Skip to main content
SpringerLink
Log in

Eigenschaften und Eigenschaftsausprägungen

  • Chapter
Nachfragerorientierte Präferenzmessung

  • 1687 Accesses

Auszug

Die in einer Studie untersuchten Eigenschaften916 und Ausprägungen bilden die Bewertungsgrundlage aller Verfahren zur Präferenzmessung — sie nehmen somit eine zentrale Stellung bei der Untersuchung von Konsumentenbedürfnissen ein. Ziel dieses Kapitels ist es, typische Abgrenzungskriterien zur Einordnung von Eigenschaften sowie deren Auswirkungen auf die Präferenzmessung darzustellen. Erst die Berücksichtigung dieser Faktoren ermöglicht eine systematische Bestimmung der zu untersuchenden Bewertungsdimensionen.

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

Access this chapter

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 69.99
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
Hardcover Book
USD 89.99
Price excludes VAT (USA)
  • Durable hardcover 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

Institutional subscriptions

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. Im Folgenden werden Begriffe wie „Kriterium“, „Attribut“, „Merkmal“, „Faktor“, „Objektdimension“ und „Charakteristikum“ als Synonym für „Eigenschaft“ verwendet (vgl. Herrmann (1998), 138; Stallmeier (1993), 31). In der betriebswirtschaftlichen Entscheidungsanalyse werden Eigenschaften teilweise als „Ziele“ bezeichnet (vgl. Klein; Scholl (2004), 325f.).

    Google Scholar 

  2. Herrmann (1998), 138.

    Google Scholar 

  3. Vgl. Herrmann (1998), 138.

    Google Scholar 

  4. Vgl. Eisenführ; Weber (2003), 130.

    Google Scholar 

  5. Vgl. Orme (2002c), 1.

    Google Scholar 

  6. Vgl. Trommsdorff (2003), 302; Höser (1998), 43f.

    Google Scholar 

  7. Heitmann; Herrmann (2005, 231f.) bezeichnen Vertrauenseigenschaften als „irrelevante Informationen“. Weil der Entscheider die Nutzenstiftung der Ausprägungen dieser Eigenschaften nicht überprüfen kann, gehen sie davon aus, dass diese Merkmale keinen Einfluss auf die Wahlentscheidungen ausüben. Relevant für die Produkteinschätzung sind aber nicht unbedingt die objektiv vorhandenen, sondern die vom Kunden wahrgenommenen Nutzenelemente, so dass auch Vertrauenseigenschaften einen Einfluss auf die Kaufentscheidung ausüben können (siehe dazu Kapitel 4.1.8).

    Google Scholar 

  8. Vgl. Trommsdorff (2003), 302; Satzinger; Helm (2000), 237.

    Google Scholar 

  9. Vgl. Klein; Scholl (2004), 325f.; Nitschke; Völckner (2006), 745ff.

    Google Scholar 

  10. Reale Kaufentscheidungen werden vom wahrgenommenen Risiko und den individuellen Präferenzen beeinflusst. Im Rahmen von empirischen Studien wird allerdings das Risiko ausgeblendet, so dass Wahlentscheidungen hier allein auf die Präferenzen des Befragungsteilnehmers zurückgeführt werden (vgl. Parker; Schneider (1988), 277f.). Die Messung der Präferenzen muss daher immer unter Sicherheit erfolgen. Unsicherheit und Risiko könnten demnach lediglich a posteriori, z.B. durch Gewichtung der ermittelten Pröferenzwerte, berücksichtigt werden; für einen ersten Ansatz siehe Nitschke; Völckner (2006, 745ff.).

    Google Scholar 

  11. Vgl. Nitschke; Völckner (2006), 745, 755.

    Google Scholar 

  12. Vgl. Gierl; Satzinger (2000), 262; Böcker; Helm (2003), 152.

    Google Scholar 

  13. Vgl. Green; Wind (1975), 109. Satzinger; Helm (2000, 236) bezeichnen die extrinsischen Attribute auch als “immaterielle Eigenschaften”.

    Google Scholar 

  14. Vgl. Böcker; Helm (2003), 152f.; Gierl; Satzinger (2000), 271ff.

    Google Scholar 

  15. Solche Eigenschaften rufen unterschiedliche Assoziationen bei den Entscheidungsträgern hervor, die auf individuellen Erfahrungen und Vorstellungen beruhen. Sie werden deshalb auch als „enriched attributes“ bezeichnet. Merkmale, die dagegen tendenziell eindeutiger interpretierbar sind, kölnten als „comparable attributes“ beschrieben werden (vgl. Nowlis; Simonson (1997), 207f.).

    Google Scholar 

  16. Vgl. Reibstein; Bateson; Boulding (1988), 275; Hair; Anderson; Tatham; Black (1998), 407; Diller (2000), 203.

    Google Scholar 

  17. Vgl. Huber; Wittink; Johnson (1992), 2, 5; Völckner (2005), 1f.; Völckner; Sattler (2005b), 1; Sattler; Rao (1997), 1286; Schubert (1991), 26; Cattin; Wittink (1982), 52; Rao (2004), 389; Johnson (2001), 3; Hensel-Börner (2000), 70; Hair; Anderson; Tatham; Black (1998), 407; Völckner (2006), 474. Für ein Beispiel einer solchen Preis-Qualitäts-Irradiation siehe Balderjahn (1993), 110.

    Google Scholar 

  18. Vgl. Völckner; Sattler (2005b), 1.

    Google Scholar 

  19. Dies ist insbesondere der Fall, wenn die Konsumenten Entscheidungsheuristiken zur Produktwahl nutzen, da z.B. ein Abwägen der jeweiligen Ausprägungen der Leistungsdimensionen für die Konsumenten zu komplex ist, diese mehr nach Exklusivität streben oder im Gegensatz dazu die Produkte für die Käufer nur eine geringe Relevanz besitzen (vgl. Völckner (2005), 21f.).

    Google Scholar 

  20. Vgl. Huber; Wittink; Johnson (1992), 2, 5, 8.

    Google Scholar 

  21. Vgl. Huber; Wittink; Johnson (1992), 6. Eine bei Konsumgütern weniger verzerrte Schätzung des Informationseffekts lassen möglicherweise wahlbasierte Methoden wie die Choice-Based Conjoint zu. Diese beruhen auf einfachen Einschätzungen der Befragungsteilnehmer, die keine tiefe Verarbeitung der vorgegebenen Informationen voraussetzen (vgl. Huber; Wittink; Johnson (1992), 6; Völckner; Sattler (2005b), 2ff.). Auch diese Verfahren zur Präferenzmessung beruhen allerdings auf einer linearen Nutzenfunktion, die lediglich bei Trade-off Entscheidungen angewendet werden kann.

    Google Scholar 

  22. Vgl. Hair; Anderson; Tatham; Black (1998), 407; Melles (2001), 38. Siehe dazu insbesondere Kapitel 4.2.1.

    Google Scholar 

  23. Vgl. Hair; Anderson; Tatham; Black (1998), 407.

    Google Scholar 

  24. Dies kann wiederum der Fall sein, wenn die Ausprägung des Merkmals „Preis“ sehr hoch ist und andere Merkmale eine eher weniger präferierte Ausprägung aufweisen (vgl. Hair; Anderson; Tatham; Black (1998), 407). Siehe auch Kapitel 4.2.3.2.

    Google Scholar 

  25. Vgl. Schweikl (1985), 141; Cattin; Wittink (1982), 52.

    Google Scholar 

  26. Vgl. Kemper (2000), 18; Huber; Wittink; Johnson (1992), 1. Schweikl (1985, 141) verzichtet deshalb in einer empirischen Studie auf dieses Merkmal.

    Google Scholar 

  27. Vgl. Satzinger; Helm (2000), 236.

    Google Scholar 

  28. Vgl. Huber; Wittink; Johnson (1992), 3, 5.

    Google Scholar 

  29. Vgl. Johnson; Orme (1996), 9ff.

    Google Scholar 

  30. Vgl. Huber; Wittink; Johnson (1992), 6, 8.

    Google Scholar 

  31. Vgl. Huber; Wittink; Johnson (1992), 6.

    Google Scholar 

  32. Für ein Beispiel zur Nutzung von Testurteilen siehe Green; Wind (1975, 109), der ein Qualitätssiegel in einer Conjoint-Analyse nutzt.

    Google Scholar 

  33. Vgl. Huber; Wittink; Johnson (1992), 6.

    Google Scholar 

  34. Vgl. Huber; Wittink; Johnson (1992), 6f.

    Google Scholar 

  35. Vgl. Johnson; Orme (1996), 15

    Google Scholar 

  36. Vgl. Huber; Wittink; Johnson (1992), 6; Sawtooth Software (1999), 5.

    Google Scholar 

  37. Vgl. Huber (1974), 1398; Reiners (1996), 50f. Siehe auch Quack (1980, 25), der zwischen kategorialen (qualitativen) und kontinuierlichen (quantitativen) Eigenschaften unterscheidet.

    Google Scholar 

  38. Vgl. Orme (2002c), 1.

    Google Scholar 

  39. Vgl. Orme (2002c), 1.

    Google Scholar 

  40. Vgl. Reiners (1996), 50f.

    Google Scholar 

  41. Vgl. Nowlis; Simonson (1997), 205ff.; Heitmann; Herrmann (2006), 231.

    Google Scholar 

  42. Heitmann; Herrmann (2006), 231.

    Google Scholar 

  43. Vgl. Heitmann; Herrmann (2006), 231.

    Google Scholar 

  44. Westwood; Lunn; Beazley (1974), 237.

    Google Scholar 

  45. Vgl. Westwood; Lunn; Beazley (1974), 237. Eine ähnliche Einteilung erfolgt beim Kano-Modell der Kundenzufriedenheit (vgl. Bailom; Hinterhuber; Matzler; Sauerwein (1996), 117). Dabei werden die Eigenschaften in die drei Kategorien „Basisanforderungen“, „Leistungsanforderungen“ und „Begeisterungsanforderungen“ gegliedert. Basisanforderungen beschreiben Mindestausprägungen bestimmter Eigenschaften und entsprechen somit den „Schwelleneigenschaften“. Diese müssen erfüllt werden, da sonst mit extremer Unzufriedenheit des Kunden zu rechnen ist. Werden die Mindestanforderungen erreicht, so führt dies nicht zu einer höheren Zufriedenheit, da sie als gegeben vorausgesetzt werden. Basisanforderungen sind meist nicht salient. Differenzierungsmöglichkeiten ergeben für einen Hersteller nur, wenn er den Kundennutzen entscheidend steigern kann. Bei Leistungsanforderungen ist ein Ansteigen der Kundenzufriedenheit proportional zu der Erfüllung, d.h. einer Veränderung der Ausprägungen, zu erwarten. Es handelt sich um Eigenschaften, die vom Entscheidungsträger beim Kauf explizit berücksichtigt werden. Auch Begeisterungseigenschaften haben u.U. einen großen Einfluss auf die Kundenzufriedenheit. Sie werden von den Entscheidungsträgern, die sich nicht gerade im Kaufentscheidungsprozess befinden, jedoch nicht explizit erwartet (vgl. Bailom; Hinterhuber; Matzler; Sauerwein (1996), 118). Basisanforderungen haben, analog zu den Schwelleneigenschaften, auf die letztendliche Entscheidung keinen Einfluss, da im Evoked-Set lediglich Alternativen berücksichtigt werden, die alle Mindestanforderungen erfüllen. In die Präferenzmessung sollten deshalb vor allem Leistungsanforderungen und Begeisterungsanforderungen aufgenommen werden. Da Begeisterungsanforderungen nicht ohne weiteres vom Kunden erwartet werden, ist bei der Festlegung der zu untersuchenden Eigenschaften auf Basis von Kundenurteilen darauf zu achten, dass die Befragungsteilnehmer zunächst einen extensiven Informationssuchprozess durchlaufen haben. Griffin; Hauser (1993, 4) unterteilt deshalb die Eigenschaften in “basic needs”, „articulated needs“ und „exciting needs“. „Basic needs“ entsprechen den Grundanforderungen, „articulated needs“ sind einfach durch Befragung zu erheben und haben Einfluss auf die Zufriedenheit. Es handelt sich dabei um Trade-off Eigenschaften. „Exciting needs“ können, wie Added-value Eigenschaften, nicht ohne weiteres erhoben werden, da Konsumenten diese Ausprägungen vor einer Informationssuche typischerweise nicht kennen.

    Google Scholar 

  46. Vgl. Eisenführ; Weber (2003), 67.

    Google Scholar 

  47. Vgl. Keeney; Gregory (2005), 2; Eisenführ; Weber (2003), 67.

    Google Scholar 

  48. Vgl. Keeney; Gregory (2005), 2.

    Google Scholar 

  49. Vgl. Keeney; Gregory (2005), 2; Eisenführ; Weber (2003), 67.

    Google Scholar 

  50. Vgl. Keeney; Gregory (2005), 2. Auch im Rahmen von Studien zur Präferenzmessung im Marketing wurden bereits künstliche Merkmale genutzt. Siehe als Beispiele u.a. Swoboda (2000, 155), bei dem die Ausprägungen der Eigenschaft „Zusatzleistungen“ als Index aus verschiedenen Einzelleistungen gebildet wurde bzw. Perrey (1998, 176f.), der übergeordnete Benefit-Eigenschaften (siehe Kapitel 4.1.8) durch eine Reihe von Beispielen für objektive Merkmalsausprägungen bildet. Ein weiteres praktisches Beispiel für künstliche Eigenschaften sind die Bezeichnungen für bestimmte Ausstattungspakete bei Automobilen (z.B. „Sport-Line“, „Comfort-Line“, „Premium-Line“ usw.), die für ein Bündel verschiedener objektiver Merkmale stehen und so die Beurteilung der Alternativen erleichtern sollen.

    Google Scholar 

  51. Vgl. Keeney; Gregory (2005), 2

    Google Scholar 

  52. Die Bildung von gebündelten Eigenschaften geht auf einen Vorschlag von Green; Srinivasn (1978, 107) zurück.

    Google Scholar 

  53. Siehe dazu Kapitel 4.2.3.1.1, 4.2.3.2 und Agarwal (1988), 56.

    Google Scholar 

  54. Vgl. Johnson; Olberts (1996), 3.

    Google Scholar 

  55. Vgl. Orme (2002c), 3.

    Google Scholar 

  56. Vgl. Agarwal (1988), 56.

    Google Scholar 

  57. Vgl. Schubert (1991), 20.

    Google Scholar 

  58. Vgl. Schubert (1991), 20.

    Google Scholar 

  59. Vgl. Kotler (1974), 415f.

    Google Scholar 

  60. Kotler (1974), 416.

    Google Scholar 

  61. Vgl. Kotler (1974), 416.

    Google Scholar 

  62. In Anlehnung an Kotler (1974), 416.

    Google Scholar 

  63. Herrmann (1998), 31.

    Google Scholar 

  64. Siehe auch Lefkoff-Hagius; Mason (1993), 101, Reiners (1996), 47f.

    Google Scholar 

  65. Vgl. Hammann; Erichson (1994), 327; Höser (1998), 108.

    Google Scholar 

  66. Vgl. Reiners (1996), 47.

    Google Scholar 

  67. Reiners (1996), 47.

    Google Scholar 

  68. Lefkoff-Hagius; Mason (1993), 105.

    Google Scholar 

  69. Siehe Lefkoff-Hagius; Mason (1993), 101; Creusen; Schoormans (1997), 82; Reiners (1996), 48; Louviere; Woodworth (1988), 52; Schubert (1991), 30ff.; Perrey (1998), 46ff.

    Google Scholar 

  70. Schubert (1991), 32. In der Literatur zur Einstellungsmessung wird eine ähnliche Einteilung vorgenommen, hier wird zwischen denotativen und konnotativen Produktmerkmalen unterschieden. Während denotative Eigenschaften direkt beobachtbar sind, stehen konnotative Merkmale für eine „metaphorische“ Bedeutung wie beispielsweise ein „sexy“ Pullover (vgl. Quack (1980), 24f.). Konnotative Attribute sind folglich mit den Imagery Eigenschaften vergleichbar.

    Google Scholar 

  71. Vgl. auch Jaccard; Brinberg; Ackerman (1986), 265.

    Google Scholar 

  72. Vgl. Myers; Shocker (1981), 213.

    Google Scholar 

  73. Vgl. Huber (1975), 290; Schubert (1991), 178; Mengen (1993), 84.

    Google Scholar 

  74. Siehe Melles (2001), 34; Reiners (1996), 47f., Lefkoff-Hagius; Mason (1993), 101; Reiners (1996), 47; Vriens (1995), 30; Albrecht (2000), 21.

    Google Scholar 

  75. Dieser Begriff geht auf Shocker; Srinivasan (1974, 925) zurück. Siehe diesbezüglich auch Schweikl (1985), 96; Lefkoff-Hagius; Mason (1993), 101; Melles (2001), 34; Huber (1975), 290.

    Google Scholar 

  76. Problematisch bei der Nutzung objektiver Attribute ist jedoch, dass nicht in jedem Fall davon ausgegangen werden kann, dass den Konsumenten der Zusammenhang zwischen den Eigenschaftsarten bewusst ist. Dies bedeutet, dass der Entscheider auf Basis seines Vorwissens in der Lage sein muss, anhand der objektiven Eigenschaftsausprägungen Nutzenvorstellungen (Benefits) abzuleiten (vgl. Lefkoff-Hagius; Mason (1993), 102). Bei objektiven Eigenschaftsausprägungen üerlässt man es dem Probanden, die Nutzenstiftung selbst zu bestimmen, während diese bei subjektiven Eigenschaften explizit vorgegeben wird.

    Google Scholar 

  77. Creusen; Schoormans (1997) und Lefkoff-Hagius; Mason (1993) untersuchen in verschiedenen Studien, welche Eigenschaftsarten im Rahmen von Präferenzentscheidungen genutzt werden. Anhand der Ergebnisse der Untersuchungen kann geschlussfolgert werden, dass die Konsumenten im Rahmen von Präferenzstatements die Alternativen eher auf Basis von Benefits einschätzen. Characteristics spielen dagegen bei Ähnlichkeitseinschätzungen eine tendenziell wichtigere Rolle. Siehe dazu auch Melles (2001), 34; Reiners (1996), 49f.; Wilkie; Pessemier (1973), 429; Albers (1989), 188.

    Google Scholar 

  78. Vgl. Lefkoff-Hagius; Mason (1993), 102f. Siehe analog auch Reiners (1996), 47.

    Google Scholar 

  79. Vgl. Lefkoff-Hagius; Mason (1993), 102. Siehe dazu ebenfalls Gutsche; Herrmann; Kressmann; Algesheimer (2005), 638ff.; Melles (2001), 34; Albers (2000), 357.

    Google Scholar 

  80. Ein Beispiel dafür sind „good living-conditions“ (Helm; Manthey; Scholl; Steiner (2003), 3) in einer Universitätsstadt.

    Google Scholar 

  81. Vgl. Schubert (1991), 179.

    Google Scholar 

  82. Vgl. Schweikl (1985), 96.

    Google Scholar 

  83. Vgl. Schubert (1991), 32.

    Google Scholar 

  84. Vgl. Reiners (1996), 49.

    Google Scholar 

  85. Allerdings gibt es in der Literatur immer wieder Versuche, eine solche Transformationsfunktion aufzustellen, siehe dazu Hartmann (2004), 13; Myers; Shocker (1981), 231f.; Myers (1976), 23ff.; Shocker; Srinivasan (1979a), 162f. Schließlich können auch Methoden wie der Value-Tree (vgl. Goodwin; Wright (2000), 19f.), Laddering-Interviews und der Benefit-Chain Ansatz (siehe Kapitel 5.3.3) zumindest erste Hinweise zur Transformation von Eigenschaftsarten liefern.

    Google Scholar 

  86. Dieser Aspekt wurde erstmals von Helm, Steiner (2006, 13ff.) beschrieben. Eine Transformation auf aggregierter Ebene wäre lediglich denkbar, wenn die Wahrnehmungen der Konsumenten bezüglich der Produkte weitgehend homogen sind, z.B. objektive Eigenschaften immer ähnliche Wahrnehmungen und Nutzenvorstellungen hervorrufen (vgl. Albers (1989), 193; Albers (2000), 358). Ein solcher Fall ist allerdings äußerst unwahrscheinlich, weshalb es unmöglich erscheint, eine eindeutige Transformationsfunktion auf aggregierter Ebene zu erstellen (vgl. Schweikl (1985), 96; Green (1975), 28; Shocker; Srinivasan (1979a), 14. Siehe analog Albrecht (2000), 21; Albers (1989), 193f.). Dies gilt insbesondere weil, wie beschrieben, die Verbindungen zwischen Characteristics und Benefits vom individuellen Vorwissen bzw. den individuellen Erfahrungen der Befragungsteilnehmer determiniert werden.

    Google Scholar 

  87. Eine ähnliche Vorgehensweise nutzen Dichtl; Schobert (1979, 30); dabei allerdings zur Verbindung von subjektiven Ähnlichkeitsurteilen mit objektiven Produkteigenschaften.

    Google Scholar 

  88. Bei der praktischen Anwendung plädieren Reiners (1996, 96) und Albrecht (2000, 33) dafür, dass ausschließlich objektive bzw. von den subjektiven Eigenschaften lediglich die Merkmale innerhalb der Präferenzmessung untersucht werden, die leicht in objektive Merkmale zu übertragen sind. Durch die von Helm; Manthey; Scholl; Steiner (2002, 16) vorgeschlagene Vorgehensweise können allerdings auch subjektive Nutzenvorstellungen mit den objektiven Eigenschaften und Ausprägungen in Zusammenhang gebracht und produktpolitische Entscheidungen abgeleitet werden.

    Google Scholar 

  89. Auf Basis einer weiteren Meta-Studie beobachten Helm; Steiner (2006, 12) ebenfalls, dass objektive Eigenschaften (44%) innerhalb von Studien zur Präferenzmessung am häufigsten angewendet werden. Benefits kommen demgegenüber nur in 4% der berücksichtigten Studien als alleinige Eigenschaftsart zum Einsatz. Andererseits wird in 30% der untersuchten Studien eine Kombination aus Characteristics und Benefits als Bewertungsgrundlage verwendet.

    Google Scholar 

  90. Vgl. Helm; Steiner (2006), 12.

    Google Scholar 

  91. Vgl. Lefkoff-Hagius; Mason (1993), 102.

    Google Scholar 

  92. Vgl. Helm; Steiner (2006), 11.

    Google Scholar 

  93. Siehe dazu auch Myers; Shocker (1981), 220, 229f.; Schubert (1991), 34).

    Google Scholar 

  94. Bei der Nutzung objektiver Eigenschaften ist bei einem geringen Vorwissen beispielsweise nicht sichergestellt, dass die jeweiligen Entscheidungsträger diese überhaupt einschätzen können. Wenn objektive Produktmerkmale untersucht werden, sollten diese deshalb immer auf Basis der jeweils individuellen Nutzenvorstellungen-d.h. aus Kundensicht-bestimmt werden (vgl. Myers; Shocker (1981), 220, 229f.; Schubert (1991), 34). Dies gilt insbesondere, wenn Preise für die hypothetischen Alternativen bestimmt werden sollen (vgl. Diller (2000), 201).

    Google Scholar 

  95. Vgl. Wilkie; Pessemier (1973), 429; Haedrich; Kuß; Kreilkamp (1986), 121; Wittink; Cattin (1989), 94.

    Google Scholar 

  96. Vgl. Goodwin; Wright (2000), 65; Johnson; Levin (1985), 170ff.; Huber; McCann (1982), 324; Yamagishi; Hill (1981), 16f.; Alba; Cooke (2004), 383ff.

    Google Scholar 

  97. Vgl. Johnson; Levin (1985), 174.

    Google Scholar 

  98. Vgl. Huber; McCann (1982), 332. Bei unvollständigen Informationen ist schließlich verstärkt mit dem Auftreten von Framing-Effekten zu rechnen, die die Ergebnisse der Präferenzmessung verzerren können (vgl. Melles (2001), 186).

    Google Scholar 

  99. Theuerkauf (1989), 1180.

    Google Scholar 

  100. Vgl. Hammond; Keeney; Raiffa (1998), 143.

    Google Scholar 

  101. Vgl. Perrey (1998), 67.

    Google Scholar 

  102. Vgl. Goodwin; Wright (2000), 15.

    Google Scholar 

  103. Vgl. Keeney; Gregory (2005), 4; Böcker; Schweikl (1988), 16. Siehe im Gegensatz dazu Gibson (2001, 18), der fordert, dass „all the attributes and levels that could affect choice should be included“ (siehe analog auch Lürssen (1989), 172). Problematisch an dieser Forderung ist jedoch, dass einerseits nie wirklich „alle“ Einflussfaktoren auf das Wahlverhalten eines Entscheidungsträgers erfasst werden können und nicht für alle Entscheider die gleichen Merkmale und Ausprägungen relevant sind. Bestimmte Verfahren der Präferenzmessung ermöglichen zwar, eine Beschränkung der Präferenzmessung auf möglicherweise besonders relevante Merkmale. Diese Verfahren stellen allerdings nicht sicher, dass die tatsächlich relevanten Ausprägungen überhaupt in eine Untersuchung aufgenommen wurden. Schwachpunkt dieser Methoden ist weiterhin, dass die Selektion von Eigenschaften auf individueller Ebene nicht stabil ist, während auf aggregierter Ebene mit stabileren Einschätzungen zu rechnen ist (vgl. Huber (1987), 6).

    Google Scholar 

  104. Siehe analog auch Gibson (2001), 18f.

    Google Scholar 

  105. Vgl. Backhaus; Erichson; Plinke; Weiber (2003), 546; Schmidt-Gallas (1998), 31; Schubert (1991), 178; Mengen (1993), 85; Gutsche (1995), 90.

    Google Scholar 

  106. Vgl. Schubert (1991), 178, Hahn (1997), 48; Balderjahn (1993), 95; Albrecht (2000), 32.

    Google Scholar 

  107. Vgl. Backhaus; Erichson; Plinke; Weiber (2003), 548; Skiera; Gensler (2002a), 201; Mengen (1993), 85; Reiners (1996), 32 ff.; Perrey (1998), 49.

    Google Scholar 

  108. Einerseits plädiert Schubert (1991) dafür, nur realisierbare und beeinflussbare Eigenschaften in die Präferenzmessung aufzunehmen (Seite 178), andererseits spricht er sich auf Seite 186 gegen eine solche Vorgehensweise aus.

    Google Scholar 

  109. Vgl. Schweikl (1985), 101.

    Google Scholar 

  110. Vgl. Melles (2001), 34; Reiners (1996), 31; Wilkie; Pessemier (1973), 432.

    Google Scholar 

  111. Vgl. Backhaus; Erichson; Plinke; Weiber (2003), 548; Reiners (1996), 31f.; Cattin; Wittink (1982), 46; Perrey (1998), 67; Theuerkauf (1989), 1186f.; Keeney; Raiffa (2003), 109ff.

    Google Scholar 

  112. Vgl. Melles (2001), 14.

    Google Scholar 

  113. Vgl. Acito (1977), 83f.; Green; Rao (1971), 355.

    Google Scholar 

  114. Vgl. Helm; Manthey; Scholl; Steiner (2003), 6; Eisenführ; Weber (2003), 119; Srinivasan; Park (1997), 288; Srinivasan (1988), 296; von Winterfeldt; Edwards (1986), 263.

    Google Scholar 

  115. Für Self-Explicated Methoden siehe beispielsweise Hoepfl; Huber (1970), 413.

    Google Scholar 

  116. Vgl. Green; Srinivasan (1978), 105; Green; Wind; Rao (1998), 12ff.; Green; Krieger; Wind (2001), 60. So können im Rahmen der ACA keinerlei Interaktionseffekte geschätzt werden (vgl. Sawtooth Software (2002), 16; Agarwal (1988), 56). Ferner können bei Anwendung der Bridging Conjoint-Analyse potenzielle Interaktionseffekte nicht berücksichtigt werden (vgl. Thaden (2002), 78).

    Google Scholar 

  117. Siehe dazu u.a. Louviere (1988b), 16ff.; Melles (2001), 13 f.; Pras; Summers (1975), 276ff. Auch die CBC erlaubt die Schätzung von Interaktionseffekten (vgl. Klein (2002), 37; Sawtooth Software (1999), 5f., 14; Johnson; Orme (1996), 2).

    Google Scholar 

  118. Vgl. Borcherding (1983), 111f.; Pöyhönen; Hämäläinen (1997), 2.

    Google Scholar 

  119. Vgl. Curry (1997), 7.

    Google Scholar 

  120. Vgl. Backhaus; Erichson; Plinke; Weiber (2003), 552f.

    Google Scholar 

  121. Vgl. Kohli (1988), 25ff.

    Google Scholar 

  122. Vgl. Addelman (1962), 21ff.

    Google Scholar 

  123. Vgl. Pigeon; McAllister (1989), 249; Holland; Cravens (1973), 275; Huber (1987), 5ff.; Green; Srinivasan (1990), 6.

    Google Scholar 

  124. Vgl. Backhaus; Erichson; Plinke; Weiber (2003), 552; Gupta (1985), 177. Siehe Kapitel 3.4.

    Google Scholar 

  125. Eine Reduzierung der Paarvergleiche kann z.B. durch das Partially Balanced Incomplete Block Design (vgl. Green (1974), 63) oder durch die von Hausruckinger; Herker (1992, 99) vorgeschlagene Methode erfolgen.

    Google Scholar 

  126. Vgl. Green; Srinivasan (1978), 109.

    Google Scholar 

  127. Vgl. Huber (1987), 5ff.; Fenwick (1975), 208f.; Acito (1977), 85; Leigh; MacKay; Summers (1984), 456.

    Google Scholar 

  128. Vgl. Green; Devita (1975), 146; Reibstein; Bateson; Boulding (1988), 281.

    Google Scholar 

  129. Vgl. Green; Devita (1975), 146.

    Google Scholar 

  130. Vgl. Opitz (1999), 227f; Ohse (1990), 71ff.

    Google Scholar 

  131. Siehe dazu ebenfalls Green; Carroll; Carmone (1978, 116ff.), die eine entsprechende stufenweise Methode vorschlagen, bei der a priori keine Informationen über Interaktionseffekte vorliegen und die eine a posteriori Selektion von Interaktionseffekten ermöglicht.

    Google Scholar 

  132. Vgl. Louviere (1988b), 60f.; Green; Srinivasan (1978), 107; Teichert (2000a), 480f.; Melles (2001), 13f.; Akaah; Korgaonkar (1983), 190, 195; Green; Goldberg; Wiley (1983), 148; Holbrook; Moore (1981), 107.

    Google Scholar 

  133. Vgl. Green; Srinivasan (1990), 5; Carmone; Green (1981), 87; Voeth (2000), 211; Weisenfeld-Schenk (1989), 34; Reibstein; Bateson; Boulding (1988), 285; Green; Devita (1975), 146; Green; Carroll; Carmone (1978), 111ff.; Albrecht (2000), 57.

    Google Scholar 

  134. Vgl. Carmone; Green (1981), 93.

    Google Scholar 

  135. Man unterscheidet zwischen hybriden Verfahren zur Reduzierung der Anzahl der befragten Eigenschaften, wie z.B. die ACA, CCC oder CHIC (vgl. Hensel-Börner (2000), 50ff.) und den hier beschriebenen hybriden Verfahren, um Interaktionen zwischen Eigenschaften berechnen zu können (vgl. Green; Goldberg; Montemayor (1981), 35). Eine ähnliche Vorgehensweise schlagen auch Green; Devita (1975, 147, 151f.) vor.

    Google Scholar 

  136. Vgl. Green; Goldberg; Montemayor (1981), 35.

    Google Scholar 

  137. Vgl. Green; Srinivasan (1978), 118.

    Google Scholar 

  138. Diese werden teilweise ebenfalls als “Superattribute” bezeichnet (vgl. Perrey (1998), 72; Green; Srinivasan (1978), 107; Schubert (1991), 215; Green; Srinivasan (1990), 6).

    Google Scholar 

  139. Vgl. Curry (1997), 7.

    Google Scholar 

  140. Vgl. Curry (1997),7; Johnson; Olberts (1996), 3.

    Google Scholar 

  141. Vgl. Johnson, Olberts (1996), 3.

    Google Scholar 

  142. Vgl. Green; Carroll; Carmone (1978), 110.

    Google Scholar 

  143. Vgl. Green; Devita (1974), 56f.; Green (1973), 413f. Carmone; Green (1981, 93) beobachten allerdings, dass bei Anwendung der üblichen Haupteffektedesigns Non-Cross-Over Interaktionen kaum zu Verzerrungen führen.

    Google Scholar 

  144. Vgl. Holbrook; Moore (1981), 103.

    Google Scholar 

  145. Vgl. Carmone; Green (1981), 88.

    Google Scholar 

  146. Carmone; Green (1981), 93 und Green; Srinivasan (1990), 5. Ein Beispiel für Interaktionen bezüglich des Geschmacks findet sich auch bei Bamberg; Coenenberg (2000, 48f.); eines für Design in Eisenführ; Weber (2003, 120f.).

    Google Scholar 

  147. Vgl. Tscheulin (1992), 41. Teilweise werden diese Interaktionen als „ordinal“ und „disordinal interactions“ bezeichnet (vgl. Green; Devita (1974), 56; Ross; Creyer (1993), 336).

    Google Scholar 

  148. Vgl. Teichert (2000a), 481; Weisenfeld-Schenk (1989), 34.

    Google Scholar 

  149. Vgl. Green (1973), 415; Carmone; Green (1981), 88; Green; Devita (1975), 415f. Die generelle Berücksichtigung von potenziellen Interaktionen führt somit nicht zu einer Verbesserung der Ergebnisgüte der Präferenzmessung (vgl. Green; Krieger (1996), 854).

    Google Scholar 

  150. Siehe auch Carmone; Green (1981), 88; Holbrook; Moore (1981), 110.

    Google Scholar 

  151. Vgl. Carmone, Green, Jain (1978), 300ff.; Melles (2001), 14.

    Google Scholar 

  152. Vgl. Green (1973), 415; Carmone; Green (1981), 88; Green; Devita (1975), 415f.

    Google Scholar 

  153. Vgl. Melles (2001), 34f.; Reiners (1996), 31; Balderjahn (1993), 95. Green; Carroll; Carmone (1978, 110) bezeichnen dies als “environmental correlation”.

    Google Scholar 

  154. Vgl. Moore; Holbrook (1990), 490; Hahn (1997), 49. Siehe Green; Helsen; Shandler (1988, 392), die dies an den Eigenschaften „Preis“ und „Qualität“ erläutern.

    Google Scholar 

  155. Vgl. Moore; Holbrook (1990), 490; Melles (2001), 35; Cattin; Wittink (1982), 51.

    Google Scholar 

  156. Vgl. Moore; Holbrook (1990), 491.

    Google Scholar 

  157. Vgl. Green; Srinivasan (1978), 105; Moore; Holbrook (1990), 490f.

    Google Scholar 

  158. Green; Carroll; Carmone (1978, 110) bezeichnen diese als „composite attributes“.

    Google Scholar 

  159. Vgl. Green; Carroll; Carmone (1978), 110; Moore; Holbrook (1990), 491; Orme (2002c), 3. Auch in der Entscheidungsanalyse wird die Bildung von aggregierten Eigenschaften, die aus verschiedenen Einzeleigenschaften bestehen, empfohlen, wenn zwischen den Merkmalen empirische Abhängigkeit zu vermuten ist (vgl. Eisenführ; Weber (2003), 68).

    Google Scholar 

  160. Vgl. Green; Carroll; Carmone (1978), 110; Moore; Holbrook (1990), 491; Berekoven; Eckert; Ellenrieder (2001), 281.

    Google Scholar 

  161. Vgl. Orme (2002c), 3.

    Google Scholar 

  162. Vgl. Green; Carroll; Carmone (1978), 110; Moore; Holbrook (1990), 491.

    Google Scholar 

  163. Vgl. Moore; Holbrook (1990), 491f.

    Google Scholar 

  164. Vgl. Moore; Holbrook (1990), 496; Green; Helsen; Shandler (1988), 395.

    Google Scholar 

  165. Vgl. Orme (2002c), 3.

    Google Scholar 

  166. Vgl. Balderjahn (1993), 95.

    Google Scholar 

  167. Hoepfl; Huber (1970), 413; Orme (2002c), 2 oder Curry (1997), 7.

    Google Scholar 

  168. Vgl. Orme (2002c), 2.

    Google Scholar 

  169. Ein Attribut, bei der die Ausprägungen nicht „mutually exclusive“ sind, könnte ein Merkmal wie „Extras“ beim Untersuchungsobjekt „Autos“ mit den Ausprägungen „Sonnendach“, „GPS-Navigation“ oder „erweiterte Garantie“ sein. Untersucht man diese Ausprägungen der Eigenschaft „Extras“ mit Hilfe der Conjoint-Analyse, so können keinerlei Aussagen über die Vorziehenswürdigkeit eines Autos, dass sowohl ein Sonnendach als auch eine erweiterte Garantie aufweist oder über die Präferenz zu Autos ohne jegliche Extras getroffen werden (vgl. Orme (2002c), 2). Eine Eigenschaft, wie das Attribut „Extras“ müsste dementsprechend in drei einzelne Merkmale aufgeteilt werden, die jeweils binär (d.h. Sonnendach vorhanden / nicht vorhanden) codiert sind.

    Google Scholar 

  170. Für einen Überblick über nicht-kompensatorische Entscheidungsstrategien siehe Vriens (1995), 2.

    Google Scholar 

  171. Vgl. Keeney; Gregory (2005), 5. McGraw; Tetlock (2005), 3, 12f.

    Google Scholar 

  172. Für ein Beispiel siehe Voeth (2000), 69ff.

    Google Scholar 

  173. Vgl. Green; Krieger; Bansal (1988), 293; Green; Krieger; Bansal (1988), 293; Hahn (1997), 49; Voeth (2000), 69.

    Google Scholar 

  174. Vgl. Voeth (2000), 69.

    Google Scholar 

  175. Vgl. Klein (1987), 154; Green (1984), 158; Mehta; Moore; Pavia (1992), 470; Green; Krieger; Bansal (1988), 293; Voeth (2000), 69, 272.

    Google Scholar 

  176. Vgl. Klein (1987), 154; Mehta; Moore; Pavia (1992), 470.

    Google Scholar 

  177. Die Ausprägungen eines Merkmals werden unabhängig von den Ausprägungen der anderen Attribute bewertet. 1113 Vgl. Klein (1987), 154.

    Google Scholar 

  178. Vgl. Klein (1987), 155; Green (1984), 158f. Dabei werden den Entscheidern zunächst alle Eigenschaften sowie deren Ausprägungen präsentiert und der Befragungsteilnehmer selektiert danach alle Ausprägungen, die er unter Berücksichtigung des gesamten Eigenschaftssets als völlig unakzeptabel einschätzt.

    Google Scholar 

  179. Vgl. Mehta; Moore; Pavia (1992), 471ff.

    Google Scholar 

  180. Vgl. Green; Krieger; Bansal (1988), 294.

    Google Scholar 

  181. Vgl. Johnson (1987), 259.

    Google Scholar 

  182. Vgl. Green; Krieger; Bansal (1988), 293; Klein (1987), 154; Mehta; Moore; Pavia (1992), 472.

    Google Scholar 

  183. Vgl. Klein (1987), 154; Mehta; Moore; Pavia (1992), 475.

    Google Scholar 

  184. Vgl. Klein (1987), 155.

    Google Scholar 

  185. Vgl. Klein (1987), 155ff.; Mehta; Moore; Pavia (1992), 470; Dorsch; Teas (1992), 45.

    Google Scholar 

  186. Vgl. Srinivasan (1988), 301.

    Google Scholar 

  187. Vgl. Bucklin; Srinivasan (1991), 64.

    Google Scholar 

  188. Vgl. Green; Krieger; Bansal (1988), 296; Mehta; Moore; Pavia (1992), 474.

    Google Scholar 

  189. Vgl. Green; Krieger; Bansal (1988), 296f.

    Google Scholar 

  190. Vgl. Mehta; Moore; Pavia (1992), 470; Bucklin; Srinivasan (1991), 64; Fischer (2001), 116.

    Google Scholar 

  191. Vgl. Green; Krieger; Bansal (1988), 298.

    Google Scholar 

  192. Vgl. Klein (1987), 157.

    Google Scholar 

  193. Völlig unakzeptable Eigenschaftsausprägungen haben zur Folge, dass keine kompensatorischen Bewertungen, d.h. Trade-off Entscheidungen vom Befragungsteilnehmer vorgenommen werden — der verzerrende Effekt ist somit die Anwendung nicht-kompensatorischer Bewertungsstrategien. Es ist jedoch fraglich, ob mit Hilfe von Gütemaßen wie der internen Validität oder der Prognosevalidität überhaupt die Anwendung bestimmter Entscheidungsstrategien eingeschätzt werden kann. Dies bedeutet auch, dass eine bessere Repräsentation des Bewertungsprozesses keine höhere Vorhersagegüte garantiert (siehe dazu Klein (1987), 154).

    Google Scholar 

  194. Vgl. Hair; Anderson; Tatham; Black (1998), 408.

    Google Scholar 

  195. Vgl. Dorsch; Teas (1992), 45.

    Google Scholar 

  196. Vgl. Park; Jun; Macinnis (2000), 188f.

    Google Scholar 

  197. Vgl. Klein; Bither (1987), 250.

    Google Scholar 

  198. Vgl. Keeney; Gregory (2005), 3f.; Orme (2002c), 1; Ratneshwar; Shocker; Stewart (1987), 531; Schneider (2005), 717; McCullough (2002b), 21; Payne; Bettman; Schkade (1999), 245; Hair; Anderson; Tatham; Black (1998), 405f. Eng mit der Forderung nach Eindeutigkeit der Benennung der Eigenschaften und Ausprägungen ist die Anforderung an die Operationalisierbarkeit der Ausprägungen verbunden. Dies bedeutet, dass die Eigenschaftsausprägungen überhaupt mit einem angemessenen Aufwand sinnvoll bestimmt werden können. Während bei der Präferenzmessung dies typischerweise gegeben ist, weil potenzielle Konsumenten die Alternativen lediglich anhand der für sie wahrnehmbaren Eigenschaften einschätzen können (siehe Kapitel 2.3), ist die Operationalisierbarkeit von Ausprägungen im Rahmen der Entscheidungsanalyse nicht in jedem Fall gegeben. Hier ist es beispielsweise möglich, dass die tatsächlichen Ausprägungen von Indikatoren zur Einschätzung verschiedener Länder nicht ohne weiteres bestimmbar sind (vgl. Keeney; Gregory (2005), 5).

    Google Scholar 

  199. Vgl. Keeney; Gregory (2005), 4; Schneider (2005), 717.

    Google Scholar 

  200. Vgl. Keeney; Gregory (2005), 4; Orme (2002c), 1.

    Google Scholar 

  201. Vgl. Klein; Scholl (2004), 325f.; Nitschke; Völckner (2006), 745.

    Google Scholar 

  202. Vgl. Keeney; Gregory (2005), 4.

    Google Scholar 

  203. Eine mögliche Vorgehensweise dazu schlagen Helm; Manthey; Scholl; Steiner (2003, 13). Siehe dazu auch Kapitel 4.1.8.

    Google Scholar 

  204. Vgl. Orme (2002c), 4; Keeney; Gregory (2005), 11. Siehe Kapitel 3.5.

    Google Scholar 

  205. Vgl. Voeth (2000), 24. Homburg; Giering (1996, 5) unterscheiden in diesem Zusammenhang zwischen der Konzeptionalisierung und Operationalisierung von Konstrukten. Die Konzeptionalisierung umfasst die Bestimmung der zu untersuchenden Dimensionen, die Operationalisierung dagegen die Erstellung eines entsprechenden Messinstruments. Das Hauptaugenmerk dieser Arbeit liegt auf der Konzeptualisierung des Nutzenkonstrukts, d.h. der Bestimmung der relevanten Nutzendimensionen sowie deren Ausprägungen.

    Google Scholar 

  206. Vgl. Schweikl (1985), 96ff.; Tscheulin (1991), 1271; Schmidt-Gallas (1998), 31; American Marketing Association (1992), 7; Green; Tull (1982), 464; Beckwith; Lehmann (1975), 265.

    Google Scholar 

  207. Vgl. Hahn (1997), 48.

    Google Scholar 

  208. Siehe beispielsweise Stallmeier (1993), 34ff.

    Google Scholar 

  209. Vgl. American Marketing Association (1992), 7; Wilkie; Pessemier (1973), 429; Keeney; Gregory (2005), 5f.; Shocker; Srinivasan (1979b), 14.

    Google Scholar 

  210. Vgl. Payne; Bettman; Schkade (1999), 245; Stallmeier (1993), 39.

    Google Scholar 

  211. Vgl. Herrmann (1998), 28. Siehe auch Kapitel 4.1.1. Eine Konsumentenbefragung zur Erhebung von relevanten Eigenschaften und deren Ausprägungen erscheint demzufolge eine geeignete Möglichkeit, um Eigenschaften und deren Ausprägungen zu bestimmen. Entscheidend ist dabei nicht die objektive Wahrnehmbarkeit von Eigenschaftsausprägungen, sondern die subjektive Wahrnehmung der Entscheidungsträger.

    Google Scholar 

  212. Vgl. Payne; Bettman; Schkade (1999), 255, 262.

    Google Scholar 

  213. Vgl. Stallmeier (1993), 39.

    Google Scholar 

  214. Vgl. Ratneshwar; Shocker; Stewart (1987), 524

    Google Scholar 

  215. Vgl. Payne; Bettman; Schkade (1999), 256, 262.

    Google Scholar 

  216. Auch in späteren Studien zu Bestimmung der Eigenschaften für die Präferenzmessung wurde auf diese Definition zurückgegriffen. Siehe u.a. Alpert (1980), 83 oder Stallmeier (1993), 35; Schubert (1991), 187; Reiners (1996), 33f.; Wilkie; Pessemier (1973), 432; Lürssen (1989), 172.

    Google Scholar 

  217. Vgl. Reiners (1996), 33f.; Perrey (1998), 44.

    Google Scholar 

  218. Siehe auch Kroeber-Riel; Weinberg (2003), 201 oder Alpert (1980), 84; Melles (2001), 142. Gierl (1995, 40) bezeichnet deshalb die salienten Eigenschaften sogar als die „Endauswahlmerkmale“.

    Google Scholar 

  219. Vgl. Böhler (1979), 267.

    Google Scholar 

  220. Vgl. Krech; Crutchfield (1948), 163; Wilkie; Pessemier (1973), 428.

    Google Scholar 

  221. Vgl. Krech; Crutchfield (1948), 163f.

    Google Scholar 

  222. Vgl. Krech; Crutchfield (1948), 164.

    Google Scholar 

  223. Vgl. Reiners (1996), 33f.

    Google Scholar 

  224. Vgl. Wilkie; Pessemier (1973), 432; Stallmeier (1993), 35.

    Google Scholar 

  225. Vgl. Stallmeier (1993), 35. Dies gilt insbesondere für Produkte, bei denen eher mit einem verkürzten Kaufentscheidungsprozess, d.h. keiner intensiven Informationssammlung bezüglich der Merkmale und Ausprägungen der am Markt verfügbaren Alternativen, zu rechnen ist (siehe dazu Kapitel 2.3). Es handelt sich dabei z.B. um Konsumgüter. Diese Produktgruppen sind aber generell weniger geeignet, um mit Hilfe von Verfahren zur Präferenzmessung Wahlentscheidungen zu prognostizieren.

    Google Scholar 

  226. Vgl. Day (1972), 280.

    Google Scholar 

  227. Vgl. Krech; Crutchfield (1948), 251; Day (1972), 280; Alpert (1980), 84; Stallmeier (1993), 36; Reiners (1996), 33; Alpert (1980), 84; Perrey (1998), 44f.; Neslin (1981), 80f.; Srinivasan (1988), 296; Böcker (1986), 561. Johnson (1987, 260) beschreibt deshalb den Begriff Wichtigkeit als „slippery idea“.

    Google Scholar 

  228. Die Definition erfolgt damit analog zu Reiners (1996), 33 bzw. Wilkie; Pessemier (1973), 433.

    Google Scholar 

  229. Vgl. Lürssen (1989), 172.

    Google Scholar 

  230. Siehe u.a. Borcherding (1983), 114; Höser (1998), 56.

    Google Scholar 

  231. Vgl. Wilkie; Pessemier (1973), 433.

    Google Scholar 

  232. Entsprechend werden die Ergebnisse bei reinen Wichtigkeitseinschätzungen oft kritisch gesehen. Siehe dazu beispielsweise eine übersicht verschiedener Studien in Wilkie; Pessemier (1973, 432).

    Google Scholar 

  233. Vgl. Mikes; Hulin (1968), 397. Siehe auch Gibson (2001), 18; Johnson (1987), 260. Siehe auch Kapitel 5.2.2.2.

    Google Scholar 

  234. Vgl. Myers; Alpert (1968), 13. Siehe analog dazu auch Shocker; Srinivasan (1979b), 5; Hahn (1997), 49.

    Google Scholar 

  235. Vgl. Keeney; Gregory (2005), 5.

    Google Scholar 

  236. Vgl. Myers; Alpert (1968), 14; Myers; Alpert (1997), 50; Hammond; Keeney; Raiffa (1998), 144; Goodwin; Wright (2000), 28f.; von Winterfeldt; Edwards (1986), 285. Lediglich Eigenschaften, deren Ausprägungen einen entscheidungsrelevanten Nutzenunterschied aufweisen, sind determinant und sollten in die Präferenzmessung aufgenommen werden. Dabei handelt es sich um Trade-off und Added-value Merkmale. Siehe Kapitel 4.1.4.

    Google Scholar 

  237. Vgl. Myers; Alpert (1997), 51. Insofern muss bei der Bestimmung der im Rahmen der Conjoint-Analyse zu untersuchenden Eigenschaften beachtet werden, dass vom Entscheidungsträger je nach Phase im Kaufentscheidungsprozess unterschiedliche Merkmale genutzt werden.

    Google Scholar 

  238. Vgl. Myers; Alpert (1997), 51.

    Google Scholar 

  239. Vgl. Perrey (1998), 45. Stallmeier (1993, 35f.) geht, wie auch Perrey (1998, 45), davon aus, dass auch nicht kaufentscheidungsrelevante Eigenschaften, die die Konsumenten als wichtig einstufen, in die Präferenzmessung aufgenommen werden sollten. Er begründet dies an einem Automobil-Beispiel mit der Eigenschaft „Sicherheit“. Wenn alle Autos am Markt über vergleichbare Sicherheitsstandards verfügen, so handelt es sich bei diesem Attribut um keine determinante Eigenschaft. Würde ein Unternehmen die Sicherheit allerdings völlig außer Acht lassen und ein entsprechend unsicheres Produkt anbieten, wird diese Eigenschaft ein „entscheidendes Kriterium“ (Stallmeier (1993), 37).

    Google Scholar 

  240. Dies entspricht der Berechnung der Bedeutungsgewichte im Rahmen der Conjoint-Analyse, die durch die Bandbreite der Teilnutzen einer Eigenschaft im Verhältnis zu den Bandbreiten der Teilnutzen aller Eigenschaften berechnet wird. Siehe beispielsweise Backhaus; Erichson; Plinke; Weiber (2003), 567.

    Google Scholar 

  241. Siehe analog auch Goodwin; Wright (2000), 19.

    Google Scholar 

  242. Vgl. Krech; Crutchfield (1948), 163f.; Albrecht (2000), 32.

    Google Scholar 

  243. Vgl. Stallmeier (1993), 35; Wilkie; Pessemier (1973), 432.

    Google Scholar 

  244. Vgl. Kotler (1974), 417; Day (1972), 280.

    Google Scholar 

  245. Vgl. Myers; Alpert (1997), 50f.

    Google Scholar 

  246. Vgl. Sattler; Gedenk; Hensel-Börner (2002a), 24.

    Google Scholar 

Download references

Rights and permissions

Reprints and permissions

Copyright information

© 2007 Deutscher Universitäts-Verlag | GWV Fachverlage GmbH, Wiesbaden

About this chapter

Cite this chapter

(2007). Eigenschaften und Eigenschaftsausprägungen. In: Nachfragerorientierte Präferenzmessung. DUV. https://doi.org/10.1007/978-3-8350-9593-9_4

Download citation

Publish with us

Policies and ethics

Search

Navigation