Präferenzanalysen Conjoint & Co
Research Support Das Institut für angewandte Datenanalyse unterstützt Marktforscher in Instituten und Unternehmen mit maßgeschneiderten Dienstleistungen und Softwareprodukten. Wir nennen das Research Support. Präferenzanalysen: Verfahren im Überblick Klassische Conjoint Analyse (KCA) 5 Adaptive Conjoint Analyse (ACA) 6 Choice Based Conjoint (CBC) 7 Adaptive Choice Based Conjoint (ACBC) 8 HIT Conjoint 9 IfaD liefert integrierte Produkte aus den Bereichen Data Support Datenerfassung, Tabellierung, Codier-Service, Datenbanken Software Befragung, Reporting, Panel, Codierung CIS Services Fragebogen-Scripting, Hosting, Projektmanagement und last but not least Data Sciences Multivariate und Präferenzanalysen Menu Based Choice (MBC) 10 Paired Comparisons 11 Multistage Designs 12 Analytic Hierarchy Process (AHP) 13 Maximum Difference Scaling (MaxDiff) 14 Marktsimulationen mit Conjointdaten (MASIM) 15 Conjoint und TURF Analysen (G/TURF) 16
Institut für angewandte Datenanalyse - der Name ist Programm IfaD steht seit mehr als 30 Jahren im Wortsinne für angewandte Datenanalyse. Wissenschaftlich fundierte Verfahren werden für die praktischen Anforderungen des Marktforschungs-Alltags nutzbar gemacht. Zu den Ansprüchen von IfaD gehört dabei, immer State of the Art zu sein. Sobald bestehende Verfahren an ihre Grenzen stoßen, wird methodisches Neuland erschlossen. Die bewährten klassischen Verfahren der empirischen Sozialwissenschaften gehören genauso zum Repertoire von IfaD wie die in immer schnellerer Folge erscheinenden neuartigen Analyse-Methoden. Zu letzteren zählen vor allem Verfahren zur Präferenzmessung angeführt von den vielfältigen und leistungsfähigen Conjoint-Varianten. 3
Conjoints und IfaD: eine untrennbare Verbindung Conjoint der Blick in die Zukunft Nahezu seit seiner Gründung gehören Conjoint- Analysen zum Leistungsspektrum von IfaD. Der Anspruch, Data Sciences auf höchstem Niveau zu betreiben, erfordert es, ständig neue Verfahren zu adaptieren und wo nötig eigene Varianten zu entwickeln. Das gilt auch und vor allem im Bereich der Präferenzmessung. Heute werden bei IfaD jährlich 60 bis 80 Conjoint- Projekte aus nahezu allen Branchen durchgeführt. Die Integration der Conjoint-Befragungsmodule in das eigene Interviewsystem CIS ermöglicht eine einzigartige Flexibilität und Leistungsfähigkeit. Stärker als bei den klassischen Verfahren wie Regressions- und Diskriminanzanalysen gehört es zum Konzept der modernen Präferenzanalysen, einen Blick auf etwas zu ermöglichen, was es noch gar nicht gibt ganz ohne Glaskugel. Neben der Erfolgsgeschichte des Conjoint, das mit seinen vielen Varianten seit den 80er-Jahren die Analyse-Landschaft revolutioniert hat, werden nachfolgend auch verwandte Analysemethoden wie MaxDiff Scaling, Analytic Hierarchy Process und das Menu Based Choice-Verfahren vorgestellt. 4
KCA Klassische Conjoint Analyse Blick zurück nach vorn Zu Zeiten, als die Nutzung von Computern für Befragungen noch ein exotischer Luxus ist, entsteht eine Analyseform, die durch ihre Aussagekraft und Effizienz besticht. Auf der Basis von Bewertungen ganzheitlicher Konzepte werden Präferenzaussagen hinsichtlich ihrer Einzelbestandteile ermittelt. Nur mit einem Stapel weniger Kärtchen, auf denen Produkte beschrieben sind, oder im Idealfall mit einigen realen Prototypen und einem Bogen Papier lassen sich die verborgenen Wünsche der Befragten aufdecken. Lediglich eine Rangreihung dieser Muster ist nötig. Bis heute hat diese klassische Variante nichts an Wirksamkeit verloren. Ganz im Gegenteil: Die moderne Computer-Technologie bietet neue Möglichkeiten zur Nutzung dieses konsequent ganzheitlichen Verfahrens. 5
ACA Adaptive Conjoint Analyse Genug ist nie genug So oder ähnlich könnte das Motto der Entwickler der Adaptiven Conjoint Analyse sein, die mit zunehmender Verbreitung der Computer-Technologie Interaktion in die Präferenzmessung bringt. Um eine höhere Informationsdichte zu erreichen, wird der ganzheitliche Ansatz verlassen. Separate Abfragen zu den einzelnen Komponenten von Angeboten führen schneller zum Ziel. In der letzten Phase einer Befragung werden die Einzelbestandteile wieder gemeinsam bewertet. So können bei gleicher Befragungszeit umfangreichere Conjoint-Modelle untersucht werden. 6
CBC Choice Based Conjoint Back to the roots Nach vielen Jahren der Kompromisse ermöglichen immer leistungsfähigere Computer, das Entscheidungsverhalten auch bei umfangreicheren Modellen wieder aus ganzheitlichen Bewertungen abzuleiten. Nur der Beste gewinnt das ist der Grundsatz des Choice Based Conjoint. So wie sich der Konsument in der realen Kaufsituation nur für seine präferierte Variante entscheidet und nicht z.b. ein bisschen für Fahrzeug A und vielleicht ein bisschen mehr für Fahrzeug B, trifft er bei diesem Verfahren in jeder Aufgabe eine eindeutige Wahl für ein komplettes Produkt. Zu Recht ist dieses Verfahren auch heute noch der Königsweg vieler Aufgabenstellungen. 7
ACBC Adaptive Choice Based Conjoint Build your own Um sich den Ansprüchen des Verbrauchers gezielter zu nähern, wird er zunächst einfach und direkt danach gefragt. Die so gewonnene Information ist Basis für die folgenden Phasen der Adaptiven Choice Based Conjoint Analyse. Damit ist sie wie die Adaptive Conjoint Analyse ein Hybrid-Verfahren fokussiert allerdings nicht so sehr auf die Einzelkomponenten und stellt den Befragten mehr in den Mittelpunkt. Das macht die Befragung für ihn spannender und erhöht die Informationsdichte. Bei Stichproben gleicher Größe können dadurch im Vergleich zum Choice Based Conjoint genauere Ergebnisse erzielt werden allerdings um den Preis längerer Befragungszeiten. 8
HIT Conjoint Der Mix macht s Kein reines Conjoint aber der Hit, wenn man bei einzelnen Merkmalen viele Ausprägungen in den Griff bekommen muss: das Hybrid Individualized Two-Level Conjoint. Die Anzahl der Ausprägungen je Merkmal stellt ein Grundproblem in Conjoint-Designs dar. Viele Ausprägungen verringern die Ergebnis-Stabilität es sei denn, man kann die Anzahl der Interviews im notwendigen Maße erhöhen. Unterschiedlich viele Ausprägungen je Merkmal führen zu Verzerrungen der Merkmalswichtigkeiten. Das HIT Conjoint kombiniert einen Conjoint-Ansatz mit konventionellen Ratings. Je Merkmal werden zwei Ankerpunkte als Ausprägungen konstruiert. Der Rest wird mit Likert-Skalen (trifft weniger/stärker zu) abgefragt. So können mit wenig Befragungsaufwand umfangreiche Präferenz-Strukturen ermittelt werden. 9
MBC Menu Based Choice Zurück zu den Einzelteilen Conjoint ist das geeignete Verfahren, wenn es um die Auswahl von Produkten als Ganzes geht. Ein Shampoo, ein Fernsehgerät oder eine Pauschalreise kann man sich im Allgemeinen nicht zusammenstellen, vielmehr wählt man seine präferierte Variante aus der Palette der verfügbaren Angebote. Anders ist das bei Fahrzeugen oder Menüs im Restaurant. Hier sind die Kombinationsmöglichkeiten vielfältig und eine First Choice zwischen vordefinierten Produkten spiegelt die Realität nicht wirklich wider. MBC funktioniert ähnlich wie ein Konfigurator und gibt dem Befragten die Möglichkeit, in einem vordefinierten Rahmen sein individuelles Wunschkonzept zu komponieren. 10
Paired Comparisons Pur und einfach Als abgespeckte Variante der Adaptiven Conjoint Analyse bieten Paired Comparisons die grundlegenden Vorzüge eines reinen Conjoint- Ansatzes. Es werden nur ganzheitliche Konzepte bewertet ohne Fokussierung auf Einzelmerkmale. Der besondere Vorteil liegt in der sehr einfachen Abfragetechnik: Mehrfach werden je zwei Konzepte miteinander verglichen. Der Befragte gibt seine gestufte Präferenz für eines der beiden ab. Trotz der Minimalisierung des Abfrageprozesses werden Ergebnisse von sehr hoher Aussagekraft erzielt. 11
Multistage Designs Conjoint ohne Grenzen Auch wenn Conjoint Analysen hinsichtlich ihrer Effizienz bestechen, stoßen sie im Hinblick auf die Anzahl analysierbarer Merkmale gelegentlich an ihre Grenzen. Durch eine Kombination mehrerer Conjoint-Designs lassen sich auch umfangreichere Listen von Bewertungskriterien in den Griff bekommen. Sets von 40 solcher Merkmale und mehr können dadurch analysiert werden. Lediglich die notwendige Befragungszeit begrenzt die Möglichkeiten dieses Ansatzes. 12
AHP Analytic Hierarchy Process Kleine Häppchen Anders als beim Conjoint, werden hier Einzelaspekte bewertet. Der paarweise Vergleich je zweier Kriterien (z.b. Merkmale oder Ausprägungen) stellt geringere kognitive Anforderungen an den Befragten als die ganzheitliche und vergleichende Bewertung vollständiger Produkte. Er führt dennoch zu gleichartigen Präferenz-Aussagen und ermöglicht dadurch auch die Simulation fiktiver Szenarien. Darüber hinaus sind Bewertungen von Kriterien auf mehreren Hierarchie- Ebenen möglich. Zu bedenken ist allerdings, dass es sich hierbei um einen kompositionellen also nicht ganzheitlichen Ansatz handelt. 13
Max Diff Maximum Difference Scaling Vergleichen leicht gemacht Auf Basis einer sehr einfachen Abfragetechnik werden zuverlässige Präferenzaussagen bezüglich einer Liste von Bewertungskriterien geliefert. So einfach wie die Abfragetechnik so einfach ist die Interpretierbarkeit der Ergebnisse. Das Verfahren liefert dabei Ergebnisse auf dem höchsten aller Skalen-Niveaus, nämlich auf dem Relativskalen-Niveau. Aussagen wie A ist dem Befragten doppelt so wichtig wie B sind dadurch möglich. Wie alle zuvor beschriebenen Ansätze liefert auch das MaxDiff Ergebnisse auf Fallebene und unter weitgehender Ausschaltung kultureller Einflüsse. Im Gegensatz zu den anderen Verfahren lassen sich damit jedoch nur eindimensionale Strukturen analysieren. 14
MASIM Marktsimulationen mit Conjoint-Daten Marktsimulationen sind ein wichtiger Baustein von Conjoint-Studien. Sie nutzen die individuellen (also fallspezifischen) Präferenzstrukturen der Befragten, die sich aus der Analyse ergeben. Diese bieten die Grundlage für detaillierte Berechnungen des Kaufverhaltens innerhalb der Zielgruppe. Macht man es richtig, bieten Marktsimulationen mit Conjoint-Daten eine effiziente Möglichkeit, einen Blick in die Zukunft zu werfen. Sie können Was wäre, wenn -Fragen beantworten und erlauben somit auf sehr ökonomische Art, Marketingmaßnahmen zu optimieren. Das Online-Tool MASIM von IfaD ermöglicht dies auf wirkungsvolle und komfortable Weise. Es enthält alle wichtigen Features für die Durchführung und Organisation von Simulationsprojekten und lässt sich auch ohne tiefgreifende Methodenkenntnisse und langwierige Einarbeitung anwenden. 15
G/TURF Conjoint und TURF Analysen Typische TURF-Aufgaben in der Marktforschungs-Praxis sind die Ermittlung einer optimalen Produktlinie, Identifikation der absatzstärksten Produktkombinationen und der Support bei Repositionierungen. Mit G/TURF hat IfaD ein Tool entwickelt, das durch einen extrem effizienten Berechnungsalgorithmus auch sehr große Sets von Alternativen zuverlässig analysiert. Dadurch ist es erstmals möglich, aus der nahezu unendlichen Vielzahl von Kombinationsmöglichkeiten, die sich häufig aufgrund eines Conjoint-Modells ergeben, optimale Produktportfolios abzuleiten. 16
Institut für angewandte Datenanalyse GmbH Uhlandstraße 68 22087 Hamburg +49 40 25 17 13 0 www.ifad.de Geschäftsführer: Martin Cyrus Ansprechpartner Data Sciences: Johannes Lüken +49 40 25 17 13 22 jlueken@ifad.de ifad.de