Conjoint Measurement:

Transkript

1 Conjoint Measurement: Eine Erfolgsgeschichte Das Ganze ist mehr als die Summe seiner Teile Leonhard Kehl Paul Green & Vithala Rao (1971) De-Kompositionelle Messung von Präferenzstrukturen aus Gesamt-Urteilen: Regressions-Analyse Experimentelles Design Conjoint-Analyse 1

2 Card Sorting Ranking- / Rating - Scale Kompositionelle vs Dekompositionelle Präferenzmessung Untersuchung von Busching und Steffens (1978): Das weibliche Schönheitsideal aus der Sicht der Männer 2

3 Miss Conjoint vs Miss Single Miss Conjoint: Kopf ist wichtiger Conclusio: Das Ganze ist mehr als die Summe seiner Teile Miss Single: Busen ist wichtiger Rich Johnson / Sawtooth Software (1983) ACA Adaptive Conjoint Analysis Computer-Interviewing ( < 30 Attribute) Selektion des relevant set Einzelmerkmals-Bewertung Bewertung der Merkmals-Wichtigkeit Conjoint Paarvergleich ( Rating-Skala ) Kauf-Wahrscheinlichkeit / Kalibrierung 3

4 Dan McFadden (1974) Discrete Choice Modeling Nutzen (U) = gewichtete (b) Summe aller Eigenschaften (x) U = b x + b x +... b x k k + ε Entscheidung für Produkt (A) Share A = exp( U A exp( U A) ) + exp( U ) +...exp( U B N ) Logit-Funktion JA NEIN Nobel-Preis für Dan McFadden (2000) 4

5 Kenneth Train im Gespräch mit Nobel-Preis-Träger Dan McFadden Jordan Louviere and George Woodworth (1983): Choice-Based-Conjoint Discrete Choice + Experimental Design: Inferenzmöglichkeit zu neuen Merkmalen und Szenarien 5

6 Focus: Marketing A B Heterogenität? C D Chikago Academics Arnold Zellner Peter Lenk Robert McCulloch 6

7 Thomas Bayes ( ) Bayes Theorem P( A i B) = P( B Ai ) P( Ai ) P ( B A i ) P ( A i ) P(A B) : a-posteriori-wahrscheinlichkeit P(B A) : Wahrscheinlichkeit für ein Ereignis B unter der Bedingung dass A eingetreten ist P(A) : a-priori-wahrscheinlichkeit für ein Ereignis A P(B)= ΣP(B A)*P(A) : Gesetz der totalen Wahrscheinlichkeit Bayesian Statistic Frequentist: P(Ereignis Ursache) Erlaubt Umkehrung von Schlußfolgerungen Bayesian: P(Ursache Ereignis) Posterior Probabilities are proportional to Likelihoods times Prior 7

8 Markov Chain Monte Carlo Gibbs Sampler: Distribution Generator joint distribution: X,Y? Hierarchical Model for Conjoint Analysis Obere Hierarchie Individuelle Parameter Teil einer multivariaten Normalverteilung Beta=N(a,C) P=exp(U)/sum[exp(U_i)] U=sum(Beta_i) Untere Hierarchie Logit-Model 8

9 Markov Chain Monte Carlo - Konvergenz Average Respondent Part-Worths Iterations/20 Choice-Based-Conjoint / Hierarchical Bayes Pros: Individuelle id Parameterschätzung Bessere, genauere Prognosefähigkeit Komplexere Modelle Cons: o Höherer Aufwand für Modell-Erstellung o Längere Computer-Laufzeiten o mehr Kunst in der Wissenschaft notwendig 9

10 Volumetric - Conjoint Menu-Choice 10

11 Menu-Choice-Simulation Menu-Choice-Price-Response 1,90 3,90 5,90 7,90 3,9% 2,0% 0,7% 0,2% 11

12 Shelf-Display - Conjoint Shelf-Display - Conjoint 12

13 Build-Your-Own-Product - Analysis Build-Your-Own-Product - Analysis 13

14 BYOP: Item-Funneling/Selection 2nd Step BYOP: Item-Funneling/Selection 3rd Step... 14

15 Case: Customer Satisfaction Zielsetzung Hypothese: Die klassische Rating-Skala kann wertvolle Informationen liefern; wegen zugrundeliegender Inferioritäten sind solche Daten jedoch kritisch. Der alternative Weg im Conjoint-Approach ist stärker. 15

16 Case: Customer Satisfaction Case: Customer Satisfaction Mobilfunkanbieter ganz allgemein A1 Mobilkom T-Mobile One Telering 1 - sehr zufrieden 20.8% 34.3% 30.6% 28.6% % 51.4% 53.1% 47.1% 29.2% 14.3% 14.3% 15.7% 3.1%.0%.0% 7.1% 5 - völlig unzufrieden 2.1%.0% 2.0% 1.4% 16

17 Case: Customer Satisfaction Customer Satisfaction - Rating Scale 5 Völlig unzufrieden Average Rating sehr zufrieden A1 T-mobile One telering Probleme völlig unzufrieden 5 4 high end user Q2 3 2 middle-of-the-road-user sehr zufrieden fi low end user sehr zufrieden Q1 völlig unzufrieden 17

18 Bayesian Statistics and Marketing Rossi Allenby - McCulloch Case Study: Overcoming Scale Usage Heterogenity Computing: Open Source Software R, package bayesm Best- / Worst Conjoint MaxDiff-Scaling Task 1... n: Best Worst Item 1 Item 2 Item 3 Design-Wheel: min. 15i 1,5 18

19 Case: Customer Satisfaction MaxDiff-Scaling Case: Customer Satisfaction MCMC Burn-in Used for estimation 19

20 Case: Customer Satisfaction Upper Level Lower Level Case: Customer Satisfaction MaxDiff-Scaling A1 T-mobile One telering 0 20

21 Pros & Cons MaxDiff liefert ähnlichen Überblick wie Rating-Skala, hat aber wesentliche bessere Diskriminierungsfähigkeit MaxDiff-Daten sind metrisch und können für weitere Analysen einwandfrei verwendet werden Respondenten müssen für jedes Merkmal eine klare Für-/Gegen-Entscheidung treffen Respondenten werden stärker herausgefordert Anzahl der Merkmale aus befragungs-psychologischen Gründen nicht ohne Grenzen Conjoint - Future Data Fusion Agent Based Modeling Reason-why-Models... and much more knowledge 21

22 Bayes Rules Choice in Marketing! 22