A B C D E F G H I J K L M N O P Q R S T U V W X Y Z
wirtschaftslexikon wirtschaftslexikon
 
Wirtschaftslexikon Wirtschaftslexikon

 

wirtschaftslexikon online lexikon wirtschaftslexikon
   
 
     
wirtschaftslexikon    
   
    betriebswirtschaft
     
 
x

Conjoint-Analyse


Inhaltsübersicht
I. Gegenstand und Zielsetzung
II. Verfahrensgrundlagen
III. Ablauf einer Conjoint-Analyse
IV. Bedeutung für das Marketing

I. Gegenstand und Zielsetzung


Unter dem Begriff der Conjoint-Analyse wird eine Reihe von multivariaten Untersuchungsansätzen zusammengefasst, die auf unterschiedlichen Wegen versuchen, den Zusammenhang zwischen der Gesamtbeurteilung von Objekten und den sie definierenden Objektmerkmalen zu bestimmen (Green, P. E./Srinivasan, V. 1978). Die Conjoint-Analyse gehört somit zu den dekompositionellen Verfahren der Einstellungs- und Präferenzmessung und wird allgemein den dependenzanalytischen multivarianten Datenanalysemethoden zugerechnet. Die größte praktische Relevanz hat die Conjoint-Analyse als Verfahren der Präferenzmessung bei der Konzeptentwicklung für neue oder modifizierte Produkte. In der klassischen Form der Conjoint-Analyse (Profil-Ansatz) werden die Ausprägungen a priori festgelegter Konzeptmerkmale systematisch miteinander kombiniert und den Auskunftspersonen (Apn.) als ganzheitliche Produktkonzepte zur Bildung einer Präferenzrangreihe vorgelegt. Das Ziel der Conjoint-Analyse besteht nun darin, aus diesen globalen Präferenzurteilen über Produktkonzepte (Stimuli) die partiellen Beiträge (Teilpräferenzwerte, Teilnutzenwerte) der einzelnen Merkmalsausprägungen für das Zustandekommen der globalen Präferenzurteile zu bestimmen.
Aus Marketingsicht lassen sich die Untersuchungsziele beim Einsatz der Conjoint-Analyse mit der Beantwortung folgender Fragen charakterisieren:
Welche Produktmerkmale beeinflussen die Präferenz, und wie wichtig ist jedes Merkmal für die Präferenzbildung der Konsumenten?
Hinsichtlich welcher Produktmerkmale bzw. Merkmalsausprägungen können Kompromisse (trade-offs) beobachtet werden?
Welche Kombination(en) von Merkmalsausprägungen wird (werden) besonders präferiert?
Existieren heterogene Präferenzstrukturen, sodass Konsumenten mit homogenen Präferenzstrukturen zu sinnvollen Marktsegmenten zusammengefasst werden können (Benfitsegmentierung)?
Wie sind die Marktchancen innovativer Produktkonzepte einzuschätzen?

II. Verfahrensgrundlagen


Die theoretische Basis für die Erklärung von Produktpräferenzen und deren Operationalisierung mittels Conjoint-Analyse liefern multiattributive Präferenzmodelle (Böcker, F. 1986). Diese gehen von der Annahme aus, dass sich die Gesamtpräferenz für alternative Produkte aus den Teilpräferenzbeiträgen einzelner Produktmerkmale zusammensetzt. Dabei hat das linear-additive Teilwertmodell für den Einsatz der Conjoint-Analyse die größte Bedeutung (Thomas, L. 1979). Das Teilwertmodell basiert auf der in vielen Fällen sehr realistischen Vorstellung, dass die Präferenzwirkung der Ausprägungen eines Merkmals nicht in einer bestimmten Richtung verläuft, sondern für jede Merkmalsausprägung individuell unterschiedliche Präferenzwerte denkbar sind. Dies trifft v.a. für nominalskalierte Merkmale zu (z.B. Produktfarbe). Dieses Modell enthält weiterhin die Annahme, dass der Beurteilungsprozess kompensatorisch verläuft. Kompensatorische Modelle gehen davon aus, dass alle Konzeptmerkmale in den Beurteilungsprozess einbezogen werden und dass sie gegenseitig substituierbar sind, d.h. die negative Beurteilung einer Merkmalsausprägung kann durch positive Eindrücke bei anderen Merkmalen kompensiert werden. Bei der Conjoint-Analyse wird aus erhebungstechnischen und forschungsökonomischen Gründen i.d.R. von einer linear-additiven Verknüpfung der Teilpräferenzwerte ausgegangen. Damit wird unterstellt, dass sich die Gesamtpräferenz eines Produktkonzeptes aus der Summe der Teilpräferenzen über die einzelnen Konzeptmerkmale ergibt. Für den Einsatz der Conjoint-Analyse leitet sich daraus die Forderung ab, dass die einzelnen Merkmalsausprägungen ihre Wirkung auf die Gesamtpräferenz unabhängig voneinander entfalten müssen. Das bedeutet, dass zwischen den Konzeptmerkmalen keine Interaktionen bestehen dürfen (Green, P. E./Srinivasan, V. 1978).

III. Ablauf einer Conjoint-Analyse


1. Auswahl der Merkmale und deren Ausprägungen


Die wichtigsten Voraussetzungen für die Anwendung der Conjoint-Analyse sind eine sachgerechte Auswahl der beurteilungsrelevanten Konzeptmerkmale und die Festlegung der Merkmalsausprägungen. Sowohl die Anzahl als auch die Art der Konzeptmerkmale beeinflussen die Gestaltung des Erhebungsdesigns einer Conjoint-Analyse. Vor allem hängt von ihnen die Validität und Reliabilität der Ergebnisse ab. Einerseits werden mit steigender Merkmalsanzahl die Konzeptbeschreibungen realistischer, was sich positiv auf die Validität auswirkt, auf der anderen Seite führt dies sehr häufig zu einer Überforderung der Apn., da die Anzahl der zu beurteilenden Stimuli stark ansteigt. Dadurch wird wiederum die Reliabilität der Ergebnisse beeinträchtigt. Die Merkmale und Merkmalsausprägungen sollten aus Sicht der Apn. beurteilungsrelevant, vom Hersteller beeinflussbar und – zumindest langfristig – auch realisierbar sein (Schubert, B. 1991).
Conjoint-Analyse
Abb. 1: Merkmale und Merkmalsausprägungen am Beispiel einer Conjoint-Analyse für die Entwicklung eines neuen Früchte-Müslis
Im Folgenden werden einzelne Aspekte einer Conjoint-Analyse am Beispiel der Konzeptentwicklung für ein neues Früchte-Müsli veranschaulicht.
Konzeptmerkmale können in Form verbaler Beschreibungen als subjektive Nutzenmerkmale (benefits) formuliert werden (z.B. »besonders knusprig«) oder aber als objektive (physische) Produkteigenschaften (characteristics) dargestellt werden, indem die konkrete Eigenschaft, die den versprochenen Nutzen bewirken soll, zur Beurteilung vorliegt (z.B. die Angabe: mit Cornflakes). Häufig werden bei der Formulierung der Konzeptmerkmale subjektive Nutzenmerkmale mit objektiven Produkteigenschaften kombiniert (z.B. »besonders knusprig [mit Cornflakes]«).
Die Verwendung objektiver physischer Produkteigenschaften ist wann immer möglich vorzuziehen, da sie von allen Testpersonen gleichermaßen wahrgenommen werden, es also zu keinem subjektiven Interpretationsspielraum kommt.

2. Conjointanalytischer Untersuchungsansatz


Der Ausgangspunkt für die Konkretisierung des Erhebungsdesigns ist die Entscheidung für einen conjointanalytischen Untersuchungsansatz. Hiermit wird die weitere Vorgehensweise bei der Stimulikonstruktion und Datenerhebung determiniert. Die verschiedenen Ansätze unterscheiden sich v.a. in der Vorgehensweise bei der Erhebung der Präferenzurteile. Bei den neueren Verfahren handelt es sich um Weiterentwicklungen der traditionellen Ansätze.
Conjoint-Analyse
Abb. 2: Verfahren zur Erhebung von Präferenzurteilen bei Conjoint-Analysen
Beim Trade-Off-Ansatz werden die Ausprägungen von jeweils zwei Merkmalen in sog. Trade-Off-Matrizen miteinander kombiniert. Die Apn. werden gebeten, jeweils Paare von Merkmalsausprägungen in eine Präferenzrangreihe zu bringen, und zwar für alle möglichen Kombinationen der ausgewählten Konzeptmerkmale.
Aufgrund der wenig realistischen Beurteilungssituation und dem z.T. enormen Erhebungsaufwand kommt dieser Ansatz nur relativ selten zum Einsatz (Vriens, M./Wedel, M./Wilms, T. 1992).
Beim Profilansatz werden den Apn. vollständige Kombinationen der Merkmalsausprägungen zur Beurteilung vorgelegt. Die ganzheitliche simultane Vorlage aller Konzeptbeschreibungen soll den Apn. eine möglichst realistische Vorstellung von den Testkonzepten vermitteln. Durch die Steigerung des Realitätsbezugs reduziert sich die (kognitive) Belastung der Apn. Dies wirkt sich positiv auf die Reliabilität und Validität der Ergebnisse aus. Allerdings steigt die Zahl möglicher Stimuli mit zunehmender Anzahl von Konzeptmerkmalen und deren Ausprägungen sehr schnell an, sodass die Beurteilungsaufgabe für die Apn. zu komplex werden kann. Damit ist die Anwendung dieses Ansatzes nur dann sinnvoll, wenn die Anzahl der Merkmale und Merkmalsausprägungen relativ gering ist. Diese Anwendungsprobleme der traditionellen Conjoint-Analyse haben zur Entwicklung neuer Untersuchungsansätze geführt.
Mit der Hybrid-Conjoint-Analyse (HCA) steht ein Ansatz zur Verfügung, der die Vorteile kompositioneller und dekompositioneller Verfahren der Präferenzmessung miteinander verbindet. Die Apn. geben zunächst direkte Urteile über alle Merkmale und deren Ausprägungen ab (kompositioneller Teil) und bewerten anschließend ausgewählte Merkmalskombinationen ganzheitlich (dekompositioneller Teil). Durch die Verknüpfung beider Ergebnisse werden die Teilpräferenzwerte der einzelnen Merkmalsausprägungen für jede Apn. geschätzt. Ein wesentlicher Vorteil dieses Ansatzes liegt darin, dass die Anzahl der von jeder Apn. zu beurteilenden (ganzheitlichen) Konzepte drastisch reduziert werden kann. Das wird durch die Bildung balancierter Blockdesigns erreicht, indem die Gesamtstichprobe in Teilstichproben aufgeteilt wird und die Anzahl der ganzheitlich zu bewertenden Konzepte auf die einzelnen Blöcke verteilt wird. Nachteilig ist, dass bei der Hybrid-Conjoint-Analyse i.d.R. mit größeren Stichproben gearbeitet werden muss (Schubert, B. 1991).
Die größte praktische Bedeutung haben computergestützte, interaktive Verfahren der Conjoint-Analyse.Im Folgenden wird jedoch der »klassische« Profil-Ansatz näher erläutert, da mit ihm die Grundsätze der Conjoint-Analyse am besten veranschaulicht werden können.

3. Entwicklung des Erhebungsdesigns


Bei der Planung des Erhebungsdesigns einer klassischen Full-Profile-Conjoint-Analyse sind Entscheidungen zu treffen, die sich auf die Anzahl und die Präsentation der Stimuli beziehen. Diese Entscheidungen basieren auf dem zugrunde gelegten Präferenzmodell, das zuvor spezifiziert werden muss (Green, P. E./Srinivasan, V. 1978).
Conjoint-Analyse
Abb. 3: Erstellung des experimentellen Designs

4. Erstellung des experimentellen Designs


Typisch für die Conjoint-Analyse ist, dass die Produktkonzepte auf der Basis faktorieller Versuchspläne konstruiert werden. Dabei steht die Frage im Mittelpunkt, wie die Vielzahl möglicher Merkmalskombinationen reduziert werden kann. Die größte Bedeutung für die erforderliche Reduktion der Stimuli hat die Bildung unvollständiger faktorieller Designs (fractional factorial designs), auf deren Basis die Schätzung sämtlicher Haupteffekte möglich wird (orthogonal array). Für die praktische Vorgehensweise kann auf eine Vielzahl bereits erstellter orthogonaler Versuchspläne zurückgegriffen werden, die dann für den spezifischen Einzelfall modifiziert werden können (Addelman, S. 1962).

5. Präsentationsform der Stimuli und Datenerhebung


Über die Präsentationsform der Stimuli wird im Zusammenhang mit der Gestaltung der Erhebungsunterlagen entschieden. Hier interessiert vor allem die Form, in der die Produktkonzepte den Befragten zur Beurteilung vorgelegt werden. In den meisten Fällen werden die Testkonzepte in Form verbaler Stimuluskarten und z.T. mit graphischen Veranschaulichungen einzelner Konzeptelemente präsentiert (Wittink, D. R./Vriens, M./Burhenne, W. 1994).
Die Beurteilungsaufgabe hängt vom conjointanalytischen Untersuchungsansatz ab. Beim Profil-Ansatz können sowohl nichtmetrische als auch metrische Urteilswerte erhoben werden. Im ersten Fall werden die Apn. gebeten, die (ganzheitlichen) Produktkonzepte in eine (Präferenz-)Rangreihe zu bringen. Metrische Ausgangsdaten liegen dann vor, wenn die Apn. für die einzelnen Konzepte z.B. Kaufwahrscheinlichkeiten angeben müssen.

6. Auswertung der Daten

a) Auswahl des Schätzverfahrens


Zur Schätzung der Parameter des zugrunde liegenden Messmodells steht eine Reihe unterschiedlicher Verfahren zur Verfügung (Green, P. E./Srinivasan, V. 1978). Die Auswahl eines geeigneten Schätzverfahrens ist vom Messniveau der Urteilsdaten und dem conjointanalytischen Untersuchungsansatz abhängig.
Für den Fall metrischer Urteilsdaten – z.B. bei der Adaptive-Conjoint-Analyse – wird am häufigsten das Verfahren der ORDINARY LEAST SQUARE REGRESSION (OLS) eingesetzt. Liegen ordinale Ausgangsdaten vor – wie beim Full-profile-Ansatz – , eignen sich der von Kruskal entwickelte Algorithmus MONANOVA sowie das auf der linearen Programmierung basierende Verfahren LINMAP.

b) Aggregierte und segmentspezifische Auswertung


Als Ergebnis der Auswertungsprozeduren liegen für alle Apn. die geschätzten Teilpräferenzwerte für alle Ausprägungen der Konzeptelemente vor. Sie besitzen metrisches Messniveau und sind direkt miteinander vergleichbar. Diese Werte können als Bedeutungsgewichte aufgefasst werden, d.h., ihre Höhe drückt den Einfluss auf das Zustandekommen der Gesamturteile aus.
Die Aggregation der individuellen Teilpräferenzwerte kann auf unterschiedlichem Wege erfolgen: Zum einen werden für die errechneten und zuvor normierten Teilpräferenzwerte Mittelwerte gebildet, zum anderen werden die Urteile der Apn. als Replikationen des Untersuchungsdesigns aufgefasst. Die Berechnung der Teilpräferenzwerte erfolgt gleichzeitig auf der Basis aller Urteile. Vor der Aggregation sollte sichergestellt sein, dass die Apn. bezüglich ihrer Präferenzstrukturen relativ homogen sind. Andernfalls besteht die Gefahr, dass durch die Mittelwertbildung über alle Apn. wichtige Informationen über segmentspezifische Präferenzstrukturen verloren gehen. Deshalb empfiehlt es sich in vielen Fällen, die individuellen Teilpräferenzwerte segmentspezifisch zu aggregieren. Dazu werden die Auskunftspersonen im Hinblick auf ähnliches Urteilsverhalten mithilfe der Clusteranalyse in möglichst homogene Gruppen aufgeteilt.
Die segmentspezifische Auswertung von Conjointdaten kann grundsätzlich durch zwei Ansätze erfolgen, die als a-priori-Segmentierung und a-posteriori-Segmentierung bezeichnet werden. Basis für eine a-priori-Segmentierung sind solche Untersuchungsmerkmale, die einen Einfluss auf das Urteilsverhalten der Testpersonen haben bzw. von denen angenommen wird, dass sie Unterschiede der Präferenzstrukturen erklären, z.B. das Alter oder das Geschlecht. Bei der a-posteriori-Segmentierung wird die Segmentbildung auf der Basis der individuellen Präferenzurteile der Auskunftspersonen durchgeführt (two-stage-approach). Das kann auf zwei Wegen erfolgen. Zum einen können die Auskunftspersonen auf der Basis der Ausgangs-(Rang-)daten segmentiert werden, anschließend erfolgt dann die aggregierte Berechnung der Teilurteilswerte durch die Conjoint-Analyse. Eine zweite Möglichkeit besteht darin, die Segmentierung auf der Basis der Teilurteilswerte vorzunehmen. Das bedeutet, dass die Befragten erst nach der Auswertung der Konzeptbeurteilung (ex post) in Segmenten zusammengefasst werden, und zwar nach Maßgabe der individuellen Teilnutzenwerte als »aktive« Variablen der Clusteranalyse. Damit wird gewährleistet, dass die Befragten innerhalb der Segmente homogene oder zumindest ähnliche Wahrnehmungs- und Präferenzstrukturen aufweisen. Auf dieser Grundlage erfolgt dann die segmentspezifische Aggregation der individuellen Conjointergebnisse. Die illustrativen Merkmale (passive Merkmale) können zur Beschreibung der »Nutzensegmente« herangezogen werden. Die hier skizzierte Vorgehensweise wird allgemein als Benefitsegmentierung bezeichnet.
Conjoint-Analyse
Abb. 4: Teilpräferenzwerte und Sensitivitäten

c) Interpretation der Ergebnisse


Bei der Interpretation der Ergebnisse interessiert zunächst, welche Bedeutung die einzelnen Ausprägungen der Konzeptmerkmale für die Gesamtbeurteilung der Konzepte haben. Diese Frage lässt sich direkt aus der Höhe der (aggregierten) Präferenzwerte beantworten. Zur Veranschaulichung werden die Daten i.d.R. durch Diagramme veranschaulicht.
Als nächstes soll ermittelt werden, welche Konzeptmerkmale für die Beurteilung der Alternativen besonders wichtig sind. Dazu wird die Streuung der partiellen Urteilswerte herangezogen. Durch die Bildung der Differenz zwischen dem höchsten und dem niedrigsten Teilwert eines jeden Merkmals erhält man jeweils die Spannweite als deskriptives Streuungsmaß. Die relative Wichtigkeit eines Konzeptmerkmals – vielfach auch als Sensitivität bezeichnet – ergibt sich dann aus dem Anteil der Spannweite an der Summe der Spannweiten aller Merkmale. Die Sensitivität eines Konzeptmerkmals gibt an, wie groß der Einfluss des Merkmals auf die Gesamtpräferenz ist, wenn innerhalb des Merkmals von der »besten« auf die »schlechteste« Ausprägung gewechselt wird. Die »Testsieger« und »Verlierer« werden ermittelt, indem man auf der Basis der errechneten Teilurteilswerte den Gesamtwert jeder Kombination berechnet. Unter der Annahme der additiven Verknüpfungsregel können die entsprechenden Teilurteilswerte für jede mögliche Merkmalskombination addiert werden.

d) Marktsimulationen


Auf der Basis der errechneten individuellen Teilpräferenzwerte können anschließend Marktsimulationen durchgeführt werden (Johnson, R. M. 1987). Dafür wird für jede Auskunftsperson ein Indexwert zwischen 0 und 100 für alle möglichen Merkmalskombinationen berechnet. Daraus lassen sich die Marktchancen aller Produktkonzepte abschätzen (simulierte Produktakzeptanz).
Ausgehend von einem spezifischen Produktkonzept kann anschließend die Reaktion der Produktakzeptanz auf Eigenschaftsänderungen simuliert werden (»what-if«-Analysen). Besonders aussagekräftig ist die Darstellung der Stimulationsergebnisse in sog. Strategieprofilen, die aufzeigen, wie sich die durchschnittliche Produktakzeptanz verändert, wenn jeweils eine Ausprägung jeweils eines Konzeptmerkmals variiert wird (Stadler, K. 1993).
Weiterhin lässt sich das Wahlverhalten Apn. unter der Annahme unterschiedlicher Marktzenarien simulieren. Bei der Festlegung eines Marktszenarios werden solche Konzepte ausgewählt, die aus der Sicht des Managements erfolgversprechende, innovative Konzepte darstellen. Zusätzlich sollten Konzepte in die Analyse einbezogen werden, die bezüglich ihrer Merkmalskombination realen eigenen und/oder konkurrierenden Produkten ähnlich sind, um somit die mögliche Konkurrenzsituation für die neuen Konzepte abzubilden. Das Simulationsmodell errechnet für jedes der ausgewählten Konzepte, wie viele der Befragten die jeweilige Alternative wählen würden. Bei der Berechnung können unterschiedliche »Wahl-Regeln« unterstellt werden. Durch die Anwendung der (deterministischen) Mehrheitswahl-Regel wird die Annahme getroffen, dass die Auskunftsperson immer die Alternative wählt, die den höchsten Gesamtpräferenzwert erzielt. Auf dieser Basis können die (hypothetischen Markt-)Anteile der im Szenario befindlichen Konzepte durch einfaches Auszählen ermittelt werden. Bei Anwendung der (probabilistischen) Verhältniswahl-Regel wird angenommen, dass sich jede Apn. bei ihrer Wahlentscheidung proportional zu den individuellen Gesamtpräferenzwerten der im Szenario befindlichen Produktkonzepte verhält. So erhalten auch solche Konzepte noch entsprechend Wahlanteile, die von den Apn. häufig an zweiter oder dritter Stelle gewählt werden.
Conjoint-Analyse
Abb. 5: Strategieprofil für Simulationsergebnis

IV. Bedeutung für das Marketing


Die Erforschung der Präferenzstrukturen von Konsumenten gehört zu den wichtigsten Bereichen der Marketingforschung. Seit den ersten Anwendungen (Anfang der siebziger Jahre) hat die Conjoint-Analyse inzwischen einen festen Platz in diesem Forschungsfeld. Die besondere Wertschätzung der Conjoint-Analyse in der Marketingpraxis lässt sich damit begründen, dass sich aus den Ergebnissen einer Conjoint-Analyse konkrete Hinweise für die Gestaltung der Marketinginstrumente ableiten lassen. Außerdem wird der Conjoint-Analyse eine vergleichsweise hohe Prognosevalidität bescheinigt. Die Einsatzmöglichkeiten der Conjoint-Analyse erstrecken sich auf alle Gestaltungsentscheidungen einzelner Marketinginstrumente sowie auf deren Kombination zum Marketing-Mix. Verschiedene empirische Studien zur Bedeutung der Conjoint-Analyse im Marketing zeigen Anwendungsschwerpunkte bei der Konzeptentwicklung von neuen oder modifizierten Produkten sowie als Informationsgrundlage für Preisentscheidungen. Weitere Untersuchungsziele konzentrieren sich auf den Bereich der Konkurrenzforschung, Marktsegmentierung und Produktpositionierung. Obwohl die Mehrzahl der Conjointstudien bisher für Konsumgüter realisiert wurde, ist eine zunehmende Anwendung auch bei Dienstleistungen zu verzeichnen (Wittink, D. R./Vriens, M./Burhenne, W. 1994).
Nicht zuletzt führen immer komfortablere Software-Pakete zu einer schnellen Verbreitung der Conjoint-Analyse. Damit ist allerdings die Gefahr verbunden, dass die Conjoint-Analyse auch dann eingesetzt wird, wenn die Anwendungsvoraussetzungen nicht erfüllt sind (z.B. bei Merkmalsinteraktionen oder nicht kompensatorisch ablaufenden Präferenzbildungsprozessen). Ein erfolgversprechender Einsatz der Conjoint-Analyse setzt eine gründliche Klärung der Sachprobleme voraus. Im Mittelpunkt stehen dabei sorgfältige Überlegungen bei der Auswahl der relevanten Merkmale und Merkmalsausprägungen sowie deren Kommunikation durch geeignete Präsentationsformen der Stimuli.
Literatur:
Addelman, S. : Orthogonal Main Effect Plans for Asymmetrical Factorial Experiments, in: Technometrics, H. 4/1962, S. 21 – 46
Backhaus, K./Erichson, B./Plinke, W. : Multivariate Analysemethoden, 7. A., Berlin et al. 1994
Böcker, F. : Präferenzforschung als Mittel marktorientierter Unternehmensführung, in: ZfbF, 1986, S. 543 – 574
Cattin, P./Wittink, D. R. : Commercial Use of Conjoint Analysis, in: JM, 1982, S. 44 – 53
Green, P. E. : Hybrid Models for Conjoint Analysis, in: JMR, 1984, S. 155 – 169
Green, P. E./Krieger, A. M. : Segmenting Marktes with Conjoint Analysis, in: JM, 1991, S. 20 – 31
Green, P. E./Rao, V. R. : Conjoint Measurement for Quantifying Judgemental Data, in: JMR, 1971, S. 355 – 363
Green, P. E./Srinivasan, V. : Conjoint Analysis in Consumer Research, in: JCR, 1978, S. 103 – 123
Green, P. E./Srinivasan, V. : Conjoint Analysis in Marketing, in: JM, 1990, S. 3 – 19
Huber, J. : The Importance of Multinomial Logit Analysis of Individual Consumer Choices, Conference Proceedings of the First Annual Advanced Research Techniques Forum, AMA, 1990
Huber, J. : Learing Effects in Preference Tasks: Choice-Based versus Standard Conjoint, in: Sawtooth Software Conference Proceedings, Sun Valley/Idaho, 1992, S. 275 – 282
Johnson, R. M. : Trade-off-Analysis of Consumer Values, in: JMR, 1974, S. 121 – 127
Johnson, R. M. : Adaptive Conjoint Analysis, in: Sawtooth Software Conference Proceedings, Sun Valley/Idaho, 1987, S. 253 – 265
Kruskal, J. B. : Analysis of Factorial Experiments by Estimating Monotone Transformations of the Data, in: Journal of the Royal Statistical Society, 1965, S. 251 – 263
Luce, R. D./Tukey, J. W. : Simultaneous Conjoint Measurement, A New Type of Fundamental Measurement, in: Journal of Mathematical Psychology, 1964, S. 1 – 27
McFadden, D. : Quantal choice analysis, in: Annals of economic and social measurement, 1976, S. 363 – 390
Mengen, A. : Konzeptgestaltung von Dienstleistungsprodukten, Stuttgart 1993
Saltzman, : Improving Response Rates in Disk-By-Mail Surveys, in: Marketing Research, No. 3/1993, S. 32 – 39
Schubert, B. : Entwicklung von Konzepten für Produktinnovationen mittels Conjoint-Analyse, Stuttgart 1991
Schweikl, H. : Computergestützte Präferenzanalyse mit individuell wichtigen Produktmerkmalen, Berlin et al. 1985
Shocker, A. D./Srinivasan, V. : LINMAP (Version III), in: JMR, 1979, S. 560 – 561
Stadtler, K. : Conjoint-Measurement, in: Planung und Analyse, H. 4/1993, S. 32 – 38
Thomas, L. : Conjoint Measurement als Instrument der Absatzforschung, in: Marketing-ZFP, 1979, S. 199 – 211
Tscheulin, D. K. : Optimale Produktgestaltung, Wiesbaden 1992
Vriens, M. : Strength and Weaknesses of various Conjoint Analysis Techniques and Suggestions for Improvements, in: Skim Seminar Proceedings, Rotterdam, 1992, S. 11 – 25
Vriens, M./Wedel, M./Wilms, T. : Segmentation Methods for Metric Conjoint Analysis, Working Paper, University of Groningen, Groningen 1992
Weisenfeld, U. : Die Einflüsse von Verfahrensvariationen und der Art des Kaufentscheidungsprozesses auf die Reliabilität der Ergebnisse bei der Conjoint Analyse, Berlin 1989
Wittink, D. R./Cattin, P. : Commercial Use of Conjoint Analysis, in: JM, 1989, S. 91 – 96
Wittink, D. R./Vriens, M./Burhenne, W. : Commercial Use of Conjoint Analysis in Europe, in: JRM, 1994, S. 41 – 52

 

 


 

<< vorhergehender Begriff
nächster Begriff >>
Computergeld
 
constant returns to scale