Eine Stadienbetrachtung der Unternehmensentwicklung und die Ableitung stadienspezifischer Beratungsbausteine

Inhaltsverzeichnis

Abkürzungsverzeichnis

Abbildungsverzeichnis

Tabellenverzeichnis

Vorwort

1 Einleitung
1.1 Problemstellung
1.2 Stand der Forschung und Zielsetzung der Untersuchung
1.3 Vorgehensweise

2 Methodik: Konzept der Conjoint Analyse
2.1 Grundlagen der Conjoint Analyse
2.1.1 Einordnung der Conjoint Analyse
2.1.2 Anwendungsbereiche der Conjoint Analyse
2.1.3 Grenzen der Conjoint Analyse
2.1.4 Die Conjoint Analyse zur Parametrisierung von Präferenzmodellen
2.2 Ablauf der Conjoint Analyse
2.2.1 Identifikation der Merkmale und Merkmalsausprägungen
2.2.2 Entwicklung des Erhebungsdesigns
2.2.3 Bewertung der Stimuli
2.2.4 Schätzung der Nutzenwerte
2.2.5 Aggregation der Nutzenwerte
2.3 Conjointanalytische Untersuchungsansätze
2.3.1 Hybrid Conjoint Analyse
2.3.2 Adaptive Conjoint Analyse
2.3.2.1 Eliminierung von nicht akzeptierten Ausprägungen
2.3.2.2 Präferenzangabe der verbleibenden Ausprägungen
2.3.2.3 „Most likelies“
2.3.2.4 Bestimmung der Wichtigkeit der Ausprägungs unterschiede
2.3.2.5 Paarvergleiche – Beurteilung von Produktkonzepten
2.3.2.6 Kaufwahrscheinlichkeiten
2.3.3 Choice-Based Conjoint Analyse
2.3.4 Hierarchische Informationsintegrations-Conjoint Analyse
2.3.5 Fazit

3 Empirische Anwendung – Einsatz der ACA zur zuschauerorientierten Gestaltung des Produktes „Fußballereignis Mainz 05“
3.1 Überblick über die Entwicklung der Untersuchungsarbeit
3.1.1 Definitionsphase: Problemstellung und Zielsetzung
3.1.2 Designphase
3.1.3 Feldphase
3.1.4 Analysephase
3.1.5 Kommunikationsphase
3.2 Ablauf des Untersuchungsprozesses
3.2.1 Identifikation der relevanten Merkmale und Merkmalsausprägungen
3.2.1.1 Die Gruppendiskussion als Vorbereitungsverfahren der ACA
3.2.1.2 Das Untersuchungsdesign
3.2.1.3 Aufbereitung und Auswertung der Gruppendiskussion
3.2.1.4 Bestimmung der Merkmale und Merkmalsausprägungen
3.2.2 Programmierung und Diskussion des Untersuchungsdesigns
3.2.3 Durchführung der Befragung
3.2.4 Aufbereitung des Datenmaterials und Darstellung der Ergebnisse
3.2.4.1 Darstellung der Probandenstruktur
3.2.4.2 Überprüfung der Anwortkonsistenz
Exkurs: Zusammenfassung der Untersuchungsgruppen
3.2.4.3 Teilnutzenwerte und Merkmalswichtigkeit
3.2.4.4 Beurteilung der verschiedenen Kartentypen
3.2.5 Implikation und Diskussion
3.2.5.1 Zentrale Ergebnisse
3.2.5.2 Diskussion der Untersuchungsmethodik und der Untersuchungsergebnisse

4 Zusammenfassung

Quellen- und Literaturverzeichnis

Verzeichnis des Anhangs

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

Abbildungsverzeichnis

Abb. 1: Einflußfaktoren auf den Zusammenhang zwischen sportlichem und finanziellem Erfolg

Abb. 2: Struktur der Arbeit

Abb. 3: Präferenzmodelle

Abb. 4: Ablauf der Conjoint Analyse

Abb. 5: Verfahren der Conjoint Analyse zur Erhebung von Präferenzurteilen

Abb. 6: Interviewabschnitte einer ACA-Studie

Abb. 7: Spielausgang des letzten Heimspiels und die Zuschauerzahlen des darauffolgenden Heimspiels der Saison 99/00 (bis zum 20.04.2000) des 1. FSV Mainz

Abb. 8: Angabe der Präferenzrangfolge hinsichtlich des Kartentyps

Abb. 9: Beispiel eines Paarvergleichs

Abb. 10: Reduzierung der Probandenzahl

Abb. 11: Altersverteilung der Pro­ban­den

Abb. 12: Antwortverteilung auf die Frage: „Würden Sie auch alleine ins Stadion gehen, um sich ein Spiel des Mainz 05 anzusehen?“

Abb. 13: Einkommensstruktur der Probanden

Abb. 14: Anzahl der Probanden und durchschnittliche Interviewdauer in Bezug der jeweiligen Wertebereiche des Bestimmtheitsmaßes R²

Abb. 15: Teilnutzendiagramme der Merkmale Bedeutsamkeit des Spiels und Rahmenprogramm

Abb. 16: Teilnutzendiagramme der Merkmale Stimmung und Publikum

Abb. 17: Teilnutzendiagramme der Merkmale Sichtverhältnisse und Wetter

Abb. 18: Teilnutzendiagramme der Merkmale Platzkomfort Sitz- und Steh bereich

Abb. 19: Teilnutzendiagramme der Merkmale Sitz- und Stehkategorie

Abb. 20: Teilnutzendiagramme der Merkmale Polizei – und Ordneraufgebot und Service

Abb. 21: Teilnutzendiagramme der Merkmale Angebot und Pausenge staltung

Abb. 22: Teilnutzendiagramme des Merkmals Preis (Sitzplatz- und Stehplatz karte) der SSA- und SEL/AR-Gruppe

Abb. 23: Vergleich der Merkmalswichtigkeiten zwischen der SSA und SEL/AR-Grup­pe sowie zwischen Schülern und Studenten/Azubis

Abb. 24: Teilnutzenwertdiagramm für das Merkmal Preis (Stehplatz)

Abb. 25: Vergleich der Merkmalswichtigkeit zwischen den Gruppen „weniger“ und „eher fußballinteressiert“ sowie „bereits bei Mainz 05 gewesen“ und „noch nicht bei Mainz 05 gewesen“

Abb. 26: Auswertung der Frage "Welche der fünf Kartentypen bevorzugen Sie am meisten? Welcher kommt weniger in Frage und welcher am wenigsten?“

Abb. 27: Auswertung der Frage: "Wie stark neigen Sie dazu, eine Dauerkarte von Mainz 05 zu erwerben?"

Abb. 28: Auswertung der Frage: "Wie stark neigen Sie dazu, eine 10er-Karte von Mainz 05 zu erwerben?"

Abb. 29: Auswertung der Frage: "Wie stark neigen Sie dazu, eine Gruppenkarte von Mainz 05 zu erwerben?"

Tabellenverzeichnis

Tab. 1: Relative Wichtigkeit der Produktmerkmale und die Teilnutzenwerte der jeweiligen Merkmalsausprägungen eines fiktiven Beispiels

Tab. 2: Beispiele für Schätzalgorithmen und Software für Conjoint Analysen

Tab. 3: Merkmale und Merkmalsausprägungen des Untersuchungsdesigns

Tab. 4: Kreuztabelle: Fußballinteresse und Besuch bei Mainz 05

Tab. 5: Wertebereich des Bestimmtheitsmaßes

Tab. 6: Einfluß des Bestimmtheitsmaßes auf die Anzahl der Fälle der SSA-Gruppe

Tab. 7: Deskriptive Statistik für R²³0.9 und 0.2>R²³0.0

Tab. 8: Analyseergebnis für den Vergleich von R²³0.9 und 0.2-0.9>R²³0.0 der SSA-Gruppe

Tab. 9: Anzahl der berücksichtigten Fälle nach Festlegung eines Correlation Cutoff von R²>0.5

Tab. 10: Vergleich der Teilnutzenwerte des Preises der Gruppen SSA und SEL/AR.

Tab. 11: Deskriptive Statistik der Probanden des ACA-Interviews

Tab. 12: Vergleich der Teilnutzenwerte zwischen der SSA- und SEL/AR-Gruppe sowie zwischen Schülern und Studenten/ Azubis für das Merkmal Angebot

Tab. 13: Kreuztabelle: Bereitschaft zum Kauf einer 10er- und Dauerkarte

Tab. 14: Kreuztabelle: Fußballinteresse und Bereitschaft zum Kauf einer 10er-Karte

Tab. 15: Kreuztabelle: Stadionbegleitung und Bereitschaft zum Kauf einer Gruppenkarte

Tab. 16: Wichtigkeitsangaben von Stadionattributen

Vorwort

Auf dem so manches Mal recht „holprigen“ Weg zu den Erkenntnissen, die in dieser Arbeit festgehalten sind, wurde ich von vielen Personen begleitet. Ihnen allen möchte ich meinen Dank aussprechen für zahlreiche Gespräche, hilfreiche An­regungen und aufbauende Abwechslungen jenseits des Erhebungs- und Aus­wertungsalltages.

Ganz herzlich bedanken möchte ich mich bei meinen Referenten Herrn Prof. Dr. Eike Emrich und Herrn Prof. Dr. Andreas Herrmann für ihre Bereitschaft die Magisterarbeit zu betreuen. Ohne ihre Zustimmung wäre die Realisierung einer fächerüber­grei­fenden Abschlußarbeit nicht möglich gewesen.

Mein besonderer Dank richtet sich an Herrn Dr. Holger Preuß und Herrn Christian Seilheimer, die mir stets sehr engagiert mit wertvoller Kritik und konstruktiven Vor­schlägen zur Seite standen. Für die Unterstützung seitens des 1. FSV Mainz 05 möchte ich mich besonders beim Geschäftsführer des Vereins, Herrn Michael Kammerer, bedanken. Herrn Daniel Winkel und Herrn Thomas Könecke gebührt mein Dank für die redak­tionelle Überarbeitung.

Schließlich möchte ich mich noch ganz herzlich für ein fachlich und freundschaftlich im­mer offenes Ohr – auch noch zu später Stunde – bei Herrn René Algesheimer bedanken.

Gewidmet ist diese Arbeit meinen Eltern, die mich während meiner Ausbildung stets unterstützten.

Mainz, im November 2000 Norman Hänsler

Erstes Kapitel

1 Einleitung

1.1 Problemstellung

Das Interesse am Phänomen „Fußball“ ist in Deutschland ungebrochen. Gaben 1994 42% der Deutschen an, fußballinteressiert zu sein, waren es 1998 be­reits 56% (vgl. UFA 2000, 11).^[1] Laut einer UFA-Studie ist seit 1998 das Interesse am Fußball nahezu unverändert.^[2] Dieses Potential an fußball­interes­sierten Per­sonen ist gerade für die Medienwelt und somit für werbepolitische Maßnahmen – also er­gänzende Produkte des passiven Fußballkonsums – sehr interessant und wirkt sich somit auch auf die Umsatzzahlen der Erst- und Zweitligavereine aus.

„Die Fußball-Bundesliga boomt wie nie zuvor“ stellten Lehmann und Weigand 1997 fest (1997, 382) und dieser Trend sollte auch weiterhin anhalten. Das Phänomen „Fußball“ entwickelte sich von einer organisierten Freizeitbeschäfti­gung hin zu einem Wirtschaftszweig und stellt heute vor allem einen Wachstumsmarkt dar (vgl. UFA Sports 1998, 3; Glabus/Ruess 1998, 60f.). Waren es nach Angaben des In­for­mationsdienstes des Instituts der deutschen Wirtschaft (IWD 1997, o.S.) in der Saison 1997/98 noch 600 Millionen DM, die den achtzehn Fußball-Erstligisten als Gesamtetat zur Verfügung standen, sind es in der Spielsaison 98/99 laut Aussagen des Deutschen Fußballbundes^[3] (DFB) über eine Milliarde DM gewesen. Die Ver­mutung, daß in der Spielsaison 1999/2000 inoffiziell weit mehr als eine Milliarde DM eingenommen wurde (ebd. 1999, o.S.),^[4] kann in Anbetracht der Umsätze der Vorsaison bekräftigt werden, da ein Ertragsrückgang als unwahr­schein­lich gilt.

Der Enthusiasmus in Sachen Fußball scheint keine Grenzen zu kennen. Auch Zweitligaspiele, die im Spartenkanal DSF ausgestrahlt werden, zogen in der Saison 1997/98 rund eine Mil­lion Fußballbegeisterte vor den Fernseher (vgl. Eilert, o.J., o.S.).^[5] 9,7 Millionen Fernsehzuschauer waren es im Durch­schnitt bei Erstligaspielen (ebd.). Somit ist es nicht verwunderlich, daß auch Zweit­liga-Clubs zum Teil über einen erheblichen Etat ver­fügen. Nach Auskunft des DFB be­liefen sich die Erträge der 2. Bundesliga in der Saison 98/99 auf rund 320 Millionen DM.^[6]

Bei diesen Zahlen kann nicht mehr von einem gemeinnützigen und vom Prinzip der Ehrenamtlichkeit bestimmten Verein gesprochen werden. Die „Marktstruktur“ im deutschen Profifußball hat sich drastisch verändert: Höhere Fernseheinnahmen^[7] der Ver­eine lassen Zuschauereinnahmen^[8] zum Teil in den Hintergrund treten, die Kapitalbe­schaf­fung weitet sich zunehmend auf Merchandising (vgl. o.V. 1999, 107)^[9] und Börsen­kapitali­sierung aus (vgl. Glabus/Ruess 1998, 62; Ehm 1997, 63). In Zu­kunft werden nur noch jene Clubs von der noch anhaltenden Fußball-Euphorie profi­tieren, die wirtschaft­lich wie sportlich gleichermaßen professionell agieren (vgl. dazu Lehmann/Weigand 1997, 382f.; Junker 1998, 5). Die veränderte Fußballand­schaft fordert einen professionell geführten Verein, dessen Management sich durch eine gewisse wirtschaftliche Fachkompetenz auszeichnet (vgl. Roeb 1997, 47). Unternehmensähnliche Strukturen bilden sich in einem Fußballbundesliga-Verein heraus, die ein langfristiges Vereins- bzw. Unternehmens­konzept erforderlich machen. Dabei ist zu berücksichtigen, daß Fußball von seiner Unberechen­bar­keit lebt und einer Art „Erfolgsdilemma“ ausgesetzt ist (s. Abbildung 1).^[10] Bei einer langfristigen sportlichen Erfolglosigkeit bleibt auch der finanzielle Erfolg aus, der wiederum Einfluß auf den sportlichen Erfolg hat, denn die errungenen Siege bestimmen Attraktivität und somit Medienpräsenz einer Mannschaft. Und der Ver­ein, der oft im Fernsehen zu sehen ist, weckt Zuschauerinteresse und lockt Merchanding-Partner sowie Sponsoren. „Wachsende Zuschauer­zahlen sind nicht nur für die Tagesein­nahmen relevant; sie sorgen auch für mehr Stimmung im und um den Verein und beeinflussen das Verhalten von Gönnern und Sponsoren“ (Stritt­mat­ter 1996, 2). Die finanzielle Absicherung eines Bundes­liga­vereins ist somit für die sportliche Wett­bewerbsfähigkeit existentiell. Für die Saison 1999/2000 investierten Erstliga­vereine 215 Millionen DM und steigerten somit die Ausga­ben für „neue“ Spieler im Vergleich zum Vorjahr um rund 100 Millionen DM, um somit den sportlichen Erfolg sichern zu können (vgl. IWD 1997; 1999, o.S.).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 1: Einflußfaktoren auf den Zusammenhang zwischen sportlichem und finanziellem Erfolg

Lehmann und Weigand (1997) kamen in ihrer Untersuchung über den Zusammen­hang zwischen monetären Faktoren und dem sportlichen Erfolg zu dem Schluß, „daß sich sportlich längerfristig erfolgreiche Vereine vor allem hinsichtlich mone­tärer Faktoren von weniger erfolgreichen Vereinen unterscheiden“ (ebd., 404). Der sportliche Erfolg ist jedoch nicht allein auf die Finanzkraft zurückzuführen. Ebenso entscheidend ist ein professionelles und nach wirtschaftlichen Gesichts­punkten agierendes Management, das Lehmann und Weigand als Institution mit den Aufgaben der finanziellen Planung und der Zusammenstellung der Mannschaft inklusive Auswahl des Trainers definieren (ebd.).

Hauptsächlich Vereine aus der 1. Bundesliga versuchen, eine gewisse finanzielle Unabhängigkeit des Vereins von sportlichen Erfolgen zu erreichen. Primäre Er­trags­quellen stellen die aus den Fernsehrechten (verstärkt durch Pay-TV) ge­won­nenen Erlöse und die durch die „Markentreue“ der Fußballfans begünstigten Merchandising-Ein­nahmen dar. In näherer Zukunft wird die Kapitalisierung aus dem Börsengang vermehrt hinzutreten. Vereine der 2. Bundesliga hingegen finanzieren sich hauptsächlich aus Sponsor- und Zuschauereinnahmen, da ihre Spiele nicht das gleiche Medien- und Zuschauerinteresse wecken wie die der Erstligaspiele (vgl. o.V. 1999, 106). Es ist also gerade für Vereine, die ihre Ein­nahmen zum großen Teil aus den Stadioneinnahmen beziehen, wichtig, Informationen über den Nut­zen^[11], den Zuschauer aus einem Stadionbesuch ziehen, zu erhalten. Der Zu­schauer bzw. seine Bedürfnisse stellen in diesem Fall das zentrale Element bei der Gestaltung des Erlebnis- und Unterhaltungsproduktes „Fußball“ dar. Dieser Sachverhalt erfordert ein kunden- bzw. zuschauerorientiertes Handeln, denn die „Geschäftsgrund­lage bleibt die Begeisterung der Massen [...]“ (Glabus/Ruess 1998, 66), trotz des zunehmenden Big Business’. Eine aus Zuschauerbe­dürfnissen gewonnene Informa­tionsbasis liefert wichtige Erkennt­nisse zur erfolg­reichen Um­setzung marketing­politischer Aktivitäten, wie beispielsweise Kommu­nikations- und Preisgestaltung. Das Vereins­umfeld ist derart zu gestalten, daß sich ein für alle Beteiligten lohnender Kontakt zum Verein ergibt, das heißt: ökonomi­scher Nutzen in den Augen der Geldgeber, so daß auch in Zeiten wirtschaftlicher Krisen der Finanzfluß durch den Sponsor nicht zum Erliegen kommt, und ein bedürfnis­befriedigen­des Erlebnis in den Augen der Zuschauer. „Dadurch können wirtschaft­liche Interessen mit den Ansichten der Kunden – also der Fans – in Einklang ge­bracht werden“ (UFA 2000, 3).

Es bedarf fundierter Kenntnisse über die Präferenzstruktur der Kunden bzw. Zu­schauer, um – auch vor dem Hintergrund des zunehmen­den Freizeit- und Unter­haltungs­an­ge­bots (vgl. Strittmatter 1996, 2) – langfristig höhere Zuschauer­zahlen und in Folge dessen finanzkräftige Sponsor­aktivi­täten realisieren zu können. Damit wiederum verbunden ist der sportliche Erfolg, wie in Abbildung 2 bereits dargestellt wurde.

1.2 Stand der Forschung und Zielsetzung der Untersuchung

Die Reaktion des Kunden – Kauf oder Nicht-Kauf des Produktes – entscheidet lang­fristig über den Unternehmenserfolg. Auf Märkten mit starkem Wettbewerb kann es sich kein Unter­nehmen oder Verein leisten, am Markt „vorbei zu pro­du­zieren“. Die Bedürfnisse und Wün­sche des Kunden sollten infolgedessen von zen­tralem Interesse und Ausgangspunkt der Produkt­gestaltung sein. Dies setzt die Kenntnis der Kunden­struktur voraus.

Wird der Produktbegriff als ein Bündel von Eigenschaften zur Befriedigung von Nutzenvorstellungen verstanden (vgl. Brockhoff 1993, 15), dann kann die Gestal­tung eines Fußballereignisses als Produktgestaltung und „Fußball“ neben einer organi­sierten Freizeitbeschäftigung als eigenständiges Produkt aufgefaßt werden, dessen Konsum eine für den Nachfrager bestimmte Bedürfnisbefriedigung be­inhaltet.^[12]

Das Produkt „Fußballereignis“ zeichnet sich zunächst durch eine Konsumtion der dargebotenen sportlichen Leistung und der im Umfeld angebotenen Dienste aus, wie z.B. Catering, Merchandising, Bustransfer etc., wobei die präsentierte sportliche Leis­tung das eigentliche Kernprodukt darstellt. Die Besonderheit dieses Kern­produktes ist – neben der Ungewißheit des Spielausgangs – die Integration des ex­ternen Faktors. D.h. das Wettkampfumfeld und somit das Fußballereignis werden aktiv durch die Zuschauer geprägt und wirken infolgedessen auf die dargebotene sportliche Leistung, so daß Konsumtion und Produktion zusammenfallen. In diesem Zusammenhang spricht man auch häufig vom sogenannten „Zwölften Mann“, der über eine aktive Stimmungsgestaltung die Stadionatmosphäre und somit auch das Verhalten von Sponsoren prägt.

Im engen Zusammenhang mit der Zuschauerstimmung bzw. der Stadion­atmos­phäre steht die Zufriedenheit des Zuschauers – zum einen die Zufriedenheit mit dem Spiel auf dem Rasen und zum anderen mit dem Dienstleistungskranz, welcher um das eigent­liche Kernprodukt angesiedelt ist. Es handelt sich somit um die Zu­frieden­heit des Kunden in allen Phasen des Konsumprozesses. Die voran­gehenden Über­legungen machen deutlich, daß das Vereins-Management ein hohes Interesse daran haben sollte, die Zufriedenheit des Zuschauers positiv zu beeinflussen. Ziel muß es sein, diejenigen Produktmerkmale zu lokalisieren, die einen besonderen Nutzen in den Augen des Zuschauers besitzen, d.h. besonders wichtig sind, wenn das Produkt „Fußballereignis“ nachgefragt wird. Mit der Um­setzung der ge­wonnenen Erkenntnisse über die Merkmalswichtigkeit soll die Zufriedenheit des Kunden und die damit verbundenen finanziellen und sportlichen Erfolge sicher­gestellt werden.

Ziel der vorliegenden Arbeit ist es, am Beispiel des Zweitligisten 1. FSV Mainz 05 das Gesamtprodukt^[13] „Fußballereignis Mainz 05“ aus Zuschauerperspektive zu be­schrei­ben und zu untersuchen. Es soll der Frage nachgegangen werden, was das Produkt „Fußballereignis Mainz 05“ eigentlich charakterisiert, indem die Beiträge einzelner Merkmale, wie z.B. Stimmung, Preis oder Publikumstyp zum Zustande­kommen eines Globalurteils ermittelt werden. Welche Einflußgrößen gibt es bei der Entscheidung, sich ein Fußballspiel des Mainz 05 anzusehen und wie sind diese je nach soziökonomischen Kriterien^[14] gewichtet? Welchen Nutzen ziehen Zuschau­er daraus, sich ein Spiel des Mainz 05 live im Stadion anzusehen? Die subjektive Nutzenbewertung verdeutlicht die Notwendigkeit einer Zuschauerseg­men­tierung, die im Rahmen dieser Arbeit auf Basis individueller Präferenz­strukturen^[15] durchge­führt werden soll, um geeignete Maßnahmen aus den Ergeb­nissen für die jeweili­gen Zuschauertypen ableiten zu können.

Um das Produkt „Fußballereignis Mainz 05“ als Gesamtprodukterlebnis (vgl. Thomas 1979, 199) zu erfassen und somit auf die relative Wichtigkeit der einzelnen Produkt­merkmale schließen zu können, soll das dekompositionelle multivariate Verfahren der Adaptiven Conjoint Analyse eingesetzt werden, das Auskunft über die individuelle Präferenz­struktur der Probanden gibt. Mit Hilfe der Analyseer­geb­nis­se soll die Frage nach einer zuschauergerechten Produktgestaltung beantwortet werden.

Die Betrachtung des Forschungsstandes bezieht sich zum einen auf den Bereich der Zuschauerforschung bei Sportveranstaltungen und zum anderen auf den Be­reich der markt­orien­tier­ten Produktgestaltung mittels Conjoint Analyse. Zu beiden Gebieten ist eine Vielzahl von Publikationen zu finden. Bei den Zuschauer­unter­su­chungen sind jedoch vor allem Darstellungen über aggressive Verhal­tens­weisen der Fußballfans diskutiert worden.^[16] Die Verbindung zwischen Zu­schauer, Sport und den Medien wurde von Stollenwerk (1996) untersucht und die Sozial­struktur des Zuschauers in Hinblick auf verschiedene Sportarten von Messing und Lames (1996). In Abhängigkeit des Sozialprofils verschiedener Zuschauergruppen un­ter­suchte Eichhorn (2000) das Image und Dienstleistungsangebot des 1. FSV Mainz 05.

Es gibt zwar eine große Zahl conjointanalytischer Studien,^[17] jedoch beschränkt sich der größte Teil auf die Konzeption neuer Gebrauchs- und Verbrauchsgüter bzw. auf die Modifikation bestehender Güter. Im Sportbereich findet die Methode nur all­mählich Einzug. Woratschek (2000) untersuchte die Preisbereitschaft für Dienst­leistungs­betriebe im Sportbereich mit Hilfe des Conjoint Measurements.

Untersuchungen zur Ermittlung zuschauerrelevanter Leistungen bei Sportveran­stal­tungen auf Basis eines dekompositionellen Verfahrens der Präferenzmessung gibt es in der Literatur nicht. Einzig die im Rahmen einer UFA-Studie erhobenen Wich­tig­keitsangaben in Bezug auf eine Stadiongestaltung konnten für den Fußball­be­reich recherchiert werden (vgl. UFA 2000, 82f.).^[18]

1.3 Vorgehensweise

Die vorliegende Arbeit ist in vier Kapitel untergliedert. Nach einer kurzen Einleitung in die Untersuchungsproblematik und Zielsetzung der Arbeit wird im zweiten Kapitel das Konzept der Conjoint Analyse vorgestellt. Um den Ansprüchen einer fächer­über­greifenden Arbeit zu genügen, wird im theoretischen Teil die Methode so dar­gestellt, daß die Grundgedanken des Verfahrens deutlich werden. Beachtung fin­den die Anwen­dungs­be­reiche und Grenzen des Verfahrens sowie die Ein­ordnung der Methode in die multivariaten Analyseverfahren. Nachdem der Ablauf und die verschiedenen Verfahrensvariationen der Conjoint Analyse betrachtet wurden, schließt sich im dritten Kaptitel der empirische Teil der Untersuchung an.

Darin sollen ausführlich die Entwicklung der Untersuchungsarbeit und der Ablauf des Untersuchungsprozesses vorgestellt werden. Nach Darstellung der Ergebnisse sollen einige Implikationen und kritische Anmerkungen zur Vorgehensweise in dieser Arbeit das dritte Kapitel beschließen. Auf eine detaillierte Verfahrens­dis­kussion wird im Rahmen dieser Arbeit verzichtet. Den Schluß bildet das vierte Kapitel, das die wesentlichen Aussagen der Arbeit zusammenfaßt.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 2: Struktur der Arbeit

Zweites Kapitel

2 Methodik: Konzept der Conjoint Analyse

2.1 Grundlagen der Conjoint Analyse

Um die Nutzen- und Präferenzstrukturen der Nachfrager zuverlässig und for­schungsökonomisch zu bestimmen, sind geeignete Marktforschungs­metho­den erforder­lich. Für die Messung der Akzeptanz von Produkten und der Präferenz ver­schiede­ner Produkteigenschaften, d.h. wie Konsumenten Produkt­eigenschaften be­züglich ihrer Möglichkeiten zur Bedürfnisbefriedigung beurteilen, stellt die Conjoint Ana­lyse^[19] ein geeignetes Instrument dar.

Das Verfahren ermittelt den Zu­sam­men­hang zwischen der Gesamtbewertung (Präferenz = abhängige Vari­abel) eines Pro­dukt­kon­zeptes und den Produkt­merk­ma­len (unabhängige Variabeln) auf Individualniveau^[20] (vgl. Backhaus u.a. 1996, 498). Es werden durch systematische Variation der vorher festgelegten Merkmale hypothetische Pro­dukt­konzepte – soge­nannte Stimuli^[21] – erzeugt (s. Abschnitt 2.2.2), die von Probanden bezüglich ihrer Vorziehenswürdigkeit zu bewerten sind. Auf Grundlage dieser Gesamt­präferenzurteile, die die Daten­basis der Conjoint Analyse darstellen, wird geschätzt, welchen Beitrag die einzelnen Eigenschaftsaus­prägungen jeweils zur Gesamt­be­wertung des Produktes leisten. Dies unterstellt die Annahme eines additiven^[22] Zustande­kommens des Gesamtnutzens aus den Teilnutzenwerten^[23]. „Dahinter verbirgt sich die (durchaus bezweifel­te) Vorstellung, daß sich die Wertschätzung eines Gutes (= 100%) additiv ergibt z.B. zu 30% aus dem Teilnutzen A, zu 45% aus dem von B und zu 25% aus dem Merkmal C“ (Berekoven/Eckert/Ellenrieder 1999, 280).

Das Ziel der Conjoint Analyse besteht somit darin, auf Basis von Globalurteilen den relativen Beitrag – sogenannte Teilnutzenwerte – der einzelnen, gestaltbaren Pro­dukt­merkmale zum Gesamtnutzen alternativer Objekte zu ermitteln, da es bei der Gestaltung von Objekten wichtig ist zu wissen, „welchen Beitrag verschiedene Komponenten zum Gesamtnutzen eines Objektes beitragen“ (Backhaus u.a. 1996, 497). Die Conjoint Analyse zählt demzufolge zu den dekompositionellen Verfahren^[24] der Präferenzmessung. Beispielsweise könnten die Teilnutzenwerte und die relative Wichtigkeit der jeweiligen Produktmerkmale eines Probanden wie folgt aussehen:

Tab. 1: Relative Wichtigkeit der Produktmerkmale und die Teilnutzenwerte der jeweiligen Merkmals­aus­prägungen eines fiktiven Beispiels

Abbildung in dieser Leseprobe nicht enthalten

Aufgrund einer Normierung lassen sich die Nutzenbereiche direkt miteinander ver­gleichen, so daß das Merkmal „monatlicher Beitrag“ als wichtigstes Merkmal für den Proban­den bei der Wahl eines Fitneßstudios ermittelt werden kann (vgl. Bauer/Herr­mann/Mengen 1994, 84; Herrmann 1998, 170;). Die relative Wichtig­keit wird be­stimmt, indem man die Differenz zwischen niedrigstem und höchstem Nut­zen­wert für jedes Produkt­merkmal errechnet und durch die Betragssumme dieser Dif­ferenzen dividiert. Infolge der er­mit­telten Teil­nutzenwerte können nun – zu­nächst theo­retisch – Pro­dukt­modi­fikation­en durchge­führt werden. Dabei wird – unter der An­nahme einer Entscheidungsregel – davon ausgegangen, daß jenes Pro­dukt­konzept mit dem höchsten Gesamtnutzenwert vom Käufer präferiert und letzt­end­lich auch nachgefragt wird (First-Choice-Regel; vgl. dazu Woratschek 2000, 84f.).^[25]

Die Besonderheit des dekompositionellen Verfahrens besteht darin, daß die Pro­banden durch die „ganz­heitliche" Vorgehensweise realitätsnähere Entscheidungen tref­fen (vgl. Büschken 1994, 73) als bei einer isolierten Beurteilung von Einzelmerk­malen,^[26] da „keine wechsel­seitigen Einflüsse (sog. Irradia­tionen, Interaktionsef­fek­te) auf das Ge­samt­produkt­erlebnis aufgedeckt werden“ (Lutz 1979, 199). Durch die Steigerung des Realitätsbezuges reduziert sich nach Schubert (1995, 379) auch die kognitive Be­las­tung der Probanden. Im Falle einer kompositionellen Vorgehens­weise ergibt sich neben der unberücksichtigten Interaktionseffekte ein weiterer Nach­teil: Realis­tischer­weise können keine Produkte entwickelt werden, die über al­le urteilsrele­vanten Merkmale nur positiv bewertete Ausprägungen auf­weisen.^[27] Im Rahmen der Conjoint Analyse müssen daher die Probanden zwischen positiven und negativen Aspekten der verschiedenen Ausprägungskonstellationen abwägen. Auf Ba­sis dieser Datengrundlage kann auf die Präferenzstruktur des Pro­banden ge­schlos­sen werden, aus der sich Implikationen für die Produktgestaltung ableiten las­sen.

2.1.1 Einordnung der Conjoint Analyse

Die Conjoint Analyse wird als eigenständige Methode unter den multivariaten Datenanalyseverfahren dargestellt und als struktur-prüfendes Verfahren zur Analyse von Abhängigkeiten einzelner Variablen (Dependenzanalyse) eingeordnet (vgl. Backhaus u.a. 1996, XXI). Da im Vorfeld die Produktmerkmale und ihre Ausprägungen bestimmt werden müssen, um das Erhebungsdesign zu spezi­fi­zieren, stellt die Conjoint Analyse „ eine Kombination aus Erhebungs- und Analyse­verfahren “ (ebd.) dar. Nach den Meßniveaus der unabhängigen Variablen läßt sich die Conjoint Analyse nicht näher abgrenzen, da sie jegliches Meßniveau aufweisen kann; die abhängige Variable wird häufig auf ordinalem Skalenniveau gemessen.

„Die Anfänge der Conjoint-Analyse gehen auf Arbeiten von Luce und Tukey (1964) im Gebiet der mathematischen Psychologie zurück“ (Balderjahn 1994, 13). Sie bezeichneten das Verfahren als Conjoint Measurement, dessen vielfältige Weiter­entwicklungen durch Grenn und Srinivason unter dem Begriff „Conjoint Analyse“ zusammengefaßt wurden (vgl. ebd.). „Darunter verstehen sie alle Verfahren, die es ermöglichen, dekompositionell aus den [...] Präferenzrangfolgen alternativer Pro­dukte [..] gültige [...] Präferenzwerte einzelner Merkmalsausprägungen [...] abzu­leiten“ (ebd.). Demnach „handelt es sich [...] nicht um eine einzige, geschlossene Methode, sondern um eine Ansammlung ähnlich gerichteter Ansätze, welche unter­schiedliche Stärken und Schwächen aufweisen“ (Teichert 1999, 473; s. auch Schubert 1995, 376). Eingesetzt wurde die Conjoint Analyse in der Marketing-Forschung erstmals Anfang der 70er Jahre durch Green und Rao (1971).^[28]

2.1.2 Anwendungsbereiche der Conjoint Analyse

Die praktischen Anwendungsgebiete der Conjoint Analyse erstrecken sich auf eine große Zahl unterschiedlicher Problemstellungen. Sowohl bei Marktforschungs­projek­ten für Konsumgüter als auch im Dienstleistungssektor^[29] findet die Conjoint Analyse vermehrt Anwendung (vgl. Balderjahn 1994, 13; Voeth/Hahn 1998, 119).

Sie kommt folglich zunehmend im Bereich der strategischen Planung zum Einsatz (vgl. Grenn/Srinivason 1990, 4) und dient zur Schätzung und Simulation von Produktpräfer­enzen, Preis-Absatz-Funktionen, Kaufwahrscheinlichkeiten, Marktan­teilen^[30] und Marktre­aktionen. „Es ist ein zentrales Verfahren der Wissenschaft und Praxis“ (Balderjahn 1994, 13). Anwendung findet es im Bereich der Produktgestal­tung, der Preispolitik, der Marksegmentierung und der Durchführung von Markt­szenarios und geht dabei bei­spiels­weise folgenden Fragestellungen nach:^[31]

- Produktpolitik: Welches Produkt bzw. welches Produktmerkmal wird vom Nachfrager gegenüber anderen präferiert?
- Preispolitik: Wieviel darf eine neue bzw. modifizierte Produkt­eigen­schaft in den Augen des Kunden kosten?^[32]
- Marktsegmentierung: Welche Produkteigenschaften vermitteln in den jeweiligen Marktsegmenten einen besonders hohen Nutzen?
- Marktszenarios: Welchen Einfluß übt ein Neuprodukt auf Markanteile der Konkurrenten aus?

2.1.3 Grenzen der Conjoint Analyse

Trotz der vielfältigen Anwendungsmöglichkeiten sind der Conjoint Analyse auch Gren­zen gesetzt (vgl. Voeth/Hahn 1998, 119f; Woratschek 2000, 92-95; Schu­bert 1995, 378-380). Um sämtliche Produktkombinationen des Beispiels aus Tabelle 1 zu berück­sichti­gen, müßten 52 Stimuli beurteilt werden. Eine solche Beur­teilungs­aufgabe stellt eine zu hohe An­forderung an den Probanden. Somit ist die Anzahl der Stimuli bei der traditionellen Conjoint Analyse beschränkt. Die maximale Anzahl wird von Backhaus u.a. (1996, 541) auf 20 und von Baier/Säu­berlich (1997, 951) auf 32 beziffert, d.h. der Einsatz der klassischen Conjoint Analyse ist nur dann sinnvoll, wenn die Anzahl der Merkmale und Merkmalsaus­prägungen relativ gering ist.^[33] Eine weitere Methodengrenze stellt das vorausge­setzte kompensatorische Verhältnis zwischen den einzelnen Merkmalsaus­prä­gungen dar (s. Abschnitt 2.2.1). Beispielsweise läßt eine generelle Abneigung gegen ausländische Fahrzeugtypen keine Kompensatorik zwischen einheimischen und ausländischen Fahrzeugtypen zu, so daß nur einheimische Fahrzeuge zur Be­ur­teilung in Frage kommen.

Vom Charakter her eignet sich das Conjoint-Verfahren für die Analyse rationaler Kauf­prozesse komplexer Güter, bei denen eine intensive Analyse und Bewertung der Kaufentscheidungskriterien durch den Nachfrager erfolgt. Weniger geeignet ist das Verfahren für Produkte, die sich durch eine habituelle oder impul­sive Kaufent­scheidung charakterisieren lassen, da tendenziell keine umfang­reichen kognitiven Informationsverarbeitungs- und Bewertungsprozesse stattfinden. Auf Märkten mit schnell wechselnden Rahmenbedingungen rechnet sich zumeist der hohe Me­thoden­aufwand im Hinblick auf den Nutzen der Ergebnisse nicht. Ferner ist die Stabilität der gemessenen Präferenzstruktur über die Zeit kritisch zu beurteilen.^[34] Bei der Anwendung der Conjoint Analyse ist weiterhin zu berücksichtigen, daß bei sehr innovativen Produkten potentielle Kunden aufgrund fehlender Konsumer­fahrungen keine konkreten Nutzenvorstellungen mit dem Produkt verbinden und somit die Nutzenwerte gering ausfallen.^[35]

2.1.4 Die Conjoint Analyse zur Parametrisierung von Präferenz­model­len

Die Conjoint Analyse stellt, wie bereits erwähnt, eine geeignete Methode dar, um Prä­ferenzen zu quantifizieren. Der Weg zur Präferenzbildung wird durch soge­nannte Präferenzmodelle beschrieben, die die Grundlage bei der Planung des Er­he­bungs­designs bilden (vgl. Schubert 1991, 200) und im folgenden kurz vorge­stellt werden sollen.

Die Gesamtpräferenz eines Produktangebots ergibt sich bei linear-additiven Model­len aus der Summe der Teil­präferenzbeträge der einzelnen Merkmalsaus­prä­gungen (vgl. Schubert 1991, 117). Um die Gesamtpräferenz erfassen zu können, sind zwei Modelle zu spezifi­zieren (vgl. ebd.; Reiners 1996, 54):

1. Das Präferenzmodell (= Nutzenfunktion)

2. Das Präferenzintegrationsmodell (= Nutzenintegrationsfunktion)

Das Präferenzmodell stellt den Zusammenhang zwischen der Merkmalsaus­prägung eines Objektes und dem subjektiv empfundenen Teilnutzen dieser Merk­mals­aus­prägung dar. Da sich die Objekte aus mehreren Merkmalen zusammen­setzten, stellt sich die Frage, wie die Teilnutzen der Attribute zu einem Gesamt­präferenzwert kom­bi­niert werden (vgl. ebd., 58). Diese Frage wird durch das Präferenzintegrations­modell beantwortet.

Präferenzmodell

Im Zusammenhang mit der Conjoint Analyse werden drei Präferenzmodelle zur Be­wer­tung von Merkmalsausprägungen angeführt (vgl. Green/Srinivasan 1990, 4f.):

- Lineares Vektormodell
- Idealpunktmodell
- Teilnutzenmodell

Abb. 3: Präferenzmodelle

Abbildung in dieser Leseprobe nicht enthalten

Quelle: In Anlehnung an WEISENFELD 1988, 25.

Beim linearen Vektormodell steigt bzw. sinkt der Nutzen monoton mit zunehmen­der Aus­prägung des Merkmals. Es wird folglich ein linearer Zusammenhang zwischen der Merkmalsprägung [A] und dem damit verbundenen Nutzen [U] unterstellt. Man kann davon ausgehen, daß beispielsweise das Merkmal „Sicher­heit eines Autos“ diesem Verlauf folgt.

Das Idealpunktmodell unterstellt ideale Merkmalsausprägungen. Es existiert dem­nach ein Punkt, der die nutzenmaximale Merkmalsausprägung widerspiegelt. Eine Über- oder Unterschreitung dieses Idealpunktes führt zu einer Nutzenminderung, wie z.B. der Zuckergehalt eines Fruchtgetränks.

Das Teilnutzenmodell umfaßt sowohl das lineare Vektormodell als auch das Ideal­punkt­modell (vgl. Reiners 1996, 56; Schubert 1991, 120). Für jede Merkmals­aus­prägung wird ein Teilnutzenwert ermittelt, so daß sich – im Gegensatz zu den bei­den anderen Modellen – kein bestimmter Funktionsverlauf ergibt. Hiermit wird der Auffassung Rechnung getragen, daß „für jede Merkmalsausprägung individuell unterschied­liche Präferenzwerte denkbar sind. Dies trifft vor allem für nominal­ska­lierte Merk­male zu“ (ebd.), wie z.B. für das Merkmal „Farbe“.

Die Wahl des geeigneten Präferenzmodells orientiert sich also an dem Beur­teilungs­kriterium und somit dem Funktionsverlauf der berücksichtigten Merkmale. Problema­tisch ist, daß in conjoint-analystischen Untersuchungen Merkmale mit unter­schied­lichen Funktionsverläufen auftreten, so daß weitestgehend das Teil­nutzen­modell Verwendung findet, da es sowohl das lineare Vektormodell als auch das Ideal­punkt­modell umfaßt. Über die Einsatzhäufigkeit gibt es laut Reiners keine Untersuchung (vgl. 1996, 57).^[36]

Präferenzintegrationsmodell

Alle drei Präferenzmodelle definieren ein Produkt als ein Bündel von mehreren Merkmalseigenschaften, wobei noch bestimmt werden muß, wie die einzelnen Teil­nutzenwerte zu einem Gesamtpräferenzwert kombiniert werden.^[37] Dabei unter­schei­det man kompensatorische und nicht-kompensatorische Modelle (vgl. Schubert 1991, 122-125).

Substitutionsbeziehungen zwischen den Merkmalsausprägungen treten bei nicht-kompensa­torischen Modelle nicht in Erscheinung. Demnach kann eine für den Käufer relevante Merkmalsausprägung nicht durch eine andere kompensiert werden, was zum Ausschluß des Produktes im Wahlentscheidungsprozeß führt. Zu den nicht-kompensatorischen Modellen gehört das konjunktive, disjunktive und das lexiko­graphische Modell (s. dazu ebd., 123f.).

„Nahezu alle Ansätze der Präferenzstrukturmodellierung verwenden kompensa­torische Präferenzintegrationsmodelle“ (Reiners 1996, 58; s. auch Schubert 1991, 124). Die Verbindung der Teilnutzenwerte kann mit kompensatorischen Modellen entweder additiv ^[38] oder multiplikativ hergestellt werden, wobei überwiegend das additive Integrationsmodell Anwendung findet (vgl. Reiners 1996, 58). Allen Model­len gemeinsam ist die Kompensationsfähigkeit der Merkmalsausprägungen. „Faßt man das Präferenzmodell und das Präferenzintegrationsmodell zusammen, entsteht das Präferenzstrukturmodell (PSM). Das am häufigsten verwendete PSM bei der CA ist das additive Teilnutzenwertmodell“ (ebd., 59).

2.2 Ablauf der Conjoint Analyse

Der Ablauf der Conjoint Analyse läßt sich in fünf Phasen einteilen:^[39]

Abbildung in dieser Leseprobe nicht enthalten

Abb. 4: Ablauf der Conjoint Analyse

Quelle: In Anlehnung an BACKHAUS u.a. 1996, 500.

Im folgenden sollen die einzelnen Phasen der Conjoint Analyse vorgestellt werden. Daran anschließend wird kurz auf die verschiedenen Formen der Conjoint Analyse eingegangen, wobei die Adaptive Conjoint Analyse als Verfahrenswahl der vor­liegenden Arbeit näher erläutert werden soll.

2.2.1 Identifikation der Merkmale und Merkmalsausprägungen

„Die Auswahl der Eigenschaften kristallisiert sich als einer der wichtigsten Schritte im Rahmen der Conjoint-Analyse heraus“ (Weisenfeld 1989, 161; s. auch Schu­bert 1991, 179). Wird ein wesentliches Merkmal bei der Beurteilung eines Gesamt­produktes nicht berücksichtigt, sind die abgelei­teten Ergebnisse nicht aussagefähig (vgl. Theuerkauf 1989, 1180).

In dieser ersten Phase der Conjoint Analyse müssen die einstellungs- und verhal­tensrelevanten Merkmale^[40] und Merkmalsausprägungen definiert werden. Dabei ist zu beachten, daß in Abhängigkeit von der Zielgruppe unterschiedliche Merkmale und Merkmalsausprägungen definiert werden müssen.

Merk­male sind ein Produkt kennzeichnende Eigenschaften (z.B. Motorleistung eines PKWs), deren Ausprägungen bestimmte Ausgestaltungsformen dieser Merk­male darstellen (z.B. 100 PS). Zur Identifikation der Merkmale und ihrer Aus­prägungen stehen ver­schiedene Er­hebungs­methoden zur Verfügungen: Direkte Verfahren (Grup­pen­diskus­sion und -interview, Expertengespräche, direkte Befra­gung, Brainstorming, wissenschaft­liche Arbeiten) und indirekte Verfahren (Methode des lauten Denkens, Tiefeninter­views, multidimensionale Skalierung).^[41]

In der Regel vollzieht sich die Lokalisierung der Attribute in zwei Schritten: Im ersten Schritt werden alle potentiell relevanten Merkmale ermittelt, die im zweiten Schritt auf die tatsächlich relevanten reduziert werden. Um einen erfolgver­sprechen­den Einsatz der Conjoint Analyse zu gewähr­leisten, ist es nötig, daß die Merkmale spezielle Anforderungen erfüllen; sie sollen sein:

- unabhängig, d.h. der Teilpräferenzwert einer Merkmalsausprägung soll nicht von einer anderen Merkmalsausprägung beeinflußt werden,^[42]
- begrenzt, d.h. aus forschungsökonomischen Gründen sollte sich die Anzahl der Merkmale und ihrer Ausprägungen auf wenige beschränken,^[43]
- kompensatorisch, d.h. die Eigenschaftsausprägungen müssen in einem kom­pen­satorischen Verhältnis stehen.^[44] Beispielsweise wird ein kleineres Zimmer durch einen geringeren Mitpreis kompensiert,
- relevant, d.h. es werden nur jene Attribute berücksichtigt, die einen Einfluß auf den Kaufentscheidungsprozeß haben,
- beeinflußbar, d.h. der Hersteller muß auf die Gestaltung der Objekteigen­schaften Einfluß nehmen können, da sonst die Ergebnisse der Conjoint Analyse nicht umzusetzen sind.

Im engen Zusammenhang mit der Kompensationsforderung steht das Postulat, daß die Merkmale bzw. deren Ausprägungen keine Ausschlußkriterien (K.O.-Kriterien) darstellen dürfen.

Wenn alle relevanten Merkmale bestimmt sind, werden die Merkmalsausprägungen festgelegt. Bei diskontinuierlichen Merkmalen (z.B. Farbe) wird nur die Anzahl der Ausprägungen festgelegt, während bei kontinuierlichen Merkmalen (z.B. Preis, Altersgruppe) sowohl die Spannweite als auch die konkreten Ausprägungen bestimmt werden müssen. Weiterhin ist zu beachten, daß die Probanden dasselbe Verständnis von den Merkmalen und deren Ausprägungen haben. Jedoch ist ein ein­heitliches Verständnis bei Kon­struktmerkmalen, wie z.B. „Geschmack“, schwie­rig zu ver­mitteln. Im Zusam­men­hang mit der Bestimmung der Merkmalsaus­prägung ist der soge­nannte number-of-levels-effect zu beachten, der „erstmals von Currim, Weinberg und Wittink (1981) thematisiert“ (Reiners 1996, 53) wurde (s. auch Wittink/Krish­namurthi/Reibstein 1990, 119-121). Hierbei handelt es sich um den Einfluß der Ausprägungsanzahl auf die Ergebnisse der relativen Wichtigkeit der Merkmale. Die Autoren stellten einen Anstieg der relativen Wichtigkeit des Pro­dukt­preises (7%) fest, der durch die Erhöhung der Merkmalsaus­prägung um zwei Stufen verursacht wurde. Eine eindeutige Erklärung für diesen Effekt ist bis dato noch strittig.^[45]

Die Auswahl der Attributsmenge und ihrer Ausprägungen ist folglich der Kernpunkt einer Conjoint Analyse, da sie Einfluß auf die Meßgüte und die Untersuchungs­ergebnisse hat.

2.2.2 Entwicklung des Erhebungsdesigns

Bei der Planung des Erhebungsdesigns sind Entscheidungen hinsichtlich der Er­hebungsform und der Anzahl der zu berücksichtigten Produktkonzepte zu treffen, d.h. welche Stimuli zur Präferenzmessung die Probanden beurteilen sollen.

Bestimmung der Erhebungsform

Mit der Wahl der Erhebungsform wird festgelegt, wie viele der Kombinations­möglich­keiten der Merkmalsausprägungen der Befragte beurteilen soll. Man unter­scheidet zwischen dem Profil- und dem Trade-off-Ansatz.^[46]

Beim Profil-Ansatz wird jede denkbare Ausprägungskombination berück­sichtigt, d.h. ein Stimulus setzt sich aus jeweils einer Ausprägung aller relevanten Produkt­merk­male zusammen. Bei diesem Verfahren muß der Proband alle Eigenschaften simultan heranziehen und alle Stimuli in eine Präferenzrangfolge bringen, was dem realen Kauf­verhalten am nächsten kommt. Durch die Steigerung des Realitätsbe­zuges reduziert sich die kognitive Belastung der Probanden, da das Produkt vollständig beschrieben wird, was sich positiv auf die Reliabilität und Vali­dität der Ergebnisse auswirkt (vgl. Schubert 1995, 379). Jedoch erhöht sich mit zu­nehmender Berücksichtigung mehrerer Merkmalskombinationen die Informa­tions­verarbeitungskomplexität. Somit steigt auch die zu erwartende Ermü­dungser­scheinung des Probanden, was sich wiederum negativ auf die Validität der Ergeb­nis­se auswirkt. Die Anzahl der zu berücksichtigenden Attribute bei der Full-Profile-Methode wird von Green und Srinivasan auf maximal sechs beziffert (1990, 8).

Beim Trade-off-Ansatz (Zwei-Faktor-Methode) werden zur Bildung eines Stimulus nur jeweils zwei Merkmale berücksichtigt. Die Idee dieses Verfahrens liegt darin begründet, daß die Probanden nur wenige Merkmale pro Beurteilung beachten müssen und somit eine Reihe von „einfachen“ Urteilen bilden können. Liegt die Merkmalsanzahl über sechs, dann sollte der Trade-off-Ansatz der Vollprofilmethode vorgezogen werden, um die kognitive Leistungsfähigkeit des Probanden nicht zu überfordern (vgl. Reiners 1996, 73f.). Der Vorteil der kognitiven Entlastung steht aller­dings dem Verlust des Realitätsbezuges gegenüber. Weiber und Rosendahl (1997, 108) weisen darauf hin, daß im Vergleich zur Profilmethode der Trade-Off-Ansatz in der Praxis nur eine geringe Bedeutung erlangte.^[47]

Die Wahl des geeigneten Verfahrens hängt dementsprechend vom Anspruch an die Befragten, dem Grad des Realitätsbezuges und dem Zeitaufwand ab (vgl. Backhaus u.a. 1996, 505). Da größtenteils der Realitätsbezug im Vordergrund der Untersuchungen steht, wird zumeist die Profil-Methode gewählt (vgl. Reiners 1996, 73), die zwar mit einem höheren Zeitaufwand verbunden ist, der allerdings durch eine repräsentative Aus­wahl aus allen möglichen Stimuli reduziert werden kann.

Ermittlung der Anzahl der zu berücksichtigenden Stimuli

Bereits vier Eigenschaften mit jeweils vier Ausprägungen ergeben 256 mögliche Stimuli, so daß ein vollständiges Design vom Probanden realistischerweise nicht beurteilt werden kann. Ziel ist es, mittels eines geeigneten mathematischen Verfahrens ein derart reduziertes Design zu bestimmen, daß das voll­ständige Design möglichst gut repräsentiert und die Teilnutzenwerte aller Eigen­schafts­ausprägungen geschätzt werden können. Man ermittelt folglich eine Teil­menge aus allen möglichen Produktkonzepten. Die Bestimmung der Teil­menge erfolgt in der Regel durch eine systematische Auswahl (vgl. ebd., 506). Falls alle Eigenschaften die gleiche Anzahl von Merkmalen aufweisen (symmetrisches Design), ergibt sich für die Ermittlung der Teilmenge eine einfachere Vor­gehensweise als bei einem asymmetrischen Design (vgl. ebd., 506; 522-524).

2.2.3 Bewertung der Stimuli

Diese Phase umfaßt die konkrete Datenerhebung, in der den Probanden hypo­the­tische Produktkonzepte vorgestellt werden. Die Vorlagen können in Form von verba­len Beschreibungen (z.B. bei Telefoninterviews), visuellen, physischen oder kom­bi­nier­ten Gestaltungsformen präsentiert werden. Um die Nutzenvorstel­lungen der Pro­banden zu erfassen, sollen Rangordnungen bezüglich der Stimuli erhoben werden. Dies kann direkt über das Ranking aller Stimuli erfolgen oder auch mittels Ableitung aus Paarvergleichen (vgl. Hüttner 1999, 345). Die Ranking-Metho­de empfiehlt sich bei einer geringeren Anzahl von Stimuli, die nach dem subjektiv empfundenen Nutzen in eine Rangfolge gebracht werden sollen. Bei einer größer­en Anzahl von Sti­muli sollte zunächst eine Grobeinteilung in Gruppen unter­schied­lichen Nutzens erfolgen, wie z.B. niedriger, mittlerer und hoher Nutzen (vgl. Backhaus u.a. 1996, 508). Bei der Ranking-Methode sind die Ergebnisse ordinalskaliert, was bei Bestimmung der Teilnutzenwerte zu einem bestimmten Schätz­verfahren führt (s. Tabelle 2).

Die mittels eines Rating-Verfahrens gewonnenen Daten sind streng genommen ordinalskaliert, werden jedoch als metrischskaliert interpretiert (vgl. Weiber/Rosen­dahl 1997, 108; Berekoven/Eckert/Ellenrieder 1999, 74), so daß die Auswahl der möglichen Schätzverfahren erweitert wird. Die Anforderung an die Auskunfts­personen sind beim Rating-Verfahren zwar höher, jedoch ergibt sich aus den metrisch interpretierbaren Daten ein zusätzlicher Informationsgehalt zur genaueren Berechung der Nutzenwerte.

2.2.4 Schätzung der Nutzenwerte

Mit Hilfe geeigneter Schätzalgorithmen^[48] werden die Teilnutzenwerte aller Merk­mals­aus­prägungen aufgrund der empirisch erhobenen Rangdaten geschätzt. „Dafür stehen verschiedene multivariate statistische Schätzverfahren zur Auswahl, deren Eignung vor allem vom Skalierungsverfahren der beobachteten abhängigen Präfe­renzvariablen abhängt“ (Theuerkauf 1989, 1183).

Tab. 2: Beispiele für Schätzalgorithmen und Software für Conjoint Analysen

Abbildung in dieser Leseprobe nicht enthalten

Quelle: In Anlehnung an Schubert 1995, 383.

Das OLSR-Verfahren (O rdinary L east S quare R egression) wird im deutschen Sprach­gebrauch als Methode der kleinsten Quadrate bezeichnet. Die Berechung der Teilpräferenzwerte ergibt sich, wie bereits erwähnt, aus den Beurteilungswerten der einzelnen Produktkonzepte durch den Probanden. Ziel ist es, die Teilpräferenz­werte so zu bestimmen, daß die geschätzten Präferenzwerte den tat­sächlichen Beurtei­lungs­werten möglichst nahe kommen. Demzufolge soll die Abwei­chung (Residuum) zwischen dem empirisch ermittelten Wert und dem prognos­tizierten Wert minimiert werden (vgl. Sawtooth Software 1994, G-1 - G-8).

Die Berechnung der Teilnutzenwerte dient zum einen als Basis für die Ermittlung der relativen Wichtigkeit der einzelnen Merkmale, d.h. welche Relevanz die Merk­male für die Entscheidungsfindung besitzen, und zum anderen als Grundlage zur Berechnung der Gesamt­nutzen­werte aller Stimuli.^[49]

2.2.5 Aggregation der Nutzenwerte

Die Werte der Conjoint Analyse liegen auf Individualniveau fest. Häufig ist man jedoch an der Nutzenstruktur einer Mehrzahl von Personen interessiert, wie etwa bei Produkten, die hohe Absatzzahlen am Markt realisieren sollen. Infolgedessen ist eine Aggregation^[50] der individuellen Ergebnisse erforderlich. Es ist zu beachten, daß jede Aggregation mit einem Verlust von Informationen einher geht. Daher ist zu überprüfen, „ob die aggregierten Nutzenstrukturen nicht allzu heterogen sind, da ansonsten wesentliche Informationen [...] verloren gehen würden“ (Backhaus u.a. 1996, 521). Mittels einer Clusteranalyse lassen sich im Fall einer Intraheterogenität homogene Cluster bilden.

2.3 Conjointanalytische Untersuchungsansätze

Hinter dem Begriff der Conjoint Analyse verbergen sich verschiedene Ansätze, die je nach Problemstellung und Anwendungsspektrum eingesetzt werden und unter­schiedliche Stärken und Schwächen aufweisen.^[51] In Abbildung 3 wird eine Glie­derungs­möglichkeit der wesentlichen Verfahren der Conjoint Analyse vorgestellt.^[52] Die beiden Verfahrenstypen der traditionellen Conjoint Analyse wurden bereits im Ab­schnitt 2.2.2 erläutert. Die anwendungsbezogenen Schwächen der tradi­tionel­len Conjoint Analyse (s. Abschnitt 2.1.3) haben zu einer Entwicklung ver­schie­den­er Ver­fahrensvarianten geführt, die im folgenden als „Neuere Ver­fahren“ be­zeichnet werden sollen. Ziel der „Neueren Verfahren“ ist zum einen, eine größere Anzahl von Merkmalen und Merkmalsausprägungen zu berück­sichtigen (Hybride, Adaptive und Hierarchische Conjoint Analyse), und zum anderen, eine Auswahl­ent­scheidung zu integrieren (Choice-Based Conjoint Analyse).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 5: Verfahren der Conjoint Analyse zur Erhebung von Präferenzurteilen

Quelle: In Anlehnung an Schubert 1995, 379.

* Zu den traditionellen Verfahren zählt Schubert noch den Logit/Probit-Ansatz, der von McFadden (1976) entwickelt wurde, dem jedoch in der Praxis keine weitere Bedeutung zukommt.

** Zu den „neueren“ Verfahren gehören weiterhin die Limit Conjoint Analyse (vgl. Voeth/Hahn 1998), die MaiK Conjoint Analyse (vgl. Köcher 1997), und die von Sawtooth Software entwickelte Conjoint Value Ana­lysis,^[53] auf die im Rahmen dieser Arbeit nicht weiter eingegangen werden soll.

2.3.1 Hybrid Conjoint Analyse

Wie bereits erwähnt, zieht man bei der traditionellen Conjoint Analyse von globalen Objekturteilen Rückschlüsse auf den Nutzenwert der einzelnen Eigen­schaften. Diese dekompositionelle Vorgehensweise verfährt somit in umgekehrter Richtung wie beispielsweise das kompositionelle Fishbein-Modell. Zu den Vorteilen der kompositionellen Ansätze zählen die geringen Anforderungen an den Pro­banden, da keine komplexen Informationsverarbeitungsprozesse bewältigt werden müssen, sowie die einfache Datenerhebung und -auswertung (vgl. Schubert 1991, 129; Weisenfeld 1989, 26f.). Neben dem Nachteil des mangelnden Realitätsbe­zuges bei der Objektbewertung, der fehlenden Berücksichtigung der Interaktion von Eigenschaften und der geringen Anzahl der zu berücksichtigenden Merkmale besteht weiterhin die Gefahr, daß unwichtige Attribute überbewertet werden (s. Abschnitt 2.1). Um die Vorteile der kompositionellen und dekompositionellen Vorgehensweise zu verbinden, bedient man sich einer Kombination aus beiden Ansätzen, der „Hybrid Conjoint Analyse“.^[54] Im Rahmen dieses Verfahrens geben die Probanden zunächst Urteile über einzelne Eigenschaften und nachfolgend über ganzheitliche Objekte ab. Aus der Verbindung beider Ergebnisse werden die Teilpräferenzwerte der einzelnen Merkmalsaus­prägungen für jeden Probanden geschätzt (vgl. Schubert 1995, 380; 1991, 149).^[55] Der Vorteil dieser Methode besteht darin, daß die Anzahl der zu beurteilenden Objekte reduziert werden kann, ohne für den Probanden relevante Merkmalskombi­na­tionen außer Acht zu lassen. Sie findet also häufig dort Anwendung, wo eine große Anzahl von Merkmalen und Probanden berücksichtigt werden muß und es einen Einfluß von Interaktionseffekten auf die Gesamtbeurteilung gibt. Nachteilig ist die relative große Anzahl von Stichproben, die zur Berechnung stabiler Präferenz­werte berücksichtig werden muß (vgl. Conrad 1997, 35).

2.3.2 Adaptive Conjoint Analyse

Auch die Adaptive Conjoint Analyse (ACA) stellt ein hybrides Modell dar. Das Verfahren wurde Mitte der achtziger Jahre entworfen (vgl. Johnson 1987) und seither mehr­fach weiterentwickelt. Das Besondere an dieser Methode ist, daß es sich durch eine vollständig indivi­dualisier­te, computergestützte, interaktive Befra­gung und Auswertung auszeichnet (vgl. Baier/Säuberlich 1997, 953; Hüttner 1999, 344f.). Der Terminus „adaptive“ bringt zum Ausdruck, daß das Verfahren in der Lage ist, sich dem individuellen Interviewverlauf des Probanden anzupassen. Durch das inter­aktive Vorgehen – mit sofortiger Eingabe der Antworten – werden bei jedem Schritt vor­her­gehende Ant­worten dazu verwendet, zu entscheiden, welche Frage als nächstes gestellt wird, um den Produktbeurteilungsprozeß im Hinblick auf individuell wichti­ge Merkmale zu analysieren und somit möglichst viele Informationen über die Präferenzen des Pro­ban­den zu erfahren. Die zur Ermittlung der Präferenzstruktur notwendigen Nutzen­werte werden im Interviewprozeß immer wieder neu geschätzt und jede Antwort wird dazu genutzt, mehr Informationen zu gewinnen. Neue Bewertungen werden nur „solange erhoben und zur Aktualisierung her­an­ge­zo­gen, bis weitere Bewertun­gen keine Änderungen der Auswertungser­gebnisse mehr bewirken“ (Baier/Säuber­lich 1997, 954).

Durch die Kombination einer kompositionellen und dekompositionellen Vor­gehens­weise wird – wie bei der Hybrid Conjoint Analyse – die Aufmerksamkeit auf die­jeni­gen Merkmale und deren Ausprägungen gerichtet, die vom Probanden als wichtig ein­gestuft wurden. Diese Verfahrensweise ermöglicht es, eine große An­zahl von Merkmalen und Merkmalsausprägungen zu berücksichtigen und effizient zu bear­beiten^[56]. Durch die Eliminierung von nicht akzeptierten Ausprägungen seitens des Pro­banden werden zudem die zu bewertenden Stimuli stark reduziert. Damit lassen sich die Prä­ferenzen – besonders für komplexe Produkte – genauer bestim­men, da die An­for­der­ungen an die Probanden nicht zu groß sind und somit eine geringere Anzahl von Reaktions­mustern bei der Stimulibewertung^[57] zu erwarten ist (vgl. Conrad 1997, 35). Die Entwicklung des Erhebungsdesigns erfolgt demzufolge durch ein der ACA-Software zugehöriges mathematisches Ver­fahren, um ein individuell reduziertes Design zu kon­struieren.

Die Wahl des Präferenz- und Präferenzintegrationsmodels ist bei den Systemen des adaptiven Ansatzes vorgegeben – so auch beim ACA-Software-Paket von Sawtooth Software. Das System ermittelt den Zusammen­hang zwischen Merkmals­aus­prägung und dem empfundenen Teilnutzen anhand des Teil­nutzen­modells und kombiniert die einzelnen Teilnutzenwerte der Attribute zu einem Gesamt­präferenz­wert mit Hilfe einer additiven Verknüpfungsfunktion. „Diese fehlenden Wahlmöglich­keiten schränken jedoch die Anwendbarkeit der Soft­ware­programme nicht wesent­lich ein, da auch bei Anwendung einer anderen Form der CA nur selten eine andere Präferenz- bzw. Verknüpfungsfunktion verwendet wird“ (Conrad 1997, 85).

Die ACA bedient sich einer Präsentationsform, die auf den Computerbildschirm beschränkt ist. Zwar ergibt sich mit dem neuen Modul-System Sensus Trade Off (Version 1.1^[58] ) die Möglichkeit, Graphiken und Töne und in das Design zu inte­grieren, um somit weitere Komponenten des Entscheidungsprozesses vermitteln zu können, doch sind „greifbare“ Produkterlebnisse und -erfahrungen, wie sie z.B. bei neuartigen Produkten notwendig sind, nicht möglich.

„Darüber hinaus sind in der Literatur immer wieder Zweifel an der Validität der Auswer­tungs­ergebnisse [...] geäußert worden (vgl. Agarwal/Grenn 1991; Green/Krie­ger/Abarwell 1991)“ (Baier/Säuberlich 1997, 954). Eine mög­liche Ur­sache sehen Baier und Säuberlich in der „Äquivalenz der Bewertungs­skalen des kompo­sitionellen und des dekompositionellen Befragungsteils [..]“ (ebd.). Reiners (1996, 131) spricht hingegen von Studien, die eine mindestens vergleichbare Validität des Ver­fahrens zur klassischen CA belegen. Die kritische Ausein­andersetzung soll je­doch nicht darüber hinweg täuschen, daß die ACA zu den leistungsfähigsten Markt­for­schungs­verfahren gehört (vgl. Schubert 1995, 380) und diese Art der Über­prüfungen sicherlich zu verbesserten Weiterentwicklungen führte und zukünftig führen wird.^[59]

Das von Sawtooth Software entwickelte Computer-Packet (ACA 4.0) bietet neben dem Ergebnis der Teilnutzenwerte auch die Möglichkeit, Marktsimulationen durch­zu­führen. Im Rahmen dieser „Wenn-dann-Szenarios“ werden die Nutzenwerte dazu verwendet, beispielsweise die Auswirkungen einer Preisveränderung auf die Präferenzstärke oder die Kaufwahrscheinlichkeit zu schätzen. Somit können auch Markanteile geschätzt werden (s. dazu Herrmann 1998, 174-180).

Die verschiedenen Abschnitte einer ACA-Studie können wie folgt beschrieben werden:^[60]

Abbildung in dieser Leseprobe nicht enthalten

Abb. 6: Interviewabschnitte einer ACA-Studie

2.3.2.1 Eliminierung von nicht akzeptierten Ausprägungen

Nach einer kurzen Einführung werden dem Probanden alle merkmals­charak­teri­sierenden Ausprägungen vorgestellt, mit der Aufforderung, diejenigen auszusor­tieren, die für ihn nicht akzeptabel sind. Diese Phase dient zur Datenreduzierung, d.h. Merkmalsausprägungen bzw. Merkmale, die für den Proban­den nicht in Frage kommen, werden an dieser Stelle eliminiert, so daß sie im weiteren Interviewverlauf keine Rolle mehr spielen. Somit wird die Interviewzeit verkürzt. Zu beachten ist jedoch, daß sich der Proband bewußt ist, daß einmal aussortierte Ausprägungen nicht mehr berücksichtigt werden können. Den elimi­nierten Ausprägungen ordnet das ACA-Programm einen sehr niedrigen Teilnutzen­wert zu, der vom Anwender auch selbst definiert werden kann. Welche Merkmals­aus­prägungen in welcher Reihenfolge (bewußt oder zufällig) vom Pro­ban­den zu beurteilen sind, entscheidet im Vorfeld der Anwender nach sachlogischen Kriterien.

2.3.2.2 Präferenzangabe der verbleibenden Ausprägungen

Um die Präferenzen innerhalb der Merkmalsausprägungen zu erfassen, folgt darauf für jedes Merkmal getrennt die Frage nach der Vorziehenswürdigkeit. Hierzu stellt das ACA-Programm zwei Antwortmodi zur Verfügung: das Ranking und das Rating. Bei der Rating-Methode gibt der Proband das Ausmaß der Präferenz für jede Merkmalsausprägung auf einer maximal neunstufigen Skala an. Für das Ranking-Verfahren genügt eine einfache Angabe der Präferenzrangfolge, was eine schnellere Durchführung ermöglicht. „But some researchers believe that rating provides better information“ (Sawtooth Software 1994, 3-31). Besitzt ein Merkmal eine a priori-Ordnung, wie beispielsweise der „Preis“, dann kann auf eine Präferenzan­gabe verzichtet werden, da davon auszugehen ist, daß ein an sich niedriger Preis dem höheren Preislevel vorgezogen wird.

2.3.2.3 „Most likelies“

Besitzt ein Merkmal mehr als fünf Ausprägungen, wird in der dritten Phase einer ACA-Studie der Proband aufgefordert, fünf Merkmale zu bestimmen, die für ihn wichtig sind. Die Angabe einer Reihenfolge ist dabei nicht nötig. „Most Likelies are important because a respondent’s ‘most likely’ levels of an attribute may not be the same as what is ‘most preferred’. For example, a lower-priced car may be preferred, but the respondent may be more likely to buy a car with a higher price” (ebd., 3-20). Ziel ist eine weitere Ausprägungsreduktion und eine genauere Schätzung der Teilnutzenwerte.

2.3.2.4 Bestimmung der Wichtigkeit der Ausprägungsunterschiede

Dieser Teil dient dazu, die Attributswichtigkeit zu erfassen. „Die relative Wichtigkeit eines Attributs wird dabei als die Differenz zwischen der am niedrigsten und am höchsten präferierten Attributsstufe definiert“ (Reiners 1996, 116). Aufgrund der Informationen aus den vorausgegangenen Befragungen werden also die meist präferierte und die am wenigsten präferierte Merkmalsausprägung gegenüberge­stellt. Der Proband wird gebeten, die Bedeutsamkeit des Unterschieds zwischen zwei Merkmalsausprägungen anhand einer monopolaren Skala mit verbaler Um­schreibung aller Antwortstufen (4) unter der Prämisse zu beurteilen, daß andere Produkt­merkmale identisch sind. Die so gewonnenen Informationen (Teilnutzen­werte) dienen als Grundlage für die folgenden Paarvergleiche.

2.3.2.5 Paarvergleiche – Beurteilung von Produktkonzepten

Die Beurteilung der Produktkonzepte stellt den eigentlichen Conjoint-Teil dar und dient zur Feinabstimmung der Nutzenschätzung. Das ACA-Programm kreiert entsprechend der bereits gegebenen Antworten jeweils zwei verschiedene Pro­duktkon­zepte, in denen positive und negative Merkmalsausprä­gungen mitein­ander kombiniert werden. Der Proband wird nun gefragt, welches der beiden Produkt­konzepte er wie stark präferiert und gibt diese Präferenzstärke auf einer neunstufi­gen Paarvergleichsskala an. Die Anzahl der auftretenden Konzept­merk­male werden durch den Anwender festgelegt (zwei bis fünf) und können im Laufe des Interviews variiert werden. Konzepte, die mit mehr Attributen beschrieben werden, haben den Vorteil, daß sie realistischer sind (externe Validität). Auch ist die statistische Schätzung mit mehreren Attributen effizienter. Allerdings sind die An­for­derungen an den Probanden höher. Es empfiehlt sich, mit zwei Attributen anzufangen und nicht mehr als drei zu wählen (vgl. Sawtooth Software 1994, 3-33). Ein wei­ter­es Kriterium ist die mit der Anzahl der Konzeptmerkmale ver­bundene Inter­view­dauer.

Das ACA-Programm berücksichtigt bei den trade-offs jeweils nur diejenigen Merk­mals­kombinationen, die einen ähnlichen Nutzen aufweisen, d.h. bei denen ein Informa­tions­bedarf zur Feinabstimmung der Nutzenschätzung besteht. Fragen, bei denen eine eindeutige Antwortrichtung vorhergesagt werden kann, sollen nicht gestellt werden, wie beispielsweise: „Was bevorzugen Sie? Eine 17,- DM-Steh­platzkarte mit einge­schränkter Sicht oder eine 13,- DM-Stehplatzkarte mit unein­ge­schränkter Sicht?“

2.3.2.6 Kaufwahrscheinlichkeiten

In der letzten Phase des Interviews wird der Proband nach der Kaufwahrscheinlich­keit von jeweils vier bis neun Produktkonzepten befragt, die zwischen zwei bis acht Ausprä­gungen aufweisen können. Die Kaufwahrscheinlichkeit wird in Prozent ange­geben und liegt zwischen 0-100. „Man beabsichtigt damit eine Antwort auf Verhält­nis­skalenniveau, nachdem eine geeignete Transformation Decken- und Bodenef­fek­te ausgeglichen hat“ (Reiners 1996, 120).

Diese Methode wird angewandt, um eine voll­ständige Präferenzreihe – von sehr unattraktiv bis sehr attraktiv – für den Probanden zu erstellen. Zuerst wird das Konzept vorgestellt, von dem man erwartet, daß es dem Probanden nicht zusagt. Als zweites folgt das Objekt mit dem geschätzten höchsten Nutzen, wobei beide Produkt­konzepte als Ankerpunkt für den Probanden dienen. Der Nutzen der weiteren Konzepte liegt zwischen diesen beiden Extremen. Dieses Verfahren ermit­telt die individuelle Präferenzstruktur des Probanden und wird auch als Kali­brierungs­konzept bezeichnet, um für jedes beliebige Objekt die Wahl- bzw. Kaufwahrschein­lichkeit prognostizieren zu können.

2.3.3 Choice-Based Conjoint Analyse

Im Rahmen der Choice-Based Conjoint Analyse^[61] werden dem Probanden gleich­zeitig mehrere Produktkonzepte (2-8) in ca. sechs bis zwölf Wahlsituationen präsentiert. Der Proband hat die Aufgabe, sich für eines der Konzepte oder die Option „Keine der aufgeführten Alternativen“ zu entscheiden. Diese Art der Datenerhebung entspricht dem realen Wahlverhalten – sozusagen der Entschei­dungs­situation vor dem Regal. Der elementare Unterschied zu der Adaptiven und Hybrid Conjoint Analyse besteht also darin, daß der Proband keine Präferenzurteile oder Kaufwahrscheinlichkeiten angibt, sondern Wahlentscheidungen, so daß die Auf­gaben­stellung für den Pro­ban­den unmittelbar verständlich ist. Die Datenanalyse erfolgt auf aggregiertem Niveau, so daß Interaktionseffekte zwischen den Produkt­merkmalen leicht zu messen sind. Dies führt allerdings dazu, daß keine individuellen Teilnutzenwerte ermittelt werden können und somit auch keine aposteriori benefit-Segmentierung. Die Anzahl der Merkmale ist bei der Choice-Based-Methode auf zehn beschränkt, was die Kom­plexi­tät der Beurteilungs­aufgabe für den Probanden reduziert. Folglich ist der Ein­satz dieser Methode dann sinnvoll, wenn eine geringe Anzahl von Produkteigen­schaften zu berücksichtigen, die Probandengruppe relativ homogen und mit Merk­mals­interaktionen zu rechen ist (vgl. Schubert 1995, 381; Weiber/Rosendahl 1997, 108f.).

2.3.4 Hierarchische Informationsintegrations-Conjoint Analyse

Bei der Hierarchischen Informationsintegrations-Conjoint Analyse (HICA) wird eine größere Anzahl von Merkmalen in mehrere Subsets aufgeteilt, um mit jeweils einer eigenständigen Conjoint Analyse die Präferenzstruktur zu bestimmen. Da die Para­meter der Conjoint Analyse intervallskaliert sind, können die Ergebnisse der Sub-Conjoint Analyse verknüpft werden, wenn jeweils ein Merkmal in mindestens einem weiteren Subset vorhanden ist (vgl. Reiners 1996, 107f.). „Die HICA ist ein vergleichsweise neuer Ansatz, der [...] von einer Gruppe um Louviere Mitte der achtziger eingeführt (Louviere, 1984)“ (ebd.) wurde. Der Präferenzbildungsprozeß wird als hierarchisch bezeichnet, da Objekte (z.B. Autos) zunächst innerhalb einer Conjoint Analyse hinsichtlich verschiedener Konstrukte (z.B. Qualität, Fahrkomfort) bewertet werden. Diese Konstrukte werden wiederum in weiteren Conjoint Analysen mittels Indikatoren (z.B. Qualität der Materialverarbeitung, Service­qualität) beurteilt.

„Die HICA ist seit ihrer Einführung außerhalb der Forschungsgruppe um Louviere kaum genutzt worden. Dies dürfte einerseits daran liegen, daß der Ansatz noch vergleichsweise jung ist. Den Hauptgrund sehen wir aber darin, daß andere Alternativen zur klassischen CA, die ebenfalls mit vielen Attributen umgehen können, einfacher zu handhaben sind“ (ebd., 110f.).

2.3.5 Fazit

Ist das Interview zeitlich länger, weil sehr viele Attribute berücksichtigt werden sollen, dann kann detailliert gefragt und ein Produkt somit relativ „vollständig“ be­schrieben werden. Nachteilig wirkt sich die hohe Anforderung an den Probanden aus, mit der Folge, daß die Interviewergebnisse nicht zuverlässig sind. Setzt man einen Interviewschwerpunkt, dann können nicht alle Attribute berücksichtigt wer­den. Die Anforderungen an den Probanden sind zwar gering, aber das Produkt kann nicht vollständig beschrieben werden, d.h. wiederum das Verfahren ist nicht reliabel. Das komplexe Produkt „Fußballereignis Mainz 05“ fordert ein Verfahren, daß einerseits eine hohe Anzahl von Merkmalen berücksichtigen kann, anderseits den Probanden nicht überfordert, indem das Untersuchungsdesign zu kompliziert ist oder das Interview zu lange dauert. Die HICA und die Hybrid Conjoint Analyse sind zwar in der Lage, mehrere Attribute zu berücksichtigen, es gibt jedoch keine spezielle Software, die eine einfache Handhabung (Erhebung und Aus­wertung) ermöglicht. Da die computergestützte Choice-Based Conjoint Analyse nur zehn Produktattribute berücksichtigen kann und deren Ergebnisse allein auf aggre­giertem Niveau vorliegen, kommt sie für die vorliegende Untersuchung nicht in Be­tracht. Basis für eine relativ einfache Untersuchungsdurchführung ist im Falle der ACA eine umfassende Softwarelösung, die vom Probanden „als vergleichsweise ange­nehm und interessant beurteilt“ (Reiners 1996, 131) wird. Im Gegensatz zu den anderen Conjoint-Ansätzen werden bei dem computer­gestützten Verfahren der ACA die Produktkonzepte erst aufgrund der interaktiven Vorgehensweise im Verlaufe des Interviews kreiert. Es erfolgt somit eine individuelle Interviewführung, die zum einen für den Probanden ansprechend ist und zum anderen für den Anwender die Möglichkeit bietet, komplexe Produkte zu untersuchen.

Zwar integriert die ACA keine Auswahlentscheidung in ihr Modell und bildet somit auch nicht die reale Wahlentscheidung ab, sie stellt jedoch im Falle der vor­liegenden Arbeit aus den genannten Gründen die „Methode der Wahl“ dar.

Drittes Kapitel

3 Empirische Anwendung – Einsatz der ACA zur zuschauer­orientierten Gestaltung des Produktes „Fuß­ball­ereignis Mainz 05“

3.1 Überblick über die Entwicklung der Untersuchungsarbeit

Nachfolgend soll überblicksartig die Untersuchungsentwicklung vorgestellt werden, deren einzelne Bestandteile im weiteren Verlauf noch detaillierter erläutert werden. Der Aufbau orientiert sich überwiegend an dem allgemeinen Ablaufmodell einer Markforschungsstudie von Nieschlag, Dichtl und Hörschgen (1997, 685).

3.1.1 Definitionsphase: Problemstellung und Zielsetzung

Ausgangspunkt der Untersuchung war auf Initiative des Verfassers ein Gespräch mit dem Geschäftsführer des 1. FSV Mainz 05, Herrn Kammerer, im September 1999. Es stellte sich die Frage, ob der Verein die wichtigsten Kriterien, die zu einem Stadionbesuch führen, kennt. Die Antwort auf diese Frage schien zunächst durch eine alte „Fußball-Binsenweisheit“ geklärt zu sein: „Nach verlorenem Spiel kommen das nächste Mal weniger Zuschauer, nach gewonnenem mehr bzw. gleich viele.“ Diese „These“ orientiert sich nach einem subjektiven Erfahrungswert einiger Ver­eins­mitglieder und scheint zunächst einleuchtend. Jedoch gibt es noch weitere Faktoren, die das „Fußballereignis Mainz 05“ in den Augen der Zuschauer attraktiv erscheinen lassen. Im Gespräch wurde deutlich, daß Informationen über die Struk­tur und die Bedürfnisse der Zuschauer notwendig sind, um die Einflußfaktoren eines Stadionbesuches bei Mainz 05 erfassen zu können. Diese wichtige Infor­mations­grundlage soll die Basis für weitere Entscheidungen des Vereins-Manage­ments sein.

In den darauffolgenden Wochen wurden der finanzielle und personelle Aufwand, die Möglichkeiten der Daten­erhebung, die Untersuchungs­ziele und die Vor­gehens­weise diskutiert und vorläufig festgelegt. Die endgültige Zusage seitens des Vereins zur Unterstützung der Untersuchung erfolgte Ende Januar 2000.

3.1.2 Designphase

Auf Grundlage der Untersuchungsdaten von Eichhorn (2000), die bei einer Zu­schauerbefragung (N=1274) am 20.9.98 während eines Heimspiels des Mainz 05 erfaßt wurden, ergab sich folgende Be­sucher­ver­teilung^[62]: Selbst­ständige/Ar­beit­neh­mer (63,5%), Schüler/Stu­denten/Auszubildende (27,4%), Ruheständler (4,7%), und Nicht-Erwerbstätige (0,5%).^[63] Aufgrund pro­gramm­tech­nischer Grenzen sollen die­jenigen Auskunfts­personen, die den größ­ten Zuschau­er­anteil im Stadion be­sitzen, in der vor­liegenden Untersuchung berück­sichtigt werden. Folglich be­schränkt sich der Kreis der Auskunftspersonen auf Selbst­ständi­ge, Arbeitnehmer, Schü­ler, Studen­ten und Auszubildende.

Da es mit dem gewählten Erhebungsinstrument (ACA System 4.0 von Sawtooth Software) nicht möglich ist, eine soziodemographische Segmen­tierung vorzu­neh­men, um mit nur einem ACA-Design unterschiedliche Personen­gruppen be­fragen zu können, erfolgte eine a priori-Segmentierung auf Basis der Preisbereit­schaft in zwei Gruppen. Die eine Gruppe bilden die Sel bstständigen und Ar beitnehmern (SEL/AR), die andere die S chüler, S tudenten und A uszubil­denden (SSA).^[64] Im Fal­le beider Gruppen sollen sowohl die derzeitigen als auch die potentiellen Zu­schauer des Mainz 05 angesprochen werden. Um dennoch soziodemogra­phische und auch psychographische Daten bei der Auswertung berücksichtigen zu können, wurde das ACA-Programm mit einem weiteren Software-Paket von Sawtooth Software namens Ci3 (Version 2.1) gekoppelt.^[65] Die somit zur Verfügung gestellten Daten wurden zur Segmentierung genutzt.

Die einge­schränk­te Betrachtung der Zuschauer des Mainz 05 erfolgte auch aus for­schungs­ökonomischen Gründen: Die Anzahl der zu berücksichtigenden Probanden beläuft sich bei der Auswertung einer ACA pro untersuchter Gruppe auf hundert, um gesicherte Ergebnis­se zu erhalten.^[66] Im Vorfeld der Untersuchung wurde beabsichtigt, pro Gruppe hundert Probanden zu befragen, was bei einer Berücksichtigung weiterer Zuschauer­seg­mente den Untersuchungsrahmen dieser Arbeit gesprengt hätte.

Bei der Spezifikation des Untersuchungsdesigns soll auf die Analyse von Dau­er­karten – ebenfalls aus Gründen der Erhebungsökonomie – verzichtet werden, da aufgrund einer separaten Preisstaffelung ein eigenständiges ACA-Design not­wen­dig wäre und somit wiederum eine bestimmte Anzahl von Probanden befragt wer­den müßten. Das ACA-Design berücksichtigt folglich nur den Kar­ten­typ „Einzelkarte“ mit den jeweiligen Preisstufen der SSA- und SEL/AR-Gruppe.

Als Erhebungsform wird eine Teilerhebung gewählt, wobei die Auswahl der Pro­banden innerhalb der beiden festgelegten Gruppen – bedingt durch Rekru­tie­rungs­schwierig­keiten – willkürlich erfolgte und somit nicht, bzw. höchstwahrscheinlich nicht repräsentativ ist.^[67]

Zur Überprüfung der Verständlichkeit des Interviews wurden mehrere Probedurch­läufe mit verschiedenen Personengruppen gemacht, so daß gewähr­leistet werden konnte, daß jeder Proband in der Lage sein würde, selbständig das Interview zu durch­laufen. Dagegen wurde auf die Durchführung eines systematischen Pretests ver­zichtet, da zur Beurteilung der Erhebungsergebnisse mindestens 30 Interviews (à ø25 Minuten) durchgeführt werden müssen.

Die Kosten^[68] der Untersuchung wurden im Vorfeld auf 1900,- DM geschätzt und werden voraussichtlich durch einen Sponsor (Media Markt) getragen.^[69]

3.1.3 Feldphase

Die Datenerhebung wurde im Zeit­raum vom 10. April bis 11. Mai 2000 in folgenden Ört­lichkeiten durchgeführt: In der Geschäftsstelle des Mainz 05, im Schloß-Gymna­sium Mainz, an der Johan­nes Gutenberg-Universität, in der Versammlungsstätte des Fanclubs „Catweazle“ aus Heides­heim, im Fan-Café des Mainz 05, bei Heimspielen im 05er-Stadion und im privaten Bereich. Insgesamt wurden 283 Inter­views durchgeführt, wobei der größte Teil von angeleiteten Helfern betreut wurde.

[...]

^[1] Das starke Fußballinteresse wird in den Bereichen des aktiven und passiven Fußballkonsums deutlich (vgl. UFA 2000, 34, 36, 78, 94). Mit weitem Abstand ist für 34% der Deutschen „Fußball“ die TV-Sportart Nr. 1. 33% schauen 1-2 mal in der Woche Fußball im Fernsehen, 8% fast täglich und 2% täglich. Aktiv Fußball spielen 30% der männlichen Bevölkerung (ab 14 Jahren) – sei es im Verein oder gelegentlich zum Vergnügen. 14% gaben an, in den letzten 12 Monaten min­destens einmal zu einem Fußballspiel der Ersten Bundesliga (Zweite Liga = 10%) ins Stadion ge­gan­gen zu sein; 16% gingen zwischen 2-5 mal und 5% mehr als 5 mal (Zweite Liga = 4% und 3%).

^[2] Für das Jahr 2000 gaben 78% der männlichen 31% der weiblichen Bevölkerung (Personen über 14 Jahre) an, fußballin­teres­siert zu sein. Das ergibt einen Gesamtanteil von 54% und wird lediglich von Leichtathletik mit 58% und Tennis mit 56% übertroffen (vgl. ebd. 34).

^[3] Die Angaben des DFB wurden dem Verfasser nach schriftlicher Anfrage telefonisch mitgeteilt. Aktuelle Zahlen konnten leider nicht bekanntgegeben werden.

^[4] Nach offiziellen Angaben waren es für die Saison 1999/2000 750 Millionen DM (IDW 1999, o.S.).

^[5] In der Saison 98/99 waren es bereits bis zu zwei Millionen Zuschauer (vgl. Freitag 1999, b2).

^[6] Nach Angaben des Geschäftsführers des Mainz 05 beläuft sich der Etat des Zweitligisten für die Saison 2000/2001 auf 16 Millionen DM. Das sind 4 Millionen DM mehr als in der Saison 98/99.

^[7] Allein der Pay-TV-Sender Premiere zahlte für die Fernsehrechte der Saison 1999/2000 150 Millionen DM; 100% mehr als zwei Jahre zuvor (vgl. IWD 1997; 1999, o.S.).

^[8] Die Zuschauerreinnahmen sind lediglich von 140 (97/98) auf 150 Millionen (99/00) gestiegen (ebd.).

^[9] Der IWD berichtet hingegen von einer gewissen Marktsättigung, wobei die Umsatzzahlen im Be­reich des Merchandising auf mehr als 100 Millionen geschätzt werden (99/00). Genaue Angaben sind aufgrund der Auskunftszurückhaltung der Vereine nicht zu machen (vgl. IWD 1999, o.S.).

^[10] Das Schema soll die grundlegenden Einflußfaktoren wiedergeben und hat somit keinen Anspruch auf Vollständigkeit.

^[11] Beim Nutzenbegriff handelt es sich um ein hypothetisches Konstrukt, das zur Erklärung realen Kaufverhaltens herangezogen wird (vgl. Teichert 1999, 473) und im folgenden als ein Indikator für eine subjektive empfundene Bedürfnisbefriedigung definiert werden soll (vgl. Büschken 1994, 72f.).

^[12] Diese Definition faßt den Produktbegriff bewußt sehr weit und schließt neben physischen Gegen­ständen auch Dienstleistungen ein. Somit stellt der Fußballverein ein Dienstleistungs­unter­nehmen mit aktivem Sportkonsum (Training) und passivem Sportkonsum dar, in dem das Pro­dukt „Fußball“ vom Zuschauer konsumiert wird (vgl. Woratschek 1999, 169).

^[13] Das Gesamtprodukt „Fußballereignis Mainz 05“ läßt sich aufgrund seiner Komplexität sicherlich nicht hundertprozentig erfassen. Im Rahmen dieser Arbeit sollen folglich unter dem Begriff „Gesamtprodukt“ die aus Zuschauersicht wesentlichen Produktparameter verstanden werden.

^[14] Zu den sozioökonomischen Kriterien zählt Freter (1992, 738) die soziale Schicht (Beruf, Einkommen, Bildung), den Familienlebenszyklus (Geschlecht, Alter, Familienstand) und die geographischen Kriterien (Wohnort, Region). Mit Ausnahme der geographischen Merkmale ent­spricht der Begriff den soziodemographischen Segmentierungskriterien (vgl. Berekoven/Eckert/El­len­rieder 1999, 250f.).

^[15] Es wird davon ausgegangen, daß die Bildung von Präferenzen einen wesentliche Einfluß auf die Kaufent­scheidung ausüben (vgl. Tscheulin 1992, 8). Die Präferenz läßt sich als ein „eindimen­sionaler Indikator, der das Ausmaß der Vorziehens­würdig­keit eines Beurteilungsobjektes für eine bestimmte Person während eines bestimmten Zeitraums zum Ausdruck bringt“(Böcker 1986, 556), definieren. Das Her­aus­bilden einer Präferenz für ein Objekt stellt somit das Ergebnis eines kognitiven Beurteilungspro­zes­ses dar und kommt durch den empfun­den­en Nutzen der Objektattribute zustande (vgl. Reines 1996, 10).

^[16] Siehe Franke 1991.

^[17] Eine Auswahl von Conjoint-Studien in Deutschland gibt Voeth/Hahn (1998, 120).

^[18] Siehe dazu Kapitel 3.2.5.2.

^[19] Neben dem Begriff der Conjoint Analyse werden in der Literatur die Termini Verbundanalyse, Verbundmessung und Konjunkte Analyse verwendet (vgl. Backhaus u.a. 1996, 497). Der Aus­druck Conjoint Measurement wird hier – wie meist auch (vgl. ebd.; Hüttner 1999, 340) – synonym mit Conjoint Analyse gesetzt (Eine gegenteilige Auffassung hinsichtlich der Begriffsver­wandtschaft vertritt Conrad 1997, 32f.).

^[20] Die auf Individualniveau gewonnenen Werte können aggregiert werden, um Aussagen über eine Mehrzahl von Personen treffen zu können (s. Abschnitt 2.2.5).

^[21] Gleichbedeutend für Kombination der Eigenschaftsausprägungen (vgl. Teichert 1999, 483; Back­haus u.a. 1996, 503), alternative Objekte (vgl. Weiber/Rosendahl 1997, 107) oder Produk­tent­würfe, Produktkonzepte (vgl. Conrad 1997, 44).

^[22] Neben dem additiven werden auch polynominale Ansätze diskutiert, die keinen linearen Zusam­men­hang zwischen den Teilnutzenwerten und dem Gesamtnutzenwerten unterstellen (vgl. Balderjahn 1992, zit. nach Bauer/Herrmann/Mengen 1994, 92).

^[23] Der Nutzen für eine spezielle Merkmalsausprägung soll als Teilnutzen definiert werden und synonym mit dem Begriff „Teilpräferenz“ verwendet werden.

^[24] Bei kompositionellen Verfahren wird hingegen auf Basis von merkmalsspezifischen Einzelurteilen auf das Gesamturteil geschlossen (vgl. Schubert 1991, 127-130). „In der Literatur werden die Modelle von Fishbein und Rosenberg am häufigsten erwähnt“ (ebd., 128).

^[25] Die First-Choice-Regel – auch Max-Utility-Choice-Regel genannt (vgl. Green/Srinivasan 1990, 14) – unterstellt einen deterministischen Zusammenhang zwischen dem ge­schätzten Nutzenwert und dem Kaufverhalten; zweit- oder drittplazierten Produkten räumt man keine Kauf­wahr­schein­lich­keit ein. Allerdings ist zu beachten, daß auch Produkte gewählt werden, die nicht dem Nutzenmaximum entsprechen, wie z.B. bei Kaufentschei­dungen, die unter Zeit­druck getroffen werden. Es wirken dementsprechend situative Einflüsse im Kaufent­scheidungs­prozeß, die nur schwer zu berücksichtigen sind. Um den zweit- oder drittplazierten Produkten Rechnung zu tra­gen, bietet sich die Verwendung einer stochastischen Entscheidungsregel an, die die Kaufwahr­schein­lichkeit für alle Produktkonzepte schätzt. Eine solche Entscheidungsregel wird als Bradley-Terry-Luce-Regel (vgl. ebd.; Herrmann 1990, 173f.) bzw. Attraktionsregel (vgl. Woratschek 2000, 84f.) bezeichnet.

^[26] Dies ist bei kompositionellen Verfahren der Fall.

^[27] Siehe dazu Abschnitt 3.2.5.2.

^[28] In der deutschen Marktforschungsliteratur wurde die Conjoint Analyse erstmals durch Thomas (1979) vorgestellt.

^[29] Zu den Einsatzmöglichkeiten der Conjoint Analyse im Dienstleistungsbereich siehe Woratschek 2000, 96-99.

^[30] Mit Hilfe der Conjoint Analyse ist es möglich, relevante Faktoren zur Steigerung des Markanteils zu lokalisieren. Um neben dem Marktanteil den Gewinn maximieren zu können, ist die Berück­sich­ti­gung der Kosten erforderlich. Bauer, Herrmann und Mengen (1994) haben eine Me­tho­de ent­wickelt (Coinjoint+COST), die neben den Teilnutzenwerten erstmals auch deren Kosten inte­griert.

^[31] In An­lehnung an Teichert 1999, 473.

^[32] Um den Nutzenunterschied zwischen Merkmalsausprägungen in Preisdifferenz auszu­drücken, muß der Preis als ein Attribut im Untersuchungsdesign berücksichtigt werden (vgl. Herrmann 1998, 171-174).

^[33] Zur Ermittlung der Anzahl der zu berücksichtigenden Stimuli im Falle eines reduzierten Designs siehe Abschnitt 2.2.2.

^[34] Neben der unter Umständen mangelnden Stabilität wird im Rahmen der Methoden­diskussion auch darauf hingewiesen, daß von der geschätzten Präferenzstruktur nicht in jedem Fall auf die konkrete Wahlentscheidung geschlossen werden kann (vgl. Voeth/Hahn 1998, 119). Ein Ver­fahren zur Erfassung der konkreten Wahlentscheidung stellt die Choice-Based Conjoint Analyse dar (s. Ab­schnitt 2.3.3).

^[35] Daneben stellt die Bestimmung der potentiellen Kunden bereits eine Schwierigkeit an sich dar. Diese müssen erst mittels intensiver Marktforschungen ermittelt werden.

^[36] Da die Adaptive Conjoint Analyse – als Methodenwahl dieser Untersuchung – nur Teilnutzen­mo­delle zuläßt und diese spezielle Form der Conjoint Analyse im kommerziellen Einsatz die populärste Form darstellt(vgl. Wittink 1994, 47), ist zu vermuten, daß das Teilnutzenmodell die anderen Modelle dominiert.

^[37] Zur Erörterung verschiedener Formen der Verknüpfungsfunktion siehe Böcker 1986, 558f.

^[38] Ist die Wirkung der Merkmalsausprägungen auf das Gesamturteil unabhängig voneinander, dann können die Teilnutzenwerte additiv miteinander verknüpft werden (vgl. hierzu Schubert 1991, 201-207).

^[39] Die Darstellung des Ablaufs einer Conjoint Analyse ist nicht einheitlich. Es finden sich in der Literatur verschiedene Ablaufformen (vgl. Weiber/Rosendahl 1997; 108; Weisenfeld 1989, 28; Schubert 1991, 154).

^[40] Synonym werden hier die Begriffe Attribute sowie Eigenschaften verwendet.

^[41] Um den Rahmen der vorliegenden Arbeit nicht zu sprengen, soll auf eine ausführliche Erläuter­ung der verschiedenen Verfahren verzichtet werden. Lediglich das Verfahren der Gruppen­dis­kus­sion, welches zur Bestimmung der relevanten Merkmale für die vorliegende Untersuchung einge­setzt wurde, soll näher erläutert werden (s. Abschnitt 3.2.1.1). Einen Überblick über die verschiedenen Verfahren geben Reines (1996, 36-42) und Schubert (1991, 181-185).

^[42] Ein Verstoß gegen diese Voraussetzung widerspricht dem additiven Modell der Conjoint Analyse. Um eine Unabhängigkeit der Merkmale zu gewährleisten, kann eine explorative Faktorenanalyse durchgeführt werden.

^[43] Laut Theuerkauf (1989, 1180) sind vier bis fünf Attribute empfehlenswert und maximal neun innerhalb einer Conjoint Analyse möglich, ohne daß die Probanden allzu schnell überfordert werden. Es gibt allerdings Weiterentwicklungen der Conjoint Analyse, die es ermöglichen, mehrere Merkmale bzw. Merkmalsausprägungen zu berücksichtigen (s. Abschnitt 2.3.), so daß diese Bedingung nur noch eingeschränkte Gültigkeit besitzt.

^[44] Es gibt allerdings auch Conjoint-Verfahren, die nicht-kompensatorische Verhältnisse im Unter­suchungs­design mit berücksichtigen können (s. Abschnitt 2.3).

^[45] Vgl. dazu Reiners 1996, 53f.

^[46] Diese beiden Verfahren gehören zu den dekompositionellen Verfahren der Conjoint Analyse.

^[47] Zur näheren Erläuterung des Trade-Off-Ansatzes siehe Reiners 1996, 69-74 und Backhaus u.a. 1996, 504f.

^[48] Die in Tabelle 2 aufgeführten Schätzverfahren und Software-Pakete sollen einen Überblick über die Thematik gegen. Auf eine Vertiefung der Schätzalgorithmen wird hingegen verzichtet. Lediglich die OLSR-Methode soll – als Schätzverfahren der für diese Unter­suchung verwendeten Adaptive Conjoint Analyse – kurz er­läutert werden.

^[49] Siehe Beispiel aus Tabelle 1.

^[50] Zur Aggregation der Nutzenwerte siehe Backhaus u.a. 1996, 518-521.

^[51] Ein Überblick über die Qualität der Verfahren Klassische Conjoint Analyse, Choice-Based, Hybrid, und Adaptive Conjoint Analyse in Abhängigkeit der Erhebungs-, Anwendungs- und Aus­wer­tungs­situation sowie der Erhebungsart wurde von Weiber und Rosendahl (1997, 116) ver­öffentlicht und ist im Anhang 2-1 dargestellt.

^[52] Weitere Gliederungsschemata s. Weiber/Rosendahl 1997, 109; Schubert 1991, 146.

^[53] Nähere Information: http://www.skim.nl/software/Ssd_CVA.html

^[54] Erste Ansätze gehen auf Grenn, Carroll und Goldberg (1981) und Grenn, Goldberg und Montemayor (1981) zurück.

^[55] Nähere Erläuterungen zum Thema Hybrid-Conjoint-Analyse finden sich im Überblicksartikel von Baier und Säuberlich (1997).

^[56] Das am weitesten verbreitete Software-System zur Durchführung einer ACA wurde von Sawtooth Soft­ware entwickelt und kann bis zu 30 Merkmale mit jeweils neun Ausprägungen berück­sichtigen.

^[57] Die Bewertung der einzelnen Stimuli erfolgt bei der ACA-Methode über eine Ratingskala – eine sogenannte Paarvergleichskala (s. Abschnitt 2.3.2.5).

^[58] Die noch nicht fertiggestellte 2.0 Version wird zusätzlich eine Video-Einspeisung ermöglichen.

^[59] Im folgenden soll auf eine detaillierte Diskussion über die Güte des ACA-Verfahrens verzichtet werden. Im Rahmen der vorliegenden Untersuchung wird ausschließlich Bezug auf die interne Validität genommen (s. Abschnitt 3.2.4.2), die das ACA-Programm – ausgedrückt durch einen sogenannten „correlation cutoff“ – am Ende der Datenerhebung angibt.

^[60] Zum leichteren Verständnis der einzelnen ACA-Phasen befindet sich die konkrete Ausgestaltung des Interview-Designs der vorliegenden Untersuchung im Anhang (s. Anhang 3-8).

^[61] Nähere Informationen über Entwicklung und Vorgehensweise des Verfahrens finden sich in der Veröffentlichung von Sawtooth Software (1995) „The CBC System for Choice‑ Based Conjoint Analysis“ (s. http://www.skim.nl/software/Ssd_Tech.html#cbctech).

^[62] Eigene Berechnungen auf Basis des Datenmaterials von Eichhorn.

^[63] Keine Angaben machten 3,9%.

^[64] Bei den Schülern, Studenten und Auszubildenden wurde eine ungefähr gleiche Preis­bereitschaft unterstellt und somit die Zusammenfassung zu einer Gruppe begründet.

^[65] Das Ci3-Software-Paket stellt ein computergestütztes Interviewverfahren dar, dessen Auswer­tung durch eine einfache Transformation der Rohdaten in ein geeignetes Statistikpro­gramm (z.B. SPSS) erfolgt. Eine manuelle Eingabe der Daten ist somit nicht mehr notwendig.

^[66] Diese Angabe entspricht einem Erfahrungswert, der dem Verfasser in Gesprächen mit Betreuern und weiteren verfahrensfirmen Personen unterbreitet wurde. Da im Rahmen der vorliegenden Ar­beit eine solche Gruppenstärke nicht gewährleistet werden kann (s. Abschnitt 3.2.4.2), sollen, um Ten­denz­aussagen treffen zu können, mindestens 30 Probanden pro Segment berücksichtigt werden.

^[67] Aufgrund der zu geringen Fallzahl (N=283) kann eine Repräsentativität fundiert auf dem „Gesetz der großen Zahl“ höchstwahrscheinlich ausgeschlossen werden.

^[68] Diese verteilen sich auf folgende Posten: Materialkosten (Computer-Equipment), Personalkosten (Helfer), Aufwandsentschädigung (Incentive-Angebote) und Catering-Kosten.

^[69] Die für die Durchführung der Interviews notwendigen Laptops wurden vom Media Markt freund­licher­weise zur Verfügung gestellt.