Advertisement

Empirische Analyse zur nutzenorientierten Segmentierung im Markt für Verkehrsdienstleistungen

  • Jesko Perrey
Part of the Unternehmensführung und Marketing book series (UFUEHR, volume 34)

Zusammenfassung

Die empirische Analyse zur nutzenorientierten Marktsegmentierung im Verkehrsdienstleistungsbereich erfolgt auf Basis des Datenmaterials einer von der Forschungsstelle Bahnmarketing in der Wissenschaftlichen Gesellschaft für Marketing und Unternehmensführung e.V. in enger Zusammenarbeit mit der Deutschen Bahn AG durchgeführten Studie zur „Zielgruppenanalyse im Personenfernverkehr der Deutschen Bahn AG“. Im Zeitraum zwischen Sommer 1995 und Frühjahr 1997 wurden verschiedene empirische Befragungsstufen und Workshops mit Mitarbeitern der Deutschen Bahn AG durchgeführt, welche die Grundlage für die Ausführungen dieses Abschnitts darstellen. Der Fokus der Darstellungen ist auf eine Analyse des aktuellen Kundenstamms der Deutschen Bahn AG gerichtet. Aufbauend auf einer Markterfassung im Schienenpersonenverkehr sollen dabei Ansatzpunkte zur Sicherstellung einer zielgruppenspezifischen Marktbearbeitung im Sinne der oben diskutierten Intensivierungsstrategie abgeleitet werden.1

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. 1.
    Zu den Ergebnissen einer Segmentierung von Kunden alternativer Verkehrsmittel (Extensivierungsstrategie) vgl. Forschungsstelle Bahnmarketing, Non-User-Analyse bei der Deutschen Bahn AG, unveröffentlichte Studie der Forschungsstelle Bahnmarketing in der Wissenschaftlichen Gesellschaft für Marketing und Unternehmensführung e.V. im Auftrag der Deutschen Bahn AG, a.a.O. Die grundsätzlichen Segmentstrukturen der verkehrsmittelübergreifenden Analyse unterschieden sich dabei kaum von den im folgenden aufgezeigten Ergebnissen im Schienenpersonenverkehr.Google Scholar
  2. 2.
    Zur eindeutigen Abgrenzung von Reisen des personengebundenen Nahverkehrs wurden Fernreisen als Reisen mit einer Länge von mindestens 100 km einfache Entfernung definiert. Vgl. zur Definition des Personenfernverkehrs die Ausführungen in Kapitel A.1 dieser Arbeit.Google Scholar
  3. 3.
    Der Fragebogen „Befragungsstufe 1“ ist im Anhang II dieser Arbeit beigefügt.Google Scholar
  4. 4.
    Die Interviews von Bahnreisenden wurden in den Zugtypen ICE, IC/EC, IR durchgeführt.Google Scholar
  5. 5.
    Neben den entscheidungsrelevanten Merkmalen einer Bahnreise wurden im Rahmen dieser Befragungsstufe auch verschiedene personen- (Alter, Geschlecht etc.) und reisebezogene (Reiseanlaß etc.) Merkmale erfaßt, die als Grundlage vergleichender Analysen fungierten. Die im einzelnen aufgenommenen Merkmale sowie die Zuordnung der Nutzendimensionen zu den verschiedenen Phasen einer Bahnreise können dem Fragebogen „Befragungsstufe 2“ im Anhang II dieser Arbeit entnommen werden-Google Scholar
  6. 6.
    Vgl. dazu die Ausführungen des Kapitels 2.11 dieses Abschnitts.Google Scholar
  7. 7.
    Zur Anwendung kam die Programmversion SPSS für Windows 6 13 sowie die Großrechner-version SPSS“ zum Zwecke der Clusteranalyse. Zu den statistischen Prozeduren des SPSSProgramms vgl. Norius, M.J.. SPSS Inc., SPSS for Windows: Advanced Statistics, Release 5, Chicago, Ill. 1992; derselbe, SPSS Inc., SPSS for Windows: Professional Statistics, Release 5, Chicago, Ill. 1992.Google Scholar
  8. 10.
    Während strukturprüfende Verfahren (Conjoint-Analyse, Diskriminanzanalyse, Kontingenzanalyse) auf die Überprüfung statistischer Zusammenhänge zwischen Variablen gerichtet sind, ist es Aufgabe der strukturentdeckenden Analyse (Faktorenanalyse, Clusteranalyse), derartige Zusammenhänge aufzuspüren. Vgl. Backhaus, K. et al., Multivariate Analysemethoden Eine anwendungsorientierte Einführung, a.a.O., S. XVIII.Google Scholar
  9. 11.
    Zu Gegenstand und Ausgestaltung dieser Verfahren vgl. stellvertretend Bleymüller, J., Gehlert, G., Gülicher, H., Statistik für Wirtschaftswissenschaftler, 10. Aufl., München 1996, S. 101 ff.; Backhaus, K. et al., Multivariate Analysemethoden: Eine anwendungsorientierte Einführung, a.a.O., S. 91 ff.Google Scholar
  10. Vgl. Bretton-Clark Inc. (Hrsg.), Conjoint LINMAP, User’s Manual, New York 1989, S. 6 ff.; Srinivasan, V., Shocker, A.D., LINMAP IV-User’s Manual: Linear Programming Techniques for Multidimensional Analysis of Preference Judgments, Nashville, TN 1981, S. 1 ff.; Srinivasan, V., Shocker, A.D., LINMAP IV, in: JoMR, Vol. 19, November 1982, S. 601 ff.Google Scholar
  11. 13.
    Vgl. Jain, A.K. et al., A Comparison of the Internal Validity of Alternative Parameter Estimation Methods in Decompositional Multiattribute Preference Models, a.a.O., S. 313 ff.; Green, P.E., Srinivasan, V., Conjoint Analysis in Consumer Research: Issues and Outlook, a.a.O., S. 113.Google Scholar
  12. 14.
    Vgl. Srinivasan, V., Jain, A.K., Malhotra, N.K., Improving Predictive Power of Conjoint Analysis by Constrained Parameter Estimation, in: JoMR, Vol. 20, August 1983, S. 433 ff.Google Scholar
  13. 20.
    Auf eine detaillierte Darstellung dieser Ergebnisse soll an dieser Stelle aufgrund des geringen Stichprobenumfangs sowie der explorativen Zielsetzung dieser Befragungsstufe ebenso wie auf eine Signifikanzanalyse verzichtet werden.Google Scholar
  14. 35.
    Für das Untermodul Service mußte ein asymmetrisches 22 X 32 Design (2 Eigenschaften mit 2 Ausprägungen sowie 2 Ausprägungen mit 3 Ausprägungen) konstruiert werden. Auch hier konnte auf einen von ADDELMAN entwickelten Plan zurückgegriffen werden, mit dem die insgesamt 36 Kombinationen auf 9 Stimuli reduziert wurden. Vgl. Addelman, S., Orthogonal Main-Effect Plans for Asymmetrical Factorial Experiments, a.a.O., S. 24. Für die Submodule Reisezeitaufwand und Ausstattung wurde hingegen ein symmetrisches Derivat des Meta-Designs eingesetzt (25 Design), mit dem die 32 Anordnungsmöglichkeiten auf 8 Untersuchungsstimuli verringert werden konnten. Auf ähnliche Weise ließ sich schließlich das Design für das Modul Sozialer Nutzen (24 Design) erstellen, wobei für die 4 Merkmale mit jeweils 2 Ausprägungen eine Reduktion der Beurteilungsstimuli von 16 auf 8 erfolgte. Zur Anordnung der Stimuli in den Untermodulen vgl. die Abbildungen A2 bis A4 im Anhang I dieser Arbeit.Google Scholar
  15. 36.
    Vgl. dazu die Abbildungen Al0 bis A13 im Anhang I dieser Arbeit. Abbildung A14 im Anhang I enthält schließlich ein Beispielsstimulus für jedes der vier Untermodule.Google Scholar
  16. 38.
    Die Überprüfung der Validität dieses Vorgehens wird im Anschluß an die im folgenden diskutierte Schätzung der Nutzenwerte vorgenommen.Google Scholar
  17. 39.
    Für die Nutzenschätzung im Rahmen der Untermodule wurde für alle Merkmale das Teilnutzenwertmodell gewählt.Google Scholar
  18. 40.
    In den Conjoint-Experimenten mit 8 Untersuchungsstimuli entsprach dies einer Verletzung von mehr als 4 der insgesamt 28 Paarvergleiche. Das Gütemaß Kendall’s Tau mußte dementsprechend mindestens einen Wert von 0,7 aufweisen. Für das mit 9 Stimuli ausgestattete Submodul Service wurde die Validitätsgrenze entsprechend auf eine Verletzung von maximal 5 der insgesamt 36 Paarvergleiche festgelegt.Google Scholar
  19. 41.
    Damit wurden insgesamt 815 Probanden von der Analyse ausgeschlossen, für die fehlerhafte Beurteilungen im Rahmen des Meta-Designs, der Modul-Designs oder in beiden Experimenten identifiziert werden konnten.Google Scholar
  20. 42.
    Auf eine separate Diskussion der im Rahmen der verschiedenen Subexperimente ermittelten Teilnutzenwerte soll an dieser Stelle verzichtet werden, da sich hierin - vor dem Hintergrund der Aufgabenstellung dieser Arbeit - kein zusätzlicher Erkenntnisgewinn verbirgt. Die entsprechenden Ergebnisse sind den Abb. A15 - A19 im Anhang I dieser Arbeit zu entnehmen. Da das Programm LINMAP bereits standardisierte Teilnutzenwerte ermittelt, war zur Aggregation der Ergebnisse keine weitere Normierung erforderlich. Vgl. Bretton-Clark Inc. (Hrsg.), Conjoint LINMAP, User’s Manual, a.a.O., S. 46 f.Google Scholar
  21. 43.
    Zur Überprüfung der Unterschiede in den Teilnutzenwerten innerhalb des Meta-Designs bzw. der unterschiedlichen Submodule wurde der Friedmann-Test als Globaltest für Unterschiede in den Schätzergebnissen herangezogen. Der Friedmann-Test überprüft für mehrere Variablen, ob diese sich in der Tendenz unterscheiden. Dabei konnten für alle Conjoint-Experimente signifikante Werte (a - 0,01) ermittelt werden. Vgl. zum Friedmann-Test stellvertretend Brosius, G., SPSS/PC + Basics und Graphics. Einführung und praktische Beispiele, Hamburg u.a. 1988, S. 301. Überdies wurden zur Signifikanzüberprüfung T-Tests für gepaarte Stichproben durchgeführt. Keine signifikanten Unterschiede der Schätzwerte mit einem a - 0,10 konnten neben den Merkmalen Ausstattung und Service im Meta-Design auch für die Eigenschaften Unterhaltungsangebot und Gepäckaufbewahrung im Submodul Service, Gepäckaufbewahrung, Unterhaltungsangebot und Arbeitsmöglichkeiten im Submodul Ausstattung, Anbindung und Taktfrequenz im Submodul Reisezeitaufwand sowie Verbrauchsmaterialien und Bahntechnologie im Submodul Sozialer Nutzen identifiziert werden.Google Scholar
  22. 44.
    Diese Eigenschaft hatte durchaus auch als K.O.-Kriterium betrachtet werden können und damit strenggenommen nicht in die Untersuchung einbezogen werden dürfen. Empirische Belege in den Pünktlichkeitsschwankungen im Verkehrsdienstleistungsbereich unterstreichen indes die Notwendigkeit einer Aufnahme dieses Merkmals.Google Scholar
  23. 47.
    Optimalität bei Clusteranalysen, Experimente zur Bewertung numerischer Klassifikationsverfahren, Münster, Univ. Diss. 1981, S. 96 f.Google Scholar
  24. 48.
    Der Einsatz des Ward-Verfahrens zur Bildung von Marktsegmenten auf der Grundlage von Teilnutzenwerten der Conjoint-Analyse wird in der Literatur zuweilen als,,…unzulässig“ beurteilt. Weiber, R., Rosendahl, T., Anwendungsprobleme der Conjoint-Analyse: Die Eignung conjointanalytischer Untersuchungsansätze zur Abbildung realer Entscheidungsprozesse, a.a.O., S. 116. Als Begründung führen die Autoren dabei an, daß zur Segmentierung nicht die absoluten Abstände zwischen einzelnen Teilnutzenwerten zu verwenden seien - wie dies mit Hilfe eines Distanzmaßes zur Cluster-Bildung erfolgt -, sondern vielmehr die Entwicklung der Nutzenwerte in ihrer Relation berücksichtigt werden müsse. Damit dürfe zur Bildung von Clustern lediglich auf Ähnlichkeitsmaße wie dem Korrelationskoeffizient zurückgegriffen werden. Dieser Auffassung kann indes nicht gefolgt werden, da standardisierte Teilnutzenwerte - wie von LINMAP geliefert - auch einen Vergleich der Nutzenstrukturen zwischen den Befragten ermöglichen und damit gleichsam den Einsatz eines Ähnlichkeitsmaßes wie auch die Verwendung eines im Ward-Verfahren eingesetzten Distanzmaßes zur Cluster-Bildung gestatten. Eine ähnliche Begründung nimmt auch HAHN vor. Vgl. Hahn. C., Conjoint-und Discrete Choice-Analyse als Verfahren zur Abbildung von Präferenzstrukturen und Produktauswahlentscheidungen. Ein theoretischer und computergestützter empirischer Vergleich, a.a.O., S. 152 f. Die Leistungsfähigkeit des Ward-Verfahrens zum Zwecke einer Segmentierung auf Basis der in dieser Untersuchung ermittelten Conjoint-Schätzwerte wird schließlich durch das auf dem Ward-Algorithmus basierende und zur Segmentierung von LINMAP-Resultaten entwickelte Programmpaket „Conjoint Segmenter” unterstrichen. Vgl. Bretton-Clark Inc. (Hrsg.), Conjoint Segmenter, User’s Manual, New York 1993, S. 7 und S. 22 ff. In der vorliegenden Untersuchung konnte dieses Segmentierungsverfahren aufgrund der geringen Datenverarbeitungskapazität jedoch nicht verwendet werden.Google Scholar
  25. 52.
    Die mit Hilfe der Großrechnerversion SPSS` ermittelte Entwicklung des Varianzkriteriums ist in Abb. A20 im Anhang I dieser Arbeit dargestellt.Google Scholar
  26. 53.
    Die partitionierenden Cluster-Verfahren ermöglichen im Gegensatz zu den hierarchisch-agglomerativen Ansätzen eine iterative Umgruppierung von Objekten, bis ein vorgegebenes Optimalitätskriterium erreicht ist und eignen sich somit besonders zur Optimierung von Cluster-Lösungen. Vgl. stellvertretend Bleymüller, J., Multivariate Analysen für Wirtschaftswissenschaftler, Manuskript, a.a.O., S. 181 ff.Google Scholar
  27. 54.
    sa Die im Rahmen dieser Analyse verwendete Kombination hierarchischer und partitionierender Verfahren kombiniert die Vorteile verschiedener Ansätze der Clusteranalyse und kann demnach als geeignetes Vorgehen zur Ermittlung trennscharfer Segmentlösungen betrachtet werden. Zu einer ähnlichen Vorgehensweise vgl. Green, P.E., Krieger, A.M., Alternative Approaches to Cluster-Based Market Segmentation, a.a.O., 1995, S. 225; Wöllenstein, S., Betriebstypenprofilierung in vertikalen Vertriebssystemen. Eine Analyse von Einflußfaktoren und Erfolgswirkungen auf der Grundlage eines Vertragshändlersystems im Automobilhandel, Frankfurt a.M. 1996, S. 186 ff.Google Scholar
  28. 55.
    Die Diskriminanzanalyse zählt zu den strukturprüfenden multivariaten Analyseverfahren. Das Verfahren bietet sich dabei insbesondere zur Validierung der Ergebnisse von Clusteranalysen an. Vgl. Backhaus, K. et al., Multivariate Analysemethoden: Eine anwendungsorientierte Einführung, a.a.O., S. 90 ff.Google Scholar
  29. 56.
    Der Eigenwertanteil dieser zweiten Funktion umfaßte 48,0% an erklärter Varianz. Nach Einbeziehung der ersten Funktion wies der kanonische Korrelationskoeffizient einen Wert von 0,806 auf. Nach Berücksichtigung der zweiten Funktion belief sich dieser schließlich auf 0,794. eine Aussage hinsichtlich der Trennkraft einzelner Merkmale zwischen Gruppen zuläßt, dienen die Merkmalsbedeutungen der Conjoint-Analyse zur Identifizierung des relativen Nutzenbeitrags einzelner Merkmale für die jeweils betrachtete Stichprobe.Google Scholar
  30. 61.
    Vgl. die Ausführungen in Kapitel B.2.11 dieser Arbeit. Dabei wurde eine Unterscheidung zwischen Geschäftsreisen, Urlaubsreisen, Kurzurlaubsreisen, Privatreisen, Reisen aufgrund privater Verpflichtungen und Pendlerreisen vorgenommen. Vgl. den Fragebogen „Befragungsstufe 3“ im Anhang II dieser Arbeit.Google Scholar
  31. 70.
    Zu diesem Zweck wurden die verschiedenen Ausprägungen des Reiseanlasses in Gruppen unterteilt, für die mit Hilfe von Kreuztabellen der Zusammenhang dieser Kategorien zu den Ausprägungen der soziodemographischen und absatzkanalbezogenen, zugänglichkeitssteuernden Merkmale analysiert werden konnte. Insgesamt wurden dabei Einteilungen mit zwei (Geschäfts-und Privatreise), drei (Geschäfts-, Privat-und Pendlerreise), vier (Geschäfts-, Privat-, Urlaubs-und Pendlerreise) und sechs Gruppen (alle erfaßten Kategorien als eigene Gruppe) vorgenommen. Die Überprüfung der Beziehungen erfolgte erneut mit Hilfe des ChiQuadrat-Tests sowie des Gütemaßes Cramer’s V.Google Scholar
  32. 71.
    Bei der Durchführung von Diskriminanzanalysen diente der Reiseanlaß mit den jeweils herangezogenen Ausprägungen als Gruppierungsvariable, während die soziodemographischen und absatzkanalbezogenen Kriterien als Merkmalsvariablen fungierten. Die Aussagekraft derartiger Analysen war indes insofern begrenzt, da hier (strenggenommen) lediglich solche Merkmale integriert werden durften, denen ein metrisches Skalenniveau unterstellt werden konnte. Auf Basis eines Vergleiches der tatsächlichen Verteilung der Befragten auf die Gruppen verschiedener Reiseanlässe mit der durch die Diskriminanzanalyse (anhand der zugänglichkeitssteuernden Detailmerkmale) prognostizierten Zuordnung der Probanden zu den Anlässen konnte jedoch das auf Basis der Kreuztabellierungen erzielte Ergebnis bestätigt werden.Google Scholar
  33. 72.
    Als Pendlerreisen werden in diesem Zusammenhang Reisen betrachtet, die mit gewisser Re- gelmäßigkeit auf der gleichen Strecke zwecks gleicher Funktion (beruflich/privat) erfolgen.Google Scholar
  34. 73.
    Den Privatreisen wurden dabei zusätzlich die Kategorien Urlaubsreise, Kurzurlaub und private Verpflichtung zugewiesen. Die Bildung von vier Gruppen mit einer separaten Betrachtung der Urlaubsreisenden (inkl. Kurzurlaub) führte zu einem deutlichen Verlust an Trennschärfe der zugänglichkeitssteuernden Merkmale zwischen den Gruppen. Dabei zeigte sich, daß die Gruppen der Privat-und Urlaubsreisenden nahezu übereinstimmende soziodemographische Strukturen aufweisen.Google Scholar
  35. 74.
    Zur Überprüfung der Signifikanz der Häufigkeitsverteilungen zwischen den Gruppen wurde erneut auf den Chi-Quadrat-Test zurückgegriffen.Google Scholar

Copyright information

© Springer Fachmedien Wiesbaden 1998

Authors and Affiliations

  • Jesko Perrey

There are no affiliations available

Personalised recommendations