Marketing-Modelle: Anwendungsmöglichkeiten und Entwicklung computergestützter Modelle im Marketing [Reprint 2015 ed.] 9783110833089, 9783110044591

Citation preview

Hansen/Thabor M a rketi ng - M odel le

Marketing-Modelle Anwendungsmöglichkeiten und Entwicklung computergestützter Modelle im Marketing von

Hans R. Hansen und Alexandre Thabor Mit 105 Abbildungen

w DE

G Walter de Gruyter · Berlin · New York 1973

ISBN 3 11 004459 5 © 1973 by Walter de Gruyter & Co., vormals G. J . Göschen'sehe Verlagshandlung, J . Guttentag, Verlagsbuchhandlung Georg Reimer, Karl J . Trübner, Veit & Comp., Berlin 30. Alle Rechte, insbesondere das Recht der Vervielfältigung und Verbreitung sowie der Ubersetzung, vorbehalten. Kein Teil des Werkes darf in irgendeiner Form (durch Photokopie, Mikrofilm oder ein anderes Verfahren) ohne schriftliche Genehmigung des Verlages reproduziert oder unter Verwendung elektronischer Systeme verarbeitet, vervielfältigt oder verbreitet werden. Printed in Germany. Satz und Druck: Mercedes-Druck, Berlin

Vorwort Mit einiger Verspätung, dafür aber um so heftiger, hat seit Anfang der 70er Jahre in Deutschland die Diskussion um den Gebrauch von mathematischen Modellen im Marketing eingesetzt. Trotz zahlreicher Beiträge zu diesem Thema sind die vorliegenden Informationen über Marketing-Modelle jedoch immer noch höchst lückenhaft und unbefriedigend. Das trifft weniger für die Konstruktion der mathematischen Ansätze als für deren Einsatz in der Wirtschaft zu. Aus diesem Grunde werden in der vorliegenden Veröffentlichung überwiegend Probleme der Entwicklung und der Anwendung von Marketing-Modellen behandelt. Ausgehend von einer Darstellung der Bedeutung derartiger Ansätze für die Entscheidungsprozesse des Marketing-Managements werden eingangs einige ausgewählte quantitative Lösungsverfahren beschrieben, die im Bereich des Marketing bereits mit gutem Erfolg eingesetzt werden. Im einzelnen werden erörtert: Vorhersageverfahren, Entscheidungsbaumanalyse, Warteschlangentheorie, mathematische Programmierung, Simulation. Dabei erfolgt jeweils anhand eines Beispiels eine Einführung in den rechnerischen Lösungsgang, und es werden realisierte Anwendungen im Marketing erwähnt. Ferner wird auf die Besonderheiten bei der Verwendung vorhandener EDV-Programme hingewiesen. Im Anschluß daran wird eine systematische Übersicht über die im Marketing mittels der gekennzeichneten Verfahren lösbaren Teilaufgaben gegeben, und es werden einige in der Praxis für Zwecke der Programmpolitik, Kommunikationspolitik und Distributionspolitik entwickelte, in Gebrauch befindliche Modelle ausführlich geschildert. Dabei handelt es sich primär um für die MenschMaschine-Kommunikation besonders geeignete interaktive Lösungen, bei denen jeweils der Dialogverkehr bei einem Berechnungsgang dargestellt wird. In Ergänzung hierzu werden ferner die in Deutschland und Frankreich verfügbaren und bereits praktisch getesteten, umfassenden Marketing-Modelle kritisch untersucht. Die zweite Hälfte des Buches ist der Beschreibung der Aufgaben und Probleme bei der Entwicklung computergestützter Modelle im Marketing gewidmet. Im allgemeinen wird eine Projektgruppe mit der Konstruktion bzw. der Einführung auf dem Markt angebotener Modelle im Unternehmen betraut. Besonderes Gewicht wird bei der Kennzeichnung ihrer Aufgaben darauf gelegt, die Anforderungen an die Projektmitarbeiter abzuleiten sowie deren Funktionen, Kompetenzen und Verantwortlichkeiten während der Entwicklungsarbeit abzugrenzen. Folgende Phasen des Projekt-Managements werden analysiert: Vorbereitung Ist-Aufnahme, Bedarfsermittlung, Modellplanung, Modellaufbau, Modellimplementierung. Ein detaillierter Netzplan dient dabei als Muster für eine mögliche Aufgabengliederung und die Aktivitätenverkettung.

6

Vorwort

Diese mehr idealtypische Darstellung wird durch die Studie eines praktischen Falles ergänzt. Es handelt sich hierbei um die Gestaltung eines umfassenden Modell-Systems, welches in den Jahren 1971/72 bei zwei Reifenherstellern eingeführt wurde. Die Entwicklungsarbeit wurde von der französischen CIM DEVELOPPEMENT geleistet. Die allgemeine Zielsetzung des Projekts bestand in dem Entwurf eines Modells des Firmenmarkts, hier des gekennzeichneten Reifenherstellers, um diesem in einer synthetischen Bedingungslage die Untersuchung der Konsequenzen alternativer Marketing-Strategien mittels Simulation zu ermöglichen. Die Beschreibung des Projektablaufes erfolgt in den Abschnitten: Spezifikation der Makrostruktur des Modells, Spezifikation der Mikrostruktur des Modells, Modelltest und -validierung, Modellbewertung, Integration des Modells in die Entscheidungsprozesse des Marketing-Managements. Die Freunde und Kollegen des erstgenannten Verfassers Karlheinz Haberlandt · (Stuttgart), Franz Schober (Philadelphia) und Hans Tzschach (Darmstadt) haben durch zahlreiche Anregungen zur Niederschrift der Kapitel 1 —3 beigetragen. Das Kapitel 4 basiert wesentlich auf der Forschungstätigkeit und den Konzepten von Arnold E. Amstutz (Cambridge/Mass.), welche dieser für die Anwendung der beschriebenen mikroanalytischen Verhaltenssimulationen entwickelt hat. An der Fertigstellung des vierten Kapitels haben ferner einige Mitarbeiter der CIM DEVELOPPEMENT wesentlichen Anteil: — David Srour, der für das Konzept der freien, spontanen und modulierten Nachfrage eine sinnvolle mathematische Formulierung fand und der das Kommunikations-Modell aufstellte; — Francois Fischer, der insbesondere zur methodologischen Fundierung und Anwendung der gekennzeichneten Simulationen beitrug und dessen Kenntnisse von Verhaltenssimulationen weit über den dargestellten Bereich bis hin zu sozialwissenschaftlichen und politischen Einsatzgebieten hinausreichen; — Pierre-Yves Noblanc, der für die Systemgestaltung und die Programmierung verantwortlich war. Ihnen allen, wie auch dem französischen und dem amerikanischen Reifenhersteller, bei denen das Marketing-Modell-System eingeführt wurde, gilt für die gewährte Unterstützung und Mitarbeit der ganz besondere Dank der Verfasser. Stuttgart und Paris, im Mai 1973. Hans Robert Hansen und Alexandre Thabor

Inhalt

1. Bedeutung computergestützter Modelle im Marketing 1.1 Grundlagen des Marketing 1.2 Struktur der Entscheidungsprozesse im Marketing 1.3 Stellung von Modellen im Marketing

9 9 13 21

2. Anwendung computergestützter Modelle im Marketing 2.1 Darstellung einiger ausgewählter Modellansätze 2.1.1 Vorhersageverfahren 2.1.2 Netzplantechnik 2.1.3 Entscheidungsbaumanalyse (mit einem Exkurs zur Risikoanalyse) 2.1.4 Warteschlangentheorie 2.1.5 Mathematische Programmierung 2.1.6 Simulation 2.2 Anwendungsbereiche der gekennzeichneten Modelle 2.2.1 Programmpolitik 2.2.2 Kommunikationspolitik 2.2.3 Distributionspolitik 2.3 Anwendungsstand von Marketing-Modellen in der Praxis 2.3.1 Anwendungsstand in der Bundesrepublik Deutschland 2.3.2 Anwendungsstand in Frankreich

30 30 30 40 50 56 61 70 88 90 101 115 126 127 134

3. Entwicklung computergestützter Marketing-Modelle 3.1 Projekt-Management 3.1.1 Vorbereitung 3.1.2 Ist-Aufnahme 3.1.3 Bedarfsermittlung 3.1.4 Modellplanung 3.1.5 Modellaufbau 3.1.6 Modellimplementierung 3.2 Netzplan

144 144 145 149 150 151 152 161 163

4. Gestaltung eines umfassenden Marketing-Modells — Fallstudie eines Reifenherstellers 4.1 Spezifikation der Makrostruktur des Modells 4.2 Spezifikation der Mikrostruktur des Modells 4.2.1 Das Reifenbenutzer-Modell 4.2.2 Das Absatzmittler-Modell 4.2.3 Mathematische Modellformulierung 4.2.3.1 Die .freie Nachfrage* der Reifenbenutzer 4.2.3.2 Die .spontane Nachfrage' der Reifenbenutzer 4.2.3.3 Die .modulierte Nachfrage' 4.2.3.4 Das Lieferquellen-Modell des Einzel- und Großhandels 4.2.3.5 Das Kommunikations-Modell 4.2.4 Datenbedarf

172 173 177 178 183 189 189 191 193 194 195 205

Inhalt

8 4.3 Modelltest und -validierung 4.3.1 Aufstellung von Funktionen 4.3.2 Festlegung der Parameterwerte 4.3.3 Test des simulierten Individualverhaltens der Reifenbenutzer 4.3.4 Test des simulierten aggregierten Verhaltens der Reifenbenutzer 4.3.5 Leistungsanalyse des gesamten Modell-Systems 4.4 Modellbewertung 4.4.1 Grundsatzprobleme 4.4.2 Simulationsergebnisse von Submodellen 4.4.2.1 Ebene der Reifenbenutzer 4.4.2.2 Ebene des Einzelhandels 4.4.2.3 Ebene des Großhandels 4.4.3 Ergebnisbeispiele integrierter Simulationen 4.4.3.1 Simulation der Kommunikationsstrategie 4.4.3.2 Simulation der Erstausstattungsstrategie 4.4.3.3 Simulation der kombinierten Kommunikations- und Erstausstattungsstrategie 4.5 Integration des Modells in die Entscheidungsprozesse des Marketing-Managements 4.5.1 Führungsebene 4.5.2 Planungsebene 4.5.3 Verkaufsebene 4.6 Zusammenfassung

207 210 211 212 213 214 215 215 221 221 235 236 238 239 240 246 246 247 247 249 250

Anhang 1 Datenerfassungsbogen eines interaktiven Programms zur Risikoanalyse neuer Produkte eines US-amerikanischen Konsumgüterherstellers 2 Datenerfassungsbogen eines interaktiven Programms zur Vertriebserfolgsprognose neuer Produkte eines US-amerikanischen Konsumgüterherstellers (Payout Projection Program)

252

Literaturverzeichnis

289

Sachregister

302

280

1. Bedeutung computergestützter Modelle im Marketing 1.1 Grundlagen des Marketing Unter Marketing sei hier ein umfassendes, systematisches unternehmerisches Führungskonzept verstanden, das sich an den Marktgegebenheiten orientiert und das auf einen optimalen Einsatz des absatzpolitischen Instrumentariums im Hinblick auf die Unternehmensziele gerichtet ist. Diese Definition ist enger als der globale Marketing-Begriff (Kotler: "New Concept of Marketing"), welcher sämtliche Unternehmensfunktionen einbezieht und bei dem entsprechend neben dem Absatz-Marketing die Bereiche Beschaffungs-Marketing, Personal-Marketing und Finanz-Marketing unterschieden werden 1 . Nach Nieschlag/Dichtl/Hörschgen stimmt die obengenannte Kennzeichnung des Begriffsinhalts jedoch mit „sehr vielen unterschiedlichen Interpretationen" insofern überein, „als darin eine bestimmte Grundeinstellung zu den in den Unternehmungen gestellten absatzwirtschaftlichen Aufgaben gesehen wird, eine Denkweise, die in der Erarbeitung und Verwirklichung an den Bedürfnissen des Marktes orientierter, in umfassender Weise fundierter absatzwirtschaftlicher Strategien für Güter und Dienstleistungen ihren Ausdruck findet" [236, S. 31], „Was nach heutiger Auffassung zum Marketing als konkreter Aufgabe gerechnet wird" [138, Band I, S. 39], läßt sich nach Hill — „auch wenn die einzelnen Autoren verschiedene Ordnungsprinzipien anwenden und die Akzente unterschiedlich setzen" [138, Band I, S. 39] — zusammenfassend in vier große Themenkreise gliedern (vgl. Abb. 1): Marketingrelevante Annahmen sind über die Konstellation und mögliche Wandlungen des Datenrahmens einer marktorientierten Unternehmensführung aufzustellen. Hierzu zählen ζ. B. Vorstellungen über die Entwicklung der staats-, wirtschafte- und gesêllschaftspolitischen Lage des Gesamtmarkts und einzelner geographischer Märkte, die Chancen und Risiken bei der Erschließung und Ausschöpfung verschiedener Marktsegmente, die technologischen Tendenzen und Fortschritte einzelner Wirtschaftszweige, das Verhalten von Mitbewerbern, Absatzmittlern und Verbrauchern und die Ziele, Grundsätze und das Potential des eigenen Unternehmens. Einen Überblick über die wesentlichsten Komponenten dieser „vertrieblichen Bedingungslage" gibt C. W. Meyer (vgl. Abb. 2). Die jeweilige Situation, an welche die Marketing-Maßnahmen anzupassen sind, läßt sich nach dem Informationsstand bzw. nach dem Sicherheitsgrad der Erwartungen der Entscheidungsträger als mehr oder weniger ungewiß klassifizieren. „Um diese Ungewißheit, wenn nicht zu beseitigen, so doch wenigstens 1

Vgl. zu den verschiedenen Begriffsauslegungen ζ. B. [263, S. 337 ff.].

1. Bedeutung computergestützter Modelle im Marketing

10

QJ W > -I

ri

2 Ν 5 S s|B-) aips!60|0|z0s "8

U8J01>|BJ 3L)OS!gdejßOLU8Q

• 3H0Sun/v\

Ν Λ

— aqa|Jl

σ> c 3 Ό

U3JO;>(BJ spuSJSjLLUOM • u a j o ^ e j spusjsiwmßa"! — u s j o i ^ e j spuajaipun-i -u8joj)(e-) spuajsiuouipuox U8JOi5|e-j 8pu8J8!Z!i4-3 • u8JOi>|ej apu3Jsisne>|

-6uniejjOA8a • 6un6ipa|jss6ejijnv j3|U!ujz;esqv 8ß8Msqa|JiJ3A

u

• Bunj8pjojs^n9)|J9A 8
(j8A

• BuniieisaesiaJd - ßunpnqsiuaoiijjos l— ßun;|ejsaß- η meMjíjnpojd

indNi

unixnais-ssazoud

indino

1.3 Stellung von Modellen im Marketing

27

ein Maximum (ζ. B. des Gewinnes, des Umsatzes oder der Wachstumsrate) oder irgendeine fixierte Größe (z.B. Wachstumsrate oder Marktanteil) sein. Optimierung ist also nicht immer gleichbedeutend mit der Suche nach den Extremwerten des Maximums oder Minimums" [161, S. 5]. Im Gegensatz zu den geschlossenen wird bei den offenen Entscheidungsmodellen das Zustandekommen der Prämissen untersucht und an die Stelle der formalen rationalen Entscheidungslogik tritt die Logik der Entscheidungsträger, welche in ihrer Rationalität beschränkt ist. Offene Entscheidungsmodelle dienen zur Lösung unvollständig definierter Probleme, die dadurch gekennzeichnet sind, daß ihnen mindestens eines der Merkmale wohl-strukturierter Probleme fehlt. Der Problemlösungsprozeß orientiert sich an der von Simon begründeten Theorie kognitiver Entscheidungsprozesse und ist durch eine Folge von Suchsequenzen gekennzeichnet, die durch heuristische Prinzipien bestimmt wird. Daß Modelle bzw. deren Ergebnisse auch durchaus zur Rechtfertigung politischer Standpunkte herangezogen werden können, zeigt die heftige Diskussion, die im Jahre 1972 um die Konsequenzen eingesetzt hat, die sich aus der Simulationsstudie ,World-2 model' der .System Dynamics'-Gruppe am MIT ergeben. Diese vom sog. Club of Rome in Auftrag gegebene Untersuchung analysiert die wirtschaftlichen und demographischen Wachstumstrends unseres Planeten und prognostiziert der Menschheit — falls nicht umgehend einschneidende Maßnahmen getroffen werden — eine düstere Entwicklung. Inzwischen haben aber einige Unternehmen, die in ihren Leistungsinhalten durch die Vorhersagen besonders berührt sind (ζ. B. wegen der Ausbeutung natürlicher Ressourcen), nicht nur auf den Mangel an empirischem Gehalt und die Unmöglichkeit der Validierung des Modells hingewiesen, sondern sie haben auch die Simulation mit veränderten, ebenfalls durchaus möglichen Parameterwerten nachvollzogen und kamen damit — welch' glückliche Fügung — zu gänzlich anderen, die eigene Unternehmenspolitik stützenden (bzw. dieser Politik zumindest nicht entgegenstehenden) Resultaten. Ähnliches ist selbstverständlich auch im Marketing-Bereich möglich; die Ergebnisse von Modellen sind häufig hervorragend dazu geeignet, die Ziele, Methoden und Grundsätze bestimmter Konzeptionen zu unterstützen und damit ihre Durchsetzung zu bewirken. Ob die jeweiligen Maßnahmen jedoch damit auch rational im wirtschaftlichen Sinne sind oder ob damit eventuell versteckt werthafte politische Vorstellungen verwirklicht werden sollen, kann nur durch eine Untersuchung der Modellprämissen geklärt werden. Die folgenden Ausführungen der vorliegenden Abhandlung beschränken sich auf Probleme der Anwendung und Entwicklung von Prognose- und Entscheidungsmodellen. Die Abb. 10 vermittelt einen Eindruck von der Vielfalt möglicher Partialmodelle dieser Zwecksetzung im Marketing und der Komplexität von Totalmodellen, die durch eine harmonische Abstimmung und Verknüpfung von Submodellen entstehen. Das der Publikation „Marketing-Modelle" (Winterthur 1972) von Rütschi entnommene Schaubild kennzeichnet einen auf detailanalytischer Basis konzipierten Totalansatz zur Gestaltung des Marketing-Mix mithilfe heuristischer Lösungsmethoden. (Da in dem genannten Buch

28

1. Bedeutung computergestiitzter Modelle im Marketing

1.3 Stellung von Modellen im Marketing

29

Probleme der Systemanalyse und der Formalisierung von Marketing-Modellen im Vordergrund stehen, bildet es eine gute Ergänzung zu der vorliegenden Veröffentlichung, die sich primär mit anwendungs- und datentechnischen Aspekten von Marketing-Modellen befaßt.)

2. Anwendung computergestützter Modelle im Marketing 2.1 Darstellung einiger ausgewählter Modellansätze Zur Lösung von Marketing-Aufgaben steht eine Fülle von unterschiedlichen mathematischen Methoden zur Verfügung. Die Reihe der in der Literatur gekennzeichneten und in der Praxis angewandten Verfahren ist nicht systematisiert, weil für zu behandelnde Probleme jeweils die Algorithmen herangezogen werden, die zur Lösung am besten geeignet erscheinen. Traditionelle Techniken werden von Fall zu Fall verändert oder ergänzt, verschiedene Methoden werden zur Lösung komplexer Probleme miteinander kombiniert, und es werden spezifische Gegebenheiten durch besondere Modellvarianten berücksichtigt. Zahlreiche Fragestellungen lassen sich darüberhinaus durch verschiedene Arbeitstechniken gleichermaßen lösen; so wurde z.B. das „Travelling Salesman Problem" in der Literatur mittels dynamischer Programmierung, heuristischer Verfahren, Branch and Bound und verschiedenen problemspezifischen Algorithmen behandelt. Dieser Sachverhalt wird auch z.B. durch das nachfolgende Zitat von Schiemenz verdeutlicht, der die Darstellung der Problemstruktur „eines einfachen Modells zur Regelung der Nachfrage durch Preisgestaltung" mit den Ausführungen abschließt: „Die Lösung der Aufgabenstellung kann eventuell mittels des dynamischen Programmierens, des pontijaginschen Verfahrens, der linearen und nichtlinearen Planungsrechnung, von Suchverfahren o. ä. erfolgen. Vielfach wird jedoch die Zahl der Variablen einer exakten Lösung entgegen stehen. In diesem Falle kann eventuell durch Simulation oder eine Kombination von Simulation und exakten Verfahren ein „gutes" Verhalten der Unternehmensleitung ermittelt werden" [279, S. 5], Nachfolgend werden Wesen und Struktur einiger ausgewählter mathematischer Standardansätze dargestellt, die im Bereich des Marketing bereits mit gutem Erfolg eingesetzt werden. Im einzelnen werden erörtert: Vorhersageverfahren, Netzplantechnik, Entscheidungsbaumanalyse, Warteschlangentheorie, mathematische Programmierung, Simulation. Dabei erfolgt jeweils anhand eines Beispiels eine Einführung in den rechnerischen Lösungsgang, und es werden realisierte Anwendungen im Marketing erwähnt. Ferner wird auf die Besonderheiten bei der Verwendung vorhandener EDV-Programme hingewiesen. 2.1.1 Vorhersageverfahren

Voraussetzung für die Ausrichtung der Marketing-Maßnahmen auf die marktliche Bedingungslage ist eine Schätzung des Marktpotentials, d. h. des möglichen Gesamtabsatzes (des eigenen Unternehmens und der Mitbewerber) an

2.1 Darstellung einiger ausgewählter Modellansätze

31

alle potentiellen Abnehmer (Kunden und Interessenten). Die Potentialermittlung kann sich sowohl auf bereits vorhandene, wie auch auf neu in das Sortiment aufzunehmende Verkaufsobjekte beziehen. Geeignete Verfahren zur Erfassung des Potentials eines exakt definierten und abgegrenzten Marktes sind unter anderem die Befragung von Verbrauchern und die Testmarktmethode. Verbraucherbefragungen können dazu dienen, die Kaufabsichten einer repräsentativen Teilmenge von Abnehmern zu erfassen, die sodann für die Gesamtheit der potentiellen Kunden hochgerechnet werden. Bei der Testmarktmethode wird ähnlich verfahren, indem die Aufnahmefähigkeit in einem abgegrenzten, möglichst repräsentativen Absatzgebiet bestimmt und auf das Gesamtgebiet hochgerechnet wird. Zwei weitere Verfahren zur Schätzung des Marktpotentials gründen sich auf die Überlegung, daß der Absatz von Verkaufsobjekten ausgeweitet werden kann, indem die Verkäufe an den vorhandenen Kundenstamm forciert (= Erhöhung der Marktpenetration) oder potentielle Abnehmer als tatsächliche Kunden gewonnen werden (= Erhöhung der Marktbesetzung). Sowohl auf der Basis der Marktdurchdringung als auch der Marktbesetzung läßt sich unter Zugrundlegung eines Zielsetzungskatalogs das Marktpotential vorhersagen. Nach der Schätzung des Marktpotentials muß bestimmt werden, welchen Anteil des Gesamtpotentials die eigene Unternehmung maximal erreichen kann bzw. realisieren möchte. Eine vollkommene Ausschöpfung ist wegen der Begrenztheit der Ressourcen, aus Gründen bestimmter Richtlinien der Unternehmenspolitik oder wegen des Einflusses einschränkender externer (ζ. B. rechtlicher) Faktoren häufig nicht möglich bzw. nicht sinnvoll. Sowohl für Marktleistungs- und Marktwachstumsprognosen, als auch für Absatzprognosen bieten sich eine Reihe von Vorhersageverfahren an [32, S. 14]: — Persönliche Schätzungen (z.B. von Außenverkäufern, Absatzmittlern oder Verkaufsleitern); — ,Lead'-Serien (die davon ausgehen, daß bestimmte Variable immer mit einer bestimmten zeitlichen Differenz gegenüber der Prognosegröße variieren); — Analogprognosen (welche die Prognosegröße anhand der vorausgehenden, analogen Entwicklung in anderen Märkten bestimmen); — Regressions- und Korrelationsrechnung; — Extrapolationsprognosen. Diese ergänzen sich von Fall zu Fall; die größte Bedeutung, insbesondere unter dem Gesichtspunkt des Einsatzes der EDV, haben jedoch die beiden letztgenannten Verfahren gewonnen. Hier wirkt sich die Unterstützung der EDV nicht nur — wie auch bei den anderen genannten Methoden — durch die Erfassung von relevanten historischen Daten positiv aus, sondern es bestehen zusätzliche Anwendungsmöglichkeiten bei der Quantifizierung der Beziehungen des Prognosemodells, der Annahme von für die Zukunft relevanten Daten, der eigentlichen Prognose und dem Vergleich zwischen Prognose- und effektiven Daten. Die mathematisch-statistischen Vorhersageverfahren — und nur hier kommt die Durchrechnung des Prognosemodells mittels EDV in Frage — lassen sich nach

32

2. Anwendung computergestûtzter Modelle im Marketing

einer Vielzahl unterschiedlicher Kriterien (ζ. B. sachliche Einteilung, räumliche Einteilung, Einteilung nach Sicherheit, Einteilung nach der Abhängigkeit von anderen Merkmalen, Einteilung nach Arbeitsmitteln, Einteilung nach dem Charakter der Ausgangsdaten, zeitliche Einteilung) in zahlreiche Einzeltechniken gliedern. Gahse unterscheidet ζ. B. nach der zeitlichen Abgrenzung und der Sicherheit in: [101, S. 9] 1 Kurzfristige Vorhersagen 1.1 Deterministisch — Einfache Verfahren — Auflösung von Stücklisten — Teileverwendungsnachweis 1.2 Stochastisch — Wahrscheinlichkeitsverteilung — Abhängige Vorhersage — Mittelwert — Gleitender Mittelwert — Exponentielle Glättung 1. Ordnung — Exponentielle Glättung 1. Ordnung mit Trend — Exponentielle Glättung 1. Ordnung mit Saison — Exponentielle Glättung 2. Ordnung — Exponentielle Glättung höherer Ordnung 2 Mittelfristige Vorhersagen 2.1 Deterministisch — Einfache Verfahren — Auflösung von Stücklisten — Teileverwendungsnachweis 2.2 Stochastisch — Wahrscheinlichkeitsverteilung — Abhängige Vorhersage — Regression — Exponentielle Glättung bei transformierten Zeitreihen — Verfahren von Winters — Verfahren von Wiese 3 Langfristige Vorhersagen 3.1 Deterministisch 3.2 Stochastisch — Gaußähnliche Funktion — Logistische Funktion — Wachstums-Polynom — Gompertz-Funktion Vom theoretischen Konzept her sind Kausalmodelle (wie sie in der Regressionsund Korrelationsrechnung Verwendung finden) Zeitreihenanalysen (wie bei den Verfahren der Extrapolationsrechnung) vorzuziehen, da die Variable ,Zeit' hier — in, den Absatzproblemen angemessener Weise — nur mittelbar durch

2.1 Darstellung einiger ausgewählter Modellansätze

33

die Berücksichtigung ursächlicher Faktoren in den Ansatz eingeht. Werden die richtigen unabhängigen Variablen benützt und deren Zukunftswerte richtig eingeschätzt, so lassen sich mit Regressionsanalysen wesentlich bessere Prognoseergebnisse erzielen als mit Extrapolationen. Der Vorteil von Zeitreihenanalysen liegt in der praktischen Anwendung, da die Verfahren sehr einfach strukturiert sind und sich durch dementsprechend kurze Rechenzeiten und geringen Speicherbedarf auszeichnen. Sowohl in der Phase der Datensammlung als auch in der Phase der Datenverarbeitung sind die letztgenannten Verfahren wesentlich kostengünstiger (was besonders ins Gewicht fällt, wenn Projektionen für eine Vielzahl von Verkaufsobjekten — wie ζ. B. üblicherweise im Handel — zu erstellen sind). Den tendenziellen Zusammenhang zwischen den Prognosekosten einzelner Verfahren und den Kosten, die infolge der mangelnden Genauigkeit einzelner Techniken entstehen können, zeigt die in Abb. 11 wiedergegebene Graphik von Chambers/Mullick/Smith. Bei den Verfahren der Extrapolationsrechnung wie der Methode der einfachen und gleitenden Mittelwerte, der adaptiven und der exponentiellen Glättung errechnen sich die Vorhersagewerte direkt aus den Vergangenheitsdaten der zu prognostizierenden Zahlenreihen. Die Ergebnisse der klassischen Extrapolationsmethoden wie ζ. B. der Methode der gleitenden Mittelwerte werden mitunter durch strukturelle Veränderungen negativ beeinflußt. Zudem werden bei der Berechnung der gleitenden Durchschnitte alle betrachteten Perioden gleich stark gewichtet, so daß kurzfristige Änderungen der Nachfrageentwicklung häufig nicht rechtzeitig und ausreichend berücksichtigt werden und bei elektronischer Berechnung ist der Speicherbedarf beträchtlich. Diese Nachteile können mit den Verfahren der exponentiellen Glättung vermieden werden, die heute Bestandteil jedes Lageroptimierungssystems und zahlreicher anderer auf dem Markt verfügbarer Vorhersage-Programmsysteme sind. Bei den Verfahren der exponentiellen Glättung wird zur Prognose ein vorhergesagter Mittelwert von Periode zu Periode fortgeschrieben. Der neue Vorhersagewert errechnet sich jeweils aus der Summe des alten Mittelwertes und der Abweichung der jüngsten Nachfrage vom alten Mittelwert. Der Gnindansatz ist in jedem Programmsystem identisch und ergibt sich wie folgt: Ein für die Periode i prognostizierter Bedarf B¡ stimmt nicht mit dem wirklichen Nachfragewert T¡ überein, so daß sich der Fehler F¡ als Differenz von T¡ und B¡ ergibt. Der Prognosewert für die Folgeperiode B¡ +1 errechnet sich folgendermaßen: ß . + i = B . + a . F . . 0 < α < 1 . Der Glättungsfaktor α bewirkt die Anpassung des neuen Prognosewertes an den jüngsten Bedarf. Ist dieser Reaktionsparameter a = 1, so erfolgt eine extreme Anpassung an die Nachfrage, weil der neue Vorhersagewert ausschließlich durch die jüngste realisierte Nachfrage bestimmt wird. Bei α = 0 wird dagegen der Absatz der jüngsten Periode überhaupt nicht bei der Vorhersage berücksichtigt, die sich infolgedessen ausschließlich auf den letzten Prognosewert stützt. Das Verfahren reagiert also umso träger auf Absatzschwankungen, je kleiner die Glättungskonstante festgelegt wird; in der Praxis werden zumeist α-Werte zwischen 0,1 und 0,3 angenommen.

34

2. Anwendung computergestützter Modelle im Marketing

Abb. 11: Tendenzieller Zusammenhang zwischen den Prognosekosten und der Prognosegenauigkeit einzelner Vorhersageverfahren Entnommen bei [58). Kosten

G e n a u i g k e i t der Prognose

2.1 Darstellung einiger ausgewählter Modellansätze

35

Das in seinem Grundansatz beschriebene Verfahren ('First Order Exponential Smoothing'), das alle Vergangenheitswerte der analysierten Zeitreihe implizit berücksichtigt, wird zur Absatzvorhersage von Verkaufsobjekten mit konstanter Nachfrageentwicklung herangezogen, bei denen Nachfragefluktuationen zufallsbedingt sind. Zur Prognose von Trendverläufen (z.B. linear parabolisch, logarithmisch) und zur Erfassung saisonaler Schwankungen werden Vorhersageverfahren der exponentiellen Glättung höherer Ordnung verwendet. Für saisonabhängige Verkaufsobjekte ist der Grundansatz der exponentiellen Glättung umzuformen in B i + i j = Bij + a - ( T y - By) , wobei der Index i ζ. Β. das Jahr und der Index j den Monat darstellt. Das Berechnungsverfahren für kurz- bis mittelfristige Bedarfs- und Absatzprognosen mittels exponentiell gewichteter, gleitender Mittelwerte erfolgt in den zur Verfügung stehenden Standardprogrammen zum Teil in zwei Stufen. Zum Beispiel wird bei dem bekannten Programmsystem EXFOR in der ersten Stufe eine Analyse der Vergangenheitsdaten durchgeführt und ein Vorhersagemodell aufgestellt, indem die Zeitreihe bezüglich der linearen und quadratischen Trendkomponente, der Saisonschwankungen und der Zufallsabweichungen analysiert wird und Glättungskonstanten für die Fortschreibung des gleitenden Mittelwertes, der Saisonfaktoren, des linearen und des quadratischen Trends berechnet werden. Die optimale Kombination der Gewichte der Glättungsfaktoren wird iterativ durch Vorhersagesimulation bestimmt, indem die Summe der Abweichungsquadrate zwischen den tatsächlichen und den prognostizierten Werten über die gegebene Zeitreihe minimiert wird. In der zweiten Phase werden aufgrund des entwickelten Modells in regelmäßigen Zeitabständen Prognosen berechnet, wobei die bei der anfänglichen Analyse errechneten optimalen Glättungsfaktoren benutzt werden. Dieses Verfahren, bei dem auf die relativ aufwendige erneute Analyse aller Vergangenheitsdaten bei den regelmäßigen Bedarfsprognosen verzichtet werden kann, setzt voraus, daß die Glättungsfaktoren über einen längeren Zeitraum hinweg eine gewisse Konstanz besitzen. Die Abb. 12 und 13 zeigen Ergebnislisten eines Prognoselaufes (2. Stufe). Dabei werden die vom letzten Vorhersagelauf herrührenden Optionen, Glättungskonstanten und Baisinformationen angegeben und die beim letzten Lauf aufgestellten Prognosen den nun vorliegenden tatsächlichen Werten gegenübergestellt. Sodann werden je zwei Vorhersagewerte (mit und ohne Berücksichtigung der Saisonfaktoren) und die Saisonfaktoren für eine gewünschte Anzahl (hier 12) von Perioden angegeben, es werden für die ersten Vorhersageperioden (= Anzahl der für die Prognose innerhalb der Zeitreihe gewünschten Perioden) die Standardabweichungen und die Vertrauensgrenzen für die gewählte Vertrauenswahrscheinlichkeit wiedergegeben und die neuen Basisinformationen (Fortschreibung des gleitenden Mittelwertes, des linearen und des quadratischen Trends) und die Saisonfaktoren aufgelistet. Die Regressions- und Korrelationsrechnung dient der statistischen Messung von Zusammenhängen zwischen mehreren Variablen. Bei Absatzprognosen geht

2. A n w e n d u n g c o m p u t e r g e s t ü t z t e r

Modelle

c I I S

m ο> I*· ο» σ> h(Μ Ο

im

Marketing

ο• Ν· α· • Λί «Λ 9> rj H N O O «rt (Τ) C MC Mri• C Mσι to C MΛ- 4· CNα· CO* Λ COC Mσ> C M M MΡ» œ co co o C MC ^Jl " 10 4· COm *I co ri C (O ιΛ (O (O ιΛ tDΛ (O C Mco (O if U> Mto C MC MCOco C5 ω (O to toi ΙΟ I I ι I I I ι I I i 1 I i I I I I I I 1 ι

ti

^

C M r^ rχo Ξ χ

Mri C MC MC M co C MC Mco COC M«ο co C M«O COCOco COco co co co co COco «H ri C Mη co C MC Γ» Γ» Ρ* t-. r- Ρ» Ρ»Γ«· ρ·» Ρ- Ρ» Ρ* r» r- Ρ» r- Ρ- Ρ» t-> Ρ» ρ» Ρ» pHpHpHpHpHpHpHPHΡ» V»"Ν."Ν.-ν -ΝNN Ν r» Ν Ν ΝΝ Ν Ν N Ν Ν ΝΝ Ν Ν Ν Ν Ν Ν Ν Ν Ν Ν Ν Ν Ν (Û ρ» COΦ CDo a- rH o CDOì ri COO Ρ» co o Ρ- Ρ» en Ti σ> σ> σι σ> to σ> TÍ Ti m ΙΛ Ρ» M C MTi C MC Mri Ο CO TiΟ co Ο o COO O ri C M «Η ri Ti C Ti o Ο Ο M Ν "Ν."V.Ν "Ν.NN Ν Ν Ν Ν Ν Ν Ν Ν Ν Ν Ν Ν Ν Ν Ν Ν Ν Ν Ν Ν Ν Ν Ν Ν Ν O OC MC MC M CO τΊ COCOC MTi O ODTi TÍ en «Ηtí ri ri Ρ» C MC MC MC MTÍ C MΡ» PHσ» CT)TÍ ri O Ti O O OΟ o Ο O ri σ O O o ^ Ο Ο Ti Ο Ο Ο Ο O O Ο O σ ο Ο TÍ

τΗ a ta tl H

00 1 to Eh 03 H >H „ EH >-3tatj 0; Eh «* Γ* fei ^ Q I» a, a. Eh o ta

s Em te

S h

ta

.O x>


- t n ( v j o u Ν Η Ν HR^MRTF^FHF-IHH^I^FHH^^RTNKMFTLLM IM Ν Ν (VT Ν Ν Ν Η II Ν · · · · · · · · · · · · · · · · · · · · · · · · · · Η Ν η Η π Η Ο « Ι \ Ι Ο « Ο II II ΟΌo>toooeor>-r~>o σ ο ο ο

IX Η j-ΐΛ

ΰ Γ* β

Σ> Ο

LEVELS

2 ΛΓ12 3 XI3 7 ΛΓ21 9 £2 3 10 £ 2 4 17 £ 3 5 18 £36 25 £51 29 £ 5 5 32SJT2 34SÍ4

OHOOOOUtOO Ο )

Ο Ή Ο Ο Ο Ο Ο 00

ACTIVITY

ο

SHADü«

1 £11 4 £14 5 -(15 6 £16 8 12 2 11 £25 12 £ 2 6 13 £ 3 1 I t £32 15 £33 16 £ 3 4 19 £ 4 1 20 £42 2 1 ΧΙ 3 22 £44 23 £45 24 £46 26 £ 5 2 27 £53 28 £54 30 £ 5 6 31SJT1 335*3 35sy5 3ÖS76 37S/7 38SÍ8 39SI9 40SJT10 41SÍ11

960.000000 40.000000 122.000000 613.333333 640.000000 416.000000 38 4 . C 0 0 0 0 0 716.000000 184.000000 24.666667 1700.000000 PRICES 1.416667 5.666667 9.916667 1.416667 3.400000 6.375000 3.400000 1.700000 8.500000 8.500000 0.566667 9.500000 6.666667 6.666667 12.333333 5.250000 9.500000 8.500000 2.833333 5.100000 4.250000 3.666667 8.500000 6.500000 0.850000 1.133333 1.133333 1.133333 1.062500 0.850000

2.1 Darstellung einiger ausgewählter Modellansätze

67

Abb. 25: LP-Modell zur Absatzplanung-Output II 3.

PRICE

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

BANGES

14 . 4 3 3 3 3 3

15. 000000 15. 000000 15. 000000 15. 000000 15. 000000 15. 000000 17. 000000 17. 000000 17. 000000 17. 000000 1 7 . 000000 17. 000000 17. 000000 17. 000000 17. 000000 17. 000000 1 7 . 000000 17. 000000 16. 000000 16 . 0 0 0 0 0 0 16. 000000 16. 000000 1 6 . 000000 16. 000000 15.

963.000000 1375.333333 750.666667 0.000000 850.666667 7160.000000 400.000000 400·000000 0.000000 3328.000000 2000.000000

1000 . 0 0 0 0 0 0 1400 . 0 0 0 0 0 0 800 . 0 0 0 0 0 0 1700 . 0 0 0 0 0 0 900 . 0 0 0 0 0 0 9600 . 0 0 0 0 0 0 9 b 0 0. 0 0 0 0 0 0 9 6 0 0 . 000000 9600 . 0 0 0 0 0 0 4800 . 0 0 0 0 0 0 3840 . 0 0 0 0 0 0

ATll 13.111111 13.583333

X12 XI3

X14 X15 JT16 15 . 1 1 1 1 1 1

X21 X22 X2 3

14.166667 15.937500

X24 X2 5 *26 X31 X32 X3 3

X34 *3 5 *36 *41 *4 2 X4 3 JT44 X4 5

16.433333 16.055556

XH6 X51

16 . 4 1 6 6 6 7 16 . 8 8 8 8 8 9 20 . 6 6 6 6 6 7 24.916667 16 . 4 1 6 6 6 7 18.133333 20.400000 19.125000 23.375000 20.400000 18.700000 25.500000 25.500000 17.566667 17.944444 25.500000 22 . 6 6 6 6 6 7 22 . 6 6 6 6 6 7 28.333333 21.250000 25 . 500000

12

4.

CONSTRAINT

RANGES

3 lsyi 32SÍ2 33SÍ3 34sy4 35SÍ5 36SÍ6 37SÏ7 39SÍ9 nosyio 41SÍ11 PRIMAL VALUE DUAL VALUE

DIFFERENCE

65480.66G67 65480.66667

2.728484105£~12

1920.000000 984.000000 1144.000000 10093.333333 9970.000000 9970.000000 9970.000000 5194.666667 4333.333333

68

2. Anwendung computergestiitzter Modelle im Marketing

der Zielfunktion, innerhalb dessen Korrekturen ohne Änderungen der Basis möglich sind, und die .CONSTRAINT RANGES' geben denselben Sachverhalt für die Nebenbedingungen wieder. Zur Lösung nicht-linearer Programmierungsaufgaben liegen zwar zahlreiche Algorithmen vor, es wurde jedoch bisher noch kein allgemeiner Ansatz gefunden, der zur Berechnung einer Vielzahl unterschiedlicher Probleme gleichermaßen geeignet ist. Die separable Programmierung versucht ζ. B. eine Lösung dadurch, daß nichtlinere Probleme linearen Problemen in der Struktur insoweit angenähert werden, daß eine Anwendung von LP-Verfahren möglich wird. Die meisten anderen Ansätze zur Lösung nichtlinearer Programmierungsaufgaben sind an spezifischen Aufgabenstellungen orientiert. Die ganzzahlige Programmierung findet dann Anwendung, wenn ein Teil der Variablen nur ganzzahlige Werte annehmen darf. Die stochastischen Programmierungsprobleme, die dann gegeben sind, wenn nur Wahrscheinlichkeitsaussagen über die Modellwerte vorliegen, sind sehr schwierig zu lösen. Üblicherweise werden derartige Optimierungsaufgaben in lineare bzw. nichtlineare Programme konvertiert oder es werden Erwartungswerte benutzt. Für stochastische Probleme, die im Marketing-Bereich häufig zu lösen sind, liegen keine allgemein verwendbaren EDV-Programme vor. Dasselbe gilt auch für die dynamische Programmierung (W. W. White: "Computer programs using dynamic programming are almost always special purpose codes developed for the particular problem under consideration" [314, S. 54]). Gerade dieses Verfahren erscheint jedoch im Vergleich zu den anderen Methoden der mathematischen Programmierung noch am besten zur Lösung von Marketingproblemen geeignet, da — an die Problemstruktur keine Linearitätsbedingungen gestellt sind und — der Dynamik des Marktgeschehens durch sich angleichende Koeffizienten Rechnung getragen werden kann. In der Literatur werden zahlreiche Ansätze dargestellt, wie Probleme des Marketing mittels der dynamischen Programmierung theoretisch zu fassen sind — rechnerische Lösungen finden sich dagegen kaum. Nachfolgend werden einige Beispiele beschrieben, die mit diesem rekursiven Verfahren schrittweise gelöst werden. Dabei wird jeweils ein η-stufiger Entscheidungsprozeß auf η einstufige Entscheidungsprozesse zurückgeführt. Alle Probleme, die mit Hilfe der dynamischen Programmierung gelöst werden können, haben gemeinsame Merkmale: „— Es existiert ein physikalisches System, das durch eine Anzahl von Zustandsvariablen charakterisiert ist. — Die Prozesse sind mehrstufig, wobei auf jeder Stufe eine Wahlmöglichkeit bei den Entscheidungsvariablen besteht. - Die Wahl der Entscheidungsvariablen wirkt sich in einer Transformation der Zustandsvariablen aus.

2.1 Darstellung einiger ausgewählter Modellansätze

69

— Die Vergangenheit beeinflußt den Zustand des Systems nicht. Der Zustand des Systems zum Zeitpunkt Ν ist lediglich abhängig vom Zustand des Systems zum Zeitpunkt Ν — 1 und der Entscheidung, die das System in den Zustand Ν bringt. — Das Ziel der Operation besteht in der Maximierung einer Funktion der Zustandsvariablen" [216, S. 167] 5 . Diese allgemeinen Bedingungen lassen sich am Beispiel der optimalen Zuordnung von Außenverkäufern auf verschiedene Marktgebiete konkretisieren 6 . So stellt etwa das physikalische System eine Unternehmung dar, die eine Anzahl von Reisenden auf mehrere Bezirke verteilen will. Die Zustandsvariablen sind die auf jeder Stufe zur Verfügung stehenden Mitarbeiter (Anzahl) und der durch ihren Außeneinsatz erzielbare Gewinn. Die Wahlmöglichkeit auf jeder Stufe besteht in der sukzessiven Zuordnung der Reisenden auf die einzelnen Bezirke. Der Zustand des Systems auf einer Stufe ist jeweils nur von der Entscheidung der vorhergehenden Stufe (d. h. dort zugewiesene Reisende auf bestimmte Bezirke) und der gerade gegebenen Entscheidungsmöglichkeit abhängig. Das Ziel der Operation besteht in einer Maximierung der Gewinne aller Verkaufsbezirke unter Beachtung der vorhandenen Kapazitätsrestriktionen (Anzahl Reisende). Anwendungsbeispiele der dynamischen Programmierung im Marketing finden sich bei — Wedekind:

Auswertung von Verkaufsstatistiken in der Konsumgüterindustrie [310, S. 19 ff.] — Hanssmann: Optimierung der Struktur einer Vertriebsorganisation [124, S. 17 ff.] — Kall: Optimierung der Absatzwerbung [150, S. 73 ff.] — Dichtl: Optimierung des Marketing-Mix [79, S. 142 ff.] Der letztgenannte Ansatz erscheint besonders interessant, weil Dichtl den Versuch unternimmt, aus der Synthese der Bayes'schen Entscheidungstheorie mit der dynamischen Programmierung die Wirksamkeit einzelner Marketing-Strategien unter der Einwirkung unterschiedlicher Umweltbedingungen zu bestimmen. Dabei wird anhand der optimalen Verteilung eines Vertriebsbudgets auf die Instrumente Produktgestaltung, Werbung, Absatzmethode und Kundendienst der mehrstufige Optimierungsprozeß gekennzeichnet, der auf dem Wege der mathematischen Rekursion zu dem absoluten Optimum des Marketing-Mix führt. Folgende Schwachpunkte dieser Methode werden von Dichtl angeführt: Die Voraussetzung der feststehenden Höhe des Vertriebsbudgets, die Separabilitätsbedingung, auf der die dynamische Programmierung basiert (d. h. daß die Nutzen- bzw. Gewinnschätzungen der einzelnen Instrumente untereinander unabhängig und addierbar sind) und die Vernachlässigung nicht faßbarer qualitativer Faktoren im Modell. Das schwerwiegendste Problem bei der praktischen ® Eine weitere grundlegende Voraussetzung ist die Separabilität der Zielfunktion; der Verf. Vgl. zu diesem Anwendungsbeispiel der dynamischen Programmierung [308, S. 2 0 4 f f . ] .

6

70

2. Anwendung computergestützter Modelle im Marketing

Anwendung der dynamischen Programmierung für die Kombination der absatzpolitischen Instrumente ist die Bestimmung der Marktwirkung der MarketingMaßnahmen: „Gleichgültig, o b es sich u m absatzpolitische Instrumente, Produkte oder K u n d e n g r u p p e n handelt, in j e d e m Falle benötigt der Analytiker irgendein Wirksamkeitsmaß, um die Effizienz der Vertriebsmaßnahmen im Hinblick auf einzelne Absatzsegmente festzustellen . . . Darin liegt j e d o c h die Hauptschwierigkeit u n d damit der neuralgische P u n k t aller quantitativen Marketing-Modelle" [79, S. 149],

2.1.6 Simulation Simulation bedeutet die Entwicklung u n d Auswertung veränderbarer Modelle, welche die wesentlichen Eigenschaften realer Systeme nachbilden. Die Modellauswertung erfolgt experimentell durch Variationen der exogenen Variablen, die infolge der Interaktionen zwischen den Variablen u n d Parametern zu ständig neuen Modellzuständen führen. Ein Ergebnisvergleich der einzelnen Berechnungsexperimente (Modelläufe) in bezug auf die Untersuchungsziele erbringt die u n t e r d e n analysierten Fällen beste Lösung. Die Untersuchung k o m p l e x e r Probleme mit der Simulation erfordert häufig eine große Zahl von Berechnungsgängen, bis ein relatives, dem jeweiligen Anspruchsniveau genügendes O p t i m u m gefunden wird. Bei der Computersimulation abstrakter Modelle unterscheidet man nach den Methoden der digitalen Simulation diskrete u n d kontinuierliche Systeme. Diskrete Systeme durchlaufen bei der Durchführung der Simulation eine Folge als sprunghaft aufzufassender Zustandsänderungen, die nach Art u n d Zeitpunkt zufallsabhängig sind. Simulationsergebnisse sind akkumulierte Daten und Statistiken. Bei kontinuierlichen Systemen ändern sich die Variablen stetig als F u n k t i o n einer unabhängigen Variablen. Ein kontinuierliches Verhalten ist ζ. B. bei Schwingungssystemen u n d ballistischen Systemen gegeben. Spezielle Simulationssprachen für kontinuierliche Systeme sind z. B. CSMP, MIMIC, ASIM und DSL. Betriebswirtschaftliche Aufgabenstellungen werden überwiegend als diskrete Systeme beschrieben. Die Programmierung derartiger Modelle kann entweder in höheren Programmiersprachen wie A L G O L , F O R T R A N und PL/I oder in besonderen Simulationssprachen erfolgen. Bei der Entwicklung moderner Simulationssprachen sind zwei verschiedene Ansätze zu unterscheiden. Die meisten speziellen Programmiersprachen für die Simulation sind in ihren Ausdrucksmitteln an der formalen Logik der Berechnungsexperimente orientiert und enthalten kleinere, fertig geschriebene Programmteile für häufig in gleicher Form wiederkehrende Aufgaben. „Diese Programmiersprachen ( z . B . DYNAMO, SIMSCRIPT oder GPSS) unterscheiden sich zum Teil erheblich im Hinblick auf die Breite ihrer Anwendbarkeit für verschiedene Simulationsprobleme und die mögliche Flexibilität bei der Formulierung der Modelle, so daß die Frage nach dem geeignetsten Programmiersystem nur in Zusammenhang mit

2.1 Darstellung einiger ausgewählter Modellansätze

71

einem ganz bestimmten Problem beantwortet werden kann [162, S. 6]. Die 1972 vorgestellte Simulationssprache SIMPL/I wurde dagegen von vornherein für integrierte Anwendungen (etwa im Rahmen von umfassenden Informationssystemen) konzipiert. Sie basiert auf der für technische und kommerzielle Probleme gleichermaßen geeigneten höheren Programmiersprache PL/I, die um zusätzliche bei der Simulation erforderliche Elemente ergänzt wurde. Dadurch ist diese Sprache besonders gut verständlich, leicht erlernbar und flexibel für unterschiedliche Einsatzmöglichkeiten. Die Formulierung und Berechnung eines Simulationsmodells soll anhand eines Beispiels aus der Marketing-Praxis veranschaulicht werden, das in seiner Struktur den unter 2.1.4 erörterten Wartezeitproblemen ähnelt. Die Programmierung erfolgte in GPSS (General Purpose Simulation System). Der Ablauf ist dabei wie folgt: (1) Graphische Abbildung des zu untersuchenden Systems in Form eines Blockdiagramms, welches die Interaktionen der einzelnen Systemelemente darstellt. Jeder Block beschreibt einen Schritt in der Ablauffolge des Systems; die gerichteten Verbindungslinien kennzeichnen den ,Verkehrsfluß' durch das System bzw. die Reihenfolge der Ereignisse. Für GPSS wurden spezifische Blocktypen entwickelt, die jeweils bestimmte Grundoperationen oder Bedingungen kennzeichnen. (2) Übertragung des Blockdiagramms in die Anweisungen der Programmiersprache. (3) Eingabe der Anweisungen in Form von abgelochten Lochkarten und Durchführung der Simulation. Hierbei werden Transaktionen erzeugt, die sich in dem Modell von Block zu Block in der Weise bewegen, wie es der abgebildeten Realität entspricht. Diese Transaktionen können ζ. B. Aufträge, Kunden oder sonstige Einheiten sein, die im Zeitablauf nach einem bestimmten Flußschema einen Prozeß durchlaufen. Das Programm bewirkt automatisch, daß die Ereignisse in der richtigen Reihenfolge stattfinden und zeichnet alle Bewegungen auf. Die Stationen dieses Prozesses, die zur selben Zeit von nur jeweils einer Transaktion in Anspruch genommen werden können, werden als .Facilities' bezeichnet. .Storages' können hingegen von einer größeren (i. a. definierten) Zahl von Transaktionen gleichzeitig belegt werden. Ist eine .Facility' gerade in Gebrauch oder ein .Storage' gefüllt, so wird die Behandlung ankommender Transaktionen verzögert, und es entstehen Warteschlangen. Der Durchlauf der Transaktionen durch das System wird in Zeiteinheiten gemessen. Die Ergebnisse der Simulation werden in einem Bericht ausgedruckt, der je Einrichtung des Systems eine Statistik enthält. (Vgl. hierzu im einzelnen [149].) Das nachfolgende Beispiel soll dies verdeutlichen: Ein Handelsunternehmer eröffnet einen neuen Supermarkt mit Selbstbedienung und beabsichtigt zu diesem Zweck fünf Registrierkassen und dreißig Einkaufswagen anzuschaffen. Zu prüfen ist, ob die geplanten Investitionen sinnvoll sind, d. h., ζ. B. ob die vorgesehene Anzahl von Einkaufswagen genützt bzw.

72

2. Anwendung computergestützter Modelle im Marketing

Abb. 26: Simulationsmodell zur Ermittlung der notwendigen Zahl von Einkaufswagen und Kassen bei der Einrichtung eines SB-Marktes - Ablaufstruktur

2. Anwendung computergestützter Modelle im Marketing

73

ob eventuell ständig Einkaufswagen unbenützt herumstehen, und ob Kunden längere Wartezeiten an den Kassen in Kauf nehmen müssen. Die Zahl der Einkaufswagen soll in jedem Falle ausreichen, so daß sich in dem Eingangsraum keine Warteschlangen bilden können. Im einzelnen sind folgende Bedingungen gegeben (vgl. Abb. 26). In der Hauptgeschäftszeit wird der SB-Markt von Kaufinteressenten im Abstand von 1 Minute plus/minus 30 Sekunden besucht. Die Zwischenankunftszeiten liegen also zwischen 0,5 und 1,5 Minuten, wobei jede Zeit in diesem Intervall gleichwahrscheinlich ist. (Der Rechner benutzt bei der Erzeugung der Transaktionen einen Zufallszahlengenerator. Selbstverständlich ist nicht nur diese Rechtecksverteilung möglich; andere Ankunftsverteilungen können mit Hilfe von Funktionen simuliert werden, wobei jede empirische oder analytische Verteilung dargestellt werden kann.) Nach Betreten des Ladens nehmen die Kunden einen Einkaufswagen und tätigen ihre Einkäufe. 30% der Kunden sind sog. Eilkunden mit einer Kaufzeit von 5 plus/minus 2 Minuten, die nur wenige Artikel einkaufen und an zwei besonderen Schnellkassen mit einer Bedienungszeit von 2 Minuten plus/minus 30 Sekunden abgefertigt werden (Kassen 1 und 2). Die übrigen Kunden befinden sich 15 plus/minus 5 Minuten im Verkaufsraum und der Kassiervorgang an den drei Normalkassen (Kassen 3, 4 und 5) dauert bei ihnen 3 Minuten plus/minus 30 Sekunden. Die Abb. 27 zeigt dieses Modell in GPSS programmiert. Zur besseren Anschaulichkeit wurden die einzelnen Anweisungen zusätzlich in natürlicher Sprache erläutert. „Die Sprache des GPSS ist relativ einfach. Jedem Block des Diagramms entspricht eine Anweisung, die außer dem Blocknamen noch Parameter wie Verzögerungszeit, Verzweigadressen, Nr. der Einrichtungen, zu vergleichende Werte usw. enthält. Jede Anweisung entspricht einer Zeile im Codierschema bzw. einem Eingabesatz (Lochkarte) für den Rechner" [307, S. 19], Der nach Durchrechnung des Modells ausgedruckte Simulationsbericht hat beim GPSS folgenden Aufbau: „(1) Je Block wird die Gesamtzahl der Transaktionen angegeben, die den Block betreten haben; ferner die Anzahl der gegenwärtig bei Simulationsende im Block befindlichen Transaktione^. (2) Je Einrichtung (Facility) erscheinen als wichtigste Ergebnisse: mittlerer Ausnutzungsgrad, Anzahl der aufgenommenen Transaktionen, mittlere Verzögerungszeit. (3) Je Speicher (Storage) werden ermittelt: mittlere Anzahl der belegten Speicherelemente, mittlerer Ausnutzungsgrad, Gesamtzahl der aufgenommenen Transaktionen, mittlere Verzögerungszeit und Anzahl der gegenwärtig belegten Speicherelemente. (4) Je Warteschlange (Queue) werden angegeben: maximaler und mittlerer Inhalt der Schlange, Gesamtzahl der aufgenommenen Transaktionen, absoluter und prozentualer Anteil der nicht wartenden Transaktionen, mittlere Wartezeit, Zahl der gegenwärtig Wartenden" [307, S. 19],

74

2. Anwendung computeigestützter Modelle im Marketing

In Abb. 2 8 sind Auszüge des Simulationsberichts des von uns konzipierten Modells wiedergegeben. Danach wurden 1 8 0 Transaktionen erzeugt, d . h . der SB-Markt wurde während der simulierten Realzeit von 3 Stunden ( 1 0 8 0 0 Sek.) von insgesamt 1 8 0 Kaufinteressenten betreten. Die Kassen (Facilities 1 bis 5 ) wurden in unterschiedlichem Maße ausgelastet. An der Schnellkasse 1 wurden ζ. B. 4 0 Kunden bei einer mittleren Bedienungszeit von 1 1 8 , 8 Sek. abgefertigt,

Abb. 2 7 : Simulationsmodell zur Ermittlung der notwendigen Zahl von Einkaufswagen und Kassen bei der Einrichtung eines SB-Marktes - Programm des 1. Modellaufs SIMULATE * ES SIND 33 EINKAUFSWAGEN VORHANDEN INITIAL KHl,30 » IH MITTEL BETRITT ALLE 60 SEKUNDEN EIN KUNDE DEN SB-MARKT 1 GENERATE 60,33 * KUVDE WARTET AUF EIN5N EINKAUFSWAGEN 2 QUEUE 6 * PRJE FUNG, OB EIN FREIER EINKAUFSWAGEN VORHANDEN IST 3 TEST G XHIO * WENN EIN EINKAUFSWAGEN FREI IST BETRITT DER KUNDE DEN VERKAUFSRAUM • DEPART 6 5 SAVEVALUE L-.l.XH 6 SEIZE 6 7 ADVANCE t β RELEASE 6 * AUFTEILUNG DER KUNDEN NACH EIL- UND NORMALKUNDEN 9 TRANSFER .703,10,19 * EINKAUF VON 5 PLUS/MINUS 2 MINUTEN DURCH DEN EILKUNDEN 10 ADVANCE 300,120 * EILKUNDE STELLT SICH AN DIE KUERZERE SCHLANGE VOR DEN SCHNELLKASSEN 11 SELECTNIN 1,1,2,,β 12 OUEUE M 13 SEIZE ·Ι DEPART *1 * KASSIERVORGANG V3N 2 MINUTEN PLUS/MINUS 30 SEKUNDEN 15 ADVANCE 120,30 » EILKUNDE GIBT DIE S ^ N E L L K A S S E FREI 16 RELEASE *1 * EILKUNDE GIBT DEN EINKAUFSWAGEN FREI 17 SAVEVALUE 1»,1,XH * EILKUNDE VERLAESST DEN SB-NARKT 18 TERMINATE » EINKAUF V3N 15 PLUS/NINUS 5 MINUTEN DURCH DEN NORMALKUNDEN 19 ADVANCE 900,300 • N U M A L K U N D E STELLT SICH AN OIE KUERZESTE SCHLANGE VOR DEN NORMALKASSFN 20 SELECTMIΝ 1,3,5,,8 21 QUEUE M 22 SEIZE M 23 DEPART *1 * K4SSIERVORGANG VON 3 MINUTEN PLUS/MINUS 30 SEKUNDEN 24 ADVANCE 180,30 * NORMALKUNDE GIBT DIE NORMALKASSE FREI 25 RELEASE H » NORMALKUNDE GIBT DEN EINKAUFSWAGEN FREI 26 SAVEVALUE H-,1,XH * N3RHALKUNDE VERLAESST DEN SB-MARKT 27 TFRMINATF * SIMULATION SOLL FUER 3 REALE EINKAUFSSTUNDEN DURCHGEFUEHRT WFRDE 28 GENERATE 10803 29 TERMINATE 1 START 1

2.1 Darstellung einiger ausgewählter Modellansätze

75

8 Ζ M < OCM

Λ

Ζ -JOOOOO U L)JM C D ···« · ttJ _J o o o o o ce < o

Λ

Ζ

o

o

o

o

uj ζ σ> oo o< Ά αΌ««toO UIANQO 4X V)Η>ίωο U «i r 1 r . H O c U t f C i f l f i e f f T

·-" Ζ «

7

3

C' Û

C

Ν

Û

Γ

C

O

O

uirg(Nt(\iíNi(MfSi(Mfsirsj

-α

-I »

c

c

c

t

c

c

U tt * · · ι • · L < c r , r cl c . r L U - J C C - C Î C C - C ;

oc < ÛC h -

e «S « S

O IL >


α c >-- » f ο k t « ι · " ν C M T (NJ UJ ÍO · (

** ^

.

. si

c

a>

U

I C

O

Μ ^

ί Λ Ζ θ Ο Ο Ο Ο © © 0 0 « - « o

ζ c a « UJ O S > U U

C

t-

Ü

μ

» O ^ C ^)c> · ·

oc u j m < H

OLUJ

^

O ·

M ·

·

·

ff ·

C ·

Ü •

(

rf 1 > < » _j η o

12 •«-» «

c

3 c

S «A

UJ U. CD M χ α

(Λ ^

IN

®

* 3 ζ

ΙΛ ρ * «— (V. í Κ ζ

,Ο

Xi
> «Μ ΙΛ ΙΛ » - · fΙΛ ωf » eg ® * * ν σ» Ρ 9 O ® (M f»ιλ es < φr & Oí >00000000

*

«

WO «Λ UJ UJ M Ui oc 0 UJ Ζ t/ï Ul oc -1 UJ UJ X a. UJ tL h- M O O Χ a c oc X u.

>

9

S .2 IH

UJ UJ J UJ UJ UJ LU LU LLI UJ

«/>

C Λ ω ω η ω ι

IH

o o o o o o o 0 0 0 1 UlUJUIUIUUlUJIUWIil

os ζ o H

ι/)

Ut 3 ^ « UJ > 3 _J 0 < UJ > 0 0


y-




K 0

o o o o o o o o o o I UiUiUJUJIUU'lUUJUlU UJU/^UUlUUJUW^UJ OOUVrsjflOmO«*KO pg^oeo^mir^r-ir» o r - o ^ ^ ^ r - p » ^ ® · (N^COfteCp*-*-*^ o· o· o· o· o· o· o· o· o· o· I 1 1 I 1 1 1

o o o o o o o o o o UJUJkUUJlUUJUJUJUJUJ ΝβΐΛ ΙΛΜΛΡΊΗΝΗΙΛΝΙΛ m «ΜΝ'ββ'η^ 0 0 0 0 f *

0 0 0 0 0

OJ CSI e »00 OO< J UJ UJUJ LU > OOD ^ 9 to^ — 9» κ ω ^ r * m σ- «ο η Ο * fvj σ> f · 1Λ » m Ό -Ο f» 00 4 ιλ ^ » • X OC A 3 UJ zt» Ζ ζ o OC hO UJ 3 α χ -ι UJ M O S w 0

« UJ UJ 3 Ul -J X «M > H·

o o o o o o o o o o Ί1 Uf "' Ui UJ VI1 ÍIJ 'U ΟΙ l'i UJ UJ UU J J U. UJUJ UJ UJ o o o o o o o o o o ο ο ο οΟΟΟ0 0 0 o o o o o o o o o o ο ο ο οOOΟo o o o f ^ « o œ o « i - o o o o ο ο ο ο Γ- Ο Ο 0 0 0 ο o· o· o· o« o· o· o· o· o« o· 0 0 0• 0 ·0 ·0 ·0 0 0 0 111

•

·

·

ςΛ U< -J co

«

oc

< >

a. oc oc 0 Ζ Ζ OC ιΛ I : ζ χ u o o o OQ.> ÜwUaíCCíí I · Ζ Σ Χ 3 < / > λ ΰ . Ο . Ο

ω X Ζ ίο IL — * C —ζ o OC « < f) ι/> UJ Ζ < h-

2.1 Darstellung einiger ausgewählter Modelle

83

scheinlichkeit ist Grundlage für die Prognose des zu erwartenden Kaufverhaltens des bzw. der Konsumenten. Diese Prognose erfolgt im Wege der Simulation (vgl. hierzu Abb. 9). Die zweite Richtung befaßt sich mit der Entwicklung global-analytischer Modelle. Diese verzichten auf die Strukturierung der mentalen Prozesse der Konsumenten und versuchen, aus dem beobachtbaren Verhalten des Käufers auf die gesuchten Kaufwahrscheinlichkeiten zu schließen. Dabei wird die Produktauswahl bei wiederholten Kaufgelegenheiten als stochastischer Prozeß interpretiert. Die Extrapolation dieses Prozesses erlaubt auch hier eine Prognose des zukünftigen Kaufverhaltens, insbesondere der Markenwahl" [202, S. 96], Drei mögliche Verfahren werden bei dieser zweiten Klasse von Modellen unterschieden [1, S. S2 ff.]: 1. ,Zero-order'-Modelle gehen davon aus, daß vergangene Kaufentscheidungen künftige Käufe nicht beeinflussen; 2. Markov-Modelle unterstellen, daß eine begrenzte Zahl unmittelbar vorhergehender Käufe den aktuellen Kaufentscheid mit bestimmen; 3. Lerntheoretische Modelle erklären das Kaufverhalten als Folge der durch die Gesamtheit der vergangenen Käufe bestimmten Präferenzen und beziehen damit die gesamte Kaufhistorie ein. Der detailanalytische und der global-analytische Ansatz werden sowohl bei der Lösung von Teilaufgaben im Marketing wie auch bei der Spezifizierung der Basismodelle von umfassenden Marketing-Modellen eingesetzt. In der Praxis überwiegen allerdings bei (der bisher geringen Zahl von praktikablen) Totalmodellen Lösungen mittels der Mikrosimulation, während bei Teilproblemen wie ζ. B. der Prognose des Erfolgs neuer Produkte, der Abgrenzung von Marktsegmenten oder dem Test von Verkaufsförderungsmaßnahmen mit Markov-Modellen und lernpsychologischen Modellen gute Erfolge erzielt wurden. Nachfolgend wird nur noch auf den detailanalytischen Ansatz Bezug genommen. In dem Standardwerk .Management Science in Marketing' wird von Montgomery/Urban ein von Amstutz und Claycamp ausgearbeitetes, umfassendes Simulationsmodell zur Bestimmung der Marketing-Strategien eines Herstellers verschreibungspflichtiger Arzneimittel als "the most detailed und successfull Simulation application" im Bereich des Marketing genannt. Dieser 1967/68 entwickelte Ansatz eines totalen Marketing-Mix-Modells, den Mertens auch noch im Jahre 1972 als „das Instrument, das man heute . . . als das wohl kühnste im Absatzbereich bezeichnen muß" [207], ansah, hat das Konzept der seither in einigen westeuropäischen und amerikanischen Großunternehmen inplementierten Simulations-Modelle zur umfassenden Planung und Kontrolle der Marketing-Maßnahmen maßgeblich beeinflußt. Die in Kapitel 4 dargestellte Fallstudie kennzeichnet die Struktur, die erforderlichen Forschungsaktivitäten bei der Entwicklung und die Anwendungsmöglichkeiten derartiger Modelle. Deshalb soll an dieser Stelle nur eine grobe Charakterisierung der wesentlichen Elemente des oben erwähnten, bei einem pharmazeutischen Unternehmen eingesetzten Systems erfolgen.

84

2. Anwendung computergestützter Modelle im Marketing

Grundlage des Modells ist die Nachbildung des Warenabsatzmarktes dieser Arzneimittelfirma, um in einer synthetischen Bedingungslage die Wirksamkeit möglicher Marketing-Strategien prüfen zu können. Ziel der Entwicklung war es, dem Marketing-Management Möglichkeiten aufzuzeigen, die Wirkungen des Einsatzes der Werbemittel zu verstärken, die Effektivität des Verkaufsaußendienstes zu steigern, den Erfolg bestimmter marktbeeinflussender Maßnahmen in verschiedenen Marktsegmenten zu testen, die Chancen neuer Produkte während der Einführungsphase zu verstärken und um ganz allgemein die Markttransparenz zu verbessern. In der ersten Aufbauphase wurde die Struktur des Gesamtmodells als Netzwerk konzipiert, das die wesentlichen Subsysteme bzw. Marktfaktoren (d. h. das eigene Unternehmen, die Mitbewerber, die Großhändler, die Apotheken, die Krankenanstalten, die Ärzte und die Patienten als Arzneimittelletztverbraucher) mit ihren Variablen und den zwischen ihnen bestehenden Beziehungen spezifiziert darstellt. Die Abb. 33 gibt dieses System mit seinen Verknüpfungen wieder, wobei die Modellstruktur durch gerichtete Verbindungslinien gekennzeichnet wird: 0 kennzeichnet Bestellungen, Ρ kennzeichnet den Warenfluß und I gibt den Informationsfluß wieder. Daraus geht hervor, daß die Modellergebnisse vor allem durch das Entscheidungsverhalten der Ärzte beim Verschreiben von Arzneimitteln beeinflußt werden, da diese damit den Markterfolg eines verschreibungspflichtigen Pharmazeutikums im wesentlichen bestimmen. Deshalb steht ein künstliches Panel von (insgesamt 1000) Ärzten im Mittelpunkt der Betrachtung, das inhaltlich der Realität nachgebildet ist. Jeder dieser Ärzte wird durch eine Reihe spezifischer Merkmale gekennzeichnet, wie ζ. B. seine besonderen Fachgebiete, Patientenzahl, Praxisort usw. Das Verhalten der Ärzte bei der Ausfüllung der Rezepte wird ferner maßgeblich durch vorhandene Erfahrungen, aber auch durch Informationen von Kollegen, aus Fachzeitschriften, aus Werbebriefen, von Ärztebesuchern usw. und durch weitere Determinanten (wie ζ. B. einen Vergessensprozeß) bestimmt, deren Bedeutung entsprechend verhaltenswissenschaftlichen Erkenntnissen in dem Modell Berücksichtigung finden. Nun wird unter gegebenen Bedingungen (Krankheitsbestand, Marketing-Maßnahmen usw.) das Verschreibungsverhalten der Ärzte simuliert (vgl. Abb. 34). Dabei wird jeder Teilnehmer des Panels einzeln als Einheit generiert, die entsprechend ihrer Klassifizierung auf die gegebenen Umstände reagiert. Wie häufig Verschreibungsfälle bei den einzelnen Ärzten durchzuspielen sind, entscheidet ein Zufallszahlengenerator, der Zufallszahlen derart erzeugt, daß die Wahrscheinlichkeit der Ereignishäufigkeit den in der Realität gegebenen Verhältnissen entspricht. Das Ergebnis der Simulation der Behandlungsprozesse erbringt über den einzelnen Arzt Informationen, welche Arzneimittel er während der simulierten Realzeit verschrieben hat und welche Einstellungen er gegenüber den verschiedenen Marken hegt. Durch eine Aggregation der Einzelergebnisse sind Prognosen über den Absatzerfolg bestimmter Marketing-Strategien in Abhängigkeit von Konkurrenzaktionen bei gegebenen Bedingungskonstellationen möglich.

2.1 Darstellung einiger ausgewählter Modelle

85

86

2. Anwendung computergestützter Modelle im Marketing

Abb. 34: Mikrostruktur eines Modells zur Simulation des Geschehens auf einem Markt der pharmazeutischen Industrie Entnommen bei [211, S. 132, 133]

2.1 Darstellung einiger ausgewählter Modellansätze

88

2. Anwendung computergestutzter Modelle im Marketing

2.2 Anwendungsbereiche der gekennzeichneten Modelle Im vorstehenden Kapitel wurden bei der ausführlichen Darstellung einiger ausgewählter Modellansätze jeweils auch die Einsatzmöglichkeiten dieser Verfahren im Rahmen verschiedener Aufgabenstellungen bei der Gestaltung der Marketing-Maßnahmen genannt. Auf eine erneute detaillierte Kennzeichnung einzelner Modelle soll deshalb hier zugunsten einer Beschreibung der Anwendungsbereiche verzichtet werden. Die Darstellung beschränkt sich dabei auf eine grobe Skizzierung der Probleme, die bei der Festlegung der Programmpolitik, der Kommunikationspolitik und der Distributionspolitik durch die Verwendung quantitativer Modelle gelöst werden können. Zuvor werden noch einige in der Literatur vorgeschlagene Ansätze erwähnt, die zu einer umfassenden Optimierung des absatzpolitischen Instrumentariums empfohlen werden. Eine realistische Beurteilung der im deutschen Sprachraum bekannteren Versuche, Gesamtmix-Entscheidungsmodelle im Marketing zu formulieren, findet sich in einer 1972 von Thummel veröffentlichten Untersuchung [293], Die in Abb. 35 wiedergegebene tabellarische Zusammenfassung gibt über die verschiedenen Merkmale der dort behandelten Ansätze einen Überblick. Dabei dominieren Lösungen mittels der mathematischen Programmierung (Gutenberg, Kotler, Krelle, Cordes), obwohl in der Praxis umfassende Marketing-MixModelle mit dieser Methodik noch nicht realisiert werden konnten. Auch die übrigen vorgeschlagenen Lösungswege scheinen eher zur Erklärung der Problematik, als zur tatsächlichen Optimierung des Marketing-Mix geeignet zu sein. Eine Ausnahme stellt hierbei u.E. allein der Ansatz von Stern dar, der immerhin ein Anwendungskonzept für eine integrative, optimale Gestaltung der Marketing-Maßnahmen mittels der Simulation bietet [288]. Dementsprechend k o m m t auch Thummel zu dem Ergebnis, „daß diese Ansätze mit stark vereinfachten Annahmen arbeiten und mehr grundsätzliche Lösungsmöglichkeiten aufzeigen, als eine praktische Lösung des Problems geben. Versucht man aber diese Modelle weiter auszubauen und den realen Gegebenheiten der Praxis anzupassen, so werden sie, wie in den einzelnen Beurteilungen immer wieder zu zeigen versucht wurde, so komplex, daß an eine praktische Anwendung nicht mehr zu denken ist" [293, S. 54], Ähnlich kritisch äußert sich Thummel über einige Vorschläge und Anregungen in der Literatur zur Entwicklung einer beschränkten Anzahl von MarketingMix-Alternativen [293, S. 55 ff. und S. 85 ff.]. Allerdings wird dabei nur eine begrenzte Zahl von Ansätzen analysiert. Diese bieten wiederum primär nur theoretische Denkkonzepte; bereits praktisch verwirklichte Modelle — wie etwa das DEMON-Modell zur Bestimmung eines optimalen produktbezogenen Marketing-Mix von Charnes/Cooper/DeVoe/Learner, das Marketing-Mix-Modell des .Decision-Calculus'-Typs (BRANDAID) von Little oder der Amstutz'sche Ansatz — werden nicht in die Betrachtung einbezogen.

3 Y\l X X X

6urue!LULuej6ojd sieuiuj ziesuv X X X χ χ X X X

Z1BSUV j9Lpsuejo9L|i|eids X X χ χ X

χ Χ X X X X

••

χ χ X X X

•
* THE DATE 0 F 0CCURANCE(WEEK* M0NTH* YEAR > * THE PACKAGE E X P E N S E . 1*1*3*2*50000 H0W MANY MARKET RESEARCH E X P E N D I T U R E S ARE

THERE?

2_

ENTER DATE I N F 0 AND MARKETING RESEARCH EXPENSE DESCRIBED A B 0 V E . 1*1*1*1*50000 1*1*1*2*25000

AS

2.2 Anwendungsbereich der gekennzeichneten Modelle

95

Abb. 36: Fortsetzung H0W MANY PUBLICIITY EXPENDITURES ARE THERE? JL· ENTER DATE INFO ANO PUBLICITY EXPENSES AS DESCRIBED AB0VE. 1*1*1*1*2500 I«I « 1*2«1000 HOW MANY COMMERCIAL PRODUCTIONS ARE THERE? JL. ENTER DATE INFO AND COMMERCIAL PRODUCTION EXPENSE AS DESCRIBED ABOVE. 2« I«2*2*25000 HOW MANY CONSUMER PROMOTIONS ARE THERE? 5_ FOR EACH PROMOTION* ENTER I DATE INFO AS ABOVE THE DURATION IN MONTHS THE TOTAL EXPENSE FOR THE PROMOTION THE PERCENTAGE OF EXPENSE APPLIED TO EACH MONTH OF THE PROMOTION. 2*1*4*I*2«80000* «2S*.75 2*1*7*1*1*25000*1.0 2*1*9*1*1*65000*1.0 2* 1»7*2*2*30000*.50*.50 2*1*7*3*1*60000*1.0

Abb. 37: Input-Datei des Payout Projection Program REIÎUN BINARY FILE NAMEI FILVR1TE OPEN FILE 2 01NAKY OUTPUT CXAQE OLD FILE7 YE SOrtIf«#|, Mftwfh j -

Starting Year - Alvaya 1 Dijratlon-If Y«ι .0650 .0650 . NON-SEASONAL W 2 V V .0833 .0833 > OLUME PERCENTAGES • 0033 .0333 ,ì .0833 .0033 \t Τ»3 / • 0833 .0833 ι

.1637 .0918 .1637 .09 IB .163? .0918

.1638 .0660 .1638 .0660 .1638 .0660

.0785 .1326 >< η .0741 0.0000 ι MON-SEASOKAL .0785 .1326 > 2 V MEDA I PERCENTAGES .0741 0.0000 ι1 ** .0785 .1326 \ì YR3 t .0741 0*0000 J

2. Anwendung computergestützter Modelle im Marketing

96 Abb. 37: Fortsetzung

• Exptctld ValiM • Media Ca.tr·t· 3.00 3.00 4.00

9

2 2 2 2 2 2 2 2 2

I I 1 3 1 1 3 1 3

I t 1 t 1 t 1 6 2 i 2 6 2 « 3 t » 3 i 3 5 1 » S 7 » 5

0·00 \ 4.00 V0.00 /

.50 .50 .50 .50 .50 .50 .50 .50 .50

TKADE INFORMATION

Diaplay ' Ho. of Pacfcagea ' PACKACC INFORMATION

12 2 1 I I I 1 1

• No. of Hktg. Rea. Expenditure· MKTC. «ZSEAROl INFORMATION

50000.00 25000.00 X 25~Ó0.00\. 1000.00/

#14 1 2 I «13 S —•

No. of trade riMtlm

l'.ÛÛ 1.00 .50 1.00 .50 1.00 .50 1.00 .50

—

— NO. of Publicity Expandlturaa - PUBLICITY INFORMATION No. of Commercial Froductlona COMMERCIAL PRODUCTION INFORMATION

' No. of Conaumer Pronotlona Type of Date\ 1.00 Week 4.00 Month 1.00 \ltC Coniuatr Promotion year 2.00 Duration aoooo.oo -— Expenae .29 —— Expenae Allocation 2.00

2.00 1.00

T.OO 1.00 1.00 25000.00 .nn 2.00 1.00 9.00 1.00 1.00 72 1 70iy£6«1

YEAR 4 36658.56 146634..25 7331..71 139302..54 0 . .00 1832.93 7182..89 0.00 0..00 0..00 0 ..00 0 ..00 7182..89 0 . >00 130286.• r¿ 1832213.>52

2.2 Anwendungsbereiche der gekennzeichneten Modelle

101

Abb. 39: Fortsetzung CASERATES GR0SSMARGIN FREIGHT NET MARGIN TRADE/PRICE ACT DISPLAY MATERIAL MEDIA PRODUCTION CONSUMER PROM PACKAGING PUBLICITY MKTG RESEARCH CONSUMER AD/PROM RESERVE MARKETING MARGIN TIME*

YEAR 1

YEAR 2

YEAR 3

YEAR 4

3.000 .800 2.800 .252 .100 2.126 0.000 .284 0.000 .004 .083 2.497 0.000 -.04»

3.265 .200 3.065 .113 .063 .715 .049 .059 .098 • 002 .049 .973 .030 1.887

4.000 .200 3.800 .068 .050 .407 0.000 .23 5 0.000 0.000 0.000 .642 .021 3.019

4 . 000 .200 3.800 0.000 .050 .196 0.000 0.000 0.000 0.000 0.000 .196 0.000 3.554

18.9 SECONDS

2.2.2 Kommunikationspolitik Die Kommunikationspolitik dient der Vermittlung von Informationen über die Leistungen des Unternehmens und deren Abgeltung an den Markt. Traditionelle Instrumente sind die Absatzwerbung, die Verkaufsförderung und die Öffentlichkeitsarbeit. Darüberhinaus wird hier der Einsatz des Außendienstes als Bestandteil der Kommunikationspolitik behandelt, da die Funktionen von Reisenden und Vertretern heute häufig eher auf dem Gebiete der Information und Beratung über Nutzen und Anwendung der Verkaufsobjekte als auf dem Gebiete der physischen Distribution liegen. Zur Lösung von Aufgaben der Kommunikationspolitik existieren zahlreiche mathematische Ansätze, wobei der Anwendungsschwerpunkt auf Verfahren der mathematischen Programmierung und der Simulation liegt. Einen guten Überblick über vorliegende Entscheidungsmodelle im Bereich der Werbung und des Außendienstes (ergänzt durch die Beschreibung einiger Beispiele und zahlreiche Literaturhinweise) geben Meffert et al. im 2. Teil ihres Beitrages „Die Anwendung mathematischer Modelle im Marketing" [203], Detaildarstellungen einiger neuerer Ansätze finden sich in einem von Montgomery herausgegebenen Sonderheft der Zeitschrift Management Science über „Marketing Management Models" (Dez. 1971) [220]. Anwendungsprobleme

Lösungsmethoden

Festlegung der Höhe des Verkaufsbudgets

Mathemat. Programmierung

Bestimmung der Zahl der Außenverkäufer

Simulation Mathemat. Programmierung Algebraische Formeln

102

2. Anwendung computergestützter Modelle im Marketing

Anwendungsprobleme

Lösungsmethoden

Bildung von Verkaufsbezirken

Mathemat. Programmierung

Zuteilung der Außenverkäufer auf die verschiedenen Verkaufsbezirke

Mathemat. Programmierung

Streuung der Verkaufsaktivitäten nach Gebieten, Produkten und Zeiten

Mathemat. Programmierung Simulation

Bestimmung der Besuchshäufigkeit und der Besuchsdauer nach Kunden

Vorhersageverfahren

Festlegung optimaler Reiserouten für Reisende und Vertreter

Mathemat. Programmierung Branch and Bound Zahlreiche spezifische Algorithmen

Bestimmung der Höhe des Werbeetats

Mathemat. Programmierung Simulation

Abgrenzung der Zielpersonen und Bestimmung der Werbebotschaft

Lerntheoretische Modelle

Planung von Werbekampagnen

Netzplantechnik

Werbeerfolgsprognosen

Vorhersageverfahren

Mediaselektion

Mathemat. Programmierung Heuristische Verfahren

Terminierung von Verkaufsförderungsaktionen

Netzplantechnik

Vorbereitung von Messen und Ausstellungen

Netzplantechnik

Optimierung des KommunikationsMix

Mathemat. Programmierung Simulation

Als Beispiele für Modelle aus dem Bereich der Kommunikationspolitik, die relativ einfach strukturiert und leicht vom Benutzer im on-line-Betrieb über Datenstationen zu handhaben sind, sollen hier zwei Ansätze von Little und Lodish dargestellt werden [182, S. B-466; 184, S. 25 ff.]. Beide Modelle wurden bereits praktisch erprobt. Der in den Abb. 40—43 beschriebene Ansatz gibt die Auswirkungen bestimmter Werbemaßnahmen in einer Planungsperiode auf den Absatz wieder; durch die Simulation alternativer Strategien kann der unter den gegebenen Umständen geeignetste Werbeetat bestimmt werden. Die mathematische Problemformulierung ergibt sich aus der Abb. 40. Die Abb. 41 kennzeichnet den Modell-Input, der im Dialog — in unserem Beispiel für ein Produkt der Nahrungsmittelindustrie (,Groovy') — über ein Terminal eingegeben wird; die Benutzerangaben sind durch Umrandungen markiert. Die

2.2 Anwendungsbereiche der gekennzeichneten Modelle Abb. 40: Modell zur Planung des Werbebudgets von Little - Mathematischer Ansatz Entnommen bei [182, S. B-483f.] ADBUDG Model st = brand sales rate in period t (sales units/period) h t = brand share in period t c t = product class sales rate in period t (sales units/period) (Al)

St = h t ct

ht = unadjusted brand share in t n t = nonadvertising effects index in t (A2) α 0 7 S λ wt

= = = = = =

h, = n t h t persistence constant for unadjusted brand share affectable range of unadjusted brand share advertising response function exponent for brand advertising response function denominator constant for brand long run minimum brand share weighted, normalized brand advertising in t

(A3) eit= e¡ = e2t= e2 = Xl = χ* =

h t = λ + α (h t - λ) + β wJ7(« + w^) brand brand brand brand brand brand

(A4)

media efficiency in t media efficiency reference value copy effectiveness in t copy effectiveness reference value advertising rate in t (dol/period) maintenance advertising rate (dol/period) wt = e j t e j t x i / e * e j x*

d t = product class sales rate index in t c t = unadjusted product class sales rate in t (sales units/period) (A5) a' β' y' δ' λ' vt

= = = = = =

ct = c t d t persistence constant for unadjusted product class sales affectable range of product class sales rate (sales units/period) advertising response function exponent for product class advertising response function denominator constant for product class long run minimum product class sales (sales units/period) normalized product class advertising rate in t

(A6)

ct = λ' + a ' ( c t _ i - λ') + β'ν ¡'i (δ' + V? )

ν* = maintenance advertising rate for product class scales (dol/period) (A7)

v t = (ν* - x* + x t )/v*

mt = brand contribution per unit in t (dol/sales unit) Pt = brand contribution rate after advertising in t (dol/period) (A8)

pt = m t st - x t

at = cumulative contribution after advertising for periods 1 to t (dol) Τ = number of periods considered (A9)

a t = Σ * = 1 ps

σχ (xt) = value of σχ as a function of xt vt = the rate of change of a j with xt, called SLOPE, and calculated by: (AIO)

»π· = [ σ τ (Xt + .05 X») - a j (x t )]/.05 x *

2. Anwendung computeigestiitzter Modelle im Marketing

104

Abb. 41: Modell zur Planung des Werbebudgets von Little - Erfassung der Eingabedaten Entnommen bei [182, S. B-476, 4 7 7 ] (GO /ADBUDG) ADBUDG II - A MULTIPERIOD ADVERTISING BUDGETING MODEL 1 COMPUTER ASKS QUESTIONS IN STANDARD FORM 2 COMPUTER ASKS QUESTIONS IN SHORT FORM ANS = ( T ) NEW DATA DATA 21 ENTER USE SAVED ANS = ( T ) BRAND NAME:

(GROOVY)

NO. OF TIME PERIODS(MAX=8) : LENGTH OF PERIOD:

(QUARTER)

NAME OF FIRST PERIOD: GEOGRAPHIC AREA:

(7)

( l ST Q 70 )

(us)

BRAND DATA FOR REFERENCE PERIOD. SEASONALITY, TREND, OR OTHER NON-ADV. EFFECT REMOVED. MARKET SHARE AT START OF PERIOD (% OF UNITS): ADVERTISING THAT WILL MAINTAIN SHARE (DOLLARS/PERIOD): MARKET SHARE AT END OF PERIOD IF ADV REDUCED TO ZERO:

(LTV)

MARKET SHARE AT END OF PERIOD IF ADV INCREASED TO SATURATION:

(λ25)

MARKET SHARE AT END OF PERIOD IF ADV INCREASED 50% OVER MAINTENANCE RATE: MARKET SHARE IN LONG RUN IF ADV REDUCED TO ZERO:

(Ô)

(486900)

2.2 Anwendungsbereiche der gekennzeichneten Modelle

105

Abb. 41: Fortsetzung INDEX OF MEDIA EFFICIENCY (E.G. AVERAGE EFFICIENCY = 1.0): INDEX OF COPY EFFECTIVENESS (E.G. AVERAGE COPY = 1.0):

(Γθ)

(Γθ)

UNITS IN WHICH SALES ARE TO BE MEASURED (TO BE USED FOR BOTH BRAND AND PRODUCT CLASS. E.G., POUNDS, GALLONS, CASES, THOUSANDS OF DOLLARS, ETC.): (HOGSHEADS) CONTRIBUTION PROFIT (BEFORE ADV EXPENSE) EXPRESSED IN DOLLARS/SALES UNIT:

(m)

AVERAGE BRAND PRICE (DOLLARS/SALES UNIT):

(1.812)

OTHER BRAND DATA MARKET SHARE IN PERIOD PREVIOUS TO PERIOD 1:

(L86)

PRODUCT CLASS DATA FOR REFERENCE PERIOD. SEASONALITY, TREND AND OTHER NON-ADV EFFECTS REMOVED. NAME OF PRODUCT CLASS:

(TREACLE)

PRODUCT CLASS SALES RATE AT START OF PERIOD (UNITS/PERIOD):

(29000000Ò)

CONSIDER RESPONSE TO PRODUCT CLASS ADV?

(NO)

AVERAGE PRICE FOR PRODUCT CLASS (DOLLARS/SALES UNIT):

(Lee)

TIME VARYING DATA. IF TIME VARIATION NOT SPECIFIED, REFERENCE DATA WILL BE COPIED INTO ALL PERIODS. PRODUCT CLASS SALES RATE HAS SEASONAL OR OTHER NON-ADV TIME EFFECT?

(YËS)

INDEX OF PRODUCT CLASS SALES (REFERENCE CASE = 1.00) FOR PERIOD: 1:

/^943\ 1.012 1.065 v .959.

BRAND SHARE HAS A NON-ADV TIME EFFECT?

(YES,

2. Anwendung computergestützter Modelle im Marketing

106 Abb. 41: Fortsetzung

INDEX OF NON-ADV EFFECTS (REFERENCE CASE = 1.00) FOR PERIOD 1.05 .98 1.0 MEDIA EFFICIENCY VARIES?

NO

COPY EFFECTIVENESS VARIES? CONTRIBUTION VARIES?

[NO)

(NO)

AVERAGE BRAND PRICE VARIES?

(NO)

AVERAGE PRICE FOR PRODUCT VARIES? BRAND ADV RATE VARIES?

(NO)

(YE^

BRAND ADV (DOLLARS/UNIT) IN PERIOD

2 3 4 1 2 3 4 5

/486000\ 606000 876000 U14000/ SAVE. DATA PRINT DATA CHANGE DATA OUTPUT RESTART

ANS :

©

DATA FILE NAME:

(GROOVY-TP)

Abb. 42: Modell zur Planung des Werbebudgets von Little - Zusammenfassung der Eingabedaten Entnommen bei [182, S. B-478] 1 2 3 4 5

SAVE DATA PRINT DATA CHANGE DATA OUTPUT RESTART

ANS =

@

107

2.2 Anwendungsbereiche der gekennzeichneten Modelle 1 STANDARD PRINT 2 ONLY SPECIFIED LINES ANS =

(Γ)

/GROOVY-70/ 1 2 3 4 5

BRAND NAME: GROOVY NO. PERIODS: 4.000 PER. LENGTH: QUARTER FIRST PER.: IST Q 70 AREA: US REFERENCE PER. - BRAND 7 INIT. SHARE (% OF UNITS): 1.860 8 MAINT. ADV (DOL./PER.): .468M 9 MIN SHARE AT END: 1.770 10 MAX SHARE AT END: 2.250 11 END SHARE WITH + 50% ADV: 1.950 12 LONG RUN MIN SHARE: .000 14 MEDIA EFFCY: 1.000 15 COPY EFFECT: 1.000 16 SALES UNIT: HOGSHEADS 17 CONTRIBUTION (DOL./UNIT): .680 18 BRAND PRICE (DOL./UNIT): 1.812 OTHER BRAND DATA 19 STARTING SHARE: 1.860 REFERENCE PER. - PROD. CLASS 21 PROD. CLASS NAME: TREACLE 290M 22 INIT. CLASS SALES RATE (UNITS/PER.) 29 CLASS PRICE (DOL/UNIT): 1.880 TIME VARIATIONS 2 PERIOD 1 30 CLASS SALES INDEX: 1.012 .943 31 NON-ADV EFFECT INDEX: 1.050 1.000 32 MEDIA EFFCY: 1.000 1.000 33 COPY EFFECT: 1.000 1.000 34 CONTRIBUTION (DOL/UNIT): .680 .650 35 BRAND PRICE (DOL/UNIT): 1.812 1.812 36 CLASS PRICE (DOL/UNIT): 1.880 1.880 37 BRAND ADV (DOL./PER.): •606M •486M

3

4

1.065

.959

.980

1.000

1.000

1.000

1.000

1.000

.680

.680

1.812

1.812

1.880

1.880

.876M

.414M

Abb. 42 zeigt eine Zusammenfassung der eingegebenen Daten, die nach Abschluß der Eingabe ausgedruckt bzw. auf einem Bildschirm angezeigt wird, und in Abb. 43 werden die Ergebnisse eines Modellaufes dargestellt.

108

2. Anwendung computeigestützter Modelle im Marketing

Abb. 4 3 : Modell zur Planung des Werbebudgets von Little - Ausgabe der Ergebnisse Entnommen bei [182, S. B-479] 1 2 3 4 5

SAVE DATA PRINT DATA CHANGE DATA OUTPUT RESTART

ANS =

@

1 STANDARD OUTPUT 2 EXCLUDE SPECIFIED LINES 3 INCLUDE SPECIFIED LINES ONLY ANS =

©

1 CALCULATE CURRENT CASE 2 SEARCH 3 FINISHED ANS =

1 2 3 4 5 6 8 9 10 11 12 13 14 15 16 17 23

(Τ)

OUTPUT FOR PERIOD LENGTH: STARTING PERIOD: AREA: SALES UNIT: DATA FROM FILE: PERIOD MARKET SHARE: (% OF UNITS) PROD. CLASS SALES (UNITS/PER) PROD. CLASS SALES (DOL/PER) BRAND SALES (UNITS/PER) BRAND SALES (DOL/PER) CONTRIBUTION (DOL/PER) BRAND ADV (DOL/PER) CONT. AFTER ADV (DOL/PER) CUMULATIVE CONT. AFTER ADV SLOPE

GROOVY QUARTER 1ST Q 70 US HOGSHEADS /GROOVY-70/ 1 1.868

2 1.999

3 2.002

4 2.009

273M

293M

309M

278M

514M

55 2M

581M

523M

5.89 M

5.87 M

6.18 M

5.59 M

9.22 M

10.6 M

11.2 M

10.1 M

3.46 M

3.99 M

4.20 M

3.80 M

•486M

•606M

.876M

.414M

2.97 M

3.38 M

3.33 M

3.39 M

2.97 M

6.36 M

9.69 M

13.1 M

1.634

1.169

.228

-.379

2.2 Anwendungsbereiche der gekennzeichneten Modelle

109

CALLPLAN ist wie das vorstehend beschriebene ADBUDG ein interaktives Modell vom ,Decisions-Calculus'-Typ. Es wurde entwickelt, um die Mitarbeitern des Außendienstes zur Akquisition zur Verfügung stehende Zeit möglichst optimal zu nutzen (bzw. nach Kunden und Interessenten am günstigsten zu verteilen). Als Inputdaten werden wiederum Schätzwerte der Benutzer — hier der Außenverkäufer — herangezogen, welche die Ergebnisse aller möglichen Alternativen der Besuchspçlitik nach (tatsächlichen und potentiellen) Kunden beinhalten. Der Computer lèistet bei diesen Prognosen durch den Ausdruck von Reaktionsfunktionen oder Wahrscheinlichkeitsverteilungen (aufgrund eingegebener Einzelwerte) Hilfestellung. Der dem Modell zugrundeliegende Rechenansatz bezieht bei der optimalen Zuteilung der Besuchszeiten Faktoren wie ζ. B. Reisezeit und Reisekosten zum Kundenort, erforderliche Besuchszeit pro Kunde, Besuchserfolg (Umsatz) und mindestnotwendige bzw. höchstmögliche Besuchshäufigkeit pro Kunde mit ein. Die rechnerische Lösung erfolgt mittels mathematischer Programmierung 8 . Gute Anwendungsmöglichkeiten ergeben sich überall dort, wo in sich wiederholenden Verkaufssituationen die vom Außenverkäufer bei Kunden verbrachte Zeit einen wesentlichen Einfluß auf den Absatzerfolg hat. Die Abb. 44/45 kennzeichnen den Ablauf des Dialogverkehrs bei der Durchrechnung des Modells am Beispiel eines Reisenden der US-amerikanischen Pennwalt Corporation. Dieser kann im Laufe von drei Monaten 251 Halbstunden dem Vertrieb einer bestimmten Produktlinie widmen. In Abb. 44 wird die Eingabe der erforderlichen Werte über eine Datenstation dargestellt; die Zeilen, die mit dem Zeichen > beginnen, wurden durch den Benutzer getippt, die übrigen Zeilen wurden automatisch durch den Computer ausgedruckt. Die Abb. 45 zeigt eine ausgedruckte Zusammenfassung aller Problemdaten, die optimale Zeitzuordnung nach Kunden und eine Sensitivitätsanalyse der zeitlichen Auswirkungen auf den erwarteten Absatz und die optimale Besuchspolitik.

Abb. 44: Modell zur Besuchsplanung von Außenverkäufern von Lodish - Erfassung der Eingabedaten Entnommen bei [184, S. 32 ff. ]

TYPE 2 TO 3 TO 4 TO 5 TO

CALLPLAN-A SALES CALL PLANNING MODEL MOD 2, VERSION 1 1 TO ENTER DATA FOR A NEW PROBLEM USE DATA SAVED FROM A PREVIOUS TERMINAL SESSION RECOVER FROM A SESSION WHERE INPUT WAS ABORTED LIST FILE NAMES OR ERASE FILES END THIS SESSION

>1 TYPE A TITLE FOR THIS PROBLEM > WILLIAMS TERRITORY ® Vgl. hierzu im einzelnen [184, S. 27 ff.]. Ein ähnlich strukturiertes Modell zur optimalen Verteilung des Werbebudgets wurde gemeinsam von Little und Lodish entwickelt. Es basiert ebenfalls auf der mathematischen (ganzzahligen nichtlinearen) Programmierung und wurde detailliert beschrieben bei [183].

110

2. Anwendung computergestützter Modelle im Marketing

Abb. 44: Fortsetzung HOW MANY CLIENTS? > 14 HOW MANY PROSPECTS?

>2 INTO HOW MANY (LIMIT 15) GEOGRAPHICAL AREAS DO YOU WISH TO DIVIDE THE TERRITORY? >4 UNIT OF TIME (E.G. HOURS, 1/2 HRS, ETC.) FOR SPECIFYING CALL LENGTH? > 1/2 HRS. LENGTH (E.G. 1 MONTH, 3 MONTHS, 6 MONTHS, ETC.) OF EFFORT PERIOD? > 3 MONTHS LENGTH OF RESPONSE PERIOD? > 1 YEAR TOTAL NUMBER (LIMIT 1000) OF 1/2 HRS AVAILABLE FOR SELLING + TRAVEL TIME IN 3 MONTHS? > 251 UPPER LIMIT (MAXIMUM OF 15) ON NUMBER OF CALLS TO CONSIDER MAKING ON ANY ACCOUNT DURING 3 MONTHS? > 13 TYPE NAMES OF EACH GEOGRAPHIC AREA UNDER ITS ID NUMBER 1 > NJER 2

> NYC 3 > L.I. 4 > WEST TYPE NAMES OF EACH CLIENT UNDER ITS ID NUMBER 1 > BALFOR 2

> CHEMPRO

TYPE NAME OF EACH PROSPECT UNDER ITS ID NUMBER 15 > BRDNG 16 > MARLOW DO ANY OF THESE ACCOUNTS REPRESENT CLASSES OF ACCOUNTS RATHER THAN INDIVIDUAL ACCOUNTS? >NO DO YOU WISH TO USE ADJUSTMENT FACTORS WHICH VARY BY ACCOUNT? (The user wanted to maximize unadjusted sales) >NO TYPE THE CONSTANT ADJUSTMENT FACTOR > 1 ON THE LINE FOLLOWING EACH LISTED ACCOUNT, TYPE THE FOLLOWING THREE NUMBERS SEPARATED BY SPACES: (1) THE ID NO. OF THE ACCTS GEOGRAPHIC AREA, (2) THE 1/2 HRS PER CALL FOR EACH ACCOUNT ASSUMING YOU ARE IN ITS GEOGRAPHIC AREA,

2.2 Anwendungsbereiche der gekennzeichneten Modelle

111

(3) THE NUMBER OF CALLS PRESENTLY BEING MADE IN AN AVERAGE PERIOD OF 3 MONTHS BALFOR >4 2 8 CHEMPRO >13 6 CHEMPLST >13 8

ON THE LINE FOLLOWING EACH CLIENT TYPE 5 ESTIMATES SEPARATED BY SPACES: (1) ANTICIPATED SALES DURING 1 YEAR IF NO CALLS ARE MADE (2) SALES DURING 1 YEAR IF 1/2 THE PRESENT NO. OF CALLS (ROUNDED UP) ARE MADE DURING 3 MONTHS (3) SALES IF PRESENT LEVEL OF CALLS IS CONTINUED (4) SALES IF PRESENT CALL LEVEL IS INCREASED BY 50% (ROUNDED UP) (5) SALES IF SATURATION CALLS ARE MADE (-NOTE WELL-IF EITHER ZERO OR ONE CALL IS PRESENTLY BEING MADE DURING 3 MONTHS, THEN TYPE INSTEAD THE ESTIMATED SALES IF 0, 1, 2, 3, AND SATURATION CALLS ARE MADE) BALFOR (Sales are in hundreds of dollars) > 0 50 80 90 100 CHEMPRO > 0 14 23 26 27 CHEMPLST > 0 19 171 201 203

FOR EACH OF THESE PROSPECTS, TYPE ON THE FIRST LINE FOLLOWING THE NAME PROBABILITIES OF CONVERSION TO A CLIENT DURING 1 YEAR IF ZERO, 1/2 THE PRESENT CALL LEVEL, THE PRESENT CALL LEVEL, THE PRESENT LEVEL + 50% AND IF SATURATION CALLS ARE MADE IN AN AVERAGE PERIOD OF 3 MONTHS (THE PREVIOUS EXCEPTION APPLIES FOR PRESENT CALL LEVELS OF ZERO OR ONE) ON THE SECOND LINE TYPE THE SALES ANTICIPATED DURING 1 YEAR IF THE PROSPECT IS CONVERTED BRDNG > 0 .1 .2 .25 .26 >3 MARLOW > 0 .1 .2 .25 .26 > 12 ON THE LINE FOLLOWING EACH OF THESE AREAS, TYPE SEPARATED BY SPACES: (1) THE NUMBER OF 1/2 HRS PER AVERAGE TRIP, AND (2) THE COST PER TRIP NJER

>6 0 NYC

>6 0 L.I. >70

2. Anwendung computergestützter Modelle im Marketing

112

Abb. 44: Fortsetzung WEST >60 TYPE 1 TO SAVE THE CURRENT DATA 2 TO CHANGE DATA 3 TO PRINT THE CURRENT DATA 4 TO OBTAIN AN OPTIMAL CALL FREQUENCY POLICY 5 TO END THIS TERMINAL SESSION > 1 DATA FILE NAME: > WILLI (This input data was saved on a disk file WILLI for future reference.) Abb. 45: Modell zur Besuchsplanung von Außenverkäufern von Lodish - Ausgabe der Ergebnisse Entnommen bei [184, S. 32 ff. ] WILLIAMS TERRITORY 251 1/2 HRS AVAILABLE IN 3 MONTHS 251 1/2 HRS PRESENTLY BEING USED 0 DOLLARS PRESENTLY BEING SPENT ON TRAVEL GEOGRAPHICAL AREA DATA PRESENT TRIPS COST PER 1/2 HRS ID 1 2 3 4

NAME NJER NYC L.I. WEST

PER 3 MONTHS 8 1 4 8

TRIP PER TRIP 0 6 0 6 0 7 0 6

ACCOUNT DATA

ID 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

NO. ACCTS. PRESENT REPRES. CALLS 1 8 1 6 1 8 1 4 1 1 1 4 1 5 1 1 4 1 3 1 3 1 6 1 3 1 3 1 1 1 1

NAME BALFOR CHEMPRO CHEMPLST DILCTX EMERSON ETHLYN F/C M-I MICRO POLYFIN SLCTRO SEVERNA SURF TRI-PT BRDNG MARLOW

TIME PER CALL 2 3 3 2 1 2 1 2 1 1 1 3 1 2 1 1

MIN. CALLS 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

ADJ. FACTOR 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 l.OOO 1.000 1.000 1.000 1.000 1.000

GEOGRAPH. AREA WEST (4) NJER (1) NJER (1), L.I. (3) NYC (2) NJER (1) NJER (1) NJER (1) WEST (4) WEST (4) WEST (4) NJER (1) NJER (1) L.I. (3) NYC (2) NYC (2)

SALES VOLUME-CALL EFFORT RELATIONSHIP EXPECTED SALES DURING 1 YEAR IN RESPONSE TO CALLS DURING 3 MONTHS OF: 0 10

1 11

2 12

3 13

4

5

6

7

8

9

2.2 Anwendungsbereiche der gekennzeichneten Modelle

113

Abb. 45 : Fortsetzung BALFOR 0 86

5 88

19 90

35 91

49

60

69

75

79

83

7

14 26

18

21

22

24

25

26

3

18

54

103

144

171

187

3

8

15

19

23

25

27

CHEMPRO 0 26

1 26

26

CHEMPLST 0 195

0 199

0 201

201

DILCTX 0 27

0 28

1 28

29

EMERSON 0 0

0

0

0

0

0

0

0

0

0

0

0

9

26 74

41 75

52

59

64

67

69

71

6

17 43

26 43

33

37

38

40

40

41

5

5

5

5

5

5

5

0

ETHLYN 0 73

74

F/C 0 42

42

M-I 0 5

2

3 5

5

5

MICRO 2

2

3

3

3

3

3

3

3

3

5 11

8 11

8 11

10

11

11

11

11

11

4

18 38

30

36

37

38

38

38

9

19

29

38

48

54

59

2

4

5

5

5

5

5

36 78

61

72

75

77

78

78

0

0

0

0

0

0

0

2

3

3

3

3

3

3

0 3

1

0

POLYFIN 0 11 SLCTRO 0

0 38

38

38

SEVERNA 0 63

0 66

3 68

69

SURF 0

0 5

5

1 5

5

TRI-PT 0 78

8

0 78

78

BRDNG 0 0

0 0

0 0

0

MARLOW 0 3

TYPE 2 TO 3 TO 4 TO

1 3

2 3

3

1 TO SAVE THE CURRENT DATA CHANGE DATA PRINT THE CURRENT DATA OBTAIN AN OPTIMAL CALL FREQUENCY POLICY

114

2. Anwendung computergestützter Modelle im Marketing

Abb. 45: Fortsetzung 5 TO END THIS TERMINAL SESSION >4 WILLIAMS TERRITORY CALLPLAN OUTPUT OPTIMAL CALL FREQUENCY POLICY FOR AN AVERAGE PERIOD OF 3 MONTHS 260 1/2 HRS ALLOCATED ANTICIPATED SALES DURING 1 YEAR USING THE OPTIMAL POLICY 572 ANTICIPATED SALES DURING 1 YEAR USING THE PRESENT POLICY 476 ANTICIPATED ADJUSTED SALES USING THE OPTIMAL POLICY 572 ANTICIPATED ADJUSTED SALES USING THE PRESENT POLICY 476 TRIP COSTS DURING 3 MONTHS USING THE OPTIMAL POLICY 0 TRIP COSTS DURING 3 MONTHS USING THE PRESENT POLICY 0 GEOGRAPHICAL AREA ALLOCATION OPTIMAL NUMBER OF 1/2 HRS IN PRESENT

OPTIMAL NUMBER OF TRIPS IN PRESENT

AREA NJER NYC L.I. WEST

MONTHS 143 0 55 62

POLICY MONTHS POLICY 8 126 10 0 1 9 4 42 5 74 7 8

OPTIMAL ACCOUNT CALL FREQUENCY POLICIES OPTIMAL

ACCOUNT

IN AVERAGE 3 MT HS. PERIOD

EXPECTED SALES IN 1 YEAR ADJ.

TED SALES USING PREPRESENT SENT POLICY POLICY ADJ.

BALFOR CHEMPRO CHEMPLST DILCTX EMERSON ETHLYN F/C M-I MICRO POLYFIN SLCTRO SEVERNA SURF TRI-PT BRDNG MARLOW

7 3 10 5 0 6 5 0 0 1 5 9 0 5 0 0

75 14 195 15 0 64 37 0 0 5 36 59 0 72 0 0

8 6 8 4 1 4 5 1 4 3 3 6 3 3 1 1

75 14 195 15 0 64 37 0 0 5 36 59 0 72 0 0

79 22 171 8 0 52 37 2 2 8 18 38 2 36 0 1

79 22 171 8 0 52 37 2 2 8 18 38 2 36 0 1

2.2 Anwendungsbereiche der gekennzeichneten Modelle

115

Abb. 45 : Fortsetzung DO YOU WISH TO EVALUATE CONSEQUENCES OF DIFFERENT LEVELS OF 1/2 HRS AVAILABLE FOR CALLS? >YES TYPE LOWER LEVEL, UPPER LEVEL (MAXIMUM 502), INCREMENT > 3 0 0 400 100 CHANGES IN ALLOCATION IF 314 1/2 HRS ARE AVAILABLE SALES 606 DIFFERENCE 34 34 ADJUSTED SALES 606 DIFFERENCE

BALFOR CHEMPRO CHEMPLST DILCTX ETHLYN F/C POLYFIN TRI-PT

INCREMENTAL CALLS 1 1 1 3 1 2 1 1

INCREMENTAL SALES 4 4 4 10 3 3 3 3

CHANGES IN ALLOCATION IF 405 1/2 HRS ARE AVAILABLE SALES 634 DIFFERENCE 62 ADJUSTED SALES 634 DIFFERENCE 62

BALFOR CHEMPRO CHEMPLST DILCTX ETHLYN F/C MICRO POLYFIN SICTRO TRI-PT MARLOW

INCREMENTAL CALLS 6 1 1 4 1 2 5 4 2 3 4

INCREMENTAL SALES 16 4 4 12 3 3 3 6 2 6 3

TYPE 1 TO SAVE THE CURRENT DATA 2 TO CHANGE DATA 3 TO PRINT THE CURRENT DATA 4 TO OBTAIN AN OPTIMAL CALL FREQUENCY POLICY 5 TO END THIS TERMINAL SESSION >5 GOOD-BYE 2.2.3 Distributiönspolitik Die Distributionspolitik beinhaltet die Ziele u n d Methoden unternehmerischen Handelns, das sich auf den Weg der Verkaufsobjekte im Markt bis hin zum E n d a b n e h m e r bezieht. In den klassischen Anwendungen der Unternehmensforschung — wie etwa bei (einstufigen) Lagerhaltungsproblemen oder Transp o r t p r o b l e m e n — werden mathematische Modelle bereits seit etwa einem Jahrzehnt in größerem Umfange praktisch eingesetzt. Hierfür liegen auch zahl-

116

2. Anwendung computergestützter Modelle im Marketing

reiche Standardprogramme vor. Erst in jüngster Zeit werden hingegen Modellsysteme in programmierter Form von Computerherstellern angeboten, welche den gesamten strategischen Entscheidungsprozeß bei der Bestimmung optimaler Distributionsstrategien erfassen. Bei den genannten Problemen steht die Anwendung von Prognosemodellen, Verfahren der mathematischen Programmierung und Simulationstechniken im Vordergrund, jedoch ergeben sich — wie die nachfolgende Übersicht zeigt — bei einer Vielzahl von Einzelproblemen auch für andere quantitative Methoden gute Einsatzmöglichkeiten. Anwendungsprobleme

Lösungsmethoden

Abgrenzung von Marktsegmenten

Mathemat. Programmierung

Auswahl der Vertriebswege

Entscheidungsbaumverfahren Simulation

Wahl der Standorte von Produktionsstätten, Lägern und Verkaufsstätten

Mathemat. Programmierung

Einrichtung von Niederlassungen Entscheidung über Miete oder Eigenbau von Niederlassungen Umstellung und Umorganisation von Niederlassungen Optimierung der Anzahl der Bedienungsstationen in Lägern und Verkaufsstätten

Netzplantechnik Algorithmen der Investitionsrechnung Netzplantechnik Warteschlangentheorie

Analyse der Bedarfsentwicklung von Kunden, Verkaufsstätten und Lägern

Vorhersageverfahren

Kapazitätsdimensionierung von zentralen und dezentralen Lägern

Vorhersageverfahren Simulation

Festlegung von Art und Kapazität der zu lagernden Produkte

Vorhersageverfahren Simulation

Auswahl von Lieferanten bzw. Lieferorten

Mathemat. Programmierung

Zuordnung von zu beliefernden Auslieferungslagern zu Produktionsstätten

Mathemat. Programmierung

Selektion von Absatzmittlern

Mathemat. Programmierung Simulation

Planung der Transportwege Bestimmung von Art und Kapazität der einzusetzenden Transportmittel

Mathemat. Programmierung Mathemat. Programmierung Simulation

2.2 Anwendungsbereiche der gekennzeichneten Modelle Anwendungsprobleme

Lösungsmethoden

Entladungsprobleme von Transportmitteln

Vo rhe rsageverf ahren Warteschlangentheorie

Bestimmung des Lieferzyklus und der optimalen Liefermengen

Vorhersageverfahren Losgrößenformeln

Bestimmung von Sicherheitsbeständen in Lägern verschiedener Stufen

Vorhersageverfahren

Zuordnung bestimmter Transportmittel auf bestimmte Touren

Mathemat. Programmierung

Bestimmung der Lademengen von Transportmitteln

Vorhersageverfahren Mathemat. Programmierung

117

Als Beispiel für ein umfassendes Modellsystem, welches den Warenfluß in mehrstufigen Distributionsprozessen optimiert, wird nachfolgend das in Form eines abgeschlossenen Organisations- und Programmierkonzepts vorliegende DIOS (Distributions-, informations- und Optimierungs-System) beschrieben 9 . DIOS verfolgt das Ziel, die Distributionskosten des Vertriebs von Fertigwaren der Markenartikelindustrie unter Einhaltung einer geforderten Lieferbereitschaft zu minimieren. Die typische Verteilungsstruktur im Markenartikelbereich wird in Abb. 46 wiedergegeben. Nach der Herstellung werden die Fertigprodukte häufig zunächst in einem oder mehreren Produktionslägern (im allgemeinen nur kurzfristig) gelagert, ehe sie in Zentrallägern zu vertrieblichen Vollsortimenten zusammengestellt und bevorratet werden. Diese beziehen dementsprechend von allen Produktionsstätten und dienen zumeist zur Belieferung eines verzweigten Netzes von Auslieferungslagern, die entweder in Eigenregie oder in Kommission (z. B. von Spediteuren) geführt werden. Die regionalen Kunden werden von diesen Auslieferungslagern bedient, während die Versorgung von Großabnehmern oft in Direktbelieferung durch vorgelagerte Stufen erfolgt. Dabei sind verschiedene Varianten des Warenflusses möglich. Wesentliche Verteilungsprobleme ergeben sich auf jeder Lagerstufe bei — der Erfassung der Bedarfsentwicklung (insbesondere der Prognose des unbekannten Normalbedarfs der Kleinkunden, der Einbeziehung von Terminaufträgen und der Vorhersage der Auswirkungen von Marketing-Aktionen); — dem Aufbau von Sicherheitsbeständen (insbesondere bei der Differenzierung nach Sicherheitsbeständen, die pro Artikel und Lager in ihrer Höhe an Bedarfsschwankungen angepaßt sind und die Forderungen an eine artikelindividuelle Lieferbereitschaft erfüllen); — der gemeinsamen Belieferung von Lagergruppen ® Vgl. zu den nachfolgenden Ausführungen [148J.

118

2. Anwendung computergestützter Modelle im Marketing

Abb. 46: Verteilungsstruktur im Markenartikelbereich

Großabnehmer I

Stufe

= Produktion

Stufe II

= Zentral lager

Stufe III = Auslieferungslager Stufe IV = Abnehmer

—

— — —

^

Warenfluß Im Standardfall Belieferung von Großabnehmern Möglichkeit der Gruppenbelieferung

(insbesondere bei der Zusammenfassung von Lägern zu Gruppen, der Reihenfolgebestimmung der Auslieferung und der Frachtberechnung bei transportierten Teilmengen); der Auswahl und dem Wechsel von Transportmitteln (insbesondere bei der Berücksichtigung spezieller artikelspezifischer Anforderungen, der Wahl kostenoptimaler Belieferungsmöglichkeiten und bei notwendigen Umladungen); der Bestimmung des Lieferzyklus und der Liefermengen; der Zuordnung der zu beliefernden Läger zu Produktionsstätten; der Entscheidung zwischen direkter und indirekter Belieferung von Großkunden.

2.2 Anwendungsbereiche der gekennzeichneten Modelle

119

Die Lösung der aufgezeigten Probleme erfolgt bei DIOS unter der Zielsetzung einer Minimierung der gesamten Verteilungskosten, wobei eine A b s t i m m u n g im Hinblick auf eine mögliche Beeinflussung der Kostensituation in anderen Unternehmensbereichen vorgenommen wird. Als zum Teil einander entgegenlaufende Kostenarten werden die Lagerkosten (Zinsen, Steuern, Versicherungen, Kosten für die Warenpflege, Renditeerwartungen bei freigesetztem Kapital, Palettierungskosten), die Versandkosten (auftragsfixe Kosten die z. B. durch Abb. 47: Modellsystem zur Optimierung der Distribution (DIOS) zwischen den Subsystemen

Informationsfluß

Vergangenheitswerte (min. 6 Wochen)

Subsystem 4 Disposition (Menge) Läger und Großkunden

Lagerstruktur Transportstaffeln Lagerkostensatz Versandkostensatz

4 Langfristige Entscheidungen

Mittelfristige Entscheidungen

Versand Vorschlag

Kurzfristige Entscheidungen

120

2. Anwendung computergestützter Modelle im Marketing

Abb. 48: Modellsystem zur Optimierung der Distribution (DIOS) - Ausgabe des Subsystems 1
Χ co * ΓΓΙΟ σι α» • • ο ο

ta O

%

o Η EM 'S Η Ν

ta

CJ

ft; a fe 5 to

ta Cd O tj ta O a; o a; S• IO CO Ει ΓΙΟ 3· o ΓIO CM OI ID · CM o * CM II rto ft; a-

U CO fe; dΗ to ö; »H ta co Ei to % 3· ta o en Λ· CN CO tí ta CO to k) «o il cm η co Β) CM Ti to ^t io >m co ^ σ» Η to σ> cm co ft; o ta co o> ^ Η O O >< ΙΛ ^ CO CM vi a· (ς iotaσ> o cm · O o· d-• ft; rtiao; Ei ta » % » • M ta O Q Et S ta fe ^ ö; fe tJ ta ta ι : Ν ft, ^ c» Em ta ö ta ta S: to ta or fi ι^Ι fe fe) «O «0 Ei ο Ο ι ta tu t j O ft;

ot o> 0 01 CO JSCS en cm co (O o Λ IO IO CM Ο φ • Λ Οφ tO

O Η Em o;

ft; 2 en t00 CM O vi vi CO 00 CM tO O CO CO • o IO · tí σι J- ri

ta II ta o · C> fe. ta fe. o o o ρ 05 ta o ta •ft;cm es ta id Si to · -> ta

«

te

ta

i ; «« 0 ·> » ss •S I S1 "a J < a

te tQ Ν te Η

ta c>

O I ta te H E-,

te ta to Η te »toQEi H tateHti H ta ta ^ tatotl ta ^ *

•-J ^ o ta ti O Ε-, ^ta ti Iti O ta tl >1 « •>« OS ti fa to Ει H ¡«i ta ta ί* u tO toti Η a; ti to ta ta ti % to o ta tat.·* taι ta EH te tta 1-5 Q ft; ai ta η »1 tatati "I a η o o ta til n o Q te te ta cai te ta * •-»ι ta ti tataO οι « a; toι to ι It> Ν o tai tal EH «0 O « LJ

Q te O ?tQ "τΗ S σι

r s í

S te ta Ο % ta ta to Ν ta ti ta ta ta ta ^ a ta te to ta ta ta ta ta Ν ta ta ta "S ι ta tl tte ti Si ta ta to— ta— s«¡ — ta ta te ta ta ta — tl —t a - — H— tl —o — ta —tate El te ι te ta o * ti ta ta ta o ta ta * O ta te ta ota X te ato te ta to ** ta H IQ ti ta o a tj ti ta ta a» *< ta ta ta te a ta ta ta o ta te t o cetateta ta ta ta ta H ta n ta1 5: ^ ta te ta ^ ta ta Ν te ta to S to to ta te to ta te ta teta a te Ci te ti to ti ta ta H S: ti u H to oto to Ει ta H ta to ta ata aH >1 tl to ta m ta ta ¡«i ti ta te % to ta te to O O Qo ta o ta otata tatatatetatotata —

— ta

i«

*

—

·*

ta

η

H ta

169

3 . 2 Netzplan fe a fe fe fe fe Ε. ^ ta fe υ fe Ei fe Ei ta hl fe to ^ u fe ft. h. 3: fe fe fe fe fe u hi H a fe fe Ei υ ta fe t , S ft; hi ft. Ei fe ta fe fe υ te Ei to 0 fe Ei O. Ca Ca Ca a Η Η g Ei to a fe to fe Ε, Ε, O ••a fei >-a o; »< fe ft; H fe S · a, ft. hi fe S a a % HnhH to fe to Ei a o. Ei •«< I Ει Ί! Ει Ν -a to fe to fe hift.O fe Ei Ei fe ι fe ta υ Ci «0 Ei Ο Ν fe H fe O ft; fe fe fe a Η fe fe o ta a fe fe fe fe fe ¡* fe E, ta Ει fe asft,·» fe O fe fe fe to fe i Ca fe fe fe fe ta ai H ^ ^ fe fe H to Ei tk u w υ os Ei Ο ^ fe ο ο ρ * fe a «« o fe Ei S Ei hl O fe o Ei fe fe fe fe sfe. *H H ^ u u u ^ fe fe fe * fe fe aaowta ft: t< η fe a. ft. *s Ote fe n: h) fe fe fe fe o fe a a: o u ta ta «a toU fe fei taft.feEi ft; fe, . fe ft; fe >-a ta fe fe fe fe !»-ka o feto Ει fe fe fe fe fe fe Ol O fe ta o fe fe O ft, fe ta ι o a a a Hl te a ta s * fe Η Η Ν fe to a fe S: fe ta α a S: H fe fe fe Eil a a; as a Ei a fe a fe u a fe fe o a Ει H Ν Ν 0.1 ta fe a ^a ta ka « t t l « a « fe a fe Ν % fe Ei fe fe fe Hl î q î w h fe fe ^ î h h »•a fe S % to to to fe to to to S fe fe fe ft; fe fe tí lu;»;·*'* feft;E. ha Η fe fe Η Η O tofea h h k i S; fe fe fe fe >i s : te o ta i i s s Ei o to ft. m o u Ει ka fe • t u f e U U U O ü t J b í ta fe « to to to to to h. fe % to a; fe to "ϊ Ει fefeta ^ "ί fe to to to S: S ! ι» fe a; a a a a fe fe o ta a o fe fe fe fe fe η fe fe fe u fe a -ι >a t ·>* t» o fe ·"< H fe ta fe ^ ^fefe fe^ H ^ H fe fe fe « « a CH

ta

fe fe ta fe fe a fe E. to ta

fe S S: a ' kj ta fe fe o H H Ei ä ta fe Ei fe ta * fe a fe fe ftl n a t a S fe fe Nfe * to o fe E i a •i te fe fe te ta υ a ta - ts U) CMm Ti IA co σ> co a- CMfs CO CMm tn Ci ts rs O O O CM« o o TÍ CMCMO O O o O O o o TÍ Ti Ti o O Ti TÍ O Ti o O TÍ 641 CMO CMo S 'S» 's» •s»S Ss. Ss 'S. Ss s.» Ss Ss 'S. Ss Ss Ss. 'S. Ss Ss 'S. s s s s s s s s s s s s s s O τ* «H ri tí Ti Ti Ti O CMCMTi Ti TÍ Ti CMCMCMCMCMCM CM CMCMCMCMCM CMco co CMco co co O O O Ti O O O O O O O o O o o o o o O o o o o

sa

ta fe a S s s s

OOOOO OO OOO o OOO O O O (Ν o ΤΗ CM CM(O σ> CO3· τΗ

toi HI

Oo OO OOο Oo O o Oo o Oo CD σ> o ts ^ CM CM MCMCM Λ C

OOo o o o o o o o o o O o OOO o o o Ο o o o tf> O CMo O TÍ rf CO TÍ m CM CM CMCMCMCMCM CM ri

Ol *( 1 HI OJI

§ Ck b3 Co &

fej c» o se fej * Ν ti

to to ϊ* o b) Q to ce; &4 Ν flQ Q ti ft; o «0

W CMCMCMCMCMCMCMCMCMCMCMCDco CMCOco co COCOCO COco co co co co co co co co co co co C»· Γ- fs ts ts ts ts es f- es Cs ts ts ts ts ts ts ts r- ts ts ts fs ts ts ts es fs ts ts ts ts ts ts COI V» V. S 'S» S* 'S. 's. Ss, •Ss Ss 's» Ss. 'S. Ss. Ss Ss. Ss Ss. s . Ss S S s s s s s s s s s s s s Bal it f» ts ts ts ρ· ts ts ts (O m V) σ> IO o σ> σ> σι O) m α co co m m m cm m U) m li) fs CMCMCMCMCMCMCMCMCMO o O Ti CMCOCMCM CMCMCMo o o TÍ o o o TÍ TÌ O o o o o ^S ^ ^ ^ -"s "»s -"s ^S. -S» -"V ^S ^ ^S O OOOOOOOOr(NNrlr(OHr(rlr(rt(NN(N(MNNN(Nn(NC 0 0 0 0 0 q;i o o o o o o O O Ο O O O O O O O O O O O O O O o o o o o o o o o o o o OO OOO o o O OOOOOOOOO o o o o O • » • • • • • • » • • • » • • Ql • o · m · ·TÍ · · · · m · ·co· ri· co · ri tf> C co co m co m «o o TÍ o CM iniAtf m co Mco Ti TÍ CM CM co OI OI 2>l toi Ql fell

s s fe 9 E H M ft, o te η η te η «s a: te te ·>< U EH o te te ηteo ft. s a S to % û. Ute % f % η ι te tofrift. I ι η fe 1 a te; HÇ a ι Ote H te Ν ·ΐ ti to ι* a tí tí tí 1-5 O te; O ft. n otetí te η Ο to ft;« to fe te ta fe to fe·*? tuHta« fe α: es fri fetente fe te i-i QfriΝ a; tei tefrih H ft. « fc Ä -a «S H te S O Q on.»· te to Ο Ει fr. Q te te fri* U fri to η Β)fete;!> te œ o n « η S H fe η H Ei Η h a ï A S S; te M fe «ten Hl S H H H tefem fe*s: ¡*: toa: EH to •H a h Îfe tel i a «< ft;teft;H a te HteΝ η ÛJ E I-Ifea ^ o oteat te to HE P 1 te "J;fr. ν ο a tí friO to te ? * ·-» Ei tetefeci te w tete« Ν to ^ wft, Ol te; i to tí Otetote; Q fe ns fe u to O t o ofefe S * to o; Ote! fe tofeto o;fetíQ ti te; toi o te w ate;te;te;te te; te Η o t e a n t e CQ^OÜ fe ^ fe O t e t e « « te o; te a a o IUI «* >* ft.teft.to te S U O « » fe m ^ o>31

(NNwWíownnnrtnonwnwnnnpííonnnopjnnwíícxNn c-* r- t- t-> r- r - r - r - r - t - r - r - r - r - r - r- c» r•SS.-sNWSSV.NSSSSNSNSSSNSNNSNSN.NSN.NNS M O O I H N N O O R L H O H M N O N O O R I N N O R< RL Ν H C4 O ΙΟ Ν Ν Η O M VN. W S . N . S S N . X S N . N N V . S N N . N N ' S N . N . S S N S S N S S S N N

Od(NriririNnnnfln(0níinifl(DiD(D030)0)9)mvH(N(N

o

£ -e

Λ S

II

o

4.2 Spezifikation der Mikrostruktur des Modells

203

botschaft berührt wurden und diese assimiliert hatten. Folgende Wahrscheinlichkeitswerte waren dabei von Bedeutung: Wahrscheinlichkeit der Wahrnehmung der Botschaft (bei einmaliger Werbeberührung), wenn ein spontanes Markenbewußtsein existierte.

PN/S.A.:

N/A.A.

:

Wahrscheinlichkeit der Wahrnehmung der Botschaft, wenn bei entsprechenden Hinweisen eine Markenerinnerung vorlag.

PN/N.A.

:

Wahrscheinlichkeit der Wahrnehmung der Botschaft, wenn kein Markenbewußtsein vorhanden war.

P

PQ/N.A.A.

:

Wahrscheinlichkeit des Gewinns an spontanem Markenbewußtsein nach Wahrnehmung der Botschaft, wenn bei entsprechenden Hinweisen eine Markenerinnerung gegeben war.

PG/N.N.A.

:

Wahrscheinlichkeit des Gewinns an spontanem Markenbewußtsein nach Wahrnehmung der Botschaft, wenn kein Markenbewußtsein vorlag.

Wenn I S . A . > I A . A . und I N . A . bekannte Wahrscheinlichkeiten des spontanen Markenbewußtseins, der (unterstützten) Markenerinnerung und einer fehlenden Markenkenntnis eines bestimmten Verkaufsobjekts darstellen, so ergibt sich die Wahrnehmungswahrscheinlichkeit einer Werbebotschaft PN wie folgt: P

N

=

P

N/S.A. 'S.A.

+

P

N/A.A. !A.A.

+

P

N/N.A. IN.A.

·

Damit sind zur Problemlösung nur vier Parameter zu bestimmen. Obwohl es relativ einfach ist, diese Größen aufgrund der Ergebnisse einer empirischen Erhebung abzuschätzen, wurde im vorliegenden Falle aus Zeitmangel entschieden, den Parameter .unterstützte Markenerinnerung' nicht gesondert zu untersuchen. Da zwischen den Werten dieses Parameters und dem spontanen Markenbewußtsein ein enger Zusammenhang gegeben ist, ist eine Analyse jedoch dann in jedem Falle sinnvoll, wenn die Einstellungen einer repräsentativen Auswahl von Reifenbenutzern regelmäßig erhoben werden. — Beurteilung von Werbebotschaften Nachdem die allgemeine Kommunikationsstruktur des zugrundeliegenden Systems spezifiziert worden war, erfolgte die in Abb. 71 beschriebene Modellierung des Werbewahrnehmungsprozesses, um daraus Folgerungen für die inhaltliche Gestaltung von Botschaften der Kommunikationspolitik und damit des Markenimages abzuleiten. Zu dem wiedergegebenen Modell sei bemerkt, daß die vorstehend dargestellten Werbeberührungscharakteristika nur bei Bedarf berechnet wurden. Die Beurteilung konkurrierender Werbebotschaften (in bezug auf Größe, Farbe und Wirkung) erfolgte im Hinblick auf den Gewinn an freier Neigung gegenüber der Marke. Da die freien Neigungen aus dem Markenbewußtsein und den Assoziationen resultieren, die sich mit den Marken verbinden, mußten bei dem Berechnungsgang alle aufeinanderfolgenden Phasen der Bewußtseinsbildung (Werbeberührung, Wahrnehmung, Assimilation) durchlaufen werden.

Abb. 71 : Mikrostruktur des Imagebestimmungsprozesses

Input: Nachricht M über Marke X in Werbung S

Verwende ReifenbenutzerDatei, um alle k mit E k i = 0 zu unterdrücken

I _J Π I I

ι

Individuen mit E„, = 1 (II) Unterteilung nach Geschlecht

Wenn gewünscht, Berechnung der Charak- I teristika für individuelle Haltungen (vgl. vorne) Nicht zwingend notwendig für das Folgende!

Männer

11.1

Frauen 11.2.

Zufällige Auswahl aus der weiblichen und männlichen Bevölkerung gemäß den entsprechenden Wahrnehmungs· Wahrscheinl ichkeiten

Modifikation des Bewußtseins und der Assoziationen von Marken

Männer

(I) + 11.1.2. + 11.2.2. + II 1.2.2.

Frauen

Männer ohne Aufmerksamkeitswirkung II.1.2.

Männer mit Aufmerksamkeitswirkung 11.1.1.

Aufmerksamkeit*Wirkung

Aufmerkwirkung 11.2.2.

i _

Männer und Frauen „zusammenfügen" 11.1.1. + 11.2.1. = III

Zufallsauswahl, um Individuen mit einem Zuwachs an Markenbewußtsein zu bestimmen

kein Zuwachs Zuwachs

III.2.2.

I I I aufteilen in: Individuen 111.2. mit keinem früheren spontanem Bewußtsein von X

Individuen 111.1. mit früherem spontanem Bewußtsein von X

II 1.2.1. Assimilations-Vorgang (I.Schritt) Zusammenfügen III.1. + 111.2.1. = I V Bestimmung der Assimilations-Wahrscheinlichkeit jedes Individuums und Zufallsauswahl, um zu entscheiden, ob assimiliert wird oder nicht

Spontanes Bewußtsein von X (früheres oder neues) keine Modifikation der Images IV.1.

I V aufteilen in:

IV.1. keine Assimilation

Spontanes Bewußtsein von X (früheres oder neues) Keine Modifikation der Images IV.2.

IV.2. Assimilation

Assimilations-Vorgang (2. Schritt) Beschränken auf IV.2. und für jedes Individuum k: Beseitigung der Nichtübereinstimmung von M's-Wirkungen und k's-Assoziationen gegenüber X , Entscheidung über neues Image für X .

Aggregation aller Individuen und neue Bewertung des Markenbewußtseins gegenüber X . Vergleich mit Vorherigem und Differenz als Bewertung von M's-Wirksamkeit ansehen.

4.2 Spezifikation der Mikiostruktui des Modells

205

4.2.4 Datenbedarf

Der Datenbedarf für das gekennzeichnete Modell-System war nicht so umfangreich, wie bei der Darstellung und Kritik von detailanalytischen Ansätzen gemeinhin angenommen wird. Zunächst einmal war bereits entsprechendes Sekundärmaterial vorhanden, welches zur Analyse und Beschreibung der Struktur und des Verhaltens der Reifenbenutzer, Einzelhändler und Großhändler dienen konnte. Diese Daten mußten lediglich auf den neuesten Stand gebracht werden. Spezielle Studien waren demnach nur erforderlich, um die Erfahrungen, Einstellungen und Entscheidungsprozesse der Marktpartner zu bestimmen. Nachfolgend werden die Inhalte der drei wichtigsten Auswertungen skizziert.

Untersuchung der

Reifenbenutzer

— Individuelle demographische und ökonomische Charakteristika: Alter, Beruf und sozialer Status, Geschlecht, Marke und Type des gefahrenen Wagens, Alter des Wagens, jährliche Kilometerleistung, Art der Reisen, gefahrene Straßen usw. — Bewußtsein, Einstellungen und Assoziationen gegenüber den Verkaufsstellen: Bewußtsein von den Verkaufsstellen, gewünschtes Profil eines Reifengeschäftes, spontane Assoziationen, die sich mit den verschiedenen Typen von Verkaufsstellen verbinden. — Bewußtsein, Einstellungen und Assoziationen gegenüber den verschiedenen Reifenmarken: Bekanntheit der Typen und Marken, (gedankliches) Idealprofil eines Reifen, spontane Assoziationen, die sich mit jeder Reifenmarke verbinden. — Beschränkungen, denen der Reifenbenutzer unterliegt: Reifenausstattung des Fahrzeugs, zeitliche Verzögerungen von Kaufentscheiden, Reifenerneuerungsumstände, durchschnittliche Kilometerleistung der Reifen, Marken, die in jedem Falle abgelehnt werden, Beharrungsvermögen bzw. Tendenz, dieselben Reifen zu verlangen, die auf dem Wagen gewesen sind, möglicher Einfluß des Verkäufers usw. — Berührung durch Massenmedien: Fernsehen (Kanäle, wöchentliche Frequenz, tägliches Sehen, Einschaltungsquerschnitt, Haltung gegenüber der Fernsehwerbung), Hören von Rundfunksendungen (analoge Informationen zum Fernsehen, wobei das Radiohören im Auto hinzukommt), Zeitschriften und Zeitungen (Kaufhäufigkeit, Zeit, die zum Lesen jeder Zeitschrift oder jeder Gruppe von Zeitungen aufgewandt wird), Außenwerbung entlang den Straßen usw. — Verschiedene weitere Informationen: Sie werden nur bei Bedarf in das System integriert.

4. Gestaltung eines umfassenden Marketing-Modells

206

Untersuchung

der

Einzelhändler

— Individuelle demographische und ökonomische Charakteristika: Art der Verkaufsstelle (Automarke und Autoverkauf für Autohändler, Benzinverkauf für Mineralölgesellschaften usw.), Reifenabsatz, Reifenlager, eigene Lagerbestände, Entfernung von der Herstellerlagern usw. — Einstellungen gegenüber dem Reifenverkauf: Aktivität im Reifengeschäft verglichen mit anderen Geschäftstätigkeiten, Serviceleistungen, die mit dem Reifenverkauf zusammenhängen (Aufziehen der Reifen, Auswuchten der Räder, Ausrüstung für frontangetriebene Wagen usw.), Aktivitäten, die noch entwickelt werden müssen, Preisnachlässe, Rabattarten (kostenloses Aufziehen der Reifen usw.). — Einstellung gegenüber den Reifen: Relevante Kriterien für den Reifenverkauf und die Klassifikation der verschiedenen Reifenmarken in bezug auf jedes Kriterium, Assoziationen, die sich mit jedem Reifen bezüglich Qualität, Lebensdauer, Griffigkeit usw. verbinden. — Einstellungen gegenüber den Lieferquellen: Relevante Kriterien bei der Wahl von Lieferquellen, Assoziationen, die sich mit den Großhändlern und Herstellern verbinden. — Stellung gegenüber den Kunden: Spontane Nachfrage von Seiten der Kunden, Annahme von Ratschlägen durch die Kunden, Förderung bestimmter Marken, persönliche Beziehungen usw. — Verschiedene Beschränkungen: Vertriebsabkommen mit den Reifenherstellern, Verkauf von Marken der Mineralölgesellschaften (bei Tankstellen) usw.

Untersuchung

der

Großhändler

— Demographische und ökonomische Charakteristika: Umsatz, Umsatzstruktur (Pkw-Reifen, Lkw-Reifen und Reifen für landwirtschaftliche Fahrzeuge), Umsatzaufteilung im Hinblick auf die Kunden (Reifenbenutzer, Garagen, Tankstellen, Warenhäuser, Einkaufszentren, Autohändler), Dienstleistungen, Lagerbestände pro Marke, Rabattbedingungen. — Einstellungen gegenüber den Herstellern: Entscheidungskriterien für den Verkauf bestimmter Marken, Klassifizierung der Hersteller nach diesen Kriterien. — Einstellungen gegenüber den Reifenbenutzern: (die gleichen Informationen wie bei den Einzelhändlern) — Stellung gegenüber den Einzelhändlern: Umfang der Eillieferungen und regulären Lieferungen, Bestimmtheit und

4.3 Modelltest und -Validierung

207

Dringlichkeit der Nachfrage, Verkaufsbemühungen für Marken und Erfolg dieser Förderung. — Individuelle Beschränkungen: Mitgliedschaft bei Wirtschaftsgruppierungen, Restriktionen bezüglich der Lieferfähigkeit, Unternehmens- und Vertriebsstrategien. Verschiedene weitere erforderliche Informationen wurden von dem Management des Reifenproduzenten zur Verfügung gestellt. Sie betrafen u. a. Daten über die Werbung (Werbebudget, Wahrscheinlichkeit, daß — entsprechend den Werbecharakteristika — eine Werbung registriert wird, Assimilationsprofile usw.), die ursprüngliche Ausrüstung von Fahrzeugen (Reifenmarken bei verschiedenen Automarken), den Außendienst und die Standorte der Herstellerlager, das Sortiment, die technischen Merkmale der Produkte, die Kosten (wie Kosten der Originalausrüstung pro Wagenmarke, Vertriebskosten usw.) u. v. a. m. Die erfaßten Daten wurden in einer Datenbank gespeichert. Die Abb. 72 und 73 stellen den Inhalt und die Struktur dieser Datenbank dar.

4.3

Modelltest und -validierung

Bei dem Austesten des Modell-Systems richtete sich das Augenmerk zunächst auf dessen Lebensfähigkeit, d . h . die Fähigkeit, unter plausiblen Ausgangsbedingungen und Parameterwerten Verhaltensweisen der Marktpartner auch in der Zukunft zu generieren. Zweitens wurde die Stabilität der gefundenen Lösung getestet, d. h. insbesondere jener Variablen und Prozesse, die sich in der Realität durch eine relative Stabilität auszeichnen. Die dritte Art von Tests analysierte die Übereinstimmung zwischen dem Modellverhalten und den tatsächlichen, in dem Firmenmarkt gegebenen Verhaltensstrukturen. Derartige Konsistenztests untersuchten zum einen, inwieweit das dem Modell zugrundeliegende Annahmensystem mit bekannten Tatsachen übereinstimmte und zum anderen die interne Abstimmung der Modellelemente (mittels Sensitivitätsanalyse). Nachdem die Vergangenheitsentwicklung auf der Basis von historischen Daten mittels des Modells korrekt, d.h. entsprechend den tatsächlich eingetretenen Ereignissen simuliert worden war, wurden Vorhersagen des zukünftigen Absatzes der verschiedenen Reifenmarken angestellt. Das Modell erlaubte dabei Prognosen über einen Zeitraum von fünf bis acht Jahren. Die Qualität der Vorhersagedaten war dabei sehr schwierig zu beurteilen. Exakte Werte sind bei Langfristprognosen i. a. kaum erreichbar, so daß sich die Frage stellte: Wie genau müssen Prognoseergebnisse sein, damit man das zugrundeliegende Modell als ,gut' bezeichnen kann? Zumindest eine Teilantwort auf diese Frage wurde im vorliegenden Falle von den Modellbenutzern, dem Marketing-Management, gegeben. Die Tatsache, daß die Führungskräfte die Voraussagen des Modells in ihre Entscheidungsprozesse einbezogen, läßt Rückschlüsse

208

4. Gestaltung eines umfassenden Marketing-Modells

Abb. 72: Untersuchungen bezüglich der Eingaben in das Modell-System Verwendung im Modell

Analysierte Kunden

Gegebene Quantitäten

Untersuchte Themen

Großhändler, Absatzmittler (Quoten nach Umsätzen und Standorten)

150 Befragte • 32 Fragen • 320 Antworten auf Interviews (elementare Informationen) • 4 8 0 0 0 Grunddaten

Marken-Image (Haltungen gegenüber Herstellern) • Technik • Wirtschaftlichkeit • Logistik • Finanzen • Erfolgsträchtigkeit • Umsatzfördernde Einrichtungen • Einfluß der Erstausrüstungen • Beziehungen: PKW/Lkw Pkw/ Landwirtschaft) ich e Fahrzeuge Haltungen gegenüber Reifenbenutzern Haltungen gegenüber Einzelhändlern Verschiedene Einschränkungen

Verkaufsbedingungen Dringlichkeit der Nachfrage Markenimage Vorliebe für gewisse Marken Förderungsverhalten Lieferverhalten (auf die Marke bezogen)

Einzelhändler (Quoten nach Verkaufsstellentypen und Mineralölmarken)

300 Befragte 50 Autohändier 100 Garagen 130 Tankstellen 20 Auto-Zentren • 10 Fragen • 380 Antworten auf Interviews • 114000 Grunddaten

Interesse am Reifenverkauf Haltungen gegenüber Marken Haltungen gegenüber Lieferquellen Haltungen gegenüber Reifenbenutzern Verschiedene Einschränkungen

Verkaufsbedingungen Dringlichkeit der Nachfrage Markenimage Vorliebe für gewisse Marken Förderungsverhalten Markenverfügbarkeit Lieferquellen (auf die Marke bezogen)

Reifenbenutzer (Quoten nach besessenem Automobil, sozialem Status, Geschlecht und Alter)

1000 Befragte • 52 Fragen • 450 Antworten auf Interviews • 4 5 0 0 0 0 Grunddaten

Haltungen gegenüber Verkaufsstellen Haltungen gegenüber Marken Einschränkungen Erfassung durch Medien der Kommunikationspolitik

Alle Kauf Wahrscheinlichkeiten (frei oder bedingt) bezüglich: • Marken • Verkaufsstellen Bedingte Neigungen bezüglich: • Marken • Verkaufsstellen . Aufgeschlossenheit für Markenförderung Kommunikationsparameter (Ausgesetztsein, Wahrnehmung und Assimilation)

4.3 Modelltest und -Validierung

209

Abb. 73: Die Datenbank und die Wechselbeziehungen zwischen den einzelnen Dateien

Regelmäßiges .Updating' gemäB der Geschäftspolitik, insbesondere im Hinblick auf die Entscheidungen der Konkurrenten

darüber zu, daß die Modellergebnisse durchaus als vernünftig und annehmbar erachtet wurden. Die Phase des Testens und der Validierung wies fünf verschiedene Schwerpunkte auf: (1) Aufstellung von Funktionen (2) Festlegung der Parameterwerte

210

4. Gestaltung eines umfassenden Marketing-Modells

(3) Test des simulierten Individualverhaltens der Reifenbenutzer (4) Test des simulierten aggregierten Verhaltens der Reifenbenutzer (5) Leistungsanalyse des gesamten Modell-Systems

4.3.1 Aufstellung von Funktionen Während dieser Teüphase wurde geprüft, wie das Verhalten der Marktpartner in seiner Richtung durch deren Attribute bestimmt wird. Die hier beispielhaft betrachteten Funktionen sind: — Auswirkungen von Einstellungen der Reifenbenutzer auf den Kauf von Reifen — Auswirkungen von Einstellungen der Reifenbenutzer auf die Assimilation von Werbebotschaften. Die erstere Gleichung des Reifenbenutzer-Modells bestimmt die Wahrscheinlichkeit, mit der Einstellungen gegenüber Marken den Kauf beeinflussen. In dem Modell wurde eine positive Korrelation zwischen den Reifenbenutzereinstellungen und den Reifenkäufen unterstellt. Die angenommene Funktion basierte auf einer Analyse deijenigen Reifenbenutzer einer Repräsentativauswahl, welche kürzlich eine der in Abb. 74 aufgeführten Reifenmarken erworben hatten. Das Erhebungsverfahren wurde weiter oben dargestellt. Die Form der in dem Schaubild gekennzeichneten Kurve ergab sich aufgrund von 1200 Interviews, die im Oktober 1972 in Frankreich durchgeführt wurden. Abb. 74: Auswirkungen der Reifenbenutzereinstellungen auf den Absatz der Reifenhersteller

Einstellungen

Die Werbeassimilationsfunktion wurde auf ähnliche Art verifiziert. Dabei wurde angenommen, daß die Wahrscheinlichkeit, mit der die Reifenbenutzer eine Werbebotschaft assimilieren als Funktion ihrer Einstellungen gegenüber den Werbeappellen der Botschaft dargestellt werden kann. Entsprechende Daten wurden wiederum mittels Befragungen erhoben, wobei die Reifenbenutzerhaltungen gegenüber den produktspezifischen Merkmalen (und damit den möglichen Stimuli) festgestellt wurden. Nach der Aussendung von Werbe-

4.3 Modelltest und -validierung

211

botschaften wurde mittels Markttests die Annahme bestätigt, daß die Assimilationswahrscheinlichkeiten der Inhalte direkt von den Einstellungen der Reifenbenutzer gegenüber den Appellen der Werbung abhängen. Die Ergebnisse dieser Testserien sind in der Abb. 75 zusammengestellt. Abb. 75: Auswirkungen von Werbeappellen auf die Assimilation von Botschaften

Haltung gegenüber Werbeappellen

Hat ein Reifenbenutzer den Inhalt einer bestimmten Werbebotschaft assimiliert, dann kann er positiv, negativ oder indifferent auf die darin enthaltenen Appelle reagieren. Das grundsätzliche Problem besteht nun darin, festzustellen, wie der Reifenbenutzer seine Haltung gegenüber der Reifenmarke aufgrund der Werbeassimilation ändert. Da in dem Modell die Haltung des Reifenbenutzers durch die Größen .Einstellungen' und .Markenbewußtsein' definiert ist, reduziert sich die Frage eines Wechsels der geistigen Orientierung darauf, ob und wie die Werbebotschaft die Einstellungen gegenüber der Marke bzw. das Markenbewußtsein verändert. Die Entscheidungs- bzw. Reaktionsfunktion wurde in dieser Hinsicht durch die erwähnten Untersuchungen intensiv getestet. Dabei wurde beträchtliche Zeit darauf verwandt, die Beziehungen zwischen den Orientierungsvariablen, Einstellungen sowie dem Markenbewußtsein und verschiedenen Aspekten des Reifenbenutzerverhaltens zu erforschen.

4.3.2 Festlegung der Parameterwerte Nach der Aufstellung der Funktionsgleichungen wurden die Modellparameter festgelegt. Durch die Bevölkerungsparameter des untersuchten Marktes wurde die gegebene Verteilung der spezifischen Attribute unter den einzelnen Reifenbenutzern wiedergegeben. Für diesen Zweck standen Daten aus 1200 Interviews einer Repräsentativauswahl zur Verfügung. Die ursprüngliche Verteilung der Einstellungen gegenüber den einzelnen Reifenmarken wurde bestimmt, als die Auswirkungen der Attribute auf die Kaufentscheide untersucht wurden. Die Abb. 85 zeigt die Einstellungen jener Reifenbenutzer, welche eine bestimmte Meinung zu den verschiedenen Reifenmarken äußerten. In ähnlicher Weise wurde die Haltung der Reifenbenutzer gegenüber Werbeappellen ermittelt, indem Daten zugrundegelegt wurden, die sich bei der Bewertung der Effekte von Werbestimuli auf den Assimilationsprozeß ergaben. Die entsprechende Verteilung ergibt sich aus Abb. 84.

212

4. Gestaltung eines umfassenden Marketing-Modells

4.3.3 Test des simulierten Individualverhaltens der Reifenbenutzer Während der darauffolgenden Testphase wurden die Arbeitstechniken der Sektormodelle untersucht, um zu analysieren, ob das generierte Individualverhalten mit dem Verhalten der einzelnen Individuen der Marktrealität übereinstimmte. Ein Untersuchungsbeispiel dieser Art ist in der Abb. 7 6 gekennzeichnet. Das vom Reifenbenutzer-Modell erzeugte .Protokoll Nr. 1' gibt einen detaillierten Überblick über die Merkmale eines repräsentativen Reifenbenutzers. Alle für die Simulation des Individualverhaltens benötigten Informationen wurden für eine bestimmte Woche zusammengestellt (und beziehen sich — laut Protokoll - auf die 3 2 . Woche des Jahres). Aus dem Bericht geht hervor, daß der Reifenbenutzer 0 9 5 6 in Paris wohnt, zwischen 35 und 45 Jahren alt ist, ein Einkommen von 5 0 0 0 0 - 8 0 0 0 0 Francs p . a . aufweist, daß er Michelin-Reifen an seinem Citroen DS Modell 1 9 7 0 fahrt, daß er vorzugsweise bei Großhändlern, Garagen und Supermärkten Reifen kauft, daß er das Magazin L ' E X P R E S S und die Zeitungen L E MONDE und L E F I G A R O liest und daß er im allgemeinen dem Programm des Kanals 2 des Fernsehens zwischen 18 und 2 0 Uhr zusieht. 0 9 5 6 hat bestimmte Einstellungen bezüglich 2 0 Produkteigenschaften, 2 0 Appellen, 3 Reifenmarken — Michelin, Kleber und Dunlop — und 6 verschiedenen Verkaufsstellentypen. Der höchste produktspezifische Präferenzwert ergibt sich z . B . bei dem Merkmal 19 mit + 5 , die höchste Anziehungskraft hat der Appell 12 ebenfalls mit + 5 . Ferner hat 0 9 5 6 Präferenzen für die Verkaufsstelle 6 und ihm sind die Reifenmarken 1, 3 und 4 bekannt. Die ,Markenassoziationen* kennzeichnen das Markenimage in den Augen von 0 9 5 6 : Die Marke 1 zeichnet sich z . B . durch die Charakteristika 4 , 12 und 19 und die Appelle 2 und 9 aus. Aus dem Abschnitt des Berichts über die Werbeberührung geht hervor, daß in der betreffenden Woche 3 2 in vier Medien geworben wurde (bis zu 12 Medien können wöchentlich in die Simulation einbezogen werden). Der Reifenbenutzer 0 9 5 6 war dem Medium 3 nicht ausgesetzt, da er — wie oben erläutert — zu diesem Medium keinen Zugang hatte. Als Leser der Zeitung 4 wurde er durch die Werbung in diesem Medium zwar berührt, er nahm jedoch nur die Anzeige 13 für die Marke 1 zur Kenntnis. Aus dem Protokoll ergibt sich, daß sich der Werbeinhalt dieser Anzeige auf die Produktcharakteristika 13 und 3 richtete (Gewichte 3 und 2). Analoge Vorgänge ergeben sich bei den Medien 7 und 15. Schließlich wird in dem Schlußteil des Berichts beschrieben, daß sich der Reifenbenutzer 0 9 5 6 aus Anlaß seiner Urlaubsreise (Bedingungskonstellation 2) für den Kauf von Reifen der Marke 1 (Michelin, Wahrscheinlichkeit 0 , 8 ) bei einer Verkaufsstelle des Typs 3 (Garage) entschied. Der Absatzmittler versuchte nicht, den Käufer zu beeinflussen, d. h. er favorisierte bei seinen Verkaufsbemühungen keine anderen Marken. Die letzte Protokollzeile zeigt, daß bei diesem Status der Simulation des Verhaltens des Reifenbenutzers 0 9 5 6 die Woche 3 2 endete.

4.3 Modelltest und -Validierung

213

Abb. 76: Protokoll Nr. 1 - Simuliertes Verhalten eines individuellen Reifenbenutzers Unzutreffende Zahlen Simulation G.4. Testlauf Oktober 1972 — Reifenbenutzer 0956, 32. Woche - Datum — Report-Monitor spezifiziert — Charakteristische Region: Paris, Alter: 35—45, Einkommen: 50—80 Κ — In Besitz befindliche Marke: (1) M I C H E L I N Typ X A S — In Besitz befindliches Automobil: C I T R O E N DS 1970 — Verkaufsstellen-Präferenz: (1) Großhändler, (3) Garage, (5) Supermarkt — Vorhandene Medien: (1) E X P R E S S , (4) L E MONDE, (6) L E F I G A R O , Fernsehen Kanal 2: 18 bis 20 Uhr — Haltungen: 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 . . . — Produktcharakteristik: 0 +1 +4 +3 +0 +3 - 2 +1 + 2 + 1 0 0 + 4 1 +3 - 3 0 +2 +5 +2 Anziehungskraft: +1 +4 - 1 0 - 2 + 3 0 +4 - 2 0 - 3 + 5 - 0 0 3 -2 - 2 + 1 - 0 - 0 Verkaufsstelle: +2 - 3 +1 +2 - 1 +4 Bewußtsein: 10 1 10 0 0 0 — Markenassoziationen: Marke 1: Charakteristik 4, 12, 19; Anziehungskraft: 2 , 9 Marke 2: Charakteristik 8, 10; Anziehungskraft: 6, 11 — Werbemediaaussetzung eingeleitet — Medium 003 erscheint in der 32. Woche — nicht ausgesetzt — Medium 004 erscheint in der 32. Woche • Anzeige 019, Marke 3 ausgesetzt — keine Kenntnis genommen • Anzeige 013, Marke 1 ausgesetzt + Anzeige 013, Marke 1 zur Kenntnis genommen — Inhalt folgt + Produktcharakteristik: 13 Ρ = 3, 3 Ρ = 2 + Anziehungskraft: 3 P = 2, 5 P = 2, 9 P = 2 — Medium 007 erscheint in der 32. Woche — nicht ausgesetzt — Medium 015 erscheint in der 32. Woche • Anzeige 005, Marke 2 ausgesetzt + Anzeige 005, Marke 3 zur Kenntnis genommen — Inhalt folgt — Kaufentscheidung positiv: Marke 1: Ρ 0,8 (starkes Bedürfnis festgestellt) Marke 3: Ρ 0,1 Marke 4: Ρ 0,1 — Bedingungskonstellation 2: Verkaufsstelle—3 gewählt: Ρ 0,8 — Keine Förderung in der Verkaufsstelle—3 — Reifenbenutzer 0956, Ende der 32. Woche — Reifenbenutzer 0457, 32. Woche — Datum

4.3.4 Test des simulierten aggregierten Verhaltens der Reifenbenutzer Der Test des simulierten aggregierten Verhaltens der Reifenbenutzer bezog sich auf das Verhalten aller 1200 Befragten der Repräsentativauswahl. Folgende Ergebnisse standen nach entsprechenden Modelläufen für die verschiedenen Marktsegmente zur Verfügung:

4. Gestaltung eines umfassenden Marketing-Modells

214

— Status des Markenbewußtseins für jede Reifenmarke — Verteilungen der Einstellungen gegenüber Produktcharakteristika und Appellen — Imageveränderungen für jede Reifenmarke — Marktanteile bzw. Veränderungen des Absatzes der einzelnen Reifenmarken Beispiele des Modell-Outputs werden weiter unten (Abschnitt 4 . 4 ) dargestellt.

4.3.5 Leistungsanalyse des gesamten Modell-Systems Die Einführung einer neuen Reifentype gestattete es, die Leistungsfähigkeit des gesamten Modell-Systems an einem praktischen Beispiel zu erproben. Bei den Testläufen wurde nach den eingangs erwähnten Kriterien der Lebensfähigkeit, Stabilität und Konsistenz das System geprüft. Sodann wurde eine Analyse bezüglich der vom Management des Reifenherstellers spezifizierten Benutzererfordernisse und der beabsichtigten Systemanwendungen durchgeführt. Erste Tests konzentrierten sich dabei auf eine qualitative Bewertung der Sinnhaftigkeit der Ergebnisse des Reifenbenutzer-Modells im Zeitablauf. Die Systembewertung durch das Management stützte sich ferner wesentlich auf vergleichbare Resultate, die mittels Aggregation des simulierten Individualverhaltens der Reifenbenutzer bezüglich des Absatzes der einzelnen Reifenmarken bzw. deren Marktanteile und der Bestimmung von Markenimages in verschiedenen Marktsegmenten erzielt wurden. Die Abb. 77 kennzeichnet die Abweichungen der Marktanteile, die mittels Simulation bei dem obigen Beispiel abgeleitet wurden, von den tatsächlich beobachteten Marktanteilen einzelner Reifenmarken. Die gesamte Fehlersumme zwischen simulierten und tatsächlichen Marktanteilen betrug bei neun untersuchten Reifenmarken 4 , 8 % , der durchschnittliche Fehler betrug 0,5%. Abb. 77: Abgeleitete Marktanteile gegenüber tatsächlich beobachteten Marktanteilen Unzutreffende Zahlen Marken A Β C D E verschiedene „ k l e i n e Marken" (4 M a r k e n )

Abgeleiteter M a r k t a n t e i l

Beobachteter M a r k t a n t e i l

%

%

20,5 9,3 40,5 19,7 6,2

19,5 10,0 41,0 19,0 5,5

3,8

5,0

Eine letzte Serie von Leistungstests konzentrierte sich auf das Ausmaß der Übereinstimmung zwischen den tatsächlich in der Vergangenheit erzielten und den mittels Simulation der historischen Daten vorhergesagten Marktanteilen

4.4 Modellbewertung

215

der einzelnen Reifenmarken innerhalb des gesamten Zeitraums, der von der Simulation abgedeckt wurde. Der Maximalfehler der Prognose betrug bei keiner Marke mehr als 1,5%.

4.4

Modellbewertung

Nachfolgend wird der Output des Modell-Systems auszugsweise dargestellt, und es werden die Ergebnisse im Hinblick auf die Ziele der Modellentwicklung bewertet. Ausgangspunkt ist hierfür eine Skizzierung der zu lösenden Grundsatzprobleme.

4.4.1 Grundsatzprobleme Die Abb. 78 gibt nochmals einen Überblick über mögliche Marketing-Maßnahmen des Reifenherstellers. Durch die Werbung über Massenmedien kann er die Präferenzen (.freie Neigungen') der Reifenbenutzer zugunsten seiner Marke intensivieren, und durch besondere Absatzbemühungen auf dem Gebiet der Erstausstattung von Neufahrzeugen kann ebenfalls eine Beeinflussung der Reifenbenutzer erfolgen. Die dadurch erreichbare Bedingungskonstellation führt bei zukünftigen Reifenkäufen in den Verkaufsstätten zu einer verstärkten spontanen Nachfrage nach den ursprünglich aufgezogenen Reifen. Schließlich kann der Hersteller durch Werbung am ,Point of Sales', durch Verkaufsförderung und durch seinen Außendienst den Markt beeinflussen; wichtige derivative Effekte ergeben sich dabei aus der Funktionsleistung der Absatzmittler (insbesondere der Förderung bestimmter Marken und der Bevorratungsfunktion). Zweck der Modellierung des gekennzeichneten Marketing-Systems konnte es nicht sein, ein absolutes Optimum des Marketing-Mix zu erreichen. Wie in Kapitel 1 erwähnt, ist eine derartige Zielsetzung nur mittels analytischer Methoden theoretisch erreichbar. Deren Anwendung verbot sich jedoch im vorliegenden Falle, da derartige Lösungstechniken im allgemeinen mit detailanalytischen Ansätzen nicht vereinbar sind. Eine eventuell denkbare Suboptimierung einzelner Instrumente schien wegen der engen Zusammenhänge zwischen den skizzierten Wirkungskomponenten ebenfalls nicht sinnvoll. So war es z.B. kaum vorstellbar, die Präferenzen der Absatzmittler für eine Herstellermarke zu verstärken, wenn die Einkaufsneigungen der Reifenbenutzer gegenüber dieser Marke sehr niedrig lagen. Diese wurden wiederum durch die Originalausrüstungen ihrer Fahrzeuge maßgeblich beeinflußt — so daß ein Außerachtlassen dieser Beziehungen nicht in Betracht kam. Ferner war zu befürchten, daß der Einsatz analytischer Methoden möglicherweise zu diskontinuierlichen Lösungen führen könnte, bei denen starke Unterschiede zwischen der freien, spontanen und modulierten Nachfrage sowie der modulierten Nachfrage und

216

4. Gestaltung eines umfassenden Marketing-Modells

4.4 Modellbewertung Abb. 79: Simulation der Kommunikationsstrategie (Werbung über Massenmedien)

217

Abb. 80: Simulation der Strategie bezüglich der Original-Reifenausrüstung

Οι

(Lauf über einige Jahre)

Datei für verschiedene Informationen: — Reifenzahl — Originalaus· rüstung — Kosten — etc. . . .

Reifenbenutzer· Datei

Für Reifenbenutzer, die mit der Marke bereits versehen sind, folgendes unverändert lassen: — freie Neigung gegenüber Marken — freie Neigung gegenüber Verkaufsstellen — Beschränkungen bezüglich Originalausrüstung und folglich bedingte Neigung gegenüber Marken je Verkaufsstelle Für Reifenbenutzer, die mit der Marke neu ausgestattet sind, folgendes unverändert lassen:

S .2» Ò fe

— freie Neigung gegenüber Verkaufsstellen, aber berechnen: — neue freie Neigung gegenüber Marken (gemäß Images, Erfahrungen und Vergleich mit obigen Verbrauchern) — neue Beschränkungen bezüglich festgelegter Originalausrüstungsstrategie — bedingte Neigung gegenüber Marken je Verkaufsstelle Integrieren beider Arten bedingter Neigungen gegenüber Marken je Verkaufsstelle.

ff

%

Belieferung der Einzelhändler durch Großhändler

Neue Lagerpolitik definieren

(Wechselwirkungs-Modell anwenden)

und Belieferung durch Hersteller ableiten

Belieferung der Einzelhändler durch ί

Lieferquellen-Modell anwenden)

Annahme: — unverändertes Verhalten der Einzelhändler bezüglich Nichtverfügbarkeit von Marken und Förderung von Marken Simulation gemäß Modell und ableiten: — neuen Absatz je Marke und Verkaufsstellentyp

ABLEITEN DER NEUEN M A R K T A N T E I L E DER M A R K E N (Vorhersage der Entwicklung durch aufein· anderfolgende Simulationsläufe)

Annahme: - unverändertes Verhalten der Großhändler gegenüber Reifenbenutzern

BelieferungsModell anwenden (bezüglich konkurrierender Marken)

Gemäß Modell simulieren und herleiten: - neuen Absatz je Marke

ABLEITEN DER HER STELLERUMSATZE

4.4 Modellbewertung

219

Abb. 81: Simulation der Verkaufsförderung durch die Absatzmittler und den Außendienst

220

4. Gestaltung eines umfassenden Marketing-Modells

221

4.4 Modellbewertung

dem Marktanteil gegeben sind. Da derartige Lösungen im vorliegenden Falle ferner in hohem Maße unstabil gewesen wären, schienen sie nicht brauchbar, um die dynamische Entwicklung des Absatzes des Reifenherstellers zweckgerecht abzubilden. Eine stetige, kurzfristig erreichbare Lösung war offensichtlich nur mittels einer integrierten Simulation in dem von der ,Task Force' abgesteckten Rahmen möglich. Die Abb. 79—81 kennzeichnen für die skizzierten drei Maßnahmenbündel die Strategien des Reifenherstellers, wie sie in den Modelläufen simuliert wurden. Die Simulationen erstreckten sich jeweils auf einen Realzeitraum von drei bis sechs Jahren, an dessen Ende finanzwirtschaftliche Ergebnisse abgeleitet wurden. Durch die Komprimierung der Resultate wurde erreicht, daß sie auch tatsächlich in die Entscheidungsprozesse des Marketing-Managements einbezogen wurden. In der Abb. 82 wird dargestellt, wie mittels des Modell-Systems Verteilungsprobleme gelöst werden können, die bei der Spezifikation der Makrostruktur (Kapitel 4.1) behandelt wurden. Das untersuchte Problem bezieht sich auf die integrative Strukturierung der Distribution des Reifenherstellers.

4.4.2 Simulationsergebnisse von Submodellen 4.4.2.1 Ebene der Reifenbenutzer In den Abb. 83—86 werden verschiedene Ergebnisse des ReifenbenutzerModells wiedergegeben. Sie kennzeichnen das Markenbewußtsein, das Idealprofil (Wunschbild) von Reifen, die spontanen Markenassoziationen und die freien Kaufneigungen der Reifenbenutzer. Abb. 83: Bekanntheit einzelner Marken beim Reifenbenutzer Unzutreffende Zahlen STUDY: UTILISATEURS (MARQUES) ENSEMBLE DES REPONSES NOTORIETE SPONTANEE PRODUIT

NIVEAU 1

NIVEAU 2

NIVEAU 3

1 2 3 4 5 6 7 8 9 20

174 • • • • • • • 4 41

341 • • • • • •

188

BRAND A BRAND Β BRANDO BRAND D BRAND E BRAND F BRAND G BRAND H BRAND I NE SAIT PAS

• 17 56

NOMBRE DE REPONSES 1002

NIVEAU 4 66

• • • • • • •

• • • • • • •

34 207

38 440

TOTAL 769

• • • • • • •

93

0/0 76.74

• • • • • • •

9.28

4. Gestaltung eines umfassenden Maiketing-Modells H OC UJ

< Q_ u) in CM r·»

Ζ Ζ UJ

ίο 2

M+

in o o io co oo oo co in to CSI «T CO' C-I

Ν

SCO© O)τ -O

co 00 CM

CM OO IN CO

Î CO +

r- in

oo

IN O) CM O

CM

CO

8CM1·». >-O COCM CM

CD (D »-

«-

LU

^ Ϊ TE O Ζ < Χ UJ Q O 2 U 00 < 2

O
Ζ LL O. 5 < z l CC 2 UJ O U J Ü O ° R O UJ H > UJ O

ss

luj => $ O

JE

Z 5 UJ O UJ -J 1 * U J

5 oc z | 5 ü OCO ΖO OCO oc o — OC NR < UJ O. i— TT

co oo

o co

co

in Oí Τ

8

-

k

co

?S

LU Κ w υ D Z tu X α LU — I3 ζ m -1 < o 00 — rr υ ω ω ^ ^ m Η> oc g d ι ïï Η Iii ¿ C3 CJ2 α: 5 _l < ΙΛ oc ο 9 O IE < αϊ α. < ω LL O_0- O

H lu, Ό
in oo

e*

r» oo

< - σι * co r» o

«co

3 co

o o i - co co

co ao

05 co

CD

r^COto ^ n

CM U1

Γ» CM

05 CM co

CM co

CO Tf co co « CM CM « -

115 OS

CM CO

IO

CM

τ— CM «-

CO

00 CO O

CM

H z UJ

Ï f CM 5 CM i n ώ r - CM

υ UJ >

η


UJ co co

α ¡z2 5 uj CL CC

£

to

LU Œ w I r - UJ O u j OC te UJ Q 3 3 Ω LU ï OC LU O - L ω X < co' O - J CE O O 3 7 OC UJ o i· α. oc τ O • ID CD

co co co oo

O CM «-

00 ·-

CM CD

in

in cm r-

00 t 00 co ID CM

cm co

O CO CM

o -a-

CM

UJ

< co > C/5 3 UJ Ζ CL UJ o < OC CD -¡

IO CM 00 > -

CM i n O OO ^ 00 05 05 C M C D C M C M ^ - C O C M C O

o

UJ CL 3 3 α O υ ζ cc o 3 CO UJ UJ UJ < I LU co UJ UJ 3 5= C/3 3 UJ CO UJ 3 LU CO 0 0 a i ο α _ j • υ o « o ; < CE O -¡ 3 UJ I— LU O Q X O CO 3 - CO Ö S UJ ÇD Ζ UJ ^ ^ 3 ° 1 Ζ < O Q. O UJ m < UJ OC i ü < ü; ο 2 l l ü CO CD I - O OC CL CL co Q co CO t ID CO t^ 00 05 O r Ν

^

CM o o csi CM

00 r« r Ο o ι— CM CN

CM

co

ω cc 3 Κ O >

o 05

CD O CM 05 r>;

Κ ^ Ν U Í U I 3 UJ Q Q Ο Ζ UJ O UJ oc < oc

00 OS g

UJ oc
~ < ζ O UJ lu2 co Uj UJ < a . LL s

t co Q LU iät-

υ < UJ1 LL . OC co" MI W t < > u ° S o i < s D OC P i l OC l ·Ι i _ OC co ο w ^ < ( - 3 LL oc Ç I L 3 UJ OC K < UJ UJ ζ LU Ζ I OC CL CL Q. UJ CM CO ^ ID CM CM CM CM

co UJ co ζ o CL UJ oc UJ Q UJ oc CD o ζ

232

4. Gestaltung eines umfassenden Marketing-Modells Ζ LU > UJ O

'S'S « β ±2 « bD "t3í gS


«