Clustern.<br />
Die Ergebnisse entsprechen weitestgehend denen der deskriptiven Analysen.
66<br />
Dimension 2<br />
1,0<br />
0,5<br />
0,0<br />
CZ 5<br />
CZ 4<br />
Audi X-Coupé<br />
BMW X6<br />
MB B-Klasse<br />
MB R-Klasse<br />
VW Neeza<br />
VW 4-t. Coupé<br />
MB CLS<br />
BMW CS<br />
Porsche Panamera<br />
-0,5<br />
Audi A7<br />
Cabrio<br />
Coupé<br />
Limousine<br />
Hatchback<br />
Kombi<br />
SUV<br />
Minivan<br />
-1,0<br />
Crossover<br />
-1,5 -1,0 -0,5 0,0<br />
Dimension 1<br />
0,5 1,0 1,5<br />
Abbildung 9: MDS-Konfiguration mit Fünf-Cluster-Lösung<br />
Anmerkungen. CZ: Clusterzentrum.<br />
CZ 3<br />
1.5.2.2.5 Güte der Clusterlösung<br />
CZ 1<br />
CZ 2<br />
C. Experimentelle <strong>St</strong>udien<br />
Die Güte einer Clusterlösung kann einerseits an der Homogenität der gefundenen Cluster<br />
und zum zweiten an der Differenzierung zwischen den Clustern bewertet werden. Zunächst<br />
werden die F-Werte zur Beurteilung der Homogenität der Cluster berichtet (vgl. <strong>Tab</strong>elle<br />
18). Dieses Kriterium setzt die Varianz eines Cluster hinsichtlich einer Dimension mit der<br />
Varianz der Erhebungsgesamtheit auf dieser Dimension in Beziehung. „Ein Cluster ist dann<br />
als vollkommen homogen anzusehen, wenn alle F-Werte kleiner als 1 sind“ (Backhaus et al.,<br />
2000, S. 378). Dies ist hier der Fall. Die Analyse weist nur zwei Werte auf, die größer 0,2<br />
sind. Dies spricht für eine sehr hohe Clusterhomogenität und eine entsprechend hohe Güte<br />
der Clusterlösung.<br />
<strong>Tab</strong>elle 18: Homogenität der Cluster<br />
Cluster 1 Cluster 2 Cluster 3 Cluster 4 Cluster 5<br />
Dimension 1 0,066 0,042 0,090 0,088 0,011<br />
Dimension 2 0,250 0,186 0,117 0,126 0,281<br />
Anmerkungen. F-Werte.
C. Experimentelle <strong>St</strong>udien 67<br />
Als zweites Gütekriterium wird die Differenzierung zwischen den Clustern mittels<br />
einer Diskriminanzanalyse überprüft (vgl. Hair et al., 1998). 22 Beide Diskriminanzfunk-<br />
tionen tragen signifikant zur Trennung der fünf Cluster bei. Die erste Funktion erklärt rund<br />
78% der Varianz der Konfiguration, die zweite Funktion mit etwa 22% deutlich weniger.<br />
Beide Funktionen weisen sehr hohe kanonische Korrelationskoeffizienten auf und auch die<br />
kleinen Werte, die Wilks’ Lambda annimmt, sprechen für eine hohe Trennkraft der Diskri-<br />
minanzfunktionen (vgl. <strong>Tab</strong>elle 19). Neben der statistischen Prüfung der Diskriminanzfunk-<br />
tionen auf Signifikanz bietet auch der Vergleich der Klassifizierung der Objekte anhand der<br />
errechneten Funktionen mit deren tatsächlicher Gruppenzugehörigkeit eine Beurteilung der<br />
Güte an (Frenzen & Krafft, 2008). In diesem Fall können 100% der geclusterten Objekte auf<br />
Basis der Diskriminanzfunktionen korrekt klassifiziert werden (s. Anhang B). Vor dem<br />
Hintergrund der Gleichverteilung der A-priori-Wahrscheinlichkeiten weist dies auf eine<br />
hervorragende Güte der ermittelten Clusterlösung hin.<br />
<strong>Tab</strong>elle 19: Diskriminanzanalyse zur Überprüfung der Clustergüte<br />
Funktion Eigenwert<br />
% der<br />
Varianz<br />
Kanon.<br />
Korr.<br />
Wilks’<br />
Lambda χ² df p<br />
1 16,441 78,35 0,971 0,010 249,132 8 0,000<br />
2 4,542 21,65 0,905 0,180 93,325 3 0,000<br />
Anmerkungen. Kanon. Korr.: Kanonische Korrelation. χ²: Prüfstatistik. df: Freiheitsgrade.<br />
p: Signifikanz.<br />
1.5.2.3 Personenspezifische Kategorisierungsunterschiede<br />
Da die beiden Variablen Produktwissen und Automobil-Involvement zu r = 0,749 (p < 0,01)<br />
miteinander korrelieren 23 , werden im Folgenden nur gruppenspezifische Daten für die<br />
Variable Produktwissen berichtet. Die Art der Kategorisierung variiert mit personenspezi-<br />
fischen Variablen. So zeigt sich, dass Experten 24 signifikant mehr Kategorien bilden (M =<br />
6,90) als Novizen (M = 6,40) (t(571) = 3,165; p < 0,01). Personenunterschiede werden jedoch<br />
nicht allein in der Anzahl gebildeter Kategorien evident, sondern auch in der Art der Grup-<br />
pierung. In der Gruppe der Experten werden weniger sinnlose Gruppennamen verwandt<br />
(2,3% vs. 6,0%), die Benennung der individuell gebildeten Gruppen scheint ihnen leichter<br />
22 Für eine ausführliche Darstellung der Diskriminanzanalyse siehe bspw. Backhaus et al. (2000) oder Hair et al. (1998).<br />
23 Die Reliabilität ermittelt durch Cronbachs α beträgt respektive 0,917 für Produktwissen und 0,882 für Automobil-<br />
Involvement.<br />
24 Die Gruppen werden anhand eines Mediansplit der Summenskala Produktwissen (Med = 4,33) gebildet.
68<br />
C. Experimentelle <strong>St</strong>udien<br />
zu fallen. 76,4% der Experten kategorisieren nach Aufbauform, während von den Novizen<br />
nur 62,5% derart vorgehen. Sie wählen verstärkt eine nutzenbasierte oder eigenschafts-<br />
basierte Vorgehensweise.<br />
Neben den deskriptiven Ergebnissen sollen für die personenspezifischen Unterschiede<br />
separate MDS-Konfigurationen und darauf basierende Clusterlösungen referiert werden.<br />
Die bereits vorgestellte MDS-Konfiguration erweist sich als relativ stabil über die Gruppen.<br />
Die STRESS1-Werte für eine zweidimensionale Darstellung liegen für die Gruppe mit<br />
hohem Produktwissen bei 0,17 und für die Gruppe mit geringerem Produktwissen bei 0,16.<br />
Auch die Goodness-of-fit Indizes erreichen Werte größer 0,97 und sprechen damit für eine<br />
annehmbare Skalierungslösung (s. Anhang C und D).<br />
Die auf den Dimensionen der MDS basierende hierarchische Clusteranalyse führt für<br />
die Gruppe der Experten zu einer Sechs-Cluster-Lösung (vgl. <strong>Tab</strong>elle 20). Im Vergleich zur<br />
allgemeinen Lösung wird hier eine separate Kategorie klassischer Kombis isoliert (Cluster<br />
3), so dass die Kompaktwagen nur noch eine Gruppe mit den sportlicheren Kombis und den<br />
neueren Crossover-Raummodellen (MB R-Klasse, VW Neeza) teilen (Cluster 5). Insgesamt<br />
betrachtet, weist die Klassifikation der Experten keine Ausreißer auf.<br />
<strong>Tab</strong>elle 20: Clusterprofile (Experten)<br />
Cluster 1 Cluster 2 Cluster 3 Cluster 4 Cluster 5 Cluster 6<br />
Dimension 1 0,365 0,789 -0,593 -0,456 -0,203 -0,806<br />
Dimension 2 -0,358 0,307 -0,433 0,592 -0,179 0,072<br />
Clustergröße 15 12 5 9 11 7<br />
Fahrzeugmodelle<br />
Alfa GT<br />
Audi A3<br />
Audi A6 Limo<br />
Audi A7<br />
BMW 3erCp<br />
BMW 3er L<br />
BMW 5er L<br />
MB C-Kl. L<br />
MB CLK Cp<br />
MB CLS<br />
MB S-Kl.<br />
MB Sportcpé<br />
Opel Vectra<br />
VW Passat<br />
Limo<br />
VW 4-türig.<br />
Coupé<br />
Bezeichnung Mittel- &<br />
Oberklasse<br />
Audi A4<br />
Cabrio<br />
Audi TT<br />
Coupé<br />
BMW 3er<br />
Cabrio<br />
BMW Z4<br />
BMW CS<br />
Mazda RX8<br />
MB CLK<br />
Cabrio<br />
MB SLK<br />
Opel Tigra<br />
Porsche 911<br />
Porsche<br />
Panamera<br />
Saab 9-3<br />
Cabrio<br />
Sportwagen<br />
Audi A4<br />
Avant<br />
MB C-Kl. K<br />
MB E-Kl. K<br />
Opel Astra<br />
Kombi<br />
VW Passat<br />
Variant<br />
klassische<br />
Kombis<br />
Audi Q7<br />
Audi X-<br />
Coupé<br />
BMW X3<br />
BMW X5<br />
BMW X6<br />
MB M-Kl.<br />
MB GL<br />
Toyota RAV4<br />
VW Touareg<br />
BMW 1er<br />
BMW 5er<br />
Touring<br />
Ford Fiesta<br />
Ford Focus<br />
Hatch<br />
Ford Mondeo<br />
K<br />
MB A-Kl.<br />
MB B-Kl.<br />
MB R-Kl.<br />
Opel Corsa<br />
VW Golf<br />
VW Neeza<br />
SUVs Kompaktwagen<br />
&<br />
sportliche<br />
Kombis<br />
Ford C-Max<br />
Opel Meriva<br />
Opel Zafira<br />
Peugeot<br />
307SW<br />
Renault<br />
Scenic<br />
Toyota<br />
Corolla<br />
Verso<br />
VW Touran<br />
Minivans<br />
Anmerkungen. Clustermittelwerte. Fahrzeugmodelle: Ausreißer sind kursiv und Crossover-<br />
Modelle sind fett gedruckt. Cab: Cabrio. Cp: Coupé. K: Kombi. L: Limousine.
C. Experimentelle <strong>St</strong>udien 69<br />
Für die Gruppe der Novizen ergibt sich eine Fünf-Cluster-Lösung. Die Kategorien<br />
Sportwagen und SUVs werden auch hier eindeutig identifiziert. Die Gruppe der Ober- und<br />
Mittelklassewagen wird wie in der allgemeinen Lösung durch die beiden Ausreißer BMW<br />
1er und VW Neeza ergänzt. Neu ist hier ein Cluster von Raummodellen, das Minivans und<br />
klassische Kombis zusammenfasst. Diese Gruppe entspricht der bereits beobachteten ver-<br />
mehrten eigenschafts- bzw. nutzenbasierten Vorgehensweise bei der Kategorisierung.<br />
Cluster 4 konstituiert sich aus Kompaktwagen sowie dem 5er Touring, dem Ford Mondeo<br />
Kombi und der MB R-Klasse. Erstmals fällt auch der Audi Q7 in diese Kategorie (vgl.<br />
<strong>Tab</strong>elle 21).<br />
<strong>Tab</strong>elle 21: Clusterprofile (Novizen)<br />
Cluster 1 Cluster 2 Cluster 3 Cluster 4 Cluster 5<br />
Dimension 1 0,378 0,767 -0,756 -0,276 -0,476<br />
Dimension 2 -0,275 0,314 -0,040 -0,338 0,595<br />
Clustergröße 17 12 12 10 8<br />
Fahrzeugmodelle<br />
Alfa GT<br />
Audi A3<br />
Audi A6 Limo<br />
Audi A7<br />
BMW 1er<br />
BMW 3er Cp<br />
BMW 3er L<br />
BMW 5er L<br />
MB C-Kl. Limo<br />
MB CLK Cp<br />
MB CLS<br />
MB S-Klasse<br />
MB Sportcp<br />
Opel Vectra<br />
VW Neeza<br />
VW Passat L<br />
VW 4-türiges<br />
Coupé<br />
Bezeichnung Mittel- &<br />
Oberklasse<br />
Audi A4 Cab<br />
Audi TT Cp<br />
BMW 3er Cab<br />
BMW Z4<br />
BMW CS<br />
Mazda RX8<br />
MB CLK Cab<br />
MB SLK<br />
Opel Tigra<br />
Porsche 911<br />
Porsche<br />
Panamera<br />
Saab 9-3 Cab<br />
Audi A4 Avant<br />
MB C-Kl. K<br />
MB E-Kl. K<br />
VW Passat<br />
Variant<br />
Ford C-Max<br />
Opel Astra K<br />
Opel Meriva<br />
Opel Zafira<br />
Peugeot<br />
307SW<br />
Renault Scenic<br />
Toyota Corolla<br />
Verso<br />
VW Touran<br />
Audi Q7<br />
BMW 5er<br />
Touring<br />
Ford Fiesta<br />
Ford Focus H<br />
Ford Mondeo K<br />
MB A-Klasse<br />
MB B-Klasse<br />
MB R-Klasse<br />
Opel Corsa<br />
VW Golf<br />
Sportwagen Raummodelle Kompaktwagen<br />
&<br />
sportliche<br />
Kombis<br />
Audi X-Coupé<br />
BMW X3<br />
BMW X5<br />
BMW X6<br />
MB M-Klasse<br />
MB GL<br />
Toyota RAV4<br />
VW Touareg<br />
SUVs<br />
Anmerkungen. Clustermittelwerte. Fahrzeugmodelle: Ausreißer sind kursiv und Crossover-<br />
Modelle fett gedruckt. Cab: Cabrio. Cp: Coupé. K: Kombi. L: Limousine.<br />
Beide Clusterlösungen überzeugen durch ausreichende Homogenität der Cluster und<br />
gute Differenzierung zwischen den Clustern. Die Clusterlösung der Experten scheint ent-<br />
sprechend der Hypothesen bei näherer Betrachtung der F-Werte etwas homogener zu sein<br />
als die Konfiguration der Novizen (vgl. <strong>Tab</strong>elle 22 und <strong>Tab</strong>elle 23). Allein der F-Wert für<br />
das Cluster 5 verzeichnet bei den Experten einen Wert größer 0,2 auf der zweiten Dimen-<br />
sion. Für die Gruppe der Novizen überschreiten drei F-Werte den Wert von 0,2. Die Dis-<br />
kriminanzfunktionen weisen hohe Trennkraft auf. Sie unterscheiden sich jedoch hinsichtlich
70<br />
C. Experimentelle <strong>St</strong>udien<br />
der Varianzerklärung der zweiten Dimension. Während diese bei den Experten immerhin<br />
27% der Varianz erklärt, sinkt dieser Wert bei den Novizen auf 15%. Die vollständigen Er-<br />
gebnisse sind in Anhang C und D aufgeführt.<br />
<strong>Tab</strong>elle 22: Homogenität der Cluster (Experten)<br />
Cluster 1 Cluster 2 Cluster 3 Cluster 4 Cluster 5 Cluster 6<br />
Dimension 1 0,063 0,041 0,073 0,087 0,132 0,003<br />
Dimension 2 0,127 0,168 0,032 0,116 0,329 0,073<br />
Anmerkungen. F-Werte.<br />
<strong>Tab</strong>elle 23: Homogenität der Cluster (Novizen)<br />
Cluster 1 Cluster 2 Cluster 3 Cluster 4 Cluster 5<br />
Dimension 1 0,067 0,037 0,040 0,035 0,102<br />
Dimension 2 0,235 0,180 0,302 0,407 0,024<br />
Anmerkungen. F-Werte.<br />
Die Ergebnisse lassen den Schluss zu, dass es keine grundlegenden strukturellen<br />
Unterschiede bei der Kategorisierung von Pkw durch Automobil-Experten und Novizen<br />
gibt. Wie schon durch die deskriptiven Analysen festgestellt, kategorisieren Experten jedoch<br />
zu einem höheren Anteil nach Aufbauformen und Novizen stärker nutzenbasiert. Die<br />
größere Homogenität der durch die Experten gebildeten Cluster spricht für eine in sich kon-<br />
sistentere Klassifikation, die sich auch darin äußert, dass die Clusterlösung der Experten<br />
keine Ausreißer aufweist.<br />
1.5.3 Personenspezifische Determinanten der wahrgenommenen <strong>St</strong>imulusüberlastung<br />
Neben der explorativen Analyse der Kategorisierungsergebnisse sollen differentielle Effekte<br />
auch im Hinblick auf die aus der Angebotskomplexität entstandene wahrgenommene<br />
<strong>St</strong>imulusüberlastung untersucht werden. Die in den Hypothesen 1.1 und 1.2 postulierten<br />
negativen Effekte von automobilem Produktwissen und Involvement auf die wahrgenom-<br />
mene <strong>St</strong>imulusüberlastung werden mittels einer Regressionsanalyse überprüft.<br />
Wie bereits berichtet (Kap. 1.5.2.3) und hinlänglich aus der Literatur bekannt (z.B.<br />
Sujan, 1985), korrelieren beide Variablen hoch positiv miteinander (r = 0,749; p < 0,01).<br />
Daher soll der relative Einfluss beider Prädiktoren mittels einer multiplen Regression über-<br />
prüft werden. Trotz der hohen Interkorrelation weist die Kollinearitätsstatistik nicht auf<br />
Multikollinearität hin. Sie läge bei linearer Abhängigkeit zwischen den unabhängigen Vari-<br />
ablen des Modells vor. Hair et al. (1998) geben folgende Grenzwerte an: Unterschreitung<br />
des Wertes 0,10 bei der Toleranz bzw. ein Varianz-Inflations-Faktor (VIF) größer 10. Der<br />
Wert für die Toleranz liegt bei 0,439 und der des VIF bei 2,277 und ist somit deutlich von
C. Experimentelle <strong>St</strong>udien 71<br />
den angegebenen Schwellenwerten entfernt. Auch die weiteren Prämissen der Regressions-<br />
analyse sind erfüllt. Der Durbin/Watson-Test prüft die Nullhypothese, „dass die Beobach-<br />
tungswerte nicht autokorreliert sind“ (Backhaus et al., 2000, S. 41). Aufgrund des errechne-<br />
ten Wertes d = 2,113 kann die Nullhypothese beibehalten werden: Es liegt keine Auto-<br />
korrelation vor. Die Regressionsanalyse basiert weiterhin auf der Annahme, dass die Resi-<br />
duen unabhängig von den Prädiktoren und der Reihenfolge der Beobachtungen sind<br />
(Backhaus et al., 2000). Zur Überprüfung dieser Prämisse eignet sich ein graphisches<br />
Verfahren, bei dem die standardisierten geschätzten Werte gegen die standardisierten Resi-<br />
duen in einem <strong>St</strong>reudiagramm abgetragen werden. Heteroskedastizität liegt vor, wenn ein<br />
deutlicher Zusammenhang zwischen den Residuen und den geschätzten Werten vorliegt.<br />
Dies ist hier nicht der Fall (vgl. Anhang E). Bei der Interpretation der Regressionsanalyse<br />
muss beachtet werden, dass die abhängige Variable Abweichungen von der Normalvertei-<br />
lung aufweist. Da der Signifikanztest relativ robust gegenüber derartigen Verletzungen der<br />
Prämissen ist (J. Cohen & Cohen, 1983), soll das Signifikanzniveau hier angegeben, jedoch<br />
nur unter Vorbehalt interpretiert werden.<br />
Die Ergebnisse zeigen negative und statistisch hochsignifikante Zusammenhänge zwi-<br />
schen Produktwissen (β = -0,195) bzw. Automobil-Involvement (β = -0,157) und der wahr-<br />
genommenen <strong>St</strong>imulusüberlastung (vgl. <strong>Tab</strong>elle 24). Der Determinationskoeffizient beträgt<br />
R² = 0,109 und ist statistisch signifikant (F(2;572) = 34,855; p < 0,000). Der korrigierte<br />
Determinationskoeffizient ist mit R² = 0,106 nur unwesentlich kleiner als R². Die Effekt-<br />
größe des multiplen Zusammenhangs (f² = R²/(1-R²) = 0,12) ist nach J. Cohen (1992) als<br />
klein bis mittel zu beurteilen. Der <strong>St</strong>andardschätzfehler beträgt s = 1,36. Hypothesen 1.1<br />
und 1.2 können somit angenommen werden: Produktwissen und Automobil-Involvement<br />
wirken sich negativ auf die wahrgenommene <strong>St</strong>imulusüberlastung aus.<br />
<strong>Tab</strong>elle 24: Multiple Regression: Koeffizienten zur Vorhersage der Wahrgenommenen<br />
<strong>St</strong>imulusüberlastung<br />
b s β t p Tol. VIF<br />
Konstante 5,846 0,190 30,765 0,000<br />
Produktwissen -0,201 0,061 -0,195 -3,278 0,001 0,439 2,277<br />
Automobil-Involvem. -0,152 0,058 -0,157 -2,634 0,009 0,439 2,277<br />
Anmerkungen. b: Nicht standardisierter Koeffizient. s: <strong>St</strong>andardfehler. β: <strong>St</strong>andardisierter<br />
Koeffizient. t: Prüfstatistik. p: Irrtumswahrscheinlichkeit (α = 0,05; zweiseitig). Tol.: Toleranz.<br />
VIF: Varianz-Inflations-Faktor.
72<br />
1.5.4 Repräsentativität von Crossover-Fahrzeugen und Produktevaluation<br />
C. Experimentelle <strong>St</strong>udien<br />
Hypothese 1.3 postuliert eine negative Korrelation zwischen wahrgenommener Typikalität<br />
(TYP) und Neuartigkeit (NOV) sowie positive Korrelationen zwischen wahrgenommener<br />
Typikalität und Produktevaluation (PRE) bzw. Neuartigkeit und Produktevaluation, die<br />
jedoch erst unter Auspartialisierung der jeweils anderen Variable hervortreten. <strong>Tab</strong>elle 25<br />
zeigt die Korrelationen erster Ordnung für die zehn Crossover-Fahrzeuge sowie die entspre-<br />
chenden Fishers Z-Werte von r. J.Cohen (1988) zufolge können mit der Produkt-Moment-<br />
Korrelation bei einer <strong>St</strong>ichprobengröße von N = 575, dem Signifikanzniveau α = 0,05 und<br />
der Teststärke 1 - β = 0,80 bei zweiseitiger Testung kleine Effekte entdeckt werden.<br />
<strong>Tab</strong>elle 25: Korrelationen zwischen Repräsentativität und Produktevaluation<br />
TYP ~ NOV TYP ~ PRE NOV ~ PRE<br />
Modell r Z r Z r Z<br />
Audi A7 0,305*** 0,315 0,422*** 0,450 0,608*** 0,706<br />
Audi X-Cp 0,220*** 0,224 0,360*** 0,377 0,553*** 0,623<br />
BMW CS 0,372*** 0,391 0,422*** 0,450 0,596*** 0,687<br />
BMW X6 0,238*** 0,243 0,382*** 0,402 0,579*** 0,661<br />
MB B-Klasse 0,125** 0,126 0,080 0,080 0,153*** 0,154<br />
MB CLS 0,229*** 0,233 0,331*** 0,344 0,669*** 0,809<br />
MB R-Klasse 0,162*** 0,163 0,403*** 0,427 0,643*** 0,763<br />
P. Panamera 0,203*** 0,206 0,383*** 0,404 0,594*** 0,684<br />
VW Coupé 0,256*** 0,262 0,369*** 0,387 0,607*** 0,704<br />
VW Neeza 0,206*** 0,209 0,329*** 0,342 0,545*** 0,611<br />
Anmerkungen. r: Produkt-Moment-Korrelation. Z: Fishers Z-Wert von r.<br />
*p
C. Experimentelle <strong>St</strong>udien 73<br />
Fishers Z transformierten Werte von Z = 0,24 (SD = 0,07), für den Zusammenhang zwi-<br />
schen wahrgenommener Typikalität und Produktevaluation Z = 0,37 (SD = 0,11) und für<br />
den Zusammenhang zwischen wahrgenommener Neuartigkeit und Produktevaluation Z =<br />
0,64 (SD = 0,18). Dies entspricht Korrelationskoeffizienten von r = 0,23 bzw. 0,35 und<br />
0,57. Die Korrelationen stellen nach J. Cohen (1988) respektive einen kleinen, mittleren und<br />
großen Effekt dar. 25 Hypothese 1.3 muss abgelehnt werden. Die Konstrukte wahrgenom-<br />
mene Typikalität und Neuartigkeit wirken nicht als Suppressorvariablen für den Zusam-<br />
menhang der jeweils anderen Variable mit der Produktevaluation.<br />
1.6 Diskussion<br />
1.6.1 Zusammenfassung und Diskussion der Ergebnisse<br />
Sowohl für die personenspezifischen Kontrollvariablen als auch für die abhängigen Variab-<br />
len konnte ein reliables Messinstrumentarium auf Basis der Literatur entwickelt werden. Die<br />
Reliabilitätskennwerte überzeugen prinzipiell mit Werten von Cronbachs α größer 0,88.<br />
Einzig die aus zwei Items bestehende Skala zur Erfassung der wahrgenommenen Neuartig-<br />
keit weist Reliabilitätswerte für die einzelnen Crossover-Fahrzeuge zwischen α = 0,654 und<br />
0,814 auf. Die Kongruenz der Ergebnisse der Itemanalysen und der Faktorenanalysen stüt-<br />
zen die Validität der Skalen. Eine Itemselektion wurde einzig für das Involvement-<br />
Konstrukt vorgenommen. Da das Item INV4 eine Trennschärfe kleiner 0,3 aufweist, wird<br />
dieses Item eliminiert. Diese Indikation wird durch die geringe Kommunalität des Items und<br />
die geringe Faktorladung im Rahmen der explorativen Faktorenanalyse gestützt.<br />
Zentrales Ziel dieser <strong>St</strong>udie ist die Identifikation der <strong>St</strong>ruktur des deutschen Pkw-<br />
Marktes aus Kundensicht. Die wahrgenommene Marktstruktur lässt sich in einem zwei-<br />
dimensionalen Raum darstellen. Bei der Interpretation der Nachbarschaftsrelationen zeigt<br />
sich, dass sich die einzelnen Fahrzeuge in diesem Raum weitestgehend nach ihrer Aufbau-<br />
formen-Zugehörigkeit und ihrem Nutzen anordnen. Die Kategorisierung nach Aufbauform<br />
wird durch die deskriptiven Analysen der freien Kategorienbezeichnungen als auch durch<br />
die Ergebnisse der Clusteranalyse bestätigt. Für die Gesamtstichprobe ergibt sich eine<br />
Typologie aus fünf Clustern. Konsumenten unterscheiden zwischen Mittel- und Oberklasse-<br />
wagen, Sportwagen, SUVs, Minivans sowie Kompakt- und Kombinationswagen. Homo-<br />
gene Aufbauformensegmente stellen allein die SUVs und Minivans dar, während die ande-<br />
25 Korrelationen r ≥ 0,10 entsprechen einem kleinen Effekt, Korrelationen r ≥ 0,30 einem mittleren Effekt und<br />
Korrelationen größer gleich r ≥ 0,50 einem großen Effekt (J. Cohen, 1988).
74<br />
C. Experimentelle <strong>St</strong>udien<br />
ren drei Segmente Fahrzeuge anhand ihrer Eigenschaften bzw. des erwarteten Nutzens<br />
zusammenfassen. Das Mittel- und Oberklassesegment konstituiert sich aus Limousinen und<br />
vom Design her klassisch-eleganten Coupés. Die Kategorie Sportwagen umfasst sowohl<br />
Cabrios als auch sehr schnittige Coupés. Gemeinsam ist allen Fahrzeugen in dieser Gruppe<br />
ein sportlich-dynamisches Fahrverhalten. Überraschenderweise fassen Konsumenten Kom-<br />
bis und Kompaktwagen zusammen. Im Vergleich zu anderen Aufbauformen unterscheiden<br />
sich beide Produkttypen in ihrer Form nicht besonders stark, beide weisen ein two-box<br />
Design auf, so dass die interkategoriale Differenzierung bei intrakategorialer Homogenität<br />
gegeben ist (vgl. Kapitel B1.3). Funktional betrachtet, erlauben beide Fahrzeugtypen den<br />
Transport von vier Personen und aufgrund des <strong>St</strong>eilhecks die praktische Mitnahme von<br />
Gepäck. Die Fahrzeugtypen unterscheiden sich durch die größere Ladefläche der Kombis<br />
und damit optisch durch eine verlängerte Seitenlinie. Theoretisch betrachtet, werden sowohl<br />
ähnlichkeits- als auch zielbasierte Kategorisierungsansätze angewandt. Die Ergebnisse spre-<br />
chen somit für einen flexiblen Ansatz der Kategorisierung, wie er unter anderen von J.B.<br />
Cohen und Basu (1987) propagiert wird (vgl. Kapitel B1.3.4).<br />
Die zweite Fragestellung bezieht sich auf die Integration der Crossover-Fahrzeuge in<br />
die wahrgenommene Marktstruktur. Bis auf das Minivan-Cluster beinhalten alle Kategorien<br />
mindestens zwei Crossover-Fahrzeuge. Die SUCs werden in das SUV-Cluster integriert,<br />
grenzen sich dort aber von den SUVs deutlich in Richtung der Sportwagen ab. Damit bilden<br />
sie in der Wahrnehmung der Konsumenten vermutlich eine Subkategorie. So wie sich in den<br />
späten 90er Jahren die weniger Offroad tauglichen SUVs von den klassischen Gelände-<br />
wagen abgegrenzt haben (vgl. Diez, 2003), scheint die Segmententwicklung einen nächsten<br />
Schritt zu nehmen, der auch von den Kunden nachvollzogen wird. Die viertürigen Coupés<br />
bzw. coupéhaften Limousinen werden in unterschiedliche Cluster gruppiert. Während<br />
BMW CS und Porsche Panamera Objekte des Sportwagen-Segmentes sind, fallen Audi A7,<br />
MB CLS und das entsprechende VW-Fahrzeug dem Mittel- und Oberklassesegment zu. An<br />
dieser Gruppierung zeigt sich, dass eine Klassifizierung allein nach Aufbauform nicht der<br />
Wahrnehmung der Kunden gerecht wird und es keine eindeutige Lösung für die in der<br />
Praxis geführte Diskussion ob der Benennung dieses Fahrzeugtyps gibt. Vielmehr scheinen<br />
beide Begriffe, viertüriges Coupé und coupéhafte Limousine, auf jeweils unterschiedliche<br />
Fahrzeuge zuzutreffen. Die Einteilung kann am Grad der wahrgenommenen Sportlichkeit<br />
festgemacht werden. Im gemischten Sportwagen-Cluster liegen die beiden Crossover-<br />
Modelle relativ weit vom Clusterzentrum entfernt in der Region der Coupés. Für den Kun-<br />
den handelt es bei ihnen um geschlossene Sportwagen. Die stärker von den Limousinen<br />
geprägten Fahrzeuge Audi A7, MB CLS und das entsprechende VW-Fahrzeug werden ein-
C. Experimentelle <strong>St</strong>udien 75<br />
deutig als Fahrzeuge des Mittel- und Oberklassesegments wahrgenommen. Auf sie trifft<br />
somit eher eine Beschreibung als coupéhafte Limousine zu. Ebenfalls dem Mittel- und<br />
Oberklassesegment zugeordnet wird der VW Neeza. Da es sich bei diesem Fahrzeug weder<br />
um eine Limousine noch um ein Coupé handelt und das Fahrzeug in der Clusteranalyse im<br />
nächsten Iterationsschritt gemeinsam mit dem BMW 1er ein eigenes Cluster gebildet hätte,<br />
handelt es sich hierbei um einen Ausreißer. Eine eindeutige Ähnlichkeit zu bestehenden<br />
Kategorien bzw. ein klares Nutzenversprechen sind aus Konsumentensicht nicht zu erken-<br />
nen. Die beiden von Mercedes-Benz als Sportstourer vermarkteten Produkte B-Klasse und<br />
R-Klasse fallen in die gemischte Kategorie der Kompakt- und Kombinationswagen. Be-<br />
trachtet man die deskriptiven Analysen, so werden sie über die wahrgenommene Ähnlich-<br />
keit zu bestehenden Fahrzeugkonzepten kategorisiert. Es kann also festgehalten werden,<br />
dass Crossover-Fahrzeuge nicht per se vom Kunden als neue Fahrzeugtypen-Kategorien<br />
wahrgenommen werden, eher bilden sie Subkategorien innerhalb von bestehenden Produkt-<br />
typen. Dieser Befund stützt das Subtyping Model und entspricht den Annahmen der sozialen<br />
Kognitionsforschung, die davon ausgeht, dass kategorienbasierte top-down Prozesse der<br />
<strong>St</strong>andardmodus sozialer Informationsverarbeitung sind (vgl. Kapitel A2.2.1).<br />
Zur Beantwortung von Fragestellung 1.3 wurden gruppenspezifische Unterschiede der<br />
Kategorisierung untersucht. Es wird vermutet, dass Experten aufgrund ihres Produktwissens<br />
eine differenziertere Wahrnehmung der Marktstruktur haben und Crossover-Fahrzeuge auf-<br />
grund dessen besser integrieren können. Generell ist festzuhalten, dass es keine grundlegen-<br />
den strukturellen Unterschiede bei der Kategorisierung gibt. Die deskriptiven Analysen<br />
geben allerdings einen ersten Hinweis, dass Experten über eine differenziertere mentale<br />
Repräsentation verfügen. Nicht nur bilden Experten signifikant mehr Gruppen als Novizen,<br />
ihnen fällt auch die sinnvolle Benennung der von ihnen gebildeten Gruppen leichter. Diese<br />
Ergebnisse werden durch die Clusteranalyse gestützt. Die höhere Trennkraft der zweiten<br />
Diskriminanzfunktion der Experten (27%) gegenüber der in der Konfiguration der Novizen<br />
(15%) spricht dafür, dass Experten komplexes Automobilwissen besser organisieren kön-<br />
nen. Die Klassifikation der Experten resultiert in einer differenzierteren Sechs-Cluster-<br />
Lösung. Im Gegensatz zur Lösung der Gesamtstichprobe wird hier eine eigenständige<br />
Gruppe klassischer Kombis identifiziert. Die gemischte Gruppe aus Kompaktwagen und<br />
Kombis besteht weiterhin, jedoch bleiben die Kombis in dieser Gruppe auf die sportlicheren<br />
Baureihen beschränkt. In der Clusterlösung der Experten finden sich keine Ausreißer. Dies<br />
ist ein weiterer Aspekt, der für ihre konsistentere Wissensstruktur spricht. Experten sind<br />
folglich in der Lage, auch unbekannte Crossover-Fahrzeuge wie den VW Neeza in ihre<br />
automobile Wissensstruktur zu integrieren. Dieses Fahrzeug ordnen sie den sportlichen
76<br />
C. Experimentelle <strong>St</strong>udien<br />
Kombis zu. Die Kategorisierung aller anderen Crossover-Modelle bleibt zur Lösung der<br />
Gesamtstichprobe konstant.<br />
Für die Klassifikation der Probanden mit geringem Produktwissen ergibt sich eine<br />
Fünf-Cluster-Lösung, die die eigenschafts- bzw. nutzenorientierte Vorgehensweise der<br />
Novizen widerspiegelt. Dies zeigt sich insbesondere in der Bildung einer Gruppe von<br />
Raummodellen, die sowohl Minivans als auch Kombis umfasst. Aus den deskriptiven Ana-<br />
lysen ist ersichtlich, dass die Probanden hier nach dem Kriterium Eignung als Familienfahr-<br />
zeug vorgegangen sind. Das geringere Automobilwissen dieser Gruppe führt dazu, dass sich<br />
in der Clusterlösung einige Ausreißer finden: so wird der Audi Q7 dem gemischten Cluster<br />
der Kompaktwagen und Kombis zugeordnet. BMW 1er und VW Neeza würden - wie auch<br />
in der Clusterlösung der Gesamtstichprobe - im nächsten Iterationsschritt ein eigenes<br />
Cluster bilden, werden hier aber dem Mittel- und Oberklassesegment zugeschrieben. Novi-<br />
zen fällt die kognitive Integration von Crossover-Fahrzeugen sichtlich schwerer. Sie verfü-<br />
gen über eine weniger gut strukturierte mentale Repräsentation des Automobilmarktes. Die<br />
deskriptiven Analysen deuten weiterhin daraufhin, dass sie weniger mit automobilen Fach-<br />
termini vertraut sind.<br />
Der größere Unsicherheitsfaktor der Novizen schlägt sich außer bei der Kategorisie-<br />
rung und der Benennung der Gruppierungen auch in einer höheren wahrgenommenen<br />
<strong>St</strong>imulusüberlastung nieder. Eine Regressionsanalyse zeigt, dass Experten und auch invol-<br />
vierte Personen angeben, die immer komplexer werdende Marktstruktur besser zu verstehen<br />
und zwischen sich immer schwieriger zu differenzierenden Leistungsangeboten unterschei-<br />
den zu können, ohne dabei irritiert zu sein.<br />
Der Versuch, die Ergebnisse von Hekkert et al. (2003) zu replizieren, gelang nicht. Da<br />
in den vorliegenden Daten wahrgenommene Typikalität und Neuartigkeit signifikant positiv<br />
miteinander korrelieren, wirken beide Variablen nicht als Suppressorvariable für den<br />
Zusammenhang der jeweils anderen Variablen mit der Produktevaluation. Während Hekkert<br />
und Kollegen (2003) die wahrgenommene Typikalität und Neuartigkeit hinsichtlich einer<br />
vorgegebenen Produktklasse (z.B. Mittelklassse-Limousinen) beurteilen ließen, wurden die<br />
Bewertungen hier vor dem Hintergrund der im Vorfeld individuell generierten Kategorien-<br />
struktur vorgenommen. Die Ergebnisse deuten darauf hin, dass Probanden mit einer Ein-<br />
schätzung der Neuartigkeit im Hinblick auf selbst generierte Referenzpunkte überfordert<br />
sind. Da Kategorisierung in der Regel auf äußeren Ähnlichkeiten bzw. Ähnlichkeiten hin-<br />
sichtlich Nutzenerwartungen basiert, nutzen Probanden die Typikalitätsinformation als<br />
Basis der Kategorisierung und sind in der Lage, im Anschluss die Typikalität der einzelnen<br />
Crossover-Fahrzeuge hinsichtlich der gebildeten Kategorien zu beurteilen. Hohe wahrge-
C. Experimentelle <strong>St</strong>udien 77<br />
nommene Typikalität sollte also als Rechtfertigung der individuellen Kategorisierung ver-<br />
standen werden. Die wahrgenommene Neuartigkeit hingegen wird unter Umständen losge-<br />
löst von der Kategorisierung vor dem Hintergrund allgemein bekannter Fahrzeuge beurteilt.<br />
Dies mag zu den vorliegenden positiven Korrelationen zwischen wahrgenommener Typika-<br />
lität und Neuartigkeit führen. Möglicherweise treten hier auch Ermüdungserscheinungen<br />
seitens der Probanden auf, die dazu führen, dass diese sich nicht mehr ausreichend auf die<br />
weiteren Aufgaben konzentriert haben.<br />
1.6.2 Kritische Würdigung der angewandten Methodik<br />
Die konsumentenseitig wahrgenommene Marktstruktur wurde auf Basis von Ähnlichkeits-<br />
vergleichen identifiziert. Dazu wurden die Panelisten gebeten, 59 Fahrzeuge basierend auf<br />
ihrer Ähnlichkeit zu gruppieren. Dieses für die Befragten sehr anspruchsvolle Verfahren<br />
führt zu stabilen Ergebnissen. Wie bereits von Tsogo et al. (2000) festgestellt, liefern<br />
multidimensionale Skalierungen auf aggregierten Daten bei großen Objektmengen gute<br />
Konfigurationen, wenn die Daten mittels Sortieraufgaben erhoben werden. Auch Malhotra<br />
(1987) konnte nachweisen, dass die MDS valide und reliable Ergebnisse in der<br />
Marketingforschung präsentiert. Insbesondere für den Automobilmarkt weisen seine <strong>St</strong>u-<br />
dien hohe Konvergenz zwischen aggregierten Ähnlichkeitsdaten und Ratings anhand von<br />
semantischen Differentialen auf. Die stabilen Ergebnisse bestätigen auch in der vorliegen-<br />
den Arbeit, dass sich die MDS als geeigneter Ansatz zur konsumentenseitigen <strong>St</strong>rukturie-<br />
rung von Produktkategorien erweist.<br />
Neben der Abbildung der Marktstruktur bekannter Produkte ermöglicht die MDS auch<br />
eine räumliche Integration der Wahrnehmung von innovativen hybriden Produkten. Da es<br />
den Probanden freigestellt ist, die präsentierten Fahrzeuge in beliebig vielen Kategorien<br />
anzuordnen, können auch unbekannte Fahrzeuge flexibel in die persönliche Wissensstruktur<br />
eingeordnet werden. Im Gegensatz zu klassischen Ansätzen zum Verständnis hybrider Pro-<br />
dukte (vgl. Moreau, Lehmann et al., 2001; Rajagopal, 2004) wird die Eingruppierung hier<br />
nicht durch vom Forscher vorgegebene Kategorien geleitet.<br />
Zur Erleichterung der Interpretation komplexer Marktstrukturen ist eine Integration<br />
von Eigenschaftsdaten wünschenswert (vgl. Dichtl & Schobert, 1979). Eine Erhebung<br />
zusätzlicher externer Kriterien in Form einer Eigenschaftsbatterie für alle 59 Objekte war<br />
aufgrund der sehr großen Objektmenge jedoch nicht möglich, so dass hier eine Interpreta-<br />
tion anhand interner Kriterien vorgenommen wurde (vgl. Rabinowitz, 1975). Dabei wurden<br />
sowohl die Nachbarschaftsrelationen der einzelnen Objekte als auch auf Basis der Dimensi-<br />
onen gebildete Objektcluster interpretiert. Da der Forscher im Falle der Interpretation von
78<br />
C. Experimentelle <strong>St</strong>udien<br />
MDS-Lösungen mittels externer wie auch interner Kriterien auf sein Vorwissen rekurriert<br />
(Borg, 2000), erscheinen beide Verfahren gleichermaßen objektiv.<br />
Als <strong>St</strong>imulusmaterial dienten hier Fahrzeugfotos, bei deren Auswahl darauf geachtet<br />
wurde, dass alle aus der gleichen Perspektive von schräg vorne und in silbernem Lack auf-<br />
genommen wurden. Da es jedoch nicht möglich war, komplett standardisierte Fotos hin-<br />
sichtlich Größe, Aufnahmewinkel und Fahrzeugfarbe zu bekommen, können einige Ausrei-<br />
ßer in der Kategorisierung unter Umständen auf Unterschiede im Fotomaterial zurückzufüh-<br />
ren sein.<br />
Zusammenfassend betrachtet, hat sich die gewählte Analysemethodik als geeignet zur<br />
Darstellung der konsumentenseitig wahrgenommenen Marktstruktur unter spezieller<br />
Berücksichtigung der mentalen Integration von Crossover-Fahrzeugen erwiesen.
C. Experimentelle <strong>St</strong>udien 79<br />
2 <strong>St</strong>udie 2: Bildung neuer Kategorien in Abhängigkeit der<br />
<strong>St</strong>imulusambiguität und der Nennung eines Kategorienlabel<br />
Während mit der ersten <strong>St</strong>udie das Ziel verfolgt wurde, mit einem explorativen Ansatz die<br />
<strong>St</strong>ruktur des Automobilmarktes aus Kundensicht darzustellen, konzentrieren sich die fol-<br />
genden Hypothesen auf die Bildung neuer automobiler Kategorien aus Kundensicht und die<br />
damit verbundenen Informationsverarbeitungsprozesse. Neben den für das Marketing un-<br />
mittelbar relevanten Größen, wie der tatsächlichen Kategorisierung und der Urteilsbildung,<br />
sind hier auch die innerpsychischen Entscheidungsprozesse bei der Kategorisierung von<br />
Interesse. Wie bereits in Kapitel B2.1 dargestellt, wird die Bildung neuer Kategorien in der<br />
Literatur bislang eher stiefmütterlich behandelt.<br />
Die Produktprogramme der Automobilhersteller werden durch Crossover-Fahrzeuge<br />
deutlich erweitert (vgl. Kapitel A1). Ziel ist es, immer neue Marktnischen zu erschließen<br />
und differenzierte Kundenbedürfnisse zu erfüllen. Inwieweit die Nachfrager sich von der<br />
neuen Produktvielfalt angesprochen fühlen, bleibt jedoch zu klären. Einerseits zeigen sich<br />
Konsumenten begeistert hinsichtlich einer großen Auswahl, andererseits setzt sie dies unter<br />
Umständen auch einer Überstimulierung und Überforderung durch eine unklare Produkt-<br />
vielfalt aus (Iyengar & Lepper, 2000; Herrmann & Heitmann, 2006). Aus diesem Grund soll<br />
am Beispiel von Crossover-Fahrzeugen der Frage nachgegangen werden, wie uneindeutige<br />
Produkte in die Wissensstruktur integriert und bewertet werden.<br />
2.1 Forschungslücken und Hypothesen<br />
2.1.1 Ambiguität und Kategorienbildung<br />
Das Produktkategorienwissen setzt sich aus dem Kategoriennamen und inhaltlichem Wissen<br />
über Produktattribute und ihre Beziehungen untereinander zusammen (Markman & Ross,<br />
2003). Dieses Produktwissen ist in einem konsistenten Schema zusammengefasst (vgl.<br />
Kapitel B1.4). Zur Begründung neuer (automobiler) Klassen bedarf es der Erweiterung<br />
altbekannter Schemata. Wie in Kapitel B2.2.2 dargestellt, bildeten Probanden in <strong>St</strong>udien<br />
von Sujan und Bettman (1989) sowie Meyers-Levy und Tybout (1989) bei starker bzw.<br />
moderater Diskrepanz eines neuen Produktes zur Produktkategorie eine Subkategorie, wäh-<br />
rend sie das Produkt bei geringer Diskrepanz in die Kategorie assimilierten. Diese <strong>St</strong>udien<br />
untersuchen innovative Produkte allerdings nur im Vergleich zu einer bestehenden Produkt-<br />
kategorie.<br />
Da neue Produkte, wie z.B. Digitalkameras oder BlackBerries aber auch Crossover-<br />
Fahrzeuge, sich häufig aus mehreren Produktkategorien zusammensetzen, ist die alleinige
80<br />
C. Experimentelle <strong>St</strong>udien<br />
theoretische Betrachtung der Forschung zur Schemadiskrepanz nicht ausreichend. Neuere<br />
Arbeiten zur Kategorisierung ambiguoser Produkte zeigen, dass uneindeutige Informationen<br />
über neue Produkte zu Unsicherheiten bei der Produktkategorisierung führen (Gregan-<br />
Paxton et al., 2005). Die teilweise widersprüchlichen Informationen ermöglichen<br />
unterschiedliche Interpretationen von Produkteigenschaften (Hoch & Ha, 1986; Hoch &<br />
Deighton, 1989). Wie bereits erläutert, haben sich bestehende <strong>St</strong>udien auf die Inferenz- und<br />
Präferenzbildung basierend auf existierenden Kategorien für hybride Produkte konzentriert.<br />
Sie haben sich jedoch nicht mit der Bildung neuer Kategorien beschäftigt.<br />
Im Gegensatz zu existierenden <strong>St</strong>udien soll der Frage nachgegangen werden, inwieweit<br />
Ambiguität in der Produktsubstanz die Bildung neuer Kategorien auf Produkttypenebene<br />
vor dem Hintergrund der individuellen Kategorienstruktur begünstigt. Ambiguität liegt in<br />
der Natur von hybriden Produkten, wie z.B. Crossover-Modellen im Automobilmarkt (vgl.<br />
Kapitel A1.2). Der Grad der Ambiguität steigt mit der Anzahl der dem Produkt zugrunde<br />
liegenden Produkttypen, wie z.B. Aufbauformen. So liegen einer CLS-Klasse beispiels-<br />
weise die Aufbauvarianten Limousine und Coupé zugrunde, während die R-Klasse auf<br />
Limousine, Minivan und SUV beruht. Wird ein hybrides Produkt mit seinen uneindeutigen<br />
Attributen in eine bestehende Produktkategorie integriert, sinkt sowohl die Homogenität der<br />
Kategorie als auch die Differenzierung gegenüber anderen Basiskategorien. 26 Daraus resul-<br />
tiert eine aufgrund reduzierter Genauigkeit weniger effiziente Wissensrepräsentation (vgl.<br />
Alba & Hutchinson, 1987; Bettman et al., 1998). Da informationsverarbeitende Individuen<br />
das Ziel verfolgen, möglichst genaue Urteile zu treffen (Moskowitz et al., 1999), werden sie<br />
entsprechend dem Subtyping Model (vgl. Kapitel B2.2.1) versuchen, diese Unsicherheit<br />
durch die Bildung neuer (Sub-)Kategorien zu vermeiden (Weber & Crocker, 1983). Daher<br />
kann die folgende Hypothese aufgestellt werden:<br />
Hypothese 2.1: Je höher die Ambiguität, desto wahrscheinlicher die Bildung einer neuen<br />
Kategorie.<br />
26 Innerhalb der Kategorienhierarchie weisen Basiskategorien den höchsten Grad an interkategorialer Differenzierung<br />
bei gleichzeitig maximaler intrakategorialer Homogenität auf und führen somit zu einer Herausstellung der Gemeinsamkeiten<br />
von <strong>St</strong>imuli innerhalb einer Kategorie und gleichzeitiger maximaler Abgrenzung von Nachbarkategorien (Mervis<br />
& Rosch, 1981) (vgl. Kapitel B1.1). Sujan und Dekleva (1987) haben diese Erkenntnis aus der Grundlagenforschung<br />
auf Produktkategorien übertragen. Während Produktklassen (z.B. Pkw, Nfz, Busse etc.) eine sehr abstrakte Ebene<br />
darstellen, bilden Produkttypen (z.B. Limousine, Kombi, Cabrio etc.) die Basiskategorien ab, denen wiederum einzelne<br />
Modelle untergeordnet sind.
C. Experimentelle <strong>St</strong>udien 81<br />
2.1.2 Moderierende Funktion eines Kategorienlabel hinsichtlich der Informa-<br />
tionsverarbeitung<br />
Sowohl kognitionspsychologische <strong>St</strong>udien als auch die Marketingliteratur zeigen, dass dem<br />
Kategorienlabel eine gesonderte <strong>St</strong>ellung bei Kategorisierungsaufgaben zukommt. Label<br />
geben Aufschluss über die Kategorienzugehörigkeit eines Objektes und stellen damit Infor-<br />
mationen zur Verfügung, die über die Ähnlichkeitsinformation von Merkmalen hinausgehen<br />
(Yamauchi & Markman, 2000; Lingle et al., 1984). Da ein Label im Gegensatz zu Eigen-<br />
schaften ausschließlich auf eine Kategorie zutrifft, weist es eine höhere cue validity 27 auf<br />
und ist bestens zur interkategorialen Differenzierung geeignet. Label lenken die Aufmerk-<br />
samkeit auf die Merkmale der Kategorie. Dies führt dazu, dass Inferenzen zu einem neuen<br />
Objekt stark auf den jeweiligen Kategorienmerkmalen beruhen (Murphy & Ross, 1994). Im<br />
Sinne der Schematheorie fasst ein Label die typischen Eigenschaften einer Kategorie in<br />
Form eines assoziativen Netzwerkes zusammen (Hastie, 1981) (vgl. Kapitel B1.4). Die<br />
Ergebnisse werden auch durch <strong>St</strong>udien im Bereich des Konsumentenverhaltens gestützt.<br />
Sowohl Sujan (1985), Moreau, Markman et al. (2001) als auch Rajagopal (2004; Rajagopal<br />
& Burnkrant, 2005) zeigen, dass die Zuordnung eines bekannten Produktkategorienlabels zu<br />
einem neuen Produkt zur Übertragung des Kategorienwissens auf das neue Produkt führt<br />
und auch Produktpräferenzen überproportional durch das Label im Vergleich zu Attributen<br />
beeinflusst werden. <strong>St</strong>udien im deutschsprachigen Raum bestätigen den relativen Einfluss<br />
von Labels im Hinblick auf die Markenwahrnehmung. Assoziationen mit dem Marken-<br />
namen haben einen stärkeren Einfluss auf die Wahrnehmung eines Hotels als die beschrei-<br />
benden Informationen (Wänke, Herrmann, & Schaffner, 2007).<br />
Die Unbekanntheit des Kategorienlabels ist langfristig betrachtet zu vernachlässigen.<br />
Viele Marken werden mit Fantasiewörtern benannt. <strong>St</strong>udien zur Wiedererkennung von<br />
Wörtern zeigen, dass die Unterschiede zwischen echten Wörtern und Fantasiewörtern nach<br />
wenigen Testdurchläufen (ca. 5) aufgehoben werden und auch nach einem Jahr gleich gut<br />
erinnert werden (Feustel, Shiffrin, & Salasoo, 1983; Salasoo, Shiffrin, & Feustel, 1985). Die<br />
Ergebnisse legen folglich die Erlernbarkeit neuer Kategorienbezeichnungen nahe.<br />
Die dargestellten <strong>St</strong>udien haben die Rolle von Kategorienlabels bei der Klassifikation<br />
unbekannter Produkte in bestehende Kategorien, bei der Bildung von Inferenzen und Präfe-<br />
renzen untersucht. Möchte ein Unternehmen sich durch ein innovatives Fahrzeugkonzept<br />
vom Wettbewerb differenzieren, ist die Aufnahme des Fahrzeugs in eine bestehende Kate-<br />
27 Cue validity gibt die Wahrscheinlichkeit an, mit der eine Eigenschaft mit einer bestimmten Kategorie, aber nicht einer<br />
alternativen Kategorie auftritt (Rosch & Mervis, 1975).
82<br />
C. Experimentelle <strong>St</strong>udien<br />
gorie durch den Konsumenten nicht wünschenswert. Erklärtes Ziel der Unternehmen ist in<br />
diesem Fall die Begründung einer neuen Fahrzeugkategorie. Da Label stärkeren Aufschluss<br />
über die Kategorienzugehörigkeit eines Objektes geben und sich neue Gedächtnisassozia-<br />
tionen zwischen dem Label und den genannten Produkteigenschaften bilden, soll im Rah-<br />
men dieser Arbeit der Frage nachgegangen werden, ob sich die Nennung eines unbekannten<br />
Labels für eine neue Produktkategorie positiv auf die Wahrscheinlichkeit der Bildung einer<br />
neuen Kategorie auswirkt.<br />
Hypothese 2.2: Die Nennung eines Kategorienlabels für die neue Aufbauform erhöht die<br />
Wahrscheinlichkeit der Bildung einer neuen Kategorie.<br />
Dass Kategorienlabel nicht nur direkt auf die Kategorisierbarkeit neuer Produkte ein-<br />
wirken, sondern auch den Verarbeitungsprozess beeinflussen, wurde in zahlreichen <strong>St</strong>udien<br />
nachgewiesen. Label aktivieren Schemata und dienen als peripherer Hinweis, der katego-<br />
rienbasierte Verarbeitungsprozesse auslöst (vgl. Fiske & Neuberg, 1990; Sujan, 1985) (s.<br />
auch Kapitel A2.2.1). Die Ambiguitäts-definition impliziert, größere Schwierigkeiten bei<br />
der Verarbeitung ambiguoser Informationen und reduzierte Sicherheit mit der Kategorisie-<br />
rungsentscheidung aufgrund mangelnder Passung des hybriden Produktes zur mentalen<br />
Kategorienstruktur. Die Nennung eines Kategorienlabels sollte diese Effekte moderieren. Es<br />
wird davon ausgegangen, dass Produkte bei geringer Ambiguität im Sinne der Schema-<br />
diskrepanz eher in eine bestehende Kategorie assimiliert werden (vgl. Sujan & Bettman,<br />
1989; Meyers-Levy & Tybout, 1989) und ein unbekanntes Kategorienlabel diesem<br />
Assimilationsprozess entgegenwirkt. Bei hoher Ambiguität hingegen bietet ein Label eine<br />
zusammenfassende Beschreibung für heterogene schlecht assimilierbare Informationen und<br />
sollte so als Rechtfertigung für die Bildung einer neuen Kategorie dienen. Dem Label<br />
kommt aufgrund seiner Unbekanntheit nicht die inhaltliche Funktion eines Kontextreizes im<br />
Sinne des Inklusions-Exklusionsmodells zu, vielmehr übernimmt es eine moderierende<br />
Funktion im Informationsverarbeitungsprozess, indem es die Ambiguität der Produktsub-<br />
stanz reduziert bzw. erhöht. Daher werden die folgenden Hypothesen abgeleitet:<br />
Hypothese 3.1: Bei hoher Ambiguität erhöht die Nennung eines Kategorienlabels für die<br />
neue Aufbauform die Sicherheit mit der Kategorisierungsentscheidung,<br />
während sie bei niedriger Ambiguität die Sicherheit mit der Kategorisie-<br />
rungsentscheidung reduziert.
C. Experimentelle <strong>St</strong>udien 83<br />
Dementsprechend wird auch der Effekt der Ambiguität auf die subjektive Schwierig-<br />
keit der Kategorisierung durch die Nennung eines Kategorienlabels moderiert.<br />
Hypothese 3.2: Bei hoher Ambiguität reduziert die Nennung eines Kategorienlabels für die<br />
neue Aufbauform die subjektive Schwierigkeit der Kategorisierung, wäh-<br />
rend sie bei niedriger Ambiguität die subjektive Schwierigkeit der Kategori-<br />
sierung erhöht.<br />
Möller (2004) konstatiert, dass „eine eindeutige klare Benennung der Produkte“ (S. 29)<br />
dazu dient, die Entstehung von Konsumentenverwirrtheit zu verhindern. Kategorienlabel<br />
üben ihren Einfluss – wie oben dargelegt – jedoch nicht unabhängig von der Produkt-<br />
substanz aus. Daher wird auch für die abhängige Variable wahrgenommene <strong>St</strong>imulusüber-<br />
lastung eine Interaktion zwischen Ambiguität und Nennung eines Kategoriennamens<br />
erwartet.<br />
Hypothese 3.3: Bei hoher Ambiguität reduziert die Nennung eines Kategorienlabels für die<br />
neue Aufbauform die wahrgenommene <strong>St</strong>imulusüberlastung, während sie<br />
bei niedriger Ambiguität die wahrgenommene <strong>St</strong>imulusüberlastung erhöht.<br />
2.1.3 Produktevaluation als Ergebnis der Kategorienbeschreibung und Informa-<br />
tionsverarbeitung<br />
Für das Marketing innovativer Produkte sind nicht allein die kognitionspsychologischen<br />
Prozesse von Relevanz, vielmehr interessieren ihre Auswirkungen auf die Produktbeurtei-<br />
lung als Indikator eines Markterfolgs. Es stellt sich die Frage, inwieweit sich die während<br />
der Kategorisierung eines mehrdeutigen Produktes ablaufenden Informationsverarbeitungs-<br />
prozesse auf die Urteilsbildung auswirken und somit Effekte der Ambiguität und eines<br />
Kategorienlabels mediieren.<br />
Die Bewertung von Produkten ist nicht allein von der Evaluation der konstituierenden<br />
Produkteigenschaften, sondern auch von Merkmalen des zugrunde liegenden Verarbei-<br />
tungsprozesses abhängig (Lee & Labroo, 2004; Cho & Schwarz, 2006). Die Literatur zu<br />
subjektiven Erfahrungen zeigt, dass sich hohe Fluency während der <strong>St</strong>imulusverarbeitung<br />
positiv auf das Urteil auswirkt (Schwarz, 2004). Hohe Conceptual Fluency als Facette der<br />
Processing Fluency ist gekennzeichnet durch eine geringe wahrgenommene Schwierigkeit<br />
bei der Verarbeitung neuer, externer Informationen. Sie kann durch die Verfügbarkeit pas-<br />
sender mentaler Konzepte zur <strong>St</strong>imuluskategorisierung hervorgerufen werden (Schwarz,
84<br />
C. Experimentelle <strong>St</strong>udien<br />
2004). Generell ist anzunehmen, dass sich höhere Ambiguität negativ auf die Produkteva-<br />
luation auswirkt. Brömer (2000) kann zeigen, dass Einstellungen zu evaluativ inkonsistent<br />
dargestellten Produkten signifikant negativer ausfallen als zu evaluativ neutral dargestellten<br />
Produkten. Die Nennung eines unbekannten Kategorienlabels hingegen sollte sich positiv<br />
auf die Bewertung auswirken, da ein Label als strukturierender Faktor wirkt und dadurch<br />
die Informationsverarbeitung erleichtert. Die Interaktion zwischen Ambiguität und der Nen-<br />
nung eines Kategorienlabels sollte analog der Effekte auf die Informationsverarbeitungs-<br />
variablen auch auf die Produktevaluation zutreffen und durch die Anstrengungen bei der<br />
Informationsverarbeitung mediiert werden. Daher soll folgende Hypothese aufgestellt<br />
werden:<br />
Hypothese 4.1: Bei hoher Ambiguität verbessert die Nennung eines Kategorienlabels für<br />
die neue Aufbauform die Produktevaluation, während sie bei niedriger Am-<br />
biguität die Produktevaluation verschlechtert.<br />
Hypothese 4.2: Dieser Interaktionseffekt wird durch die Anstrengungen bei der<br />
Informationsverarbeitung mediiert.<br />
2.1.4 Repräsentativität und Produktevaluation<br />
Wie bereits in Kapitel C1.1.2 dargelegt, werden in der Literatur positive Zusammenhänge<br />
zwischen wahrgenommener Typikalität und Produktevaluation sowie zwischen wahrge-<br />
nommener Neuartigkeit und Produktevaluation unter Konstanthaltung der jeweils anderen<br />
Variable postuliert. Da diese Thesen in <strong>St</strong>udie 1 jedoch nicht bestätigt werden konnten, sol-<br />
len sie an dieser <strong>St</strong>elle nochmals geprüft werden.<br />
Hypothese 5.1: Je typischer ein Produkt für seine Kategorie ist, desto positiver fällt die<br />
Produktbewertung aus. Je neuartiger ein Produkt ist, desto positiver fällt<br />
die Produktbewertung aus. Aufgrund der negativen Korrelation zwischen<br />
wahrgenommener Typikalität und wahrgenommener Neuartigkeit werden<br />
diese Effekte jedoch nur sichtbar, wenn die jeweils andere Variable<br />
auspartialisiert wird.<br />
Zusätzliche soll der Erklärungsbeitrag der Typikalitäts- und Neuartigkeitswahrneh-<br />
mung zur Produktevaluation untersucht werden.
C. Experimentelle <strong>St</strong>udien 85<br />
Fragestellung 5.2: Wie stark wird die Produktevaluation durch die wahrgenommene<br />
2.2 Untersuchungsdesign<br />
Typikalität und wahrgenommene Neuartigkeit beeinflusst?<br />
Der Untersuchung liegt ein 2 (Ambiguität: gering vs. hoch) x 2 (Label: keine Nennung vs.<br />
Nennung) faktorielles Design zugrunde. Jedem Versuchsteilnehmer wird eine Werbeanzeige<br />
präsentiert, die beiden Faktoren werden entsprechend between-subjects variiert.<br />
2.2.1 Unabhängige Variablen<br />
Als <strong>St</strong>imulusmaterial zur Darstellung und Benennung des ambivalenten Produktes wird eine<br />
fiktive Werbeanzeige gewählt. Probanden sind es gewohnt, Informationen im Rahmen von<br />
Neuprodukteinführungen durch Werbeanzeigen zu erhalten. Die zentrale Fragestellung stellt<br />
zwei Anforderungen an die Produktauswahl und die Gestaltung des <strong>St</strong>imulusmaterials. Zum<br />
einen müssen zwei unterschiedlich hohe Ausprägungen von Ambiguität eines Fahrzeug-<br />
konzeptes erzielt werden und zum zweiten muss eine vermeintliche Segmentbezeichnung<br />
gefunden werden, die von den Versuchsteilnehmern als solche erkannt und nicht als Pro-<br />
duktmarke wahrgenommen wird. Zur Darstellung eines ambiguosen Produktes wird ein<br />
Foto der Mercedes-Benz R-Klasse ausgewählt und als kleines Bild in die fiktive Anzeige<br />
integriert. Die Produktbezeichnung wird in Mercedes-Benz D-Klasse verfälscht. Die gerin-<br />
gen Absatzzahlen 28 sowie Marktforschungsstudien deuten auf eine geringe Modellbekannt-<br />
heit hin. Es ist folglich davon auszugehen, dass die Mehrheit der Bevölkerung kein klares<br />
Schema des Fahrzeugs hat. Die beiden Ausprägungen von Ambiguität werden durch Kom-<br />
binationen von typischen Eigenschaften der unterschiedlichen Aufbauformen erzielt. Um<br />
Effekte auf den information load konstant zu halten, werden für beide Ausprägungen je vier<br />
Aussagen ausgewählt. In einem Pretest 29 wurden mittels eines vereinfachten Kelly<br />
Repertory Grid Verfahrens Dimensionen exploriert, mit denen der Proband den Auto-<br />
mobilmarkt strukturiert. Dazu wurden die Probanden aufgefordert, Eigenschaften von Fahr-<br />
zeugen und das jeweils dazugehörige Gegenteil zu nennen. Zusätzlich wurden durch offene<br />
Nennungen typische Produkteigenschaften der einzelnen Aufbauvarianten abgefragt. Aus<br />
den Antworten wurden einzelne Sätze zur Beschreibung der Aufbauformen generiert. Zur<br />
28 Die R-Klasse hat im Topjahr 2006 in Deutschland nur 4449 Einheiten abgesetzt (Kraftfahrt-Bundesamt, 2007).<br />
29 Die Daten des Pretests wurden in einem Kölner Marktforschungsinstitut mit 105 Probanden in halbstrukturierten<br />
Interviews erhoben.
86<br />
C. Experimentelle <strong>St</strong>udien<br />
Überprüfung der Verständlichkeit und der Aufbauformenspezifizität werden 20 Personen 30<br />
gebeten, eine Zuordnung der Items zu den Aufbauvarianten vorzunehmen. Uneingeschränkt<br />
werden die Beschreibungen übernommen, bei denen 70% der Befragten der eindeutigen<br />
Aufbauformenzugehörigkeit zustimmen. Indikatoren, die nicht eindeutig zugeordnet wer-<br />
den, werden mit den Befragten besprochen und modifiziert. Die finale Auswahl besteht aus<br />
jeweils vier Eigenschaften und ist Abbildung 10 zu entnehmen.<br />
Da die Segmentbezeichnung im Hinblick auf die Assoziation von Merkmalen der<br />
bekannten Aufbauformen neutral sein soll, um den Kategorisierungsprozess nicht inhaltlich<br />
zu leiten, überprüfte der Pretest ebenfalls Konnotationen für mögliche Kategorienbezeich-<br />
nungen. Den Probanden wurden nacheinander drei mögliche Bezeichnungen präsentiert, zu<br />
denen sie in einem Laddering-Verfahren ihre Assoziationen frei äußern sollten. Zusätzlich<br />
ordneten die Versuchsteilnehmer das Kategorienlabel der ihrer Ansicht nach am besten pas-<br />
senden Aufbauvariante zu. Neben dem Begriff „Sportstourer“ wurden als potentielle<br />
Bezeichnungen „Variotourer“ und „Crosstourer“ überprüft. Die Ergebnisse zeigen, dass<br />
74% der Befragten „Crosstourer“ den SUVs und 40% „Variotourer“ den Minivans zuord-<br />
nen. Aufgrund dieser starken Assoziationen zu bekannten Aufbauformen sind diese Begriffe<br />
nicht als neue Segmentbezeichnung geeignet. Letztendlich wurde als Kategorienlabel<br />
„Sportstourer“ ausgewählt, da Assoziationen mit bestehenden Aufbauformen hier weniger<br />
eindeutig sind. Abbildung 10 zeigt die Werbeanzeigen der Experimentalbedingungen im<br />
Überblick:<br />
Ambiguität<br />
GERING<br />
Ambiguität<br />
HOCH<br />
NO LABEL LABEL<br />
Abbildung 10: Werbeanzeigen der Experimentalbedingungen<br />
30 Teilnehmer waren sowohl Mitarbeiter der Mercedes-Benz Marketingstrategie, die über Erfahrung in der Konstruktion<br />
von Messinstrumenten für die Automobilindustrie verfügen, sowie Laien, die die allgemeine Verständlichkeit<br />
sicherstellen sollten.
C. Experimentelle <strong>St</strong>udien 87<br />
Der Erfolg der Ambiguitätsmanipulation wird anhand des folgenden Items geprüft:<br />
<strong>Tab</strong>elle 26: Operationalisierung Manipulationscheck<br />
Item<br />
MC Bei der Eingruppierung des Fahrzeugs aus der Anzeige fühle ich mich überhaupt nicht<br />
(1) – sehr stark hin und her gerissen (7)<br />
Quelle: Brömer (1998; 2000)<br />
Weitere Informationsverarbeitungsvariablen, die den Erfolg der Ambiguitätsmanipula-<br />
tion belegen, werden im nächsten Abschnitt diskutiert.<br />
2.2.2 Abhängige Variablen<br />
Die Ergebnisse der <strong>St</strong>udie sollen zum einen Aufschluss über die Kategorisierung des ambi-<br />
guosen Produktes sowie den zugrunde liegenden Kategorisierungsprozess und zum anderen<br />
für das Marketing unmittelbar relevante Variablen geben. Bei der Kategorisierung wird für<br />
die Analysen unterschieden, ob Probanden das Fahrzeug in eine bestehende, im Vorfeld für<br />
bekannte Fahrzeuge gebildete Kategorien gruppiert haben oder ob Probanden eigens eine<br />
neue Kategorie bilden. Informationen über den Kategorisierungsprozess werden anhand<br />
subjektiver Skalen erhoben. Da die Untersuchung im Paper & Pencil Verfahren durchge-<br />
führt wird, kann keine objektive Skala wie die Erfassung der Reaktionszeit bei der Klassifi-<br />
kationsentscheidung integriert werden. Reaktionszeiten gelten als valides Maß für die<br />
<strong>St</strong>ärke von Assoziationen zwischen Exemplar und Item (Fazio, 1990; Fazio, Williams, &<br />
Powell, 2000). Als subjektive Maße dienen die Subjektive Schwierigkeit der Kategorisie-<br />
rung (SSK) sowie die Sicherheit mit der Kategorisierungsentscheidung (SKE). Alle Items<br />
werden auf 7-stufigen Ratingskalen abgefragt. Die Operationalisierung der subjektiven<br />
Schwierigkeit der Kategorisierung geht auf Brömer (2000) zurück, der diese im Kontext<br />
evaluativ inkonsistenter Produktbeschreibungen einsetzte. Sie fragt ab, wie leicht bzw.<br />
schwer die Einordnung des Fahrzeuges in eine Gruppe fiel. Die subjektiv wahrgenommene<br />
Schwierigkeit bezieht sich auf den Prozess der Urteilsbildung selbst.<br />
<strong>Tab</strong>elle 27: Operationalisierung Subjektive Schwierigkeit der Kategorisierung<br />
Als Sie vor der Aufgabe standen, das Fahrzeug aus der Anzeige zu gruppieren, wie leicht fiel<br />
Ihnen die Einordnung?<br />
Item<br />
SSK Das Fahrzeug in eine Gruppe einzuordnen, fiel mir sehr leicht (1) – sehr schwer (7)<br />
Quelle: Brömer (2000)
88<br />
C. Experimentelle <strong>St</strong>udien<br />
Die Sicherheit mit der Kategorisierungsentscheidung hingegen spiegelt die Einstellung<br />
wider, zu einer validen Entscheidung gelangt zu sein und bezieht sich damit auf das Ergeb-<br />
nis. Jacoby et al. (1974) wie auch Brömer (2000), der Entscheidungssicherheit vor dem<br />
Hintergrund der Komplexität der Verarbeitung ambivalenter <strong>St</strong>imuli untersucht, wählen<br />
eine Operationalisierung durch ein singuläres Item. Hier soll jedoch in Anlehnung an<br />
Urbany, Bearden, Kaicker und Smith-de Borrero (1997) auf eine Multi-Item-Messung mit<br />
drei Items zurückgegriffen werden. Die Autoren berichten für ihre Skala ein Cronbachs α<br />
von 0,93.<br />
<strong>Tab</strong>elle 28: Operationalisierung Sicherheit mit der Kategorisierungsentscheidung<br />
Als Sie vor der Aufgabe standen, das Fahrzeug aus der Anzeige zu gruppieren, wie überzeugt<br />
waren Sie, das Fahrzeug richtig eingeordnet zu haben?<br />
Item<br />
SKE1 Ich fühlte mich sehr unsicher (1) – sehr sicher (7)<br />
SKE2 Ich war davon überhaupt nicht überzeugt (1) – absolut überzeugt (7)<br />
SKE3 Es war für mich absolut ungewiss (1) – absolut gewiss (7)<br />
Quelle: Urbany et al. (1997); vgl. Jonas et al. (1997), Brömer (1998; 2000)<br />
Einen weiteren Aspekt der Verarbeitung inkonsistenter Informationen stellt die wahr-<br />
genommene <strong>St</strong>imulusüberlastung dar. Die Operationalisierung wird analog <strong>St</strong>udie 1 umge-<br />
setzt (vgl. <strong>Tab</strong>elle 5). Die Konstrukte zur Messung der wahrgenommenen Typikalität, der<br />
wahrgenommenen Neuartigkeit sowie der Produktevaluation werden ebenfalls analog<br />
<strong>St</strong>udie 1 operationalisiert (vgl. C1.2.2).<br />
2.2.3 Kontrollvariablen<br />
Zusätzlich zu den abhängigen Variablen werden zur statistischen Kontrolle Personen-<br />
variablen erfasst, die sich möglicherweise störend oder moderierend auf die postulierten<br />
Zusammenhänge auswirken. Für diese Variablen werden vereinzelt Vermutungen geäußert,<br />
jedoch keine gerichteten Hypothesen formuliert. Da in <strong>St</strong>udie 1 festgestellt wurde, dass Pro-<br />
duktwissen und Automobil-Involvement sehr hoch miteinander korrelieren, wird in <strong>St</strong>udie 2<br />
auf die Erhebung des Involvement-Konstruktes als Kontrollvariable verzichtet. Neben der<br />
personenspezifischen Variable Produktwissen sowie soziodemographischen Angaben und<br />
Informationen zum Fahrzeugbesitz, wird die Modellbekanntheit der Mercedes-Benz R-<br />
Klasse als dichotomes Merkmal abgefragt.<br />
2.3 Ablauf<br />
Die Daten für <strong>St</strong>udie 2 wurden in einer Paper & Pencil Befragung im Rahmen einer Marke-<br />
ting Vorlesung eines Executive MBA Programmes an einer Schweizer <strong>Universität</strong> im
C. Experimentelle <strong>St</strong>udien 89<br />
November 2007 erhoben. Um Versuchsleitereffekte auszuschließen und die Versuchsbedin-<br />
gungen zu standardisieren, werden alle Probanden per schriftlicher Instruktion durch die<br />
Untersuchung geführt. Ein Versuchsleiter ist jedoch ständig anwesend, um eventuelle Fra-<br />
gen zu beantworten. Jeder Versuchsteilnehmer bekommt die fünfseitigen Unterlagen zur<br />
individuellen Bearbeitung. Der Titel der <strong>St</strong>udie lautet „Automobile“ und die Teilnehmer<br />
werden in einem kurzen Einführungstext auf die aktuellen Veränderungen im Automobil-<br />
markt hinsichtlich einer zunehmenden Vielfalt aufmerksam gemacht. Da es sich hierbei um<br />
eine für die Probanden sehr anspruchsvolle Aufgabe handelt, wird hohes Aufgaben-Involve-<br />
ment manipuliert. Durch Betonung der hohen Relevanz der Ergebnisse für die Markteinfüh-<br />
rung eines neuen Automobils soll systematische Informationsverarbeitung begünstigt wer-<br />
den (vgl. Johar, 1995; Maheswaran & Meyers-Levy, 1990). In den wenigen <strong>St</strong>udien zur<br />
Verarbeitung ambiguoser Informationen hat sich gezeigt, dass Probanden nur bei hoher<br />
Motivation Informationen aller zugrunde liegenden Produktkategorien verarbeiten (Moreau,<br />
Markman et al., 2001; Rajagopal, 2004). Analog verlangt auch die automobile<br />
Kaufentscheidung ein hohes Involvement beim Kauf (vgl. Kuß & Tomczak, 2000). Nach-<br />
dem die Probanden den Einführungstext gelesen haben, werden sie gebeten umzublättern<br />
und die Aufgabe zu beginnen. Auf der zweiten Seite nehmen sie die Gruppierung von zwölf<br />
standardisierten Fahrzeugfotos (Audi A6, BMW 5er, Mercedes-Benz E-Klasse, BMW 5er<br />
Touring, Mercedes-Benz E-Klasse T-Modell, VW Passat Variant, Audi Q7, BMW X5,<br />
Mercedes-Benz M-Klasse, Ford C-Max, Opel Zafira, VW Touran) analog einem Card<br />
Sorting Verfahren vor. Es werden deutsche Fabrikate der Aufbauformen Limousinen, Kom-<br />
bis, Minivans und SUVs präsentiert. Auf der dritten Seite wird ihnen entsprechend der<br />
Experimentalbedingungen eine Werbeanzeige gezeigt. Die Probanden werden aufgefordert,<br />
sich die Anzeige aufmerksam durchzulesen und sich eine Meinung über das Fahrzeug zu<br />
bilden. Im Anschluss werden zuerst die abhängigen Variablen zum Kategorisierungsprozess<br />
sowie zur Urteilsbildung, gefolgt von den Kontrollvariablen erhoben. Die Kontrollvariablen<br />
werden in der Reihenfolge Modellbekanntheit der Mercedes-Benz R-Klasse 31 , Produkt-<br />
wissen, soziodemographische Daten und Angaben zum Fahrzeugbesitz abgefragt.<br />
2.4 <strong>St</strong>ichprobe<br />
An <strong>St</strong>udie 2 nahmen insgesamt 120 Probanden im Alter von 24 bis 60 Jahren (M = 37,49;<br />
SD = 8,68) teil. Davon sind 71% männlichen Geschlechts. Die überwiegende Mehrheit der<br />
31 Die Modellbekanntheit der R-Klasse wird gemeinsam mit weiteren vier Modellbekanntheiten nach dem Hauptteil des<br />
Fragebogens abgefragt, um zu gewährleisten werden, dass die Probanden keine Verbindungen zum Zweck der <strong>St</strong>udie<br />
erraten.
90<br />
C. Experimentelle <strong>St</strong>udien<br />
Probanden besitzt ein eigenes Auto (80%). Es liegen keine signifikanten Unterschiede<br />
dieser Variablen in Bezug auf die abhängigen Variablen vor. Bei den berichteten Marken<br />
handelt es sich um die verschiedensten Fabrikate. Davon entfallen 34% auf Premiummarken<br />
und 66% auf Volumenmarken.<br />
2.5 Ergebnisse<br />
2.5.1 Manipulationscheck<br />
Mit Hilfe der Ambiguitätsmanipulation können erfolgreich Unterschiede in der wahrge-<br />
nommenen Ambivalenz der Werbeanzeigen induziert werden (t(112,559) = -8,533; p < 0,001).<br />
Probanden, denen die Anzeige mit hoher Ambiguität der Produktbeschreibung präsentiert<br />
wird, fühlen sich bei der Einordnung des Fahrzeugs stärker hin und her gerissen als Proban-<br />
den, denen die Anzeige mit einer gering ambiguosen Produktbeschreibung präsentiert wird<br />
(Ms 2,82 vs. 4,83). Entsprechend der Ambiguitätsdefinition geben Probanden an, in der Be-<br />
dingung hoher Ambiguität größere Schwierigkeiten bei der Kategorisierung wahrzunehmen<br />
(Ms 4,97 vs. 2,67; t(111,161) = -10,041; p < 0,001), sich weniger sicher mit der Kategorisie-<br />
rungsentscheidung zu fühlen (Ms 2,46 vs. 4,84; t(107,761) = 11,761; p < 0,001) und mehr<br />
<strong>St</strong>imulusüberlastung wahrzunehmen (Ms 5,47 vs. 2,67; t(118) = -15,439; p < 0,001) als<br />
Probanden in der Bedingung geringer Ambiguität.<br />
2.5.2 Kontrollvariablen<br />
Zur statistischen Kontrolle werden Personenvariablen betrachtet, die möglicherweise Ein-<br />
fluss auf die postulierten Zusammenhänge haben. Zunächst werden die deskriptiven <strong>St</strong>atis-<br />
tiken der Variable Produktwissen (PW) kurz referiert (vgl. <strong>Tab</strong>elle 29). Aufgrund ihrer<br />
Homogenität können die Items der Skala durch Mittelwertsbildung zu einem Index aggre-<br />
giert werden. Die Reliabilität ist äußerst zufriedenstellend (Cronbachs α = 0,979) und weist<br />
somit eine sehr gute interne Konsistenz auf. Dem Kolmogorov-Smirnov Anpassungstest<br />
zufolge ist die Skala Produktwissen nicht normalverteilt. Die <strong>St</strong>atistiken weisen auf eine<br />
positive Schiefe der Verteilung hin. Da dieser Test jedoch sehr teststark ist und die Wahr-<br />
scheinlichkeit der Ablehnung der Nullhypothese normalverteilter Daten mit zunehmender<br />
<strong>St</strong>ichprobengröße steigt (Bortz, 2005), soll auch an dieser <strong>St</strong>elle analog des von Hair et al.<br />
(1998) vorgeschlagenen zweistufigen Verfahrenes vorgegangen werden. Das Q-Q-Vertei-<br />
lungsdiagramm ist in Anhang F dargestellt. Aus der Grafik sind nur geringe Abweichungen<br />
von der Diagonalen ersichtlich. Auch die Überprüfung der z-Werte für Schiefe und Kurtosis<br />
im zweiten Schritt weist nicht auf eine Verletzung der Normalverteilungsannahme hin.
C. Experimentelle <strong>St</strong>udien 91<br />
<strong>Tab</strong>elle 29: Deskriptive <strong>St</strong>atistiken und Test auf Normalverteilung der Skala Produktwissen<br />
Skala M SD Sch z(Sch) Kur z(Kur) K-S-Z p<br />
PW 3,32 1,85 0,605 2,737 -0,788 -1,78 1,753 0,004<br />
Anmerkungen. N = 252. M: Arithmetisches Mittel. SD: <strong>St</strong>andardabweichung. Sch: Schiefe.<br />
z(Sch): z-Wert Schiefe. Kur: Kurtosis. z(Kur): z-Wert Kurtosis. K-S-Z: Z-Wert des Kolmogorov-Smirnov<br />
Anpassungstests. p: asymptotische Signifikanz (2-seitig).<br />
Eine zweifaktorielle ANOVA (Ambiguität x Label) mit dem Produktwissen als abhän-<br />
giger Variable zeigt, dass das Produktwissen von der Ambiguitätsmanipulation nicht unbe-<br />
einflusst blieb: Es ergibt sich ein signifikanter Haupteffekt (F(1,116) = 9,379; p < 0,003). Pro-<br />
banden, denen die Anzeige hoher Ambiguität präsentiert wird, schätzen ihr Produktwissen<br />
geringer ein (M = 2,81) als Probanden, die die Anzeige geringer Ambiguität gesehen haben<br />
(M = 3,81). Aufgrund dieser Verletzung des Unabhängigkeitskriteriums ist die Berechnung<br />
von Varianzanalysen mit dem Produktwissen als Kovariate nicht sinnvoll.<br />
Gut die Hälfte der Versuchsteilnehmer (59%) gibt an, die Mercedes-Benz R-Klasse zu<br />
kennen. Eine zweifaktorielle ANOVA (Ambiguität x Label) mit der Modellbekanntheit als<br />
abhängiger Variable weist nicht auf signifikante Effekte hin (ps > 0,25). Eine dreifaktorielle<br />
MANOVA unter Einbezug des Faktors Bekanntheit R-Klasse zeigt im Hinblick auf die<br />
abhängigen Variablen generell keine Unterschiede zwischen Probanden, die die R-Klasse<br />
kennen bzw. nicht kennen.<br />
2.5.3 Kategorienbildung, Informationsverarbeitungsprozesse und Produktevaluation<br />
Primäres Ziel der <strong>St</strong>udie war es, den Einfluss von Ambiguität in der Produktsubstanz und<br />
der Nennung eines unbekannten Labels auf die Bildung neuer Kategorien auf Produkttypen-<br />
ebene und auf die Präferenzbildung zu untersuchen. Für beide unabhängigen Variablen<br />
werden Haupteffekte hinsichtlich der Bildung einer neuen Kategorie postuliert (Hypothesen<br />
2.! und 2.2). Zur Überprüfung dieser Thesen wird jeweils ein Kontingenztest durchgeführt.<br />
Da den Analysen je eine Vierfeldertafel zugrunde liegt und keine der erwarteten Häufig-<br />
keiten kleiner fünf ist, wird für die Berechnung des χ²–Wertes die korrigierte Teststatistik<br />
nach Yates angewandt (vgl. Bortz, 2005; Backhaus et al., 2000). Für den Zusammenhang<br />
zwischen Ambiguität und Kategorienbildung kann die Nullhypothese der Unabhängigkeit<br />
zwischen beiden Variablen verworfen werden (χ²korr = 4,802; p < 0,028). Unter der Bedin-<br />
gung hoher Ambiguität bilden 31 von 59 Probanden (52,5%) eine neue Kategorie, während<br />
dies in der Bedingung geringer Ambiguität nur 19 von 61 Probanden (31,1%) tun. Hypo-<br />
these 2.1 kann damit angenommen werden. Der Phi-Koeffizient weist auf einen Zusam-<br />
menhang mittlerer <strong>St</strong>ärke hin (φ = 0,189; p < 0,039). Zwischen der Nennung einer Katego-
92<br />
C. Experimentelle <strong>St</strong>udien<br />
rienbezeichnung und der Kategorienbildung besteht hingegen kein signifikanter Zusam-<br />
menhang (χ²korr = 3,545; p > 0,060).<br />
<strong>Tab</strong>elle 30: Kreuztabelle Kategorienbildung x Ambiguität x Kategorienbenennung<br />
Ambiguität Kategorien-benennung<br />
Neue<br />
Kategorie<br />
Bestehende<br />
Kategorie Gesamt<br />
gering Kein Label 12 19 31<br />
38,7% 61,3% 100,0%<br />
Label 7 23 30<br />
23,3% 76,7% 100,0%<br />
Gesamt 19 42 61<br />
31,1% 68,9% 100,0%<br />
hoch Kein Label 19 11 30<br />
63,3% 36,7% 100,0%<br />
Label 12 17 29<br />
41,4% 58,6% 100,0%<br />
Gesamt 31 28 59<br />
52,5% 47,5% 100,0%<br />
Anmerkungen. Beobachtete Häufigkeiten und Prozent von Label.<br />
Neben der Kategorisierung selbst werden zum besseren Verständnis des zugrunde lie-<br />
genden Prozesses Variablen zur Informationsverarbeitung erhoben. Zunehmende Ambigui-<br />
tät sollte die Informationsverarbeitung erschweren. Für die Nennung eines Kategorienlabels<br />
werden Interaktionseffekte mit der Höhe der Ambiguität postuliert. Ein unbekanntes Kate-<br />
gorienlabel sollte die Kategorisierung bei geringer Ambiguität erschweren, indem es dem<br />
im Rahmen geringer Schemadiskrepanz auftretenden Assimilationseffekt entgegenwirkt,<br />
während es bei hoher Ambiguität eine zusammenfassende Beschreibung für heterogene<br />
schlecht assimilierbare Informationen und damit eine Rechtfertigung für die Exklusion des<br />
Exemplars bieten sollte (Hypothesen 3.1, 3.2 und 3.3). Die Items der Skalen Sicherheit mit<br />
der Kategorisierungsentscheidung (SKE) (Cronbachs α = 0,969) und wahrgenommene<br />
<strong>St</strong>imulusüberlastung (WSÜ) (Cronbachs α = 0,977) werden durch Mittelwertsbildung<br />
jeweils zu einem Index aggregiert. Die subjektive Schwierigkeit der Kategorisierung (SSK)<br />
wird nur mittels eines Items erhoben. <strong>Tab</strong>elle 31 stellt die deskriptiven <strong>St</strong>atistiken der drei<br />
Skalen dar. Auch wenn der Kolmogorov-Smirnov Test auf Abweichung von der Normal-<br />
verteilung hinweist, kann die Normalverteilungsannahme aufgrund der Analyse der z-Werte<br />
für Schiefe und Kurtosis beibehalten werden.
C. Experimentelle <strong>St</strong>udien 93<br />
<strong>Tab</strong>elle 31: Deskriptive <strong>St</strong>atistiken und Test auf Normalverteilung der Skalen zur Informationsverarbeitung<br />
Skala M SD Sch z(Sch) Kur z(Kur) K-S-Z p<br />
SSK 3,80 1,69 0,320 1,45 -0,883 -2,01 1,889 0,001<br />
SKE 3,67 1,63 0,333 1,51 -0,832 -1,90 1,103 0,175<br />
WSÜ 4,05 1,72 0,108 0,49 -1,368 -3,12 1,231 0,096<br />
Anmerkungen. N = 120. M: Arithmetisches Mittel. SD: <strong>St</strong>andardabweichung. Sch: Schiefe.<br />
z(Sch): z-Wert Schiefe. Kur: Kurtosis. z(Kur): z-Wert Kurtosis. K-S Z: Z-Wert des Kolmogorov-Smirnov<br />
Anpassungstests. p: asymptotische Signifikanz (2-seitig).<br />
<strong>Tab</strong>elle 32 zeigt die Korrelationsmatrix zwischen den Variablen an. Im Sinne einer<br />
Kreuzvalidierung weisen die Korrelationen die erwarteten Zusammenhänge auf. Größere<br />
subjektive Schwierigkeit geht einher mit geringerer Sicherheit bei der Kategorisierungs-<br />
entscheidung und höherer wahrgenommener <strong>St</strong>imulusüberlastung. Wahrgenommene<br />
<strong>St</strong>imulusüberlastung korreliert negativ mit der Sicherheit der Kategorisierungsentscheidung.<br />
Alle Korrelationen sind von substantieller Größe und auf einem α-Niveau von 0,001 höchst<br />
signifikant.<br />
<strong>Tab</strong>elle 32: Kreuzvalidierung der abhängigen Skalen zur Informationsverarbeitung<br />
SSK SKE WSÜ<br />
Subjektive Schwierigkeit der Kategorisierung 1<br />
Sicherheit mit der Kategorisierungsentsch. -0,588*** 1<br />
Wahrgenommene <strong>St</strong>imulusüberlastung 0,654*** -0,722*** 1<br />
Anmerkungen. Produkt-Moment-Korrelation. *p
94<br />
C. Experimentelle <strong>St</strong>udien<br />
die Interaktion der beiden unabhängigen Variablen; diese ist hochsignifikant (F(1,116) =<br />
33,824; p < 0,001; ε = 0,55) und stellt einen großen Effekt dar. Die subjektive Schwierigkeit<br />
der Kategorisierung wird in der Bedingung hoher Ambiguität durch die Nennung eines<br />
Kategorienlabels reduziert, während sie in der Bedingung geringer Ambiguität durch die<br />
Nennung eines Kategorienlabels erhöht wird. Hypothese 3.2 kann somit bestätigt werden.<br />
Auch im Hinblick auf die Sicherheit mit der Kategorisierungsentscheidung interagie-<br />
ren die beiden unabhängigen Variablen (F(1,116) = 20,353; p < 0,001; ε = 0,42): Die durch<br />
hohe Ambiguität induzierte Unsicherheit kann durch die Nennung eines Kategorienlabels<br />
reduziert werden, während ein Label bei geringer Ambiguität irritierend wirkt und die<br />
Sicherheit reduziert. Hypothese 3.1 wird ebenfalls bestätigt. Der Befund stellt nach der<br />
Klassifikation von J. Cohen (1988) einen großen Effekt dar.<br />
Auch die wahrgenommene <strong>St</strong>imulusüberlastung, die sich im Gegensatz zu den soeben<br />
diskutierten Variablen nicht explizit auf die Kategorisierungsaufgabe selbst bezieht, sondern<br />
durch die Wahrnehmung der Angebotsvielfalt operationalisiert ist, wird durch die Wech-<br />
selwirkung zwischen Ambiguität und Nennung eines Kategorienlabels beeinflusst (F(1,116) =<br />
17,531; p < 0,001; ε = 0,39). ε weist auf einen Effekt mittlerer <strong>St</strong>ärke hin und Hypothese 3.3<br />
kann somit bestätigt werden. Eine Zusammenfassung der Zwischensubjekteffekte der univa-<br />
riaten Varianzanalysen gibt <strong>Tab</strong>elle 33:<br />
<strong>Tab</strong>elle 33: Test der Zwischensubjekteffekte auf die Informationsverarbeitungsvariablen<br />
Quelle SS df MS F p ε<br />
Subjektive Schwierigkeit der Kategorisierung<br />
Ambiguität 155,16 1 155,16 134,874 0,000 1,08<br />
Label 11,72 1 11,72 10,188 0,002 0,29<br />
A x L 38,91 1 38,91 33,824 0,000 0,55<br />
Fehler 133,44 116 1,15<br />
Total 341,20 119<br />
Sicherheit mit der Kategorisierungsentscheidung<br />
Ambiguität 168,38 1 168,38 157,549 0,000 1,18<br />
Label 1,11 1 1,11 1,034 0,311 0,10<br />
A x L 21,75 1 21,75 20,353 0,000 0,42<br />
Fehler 123,97 116 1,07<br />
Total 317,44 119<br />
Wahrgenommene <strong>St</strong>imulusüberlastung<br />
Ambiguität 232,54 1 232,54 268,561 0,000 1,53<br />
Label 0,61 1 0,61 0,707 0,402 0,10<br />
A x L 15,18 1 15,18 17,531 0,000 0,39<br />
Fehler 100,44 116 0,87<br />
Total 350,73 119<br />
Anmerkungen. SS: Quadratsumme. df: Freiheitsgrade. MS: Mittel der Quadrate. F: Teststatistik.<br />
p: Signifikanz. ε: Effektstärke (0,10: klein. 0,25: mittel. 0,40: groß).
C. Experimentelle <strong>St</strong>udien 95<br />
Abbildung 11 stellt die referierten Effekte auf die Informationsverarbeitungsvariablen<br />
graphisch dar:<br />
6<br />
5<br />
4<br />
3<br />
2<br />
Subjektive Schwierigkeit<br />
der Kategorisierung<br />
Kein Label Label<br />
Ambiguität hoch<br />
Ambiguität gering<br />
6<br />
5<br />
4<br />
3<br />
2<br />
Sicherheit mit der<br />
Kategorisierungsentscheidung<br />
Ambiguität gering<br />
Ambiguität hoch<br />
Kein Label Label<br />
6<br />
5<br />
4<br />
3<br />
2<br />
Wahrgenommene<br />
<strong>St</strong>imulusüberlastung<br />
Ambiguität hoch<br />
Ambiguität gering<br />
Kein Label Label<br />
Abbildung 11: Mittelwertsverläufe für die Informationsverarbeitungsvariablen in Abhängigkeit<br />
der Ambiguität und der Nennung eines Kategorienlabels.<br />
Anmerkungen. Wertebereich von 1 bis 7. 29 ≤ N ≤ 31.<br />
Von Interesse für die Marketingforschung sind nicht allein die Effekte der <strong>St</strong>imulus-<br />
gestaltung auf die Informationsverarbeitung, sondern die Auswirkungen der Manipulation<br />
und der damit verbundenen kognitiven Prozesse auf die Produktevaluation. 33 Weiterfüh-<br />
rende Analysen zeigen, dass sich hohe Ambiguität negativ (Ms 5,03 v. 2,94) (F(1,116) =<br />
111,581; p < 0,001; ε = 0, 98) und die Nennung eines unbekannten Label positiv auf die<br />
Evaluation auswirkt (Ms 3,56 vs. 4,46) (F(1,116) = 21,571; p < 0,001; ε = 0, 43). Des Weite-<br />
ren liegt ein ordinaler Interaktionseffekt beider unabhängigen Variablen hinsichtlich der<br />
Produktbewertung vor (F(1,116) = 10,949; p < 0,001; ε = 0,31). Wie aus Abbildung 12 ersicht-<br />
lich, wirkt sich die Nennung einer Kategorienbezeichnung bei hoher Ambiguität deutlich<br />
stärker auf die Produktbewertung aus als in der Bedingung geringer Ambiguität. Hypothese<br />
4.1 kann somit bestätigt werden.<br />
33 Die Items der Skala werden per Mittelwertsbildung zu einem reliablen Index zusammengefasst (Cronbachs α =<br />
0,968).
96<br />
6<br />
5<br />
4<br />
3<br />
2<br />
No Label Label<br />
Ambiguität gering<br />
Ambiguität hoch<br />
C. Experimentelle <strong>St</strong>udien<br />
Abbildung 12: Mittelwertsverläufe für die Produktevaluation in Abhängigkeit der Ambiguität<br />
und der Nennung eines Kategorienlabels<br />
Anmerkungen. Wertebereich von 1 bis 7. 29 ≤ N ≤ 31.<br />
Die Haupteffekte sind nach J. Cohen (1988) als groß zu bewerten, die Interaktion als<br />
ein Effekt mittlerer Größe. Die Zwischensubjekteffekte sind in <strong>Tab</strong>elle 34 zusammen-<br />
gefasst:<br />
<strong>Tab</strong>elle 34: Test der Zwischensubjekteffekte auf die Produktevaluation<br />
Quelle SS df MS F p ε<br />
Ambiguität 130,19 1 130,19 111,581 0,000 0,98<br />
Label 25,17 1 25,17 21,571 0,000 0,43<br />
A x L 12,78 1 12,78 10,949 0,001 0,31<br />
Fehler 135,35 116 1,17<br />
Total 304,33 119<br />
Anmerkungen. SS: Quadratsumme. df: Freiheitsgrade. MS: Mittel der Quadrate. F: Teststatistik.<br />
p: Signifikanz. ε: Effektstärke (0,10: klein. 0,25: mittel. 0,40: groß).<br />
Aus der Fluency Theorie ist bekannt, dass sich zunehmende Schwierigkeit bei der<br />
Informationsverarbeitung negativ auf Produktbewertungen auswirkt und die Effekte der<br />
zugrunde liegenden Produkteigenschaften mediiert. Gleiches wird auch hier postuliert. Auf-<br />
grund der hohen Interkorrelation der drei Informationsverarbeitungsvariablen werden diese<br />
für die folgende Analyse zu einem Index zusammengefasst (Cronbachs α = 0,966), der die<br />
Anstrengung bei der Informationsverarbeitung misst. Baron und Kenny (1986) zufolge kann<br />
ein mediierter Moderatoreffekt dokumentiert werden, wenn signifikante Effekte des Interak-<br />
tionsterms auf die abhängige und mediierende Variable, wie auch ein Effekt der mediieren-<br />
den Variablen auf die abhängige Variable vorliegen. Die vorausgehende Analyse hat den<br />
Interaktionseffekt auf die Produktevaluation nachgewiesen. Eine weitere univariate Vari-<br />
anzanalyse zeigt einen Interaktionseffekt der beiden unabhängigen Variablen auf den neu<br />
gebildeten Index der Informationsverarbeitungsvariablen auf (F(1,116) = 37,874, p < 0,001; ε<br />
= 0,57) (vgl. <strong>Tab</strong>elle 35).
C. Experimentelle <strong>St</strong>udien 97<br />
<strong>Tab</strong>elle 35: Test der Zwischensubjekteffekte auf den Informationsverarbeitungsindex<br />
Quelle SS df MS F p ε<br />
Ambiguität 204,15 1 204,15 406,624 0,000 1,87<br />
Label 0,25 1 0,25 0,491 0,485 0,07<br />
A x L 19,01 1 19,01 37,874 0,000 0,57<br />
Fehler 58,24 116 0,50<br />
Total 283,72 119<br />
Anmerkungen. SS: Quadratsumme. df: Freiheitsgrade. MS: Mittel der Quadrate. F: Teststatistik.<br />
p: Signifikanz. ε: Effektstärke (0,10: klein. 0,25: mittel. 0,40: groß).<br />
Mittels eines allgemeinen linearen Modells wird das Gesamtmodell getestet. Die Er-<br />
gebnisse sind in <strong>Tab</strong>elle 36 dargestellt. Während die Haupteffekte und eine Interaktion der<br />
unabhängigen Variablen auf die Produktevaluation berichtet werden können, weist der<br />
zusätzlich aufgenommene Faktor der Anstrengung bei der Informationsverarbeitung keinen<br />
signifikanten Effekt auf die Produktevaluation auf (F(1,115) = 2,226; p > 0,138). Hypothese<br />
4.2 kann somit nicht bestätigt werden. Die Produktevaluation wird durch die Manipulation<br />
beeinflusst; diese Effekte werden jedoch nicht durch den Informationsverarbeitungsprozess<br />
mediiert.<br />
<strong>Tab</strong>elle 36: Test der Zwischensubjekteffekte auf die Produktevaluation unter Kontrolle der<br />
Informationsverarbeitungsvariablen<br />
Quelle SS df MS F p ε<br />
Infoverarbeit. 2,57 1 2,57 2,226 0,138 0,14<br />
Ambiguität 46,10 1 46,10 39,926 0,000 0,59<br />
Label 26,12 1 26,12 22,619 0,000 0,44<br />
A x L 15,20 1 15,20 13,165 0,000 0,34<br />
Fehler 132,78 115 1,15<br />
Total 304,33 119<br />
Anmerkungen. SS: Quadratsumme. df: Freiheitsgrade. MS: Mittel der Quadrate. F: Teststatistik.<br />
p: Signifikanz. ε: Effektstärke (0,10: klein. 0,25: mittel. 0,40: groß).<br />
In einem letzten Schritt wird überprüft, ob der große negative Effekt der Ambiguität<br />
auf die Produktevaluation durch die Kategorisierungsentscheidung mediiert wird. Dies kann<br />
durch eine einfache Mediationsanalyse nicht bestätigt werden. Obwohl eine Varianzanalyse<br />
zeigt, dass die Bildung einer neuen Kategorie die Produktevaluation negativ beeinflusst<br />
(F(1,118) = 8,789; p < 0,004; ε = 0,273), wird dieser Effekt aufgehoben, sobald der Ambigui-<br />
tätsfaktor in einem zwei-faktoriellen Design aufgenommen wird. Hier produziert allein der<br />
Ambiguitätsfaktor einen signifikanten Effekt auf die Produktevaluation (F(1,117) = 80,182; p<br />
< 0,001; ε = 0,828) (vgl. Anhang H).
98<br />
2.5.4 Repräsentativität und Produktevaluation<br />
C. Experimentelle <strong>St</strong>udien<br />
Dem Prototypen-Ansatz der Kategorisierung zufolge werden Exemplare umso positiver<br />
bewertet, je typischer sie sind. Gleichzeitig wirkt sich eine hohe wahrgenommene Neuartig-<br />
keit positiv auf die Präferenz aus. Die beiden Konstrukte wahrgenommene Typikalität und<br />
wahrgenommene Neuartigkeit stehen theoretisch jedoch in einem negativen Zusammenhang<br />
miteinander (vgl. Hekkert et al., 2003).<br />
Die Items der jeweiligen Skalen werden durch Mittelwertsbildung zu einem Index<br />
zusammengefasst. Alle Skalen weisen ausreichende interne Konsistenz auf: Typikalität er-<br />
reicht ein Cronbachs α von 0,964, wahrgenommene Neuartigkeit von 0,791. <strong>Tab</strong>elle 37<br />
zeigt die deskriptiven <strong>St</strong>atistiken und die Überprüfung der Verteilungsannahmen. Der<br />
Kolmogorov-Smirnov Anpassungstest weist nicht auf Abweichungen der Daten von der<br />
Normalverteilung hin.<br />
<strong>Tab</strong>elle 37: Deskriptive <strong>St</strong>atistiken und Test auf Normalverteilung der Skalen zur Repräsentativität<br />
und Produktevaluation<br />
Skala M SD Sch z(Sch) Kur z(Kur) K-S-Z p<br />
TYP 3,64 1,62 0,223 1,01 -0,947 -2,16 1,125 0,159<br />
NOV 3,69 1,62 0,317 1,43 -0,841 -1,92 1,157 0,138<br />
PRE 4,00 1,60 -0,136 -0,62 -0,926 -2,11 1,007 0,263<br />
Anmerkungen. N = 120. M: Arithmetisches Mittel. SD: <strong>St</strong>andardabweichung. Sch: Schiefe.<br />
z(Sch): z-Wert Schiefe. Kur: Kurtosis. z(Kur): z-Wert Kurtosis. K-S Z: Z-Wert des Kolmogorov-Smirnov<br />
Anpassungstests. p: asymptotische Signifikanz (2-seitig).<br />
Wie erwartet, ergibt sich eine hoch signifikant negative Korrelation zwischen wahrge-<br />
nommener Typikalität und wahrgenommener Neuartigkeit (r = -0,649; p < 0,001). Typika-<br />
lität korreliert signifikant positiv mit dem Präferenzmaß (r = 0,533; p < 0,001). Das heißt, je<br />
typischer Probanden das Fahrzeug wahrnehmen, desto wohlwollender fällt ihre Produkt-<br />
bewertung aus. Entgegen der Hypothese 5.1 steht die wahrgenommene Neuartigkeit hier in<br />
einem signifikant negativen Zusammenhang zur Produktevaluation (r = -0,671; p < 0,001):<br />
je stärker sich das Fahrzeug von bekannten Produkten unterscheidet, desto negativer wird es<br />
aufgenommen. Eine multiple Regressionsanalyse zeigt, dass die wahrgenommene Neuartig-<br />
keit (β = -0,562; p < 0,001) ein deutlich besserer Prädiktor der Produktbewertung ist als die<br />
wahrgenommene Typikalität (β = 0,169; p > 0,060). Zusammen erklären die beiden<br />
Variablen 46,7% der Kriteriumsvarianz. Nach J. Cohen (1992) handelt es sich hierbei um<br />
einen großen Effekt (f² = 0,88). Der korrigierte Determinationskoeffizient ist mit R 2 = 0,46<br />
nur unwesentlich kleiner als R². Das Gesamtmodell ist statistisch signifikant<br />
(F(2;117) = 51,310; p < 0,001). Die Analysen legen nahe, dass wahrgenommene Neuartigkeit
C. Experimentelle <strong>St</strong>udien 99<br />
nicht inhärent positiv ist, sondern vielmehr den mangelnden Fit des Fahrzeugs zu bestehen-<br />
den Konzepten darstellt.<br />
2.6 Zusammenfassung der Ergebnisse und Diskussion<br />
2.6.1 Zusammenfassung<br />
Die Ergebnisse dieser <strong>St</strong>udie zeigen erstmalig den Einfluss von Ambiguität in der Produkt-<br />
substanz auf die Bildung neuer Kategorien auf Produkttypenebene auf. Damit unterstützen<br />
sie den Versuch der unternehmensseitigen Begründung neuer Segmente durch hybride Pro-<br />
dukte (Crossover-Fahrzeuge) aus Kundensicht. Mit zunehmender Ambiguität steigt die<br />
Wahrscheinlichkeit der Bildung einer neuen Kategorie für die betreffenden Produkte; sie<br />
werden seltener bestehenden Klassen von Produkttypen zugeordnet. Die Nennung eines un-<br />
bekannten Kategorienlabels allein stützt die Bildung einer neuen Kategorie nicht.<br />
Die Darstellung ambiguoser Produkte ist jedoch nicht uneingeschränkt positiv zu<br />
bewerten. Entsprechend ihrer Definition wirkt sich hohe Ambiguität für sich genommen<br />
erschwerend auf die Informationsverarbeitung aus. Im Zusammenspiel mit der Nennung<br />
eines unbekannten Kategorienlabels wird diese Erschwerung des Informationsverarbei-<br />
tungsprozesses jedoch relativiert. Das Kategorienlabel moderiert die Effekte der Ambigui-<br />
tät. Es erleichtert die Informationsverarbeitung in der Bedingung hoher Ambiguität, indem<br />
es eine zusammenfassende Beschreibung für heterogene Informationen bietet, während ein<br />
Kategorienlabel in Kombination mit geringer Ambiguität als zusätzlicher unbekannter<br />
<strong>St</strong>imulus die Informationsverarbeitung erschwert. Ähnliches gilt für die Sicherheit mit der<br />
Kategorisierungsentscheidung. Die Nennung eines Kategorienlabels erhöht die Sicherheit<br />
im Falle hoher Ambiguität und reduziert sie bei geringer Ambiguität. Auch die wahrge-<br />
nommene <strong>St</strong>imulusüberlastung, die sich nicht explizit auf die Kategorisierungsaufgabe<br />
selbst bezieht, sondern durch die Wahrnehmung der Angebotsvielfalt operationalisiert ist,<br />
wird von der Interaktion der beiden unabhängigen Variablen beeinflusst. Bei hoher Ambi-<br />
guität kann die Wahrnehmung von <strong>St</strong>imulusüberlastung durch die Nennung einer Katego-<br />
rienbezeichnung reduziert werden, während sie bei geringer Ambiguität durch die Nennung<br />
eines Labels erhöht wird.<br />
Die bis dato zusammengefassten Ergebnisse sind insbesondere aus kognitionspsycho-<br />
logischer Sicht interessant. Für die Marketingpraxis von höherer Relevanz sind jedoch ihre<br />
Auswirkungen auf die Produktevaluation. Während hohe Ambiguität sich negativ auf die<br />
Produktbewertung auswirkt, weist die Nennung einer Kategorienbezeichnung einen positi-<br />
ven Effekt auf, der bei hoher Ambiguität besonders stark ausfällt. Auch hier wirkt das Label<br />
als Moderatorvariable. Entgegen der Hypothese wird dieser Moderatoreffekt jedoch nicht
100<br />
C. Experimentelle <strong>St</strong>udien<br />
durch die Anstrengungen der Informationsverarbeitung mediiert. Abbildung 13 stellt die<br />
Effekte abschließend graphisch dar:<br />
Unabhängige<br />
Variablen<br />
Ambiguität<br />
(gering – hoch)<br />
x<br />
Label<br />
(kein Label –<br />
Label)<br />
H2.1<br />
<br />
H2.2<br />
Kategorisierung Informationsverarbeitung<br />
Kategorisierung<br />
(bestehende –<br />
neue Kateg.)<br />
Haupteffekt Interaktionseffekt<br />
Abbildung 13: Zusammenfassung der Effekte<br />
Abhängige Variablen<br />
H3.1<br />
H3.2<br />
H3.3<br />
Sicherheit mit der<br />
Kateg.-Entscheidung<br />
(SKE)<br />
Subj. Schwierigkeit<br />
der Kateg.<br />
(SSK)<br />
Wahrgenommene<br />
<strong>St</strong>imulusüberlastung<br />
(WSÜ)<br />
Mediation der UV<br />
<br />
H4.1b<br />
Urteilsbildung<br />
Produktevaluation<br />
(PRE)<br />
Mit der vorliegenden <strong>St</strong>udie sollten außerdem die Ergebnisse von Hekkert et al. (2003)<br />
repliziert werden. Dies gelang jedoch nicht. Während wahrgenommene Typikalität und<br />
Neuartigkeit wie postuliert negativ sowie wahrgenommene Typikalität und die Produkt-<br />
beurteilung positiv miteinander korrelieren, stehen die wahrgenommene Neuartigkeit und<br />
die Produktevaluation in einem signifikant negativen Zusammenhang zueinander. Bei der<br />
Vorhersage der Produktevaluation erweist sich die wahrgenommene Neuartigkeit als deut-<br />
lich stärkerer Prädiktor als die wahrgenommene Typikalität.<br />
2.6.2 Diskussion<br />
Die grundlegenden Funktionsweisen der Kategorisierung wurden in der Social Cognition<br />
Forschung erarbeitet. Kategorisierung verfolgt in erster Linie das Ziel der Vereinfachung<br />
von Informationsverarbeitungsprozessen, indem sie die Komplexität der Umweltreize redu-<br />
ziert (vgl. J. S. Bruner et al., 1956; Fiske & Taylor, 1984; Rosch, 1978). In zahlreichen <strong>St</strong>u-<br />
dien wurden die in der Grundlagenforschung erzielten Erkenntnisse auf die Marketing-<br />
forschung übertragen. Produkte werden in hierarchischen Produktklassen, Marktsegmenten<br />
oder Consideration Sets zusammengefasst. Zentrale Merkmale von Kategorien bzw. Sche-<br />
mata sind zum einen typische Produkt- oder Nutzeneigenschaften der zugehörigen Exemp-<br />
lare und zum zweiten ein Kategorienlabel, das unmittelbar Aufschluss über die Kategorien-<br />
H4.1a
C. Experimentelle <strong>St</strong>udien 101<br />
zugehörigkeit eines Exemplars gibt und somit über den Informationsgehalt von Ähnlich-<br />
keitsinformationen auf Basis von Merkmalen hinausgeht (Yamauchi & Markman, 2000).<br />
Bislang wurde die Kategorisierung hybrider Produkte nur vor dem Hintergrund vom<br />
jeweiligen Forscher festgelegter Produktklassen betrachtet. So hatten Probanden bei<br />
Moreau, Markman et al. (2001), Gregan-Paxton und Kollegen (2005) sowie Rajagopal<br />
(2004) die Möglichkeit, den <strong>St</strong>imulus je einer von zwei bekannten Produktklassen zuzuord-<br />
nen. Rajagopal (2004) fragte die Kategorisierung zusätzlich durch offene Nennungen ab und<br />
nahm bei der Codierung eine Antwortkategorie „hybrid“ auf. Keine der referierten <strong>St</strong>udien<br />
hat individuelle Kategorisierungsansätze (z.B. zielbasierter vs. eigenschaftsbasierter Ansatz)<br />
der Konsumenten berücksichtigt. Die bestehende Kategorienstruktur eines Konsumenten ist<br />
jedoch ausschlaggebend für die mentale Integration eines neuen Produktes (vgl. Nedungadi<br />
et al., 2001). Da Konsumenten aufgrund ihrer einzigartigen Produkt- und Konsumerfahrung<br />
jeweils über individuelle mentale Produktkategorienstrukturen verfügen, muss dieser bei der<br />
Integration unbekannter Produkte Rechnung getragen werden. Dieses Manko wird in der<br />
vorliegenden Untersuchung dadurch gelöst, dass in einem ersten Schritt bekannte eindeutige<br />
Produkte kategorisiert werden, um die individuelle Kategorienstruktur der Probanden zu<br />
aktivieren und erst im zweiten Schritt die Einordnung des hybriden Produktes vor dem Hin-<br />
tergrund der generierten <strong>St</strong>ruktur vorzunehmen ist. Da als Ergebnis nicht die inhaltliche<br />
Zuordnung zu einer bestimmten Kategorie interessiert, kann in der abhängigen Variable<br />
zwischen Bildung einer neuen Kategorie und der Einordnung in eine bekannte Kategorie<br />
unterschieden werden.<br />
Wie postuliert wurde, beeinflusst zunehmende Ambiguität die Kategorienbildung<br />
positiv, wirkt sich aber erschwerend auf die Informationsverarbeitung und negativ auf die<br />
Produktevaluation aus. Diese Ergebnisse sind konform mit dem Subtyping Model von<br />
Weber und Crocker (1983). Mit zunehmender Diskrepanz eines Exemplars zu einem<br />
bekannten Schema erhöht sich die Wahrscheinlichkeit der Bildung einer (Sub-)Kategorie.<br />
Ambiguität kann als Form der Schemadiskrepanz angesehen werden, wobei das Ursprungs-<br />
schema nicht klar definiert ist, sondern sich auf jedes der zugrunde liegenden Konzepte<br />
beziehen kann. Die höhere wahrgenommene Schwierigkeit der Informationsverarbeitung<br />
bei hoher Ambiguität kann entsprechend <strong>St</strong>udien von Hampson (1998) dadurch erklärt wer-<br />
den, dass vor dem Hintergrund bekannter Schemata heterogene Informationen schwieriger<br />
zu einem kohärenten Gesamtbild zu integrieren sind. Mit den vorliegenden Befunden kann<br />
dieser Effekt, der ursprünglich im Rahmen sozialer Kategorien nachgewiesen wurde, auch<br />
auf das Consumer Information Processing übertragen werden. Die Ergebnisse werden vom<br />
Continuum Model gestützt, in dem Fiske und Neuberg (1990) darlegen, dass individuie-
102<br />
C. Experimentelle <strong>St</strong>udien<br />
rende Prozesse größerer Anstrengung bei der Informationsverarbeitung bedürfen. Mehrdeu-<br />
tige Informationen erhöhen nicht nur die Schwierigkeit der Verarbeitung, sondern senken<br />
auch die Urteils- bzw. Entscheidungssicherheit ab. Der Definition von Gregan-Paxton et al.<br />
(2005) zufolge ist Unsicherheit bei der Produktkategorisierung ein konstitutiver Bestandteil<br />
von Ambiguität. Brömer (1998) konnte diesen Effekt für evaluativ inkonsistente Produkt-<br />
beschreibungen nachweisen. Mit der vorliegenden <strong>St</strong>udie wird der Befund auf deskriptiv<br />
ambivalente Produktbeschreibungen erweitert. Da die Kategorisierung eines einzelnen<br />
Crossover-Fahrzeugs immer relativ zum relevanten Markt stattfindet, zeigt sich das Ambi-<br />
valenzerleben neben den unmittelbar von der Kategorisierung abhängigen kognitiven Pro-<br />
zessen auch in der wahrgenommenen <strong>St</strong>imulusüberlastung. Produkte, die nicht einfach in<br />
die bestehende Wissensstruktur integriert werden können, führen bei den Konsumenten zu<br />
einem Gefühl der Überforderung aufgrund der hohen Produktvielfalt.<br />
In zahlreichen <strong>St</strong>udien konnte nachgewiesen werden, dass ein Label die Bildung von<br />
Inferenzen und Präferenz bei bekannten Kategorien im Vergleich zu Produkteigenschaften<br />
überproportional beeinflusst (vgl. Sujan, 1985; Moreau, Markman et al., 2001; Rajagopal,<br />
2004). Die im Rahmen der vorliegenden <strong>St</strong>udie gewonnenen Erkenntnisse stützen diesen<br />
grundlegenden Befund teilweise. Bezogen auf die Bildung neuer Kategorien konnte der<br />
postulierte Haupteffekt nicht bestätigt werden. Im Hinblick auf die damit verbundenen<br />
Informationsverarbeitungsprozesse kann die dominante Rolle des Labels jedoch bestätigt<br />
und auf eine neue Forschungsfrage ausgedehnt werden. Ein unbekanntes Kategorienlabel<br />
kann die Nachteile der Ambiguität und damit der Produktdifferenzierung aufheben. Es übt<br />
selbst keinen Einfluss auf die Bildung neuer Kategorien aus, bietet aber eine formale<br />
Klammer für inhaltlich ambivalente Informationen und erleichtert dadurch die Informa-<br />
tionsverarbeitung, indem es einen peripheren Hinweis für kategorienbasierte Verarbeitungs-<br />
prozesse liefert (vgl. Fiske & Neuberg, 1990). Da im Pretest keine eindeutigen Aufbaufor-<br />
men-Assoziationen zu dem genannten Kategorienlabel festgestellt werden konnten, kann<br />
dieser Effekt als unabhängig von inhaltlichen Merkmalen des <strong>St</strong>imulus betrachtet werden.<br />
Die Erleichterung der kognitiven Prozesse wird allein durch die Tatsache der Nennung einer<br />
Kategorienbezeichnung determiniert.<br />
Aus der Literatur ist bekannt, dass sich evaluative Ambivalenz in der Produktdarstel-<br />
lung negativ auf die Einstellungsbildung auswirkt. Brömer (2000) zufolge fallen Einstellun-<br />
gen zu evaluativ inkonsistent dargestellten Produkten signifikant negativer aus als zu<br />
evaluativ neutral dargestellten Produkten. Die dargestellten Ergebnisse unterstützen dies:<br />
Komplexe, inkonsistente Informationen haben einen negativen Effekt, während ein struktu-<br />
rierender <strong>St</strong>imulus wie ein Kategorienlabel einen positiven Effekt ausübt. Dieser Befund
C. Experimentelle <strong>St</strong>udien 103<br />
zeigt, wie wichtig eine Kategorienbezeichnung für die Begründung erfolgreicher Fahrzeug-<br />
segmente durch hybride Produkte ist.<br />
Des Weiteren ist bekannt, dass die genannten Facetten der Informationsverarbeitung in<br />
einem negativen Zusammenhang zu Variablen des Kaufverhaltens stehen. Hohe Unsicher-<br />
heit oder <strong>St</strong>imulusüberlastung ist beispielsweise dafür bekannt, zum Kaufaufschub zu füh-<br />
ren (vgl. Walsh, 2004). Die Fluency Theorie geht davon aus, dass die Evaluation von<br />
Urteilsobjekten über die Processing Fluency, mit der diese verarbeitet werden, vermittelt<br />
wird (Schwarz, 2004). So zeigen Lee und Labro (2004), dass sich Conceptual Fluency, als<br />
Ausdruck der Leichtigkeit der Informationsverarbeitung, positiv auf Produktevaluationen<br />
ausübt. In ihren <strong>St</strong>udien resultiert die Verfügbarkeit adäquater mentaler Kategorien zur<br />
<strong>St</strong>imulusverarbeitung in besseren Bewertungen eines beworbenen Produktes, während sich<br />
erhöhte Schwierigkeiten bei der Kategorisierung negativ auf die Produktevaluation auswir-<br />
ken. Die vorliegenden Effekte auf die Produktbewertung legen nahe, dass auch in dieser<br />
<strong>St</strong>udie Informationsverarbeitungsprozesse die Urteilsbildung beeinflussen. Entgegen der<br />
Annahmen konnte nicht bestätigt werden, dass Informationsverarbeitungsprozesse die<br />
Effekte der Ambiguität und der Nennung eines Kategorienlabels auf die Produktevaluation<br />
mediieren. Folglich haben Ambiguität und die Nennung eines Kategorienlabels, anders als<br />
postuliert, keinen prozessualen Charakter, sondern sind inhärent negativ bzw. positiv<br />
behaftet. Bezug nehmend auf die Tatsache, dass die evaluativen Effekte von Ambiguität<br />
nicht durch die Kategorisierungsentscheidung mediiert werden, kann davon ausgegangen<br />
werden, dass neue Kategorien nicht per se negativ bewertet werden, sondern dass die<br />
Urteilsbildung auf die Negativität der Ambivalenz zurückzuführen ist.<br />
Wahrgenommene Typikalität steht in einem positiven Zusammenhang zur Evaluation,<br />
während wahrgenommene Neuartigkeit in einem negativen Zusammenhang zur Evaluation<br />
steht. Entgegen der Hypothese wird sie damit nicht im Sinne von Innovativität verstanden<br />
und positiv belegt, sondern als mangelnder Fit des Fahrzeugs zu bestehenden Konzepten<br />
verstanden. Unter Umständen ist dieser Effekt auf eine verbesserungswürdige Operationali-<br />
sierung zurückzuführen. Separate Analysen der beiden Items zeigen jedoch keine Verbesse-<br />
rung. Die Ergebnisse zum Zusammenhang zwischen der Repräsentativität von Kategorien-<br />
mitgliedern und der Produktevaluation sind nicht konsistent über beide <strong>St</strong>udien. Für diesen<br />
Befund gibt es mehrere mögliche Erklärungen. Zum einen können in <strong>St</strong>udie 1 nach der<br />
Kategorisierungsaufgabe Ermüdungserscheinungen aufgetreten sein, so dass sich die Pro-<br />
banden nicht mehr voll auf die Aufgaben konzentrieren konnten; zum anderen könnte die<br />
Repräsentativitätsbewertung vor dem Hintergrund individuell gebildeter Kategorien diese<br />
Unterschiede bedingt haben.
104<br />
2.6.3 Praktische Implikationen<br />
C. Experimentelle <strong>St</strong>udien<br />
Wie bereits dargelegt, wird die Positionierung neuer Fahrzeuge in den gesättigten Auto-<br />
mobilmärkten der Triade zunehmend schwieriger. Die Versuche der Hersteller, sich mit<br />
konzeptuell neuen Crossover-Fahrzeugen Marktnischen zu erschließen und sich so vom<br />
Wettbewerb zu differenzieren, waren in der Vergangenheit nicht immer von Erfolg gekrönt.<br />
Da Konsumenten insbesondere bei langlebigen Produkten wie Automobilen über eine rela-<br />
tiv stabile und fest verankerte mentale Kategorienstruktur der Produkttypen verfügen, er-<br />
weist sich die Schaffung neuer Segmente und ihre Akzeptanz durch die Kunden als schwie-<br />
rig. Die Befunde der vorliegenden <strong>St</strong>udie und vergangene Erfolge wie die Entstehung der<br />
SUV- und Minivan-Segmente legen jedoch nahe, dass es sich bei der zielgerichteten<br />
Begründung neuer Segmente um eine möglich, jedoch nicht einfach umzusetzende <strong>St</strong>rategie<br />
handelt, mit der Wettbewerbsvorteile gegenüber dem Wettbewerb erlangt werden können.<br />
Durch Kombination unterschiedlicher Aufbauformenelemente können neue Crossover-<br />
Segmente begründet werden. Aufgrund der bestehenden stabilen Wissensstrukturen ist es<br />
nicht verwunderlich, wenn seitens der Kunden Komplikationen bei der Integration des<br />
Crossover-Produktes in die Wissensstruktur entstehen, die sich in erhöhter Schwierigkeit<br />
und Unsicherheit bei der Informationsverarbeitung zeigen. Diese Komplikationen indizie-<br />
ren, dass zusätzlicher Erklärungsbedarf bei derartigen Produkten besteht. Die Ergebnisse<br />
legen nahe, dass bereits die Nennung einer Segmentbezeichnung Unterstützung bei der<br />
eigenständigen Positionierung des neuen Produkttypen bietet und die kognitiven Anstren-<br />
gungen reduziert. Die Segmentbezeichnung übernimmt damit eine zusammenfassende und<br />
unterstützende Funktion. Ihre Relevanz wird insbesondere in den Produktevaluationen<br />
deutlich. Produkte hoher Ambiguität werden grundsätzlich negativer als Produkte geringer<br />
Ambiguität bewertet. Wird jedoch ein Kategorienlabel kommuniziert, verbessern sich die<br />
Evaluationen signifikant.<br />
Zusammenfassend betrachtet, weisen die Ergebnisse auf die Bedeutsamkeit einer ziel-<br />
gerichteten Marketingstrategie für die Produktneueinführung hin. Eine innovative Produkt-<br />
substanz reicht zur Erzielung eines Markterfolgs nicht aus (Trommsdorff & <strong>St</strong>einhoff,<br />
2007). Um Kunden für ein konzeptuell neuartiges Crossover-Produkt zu gewinnen, muss<br />
ihrem aktuellen Marktverständnis Rechnung getragen werden, indem Differenzierungs-<br />
merkmale zu bekannten Produkttypen klar aufgezeigt werden (vgl. Binsack, 2003). Dazu<br />
sollte der unique Nutzen des Produkttyps kommuniziert werden (Ries & Trout, 2001).<br />
2.6.4 Limitationen und weiterer Forschungsbedarf<br />
In der vorliegenden <strong>St</strong>udie werden die Bildung neuer Kategorien und die damit verbunde-<br />
nen Informationsverarbeitungsprozesse in Abhängigkeit von <strong>St</strong>imulusambiguität und der
C. Experimentelle <strong>St</strong>udien 105<br />
Nennung eines Kategorienlabels betrachtet. Dabei wird Ambiguität auf der konzeptuell ver-<br />
balen Ebene manipuliert, indem im Rahmen einer Produktinformation die Anzahl der einem<br />
Produkt zugrunde liegenden traditionellen Produkttypen variiert wird. Für die Kategorisie-<br />
rung neuer Produkte sind jedoch nicht allein Marketing-Maßnahmen ausschlaggebend, eine<br />
entscheidende Rolle spielt auch das Produktdesign (Kreuzbauer & Malter, 2005). Insbeson-<br />
dere für Produkte mit hohen Entwicklungskosten und langen Produktlebenszyklen in wett-<br />
bewerbsintensiven Märkten, z.B. Automobile, können innovative Designideen existentiell<br />
sein (Carbon & Leder, 2007). Crossover-Fahrzeuge unterscheiden sich im Design von<br />
traditionellen Aufbauvarianten, indem sie Elemente von zwei oder mehr Aufbauformen<br />
miteinander kombinieren (Diez, 2003). Diese Kombinationen drücken Ambiguität aus: Ist<br />
die CLS-Klasse eine Limousine oder ein Coupé? Welcher Aufbauvariante sind die in Ent-<br />
wicklung befindlichen SUCs zuzuordnen (vgl. Kapitel A1.1)? Beim Exterieur-Design von<br />
Pkw sind bestimmte Proportionen charakteristisch für einzelne Aufbauvarianten. So sind<br />
SUVs beispielsweise durch ein two-box Design, eine hohe Bodenfreiheit, einen großen Ab-<br />
stand zwischen Rad und Kotflügel und sichtbare Federwege gekennzeichnet. Generell stellt<br />
sich bei der Entwicklung von hybriden Produkten somit die Frage, welche Dimensionen aus<br />
Kundensicht entscheidend für die Wahrnehmung eines Produkttyps sind. Wie wirken sich<br />
Änderungen im Design auf bestimmten Dimensionen auf die Kategorisierbarkeit der Inno-<br />
vation aus? Werden hybride Produkte ab einem bestimmten Grad der Ambiguität nicht län-<br />
ger in bestehende Kategorien klassifiziert und können Nachfrager für diese Produkte neue<br />
Kategorien bilden? Wie wirkt sich die Kategorisierbarkeit auf Designassoziationen und auf<br />
die Präferenzbildung aus? Inwieweit sich Ambiguität im Design auf die hier untersuchten<br />
abhängigen Variablen auswirkt, wäre von großen Interesse für weitere <strong>St</strong>udien.<br />
Ein weiterer Aspekt von hoher praktischer Relevanz im Hinblick auf die Etablierung<br />
hybrider Produkte betrifft die Anzahl der benötigten Produkte einer Art zur Bildung neuer<br />
Segmente aus Kundensicht. Diez (2003) postuliert, dass sich vom Kunden als eigenständig<br />
wahrgenommene Produkttypen erst mit der Markteinführung mehrerer derartiger Produkte<br />
herauskristallisieren. Aus experimenteller Sicht ist an dieser <strong>St</strong>elle interessant, welcher der<br />
Faktoren Zeit und Anzahl der präsentierten Exemplare ausschlaggebend ist. Dieser<br />
Gesichtspunkt ist auch vor dem Hintergrund der Markteinführung von me-too-Produkten<br />
bedeutsam. Der Pioniervorteil von Produkten konnte vielmals nachgewiesen werden (vgl.<br />
Carpenter & Nakamoto, 1989). Möglicherweise ist der Erfolg eines Pionierprodukts jedoch<br />
von der Einführung weiterer Produkte des gleichen Typs abhängig.<br />
Für ein besseres Verständnis der wahrgenommenen Positionierung des Produktes ist es<br />
hilfreich, die Inferenzen der Konsumenten analog der <strong>St</strong>udien von Rajagopal (2004) und
106<br />
C. Experimentelle <strong>St</strong>udien<br />
Gregan-Paxton et al. (2005) zu studieren. Diese Autoren konnten zeigen, dass die<br />
Kategorisierung in eine bekannte Produktgruppe die gebildeten Inferenzen maßgeblich<br />
bestimmt. Im Fall der Bildung einer neuen Kategorie wäre es sehr aufschlussreich, welche<br />
Produktassoziationen Konsumenten herausbilden und inwieweit sich diese von den Asso-<br />
ziationen zu bekannten Produkttypen unterscheiden.<br />
Die vorliegende Arbeit konzentriert sich auf Crossover-Fahrzeuge als ein Beispiel für<br />
hybride Produkte. Die Ergebnisse sollten auf andere Produktklassen generalisierbar sein.<br />
Vorausgegangene <strong>St</strong>udien haben innovative Kommunikationstechnologien fokussiert und<br />
Entwicklungen in diesem Markt haben gezeigt, dass sich die Produktlandschaft kontinuier-<br />
lich verändert. Scanner, PDAs etc., die Funktionen verschiedener zugrunde liegender Pro-<br />
dukte kombinieren, sind heute in den Wissensstrukturen der Menschen klar präsent,<br />
während sie vor einem Jahrzehnt noch nicht als eigenständiges Produktsegment betrachtet<br />
wurden.
D. Fazit 107<br />
D Fazit<br />
Die automobile Marktstruktur in den Triade-Märkten unterlag bereits in den letzten Jahren<br />
stetiger Veränderung. Nicht nur verzeichnet das traditionelle Mittelklasse-Segment gravie-<br />
rende Einbußen zugunsten neuer Nischensegmente, auch sinken die Marktanteile einzelner<br />
Modelle. Dieser Trend liegt in der Einführung neuartiger Produktkonzepte, die aufgrund<br />
von Plattform- und Modulstrategien mit geringem Aufwand entwickelt werden können,<br />
begründet und setzt sich laut Branchenexperten fort. Eingangs wurde die Frage gestellt, ob<br />
bzw. unter welchen Umständen Konsumenten innovative Crossover-Fahrzeuge als neue<br />
Fahrzeugsegmente wahrnehmen. Der erste Teil der Frage kann nicht uneingeschränkt bejaht<br />
werden. Vielmehr konnte in einer explorativ angelegten Untersuchung aufgezeigt werden,<br />
dass Crossover-Fahrzeuge in bestehende Fahrzeugkategorien integriert werden. Bei einigen<br />
Typen deutet sich jedoch eine Herausbildung von Subkategorien und damit eine bessere<br />
Differenzierung von bestehenden Fahrzeugkonzepten an. So grenzen sich beispielsweise die<br />
beiden SUCs Audi Cross-Coupe und BMW X6 deutlich innerhalb des SUV-Segmentes ab.<br />
Es ist eine weitere Differenzierung des ursprünglich von den klassischen Geländewagen<br />
ausgehenden Segmentes zu erwarten. Die Entwicklung eines Subsegmentes scheint eben-<br />
falls für die viertürigen Coupés, wie den BMW CS und Porsche Panamera, innerhalb des<br />
Sportwagensegmentes möglich.<br />
<strong>St</strong>udie 2 gibt weiteren Aufschluss über den zweiten Teil der Frage, die Umstände,<br />
unter denen Konsumenten neue Kategorien bilden. Mit zunehmender Ambiguität eines Pro-<br />
duktes wird es schwieriger, das Produkt in eine bestehende Kategorie zu assimilieren und es<br />
steigt die Wahrscheinlichkeit der Bildung einer neuen Kategorie. Die Wahrnehmung neuer<br />
Fahrzeugkategorien wird von den Konsumenten allerdings nicht per se positiv beurteilt.<br />
Hohe Ambiguität in der Produktsubstanz wird negativ gewertet. Dieser Effekt kann jedoch<br />
durch die Nennung einer Segmentbezeichnung als Kategorienlabel relativiert werden. Das<br />
Label fasst die heterogenen Informationen zusammen und reduziert dadurch die im Rahmen<br />
individuierender Prozesse auftretenden Schwierigkeiten bei der Informationsverarbeitung,<br />
was sich wiederum positiv auf die Produktbewertung auswirkt.<br />
Die Ergebnisse verdeutlichen, dass Unternehmen über gezielte und konsequent umge-<br />
setzte Marketingmaßnahmen Einfluss auf die wahrgenommene Produktpositionierung von<br />
Crossover-Fahrzeugen nehmen können. Für die Wahrnehmung neuer (Sub-)Segmente aus<br />
Kundensicht ist eine deutliche Differenzierung in der Produktsubstanz der Fahrzeuge von<br />
bestehenden Segmenten unerlässlich. Dies kann im Falle von Crossover-Fahrzeugen durch<br />
eine Kombination typischer Eigenschaften unterschiedlicher Aufbauformen gegeben sein.
108<br />
D. Fazit<br />
Die bloße Darstellung des ambiguosen Produktes reicht jedoch bei Weitem nicht aus. Das<br />
eindeutige differenzierende Nutzenversprechen sollte klar kommuniziert werden. Da<br />
bekannt ist, dass das Verständnis neuartiger Fahrzeugkonzepte insbesondere Novizen<br />
schwer fällt und diese Personengruppe Fahrzeuge entsprechend ihrer Nutzeneigenschaften<br />
klassifiziert, trifft dies insbesondere zu, wenn Unternehmen weniger erfahrene Personen für<br />
neue Konzepte gewinnen wollen. Die Aufgabe der Kommunikation ist es zudem, die Idee<br />
eines innovativen Produktkonzeptes durch eine adäquate Segmentbezeichnung zu stützen.<br />
Dabei ist es für den Markterfolg des Konzeptes zentral, dass diese durchgängig kommu-<br />
niziert wird.<br />
Zusammenfassend lässt sich festhalten, dass zur erfolgreichen Positionierung hybrider<br />
Produkte Aufgaben der Produkt- und Programmpolitik sowie der Kommunikation in einer<br />
integrierten Marketingstrategie aufeinander abgestimmt sein müssen.
Literaturverzeichnis 109<br />
Literaturverzeichnis<br />
Alba, J. W., & Hutchinson, J. W. (1987). Dimensions of consumer expertise. Journal of<br />
Consumer Research, 13(4), 411-454.<br />
Alba, J. W., Hutchinson, J. W., & Lynch, J. G., Jr. (1991). Memory and decision making. In<br />
T. S. Robertson & H. H. Kassarjian (Eds.), Handbook of consumer behavior (pp. 1-<br />
50). Englewood Cliffs, NJ: Prentice-Hall.<br />
Amelang, M., & Zielinski, W. (1997). Psychologische Diagnostik und Intervention (2.<br />
Aufl.). Berlin: Springer.<br />
AMS (8/2006). In die Menge getrieben. Auto, Motor und Sport, 8 (29.03.06), 16-20.<br />
AMS (16/2007). Xtra-Portion. Auto, Motor und Sport, 16 (18.07.07), 4-18.<br />
Anderson, J. R. (1991). The adaptive nature of human categorization. Psychological<br />
Review, 98(3), 409-429.<br />
Anderson, J. R. (1996). Kognitive Psychologie (2. Aufl.). Heidelberg: Spektrum<br />
Akademischer Verlag.<br />
Ansoff, H. I. (1957). <strong>St</strong>rategies for diversification. Harvard Business Review, 35(5), 113-<br />
124.<br />
Ashby, F. G. (Ed.). (1992). Multidimensional models of perception and cognition. Hillsdale,<br />
NJ: Lawrence Erlbaum Associates, Inc.<br />
Ashmore, R. D., & Del Boca, F. K. (1981). Conceptual approaches to stereotypes and<br />
stereotyping. In D. L. Hamilton (Ed.), Cognitive processes in stereotyping and<br />
intergroup behavior (pp. 1-35). Hillsdale, NJ: Lawrence Erlbaum Associates, Inc.<br />
Augoustinos, M., & Walker, I. (1995). Social cognition: An integrated introduction.<br />
London: Sage Publications.<br />
Auto Bild. (51/52/2005). Report. Experten-Prognosen: So wird das Jahr 2006. Auto Bild,<br />
51/52 (23.12.05), 24-25.<br />
Auto Bild. (27/2006). Alle neuen Autos aus Deutschland bis 2010. Auto Bild, 27 (07.07.06),<br />
8-23.<br />
Auto Bild. (2/2007). X4. Das kleine SUV-Coupé. Auto Bild, 2 (12.01.07), 20-22.<br />
Auto Bild. (11/2007). Der X5 kriegt was aufs Dach. Auto Bild, 11 (16.03.07), 8-10.<br />
Automotive News (2007). Crossover turns mom's minivan into an also-ran. Automotive<br />
News (08.01.07), 42.<br />
Bacher, J. (1996). Clusteranalyse: Anwendungsorientierte Einführung (2. Aufl. ed.).<br />
München: R. Oldenbourg Verlag.
110<br />
Literaturverzeichnis<br />
Backhaus, K., Erichson, B., Plinke, W., & Weiber, R. (2000). Multivariate Analysemethoden:<br />
eine anwendungsorientierte Einführung (9. Aufl.). Berlin: Springer.<br />
Baddeley, A. (1997). Human memory: Theory and practice. Hove: Psychology Press.<br />
Bagozzi, R. P., Gürhan-Canli, Z., & Priester, J. R. (2002). Social psychology of consumer<br />
behaviour. Buckingham: Open University Press.<br />
Bargh, J. A. (1989). Conditional automaticity: Varieties of automatic influence in social<br />
perception and cognition. In J. S. Uleman & J. A. Bargh (Eds.), Unintended thought<br />
(pp. 3-51). New York: Guilford Press.<br />
Baron, R. M., & Kenny, D. A. (1986). The moderator-mediator variable distinction in social<br />
psychological research: Conceptual, strategic, and statistical considerations. Journal<br />
of Personality and Social Psychology, 51(6), 1173-1182.<br />
Barsalou, L. W. (1983). Ad hoc categories. Memory & Cognition, 11(3), 211-227.<br />
Bartlett, F. C. (1932). Remembering: A study in experimental and social psychology. New<br />
York, NY: Cambridge University Press.<br />
Bauer, H. H., Mäder, R., & Huber, F. (2000). Markenpersönlichkeit als Grundlage von<br />
Markenloyalität (Wissenschaftliches Arbeitspapier No. W41). Mannheim: Institut für<br />
Marktorientierte Unternehmensführung.<br />
Bauer, H. H., Sauer, N. E., & Becker, C. (2006). Investigating the relationship between<br />
product involvement and consumer decision-making styles. Journal of Consumer<br />
Behaviour, 5(4), 342-354.<br />
Bauer, H. H., Sauer, N. E., & Köhler, M. (2003). Der Einfluss des Produktwissens und der<br />
Produkterfahrung auf das Informationsverhalten und die Einstellung - Theoretische<br />
und empirische Befunde am Beispiel Automobil. Jahrbuch der Absatz- und<br />
Verbrauchsforschung, 49(3), 247-270.<br />
Bayus, B. L., & Putsis Jr., W. P. (1999). Product proliferation: An empirical analysis of<br />
product line determinants and market outcomes. Marketing Science, 18(2), 137-153.<br />
Bearden, W. O., & Netemeyer, R. G. (1999). Handbook of marketing scales: Multi-item<br />
measures for marketing and consumer behavior research (2 ed.). Thousand Oaks,<br />
CA: Sage Publications.<br />
Beattie, A. E. (1982). Effects of product knowledge on comparison, memory, evaluation,<br />
and choice: A model of expertise in consumer decision-making. In A. A. Mitchell<br />
(Ed.), Advances in consumer research (Vol. 9, pp. 336-341). Ann Arbor, MI:<br />
Association for Consumer Research.<br />
Beatty, S. E., & Talpade, S. (1994). Adolescent influence in family decision making: A<br />
replication with extension. Journal of Consumer Research, 21(2), 332-341.<br />
Best, R. J., & Ursic, M. (1987). The impact of information load and variability on choice<br />
accuracy. In M. Wallendorf & P. Anderson (Eds.), Advances in consumer research<br />
(Vol. 14, pp. 106-108). Provo, UT: Association for Consumer Research.
Literaturverzeichnis 111<br />
Bettman, J. R. (1979). An information processing theory of consumer choice. Reading, MA:<br />
Addison-Wesley Publishing Company.<br />
Bettman, J. R., Luce, M. F., & Payne, J. W. (1998). Constructive consumer choice<br />
processes. Journal of Consumer Research, 25(3), 187-217.<br />
Bettman, J. R., & Park, C. W. (1980). Effects of prior knowledge and experience and phase<br />
of the choice process on consumer decision processes: A protocol analysis. Journal<br />
of Consumer Research, 7(3), 234-248.<br />
Binsack, M. (2003). Akzeptanz neuer Produkte: Vorwissen als Determinante des<br />
Innovationserfolgs. Wiesbaden: DUV.<br />
Blank, P.-U., Herdzina, K., & <strong>St</strong>ützle-Leinmüller, S. (1995). Zur Problematik der<br />
Abgrenzung des relevanten Marktes mit Hilfe der Clusteranalyse: Das Beispiel des<br />
Automobilmarktes in Deutschland (Diskussionsbeiträge No. 111/1995). <strong>St</strong>uttgart:<br />
Institut für Volkswirtschaftslehre, <strong>Universität</strong> Hohenheim.<br />
Bless, H., Greifeneder, R., & Wänke, M. (2007). Marken als psychologische Kategorien:<br />
Möglichkeiten und Grenzen einer sozial-kognitiven Sichtweise. In A. Florack, M.<br />
Scarabis & E. Primosch (Hrsg.), Psychologie der Markenführung (S. 31-40).<br />
München: Verlag Franz Vahlen.<br />
Bless, H., Schwarz, N., Bodenhausen, G. V., & Thiel, L. (2001). Personalized versus<br />
generalized benefits of stereotype disconfirmation: Trade-offs in the evaluation of<br />
atypical exemplars and their social groups. Journal of Experimental Social<br />
Psychology, 37(5), 386-397.<br />
Bloch, P. H. (1981). An exploration into the scaling of consumers' involvement with a<br />
product class. In K. B. Monroe (Ed.), Advances in consumer research (Vol. 8, pp.<br />
61-65). Ann Arbor, MI: Association for Consumer Research.<br />
Bloch, P. H., & Richins, M. L. (1983). A theoretical model for the study of product<br />
importance perceptions. Journal of Marketing, 47(3), 69-81.<br />
Borg, I. (1981). Anwendungsorientierte Multidimensionale Skalierung. Heidelberg:<br />
Springer.<br />
Borg, I. (2000). Explorative Multidimensionale Skalierung (ZUMA How-to-Reihe No. 1).<br />
Mannheim: Zentrum für Umfragen und Analysen.<br />
Borg, I., & Groenen, P. J. F. (2005). Modern multidimensional scaling: theory and<br />
applications (2nd ed.). New York: Springer.<br />
Borg, I., & Lingoes, J. C. (1987). Multidimensional similarity structure analysis. New York:<br />
Springer.<br />
Borg, I., & <strong>St</strong>aufenbiel, T. (1997). Theorien und Methoden der Skalierung: Eine Einführung<br />
(3. Aufl.). Bern: Verlag Hans Huber.<br />
Bortz, J. (2005). <strong>St</strong>atistik für Human- und Sozialwissenschaftler (6., vollst. überarb. und akt.<br />
Aufl.). Heidelberg: Springer.
112<br />
Literaturverzeichnis<br />
Brewer, M. B. (1988). A dual process model of impression formation. In T. K. Srull & S.<br />
Wyer (Eds.), Advances in social cognition (Vol. 1, pp. 1-36). Hillsdale, NJ:<br />
Lawrence Erlbaum Associates, Inc.<br />
Brömer, P. (1998). Einstellungen gegenüber unvertrauten Produkten: Selbstwirksamkeit<br />
bestimmt die Intensität der Verarbeitung relevanter Produktattribute. Zeitschrift für<br />
Sozialpsychologie, 29(2), 124-133.<br />
Brömer, P. (2000). Einstellungsbildung: Erlebte Ambivalenz, subjektive Schwierigkeit und<br />
Antwortlatenz bei evaluativ inkonsistenten, konsistenten und neutralen<br />
Informationen. Zeitschrift für Experimentelle Psychologie, 47(2), 115-128.<br />
Brooks, L. R. (1978). Nonanalytic concept formation and memory for instances. In E.<br />
Rosch & B. B. Lloyd (Eds.), Cognition and categorization (pp. 169-211). Hillsdale,<br />
NJ: Lawrence Erlbaum Associates, Inc.<br />
Brosius, F. (1998). SPSS 8.0: Professionelle <strong>St</strong>atistik unter Windows. Bonn: MITP-Verlag.<br />
Brucks, M. (1986). A typology of consumer knowledge content. In R. J. Lutz (Ed.),<br />
Advances in consumer research (Vol. 13, pp. 58-63). Ann Arbor, MI: Association for<br />
Consumer Research.<br />
Brucks, M., & Mitchell, A. (1981). Knowledge structures, production systems and decision<br />
strategies. In K. B. Monroe (Ed.), Advances in consumer research (Vol. 8, pp. 750-<br />
757). Ann Arbor, MI: Association for Consumer Research.<br />
Bruner, G. C., Hensel, P. J., & James, K. E. (2005). Marketing scales handbook: A<br />
compilation of multi-item measures for consumer behavior & advertising (Vol. 4).<br />
Mason, OH: Thomson South-Western Educational Publishers.<br />
Bruner, J. S., Goodnow, J. J., & Austin, G. A. (1956). A study of thinking. Oxford: John<br />
Wiley and Sons.<br />
Busing, F. M. T. A., Commandeur, J. J. F., & Heiser, W. J. (1997). PROXSCAL: A<br />
multidimensional scaling program for individual differences scaling with constraints.<br />
In W. Bandilla & F. Faulbaum (Eds.), Soft<strong>St</strong>at '97: Advances in <strong>St</strong>atistical Software 6<br />
(pp. 67-74). <strong>St</strong>uttgart: Lucius & Lucius.<br />
Carbon, C.-C., & Leder, H. (2007). Design evaluation: From typical problems to state-ofthe-art<br />
solutions. Thexis, 24(2), 33-37.<br />
Carpenter, G. S., & Nakamoto, K. (1989). Consumer preference formation and pioneering<br />
advantage. Journal of Marketing Research, 26(3), 285.<br />
Celsi, R. L., & Olson, J. C. (1988). The role of involvement in attention and comprehension<br />
processes. Journal of Consumer Research, 15(2), 210-224.<br />
Chaiken, S., Lieberman, A., & Eagly, A. H. (1989). Heuristic and systematic information<br />
processing within and beyond the persuation context. In J. S. Uleman & J. A. Bargh<br />
(Eds.), Unintended Thought (pp. 212-252). New York: Guilford Press.
Literaturverzeichnis 113<br />
Chakravarti, A., & Janiszewski, C. (2003). The influence of macro-level motives on<br />
consideration set composition in novel purchase situations. Journal of Consumer<br />
Research, 30(2), 244-258.<br />
Cho, H., & Schwarz, N. (2006). If I don't understand it, it must be new: Processing fluency<br />
and perceived product innovativeness. In C. Pechmann & L. L. Price (Eds.),<br />
Advances in Consumer Research (Vol. 33, pp. 319-320). Duluth, MN: Association<br />
for Consumer Research.<br />
Cohen, J. (1988). <strong>St</strong>atistical power analysis for the behavioral sciences (2nd ed.). Hillsdale,<br />
NJ: Lawrence Erlbaum Associates, Inc.<br />
Cohen, J. (1992). A power primer. Psychological Bulletin, 112, 155-159.<br />
Cohen, J., & Cohen, P. (1983). Applied multiple regression/correlation analysis for the<br />
behavioral sciences (2nd ed.). Hilldale, NJ: Lawrence Erlbaum Associates Inc.<br />
Cohen, J. B., & Basu, K. (1987). Alternative models of categorization: Toward a contingent<br />
processing framework. Journal of Consumer Research, 13(4), 455-472.<br />
Crocker, J., Fiske, S. T., & Taylor, S. E. (1984). Schematic bases of belief change. In J. R.<br />
Eiser (Ed.), Attitudinal judgment (pp. 197-226). New York: Springer-Verlag.<br />
Crocker, J., & Weber, R. (1983). Cognitive structure and stereotype change. In R. P.<br />
Bagozzi & A. M. Tybout (Eds.), Advances in consumer research (Vol. 10, pp. 459-<br />
463). Ann Arbor, MI: Association for Consumer Research.<br />
Dahlhoff, D. (1996). Automobilmarketing als Element des Wandels. In W. Fritz, F. P. Lang<br />
& G. Wäscher (Hrsg.), Technik, Markt, Umwelt (S. 75-88). <strong>St</strong>uttgart: Schäffer-<br />
Poeschel Verlag.<br />
Day, G. S., Shocker, A. D., & Srivastava, R. K. (1979). Customer-oriented approaches to<br />
identifying product markets. Journal of Marketing, 43(4), 8-19.<br />
Dichtl, E., Bauer, H. H., & Schobert, R. (1980). Die Dynamisierung mehrdimensionaler<br />
Marktmodelle am Beispiel des deutschen Automobilmarktes. Marketing ZFP, 2(3),<br />
163-178.<br />
Dichtl, E., & Schobert, R. (1979). Mehrdimensionale Skalierung: Methodische Grundlagen<br />
und betriebswirtschaftliche Anwendungen. München: Vahlen.<br />
Diez, W. (2001a). Automobilmarketing: erfolgreiche <strong>St</strong>rategien, praxisorientierte Konzepte,<br />
effektive Instrumente (4. Aufl.). Landsberg/Lech: Verlag Moderne Industrie.<br />
Diez, W. (2001b). Herausforderungen und Perspektiven im Premiummarkt für Automobile<br />
(Forschungsbericht No. 22/2001): Institut für Automobilwirtschaft (IFA) an der<br />
Fachhochschule Nürtingen.<br />
Diez, W. (2003). Crossover Fahrzeuge - Wachstumsstrategie oder Sackgasse?<br />
(Arbeitspapier No. 1/2003): Institut für Automobilwirtschaft (IFA) an der<br />
Fachhochschule Nürtingen.
114<br />
Literaturverzeichnis<br />
Elio, R., & Anderson, J. R. (1981). The effects of category generalizations and instance<br />
similarity on schema abstraction. Journal of Experimental Psychology: Human<br />
Learning & Memory, 7(6), 397-417.<br />
Elliott, S. W., & Anderson, J. R. (1995). Effect of memory decay on predictions from<br />
changing categories. Journal of Experimental Psychology: Learning, Memory, and<br />
Cognition, 21(4), 815-836.<br />
Etienne, T. (2002, September 9). C3 - un « Pluriel » fort singulier. Le Figaro.<br />
Fazio, R. H. (1990). A practical guide to the use of response latency in social psychological<br />
research. In C. Hendrick & M. S. Chark (Eds.), Research methods in personality and<br />
social psychology (pp. 74-97). London: Sage.<br />
Fazio, R. H., Williams, C. J., & Powell, M. C. (2000). Measuring associative strength:<br />
Category-item associations and their activation from memory. Political Psychology,<br />
21(1), 7-25.<br />
Feustel, T. C., Shiffrin, R. M., & Salasoo, A. (1983). Episodic and lexical contributions to<br />
the repetition effect in word identification. Journal of Experimental Psychology:<br />
General, 112(3), 309-346.<br />
Fishbein, M. (1967). Atttitude and the prediction of behavior. In M. Fishbein (Ed.),<br />
Readings in attitude theory and measurement (pp. 477-492). New York: John Wiley.<br />
Fiske, S. T. (1982). Schema-triggered affect: Applications to social perception. In M. S.<br />
Clark & S. T. Fiske (Eds.), Affect and cognition: The 17th annual Carnegie<br />
Symposium on Cognition (pp. 55-78). Hillsdale, NJ: Lawrence Erlbaum Associates,<br />
Inc.<br />
Fiske, S. T., & Neuberg, S. L. (1990). A continuum of impression formation, from categorybased<br />
to individuating processes: Influences of information and motivation on<br />
attention and interpretation. In M. P. Zanna (Ed.), Advances in experimental social<br />
psychology (Vol. 23, pp. 1-74). San Diego, CA: Academic Press.<br />
Fiske, S. T., & Pavelchak, M. A. (1986). Category-based versus piecemeal-based affective<br />
responses: Developments in schema-triggered affect. In R. M. Sorrentino & E. T.<br />
Higgins (Eds.), Handbook of motivation and cognition: Foundations of social<br />
behavior (pp. 167-203). New York: Guilford Press.<br />
Fiske, S. T., & Taylor, S. E. (1984). Social cognition. Reading, MA: Addison-Wesley<br />
Publishing Company.<br />
Fisseni, H.-J. (1997). Lehrbuch der psychologischen Diagnostik. Mit Hinweisen zur<br />
Intervention (2. Aufl.). Göttingen: Hogrefe.<br />
Foxman, E. R., Muehling, D. D., & Berger, P. W. (1990). An investigation of factors<br />
contributing to consumer brand confusion. Journal of Consumer Affairs, 24(1), 170-<br />
189.
Literaturverzeichnis 115<br />
Frenzen, H., & Krafft, M. (2008). Logistische Regression und Diskriminanzanalyse. In A.<br />
Herrmann, C. Homburg & M. Klarmann (Hrsg.), Handbuch Marktforschung:<br />
Methoden - Anwendungen - Praxisbeispiele (3. Aufl., S. 607-650). Wiesbaden:<br />
Gabler Verlag.<br />
Gentner, D., & Markman, A. B. (1994). <strong>St</strong>ructural alignment in comparison: No difference<br />
without similarity. Psychological Science, 5(3), 152-158.<br />
Gentner, D., & Markman, A. B. (1997). <strong>St</strong>ructure mapping in analogy and similarity.<br />
American Psychologist, 52(1), 45-56.<br />
Global Insight. (April 2003). Global World Car Sales Forecast (Report).<br />
Göritz, A. S., & Moser, K. (2000). Repräsentativität im Online-Panel. Der Markt, 39, 156-<br />
162.<br />
Göritz, A. S., Reinhold, N., & Moser, K. (2000). Marktforschung mit Online-Panels: <strong>St</strong>ate<br />
of the Art. Planung & Analyse, 3, 62-67.<br />
Grayson, C. E., & Schwarz, N. (1999). Beliefs influence information processing strategies:<br />
Declarative and experiential information in risk assessment. Social Cognition, 17(1),<br />
1-18.<br />
Gregan-Paxton, J. (2001). The role of abstract and specific knowledge in the formation of<br />
product judgments: An analogical learning perspective. Journal of Consumer<br />
Psychology, 11(3), 141-158.<br />
Gregan-Paxton, J., Hoeffler, S., & Zhao, M. (2005). When categorization is ambiguous:<br />
Factors that facilitate the use of a multiple category inference strategy. Journal of<br />
Consumer Psychology, 15(2), 127-140.<br />
Gregan-Paxton, J., & John, D. R. (1997). Consumer learning by analogy: A model of<br />
internal knowledge transfer. Journal of Consumer Research, 24(3), 266-284.<br />
Gutman, J., & Reynolds, T. J. (1979). An investigation of the levels of cognitive abstraction<br />
utilized by consumers in product differentiation. In J. Eighmey (Ed.), Attitude<br />
research under the sun (pp. 128-150). Chicago: AMA.<br />
Ha, Y.-W., & Hoch, S. J. (1989). Ambiguity, processing strategy, and advertising-evidence<br />
interactions. Journal of Consumer Research, 16(3), 354-360.<br />
Hair, J. F., Anderson, R. E., Tatham, R. L., & Black, W. C. (1998). Multivariate Data<br />
Analysis (5th ed.). Upper Saddle River, NJ: Prentice-Hall, Inc.<br />
Hamilton, D. L., & Sherman, J. W. (1994). <strong>St</strong>ereotypes. In R. S. Wyer & T. K. Srull (Eds.),<br />
Handbook of social cognition (Vol. 2, pp. 1-68). Hillsdale, NJ: Lawrence Erlbaum<br />
Associates, Inc.<br />
Hampson, S. E. (1998). When is an inconsistency not an inconsistency? Trait reconciliation<br />
in personality description and impression formation. Journal of Personality and<br />
Social Psychology, 74(1), 102-117.
116<br />
Literaturverzeichnis<br />
Hastie, R. (1981). Schematic principles in human memory. In E. T. Higgins, C. P. Hermann<br />
& M. P. Zanna (Eds.), Social cognition: The Ontario Symposium (Vol. 1, pp. 39-88).<br />
Hillsdale, NJ: Lawrence Erlbaum Associates, Inc.<br />
Hayes-Roth, B. (1977). Evolution of cognitive structures and processes. Psychological<br />
Review, 84(3), 260-278.<br />
Heise, G., & Hünerberg, R. (1995). Globale Segmentierung - Herausforderung für das<br />
Automobilmarketing. In R. Hünerberg, G. Heise & M. Hoffmeister (Hrsg.),<br />
Internationales Automobilmarketing: Wettbewerbsvorteile durch marktorientierte<br />
Unternehmensführung (S. 83-119). Wiesbaden: Gabler Verlag.<br />
Heitmann, M. (2006). Entscheidungszufriedenheit: Grundidee, theoretisches Konzept und<br />
empirische Befunde. Wiesbaden: DUV.<br />
Hekkert, P., Snelders, D., & van Wieringen, P. C. W. (2003). 'Most advanced, yet<br />
acceptable': Typicality and novelty as joint predictors of aesthetic preference in<br />
industrial design. British Journal of Psychology, 94(1), 111-124.<br />
Herr, P. M. (1989). Priming price: Prior knowledge and context effects. Journal of<br />
Consumer Research, 16(1), 67-75.<br />
Herrmann, A., & Heitmann, M. (2006). Providing more or providing less? Accounting for<br />
cultural differences in consumers' preference for variety. International Marketing<br />
Review, 23(1), 7-24.<br />
Herrmann, A., & Landwehr, J. R. (2008). Varianzanalyse. In A. Herrmann, C. Homburg &<br />
M. Klarmann (Hrsg.), Handbuch Marktforschung: Methoden - Anwendungen -<br />
Praxisbeispiele (3. Aufl., S. 579-606). Wiesbaden: Gabler Verlag.<br />
Hewstone, M. (1994). Revision and change of stereotypic beliefs: In search of the elusive<br />
subtyping model. In W. <strong>St</strong>roebe & M. Hewstone (Eds.), European review of social<br />
psychology (Vol. 5, pp. 69-109). Chichester: Wiley.<br />
Higgins, E. T., Rholes, W. S., & Jones, C. R. (1977). Category accessibility and impression<br />
formation. Journal of Experimental Social Psychology, 13(2), 141-154.<br />
Higie, R. A., & Feick, L. F. (1989). Enduring involvement: Conceptual and measurement<br />
issues. In T. K. Srull (Ed.), Advances in consumer research (Vol. 16, pp. 690-696).<br />
Provo, UT: Association for Consumer Research.<br />
Hoch, S. J., & Deighton, J. (1989). Managing what consumers learn from experience.<br />
Journal of Marketing, 53(2), 1-20.<br />
Hoch, S. J., & Ha, Y.-W. (1986). Consumer learning: Advertising and the ambiguity of<br />
product experience. Journal of Consumer Research, 13(2), 221-233.<br />
Huffman, C., & Houston, M. J. (1993). Goal-oriented experiences and the development of<br />
knowledge. Journal of Consumer Research, 20(2), 190-207.
Literaturverzeichnis 117<br />
Hutchinson, J. W. (1983). Expertise and the structure of free recall. In R. P. Bagozzi & A.<br />
Tybout (Eds.), Advances in consumer research (Vol. 10, pp. 585-589). Ann Arbor,<br />
MI: Association for Consumer Research.<br />
Iyengar, S. S., & Lepper, M. R. (2000). When choice is demotivating: Can one desire too<br />
much of a good thing? Journal of Personality and Social Psychology, 79(6), 995-<br />
1006.<br />
Jacoby, J. (1977). Information load and decision quality: Some contested issues. Journal of<br />
Marketing Research, 14(4), 569-573.<br />
Jacoby, J., Speller, D. E., & Berning, C. K. (1974). Brand choice behavior as a function of<br />
information load: Replication and extension. Journal of Consumer Research, 1(1),<br />
33-42.<br />
Jensen, O. (2008). Clusteranalyse. In A. Herrmann, C. Homburg & M. Klarmann (Hrsg.),<br />
Handbuch Marktforschung: Methoden - Anwendungen - Praxisbeispiele (3. Aufl., S.<br />
335-372). Wiesbaden: Gabler Verlag.<br />
Johar, G. V. (1995). Consumer involvement and deception from implied advertising claims.<br />
Journal of Marketing Research, 32(3), 267-279.<br />
Johnson, E. J., & Russo, J. E. (1978). The organization of product information in memory<br />
identified by recall times. In H. K. Hunt (Ed.), Advances in consumer research (Vol.<br />
5, pp. 79-86). Ann Arbor, MI: Association for Consumer Research.<br />
Johnson, E. J., & Russo, J. E. (1981). Product familiarity and learning new information. In<br />
K. B. Monroe (Ed.), Advances in consumer research (Vol. 8, pp. 151-155). Ann<br />
Arbor, MI: Association for Consumer Research.<br />
Johnson, E. J., & Russo, J. E. (1984). Product familiarity and learning new information.<br />
Journal of Consumer Research, 11(1), 542-550.<br />
Johnson, M. D., & Lehmann, D. R. (1997). Consumer experience and consideration sets for<br />
brands and product categories. In M. Brucks & D. MacInnis (Eds.), Advances in<br />
consumer research (Vol. 24, pp. 295-300). Provo, UT: Association for Consumer<br />
Research.<br />
Jonas, K., Diehl, M., & Brömer, P. (1997). Effects of attitudinal ambivalence on<br />
information processing and attitude-intention consistency. Journal of Experimental<br />
Social Psychology, 33(2), 190-210.<br />
Judd, C. M., & Brauer, M. (1995). Repetition and evaluative extremity. In R. E. Petty & J.<br />
A. Krosnick (Eds.), Attitude strength: Antecedents and consequences. (pp. 43-71).<br />
Hillsdale, NJ, England: Lawrence Erlbaum Associates, Inc.<br />
Kanwar, R., Olson, J. C., & Sims, L. S. (1981). Toward conceptualizing and measuring<br />
cognitive structures. In K. B. Monroe (Ed.), Advances in consumer research (Vol. 8,<br />
pp. 122-127). Ann Arbor, MI: Association for Consumer Research.
118<br />
Literaturverzeichnis<br />
Katona, Z., Lajos, J., Chattopadhyay, A., & Sarvary, M. (2006). CAM: A spreading<br />
activation network model of subcategory construction. (Working Paper No.<br />
2006/41/MKT). Fontainebleau: INSEAD.<br />
Kraftfahrt-Bundesamt. (1999). Neuzulassungen von Personenkraftwagen nach Segmenten<br />
und Modellreihen. Abgerufen am 12. Januar 2007, von http://www.kba.de.<br />
Kraftfahrt-Bundesamt. (2007). Neuzulassungen von Personenkraftwagen nach Segmenten<br />
und Modellreihen. Abgerufen 25. Januar 2008, von http://www.kba.de.<br />
Kreuzbauer, R., & Malter, A. J. (2005). Embodied cognition and new product design:<br />
Changing product form to influence brand categorization. Journal of Product<br />
Innovation Management, 22(2), 165-176.<br />
Krugman, H. E. (1965). The impact of television advertising: Learning without<br />
involvement. Public Opinion Quarterly, 29(3), 349-356.<br />
Kruskal, J. B. (1964). Multidimensional scaling by optimizing goodness of fit to a<br />
nonmetric hypothesis. Psychometrika, 29(1), 1-27.<br />
Kunda, Z., & Oleson, K. C. (1995). Maintaining stereotypes in the face of disconfirmation:<br />
Constructing grounds for subtyping deviants. Journal of Personality & Social<br />
Psychology, 68(4), 565-580.<br />
Kunda, Z., & Oleson, K. C. (1997). When exceptions prove the rule: How extremity of<br />
deviance determines the impact of deviant examples on stereotypes. Journal of<br />
Personality and Social Psychology, 72(5), 965-979.<br />
Kuß, A., & Tomczak, T. (2000). Käuferverhalten. Eine marketingorientierte Einführung (2.<br />
Aufl.). <strong>St</strong>uttgart: Lucius und Lucius.<br />
Laurent, G., & Kapferer, J.-N. (1985). Measuring consumer involvement profiles. Journal<br />
of Marketing Research, 22(1), 41-53.<br />
Lee, A. Y., & Labroo, A. A. (2004). The effect of conceptual and perceptual fluency on<br />
brand evaluation. Journal of Marketing Research, 41(2), 151-165.<br />
Lienert, G. A., & Raatz, U. (1998). Testaufbau und Testanalyse (6. Aufl.). Weinheim: PVU.<br />
Lingle, J. H., Altom, M. W., & Medin, D. L. (1984). Of cabbages and kings: Assessing the<br />
extendibility of natural object concept models to social things. In R. S. Wyer & T. K.<br />
Srull (Eds.), Handbook of social cognition (Vol. 1, pp. 71-117). Hillsdale, NJ.:<br />
Lawrence Erlbaum Associates, Inc.<br />
Loken, B., & John, D. R. (1993). Diluting brand beliefs: When do brand extensions have a<br />
negative impact? Journal of Marketing, 57(3), 71-84.<br />
Loken, B., & Ward, J. (1987). Measures of the attribute structure underlying product<br />
typicality. In M. Wallendorf & P. Anderson (Eds.), Advances in consumer research<br />
(Vol. 14, pp. 22-26). Provo, UT: Association for Consumer Research.
Literaturverzeichnis 119<br />
Loken, B., & Ward, J. (1990). Alternative approaches to understanding the determinants of<br />
typicality. Journal of Consumer Research, 17(2), 111-126.<br />
Lundegaard, K. (2006, January 10). A new generation of SUVs. Wall <strong>St</strong>reet Journal -<br />
Eastern Edition, pp. D1-D6.<br />
Lürssen, J. (1989). Produktwissen und Kaufentscheidung. Frankfurt a.M.: Verlag Peter<br />
Lang.<br />
Maheswaran, D., & Meyers-Levy, J. (1990). The influence of message framing and issue<br />
involvement. Journal of Marketing Research, 27(3), 361-367.<br />
Malhotra, N. K. (1987). Validity and structural reliability of multidimensional scaling.<br />
Journal of Marketing Research, 24(2), 164-173.<br />
Malt, B. C., Ross, B. H., & Murphy, G. L. (1995). Predicting features for members of<br />
natural categories when categorization is uncertain. Journal of Experimental<br />
Psychology: Learning, Memory, and Cognition, 21(3), 646-661.<br />
Mandler, G. (1982). The structure of value: Accounting for taste. In M. S. Clark & S. T.<br />
Fiske (Eds.), Affect and cognition: The 17th annual Carnegie Symposium on<br />
Cognition (pp. 3-36). Hillsdale, NJ: Lawrence Erlbaum Associates, Inc.<br />
Markman, A. B., & Ross, B. H. (2003). Category use and category learning. Psychological<br />
Bulletin, 129(4), 592-613.<br />
McQuarrie, E. F., & Munson, J. M. (1992). A revised product involvement inventory:<br />
Improved usability and validity. In J. F. Sherry & B. <strong>St</strong>ernthal (Eds.), Advances in<br />
consumer research (Vol. 19, pp. 108-115). Provo, UT: Association for Consumer<br />
Research.<br />
Medin, D. L., & Schaffer, M. M. (1978). Context theory of classification learning.<br />
Psychological Review, 85(3), 207-238.<br />
Mervis, C. B., & Rosch, E. (1981). Categorization of natural objects. Annual Review of<br />
Psychology, 32, 89-115.<br />
Meyers-Levy, J., & Tybout, A. M. (1989). Schema congruity as a basis for product<br />
evaluation. Journal of Consumer Research, 16(1), 39-54.<br />
Mitchell, V.-W., & Papavassiliou, V. (1999). Marketing causes and implications of<br />
consumer confusion. Journal of Product & Brand Management, 8(4), 319-339.<br />
Mittal, B. (1995). A comparative analysis of four scales of consumer involvement.<br />
Psychology & Marketing, 12(7), 663-682.<br />
Möller, S. (2004). Die Vermeidung von Consumer Confusion. Thexis, 21(4), 27-30.<br />
Montada, L. (1995). Die geistige Entwicklung aus der Sicht Jean Piagets. In R. Oerter & L.<br />
Montada (Hrsg.), Entwicklungspsychologie (3. Aufl., S. 518-560). Weinheim: PVU.
120<br />
Literaturverzeichnis<br />
Moreau, C. P., Lehmann, D. R., & Markman, A. B. (2001). Entrenched knowledge<br />
structures and consumer response to new products. Journal of Marketing Research,<br />
38(1), 14-29.<br />
Moreau, C. P., Markman, A. B., & Lehmann, D. R. (2001). "What is it?" Categorization<br />
flexibility and consumers' responses to really new products. Journal of Consumer<br />
Research, 27(4), 489-498.<br />
Moskowitz, G. B., Skurnik, I., & Galinsky, A. D. (1999). The history of dual-process<br />
notions, and the future. In S. Chaiken & Y. Trope (Eds.), Dual-process theories in<br />
social psychology (pp. 12-36). New York: The Guilford Press.<br />
Mukherjee, A., & Hoyer, W. D. (2001). The effect of novel attributes on product evaluation.<br />
Journal of Consumer Research, 28(3), 462-472.<br />
Murphy, G. L., & Ross, B. H. (1994). Predictions from uncertain categorizations. Cognitive<br />
Psychology, 27(2), 148-193.<br />
Murphy, G. L., & Ross, B. H. (1999). Induction with cross-classified categories. Memory &<br />
Cognition, 27(6), 1024-1041.<br />
Muthukrishnan, A. V., & Weitz, B. A. (1991). Role of product knowledge in evaluation of<br />
brand extension. In R. C. Hollman & M. Solomon (Eds.), Advances in consumer<br />
research (Vol. 18, pp. 407-413). Provo, UT: Association for Consumer Research.<br />
Nedungadi, P. (1990). Recall and consumer consideration sets: Influencing choice without<br />
altering brand evaluations. Journal of Consumer Research, 17(3), 263-276.<br />
Nedungadi, P., Chattopadhyay, A., & Muthukrishnan, A. V. (2001). Category structure,<br />
brand recall, and choice. International Journal of Research in Marketing, 18(3), 191-<br />
202.<br />
Nedungadi, P., & Hutchinson, J. W. (1985). The prototypicality of brands: Relationships<br />
with brand awareness, preference and usage. In E. C. Hirschman & M. B. Holbrook<br />
(Eds.), Advances in consumer research (Vol. 12, pp. 498-503). Provo, UT:<br />
Association for Consumer Research.<br />
Niederländer, F. (2000). Dynamik in der internationalen Produktpolitik von<br />
Automobilherstellern. Wiesbaden: Gabler Verlag.<br />
Nosofsky, R. M. (1988). Exemplar-based accounts of relations between classification,<br />
recognition, and typicality. Journal of Experimental Psychology: Learning, Memory,<br />
and Cognition, 14(4), 700-708.<br />
Novemsky, N., Dhar, R., Schwarz, N., & Simonson, I. (2007). Preference fluency in choice.<br />
Journal of Marketing Research, 44(3), 347-356.<br />
o.V. (2003). Renault Avantime ist am Ende. Handelsblatt (27.02.03).<br />
Petty, R. E., Cacioppo, J. T., & Schumann, D. (1983). Central and peripheral routes to<br />
advertising effectiveness: The moderating role of involvement. Journal of Consumer<br />
Research, 10(2), 135-146.
Literaturverzeichnis 121<br />
Rabinowitz, G. B. (1975). An introduction to nonmetric multidimensional scaling.<br />
American Journal of Political Science, 19(2), 343-390.<br />
Rajagopal, P. (2004). Consumer categorization and evaluation of ambiguous products.<br />
Unpublished Doctoral <strong>Diss</strong>ertation, The Ohio <strong>St</strong>ate University, Columbus, OH.<br />
Rajagopal, P., & Burnkrant, R. E. (2005). Consumer categorization and evaluation of<br />
ambiguous products. In G. Menon & A. R. Rao (Eds.), Advances in consumer<br />
research (Vol. 32, pp. 362). Duluth, MN: Association for Consumer Research.<br />
Ratneshwar, S., & Shocker, A. D. (1991). Substitution in use and the role of usage context<br />
in product category structures. Journal of Marketing Research, 28(3), 281-295.<br />
Reber, R., Schwarz, N., & Winkielman, P. (2004). Processing fluency and aesthetic<br />
pleasure: Is beauty in the perceiver's processing experience? Personality & Social<br />
Psychology Review, 8(4), 364-382.<br />
Reber, R., Winkielman, P., & Schwarz, N. (1998). Effects of perceptual fluency on affective<br />
judgments. Psychological Science, 9(1), 45-48.<br />
Richins, M. L., & Bloch, P. H. (1983). An investigation of cognitive structure in a shopping<br />
context. In R. P. Bagozzi & A. M. Tybout (Eds.), Advances in consumer research<br />
(Vol. 10, pp. 555-558). Ann Arbor, MI: Association for Consumer Research.<br />
Ries, A., & Trout, J. (2001). Positioning. The battle for your mind. (3 ed.). New York:<br />
McGraw-Hill.<br />
Rips, L. J., Shoben, E. J., & Smith, E. E. (1973). Semantic distance and the verification of<br />
semantic relations. Journal of Verbal Learning and Verbal Behavior, 12, 1-20.<br />
Rosa, J. A., Porac, J. F., Runser-Spanjol, J., & Saxon, M. S. (1999). Sociocognitive<br />
dynamics in a product market. Journal of Marketing, 63(4), 64-77.<br />
Rosch, E. (1973). On the internal structure of perceptual and semantic categories. In T. E.<br />
Moore (Ed.), Cognitive development and the acquisition of language (pp. 111-144).<br />
New York: Academic Press.<br />
Rosch, E. (1978). Principles of categorization. In E. Rosch & B. B. Lloyd (Eds.), Cognition<br />
and categorization (pp. 27-48). Hillsdale, NJ: Lawrence Erlbaum Associates, Inc.<br />
Rosch, E., & Lloyd, B. B. (1978). Cognition and categorization. Hillsdale, NJ: Lawrence<br />
Erlbaum Associates, Inc.<br />
Rosch, E., & Mervis, C. B. (1975). Family resemblances: <strong>St</strong>udies in the internal structure of<br />
categories. Cognitive Psychology, 7(4), 573-605.<br />
Ross, B. H., & Murphy, G. L. (1996). Category-based predictions: Influence of uncertainty<br />
and feature associations. Journal of Experimental Psychology: Learning, Memory,<br />
and Cognition, 22(3), 736-753.
122<br />
Literaturverzeichnis<br />
Rumelhart, D. E., & Norman, D. A. (1978). Accretion, tuning, and restructuring: Three<br />
modes of learning. In J. W. Cotton & R. Klatzky (Eds.), Semantic factors in<br />
cognition (pp. 37-53). Hillsdale, NJ: Lawrence Erlbaum Associates, Inc.<br />
Russo, J. E., & Johnson, E. J. (1980). What do customers know about familiar products? In<br />
J. C. Olson (Ed.), Advances in consumer research (Vol. 7, pp. 417-423). Ann Arbor,<br />
MI: Association for Consumer Research.<br />
Salasoo, A., Shiffrin, R. M., & Feustel, T. C. (1985). Building permanent memory codes:<br />
Codification and repetition effects in word identification. Journal of Experimental<br />
Psychology: General, 114(1), 50-77.<br />
Sanbonmatsu, D. M., & Fazio, R. H. (1990). The role of attitudes in memory-based decision<br />
making. Journal of Personality and Social Psychology, 59(4), 614-622.<br />
Schmitt, A. (1995). Die psychologischen Rahmenbedingungen des Automobilmarketings. In<br />
R. Hünerberg, G. Heise & M. Hoffmeister (Hrsg.), Internationales<br />
Automobilmarketing: Wettbewerbsvorteile durch marktorientierte<br />
Unternehmensführung (S. 61-79). Wiesbaden: Gabler Verlag.<br />
Schwarz, N. (1998). Accessible content and accessibility experiences: The interplay of<br />
declarative and experiential information in judgment. Personality & Social<br />
Psychology Review, 2(2), 87-99.<br />
Schwarz, N. (2004). Metacognitive experiences in consumer judgment and decision making.<br />
Journal of Consumer Psychology, 14(4), 332-348.<br />
Schwarz, N., & Bless, H. (1992). Constructing reality and its alternatives: Assimilation and<br />
contrast effects in social judgments. In L. L. Martin & A. Tesser (Eds.), The<br />
construction of social judgments (pp. 217-245). Hillsdale, NJ: Lawrence Erlbaum<br />
Associates, Inc.<br />
Schwarz, N., & Bless, H. (2007). Mental construal processes: The inclusion/exclusion<br />
model. In D. A. <strong>St</strong>apel & J. Suls (Eds.), Assimilation and contrast in social<br />
psychology. Philadelphia, PA: Psychology Press.<br />
Schwarz, N., Bless, H., <strong>St</strong>rack, F., Klumpp, G., Rittenauer-Schatka, H., & Simons, A.<br />
(1991). Ease of retrieval as information: Another look at the availability heuristic.<br />
Journal of Personality and Social Psychology, 61(2), 195-202.<br />
Schwarz, N., & Clore, G. L. (1983). Mood, misattribution, and judgments of well-being:<br />
Informative and directive functions of affective states. Journal of Personality and<br />
Social Psychology, 45(3), 513-523.<br />
Shavitt, S., & Wänke, M. (2001). Consumer behavior. In A. Tesser & N. Schwarz (Eds.),<br />
Blackwell handbook of social psychology: Intraindividual processes (Vol. 1, pp. 569-<br />
590). Oxford: Blackwell.<br />
Shrout, P. E., & Fleiss, J. L. (1979). Intraclass correlations: Uses in assessing rater<br />
reliability. Psychological Bulletin, 86(2), 420-428.<br />
Slovic, P. (1995). The construction of preference. American Psychologist, 50(5), 364-371.
Literaturverzeichnis 123<br />
Smith, E. E., & Medin, D. L. (1981). Categories and concepts. Cambridge, MA: Harvard<br />
University Press.<br />
Sproles, G. B., & Kendall, E. L. (1986). A methodology for profiling consumers' decisionmaking<br />
styles. Journal of Consumer Affairs, 20(2), 267-279.<br />
<strong>St</strong>ayman, D. M., Alden, D. L., & Smith, K. E. (1992). Some effects of schematic processing<br />
on consumer expectations and disconfirmation judgments. Journal of Consumer<br />
Research, 19(2), 240-255.<br />
Sujan, M. (1985). Consumer knowledge: Effects on evaluation strategies mediating<br />
consumer judgments. Journal of Consumer Research, 12(1), 31-46.<br />
Sujan, M., & Bettman, J. R. (1989). The effects of brand positioning strategies on<br />
consumers' brand and category perceptions: Some insights from schema research.<br />
Journal of Marketing Research, 26(4), 454-467.<br />
Sujan, M., & Dekleva, C. (1987). Product categorization and inference making: Some<br />
implications for comparative advertising. Journal of Consumer Research, 14(3), 372-<br />
378.<br />
Sujan, M., & Tybout, A. M. (1988). Applications and extensions of categorization research<br />
in consumer behavior. In M. J. Houston (Ed.), Advances in consumer research (Vol.<br />
15, pp. 50-54). Provo, UT: Association for Consumer Research.<br />
Trommsdorff, V. (2004). Konsumentenverhalten (6. Aufl.). <strong>St</strong>uttgart: Verlag W.<br />
Kohlhammer.<br />
Trommsdorff, V., & <strong>St</strong>einhoff, F. (2007). Innovationsmarketing. München: Verlag Franz<br />
Vahlen.<br />
Tsogo, L., Masson, M. H., & Bardot, A. (2000). Multidimensional scaling methods for<br />
many-object sets: A review. Multivariate Behavioral Research, 35(3), 307-319.<br />
Turnbull, P. W., Leek, S., & Ying, G. (2000). Customer confusion: The mobile phone<br />
market. Journal of Marketing Management, 16(1-3), 143-163.<br />
Tversky, A. (1977). Features of similarity. Psychological Review, 84(4), 327-352.<br />
Tversky, A., & Kahneman, D. (1973). Availability: A heuristic for judging frequency and<br />
probability. Cognitive Psychology, 5(2), 207-232.<br />
Tversky, A., & Kahneman, D. (1974). Judgment under uncertainty: Heuristics and biases.<br />
Science, 185, 1124-1131.<br />
Urbany, J. E., Bearden, W. O., Kaicker, A., & Smith-de Borrero, M. (1997). Transaction<br />
utility effects when quality is uncertain. Journal of the Academy of Marketing<br />
Science, 25(1), 45-55.<br />
van der Kloot, W. A., & van Herk, H. (1991). Multidimensional scaling of sorting data: A<br />
comparison of three procedures. Multivariate Behavioral Research, 26(4), 563-581.
124<br />
Literaturverzeichnis<br />
van Eimeren, B., & Frees, B. (2007). ARD/ZDF-Online-<strong>St</strong>udie 2007. Internetnutzung<br />
zwischen Pragmatismus und YouTube-Euphorie. Media Perspektiven, 48(8), 362-<br />
378.<br />
VDA. (2006). Jahresbericht Auto 2006. Frankfurt a.M.: Verband der Automobilindustrie.<br />
Verde, M. F., Murphy, G. L., & Ross, B. H. (2005). Influence of multiple categories on the<br />
prediction of unknown properties. Memory & Cognition, 33(3), 479-487.<br />
Veryzer, R. W., & Hutchinson, J. W. (1998). The influence of unity and prototypicality on<br />
aesthetic responses to new product designs. Journal of Consumer Research, 24(4),<br />
374-394.<br />
Walker, B., Celsi, R., & Olson, J. (1987). Exploring the structural characteristics of<br />
consumers' knowledge. In M. Wallendorf & P. Anderson (Eds.), Advances in<br />
consumer research (Vol. 14, pp. 17-21). Provo, UT: Association for Consumer<br />
Research.<br />
Walsh, G. (2002). Konsumentenverwirrtheit als Marketingherausforderung. Wiesbaden:<br />
DUV.<br />
Walsh, G. (2004). Ansätze der Messung von Konsumentenverwirrtheit: Ein Überblick.<br />
Thexis, 21(4), 5-10.<br />
Wänke, M. (1998). Markenmanagement als Kategorisierungsproblem. Zeitschrift für<br />
Sozialpsychologie, 29, 117-122.<br />
Wänke, M., Bless, H., & Biller, B. (1996). Subjective experience versus content of<br />
information in the construction of attitude judgments. Personality and Social<br />
Psychology Bulletin, 22(11), 1105-1113.<br />
Wänke, M., Bless, H., & Igou, E. R. (2001). Next to a star: Paling, shining, or both?<br />
Turning interexemplar contrast into interexemplar assimilation. Personality and<br />
Social Psychology Bulletin, 27(1), 14-29.<br />
Wänke, M., Bless, H., & Schwarz, N. (1998). Context effects in product line extensions:<br />
Context is not destiny. Journal of Consumer Psychology, 7(4), 299-322.<br />
Wänke, M., Bless, H., & Wortberg, S. (2003). Der Einfluss von "Karrierefrauen" auf das<br />
Frauenstereotyp: Die Auswirkungen von Inklusion und Exklusion. Zeitschrift fur<br />
Sozialpsychologie, 34(3), 187-196.<br />
Wänke, M., Bohner, G., & Jurkowitsch, A. (1997). There are many reasons to drive a<br />
BMW: Does imagined ease of argument generation influence attitudes? Journal of<br />
Consumer Research, 24(2), 170-177.<br />
Wänke, M., Herrmann, A., & Schaffner, D. (2007). Brand name influence on brand<br />
perception. Psychology & Marketing, 24(1), 1-24.<br />
Wänke, M., Schwarz, N., & Bless, H. (1995). The availability heuristic revisited:<br />
Experienced ease of retrieval in mundane frequency estimates. Acta Psychologica,<br />
89(1), 83-90.
Literaturverzeichnis 125<br />
Ward, J., & Loken, B. (1988). The generality of typicality effects on preference and<br />
comparison: An exploratory test. In M. J. Houston (Ed.), Advances in consumer<br />
research (Vol. 15, pp. 55-61). Provo, UT: Association for Consumer Research.<br />
Weber, R., & Crocker, J. (1983). Cognitive processes in the revision of stereotypic beliefs.<br />
Journal of Personality and Social Psychology, 45(5), 961-977.<br />
Whittlesea, B. W. A. (1993). Illusions of familiarity. Journal of Experimental Psychology:<br />
Learning, Memory, and Cognition, 19(6), 1235-1253.<br />
Wiedmann, K.-P., Walsh, G., & Klee, A. (2001). Konsumentenverwirrtheit: Konstrukt und<br />
marketingpolitische Implikationen. Marketing ZFP, 23(2), 83-99.<br />
Winkielman, P., & Cacioppo, J. T. (2001). Mind at ease puts a smile on the face:<br />
Psychophysiological evidence that processing facilitation elicits positive affect.<br />
Journal of Personality and Social Psychology, 81(6), 989-1000.<br />
Winkielman, P., & Fazendeiro, T. (2003). The role of conceptual fluency in preference and<br />
memory.Unpublished manuscript.<br />
Winkielman, P., Schwarz, N., Fazendeiro, T., & Reber, R. (2003). The hedonic marking of<br />
processing fluency: Implications for evaluative judgment. In J. Musch & K. C.<br />
Klauer (Eds.), The psychology of evaluation: Affective processes in cognition and<br />
emotion (pp. 189-217). Mahwah, NJ: Lawrence Erlbaum Associates, Inc.<br />
Wirtz, M., & Caspar, F. (2002). Beurteilerübereinstimmung und Beurteilerreliabilität.<br />
Göttingen: Hogrefe.<br />
Wittmann, W. W. (1990). Brunswik-Symmetrie und die Konzeption der Fünf-Datenboxen -<br />
Ein Rahmenkonzept für umfassende Evaluationsforschung. Zeitschrift für<br />
Pädagogische Psychologie, 4(4), 241-251.<br />
Wright, C., & Sedgwick, D. (2001, February). Cross-dressing. Automotive News<br />
International, 27-28.<br />
Wyer, R. S., & Srull, T. K. (1989). Memory and cognition in its social context. Hillsdale,<br />
NJ: Lawrence Erlbaum Associates, Inc.<br />
Yamauchi, T., & Markman, A. B. (2000). Inference using categories. Journal of<br />
Experimental Psychology: Learning, Memory, and Cognition, 26(3), 776-795.<br />
Yzerbyt, V. Y., Coull, A., & Rocher, S. J. (1999). Fencing off the deviant: The role of<br />
cognitive resources in the maintenance of stereotypes. Journal of Personality and<br />
Social Psychology, 77(3), 449-462.<br />
Zaichkowsky, J. L. (1985a). Familiarity: Product use, involvement or expertise. In E. C.<br />
Hirschman & M. B. Holbrook (Eds.), Advances in consumer research (Vol. 12, pp.<br />
296-299). Provo, UT: Association for Consumer Research.<br />
Zaichkowsky, J. L. (1985b). Measuring the involvement construct. Journal of Consumer<br />
Research, 12(3), 341-352.
126<br />
Literaturverzeichnis<br />
Zajonc, R. B. (1968). Attitudinal effects of mere exposure. Journal of Personality and<br />
Social Psychology: Monograph Supplement, 9(2 (Part 2)), 1-27.<br />
Zhang, S., & Markman, A. B. (2001). Processing product unique features: Alignability and<br />
involvement in preference construction. Journal of Consumer Psychology, 11(1), 13-<br />
27.
Anhang<br />
Anhang<br />
<strong>St</strong>udie 1<br />
Anhang A: Item- und Skalenanalyse <strong>St</strong>udie 1<br />
Anhang A-1: Q-Q-Verteilungsdiagramme der Skalen<br />
Erwarteter Wert von Normal<br />
8<br />
7<br />
6<br />
5<br />
4<br />
3<br />
Erwarteter Wert von Normal Q-Q-Diagramm von Normal von Skalen-MW Produktwissen<br />
2<br />
1<br />
1 2 3 4 5 6 7 8<br />
Beobachteter Wert<br />
Q-Q-Diagramm von Normal von Skalen-MW Wahrgenommene<br />
<strong>St</strong>imulusüberlastung<br />
8<br />
6<br />
4<br />
2<br />
0<br />
0 2 4 6 8<br />
Beobachteter Wert<br />
Erwarteter Wert von Normal<br />
Q-Q-Diagramm von Normal von Skalen-MW A-Involvement<br />
8<br />
6<br />
4<br />
2<br />
0<br />
0 2 4 6 8<br />
Beobachteter Wert<br />
XI
XII<br />
Anhang<br />
Anhang A-2: Deskriptive <strong>St</strong>atistiken, Test auf Normalverteilung und Gütemaße der Skalen<br />
M SD Sch z(Sch) Kur z(Kur) K-S-Z p α<br />
Wahrgenommene Typikalität<br />
Audi A7 5,66 1,59 -1,339 -13,14 1,152 5,67 5,04 0,000 0,948<br />
Audi X-Cp* 4,43 1,90 -0,302 -2,96 -1,014 -4,98 2,37 0,000 0,963<br />
BMW CS 5,66 1,58 -1,330 -13,05 1,084 5,33 4,97 0,000 0,929<br />
BMW X6 5,10 1,71 -0,775 -7,61 -0,229 -1,13 3,46 0,000 0,942<br />
MB B-Kl. 4,99 1,64 -0,664 -6,51 -0,352 -1,73 3,40 0,000 0,946<br />
MB CLS 5,50 1,72 -1,169 -11,48 0,471 2,31 4,61 0,000 0,948<br />
MB R- Kl. 4,84 1,78 -0,591 -5,80 -0,561 -2,76 3,44 0,000 0,964<br />
Panamera 5,95 1,60 -1,684 -16,53 1,992 9,79 6,74 0,000 0,935<br />
VW Coupé 4,74 1,76 -0,534 -5,24 -0,630 -3,10 3,19 0,000 0,957<br />
VW Neeza* 4,43 1,77 -0,312 -3,06 -0,818 -4,02 2,32 0,000 0,959<br />
Wahrgenommene Neuartigkeit<br />
Audi A7 4,71 1,42 -0,545 -5,35 -0,130 -0,64 2,96 0,000 0,776<br />
Audi X-Cp 5,03 1,35 -0,648 -6,36 0,304 1,49 3,16 0,000 0,700<br />
BMW CS 5,50 1,20 -1,054 -10,35 1,524 7,49 3,75 0,000 0,724<br />
BMW X6 5,17 1,31 -0,714 -7,01 0,493 2,42 2,97 0,000 0,678<br />
MB B- Kl.* 4,10 1,38 -0,329 -3,23 -0,210 -1,03 3,39 0,000 0,771<br />
MB CLS 4,67 1,51 -0,474 -4,65 -0,337 -1,66 2,48 0,000 0,814<br />
MB R- Kl.* 4,27 1,40 -0,314 -3,08 -0,221 -1,08 3,22 0,000 0,777<br />
Panamera 5,56 1,31 -1,065 -10,46 0,954 4,69 4,11 0,000 0,766<br />
VW Coupé* 4,24 1,34 -0,363 -3,57 0,100 0,49 3,65 0,000 0,771<br />
VW Neeza* 4,73 1,23 -0,450 -4,41 0,332 1,63 2,80 0,000 0,654<br />
Produktevaluation<br />
Audi A7 5,34 1,33 -0,781 -7,67 0,288 1,42 2,59 0,000 0,963<br />
Audi X-Cp* 4,16 1,73 -0,175 -1,72 -0,939 -4,62 2,01 0,001 0,969<br />
BMW CS 5,08 1,61 -0,722 -7,09 -0,339 -1,66 2,80 0,000 0,968<br />
BMW X6 4,67 1,69 -0,426 -4,18 -0,718 -3,53 2,23 0,000 0,969<br />
MB B- Kl. 5,08 1,61 -0,722 -7,09 -0,339 -1,66 2,80 0,000 0,965<br />
MB CLS 5,17 1,46 -0,735 -7,22 -0,001 -0,01 2,99 0,000 0,964<br />
MB R- Kl. 4,51 1,48 -0,397 -3,90 -0,284 -1,40 2,10 0,000 0,967<br />
Panamera 5,31 1,56 -0,878 -8,61 0,041 0,20 3,34 0,000 0,962<br />
VW Coupé* 4,42 1,41 -0,289 -2,84 -0,391 -1,92 1,94 0,001 0,962<br />
VW Neeza* 4,14 1,47 -0,148 -1,45 -0,464 -2,28 1,79 0,003 0,968<br />
Anmerkungen. N = 575. M: Arithmetisches Mittel. SD: <strong>St</strong>andardabweichung. Sch: Schiefe.<br />
SE(Sch) = 0,102. z(Sch): z-Wert Schiefe. Kur: Kurtosis. SE(Kur) = 0,203. z(Kur): z-Wert<br />
Kurtosis. K-S Z: Z-Wert des Kolmogorov-Smirnov Anpassungstests. p: asymptotische<br />
Signifikanz (2-seitig). α: Cronbachs α. *: Items nicht per Quadratur transformiert.
Anhang<br />
Anhang B: MDS & Clusteranalyse – Gesamtstichprobe<br />
Anhang B-1: Transformationsdiagramm 1 und Diagramm der Residuen<br />
Transformierte Distanzen<br />
2,0<br />
1,5<br />
1,0<br />
0,5<br />
0,0<br />
Transformationsdiagramm<br />
SRC_1<br />
Dimensionalität 2<br />
0 100 200 300 400 500 600<br />
Distanzen<br />
Fallnummer<br />
SRC_1<br />
Distanzen<br />
2,5<br />
2,0<br />
1,5<br />
1,0<br />
0,5<br />
0,0<br />
Diagramm der Residuen<br />
SRC_1<br />
Dimensionalität 2<br />
0,0 0,5 1,0 1,5 2,0<br />
Transformierte Distanzen<br />
Fallnummer<br />
SRC_1<br />
Anmerkungen. 1 Transformation: Matrix bedingt, ordinal (Bindungen bleiben zusammen).<br />
Anhang B-2: Elbow-Kriterium: Fehlerquadratsumme in Abhängigkeit von der Clusterzahl<br />
5,0<br />
4,5<br />
4,0<br />
3,5<br />
3,0<br />
2,5<br />
2,0<br />
1,5<br />
1,0<br />
0,5<br />
0,0<br />
2<br />
4<br />
6<br />
8<br />
10<br />
12<br />
14<br />
16<br />
18<br />
20<br />
22<br />
24<br />
Anmerkungen. Complete Linkage Cluster-Algorithmus. Clusterzahl 5.<br />
26<br />
28<br />
30<br />
32<br />
34<br />
36<br />
38<br />
40<br />
42<br />
44<br />
46<br />
48<br />
50<br />
52<br />
54<br />
56<br />
58<br />
XIII
XIV<br />
Anhang B-3: Dendrogramm der Hierarchischen Clusteranalyse (Complete Linkage)<br />
Rescaled Distance Cluster Combine<br />
C A S E 0 5 10 15 20 25<br />
Label Num +---------+---------+---------+---------+---------+<br />
3 òø<br />
32 òú<br />
50 òú<br />
13 òú<br />
14 òú<br />
39 òôòø<br />
7 òú ó<br />
25 òú ó<br />
10 òú ùòòòòòòòòòòòòòø<br />
47 òú ó ó<br />
43 ò÷ ó ó<br />
48 òòò÷ ó<br />
12 òûòòòòòø ùòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòø<br />
55 ò÷ ó ó ó<br />
4 òø ó ó ó<br />
38 òú ó ó ó<br />
44 òú ùòòòòòòòòò÷ ó<br />
56 òôòø ó ó<br />
2 ò÷ ó ó ó<br />
33 òø ó ó ó<br />
53 òú ó ó ó<br />
18 òú ùòòò÷ ó<br />
31 òôòú ó<br />
16 òú ó ó<br />
1 òú ó ó<br />
15 òú ó ó<br />
28 òú ó ó<br />
29 ò÷ ó ó<br />
8 òòò÷ ó<br />
19 òø ó<br />
20 òú ó<br />
35 òú ó<br />
52 òôòø ó<br />
36 òú ó ó<br />
58 ò÷ ùòòòòòòòòòòòòòòòø ó<br />
9 òø ó ó ó<br />
11 òôò÷ ó ó<br />
6 ò÷ ó ó<br />
22 òø ó ó<br />
41 òú ó ó<br />
24 òú ó ó<br />
27 òôòø ùòòòòòòòòòòòòòòòòòòòòòòòòòòòòò÷<br />
37 òú ó ó<br />
54 òú ó ó<br />
23 ò÷ ùòòòòòòòòòø ó<br />
30 òø ó ó ó<br />
34 òú ó ó ó<br />
5 òú ó ó ó<br />
40 òôò÷ ó ó<br />
17 òú ùòòòòò÷<br />
26 ò÷ ó<br />
46 òø ó<br />
49 òú ó<br />
21 òôòòòø ó<br />
42 òú ó ó<br />
45 òú ùòòòòòòò÷<br />
59 òú ó<br />
51 ò÷ ó<br />
57 òòòòò÷<br />
Anhang
Anhang<br />
Anhang B-4: MDS-Konfiguration mit Fünf-Cluster-Lösung<br />
Anmerkungen. CZ: Clusterzentrum.<br />
XV
XVI<br />
Anhang B-5: Klassifizierungsergebnisse der Diskriminanzanalyse<br />
Vorhergesagte Gruppenzugehörigkeit<br />
1 2 3 4 5 Gesamt<br />
Original<br />
n % n % n % n % n % n %<br />
Anhang<br />
1 17 100% 0 0% 0 0% 0 0% 0 0% 17 100%<br />
2 0 0% 12 100% 0 0% 0 0% 0 0% 12 100%<br />
3 0 0% 0 0% 13 100% 0 0% 0 0% 13 100%<br />
4 0 0% 0 0% 0 0% 9 100% 0 0% 9 100%<br />
5 0 0% 0 0% 0 0% 0 0% 8 100% 8 100%<br />
Anmerkungen. 100,0% der ursprünglich gruppierten Fälle wurden korrekt klassifiziert.<br />
Anhang C: MDS & Clusteranalyse - Experten<br />
Anhang C-1: <strong>St</strong>ress- und Anpassungsmaße der MDS-Konfiguration (Experten)<br />
Maß 2 Dimensionen 3 Dimensionen<br />
Normalisierter Roh-<strong>St</strong>ress 0,02909 0,00940<br />
<strong>St</strong>ress-I 0,17057 0,09693<br />
<strong>St</strong>ress-II 0,37928 0,25745<br />
S-<strong>St</strong>ress 0,06778 0,03187<br />
Erklärte <strong>St</strong>reuung (D.A.F.) 0,97091 0,99060<br />
Kongruenzkoeffizient nach Tucker 0,98535 0,99529<br />
Anmerkungen. PROXSCAL minimiert den normalisierten Roh-<strong>St</strong>ress. N = 305. D.A.F.:<br />
Disperson accounted for.<br />
Anhang C-2: Transformationsdiagramm 1 und Diagramm der Residuen<br />
Transformierte Distanzen<br />
2,0<br />
1,5<br />
1,0<br />
0,5<br />
0,0<br />
Transformationsdiagramm<br />
SRC_1<br />
Dimensionalität 2<br />
0 50 100 150 200 250 300<br />
Distanzen<br />
Fallnummer<br />
SRC_1<br />
Distanzen<br />
2,0<br />
1,5<br />
1,0<br />
0,5<br />
0,0<br />
Diagramm der Residuen<br />
SRC_1<br />
Dimensionalität 2<br />
0,0 0,5 1,0 1,5 2,0<br />
Transformierte Distanzen<br />
Fallnummer<br />
SRC_1<br />
Anmerkungen. 1 Transformation: Matrix bedingt, ordinal (Bindungen bleiben zusammen).
Anhang<br />
Anhang C-3: Elbow-Kriterium: Fehlerquadratsumme in Abhängigkeit von der Clusterzahl<br />
5,0<br />
4,5<br />
4,0<br />
3,5<br />
3,0<br />
2,5<br />
2,0<br />
1,5<br />
1,0<br />
0,5<br />
0,0<br />
2<br />
4<br />
6<br />
8<br />
10<br />
12<br />
14<br />
16<br />
18<br />
20<br />
22<br />
24<br />
Anmerkungen. Complete Linkage Cluster-Algorithmus. Clusterzahl 6.<br />
26<br />
28<br />
30<br />
32<br />
34<br />
36<br />
38<br />
40<br />
42<br />
44<br />
46<br />
48<br />
50<br />
52<br />
54<br />
56<br />
58<br />
XVII
XVIII<br />
Anhang C-4: Dendrogramm der Hierarchischen Clusteranalyse (Complete Linkage)<br />
Rescaled Distance Cluster Combine<br />
C A S E 0 5 10 15 20 25<br />
Label Num +---------+---------+---------+---------+---------+<br />
42 òø<br />
45 òú<br />
21 òú<br />
59 òú<br />
51 òôòòòòòø<br />
46 òú ó<br />
49 ò÷ ó<br />
30 òø ùòòòòòòòòòòòø<br />
34 òú ó ó<br />
5 òú ó ó<br />
40 òôòòòòò÷ ó<br />
57 ò÷ ó<br />
20 òø ùòòòòòòòòòòòòòòòòòòòòòòòòòòòòòø<br />
35 òú ó ó<br />
52 òú ó ó<br />
19 òú ó ó<br />
36 òôòø ó ó<br />
58 ò÷ ùòòòòòòòòòòòòòòò÷ ó<br />
9 òø ó ó<br />
11 òôò÷ ó<br />
6 ò÷ ó<br />
14 òø ó<br />
32 òú ó<br />
3 òú ó<br />
50 òú ó<br />
39 òôòø ó<br />
13 òú ó ó<br />
48 ò÷ ùòòòòòòòòòòòòòòòòòòòòòòòòòø ó<br />
10 òø ó ó ó<br />
47 òú ó ó ó<br />
7 òôò÷ ó ó<br />
25 òú ó ó<br />
43 ò÷ ó ó<br />
44 òø ó ó<br />
56 òú ó ó<br />
4 òú ó ó<br />
38 òôòø ùòòòòòòòòòòòòòòòòòòò÷<br />
16 òú ó ó<br />
2 ò÷ ó ó<br />
1 òø ó ó<br />
29 òú ùòòòòòòòòòòòø ó<br />
15 òôòú ó ó<br />
18 òú ó ó ó<br />
33 òú ó ó ó<br />
28 òú ó ó ó<br />
31 òú ó ùòòòòòòòòòòòòò÷<br />
53 ò÷ ó ó<br />
8 òòò÷ ó<br />
12 òûòòòòòø ó<br />
55 ò÷ ó ó<br />
17 òø ùòòòòòòò÷<br />
37 òôòòòø ó<br />
23 òú ó ó<br />
24 ò÷ ùò÷<br />
22 òø ó<br />
41 òôòòò÷<br />
26 òú<br />
27 òú<br />
54 ò÷<br />
Anhang
Anhang<br />
Anhang C-5: MDS-Konfiguration mit Sechs-Cluster-Lösung<br />
Dimension 2<br />
1<br />
0,5<br />
0<br />
CZ6<br />
CZ4<br />
BMW X6<br />
Audi X-Coupé<br />
MB B-Kl<br />
VW Neeza<br />
CZ2<br />
BMW CS<br />
Porsche Panamera<br />
CZ5<br />
VW 4-t. Coupé<br />
MB R-Kl<br />
CZ1<br />
CZ3<br />
MB CLS<br />
Cabrio<br />
-0,5<br />
Audi A7<br />
Coupé<br />
Limousine<br />
Hatchback<br />
Kombi<br />
SUV<br />
Minivan<br />
-1<br />
Crossover<br />
-1,5 -1 -0,5 0 0,5 1 1,5<br />
Anmerkungen. CZ: Clusterzentrum.<br />
Dimension 1<br />
Anhang C-6: Diskriminanzanalyse zur Überprüfung der Clustergüte (Experten)<br />
Funktion Eigenwert<br />
% der<br />
Varianz<br />
Kanon.<br />
Korr.<br />
Wilks’<br />
Lambda χ² df p<br />
1 15,656 73,09 0,970 0,009 255,120 10 0,000<br />
2 5,765 26,91 0,923 0,148 103,232 4 0,000<br />
Anmerkungen. Kanon. Korr.: Kanonische Korrelation. χ²: Prüfstatistik. df: Freiheitsgrade.<br />
p: Signifikanz.<br />
Anhang C-7: Klassifizierungsergebnisse der Diskriminanzanalyse (Experten)<br />
Vorhergesagte Gruppenzugehörigkeit<br />
1 2 3 4 5 6 Gesamt<br />
Original<br />
n % n % n % n % n % n % n %<br />
1 14 93% 0 0% 0 0% 0 0% 1 7% 0 0% 15 100%<br />
2 0 0% 12 100% 0 0% 0 0% 0 0% 0 0% 12 100%<br />
3 0 0% 0 0% 5 100% 0 0% 0 0% 0 0% 5 100%<br />
4 0 0% 0 0% 0 0% 9 100% 0 0% 0 0% 9 100%<br />
5 1 9% 0 0% 1 9% 0 0% 9 82% 0 0% 11 100%<br />
6 0 0% 0 0% 0 0% 0 0% 0 0% 7 100% 7 100%<br />
Anmerkungen. 94,9% der ursprünglich gruppierten Fälle wurden korrekt klassifiziert.<br />
XIX
XX<br />
Anhang D: Anhang C: MDS & Clusteranalyse – Novizen<br />
Anhang D-1: <strong>St</strong>ress- und Anpassungsmaße der MDS-Konfiguration (Novizen)<br />
Maß 2 Dimensionen 3 Dimensionen<br />
Anhang<br />
Normalisierter Roh-<strong>St</strong>ress 0,02660 0,01248<br />
<strong>St</strong>ress-I 0,16311 0,11173<br />
<strong>St</strong>ress-II 0,35995 0,29316<br />
S-<strong>St</strong>ress 0,05969 0,03486<br />
Erklärte <strong>St</strong>reuung (D.A.F.) 0,97340 0,98752<br />
Kongruenzkoeffizient nach Tucker 0,98662 0,99374<br />
Anmerkungen. PROXSCAL minimiert den normalisierten Roh-<strong>St</strong>ress. N = 268. D.A.F.:<br />
Disperson accounted for.<br />
Anhang D-2: Transformationsdiagramm 1 und Diagramm der Residuen<br />
Transformierte Distanzen<br />
2,0<br />
1,5<br />
1,0<br />
0,5<br />
0,0<br />
Transformationsdiagramm<br />
SRC_1<br />
Dimensionalität 2<br />
0 50 100 150 200 250<br />
Distanzen<br />
Fallnummer<br />
SRC_1<br />
Distanzen<br />
2,5<br />
2,0<br />
1,5<br />
1,0<br />
0,5<br />
0,0<br />
Diagramm der Residuen<br />
SRC_1<br />
Dimensionalität 2<br />
0,0 0,5 1,0 1,5 2,0<br />
Transformierte Distanzen<br />
Fallnummer<br />
SRC_1<br />
Anmerkungen. 1 Transformation: Matrix bedingt, ordinal (Bindungen bleiben zusammen).
Anhang<br />
Anhang D-3: Elbow-Kriterium: Fehlerquadratsumme in Abhängigkeit von der Clusterzahl<br />
5,0<br />
4,5<br />
4,0<br />
3,5<br />
3,0<br />
2,5<br />
2,0<br />
1,5<br />
1,0<br />
0,5<br />
0,0<br />
2<br />
4<br />
6<br />
8<br />
10<br />
12<br />
14<br />
16<br />
18<br />
20<br />
22<br />
24<br />
Anmerkungen. Complete Linkage Cluster-Algorithmus. Clusterzahl 5.<br />
26<br />
28<br />
30<br />
32<br />
34<br />
36<br />
38<br />
40<br />
42<br />
44<br />
46<br />
48<br />
50<br />
52<br />
54<br />
56<br />
58<br />
XXI
XXII<br />
Anhang D-4: Dendrogramm der Hierarchischen Clusteranalyse (Complete Linkage)<br />
Rescaled Distance Cluster Combine<br />
C A S E 0 5 10 15 20 25<br />
Label Num +---------+---------+---------+---------+---------+<br />
3 òø<br />
32 òú<br />
50 òú<br />
13 òú<br />
14 òú<br />
39 òôòø<br />
7 òú ó<br />
25 òú ó<br />
10 òú ùòòòòòòòòòòòø<br />
47 òú ó ó<br />
43 ò÷ ó ó<br />
48 òòò÷ ó<br />
12 òûòø ó<br />
55 ò÷ ó ùòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòø<br />
1 òø ùòø ó ó<br />
15 òú ó ó ó ó<br />
16 òôò÷ ó ó ó<br />
29 òú ó ó ó<br />
18 òú ó ó ó<br />
28 ò÷ ùòòòòòòòòò÷ ó<br />
4 òø ó ó<br />
44 òú ó ó<br />
38 òú ó ó<br />
56 òôòø ó ó<br />
2 ò÷ ó ó ó<br />
33 òø ùò÷ ó<br />
53 òú ó ó<br />
31 òôò÷ ó<br />
8 ò÷ ó<br />
9 òûòø ó<br />
11 ò÷ ó ó<br />
19 òø ùòòòòòòòòòòòòòòòø ó<br />
20 òú ó ó ó<br />
35 òôò÷ ó ó<br />
52 òú ó ó<br />
36 òú ó ó<br />
58 ò÷ ó ó<br />
46 òø ó ó<br />
49 òú ó ó<br />
42 òôòòòø ùòòòòòòòòòòòòòòòòòòòòòòòòòòòòò÷<br />
45 òú ó ó<br />
21 òú ó ó<br />
59 òú ó ó<br />
51 ò÷ ùòòòòòòòø ó<br />
30 òø ó ó ó<br />
34 òú ó ó ó<br />
5 òú ó ó ó<br />
40 òôòòò÷ ó ó<br />
57 ò÷ ùòòòòò÷<br />
22 òø ó<br />
23 òú ó<br />
41 òôòòòòòø ó<br />
27 òú ó ó<br />
54 òú ó ó<br />
37 ò÷ ùòòòòò÷<br />
17 òø ó<br />
26 òôòø ó<br />
24 ò÷ ùòòò÷<br />
6 òòò÷<br />
Anhang
Anhang<br />
Anhang D-5: MDS-Konfiguration mit Fünf-Cluster-Lösung<br />
Dimension 2<br />
1<br />
0,5<br />
0<br />
CZ3<br />
CZ5<br />
BMW X6<br />
Audi X-Coupé<br />
VW Neeza<br />
CZ2<br />
BMW CS<br />
Porsche Panamera<br />
CZ1<br />
CZ4<br />
MB CLS<br />
-0,5<br />
MB R-Kl MB B-Kl<br />
VW 4-t. Coupé<br />
Cabrio<br />
Coupé<br />
Audi A7<br />
Limousine<br />
Hatchback<br />
Kombi<br />
SUV<br />
Minivan<br />
-1<br />
Crossover<br />
-1,5 -1 -0,5 0 0,5 1 1,5<br />
Anmerkungen. CZ: Clusterzentrum.<br />
Dimension 1<br />
Anhang D-6: Diskriminanzanalyse zur Überprüfung der Clustergüte (Novizen)<br />
Funktion Eigenwert<br />
% der<br />
Varianz<br />
Kanon.<br />
Korr.<br />
Wilks’<br />
Lambda χ² df p<br />
XXIII<br />
1 19,028 84,54 0,975 0,011 245,075 8 0,000<br />
2 3,480 15,46 0,881 0,223 81,730 3 0,000<br />
Anmerkungen. Kanon. Korr.: Kanonische Korrelation. χ²: Prüfstatistik. df: Freiheitsgrade.<br />
p: Signifikanz.<br />
Anhang D-7: Klassifizierungsergebnisse der Diskriminanzanalyse (Novizen)<br />
Vorhergesagte Gruppenzugehörigkeit<br />
1 2 3 4 5 Gesamt<br />
Original<br />
n % n % n % n % n % n %<br />
1 17 100% 0 0% 0 0% 0 0% 0 0% 17 100%<br />
2 0 0% 12 100% 0 0% 0 0% 0 0% 12 100%<br />
3 0 0% 0 0% 12 100% 0 0% 0 0% 12 100%<br />
4 0 0% 0 0% 0 0% 9 90% 1 10% 10 100%<br />
5 0 0% 0 0% 0 9% 0 0% 8 100% 8 100%<br />
Anmerkungen. 98,3% der ursprünglich gruppierten Fälle wurden korrekt klassifiziert.
XXIV<br />
Anhang E: Multiple Regressionsanalyse: Personenspezifische Determinanten der<br />
Wahrgenommenen <strong>St</strong>imulusüberlastung<br />
Anhang<br />
Anhang E-1: Multiple Regression der Produktevaluation auf die Informationsverarbeitungsvariablen<br />
Modellzusammenfassung<br />
Modell R R² korr. R² s D-W-S<br />
1 0,330 0,109 0,106 1,360 2,113<br />
Anmerkungen. R: Multiple Korrelation. R²: Determinationskoeffizient. Korr. R²:<br />
korrigierter Determinationskoeffizient. s: <strong>St</strong>andardschätzfehler. D-W-S: Durbin-Watson-<br />
<strong>St</strong>atistik. Einflussvariablen : (Konstante), PW, INV.<br />
ANOVA<br />
Quelle SS df MS F p<br />
Regression 128,93 2 64,46 34,855 0,000<br />
Residuen 1057,93 572 1,85<br />
Gesamt 1186,86 574<br />
Anmerkungen. SS: Quadratsumme. df: Freiheitsgrade. MS: Mittel der Quadrate. F: Teststatistik.<br />
p: Signifikanz.<br />
<strong>St</strong>reudiagramm zur Überprüfung von Heteroskedastizität<br />
Regression <strong>St</strong>andardisiertes Residuum Abhängige Variable: Skalen-MW Konsumentenverwirrtheit<br />
3<br />
2<br />
1<br />
0<br />
-1<br />
-2<br />
-3<br />
-4 -2 0 2 4<br />
Regression <strong>St</strong>andardisierter geschätzter Wert
Anhang<br />
<strong>St</strong>udie 2<br />
Anhang F: Item- und Skalenanalyse <strong>St</strong>udie 2<br />
Anhang F-1: Q-Q-Verteilungsdiagramme der Skalen<br />
Erwarteter Wert von Normal<br />
Erwarteter Wert von Normal<br />
7<br />
6<br />
5<br />
4<br />
3<br />
2<br />
1<br />
0<br />
8<br />
6<br />
4<br />
2<br />
0<br />
Q-Q-Diagramm von Normal von Skalen-MW PW<br />
0 1 2 3 4 5 6 7<br />
Beobachteter Wert<br />
Q-Q-Diagramm von Normal von Skalen-MW SKE<br />
0 2 4 6 8<br />
Beobachteter Wert<br />
Q-Q-Diagramm von Normal von subjektive Schwierigkeit Kateg<br />
Erwarteter Wert von Normal<br />
Erwarteter Wert von Normal<br />
7<br />
6<br />
5<br />
4<br />
3<br />
2<br />
1<br />
0<br />
8<br />
6<br />
4<br />
2<br />
0<br />
0 1 2 3 4 5 6 7<br />
Beobachteter Wert<br />
Q-Q-Diagramm von Normal von Skalen-MW WSÜ<br />
-2<br />
-2 0 2 4 6 8<br />
Beobachteter Wert<br />
XXV
XXVI<br />
Anhang G: Multivariate Varianzanalyse<br />
Anhang<br />
Anhang G-1: Multivariate Tests des Einflusses der Ambiguität, der Kategorienbenennung<br />
und der Bekanntheit R-Klasse auf die Informationsverarbeitungsskalen<br />
Effekt Wert F<br />
Hypothese<br />
df Fehler df p<br />
Konstanter Term<br />
Pillai-Spur 0,981 1859,976 3 110 0,000<br />
Wilks-Lambda 0,019 1859,976 3 110 0,000<br />
Hotelling-Spur 50,727 1859,976 3 110 0,000<br />
Gr. ch. Wurzel Roy 50,727 1859,976 3 110 0,000<br />
Ambiguität<br />
Pillai-Spur 0,791 138,663 3 110 0,000<br />
Wilks-Lambda 0,209 138,663 3 110 0,000<br />
Hotelling-Spur 3,782 138,663 3 110 0,000<br />
Gr. ch. Wurzel Roy 3,782 138,663 3 110 0,000<br />
Label<br />
Pillai-Spur 0,085 3,423 3 110 0,020<br />
Wilks-Lambda 0,915 3,423 3 110 0,020<br />
Hotelling-Spur 0,093 3,423 3 110 0,020<br />
Gr. ch. Wurzel Roy 0,093 3,423 3 110 0,020<br />
Bekanntheit R-Klasse<br />
Pillai-Spur 0,010 0,383 3 110 0,765<br />
Wilks-Lambda 0,990 0,383 3 110 0,765<br />
Hotelling-Spur 0,010 0,383 3 110 0,765<br />
Gr. ch. Wurzel Roy 0,010 0,383 3 110 0,765<br />
Ambiguität * Label<br />
Pillai-Spur 0,337 18,621 3 110 0,000<br />
Wilks-Lambda 0,663 18,621 3 110 0,000<br />
Hotelling-Spur 0,508 18,621 3 110 0,000<br />
Gr. ch. Wurzel Roy 0,508 18,621 3 110 0,000<br />
Ambiguität * Bekanntheit R-Klasse<br />
Pillai-Spur 0,028 1,046 3 110 0,375<br />
Wilks-Lambda 0,972 1,046 3 110 0,375<br />
Hotelling-Spur 0,029 1,046 3 110 0,375<br />
Gr. ch. Wurzel Roy 0,029 1,046 3 110 0,375<br />
Label * Bekanntheit R-Klasse<br />
Pillai-Spur 0,010 0,385 3 110 0,764<br />
Wilks-Lambda 0,990 0,385 3 110 0,764<br />
Hotelling-Spur 0,011 0,385 3 110 0,764<br />
Gr. ch. Wurzel Roy 0,011 0,385 3 110 0,764<br />
Ambiguität * Label * Bekanntheit R-Klasse<br />
Pillai-Spur 0,006 0,213 3 110 0,887<br />
Wilks-Lambda 0,994 0,213 3 110 0,887<br />
Hotelling-Spur 0,006 0,213 3 110 0,887<br />
Gr. ch. Wurzel Roy 0,006 0,213 3 110 0,887<br />
Anmerkungen. Gr. ch. Wurzel Roy: Größte charakteristische Wurzel nach Roy. F: Exakte<br />
Teststatistik. df: Freiheitsgrade. p: Signifikanz.
Anhang<br />
XXVII<br />
Anhang G-2: Mittelwerte und <strong>St</strong>andardabweichungen der Skalen in Abhängigkeit der<br />
Ambiguität und Kategorienbenennung<br />
kein Label Label Gesamt<br />
M SD M SD M SD<br />
Subjektive Schwierigkeit der Kategorisierung<br />
Ambiguität hoch 5,83 0,95 4,07 1,16 4,97 1,38<br />
Ambiguität gering 2,42 1,18 2,93 0,98 2,67 1,12<br />
Gesamt 4,10 2,02 3,49 1,21 3,80 1,69<br />
Sicherheit mit der Kategorisierungsentscheidung<br />
Ambiguität hoch 2,13 0,90 2,79 0,79 2,46 0,90<br />
Ambiguität gering 5,35 1,32 4,31 1,03 4,84 1,29<br />
Gesamt 3,77 1,97 3,57 1,19 3,67 1,63<br />
Wahrgenommene <strong>St</strong>imulusüberlastung<br />
Ambiguität hoch 5,89 0,69 5,03 1,13 5,47 1,02<br />
Ambiguität gering 2,39 1,03 2,96 0,81 2,67 0,97<br />
Gesamt 4,11 1,97 3,98 1,43 4,05 1,72<br />
Produktevaluation<br />
Ambiguität hoch 2,17 0,97 3,74 1,15 2,94 1,32<br />
Ambiguität gering 4,90 1,08 5,17 1,12 5,03 1,10<br />
Gesamt 3,56 1,71 4,46 1,33 4,00 1,60<br />
Anmerkungen. M: Mittelwert. SD: <strong>St</strong>andardabweichung. 29 ≤ N ≤ 31.<br />
Anhang H: Mediationsanalysen Kategorienbildung<br />
Anhang H-1: Zwischensubjekteffekte der Kategorienbildung auf die Produktevaluation<br />
Quelle SS df MS F p<br />
Zwischen den Gruppen 21,10 1 21,10 8,789 0,004<br />
Innerhalb der Gruppen 283,24 118 2,40<br />
Gesamt 304,33 119<br />
Anmerkungen. SS: Quadratsumme. df: Freiheitsgrade. MS: Mittel der Quadrate. F: Teststatistik.<br />
p: Signifikanz.<br />
Anhang H-2: Zwischensubjekteffekte der Ambiguität auf die Produktevaluation unter<br />
Kontrolle der Kategorienbildung<br />
Quelle SS df MS F p ε<br />
Ambiguität 115,17 1 115,17 80,182 0,000 0,407<br />
Kategorienbildung 4,65 1 4,65 3,234 0,075 0,027<br />
Fehler 168,06 117 1,44<br />
Total 2227,00 120<br />
Anmerkungen. SS: Quadratsumme. df: Freiheitsgrade. MS: Mittel der Quadrate. F: Teststatistik.<br />
p: Signifikanz. ε: Effektstärke (0,10: klein. 0,25: mittel. 0,40: groß).
XXVIII<br />
Curriculum vitae<br />
Frauke <strong>Uekermann</strong><br />
Landhausstraße 35<br />
70190 <strong>St</strong>uttgart<br />
Deutschland<br />
geboren am 17. März 1977 in Paderborn<br />
Berufserfahrung<br />
seit Januar 2005 <strong>St</strong>rategisches Zielkunden-Management bei der Daimler AG,<br />
Marketing- & Portfoliostrategie (MP/S), <strong>St</strong>uttgart<br />
Juli 2003 - Mai 2004 Research Analyst bei Carter Holt Harvey Ltd, HR <strong>St</strong>rategy &<br />
Organisational Development, Auckland, Neuseeland<br />
<strong>St</strong>udium<br />
Promotion zum Dr. oec.<br />
April 2005 - Mai 2008<br />
<strong>St</strong>udiengang Diplom-Psychologie<br />
April 2000 - April 2003<br />
Sept. 1998 - Juni 1999<br />
Okt. 1996 - Aug. 1998<br />
Schulbildung<br />
1987 - 1996<br />
1993 - 1994<br />
<strong>Universität</strong> <strong>St</strong>. <strong>Gallen</strong>, Schweiz<br />
Forschungsstelle für Business Metrics (Prof. Dr. Andreas<br />
Herrmann)<br />
<strong>Universität</strong> Mannheim<br />
Schwerpunkte: Forschungsmethodik, Markt- & Werbepsychologie,<br />
Marketing<br />
Université catholique de Louvain, Louvain-la-Neuve, Belgien<br />
<strong>Universität</strong> Konstanz (Vordiplom)<br />
Reismann-Gymnasium, Paderborn: Abitur<br />
Northport High School, Northport, NY, USA: American High<br />
School Diploma