Conjoint-Analyse - Conjoint analysis

Beispiel einer wahlbasierten Conjoint-Analyse-Umfrage mit Anwendung auf das Marketing (Untersuchung von Präferenzen bei Speiseeis)

Die Conjoint-Analyse ist eine auf Umfragen basierende statistische Technik, die in der Marktforschung verwendet wird und dabei hilft, festzustellen, wie Menschen verschiedene Attribute (Merkmal, Funktion, Nutzen) bewerten, die ein einzelnes Produkt oder eine Dienstleistung ausmachen.

Das Ziel der Conjoint-Analyse besteht darin, zu bestimmen, welche Kombination einer begrenzten Anzahl von Attributen den größten Einfluss auf die Auswahl oder Entscheidungsfindung des Befragten hat. Den Umfrageteilnehmern wird eine kontrollierte Menge potenzieller Produkte oder Dienstleistungen gezeigt, und durch die Analyse ihrer Auswahl zwischen diesen Produkten kann die implizite Bewertung der einzelnen Elemente bestimmt werden, aus denen das Produkt oder die Dienstleistung besteht. Diese impliziten Bewertungen (Nutzwerte oder Teilwerte) können verwendet werden, um Marktmodelle zu erstellen, die den Marktanteil, den Umsatz und sogar die Rentabilität neuer Designs schätzen.

Die Conjoint-Analyse stammt aus der mathematischen Psychologie und wurde vom Marketingprofessor Paul E. Green an der Wharton School der University of Pennsylvania entwickelt . Weitere prominente Pioniere der Conjoint-Analyse sind Professor V. "Seenu" Srinivasan von der Stanford University, der ein Verfahren zur linearen Programmierung (LINMAP) für ranggeordnete Daten sowie einen selbsterklärten Ansatz entwickelt hat, und Jordan Louviere (Universität Iowa), der wahlbasierte Ansätze zur Conjoint-Analyse und verwandte Techniken wie Best-Worst-Skalierung .

Heute wird es in vielen Sozialwissenschaften und angewandten Wissenschaften verwendet, einschließlich Marketing , Produktmanagement und Operations Research . Es wird häufig verwendet, um die Kundenakzeptanz neuer Produktdesigns zu testen , die Attraktivität von Anzeigen zu beurteilen und im Service-Design . Es wurde bei der Produktpositionierung verwendet , aber es gibt einige, die Probleme mit dieser Anwendung der Conjoint-Analyse aufwerfen.

Conjoint-Analysetechniken können auch als Multiattribute-Kompositionsmodellierung, Diskrete-Choice-Modellierung oder Erforschung von Präferenzen bezeichnet werden und sind Teil einer breiteren Palette von Trade-off-Analysewerkzeugen, die für die systematische Analyse von Entscheidungen verwendet werden. Zu diesen Werkzeugen gehören Brand-Price Trade-Off, Simalto und mathematische Ansätze wie AHP , PAPRIKA , evolutionäre Algorithmen oder regelentwickelnde Experimente .

Gemeinsames Design

Ein Produkt- oder Dienstleistungsbereich wird durch eine Reihe von Attributen beschrieben. Ein Fernseher kann beispielsweise Attribute wie Bildschirmgröße, Bildschirmformat, Marke, Preis usw. aufweisen. Jedes Attribut kann dann in mehrere Ebenen unterteilt werden. Pegel für das Bildschirmformat können beispielsweise LED, LCD oder Plasma sein.

Den Befragten wird eine Reihe von Produkten, Prototypen, Mock-ups oder Bildern gezeigt, die aus einer Kombination von Ebenen aus allen oder einigen der konstituierenden Attribute erstellt wurden, und aufgefordert, aus den angezeigten Produkten auszuwählen, sie einzustufen oder zu bewerten. Jedes Beispiel ist ähnlich genug, dass die Verbraucher es als naheliegende Substitute betrachten, aber so unähnlich, dass die Befragten eine Präferenz eindeutig bestimmen können. Jedes Beispiel besteht aus einer einzigartigen Kombination von Produktmerkmalen. Die Daten können aus einzelnen Bewertungen, Rangordnungen oder Auswahlmöglichkeiten zwischen alternativen Kombinationen bestehen.

Conjoint Design umfasst vier verschiedene Schritte:

  1. Bestimmen Sie die Art des Studiums
  2. Identifizieren Sie die relevanten Attribute
  3. Geben Sie die Ebenen der Attribute an
  4. Gestaltungsfragebogen

1. Bestimmen Sie die Art des Studiums

Es gibt verschiedene Arten von Studien, die entworfen werden können:

  • Ranking-basiertes Conjoint
  • Ratingbasiertes Conjoint
  • Wahlbasiertes Conjoint

2. Identifizieren Sie die relevanten Attribute

Attribute in der Conjoint-Analyse sollten:

  • für die Entscheidungsfindung des Managements relevant sein,
  • haben unterschiedliche Ebenen im wirklichen Leben,
  • davon ausgegangen werden, dass sie die Präferenzen beeinflussen,
  • klar definiert und kommunizierbar sein,
  • möglichst keine starken Korrelationen aufweisen (Ausnahme Preis und Marke),
  • bestehen aus mindestens zwei Ebenen.

3. Geben Sie die Ebenen der Attribute an

Attributebenen sollten sein:

  • eindeutig,
  • sich gegenseitig ausschließen,
  • realistisch.

4. Gestaltungsfragebogen

Wenn die Anzahl der Kombinationen von Attributen und Ebenen zunimmt, nimmt die Anzahl potenzieller Profile exponentiell zu. Folglich wird das fraktionierte faktorielle Design häufig verwendet, um die Anzahl der auszuwertenden Profile zu reduzieren und gleichzeitig sicherzustellen, dass genügend Daten für die statistische Analyse verfügbar sind, was zu einem sorgfältig kontrollierten Satz von "Profilen" führt, die der Befragte berücksichtigen kann.

Früheste Form und Nachteile

Die frühesten Formen der Conjoint-Analyse, die in den 1970er Jahren begann, waren die sogenannten Full-Profile-Studien, bei denen eine kleine Menge von Attributen (typischerweise 4 bis 5) verwendet wurden, um Profile zu erstellen, die den Befragten oft auf einzelnen Karten gezeigt wurden. Die Befragten haben diese Profile dann bewertet oder bewertet. Unter Verwendung einer relativ einfachen Dummy-Variablen- Regressionsanalyse konnten die impliziten Nutzen für die Stufen berechnet werden, die die von den Befragten angegebenen Ränge oder Bewertungen am besten wiedergeben. Zwei Nachteile wurden in diesen frühen Designs gesehen.

Erstens wurde die Anzahl der verwendeten Attribute stark eingeschränkt. Bei einer großen Anzahl von Attributen wird die Abwägungsaufgabe für die Befragten zu groß und selbst bei teilfaktoriellen Designs kann die Anzahl der auszuwertenden Profile schnell ansteigen. Um mehr Attribute (bis zu 30) zu nutzen, wurden hybride Conjoint-Techniken entwickelt, die Selbstexplikation (Bewertung oder Rangfolge von Ebenen und Attributen) gefolgt von Conjoint-Aufgaben kombinierten. Sowohl papierbasierte als auch adaptive computergestützte Fragebögen wurden ab den 1980er Jahren zur Option.

Der zweite Nachteil war, dass Bewertungen oder Rankings von Profilen unrealistisch waren und keinen direkten Bezug zur Verhaltenstheorie hatten. In realen Situationen wählen Käufer zwischen Alternativen, anstatt sie zu bewerten oder zu bewerten. Jordan Louviere leistete Pionierarbeit für einen Ansatz, der nur eine Choice-Aufgabe verwendet, die zur Grundlage der wahlbasierten Conjoint-Analyse und der Discrete-Choice-Analyse wurde . Diese Forschung zu erklärten Präferenzen ist mit ökonometrischer Modellierung verbunden und kann mit der aufgedeckten Präferenz verknüpft werden, bei der Wahlmodelle auf der Grundlage von realen und nicht von Umfragedaten kalibriert werden. Ursprünglich war die wahlbasierte Conjoint-Analyse nicht in der Lage, Nutzen auf individueller Ebene zu liefern, und die Forscher entwickelten aggregierte Modelle, um die Marktpräferenzen abzubilden. Dies machte es für Marktsegmentierungsstudien ungeeignet. Mit neueren hierarchischen Bayes'schen Analysetechniken können Nutzen auf individueller Ebene geschätzt werden, die bessere Einblicke in die heterogenen Präferenzen über Einzelpersonen und Marktsegmente hinweg liefern.

Informationssammlung

Daten für die Conjoint-Analyse werden am häufigsten durch eine Marktforschungsumfrage gesammelt, obwohl die Conjoint-Analyse auch auf einen sorgfältig entworfenen Konfigurator oder Daten aus einem entsprechend gestalteten Testmarktexperiment angewendet werden kann . Bei der Gestaltung von Conjoint-Analyse-Interviews gelten die Faustregeln der Marktforschung hinsichtlich statistischer Stichprobengröße und Genauigkeit.

Die Länge des Conjoint-Fragebogens hängt von der Anzahl der zu bewertenden Attribute und der gewählten Conjoint-Analysemethode ab. Ein typischer adaptiver Conjoint-Fragebogen mit 20-25 Attributen kann mehr als 30 Minuten dauern. Wahlbasiertes Conjoint kann unter Verwendung eines kleineren Profilsatzes, der über die gesamte Stichprobe verteilt ist, in weniger als 15 Minuten abgeschlossen werden. Auswahlübungen können als Ladenfront-Layout oder in einer anderen simulierten Einkaufsumgebung angezeigt werden.

Analyse

Beispielausgabe einer Conjoint-Analyse mit Anwendung auf das Marketing.

Je nach Modelltyp können unterschiedliche ökonometrische und statistische Methoden zur Schätzung von Nutzenfunktionen verwendet werden. Diese Nutzenfunktionen zeigen den wahrgenommenen Wert des Merkmals und wie empfindlich die Verbraucherwahrnehmungen und -präferenzen auf Änderungen der Produktmerkmale reagieren. Das tatsächliche Schätzverfahren hängt von der Gestaltung der Aufgabe und den Profilen für die Befragten und der Messskala ab, die verwendet wird, um Präferenzen anzugeben (intervallskaliert, Rangfolge oder diskrete Auswahl). Zum Schätzen der Nutzen für jede Attributebene unter Verwendung von bewertungsbasierten vollständigen Profilaufgaben kann eine lineare Regression geeignet sein, für auswahlbasierte Aufgaben wird normalerweise eine Schätzung der maximalen Wahrscheinlichkeit mit einer logistischen Regression verwendet. Die ursprünglichen Methoden zur Schätzung des Nutzens waren monotone Varianzanalysen oder lineare Programmiertechniken, aber die heutige Marktforschungspraxis hat sich zu wahlbasierten Modellen mit multinomialem Logit, gemischten Versionen dieses Modells und anderen Verfeinerungen verlagert. Bayessche Schätzer sind ebenfalls sehr beliebt. Auch hierarchische Bayessche Verfahren sind heutzutage relativ beliebt.

Vorteile und Nachteile

Vorteile

  • schätzt psychologische Kompromisse, die Verbraucher eingehen, wenn sie mehrere Attribute zusammen bewerten
  • kann Präferenzen auf individueller Ebene messen
  • deckt echte oder versteckte Treiber auf, die für die Befragten selbst möglicherweise nicht erkennbar sind
  • ahmt eine realistische Wahl oder Einkaufsaufgabe nach
  • in der Lage, physische Gegenstände zu benutzen
  • kann bei entsprechender Gestaltung Interaktionen zwischen Attributen modellieren
  • kann verwendet werden, um eine bedarfsgerechte Segmentierung zu entwickeln, wenn Modelle angewendet werden, die die Geschmacksheterogenität der Befragten erkennen

Nachteile

  • Conjoint-Studien zu entwerfen kann komplex sein
  • Bei zu vielen Produktmerkmalen und Produktprofilen greifen die Befragten oft auf Vereinfachungsstrategien zurück
  • schwierig für die Produktpositionierungsforschung zu verwenden, da es kein Verfahren gibt, um Wahrnehmungen über tatsächliche Merkmale in Wahrnehmungen über eine reduzierte Menge zugrunde liegender Merkmale umzuwandeln
  • die Befragten sind nicht in der Lage, ihre Einstellung zu neuen Kategorien zu artikulieren, oder fühlen sich gezwungen, über Themen nachzudenken, über die sie sonst nicht viel nachdenken würden
  • schlecht konzipierte Studien können emotional aufgeladene Produktmerkmale überbewerten und konkrete Merkmale unterschätzen
  • berücksichtigt nicht die Menge der pro Befragten gekauften Produkte, aber eine Gewichtung der Befragten nach ihrem eigenen Einkaufsvolumen oder Erweiterungen wie die volumetrische Conjoint-Analyse können hier Abhilfe schaffen

Praktische Anwendungen

Marktforschung

Eine praktische Anwendung der Conjoint-Analyse in der Unternehmensanalyse zeigt folgendes Beispiel: Ein Immobilienentwickler möchte in der Nähe einer städtischen Ivy-League-Universität einen Wohnhochhauskomplex bauen. Um den Erfolg des Projekts sicherzustellen, wird ein Marktforschungsunternehmen beauftragt, Fokusgruppen mit aktuellen Studierenden durchzuführen. Die Studenten werden nach akademischem Jahr (Anfänger, Oberschüler, Graduiertenstudium) und Höhe der erhaltenen finanziellen Unterstützung segmentiert. Den Studienteilnehmern wird eine Reihe von Auswahlszenarien gezeigt, die verschiedene Wohnoptionen in Wohnungen beinhalten, die anhand von 6 Attributen (Nähe zum Campus, Kosten, Telekommunikationspakete, Wäschemöglichkeiten, Grundrisse und angebotene Sicherheitsmerkmale) spezifiziert sind. Die geschätzten Kosten für den Bau des mit jeder Wohnungsoption verbundenen Gebäudes sind gleich. Die Teilnehmer werden gebeten, innerhalb jedes Auswahlszenarios ihre bevorzugte Apartmentoption auszuwählen. Diese Forced-Choice-Übung zeigt die Prioritäten und Präferenzen der Teilnehmer auf. Die multinomiale logistische Regression kann verwendet werden, um die Nutzenbewertungen für jede Attributebene der 6 am Conjoint-Experiment beteiligten Attribute zu schätzen. Unter Verwendung dieser Nutzenbewertungen kann die Marktpräferenz für eine beliebige Kombination der Attributebenen, die potenzielle Wohnoptionen für Wohnungen beschreiben, vorhergesagt werden.

Rechtsstreitigkeiten

Bundesgerichte in den Vereinigten Staaten haben Sachverständigen erlaubt, ihre Meinungen über den Schaden, den ein Patentverletzer zahlen sollte, um den Patentinhaber für die Verletzung seiner Rechte zu entschädigen, durch eine Conjoint-Analyse zu untermauern. Nichtsdestotrotz haben Rechtswissenschaftler festgestellt, dass die Rechtsprechung des Federal Circuit zur Verwendung der Conjoint-Analyse bei Berechnungen von Patentschäden noch im Aufbaustadium ist.

Ein Beispiel dafür ist, wie Apple mit einer Conjoint-Analyse den Schaden durch Samsungs Urheberrechtsverletzung nachgewiesen und in diesem Fall die Entschädigung erhöht hat.

Siehe auch

Verweise

Externe Links