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!
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.
Fazit
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.
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.