Zahlungsbereitschaften

Allgemeines

Durch die Unterstützung der Stadtwerke Münster konnte für die Studie zur Zahlungsbereitschaft im Zeitraum vom 25.10.2014 bis 12.11.2014 ein N von 470 (nach Bereinigung von Ausreißern) erreicht werden. Bei der Erstellung und Auswertung der Conjoint-Studie die Software der Firma Sawtooth zum Einsatz, welche uns im Rahmen eines Software-Stipendiums kostenlos zur Verfügung gestellt wurde. (http://www.sawtoothsoftware.com/academics/grants/grant-recipients/242-cb...) Hierfür möchten wir uns an dieser Stelle noch einmal bedanken.

Methodik

Bei der Conjointanlayse 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 Conjointanalyse 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 Conjointanalyse (CBCA). Diese stellt eine Mischung aus der traditionellen Conjointanalyse 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 dem 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 nötig; 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 Hierarical-Bayes-Ansatzes (Allenby/Ginter 1995). Diese können u. A. genutzt werden, um potenzielle Nutzergruppen von CrowdStrom zu identifizieren und das Angebot entsprechend anzupassen. Nach der Analyse der Präferenzstrukturen, können in einem Folgeschritt die Zahlungsbereitschaften für gegebene Produktkonstellationen ermittelt werden.

Ergebnisse

Mit Hilfe der Befragung konnten wichtige Erkenntnisse über die Kundensegmente und die jeweiligen Zahlungsbereitschaften gewonnen werden. Die Ergebnisse boten wichtigen Input für die Erstellung des Geschäftsmodells. Auf eine weiterführende Ergebnisdarstellung soll hier verzichtet werden, da eine wissenschaftliche Verwertung angestrebt wird.

Literatur

Allenby, M./ Ginter, J. L. (1995): Using Extremes to Design Products and Segment Markets, Journal of Marketing Research, Vol. 32 (4), S. 392-403.

Backhaus, K./ Erichson, B./ Weiber, R. (2013): Fortgeschrittene Multivariate Analysemethoden – Eine anwendungsorientiere Einführung, 2. Aufl., Springer Gabler, Berlin et al.

Backhaus, K./ Voeth, M. (2003): Limit Conjoint Analysis, The Marketing Center Muenster Scientific Discussion Paper Series, Nr. 2, Münster.

DeSabro, W. S./ Wedel, M./Vriens, M./ Ramaswamy, V. (1992): Latent Class Metric Conjoint Analysis, Marketing Letters, Vol. 3 (3), S. 273-288.

Green, P. E. / Rao, V. R. (1971): Conjoint Measurement for Quantifying Judgmental Data, Journal of Marketing Research, Vol. 8 (3), S. 355-363.

Louviere, J. J./ Woodworth, G. (1983): Design and Analysis of Simulated Consumer Choice or Allocation Experiments: An Approach Based on Aggregate Data, Journal of Marketing Research, Vol. 20 (4), S. 350-367.

Malhotra, N. K. (1983): A Comparison of the Predictive Validity of Procedures for Analyzing Binary Data, Journal of Business and Statistics, Vol. 1 (4), S. 326-336.

Orme, B. K. (2010): Getting started with Conjoint Analysis – Strategies for Product Design and Pricing Research, 2nd Ed., Research Publishers LLC, Madison (WI).