Methodik der Befragung

Das MaxDiff-Verfahren

Das MaxDiff-Verfahren (Maximum difference scaling oder auch Best-worst scaling) ist eine Methode zur Messung von Präferenzen, die, ähnlich einem Paarvergleich, verschiedene Eigenschaften einander gegenüberstellt und von den Befragten eine entsprechende Entscheidung abverlangt. Im Verlauf von mehreren Entscheidungssituationen sollen die Probanden dabei jeweils individuell wählen, welche Eigenschaftsausprägung sie im vorliegenden Set am besten und welche am schlechtesten bewerten. Dadurch lässt sich eine aggregierte Präferenzordnung mit entsprechenden Nutzenwerten ermitteln und durch Anwendung weiterer mathematischer Methoden (wie der Latent Class Analyse) auch individuelle Nutzenwerte und Segmente der Teilnehmer bestimmen. Dabei besticht gerade diese Methode dadurch, dass sie, im Vergleich zu anderen indirekten Verfahren der Präferenzmessung, nur einen relativ niedrigen kognitiven Aufwand bei der Beantwortung erfordert und auch weniger Einschränkungen hinsichtlich der verwendbaren Eigenschaften und Ausprägungen unterliegt, was sie zu einem idealen Instrument für unsere Forschungsarbeit macht. Mit Hilfe dieses Verfahrens werden in einer Befragung von Kunden der Stadtwerke Münster die Präferenzen und Segmente möglicher CrowdStrom-Anbieterkunden ermittelt, was einen wesentlichen Erfolgsfaktor für die Umsetzung und Ausgestaltung des dazugehörigen Geschäftsmodells darstellt.

Die Conjoint-Analyse

Bei der Conjoint-Analyse handelt es sich um ein Instrument zur Analyse von Präferenzstrukturen (Backhaus et al. 2013, S. 174). Sie kann zu den dekompositionellen Verfahren gezählt werden. Bei diesen Verfahren werden die Produkte in Gänze beurteilt (CONsidered JOINTly) und die Beurteilung einzelner Komponenten wird mit Hilfe analytischer Verfahren abgeleitet (Backhaus et al. 2013, S. 174). Die Conjoint-Analyse findet seit den 1970ern Anwendung (Green/Rao 1971) und hat seitdem unterschiedliche Varianten herausgebildet (für einen Überblick siehe bspw. Orme 2010). Die hier angewandte Version ist die Choice-Based Conjoint-Analyse (CBCA). Diese stellt eine Mischung aus der traditionellen Conjoint-Analyse und discrete choice-Modellen dar (Backhaus/Voeth 2003). Durch die Nutzung der discrete choice-Modelle (siehe bspw. Louviere/Woodworth 1983) wird die Präferenzstruktur nicht mehr direkt abgefragt, sondern indirekt durch die Analyse von Auswahlentscheidungen beobachtet (Backhaus et al. 2013, S. 174). Den Probanden wird mehrmals nacheinander eine Auswahlsituation vorgelegt in der sie sich für eine Alternative entscheiden sollen, die sie zum Kauf heranziehen würden. Dieses Vorgehen weist einen hohen Grad an Realitätsnähe auf, da es den Entscheidungsprozess bei einem Kauf imitiert. Der Realitätsgrad kann durch die Einbeziehung einer None-Option noch erhöht werden kann (Orme 2010, S. 20). Mit dieser Option wird dem Probanden die Möglichkeit eröffnet, ein gesamtes Set von Alternativen als unattraktiv zu deklarieren. Der erhöhte Realitätsgrad geht jedoch mit einem Nachteil einher: Das Datenniveau bei der CBCA ist binär (kauf=1/nicht-kauf=0), was in einem erhöhten Bedarf an Beobachtungen resultiert. Hierdurch reichen die Informationen eines einzelnen Probanden in der Regel nicht aus (mehr als 100 beobachtete Auswahlentscheidungen; Molharta 1983, S. 333), um eine Aussage über dessen individuelle Präferenzstruktur zu tätigen. Es ist also nur eine aggregierte Betrachtung möglich, die aber eine homogene Präferenzstruktur voraussetzt. Allerdings sind homogene Präferenzstrukturen in der Realität selten zu finden. Um im Rahmen der CBCA einer heterogenen Präferenzstruktur Rechnung zu tragen, bedarf es weiterer Methoden wie bspw. der latenten Klassenanalyse (DeSabro et al. 1992) und des Hierarchical-Bayes-Ansatzes (Allenby/Ginter 1995). Diese können u. A. genutzt werden, um potenzielle Nutzergruppen von CrowdStrom zu identifizieren und das Angebot entsprechend anzupassen. Welche der Methoden ihren Einsatz findet, hängt von der finalen Datenlage ab.

Die Theory of Reasoned Action und die Theory of Planned Behavior

In der Literatur existieren drei elementare Modelle zur Erklärung von Kundenakzeptanz.  Die Theory of Reasoned Action (TRA) wird diesbezüglich als Grundlagenmodell angesehen, das im Forschungsverlauf um die Theory of Planned Behavior (TPB) und das Technology Acceptance Model (TAM) erweitert wurde. Im Folgenden soll zunächst die TRA sowie die TBP vorgestellt werden. Letztere dient als Grundlage der im Rahmen von CrowdStrom durchgeführten Studie zur Akzeptanzbildung.

Die von Ajzen/Fishbein (1975) entwickelte Theory of Reasoned Action ist eines der einflussreichsten wissenschaftlichen Modelle zur Erklärung von menschlichem Verhalten und wird v. a. in der Konsumentenforschung angewendet. Die zentrale Annahme des Modells ist, dass das bewusste Verhalten einer Person durch die Verhaltensabsicht determiniert wird. Diese wird wiederum durch die Einstellung gegenüber des genannten Verhaltens sowie der subjektiven Norm bestimmt. Die Einstellung einer Person ergibt sich aus den wahrgenommen Konsequenzen einer Handlung und der persönlichen Bewertung dieser Konsequenzen.  Die subjektive Norm basiert auf der Wahrnehmung, dass Mitmenschen, die der Person wichtig sind, ein bestimmtes Verhalten von ihr erwarten.  Die beiden Konstrukte Einstellung und subjektive Norm werden somit ausschließlich durch persönliche Einschätzungen und Meinungen bestimmt.  Etwaigen externen Einflüssen wird lediglich ein indirekter Einfluss zugeschrieben. Die hier zugrundeliegende Annahme, dass das menschliche Verhalten vernunftbestimmt und vollkommen rational ist, stellt einen wesentlichen Kritikpunkt der TRA dar. So kann das Modell keine Situationen erklären, in welchen Individuen keine vollständige Kontrolle über ihr eigenes Verhalten besitzen, z. B. wenn bestimmte Fähigkeiten oder Ressourcen für eine bestimmte Handlung notwendig sind.

Dieser Kritikpunkt wird mit der Theory of Planned Behavior aufgegriffen, die Ajzen (1985) und Ajzen (1991) auf der TRA aufbaut. Dem Variablenkonstrukt der TRA wird dabei die wahrgenommene Verhaltenskontrolle hinzugefügt, die als zusätzliche Determinante auf die Verhaltensabsicht sowie das tatsächliche Verhalten wirkt.  Die neue Variable beschreibt die individuelle Wahrnehmung, wie einfach oder schwierig die Ausführung eines zuvor geplanten Verhaltens mit den gegebenen persönlichen Ressourcen und Möglichkeiten ist.  Im Vergleich zur TRA führt die TPB daher besonders in jenen Situationen zu einem höheren Erklärungsgehalt, in denen bestimmte Voraussetzungen für die Ausführung einer Handlung notwendig sind (z. B. spezielle Fähigkeiten) und somit die individuelle Verhaltensentscheidung beeinflussen.

Die zwei vorgestellten Modelle aggregieren mehrere voneinander unabhängig entwickelte Theorien zu einer einheitlichen und empirisch validierten Variablenstruktur.  Durch die explizite Definition und Operationalisierung der Modellvariablen fungieren die Modelle außerdem als Ausgangspunkt für diverse empirische Arbeiten zur Untersuchung menschlichen Verhaltens.  Darüber hinaus bilden die TRA und die TPB kein in sich geschlossenes System und können folglich durch relevante Einflussvariablen erweitert werden.  Dies wurde im Rahmen des CrowdStrom Forschungsprojektes erfolgreich umgesetzt, sodass Erkenntnisse über die Kundenakzeptanz des CrowdStrom Konzeptes generiert werden konnten.