Die Conjoint-Analyse gewinnt im Marketing immer mehr an Bedeutung, weil Unternehmen auf diese Art Produkte und Dienstleistungen an Kundenanforderungen und -wünsche besser anpassen können. Auf diese Art lassen sich beispielsweise gewünschte Preise, Konfigurationen und/oder Bündelungspakete und Abonnement-Wünsche identifizieren. Beispielsweise können Kunden Auskunft dazu geben, welche Funktionen und welchen Preis sie für ein spezifisches Produkt als wünschenswert erachten. Es wird allgemein angenommen, dass Kunden immer das Produkt auswählen, das den höchsten Nutzen und das beste Preis-Leistungs-Verhältnis verspricht. Mithilfe einer Conjoint-Analyse kann man so für die Kunden sinnvolle Kompromisse ermitteln. Zudem lassen sich durch Verfahren wie MaxDiff oder der Choice-Based Conjoint-Analyse Hinweise zu Trends identifizieren.
Wenn Sie professionell durchgeführte quantitative Marktforschung benötigen (wie z.B. eine Conjoint-Analyse), stehen Ihnen unsere Experten jederzeit zur Verfügung!
Dieser Artikel liefert Antworten auf folgende Fragen zur Conjoint Analyse
- Was sind Conjoint Analysen?
- Wie und warum werden Conjoint Analysen durchgeführt?
- In welchen Bereichen kommen Conjoint Analysen zum Einsatz?
- Wie sieht die Vorgehensweise einer Conjoint Analyse anhand eines konkreten Beispiels aus?
- Conjoint Analyse einfach erklärt
Was ist eine Cojnoint Analyse?
Die Conjoint Analyse ist eine Methode der Markt- und Grundlagenforschung, die sich ab den 1980er Jahren besonders im Marketingbereich durchgesetzt hat. Der Begriff ‚Conjoint‘ ist abgeleitet aus ‚Considered Jointly‘.Idee und Ziel dieser Methode ist es also, dass ein Studienteilnehmer mehrere Eigenschaften des Produktes gleichzeitig miteinander vergleicht und daraus eine Präferenz ableitet. Mittels Verfahren der multivariaten Statistik werden anschließend Teilnutzenwerte der einzelnen Produkteigenschaften sowie Produktpreis und Gesamtnutzen des Produktes ermittelt (Preis-Absatz-Funktion und Preissensitivität). Die Anzahl der Eigenschaften und der Ausprägungen muss dabei begrenzt sein und sollte vorab genau überlegt werden.
Conjoint Analyse stellen also eine Marktsimulation dar. Sie liefert Daten auf Basis einer individuellen Nutzenstruktur für jeden einzelnen Befragten. Das Ziel der Befragung ist dabei ein einzelnes oder mehrere Produkte im Hinblick auf Absatz, Umsatz oder Gewinn zu optimieren. Als theoretischer Bezugsrahmen für Conjoint Analysen gilt die Rational Choice-Theorie. Mit der zunehmenden Bedeutung kurzfristiger Einflussfaktoren auf die Kauf-Entscheidungen nahm schließlich auch die Bedeutung der Theorien rationalen Handelns zur Nutzenmaximierung zu.
Die Experten von Novustat helfen Ihnen bei der Auswahl der geeigneten Methode im Rahmen der Marktforschung-Beratung. Natürlich unterstützen wir Sie auch gerne bei der Umsetzung und Interpretation von Conjoint Analysen!
Die verschiedenen Varianten der Conjoint-Analyse: Vor- und Nachteile
Es existieren eine Vielzahl an verschiedenen Conjoint-Analyse-Varianten. Wir möchten an dieser Stelle die üblichen Verfahren vorstellen und deren Vor- und Nachteile beleuchten.
Kompromissanalyse mit zwei Attributen
Die früheste Methode einer Coinjoint-Analyse stellt die Kompromissanalyse dar. Diese umfasste Kompromiss-Tabellen für Attribute (jeweils zwei Attribute gleichzeitig), in denen die Befragten ihre Präferenzen für die verschiedenen Kombinationen der Attribute einstufen konnten. Wenn zwei Attribute jeweils drei Ebenen hätten, dann hätte eine Kompromiss-Tabelle neun Zellen und Probanden würden ihre Präferenzen von 1 bis 9 einstufen. Dieser Ansatz stellt geringe Anforderungen an die Studienteilnehmer, ist aber zeitaufwendig. Zudem entwickelten Probanden bei dieser Form der Coinjoint-Analyse häufig ein stilisiertes Muster, um die Präferenzen abzuarbeiten. Daher nutzt man diese Form der Analyse in der Praxis nur noch sehr selten.
Conjoint-Analyse mit vollem Profil
Bei der Conjoint-Analyse mit vollem Profil reagieren Probanden auf eine moderate Vielzahl vollständiger Produktbeschreibungen. Die Bewertung dieser Beschreibungen liefert einen hohen Informationswert für Unternehmen. Aufgrund dieser Informationen werden verschiedene Produktbeschreibungen (oder verschiedene Produkte) entwickelt und Probanden zur Bewertung der Präferenzen vorgelegt. Über Attribut-Paarungen können Unternehmen den Mehrwert oder die Präferenzen von Probanden in Kombination mit Profilpräferenzen der Probanden abschätzen.
Sie möchten mit einer Marktforschungsstudie die optimale Preisgestaltung oder Konfiguration für Ihre Produkte ermitteln? Wir bieten professionelle Unterstützung bei allen Spielarten der quantitativen Marktforschung! Unsere Statistik-Beratung hilft Ihnen gerne bei der Auswahl des optimalen Verfahrens.
Adaptive Conjoint-Analyse (ACA)
Die adaptive Conjoint-Analyse (ACA) stellt eine computergestützte Analysemethode dar. Auf der Grundlage der Merkmalsauswahl von Umfrageteilnehmern werden tiefergehende Fragen zum Produkt und zu den Produktmerkmalen gestellt. Das bedeutet, der Fragebogen einer adaptiven Conjoint-Analyse individuell durch die Umfrageteilnehmer erstellt wird. Bei einer ACA sehen die Teilnehmer nicht sofort alle potenziellen Merkmale. Stattdessen stellt man die bisher erwähnte Merkmale im nächsten Umfrageschritt anderen Produktmerkmalen gegenüber. Auf diese Art „lernt“ die Software die Präferenzen des Umfrageteilnehmers.
Choice-based Conjoint-Analyse (CBC)
Die Choice-based Conjoint-Analyse (CBC) bildet Produkte mit allen potenziellen Merkmalen ab. Das bedeutet, dass Umfrageteilnehmer sich nur für ein Produkt mit allen Eigenschaften pro Umfrageschritt entscheiden können. Bei einer CBC kann kein Ranking vorgenommen werden, bildet jedoch am besten eine reale Kaufsituation ab. Daher nutzen inzwischen eine Vielzahl an Unternehmen die Choice-based Conjoint-Analyse.
Die Choice-based Conjoint-Analyse erfolgt mithilfe von Choice-Sets. Unten ist ein fiktives Beispiel für mögliche Choice-Sets zu sehen. In diesem Beispiel sollen Teilnehmer die Produktattribute von drei verschiedenen Smartphone-Modellen bewerten.
Die Antworten der Umfrageteilnehmer können dann genutzt werden, um den Effekt verschiedener Merkmalsausprägungen zu modellieren.
Durch eine so genannte Maximum-Likelihood-Schätzung können die gesammelten Daten bei einer Choice-based Conjoint-Analyse systematisch ausgewertet werden. Die Likelihood-Funktion gibt die aggregierte Wahrscheinlichkeit an, mit der ein Produkt mit bestimmten Merkmalen von Studienteilnehmern gewählt wird. So lässt sich die optimale Konfiguration für ein Produkt ermitteln.
Selbst-erklärende Conjoint-Analyse
Die selbsterklärende Conjoint-Analyse bietet einen einfachen, aber robusten Ansatz, der einfach zu implementieren ist. Die selbsterklärende Conjoint-Analyse ist ein hybrider Ansatz, der sich auf die Bewertung verschiedener Eigenschaften eines Produkts konzentriert. Dieses Conjoint-Analyse-Modell fragt explizit nach der Präferenz für jede Merkmalsebene und nicht nach der Präferenz für ein Bündel von Merkmalen. Für jede Funktion wählen Probanden die Ebenen aus, die sie am meisten und am wenigsten bevorzugen. Dann werden die verbliebenen Ebenen jedes Merkmals in Bezug auf die am meist bevorzugten und am wenigsten bevorzugten Ebenen bewertet. Diese Werte werden anschließend mit der Bedeutung der Merkmale gewichtet, um Nutzwerte für die Attributebene zu erhalten. Die selbst-erklärende Conjoint-Analyse benötigt keine statistische Analyse oder eine heuristische Logik, die für andere Conjoint-Analyse-Ansätze erforderlich ist.
MaxDiff Conjoint-Analyse
Die MaxDiff Conjoint-Analyse bietet eine Auswahl von Paketen, die ausgewählt und je nach Präferenz bewertet werden können. Probanden können schnell die besten und schlechtesten Merkmale in einer Liste angeben, haben jedoch häufig Schwierigkeiten aus ihren Bewertungen Durchschnittswerte zu erkennen. Die MaxDiff Conjoint-Analyse ist eine ideale Methode, diese Durchschnittswerte zu ermitteln. Bei der Analyse von MaxDiff Studien kann man verschiedene Ansätze verfolgen wie beispielsweise der Hierarchischen Bayes-Conjoint-Modellierung.
Hierarchische Bayes-Analyse (HB)
Die hierarchische Bayes-Analyse (HB) wird in ähnlicher Weise verwendet, um Dienstprogramme auf Attributebene aus Auswahldaten zu schätzen. Dieses Verfahren ist besonders nützlich in Situationen, in denen die Datenerfassung so umfangreich ist, dass Probanden keine angemessenen Präferenzbewertungen für alle Attributebenen leisten können. Die hierarchische Bayes-Analyse konzentriert sich auf die Messung der Präferenzen einzelner Probanden und auf stark variable Attribute und nutzt die Durchschnittswerte auf Attributebene der Stichprobe. Dieser Ansatz ermöglicht es zudem, mehr Attribute und Ebenen mit kleineren Datenmengen zu schätzen, die von jedem Probanden gesammelt wurden.
Andere Formen der Conjoint-Analyse stellen die Limit-Conjoint-Analyse (LCA), die hierarchische individualisierte Limit-Conjoint-Analyse (HILCA) sowie die Multi-Rule-Conjoint-Analyse (MRC) dar.
Zwischenfazit
Conjoint-Analysen werden von Unternehmen häufig eingesetzt, um Kundenbedürfnisse und das Kaufverhalten von Kunden zu ermitteln und Produkte entsprechend anzupassen. Über Kundenumfragen kann man einzelne Produkteigenschaften mit dem Mehrwert für Kunden verbinden. Somit kann man die Preis-Absatz-Funktion für ein Produkt identifizieren. Das bedeutet, dass man die Zahlungsbereitschaft von Kunden sowie die Preiselastizität eines spezifischen Produkts ermittelt kann. Aufgrund der Resultate von Conjoint-Analysen lassen sich weitere Analysen für das Marketing durchführen, um Marketingkampagnen und Werbemaßnahmen zu verfeinern.
Mit Conjoint Analysen das Kaufverhalten von Kunden vorhersagen
Die Conjoint Analyse gehört als Marketing-Instrument zu den an den häufigsten eingesetzten Methoden der Marktforschung, um Kundenwünsche zu erfassen und Handlungsentscheidungen im Rahmen von Kaufverhalten von Menschen zu prognostizieren. Über Kundenanalysen kann man bestimmte Produktmerkmale nach Attraktivität mit einem quantitativen Nutzenwert für jeden Kunden verknüpfen. Letztendlich stellt die Conjoint Analyse also eine Form der Marktsimulation dar. Daraus lassen sich in Bezug auf das Kaufverhalten die Preis-Absatz-Funktion für ein Produkt und daraus abgeleitet Zahlungsbereitschaft und Preissensitivität ermitteln.
Wenn Sie Fragen rund um Conjoint Analysen, Marktsimulation und Kaufverhalten haben und Unterstützen wünschen, helfen Ihnen unsere Experten gerne weiter. Kontaktieren Sie uns für eine kostenfreie Data Mining Beratung und erhalten Sie ein unverbindliches Angebot!
Warum werden Marktsimulationen mittels Conjoint Analyse durchgeführt?
Kunden können im Allgemeinen nicht in Zahlen ausdrücken, wie wichtig eine Produkteigenschaft für sie ist oder welchen Preis sie dafür bezahlen würden. Daher ist es einfacher, Produkte im Vergleich mit alternativen Angeboten und dem Preis als Ganzes (und nicht über einzelne Teilnutzen) zu beurteilen. Eine Bewertung von Produkteigenschaften und dessen Nutzen ist also immer relativ. Welches Produkt die Kunden schlussendlich wählen, zeigt sich erst beim Kauf. Da sich die direkte Bewertung für Kunden als schwierig erweist und kaum brauchbare Ergebnisse für Marketingentscheidungen liefert, befragt man die Kunden indirekt. Die Conjoint Analyse bildet damit eine möglichst reale Kaufsituationen im Rahmen einer Marktsimulation nach: Ein Kunde vergleicht beispielsweise zwei alternative Produkte oder Nutzenmerkmale und entscheidet sich dann für eines der beiden. Diese – indirekte – Methode gibt aussagekräftige Antworten auf Fragen wie beispielsweise:
- Welche Produkteigenschaft ist für Kunden am wichtigsten?
- Welche Bedeutung hat der Preis eines Produktes (Preissensitivität)?
- Welchen Mehr-Preis wäre der Kunde bereit für ein spezielles Produktangebot mehr zu bezahlen?
- Wie sieht die Preis-Absatz-Funktion aus?
- Welche Marktanteile lassen sich mit einem bestimmten Produktpreis erzielen?
Die Ergebnisse der Conjoint Analysen liefern für Marketingstrategie und Preismanagement also wichtige Entscheidungshilfen. Die Ergebnisse der Analyse kann man zur Einschätzung der Produktentwicklung, Produktdifferenzierung und Preissensitivität nutzen. Die Conjoint Analyse kann so interpretiert werden, dass das Produktmanagement seine Produkte verbessern und für die Zielgruppe optimieren kann.
Beispiel für die Vorgehensweise bei einer Conjoint Analyse
Wir stellen uns vor, der Hersteller von Desktop-PCs möchte mittels Conjoint Analyse ermitteln, welche Produkteigenschaften für seine Zielgruppe besonders wichtig sind. Außerdem möchte der Hersteller erfahren, welche Zahlungsbereitschaft seine Zielgruppe hat. Als Zielgruppe definiert man daher Personen, die einen überwiegenden Teil der PC-Arbeit im Homeoffice erledigen. Folglich werden Probanden dieser Zielgruppe gebeten, mehrere PC-Modelle zu vergleichen und anzugeben, welches Modell sie kaufen würden.
Das Produktmanagement möchte insbesondere wissen, wie wichtig der Zielgruppe ein All-in-one PC ist und welcher Aufpreis dafür bezahlt würde. Aufgrund von Kundenbefragungen ist zudem bekannt, dass dieser Zielgruppe die Produktmerkmale Arbeitsspeicher und Bildschirmgröße besonders wichtig sind.
Nachfolgende Tabelle stellt die Produkteigenschaften für die Conjoint Analyse vergleichend dar:
| Ausprägungen | |||
| Preis | RAM | Bildschirmgröße | All-in-one |
| 850 € | 8 GB | 24 Zoll | Ja |
| 1.000 € | 16 GB | 27 Zoll | Nein |
| 1.150 € | 32 GB | 30 Zoll | Ja |
Rein theoretisch wären mit diesen Merkmalen 3*3*3*2 = 54 Kombinationen der Merkmale möglich. Im Zuge eines reduzierten Designs werden vom Produktmanagement daraus vorab acht Kombinationsmöglichkeiten ausgewählt. Diese werden dann den zufällig aus der Zielgruppe ausgewählten Probanden zum Vergleich vorgelegt. Wichtig dabei: die Zahl der Ausprägungen sollte bei allen Merkmalen in etwa gleich und nicht zu hoch sein. Jeder Proband soll nun immer zwei Modelle miteinander vergleichen und angeben, welches er kaufen würde.
5 Schritte zu Ihrer Conjoint Analyse
Das Beispiel verdeutlicht, wie bei einer Conjoint Analyse vorgegangen wird. Die Arbeitsschritte im Detail sind:
1.: Produkt festlegen
Es sollte sich um ein Produkt handeln, welches die Zielgruppe kennt und das sie beurteilen kann. Völlig neue Produkte oder Dienstleistungen, mit denen die Zielgruppe keine Erfahrungen hat, können kaum beurteilt werden.
2.: Produktmerkmale und Ausprägungen festlegen
Idealerweise werden mit der Conjoint Analyse nur wenige Produktmerkmale untersucht, da Probanden der Zielgruppe nur eine eingeschränkte Zahl an Merkmalen und Ausprägungen gleichzeitig betrachten können. Andernfalls ist die Komplexität der Entscheidung zu hoch. In SPSS wird diese Reduktion in der Dialogbox als ‚orthogonales Design‘ bezeichnet. Ein Merkmal, das für die Preis-Absatz-Funktion immer in die Betrachtung einbezogen wird, ist der Preis des Produkts. Die Auswahl der konkreten Produktmerkmale ist jedoch strategische Aufgabe von Marketing und Produktmanagement.
3.: Erhebung planen und durchführen
Im nächsten Schritt der Versuchsplanung wird die Zielgruppe definiert. Die Zielgruppe besteht zumeist aus Menschen, die als Kunden für ein Produkt infrage kommen. Aus der Zielgruppe wird dann nach der Zufallsauswahl die Stichprobe für die Befragung ausgewählt. Dabei gilt es darauf zu achten, dass Auswahl und Größe der Stichprobe repräsentativ erfolgen, um zuverlässige Ergebnisse zu gewährleisten. Die Probanden erhalten dann in einem Fragedesign unterschiedliche Produktvarianten (mit spezifischen Produkteigenschaften und definierten Ausprägungen) abgebildet. Für dieses Set an Produktvarianten bewerten die Studienteilnehmer ihre individuelle Präferenz. Zudem werden persönliche Merkmale der Probanden abgefragt.
4.: Teilnutzenwerte, Präferenzfunktionen und Preis-Absatz-Funktion berechnen
Die ausgefüllten Bögen beinhalten somit die jeweiligen Präferenzentscheidungen, die mittels multivariater Testverfahren (z.B. Maximum-Likelihood-Methode, Hierarchical Bayes) ausgewertet werden. Daraus lassen sich Teilnutzenwerte für einzelne Ausprägungen, ein aggregierter Gesamtnutzen sowie eine Preis-Absatz-Funktion angeben.
5.: Ergebnisse interpretieren und Marketingentscheidungen ableiten
Nachdem die Ergebnisse und Nutzwerte berechnet wurden, lassen sich diese in Bezug auf die vorab definierten (oben genannten) Fragestellungen interpretieren. Die Ergebnisse der Conjoint Analyse helfen also dabei konkrete Handlungsentscheidungen abzuleiten. So lässt sich der Preis eines Produktes ebenso konkretisieren wie die relevanten Ausprägungen eines Produktmerkmals für den Marktauftritt. Zudem lassen sich Empfehlungen zu dem Produkt und Preissensitivität ableiten, um die Zielgruppe zur weiteren Kundensegmentierung in Teilgruppen aufzuteilen.
Zusammenfassung
Dieser Artikel verdeutlicht die strategische Bedeutung von Modellen zur Marktsimulation, um Handlungsentscheidungen und Kaufverhalten vorherzusagen. Die Conjoint Analyse bietet Marketing, Vertrieb und Preismanagement dafür ein bestens geeignetes Instrument. Basierend auf statistischen (multivariaten) Testverfahren filtert man dabei jene Produkteigenschaften heraus, die aus Kundensicht am wichtigsten sind. Ein weiterer Fokus liegt auf der Preissensitivität, also der Bedeutung des Preises für ein Produkt. So lässt sich einschätzen, welcher Preis den optimalen Absatz erzielt (Preis-Absatz-Funktion). Dazu werden relevante Produkteigenschaften mit festgelegten Ausprägungen für die jeweilige Zielgruppe definiert, auf deren Basis Nutzenwerte der einzelnen Produktmerkmale sowie Produktpreis und Gesamtnutzen errechnet werden. Anhand von fünf konkreten Arbeitsschritten erklärt der Artikel, wie
Weiterführende Quellen:
Fachartikel mit technischen Details zu Berechnungen für eine Conjoint-Analyse (pdf)
Backhaus, K., Erichson, B., Plinke, W. & Weiber, R. (2018): Multivariate Analysemethoden: Eine anwendungsorientierte Einführung.
Baier, D. & Brusch, M. (2009): Conjointanalyse: Methoden – Anwendungen – Praxisbeispiele.
Gensler, S. (2006): Ermittlung von Präferenzen für Produkteigenschaften mit Hilfe der Choice-Based Conjoint Analyse, Wirtschaftswissenschaftliches Studium.
Business-Wissen.de: Management Handbuch. Conjoint-Analyse durchführen.
Orme, B.: Market Simulators for Conjoint Analysis. (In: Getting Started with Conjoint Analysis: Strategies for Product Design and Pricing Research.)
Teichert, T.: Nutzenschätzung in Conjoint-Analysen: Theoretische Fundierung und empirische Aussagekraft.