Conjoint-Analyse - CONsidered JOINTly
Conjoint-Analyse - CONsidered JOINTly
Conjoint-Analyse - CONsidered JOINTly
Verwandeln Sie Ihre PDFs in ePaper und steigern Sie Ihre Umsätze!
Nutzen Sie SEO-optimierte ePaper, starke Backlinks und multimediale Inhalte, um Ihre Produkte professionell zu präsentieren und Ihre Reichweite signifikant zu maximieren.
<strong>Conjoint</strong>‐<strong>Analyse</strong> ‐ <strong>CONsidered</strong> <strong>JOINTly</strong><br />
Ordnen Sie bitte die<br />
Objekte Ihren Präferenzen<br />
entsprechend in eine<br />
Rangreihe.<br />
<strong>Conjoint</strong><br />
A<strong>Analyse</strong> l<br />
Traditionelle <strong>Conjoint</strong>‐<strong>Analyse</strong>n unterstellen, daß der<br />
Beurteiler über ein vollständig g determiniertes Präferenzmodell<br />
verfügt, welches ihm die Aufstellung einer vollständigen<br />
Rangreihe ermöglicht.<br />
traditionelle auswahlbasierte Wählen Sie bitte aus den<br />
Alternativen, die ich Ihnen<br />
zeigen werde, die jeweils<br />
von Ihnen präferierte aus.<br />
Literatur:<br />
Backhaus, Klaus/Erichson, Bernd/Plinke, Wulff/ Weiber,<br />
Rolf (2011): Multivariate <strong>Analyse</strong>methoden –Eine<br />
anwendungsorientierte Einführung, 13. Aufl. Berlin<br />
u.a., S 457 ff ff.<br />
hier zitiert als Backhaus u.a.
<strong>Conjoint</strong>‐<strong>Analyse</strong> ‐ <strong>CONsidered</strong> <strong>JOINTly</strong><br />
Zweck ist, aus den erhobenen Rangordnungen<br />
der Objekte metrische Teilnutzenwerte für die<br />
einzelnen Eigenschaftsausprägungen der Objekte<br />
zu schätzen.<br />
Die Teilnutzenwerte sind so zu bestimmen, daß<br />
sich aus ihrer Addition ein Gesamtnutzenwert<br />
des jeweiligen Objekts ergibt.<br />
Häufige Anwendungen:<br />
Planung von neuen Produkten<br />
Gestaltung von Preisen für<br />
Produktvarianten.<br />
Wir nennen die Vorgehensweise der auswahlbasierten CA den dekompositionellen Ansatz.<br />
Die erhobenen Urteile der Versuchspersonen beziehen sich zwar auf die jeweiligen<br />
Objekte in ihrer Gesamtheit, wir nutzen die Gesamturteile aber dazu aus, die<br />
Teilnutzenwerte für die Eigenschaftsausprägungen zu schätzen. schätzen<br />
Backhaus u.a. (2011) S. 457 ff.
<strong>Conjoint</strong>‐<strong>Analyse</strong> ‐ <strong>CONsidered</strong> <strong>JOINTly</strong><br />
Ein Möbelhersteller plant einen neuen Schreibtisch in das Sortiment aufzunehmen.<br />
Der Tisch soll sich durch zwei Eigenschaften auszeichnen, auszeichnen die jeweils zwei Ausprägungen<br />
besitzen können:<br />
Holzart Buche oder Ahorn<br />
Oberfläche lackiert oder geölt<br />
Durch die Kombination ergeben sich vier Möglichkeiten:<br />
Produkt I Produkt II Produkt III Produkt IV<br />
Buche lackiert Buche geölt Ahorn lackiert Ahorn geölt<br />
Backhaus u.a. (2011) S. 457 ff.
<strong>Conjoint</strong>‐<strong>Analyse</strong> ‐ <strong>CONsidered</strong> <strong>JOINTly</strong><br />
Ordnen Sie bitte die<br />
Objekte Ihren Präferenzen<br />
entsprechend in eine<br />
Produkt I Produkt II Produkt III Produkt IV<br />
Buche lackiert Buche geölt g Ahorn lackiert Ahorn geölt g<br />
Rangreihe. Rang Produkt<br />
Nr.<br />
Eigenschafts‐<br />
ausprägungen<br />
1 III Ahorn lackiert<br />
2 IV Ahorn geölt<br />
3 I Buche lackiert<br />
4 II Buche geölt<br />
Die Versuchsperson hat nun ordinale Gesamtnutzenurteile gefällt.<br />
Aus denen sollen metrische Teilnutzenwerte errechnet werden.<br />
Das soll auch ermöglichen, einen metrischen Gesamtnutzenwert zu ermitteln.<br />
Wir wollen natürlich nicht nur<br />
die individuelle Nutzenvorstellung<br />
der Versuchsperson ergründen,<br />
sondern die der Käufergruppe<br />
insgesamt. sgesa t.<br />
Backhaus u.a. (2011) S. 457 ff.
<strong>Conjoint</strong>‐<strong>Analyse</strong> ‐ <strong>CONsidered</strong> <strong>JOINTly</strong><br />
abhängige<br />
Variable<br />
<strong>Conjoint</strong><br />
A<strong>Analyse</strong> l<br />
unabhängige<br />
Variablen<br />
Präferenz der<br />
Objekt‐<br />
VVersuchsperson h<br />
eigenschaften<br />
i h ft<br />
Backhaus u.a. (2011) S. 457 ff.
Ablaufschritte einer <strong>Conjoint</strong> <strong>Conjoint</strong>‐<strong>Analyse</strong> <strong>Analyse</strong><br />
1 Eigenschaften und Eigenschaftsausprägungen<br />
2 Erhebungsdesign festlegen<br />
3 Bewertung der Stimuli<br />
4 Schätzung der Nutzenwerte<br />
5 Aggregation der Nutzenwerte<br />
Wir folgen dieser Gliederung<br />
vgl vgl. Backhaus ua u.a., Abb. Abb 9.2 92<br />
Backhaus u.a. (2011) S. 462
1<br />
2<br />
3<br />
4<br />
5<br />
6<br />
7<br />
Auswahl der Eigenschaften<br />
Die Eigenschaften müssen für die Auswahlentscheidung relevant sein.<br />
Die Eigenschaften müssen beeinflußbar sein.<br />
Die ausgewählten Eigenschaften sollen voneinander unabhängig sein.<br />
Die Eigenschaftsausprägungen müssen realisierbar sein.<br />
Die Eigenschaftsausprägungen müssen in einer kompensatorischen Beziehung zueinander<br />
stehen.<br />
Die betrachteten Eigenschaften dürfen keine Ausschlußkriterien sein (K.O.‐Kriterien)<br />
Die Anzahl der Eigenschaften muß begrenzt sein.<br />
Backhaus u.a. (2011) S. 462 f.
Profilmethode<br />
Definition der<br />
Stimuli<br />
Erhebungsdesign<br />
Erhebungsdesign<br />
Stimuli<br />
Zahl der Stimuli<br />
Als Stimulus wird eine Kombination<br />
von Eigenschaftsausprägungen ver‐<br />
standen, die den Versuchspersonen<br />
zur Beurteilung vorgelegt wird.<br />
Zwei‐Faktor‐<br />
Methode<br />
vollständiges<br />
Design<br />
reduziertes<br />
Design<br />
symmetrisches asymmetrisches<br />
Bei der Profilmethode besteht ein Stimulus aus der Kombination je einer Ausprägung aller Eigenschaften.<br />
Bei drei Eigenschaften mit zweimal zwei und einmal drei Ausprägungen ergeben sich 2 x 2 x 3 = 12 Stimuli.<br />
Backhaus u.a. (2011) S. 464 f.
Stimuli nach nach der Profilmethode<br />
Backhaus u.a. (2011) S. 465<br />
Abbildung 9.4
Stimuli nach der Zwei‐Faktor‐Methode<br />
Bei der Zwei‐Faktor‐Methode werden zur Bildung eines Stimulus jeweils nur zwei Eigenschaften (Faktoren)<br />
herangezogen.<br />
Für jedes mögliche Paar von Eigenschaften wird eine sogen. Trade‐Off‐Matrix gebildet. Diese enthält die<br />
Kombinationen b dder Ausprägungen der d beiden b d Eigenschaften. hf<br />
Im Beispiel ergeben sich damit drei Trade‐Off‐Matrizen.<br />
Jede Zelle einer Trade‐Off‐Matrix bildet also einen Stimulus.<br />
Um die Gegenüber‐<br />
stellungen auf jeweils zwei<br />
Eigenschaften zu<br />
reduzieren, ist eine<br />
Dreiteilung<br />
notwendig notwendig, bei erst<br />
Verwendung gegen<br />
Kaloriengehalt, dann<br />
Verwendung gegen<br />
Verpackung<br />
und schließlich<br />
Kaloriengehalt gegen<br />
Verpackung abgefragt wird.<br />
Backhaus u.a. (2011) S. 465 f.<br />
Abb. 9.5
Ansprüche an die<br />
Versuchsperson<br />
Realitätsbezug<br />
Zeitaufwand<br />
Profil Profil‐Methode Methode oder Zwei Zwei‐Faktoren‐Methode?<br />
Faktoren Methode?<br />
Bei der Zwei‐Faktoren‐Methode hat es die Versuchsperson leichter, da sie<br />
jjeweils il nur zwei i Faktoren Fk gleichzeitig lih ii bbetrachten h und d gegeneinander i d<br />
abwägen muß.<br />
Das spricht bei schriftlichen Befragungen für die Zwei‐Faktoren‐Methode.<br />
Die Profilmethode liefert eher ein realitätsnahes Bild, da bei tatsächlichen<br />
Entscheidungen die Eigenschaften nicht isoliert voneinander verglichen<br />
werden können.<br />
Verwendung g von Bildern ist bei der Profilmethode besser möglich. g<br />
Mit zunehmender Anzahl der Eigenschaften und ihrer Ausprägungen steigt<br />
die Zahl der der Stimuli bei der Profilmethode wesentlich schneller als bei<br />
der Zwei‐Faktoren‐Methode. Dadurch kann bei der Profilmethode eine<br />
sinnvolle Bewertung durch die Versuchsperson in Frage gestellt sein sein.<br />
Das spricht für die Zwei‐Faktoren‐Methode.<br />
Allerdings kann man durch ein reduziertes Design gegensteuern<br />
gegensteuern.<br />
Das bedeutet, aus den möglichen Stimuli eine repräsentative Teilmenge<br />
auszuwählen und die Befragung auf die Teilmenge zu beschränken.<br />
Backhaus u.a. (2011) S. 465 f.
vollständiges Design<br />
reduziertes Design<br />
Zahl der Stimuli<br />
Wählt man viele Eigenschaften und viele Ausprägungen, dann<br />
explodiert die Anzahl der Stimuli.<br />
Bei sechs Eigenschaften mit jeweils drei Ausprägungen gibt es schon 3 6<br />
= 729 Stimuli.<br />
Das trifft vor allem die Profilmethode.<br />
Die Grundidee besteht darin, eine Teilmenge von Stimuli zu finden,<br />
durch die das vollständige Design möglichst gut repräsentiert wird.<br />
Es könnte eine Zufallsstichprobe p gezogen g g werden.<br />
Tatsächlich werden aber systematische Stichproben bevorzugt. Es sind<br />
eine Reihe von Methoden entwickelt worden, die in symmetrische und<br />
asymmetrische unterschieden werden.<br />
symmetrisches ti h DDesign i Alle Eigenschaften weisen die gleiche Anzahl von Ausprägungen auf<br />
asymmetrisches Design<br />
Alle Eigenschaften weisen die gleiche Anzahl von Ausprägungen auf.<br />
Ein Spezialfall ist das sogenannte lateinische Quadrat.<br />
Weisen die Eigenschaften eine unterschiedliche Zahl von Ausprägungen<br />
auf (Beispiel 2,2,3), benötigt man kompliziertere Methoden zur<br />
Auswahl. Diese finden sich in der einschlägigen Software, z.B. in SPSS.<br />
Backhaus u.a. (2011) S. 465 f.
Lateinisches Quadrat<br />
Das ist ein für <strong>Conjoint</strong>‐<strong>Analyse</strong>n geeignetes Verfahren zur Auswahl.<br />
Backhaus u.a., Abb. 9.2<br />
Backhaus u.a. (2011) S. 467
Anpassung des Beispiels<br />
Wir verändern das einfache Beispiel auf nur sechs Stimuli, indem wir noch Nußbaum<br />
als zusätzliche Holzart hinzunehmen<br />
hinzunehmen.<br />
Eine Eigenschaft besitzt nun zwei Ausprägungen, die andere drei Ausprägungen.<br />
Ausprägungen<br />
Eigenschaften<br />
Holzart (A) Oberfläche (B)<br />
Ahorn Öl<br />
Buche Lack<br />
Nußbaum<br />
Jetzt schreiben wir eine Liste der Kombinationen:<br />
Backhaus u.a. (2011) S. 467 f.
Beispiel<br />
Stimuli im vollständigen Design für das vereinfachte Beispiel<br />
I A1 B1 Ahorn lackiert<br />
II A1 B2 Ahorn geölt g<br />
III A2 B1 Buche lackiert<br />
IV A2 B2 Buche geölt<br />
V A3 B1 Nußbaum lackiert<br />
VI A3 B2 Nußbaum geölt<br />
Vollständiges g Untersuchungsdesign g g für das vereinfachte Beispiel p<br />
Eigenschaft A<br />
Holzart<br />
Eigenschaft B ‐ Oberfläche<br />
1 2<br />
1 PI PII<br />
2 PIII PIV<br />
3 PV PVI<br />
Wie Abb. 9.8<br />
Wie Abb. 9.9<br />
Backhaus u.a. (2011) S. 468
Bewertung der Stimuli<br />
Möglich ist die Aufstellung einer Rangreihe.<br />
Bei einer größeren Anzahl von Stimuli empfiehlt sich eine indirekte Vorgehensweise.<br />
Dabei erfolgt zunächst eine Grobeinteilung in Gruppen, z.B.<br />
• hoher Nutzen<br />
• mittlerer Nutzen<br />
• geringer Nutzen<br />
Dann werden innerhalb dieser Gruppen Rangreihen gebildet.<br />
Man kann auch Rangwerte g über Rating‐Skalen g oder Paarvergleiche g ermitteln.<br />
Für das Beispiel sei angenommen, eine Versuchsperson habe die folgende Rangreihe<br />
gebildet:<br />
Backhaus u.a. (2011) S. 468 f.
Schätzung der Nutzenwerte<br />
Zuerst werden werden nun die Teilnutzenwerte ermittelt (partworths)<br />
(partworths).<br />
allgemein<br />
Daraus werden dann metrische Gesamtnutzenwerte ermittelt<br />
Schließlich werden die relativen Wichtigkeiten der einzelnen Eigenschaften ermittelt.<br />
Fü Für jede jd dder iinsgesamt tfü fünf f Ei Eigenschaftsausprägungen h ft ä it ist ein i Teilnutzenwert Til t tββ<br />
zu schätzen.<br />
Die <strong>Conjoint</strong> <strong>Conjoint</strong>‐<strong>Analyse</strong> <strong>Analyse</strong> unterstellt unterstellt, daß der Nutzenwert sich aus der Summe der<br />
Teilnutzenwerte ergibt<br />
β jm<br />
x jmk<br />
Teilnutzenwert für Ausprägung m von Eigenschaft j<br />
1 falls bei Stimulus k die Eigenschaft j in Ausprägung m vorliegt<br />
0 sonst<br />
Backhaus u.a. (2011) S. 469 ff.
y I = β A1 + β B1<br />
y II = β A1 + β βB2 B2<br />
y III = β A2 + β B1<br />
y IV = β A2 + β B2<br />
y V = β A3 + β B1<br />
y VI = β A3 + β B2<br />
Schätzung der Nutzenwerte<br />
Die Teilnutzenwerte sollen so bestimmt werden, daß die resultierenden Gesamtnutzenwerte möglichst gut den<br />
empirischen Rangwerten entsprechen.<br />
Das zur Bestimmung der Teilnutzenwerte verwendete Rechenverfahren wird als monotone Varianzanalyse<br />
bezeichnet. Es ist eine Weiterentwicklung der gewöhnlichen (metrischen) Varianzanalyse.<br />
Backhaus u.a. (2011) S. 470
Schätzung der Nutzenwerte – metrische Lösung<br />
Wir tun so, als seien die Rangzahlen nicht ordinale Werte, sondern metrische Werte.<br />
Das bedeutet, wir nehmen an, die abstände zwischen den Rängen seien gleich (äquidistant).<br />
Die Summe der Ränge ist: 1+2+3+4+5+6 = 21<br />
Im Mittel ergibt sich ein Rangwert von 21: 6 = 3,5<br />
Nun ermitteln wir die durchschnittlichen Rangwerte für jede Eigenschaftsausprägung.<br />
Dann ermitteln wir für jede Eigenschaftsausprägung noch die Abweichung des Durchschnittswerts vom Gesamtmittel<br />
Gesamtmittel.<br />
Stimulus Rang<br />
Eigenschaft B ‐ Oberfläche<br />
Nußbaum lackiert 6<br />
1 2<br />
Nußbaum geölt 5<br />
1 2 1 1,5 ‐2,0<br />
Buche geölt 4<br />
Eigenschaft A<br />
Holzart<br />
2 3 4 3,5 0,0<br />
BBuche h llackiert ki t 3<br />
3 6 5 55 5,5 20 2,0<br />
Ahorn lackiert 2<br />
3,6667 3,3333 3,5<br />
Ahorn geölt 1<br />
0,1667 ‐0,1667<br />
Backhaus u.a. (2011) S. 471
Schätzung der Nutzenwerte – metrische Lösung<br />
Zur Berechnung g der Nutzenwerte müssen wir in die Gleichungg<br />
nun noch einen konstanten Term µ einfügen.<br />
Diese Konstante µ spiegelt p g den durchschnittlichen Rangwert, g , im Beispiel p also 3,5. ,<br />
Nun können wir mit der um µ erweiterten Formel durch Einsetzen der Werte aus der Tabelle die<br />
Nutzenwerte für alle Stimuli berechnen.<br />
Backhaus u.a. (2011) S. 471
Schätzung der Nutzenwerte – metrische Lösung<br />
Nun können noch die Abweichungen zwischen den empirischen Rangwerten und den<br />
geschätzten Werten sowie die Quadrate dieser Abweichungen berechnet werden.<br />
Backhaus u.a., Abbildung 9.12<br />
Die mittels der Varianzanalyse ermittelten Teilnutzenwerte β sind Kleinst Kleinst‐Quadrate‐Schätzungen,<br />
Quadrate Schätzungen,<br />
d.h. sie wurden so ermittelt, daß die Summe der quadratischen Abweichungen zwischen den empirischen<br />
und den geschätzen Nutzenwerten minimal ist.<br />
Backhaus u.a. (2011) S. 471
Schätzung der Nutzenwerte – nichtmetrische Lösung<br />
Abl Ablauf f dder monotonen t VVarianzanalyse i l<br />
Backhaus u.a., Abbildung 9.13, S. 473.<br />
Backhaus, Klaus/Erichson, Bernd/Plinke, Wulff/ Weiber, Rolf (2010): Multivariate <strong>Analyse</strong>methoden – Eine<br />
anwendungsorientierte Einführung, 13. Aufl. Berlin u.a. 2010.
Schätzung der Nutzenwerte – grafische Darstellung<br />
Nutzen, geschätzt<br />
Ahorn<br />
geölt<br />
Ahorn<br />
lackiert<br />
Buche<br />
lackiert<br />
Buche<br />
geölt<br />
Widerspruch<br />
zwischen Erhebung<br />
und Schätzung<br />
Nußbaum<br />
geölt<br />
Von der Versuchsperson angegebene Rangplätze<br />
Verlauf der geschätzten y‐Werte über den empirischen Rangdaten<br />
Nußbaum<br />
lackiert<br />
Backhaus u.a., S. 474<br />
Abbildung 9.14, ergänzt.
Schätzung der Nutzenwerte – grafische Darstellung<br />
Nutzen, geschätzt<br />
Ah Ahorn<br />
geölt<br />
tatsächlich von<br />
der Versuchsperson<br />
vergebener Rang<br />
Ahorn<br />
lackiert<br />
BBuche h<br />
lackiert<br />
Buche<br />
geölt<br />
Die Kurve ist durch dieses<br />
Verfahren sozusagen geglättet.<br />
Nußbaum<br />
geölt<br />
Nußbaum<br />
lackiert<br />
tatsächlich von<br />
der Versuchsperson p<br />
vergebener Rang<br />
Von der Versuchsperson angegebene Rangplätze<br />
Verlauf der monoton angepassten zz‐Werte Werte über den empirischen Rangdaten<br />
Backhaus u.a., S. 475,<br />
Abbildung 9.15, ergänzt.
Aggregation der Nutzenwerte<br />
Jetzt haben wir die<br />
Nutzenstruktur einer<br />
Versuchsperson<br />
untersucht.<br />
Wir wollen aber über<br />
die Gruppe der Käufer<br />
eine Aussage treffen.<br />
Also gilt es jetzt zu überlegen, wie wir die Nutzenwerte über die<br />
Versuchspersonen aggregieren können können.<br />
Eine solche Aggregation erscheint nur sinnvoll, wenn zunächst eine Normierung<br />
vorgenommen wird.<br />
Durch die Normierung wird sichergestellt, daß die Teilnutzenwerte für alle<br />
Versuchspersonen jeweils auf dem gleichen „Nullpunkt“ und gleichen<br />
Skaleneinheiten basieren.<br />
Backhaus u.a. (2011) S. 476 ff.
Aggregation der Nutzenwerte<br />
Bezüglich des Nullpunktes ist es sinnvoll, diejenige Eigenschaftsausprägung, die<br />
den geringsten geringsten Nutzenbeitrag liefert, auf Null zu setzen.<br />
Als Rechenschritt müssen wir daher zuerst die Differenzen bilden zwischen<br />
den einzelnen Teilnutzenwerten und dem kleinsten Teilnutzenwert.<br />
Für die im Beispiel errechneten Werte ergeben sich (aus den metrischen Ergebnissen):<br />
β βA1 = ( (‐2,00 200 – ( (‐ 22,00)) 00)) = 000 0,00<br />
β A2 = (0,00 –(‐2,00)) = 2,00<br />
β A3 = (2,00 –(‐2,00)) = 4,00 maximaler Wert für Holzart<br />
β A4 = (0,1667 –(‐2,00)) = 0,3334<br />
β B1 = (‐0,1667 –(‐0,1667)) = 0,3334 maximaler Wert für Oberfläche<br />
β βB2 = ( (‐0,1667 0 1667 – ( (‐0,1667)) 0 1667)) = 000 0,00<br />
Backhaus u.a. (2011) S. 476 ff.
Aggregation der Nutzenwerte<br />
Für die Justierung der Skaleneinheit ist entscheidend, welche Größe für den<br />
Maximalwert des Wertebereichs verwendet werden soll.<br />
Für einen Befragten ergibt sich der am stärksten präferierte Stimulus aus der<br />
Summe der Teilnutzenwerte je Eigenschaft.<br />
Für das Beispiel (metrische Berechnung und dann normiert) ergibt sich<br />
4,000 für die Holzart und 0,3334 für die Oberfläche<br />
Es ist zweckmäßig, den Gesamtnutzenwert des am stärksten präferierten<br />
Stimulus auf 1 zu setzen.<br />
= 0,00/4,3334 = 0,00<br />
= 2,00/4,3334 = 0,462<br />
= 44,00/4,3334 00/4 3334 = 00,923 923 maximaler Wert für Holzart<br />
= 0,3334/4,3334 = 0,077 maximaler Wert für Oberfläche<br />
= 0,00/4,3334 = 0,000<br />
SSumme dder maximalen i l WWerte t = 100 1,00<br />
Backhaus u.a. (2011) S. 476 ff.
Aggregation der Nutzenwerte<br />
Die Kombination aus Nußbaum und lackierter Oberfläche (Stimulus V aus Abb. 9.8)<br />
besitzt den höchsten Nutzwert.<br />
EEs sei i hier hi darauf d fhi hingewiesen, i dßfü daß für di die Präferenzveränderungen Päf ä d nicht ih die di<br />
absolute Höhe der Teilnutzenwerte ausschlaggebend ist, sondern die Spannweite,<br />
also die Differenz zwischen dem höchsten und dem niedrigsten Teilnutzenwert<br />
der verschiedenen Ausprägungen einer Eigenschaft Eigenschaft.<br />
Stimulus Nutzen Rang i.d. Rang<br />
Schätzung Schät ung in den Daten aten<br />
Nußbaum lackiert 1,00 6 6<br />
Nußbaum geölt 0,923 5 5<br />
Buche lackiert 00,539 539 4 3<br />
Buche geölt 0,462 3 4<br />
Ahorn lackiert 0,077 2 2<br />
Ahorn h geölt l 0,00 1 1<br />
vgl. Grafik<br />
Backhaus u.a. (2011) S. 476 ff.
Eigenschaft A<br />
Holzart<br />
Eigenschaft B ‐ Oberfläche<br />
1 Ahorn 0,00 Rang:2<br />
Nutzen: 0,077<br />
1 2<br />
lackiert geölt<br />
00,077 077 000 0,00<br />
Rang:1<br />
Nutzen: 0,00<br />
2 Buche 00,462 462 Rang:3<br />
Rang: 4<br />
Nutzen: 0,539 Nutzen: 0,462<br />
3 Nußbaum 0,923 Rang:6<br />
Nutzen: 1,00<br />
Rang: 5<br />
0,923<br />
Stimulus Nutzen<br />
Nußbaum lackiert 1,00<br />
Nußbaum ßb geölt l 0,923<br />
Buche lackiert 0,539<br />
Buche geölt 0,462<br />
Ahorn lackiert 0,077<br />
Ahorn geölt 0,00
Aggregation der Nutzenwerte<br />
Im Beispiel ist die Holzart deutlich wichtiger für die Entscheidung als die Oberfläche. Oberfläche<br />
= 0,00/4,3334 = 0,00 minimaler Wert für Holzart Spannweite für Holzart<br />
0,923<br />
= 2,00/4,3334 = 0,462<br />
= 4,00/4,3334 = 0,923 maximaler Wert für Holzart<br />
= 0,3334/4,3334 = 0,077 maximaler Wert für Oberfläche Spannweite für Oberfläche<br />
0,077<br />
= 0,00/4,3334 = 0,000 minimaler Wert für Oberfläche<br />
Summe der maxi. Werte = 1,00<br />
Backhaus u.a. (2011) S. 476 ff.
Wie sind die<br />
Berechnungsergebnis<br />
se zu interpretieren?<br />
Interpretation<br />
Angenommen, es sei nach der Produktgestaltung<br />
gefragt. Welches Produkt sollte hergestellt werden?<br />
Angenommen, das Lackieren würde deutlich höhere Kosten<br />
als das Ölen verursachen, , was sollte man dem Unternehmen<br />
dann raten?<br />
Angenommen, es ginge um die Gestaltung der Preise für<br />
verschiedene Produkte. Was sollte man dem Unternehmen<br />
raten?
Aggregation der Nutzenwerte<br />
Individualanalysen<br />
anschließende<br />
Aggregation<br />
<strong>Conjoint</strong>‐<strong>Analyse</strong><br />
gemeinsame CA,<br />
die aggregierte<br />
Teilnutzenwerte<br />
liefert<br />
Die STRESS‐Werte fallen tendenziell<br />
höher aus.<br />
Backhaus u.a. (2011) S. 476 ff.
Aggregation der Nutzenwerte<br />
Jede Aggregation ist mit Informationsverlusten verbunden.<br />
Die Nutzenstrukturen in großen Gruppen können sehr heterogen werden.<br />
Deshalb ggf. homogenere Gruppen bilden.<br />
Dazu kann man die Cluster‐<strong>Analyse</strong> y verwenden.<br />
Backhaus u.a. (2011) S. 476 ff.
Anwendungsbeispiele für die <strong>Conjoint</strong>‐<strong>Analyse</strong><br />
Backhaus u.a. (2011) S. 461<br />
Abbildung 9.1<br />
Beispiel aus der Holzwirtschaft:<br />
Zahlungsbereitschaften für Holz aus der Region.
Sprache ändern