Skip to main content

Einleitung

  • Chapter
  • 112 Accesses

Part of the book series: DUV Wirtschaftsinformatik ((HW))

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

Chapter
USD   29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD   44.99
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
Softcover Book
USD   59.99
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.

Literatur

  1. vgl. Green 1977

    Google Scholar 

  2. vg1. Myers 1996, 67

    Google Scholar 

  3. vgl. Schaffer, Green 1998, 155

    Google Scholar 

  4. vgl. Wind 1978, 317

    Google Scholar 

  5. vgl. Hruschka, Natter 1995, 249

    Google Scholar 

  6. 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.

    Google Scholar 

  7. vgl. Bacher 1994, 163

    Google Scholar 

  8. vgl. Balakrishnan, Cooper, Jacob, Lewis 1994, 521

    Google Scholar 

  9. vgl. Vriens, Wedel, Wilms 1996

    Google Scholar 

  10. 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.

    Google Scholar 

  11. vgl. Krekel 1991, 354

    Google Scholar 

  12. vgl. Kurbel, Pietsch 1991, 358

    Google Scholar 

  13. vgl. Hornik, Stinchcombe, White 1989

    Google Scholar 

  14. vgl. Schumann 1991, 30

    Google Scholar 

  15. vgl. Balakrishnan, Cooper, Jacob, Lewis 1994; Dasgupta, Dispensa, Ghose 1994

    Google Scholar 

  16. Ein Eingabemuster besteht aus der Gesamtheit aller Merkmalsrealisationen eines Konsumenten bezüglich der Eingangsvariablen eines Netzes.

    Google Scholar 

  17. vgl. Hruschka, Natter 1995

    Google Scholar 

  18. vgl. Czap 1996, 1259

    Google Scholar 

  19. vgl. Kap. 2.1.1

    Google Scholar 

  20. vg1. Bishop 1995, 297

    Google Scholar 

Download references

Authors

Rights and permissions

Reprints 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

Publish with us

Policies and ethics