Skip to main content
SpringerLink
Log in
Book cover

Optimales Online-Marketing pp 109–213Cite as

Methodik zur optimalen Gestaltung von Online-Auftritten

  • Chapter

  • 169 Accesses

Zusammenfassung

Wie der Kauf von Produkten kann auch die Nutzung von Internet-Auftritten über verschiedene Modelle des Konsumentenverhaltens beschrieben werden. Grundlage eines Modells für die Nutzung von Internet-Auftritten bildet folgende schematische Darstellung des Entscheidungsprozesses (vgl. Abb. 3.1).

This is a preview of subscription content, log in via an institution.

Chapter
USD   29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD   49.99
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
Softcover Book
USD   49.99
Price excludes VAT (USA)
  • Compact, lightweight edition
  • Dispatched in 3 to 5 business days
  • Free shipping worldwide - see info

Tax calculation will be finalised at checkout

Purchases are for personal use only

Learn about institutional subscriptions

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Referenzen

  1. Vgl. Howard/Sheth (1969), S. 24f; Böcker (1986), S. 565.

    Google Scholar 

  2. Vgl.Apel(1996), S.22.

    Google Scholar 

  3. Vgl. Topritzhofer (1974), S. 15f.

    Google Scholar 

  4. Vgl. Bemdt (1996b), S. 43; Bänsch (1996), S. 133–135.

    Google Scholar 

  5. Hier handelt es sich genau genommen um ein teilstochastisches Modell, da auch Marketingvariablen in die Betrachtung aufgenommen werden. Bei vollstochastischen Modellen wie z.B. dem Markoff-Modell wird nur aufgrund eines als konstant unterstellten Markenwechselverhaltens der Marktanteil der neuen Periode berechnet. Vgl. Hruschka (1996), S. 9f.; Bemdt (1996b), S. 101–106.

    Google Scholar 

  6. Eine detaillierte Abhandlung der Annahmen von teil- und vollstochastischen Modellen findet sich bei Hruschka (1996), S. 9f.; Lilien/Kotler/Moorthy (1992), S. 33.

    Google Scholar 

  7. Vgl. Topritzhofer (1974), S. 15f.

    Google Scholar 

  8. An dieser Stelle sei darauf hingewiesen, daß die Gliederung der Determinanten auch anders erfolgen kann. Entscheidend ist, daß alle wesentlichen Einflußgrößen berücksichtigt werden. Vgl. Fink/Meyer (1996), S. 58.

    Google Scholar 

  9. Vgl. Kroeber-Riel/Weinberg (1996), S. 49.

    Google Scholar 

  10. Vgl. Kroeber-Riel/Weinberg (1996), S. 53–58.

    Google Scholar 

  11. Vgl. Trommsdorff(1993), S. 60–65.

    Google Scholar 

  12. Vgl.Bänsch(1996), S.38f.

    Google Scholar 

  13. Vgl. Kroeber-Riel/Weinberg (1996), S. 224–240.

    Google Scholar 

  14. Vgl. Seidel (1980), S. 74.

    Google Scholar 

  15. Vgl. Sixtl/Korte (1969), S. 184.

    Google Scholar 

  16. Vgl. Bänsch (1996), S. 96–113.

    Google Scholar 

  17. Vgl. Trommsdorff (1993), S. 201f.; Kroeber-Riel/Weinberg (1996), S. 431.

    Google Scholar 

  18. Vgl. Trornmsdorff(1993), S. 170–177.

    Google Scholar 

  19. Vgl. Riedl/Busch (1997), S. 12–19; Hoffman/Novak (1996), S. 62f.

    Google Scholar 

  20. Vgl. Fugmann/Hoffmann/Pfleiderer (1996), S. 19.

    Google Scholar 

  21. Diese Variable wurde bereits als exogene Inputvariable für den S-R-Ansatz klassifiziert. Die weiterführende Betrachtung wird zeigen, daß die Black-Box sehr stark mit den Inputvariablen verzahnt ist.

    Google Scholar 

  22. Vgl. Apel (1996), S. 22.

    Google Scholar 

  23. Vgl. Mazanec (1978), S. 27.

    Google Scholar 

  24. Vgl. Bänsch (1996), S. 5.

    Google Scholar 

  25. Vgl. Bettman (1979), S.371f.

    Google Scholar 

  26. Vgl. Howard/Sheth (1969), S. 24f; Engel/Kollat/Blackwell (1968), S. 15f.

    Google Scholar 

  27. Vgl. Lilien/Kotler/Moorthy (1992), S. 24–31; Hruschka (1996), S. 8f.; Böcker (1986), S. 550–554.

    Google Scholar 

  28. Vgl. Berthon/Pitt/Watson (1996), S.45f.

    Google Scholar 

  29. Vgl. Riedl/Busch (1997), S. 20–24.

    Google Scholar 

  30. Vgl. Lilien/Kotler/Moorthy (1992), S. 25.

    Google Scholar 

  31. Vgl. Maddox/Mehta/Daubek (1997), S. 57.

    Google Scholar 

  32. Vgl. Lilien/Kotler/Moorthy (1992), S. 25f.

    Google Scholar 

  33. Vgl. Brisoux/Laroche (1980), S. 112–114; Böcker (1996), S. 55f.

    Google Scholar 

  34. Vgl. Berthon/Pitt/Watson (1996), S. 48–51.

    Google Scholar 

  35. Vgl. Klaus (1997), O.S.

    Google Scholar 

  36. Vgl. Lilien/Kotler/Moorthy (1992), S. 64.

    Google Scholar 

  37. Vgl. Backhaus/Erichson/Plinke/Weiber (1996), S. 432f.

    Google Scholar 

  38. Vgl. Ducoffe (1996), S 28f.

    Google Scholar 

  39. Vgl. Gierl (1995), S. 35f.

    Google Scholar 

  40. Vgl. Böcker (1996), S. 55f.; Brisoux/Laroche (1980), S. 112–114.

    Google Scholar 

  41. Vgl. Meffert (1992), S. 325; Böcker (1986), S. 560f.

    Google Scholar 

  42. Vgl.Böhler(1992), S. 109f.

    Google Scholar 

  43. Vgl. Backhaus/Erichson/Plinke/Weiber (1996), S. 497.

    Google Scholar 

  44. Vgl. Böhler (1992), S. 113–117; Bemdt (1996b), S. 64; Trommsdorff (1993), S. 158–162.

    Google Scholar 

  45. Vgl. Fishbein (1966), S. 199–223.

    Google Scholar 

  46. Vgl. Böhler (1992), S. 117–119.

    Google Scholar 

  47. Vgl. Böcker (1986), S. 560f.

    Google Scholar 

  48. Vgl. Trommsdorff (1993), S. 141f.

    Google Scholar 

  49. Vgl. Trommsdorff (1993), S. 142.

    Google Scholar 

  50. Vgl. Tscheulin (1992), S. 17f.

    Google Scholar 

  51. Vgl. Lilien/Kotler/Moorthy (1992), S 89.

    Google Scholar 

  52. Vgl. Tscheulin (1992), S. 28.

    Google Scholar 

  53. Vgl.Saaty(1990), S. 11–16.

    Google Scholar 

  54. Vgl. Tscheulin (1992), S. 39.

    Google Scholar 

  55. Eine detaillierte Darstellung des Eigenwertproblems und dessen Lösung angewandt auf die Diskriminanz-analyse findet sich bei Backhaus/Erichson/Plinke/Weiber (1996), S. 157–164.

    Google Scholar 

  56. Vgl. Teil 3, Kap. 3.1.1 dieser Arbeit.

    Google Scholar 

  57. Vgl. Tscheulin (1992), S. 153–156.

    Google Scholar 

  58. Vgl. Hüttner (1989), S. 224f.

    Google Scholar 

  59. Vgl. Berekoven/Eckert/Ellenrieder (1993), S. 225f.

    Google Scholar 

  60. Vgl.Überla(1972), S. 155f.

    Google Scholar 

  61. Detaillierte Beschreibungen der Erhebungsverfahren finden sich bei Backhaus/Erichson/Plinke/Weiber (1996), S. 439–443.

    Google Scholar 

  62. Das Einpassen der Eigenschaftsvektoren erfolgt wie bei den Präferenzvektoren. Zunächst werden die Eigenschaften analog der Vorgehensweise der Faktorenanalyse beurteilt. Die Eigenschaftsbeurteilungen stellen die abhängige Variable, die Koordinaten der Perzeption die unabhängigen Variablen der Regressionsanalyse dar. Im Ergebnis muß zusätzlich die gleiche Erhebung wie bei der Faktorenanalyse durchgeführt werden. Vgl. Gierl (1995), S. 125–130.

    Google Scholar 

  63. Vgl. Böcker (1986), S.562f.

    Google Scholar 

  64. Vgl. Backhaus/Erichson/Plinke/Weiber (1996), S. 481f.

    Google Scholar 

  65. Vgl. Gierl (1995), S. 130–131; Backhaus/Erichson/Plinke/Weiber (1996), S. 466–475.

    Google Scholar 

  66. Vgl. Gierl (1995), S. 131f.

    Google Scholar 

  67. Vgl. Gierl(1995), S. 134.

    Google Scholar 

  68. Das Multinomiale Logit Modell ist von Logit Loglinearen Modellen zu unterscheiden. Letztere werden bei der Kontingenzanalyse (Kreuztabellierung) eingesetzt, um den Einfluß von Faktoren mit kategorialem Niveau und deren Interaktionseffekte auf die Zellhäufigkeit zu schätzen. Vgl. Norusis/SPSS Inc.(1993a), S. 175–179.

    Google Scholar 

  69. Vgl. Luce (1959), S. 25f.

    Google Scholar 

  70. Vgl. Lilien/Kotler/Moorthy (1992), S. 98–101.

    Google Scholar 

  71. Vgl. Hruschka (1996), S. 42.

    Google Scholar 

  72. Stehen nur zwei Internet-Auftritte zur Wahl, so spricht man nicht von einem Multinomialen Logit Modell, sondern von einem Binären Logit Modell; sind die stochastischen Nutzenkomponenten normalverteilt, von einem binären Probit Modell. Vgl. Lilien/Kotler/Moorthy (1992), S. 60–62; Norusis/SPSS Inc. (1993c), S 233f.

    Google Scholar 

  73. Vgl. Elrod/Louviere/Davey (1992), S. 370.

    Google Scholar 

  74. Vgl. Erichson (1980), S. 174–177.

    Google Scholar 

  75. Für kontinuierliche Merkmale lassen sich sogar Elastizitäten bzw. Kreuzelastizitäten der Nutzungswahrscheinlichkeit ermitteln. Vgl. Hruschka (1996), S. 43.

    Google Scholar 

  76. Vgl. Böcker (1986), S. 560.

    Google Scholar 

  77. Vgl. Dellaert/Borgers/Timmermans (1996), S. 263f.

    Google Scholar 

  78. Eine detaillierte Übersicht über Nested Logit Models findet sich bei Lilien/Kotler/Moorthy (1992), S 103–107 und Hruschka (1996), S. 44–47.

    Google Scholar 

  79. Vgl. Dichtl/Thomas (1986), S. 27–33; Müller/Kesselmann (1994), S. 271; Schweikl (1985), S. 142.

    Google Scholar 

  80. Vgl. Oppermann/Schubert (1994), S. 26; Schwan (1996), S. 237; Theuerkauf (1989), S. 1190; Tscheulin (1992), S. 51.

    Google Scholar 

  81. Eine sehr ausführliche Liste von Segmentierungen in Verbindung mit Conjointanalysen findet sich bei Aust (1996), S. 72.

    Google Scholar 

  82. Vgl. Teil 3, Kap. 2.3.3; Albers/Brockhoff (1985), S. 201.

    Google Scholar 

  83. Vgl. Fugmann/Hoffmann/Pfleiderer (1996), S. 39–43.

    Google Scholar 

  84. Vgl. Baiderjahn (1991), S. 34f; Baiderjahn (1994), S. 13–17; Kucher/Simon (1987), S. 30–32; Mengen/Simon (1996), S. 234–236; Müller/Kesselmann (1994), S. 263–265; Mahajan/Green/Goldberg (1982), S. 334f; Kohli/Mahajan (1991), S. 349–350.

    Google Scholar 

  85. Vgl. Bauer/Herrmann/Mengen (1994), S. 85f.

    Google Scholar 

  86. Vgl. Green/Krieger (1992), S. 120–125.

    Google Scholar 

  87. Vgl. Fröhling (1994), S 1150–1155.

    Google Scholar 

  88. Vgl. Palloks (1996), S. 121–123.

    Google Scholar 

  89. Vgl. Mengen (1993), S. 73f.; Schubert (1991) S. 142.

    Google Scholar 

  90. Vgl. Green/Srinivasan (1978), S. 108.

    Google Scholar 

  91. Vgl. Theuerkauf (1989), S. 1180.

    Google Scholar 

  92. Vgl. Green/Wind (1975), S. 107–117. Besitzt ein Objekt z.B. 3 Eigenschaften mit jeweils 3 Ausprägungsstufen, so ergeben sich (3–3–3=27) mögliche Stimuli.

    Google Scholar 

  93. Es sind bereits Verfahren entwickelt worden, mit denen die Anzahl der Kärtchen so reduziert werden kann, daß die Güte der Conjointanalyse nicht darunter leidet. Diese werden im folgenden detaillierter vorgestellt.

    Google Scholar 

  94. Vgl. Schweikl (1985), S. 47; Green/Srinivasan (1978), S. 107–108. Die übrigen, nicht in der jeweiligen Trade-Off-Matrix enthaltenen Eigenschaften besitzen gleiche Ausprägungen. Für obiges Beispiel ergeben sich 3 Trade-Off-Matrizen mit jeweils 3–3=9 Stimuli, also insgesamt ebenfalls 3–9=27 Stimuli. Die Anzahl der zu bewertenden Stimuli kann durch Weglassen von ausgewählten Trade-Off-Matrizen reduziert werden. Green hat hierzu das sogenannte partiell blanchierte unvollständige Block-Design entwickelt. Vgl. Green (1974), S. 63.

    Google Scholar 

  95. Vgl. Green/Srinivasan (1978), S. 108. Die Bewertungsaufgabe bei der Trade-Off-Analyse ist mit der des AHP-Verfahrens zu vergleichen, wobei im Rahmen letzterer Ausprägungen derselben Eigenschaft miteinander verglichen werden.

    Google Scholar 

  96. Vgl. Schweikl(1985), S.48.

    Google Scholar 

  97. Vgl. Schweikl (1985), S. 48.

    Google Scholar 

  98. Vgl. Green/Srinivasan (1978), S. 108.

    Google Scholar 

  99. Vgl. Müller-Hagedorn/Sewing/Toporowski (1993), S. 146f.

    Google Scholar 

  100. Vgl. Carroll/Green (1995), S. 387.

    Google Scholar 

  101. Vgl. Green (1984), S. 156.

    Google Scholar 

  102. Diese Produktprofile ergeben sich wie folgt: Zunächst werden auf Basis aller Eigenschaften und Eigenschaftsausprägungen sämtliche möglichen Stimuli ermittelt (Full-Profile-Ansatz). Die sich daraus ergebende Menge von Stimuli (bis zu 1000) wird zwecks Praktikabilität unter der Berücksichtigung von orthogonalen Haupteffekten zum „Master Design” (einige 100 Stimuli) reduziert. Aus dem „Master Design” werden Teilmengen („Subsets”) mit bis zu neun Stimuli gezogen und auf die Fragebögen verteilt. Vgl. Green (1984), S. 157; Stadtler (1991), S.27f.

    Google Scholar 

  103. Mittels Regressionsanalyse kann der Parameter b des Modells bestimmt werden, der den Einfluß des individuellen Nutzens auf den Gesamtnutzen im Vergleich zum aggregierten Gruppennutzen widerspiegelt. Vgl. Green (1984), S. 157; Carroll/Green (1995), S. 385.

    Google Scholar 

  104. Vgl. Carroll/Green (1995), S. 388.

    Google Scholar 

  105. Vgl. Lilien/Kotler/Moorthy (1992), S. 243; Stadtler (1993), S. 36.

    Google Scholar 

  106. Vgl. Huber/Wittink/Fiedler/Miller (1993), S. 109; Green/Krieger/Agarwal (1991), S. 215f.

    Google Scholar 

  107. Vgl. Johnson (1987), S. 253–265; Green/Krieger/Agarwal (1991), S. 216.

    Google Scholar 

  108. Green/Krieger/Agarwal bemängeln die Erhebung der Präferenz der Ausprägungsstufen und der Wichtigkeit der Eigenschaften. Sie schlagen einheitlich eine 10-stufige Ratingskala vor. Johnson bestätigt diesen Mangel, rechtfertigt ihn jedoch mit einer geringeren Erhebungsdauer. Vgl. Johnson (1991), S. 224; Green/Krieger/Agarwal (1991), S. 220.

    Google Scholar 

  109. Vgl. Carroll/Green (1995), S. 386. Bei den Paarvergleichen werden nicht alle Eigenschaften der Profile aufgeführt (kein Full-Profile-Ansatz). Der Literatur ist nicht zu entnehmen, nach welchen Kriterien die Eigenschaften ausgewählt werden. Green/Krieger/Agarwal bemängeln, daß geringe Nutzenunterschiede nur durch Vorstellen aller Eigenschaften näher bewertet werden können. Vgl. Green/Krieger/Agarwal (1991), S. 220.

    Google Scholar 

  110. Vgl. Johnson (1991), S. 224.

    Google Scholar 

  111. Dem Befragten werden hier Profilbeschreibungen präsentiert, deren Gesamtnutzen aufgrund der in Phase 3 ermittelten Teilnutzen berechnet wurde. Für jedes Produktprofil muß die Auskunftsperson angeben, mit welcher Wahrscheinlichkeit (zwischen 0–100 Prozent) sie das beschriebene Produkt kaufen bzw. nutzen würde. Mittels Regression wird im Anschluß ein Zusammenhang zwischen dem Gesamtnutzenwert (unabhängige Variable), der sich aus den Teilnutzen berechnet, und der Kaufbereitschaft (abhängige Variable) ermittelt. Die summierte quadrierte Abweichung dieses Regressionsmodells wird als Gütekriterium für die geschätzten Teilnutzen herangezogen.

    Google Scholar 

  112. Vgl. Carroll/Green (1995), S. 386.

    Google Scholar 

  113. Vgl. Agarwal/Green (1991), S. 143f.

    Google Scholar 

  114. Vgl. Schweikl (1985), S. 102–105, S. 147f, S. 151–155; Böcker/Schweikl (1988), S. 15–22.

    Google Scholar 

  115. Vgl. Schweikl (1985), S. 200f, S. 188–191.

    Google Scholar 

  116. Die Berechnung der Prognosevalidität ist bei Schweikl sehr kritisch zu betrachten. Zu ihrer Berechnung werden die reproduzierten Präferenzwerte der Conjointanalyse mit den wichtigsten Eigenschaften (6 Eigenschaften) mit den Präferenzwerten einer Conjointanalyse mit 24 Eigenschaften als Außenkriterium korreliert. Zu bezweifeln ist, ob bei der Kärtchenpräsentation mit 24 Eigenschaften valide Präferenzwerte gemessen werden können. Vgl. Schweikl (1985), S. 163–165.

    Google Scholar 

  117. Eine detaillierte Übersicht über die in den letzten Jahrzehnten entwickelten Verfahren findet sich bei Carroll/Green (1995), S. 385f.

    Google Scholar 

  118. Experimentelle Designs werden zur besseren Übersicht allgemein in Formeln ausgedrückt. Werden z.B. drei Merkmale A (mit 2 Ausprägungen), B (mit 3 Ausprägungen) und C (mit 4 Ausprägungen) betrachtet, so wird von einem 2×3×4-Design gesprochen. Soll hingegen für ein Produkt mit Merkmal A (mit 3 Ausprägungen), B (mit 3 Ausprägungen) und C (mit 2 Ausprägungen) ein Erhebungsdesign entworfen werden, so liegt ein 3×3×2-Design (kurz 32×2) vor. Allgemein setzt sich ein 2i×3j×4k... Design aus i Merkmalen mit je 2 Ausprägungen, j Merkmalen mit je 3 Ausprägungen und k Merkmalen mit je 4 Ausprägungen zusammen. Vgl. Gierl (1995), S. 167. Wenn anstelle des × ein Multiplikationszeichen verwendet wird, kann die Anzahl der Stimuli des vollständigen Designs direkt berechnet werden. Für 32×2 ergeben sich 32·2=18 Stimuli.

    Google Scholar 

  119. Vgl. Gierl (1995), S. 165; Green/Srinivasan (1978), S. 109.

    Google Scholar 

  120. Reduzierte Designs sollten immer orthogonal sein. Ein orthogonales Haupteffekte-Design impliziert, daß zwischen den Eigenschaften keine Interaktionen vorliegen. Dies ist vor allem für die Schätzung der Parameter (Teilnutzen) von Bedeutung, da Korrelationen zwischen den Eigenschaften (unabhängige Variablen) bei der Regression zu Schätzverzerrungen führen. Geprüft wird Orthogonalität dadurch, daß alle Eigenschaftsausprägungen 0/1-dummy-codiert werden (Dichotomisierung) und anschließend paarweise die Korrelationswerte zwischen den Eigenschaftsvektoren berechnet werden. Sind alle Korrelationswerte gleich null, so ist das Design orthogonal. Liegen im Design mehrstufige Merkmale vor, die 0/1-dummy-codiert sind, so entstehen zwangsläufig innerhalb der Eigenschaften Korrelationen. Vgl. Gierl (1995), S. 169.

    Google Scholar 

  121. Ein Design ist genau dann symmetrisch, wenn alle Eigenschaften die gleiche Anzahl von Eigenschaftsausprägungen besitzen. Bei asymmetrischen Designs kann die Anzahl der Eigenschaftsausprägungen zwischen den Eigenschaften variieren. Vgl. Addelman (1962b), S. 21.

    Google Scholar 

  122. Vgl. Basispläne 1 bis 7 bei Addelman (1962b), S. 36–39; Gierl (1995), S. 169. Unter anderem werden dort folgende symmetrische Designs vorgestellt: 215- Design mit 16 Stimuli, 313-Design mit 27 Stimuli, 46-Design mit 25 Stimuli, 56-Design mit 25 Stimuli. Durch Streichen von Spalten kann die Anzahl der Eigenschaften reduziert werden. Vgl. Addelman (1962b), S. 22f; Addelman (1962a), S. 52f. Bedingung für ein orthogonales symmetrisches (wie auch asymmetrisches) Haupteffekte-Design ist, daß die Ausprägung einer Eigenschaft mit proportionaler Häufigkeit zu jeder Ausprägung der anderen Eigenschaften vorkommt. Green/Srinivasan und Stallmeier weisen allerdings darauf hin, daß die Designs von Addelman zu stark fraktioniert sind. Zu viele Parameter müssen auf Basis von zu wenigen Beobachtungswerten geschätzt werden. Vgl. Green/Srinivasan (1990), S. 5; Stallmeier (1993), S. 142f.

    Google Scholar 

  123. Vgl. Thomas (1983), S. 324–328.

    Google Scholar 

  124. Am einfachsten können reduzierte asymmetrische Designs (z.B. 3×3×2×2) konstruiert werden, indem man zuerst vom entsprechenden symmetrischen Design (z.B. 3×3×3×3) ausgeht und bei denjenigen Eigenschaften, die eine zu große Anzahl an Aussprägungsstufen aufweisen, Collapsing anwendet. Vgl. Backhaus/Erichsori/Plinke/Weiber (1996), S. 521 f. Durch diese Vorgehensweise ergeben sich jedoch nicht immer Designs, die die geringste Anzahl von Stimuli besitzen. Durch simultanes Anwenden von Collapsing und Replacement können unter Umständen Designs mit einer noch geringeren Anzahl von Stimuli konstruiert werden. Es gibt keine allgemeingültige Regel für die Konstruktion von Designs. Im Einzelfall müssen verschiedene Vorgehensweisen getestet werden. Die gleichzeitige Anwendung aller drei Techniken kann allerdings zum Verlust der Orthogonalitätseigenschaft führen. Vgl. Gierl (1995), S. 171.

    Google Scholar 

  125. Vgl. Green/Srinivasan (1978), S. 107. Grundsätzlich werden zwei Möglichkeiten unterschieden, um Interaktionen zwischen Faktoren bei der Conjointanlyse zu berücksichtigen: Die interagierenden Faktoren können zu „Hyperfaktoren” zusammengefaßt werden. Aus zwei zweistufigen Merkmalen wird dann z.B. ein vierstufiger Faktor konstruiert, der alle Kombinationen der Ausprägungsstufen berücksichtigt. Vgl. Thomas (1983), S. 313f. Das Design der Hauptfaktoren kann um Interaktionseffekte ergänzt werden. Mit dem vollständigen Design von drei Faktoren mit jeweils zwei Ausprägungen können alle Interaktionen berücksichtigt werden. Vgl. Green (1984), S. 163f.; Thomas (1983), S. 313f. Neben den Variablen für die Haupteffekte werden dem Design noch „Pseudovariablen” für die Interaktion hinzugefügt. Vgl. Sattler (1991), S. 15lf.

    Google Scholar 

  126. Die intervallskalierte Vorgehensweise besitzt den Vorteil, daß die Befragung im Gegensatz zur ordinalen Rangordnung auch schriftlich und ohne Hilfestellung des Interviewers durchgeführt werden kann. Die Beurteilungen werden dabei nicht simultan im Vergleich zu anderen Profilen durchgeführt. Generell wird allerdings bezweifelt, ob Versuchspersonen in der Lage sind, Profile intervallskaliert auf einer Ratingskala zu positionieren. Thomas schlägt deshalb ein Verfahren vor, bei dem die Stimuli als Kärtchenreiter auf einem Lineal (Präferenzskala) piaziert werden. Der Proband kann die Reiter so lange verschieben, bis die exakte Präferenzfolge gefunden ist. Vgl. Thomas (1983), S. 359–361.

    Google Scholar 

  127. Beim paarweisen Vergleich der Stimuli muß sich der Proband, im Gegensatz zur simultanen Präsentation, bei der alle Stimuli miteinander zu vergleichen sind, weniger konzentrieren. Die sukzessive Bewertung von Objektpaaren bildet die eigentliche Präferenzbildung allerdings nicht exakt ab, da sich diese auf alle zur Verfügung stehenden Alternativen erstreckt. Hierdurch kann es zu Intransitivitäten im PräferenzgefÜge kommen, die sich negativ auf die Schätzergebnisse auswirken.

    Google Scholar 

  128. Allein bei 9 Stimuli sind also 36 Paarvergleiche zu bewerten. Es wurden bereits Verfahren ermittelt, mit denen die Zahl der Paarvergleiche vermindert werden kann, ohne daß die Validität der Schätzergebnisse abnimmt. Auf diese wird in Teil 3, Kap. 3.6.2 näher eingegangen.

    Google Scholar 

  129. Vgl. Green/Krieger/Agarwal (1991), S. 216. Den Probanden ist es hierbei wegen des begrenzten Wertebereiches (1 bis 4) oftmals nicht möglich, den Nutzenunterschied intervallskaliert anzugeben. Möglicherweise werden zwei Stimuli mit vier bewertet, obwohl ein Objekt deutlich stärker bevorzugt wird als das andere. Die Versuchspersonen sind somit teilweise gezwungen, inkonsistente Urteile abzugeben. Vgl. Schweikl (1985), S. 118–120. Die guten Schätzergebnisse von ACA können möglicherweise dadurch begründet werden, daß dort nur Stimuli in Paarvergleichen präsentiert werden, bei denen der Nutzenunterschied sehr gering ist. Die vierstufige Skala reicht dann aus, den Nutzenunterschied korrekt anzugeben zu können. Vgl. Green/Krieger/Agarwal (1991), S. 216.

    Google Scholar 

  130. Vgl. Green/Srinivasan (1978), S. 112. Die nach oben offene Skala ermöglicht es den Befragten, im Vergleich zur GPC-Skala, konsistentere Urteile über Präferenzunterschiede abzugeben. Diese Erhebungsprozedur ist an Anwendungen gebunden, bei denen der Preis als Maßstab zur Beurteilung von Nutzenunterschieden herangezogen werden kann.130 Für die in dieser Untersuchung durchgerührten Vergleiche von Internet-Auftritten erweist sich die Dollar-Metric als unpassend, da deren Abruf nichts kostet („Wieviel darf Internet-Auftritt A im Vergleich zu B mehr kosten?”). Der Nachteil: Bei Produkten, bei denen der Preis als Qualitätsindikator dient, wird das höherpreisige Produkt gewählt, obwohl beide Produkte die gleiche Ausstattung besitzen. Vgl. Schweikl (1985), S. 121.

    Google Scholar 

  131. Der Nutzenunterschied zwischen den beiden Alternativen kann dann durch Subtraktion der beiden Werte ermittelt werden. Durch diese Methode wird zwar der mögliche Meßfehler, der bei GPC-Skalen auftritt, umgangen. Wie bei der Dollar-Metric dauert die Bewertung jedoch deutlich länger.

    Google Scholar 

  132. Denkbar ist hierbei eine Anwendung, bei der dem Probanden alle Stimuluskarten auf dem Bildschirm vorgestellt werden. Er kann dann einzelne Karten mit der Maus anklicken und so verschieben, daß sie letztendlich eine Präferenzreihenfolge ergeben. Da alle Stimuli gleichzeitig auf einem Bildschirm präsentiert werden müssen, ist die Anzahl darstellbarer Stimuli allerdings sehr begrenzt.

    Google Scholar 

  133. Die Variation der Präsentationsform bezieht sich allerdings nur auf den Full-Profile-Ansatz, da die Präsentation der Stimuli beim Trade-Off-Ansatz an die tabellarische Form gebunden ist.

    Google Scholar 

  134. Untersuchungen zeigen jedoch, daß die errechneten Teilnutzen von der Anordnung der Produkteigenschaften auf den Kärtchen abhängig sind. Vgl. Weisenfeld (1989), S. 77; Acito (1977), S. 84f. Größter Kritikpunkt an der verbalen Präsentation ist, daß in die Nutzenermittlung Eigenschaften einbezogen werden, die bei einer realen Wahlentscheidung von Probanden möglicherweise gar nicht berücksichtigt würden. Vgl. Sattler (1991), S. 138f. Zudem neigen Versuchspersonen dazu, verbale Informationen eher sequentiell zu verarbeiten, wohingegen bildliche Informationen eher simultan aufgenommen werden. Dies schränkt die ganzheitliche Bewertung der Profile erheblich ein. Vgl. Holbrock/Moore (1981), S. 110–112. In der Literatur ist keine Einheitlichkeit darüber gegeben, ob die bildliche Präsentation der verbalen Präsentation überlegen ist. Vgl. Sattler (1991), S.137f.

    Google Scholar 

  135. Vgl. Sattler (1991), S. 75; Holbrock/Moore (1981), S. 110–112. Einige Eigenschaften wie z.B. „Styling” können nur sehr schwer verbalisiert werden. Unausweichlich muß hier auf die bildliche Darstellung zurückgegriffen werden. Andererseits können bestimmte Eigenschaften wie z.B. die Lautsprecherleistung bei Autoradios nicht bildlich operationalisiert werden. Vgl. Loosschilder/Rosbergen/Vriens/Wittink (1995), S. 20–22.

    Google Scholar 

  136. Diese Mischform zwischen verbaler und bildlicher Präsentation stellt geringe Anforderungen an die Aufnahmefähigkeit der Befragten, da Teile der Stimuli visualisiert sind. Überdies ist diese Form der Erhebung für die Versuchspersonen nicht so monoton wie die verbale Beschreibung. Der Proband zieht nur diejenigen Eigenschaften zur Präferenzbildung heran, die auch in der Realität letztendlich entscheidend sind. Vgl. Green/Srinivasan (1978), S. 111.

    Google Scholar 

  137. Vgl. Meyer (1994), S. 313f; Hildebrandt (1994), S. 17f. Untersuchungen mit virtuellen Prototypen führen trotz deutlich geringerer Kosten zu ähnlichen Ergebnissen wie Tests mit realen Prototypen. Vgl. Erdmann (1996), S. 48f.

    Google Scholar 

  138. Die bereits angesprochenen Modelle von Fishbein und Trommsdorff sind ebenfalls kompensatorisch. Sie gehen jedoch im Gegensatz zum Teilnutzenmodell davon aus, daß die Eigenschaftsausprägungen kontinuierlich (stetig) auf die Präferenz des Produktes wirken. Das Teilnutzenmodell kann für kontinuierliche Merkmale (z.B. Preis, Benzinverbrauch usw.) durch Extrapolation in eine stetige Präferenzfunktion umgewandelt werden. Daraus kann sich ein Idealpunkt- bzw. ein Idealvektormodell ergeben. Vgl. Mengen/Simon (1996), S. 233–235; Müller/Kesselmann (1994), S. 271.

    Google Scholar 

  139. Vgl. Lilien/Kotler/Moorthy (1992), S. 93f.

    Google Scholar 

  140. Ein Modell, das diese Bedingung annähert, ist die multiplikative Verknüpfungsfunktion. Vgl. Böcker (1986), S. 558f; Tscheulin (1992), S. 14f.

    Google Scholar 

  141. Eine Annäherung dieser Präferenzbildung ist durch eine reziproke Funktion möglich. Vgl. Böcker (1986), S. 558f; Tscheulin (1992), S. 14f.

    Google Scholar 

  142. Vgl. Bamberg/Coenenberg(1996), S. 51.

    Google Scholar 

  143. Eine Auflistung von Untersuchungen, in denen Teilnutzenmodelle zu validen Ergebnissen führten, findet sich bei Carroll/Green (1995), S. 385.

    Google Scholar 

  144. Vgl. Böcker (1986), S. 559.

    Google Scholar 

  145. Neben der Kleinst-Quadrat-Schätzung sind die Verfahren LINMAP und MONANOVA am weitesten verbreitet. Als Dateninput genügen bei LINMAP Daten mit ordinalem Niveau. Das Computerprogramm ermöglicht es, neben Rangreihungsdaten auch Daten aus Trade-Off-Matrizen und Paarvergleichen zu verarbeiten. Zum Auffinden der Teilnutzen wird die lineare Programmierung (LP) eingesetzt. Zielfunktion des LP-Modells ist die Minimierung der Unterschiede zwischen den erhobenen und den reproduzierten Präferenzdaten. Als Nebenbedingungen fungieren u.a. das gewünschte Präferenzmodell und die Standardisierung der Teilnutzen. Vgl. Srinivasan/Shocker (1973), S. 365–369. Das von Kruskal entwickelte Verfahren MONANOVA verlangt ebenso nur ordinalen Dateninput. Im Gegensatz zu LINMAP können hier allerdings nur Rangordnungsdaten berücksichtigt werden. Mittels metrischer Varianzanalyse werden in einem ersten Schritt Teilnutzen bestimmt, die die Ausgangswerte für das weitere Verfahren darstellen. Auf Basis dieser Ausgangswerte wird der metrische Gesamtnutzen reproduziert, der dann auf ordinales Niveau reduziert und mit den empirisch ermittelten Rangreihungsdaten verglichen wird. Zwischen den empirischen Werten und den reproduzierten Rangwerten muß die Monotoniebedingung erfüllt sein. Mittels monotoner Transformation werden neue reproduzierte Rangwerte errechnet, die der Montoniebedingung genügen. Diese stellen wiederum den Input fur die metrische Varianzanalyse dar, die dazu dient, bessere Teilnutzen zu berechnen. Dieses wechselseitige Zusammenspiel von metrischer Varianzanalyse und monotoner Transformation wird iterativ so lange durchgeführt, bis sich keine Verbesserung der Monotonie mehr erreichen läßt. Vgl. Backhaus/Erichson/Weiber/Plinke (1996), S. 512–517; Aust (1996), S. 68f; Stallmeier (1993), S. 99–101.

    Google Scholar 

  146. Wittink/Cattin (1989) und Wittink/Vriens/ Burhenne (1994) zitiert nach Aust (1996), S. 64.

    Google Scholar 

  147. Diese Schätzmethode hat den großen Vorteil, daß sie unabhängig von speziellen Programmpaketen auch mit der einfachen Regressionsanalyse, die in fast allen Statistik-Programmpaketen enthalten ist, durchgeführt werden kann. Darüber hinaus liefert die Regressionsanalyse nützliche Informationen über die Güte der Parameterschätzung (gesamte Regressionsfunktion: R2, Sig F; Regressionskoeffizienten: Sig t). Vgl. Teil 3, Kap. 4.6.2.

    Google Scholar 

  148. Die Zufallsvariable e drückt aus, daß die ermittelten Gesamturteile nicht exakt durch eine Linearkombination der Teilnutzen reproduziert werden können. Als Ursache können das Fehlen von erklärenden Variablen, mangelnde Konzentration der Probanden und nicht korrekte Spezifikation des Modells angeführt werden. Vgl. Stallmeier (1993), S. 103f.

    Google Scholar 

  149. Wenn jede Eigenschaft des Produktprofils nur zwei Ausprägungsstufen besitzt, so reicht jeweils eine 0/1-codierte Dummyvariable (0: Ausprägungsstufe 1; 1: Ausprägungsstufe 2) zur Dichotomisierung aus. Jede Eigenschaft stellt dann eine unabhängige Variable für die Regression dar. Die zu schätzenden Parameter wi bilden die gesuchten Teilnutzen ab.

    Google Scholar 

  150. Grundsätzlich benötigt man für m Ausprägungen einer Eigenschaft m-1 0/1-codierte Dummyvariablen. Die Anzahl der Dummyvariablen muß dabei niedriger als die Anzahl der Ausprägungen sein, da andernfalls die Dummyvariablen linear abhängig werden und bei Multikollinearität die Anwendung der Regressionsanalyse nicht möglich ist. Vgl. Schweikl (1985), S. 62. Deshalb muß zusätzlich ein Konstantterm w0 in das Regressionsmodell aufgenommen werden. Dieser gibt den Basisnutzen des Produktprofils wieder, bei dem alle Eigenschaften die Ausprägungsstufe 1 besitzen.

    Google Scholar 

  151. Vgl. Teil 3, Kap. 3.2.

    Google Scholar 

  152. Für die erste Ausprägungsstufe wird ein Teilnutzen von 0 gesetzt. Der Basisnutzen w0 müßte eigentlich auf die ersten Ausprägungsstufen aller Eigenschaften verteilt werden. Darauf kann aber verzichtet werden, da sich die Relation der Teilnutzen hierdurch nicht ändert. Durch die 0/1-dummy-Codierung der unabhängigen Variablen kann das Problem auch mit der Varianzanalyse gelöst werden (unabhängige Variablen nominal (0/1-codiert) und abhängige Variable metrisch). Vgl. Backhaus/Erichson/Plinke/Weiber (1996), S.56f., S. 510f.

    Google Scholar 

  153. Konträr dazu kann aus den Paarvergleichsdaten auch die eigentliche Präferenzreihenfolge reproduziert werden. Zur Auswertung kann dann das im vorherigen Kapitel beschriebene Verfahren der Kleinst-Quadrat-Schätzung auf Basis von metrischen Präferenzdaten verwendet werden. Vgl. Sixtl (1982), S. 183–194. Durch die hier beschriebene Vorgehensweise kann dieser Schritt übersprungen werden. Dies hat den Vorteil, daß weniger Paarvergleiche zur Schätzung benötigt werden. Vgl. Hausruckinger/Herker (1992), S. 104f.

    Google Scholar 

  154. Die Variablen dlmt nehmen den Wert 0 an, wenn die im t-ten Paarvergleich einander gegenübergestellten Alternativen jt und kt bei Merkmal 1 identische Ausprägungsstufen (0,0; 1,1) annehmen, den Wert +1, wenn die Alternative jt die Stufe 1 und kt die Stufe 0 (1,0) besitzt; und den Wert -1 an, wenn Alternative jt die Stufe 0 und kt die Stufe 1 (0,1) aufweist.

    Google Scholar 

  155. Bei der Schätzung dieses Regressionsmodells ist zu beachten, daß kein Konstantglied im Modell vorhanden sein darf. Bei vielen Programmpaketen, u.a. SPSS, kann dieses Glied nicht aus der Berechnung ausgeschlossen werden. Als Teilnutzen verwendet man deshalb nicht die eigentlich geschätzten Regressionskoeffizienten, sondern die standardisierten Regressionskoeffizienten (BETA). Diese Werte geben die eigentliche Einflußstärke der unabhängigen Variable für die Erklärung der abhängigen Variable wieder. Vgl. Backhaus/Erichson/Plinke/Weiber(1996), S. 19f, S.39.

    Google Scholar 

  156. Vgl. Hausruckinger/Herker (1992), S. 107.

    Google Scholar 

  157. Green reduzierte die Anzahl der Paarvergleiche auf 48. Aber auch diese Menge ist für Erhebungen noch zu groß. Vgl. Green (1974), S. 65; Hausruckinger/Herker (1992), S. 104.

    Google Scholar 

  158. In einem ersten Schritt werden die Stimuli in Viererblöcke (Bi) von Stimuli (B1: S1–S4, B2: S5–S8, B3: S9–S12, B4: S13–S16) aufgeteilt. Innerhalb der Viererblöcke werden die verbleibenden 4×12-Matrizen in die einzelnen Eigenschaftsvektoren (E1–E12) aufgeteilt. Zwischen dem Vektor der Eigenschaft 1 (El) (0 0 1 1) in Block 1 und dem Vektor der Eigenschaft 1 in Block 2 (0 0 1 1) ergibt sich eine Korrelation von 1. Abb. 5.2 im Anhang zeigt alle blockweisen Korrelationen der Eigenschaften auf. Werden diese Korrelationen zwischen einzelnen Blöcken aufaddiert, so ergibt sich immer der Wert 0. Vgl. Hausruckinger/Herker (1992), S. 102.

    Google Scholar 

  159. Vgl. Hausruckinger/Herker (1992), S. 107, S. 105f.

    Google Scholar 

  160. Die einzelnen Paarvergleiche müssen innerhalb der Blöcke zufällig angeordnet werden, um Lerneffekte bei den Probanden zu vermeiden. Die Werte für den Paarvergleich 1–2 ergeben sich z.B. durch Subtraktion des Eigenschaftsvektors von Stimulus 1 (000000000000) und Stimulus 2 (011011101110). In Abb. 5.3 im Anhang 1 werden die Korrelationen der Spalten innerhalb des Differenzendesigns dargestellt.

    Google Scholar 

  161. Vgl. Schweikl (1985), S. 151f.

    Google Scholar 

  162. Vgl. Green (1974), S. 65.

    Google Scholar 

  163. Vgl. Schweikl (1985), S. 163–174; Hausruckinger/Herker (1992), S. 108f.

    Google Scholar 

  164. NetSign ist eine Abkürzung für InterNet DeSign.

    Google Scholar 

  165. Vgl. Böhler (1992), S. 120f.; Sattler (1991), S. 114–123.

    Google Scholar 

  166. Vgl. Stallmeier (1993), S. 40f. Das hier vorgestellte Modell kann in weiteren Anwendungen um diese Vorerhebung erweitert werden.

    Google Scholar 

  167. Vgl.Böhler(1992), S. 120f.

    Google Scholar 

  168. Vgl. Stallmeier (1993), S. 42f.; Schweikl (1985), S. 93f.

    Google Scholar 

  169. Online kann eine solche Untersuchung in einem Online-Forum durchgeführt werden.

    Google Scholar 

  170. Vgl. Berndt (1996a), S. 54–66.

    Google Scholar 

  171. Vgl. Schweikl (1985), S. 96; Stallmeier (1993), S. 38f. Werden nur objektive Eigenschaften in die Untersuchung aufgenommen, so ist es zwar möglich, eine hohe Prognosevalidität zu erzeugen. Die hohe Prognose-validität impliziert dann aber nicht, daß die Präferenzbildung tatsächlich so stattfindet. Durch die Hinzunahme von objektivierten subjektiven Merkmalen kann die Erlebniswelt des Internet-Auftrittes ausreichend erfaßt werden.

    Google Scholar 

  172. Vgl. Tscheulin (1992), S. 96f; Schubert (1991), S. 179f.

    Google Scholar 

  173. Vgl. Weisenfeld (1989) S. 30.

    Google Scholar 

  174. Vgl. Schweikl (1985), S. 99; Schubert (1991), S. 190f.

    Google Scholar 

  175. Vgl. Backhaus/Erichson/Plinke/Weiber (1996), S. 501f.

    Google Scholar 

  176. Vgl. Schendel/Wilkie/McCann (1971) zitiert nach Schweikl (1985), S. 103. Die in Präferenzanalysen verwendeten Eigenschaften müssen nicht nur wichtig, sondern auch diskriminierend sein. Neben der Wichtigkeit muß also auch die Diskriminierungsfähigkeit erhoben werden. Für jedes Merkmal muß zusätzlich folgende Frage in die Erhebung mit aufgenommen werden („dual questioning”): „Wie stark unterscheiden sich Internet-Auftritte bezüglich des Merkmales x?” Da sich die derzeit bei Internet-Auftritten für einzelne Branchen vorzufindenden Komponenten aber stark unterscheiden, ist jedes Merkmal auch diskriminierend. Vgl. Tscheulin (1992), S. 96f.; Sattler (1991), S. 114f.; Myers/Alpert (1968), S. 13f.

    Google Scholar 

  177. Vgl. Wilkie/Pessemier (1973), S. 433–435. Die dargestellten Verfahren zur Messung der Wichtigkeit können auch für die Einstellungsmessung verwendet werden.

    Google Scholar 

  178. In weiteren Anwendungen können Animationen programmiert werden, bei denen Kärtchen auf dem Bildschirm geordnet werden können.

    Google Scholar 

  179. Eine Beschreibung der Funktionsweise von Informationstafeln findet sich in Teil 3, Kap. 3.1.2.3. Informationstafeln verleiten die Versuchspersonen jedoch zum „Spielen”. Bei der Untersuchung von Schweikl wurden im Durchschnitt 71 Informationseinheiten abgerufen, dies sind 46,7% der maximal möglichen. Vgl. Schweikl (1985), S. 179.

    Google Scholar 

  180. Vgl.Schweikl(1985), S. 179.

    Google Scholar 

  181. Liegt das vorrangige Ziel des dekompositionellen Verfahrens in der Bestimmung der Teilnutzen, so ist die Informationstafel vorzuziehen. Ihre Programmierung für den Online-Einsatz ist allerdings relativ komplex.

    Google Scholar 

  182. Die Neigung der Probanden, Extrempositionen zu wählen, kann nicht ausgeschlossen werden. Vgl. Berekoven/Eckert/Ellenrieder (1993), S. 73; Hüttner (1989), S. 72–77.

    Google Scholar 

  183. Eine Verbesserung könnte möglicherweise dadurch erreicht werden, daß die Anordnung der Blöcke während der Befragung variiert wird.

    Google Scholar 

  184. Vgl. Green (1984), S. 156.

    Google Scholar 

  185. Der Gesamtnutzen ergibt sich durch Addition der Teilnutzen der Eigenschaften, die auch in der Conjoint-analyse verwendet werden.

    Google Scholar 

  186. In der Pilotuntersuchung war die mittlere Wichtigkeit aller untersuchten Komponenten immer größer als 2.

    Google Scholar 

  187. Da die Anzahl der Probanden N in der Regel nur eine Teilmenge der Anzahl aller Online-Nutzer (I) ist, wird im folgendem anstelle vom Index i der Index n für die Testpersonen verwendet.

    Google Scholar 

  188. Vgl. Fréter (1983), S. 17t; Green/Krieger (1991), S. 21.

    Google Scholar 

  189. Vgl.Aust(1996), S.30f.

    Google Scholar 

  190. Vgl. Fugmann/Hoffmann/Pfleiderer (1996), S. 19–20.

    Google Scholar 

  191. Vgl. Fréter (1983), S. 65f.

    Google Scholar 

  192. Vgl. Wells (1974), S. 108f.; In einer Studie des Spiegel Verlages wurden Sinus Milieus auch auf PC-Nutzer übertragen. Vgl. Spiegel Verlag (1997), S. 46.

    Google Scholar 

  193. Vgl. Böhler (1977), S. 115–120.

    Google Scholar 

  194. Vgl. Fréter (1983), S. 88–90.

    Google Scholar 

  195. Vgl. Fugmann/HofBnann/Pfleiderer(1996), S. 14–16.

    Google Scholar 

  196. Vgl. Kotler/Bliemel (1992), S. 435.

    Google Scholar 

  197. Vgl.Bleymüller/Gehlert/Gülicher(1996), S. 109.

    Google Scholar 

  198. Unabhängigkeit wäre dagegen nicht gegeben, wenn die Mittelwerte der männlichen Internet-Nutzer mit denen aller Online-Nutzer verglichen werden würden.

    Google Scholar 

  199. Vgl. Bleymüller/Gehlert/Gülicher (1996), S. 109f.

    Google Scholar 

  200. Soll nicht nur getestet werden, ob ein signifikanter Unterschied zwischen den ermittelten Wichtigkeiten besteht, sondern auch, wie groß der Unterschied ist, so kann für δ0 auch ein anderer Wert angesetzt werden. Dann handelt es sich nicht mehr um einen zweiseitigen, sondern um einen einseitigen Test.

    Google Scholar 

  201. Vgl. Bleymüller/Gehlert/Gülicher (1996), S. 73f.

    Google Scholar 

  202. Diese Komponente wurde bei der Präferenzanalyse von Internet-Auftritten der Unterhaltungselektronikbranche berücksichtigt. Die Probanden mußten auf Ratingskala angeben, wie wichtig ihnen „Beratung für das optimale Sounderlebnis ist”.

    Google Scholar 

  203. Ausführliche Übersichten über mögliche Distanzmaße finden sich bei Norusis/SPSS Inc. (1993b), S. 132–136; Kols (1986), S. 149f.; Böhler (1977), S. 278.

    Google Scholar 

  204. Vgl. Backhaus/Erichson/Weiber/Plinke (1996), S. 276f.

    Google Scholar 

  205. Vgl. Fréter (1983), S. 107; Böhler (1977), S. 293f; Backhaus/Erichson/Weiber/Plinke (1996), S. 281–284.

    Google Scholar 

  206. Die Lösung eines hierarchischen Verfahrens kann als Startlösung für partitionierende Verfahren dienen. Die Lösung eines partitionierenden Verfahrens stellt nicht immer ein globales Optimum dar, denn dieses könnte nur durch die rechnerisch sehr aufwendige vollständige Enumeration gefunden werden. Die Anwendung von Lösungsheuristiken führt oftmals nur zu unwesentlich besseren Konfigurationen als mit hierarchischen Verfahren.

    Google Scholar 

  207. Vgl. Hair/Anderson/Tatham/Black (1995), S. 438–440.

    Google Scholar 

  208. Eine Herleitung dieser Aussage findet sich bei Backhaus/Erichson/Weiber/Plinke (1996), S. 293f.

    Google Scholar 

  209. Die Ausreißer können im Dendrogramm aufgespürt werden, da sie als letzte in die Clusterbildung miteinbezogen werden und einen starken Heterogenitätszuwachs verursachen.

    Google Scholar 

  210. Bei der Bestimmung der optimalen Clusterlösung mit dem Elbow-Kriterium ist zu berücksichtigen, daß beim Übergang von einer 2-Clusterlösung zu einer 1-Clusterlösung immer ein großer Heterogenitätssprung zu verzeichnen ist. Vgl. Backhaus/Erichson/Weiber/Plinke (1996), S. 307.

    Google Scholar 

  211. Bei der Clusteranalyse werden nur Präferenzprofile zu Segmenten zusammengefaßt, bei denen der Präferenzunterschied sehr gering ist. Durch die Bildung des Mittelwertes ergibt sich ein deutlich geringerer Informationsverlust als bei der Mittelwertbildung über alle Probanden.

    Google Scholar 

  212. Vgl. Teil 3, Kap. 2.2.3.

    Google Scholar 

  213. Vgl. Stallmeier (1993), S. 39; Schweikl (1985), S. 99. Mit der Faktorenanalyse wird darüber hinaus sichergestellt, daß die in den Stimuli verwendeten Eigenschaften orthogonal sind.

    Google Scholar 

  214. Eine detaillierte Beschreibung der Vorgehensweise bei einer Faktorenanalyse findet sich bei Backhaus/Erichson/Plinke/Weiber(1996), S. 190–260.

    Google Scholar 

  215. Die Anwendung der Faktorenanalyse auf die Wichtigkeitsbeurteilungen des kompositionellen Modells führt bei 20–25 Komponenten zu vier bzw. fünf Faktoren. Die Faktorinterpretation zeigt bei den 10 von Fantapié Altobelli/Hoffmann untersuchten Branchen einen sachlogischen Zusammenhang innerhalb der zusammen-gefaßten Komponenten auf. Vgl. Fantapié Altobelli/Hoffmann (1996b), S. 241.

    Google Scholar 

  216. Vgl. Tscheulin (1992), S. 95–104; Schweikl (1985), S. 102–111.

    Google Scholar 

  217. Die Reduktion der Anzahl der relevanten Eigenschaften auf wesentliche präferenzdeterminierende Eigenschaften ist allerdings der Regelfall bei conjointanalytischen Untersuchungen.

    Google Scholar 

  218. Im Einzelfall kann es sinnvoll sein, daß man sich bei der Auswahl der Komponenten nicht ausschließlich an deren Wichtigkeit orientiert. Die präsentierten Stimuli sollen auch ein Bild des Internet-Auftrittes in seiner Gesamtheit vermitteln. Zählen die wichtigsten Komponenten nur zu einem Faktor, so ist es empfehlenswert, eine dieser Eigenschaften nach subjektivem Ermessen gegen eine Komponente aus einem anderen Bereich auszutauschen. Vgl. Tscheulin (1992), S. 98.

    Google Scholar 

  219. In dieser Untersuchung können nur 3128-, 3226 — oder 33 23 -Profile in der Conjointanalyse berücksichtigt werden.

    Google Scholar 

  220. Vgl. Hausruckinger/Herker (1992), S. 101.

    Google Scholar 

  221. Durch diese Vorgehensweise wird sichergestellt, daß wieder ein unkorreliertes Design entsteht.

    Google Scholar 

  222. Werden nicht nur 8 zweistufige, sondern 9 zweistufige Merkmale gefordert, so wird auch die 12. Spalte in das Design aufgenommen.

    Google Scholar 

  223. Die Verwendung von mehrstufigen Merkmalen führt zwangsläufig zu einer Verletzung der Orthogonalitäts-eigenschaft. Vgl. Gierl (1995), S. 169.

    Google Scholar 

  224. Vollständige Paarvergleiche innerhalb der Viererblöcke führen zu weniger korrelierten Differenzendesigns als Paarvergleiche zwischen einer willkürlichen Auswahl von Stimuli.

    Google Scholar 

  225. Vgl. Backhaus/Erichson/Plinke/Weiber (1996), S. 528; Schweikl (1985), S. 74f; Tscheulin (1992), S. 59f.

    Google Scholar 

  226. Vgl. Thomas (1979), S. 208; Backhaus/Erichson/Plinke/Weiber (1996), S. 518f.

    Google Scholar 

  227. Vgl. Müller/Kesselmann (1994), S. 268f.

    Google Scholar 

  228. Vgl. Bamberg/Coenenberg (1996), S. 32f.

    Google Scholar 

  229. Bei der hier durchgeführten Untersuchung wurde nach Eintreffen der Daten sofort die Transitivität geprüft. Beim Überschreiten eines Grenzwertes (durchschnittliche Abweichung größer als 1) wurde der Proband per E-mail aufgefordert, den Fragebogen noch einmal auszufüllen.

    Google Scholar 

  230. Vgl. Schweikl (1985), S. 122; Hausruckinger/Herker (1992), S. 103f.

    Google Scholar 

  231. Hausruckinger/Herker und Schweikl stellen in ihren Untersuchungen den Hauser/Shugan-Test vor, der neben der Transitivität auch die Intervalleigenschaft (metrische Präferenzdaten) der Urteile prüft. In diesen Untersuchungen wurde aber die Dollar-Metric zur Messung von Präferenzunterschieden verwendet, bei der eher von einer Bestätigung der Intervalleigenschaft auszugehen ist als bei der hier verwendeten Johnson-Metric. Vgl. Hausruckinger/Herker (1992), S. 102–104; Schweikl (1985), S. 122–127; Hauser/Shugan (1980), S. 278–320.

    Google Scholar 

  232. Entscheidend für die Durchführung des Transitivitätstest ist der Ringschluß 2,3,4,2 der Paarvergleiche.

    Google Scholar 

  233. Vgl.Böhler(1992), S. 102.

    Google Scholar 

  234. Vgl.Böhler(1992), S. 102.

    Google Scholar 

  235. Vgl. Stallmeier (1993), S. 132f.

    Google Scholar 

  236. Vgl. Weisenfeld (1989), S. 52.

    Google Scholar 

  237. Bei ordinalen Daten wird z.B. das Stressmaß als Kriterium verwendet. Vgl. Schweikl (1985), S. 70.

    Google Scholar 

  238. Vgl. Tscheulin (1992), S. 77f.

    Google Scholar 

  239. Vgl. Weisenfeld (1989), S. 52.

    Google Scholar 

  240. Die Ermittlung der Prognosevalidität scheitert oft daran, daß man alle Präferenzwerte zur Berechnung der Teilnutzen heranziehen muß, um eine hohe interne Validität zu erzielen. Man will den Probanden nicht vor eine zu große Bewertungsaufgabe stellen und noch mehr Stimuli präsentieren. Ist das Holdout Sample jedoch groß genug, so können auch für dieses die Teilnutzen geschätzt und mit denen des eigentlichen Samples verglichen werden (Kreuzvalidierung).

    Google Scholar 

  241. Vgl. Schweikl (1985), S. 72. Hier ist allerdings darauf hinzuweisen, daß die Conjointanalyse durchaus zu anderen Eigenschaftsbewertungen führen kann, denn speziell die hier angewandte kompositioneile Methode verleitet dazu, alle Merkmale als besonders wichtig zu klassifizieren. Darüber hinaus ist zu berücksichtigen, daß die eingesetzten Methoden zeitlich versetzt durchgeführt werden, wodurch es zu möglichen Präferenzverschiebungen kommen kann. Ebenso können Lerneffekte aus der ersten Erhebung nicht ausgeschlossen werden.

    Google Scholar 

  242. Vgl. Schweikl (1985), S. 69. Unterschiede bei den Ergebnissen können jedoch auch hier auf Veränderungen der Präferenz im Zeitablauf zurückgeführt werden. Des weiteren müssen Ermüdungserscheinungen und Lern-effekte in den Vergleich der Ergebnisse einbezogen werden.

    Google Scholar 

  243. Vgl. Tscheulin (1992), S. 86. Die Verfahrensmodifikation beim Parallel-Test-Verfahren sollte nicht zu weitreichend sein. Bei einem Vergleich von dekompositionellen mit kompositioneilen Verfahren wird nicht die Réhabilitât, sondern die Konvergenzvalidität überprüft.

    Google Scholar 

  244. Wird anstelle eines Full-Profile-Ansatzes ein Trade-Off-Ansatz gewählt, so ergeben sich schon aus methodischen Gründen unterschiedliche Ergebnisse. Vgl. Müller-Hagedorn/Sewing/Toporowski (1993), S. 146.

    Google Scholar 

  245. Vgl. Weisenfeld (1989), S. 43–45, S. 47f.

    Google Scholar 

  246. Vgl. Fréter (1983), S. 111.

    Google Scholar 

  247. Vgl. Kotler/Bliemel (1992), S. 414f.; Fréter (1983), S. 110–115.

    Google Scholar 

  248. Die Endung „.com” des Domain-Names steht für company (kommerzieller Anbieter) und „.de” für Deutschland. Dort können aber auch kommerzielle Informationen angeboten werden.

    Google Scholar 

  249. Vgl. Fantapié Altobelli/Hoffmann (1996b), S. 229–243.

    Google Scholar 

  250. Vgl.Schweikl(1985), S.201.

    Google Scholar 

  251. Vgl. Stallmeier (1993), S. 42f.

    Google Scholar 

  252. Vgl. Dréze/Zufryden (1997), S. 83.

    Google Scholar 

  253. Vgl. Schweikl (1985), S. 177–181.

    Google Scholar 

  254. Vgl. Green/Krieger (1992), S. 117–124; Aust (1996), S. 83–96; Hruschka (1996), S. 102–108.

    Google Scholar 

  255. Vgl. Backhaus/Erichson/Weiber/Plinke (1996), S. 514f.

    Google Scholar 

  256. Vgl. Aust (1996), S. 70–73.

    Google Scholar 

  257. Vgl. Vriens/Wedel/Wilms (1996), S. 75f; Lenk/DeSarbo/Green/Young (1996), S. 174–176; Aust (1996), S. 74–83.

    Google Scholar 

Download references

Authors
  1. Stefan Hoffmann
    View author publications

    You can also search for this author in PubMed Google Scholar

Rights and permissions

Reprints and permissions

Copyright information

© 1998 Betriebswirtschaftlicher Verlag Dr. Th. Gabler GmbH, Wiesbaden

About this chapter

Cite this chapter

Hoffmann, S. (1998). Methodik zur optimalen Gestaltung von Online-Auftritten. In: Optimales Online-Marketing. Deutscher Universitätsverlag, Wiesbaden. https://doi.org/10.1007/978-3-663-01123-1_3

Download citation

  • DOI: https://doi.org/10.1007/978-3-663-01123-1_3

  • Publisher Name: Deutscher Universitätsverlag, Wiesbaden

  • Print ISBN: 978-3-8244-6732-7

  • Online ISBN: 978-3-663-01123-1

  • eBook Packages: Springer Book Archive

Publish with us

Policies and ethics

Search

Navigation