Zusammenfassung
Grundlage unternehmerischen Erfolges ist die Kenntnis der aktuellen oder potentiellen Bedürfnisse der Kunden. Kann die Unternehmung von einer homogenen Nachfragerstruktur bezüglich eines Produktes oder einer Produktgruppe ausgehen, so besteht eine wirkungsvolle Strategie bereits darin, das Produkt den Bedürfnissen des Durchschnittskäufers anzupassen und die Marketingaktivitäten undifferenziert an den Gesamtmarkt zu richten. Die Vorstellung eines homogenen Gesamtmarktes korrespondiert aber nur in seltenen Fällen mit der Realität. Das unterschiedliche Verhalten von Konsumenten gegenüber dem Erwerb von Produkten oder Dienstleistungen legt vielen Unternehmungen vielmehr eine differenzierte Betrachtung des Marktes nahe. Die Einteilung eines heterogenen Gesamtmarktes in mehrere homogene Teilmärkte wird als Marktsegmentierung bezeichnet. Segmente als homogene Teilmärkte bestehen aus Konsumenten, die sich hinsichtlich Merkmalen wie z. B. Präferenzen, Nutzenerwartungen, Verwendungshäufigkeiten oder Einstellungen bezüglich eines Produktes oder einer Produktgruppe ähnlich sind. Segmente können in einem einfachen Fall aus den Verwendern jeweils einer Marke eines Produktes bestehen, im komplexeren Fall aus Personen mit gleichartiger (oft mehrdimensionaler) Einstellung zu einem Produkt. Im ersten Fall ist die Segmentbestimmung trivial: Jedes Segment besteht aus den Verwendern einer bestimmten Marke. Der zweite Fall erfordert den Einsatz eines multivariaten Verfahrens zur Extrahierung einer Gruppenstruktur aus einem hochdimensionalen Merkmalsraum. Abhängig davon, ob Segmente vorab festgelegt werden können oder erst nachträglich mit geeigneten Methoden aus den Daten geschätzt werden müssen, hat sich insbesondere in der US-amerikanischen Literatur1 eine Unterteilung von Marktsegmentierungsansätzen in die A-priori-Segmentierung und in die A-posteriori-Segmentierung etabliert.
This is a preview of subscription content, log in via an institution.
Buying options
Tax calculation will be finalised at checkout
Purchases are for personal use only
Learn about institutional subscriptionsPreview
Unable to display preview. Download preview PDF.
Literatur
vgl. Green 1977
vg1. Myers 1996, 67
vgl. Schaffer, Green 1998, 155
vgl. Wind 1978, 317
vgl. Hruschka, Natter 1995, 249
Laut Bacher 1994 sind unvollständige Clusteranalyseverfahren lediglich geeignet, eine graphische Repräsentation des Merkmalsraumes herzustellen. Die Bildung und Interpretation der Cluster muß auf der Grundlage der graphischen Darstellung vom Anwender selbst erfolgen. Der Einsatz unvollständiger Clusteranalyseverfahren ist daher nur angemessen, wenn die Anzahl der Merkmalsdimensionen maximal Drei beträgt und die Anzahl der Elemente nicht allzu groß ist. Die hierarchische Clusteranalyse, K-MEANS und überlappende Clusterverfahren werden als deterministische Verfahren bezeichnet. Dabei wird davon ausgegangen, daß jedes Element mit einer Wahrscheinlichkeit von entweder Null oder Eins zu einem oder mehreren Segmenten gehört. Probabilistische Verfahren wie die Analyse latenter Klassen und Fuzzy-ClusteringVerfahren bilden in diesem Rahmen nur eine Verallgemeinerung deterministischer Verfahren, d. h. hier erhält jedes Element einen Zuordnungsgrad zwischen Null und Eins (Null und Eins natürlich eingeschlossen) für die Zugehörigkeit zu einem Cluster.
vgl. Bacher 1994, 163
vgl. Balakrishnan, Cooper, Jacob, Lewis 1994, 521
vgl. Vriens, Wedel, Wilms 1996
Die Clusterwise Regression, CHAID und EXCLU können nicht mehr als eine Variable in der Segmentbasis verarbeiten. CHAID ist darüberhinaus nur für nominale Segmentdeskriptoren geeignet. COSEG kann zwar multiple Segmentbasen verarbeiten, einschränkend müssen die Daten hier allerdings in einem zumindest orthogonalen Conjoint Design erhoben werden, vgl. hierzu Kapitel 2. 3.
vgl. Krekel 1991, 354
vgl. Kurbel, Pietsch 1991, 358
vgl. Hornik, Stinchcombe, White 1989
vgl. Schumann 1991, 30
vgl. Balakrishnan, Cooper, Jacob, Lewis 1994; Dasgupta, Dispensa, Ghose 1994
Ein Eingabemuster besteht aus der Gesamtheit aller Merkmalsrealisationen eines Konsumenten bezüglich der Eingangsvariablen eines Netzes.
vgl. Hruschka, Natter 1995
vgl. Czap 1996, 1259
vgl. Kap. 2.1.1
vg1. Bishop 1995, 297
Rights and permissions
Copyright information
© 1999 Springer Fachmedien Wiesbaden
About this chapter
Cite this chapter
Stecking, R. (1999). Einleitung. In: Marktsegmentierung mit Neuronalen Netzen. DUV Wirtschaftsinformatik. Deutscher Universitätsverlag, Wiesbaden. https://doi.org/10.1007/978-3-663-08079-4_1
Download citation
DOI: https://doi.org/10.1007/978-3-663-08079-4_1
Publisher Name: Deutscher Universitätsverlag, Wiesbaden
Print ISBN: 978-3-8244-2134-3
Online ISBN: 978-3-663-08079-4
eBook Packages: Springer Book Archive