Marktforschung und Marketing Management: Computerbasierte Entscheidungsunterstützung [2., durchgesehene Auflage. Reprint 2018] 9783486786026, 9783486228779

Citation preview

Marktforschung und Marketing Management Computerbasierte Entscheidungsunterstützung Buch mit Diskette

Von Professor

Dr. Wolfgang Gaul und

Diplom-Informatiker Daniel Baier Zweite, durchgesehene Auflage

R. Oldenbourg Verlag München Wien

Die Deutsche Bibliothek — CIP-Einheitsaufnahme Gaul, Wolfgang: Marktforschung und Marketing-Management : computerbasierte Entscheidungsunterstützung / von Wolfgang Gaul und Daniel Baier. - 2., durchges. Aufl. - München : Oldenbourg, 1994 ISBN 3 - 4 8 6 - 2 2 8 7 7 - 3 NE: Baier, Daniel:

© 1994 R . Oldenbourg Verlag GmbH, München Das Werk außerhalb lässig und filmungen

einschließlich aller Abbildungen ist urheberrechtlich geschützt. Jede Verwertung der Grenzen des Urheberrechtsgesetzes ist ohne Zustimmung des Verlages unzustrafbar. Das gilt insbesondere für Vervielfältigungen, Übersetzungen, Mikroverund die Einspeicherung und Bearbeitung in elektronischen Systemen.

Gesamtherstellung: Huber KG, Dießen

ISBN 3-486-22877-3

V

Vorwort zur zweiten Auflage Nachdem unser Buch-Diskette-Projekt "MARKtforschung k, MARKeting MANagement" eine so positive Aufnahme am Markt gefunden hat, wurde bereits nach kurzer Zeit ein Nachdruck erforderlich. Inzwischen wird die auf der Diskette enthaltene PC-Version des M.ÄRX?M. AV-Systems an mehreren Hochschulen im Rahmen des Vorlesungsbetriebs bei Seminaren, Rechnerübungen und -praktika zu Themen wie Computergestützte Management-Hilfen oder Entscheidungsunterstützung in der Marktforschung und in der Marketing-Planung eingesetzt. An dieser Stelle möchten wir allen danken, die zu dieser erfreulichen Entwicklung beigetragen haben, insbesondere denen, die uns so viele positive Reaktionen und Hinweise auf interessante Einsatzmöglichkeiten haben zukommen lassen. Weiterhin gilt unser Dank dem Oldenbourg-Verlag - und hier vor allem Herrn DiplomVolkswirt Martin Weigert - für die wie immer gute Zusammenarbeit.

W. Gaul D. Baier

Vorwort zur ersten Auflage Die Beschäftigung mit Themen, die unter Betonung jeweils aktueller Aspekte "Möglichkeiten der Computerunterstützung ", "Rationalisierungspotential und -tendenzen im Arbeitsbereich durch Computereinsatz ", "Erwartungen in bezug auf zukünftige Rechnerleistungen und Bedienungskomfort " und verwandte Fragestellungen aufgreifen, haben die Entwicklung von Computern und zugehöriger Software stets begleitet und stoßen angesichts der Tatsache, daß ein "Vormarsch des Computers" in vielen Bereichen beobachtet werden kann, nach wie vor auf großes Interesse. Hinter schlagwortartigen Themen der genannten Art verbirgt sich eine Problematik, die unter Einbeziehung unterschiedlicher Schwerpunkte Ansatzmöglichkeiten für eine Vielzahl von Diskussionen - von der "Hochschule" bis

VI

Vorwort

zum "Stammtisch"- liefert. Schwerpunktthemen können sich dabei z.B. auf Hard- bzw. Softwareentwicklungen, Dezentralisation von

Rechnerlei-

stungen, Möglichkeiten in bezug auf technische A s p e k t e bei DatenHandling und Kommunikation, Eignung für unterschiedliche Einsatzgebiete und Anwendungsfelder oder Arbeitserleichterungs- und Entscheidungsunterstützungsmöglichkeiten beziehen, aber auch die B e t o n u n g negativer Aspekte, z.B. Gesundheitsschädigung, A u t o n o m i e v e r l u s t , Dequalifikationstendenzen, Kontrollmöglichkeiten sowie Fortbildungszwänge für gewisse "am Bildschirm tätige Personenkreise" bzw. für mit Computerunterstützung durchzuführende Aufgabenbereiche in den Vordergrund rücken. Eine Behandlung der Thematik "Computergestütztes Marketing" findet man in Gaul, Both (1990), wo z.B. neben Grundlagen zur Entscheidungsunterstützung und neueren Entwicklungen der entsprechenden Informationsund Kommunikationstechnologien sowie Informationsquellen für das Marketing vor allem informationsorientierte, modellorientierte und wissensorientierte A n s ä t z e als grundlegende Konzepte für ein c o m p u t e r g e s t ü t z t e s Marketing diskutiert werden. Im vorliegenden Buch wird selbstentwickelte Software - das M-A-TtK^M-AAf ( M A R K t f o r s c h u n g &¿ M A R K e t i n g M A N a g e m e n t ) - S y s t e m - vorgestellt, wobei Anwendungsmöglichkeiten aktueller Hochschulforschung und benutzerfreundliche

Umsetzung

von Problemstellungen

aus

Marktfor-

schung und Marketing für P C - A n w e n d u n g e n miteinander in Verbindung gesetzt werden. Zur schnellen Durchdringung der Thematik ist das Buch in vier Teile untergliedert, eine auf die Ausführungen im Buch a b g e s t i m m t e D i s k e t t e enthält eine (eingeschränkte) PC-Version von M.AKK?M.AM

und soll den Umgang mit

der Software erleichtern helfen und das Interesse an eignen computerunterstützten Auswertungen von Marktforschungs- und Marketinginformationen fördern. C E U S (Computerbasierte EntscheidungsUnterStützung) ist hier das in allen BuchTeilen verwendete Kürzel, das das Interessenumfeld andeuten soll, innerhalb dessen MARK.2MAN

mit seiner Zielsetzung einer Unterstützung von Entscheidungssi-

tuationen in Marktforschung und Marketing eingeordnet werden kann. Dabei werden - gemäß der Konzeption des Buches - im Rahmen von Anwendungsbeispielen Möglichkeiten aufgezeigt, wie mittels A4ATZIC2MAJ\i eine computergestützte Behandlung von Problemstellungen aus ausgewählten Teilbereichen von Marktforschung und Marketing-Planung ablaufen kann.

VII

Vorwort

Teil I stellt unter der Überschrift C o m p u t e r u n t e r s t ü t z u n g als Managem e n t - H i l f e in Kapitel 1 einen Uberblick über C o m p u t e r g e s t ü t z t e Entscheidungshilfen für Marktforschung und Marketing bereit und gibt in Kapitel 2 eine erste Einführung in das MA-TlK/iM *4A/*-System. Aus der Fülle von denkbaren Aufgabenstellungen für Marktforschung und Marketing mußte man sich bei der Auswahl von Entscheidungsunterstützungssoftware auf wichtige Anwendungsmöglichkeiten beschränken. Teil II behandelt ausgewählte Möglichkeiten der Entscheidungsunterstützung in der Marktforschung mittels M.A.TZ.K,2Ai.AÄf. Es werden grundlegende Einsatzsituationen für AiARK,2Ai

AA/" beschrieben, deren Kenntnis auch für

spätere Anwendungen in der Marketing-Planung hilfreich ist. In diesem Zusammenhang sind natürlich zu Beginn Problemstellungen zur Positionierung in Kapitel 3 und zur Segmentierung in Kapitel 4 und deren Implementation in entsprechender Software zu diskutieren. Daneben werden unter den Stichworten Präferenz in K a p i t e l 5 und Auswahl in Kapitel 6 wichtige Aspekte aus der K o n s u m e n t e n verhaltensforschung angesprochen und ihre U m s e t z u n g e n in die M.A-'R-K.2 M.AAf-Software erläutert. Für Teil III gilt ebenfalls, daß aus den schon genannten Gründen nur ausgewählte Problemstellungen mit zugehöriger Software berücksichtigt werden können. Unter der Überschrift Entscheidungsunterstützung in der Marketing-Planung m i t t e l s M.A.7LK2M.AM

wird in Kapitel 7 spezielle Marketing-Mix-Software

beschrieben, die nicht nur aus historischen Gründen Verbindungen zum im Decision-Calculus-Konzept

bekanntgewordenen B R A N D A I D - A n s a t z

auf-

weist. Ein sehr wichtiges Gebiet der Marketing-Planung ist die Neuprodukt-Einführung. Kapitel 8 ist unter der Überschrift Testmarkt verschiedenen Modellen der N e u p r o d u k t - E i n f ü h r u n g unter Testmarkt-Bedingungen gewidmet, während sich Kapitel 9 unter dem Titel Pre-Testmarkt mit N e u p r o d u k t - E i n f ü h r u n g unter Pre-Testmarkt-Bedingungen beschäftigt. Den Abschluß von Teil III bildet Kapitel 10, wo unter der Überschrift Portfolio neuere Portfolio-Ansätze und strategische A s p e k t e angesprochen werden. Für alle in den Teilen II und III beschriebenen Anwendungsmöglichkeiten werden ausgewählte Literaturhinweise angegeben, die die Bedeutung der behandelten Problemstellungen für Marktforschung und Marketing-Planung dokumentieren helfen. Eine Auflistung aller im jeweiligen Kapitel verwendeten Literaturhinweise wird am Ende jedes Kapitels bereitgestellt. In diesen Verzeichnissen findet man

Vorwort

VIII

auch jene Literatur, die im Vorwort oder in den einleitenden Bemerkungen zu den verschiedenen Buch-Teilen erwähnt wurde. Die im M-ATiX^M AA/"-System erfolgten Umsetzungen in entsprechende Software werden jeweils unter Zugrundelegung von B e i s p i e l - D a t e n erläutert. Es wird hierbei jeweils einführend auf die zugrundeliegende Entscheidungsituation, die benötigte Datengrundlage und die Methodik der Entscheidungsunterstützung eingegangen und die Struktur des entsprechenden Anwendungsmoduls von

M.ÄRX?M.ANerläutert.

Jedes der Kapitel 3 bis 10 der Teile II und III enthält zusätzlich einen U n t e r p u n k t A n w e n d u n g s b e i s p i e l e , in dem eine kurze Beschreibung praktischer Einsätze von MA7ZfC2MAJ\f

erfolgt. "Eilige" Leser, die nur an der K e n n t n i s u n d H a n d h a -

b u n g der S o f t w a r e interessiert sind, können sich auf Kapitel 2 in Teil I und die mit der Überschrift "Wie kann (können) das (die) Anwendungsmodul(e) bedient werden?" bezeichneten Abschnitte in den Kapiteln 3 bis 10 beschränken (was die Autoren bedauern würden, denn sie haben sich auch mit den übrigen Buchteilen viel Arbeit gemacht). Zum ersten Üben im Umgang mit M . A H X ^ M A N sind die Anwendungsbeispiele Zumindestens für C o m p u t e r - L a i e n unentbehrlich. Im fortgeschrittenen Stadium kann sich der Nutzer an ihnen orientieren, wenn er e i g e n e B e i s p i e l A n w e n d u n g e n durchprobieren will. In Teil I V muß man sich gemäß der Überschrift S c h l u ß b e m e r k u n g e n o d e r B e g i n n eigner computergestützter Behandlung individueller

Problem-

s t e l l u n g e n entscheiden, ob man es bei der bisherigen Kenntnis des

MA7DC2

jMAA/*-Systems belassen oder jetzt sein erworbenes Wissen bei der Auswertung eigener Daten vervollkommnen will. K a p i t e l 11 ist für eine B e s c h r e i b u n g d e r f ü r die A't.A7£/C 2 .A4«4A/'-Nutzung b e r e i t g e s t e l l t e n B e i s p i e l - D a t e n vorgesehen. An einigen dieser Daten kann man Veränderungen (Aufpassen!) vornehmen. K a p i t e l 1 2 gibt Hinweise auf die B e h a n d l u n g i n d i v i d u e l l e r P r o b l e m s t e l l u n g e n u n d S c h l u ß b e m e r k u n g e n , die man auch als A u s g a n g s p u n k t — n a c h erfolgter, erfolgreicher Beschäftigung mit

— für w e i t e r f ü h r e n d e

A k t i v i t ä t e n i m R a h m e n einer C o m p u t e r u n t e r s t ü t z u n g f ü r P r o b l e m s t e l l u n g e n a u s M a r k t f o r s c h u n g und M a r k e t i n g auffassen kann. Mit dem vorliegenden Buch werden m e h r e r e Z i e l s e t z u n g e n verfolgt: Durch die bereitgestellte Software und die Konzeption von J^A.A^R-Kp'M.AJ^f als " T a s t e n d r u c k - S y s t e m " soll erreicht werden, daß sich vor allem auch N i c h t C o m p u t e r - E x p e r t e n ohne Scheu mit den hier demonstrierten Möglichkeiten der

Vorwort

IX

Computernutzung bei Fragestellungen aus Marktforschung und Marketing auseinandersetzen. Diese Vorgehensweise birgt P r o b l e m e , auf die hier ausdrücklich hingewiesen werden soll, da durch T a s t e n d r u c k evtl. Outputs erzeugt werden können, die unterschiedliche Folgerungen bzgl. der zugrundeliegenden Sachverhalte und/oder der zur Auswertung benutzten Methoden und Modelle zulassen. Deshalb soll das Buch auch dazu dienen, A4ATZfC2A4 AV-Nutzer damit vertraut zu machen, daß für die behandelten Problemstellungen E n t s c h e i d u n g s u n t e r s t ü t z u n g durch erleichterte Bearbeitung von Anwendungssituationen und nicht E n t s c h e i d u n g s e r s a t z bereitgestellt wird. Als weiterer Punkt ist zu erwähnen, daß das Buch einen Einblick in diejenigen T e i l g e b i e t e a u s M a r k t f o r s c h u n g u n d M a r k e t i n g vermittelt, f ü r die in M.A.TLK, 2 M.AJ\f c o m p u t e r g e s t ü t z t e E n t s c h e i d u n g s h i l f e n a n g e b o t e n werden, und somit als A u s g a n g s p u n k t f ü r eigene v e r t i e f t e S t u d i e n in d e n beh a n d e l t e n P r o b l e m s t e l l u n g e n dienen kann. Schließlich soll M.ÄRX}M.Ahf dazu anregen, eigene c o m p u t e r g e s t ü t z t e B e h a n d l u n g e n individuell i n t e r e s s i e r e n d e r P r o b l e m s t e l l u n g e n durchzuführen. Dabei ist die zum Buch erstellte PC-Version auf "kleine" Probleme ausgelegt, wie man sie eher im Übungsbetrieb in den Hochschulen verwendet. Falls andere Dimensionierungen gewünscht werden, Problem Varianten von Interesse sind, oder aber neue Fragestellungen auftreten, ist eine Rückkopplung zu den Autoren erforderlich. Das Buch wendet sich einerseits an D o z e n t e n und S t u d e n t e n , die sich im Rahmen des Lehrprogramms ihrer Hochschule mit computerbasierter Entscheidungsunterstützung in Marktforschung und Marketing beschäftigen, sich Theoriekenntnisse und Wissen über mathematische Modellbildung und Umsetzungen auf dem Computer bereits verschafft haben und die mit M.A'RXP'M.A/Ventsprechende

An-

wendungen bearbeiten wollen, sowie andererseits an " M a r k t f o r s c h e r u n d / o d e r M a r k e t i n g - M a n a g e r " , die an benutzerfreundlicher Software, die eine Einführung in MARKtforschung und MARKeting MANagement mittels Computer liefert, interessiert sind. Ein Gesichtspunkt wurde bei der Konzeption des vorliegenden Buches bewußt ausgespart: Es erfolgt keine Darstellung quantitativer Aspekte mittels mathematischer Formulierungen (Wer die wirtschaftswissenschaftliche Ausbildung an der Universität Karlsruhe kennt, weiß aber, daß dieser Aspekt im gesamten Lehrangebot

X

Vorwort

der Fakultät für Wirtschaftswissenschaften nicht zu kurz kommt.). Der interessierte Leser findet hierzu im Text jedoch genügend Hinweise auf entsprechende Literatursteilen. Das Gebiet, zu dem dieses Buch einen Beitrag leisten möchte, berührt Richtungen in Forschung und Lehre, die am Institut für Entscheidungstheorie und Unternehmensforschung Tradition haben. Unser Dank gilt deshalb früheren und jetzigen Mitarbeitern, z.B. den Herren Dr.I.Böckenholt und Dr.M.Both, die die Erstellung früherer Versionen von computerbasierter Entscheidungsunterstützungssoftware a m Institut mit betreuten, und den Herren Dipl.-Wi.-Ing. V.Dobler, M.Kant und A.Schmutte, ohne deren programmiertechnische Hilfe die Entwicklung der aktuellen Version des M. ATZ)C2M .AA/-Sy stems länger gedauert hätte. Darüberhinaus haben zahlreiche Teilnehmer an Praktika und Seminaren zum T h e m a "Computergestütztes Marketing" bei der Ausarbeitung von Anwendungsbeispielen, bei der Erhebung von Beispiel-Daten, bei der Erprobung von Modellierungstechniken und bei der Entwicklung von Programmteilen wertvolle Beiträge geleistet. Für die Erstellung von Texten der druckfertigen Vorlage danken wir vor allem Herrn Dipl.Wi.-Ing. A.Schmutte. Schließlich ist die gute Zusammenarbeit mit dem OldenbourgVerlag zu erwähnen.

W. Gaul D. Baier

XI

Inhalt s Verzeichnis Vorwort

I 1

V

C o m p u t e r u n t e r s t ü t z u n g als M a n a g e m e n t - H i l f e

1

C o m p u t e r g e s t ü t z t e E n t s c h e i d u n g s h i l f e n für M a r k t f o r s c h u n g u n d Marketing 1.1

3

Computer auf dem Vormarsch! CEUS im Umfeld von Marktforschung und Marketing

1.2 1.3

3

1.1.1

Uberspitzte Wünsche oder nicht eingelöste Versprechen?

1.1.2

Zu komplexe Entscheidungssituationen für CEUS ?

1.1.3

Zu viele CEUS-Angebote?

. .

Wem gehört die Zukunft? Informationsorientierte, modellorientierte und wissensorientierte Ansätze

1.5 2

8 10 12

Bemerkungen zu eigenen (Vor-) Arbeiten im Zusammenhang mit dem

MAKK?MAtf-Sysiem 1.4

5

15

M Ä T L K ? M A N als informations- und modellorientierter Ansatz mit einer durch die Autoren gestalteten Wissensstrukturierung

18

Literaturverzeichnis

20

E i n f ü h r u n g in das M A R - K ? M A V - S y s t e m

25

2.1

Wie ist MARK.2MAhf

2.2

Wie kann man M Ä R K ? M A N installieren und starten?

32

2.3

Wie werden Anwendungsmodule bedient?

35

2.4

Wie wählt man einen (neuen) (Arbeits-)Bereich?

40

2.5

Wie werden Daten verwaltet?

42.

2.6

Wie kann man Hilfestellungen anfordern?

45

aufgebaut?

25

XII

II

3

Inhaltsverzeichnis 2.7

W i e verläßt man ein Anwendungsmodul?

46

2.8

Literaturverzeichnis

46

Entscheidungsunterstützung in der Marktforschung 2 m i t t e l s M-AHK MAAf 49 POSITIONIERUNG oder

4

" W o ist w e r / w a s i m M a r k e t i n g - U m f e l d ? "

55

3.1

Motivation

55

3.2

Welche D a t e n g r u n d l a g e wird b e n ö t i g t ?

61

3.3

Was m u ß man von der Methodik wissen?

64

3.4, W i e kann das Anwendungsmodul bedient werden?

68

3.5

72

Anwendungsbeispiele 3.5.1

Positionierungsanalyse i m P r o d u k t b e r e i c h Zigaretten

. . . .

3.5.2

Beurteilung von Cognac-Werbung mittels Positionierung

. .

73 80

3.6

Ausblick

83

3.7

Literaturverzeichnis

84

SEGMENTIERUNG oder "Welche Strukturen sind im Marketing-Umfeld erkennbar?"

86

4.1

Motivation

86

4.2

Welche D a t e n g r u n d l a g e wird b e n ö t i g t ?

93

4.3

Was m u ß man von der Methodik wissen?

95

4.4

W i e kann das Anwendungmodul bedient werden?

98

4.5

Anwendungsbeispiele 4.5.1

103

Beurteilungsmöglichkeiten bei der Cognac-Werbung mittels Segmentierung

103

XIII

Inhaltsverzeichnis 4.5.2

Marktstrukturierung basierend auf der Eindeutigkeit von Imagepositionierungen im Produktbereich Zigaretten

5

. . . .

110

4.6

Ausblick

116

4.7

Literaturverzeichnis

116

PRÄFERENZ oder "Wer b e v o r z u g t was und w a r u m ? "

118

5.1

Motivation

118

5.2

Welche Datengrundlage wird benötigt?

124

5.3

Was muß man von der Methodik wissen?

126

5.4

Wie kann das Anwendungsmodul bedient werden?

131

5.5

Anwendungsbeispiele

136

5.5.1

136

5.5.2

Präferenzanalyse am Beispiel der Cognac-Werbung Analyse mehrdimensionaler Präferenzstrukturen bei KaffeeMarken

6

141

5.6

Ausblick

147

5.7

Literaturverzeichnis

147

AUSWAHL oder " W i e w e r d e n A u s w a h l - bzw. K a u f e n t s c h e i d u n g e n beeinflußt?"

150

6.1

Motivation

150

6.2

Welche Datengrundlage wird benötigt?

156

6.3

Was muß man von der Methodik wissen?

158

6.4

Wie kann das Anwendungsmodul bedient werden?

161

6.5

Anwendungsbeispiele

165

6.5.1

Ermittlung von Ursache-/Wirkungszusammenhängen bei der Akzeptanzanalyse neuer Telefondienstleistungen

166

XIV

Inhaltsverzeichnis 6.5.2

Prognose von Kaufentscheidungen im Markt "Omega" bei variierten Ausprägungen der Einflußgrößen

6.6

Ausblick

178

6.7

Literaturverzeichnis

179

III

7

171

Entscheidungsunterstützung in der Marketing2 Planung mittels MAHK MAN'

181

MARKETING-MIX oder

8

"Welche H a n d l u n g s a l t e r n a t i v e n sind geeignet?"

185

7.1

Motivation

185

7.2

Welche Datengrundlage wird benötigt?

190

7.3

Was muß man von der Methodik wissen?

196

7.4

Wie kann das Anwendungsmodul bedient werden?

204

7.5

Anwendungsbeispiele

207

7.5.1

Subjektive Parameterschätzung im Bereich'BSP4'

208

7.5.2

Bewertung von Handlungsalternativen bei "Groovy"

. . . .

213

7.6

Ausblick

218

7.7

Literaturverzeichnis

219

TESTMARKT oder " W i e kann m a n F l o p s vermeiden?"

220

8.1

Motivation

221

8.2

Welche Datengrundlage wird benötigt?

225

8.3

Was muß man von der Methodik wissen?

227

8.4

Wie können die Anwendungsmodule bedient werden?

233

8.5

Anwendungsbeispiele

236

Inhaltsverzeichnis 8.5.1

XV Neuprodukt-Erfolgsprognose für einen kalorienarmen Süßstoff mittels Testmarkt-Modellierung

8.5.2

Erstellung einer Erfolgsprognose für ein neues Produkt im Bereich 'BSP5'

9

237

246

8.6

Ausblick

249

8.7

Literaturverzeichnis

250

PRE-TESTMARKT oder "Kann m a n Erfolgschancen im Labor b e u r t e i l e n ? "

252

9.1

Motivation

252

9.2

Welche Datengrundlage wird benötigt?

256

9.3

Was muß man von der Methodik wissen?

261

9.4

Wie können die Anwendungsmodule bedient werden?

268

9.5

Anwendungsbeispiele

276

9.5.1

Neuprodukt-Erfolgsprognose im Kaffee-Markt mittels PreTestmarkt-Modellierung

9.5.2

277

Repositionierungsanalyse eines Neuprodukts im Kaffee-Markt 281

9.6

Ausblick

288

9.7

Literaturverzeichnis

289

10 P O R T F O L I O oder " W i e b e u r t e i l t m a n Erfolg auf U n t e r n e h m e n s e b e n e ? "

291

10.1 Motivation

291

10.2 Welche Datengrundlage wird benötigt?

296

10.3 Was muß man von der Methodik wissen?

298

10.4 Wie kann das Anwendungsmodul bedient werden?

303

10.5 Anwendungsbeispiele

307

10.5.1 Portfolio-Analyse im Markt für Konsumelektronik

307

XVI

Inhaltsverzeichnis 10.5.2 Beurteilung von Wettbewerbsvorteilen aus der PortfolioAnalyse der Konkurrenz

IV

313

10.6 Ausblick

315

10.7 Literaturverzeichnis

317

Schlußbemerkungen oder Beginn eigner c o m p u t e r g e s t ü t z t e r B e h a n d l u n g individueller Problemstellungen

11 B e s c h r e i b u n g der in AA.A.7lK?M.AJ\f

319

bereitgestellten Beispiel-

Daten

321

11.1 Beispiel-Daten zur Erläuterung ausgewählter CEUS-Möglichkeiten des MARIC2MAAf-Systems

323

11.1.1 Die Bereiche 'BSP1' und 'BSP2'

323

11.1.2 Der Bereich 'BSP3'

324

11.1.3 Der Bereich 'BSP4'

326

11.1.4 Der Bereich 'BSP5'

329

11.1.5 Der Bereich'BSP6'

332

11.1.6 Der Bereich 'BSP7'

334

11.2 Beispiel-Daten mit Praxis-Bezug

335

11.2.1 Der Bereich 'KAFFEE1'

335

11.2.2 Die Bereiche 'ZIGARET1' bis 'ZIGARET3'

340

11.2.3 Der Bereich 'COGNAC1'

346

11.2.4 Der Bereich 'TELECOM1'

349

11.2.5 Der Bereich 'OMEGA1'

350

11.2.6 Der Bereich 'GROOVY1'

352

11.2.7 Die B e r e i c h e ' E Q U A L 1 ' u n d ' E Q U A L 2 '

355

11.2.8 Die Bereiche 'ELEKTRO 1' und ' E L E K T R 0 2 '

359

Inhaltsverzeichnis

XVII

11.3 Literaturverzeichnis

360

12 B e h a n d l u n g individueller P r o b l e m s t e l l u n g e n u n d Schlußbemerkungen

363

12.1 Behandlung individueller Problemstellungen

364

12.1.1 Eingabe und Auswertung einer neuen Datengrundlage . . . .

364

12.1.2 Beschränkungen bei der Behandlung individueller Problemstellungen durch Anwendungsmodule

371

12.2 Zusammenfassung und Ausblick

372

12.3 Literaturverzeichnis

379

Index

381

Teil I

C o m p u t e r u n t e r s t ü t z u n g als Management-Hilfe Vor dem Hintergrund sich ausbreitender Sättigungserscheinungen und erkennbarer T e n d e n z e n zu kürzeren Lebenszyklen (ob aus Marken-, Produktklassenoder Branchensicht) auf vielen Märkten sowie zunehmender Diversifikation und erfolgreicher Anstrengungen von einzelnen Unternehmen, sich bei der Suche nach lukrativen M a r k t s e g m e n t e n von der Konkurrenz abzusetzen und Verteidigungsstrategien zur Absicherung der gewählten Positionierung der eigenen Unternehmung zu konzipieren, werden marktforschungs- und marketingorientierte I n s t r u m e n t e der Unternehmensführung immer wichtiger. Dazu gehören Vorkehrungen, der vorhandenen Flut an entscheidungsrelevanten Informationen Herr zu werden und aus geeignet ausgewählten, aggregierten und entsprechend analysierten Datengrundlagen richtige Schlußfolgerungen zu ziehen, ebenso wie die Aus- und Weiterbildung der F ü h r u n g s e b e n e in bezug auf aktuelle und praxisrelevante Entwicklungen der Marketing-Forschung. Dazu gehört aber auch ein "Vertrautsein" mit der immer stärker vorangetriebenen "Computerisierung" in vielen Bereichen und der Umsetzung gewünschter Entscheidungshilfen in "Computerbasierte

Entscheidungsunterstützung",

abgekürzt C E U S (diese Begriffsbildung wird im folgenden wiederholt Verwendung finden.) Natürlich dürfen Voraussetzungen zum Einsatz von C E U S - H i l f s m i t t e l n nicht darin bestehen, daß potentielle Nutzer über das gesammelte Wissen aus all jenen Wissensbereichen verfügen müssen, die bei der Konzeption und Entstehung einzelner CEUS-Komponenten tangiert waren. Andererseits sind einige einführende und motivierende Erläuterungen zu Beginn eines Buches wie des vorliegenden unbedingt erforderlich. Darüberhinaus kann - wie es auch schon im Vorwort angeklungen ist - konstatiert werden, daß ein gewisses Interesse an Diskussionen darüber, welche Arten von U n t e r s t ü t z u n g durch den Einsatz von Computern in unterschiedlichen Gebieten ermöglicht werden können, so alt ist wie der Computer selbst.

Zur Einführung in computergestützte Management-Hilfen für die Gebiete Marktforschung und Marketing wird als Ausgangspunkt und zur besseren Einordnung der Fragestellungen in nachfolgenden Kapiteln ein kurzer Uberblick über die CEUS-Problematik in Kapitel 1 bereitgestellt. Vor diesem Hintergrund kann dann ein erstes Bekanntmachen mit dem in diesem Buch beschriebenen M.A'RK^M AV(MARKtforschung &c MARKeting MANagement)-System in Kapitel 2 erfolgen, aus dem bereits deutlich wird, wie die Umsetzung des zuvor angesprochenen Gedankenguts zum Thema CEUS aussehen kann. M.ÄR-K.2MAN ist als "Tastendruck-System" konzipiert worden, um auch Computer-Laien an die CEUS-Problematik in den Bereichen Marktforschung und Marketing heranzuführen. Da eine solche Vorgehensweise auch Risiken in sich birgt, weil sie zu "unüberlegter" Systemnutzung (auf Tastendruck) einlädt, ist eine ausführliche Diskussion darüber, was das System macht, von besonderer Wichtigkeit. Dies geschieht wiederholt an entsprechenden Stellen im Buch und zusätzlich im Rahmen von Hilfestellungen durch das System. Schließlich ist darauf hinzuweisen, daß die in MATIK?MAN vorhandenen Optionen zur Nutzung verschiedener Analysemöglichkeiten der bereitgestellten Daten den Anwender immer dann, wenn unterschiedliche Outputs erzeugt werden können, vor die Aufgabe stellen zu überprüfen, welche Analyseansätze die "Realität" am besten beschreiben. In dieser Hinsicht fördert M.ÄRX?M.AN das Verständnis für unterschiedliche Vorgehensweisen bei anstehenden Problemstellungen und zeigt, daß der Einsatz eines solchen Systems als Management-Hilfe, als CEUSWerkzeug für den Manager, anzusehen ist, das die Entscheidungsfindung erleichtern aber nicht ersetzen soll.

3

1

C o m p u t e r g e s t ü t z t e Entscheidungshilfen für Marktforschung und Marketing

Hinter dem bereits erklärten und zu Beginn dieses Kapitel nochmals hervorgehobenen Akronym C E U S (Computerbasierte EntscheidungsUnterStützung) verbirgt sich eine Thematik, in die man sich bei der Vorstellung und Beschreibung eigener Aktivitäten in dieser Richtung einzuordnen hat. Einer solchen Einordnung sollte ein gewisser U b e r b l i c k ü b e r den augenblicklichen W i s s e n s s t a n d bzgl. C E U S vorausgehen, was leicht zu einem aufwendigen Vorhaben ausarten kann, denn das Interesse daran, welche Arten von Unterstützung durch den Einsatz von Computern in unterschiedlichen Gebieten ermöglicht werden können, hat die Entwicklung von (neuer) Hard- und Software stets begleitet. Entsprechend umfangreich ist die vorhandene Literatur. Bei einer Beschränkung auf die Anwendungsgebiete Marktforschung und Marketing kann auf ein kürzlich erschienenes Buch von Gaul, Both (1990) verwiesen werden, an das sich die nachfolgenden Ausführungen in diesem Kapitel anlehnen.

1.1

C o m p u t e r auf d e m Vormarsch! C E U S im Umfeld von Marktforschung und Marketing

Schon im Vorwort war auf eine Vielzahl von Ansatzmöglichkeiten für eine Diskussion des Für und Wider beim Einsatz von Computern hingewiesen worden, was hier nicht wiederholt werden soll. CEUS für MARKtforschung und MARKeting MANagement, um gleich zu Beginn die Softwarebezeichnung MÄRK. 2M ANiüi das im folgenden zu beschreibende System nochmals zu erwähnen, kann je nachdem, wie fein untergliedert werden soll und welche Gesichtspunkte besonders berücksichtigt werden sollen, in unterschiedliche B e z u g s r a h m e n eingeordnet werden. Abbildung 1.1 zeigt (in Anlehnung an Gaul, Both (1990, S.358)) eine der Darstellungsmöglichkeiten, wie man versuchen kann, C E U S f ü r M a r k t f o r s c h u n g und M a r k e t i n g " a u f einen B l i c k " wiederzugeben. Abbildung 1.1 soll dazu anregen, sich seine eigene Untergliederung der CEUSProblematik zu überlegen, wobei man etwa durch eine Zuordnung von "Pfeilverbindungen" und von "Fragezeichen" und "Ausrufungszeichen" die Bedeutung von und den Wissensstand bei einzelnen Teilgebieten charakterisieren kann. Eine sol-

4

1 COMPUTERGESTÜTZTE

Abbildung

1.1:

Bezugsrahmen UnterStützung)

ENTSCHEIDUNGSHILFEN

für CEUS(Computerbasierte für Marktforschung

und

EntscheidungsMarketing

1.1 CEU S im Umfeld von Marktforschung

und

5

Marketing

che Zuordnung von zusätzlichen Zeichen, Fragen und Erklärungen hängt natürlich von vielen Faktoren ab. W i s s e n s c h a f t l e r , die in d i e s e m B e r e i c h "forschen u n d lehren", werden evtl. andere Gesichtspunkte herausgreifen als M a n a g e r , die B e w e r t u n g e n b e n ö t i g e n , u m e n t s c h e i d e n zu k ö n n e n , ob augenblicklich angebotene Hard- & Software den Anforderungen im Unternehmen genügt (oder "angepaßt" werden kann) bzw. ob oder was gekauft/ersetzt werden soll, um eine "optimale" CEUS-Ausstattung für den eigenen Verantwortungsbereich bereitzustellen. Ein Bezugsrahmen für die CEUS-Problematik, wie er in Abbildung 1.1 für die Gebiete Marktforschung und Marketing angedeutet wurde, läßt offensichtlich unterschiedliche Gliederungstiefen zu. Zumindestens dort, wo man eigene Fragezeichen zugeordnet hat, sind weitere Überlegungen notwendig. Da dieses einführende Kapitel nicht eine Lektüre eines ganzen Buches (Gaul, Both (1990)) ersetzen kann, wird im folgenden nur auf drei Aspekte, die an der CEUS-Thematik Interessierte mit Fragezeichen versehen haben könnten, beispielhaft näher eingegangen.

1.1.1

Ü b e r s p i t z t e W ü n s c h e o d e r nicht e i n g e l ö s t e Versprechen?

Innerhalb der Diskussion darüber, was CEUS-Werkzeuge leisten sollten, wird man manchmal mit dem Phänomen konfrontiert, daß "realisierte M ö g l i c h k e i t e n " und " E r w a r t u n g e n für die Zukunft" nicht immer klar getrennt werden. Abbildung 1.2 basiert auf einer Zusammenstellung von bildhaften Beschreibungen eines CEUS-Werkzeugs samt seinem Umfeld, die aus verschiedenen Literaturquellen stammen (siehe z.B. Montgomery, Urban (1969), Little (1979), Gaul, Schader, Both (1990), Gaul (1991)), und soll andeuten, welche Erwartungshorizonte sich in der CEUS-Diskussion aufbauen können. Schon in den 60er Jahren wurde CEUS für Marktforschung und Marketing in der in Abbildung 1.2 wiedergegebenen Sichtweise - allerdings ohne Einbeziehung der gepunktet eingezeichneten wissensorientierten Komponente - diskutiert. Die so eingeschränkte Darstellung zeigt zwischen dem Entscheidungsträger im Aufgabengebiet Marktforschung/Marketing und seiner Umwelt in durchgezogenen und gepunkteten sowie gestrichelten Linien ein C E U S - S y s t e m m i t s e i n e n w i c h t i g s t e n K o m p o n e n t e n : eine D a t e n b a n k / D a t e n m a n a g e m e n t - K o m p o n e n t e ,

in der Da-

ten "verwaltet" werden, eine M o d e l l b a n k / M o d e l l m a n a g e m e n t - K o m p o n e n t e ,

1 COMPUTERGESTÜTZTE

6

ENTSCHEIDUNGSHILFEN

j ÇEUS (Computerbasiertes EntscheidungsUnterSt iì tz ungs )System

Abbildung

1.2:

Struktur eines Computerbasierten stützungssystems

Entscheidungsunter-

1.1 CEUS im Umfeld von Marktforschung

und

Marketing

7

die Modelle zur Beschreibung von Marktgegebenheiten enthält, eine M e t h o d e n bank/Methodenmanagement-Komponente

mit z.B. einer S a m m l u n g v o n

( s t a t i s t i s c h e n ) Verfahren, mit denen Daten analysiert werden können, und eine B e n u t z e r s c h n i t t s t e l l e , über die der Entscheidungsträger mit dem System kommuniziert. Zusätzlich eingezeichnete P f e i l e bzw. P f e i l f o l g e n helfen, die S y s t e m Logik zu verdeutlichen. Abbildungen dieser Art können suggerieren, daß ein möglicher Nutzer nur entsprechende Inputs für die Benutzer-Schnittstelle bereitzustellen hat und daß alles andere durch das CEUS-System "erledigt" wird. Ein Computer-System, das in der Lage wäre, z.B. - eine geeignete Datengrundlage für die gewünschten Problemstellungen auszuwählen und aufzubereiten, - geeignete Modelle und Methoden für die Überprüfung anstehender Fragen auszusuchen und anzuwenden, - Art und Umfang der Informationen, die an den Nutzer zurückgegeben werden, festzulegen, müßte " W i s s e n " aus unterschiedlichen W i s s e n s d o m ä n e n besitzen und zur Systemsteuerung einsetzen. In der Art, wie das in Abbildung 1.2 wiedergegeben wird, ist das "einfach" durch Einbeziehung durch eine gepunktet eingezeichnete

wissensorientierte

K o m p o n e n t e zu berücksichtigen. In der Realität gestaltet sich diese Aufgabe "schwierig"; es ergeben sich hier viele Fragen. Darauf wird in den Abschnitten 1.3 und 1.4 eingegangen. Ende der 60er Jahre und auch später mußte bei der Diskussion der meisten der auftretenden Schnittstellenprobleme zwischen Komponenten von CEUS-Systemen und bei der Art der Unterstützung, die man sich aufgrund der damaligen Diskussionen von einem entsprechenden System erhoffte, vieles als " E r w a r t u n g e n für die Z u k u n f t " u n d nicht als "realisierte M ö g l i c h k e i t e n " eingeordnet werden. Daß sich E r w a r t u n g s h o r i z o n t e aufbauen können, deren Anforderungsprofile durch existierende Realisierungen von CEUS-Ansätzen nicht erfüllt worden sind, hat die Vergangenheit gezeigt. Die M I S ( M a n a g e m e n t I n f o r m a t i o n System) / MAIS (MArketing Information System)

Diskussion ist hierfür ein

Beispiel. Es bleibt zu hoffen, daß sich nicht ähnliches in der Diskussion über sogenannte " E x p e r t e n s y s t e m e " wiederholt, denn die Frage, ob die Einbeziehung

1 COMPUTERGESTÜTZTE

8

ENTSCHEIDUNGSHILFEN

von Wissen in Software-Systemen wieder neue (überspitzte) W ü n s c h e und/oder (zur Zeit) nicht einlösbare Versprechen hervorbringt, ist noch nicht abschliessend beantwortet.

1.1.2

Zu komplexe Entscheidungssituationen für C E U S ?

Immer wieder wird die Frage diskutiert, in wieweit Entscheidungsfindung "computerbasiert" ablaufen kann. Sind viele der wirklich interessanten Fragestellungen zu komplex für CEUS-Hilfen? Kann man Entscheidungssituationen so strukturieren, daß zumindestens für Teilprobleme CEUS-Subsysteme "maßgeschneidert" oder "angepaßt" werden können? Die zweite Frage zeigt schon einen Weg zur Lösung der ersten Frage auf. Zur Verdeutlichung wird ein Beispiel gewählt, das wichtige Teilgebiete aus Marktforschung und Marketing tangiert und für das die Bezeichnung "komplexe Entscheidungssituation" unbestritten erfüllt ist. Eine der wichtigsten Unternehmensaktivitäten - die Entwicklung und Einführung neuer P r o d u k t e und D i e n s t l e i s t u n g e n bzw. die Verbesserung bereits existierender A n g e b o te - ist im Rahmen des Neuprodukt-Managements mit einem komplexen Planungsprozeß verknüpft. Abbildung 1.3 zeigt eine der Möglichkeiten, diesen sogenannten Neuprodukt-Einführungsprozeß zu strukturieren. Man erkennt unterschiedliche Phasen, denen einzelne Aktivitäten bei der Neuprodukt-Einführung zugeordnet werden können. Zu Beginn ist eine P h a s e der G e n e r i e r u n g / U b e r p r ü f u n g von Ideen aufgelistet worden, wobei man die hier stattfindenden Aktivitäten gerne unbemerkt von der Konkurrenz durchführen möchte. Den Abschluß bildet die Marktphase mit den für jedermann sichtbaren Anstrengungen, sich in Zielmärkten (national, international) zu behaupten. Die einzelnen Phasen lassen sich durch charakteristische Fragen beschreiben, z.B.: Wie lauten die Ziele, was sind die Aufgaben in einzelnen Phasen? Welche Entscheidungen müssen getroffen werden? Wo ist der Ort, wo einzelne Aktivitäten in den verschiedenen Phasen hauptsächlich stattfinden? Zusätzliche Fragen, die sich auf die einsetzbaren Modelle und Methoden sowie auf die benötigten Daten beziehen, lassen sich direkt mit CEUS-Möglichkeiten in Verbindung bringen. Bis jetzt gibt es kein allgemein gültiges CEUS-Gesamtkonzept zur Bearbeitung von Neuprodukt-Einführungsprozessen, Abbildung 1.3 zeigt aber deutlich

1.1 CEUS im Umfeld von Marktforschung

Phase im NeuproduktEinführungsprozeß

Ziele/Aufga-

Entscheidun-

ben

gen

und

Modelle/Metho-

F i r m a , unternehmensexternes Umfeld

Ergebnisse von Kreativitätstechniken, Beobachtung von W e t t b e w e r b e r n und K o n s u m e n t e n

Kreativitätstechniken, Morphologie, Synektik, Checklisten, Scoring-Modelle, A u s w e r t u n g von Außendienstberichten

Informationen über Entwicklungskosten für unterschiedliche Konzeptionen, Bedarfsschätzungen, Gewinnerwartungen, Beurteilungen durch E x p e r t e n und potentielle Konsumenten

Pre-TestmarktModelle, Methoden zur optimalen P r o d u k t (gruppen)gestaltung, Auswahlmodelle, Präferenzmodelle

Bewertungen von Produktcharakteristika, Segmentierungsdaten aufgrund unterschiedlicher Beurteilerreaktionen

Pre-TestmarktModelle, Segmentierungstechniken, Positionierungstechniken, Auswahlmodelle, Präferenzmodelle Testmarkt-Modelle, Segmentierungstechniken, Positionierungstechniken, Auswahlmodelle, Präferenzmodelle

Suche nach

Auswahl geeigneter

Uberprüfung von Ideen

Ideen

Ideen

Konzeptionalisterungsphase

Uberprüfung von Konzepten bzgl. Machbarkeit, Wirtschaftlichkeit, Vermarktung, Festlegung typischer Produktcharakteristika

Firma Festlegung von F&EProjektstruktur und -kosten

Realisations-

Entwicklung Auswahl von Prototy- marktreifer pen und fer- Varianten tigen Produkten

phase

Testphase

Marktphase

Firma, Labor

Festlegung der Einführungsstrategie, Marketing-Mix Festlegung

Testmarkt-

Kaufverhaltensda-

Umgebung,

ten

Einführung,

Anpassung

Relaunch,

bzgl. Preis,

Zielmarkt, Nationaler Markt, Internationaler M a r k t

Uberprüfung unter ausgewählten Marktbedingungen

Elimination

Verpackung, Werbung, Distribution

Teilmärkte

Kaufverhaltensdaten, Beobachtungen und Umfragen im M a r k t , PanelDaten, ScannerDaten

Abbildung

1.3: Mögliche

9

Ort der Ak- Daten tivität

erfolgreichen

Phase der Generierung/

Marketing

Strukturierung

des

den/Aktivitäten

Early-Sales-Modelle, Diffusionsmodelle, Lebenszyklus-Schätzungen, Marktanteilsmodelle, Gewinnmodelle, Portfolio-Ansätze

Neuprodukt-Einführungsprozesses

1 COMPUTERGESTÖTZTE

10

ENTSCHEIDUNGSHILFEN

(was bekannt ist), daß Teilaspekte sehr wohl der B e h a n d l u n g durch

be-

reits vorhandene C E U S - S y s t e m e zugänglich sind (siehe z.B. Böckenholt, Gaul (1987) und Gaul, Schaer (1988) und die in diesen Arbeiten zitierten Referenzen für eine Einführung in die Problematik der Neuprodukt-Einführung und Hinweise auf CEUS-Ansätze). In den nachfolgenden Kapiteln 8 (Testmarkt) und 9 (PreTestmarkt) wird gezeigt, daß auch das M.ÄR,K?M.AV-System Fragestellungen zur Neuprodukt-Einführung behandeln kann. Natürlich gibt es viele andere Beispiele, die zeigen, daß die Aufgliederung von k o m p l e x e n Situationen in "durch C o m p u t e r handhabbare" Teilprob l e m e ein wichtiger Schritt auf dem Wege zur Bereitstellung von geeigneten CEUSAnsätzen ist. Ein anderes Problem ist, wie man die "richtige" Aufgliederung erzeugt und woran man eine "gute" Aufgliederung erkennt.

1.1.3

Zu viele C E U S - A n g e b o t e ?

Bei denjenigen, die sich entschlossen haben, CEUS-Werkzeuge für die Behandlung ihrer Probleme einzusetzen, aber noch nicht entschieden haben, welche Hilfsmittel bzw. Komponenten gewählt werden sollen, können weitere Probleme bei der "Qual d e r Wahl" entstehen. Auf Hardware-Aspekte soll wegen der rasanten Entwicklung in diesem Bereich und der vielen technischen Einzelheiten, die bei der Auswahl eine Rolle spielen können, hier nicht eingegangen werden. Abbildung 1.4 enthält eine Auflistung von Software-Konzepten, die bei einer "optimalen" Zusammenstellung für die eigene CEUS-Ausstattung in den Gebieten Marktforschung und Marketing von Interesse sein könnten. In Abbildung 1.4 (siehe auch Gaul, Schader (1989)) ist versucht worden, eine Segmentierung in Klassen vorzunehmen. Kurze Charakterisierungen, die klassenspezifische Aspekte ansprechen, und Beispiele für typische Vertreter aus einer Klasse sollen helfen, die Abgrenzungen zu verdeutlichen. Bzgl. genauerer Beschreibungen zu den angegebenen Software-Bezeichnungen muß auf die einschlägige Literatur verwiesen werden (siehe z.B. Lodish (1971) bzgl. CALLPLAN, Gaul, Schader (1989) für Literaturhinweise auf IMSL, NAG und auf die meisten hier genannten SoftwareBezeichnungen und Gaul, Schader, Both (1990) bzgl. DANEX und WIMDAS). Zur Unterstützung von Überlegungen, welche C E U S - A n g e b o t e für wel-

1.1 CEUS im Umfeld von Marktforschung

und

Marketing

11

Beschreibung

Beispiele

Einzelprogramme

• • • •

z.B. CALLPLAN

Programmbibliotheken

• in b e s t i m m t e r P r o g r a m m i e r s p r a c h e e r s t e l l t e S a m m l u n g von U n t e r p r o g r a m m e n / P r o g r a m m b a u s t e i n e n , die gewissen K o n v e n t i o n e n genügen • eigene P r o g r a m m i e r u n g von S o f t w a r e / T r e i b e r p r o g r a m m e n u n t e r Rückgriff auf die b e r e i t g e s t e l l t e n U n t e r p r o gramme

z.B. IMSL NAG

• eher auf D a t e n a u s w e r t u n g e n a u s g e r i c h t e t e K o n z e p t i o n • eigene B e f e h l s s p r a c h e zur D u r c h f ü h r u n g der A u s w e r tungen • B e r e i t s t e l l u n g von A u s w e r t u n g s p r o z e d u r e n u n d von F u n k t i o n e n zur D a t e i v e r w a l t u n g u n d E r g e b n i s i n t e r p r e tation • keine E r s t e l l u n g von R a h m e n p r o g r a m m e n m e h r erforderlich • K e n n t n i s der Befehlssprache, M o d a l i t ä t e n z u m A u f r u f der A u s w e r t u n g s p r o z e d u r e n erforderlich

z.B. BMDP EXPRESS SAS SPSS

Software-Konzepte

Programmsysteme/ statistische Auswertungssysteme

ältestes S o f t w a r e k o n z e p t evtl. n e u a r t i g e Modelle ic M e t h o d e n keine A b s i c h t zur K o p p l u n g m i t a n d e r e n P r o g r a m m e n keine B e s t r e b u n g e n zur V e r e i n h e i t l i c h u n g von D a t e n verwaltungs- & Datentransferfunktionen

• E r w e i t e r u n g des L e i s t u n g s s p e k t r u m s von P r o g r a m m b i bliotheken • A u s n u t z u n g von Analogien zwischen der Verwalt u n g von M e t h o d e n u n d der V e r w a l t u n g von D a t e n beständen

Methodenbanksysteme

• • Planungssprachen

Spreadsheetprogramme

Datenbanksysteme

U n t e r s t ü t z u n g von P l a n u n g s - h B e r i c h t s p r o z e s s e n Einteilung entsprechend dem vorprogrammierten F u n k t i o n s v o r r a t in: - Kosten- & B u d g e t p l a n u n g , - F i n a n z - k. I n v e s t i t i o n s p l a n u n g , - Absatz- & Marketingplanung, - Unternehmensgesamtplanung

z.B. METHAPLAN

Z.B. FCS-EPS IFCS INFPLAN PLANCODE

• d u r c h V e r b r e i t u n g der P e r s o n a l c o m p u t e r b e g ü n s t i g t e s Softwarekonzept • Systemkern besteht aus Tabellenkalkulationsprogramm • s y s t e m e i g e n e P r o g r a m m i e r s p r a c h e n , falls B e a r b e i t u n g k o m p l e x e r Z u s a m m e n h ä n g e erfolgen soll

z.B. JAZZ LOTUS 123 MULTIPLAN SYMPHONY VISICALC

• b e s o n d e r e B e d e u t u n g des D a t e n m a n a g e m e n t • S c h n i t t s t e l l e zu S t a t i s t i k - S o f t w a r e - P a k e t e n nicht bei allen S y s t e m e n in w ü n s c h e n s w e r t e m U m f a n g v o r h a n d e n .

z.B. ORACLE SIR

•

W i s s e n s r e p r ä s e n t a t i o n u n d - V e r a r b e i t u n g m i t Hilfe von Shells (bereichsspezifisches E x p e r t e n s y s t e m , dessen W i s s e n s b a s i s m i t eigenem W i s s e n a u f g e f ü l l t werden k a n n ) u n d Tools (allgemeine E n t w i c k l u n g s w e r k z e u ge f ü r E x p e r t e n s y s t e m e ) • eigene P r o g r a m m i e r u n g sowohl m i t konventionellen P r o g r a m m i e r s p r a c h e n als a u c h m i t A I - S p r a c h e n ( L I S P , P R O L O G ) möglich

Expertensysteme

Abbildung

1.4:

Software-Konzepte und Marketing

zur CEUS-Ausstattung

in

z.B. DANEX WIMDAS

Marktforschung

12

1 COMPUTERGESTÜTZTE

ENTSCHEIDUNGSHILFEN

che Entscheidungssituationen sinnvoll sind, können Strukturierungsversuche wie in Abbildung 1.4 hilfreich sein. Dabei dürfen Expertensysteme, allgemeiner: wissensorientierte Ansätze, denen in gegenwärtigen Diskussionen zur CEUSProblematik viel Aufmerksamkeit entgegengebracht wird, bei diesen Strukturierungsversuchen natürlich nicht fehlen. Nachfolgend wird noch ein weiterer, mehr globalerer Vorschlag zur Gliederung von Software-Angeboten für die Gebiete Marktforschung und Marketing gemacht.

1.2

W e m gehört die Zukunft? Informationsorientierte, modellorientierte und wissensorientierte Ansätze

Nach allem, was bis jetzt erwähnt wurde, betrifft die augenblicklich aktuelle Diskussion über "Künstliche Intelligenz" - und hier speziell über "Expertensysteme"

- nur einen Teil des Spektrums möglicher Diskussionsthemen zur

CEUS-Problematik. In Abbildung 1.1, die eine erste Sicht auf CEUS für Marktforschung und Marketing bereitstellte, wie auch in den Abbildungen 1.2 und 1.4 sind Hinweise auf wissensorientierte Ansätze - unter dieser Bezeichnung werden im folgenden alle mit Expertensystemen zusammenhängenden Diskussionsbeiträge subsummiert - enthalten. Als eine Möglichkeit der Unterteilung des CEUSSpektrums lassen sich neben wissensorientierten Ansätzen noch informationsorientierte A n s ä t z e und modellorientierte A n s ä t z e abgrenzen. Als informationsorientierte Ansätze kann man den Teilbereich von CEUS umschreiben, bei dem A s p e k t e der Gewinnung, A u f b e r e i t u n g und Analyse von Informationen (und Wissen) im Vordergrund stehen. Ein Schwerpunkt liegt auf der Versorgung der verschiedenen Hierarchieebenen der Entscheidungsträger mit sowohl unternehmensinternen als auch unternehmense x t e r n e n Informationen. Hier sind Bestrebungen zur Entwicklung der schon erwähnten MIS- und MAIS-Ansätze seit den 60er Jahren zu erwähnen. Modellorientierte A n s ä t z e

betonen schwerpunktmäßig die modellbasierte

Umsetzung der CEUS-Problematik. Hier versucht man eine Strukturierung wichtiger A s p e k t e der zugrundeliegenden Entscheidungssituationen und eine formalisierte B e h a n d l u n g der zugehörigen Entscheidungsprobleme. Solche Ansätze haben eine lange Tradition in den Gebieten Marktforschung und Marketing. Frühe Arbeiten stammen aus den 50er Jahren. Bei modellorientierten Ansätzen

1.2 Informations-,

modell- und wissensorientierte

13

Ansätze

wird versucht, ein vereinfachtes Abbild der realen Gegebenheiten zu schaffen, das einer modellorientierten Behandlung zugänglich ist. In diesem Zusammenhang treten Fragestellungen bezüglich der A k z e p t a n z v o n S e i t e n p o t e n t i e l l e r A n w e n d e r weit deutlicher zutage als das bei informationsorientierten Ansätzen der Fall ist. Zum einen liefern die Vereinfachungsbemühungen in bezug auf die zugrundeliegende reale Problemstellung, zum anderen die Modellannahmen der propagierten Ansätze allerlei Zündstoff für Kritik und Akzeptanzbarrieren. Die Implementation und Bereitstellung modellorientierter Ansätze ist eng mit dem seit den 70er Jahren verfolgten D S S ( D e c i s i o n S u p p o r t S y s t e m ) - K o n z e p t Wissensorientierte Ansätze

verbunden.

können auch dort zur Anwendung gelangen,

wo die zugrundeliegenden Problemstellungen weniger für eine formalisierte algorithmische Bearbeitung geeignet sind und wo eher qualitative W i s s e n s i n h a l t e , E r f a h r u n g e n , s u b j e k t i v e E i n s c h ä t z u n g e n , H e u r i s t i k e n u n d Faustregeln im Vordergrund stehen. Ein Anliegen solcher Ansätze ist es, das Fachwissen und P r o b l e m l ö s u n g s s t r a t e g i e n von Fachleuten aus eng umgrenzten Bereichen über Software, für die sich als naheliegende Bezeichnung das schon erwähnte Modewort "Expertensysteme" eingebürgert hat, einem breiten Personenkreis verfügbar zu machen. Derartige Aktivitäten gehen auf Entwicklungen zurück, die in den 70er Jahren im Rahmen der damals schon eingesetzten K I ( K ü n s t l i c h e I n t e l l i g e n z ) Forschung begonnen haben. In Gaul, Both (1990) werden diese Ansätze innerhalb eigener Kapitel ausführlich diskutiert. Nicht zuletzt aus Platzgründen und aufgrund der Zielsetzung dieses Buches wird in Abbildung 1.5 versucht, eine U b e r s i c h t ü b e r alle drei A n s ä t z e "auf e i n e n Blick" bereitzustellen. Der vorgeschlagene Abgrenzungsversuch ist natürlich nicht überschneidungsfrei, insbesondere bei Klassifikationsversuchen von CEUS-Ansätzen neueren Datums erkennt man, daß man sich zunehmend bemüht, Gedankengut aus den verschiedenen Richtungen zu integrieren, was eine Abgrenzung weiter erschwert. Hier versucht Abbildung 1.5 auf der Grundlage von Charakteristika wie 'Historie', 'Implementierungshilfsmittel', 'Modellierungshilfsmittel', 'Art der Unterstützung', 'Problemtyp', 'Integration' und 'Neuere Entwicklungen' A b g r e n z u n g s a s p e k t e deutlich werden zu lassen. Dabei ergibt sich folgende naheliegende Frage: " W e l c h e m A n s a t z g e h ö r t d i e Zukunft?". Die bisherigen Ausführungen haben hier - im Gegensatz zu manchen "Exper-

14

1 COMPUTERGESTÜTZTE

informationsorientierte

Ansitze

© E n t w i c k l u n g von M I S ( M a nagement-InformationsSystemen) u n d MAIS (MArketingI n f o r m a t i o n s S y s t e m e n ) in d e n sechziger J a h r e n © Berichtssysteme —> Auskunftssysteme

modellorientierte

ENTSCHEIDUNGSHILFEN

Ansätze

Historie o M o d e l l i e r u n g von M a r k e t i n g P h ä n o m e n e n seit d e n f ü n f z i g e r J a h r e n o P r o b l e m e in B e z u g auf A k z e p t a n z / V e r w e n d u n g k o m p l e x e r W e r k z e u g e © Decision Calculus; Little (1970) © Forschung i m Bereich D S S (Decision S u p p o r t Systeme) — • Implementationsaspekte

Implementierungshilfsmittel o Berichtsgeneratoren o Daten- © DSS-Generatoren; Sprague, bank-Managementsysteme © Carlson (1982) 0 M o d e l l - M a A b f r a g e s p r a c h e n © weit verbrei- n a g e m e n t s y s t e m e tete, a u s g e r e i f t e W e r k z e u g e o I n f o r m a t i o n s v e r d i c h t u n g auf Basis von B e z i e h u n g e n i m D a t e n m o d e l l o G e n e r i e r u n g einfacher S t a t i s t i k e n © A u s w a h l u n d V e r b u n d spezieller I n f o r m a t i o nen

© Bereitstellung interner und externer Daten © Erstellung periodischer Berichte © Bes c h r ä n k u n g des M a n a g e m e n t s auf die B e h a n d l u n g von Ausnahmesituationen

© Strukturierung stroms

des

Daten-

© A u f s a t z auf i n t e r n e n T r a n s aktionssystemen © Grundlage f ü r m o d e l l o r i e n t i e r t e u n d wiss e n s o r i e n t i e r t e A n s ä t z e 0 Erl e i c h t e r u n g von K o o r d i n a t i o n und Kontrolle © Neue Datenquellen: ScannerDaten, elektronische Testmärkte, t r a g b a r e P C s , T e l e k o m m u nikation

Abbildung

Modellierungshilfsmittel © M e t h o d e n / M o d e l l e a u s Mat h e m a t i k / O R / S t a t i s t i k © substanzwissenschaftliche Theorien des K o n s u m e n t e n v e r h a l tens © A n s ä t z e zur I n t e g r a t i o n subjektiver Einschätzungen

wissensorientierte

Ansätze

© Zweig der K I ( K ü n s t l i c h e Intelligenz)-Forschung © Paradigmenwechsel: G e n e r a l P r o b l e m Solver — • E x p e r t e n s y s t e m e © eher t e c h n i s c h e A n w e n d u n g e n © bisher vor a l l e m P r o t o t y p e n Entwicklungen im Marketing

© spezielle W e r k z e u g e , Shells © spezielle P r o g r a m m i e r s p r a chen; Tello (1985), Harmon, King (1985) © T e c h n i k e n des K n o w l e d g e E n g i n e e r i n g ; Boose (1986) © verschiedene A n s ä t z e zur Wiss e n s r e p r ä s e n t a t i o n u n d -Verarb e i t u n g © M e c h a n i s m e n des R e a s o n i n g s ; Baldwin, Kasper (1986) © vor a l l e m regelbasierte Ansätze

Art der Unterstützung © S t r u k t u r i e r u n g der Entscheid u n g s s i t u a t i o n © Berücksichtig u n g expliziter A n n a h m e n , Ziele und R e s t r i k t i o n e n © E n t wicklung o p t i m a l e r / z u f r i e d e n stellender H a n d l u n g s a l t e r n a t i ven © E r s t e l l u n g von M a ß n a h men-Wirkungs-Berichten, What-if-Szenarien und ad-hocAnalysen

© B e r e i t s t e l l u n g von E x p e r t e n wissen zur P r o b l e m l ö s u n g © B e r a t u n g bei P r o b l e m s t e l l u n gen, die q u a n t i t a t i v e n A n s ä t zen k a u m z u g ä n g l i c h sind © E r l ä u t e r u n g von d u r c h d a s System vorgeschlagenen Problemlösungen © V e r d e u t l i c h u n g des P r o b l e m l ö s u n g s v o r g a n g s eines Experten

Problemtyp © "Semi-strukturierte" Probleme, die n u r teilweise a u t o m a tisiert werden k ö n n e n ; Keen, Scott Morton (1978)

© K r i t e r i e n z u r A u s w a h l geeigneter P r o b l e m b e r e i c h e ; P r e r a u (1985) © Problemspezifische Kriterien

Integration © V e r w e n d u n g o f t auf freiwilliger Basis © persönliches Ins t r u m e n t © lokale D a t e n h a l t u n g mit Z u g a n g zu globaler Datenhaltung

© oft stand-alone-Realisierung © V e r w e n d u n g a u f freiwilliger Basis © h o h e r G r a d an Vert r a u t h e i t m i t d e m S y s t e m erforderlich

Neuere Entwicklungen © Bereitstellung modellorientierter Ansätze über Spreadsheets; Lilien (1986), Clarke (1987)

© weitere P r o t o t y p e n in M a r k t forschung u n d Marketing, erste S y s t e m e ; Decker, Gaul (1990), Wierenga (1990)

1.5: Informations-,

model!-,

und wissensorientierte

Ansätze

1.3 Bemerkungen

zu eigenen

(Vor-)Arbeiten

15

tensystem"-Diskussionen - wohl nicht den Eindruck entstehen lassen, daß "gute" Software auf jeden Fall auch über eine wissensorientierte Komponente verfügen sollte. Die Entwicklung wissensorientierter Ansätze für die Gebiete Marktforschung und Marketing befindet sich - bezogen auf den Zeitraum, in dem über CEUSAktivitäten berichtet werden kann - erst in der Anfangsphase (siehe z.B. Decker, Gaul (1990) für einen Uberblick über Expertensysteme für Marktforschung und Marketing). Die meiste z.Z. verfügbare Software enthält (noch) keine wissensorientierte Komponenten. Im Rahmen der Beurteilung der Güte von Software ist das Vorhandensein spezieller wissensorientierter Komponenten nur ein Kriterium (siehe z.B. Schneider et al.(1983) für die explizite Angabe eines Kriterienkatalogs bzgl. Software in anderem Zusammenhang). In Software kann aktuelles Wissen über die zugrundeliegende Unterstützungssituation auch ohne explizites Vorhandensein wissensorientierter Komponenten integriert werden. Dabei wurde in den letzten Bemerkungen absichtlich von wissensorientierten Komponenten in der Mehrzahl gesprochen, da evtl. unterschiedliche Wissensdomänen zu berücksichtigen sind (siehe dazu auch die Erklärungen im Zusammenhang mit Abbildung 1.2), die es geeignet miteinander zu verbinden gilt, wodurch weitere Probleme entstehen können, mit denen sich neuere Forschungsrichtungen beschäftigen. Eine "weise" Antwort auf die obige Frage läßt sich aus einer Reihe erkennbarer Bemühungen von verschiedenen Seiten, die Vorteile der verschiedenen Ansätze in integrativen Konzepten zu vereinigen, ablesen: "Die Zukunft g e h ö r t integrativ e n A n s ä t z e n . " Vor diesem Hintergrund ist auch die Entwicklung von

MA1ZIC2

MAN

zu sehen.

1.3

B e m e r k u n g e n zu eigenen (Vor-)Arbeiten i m Zusamm e n h a n g mit d e m Al*4.72./C2.M.4A/'-System

Im eigenen Umfeld sind Fragestellungen zur Ausgestaltung von CEUS für Marktforschung und Marketing seit Mitte der 80er Jahre verstärkt aufgegriffen worden. Durch eigene U n t e r s u c h u n g e n

zur

Verbreitung

und

Nutzung

von

D a t e n a n a l y s e - T e c h n i k e n bei d e u t s c h e n M a r k t f o r s c h u n g s i n s t i t u t e n (siehe z.B. Gaul, Förster, Schiller (1986a), (1986b), Gaul (1987) und Gaul, Homburg (1988)) wurden eigene neue Entwicklungen und Modifikationen von geeigneten, auf Computern ablauffähigen Modellen und Methoden in den Gebieten Marktfor-

16

1 COMPUTERGESTÜTZTE

ENTSCHEIDUNGSHILFEN

schung und Marketing beeinflußt. Abbildung 1.6 (siehe auch Gaul, Förster, Schiller (1986a,b)) zeigt eines der Ergebnisse aus der Umfrage bei deutschen Marktforschungsinstituten. Hier sind wichtige M e t h o d e n nach der Häufigkeit ihrer A n w e n d u n g angeordnet. Dabei geben die Prozentsätze jeweils den Anteil der Institute an, die diese Verfahren mindestens "selten" nutzen, in Klammern ist der Anteil der intensiveren Nutzer (Nutzung erfolgt "manchmal" oder "häufig") vermerkt. In Abbildung 1.6 werden zusätzlich Ergebnisse einer älteren Studie von Greenberg, Goldstucker, Bellenger (1977), die eine Umfrage unter amerikanischen Marktforschungsinstituten durchgeführt hatten, angegeben. Daneben wird noch angezeigt, ob bei der Durchführung der Methoden überwiegend Standardsoftware (st) bzw. eigene Programme (eig) zum Einsatz kamen oder ob die Berechnungen extern (ex) durchgeführt wurden. Die in Abbildung 1.6 wiedergegebenen Aussagen beziehen sich auf StandardTechniken zur Datenanalyse. Für spezielle CEUS-Ansätze müssen Techniken geeignet ausgewählt und mit anderen Hilfsmitteln zur Unterstützung des jeweiligen Anwendungsproblems kombiniert werden. Ergebnisse der in Abbildung 1.6 wiedergegebenen Art liefern für die eigenen Bemühungen zur Ausgestaltung von CEUS für Marktforschung und Marketing wichtige Anhaltspunkte. Neue Entwicklungen und Modifikationen in der Clusteranalyse (siehe z.B. Both, Gaul (1987), Espejo, Gaul (1986), Gaul, Schader (1988a), (1990), Schader, Gaul (1990), (1991)), in der Korrespondenzanalyse oder im "Dual Scaling" (siehe Nishisato, Gaul (1988), (1990)), im Rahmen (probabilistischer) A n s ä t z e in der M D S (MultiDimensionale Skalierung) (siehe z.B. Böckenholt, Gaul (1984), (1985), (1986), (1988) und Gaul (1984), (1987), (1989)) sowie bei der Analyse latenter Klassen (Böckenholt, Gaul (1989)) und die dabei erworbenen Theoriekenntnisse kamen den Anwendungen, z.B. bei der N e u p r o d u k t - E i n f ü h r u n g (siehe z.B. Böckenholt, Gaul (1987) und Gaul, Schaer (1988)) und bei der Kaufverhaltensmodellierung (siehe z.B. Decker, Gaul (1989)), zugute. Sie bilden einen Teil der (Vor-)Arbeiten im Zusammenhang mit Ausgestaltungsfragen von C E U S für Marktforschung und Marketing, die zu dem Entschluß führten, A4 ATZK.AM

mittels Buchvorlage einem größeren Interessentenkreis zugänglich

zu machen (siehe auch Gaul, Böckenholt, Baier (1989), Baier, Gaul (1990b), Gaul, Both (1990), (1991)). Die Beschäftigung mit der CEUS-Thematik hat dabei deutlich werden lassen, daß "Wissen" aus unterschiedlichen Forschungs- und Interessengebieten und interdisziplinäre Anstrengungen für eine erfolgreiche Umsetzung der ver-

1.3 Bemerkungen

zu eigenen

1

Grundauszählung

2

Kreuztabellen

4

17

Häufigkeit der Anwendung in selten o. manchmal o. häufig (nur manchmal o. häufig)

Methode

3

(Vor-)Arbeiten

(1977)

von et.al.

überwiegend verwendete Software

86%

(84%)

st / eig/ex

86%

(85%)

st/eig/ex

Miiielwert/Sid. Korrelat analyse

Ergebnisse Greenberg

ions81%

(82%)

58%

st/eig/ex

(62%)

42%

ex

5

Faktorenanalyse

(62%)

27%

ex

6

Varianzanalyse

(50%)

24%

ex

7

Clusteranalyse

(53%)

30%

ex

(50%)

42%

st/ex

(35%)

18%

ex

8 9 10 11 12 13 14 15

t-Test Diskriminanzanalyse Anpassungstest Nichtparametr. Verfahren Simultane Testverfahren F-Test Zeitreihenzerlegung (Saison,...) MDS

(46%)

st/ex

(32%)

st/ex

(32%)

st/ex

(35%)

st/ex

(32%)

39%

ex

(28%)

30%

ex

16

Exponentielles Glätten

(26%)

ex/eig

17

Kontingenztafeln Logl. Modelle

(13%)

st/ex

18

AID / Tree-Analysis

(15%)

ex

19

ConjointAnalysis

(11%)

ex

20

M ANOVA

(13%)

st

21

Okonometrische Modelle Kausalmodelle

(12%)

st/eig/ex

(7%)

ex

(7%)

st/eig/ex

22 23

Box-Jenkins

Abbildung

1.6:

14%

Anwendung

von Methoden

durch

Märktforschungsinstitute

18

1 COMPUTERGESTÜTZTE

ENTSCHEIDUNGSHILFEN

schiedenen Anforderungen, Wünsche und Gestaltungsrichtlinien von Nöten waren. Beiträge interdisziplinären Charakters sind z.B. in den Proceedingsbänden Gaul, Schader (Eds.) (1986), (1988b) und Schader, Gaul (Eds.) (1990) enthalten, in denen Verbindungen zwischen D a t e n / I n f o r m a t i o n e n (und zugehörigen Auswertungsmöglichkeiten), ( E x p e r t e n ) Wissen (und zugehörigen Techniken der Speicherung, Verarbeitung und Nutzung) und Entscheidungen (und zugehörigen CEUS-Ansätzen) als Beispiele interdisziplinärer A n s t r e n g u n g e n behandelt werden. Im Rahmen der zuvor angesprochenen Einteilung von CEUS in informationsorientierte, modellorientierte und wissensorientierte Ansätze wurde auch erste eigene Software unter Einbeziehung wissensorientierter Ü b e r l e g u n g e n implementiert (siehe z.B. Böckenholt, Both, Gaul (1988), (1989) und Gaul, Schaer (1988) für erste eigene Prototypen von Expertensystemen für Marktforschung und Marketing). In Decker, Gaul (1990) wird ein Uberblick über den augenblicklichen Stand der Expertensystem-Entwicklung für Marktforschung und Marketing gegeben. Weitere Beiträge, in denen auch auf wissensorientierte Aktivitäten eingegangen wird, sind die Arbeiten von Gaul, Schader (1989), Gaul, Schader, Both (1990) sowie von den Autoren des Buches (Baier, Gaul (1990a), (1990b)). Zur Zeit wird in Zusammenarbeit mit einer Hamburger Forschergruppe unter der Bezeichnung W I M D A S (Wissensbasiertes Marketing-Daten-AnalyseS y s t e m ) Software entwickelt, wo auf Erfahrungen aufgebaut werden kann, die bei der Implementation des Prototypen D A N E X ( D a t a A N a l y s i s E X p e r t ) gesammelt wurden.

1.4

AtA-HJC^AiAAf als informations- und modellorientierter A n s a t z mit einer durch die A u t o r e n g e s t a l t e t e n Wissensstrukturierung

Die bisherigen Ausführungen sollten andeuten, daß in der bekannten Literatur viel "Vor"Wissen im Zusammenhang mit der C E U S - P r o b l e m a t i k vorhanden ist, das es bei der Erstellung eigener Software zu berücksichtigen gibt, und mithelfen, das nachfolgend beschriebene MAR.K?M. AV-System im Rahmen der unterschiedlichen CEUS-Ansätze zu positionieren und zu würdigen. Dabei kommen informationsorientierte Überlegungen ins Spiel, weil D a t e n aus den Gebieten Marktforschung und Marketing aufbereitet werden müssen. Modellorien-

1.4

MAVX?MAM

19

t i e r t e Ü b e r l e g u n g e n kommen zum Tragen, weil M o d e l l e und M e t h o d e n aus der D a t e n a n a l y s e und der S t a t i s t i k zur Weiterverarbeitung der aufbereiteten Daten benötigt werden und weil zur Ableitung und Auswahl von Entscheidungsalternativen geeignete M a r k e t i n g - M o d e l l e (deren Geeignetheit gegebenenfalls mit vorgeschalteten (statistischen) Datenanalyse-Methoden überprüft wurde) zum Einsatz gelangen.

Abbildung

1.7:

Augenblicklicher

Umfang der MA1ZK.2MAAi-

Unterstützung

Die Vielzahl der möglichen interessanten Themenstellungen, deren Bearbeitung mit CEUS-Software man sich wünschen würde, zwang zu Beschränkungen, die

1 COMPUTERGESTÜTZTE

20

ENTSCHEIDUNGSHILFEN

auch durch individuelle, subjektive Präferenzen und situative Bedingungen mitbestimmt wurden. Abbildung 1.7 gibt einen Uberblick über den augenblicklichen U m f a n g der Themenstellungen, zu denen U n t e r s t ü t z u n g durch SAA-IZK, 2 M . A A Í bereitgestellt wird. Es handelt sich um zehn Anwendungsmodule, wobei aber die Anzahl der zum Einsatz gelangenden Modelle und Methoden viel größer ist, weil in einzelnen Anwendungsmodulen z.T. "Klassen von Methoden" verfügbar sind bzw. Modellteile unterschiedlicher Modelle kombiniert werden können. "Positionierung" und "Segmentierung" bezeichnen z.B. wichtige grundlegende Problemstellungen, in denen Aktivitäten aus Marktforschung und Marketing zu SynergieefFekten führen. In der "Neuprodukt-Einführung" - mit einer Unterteilung in Pre-Testmarkt- und Testmarkt-Ansätze - lassen sich z.B. in anderen Anwendungsmodulen bereitgestellte Lösungsverfahren für neue Zielsetzungen kombinieren. Dabei ist nach dem bisher Gesagten noch die Frage offen, wie wissensorient i e r t e Überlegungen in MÄTUC'M AM Berücksichtigung finden. Hier standen die Autoren vor dem Problem, für M.ÄRX?M.AN

eine eigene wissensorientierte

Komponente vorzusehen, die die Systemsteuerung übernimmt, oder Wissen in den Systemablauf so zu integrieren, daß vorgegebene Folgen von Systemschritten nach Aktivierung durch den Nutzer automatisch ablaufen. In M.ASRKP'M AM'ist die zweite Alternative realisiert. Die Realisierung der ersten Alternative - einer eigenständigen wissensorientierten Komponente - hätte eine wesentliche Einschränkung auf solche Problemstellungen bedeutet, für die eine vorzeigbare Wissensbasis schon Allgemeingut ist. Ein Punkt soll hier noch besonders betont werden: Bei ./Vt«4.7£7C2.A/i.4A/Anwendungen gelangen Modelle und M e t h o d e n zum Einsatz, deren genaue Einsatzbedingungen eine gehörige Portion "Kenntnis und Verständnis" von quantitativer Modellbildung voraussetzen. Bei der nachfolgenden Á4ATZ/C2 .MAV-Beschreibung wird nur, wenn es nicht vermeidbar scheint, mathematische Notation eingesetzt. Entsprechend der Zielsetzung dieses Buches werden für an der mathematischen Modellbildung Interessierte spezielle, ausgewählte Literaturhinweise gegeben, wo man sich in dieser Richtung vertiefen kann.

1.5

Literaturverzeichnis

Baier,D.,

Gaul,W.

(1990a):

Entscheidungsunterstützung

bei

der

Auswertung

von

Primärforschungsdaten - Ein Konzept zur Verbindung von Wissensbasis, Daten-

1.5

Literaturverzeichnis

21

bank und Methoden, in: Operations Research Proceedings 1989, Springer, Berlin Heidelberg New York, 406-413. Baier,D., Gaul,W. (1990b): Computer-Assisted Market Research and Marketing Enriched by Capabilities of Knowledge-Based Systems, in: New Ways in Marketing and Market Research, E M A C / E S O M A R Symposium, Athens, 139-160. Baldwin,D., Kasper,G.M. (1986): Towards Representing Management-Domain Knowledge, Decision Support Systems, 2, 159-172. Böckenholt,I., Both,M., Gaul,W. (1988): PROLOG-Based Decision Support for D a t a Analysis in Marketing, in: Gaul,W., Schader,M. (Eds.), D a t a , Expert Knowledge and Decisions, Springer, Berlin Heidelberg New York, 19-34. Böckenholt,I., Both,M., Gaul,W. (1989): A Knowledge-Based System for Supporting D a t a Analysis Problems, Decision Support Systems, 5, 345-354. Böckenholt,I., Gaul,W. (1984): A Multidimensional Analysis of Consumer Preference Judgements Related to Print Ads, in: Methodological Advances in Marketing Research in Theory and Practice, E M A C / E S O M A R Symposium, Copenhagen, 83-105. Böckenholt,I., Gaul,W. (1985): Zur mehrdimensionalen Analyse von Bildinformationen in Anzeigen für Imagery-Produkte, Viertel-Jahreshefte für Mediaplanung, 4, 20-29. Böckenholt,I., Gaul,W. (1986): Analysis of Choice Behaviour via Probabilistic Ideal Point and Vector Models, Applied Stochastic Models and D a t a Analysis, 2, 209-226. Böckenholt,I., Gaul,W. (1987): New Product Introduction Based on Pre-Test Market D a t a , in: Micro and Macro Modeling: Research on Prices, Consumer Behaviour and Forecasting, E M A C / E S O M A R Symposium, Tutzing, 77-96. Böckenholt,I., Gaul,W. (1988): Probabilistic Multidimensional Scaling of Paired Comparisons Data, in: Bock,H.H. (Ed.), Classification and Related Methods of D a t a Analysis, North Holland, Amsterdam, 405-412. Böckenholt,I., Gaul,W. (1989): Generalized Latent Class Analysis: A New Methodology for Market Structure Analysis, in: O p i t z , 0 . (Ed.), Conceptual and Numerical Analysis of Data, Springer, Berlin Heidelberg New York, 367-376. Boose,J.H. (1986): Expertise Transfer for Expert System Design, North-Holland, Amsterdam. Both,M., Gaul,W. (1987): Ein Vergleich zweimodaler Clusteranalyseverfahren, Methods of Operations Research, 57, 593-605. Clarke,D.G. (1987): Marketing Analysis and Decision Making, Scientific Press, Redwood City, CA. Decker,R., Gaul,W. (1989): Classification and Selection of Consumer Purchase Behaviour Models, in: Opitz,0. (Ed.), Conceptual and Numerical Analysis of Data, Springer, Berlin Heidelberg New York, 389-398.

22

1 COMPUTERGESTÖTZTE

ENTSCHEIDUNGSHILFEN

Decker,R., Gaul,W. (1990): Einige Bemerkungen über Expertensysteme für Marketing und Marktforschung, Marketing ZFP, 12, 257-271. Espejo,E., Gaul,W. (1986): Two-Mode Hierarchical Clustering as an Instrument for Marketing Research, in: Gaul,W., Schader,M. (Eds.), Classification as a Tool of Research, North Holland, Amsterdam, 121-128. Gaul,W. (1984): Datenanalyse auf der Basis von Ordinalurteilen, Studien zur Klassifikation, 15, 142-152. Gaul,W. (1987): Zum Einsatz von Datenanalysetechniken in der Marktforschung, in: O p i t z , 0 . , Rauhut,B. (Eds.), Ökonomie und Mathematik, Springer, Berlin Heidelberg New York, 396-408. Gaul,W. (1989): Probabilistic Choice Behaviour Models and their Combination with Additional Tools Needed for Applications to Marketing, in: DeSoete,G., Feger,H., Klauer,K.C. (Eds.), New Developments in Psychological Choice Modeling, North Holland, Amsterdam, 317-337. Gaul,W. (1991): Computer-Assisted Market Research and Marketing (Where are the Expert Systems?), in: Proceedings of the 30th Annual E P h M R A Conference, Vienna, 47-74. Gaul,W., Böckenholt,I., Baier,D. (1989): PC-Gestiitztes Marketing-Management, ONL I N E '89 Proceedings, Kongress VI, 12. Europäische Kongreßmesse für Technische Kommunikation, Hamburg. Gaul,W., B o t h , M . (1990): Computergestütztes Marketing, Springer, Berlin Heidelberg New York. Gaul,W., Both,M. (1991): Interdisziplinarität und Integration als Anforderung an "Electronic Marketing", in: Hermanns,A., Flegel,V. (Hrsg.), Handbuch des Electronic Marketing, Becker Verlag, 72-99. Gaul,W., Förster,F., Schiller,K. (1986a): Typologisierung deutscher Marktforschungsinstitute: Ergebnisse einer empirischen Studie, Marketing Z F P , 8, 163-172. Gaul,W., Förster,F., Schiller,K. (1986b): Empirische Ergebnisse zur Verbreitung und Nutzung von Statistiksoftware in der Marktforschung, in: Tagungsband zur 3. Konferenz über die wissenschaftliche Anwendung von Statistik-Software, Fischer, Stuttgart, 323-332. Gaul,W., Homburg,Ch. (1988): The Use of Data Analysis Techniques by German Market Research Agencies, Journal of Business Research, 17, 67-79. Gaul,W., Schader,M. (Eds.) (1986): Classification as a Tool of Research, North-Holland, Amsterdam. Gaul,W., Schader,M. (1988a): Clusterwise Aggregation of Relations, Applied Stochastic Models and D a t a Analysis, 4, 273-282.

1.5

Literaturverzeichnis

23

Gaul,W., Schader,M. (Eds.) (1988b): Data, Expert Knowledge and Decisions: An Interdisciplinary Approach with Emphasis on Marketing Applications, Springer, Berlin Heidelberg New York. Gaul,W., Schader,M. (1989): Data Analysis and Decision Support, Applied Stochastic Models and Data Analysis, 5, 341-356. Gaul,W., Schader,M., Both,M. (1990): Knowledge-Oriented Support for Data Analysis Applications to Marketing, in: Schader,M., Gaul,W. (Eds.), Knowledge, D a t a and Computer-Assisted Decisions, Springer, Berlin Heidelberg New York, 259-271. Gaul,W., Schaer,M. (1988): A PROLOG-Based PC-Implementation for New Product Introduction, in: Gaul,W., Schader,M. (Eds.), Data, Expert Knowledge and Decisions, Springer, Berlin Heidelberg New York, 42-53. Greenberg,B.A., Goldstucker,J.L., Bellenger,J.N. (1977): What Techniques are Used by Marketing Researchers in Business?, Journal of Marketing, 41, 62-68. Harmon,P., King,D. (1985): Expert Systems, Wiley, New York. Keen,P.G.W., Scott Morton,M.S. (1978): Decision Support Systems: An Organizational Perspective, Addison-Wesley, Reading, MA. Lilien,G.L. (1986): Marketing Mix Analysis with LOTUS 1-2-3, Scientific Press, Redwood City, CA. Little,J.D.C. (1970): Models and Managers: The Concept of a Decision Calculus, Management Science, 16, 466-485. Little,J.D.C. (1979): Decision Support Systems for Marketing Managers, Journal of Marketing, 43, 9-26. Lodish,L.M. (1971): CALLPLAN: An Interactive Salesman's Call-Planning System, Management Science, 18, 25-40. Montgomery,G.B., Urban,G.L. (1969): Management Science in Marketing, Prentice-Hall, Englewood Cliffs, NJ. Nishisato,S., Gaul,W. (1988): Marketing Data Analysis by Dual Scaling, International Journal of Research in Marketing, 5, 151-170. Nishisato,S., Gaul,W. (1990): An Approach to Marketing Data Analysis: The Forced Classification Procedure of Dual Scaling, Journal of Marketing Research, 27, 354360. Prerau,D.S. (1985): Selection of an Appropriate Domain for an Expert System, AI Magazine, 6, 26-30. Schader,M., Gaul,W. (Eds.) (1990): Knowledge, Data and Computer-Assisted Decisions, NATO ASI Series F: Computer and System Sciences, 61, Springer, Berlin Heidelberg New York.

24

1 COMPUTERGESTÜTZTE

ENTSCHEIDUNGSHILFEN

Schader,M., Gaul,W. (1990): The MVL (Missing Value Linkage) Approach for Hierarchical Classification when Data are Incomplete, in: Schader,M. (Ed.), Analyzing and Modeling D a t a and Knowledge, Springer, Berlin Heidelberg New York, 107-115. Schader,M., Gaul,W. (1991): Pyramidal Clustering with Missing Values, in: Diday,E., Lechevallier,Y. (Eds.), Symbolic-Numeric D a t a Analysis and Learning, Nova Science Publishers, New York, 523-534. Schneider,S., Schwab,P., Renninger,W. (1983): Wesen, Vergleich und Stand von Software zur Produktion von Systemen der computergestützten Unternehmensplanung, Arbeitsbericht des Institut für Mathematische Maschinen und Datenverarbeitung (Informatik), 16, Universität Erlangen, Nürnberg. Sprague,R.H., Carlson,E.D. (1982): Building Prentice-Hall, Englewood Cliffs, NJ.

Effective Decision

Support

Systems,

Tello,E. (1985): Knowledge Systems for the I B M PC, Part 1, Computer Language, 71-83, Part 2, Computer Language, 87-102. Wierenga,B. (1990): The First Generation of Marketing Expert Systems, Working Paper 90-009, Wharton School, University of Pennsylvania.

25

E i n f ü h r u n g in das MAR,K2MAJ\i-

2

System

Die zunehmende Leistungsfähigkeit von Rechnern selbst im PC-Bereich und entsprechende Entwicklungen bei der Software ermöglichen es seit einiger Zeit, (Marketing-)Managern zur Lösung ihrer Problemstellungen speziell auf ihre Belange zugeschnittene computergestützte Entscheidungshilfen anzubieten. Nach einführenden Bemerkungen zu dieser Thematik im vorigen Kapitel wird im folgenden selbstentwickelte Software - das

MAWOM AM (MARKtforschung &

MARKeting

MANagement)-System - überblicksartig vorgestellt. Hierbei sind zunächst Fragen zur Systemphilosophie und -architektur zu klären, bevor nachfolgend die Systeminstallation mit der zugehörigen Diskette und allgemeine Systembedienungen erläutert werden.

2.1

Wie ist MAKK2MAM

aufgebaut?

M ATZIC2M AM versucht als CEUS-System, idealtypischen Vorstellungen

computer-

basierter Entscheidungsunterstützung nahe zu kommen, wie sie bereits von Montgomery, Urban (1969) bzw. in abgeänderter Form von Little (1979a, 1979b) für Marketing-Fragestellungen propagiert und inzwischen (teilweise) in konkrete Systeme umgesetzt wurden. Darüber hinaus ist - wie in Kapitel 1 schon erläutert - bei

MAHK,2MAM

Expertenwissen in den Systemablauf integriert worden. Bei der

bildlichen Umsetzung in Abbildung 1.2 wurde in populärwissenschaftlicher Weise ein CEUS-System bereits idealisiert im komplexen, durch Stichworte wie M e n schen, Maschinen, Informationen, W i s s e n und Entscheidungen beschreibbaren Spannungsfeld dargestellt. Eine solche Entscheidungshilfe soll als • ein koordiniertes System von Daten und Analysemethoden, das bei der Sammlung von (relevanten) Informationen sowie bei deren Auswertung und Aufbereitung zu Entscheidungsgrundlagen für Marketing-Aktivitäten unterstützend wirkt, (siehe z.B. Little (1979a, 1979b)) eingesetzt werden. Deutlich ist in der Darstellung von Abbildung 1.2 die (idealtypische) Aufteilung in vier Komponenten zu erkennen, in eine Datenbank, eine Modellbank, eine M e t h o d e n b a n k und eine Benutzerschnittstelle, die sich im Sinne der angestrebten Unterstützung durch D a t e n - / Informationsflüsse vielfältig verknüpfen lassen.

2 EINFÜHRUNG

26

IN DAS

MA1VC2MAM-SYSTEM

Wie diese traditionelle Aufteilung in vier Komponenten bei der Realisierung des MA7llC2MAJ\i-Systems

beibehalten wurde, zeigt die in Abbildung 2.1 wiederge-

gebene Strukturierung. Darüber hinaus erfolgte eine Unterteilung der Inhalte der einzelnen K o m p o n e n t e n , um sie einer Integration von Expertenwissen besser zugänglich zu machen. Es wurden jeweils Teile (in Abbildung 2.1 durch in die Komponenten eingezeichnete kleine Rechtecke repräsentiert) mit aus Sicht der Autoren bzw. unter Rückgriff auf die Literatur zusammengehörigen Elementen gebildet, z.B. bei der Benutzerschnittstelle Teile mit ähnlichen Aktivierungswünschen durch potentielle Nutzer, bei der Datenbank Teile mit ähnlichen Datengrundlagen, bei der Methodenbank Teile mit in ähnlichem Auswertungsu m f e l d / f ü r ähnliche Auswertungszielsetzungen einsetzbaren M e t h o d e n und bei der Modellbank Teile mit ähnlichen Modellen zur Beschreibung zu behandelnder Problemstellungen. Abbildung 2.1 kann als eine grundlegende Darstellung für das Verständnis der Funktionsweise des

MA7ltC2AiAA/"-Systems

angesehen werden. In den nachfolgenden Kapiteln wird jeweils auf verschiedene Ausgestaltungen und Verknüpfungen der in Abbildung 2.1 noch leeren Rechtecke ausführlicher eingegangen. An dieser Stelle sollen nur einige allgemeine Hinweise gegeben werden (wobei in Klammern diejenigen Buchkapitel vermerkt sind, in denen ausführliche Erläuterungen erfolgen): • Die Datenbank dient traditionell zur Speicherung von (relevanten) Daten/Informationen über das Marketing-Umfeld, die entweder erhoben oder aus anderen Daten/Informationen abgeleitet wurden. Die Komplexität des Marketing-Umfeldes spiegelt sich hierbei auch in der Vielfalt der (möglichen) Datengrundlagen wider und in der Vielfalt der Quellen, aus denen entsprechende Daten/Informationen beschafft werden können. Auflistungen wichtiger Datengrundlagen und Quellen, die zur Informationsbeschaffung für Marketing-Entscheidungen Verwendung finden können bzw. üblicherweise Verwendung finden, sowie Gliederungsvorschläge zur Unterteilung dieses Problembereichs sind z.B. Gaul, Both (1990, Teil III "Zur Informationsgrundlage für Marketing-Entscheidungen") zu entnehmen. Bei MAHtC2A4AAfwird

die Auswertung einer Vielzahl von Datengrundlagen,

die von den Autoren als besonders wichtig erachtet wurden, unterstützt. Es sind dies z.B. — Daten bzgl. Wahrnehmungen bzw. Beschreibungen von (konkurrierenden) Untersuchungsobjekten (Produkte, Hersteller, . . . ) (zur näheren Be-

2.1 Wie ist MÄRK?MAN

27

aufgebaut?

Benutzerschnittstelle

Methodenbank

Modellbank

Datenbank

Abbildung

2.1:

Komponenten Verknüpfungen

des AiAIZ-K^MAhf-Systems zwischen

den

Komponenten

mit

beispielhaften

2 EINFÜHRUNG

28

IN DAS

MÄRK?MASf-SYSTEM

Schreibung dieser Datengrundlagen siehe die entsprechenden Abschnitte der Kapitel 3, 4, 5, 9 und 10), - individuelle Daten bzgl. Präferenzen hinsichtlich (konkurrierender) Untersuchungsobjekte (Kapitel 5 und 9), - individuelle Daten bzgl. Segmentzuordnungen (Kapitel 4, 5 und 9), - individuelle Daten bzgl. Auswahlentscheidungen (Kapitel 6 und 9), - (periodisch oder segmentspezifisch) aggregierte Daten bzgl. MarketingMix-Aspekten, bzgl. Marktanteilen, Absatz, Bekanntheit, Probier- und Wiederkauf von Neuprodukten oder etablierten Produkten (Kapitel 6, 7, 8 und 10) und - Daten bzgl. Annahmen und Vermutungen über Ursache-/Wirkungszusammenhänge zwischen Marketing-Mix-Instrumenten und Marktreaktionen (Kapitel 7). • Die Modellbank 1 eines computerbasierten Entscheidungsunterstützungssystems soll einerseits bekannte Modelle zur Beschreibung und Lösung von Marketing-Problemstellungen zur Verfügung stellen (z.B. Modelle zur Untersuchung des Auswahlverhaltens von Konsumenten) und andererseits dazu dienen, z.B. mit statistischen Methoden gefundene Spezifikationen von Variablenmengen und ihrer Beziehungen untereinander (etwa die Bestimmung funktionaler Zusammenhänge zwischen Preisen der wichtigsten Konkurrenten und zugehörigen Auswahlwahrscheinlichkeiten sowie geschätzte Parameter eines erfolgreich angepaßten und getesteten entsprechenden Modells) zu speichern, durch die sich empirisch überprüfte Modellvarianten auszeichnen. MÄRK?M.

AN verwaltet eine ganze Reihe von Modellen, deren Unterteilung

sich wiederum an einer Strukturierung von Lilien, Kotler (1983) orientiert, z.B.: - Wahrnehmungs- und Beschreibungsmodelle (Kapitel 3, 4, 5, 9 und 10), - ein- und mehrdimensionale Präferenzmodelle (Kapitel 5 und 9), - Auswahlmodelle (Kapitel 6, 8 und 9), - Bekanntheits-, Probierkauf-, Wiederkauf- und Marktanteilsmodelle (Kapitel 7, 8 und 9) und ' U n t e r einem Modell wird hier die Spezifikation einer Variablenmenge u n d ihrer Beziehungen u n t e r e i n a n d e r verstanden m i t der Absicht, ein System oder einen Prozeß (zumindest teilweise) zu beschreiben (siehe z.B. Lilien, Kotier (1983), S.10).

2.1 Wie ist MAIDOMAN

aufgebaut?

29

— Absatz-, Umsatz- und Gewinnmodelle (Kapitel 7). • In

der

Methodenbank

werden

einfache datenverdichtende

Verfahren

(z.B. Aggregationen, Transformationen von Werten) aber auch komplexe (statistische) datenauswertende Techniken (z.B. regressions- oder clusteranalytische Methoden) und Algorithmen zur Lösung der zuvor angesprochenen Modelle bereitgestellt, die es z.B. erlauben, entsprechende Sichten auf Daten zu erzeugen oder Hypothesen zu testen. Dazu gehören auch Methoden zur Optimierung, zur Szenarien- und zur Sensitivitätsanalyse, damit unter Verwendung von Modellrechnungen z.B. Prognosen und Verbesserungsvorschläge für Marketing-Aktivitäten generiert werden können (Bei Little (1979a, 1979b) wurden die letzteren Methoden in einer eigenständigen Komponente zur Optimierung zusammengefaßt.). Bei der Unterteilung solcher Methoden in Klassen mit ähnlichem Auswertungsumfeld bzw. für ähnliche Auswertungszielsetzungen lassen sich für MAKK?MAN

z.B. nennen:

— Methoden zur Behandlung fehlender Werte (z.B. Ersetzung durch mittlere Ausprägungen (Kapitel 3, 4 und 5)), — Methoden zur Transformation von Werten (z.B. z-Transformation (Kapitel 3 und 4)), — Methoden zur Aggregation (z.B. Mittelwertbildung, Auszählung (Kapitel 4 und 5)), — Methoden zur Repräsentation (z.B. Hauptkomponentenanalyse, KruskalMDS (Kapitel 3)), — Methoden zur Interpretation (z.B. Property Fitting (Kapitel 3)), — Methoden zur Klassifikation (z.B. ein- und zweimodale hierarchische Clusteranalyse (Kapitel 4, 5 und 9)), — Methoden zur Präferenzmodellierung (z.B. Thurstone-Skalierung, externe wandernder Idealpunkt-Analyse (Kapitel 5 und 9)), — Methoden zur Auswahlmodellierung (z.B. Logit-Modellierung (Kapitel 6, 7, 8 und 9)) und — Methoden zur Bekanntheits-, Marktanteils- und Absatzmodellierung (Kapitel 6, 7, 8 und 9).

2 EINFÜHRUNG IN DAS M AHK.2M AN-S YST EM

30

• Über die B e n u t z e r s c h n i t t s t e l l e erfolgt die Kommunikation (des MarketingManagers) mit dem computerbasierten Entscheidungsunterstützungssystem. So können bei M A ' R . K Ï M A N durch einfaches Drücken von Funktionstasten Aktivierungswünsche in bezug auf die Durchführung von Systemtätigkeiten geäußert werden, die folgende Aufgabenstellungen umfassen: — Positionierungsanalysen auf Basis von Wahrnehmungs- bzw. Beschreibungsmodellen (Kapitel 3, 5, 9 und 10), — Segmentierungsanalysen auf Basis von (hierarchischen) Segmentierungsmodellen (Kapitel 4, 5 und 9), — segmentspezifische Positionierungsanalysen

auf Basis von Segmentie-

rungsmodellen und Wahrnehmungs- bzw. Beschreibungsmodellen (Kapitel 4, 5 und 9), — segmentspezifische Präferenzanalysen auf Basis von Segmentierungsmodellen und ein- bzw. mehrdimensionalen Präferenzmodellen (Kapitel 5 und 9), — Marktanteilsprognosen auf Basis von Auswahlmodellen (Kapitel 6, 7 und 8), — Bekanntheits-, Probier- und Wiederkaufprognosen für Neuprodukte (Kapitel 8 und 9), — Absatz-, Umsatz- und Gewinnprognosen bei etablierten Produkten auf Basis entsprechender Modelle (Kapitel 7) sowie jeweils Sensitivitäts- und Szenarienanalysen, — Aktivierungen der Datenverwaltung für Eingaben, Ausgaben oder Änderungen von Datengrundlagen (Kapitel 2) und — Aktivierungen von Hilfestellungen (Kapitel 2). Auf Basis der soeben vorgestellten Unterteilungen erfolgt bei

MATZK.2MAAi

eine benutzerfreundliche Organisation der Verbindungsmöglichkeiten der einzelnen Komponenten über sogenannte Anwendungsmodule: Ein AAA-TZICfyAAAÎA n w e n d u n g s m o d u l ist ein Subsystem von MATZK2MAN",

das Teile der Kompo-

nenten Datenbank, Modellbank, Methodenbank und Benutzerschnittstelle über Daten-/Informationsflüsse in einer Art und Weise verknüpft, daß das Zusammenwirken der einzelnen Komponenten unter entsprechenden Anwendungsgesichtspunkten als besonders geeignet zur Entscheidungsunterstützung angesehen werden kann.

2.1 Wie ist MAKK2MAM

aufgebaut?

31

Im einzelnen handelt es sich um folgende Module, deren einzelne Anwendungsmöglichkeiten von den Autoren als besonders wichtig erachtet werden und jeweils unter einem aussagekräftigen Stichwort zusammengefaßt worden sind: 'Positionierung', ' S e g m e n t i e r u n g ' , 'Präferenz', 'Auswahl', ' M a r k e t i n g - M i x ' , ' T e s t m a r k t ' (2 Module), ' P r e - T e s t m a r k t ' (2 Module) und 'Portfolio'. Hinweise auf diese Anwendungsmodule konnte man bereits der Abbildung 1.7 in Abschnitt 1.4 entnehmen, ausführlicheren Beschreibungen sind jeweils einzelne nachfolgende Kapitel mit entsprechenden Kapitelüberschriften gewidmet. Aufgrund der Komplexität des Marketing-Umfelds und der zugehörigen Aufgabenstellungen wurden die Z u o r d n u n g e n von Teilen der K o m p o n e n t e n d e s A/1.4.7?./C2.A4»4A/'-Systems zu den e n t s p r e c h e n d e n

Anwendungsmodulen

nicht in einander ausschließender Weise realisiert, was dem Benutzer des

MA7ZIC2

.MAV-Systems zugute kommt, da er von unterschiedlichen Anwendungsmodulen aus auf die gleichen Inhalte von Datenbank, Modell- sowie Methodenbank und Benutzerschnittstelle des AiA7ZIC2MAV-Systems

- eventuell aber unter anderen

Gesichtspunkten - zugreifen kann. Zur Verdeutlichung sei folgendes Beispiel betrachtet: Untersucht ein Benutzer mit dem Anwendungsmodul 'Positionierung' die aktuellen Positionierungen etablierter Produkte eines interessierenden Marktes und hat er hierzu entsprechende Datengrundlagen bereitgestellt und gewünschte Wahrnehmungs- bzw. Beschreibungsmodelle analysiert, so kann er anschließend - eventuell unter Verwendung zusätzlicher oder alternativer Datengrundlagen - z.B. mit dem Anwendungsmodul 'Pre-Testmarkt' Chancen und Risiken einer aus seiner Sicht günstig erscheinenden Neuprodukt-Einführung in diesen Markt abschätzen oder z.B. mit dem Anwendungsmodul 'Präferenz' bestehende Präferenzstrukturen von Käufersegmenten mit Präferenzmodellen unter Rückgriff auf die vorhandenen gleichen Datengrundlagen, Modelle und Methoden analysieren. Neben den soeben erläuterten Unterteilungen, die eingeführt wurden, um die Integration von Expertenwissen zu ermöglichen, kann bei den Komponenten Datenbank und Modellbank des M.ÄRX?M.

AV-Systems noch eine zweite Strukturierung

Anwendung finden, nämlich die nach dem sogenannten ( A r b e i t s - ) B e r e i c h (siehe auch Abschnitt 2.4 dieses Kapitels und Kapitel 11 zur Erläuterung dieses Begriffs): Datengrundlagen aus unterschiedlichen Teilen der Datenbank (z.B. Daten zu Wahrnehmungen von Produkten, zu Präferenzen hinsichtlich konkurrierender Produkte und zu Auswahlentscheidungen) und Modellspezifikationen aus unterschiedlichen Teilen der Modellbank (z.B. Spezifikationen von empirisch angepaßten Wahrneh-

2 EINFÜHRUNG

32

IN DAS

MAKtC2MAAf-SYSTEM

mungsmodellen, von aufgrund von Vorkenntnissen ausgesuchten Präferenzmodellen oder theoretisch postulierten Auswahlmodellen), die sich auf gemeinsame Marktgegebenheiten oder gemeinsame zugrundeliegende Untersuchungszusammenhänge beziehen, werden beim Speichern mit einer entsprechenden Kennung versehen und sind daher auch bei späteren Aufrufen von (anderen) Anwendungsmodulen wieder einem (Arbeits-)Bereich automatisch zuordenbar. Insgesamt werden so durch die B e n u t z e r s c h n i t t s t e l l e über entsprechende Anwendungsmodule vielfältige K o m m u n i k a t i o n s m ö g l i c h k e i t e n z w i s c h e n A n w e n d e r u n d ¿AA7Z-1C 2 /AAV-System bereitgestellt, die dem Leser - nicht zuletzt über die vielen Screen-Abbildungen, die verschiedene Situationen und Zustände im Kommunikationsprozeß beschreiben - aufgrund der nachfolgenden Erläuterungen bald vertraut sein werden. Allgemeine Bedienungshinweise für MA1UC2MAM

bzw. für die einzelnen Anwendungsmodule werden in den an-

schließenden Abschnitten gegeben, spezielle Bedienungshinweise zu einzelnen Teilen der Anwendungsmodule sind den entsprechenden Abschnitten der nachfolgenden Kapitel zu entnehmen.

2.2 W i e kann m a n A i A H K 2 / A A A f installieren und starten? Das MATIK,2MAA/"-System

wurde mit Hilfe der Entwicklungsumgebung Turbo

Pascal 5.02 erstellt und ist lauffähig auf Personal Computern mit Festplatte unter dem Betriebssystem PC-DOS 3.x bzw. MS-DOS 3.x und aufwärts. Es ist ein Video-Adapter erforderlich, wahlweise Hercules, EGA oder VGA. Zu Beginn der Nutzung des M A T Z ^ A i A J ' / S y s t e m s auf dem jeweiligen Rechner wird die vorhandene Hardware geprüft und automatisch in den entsprechenden Grafikmodus geschaltet. Der Hauptspeicherbedarf ist von der Anwendung abhängig, es sollten jedoch nicht weniger als 570 kB Hauptspeicher frei zur Verfügung stehen. Für die Software des M A I Z K ^ M AV-Systems werden etwa 5.1 MB Speicherplatz auf der Festplatte benötigt. Zur Installation des MA7ifC2MAA/*-Systems

starten Sie Ihren Computer wie

gewohnt. Wenn das Prompt des Betriebssystems erscheint, legen Sie die Diskette des MÄR.K,2M AV-Systems in das zugehörige Laufwerk und wechseln zur Installation mit dem aktuellen Dateiverzeichnis, z.B. über den B e f e h l A:, auf das entsprechende Laufwerk. Anschließend beginnen Sie die Installation mit dem B e f e h l I N S T A L L , 2

T u r b o Pascal ist ein geschütztes Warenzeichen von Borland International.

2.2 Wie kann man M AKK,2M AM installieren

und

starten?

33

d.h. A:\> INSTALL Return Das Dateiverzeichnis \USER\MARK2MAN wird (falls es noch nicht existiert) angelegt. Alle Dateien und Programme des MATVC2MAA/"-Systems

werden in "gepacktem"

Zustand auf die Festplatte in das Dateiverzeichnis \USER\MARK2MAN kopiert und dort "entpackt". Zwischendurch wird das Dateiverzeichnis \USER\MARK2MAN zum aktuellen Dateiverzeichnis. Nach Beendigung des Lesevorgangs der Diskette ist das MAWC2MAN-System

installiert. Die Diskette wird jetzt nicht mehr benötigt und

sollte aus dem Laufwerk entfernt werden. Mit dem B e f e h l M A R K 2 M A N , d.h. C:\USER\MARK2MAN> MARK2MAN Return kann MA1ZfC2MAAf

jetzt gestartet werden. Das MATi!C2MAM-System

meldet

sich mit dem in Abbildung 2.2 wiedergegebenen Screen. Bei Bedarf können Sie nun durch (evtl. mehrfaches) gleichzeitiges Drücken der Tasten Shift und F2 auf eine andere Färb- bzw. Schwarz-/Weißdarstellung umschalten. sfwnse

progn. Bekanntheit ('/.>

20

40

60

beob . Bekanntheit Uolfgang Gaul Daniel Baier Institut fuer Entscfteidungstheorie und Unternehmensforschung Universitär KirlsruheCTK) 15000loooo-

one-node CA (average linkage) Objekte Z-Tr., q. eukl. Di st. F1-ftnwendungsuah1 FIO ESC Abbildung

2.2:

Start-Screen

1 2 3 4 6 i 9 10 - 11 B ©obacht urn * progn. Abcatz

des M

AVX?MAM-Systems

12 13 14 16

34

2

E I N F Ü H R U N G I N

D A S

M

A K & M

A N - S Y S T E M

Bereits bei diesem Start-Screen und bei allen anderen Screens des ist zu erkennen, daß in den Screens von

MAN-Systems

M A ~ R . K ? M A N

M . A V X ?

am un-

teren Rand eine K o m m a n d o z e i l e vom übrigen Teil der (des) Screen-Inhalte(s) abgetrennt wird. Zur A n w e n d u n g s w a h l (der in .M*4.7£/C 2 A / t.4A/'möglichen A n w e n d u n g s m o d u l e ) drücken Sie die Taste Fl , wie dies in der Kommandozeile auch angezeigt wird. Auf dem Screen erscheint in der linken oberen Ecke ein A u s w a h l - M e n ü der Anwendungsmodule des

MATZ1C2M

AA/'-Systems. Dieser Screen-Inhalt ist in Abbil-

dung 2.3 wiedergegeben. Index fuer Uei beresponse 1.5

!it

Segnentierung Praeferenz Market ing-M ix Tsstnarkt 1 Testnarkt 2 Pra-Tafitnarkt 1 Pra-Testharkt 2 Rortfolio

Bezugs wert - Wolfgang Gaul Daniel Baier Institut fuer Entsc^teidungstheorle und Unternehmensforschung Univarsitaet KarlsruheCTH)

one-node CA (average linkage) Objekte z-Tr. f q. eukl. Dist. X -fluswah 1 RET URN-Uei ter F6+ F7^ FIO ESC A b b i l d u n g

2.3:

Einblendung von

M A 1 Z 1 C

2

M A N

des

5 S„ ? 8^9 10 U 12 13 H 15 Beobachtungsaatenl 1. Absatz (ME>

Auswahl-Menüs

der

Anwendungsmodule

M A T l l O M A N

verwendet V o r b e l e g u n g e n von Feldern (in Abbildung 2.3

z.B. Positionierung) bzw. meldet sich mit Belegungen, die bei der letzten Nutzung des entsprechenden Teils von

M A H K ? M A N

aktuell waren. Aufgrund der Eintra-

gungen in der Kommandozeile am unteren Rand können Sie mit den Tasten f und

2.3 Wie werden Anwendungsmodule

bedient?

35

~J~| nun die A u s w a h l (eines A n w e n d u n g s m o d u l s ) vornehmen und die Wahl mit Return bestätigen. Das M ATZ/C'i^i^bV-Systern meldet sich dann mit dem jeweiligen Standard-Screen des gewählten Anwendungsmoduls. Vorher überprüft das System, welcher A r b e i t s b e r e i c h mit für das gewählte Anwendungsmodul relevanten Daten zuletzt bearbeitet wurde. Dieser Bereich wird zum aktuellen Bereich erklärt, die dazu vorliegenden Daten werden auf dem Screen mit ausgegeben. Falls - als Beispiel für eine Wahl - 'Segmentierung' gewählt und mit Return bestätigt worden ist, kann ein Screen wie in Abbildung 2.4 erscheinen. In Abbildung 2.4 ist ein Bereich mit der Bezeichnung 'BSP1' (als Abkürzung für BEISPIEL 1) aktuell.

2.3

W i e werden A n w e n d u n g s m o d u l e bedient?

Anwendungsmodule des M Ä R K ? M A V - S y s t e m s melden sich mit einem einheitlichen Screen-Aufbau. Neben der schon erwähnten Kommandozeile am unteren Rand gibt es eine K o p f z e i l e , die jeweils in der Reihenfolge von links nach rechts Auskunft über • das aktuelle A n w e n d u n g s m o d u l (bei Abbildung 2.4 ist dies das Anwendungsmodul 'Segmentierung'), • den zugrundeliegenden (Arbeits-)Bereich (bei Abbildung 2.4 ist dies der Bereich 'BSP1') und • den augenblicklichen Screen-Inhalt (bei Abbildung 2.4 ist dies die Darstellung von 'Daten zur Wahrnehmung/Beschreibung') gibt. Die Kommandozeile am unteren Rand des Screens informiert jeweils über die a k t u e l l e F u n k t i o n s t a s t e n b e l e g u n g . Die Betätigung der Funktionstasten bewirkt eine F o r t s e t z u n g der S y s t e m b e d i e n u n g . Für das in Abbildung 2.4 aktuelle Anwendungsmodul 'Segmentierung' wird die zugehörige Funktionstastenbelegung in Abbildung 2.5 ausführlicher beschrieben. Die aktuelle Funktionstastenbelegung ist - u.a. - jeweils auch über die Taste F10 im Rahmen der Hilfestellung durch das System abrufbar.

36

2 EINFÜHRUNG

Seqnentierunn

BSPl-Bereich

IN DAS M ARK?M

AM-SYSTEM

Daten zur Uahrnehnuna/Beschreibunfl

1

BSP1 LFTarmni.mrjTFiM liarkna 13 Harknal4 MarknalS Klo rk na 16 Produkt 1 1.63 1.43 4.31 3.23 3.39 3.47 Produkt 2 3.60 4.13 4.53 1.33 2.87 4 .33 1.65 4.44 3.24 3.12 3.38 Produkt3 1.24 4 .OB Produkt* 1.42 4 .24 4 .08 3.41 4 .42 3.Ö5 3.S? 3. öä ProduktB i.4l i-ÖV A.if 4.ÖÖ ä.ili 1.55 i.Sb 4 .09 Produkte 1.52 4 .35 4.18 4 .58 Produk tV 4.32 3.61 Produkts 1.78 1 .33 4.41 3 .24 3.41 3.65 4 .28 4.21 3 .70 3.89 Produkt9 1.45 4 .45 3 .92 Produk t lO 1.45 2 .31 4.12 3.89 3.95 If1-Bereich F2-Daten F3-Dendro F4-Profil F5-Perc FB-Uerf F9-Onz FlO ESC 1 Abbildung

2.4:

Screen des Anwendungsmoduls 'BSP1' als aktuellem

'Segmentierung'

mit

Bereich

Zur Vereinfachung sind die Funktionstasten |Fl|(Bereich), | F 2 | ( D a t e n ) , | F10 Shift +| F l |,

Shift +| F2 [, Shift +[F3] und | Esc | in allen Anwendungsmodulen

durchgängig mit derselben Belegung versehen worden, was in den nachfolgenden Abschnitten wiederholt angesprochen werden wird. Mit Hilfe der übrigen Funktionstasten ist es in den einzelnen Anwendungsmodulen möglich, sich spezielle Informationen/Aus Wertungen zur Problemstellung angeben zu lassen. So können z.B. im Anwendungsmodul 'Segmentierung' durch Drücken der Funktionstaste

F3 (Dendro) die Aktivierung einer über Voreinstel-

lungen gewählten Segmentierungsanalyse mit Dendrogrammdarstellung und durch Drücken der Funktionstaste F4 (Profil) die Aktivierung einer segmentspezifischen Profildarstellung initiiert werden, deren Ergebnisse auf dem Screen ausgegeben werden. Liegen die für eine Informationsdarstellung notwendigen Datengrundlagen bzw. Spezifikationen von Modellen nicht in der Datenbank bzw. Modellbank vor, so sind - je nach Komplexität des Beschaffungsprozesses dieser Informationen - fol-

2.3 Wie werden Anwendungsmodule

Taste

37

bedient?

Kurzbezeichnung

Systemreakiion

Bereich Daten

Aktivierung der Bereichswahl Aktivierung der D a t e n v e r w a l t u n g

Dendro

Aktivierung einer Segmentierungsanalyse mit D e n d r o g r a m m -

darstellung Profil Pere

Aktivierung einer segmentspezifischen P r o f i l d a r s t e l l u n g Aktivierung einer segmentspezifischen Positionierungsanalyse

mit 'perceptual map'-Darstellung Aktivierung einer Interpretationshilfe Aktivierung einer Gütebeurteilung bzgl. der A n p a s s u n g des Segmentierungsmodells Aktivierung der Voreinstellung der V e r f a h r e n s w a h l Aktivierung einer Gütebeurteilung der Segmentzuordnung

Verf Anz

über die Anzahl der Segmente F10 Shift

Aktivierung der Hilfestellung Löschen des Screeninhalts (zwischen Kopf- und Kommandozeile) Umschalten zwischen Färb- und Schwarz-/Weißdarstellung Aktivierung einer Druckausgabe Verlassen des Anwendungsmoduls

+ Fl Shift + F 2 Shift + F 3 Esc

Abbildung

2.5:

Funktionstastenbelegung

gende R e a k t i o n e n des

im Anwendungsmodul

'Segmentierung'

AA/'-Systems möglich:

• Bei Beschaffungsmöglichkeit der Informationen durch direkte Anwendung von Methoden aus der Methodenbank auf Datengrundlagen des aktuellen Bereichs werden entsprechende Vorschläge gemacht und - bei Bestätigung einer Auswahl durch den Benutzer - durch das MARIC2M

AV-System ausgeführt.

• Sind mehrere oder komplizierte Auswertungsschritte zur Beschaffung der benötigten Informationen notwendig, so wird dies dem Benutzer gemeldet, mit dem Hinweis, durch Drücken welcher Funktionstasten diese Auswertungsschritte eingeleitet werden können. • Bei fehlender oder nicht ausreichender Datengrundlage wird dies dem Benutzer ebenfalls gemeldet. Gegebenenfalls erfolgt ein Hinweis, welche Daten (extern) zu beschaffen sind. Die entsprechende Information wird auf dem Screen zwischen Kopfzeile und Kommandozeile ausgegeben. So kann z.B. im Anwendungsmodul 'Positionierung'

38

2 EINFÜHRUNG

IN DAS MXRX?M

ASf-SYSTEM

eine sogenannte 'perceptual map'-Darstellung mit eingebetteten Eigenschaftsvektoren in einer Form, wie sie Abbildung 2.6 zeigt, auf Basis eines Wahrnehmungs- bzw. Beschreibungsmodells dargestellt werden. In Abbildung 2.6 wurde derselbe Bereich - nämlich 'BSP1' - wie in Abbildung 2.4 benutzt. Positionlerunq

BSPl-Bere ich

Percentual

Mao

20.1'/.

2.Hauptkomponente

/

3

I1erknal4

+ Produtt6

/

+ProdubtlO

odukie

iJ

t P*0dukt3

"U1

+ Produkt9

/ ^ ^ s . N \ \

'

\ \ \

/

i

i + Produkt9

64.3Xn i >

6

.Produkt4

^^rodukt?

F1®rkrn«l 5

/ \ n»rk»al3

2.6:

Merkmal^ Merkmal 2

-3

F l - B e r e i c h F 2 - D a t e n F 3 - P e r c F< - G u e t e F 5 - I n t e r u r

Abbildung

1.Hauptkomponent© i i

^Rroduk \ \

Merkmall

t 3

'perceptual map'-Darstellung hilfe (property

F6-Korr

F7-Sheo F10

mit aktivierter

ßtting) im Anwendungsmodul

ESC

Interpretations'Positionierung'

Abbildung 2.6 liefert ein erstes (einfaches) Beispiel, welche CEUS-Aktivitäten mit M.AVX?M.AM angegangen werden können. Aufgrund der in Abbildung 2.4 wiedergegebenen Daten aus dem Bereich 'BSP1' kann M.ÄRK}M AA/"z.B. die Spezifikation eines Wahrnehmungs- bzw. Beschreibungsmodell erstellen, das eine Darstellung von Produkten und zugehörigen Merkmalen in einem gemeinsamen Raum ermöglicht, der Interpretationen der abgebildeten Situationen zuläßt. Zu Abbildung 2.6 gelangt man vom Start-Screen des durch Drücken folgender Funktionstasten:

M.ÄRK?M.AV-Systems

2.3 Wie werden Anwendungsmodule

39

bedient?

• 1 F l [(Anwendungswahl) mit nachfolgender Wahl des Anwendungsmoduls 'Positionierung', • [~F3~|(Perc) mit nachfolgender Wahl der Methoden 'z-Transformation' und 'Hauptkomponentenanalyse' zur Berechnung von Spezifikationen eines Wahrnehmungs- bzw. Beschreibungsmodells mit 'perceptual map'-Darstellung, • [F5~l(Interpr) mit nachfolgender Wahl der Methode 'Property Fitting' zur Interpretation der gefundenen Darstellung. Schon dieses kleine Beispiel zeigt, daß M.ÄRX?M. AN a\s "Tastendruck"-System konzipiert ist. Uber Meldungen gibt das M A T U O M AV-System Fehler oder Warnungen an den Benutzer weiter und teilt dadurch mit, ob eine - und wenn ja, welche - Operation nicht durchgeführt oder nicht zufriedenstellend durchgeführt werden konnte. Vorschläge zum weiteren Vorgehen sind - soweit möglich - in den Meldungen enthalten. Durch Drücken der Leertaste kann die Meldung auf dem Bildschirm gelöscht werden. Durch gleichzeitiges Drücken der Tasten

Shift

und

F3

- dargestellt als

Shift |+| F3 - kann eine Druckausgabe aktiviert werden. In der rechten unteren Ecke des Screens erscheint dann ein Auswahl-Menü der durch

MA1Z1C2MAN

unterstützten Druckausgaben. Eine Druckausgabe des Bildschirminhalts auf einen (NEC P6 kompatiblen) Nadeldrucker, auf einen (HP Laserjet II oder III kompatiblen) Laserdrucker oder zur Weiterverarbeitung mit Textsystemen in eine GraphikDatei (Dateiformat des Ventura Publisher (PCX)) ist möglich. In einem weiteren Auswahl-Menü kann man entscheiden, ob die Druckausgabe mit oder ohne Kopfund Kommandozeile erfolgen soll. Wurde eine entsprechende Auswahl vorgenommen, erfolgt die Druckausgabe auf Nadeldrucker oder Laserdrucker (Vorsicht: Der Drucker muß vorher eingeschaltet werden!) bzw. in eine Datei des aktuellen Dateiverzeichnisses, die standardmäßig den Namen des aktuellen Bereichs plus Endung '.PCX' erhält. Vor Aktivierung der Druckausgabe empfiehlt es sich, eventuell frühzeitig mit Shift + F2 ein U m s c h a l t e n von der möglicherweise b e n u t z t e n Farbdarstellung der Bildschirminhalte auf S c h w a r z - / W e i ß d a r s t e l l u n g vorzunehmen (Vorsicht: Gleichzeitig mit dem Umschalten wird der Bildschirminhalt gelöscht!). Der Bereich zwischen Kopfzeile und Kommandozeile wird auch dazu benutzt, um gewisse Zusatzinformationen einzublenden (etwa über die Güte einer erzielten

2 EINFÜHRUNG

40

IN DAS

MAK&MAAT-SYSTEM

Lösung) oder um vom System benötigte Informationen vom Benutzer abzufragen. Darauf gehen wir später ein.

2.4

W i e wählt m a n einen (neuen) (Arbeits-)Bereich?

Wie in Abschnitt 2.1 bereits angedeutet, ist ein zentraler OrdnungsbegrifF für die (allen Anwendungsmodulen gemeinsamen) Komponenten Daten- und Modellbank im MAK-lCiMAA/"-System der Begriff des ( A r b e i t s - ) B e r e i c h s . In jedem Anwendungsmodul ist es über die Funktionstaste [Ff|(Bereich) möglich, den aktuellen Bereich zu wechseln. Soweit möglich werden Zwischen- und Endergebnisse -

z.B. in Form von Spezifikationen angepaßter Modelle

die im

Laufe der Bearbeitung des aktuellen Bereichs mit dem aktuellen Anwendungsmodul gewonnen wurden, in der Modellbank bzw. Datenbank abgespeichert und sind bei einer erneuten Bearbeitung des Bereichs wieder verfügbar. Als neuer aktueller Bereich kann ein bereits vorhandener Bereich ausgewählt oder ein neuer Bereich angelegt werden. Abbildung 2.7 zeigt in der linken oberen Ecke des entsprechenden Screens, wie eine A u f l i s t u n g v o n B e r e i c h e n im Anwendungsmodul 'Segmentierung' aussehen könnte, die nach und nach beim Arbeiten mit M AHIC2M AN entstanden sein könnten. Beim ersten Kennenlernen von MATZfC2M A b f i n d e t der Nutzer hier nur solche Bereiche, für die Datengrundlagen durch das System mitgeliefert werden, sowie die Bereichsmanipulationsmöglichkeiten 'Loeschen' und 'Wechseln'. Eine Beschreibung der vom System bereitgestellten Beispiel-Daten erfolgt in Kapitel 11. Bei Wahl eines bereits vorhandenen Bereichs werden vorliegende Daten dieses Bereichs auf dem Screen ausgegeben, beim Einrichten eines neuen Bereichs hat man sich mit der Datenverwaltung und der Neucingabe von Daten zu beschäftigen. Darauf wird im nächsten Abschnitt genauer eingegangen. Datengrundlagen, die für verschiedene Anwendungsmodule relevant sind (etwa Assoziationsmatrizen für 'Positionierung' und 'Segmentierung'), können von den entsprechenden Anwendungsmodulen aus angesprochen werden. So ist es z.B. möglich, bei der Untersuchung einer Marktstrukturierung durch das Anwendungsmodul 'Segmentierung' neue Produkte in den diese Marktgegebenheiten beschreibenden Bereich zu Testzwecken einzufügen und anschließend die Auswirkungen auf die Positionierung der etablierten Produkte mittels des Anwendungsmoduls 'Positionierung' ohne weitere Manipulation der Datengrundlage zu analysieren.

2.4 Wie wählt man einen (neuen) Sennentlerunfl Baraichsuah1

BSPl-Bereich

(Arbeits-)Bereich?

41

I ere ichsuah 1

j

2.Hauptkomponente

20.1/.

ner-kr.au COGNAC1 COGNAC2 COGNAC3 COGNAC4 KAFFEE1 KAFFEE2 KAFFEES KAFFEE4 KAFFEES ZIGARET 1 ZIGARET2 ZIGÖRET3 Loeschen Uechs«In Neuer Bereich

.Produrté

/

/

\produktlO

-atìukjé

1

V

l.Hauptkotnponente

NNv

61.

3X

\yProdukt4

\

X

norkmal5

Merkmall \ Merk mal 3 I-Auswahl

RETURN-Neiter

Abbildung

Merkmaló

n»rkmal1

2.7:

F6A

7»

FIO

Außistung

ESC

von Bereichen, wie sie beim

mit M.ÄRX?M.AMentstanden

sein

Arbeiten

könnte

Innerhalb eines Anwendungsmoduls kann ein neuer (Arbeits-)Bereich ebenfalls über die Funktionstaste F l (Bereich) eingerichtet werden. Hierfür wird der M e n ü p u n k t ' N e u e r Bereich' ausgewählt, anschließend meldet sich die Datenverwaltung zur Neueingabe von Daten. Sollen in den neuen Bereich Daten eines anderen Bereichs übernommen werden, so ist es sinnvoll, zunächst mittels [~F1~|( Bereich) in den Bereich zu wechseln, dessen Daten man übernehmen möchte. Beim anschließenden Aufruf der Datenverwaltung kann dann durch Andern des Bereichsnamens ein Kopieren des gesamten Bereichs in den neuen Bereich erfolgen (siehe nachfolgender Abschnitt). Da damit eine Uberschreibungsmöglichkeit bereits existierender Bereiche gleichen Namens zur Verfügung gestellt wird, ist hier jedoch Vorsicht geboten. Daneben sind weitere Menüpunkte vorgesehen, wie man der Abbildung 2.7 entnehmen kann. Diese Bereichsmanipulationsmöglichkeiten erlauben, den aktuellen

42

2 EINFÜHRUNG

IN DAS MÁRK?M

AAT-SYSTEM

Bereich zu löschen ( M e n ü p u n k t 'Loeschen') oder das aktuelle Dateiverzeichnis zu wechseln ( M e n ü p u n k t 'Wechseln').

2.5

W i e werden D a t e n verwaltet?

In jedem Anwendungsmodul können über die Funktionstaste | F2 ¡(Daten) Möglichkeiten der D a t e n v e r w a l t u n g aktiviert werden, z.B. können Daten ein- und ausgegeben oder Änderungen der Datengrundlage vorgenommen werden. Liegen einer Problemstellung verschiedene Daten zugrunde (etwa individuelle Daten zur Präferenz und Daten zur Wahrnehmung von Produkten bei einer Imageanalyse im Anwendungsmodul 'Präferenz'), wird ein Auswahl-Menü eingeblendet. Nach Wahl einer zu ändernden Datengrundlage meldet sich die Datenverwaltung. Abbildung 2.8

S e g n e n t i e r u n g

B S P 1 - B e r e i c h

Daten

z u r

Uahrnehnunq/Beschreibunq D a t e n - E d l t o r

1

( M o d i f i k a t i o n )

C u r s o r ! V e r s c h i e b e n des E d i t i e r - F e l d e s , Fl: S p r u n g i n d i e O . S p a l t e oder z u r u e c k ( L o e s c h e n von Z e i l e n d u r c h E i n t r a g e n von L e e r z e i c h e n , K o p i e r e n d u r c h M o d i i i k a t i o n des B e r e i c h s n a m e n s I n der O . Z e i l e ) , F2: S p r u n g i n d i e o b e r e Z e i l e oder z u r u e c k ( L o e s c h e n von S p a l t e n ) , F3: T r a n s p o n i e r e n ( V e r t a u s c h e n von S p a l t e n und Z e i l e n ) , F4: Verschieben des B i l d s c h i r r s f e n s t e r s nach l i n k s , F 5 , F 6 , F 7 : nach r e c h t s , nach oben, nach u n t e n , FIO: Hilfe, R E T U R N i V e r l a s s e n des D a t e n - E d i t o r s n i t S i c h e r u n g der Oaten, ESC: V e r l a s s e n des D a t e n - E d i t o r s ohne S i c h e r u n g der Daten. F e h l e n d e Werte s i n d d u r c h L e e r z e i c h e n c o d i e r t .

Pr
| oder |

Umsetzung in Vorschläge für Marketing-Maßnahmen

ENTSCHEIDUNGSVORBEREITUNG / Ü B E R P R Ü F U N G VON H A N D L U N G S ALTERNATIVEN

Abbildung

II. 1:

Wichtige

Fragestellungen

deren Beantwortung

aus Marktforschung

durch Sammlung,

wertung von Daten/Informationen basierter Entscheidungsunterstützung

und

Aufbereitung

im Rahmen ablaufen

von kann

Marketing, und

Aus-

computer-

51 Entscheidungsträger sehen sich oft einer F l u t v o n D a t e n / I n f o r m a t i o n e n gegenüber, die für sie zur B e u r t e i l u n g a n s t e h e n d e r ( E m p f e h l u n g e n für) H a n d l u n g s a l t e r n a t i v e n wichtig sein können. Hier gilt es, die richtigen Informationen auszuwählen u n d / o d e r so zu verdichten, daß r e l e v a n t e , a u s s a g e k r ä f t i g e B e u r t e i l u n g s d i m e n s i o n e n entstehen. Soll dies im Rahmen von CEUS ablaufen, werden dazu mehr Fähigkeiten benötigt, als sie durch Standard-Datenbank-Software bereitgestellt werden. In Abbildung II. 1 wird dies durch die Einbeziehung von Begriffen wie 'Positionierung', 'Segmentierung', 'Präferenz' und 'Auswahl' angedeutet. D a t e n m a n a g e m e n t durch C E U S ist u m f a s s e n d e r als e i n e " n o r m a l e " D a t e n v e r w a l t u n g , so daß z u s ä t z l i c h e D a t e n a n a l y s e - V o r k e h r u n g e n zu treffen sind. Hier hält die Wissenschaftsrichtung "Datenanalyse und Statistik" eine Vielzahl von Techniken bereit. F ü r die vorliegende MÄRX?M.AßfVersion

wurde in Teil II, in dem wir uns

nun befinden, aus Sicht der Marktforschung, aber bereits im Hinblick auf Anwendungssituationen im Marketing eine Auswahl getroffen, wobei die in Abbildung II. 1 bereits aufgeführten Begriffe, die für ganze Teilgebiete der Datenanalyse stehen, in den Kapitelüberschriften ' P o s i t i o n i e r u n g ' (in K a p i t e l 3), ' S e g m e n t i e r u n g ' (in K a p i t e l 4), ' P r ä f e r e n z ' (in K a p i t e l 5) und ' A u s w a h l ' (in K a p i t e l 6) wieder auftauchen. Abbildung II. 1 bemüht sich, all diese Informationen "auf einen Blick" im gestrichelt umrandeten Feld wiederzugeben. Zusätzlich wurden e i n p r ä g s a m e U n t e r t i t e l für die K a p i t e l ü b e r s c h r i f t e n gewählt, die - als F r a g e n formuliert versuchen, die zu erläuternde P r o b l e m a t i k in K u r z f o r m zusammenzufassen. Die A u s w a h l u n d R e i h u n g der g e n a n n t e n w i c h t i g e n F r a g e s t e l l u n g e n und ihre Darstellung in Teil I I erfolgte bewußt in den vorderen Kapiteln des Buches, da sie einerseits sowohl für die Marktforschung als auch für das Marketing von besonderer Bedeutung sind, andererseits aber eine "einfachere" Struktur aufweisen und somit "einfachere" Erklärungsversuche erlauben. Bei der Einteilung in E n t s c h e i d u n g s u n t e r s t ü t z u n g in der M a r k t f o r s c h u n g m i t t e l s MA1ZK2MAJ^

in Teil II und E n t s c h e i d u n g s u n t e r s t ü t z u n g in der

M a r k e t i n g - P l a n u n g m i t t e l s M.AJZ.K?M.AJ\f

in Teil III ist versucht worden,

mit solchen Fragestellungen zu beginnen, für die eine (Teil-)Antwort bereits durch Anwendung weniger M.A1Z.IC2A4 AA/*-Bearbeitungsschritte möglich ist. Allerdings ist die durch die Überschriften der Teile II und III angedeutete Strukturierung der Stoffinhalte keineswegs überschneidungsfrei und ließe auch andere Zuordnungen einzelner durch M.ÄRK?M

AN behandelbarer CEUS-Situationen zu

den genannten Buch-Teilen zu. Der aufmerksame Leser und Nutzer von AiATZIC2

52

Abbildung

II.2:

Mögliches

Ablaufschema

Marktforschung möglichkeiten

für Problemstellungen

und Marketing durch

und

MÄRK,2MAM

aus

Unterstützungs-

53 M. A M erkennt sofort, daß z.B. Positionierungs- und Segmentierungsüberlegungen in späteren Kapiteln von Teil III wieder angesprochen werden. Andererseits könnte man argumentieren, daß Stoffinhalte, die z.B. in den Kapiteln zur NeuproduktEinführung in Teil III beschrieben werden, schon in Teil II unter Marktforschungsgesichtspunkten erläutert werden könnten. Wichtiger als eine Diskussion solcher Einteilungs- und Abgrenzungsgesichtspunkte ist aber die generelle Zielsetzung dieses Buches bzw. die Frage, wie man eine geeignete Entscheidungsunterstützung für Problemstellungen aus Marktforschung und Marketing bereitstellen kann. Auf Fragen nach was, wie, warum, in welchem Umfang und in welcher Reihenfolge sind aufgrund der vorausgegangenen Ausführungen zumindestens schon partielle Beantwortungen erfolgt. Eine umfassendere Diskussion dieses Fragenkomplexes soll (und kann) erst im Schlußkapitel geführt werden, wenn der Leser über genügend Kenntnisse bzgl. der hier gewählten Darstellungsweise des Stoffes verfügt. Als Ablaufschema für einen Problemlösungsprozeß in der Marktforschung kann zusätzlich eine Strukturierung gewählt werden, wie sie in Abbildung II.2 beschrieben ist. Die Unterstützungsmöglichkeiten von MARlC2MAJ\f,

die hierbei über die

in Abbildung II. 1 dargestellten Grundaufgaben der Zusammenstellung, Auswertung und Aufbereitung entscheidungsrelevanter Informationen hinausgehen, sind in den einzelnen Teilen des Ablaufschemas kenntlich gemacht. Hier sind natürlich Rückkopplungen und das mehrmalige Durchlaufen einzelner Teile des Ablaufschemas zu berücksichtigen. Darauf wird bei der Beschreibung der einzelnen Anwendungsmodule an geeigneter Stelle näher eingegangen. Ein wichtiger Punkt, der hier noch einmal betont werden soll, bevor mit der Beschreibung der Anwendungsmodule begonnen wird, ist folgender: Die Verwendung mathematischer Formulierungen zur Darstellung der quantitativen Modellierungsaspekte der verwendeten Fragestellungen und ihrer Umsetzung in Rechnerprogramme wird auf ein Minimum beschränkt. Die Handhabung von M AH1C2M ASÍ als CEUS-System auch für Computer-Laien steht im Vordergrund. Im Rahmen dieses Buches wird für die mathematischen Grundlagen auf Zusatzliteratur verwiesen.

55

3

POSITIONIERUNG oder "Wo ist w e r / w a s im Marketing-Umfeld?"

Bei einer Auflistung von wünschenswerten Analysemöglichkeiten und -zielen für Probleme aus den Gebieten Marktforschung und Marketing stehen Aspekte der Darstellung von interessierenden Sachverhalten, z.B. der Sichtbarmachung des Marketing-Umfeldes, und der A b l e i t u n g von Handlungsempfehlungen an vorderer Stelle. Software, die Unterstützungsfunktionen in dieser Hinsicht bereitstellt, sollte ein wichtiger Bestandteil eines C E U S - S y s t e m s für die genannten Gebiete sein. Berücksichtigt man, daß für viele Märkte eine Angleichung von Charakteristika bei konkurrierenden Objekten in bezug auf wichtige Beurteilungsdimensionen beobachtbar ist, so sind Hilfsmittel, die die Herausarbeitung positiv b e w e r t e ter, einzigartiger und unverwechselbarer Profile für interessierende eigne O b j e k t e bzw. Beschreibungs- und Abgrenzungsmöglichkeiten bzgl. konkurrierender Objekte unterstützen, von großer Bedeutung. Aktivitäten, die sich mit der Lösung von Problemstellungen der genannten Art beschäftigen, benutzen auch Positionierungsanalysen zur Uberprüfung und Absicherung der gefundenen bzw. vermuteten Zusammenhänge. Wir haben uns entschlossen, zur Erläuterung der von uns gewählten Vorgehensweise bei der Bereitstellung von CEUS mittels M . Á R K ? M A M mit dieser Thematik zu beginnen.

3.1

Motivation

Der Begriff Positionierung hat umgangssprachlich mehrere Bedeutungsebenen. Er kann z.B. die Position (bzw. die dazugehörige direkte Umgebung) eines Untersuchungsobjektes in einem beurteilten U m f e l d (den Rang auf einer geeigneten Skala, eine relative oder absolute Lage in einem evtl. mehrdimensionalen Beurteilungsraum) beschreiben. Es kann damit aber auch der Vorgang des Einordnens bzw. der Darstellung mehrerer Untersuchungsobjekte in einem geeignet zu wählenden Beurteilungsumfeld gemeint sein, wobei zu dessen Bestimmung oder Auswertung spezielle M e t h o d e n zur Positionierungsanalyse zum Einsatz gelangen können.

3

56

POSITIONIERUNG

Wichtiger als die Fortsetzung solcher Begriffsabgrenzungen ist die Tatsache, daß Positionierungsaktivitäten zu den grundsätzlichen Aufgaben gehören, die bei der Formulierung von Marketing-Strategien (Produkt-, Markt-, Unternehmensstrategien) anfallen. Dabei werden P o s i t i o n i e r u n g s s t r a t e g i e n - speziell dann, wenn es sich bei den Untersuchungsobjekten um zu vermarktende Produkte handelt häufig (siehe etwa Wind (1990)) je nach im Vordergrund stehendem Sachverhalt in a n g e b o t s o r i e n t i e r t e , nachfragerorientierte, v e r w e n d u n g s o r i e n t i e r t e bzw. wettbewerbsorientierte Strategien

sowie je nach Stärke der Ausrichtung auf

spezielle Nutzenvorstellungen in n u t z e n o r i e n t i e r t e bzw. nicht oder b e g r e n z t n u t z e n o r i e n t i e r t e Strategien eingeteilt. Offensichtlich ist es in diesem Zusammenhang von ausschlaggebender Bedeutung zu wissen, woran man erfolgreiche, wünschenswerte bzw. einzigartige Positionierungen erkennt und was wichtige, in Marketing-Aktivitäten umsetzbarer Beurteilungsdimensionen sind. Abbildung 3.1 kann hier nur einen kleinen (aus der neueren Literatur ausgewählten) Einblick in die vielfältigen Einsatzmöglichkeiten vermitteln, die sich für Positionierungsaktivitäten und die dabei einsetzbaren Methoden der Positionierungsanalyse eröffnen. Es werden acht Anwendungsbeispiele angegeben, zu denen jeweils die U n t e r s u c h u n g s o b j e k t e (hier: Produktkategorie und Land, in der die Untersuchung stattfand), die in diesem Zusammenhang interessierende A u f g a b e n s t e l lung, die verwendete D a t e n g r u n d l a g e und die wichtigste zum Einsatz gelangte M e t h o d i k (hier: Datenanalysetechniken bzw. Methoden) sowie ein Literaturhinweis, falls ausführlichere Beschreibungen gewünscht werden, aufgelistet sind. Wichtige A n w e n d u n g s s i t u a t i o n e n für P o s i t i o n i e r u n g s a n a l y s e n (siehe auch Wind (1990) zur Einteilung) lassen sich wie folgt beschreiben: • E r m i t t l u n g aktueller P o s i t i o n i e r u n g e n : Bei Anwendungen von Positionierungsanalysen steht häufig die Bestimmung von wichtigen, in MarketingAktivitäten umsetzbaren Beurteilungsdimensionen und die Anordnung bzw. die Festlegung der relativen Lagen der Untersuchungsobjekte bzgl. dieser Beurteilungsdimensionen in geeigneten Beurteilungsräumen im Vordergrund. Ähnlichkeitsbeziehungen, Stärken und Schwächen der Position der entsprechenden Untersuchungsobjekte können damit ermittelt und in MarketingAktivitäten umgesetzt werden. Die Anwendungsbeispiele Nr. 1 und Nr. 2 in Abbildung 3.1 können diesen Anwendungssituationen zugeordnet werden.

3.1

Motivation

UntersuchungsNr. objekte 1 Zigaretten, USA

'2 F r a u e n z e i t schriften, D

57

Aufgabenstellung

Datengrundlage

Methodik

B e s t i m m u n g der Beurteilungsdimensionen i m Produktbereich u n d der entsprechenden P r o d u k t positionierungen B e s t i m m u n g von Beurteilungsdimensionen zur G e g e n ü b e r s t e l l u n g von objektiver Prod u k t s t r u k t u r und I m a g e s t r u k t u r im Produktbereich

Ahnlichkeitsbeurteilungen durch 50 S t u d e n t e n

MDS

3 Apfel, D

B e s t i m m u n g von Produktpositionier u n g e n u n d Aufd e c k u n g von Marktnischen

4 Schmerzmittel, USA

Generierung defensiver (Positionierungs-) Strategien

b Elektrowerkzeuge, D

E r t a s s u n g der Substitutionswirk u n g e n eines neuartigen einzuführenden Produkts

6 P k w s der unteren Preisklasse, D

Verfolgung der E n t w i c k l u n g des Produktbereichs mittels dynamischer m e h r d i m e n sionaler M a r k t modelle Werbewirkungsa n a l y s e bei einer Repositionierungskampagne

V Zigaretten, USA

8 Zigaretten, D

Abbildung

B e u r t e i l u n g von Positionierungsaktivitäten

Verwechslung zwi- M D S , schen m a s k i e r t e n Property Seiten von ZeitFitting s c h r i f t e n u n d Zeits c h r i f t e n , Einstell u n g e n zu P r o d u k t bereich u n d Prod u k t e n bei 38 weiblichen Versuchspersonen E i n s t e l l u n g e n von 384 weiblichen Versuchspersonen zu P r o d u k t b e r e i c h , einzelnen P r o d u k ten u n d e i n e m fiktiven I d e a l p r o d u k t B e u r t e i l u n g von Schmerzmitteln bzgl. 7 w ü n s c h e n s werter Eigenschaften d u r c h 4 0 A r z t e B e u r t e i l u n g der E i g n u n g v o n Prod u k t e n f ü r 27 Verwendungszwecke, Ahnlichkeitsbeu r t e i l u n g e n nach G e b r a u c h d u r c h 30 a k t i v e Heimwerker Merkmalsauspräg u n g e n von 15 P r o d u k t e n in den J a h r e n 1972-1975

Verwechslung zwischen m a s k i e r t e n Anzeigen u n d M a r ken, B e u r t e i l u n g e n d u r c h 50 b z w . 62 Studenten Verwechslung zwischen m a s k i e r t e n Anzeigen u n d M a r ken, B e u r t e i l u n g d u r c h 126 S t u d e n ten

3.1: Anwendungsbeispiele

für

Literaturhinweis Klahr (1970)

Doli, Mendler, Orth (1989)

Hauptkompo- Werner n e n t e n a n a l y s e (1982)

Hauptkompo- Halloran, n e n t e n a n a l y s e , Silver DEFENDER (1983), Häuser (1986) MDS, Bauer, Hauptkompo- Hannig n e n t e n a n a l y s e (1987)

MDS, Property Fitting

Dichtl, Bauer, Schobert (1980)

MDS

Keon (1983)

MDS, Property Fitting

Böckenholt (1986)

Positionierungsanalysen

3

58

POSITIONIERUNG

• G e n e r i e r u n g v o n P o s i t i o n i e r u n g s o p t i o n e n : Aus einer Analyse aktueller Positionierungen können oft günstige Positionierungsstrategien für neue Unt e r s u c h u n g s o b j e k t e oder Repositionierungsstrategien für e t a b l i e r t e Untersuc h u n g s o b j e k t e abgeleitet werden. R e l a t i v e Lagen "idealer" Untersuchungsobj e k t e bzgl. e r m i t t e l t e r , in Marketing-Aktivitäten u m s e t z b a r e r Beurteilungsdimensionen bzw. R i c h t u n g e n , in die eine aktuelle Positionierung erfolgversprechend zu verändern wäre, können hierfür entscheidende Hinweise geben. Die Anwendungsbeispiele Nr. 3 bis Nr. 5 in Abbildung 3.1 lassen sich zu diesen Anwendungssituationen in Beziehung setzen.

• Beurteilung von Positionierungsaktivitäten:

Positionierungsanalysen

können ebenfalls Anwendung finden, u m bereits durchgeführte oder laufende Positionierungsaktivitäten oder auch erst geplante M a ß n a h m e n (Werbekampagnen, Neuprodukt-Einführungen, . . . ) in dieser Hinsicht zu bewerten. B e i bereits durchgeführten oder laufenden Positionierungsaktivitäten können M e t h o d e n der Positionierungsanalyse hierbei gewisse Protokoll- und Kontrollfunktionen wahrnehmen. Fragen wie " H a t sich die Positionierung des Untersuchungsobjekts in der gewünschten Weise v e r ä n d e r t ? " oder "Wurde die ang e s t r e b t e Positionierung durch die durchgeführten Positionierungsaktivitäten e r r e i c h t ? " sollten so beantwortet werden können. Bei geplanten

Positionie-

rungsaktivitäten können die Positionierungsanalysen über eine Auswertung von geeigneten T e s t m a r k t - oder L a b o r d a t e n Hinweise auf die zu erwartenden (über)regionalen bzw. (inter)nationalen Erfolgschancen geben. Die Anwendungsbeispiele Nr. 6 bis Nr. 8 in Abbildung 3.1 beschäftigen sich mit Anwendungssituationen dieser A r t .

Die Zuordnung von Anwendungsbeispielen zu Anwendungssituationen ist meistens nicht in eindeutiger Weise möglich, da in den Beispielen unterschiedliche A s p e k t e berücksichtigt werden. E s wurde aber versucht, die wichtigste Anwendungssituation zu kennzeichnen. Als Hilfsmittel für die erwähnten Positionierungsaktivitäten werden häufig B e schreibungs- und W a h r n e h m u n g s m o d e l l e

eingesetzt, die eine Darstellung des

zu untersuchenden Sachverhalts über eine sogenannte ' p e r c e p t u a l m a p ' ermöglichen. D i e Unterscheidung in Beschreibungs- und Wahrnehmungsmodelle hängt hierbei i . d . R . von der gewählten Datengrundlage für die zugrundeliegende Positionierungsanalyse ab. Wurden vor allem D a t e n zur Beschreibung des zu beurteilenden Sachverhalts beim E i n s a t z der entsprechenden Modelle verwendet, so spricht man

3.1

Motivation

59

von Beschreibungsmodellen, wurden stattdessen vor allem Wahrnehmungsdaten etwa über Befragtenbeurteilungen hinsichtlich der Merkmale, der Ähnlichkeit oder der Vorzüge der Untersuchungsobjekte - verwendet, so spricht man von Perzeptionsoder Wahrnehmungsmodellen. In Abbildung 3.1 wird man vor allem das Anwendungsbeispiel Nr. 6 der Kategorie der Beschreibungsmodelle - die entsprechende Datengrundlage besteht i.w. aus Beschreibungen der physikalischen Eigenschaften der Untersuchungsobjekte - zuordnen, während bei den anderen Anwendungsbeispielen eher Wahrnehmungsmodelle zum Einsatz kamen. Pos i t ion ierunq

BSP2-Bereich

Perceotua1

Mao

2.Hauptkomponente

16.9^

Merkmal1

+p/odukt£

+ Ptfodukt5

/ + Produkt3

•

P r

°

l. Haupt k o m p o n e n t e

/

d u k n

\

+ Produkt4

\ Herkmall

66.7'/.^

+ Proav^t2

/

^ ^

Merkmals

\

Merkmale

Merkmal3 Merkmal2 Fl-Bere ich

F2-Daten

Abbildung

F3-Perc

3.2:

F4-Guete

F5-Interor

F6-K01-1-

F7-Sheü

Darstellung einer mittels MÄRlOMAN 'perceptual map' im Bereich

FlO

ESC

erstellten

'BSP2'

Abbildung 3.2 zeigt ein Beispiel für eine 'perceptual map'-Darstellung einer fiktiven Produktklasse 'BSP2', die einen Teilmarkt der in Kapitel 2 unter der Bezeichnung 'BSP1' bereits vorgestellten Produktkategorie (siehe Abbildung 2.6) repräsentieren soll. Man erkennt: Ähnlichkeitsbeziehungen von Objekten der zugrundegelegten fiktiven Produktklasse können in einem zweidimensionalen Raum dargestellt werden,

3 POSITIONIERUNG

60

der - bei entsprechender Rotation - z . B . durch eine Beurteilungsdimension 'Merkmal5' und eine Beurteilungsdimension 'MerkmaW' erklärt werden könnte. Beurteilungen bzgl. 'Merkmal5', 'Merkmal6' und 'Merkmal2' fallen offensichtlich ähnlich aus, während Beurteilungen bzgl. 'Merkmal4' einerseits und 'Merkmall' und 'Merkmal3' andererseits i.w. einander entgegengesetzt sind. Mengen ähnlicher bzw. als ähnlich wahrgenommener Objekte werden durch geringe räumliche Entfernungen zwischen den die Objekte repräsentierenden Punkten in der 'perceptual map' wiedergegeben. Die eingebetteten Merkmalsvektoren unterstützen die Interpretation der gefundenen Darstellung. J e größer die Projektion eines Punktes auf einen Merkmalsvektor ausfällt, desto stärker ist die Ausprägung des entsprechenden Merkmals bei dem durch den Punkt repräsentierten O b j e k t . Aus Abbildung 3.2 kann so z.B. abgelesen werden, daß die Objekte ' P r o d u k t l ' und 'Produkt3' bzgl. der für die Darstellung berücksichtigten Datengrundlage besonders ähnlich sind bzw. so wahrgenommen werden. Man sieht weiter, daß ' P r o d u k t l ' und 'Produkt3' besonders hoch bzgl. der Beurteilungsdimensionen 'Merkmall' und 'Merkmal3' bewertet werden, während 'MerkmaW' eher für 'Produktö' und - weniger stark - für 'Produktö' charakteristisch ist. Uber 'perceptual map'-Darstellungen der in Abbildung 3.2 beispielhaft gezeigten Art können die Ermittlung wesentlicher Beurteilungsdimensionen, eine Aufdeckung von Ähnlichkeitsbeziehungen, sowie Möglichkeiten der Bewertung zur Abgrenzung eigner oder zur Erlangung einzigartiger Positionierungen - um nur einige Anwendungsmöglichkeiten zu nennen - offensichtlich unterstützt werden. Natürlich werden durch diese 'perceptual map'-Darstellungen noch nicht alle Fragen im Zusammenhang mit Positionierungaktivitäten beantwortet. Aus didaktischen Gründen erfolgt in diesem Kapitel und dem zugrundeliegenden Anwendungsmodul 'Positionierung' des M . Ä R . K ? M AA/*-Systems eine Behandlung von Positionierungsanalysen jedoch auschließlich mittels 'perceptual map'-Darstellungen. Welche Datengrundlage hierfür benötigt wird, wird im nächsten Abschnitt beschrieben. Im Abschnitt 3.3 wird Wissenswertes über die im Anwendungsmodul 'Positionierung' implementierte Methodik bereitgestellt. Die Struktur des Anwendungsmoduls wird in Abschnitt 3.4 erläutert. Schließlich folgen in Abschnitt 3.5 zwei Anwendungsbeispiele, an denen man den Umgang mit M.ÄRK?M.AN

für Posi-

tionierungsfragestellungen üben kann. Ein Ausblick in Abschnitt 3.6 gibt Hinweise auf weiterführende Anwendungssituationen für Positionierungsanalysen, in denen zusätzlich Segmentierungsaspekte, Einsatzmöglichkeiten für Präferenzmodelle und Auswahlanalysen sowie Ansätze zur Neuprodukt-Einführung berücksichtigt werden

3.2 Weiche Datengrundlage

wird

61

benötigt?

können.

3.2

Welche Datengrundlage wird b e n ö t i g t ?

Um die Formulierung von Marketing-Strategien mit Positionierungsanalysen sinnvoll unterstützen zu können, müssen zunächst entsprechende Datengrundlagen bereitgestellt werden. Die Vielfalt der durchführbaren Positionierungsaktivitäten spie-

z.B. Preis, Quaiitätsklasse, Farbe, Verpackung, Leistung, Größe, Untemehmenslorm, Produktivität, UqiidtH

Abbildung

3.3:

i. Image, Prestige, künstlerisches Design, Exklusivität, Extravaganz, Liquidität, Leistungsstarke

z.B. Marken treue, Kaufhäufigkeit, Anzahl von Medienkon takten, Intensität von Medienkontakten

Ausgewähite

Datengrundlagen

z.B. Lebenstil, Freizeitverhalten. Risikofreude, Motive, Einstellungen, Präferenzen, Kaufabsich tan

für

i. Schulbildung, Beruf, Einkommen, Geschlecht, Alter

Positionierungsanalysen

62

3

POSITIONIERUNG

gelt sich hierbei auch in den Möglichkeiten wieder, welche Datengrundlagen zur Verfügung gestellt werden können. Auf die Unterscheidung, welche Daten für den Einsatz von Wahrnehmungs- bzw. Beschreibungsmodellen benötigt werden, wurde in Abschnitt 3.1 bereits hingewiesen. Abbildung 3.3 zeigt ausschnittsweise, wie man eine Datengrundlage strukturieren könnte, z.B. in bezug auf Informationen über die K o n k u r r e n z (z.B. auf Produkt- oder Unternehmensebene,...), über das A n g e b o t oder über (potentielle) Nachfrager, und läßt Schwierigkeiten bei der Abgrenzung bzw. gewollte Uberschneidungsmöglichkeiten erkennen. Abbildung 3.4 gibt darüber hinaus - in Anlehnung an Wind (1990) - den Versuch einer S y s t e m a t i s i e r u n g v o n D a t e n g r u n d l a g e n für P o s i t i o n i e r u n g s a n a l y s e n wieder, wobei eine Anordnung nach unterschiedlichen Positionierungsstrategien erfolgte. So kann etwa bei einer nachfrager- und nutzenorientierten Positionierungsstrategie eine Positionierungsanalyse auf Basis von Daten zur nachfragerspezifischen Wichtigkeit von Vorzügen der Untersuchungsobjekte von Interesse sein. Entsprechend der Unterscheidung aus Abschnitt 3.1 kann es sich bei diesen Daten dann wieder - je nach Erhebung - um Beschreibungs- oder Wahrnehmungsdaten handeln. nicht oder begrenzt nutzenorientiert

nutzenorientiert

angebotsorientiert

D a t e n zu a l l g e m e i n e n M e r k m a l e n des U n t e r suchungsobjekts

nachfragerorientiert

D a t e n zu M e r k m a l e n der potentiellen N a c h f r a g e r

D a t e n zu a l l g e m e i n e n Vorzügen des U n t e r suchungsobjekts D a t e n zur n a c h f r a g e r spezifischen W i c h t i g k e i t von V o r z ü g e n der U n t e r suchungsobjekte

verwendungsorientiert

D a t e n zu speziellen Verwendungssituationen

wettbewerbsorientiert

D a t e n zu a l l g e m e i n e n M e r k m a l e n der k o n k u r r i e renden U n t e r s u c h u n g s objekte

Abbildung

3.4:

D a t e n zu v e r w e n d u n g s spezifischen Vorzügen der U n t e r s u c h u n g s o b j e k t e D a t e n zu a l l g e m e i n e n V o r z ü g e n der k o n k u r r i e renden Untersuchungsobjekte

Ausgewählte Da.iengrundla.gcn für Positionierungsanalysen bei unterschiedlichen Positionierungsstrategien

Schon diese kurzen Erläuterungen machen deutlich, daß Datengrundlagen auf unterschiedlichste Weise bereitgestellt werden können. Dabei können sich Beschrei-

3.2 Welche Datengrundlage

wird

benötigt?

63

bungen von geeigneten Charakterisierungen von Datengrundlagen leicht umfangreich gestalten, was hier u.a. aus Platzgründen zu vermeiden ist. Orientiert man sich - zur Vereinfachung der angedeuteten Problematik - an einer quantitativen Datenmatrix, so können viele der in Abbildung 3.3 bzw. 3.4 aufgeführten Datengrundlagen dadurch beschrieben werden, daß Untersuchungsobjekte durch Zeilen und Merkmale der Untersuchungsobjekte durch Spalten der genannten quantitativen Datenmatrix dargestellt werden. Die Eintragungen in dieser Datenmatrix geben dann die Ausprägungen der Untersuchungsobjekte hinsichtlich der entsprechenden Merkmale wieder, wobei - einerseits - große Werte einer starken/positiven Ausprägung, kleine Werte einer schwachen/negativen Ausprägung der einzelnen Merkmale entsprechen sollten und - andererseits - ähnlich große Unterschiede zwischen je zwei Eintragungen einer Spalte auch ähnlich große Unterschiede zwischen den entsprechenden Ausprägungen der einzelnen Merkmale repräsentieren sollten. Abbildung 3.5 zeigt die quantitative Datenmatrix, die die Datengrundlage f ü r das Ergebnis der in Abbildung 3.2 wiedergegebenen Positionierungsanalyse war.

Produkt 1 Produkts Produkt3 Produkt^ Produkt5 Produkts

Abbildung

Merkmall

Merkmale

Merkmals

Merkmal4

Merkmals

MerkmaW

1.63 1.53 1.65 1.42 1.41 1.55

1.43 2.87 1.24 4.24 1.87 1.50

4.31 4.33 4.44 4.08 4.37 4.09

3.23 3.60 3.24 3.64 3.85 4.09

3.39 4.13 3.12 4.08 3.57 3.73

3.47 4.53 3.38 4.42 3.83 3.91

3.5:

Beispiel einer Datengrundlage Datenmatrix

in Form einer

quantitativen

In Abbildung 3.6 sind ausgewählte Beispiele von Datengrundlagen, die in Form einer quantitativen Datenmatrix darstellbar sind, aufgelistet. Datengrundlagen, die über quantitative Datenmatrizen beschreibbar sind, können sofort einer entsprechenden Auswertung zugänglich gemacht werden. Die relative Lage der U n t e r s u c h u n g s o b j e k t e / Z e i l e n in einem durch die M e r k m a l e / S p a l t e n der Datenmatrix aufgespannten M e r k m a l s r a u m stehen dabei im Vordergrund, wobei man versucht, die Unähnlichkeiten zwischen Untersuchungsobjekten, die durch unterschiedliche Positionierungen im mehrdimensionalen Merkmalsraum gegeben sind, in einfachen Modellen zu reproduzieren.

64

3

POSITIONIERUNG

Datengrundlage

Zeilen (Untersuchungsobjekte)

Spalten (Merkmale)

Daten zu allgemeinen Merkmalen des Untersuchungsobjekts bzw. der konkurrierenden Untersuchungsobjekte

Produkte

eigentliche P r o d u k t m e r k m a l e z.B. Preis, Qualitätsklasse, Farbe, Verpackung, Leistung, Größe psychologische P r o d u k t m e r k m a l e z.B. Image, Prestige, künstlerisches Design, Exklusivität, Extravaganz Unternehmensmerkmale z.B. Unternehmensform, -große, -Organisation, BeschafTungsund Investitionsverhalten, Produktivität, Leistungsangebot, Liquidität, Marketingpolitik bevorzugte Produktmerkmale z.B. Preisgünstigkeit, Qualität, Vielseitigkeit, Leistungsstärke Unternehmensmerkmale z.B. Liquidität, Image, Leistungsstärke Unternehmensgröße soziodemographische Nachfragermerkmale z.B. Schulbildung, Beruf, Einkommen, Geschlecht, Alter; psychographische Nachfragermerkmale z.B. Lebenstil, Freizeitverhalten, Risikofreude Kaufverhaltensmerkmale z.B. Markentreue, Kaufhäufigkeit, Geschäftstreue, Anzahl von Medienkontakten, Intensität von Medienkontakten durch Nachfrager bevorzugte P r o d u k t merkmale z.B. Preisgünstigkeit, Qualität, Vielseitigkeit, Leistungsstärke

Unternehmen

Daten zu allgemeinen Vorzügen des Untersuchungsobjekts bzw. der konkurrierenden Untersuchungsobjekte

Produkte

Daten zu Merkmalen der potentiellen Nachfrager

potentielle Nachfrager (-Segmente)

Daten zur nachfragerspezifischen Wichtigkeit von Vorzügen der Untersuchungsobj ekte

potentielle Nachfrager (-Segmente)

Abbildung

3.3

3.6:

Unternehmen

Ausgewählte Beispiele von in Form stellbaren Datengrundlagen für

einer Datenmatrix darPositionierungsanalysen

Was muß man von der M e t h o d i k wissen?

Z u r A u s w e r t u n g d e r in A b s c h n i t t 3 . 2 in F o r m v o n q u a n t i t a t i v e n

Datenmatrizen

b e s c h r i e b e n e n D a t e n g r u n d l a g e n im R a h m e n v o n P o s i t i o n i e r u n g s a n a l y s e n in d e r

Datenanalyse

eine R e i h e von

Methoden

vorgeschlagen,

mit

werden

deren

Hilfe

W a h r n e h m u n g s - bzw. Beschreibungsmodelle erzeugt werden können. Eine zentrale B e d e u t u n g bei der Erstellung derartiger W a h r n e h m u n g s - bzw.

Beschreibungsmo-

delle n i m m t hierbei der im vorigen A b s c h n i t t schon e r w ä h n t e (durch die M e r k m a l e / S p a l t e n der q u a n t i t a t i v e n D a t e n m a t r i x aufgespannte) M e r k m a l s r a u m ein. Untersuchungsobjekte/Zeilen werden hierbei durch P u n k t e mit Koordinaten

entspre-

chend ihrer E i n t r a g u n g e n in der q u a n t i t a t i v e n D a t e n m a t r i x repräsentiert.

Unähn-

3.3 Was muß man von der Methodik

wissen?

65

lichkeiten zwischen den Untersuchungsobjekten können jetzt aus den unterschiedlichen Positionierungen der entsprechenden Punkte im Merkmalsraum abgeleitet werden. Da Ausprägungen der Untersuchungsobjekte hinsichtlich gewisser Merkmale u.U. entweder überhaupt nicht erhoben werden können ( f e h l e n d e W e r t e ) bzw. über unterschiedliche E i n h e i t e n (z.B. Preis in DM, Gewicht in Kilogramm) oder über unterschiedliche G r ö ß e n o r d n u n g e n (z.B. Fleischeinlage mit Werten von 1000 bis 2000 [in Gramm], Konservierungsstoffe mit Werten von 2 bis 3 [in Milligramm]) notiert werden müssen, sind bei der Bestimmung sinnvoller Koordinaten für die Punkte im zugehörigen Merkmalsraum oft Probleme in bezug auf eine B e h a n d l u n g der f e h l e n d e n W e r t e und/oder in bezug auf eine S t a n d a r d i s i e rung d e r B e r e i c h e der M e r k m a l s a u s p r ä g u n g e n zu lösen. Eine typische Vorgehensweise bei der Behandlung fehlender Werte ist eine E r s e t z u n g der f e h l e n d e n W e r t e durch den häufigsten W e r t b z w . durch die m i t t l e r e A u s p r ä g u n g des entsprechenden Merkmals. Zur Standardisierung wird i.d.R. entweder nur eine Verschiebung des mittleren Wertes bei den einzelnen Merkmalen auf den Wert Null ( M i t t e l w e r t - T r a n s f o r m a t i o n ) oder zusätzlich zu dieser Verschiebung eine Transformation der Streuung der Werte auf einen einheitlichen Wert (i.d.R. erfolgt eine Normierung der Varianz auf den Wert Eins) vorgenommen (z-Transformation). M e t h o d e n der D a t e n a n a l y s e werden vor allem dazu eingesetzt, den i.d.R. durch eine große Anzahl von Merkmalen aufgespannten, unübersichtlichen M e r k m a l s r a u m ohne größeren Informationsverlust in einen möglichst niedrigdimensionalen B e u r t e i l u n g s r a u m abzubilden, in dem die zugrundeliegenden (evtl. zahlreichen) Untersuchungsobjekte dargestellt werden können. Hierbei ist ein Inform a t i o n s v e r l u s t darin zu sehen, daß die durch unterschiedliche Positionierungen im Merkmalsraum beschriebenen Unähnlichkeiten der Untersuchungsobjekte durch Distanzen im niedrigdimensionalen Beurteilungsraum u.U. nicht vollständig wiedergegeben werden können. Daß dies oft nicht als gravierender Nachteil empfunden werden muß, läßt sich aus der Überlegung ableiten, daß sich für manche Merkmale von der Tendenz her ähnliche Ausprägungen bei den Untersuchungsobjekten ergeben können. Man denke an Merkmalsgruppen wie z.B. "Leistungsstärke", "Qualität" und "Preis" oder "künstlerisches Design", "Exklusivität" und "Extravaganz", bzgl. derer die erhobenen Werte für die Ausprägungen der entsprechenden Merkmale bei Produkten mancher Produktklassen von der Tendenz her ähnlich ausfallen können. Man spricht in solchen Fällen vom V o r h a n d e n s e i n korrelierender M e r k m a l e . Zur Kontrolle, ob die Abbildung des Merkmalsraums in einen niedrigdimen-

66

3

POSITIONIERUNG

sionalen Beurteilungsraum und damit die Erstellung eines Wahrnehmungs- bzw. Beschreibungsmodells ohne größeren Informationsverlust gelungen ist, bieten die verschiedenen Methoden der Datenanalyse i.d.R. jeweils spezifische Gütekriterien an. Als ein allgemeines Kriterium, das in M . Ä R K ? M A N bei Positionierungsanalysen abrufbar ist, kann das sogenannte Shepard-Diagramm Verwendung finden, ein Punktediagramm, bei dem die Unähnlichkeitsbeziehungen/Distanzen der Untersuchungsobjekte im Merkmalsraum graphisch den Unähnlichkeitsbeziehungen/Distanzen der Untersuchungsobjekte im Beurteilungsraum gegenübergestellt werden. Die wohl einfachste Möglichkeit zur Erstellung eines niedrigdimensionalen Wahrnehmungs- bzw. Beschreibungsmodells besteht darin, spezielle Merkmale/ Spalten der Datengrundlage als Beurteilungsdimensionen auszuwählen und die relative Lage der Untersuchungsobjekte/Zeilen in bezug auf diese Beurteilungsdimensionen als Punkte in einem niedrigdimensionalen Raum abzutragen. Diese Methode - üblicherweise explizite Vorgabe von Beurteilungsdimensionen

genannt -

setzt natürlich eine gewisse Kenntnis der Relevanz einzelner Merkmale für die Beurteilungssituation und für die tatsächlich vorhandenen Unähnlichkeitsbeziehungen zwischen den Untersuchungsobjekten voraus, da die übrigen Merkmale keine Berücksichtigung finden. Zu den bekanntesten Methoden der Datenanalyse, die eine Abbildung des Merkmalsraums in einen geeigneten Beurteilungsraum ermöglichen, gehören die multioder mehrdimensionale Skalierung und die Hauptkomponentenanalyse. Bei der Kruskal-MDS (MDS ist die Abkürzung für Multi-Dimensionale Skalierung, zur formalen Beschreibung des konkreten Verfahrens siehe Kruskal (1964a,b) bzw. Opitz (1980)) wird eine Anordnung der Untersuchungsobjekte in einem niedrigdimensionalen Beurteilungsraum so bestimmt, daß die Rangordnung der Unähnlichkeiten von Paaren von Untersuchungsobjekten im gesamten Merkmalsraum durch die Rangordnung der Unähnlichkeiten im Beurteilungsraum bestmöglich reproduziert wird. Unähnlichkeiten im Merkmals- und im Beurteilungsraum werden dabei - bei quantitativer Datenmatrix als Datengrundlage - i.d.R. mittels der euklidischen Distanzen der die Untersuchungsobjekte repräsentierenden Punkte ermittelt. Zur Beurteilung der Güte der gefundenen Repräsentation dient der sogenannte Stress nach Kruskal (Kruskal (1964a,b)), mit dessen Hilfe die Ubereinstimmung der beiden Rangordnungen der Unähnlichkeiten gemessen wird. Werte zwischen 0.0 und 0.1 weisen auf eine gute Ubereinstimmung hin. Die Beschränkung bei der Darstellung der Untersuchungsobjekte auf die Reproduktion der o.g. Rangordnungen stellt bei größerer Anzahl von Untersuchungsobjekten keine allzu große

3.3 Was muß man von der Methodik

wissen?

67

Einschränkung dar. Es erfolgt i.d.R. - quasi nebenbei - eine proportionale Reproduktion der Distanzen im Merkmalsraum (siehe etwa Borg (1980)). Bei der H a u p t k o m p o n e n t e n a n a l y s e (zur formalen Beschreibung sei ebenfalls auf Opitz (1980) verwiesen) werden die die Untersuchungsobjekte repräsentierenden P u n k t e in denjenigen Unterraum vorgegebener Dimension des Merkmalsraums projiziert, in dem die projizierten Punkte die größte Streuung aufweisen (Im günstigsten Fall wird im Unterraum die gesamte Streuung des Merkmalsraums - und damit auch die Gesamtheit aller Unähnlichkeitsbeziehungen der Untersuchungsobjekte - erfaßt. Bei geringen Verlusten der Streuung reproduziert der Unterraum die Unähnlichkeitsbeziehungen noch näherungsweise.). Mit Hilfe der Hauptkomponentenanalyse ist es daher möglich, diejenigen Merkmalskombinationen bzw. zusammengesetzten Beurteilungsdimensionen herauszufinden, die besonders deutlich zur Unterscheidung der Untersuchungsobjekte beitragen, und damit diejenigen niedrigdimensionalen Beurteilungsräume zu identifizieren, die durch möglichst aussagekräftige Merkmalskombinationen beschrieben werden können. Als Gütekriterium bei der Hauptkomponentenanalyse findet der Anteil der im niedrigdimensionalen Beurteilungsraum erklärten Streuung (Varianz) Verwendung. Ist ein niedrigdimensionaler Beurteilungsraum gefunden, können wichtige Merkmale des Merkmalsraums verwendet werden, um den Beurteilungsraum inhaltlich zu beschreiben bzw. seine Dimensionen zu interpretieren. Ein Verfahren, das eine solche Interpretationshilfe leistet, ist unter dem Namen P r o p e r t y F i t t i n g (siehe z.B. Green, Rao (1972)) bekannt geworden. Bei diesem Verfahren werden in einen vorgegebenen Beurteilungsraum die wichtigsten Merkmale/Spalten der Datenmatrix als Merkmalsvektoren so eingebettet, daß die Projektionen der Untersuchungsobjekte auf diese Merkmalsvektoren den Ausprägungen der Untersuchungsobjekte bzgl. der Merkmale bestmöglich entsprechen. Als ein Kriterium für die Wichtigkeit der gewählten Merkmale wird bei quantitativen Datenmatrizen der Korrelationskoeffizient verwendet. Anhand der eingebetteten Merkmalsvektoren kann dann eine inhaltliche B e s c h r e i b u n g d e s B e u r t e i l u n g s r a u m e s erfolgen. Hierbei kommt der Anwendung zugute, daß bei den hier vorgestellten Verfahren zur Entwicklung niedrigdimensionaler Beurteilungsräume bei gegebener Dimensionalität einfache Transformationen (Drehungen, Spiegelungen, Verschiebungen) des Beurteilungsraumes keinen weiteren Informationsverlust bewirken. Der Anwender kann z.B. diejenigen orthogonalen (rechtwinklig zueinander stehenden) Gruppen von eingebetteten Merkmalsvektoren, die seiner Meinung nach inhaltlich am meisten zur Erklärung beitragen, als

68

3

POSITIONIERUNG

Beurteilungsdimensionen auswählen.

3.4 Ins

W i e kann das A n w e n d u n g s m o d u l bedient werden? Anwendungsmodul

MARK?MAN-Systems

'Positionierung'

gelangt

man

vom

Start-Screen

des

(siehe Kapitel 2) mittels Drücken der Taste | F l | (An-

wendungswahl), anschließender Auswahl von 'Positionierung' mittels Cursor und Drücken der Taste Return In diesem Abschnitt wird ausschließlich die Bedienung des Anwendungsmoduls 'Positionierung' erläutert 1 . Abbildung 3.7 gibt ausschnittsweise die Struktur dieses Anwendungsmoduls wieder, wobei in formaler Ubereinstimmung mit Abbildung 2.1 (siehe auch Abbildung 1.2) jedes Anwendungsmodul über die Komponenten Dat e n b a n k , M o d e l l b a n k , M e t h o d e n b a n k und B e n u t z e r s c h n i t t s t e l l e und ihr Zusammenspiel beschrieben wird. Da über Datengrundlage und Methodik in den vorausgegangenen Abschnitten bereits berichtet wurde, kann man sich bei der Beschreibung von Datenbank, Modellbank und Methodenbank kurz fassen. In der D a t e n b a n k kann auf Daten zur Wahrnehmung bzw. Beschreibung von Untersuchungsobjekten zugegriffen werden. Sie sind in Form einer quantitativen Datenmatrix angeordnet, wie es in Abschnitt 3.2 beschrieben wurde 2 . Die M o d e l l b a n k umfaßt die angesprochenen Wahrnehmungs- bzw. Beschreibungsmodelle, anhand derer z.B. Entwicklungen oder Bewertungen von Positionierungsaktivitäten erfolgen können und zu deren Berechnung auf die Datenbank und die Methodenbank von M.ÄR.K.2MAN 1

MA1ZK?MAAf

zurückgegriffen werden kann.

stellt zur Entwicklung bzw. Bewertung von Positionierungsaktivitäten neben

d e m A n w e n d u n g s m o d u l 'Positionierung' weitere E n t s c h e i d u n g s u n t e r s t ü t z u n g zur Positionierung a u c h in den A n w e n d u n g s m o d u l e n 'Segmentierung', 'Präferenz' und ' P r e - T e s t m a r k t 1' bzw. 'PreT e s t m a r k t 2' zur Verfügung, von deren Benutzerschnittstellen aus entsprechende Analysen bzw. Darstellungen aktiviert werden können. 2

An dieser Stelle sei - nicht z u m ersten und nicht zum letzten Mal - darauf hingewiesen, daß

D a t e n b a n k , Modellbank u n d Methodenbank des .M.47£/C 2 .M.4-V-Systems - natürlich - wesentlich m e h r D a t e n g r u n d l a g e n (z.B. individuelle paarweise Vergleiche von U n t e r s u c h u n g s o b j e k t e n ) , Modelle (z.B. Idealpunktmodelle, Auswahlmodelle) u n d Methoden (z.B. clusteranalytische M e t h o d e n ) u m f a s s e n . Aus didaktischen G r ü n d e n können jedoch nicht alle Möglichkeiten bereits vom Anwend u n g s m o d u l 'Positionierung' aus, sondern - auch im Z u s a m m e n h a n g m i t den hier beschriebenen D a t e n g r u n d l a g e n , Modellen und Methoden - nur in logisch aufeinander a u f b a u e n d e r Reihenfolge von nachfolgend beschriebenen Anwendungsmodulen ('Segmentierung', ' P r ä f e r e n z ' , ' A u s w a h l ' , . . . ) a u s aktiviert werden.

3.4 Wie kann das Anwendungsmodul

bedient

Benutzerschnittstelle

werden?

Methodenbank

Aktivierung einer Positionierung»analyse mittele 'perceptual map'-

_ _

Darstellungen

[FJ]

Aktivierung einer Interpretationshilfe

ü Methoden zur Interpretation (z.B. Property Fitting)

Aktivierung einer Cütebeurleilung

Methoden zur Repdsentatlon

von Wahrnahmungs- bzw.

(z.B.

Beschreibungsmodellen

Hauptkomponentenanalyse)

[F7][F6 IF71

Aktivierung der Datenverwaltung

Methoden zur Behandlung fehlender Werte und zur Transformation von Werten

Flräl

(Z.B. z-Transformalion)

Wahrnehmung*- bzw. Beschreibungs-

Daten zur Wahrnehmung bzw.

modelte

Beschreibung von Untercuehungcobjekten

Datenbank

Vlodellbank

Abbildung

3.7:

Struktur

des Anwendungsmoduls 2

in MÄRK. MAN

'Positionierung'

(ausschnittweise)

70

3

POSITIONIERUNG

In der M e t h o d e n b a n k sind die in Abschnitt 3.3 skizzierten Methoden enthalten. Es sind dies im einzelnen: • M e t h o d e n zur B e h a n d l u n g f e h l e n d e r W e r t e u n d zur T r a n s f o r m a t i o n v o n W e r t e n : z-Transformation, Mittelwert-Transformation (jeweils spaltenweise), Behandlung fehlender Werte über eine Ersetzung durch Spaltenmittelwerte, • Methoden

zur

Repräsentation:

Hauptkomponentenanalyse,

Kruskal-

MDS, explizite Vorgabe von Beurteilungsdimensionen, • M e t h o d e n zur Interpretation: Property Fitting. Die B e n u t z e r s c h n i t t s t e l l e des Anwendungsmoduls 'Positionierung' stellt neben den in M.ÄRX?M.AN

durchgängig verfügbaren und in Kapitel 2 bereits

erläuterten Funktionstasten zur Bereichswahl ( F l ), zur Datenein-/ausgabe ( F2 zur Aktivierung der Hilfestellung ( F10 ) und zum Verlassen des Anwendungsmoduls ( Esc ) weitere Funktionstasten zur Aktivierung von Managementhilfen zur Verfügung: • Über F3 (Perc) können 'perceptual m a p ' - D a r s t e l l u n g e n über Positionierungsanalysen mittels Wahrnehmungs- bzw. Beschreibungsmodellen aktiviert werden. Liegen bereits Auswertungen mittels konkreter Wahrnehmungsbzw. Beschreibungsmodelle vor, so können diese direkt abgerufen werden. Liegen keine Auswertungen vor oder sollen eventuell alternative Wahrnehmungsbzw. Beschreibungsmodelle eingesetzt werden, so wird vom Anwendungsmodul automatisch eine Aktivierung von Methoden zur Repräsentation (und von Methoden zur Behandlung fehlender Werte und zur Transformation von Werten) eingeleitet. Der Benutzer erhält Vorschläge zur Methodenauswahl, die er entweder bestätigen (Drücken der Taste Return ) oder durch Anklicken von Alternativen (Wahl mit dem Cursor, Drücken der Taste Return ) auswählen kann. Im einzelnen erfolgen nacheinander die Bestätigung/Wahl einer Methode zur Repräsentation (Hauptkomponentenanalyse, Kruskal-MDS, explizite Vorgabe von Beurteilungsdimensionen) und einer Methode zur Behandlung fehlender Werte und zur Transformation von Werten (keine Standardisierung, Mittelwert-Transformation, z-Transformation). Wurden die Bestätigungen/Wahlen durchgeführt, erfolgt durch das System die Aktivierung der entsprechenden Methoden der Methodenbank und der Datengrundlage der

3.4 Wie kann das Anwendungsmodul

bedient

werden?

71

Datenbank sowie die Durchführung der Berechnungen und die Speicherung der Ergebnisse in Modell- und Datenbank. Zusätzlich werden zweidimensionale graphische Darstellungen der Ergebnisse der Anwendungen der Wahrnehmungs- bzw. Beschreibungsmodelle für den Benutzer erzeugt. Eine Kontrolle der Qualität der Ergebnisse ist über eine Gütebeurteilung mittels Gütekriterien (Drücken der Taste F4 , siehe nachfolgende Beschreibung) oder mittels Shepard-Diagramm (Drücken der Taste F7 , siehe nachfolgende Beschreibung) jederzeit möglich. Eine Hilfe kann - wie bereits in Kapitel 2 ausgeführt - natürlich zusätzlich aktiviert werden, sie unterstützt den Benutzer bei Wahlmöglichkeiten wie auch bei der Interpretation erhaltener Ergebnisse. Mittels F4 (Guete) kann eine G ü t e b e u r t e i l u n g der erhaltenen Ergebnisse des aktuellen Wahrnehmungs- bzw. Beschreibungsmodells erzeugt werden. Liegt ein mittels Hauptkomponentenanalyse berechnetes Modellergebnis vor, so werden die Anteile der durch den erzeugten niedrigdimensionalen Beurteilungsraum erklärten Streuung (Varianz) ausgegeben. Liegt ein mittels Kruskal-MDS ermitteltes Modellergebnis vor, so wird der Stress nach Kruskal bzgl. der zweidimensionalen Repräsentation ausgegeben. Bei Modellen auf Basis expliziter Vorgabe von Beurteilungsdimensionen ist keine Ausgabe einer speziellen Gütebeurteilung möglich, bei allen Modellen kann jedoch eine (evtl. zusätzliche) Gütebeurteilung mittels Shepard-Diagramm (Drücken der Taste F7 |, siehe nachfolgende Beschreibung) erfolgen. Durch Drücken von | F5 | (Interpr) ist die Aktivierung einer I n t e r p r e t a t i o n s hilfe möglich. Liegen Wahrnehmungs- bzw. Beschreibungsmodelle vor, die bereits Einbettungen von Merkmalsvektoren umfassen, so erfolgt eine zweidimensionale graphische Darstellung des Modells, wie sie auch mittels

F3

zu erhalten wäre, jetzt aber erweitert um eingebettete Merkmalsvektoren, die die Interpretation des Beurteilungsraums unterstützen. Andernfalls erfolgt eine Aktivierung von Methoden- und Datenbank. Mittels Methoden zur Interpretation werden für die aufgrund der vorherigen Aktivierungen von ausgewählten Beschreibungs- bzw. Wahrnehmungsmodellen erzeugten niedrigdimensionalen Beurteilungsräume Einbettungen von Merkmalsvektoren berechnet. Dabei werden jeweils nur diejenigen Merkmalsvektoren in das gewählte Wahrnehmungs- bzw. Beschreibungsmodell aufgenommen, die ein vorher festgelegtes Gütekriterium (z.B. Korrelationskoeffizient > = 0.75) erfüllen. Eine Kontrolle der Qualität der Einbettungen ist anschließend über eine Gütebeurteilung (Drücken der Taste F6 , siehe nachfolgende Beschreibung) möglich.

72

3

POSITIONIERUNG

Mittels F6 (Korr) können Korrelationskoeffizienten zur Beurteilung der Güte der eingebetteten Merkmalsvektoren ausgegeben werden. Zusätzlich werden diejenigen Merkmale angegeben, für die eine Einbettung nicht erfolgreich durchgeführt werden konnte. • Bei Wahl von [F7~] (Shep) kann ein S h e p a r d - D i a g r a m m zur Gütebeurteilung abgerufen werden. Im Shepard-Diagramm wird zu jedem Paar von Untersuchungsobjekten durch Abtragen der Unähnlichkeit im Merkmalsraum (euklidische Distanz) in Richtung der ersten Achse und Abtragen der Unähnlichkeit im Beurteilungsraum (ebenfalls euklidische Distanz) in Richtung der zweiten Achse jeweils ein Punkt eingetragen. Bei Reproduktion der Rangordnung der beobachteten Unähnlichkeiten sollte ein monotoner Zusammenhang, bei proportionaler Wiedergabe der beobachteten Unähnlichkeiten sogar ein linearer Zusammenhang zu erkennen sein. Die Beschreibung der Bedienung des Anwendungsmoduls wird im folgenden Abschnitt 3.5 im Rahmen der Erläuterung von Anwendungsbeispielen fortgesetzt.

3.5

Anwendungsbeispiele

Wie schon im Vorwort angedeutet wurde, sollen Anwendungsbeispiele den Umgang mit dem M.A1ZK.2MAA/"-System erleichtern. Welche Beispiele in der DiskettenVersion von AiAIZ-fC2MAN

enthalten sind und welchen Kapiteln sie zugeordnet

werden, ist in Kapitel 11 zusammenfassend dargestellt. Die Beschreibung solcher Anwendungsbeispiele erfolgt in den ersten Kapiteln in eher ausführlicherer Weise. Später, wenn ein gewisses Vertrautsein mit der in MAKK2MAN

implementierten Vorgehensweise vorausgesetzt werden kann und

auf vorausgegangene Erläuterungen der Abarbeitung der bis dahin bekannten Beispiele zurückgegriffen werden kann, fallen die Beschreibungen kürzer aus. Dabei ist zu betonen, worauf auch an anderen Stellen hingewiesen wird: Die im folgenden im Rahmen der Anwendungsbeispiele benutzten Daten dienen der Demonstration der Fähigkeiten von MÄTtK,2 MAN.

Sie sollen keine aktuelle Be-

schreibung von Problemsituationen liefern. Falls Daten verwandt wurden, die aktuellen Datengrundlagen entstammen, wurden sie vor der Aufbereitung für die MÄR-K,2 MAN

-Nutzung verfremdet.

Zu Beginn der Beschreibung von Anwendungsbeispielen zur Positionierung wer-

3.5

73

Anwendungsbeispiele

den Möglichkeiten zur Repräsentation bei einer Datengrundlage, in der Zigarettenmarken und assoziierte Begriffe für den Produktbereich Zigaretten in Beziehung gesetzt worden sind, im Rahmen von bekannten Positionierungstechniken dargestellt. Danach wird gezeigt, wie eine Beurteilung von Cognac-Werbung mittels 'Positionierung' erfolgen kann.

3.5.1

P o s i t i o n i e r u n g s a n a l y s e im P r o d u k t b e r e i c h Zigaretten

Der Produktbereich Zigaretten wurde bewußt für die Demonstration einer Positionierungsanalyse im Rahmen einer ersten MAVX?M>4jV-Anwendung

ausgewählt.

Durch die Werbung und Diskussionen über gesundheitsgefährdende Wirkungen des Rauchens sind dieser Produktbereich, seine wichtigsten Beurteilungsdimensionen und entsprechende Positionierungen einzelner Marken auch Nichtrauchern vertraut. Dies wird die Überprüfung der Positionierungsergebnisse erleichtern. Pos i t ion ieruna ZIGARETl-Bereich Bs rm 1 chsuah 1 BS PI BSP2 COGNAC1 KAFFEE1

Bereichswahl

ZIGARETZ ZIGÖRET3 Loeschen UachsaIn Neuer Bereich

ZI GARET1

uoller Q Abenteue gute Lau Akt ivita Sunpath i Entspann 487.OO 314.OO 328.OO MB ääö.öö 234.öd .öö 344.00 33*.öö .ÖO R6 215.OO 194.OO 344.OO 312. OO 326. OO 353.•• Emta23 372.OO 247.OO 321.OO 290.00 299.OO 324.OO S tui^wsant 370.00 409 . OO 393.OO 438.OO 370.00 330.00 Kin 223.OO 194.OO 343.OO 318 . OO 317.OO 310.00 liest 42? . 00 514.00 945.00 444.00 26 ¿.ÖÖ 303 . ÖÖ Lord 300.00 22? . 00 360.00 323.00 343.ÖÖ 34?.ÖÖ Dunhi 1 1 401. OO 249.OO 308.Q0 292 . OO 348. OO 354.OO Karlboro 303.00 380.00 376.OO 307.00 343.OO 331.OO Philip Morris 344.OO 3 Ol. OO 311.OO 297 . OO 309.00 303.OO Krone 281.OO 206.OO 324.OO 286 . OO 3OS.OO 314.00 1 «-Auswahl RETURN-Ueiter F6A f=7w FlO ESC 1 Abbildung

3.8:

Wiedergabe

des 'ZIGARET1'-Datensatzes

mit eingeblendeter

Bereichswahl

(ausschnittsweise)

74

3

POSITIONIERUNG

Abbildung 3.8 zeigt einen Screen mit einem mit ' Z I G A R E T 1 ' bezeichneten Datensatz, wie er bei Aktivierung des Anwendungsmoduls 2

MA1ZK.

MAN-Systems

"Positionierung"

des

als Ausgangspunkt bereitgestellt werden kann. Die mit

eingeblendete Bereichswahl (Erhältlich durch Drücken der Funktionstaste | F l | (Bereich), wie es auch die Kommandozeile am unteren Rand des Vorgänger-Screens des in Abbildung 3.8 wiedergegebenen Screens gezeigt hätte.) läßt erkennen, daß auch andere Bereiche, z.B. ' C O G N A C l ' , worüber im nächsten Beispiel berichtet wird, oder ' K A F F E E l ' hätten gewählt werden können. Im ' Z I G A R E T l ' - D a t e n s a t z sind ausgewählte Zigarettenmarken als Untersuchungsobjekte/Zeilen und assoziierte Begriffe als Merkmale/Spalten über aggregierte Befragungsergebnisse, die aus einer Umfrage unter Studenten gewonnen wurden, in einer quantitativen D a t e n m a t r i x zueinander in Beziehung gesetzt worden (für eine genauere Erläuterung der Datengrundlage siehe m a n Kapitel II). Nach der in den vorangegangenen Abschnitten erläuterten Systematisierung von Datengrundlagen handelt es sich hier um Wahrnehmungsdaten, spezieller um (Wahrnehmungs-)Daten zu allgemeinen Merkmalen konkurrierender Untersuchungsobjekte, deren Analyse bei einer wettbewerbsorientierten, nicht oder begrenzt nutzenorientierten Positionierungsstrategie hilfreich sein könnte. Unter der Annahme, daß für den Bereich 'ZIGARET1' z.Z. keine Datenverwaltungs- oder Datenänderungsaktivitäten geplant sind (Das Drücken der Funktionstaste F2 (Daten) würde Möglichkeiten des Datenmanagements eröffnen.), kann man mit der Auswertung der Daten im R a h m e n einer Positionierungsanalyse beginnen. Durch Drücken der Funktionstaste F 3 (Perc) wird man in die Lage versetzt, zur Erstellung eines Wahrnehmungsmodells bzw. zur Erzeugung einer 'perceptual m a p ' zunächst zwischen einer Hauptkomponentenanalyse, einer Kruskal-MDS oder einer Analyse durch explizite Vorgabe von Beurteilungsdimensionen zu wählen, und danach ein Verfahren zur Standardisierung der Datengrundlage zu bestimmen. Abbildung 3.9 zeigt als Ergebnis der Hauptkomponentenanalyse bei standardisierter (z-transformierter) Datengrundlage eine 'perceptual m a p ' , in der die Zigarettenmarken aufgrund der Zusammenfassung der Merkmale zu zwei Hauptkomponenten, die 73.1 % der Varianz der Ausprägungen der Merkmale erklären (47.8 % entfallen auf die 1. Hauptkomponente, 25.3 % auf die 2. Hauptkomponente), dargestellt sind. In Abbildung 3.9 sind zusätzlich die Richtungen zunehmender Stärke der Begriffsassoziationen der Untersuchungsobjekte mit den gewählten Merkmalen durch das Verfahren Property Fitting eingebettet worden (Dies ist durch Drücken

3.5

75

Anwendungsbeispiele

Pos i t ion iarune

ZIGAftfcl1-Berei

/

s

,

6 2. Hauptkomponent©

25.3^

Symp gut« L a u r * ithie Entspannung i

t&qg^igfcelt

\

\

öenuss

1

vol 1 er Geschmack +Stugvesant

/

rtktivitaet ¿r

+

LordV

\

\

1

S s '

Selbstsid>erheit

^ ^ ^ ^ ^

Abenteuer

—— 3

-3

l.Hauptkofriponente 6

+Ernte23

+Kim

Fl-Bereich

F2-Daten

F3-Perc

Abbildung

+ Camel

.Philip Morris

•Kr°ne

F4-Guete

3.9:

47.8V!

+ Uest

F5-Interor

Darstellung im Bereich

F6-Korr

F7-Shep

einer 'perceptual

FlO

ESC

map'

'ZIGARET1'

der Funktionstaste F5 (Interpr) möglich, wie es auch die Kommandozeile bzw. die aktivierbare Hilfe F10 des Vorgänger-Screens des in Abbildung 3.9 wiedergegebenen Screens angezeigt hätte. Property Fitting ist anwendbar, nachdem das Ergebnis eines Wahrnehmungsmodells vorliegt, auf das das Property Fitting Verfahren zugreift.). Man erkennt folgendes: Zwei Hauptkomponenten in ihrer Eigenschaft als zusammengesetzte Beurteilungsdimensionen sind im vorliegenden Beispiel offensichtlich ausreichend, um die Unähnlichkeitsbeziehungen der Zigarettenmarken auf Basis der ausgewählten Datengrundlage ohne größeren Informationsverlust zu erklären. Die erste Hauptkomponente würde bereits 47.8% der Varianz erfassen. Die eingebetteten Merkmalsvektoren unterstützen die Interpretation bei der inhaltlichen Auswahl der geeigneten orthogonalen Beurteilungsdimensionen bzw. Merkmalsgruppen. So kann eine zusammengesetzte Beurteilungsdimension - im folgenden hier " A b e n t e u e r a s s o z i a t i o n " genannt - aus Begriffsassoziationen wie 'Haerte', 'Abenteuer',

3

76 Pos i t ion ieruna

POSITIONIERUNG

ZI GARET1-Bereich Korrelat ionskoeffiz ienten ^ ny 2.Hauptkor Korralatlonskooffiz ienten M i t t e l s Methoden zur I n t e r p r e t a t i o n wurden f u e r d i e a u f g r u n d von v o r h e r i g e n A k t i v i e r u n g e n a u s g e u a e h l t e r B e s c h r e i b u n g s - bzu. Uahrnehnungsnodelle erzeugten niedrigdimensionalen Betxteilungsraeume Einbettungen von M e r k n a l s v e k t o r e n b e r e c h n e t . Die Guete d i e s e r E i n b e t t u n g e n u i r d u e b e r d i e K o r r e l a t i o n e n l u i s c h e n d e n Auspraegungen der U n t e r s u c h u n g s o b j e k t e b z g l . der Merkmale und d e n P r o j e k t i o n e n der d i e U n t e r s u c h u n g s o b j e k t e r e p r ä s e n t i e r e n d e n Pu-ikte auf d e n j e u e i l i g e n Merkmalsvefctor b e u r t e i l t .

+Stuyves

Ein K o r r e l a t i o n s k o e f f i z i e n t von 1 b e d e u t e t p e r f e k t e E i n b e t t u n g d e s z u g e h o e r i g e n Merkmals— v e k t o r s , Korr e l a t i o n s k o e f f i z i e n t en nahe 0 z e i g e n an, d a s s s i n n v o l l e E i n b e t t u n g e n n i c h t noeglich sind.

eingebettet : voller Ga&chnKk Abenteuer gute Laune Aktiuitaet Sunpathie Entspannung Gesal1igkait Genus5 Harnonie Haerte Selbst5iche rhe11 nicht eingebettet: Philip M o r r i s Exk IUE i l taet T radit ion FX-Bereich F2-Daten F3-Perc F4-Guete F5-lnternr F6-Korr F7-Shep F10 ESC Abbildung

3.10:

Darstellung zusätzlich

einer 'perceptual

map' im Bereich

sind Gütebeurteilungen

Merkmalsvektoren

und ein Hilfstext

der Einbettung

O • 0 0 O O •

9183

9652 fS'/f

6W 8481 8061 8968

• 9657

0 9ÖS3 0 o 9574 o

1408

• 7028

'ZIGARET1'; von

eingeblendet

'Selbstsicherheits 'Aktivitaet', 'voller Geschmack' und 'Genuss' gebildet werden, während eine zweite - im folgenden "Geselligkeitsassoziation" genannt - durch Begriffsassoziationen wie 'Harmonie', 'Geselligkeit', 'Entspannung', 'gute Laune' und 'Sympathie 1 zusammengesetzt werden kann. Ausgeprägt positive Positionierungen in der zusammengesetzten Beurteilungsdimension "Abenteuerassoziation" weisen die Marken 'Marlboro', 'Camel' und 'West' auf, während sich in der zusammengesetzten Beurteilungsdimension "Geselligkeitassoziation" eher Marken wie 'HB' und 'Lord' durch positive Ausprägungen auszeichnen. Im Sinne einer Differenzierung der eigenen Positionierung von fremden Markenpositionierungen erscheinen die Positionierungen der genannten Marken - zumindest auf Basis der ausgewählten Datengrundlage - erfolgsversprechend, während Positionierungen von Marken wie 'Kim', 'Krone' und 'R6' in den vorliegenden Beurteilungsdimensionen, in der zugrundeliegenden Menge der Konkurrenzmarken und im Rahmen der Äußerungen

3.5

77

Anwendungsbeispiele

der hier präsentierten Befragten, die eine aus einer größeren Stichprobe gezogene Teilstichprobe repräsentieren, als weniger interessant und voneinander zu wenig differenziert angesehen werden müßten. Für die miteingebetteten Merkmalsvektoren kann m a n sich zusätzlich ein Gütekriterium angeben lassen, indem man die Funktionstaste F6 (Korr) drückt. Abbildung 3.10 zeigt das Resultat. Für die eingebetteten aber auch für nichteingebettete Merkmalsvektoren werden die entsprechenden Korrelationskoeffizienten ausgegeben. Man erkennt, daß bei den eingebetteten Merkmalsvektoren sehr hohe Korrelationen erreicht wurden. Darüber hinaus weisen die entsprechend niedrigeren Korrelationskoeffizienten bzw. die nicht erfolgten Einbettungen der Begriffsassoziationen 'Exklusivitaet' und 'Tradition', vor allem aber der Korrelationskoeffizient für 'Exklusivitaet' von 0.14, darauf hin, daß das gewählte Wahrnehmungsmodell bzw. die gefundene zweidimensionale Repräsentation nicht alle wahrgenommenen Unterschiede der Zigarettenmarken erfassen kann. Nun müssen MA1Z1C2MAA/*-Nutzer

entscheiden, ob diese Ergebnisse für sie

von Bedeutung sind. Falls MARK,2MAN-Nulzei

zur Sicherheit auch noch ein Wahrnehmungsmo-

dell abrufen möchten, das durch Anwendung einer Kruskal-MDS entstehen würde, muß - wie es die Kommandozeile in Abbildung 3.10 zeigt - zuerst wieder die Funktionstaste F3 (Perc) gedrückt und danach die Kruskal-MDS aktiviert werden. Abbildung 3.11 zeigt einen Screen, bei dem zusätzlich zu einer 'perceptual map'Darstellung im Rahmen einer Aktivierung eines Wahrnehmungsmodells auf Basis einer Kruskal-MDS-Lösung noch der Stress nach Kruskal (eine mögliche Gütebewertung dieser Kruskal-MDS-Lösung) ausgegeben worden ist (Diese Information ist durch Drücken der Funktionstaste

F4

(Guete) erhältlich.). Falls der Begriff

Stress nach Kruskal bzw. 'Kruskal-Stress' unbekannt oder in Vergessenheit geraten ist, kann man die Systemhilfe aktivieren (Funktionstaste F10 ), wodurch ein Hilfefenster in den Bildschirm eingeblendet wird, das Erklärungen enthält (die danach wieder gelöscht werden können). Dem Hilfefenster in Abbildung 3.11 e n t n i m m t man, daß die ausgegebene Lösung einen sehr guten Stress-Wert besitzt. Zusätzlich sind in Abbildung 3.11 wiederum Merkmalsvektoren durch Property Fitting eingebettet worden. Man erkennt die große Ähnlichkeit mit den Ergebnissen

3

78 Positionierung

ZIQflRETl-Berei

POSITIONIERUNG

Ouetebeurteiluna Guatabaurtal lung n i t d e « S t r a s s n a c h K r u s k a l k a n n die 6 u * t * e l n a r a l t den U e r i a h r e n v o n K r u s k a l b e r e c h n e t e n R e p r a e s e n t a t i o n b a u - t e i l t uerden. J a k l a l n a r d a r S t r a s s I s t , iaa s o b a s s a r g i b t die R e p r ä s e n t a t i o n dia Datenqrundlage uieder. Dar K r u s k a l - S t r a s s u i r d u i a f o l g t Uert a b e r e i c h 0.00 .. 0.05 ..

0.05 0.10

0.15 . .

0.20

0.10 .. 0.16

0.20 .. 1.00

bezeichnet:

Bezeichnung sehr

gut

gut zuf r i e d e n s t e l 1 e n d ausreichend nicht z u f r i e d e n s t e l l e n d

Entspannung

Fl-Bereich

Abbildung

FZ-Daten

3.11:

F3-Perc

F4-Guete

Darstellung

FS-Interpr

einer 'perceptual

Ffc-Korr

FlO

ESC

map' im Bereich

auf Basis einer Kruskal-MDS-Lösung, Gütebeurteilung

F7-Shep

'ZIGARET1'

zusätzlich

der Lösung und ein Hilfstext

sind eine eingeblendet

von Abbildung 3.9. 3 Auch hier kann m a n wieder die Güte der erfolgten Einbettungen der Merkmalsvektoren abrufen. Zusätzlich besteht die Möglichkeit, sich das sogenannte ShepardDiagramm ausgeben zu lassen. Über die Systemhilfe (Funktionstaste

FlO ) kann

man sich erklären lassen, welche Bewandtnis es mit dem Shepard-Diagramm h a t . 3

H i e r ist vielleicht noch ein Hinweis darauf angebracht, daß m a n zum Vergleich der Ergebnisse

von A b b i l d u n g 3.9 und A b b i l d u n g 3.11 auch die Druckausgabe des Ai ATI K^MAJ^i-Systems

hätte

aktivieren können (siehe entsprechende Hinweise in Abschnitt 2.3): Durch (gleichzeitiges) Drücken der Tasten | Shift | + | F2 | wird zur besseren Druckausgabe auf die Schwarz-/Weiß-Darstellung der Bildschirminhalte (falls m a n nicht schon mit Schwarz-/Weißdarstellung a r b e i t e t ) umgeschaltet. D a d a d u r c h der Bildschirminhalt gelöscht wird, m u ß m i t |~F3~](Perc) und Auswahl von ' D a r s t e l l u n g ' die zuletzt berechnete 'perceptual map'-Darstellung erneut ausgegeben werden. Durch Betätigen der T a s t e n | Shift | + | F3 | kann d a n n die Druckausgabe aktiviert werden. Nach entsprechender Wahl erfolgt die Ausgabe auf den gewählten Drucker (Drucker vorher einschalten!).

3.5

Anwendungsbeispiele

Positionierung D

79

ZIQflRETl-Bere ich

Shenard-Diaaraim

in U a h r n a h n u n g s n o d e 1 1

ist

2.6

T ++ T

i

Sicherheit

* t+t"l ""'+"

S hspard-DIagraHn Im S h e p a r d - D i a g r a m u i r d zu j e d e n Paar von U n t e r s u c h u n g s o b j e k t e n d u ' c h Abtragen der Unaehnlichfceit i n Herkmalsraum ( e u k l i d i s c h e Distanz) i n Richtung der e r s t e n Achse und Abtragen der Unaehnlichkeit im B e u r t e i l u n g s raun ( e b e n f a l l s e u k l i d i s c h e Distanz) in R i c h t i g der zweiten Achse e i n Punkt e r z e u g t .

++

Bei Reproduktion der Rangordnung der b e o b achteten Utaehnlichfceiten s o l l t e ueber die e r z e u g t e n Punkte e i n monotoner Zusammenhang, bei p r o p o r t i o n a l e r U i e d e r g a b e der b e o b a c h t e ten Unaehnlichkeiten sogar ein l i n e a r e r Zusammenhang zu e r k e n n e n s e i n .

Fl-Bere ich

Abbildung

F3-Paten

3.12:

F3-Perc

F4-Guete

Darstellung

F5-lnterpr

F6-Korr

eines Shepard-Diagramms

sung im Bereich 'ZIGARET1'

F7-Shep

zur

F10

ESC

Kruskal-MDS-Lö-

mit eingeblendetem

Hilfstext

Entsprechende Informationen enthält Abbildung 3.12. Man erkennt auch, daß zur Erklärung der Kruskal-MDS Lösung nicht alle Beurteilungsdimensionen herangezogen werden, die bei der Lösung mittels Hauptkomponentenanalyse eingebettet wurden. Zusammenfassend und in vereinfachter Form kann als Ergebnis der Positionierungsanalyse im Produktbereich Zigaretten auf Basis der ausgewählten Datengrundlage folgendes festgehalten werden: • Zwei zusammengesetzte Beurteilungsdimensionen

("Abenteuerassoziation"

u n d "Geselligkeitsassoziation") sind ausreichend, u m die Unähnlichkeitsbeziehungen der Zigarettenmarken ohne größeren Informationsverlust zu erklären. • Die Marken 'Camel', 'Marlboro' und 'West' zeichnen sich durch positive Ausprägungen in der zusammengesetzten Beurteilungsdimension "Abenteueras-

3

80

POSITIONIERUNG

soziation', die Marken 'HB' und 'Lord' durch positive Ausprägungen in der zusammengesetzten Beurteilungsdimension "Geselligkeitsassoziation" aus. • Marken wie 'Kim', 'Krone' und 'R6' zeichnen sich weder im Rahmen der gewählten Beurteilungsdimensionen besonders aus noch sind ihre Positionierungen untereinander differenziert genug.

3.5.2

B e u r t e i l u n g von C o g n a c - W e r b u n g m i t t e l s P o s i t i o n i e r u n g

Das vorangegangene Beispiel hat gezeigt, daß man eine Problemstellung innerhalb eines Anwendungsmoduls von M . Ä R . K ? M . A N evtl. mit verschiedenen Methoden Positionierung COGHftCl-Bere ich lUfirfahrsnsuah 1 : |Haupt k onDonent enana1yse

Uerfahrensuahl

¡explizite Uorgabe von Beurtei lungsdiwensionen]

Henu-Goldaufschrift 112. OO Hannasstf-S aau 1 en 82. OO Couruols ist—Restaura 137. OO Bisquit-Schliuck 88. OO Martel1-Augen I 133.60 Reny-Flasche fti.ÖÖ HennessB- Danefibeg 1 e i 106.OO Courvoisloi—Bi1lard 117.OO Bisqult-Boersenzeitu 92. OO Ilartell-Augen II 120.OO l-flusyah 1 BETURH-Heiter Ffe^ VTw F10 ESC Abbildung

3.13:

Wiedergabe schnittsweise);

104.00 73. OO 80.00 98. OO 118. OO 86. OO 86. OO 93. OO iùé.ÖÖ ¿4. ÖÖ §¿.00 l i é . 0 0 96. OO 86. OO 111.OO 82. OO 88 . OO 111. OO 110.00 81. OO

der Datengrundlage zusätzlich

im Bereich

ist ein Wahlmenü

lOO.OO 69. OO 111. OO 69. OO 1SÖ.ÖÖ 77.OO 94.OO 103.00 72. OO 121.OO

77. OO 95. OO 82. OO 98 . OO ¿¿.ÖÖ 114.ÖÖ 84. OO 93 . OO 109 . OO 87. OO

'COGNAC1'

(aus-

eingeblendet

(z.B. Hauptkomponentenanalyse und Kruskal-MDS) bzw., falls die entsprechenden Datengrundlagen vorhanden sind, mit verschiedenen Modellen untersuchen kann.

3.5

Anwendungsbeispiele

81

Natürlich ist auch von Interesse, ob man eine Problemstellung im Rahmen verschiedener Anwendungsmodule von M Ä R X . 2 M . A N wiederholt analysieren kann und wie man solcherart erhaltene Resultate in Verbindung setzen kann. Das nachfolgende Beispiel ist ausgewählt worden, um zu demonstrieren, wie Ergebnisse aus dem Anwendungsmodul 'Positionierung' mit den Auswertungsmöglichkeiten des im nächsten Kapitel beschriebenen Anwendungsmoduls 'Segmentierung' in Beziehung gesetzt werden können. Nach den relativ ausführlichen Erläuterungen im Rahmen des vorigen Anwendungsbeispiels kann man sich nun kürzer fassen. Abbildung 3.13 zeigt einen mit ' C 0 G N A C 1 ' bezeichneten Datensatz, der im Rahmen der Bereichswahl im Anwendungsmodul 'Positionierung' (siehe auch die linke obere Ecke im Screen der Abbildung 3.8) ebenfalls zur Demonstration ausgewählt werden kann. Die Daten geben aggregierte Ergebnisse einer Befragung wieder, bei der Werbeanzeigen für Cognac mit ausgewählten Beurteilungskriterien für die zugrundeliegenden Werbebotschaften in Beziehung gesetzt wurden (für eine genauere Erläuterung der Datengrundlage siehe man Kapitel 11). Abbildung 3.13 entnimmt man, daß man sich bereits für die Erstellung eines Wahrnehmungsmodells auf Basis einer Kruskal-MDS-Lösung entschieden hat. Abbildung 3.14 zeigt die entsprechende über eine Kruskal-MDS-Anwendung erhaltene 'perceptual map'-Darstellung. Die zugrundeliegende Lösung hat einen sehr guten Kruskal-Stress (siehe Abbildung 3.11 für die Bewertung von Kruskal-Stress Werten). Zusätzlich zeigt Abbildung 3.14, daß offensichtlich auch schon mittels Property Fitting diejenigen Beurteilungskriterien, die ausreichend hohe Korrelationswerte aufweisen, in die 'perceptual map'-Darstellung des Wahrnehmungsmodells eingebettet wurden. Man erkennt, daß auch in diesem Beispiel zwei zusammengesetzte Beurteilungsdimensionen ausreichend sind, um die Unähnlichkeitsbeziehungen auf Basis der ausgewählten Datengrundlage ohne größeren Informationsverlust zu erklären. Die eingebetteten Merkmalsvektoren unterstützen die Interpretation bei der inhaltlichen Auswahl von geeigneten orthogonalen Beurteilungsdimensionen. So kann eine erste zusammengesetzte Beurteilungsdimension vielleicht mit den Begriffen 'anregend', 'sympathisch' und 'glaubwürdig', eine zweite mit den Begriffen 'nichtssagend' und 'einfallslos' umschrieben werden. Die Anzeigen der Marken 'Courvoisier' und 'Martell' zeichnen sich durch stark positive Ausprägungen in der ersten zusammengesetzten Beurteilungsdimension aus, während die übrigen Anzeigen entweder nur schwache/negative Ausprägungen in den beiden zusammengesetzten Beurteilungsdimensionen oder starke/positive Ausprägungen in der zweiten, inhaltlich eher ne-

82

3

POSITIONIERUNG

> 2. D i m e n s i o n iubuu»r$ijllpathiBch f

anregend

/

J o u r voi s i er -Rest aurant

I

o.< I !

/

+ PlartellH*jgen

/ V

+ Martell-Augen

O

//

+Remy-Qoldatrf

i

i

i

i

^Hennessg-Dan^öbegl ei t ung

-0.6

- 1 . 2

II

sier-Billard

I

I

schrift i

i

1.Dimension^

1.2

1.8

+ Rewj-nasehe + Bi

sqid t-Boer senzei t ung

^BlsquitsfSçh auck + Hennessy-Saei

len P ^ H H ^ ^ ^ ^ ^ J

Fl-Bereich

Abbildung

F2-Daten

3.14:

F3-Perc

F4-Guete

Darstellung

F5-Interor

einer 'perceptual

Ffe-Korr

F7-Sheo

FlO

map' im Bereich

OGOl

ESC

'C0GNAC1'

gativ zu sehenden zusammengesetzten Beurteilungsdimension aufweisen. Auffallend an der erhaltenen Darstellung (die zur Sicherheit mittels Hauptkomponentenanalyse und den jeweils verfügbaren Gütekriterien reanalysiert werden könnte) ist offensichtlich, daß einige Werbeanzeigen durch P u n k t e im linken unteren Quadranten der 'perceptual m a p ' repräsentiert werden, während der Rest durch Gruppierung der P u n k t e im oberen rechten Quadranten angesiedelt ist. Diese deutliche Trennung und Gruppenbildung in der Menge der Werbeanzeigen wird im nächsten Kapitel zum Anlaß genommen, um das vorliegende Beispiel nochmals mit den Möglichkeiten, die M.ÄR.1C2MAN

im Rahmen des Anwendungsmoduls

'Segmentierung' bereitstellt, zu untersuchen. Eine Einbeziehung von Informationen über individuelle Präferenzen in die entsprechenden Wahrnehmungsmodelle erfolgt d a n n im Kapitel 5, wo das Anwendungsmodul 'Präferenz' beschrieben wird.

3.6 Ausblick

3.6

83

Ausblick

Die Art der Behandlung von Positionierungsfragestellungen in diesem Kapitel sollte exemplarisch verdeutlichen, auf welche Weise m a n sich über M.AlZK.2AíAJ\f

den

anstehenden Problemen in Marktforschung und Marketing nähern kann. Literaturhinweise u n d Beschreibungen, welche Untersuchungsobjekte, welche Aufgabenstellungen, welche Datengrundlagen und welche Modelle und Methoden bei den genannten Anwendungen kombiniert wurden, sollen zur Motivation (wo nötig) für den Einsatz von Positionierungstechniken beitragen. Erläuterungen zur Datengrundlage und zur in M.ÄRX?M.AN

realisierten Methodik lassen den R a h m e n erkennen,

in dem durch die vorliegende M A V X ? M A N V e r s i o n der CEUS (Computerbasierte EntscheidungsUnterStützung)-Problematik Rechnung getragen wird. Die dann folgenden Anwendungsbeispiele sollen helfen, den Umgang mit MATZfC2MAM

zu

erlernen. Natürlich ergeben sich aufgrund der gewählten Darstellung eine Reihe von Ansätzen für weitergehende Diskussionen, z.B. : • Warum können nicht weitere Methoden im Anwendungsmodul 'Positionierung' aktiviert werden? • Warum gibt es nicht mehr Anwendungsbeispiele? Der aufmerksame Leser wird mehrere Stellen im vorliegenden Buch finden, wo versucht wird, auf Fragen dieser Art (zumindestens partielle) Antworten zu geben. An dieser Stelle könnte man antworten: Es sind natürlich weitere Methoden zur Positionierung (z.B. Idealpunkt-ModellAnsätze) implementiert worden, die aber erst in späteren Anwendungsmodulen zum Einsatz kommen. Positionierungsfragestellungen werden im Zusammenhang mit Segmentierungsaspekten im nächsten Kapitel, bei der Beschreibung von Einsatzmöglichkeiten für Präferenzmodelle in Kapitel 5 und für Auswahlanalysen in Kapitel 6 sowie bei Ansätzen zur Neuprodukt-Einführung in Teil III des Buches angesprochen werden (siehe auch z.B. Gaul (1984, 1989), Gaul, Böckenholt, Baier (1989), Gaul, Schader (1989) und Nishisato, Gaul (1988, 1990) für weiterführende Arbeiten, in denen Positionierungsüberlegungen zu finden sind, die teilweise bei der Konzeption des MA1ZIC2M AV-Systems berücksichtigt wurden). In diesem ersten Anwendungsmodul sollten prinzipielle Möglichkeiten und Standard-Methoden vorgestellt werden.

84

3

POSITIONIERUNG

Es gibt n a t ü r l i c h weitere Anwendungsbeispiele, in denen P o s i t i o n i e r u n g s ü b e r l e g u n g e n B e r ü c k s i c h t i g u n g finden. M.AHK?MAN

e n t h ä l t eine R e i h e von Beispiel-

D a t e n , die g e m ä ß Z u o r d n u n g in A b b i l d u n g 11.1 aus K a p i t e l 11 in d e n in d i e s e m B u c h b e s c h r i e b e n e n 10 A n w e n d u n g s m o d u l e n z u m E i n s a t z k o m m e n . D a n e b e n bes t e h t d i e Möglichkeit, eigene Beispiele einzugeben u n d zu analysieren.

3.7

Literaturverzeichnis

Bauer,H.H., Hannig,U. (1987): Die Erfassung eines neuartigen Elektrowerkzeuges für den Heimwerker-Markt, Marketing ZFP, 9, 5-15. Borg,I. (1980): Einige neuere Entwicklungen in der multidimensionalen Skalierung, Teil I, Marketing ZFP, 2, 121-128. Böckenholt,I. (1986): Graphic Representation of Categorical Proximities: A Maximum Likelihood Method, in: Gaul,W., Schader,M. (Eds.) Classification as a Tool of Research, North-Holland, Amsterdam, 27-34. Dichtl,E., Bauer,H.H., Schobert,R. (1980): Die Dynamisierung mehrdimensionaler Marktmodelle am Beispiel des deutschen Automobilmarktes, Marketing ZFP, 2, 163-178. Doll,J., Mendler,W., Orth,B. (1989): Frauenzeitschriften: Inhalte, Image, Präferenz und Nutzung, Marketing ZFP, 11, 41-50. Gaul,W. (1984): Datenanalyse auf der Basis von Ordinalurteilen, Studien zur Klassifikation, 15, 142-152. Gaul,W. (1989): Probabilistic Choice Behaviour Models and their Combination with Additional Tools Needed for Applications to Marketing, in: DeSoete,G., Feger,H., Klauer,K.C. (Eds.), New Developments in Psychological Choice Modeling, North Holland, Amsterdam, 317-337. Gaul,W., Böckenholt,I., Baier,D. (1989): PC-Gestiitztes Marketing-Management, ONLINE '89 Proceedings, Kongress VI, 12. Europäische Kongreßmesse für Technische Kommunikation, Hamburg. Gaul,W., Schader,M. (1989): Data Analysis and Decision Support, Applied Stochastic Models and D a t a Analysis, 5, 341-356. Green,P.E., Rao,V.R. (1972): Applied Multidimensional Scaling - A Comparison of Approaches and Algorithms, IIolt-Rinehart-Winston, New York. Halloran,M.J., Silver,M.A. (1983): Defensive Marketing Strategy: Empirical Applications, Master Thesis, Sloan School of Management, MIT. Häuser,J. (1986): Theory and Application of Defensive Strategy, in: Thomas ,L.G. (Ed.), T h e Economics of Strategic Planning, Lexington Books, Lexington, 113-139.

3.7

Literaturverzeichnis

85

Keon,J.W. (1983): Product Positioning: TRINODAL Mapping of Brand Images, Ad Images, and Consumer Preference, Journal of Marketing Research, 20, 380-392. Klahr,D. (1970): A Study of Consumers' Cognitive Structure for Cigarette Brands, Journal of Business, 43, 190-205. Kruskal,J.B. (1964a): Multidimensional Scaling by Optimizing Goodness of Fit to a Nonmetric Hypothesis, Psychometrika, 29, 1-27. Kruskal,J.B. (1964b): Nonmetric Multidimensional Scaling: A Numerical Method, Psychometrika, 29, 115-129. Nishisato,S., Gaul,W. (1988): Marketing Data Analysis by Dual Scaling, International Journal of Research in Marketing, 5, 151-170. Nishisato,S., Gaul,W. (1990): An Approach to Marketing Data Analysis: The Forced Classification Procedure of Dual Scaling, Journal of Marketing Research, 27, 354360. Opitz,0. (1980): Numerische Taxonomie, Fischer, Stuttgart. Werner,J. (1982): Einstellungen zum Produkt und Einstellungen zum Produktbereich als Grundlage einer Konsumententypologie, Marketing ZFP, 4, 157-164. Wind,Y. (1990): Positioning Analysis and Strategy, in: Day,G., Weitz,B., Wensley,R. (Eds.), Thé Interfaces of Marketing and Strategy, JAI Press.

86

4

SEGMENTIERUNG oder "Welche S t r u k t u r e n sind i m MarketingU m f e l d erkennbar?"

Eines der Ergebnisse von Positionierungsanalysen kann die Sichtbarmachung von Strukturierungen im betrachteten Umfeld bzw. die B e s t i m m u n g von vorh a n d e n e n Gruppierungen von Untersuchungsobjekten sein, die sich bzgl. ihrer Positionierung(en) eindeutig von den übrigen Untersuchungsobjekten unterscheiden. Es ist daher naheliegend, sich für weitere Beschreibungs- und Analyseansätze zu interessieren, die für Phänomene dieser Art Beurteilungsmöglichkeiten zur Verfügung stellen. Solche Ansätze werden als Segmentierungsanalysen bezeichnet, wobei sich die Segmentierungsproblematik nicht nur auf die Gruppierung von zu positionierenden Untersuchungsobjekten - wie bei der Beschreibung von Positionierungsaktivitäten bereits angedeutet - beschränkt, sondern auch die Strukturierung von Beurteilungsdimensionen und/oder von anderen Elementen aus dem zu beurteilenden Umfeld (Unternehmen, Produkte, Nachfrager) - dann selbst als Untersuchungsobjekte bezeichnet - erfaßt. Die Bedeutung von Methoden zur Segmentierungsanalyse wird unter anderem auch durch den Rang deutlich, den die Clusteranalyse - ein typisches Instrument für Segmentierungsaktivitäten - gemäß einer Umfrage über die Nutzung von Datenanalyse-Techniken durch deutsche Marktforschungsinstitute Mitte der 80er Jahre eingenommen hat (siehe Abbildung 1.6). Das nächste im M.A7LK-2M.AV-System zu beschreibende Anwendungsmodul ist deshalb der Unterstützung von Segmenticrungsaktivitäten durch Segmentierungsanalysen gewidmet.

4.1

Motivation

Der Begriff Segmentierung beschreibt ein klassisches Aufgabengebiet im Spektrum der Themenstellungen, die für Marktforschung und Marketing von besonderer Bedeutung sind. Es kann dabei sowohl der Vorgang des Strukturierens des U m f e l d s , des Bildens von Segmenten, Gruppen, Klassen oder Clustern (um den englischsprachigen Ausdruck 'cluster' zu verwenden) von interessieren-

4.1

87

Motivation

den U n t e r s u c h u n g s o b j e k t e n (mit anderen Worten: die Unterteilung einer Obermenge in Teilmengen) aufgrund geeigneter Charakteristika als auch das E r g e b n i s d i e s e s E i n t e i l u n g s v o r g a n g s gemeint sein. Für Segmentierungsanalysen gilt, was vorher schon über Positionierungsanalysen gesagt wurde: Sie gehören zu den grundsätzlichen Instrumentarien, die für die Formulierung und Bewertung von Marketing-Strategien benötigt werden. Dabei ist hier die Beschreibung der Reihenfolge der Aufgabengebiete 'Positionierung' —• 'Segmentierung' bewußt gewählt worden, denn Darstellungen von Untersuchungsobjekten im Beurteilungsraum auf der Basis von Wahrnehmungs- bzw. Beschreibungsmodellen scheinen manchmal schon "auf den ersten Blick" Gruppierungen zu suggerieren bzw. Segmentbildungen nahezulegen. Von Bedeutung ist dabei, daß man solche Gruppen von Untersuchungsobjekten durch wichtige, in MarketingAktivitäten umsetzbare Beurteilungsdimensionen bewerten kann, z.B. ob sie erfolgreiche, erstrebenswerte, unverwechselbare Positionierungen aufweisen. Bei solchen Uberprüfungen kann sich herausstellen, daß keine der gefundenen Gruppen eine im Rahmen der zu untersuchenden Fragestellung interessante Positionierung einnimmt. Das A u f s p ü r e n von N i s c h e n zwischen durch existierende Gruppen von Untersuchungobjekten besetzten Positionierungen und die B e u r t e i l u n g v o n N i s c h e n p o s i t i o n i e r u n g e n kann sogar Hauptziel einer Segmentierungsanalyse sein. Abbildung 4.1 gibt (ähnlich wie Abbildung 3.1 für die Positionierungsproblematik) einen ausgewählten Überblick über Anwendungsmöglichkeiten von Segmentierungsanalysen in Marktforschung und Marketing, wie man sie der neueren Literatur entnehmen kann. Spezielle A n w e n d u n g s s i t u a t i o n e n für S e g m e n t i e r u n g s a n a l y s e n lassen sich hierbei wie folgt abgrenzen (siehe etwa Punj, Stewart (1983) zur Einteilung der entsprechenden Analysesituationen für Marketing und Marktforschung): • Erzeugung

von

Marktsegmentierungen:

Unter

Marktsegmentierung

wird sowohl die Einteilung eines heterogenen Gesamtmarktes, d.h. der Gesamtheit potentieller Marktteilnehmer bzw. -objekte, in intern homogene Teilmärkte im Sinne einer Marktforschungsaufgabe als auch die Bearbeitung eines Marktes durch konzentriertes oder differenziertes Marketing im Sinne einer Marketing-Strategie verstanden. Segmentierungsanalysen übernehmen hierbei i.w. die Bildung und Beschreibung homogener Gruppen der interessierenden Untersuchungsobjekte. Bei Marktsegmentierungsaktivitäten handelt es sich bei den Untersuchungsobjekten im wesentlichen um Perso-

88

4

Untersuchungsobjekte

SEGMENTIERUNG

Datengrundlage

1 Apfel, D

E n t w i c k l u n g einer Verbrauchertypologie u n d Ableit u n g von M a r k t bearbeitungsstrategien

E i n s t e l l u n g e n von Austausch384 weiblichen Per- v e r f a h r e n sonen zu P r o d u k t bereich u n d P r o duktsortiment

2 Kompressoren, USA

Ü b e r p r ü f u n g von Produktsortiment und MarketingStrategie

D a t e n ü b e r die W i c h t i g k e i t von Produktvorzügen f ü r 14 B r a n c h e n ermittelt durch Interviews mit Verkaufspersonal und Kunden

hierarchische deKluyver, Clusteranalyse Whitlark (1986)

3 Cognac, D

E r m i t t l u n g von Verbrauchergrupp e n m i t homogener Präferenzstruktur Life S t y l e Research, E n t w i c k l u n g einer Verbrauchertypologie

D a t e n zu paarweisen Vergleichen von W e r b e a n z e i g e n bei 69 S t u d e n t e n E i n s t e l l u n g e n von 2133 m ä n n l i c h e n u n d 2294 weibl. Versuchspersonen, D a t e n zu allg. Produktverwendung, M e d i e n n u t z u n g , soziodemographische Daten

CAR (Clusterwise Aggregation of R e l a t i o n s ) Austauschverfahren

5 Finanzdienstleistungen, USA

Marktstrukturier u n g basierend auf Substitutionsmöglichkeiten

hierarchische Srivastava, C l u s t e r a n a l y s e Leone, Shocker (1981)

6 Zigaretten, D

Marktstrukturier u n g basierend auf der Eindeutigkeit von Imagepositionierungen Marktstrukturier u n g basierend auf M a r k e n Wechsel A b l e i t u n g Strategischer G r u p p e n , A n a l y s e der Erfolgsbedeutung strategischen Marketings

B e u r t e i l u n g der E i g n u n g in verschiedenen S i t u a t i o n e n bei 260 Haushalten Verwechslung maskierter Anzeigen u n d M a r k e n , Beurteilungen d u r c h 126 S t u d e n t e n Markenwechsel bei 1553 H a u s h a l t e n

4 nicht spezifiziert, D

7 Pulverkaffee, USA 8 PharmaMarkt, D

Abbildung

Methodik

Literaturhinweis

Aufgabenstellung

Nr.

D a t e n zu S i t u a tionsvariablen, zur A u s g e s t a l t u n g des s t r a t e t e g i s c h e n Marketings und z u m Erfolg bei 45 U n t e r n e h m e n

4.1: Anwendungsbeispiele

für

Werner (1982)

Gaul, Schader (1988) Steinhausen, Steinhausen (1977)

hierarchische Espejo, Clusteranalyse Gaul (1986)

Latent Class Analysis Clusteranalyse (nicht n ä h e r spezifiziert)

Grover, Srinivasan (1987) Waither, Wehle (1990)

Segmentierungsanalysen

4.1

Motivation

89

nen(gruppen). Die Homogenität der zu bildenden Gruppen kann hierbei unterschiedlich begründet werden, z.B. bei Konsumenten in bezug auf ähnliche Einstellungen zum Produktbereich, ähnliche Wahrnehmung der einzelnen Produkte des Produktbereichs oder ähnliches Informations- oder Verwendungsverhalten, bei Produkten in bezug auf Ähnlichkeit bei Produktvorzügen oder in bezug auf ähnliche Verhaltensmuster, die Konsumenten beim Kauf dieser Produkte an den Tag legen. Die Anwendungsbeispiele Nr. 1 bis Nr. 3 in Abbildung 4.1 können dieser Anwendungssituation zugeordnet werden. • E n t w i c k l u n g von K o n s u m e n t e n t y p o l o g i e n : Steht ein konkreter, zu analysierender Produktbereich nicht im Vordergrund, sondern ist das Ziel der Segmentierungsaktivitäten eine allgemeine Klassifikation von Konsumenten, so spricht man weniger von Marktsegmentierung als von Konsumententypologisierung. Beispiele hierfür sind Lebensstil-Segmente - siehe Anwendungsbeispiel Nr. 4 in Abbildung 4.1 - oder die Männer- und Frauentypologien von Burda (Burda (1983, 1984)) und Gruner+Jahr ( G r u n e r + J a h r (1979)). • B e s t i m m u n g von M a r k t s t r u k t u r i e r u n g e n : Segmentierungsanalysen, bei denen es sich bei den zu gruppierenden Untersuchungsobjekten vorrangig um Produkte eines Produktbereichs handelt, werden i.d.R. unter der Bezeichnung Marktstrukturierung zusammengefaßt. Die Homogenität der Gruppen kann hierbei z.B. durch Substitutionsbeziehungen, Markenwechselverhalten, Verwechslungsbeurteilungen oder durch ähnliche Produkteigenschaften oder -Wahrnehmungen charakterisiert werden. Die Anwendungsbeispiele Nr. 5 bis Nr. 7 in Abbildung 4.1 lassen sich zu dieser Anwendungssituation in Beziehung setzen. Anwendungsbeispiel Nr. 6 wird in Abschnitt 4.5.2 näher behandelt. Hier ist wieder daran zu erinnern, daß Zuordnungen von Anwendungsbeispielen zu Anwendungssituationen nicht immer in eindeutiger Weise möglich sind, weil in solchen Beispielen oft mehrere Anwendungssituationen angesprochen werden. Darüber hinaus gibt es weitere Anwendungssituationen von Segmentierungsaktivitäten im Marketing (siehe z.B. Anwendungsbeispiel Nr. 8 in Abbildung 4.1), die keiner der oben aufgeführten Anwendungssituationen zugeordnet werden können. Als Hilfsmittel für die erwähnten Segmentierungsanalysen werden häufig hierarchische S e g m e n t i e r u n g s m o d e l l e eingesetzt, bei denen die zugeordneten Methoden eine Darstellung des zu untersuchenden Sachverhaltes über ein sogenanntes ' D e n d r o g r a m m ' ermöglichen. In dieser Darstellung sind die Untersuchungsobjekte wie bei einem "Stammbaum" angeordnet. "Verwandte" Untersuchungsobjekte

4

90

SEGMENTIERUNG

(=ähnliche Objekte im Sinne entsprechender relationaler Beziehungen, die die Verschiedenheit von Objektpaaren beschreiben) "treffen" sich in der DendrogrammDarstellung bereits bei einem engeren Verwandtschaftsgrad bzw. auf einem niedrigeren Niveau der "Verschiedenheit" als weniger stark verwandte bzw. unähnliche Objekte. Abbildung 4.2 liefert ein Beispiel für eine ermittelte 'Dendrogramm'-Darstellung bei einer fiktiven Produktklasse, die unter der Bezeichnung 'BSP1' in Kapitel 2 schon vorgestellt wurde und für die dort bereits eine 'perceptual map'-Darstellung (siehe Abbildung 2.6) gezeigt wurde. SgQMgnt je r u n g

BS P I - B e r g

ich Uvrschiedenhett 3 4 Produktl S l ProdiAt3 S l ProdL*t8 S l Produkt2 S 2 Produkt? S 2 Produkt4 S 2 ProduktS S 2 Produkt! S S Produkt« S 3 ProduktlO S3 Ct>j ekte

o n e - n o d e CA C a v o r « a « llnfcaa ' z-TrT;«J;l.DiI

l.Hauptkomponente

6-4. 3 X

Merkmal« n»rkrr,al2

Fl-Bereich

F3-Daten

Abbildung

4.2:

F3-Pendro

Darstellung gramms'

F4-Profil

F5-Perc

FB-Uerf

eines mittels M.ÄRX?M.

F9-Bnz

AAf erstellten

und einer 'perceptual map' mit

Gruppierungen

im Bereich

FlO

ESC

'Dendro-

eingezeichneten

'BSP1'

Man erkennt: Wie auch aus der 'perceptual map'-Darstellung aus Kapitel 2 abzulesen gewesen wäre, bilden 'Produktl', 'Produkt3' und 'Produkt8', desgleichen 'Produkt2', 'Produkt7', ' P r o d u k t e und 'Produkt9' sowie 'Produktö', 'Produkt6'

4.1

91

Motivation

u n d ' P r o d u k t l O ' jeweils eine G r u p p e . Im D e n d r o g r a m m ist dies dadurch gekennzeichnet, d a ß sich diese O b j e k t e bereits auf einem niedrigen Niveau der Verschiedenheit "treffen". Zusätzlich ist diese I n f o r m a t i o n aus der S e g m e n t z u o r d n u n g ('S 1 'S2', bzw. 'S3') b e i m Bezeichner im D e n d r o g r a m m zu e n t n e h m e n . Die konvexen Hüllen, die in die ' p e r c e p t u a l m a p ' - D a r s t e l l u n g eingezeichnet wurden, verdeutlichen diese S t r u k t u r i e r u n g . Soll zusätzlich auch eine Einbeziehung der Merkmalsdimensionen in die S t r u k t u r i e r u n g durchgeführt werden, so kann mit Hilfe s o g e n a n n t e r zwei-modaler hierarchischer Segmentierungsmodelle eine Segmentierungsanalyse erfolgen, deren Ergebnis in Abbildung 4.3 wiedergegeben ist. Neben der g e f u n d e n e n ieflnentierunfl

BSPl-Bereich

Dendroqr

Usr schl edanhei t 2

Produktl SlProdl*t3 SlMerk»al3 SlProdL*t8 Sinei-k mall 51Produkt2 Sitter k mal 6 S2Herkmalö S2ProdukH S2Produkt? S2Produkt9 S2tterkmal2 S2ProduklH S3Produkt« S3HcrknaH S3ProduktlO S3Objekte

9

3

tuo-mode CA (average linkage) z-Transformation

10 11 12 13 M 15 16

Anzahl dar Segment«

- I n f o r n a t iafisver l u s t (verallq. Uarlanzkrlterlum) ProcUctl Produkt2 Produkt3 Produkt4 ProctAtS ProdJciS Prod>ict7

"T75T TT?

"TTSH1

-rrsr

-5735 4.Ö9

4.08 3.S7 7T75

4.42 3.65 "3T5T

Produkts ProduktlO Fl-flercich F3-Daten F3-Oendro F4-Profll F5-Perc F8-Uerf F9-ftnz F10 ESC Abbildung

4.3:

Darstellung

eines mittels

ten zwei-modalen

M.A'R-KP'M. AN

'Dendrogramms',

einer Datengrundlage

im Bereich

erstellten,

sogenann-

einer Gütebeurteilung

und

'BSP1'

zwei-modalen ' D e n d r o g r a m m ' - D a r s t e l l u n g , in der Elemente verschiedener Modalität - M e r k m a l e u n d Untersuchungsobjekte - z u s a m m e n eingezeichnet werden, sind in dieser A b b i l d u n g zusätzlich im linken oberen Fenster eine G ü t e b e u r t e i l u n g von

4

92

SEGMENTIERUNG

Segmentzuordnungen mittels Informationsverlust in Abhängigkeit von der Anzahl der Segmente und rechts unten die aggregierte Datengrundlage zu erkennen. Aus d e m zwei-modalen Dendrogramm ist z.B. abzulesen, daß ' P r o d u k t l ' , ' P r o d u k t 3 ' und ' P r o d u k t 8 ' zusammen mit ' M e r k m a l l ' und 'Merkmal3' eine G r u p p e bilden. Ein sehr enger Zusammenhang besteht dabei offensichtlich zwischen ' M e r k m a l l ' und ' P r o d u k t 8 ' , wie durch die Datengrundlage bestätigt werden könnte. Aus dem Gütediagramm in der linken oberen Ecke ist zu entnehmen, wie groß der Informationsverlust durch Zusammenfassung von Objekten bei denjenigen Gruppierungen ist, die man aus dem Dendrogramm ablesen könnte. Der Informationsverlust nimmt gemäß Abbildung 4.3 mit der Anzahl der Segmente ab, bis schließlich kein Informationsverlust - allerdings auch keine Gruppierung - mehr vorliegt. Bei m e h r als drei Segmenten nimmt der Informationsverlust aber offensichtlich nicht m e h r stark ab, die entsprechende Marktstrukturierung mit drei Segmenten könnte als geeignet angesehen werden. Hier gilt das Gleiche, was an entsprechender Stelle im vorherigen Kapitel zur Positionierung gesagt wurde. Mittels A4ÄWC2M.

AMOutputs

der bisher gezeigten

Art werden nicht alle Fragen im Zusammenhang mit Segmentierungsaktivitäten beantwortet. Als Motivation und im R a h m e n einführender Erläuterungen als Einstieg in die zugrundeliegende Problemstellung wurde lediglich ein erster Schritt getan. Desweiteren ist Wissenswertes zur benötigten Datengrundlage und zur implementierten Methodik bereitzustellen, bevor ausführlichere Beschreibungen von Anwendungsbeispielen folgen können. Dabei wird hier und in späteren Kapiteln bzgl. der Reihenfolge der abzuarbeitenden Gliederungspunkte die gleiche Vorgehensweise wie im vorherigen Kapitel angewandt. Im nächsten Abschnitt 4.2 wird auf die Datengrundlage eingegangen, wobei man sich sehr kurz fassen kann, weil entsprechende Argumentationen wie im Abschnitt 3.2 gelten. Erläuterungen zur Methodik folgen in Abschnitt 4.3. Die Bedienung des Anwendungsmoduls 'Segmentierung' wird in Abschnitt 4.4 (wie schon zuvor in Abschnitt 3.4 für das Anwendungsmodul 'Positionierung') ausführlich dargestellt, da ein Vertrautwerden mit dem MATIK^MAA/*-System anhand von Positionierungs- und Segmentierungsfragestellungen im Vordergrund steht. Dazu dienen auch die in Abschnitt 4.5 beschriebenen Anwendungsbeispiele, in denen j e t z t Situationen unter Betonung von Segmentierungsaspekten reanalysiert werden, die wir im vorhergehenden Kapitel aus dem Blickwinkel der Positionierung bereits kennengelernt haben. Mit einem Ausblick in Abschnitt 4.6 wird dieses Kapitel zur Segmentierung abgeschlossen.

4.2 Welche Datengrundlage

4.2

wird

93

benötigt?

Welche Datengrundlage wird benötigt?

Daten, die als Grundlage für Positionierungsaktivitäten im im vorigen Kapitel beschriebenen Sinne dienen können, sind auch als Ausgangspunkt für Segmentierungsaktivitäten geeignet, d.h. die A u s f ü h r u n g e n v o n A b s c h n i t t 3.2 g e l t e n sinng e m ä ß auch für das folgende. Zu betonen ist auch hier, daß Datengrundlagen, auf Basis derer Gruppierungen von Untersuchungsobjekten in Marktforschung und Marketing vorgenommen werden können, sehr unterschiedlich sein können. Dies wurde schon bei der Behandlung der Anwendungssituationen von Segmentierungsanalysen in Abschnitt 4.1 angedeutet. Ahnlich wie in den Abbildungen 3.3 und 3.4 kann eine Beschreibung der entsprechenden Datengrundlagen - jetzt hinsichtlich unterschiedlicher Gesichtspunkte für Segmentierungsaktivitäten - auch für die hier interessierenden Fragestellungen vorgenommen werden, z.B. kann wieder eine Abgrenzung der Datengrundlagen gemäß der schon aus dem Positionierungsbereich bekannten Einteilung in n u t z e n o r i e n t i e r t e bzw. nicht o d e r b e g r e n z t n u t z e n o r i e n t i e r t e sowie a n g e b o t s - , nachfrager-, v e r w e n d u n g s - und w e t t b e w e r b s o r i e n t i e r t e S e g m e n t i e r u n g s s t r a t e g i e n erfolgen. Die Vielfalt entsprechender Datengrundlagen für Segmentierungsanalysen ist dann natürlich ähnlich gegeben, wie sie in Abbildung 3.5 bereits für Datengrundlagen für Positionierungsanalysen angedeutet wurde. Beschränkt man sich auf einzelne Anwendungssituationen - z.B. auf die Erz e u g u n g v o n M a r k t s e g m e n t i e r u n g e n - , so können Datengrundlagen, auf Basis derer eine Gruppierung von Konsumenten häufig vorgenommen werden kann, mittels C h a r a k t e r i s i e r u n g nach ü b e r g e o r d n e t e n inhaltlichen

Problem-

s t e l l u n g e n (z.B. allgemeine Marktanalysen, Positionierungsstudien, Konzepttests, Neuprodukt-Einführungen, preis-, kommunikations- oder

distributionspolitische

Entscheidungsfindungen) zusammengestellt werden (siehe z.B. Wind (1977), S.320, für eine entsprechende Vorgehensweise). Abbildung 4.4 faßt Überlegungen dieser Art und "Empfehlungen aus der Literatur" zusammen, nach denen - abhängig vom aktuellen Entscheidungsbedarf bzw. von der vorliegenden Problemstellung bestimmte Datengrundlagen anderen Datengrundlagen vorgezogen werden sollten. Ein Punkt sollte hier noch erwähnt werden, der an entsprechender Stelle bei der Beschreibung von Fragestellungen zur Positionierung ausgespart wurde. Im Zusammenhang mit der "Berechnung" von Segmentierungslösungen müssen Daten bereitgestellt bzw. erzeugt werden, die ( U n ) A h n l i c h k e i t s b e z i e h u n g e n zwischen den Untersuchungsobjekten widerspiegeln, anhand derer die Verschieden-

4

94

Problemstellungen

typische Datengrundlagen für in Verbindung mit den genannten

SEGMENTIERUNG

Segmentierungsanalysen Problemstellungen

allgemeine M a r k t a n a l y s e n Daten zu Wunschvorstellungen, zum K a u f , zum Verwendungsverhalten, zum Bedarf, zur Markentreue, zum Markenwechsel von Konsumenten oder hieraus kombinierte D a t e n g r u n d l a g e n Daten zum Kauf, Positionierungsstudien zum Verwendungsverhalten, zu P r o d u k t p r ä f e r e n z e n , zu Wunschvorstellungen von K o n s u m e n t e n oder hieraus kombinierte D a t e n g r u n d l a g e n Konzepttests, Daten zur Reaktion auf Konzepte Neuprodukt-Einführungen (Kaufabsicht, w a h r g e n o m m e n e Vorzüge gegenüber etablierten P r o d u k t e n ) , zu Wunschvorstellungen von Konsumenten oder hieraus kombinierte D a t e n g r u n d l a g e n preispolitische Daten zur Preissensitivität allgemein, Entscheidungsfindungen zur Neigung zu Preisverhandlungen vor d e m Kauf, zur Preissensitivität je nach Kauf und Verwendungsverhalten von Konsumenten oder hieraus kombinierte Datengrundlagen kommunikationspolitische Daten zu Wunschvorstellungen, Entscheidungsfindungen zur Mediennutzung, zu psychographischen Merkmalen und zum Lebensstil, zum Kauf und Verwendungsverhalten von K o n s u m e n t e n oder hieraus kombinierte D a t e n g r u n d l a g e n distributionspolitische Entscheidungsfindungen

Abbildung

Daten zu Ladentreue bzw. -Wechsel, zu ladenbezogenen Wunschvorstellungen von Konsumenten oder hieraus kombinierte D a t e n g r u n d l a g e n

4.4: Typische Datengrundlagen im Rahmen ausgewählter

für Segmentierungsanalysen Problemstellungen

artigkeiten unterschiedlicher Segmente bzw. die Zusammengehörigkeitsgrade von Objekten in einem (gemeinsamen) Segment bewertet werden können.

MARK.2

M A N erzeugt diese Bewertungen intern aus den vorgegebenen quantitativen Datenmatrizen. Die direkte Eingabe von (Un)Ahnlichkeitsmatrizen ist für die vorliegende MARK?MAN-Version

nicht vorgesehen, weil Informationen dieser Art in der Pra-

xis kaum vorhanden sind bzw. selten erhoben werden.

4.3 Was muß man von der Methodik

4.3

wissen?

95

Was m u ß man von der M e t h o d i k wissen?

Einfache Methoden, die sich auf Basis der in Abschnitt 4.2 (bzw. 3.2) beschriebenen Datengrundlagen zur Umsetzung von entsprechenden Segmentierungsmodellen eignen, sind i.a. der C l u s t e r a n a l y s e zuzuordnen. Besondere Bedeutung innerhalb der Clusteranalyse kommt hierbei der K l a s s e der hierarchischen M e t h o d e n zu, mit denen vorgegebene Unähnlichkeitsbeziehungen zwischen den Untersuchungsobjekten so modelliert werden können, daß eine Darstellung ihrer Verschiedenheit mittels der schon erwähnten D e n d r o g r a m m e möglich wird. Beispiele für solche Dendrogramme waren bereits in den Abbildung 4.2 und 4.3 zu sehen, die Verschiedenheit der Untersuchungsobjekte wird jeweils durch das Niveau der Hierarchiestufe ausgedrückt, auf der sich die Objekte zum erstenmal "treffen". Derartige hierarchische S e g m e n t i e r u n g s m o d e l l e vereinfachen - ähnlich wie die in Kapitel 3 behandelten Wahraehmungs- und Beschreibungsmodelle - komplexe Unähnlichkeitsbeziehungen zwischen Untersuchungsobjekten, um sie einer weiteren Auswertung zugänglich zu machen. Eine Gütebeurteilung dieser Modelle kann daher wieder am "Informationsverlust" bei der Reproduktion dieser Beziehungen im vereinfachenden Modell gemessen werden. Zur Realisation solcher Segmentierungsüberlegungen stehen eine ganze Reihe hierarchischer Verfahren zur Verfügung, die sich bzgl. verschiedener Beurteilungsmöglichkeiten, z.B. hinsichtlich des angestrebten Ergebnisses, der Vorverarbeitung der Datengrundlage und des Konstruktionsprinzips für die Segmentierungslösung, unterscheiden: • A n g e s t r e b t e s Ergebnis: Ein-modale hierarchische Clusteranalyse-Verfahren ( o n e - m o d e hierarchical clustering) erzeugen Segmentierungslösungen, in denen die Unähnlichkeitsbeziehungen zwischen den als Untersuchungsobjekten gewählten Elementen einer einzigen Modalität reproduziert werden, zwei-modale hierarchische Clusteranalyse-Verfahren ( t w o - m o d e hierarchical clustering) bestimmen die Beziehungsstruktur zwischen Untersuchungsobjekten, die Elemente zweier verschiedener Modalitäten (z.B. Produkte und Merkmale) repräsentieren. • V o r v e r a r b e i t u n g der D a t e n g r u n d l a g e : Liegt eine quantitative Datenmatrix vor, so unterscheiden sich die Verfahren hinsichtlich der B e h a n d l u n g f e h l e n d e r W e r t e (z.B. Ersetzung fehlender Werte durch die mittlere Ausprägung des entsprechenden Merkmals), der S t a n d a r d i s i e r u n g der B e reiche d e r M e r k m a l s a u s p r ä g u n g e n (z.B. z-Transformation, Mittelwert-

4

96

SEGMENTIERUNG

Transformation, keine Transformation) und der B e s t i m m u n g d e r zu reprod u z i e r e n d e n Unähnlichkeitsbeziehungen aus der Datengrundlage (z.B. euklidische Distanz, quadrierte euklidische Distanz bei ein-modalcn Verfahren, Abweichung der Ausprägung des Untersuchungsobjekts von einer maximalen Ausprägung hinsichtlich des entsprechenden Merkmals bei zwei-modalen Verfahren). • K o n s t r u k t i o n s p r i n z i p für die Segmentierungslösung: Am bekanntesten sind wohl a g g l o m e r a t i v e Verfahren. Hierbei handelt es sich um hierarchische Verfahren, die ausgehend von einer feinsten Gruppierung der Menge der Untersuchungsobjekte (jede Gruppe enthält genau ein Objekt) iterativ Gruppen von Untersuchungsobjekten geringster Verschiedenheit fusionieren, bis nur noch eine Gruppe vorliegt. Eine Dendrogramm-Darstellung wird bei dieser agglomerativen Abarbeitung der Menge der Untersuchungsobjekte direkt erzeugt. Einzelne Verfahrensvarianten unterscheiden sich jeweils dadurch, wie die Verschiedenheit von Gruppen von Untersuchungsobjekten auf Basis der Datengrundlage beurteilt wird. Beim single linkage-, c o m p l e t e linkagebzw. a v e r a g e linkage-Verfahren geschieht dies z.B. durch Berücksichtigung der jeweils minimalen, maximalen bzw. mittleren Ausprägung der Unähnlichkeitsbeziehungen zwischen denjenigen Paaren von Untersuchungsobjekten, deren einzelne Objekte den betrachteten unterschiedlichen Gruppen angehören. Zur Kontrolle, wie groß der Informationsverlust bei der Abbildung der Unähnlichkeitsbeziehungen in der Dendrogramm-Darstellung gewesen ist, lassen sich für die einzelnen Methoden wieder spezifische G ü t e k r i t e r i e n angeben, wobei das V A F ( V a r i a n c e Accounted F o r ) - K r i t e r i u m (siehe z.B. Arabie, Carroll, DeSarbo (1987)) wohl das bekannteste sein dürfte. Bei diesem Kriterium werden die Abweichungen zwischen den vorliegenden Ausprägungen der Unähnlichkeiten und den aus der Dendrogramm-Berechnung erhaltenen Ausprägungen der Verschiedenheit erfaßt. Werte nahe 1.0 weisen auf einen geringen Informationsverlust hin. Das VAF-Kriterium ist allerdings nicht immer berechenbar und nur bei den Verfahren (z.B. beim single linkage-, complete linkage-, average linkage- und beim McQuittyVerfahren) aussagekräftig, die auch tatsächlich versuchen, die vorliegenden Ausprägungen der Unähnlichkeit wertmäßig zu reproduzieren. Bei anderen Verfahren (z.B. beim Ward-Verfahren) wird die Verschiedenheit von Gruppen auf andere Konzepte zurückgeführt. Auch bei solchen Verfahren kann eine Gütebeurteilung erfolgen, indem der sogenannte kophenetische Korrelationskoeffizient (Sokal, Rohlf (1962)) benutzt wird, mit dem zumindestens das Vorhandensein eines linea-

4.3 Was muß man von der Methodik

wissen?

97

ren Zusammenhangs zwischen den beobachteten Unähnlichkeiten und den aus der Dendrogramm-Berechnung erhaltenen Ausprägungen der Verschiedenheit beurteilt werden kann. Auch bei diesem Kriterium weisen Werte nahe 1.0 auf einen geringen Informationsverlust hin. Als allgemeines Kriterium kann - wie in Kapitel 3 bei der Positionierung - ein P u n k t e d i a g r a m m (dort als Shepard-Diagramm bezeichnet) Verwendung finden. Hierbei erfolgt eine Gegenüberstellung der vorliegenden Ausprägungen der Unähnlichkeiten und der aus der Dendrogramm-Berechnung erhaltenen Ausprägungen der Verschiedenheit wieder graphisch, ein monotoner oder sogar linearer Zusammenhang weist entsprechend auf einen geringen Informationsverlust bei der Abbildung der Unähnlichkeitsbeziehungen in der Dendrogramm-Darstellung hin. Liegt nach Anwendung eines hierarchischen Segmentierungsverfahrens eine Lösung mittels Dendrogramm-Darstellung vor, so kann eine Gruppierung der Untersuchungsobjekte relativ leicht dadurch bestimmt werden, daß man bei vorgegebener Verschiedenheitsschranke jeweils diejenigen Objekte zu Gruppen zusammenfaßt, die sich bereits bei Verschiedenheitswerten, die kleiner als die vorgegebene Schranke sind, im Dendrogramm zu Clustern vereinigen. Die Dendrogramm-Darstellung erzwingt hierbei eine eindeutige Zusammenfassung der Untersuchungsobjekte zu Gruppen. Die Güte der Zusammenfassung zu Gruppen (bzw. - anders ausgedrückt - der dabei eintretende Informationsverlust), kann wieder mit G ü t e k r i t e r i e n beurteilt werden. Bei ein-modalen Segmentierungsanalysen und quantitativer Datenmatrix als Datengrundlage kann zur Beurteilung das Varianzkriterium (siehe etwa Bock (1974)) herangezogen werden. Uber die Summe der quadrierten Abweichungen von Objekten, die derselben Gruppe zugeordnet wurden, wird der Informationsverlust, der bei einer Zusammenfassung von Untersuchungsobjekten zu Gruppen entsteht, bewertet. Da der Informationsverlust umso größer wird, je weniger Gruppen vorliegen, kann das Varianzkriterium dazu verwendet werden, um Kompromisse zwischen möglichst kleiner Gruppenzahl und möglichst geringem Informationsverlust zu bestimmen. Automatisiert wird die Suche nach derartigen Kompromißlösungen durch das E l l e n b o g e n k r i t e r i u m , über das diejenige Gruppenzahl gewählt wird, bei der eine Erhöhung der Gruppenzahl den Informationsverlust nicht mehr wesentlich verringern würde. Bei zwei-modalen Segmentierungsanalysen und quantitativer Datenmatrix als Datengrundlage ist das Varianzkriterium nicht mehr berechenbar, über ein v e r a l l g e m e i n e r t e s Varianzkriterium (siehe z.B. Opitz (1980), Schader (1981)), bei dem Ausprägungen der Unähnlichkeitsbeziehungen nicht über den

4

98

SEGMENTIERUNG

Merkmalsraum, sondern direkt einbezogen werden, kann eine Beurteilung jedoch weiterhin erfolgen.

4.4

W i e kann das Anwendungmodul bedient werden?

Um ausgehend vom Start-Screen des MARK,2MAN-Systems

(siehe Kapitel 2) ins

Anwendungsmodul 'Segmentierung' zu gelangen, genügt eine Betätigung der Taste F l (Anwendungswahl), eine anschließende Auswahl von 'Segmentierung' mittels Cursor und eine Bestätigung dieser Entscheidung mittels Drücken der Taste Returnj In diesem Abschnitt wird ausschließlich die Bedienung des Anwendungsmoduls 'Segmentierung' erläutert. 1 Eine Vorstellung vom Zusammenwirken der Komponenten D a t e n b a n k , M o d e l l b a n k , M e t h o d e n b a n k und B e n u t z e r s c h n i t t s t e l l e vermittelt Abbildung 4.5 (zum Vergleich siehe man Abbildung 3.7 und die dortigen Ausführungen zur Bedienung des Anwendungsmoduls 'Positionierung'). Wie bei der Beschreibung des Anwendungsmoduls 'Positionierung' bereits angesprochen, können von der Benutzerschnittstelle aus gewünschte Darstellungen bzw. Analysen aktiviert werden. Dies soll durch die in Abbildung 4.5 miteingezeichneten Verbindungslinien angedeutet werden. In der D a t e n b a n k kann auf die bereits in Kapitel 3 angesprochenen Daten zur Wahrnehmung bzw. Beschreibung von Objekten zugegriffen werden. Im Anwendungsmodul 'Segmentierung' finden zusätzlich auch segmentspezifische Datengrundlagen Berücksichtigung, so z.B. Daten zur Segmentzuordnung von Objekten. 2 In der M o d e l l b a n k können Segmentierungsmodelle, die Unähnlichkeitsbeziehungen zwischen Untersuchungsobjekten als Datengrundlage benötigen, abgelegt und wieder aufgerufen werden. Zusätzlich finden die in Kapitel 3 bereits angesprochenen Wahrnehmungs- bzw. Beschreibungsmodelle, durch die Unähnlichkeitsbeziehungen der Untersuchungsobjekte mittels Repräsentationen in niedrigdimensionalen Räumen modellierbar sind, entsprechende Berücksichtigung. 1 M.ATLK'1 MAN

stellt neben

dem A n w e n d u n g s m o d u l

'Segmentierung'

weitere

Entschei-

d u n g s u n t e r s t ü t z u n g zur Segmentierung auch in den Anwendungmodulen ' P r ä f e r e n z ' und 'PreT e s t m a r k t ' zur Verfügung. 2

An dieser Stelle sei - wie auch bereits in Kapitel 3 geschehen - nochmals d a r a u f hingewiesen,

d a ß weitere D a t e n g r u n d l a g e n , Modelle und Methoden in den Komponenten von

MÄ1ZK,2MAN

v o r h a n d e n sind. Aus didaktischen Gründen erfolgt hier ausschließlich eine Beschreibung des Anw e n d u n g s m o d u l s 'Segmentierung'.

4.4 Wie kann das Anwendungsmodul

bedient

Benutzerschnittstelle A k t i v i e r u n g einer mittels

werden?

99

Methodenbank

Segmentierungsanalyse

'Dendrogramm'-Darstellungen

BEB A k t i v i e r u n g einer

segment&pezifischen

Positionierungeanalyse

mittels Profil- und

'perceptual mep'-Darstellungen

Aktivierung einer

|?4][FS]

Methoden zur

InterpretationshiHe

EE

Aktivierung einer Qütebeurteilung Segmentierungsmodellen

Aktivierung der

von

E3EE

Methoden zur

Interpretation Filling)

Methoden zur

Repräsentation

Hauptkomponentenanalyse)

Methoden zur A g g r e g a t i o n , zur von W e r t e n (z.B.

B©Schreibungs-

z-Transformation)

Daten zur W a h r n e h m u n g bzw.

modelle

B e s c h r e i b u n g von

Segmentierungsmodeile

Daten zur von

Modellbank 4.5:

Behandlung

fehlender Werte und zur T r a n s f o r m a l i o n

ED EE

Abbildung

hierarchische

(z.B. Property

(z.B.

DatenverwaHung

Wahrnehmung«- bzw.

Klassifikation

(z.B. einmodale Clusteranalyse)

Untersuchungsobjekten

Segmentzuordnung

Untersuchungsobjekten

Datenbank Struktur

des Anwendungsmoduls

in MARlOMAM

(ausschnittweise)

'Segmentierung'

4

100 Über die M e t h o d e n b a n k des M.ÄRX}M.AN-Systems

SEGMENTIERUNG können die folgenden

Methoden automatisch durch das Anwendungsmodul bzw. explizit durch den Anwender (siehe Kapitel 2) aktiviert werden: • M e t h o d e n zur Aggregation, zur Behandlung fehlender Werte und zur Transformation von Werten: segmentspezifische Aggregation der Datengrundlage, z-Transformation, Mittelwert-Transformation (jeweils spaltenweise), Behandlung fehlender Werte mittels Ersetzung durch Spaltenmittelwerte, • Methoden

zur

Repräsentation: Hauptkomponentenanalyse,

Kruskal-

MDS, explizite Vorgabe von Beurteilungsdimensionen, • M e t h o d e n zu Interpretation: Property Fitting, • M e t h o d e n zur Klassifikation: ein-modale hierarchische ClusteranalyseVerfahren (one-mode hierarchical clustering: single-linkage, complete-linkage, McQuitty, average-linkage, Ward, flexible Strategie) und zwei-modale hierarchische Clusteranalyse-Verfahren (two-mode hierarchical clustering: singlelinkage, complete-linkage, McQuitty, average-linkage) mit Bestimmung der Unähnlichkeitsbeziehungen (euklidische Distanz, quadrierte euklidische Distanz, Abweichung der Ausprägungen von maximalen Ausprägungen). Die Benutzerschnittstelle des Anwendungsmoduls 'Segmentierung' bietet natürlich die in M.ÄT11C 2 MAN durchgängig verfügbaren Funktionstasten zur Bereichswahl ( F l ), zur Datenein-/ausgabe ( F2 ), zur Aktivierung der Hilfestellung ( F10 ) und zum Verlassen des Anwendungsmoduls ( Esc ) an (zur Beschreibung siehe Kapitel 2). Darüber hinaus sind Funktionstasten wie folgt belegt (Hier ist zu beachten, daß sich Reihenfolge und Zuordnung bei den Belegungen von Funktionstasten in den verschiedenen Anwendungsmodulen ändern können, da die Bedeutung einzelner Arbeitsschritte für unterschiedliche Anwendungen zwangsläufig variieren wird.): • Über F3 (Dendro) können Dendrogramm-Darstellungen mittels Segmentierungsanalysen aktiviert werden. Liegen bereits berechnete Ergebnisse von Segmentierungsmodellen zum aktuellen Bereich in der Modellbank vor, so können die entsprechenden Dendrogramm-Darstellungen direkt ausgegeben werden. Liegen keine berechneten Ergebnisse von Segmentierungsmodellen vor, so wird vom Anwendungsmodul automatisch eine Aktivierung veranlaßt.

4.4 Wie kann das Anwendungsmodul

bedient

werden?

101

Dabei erfolgt eine Voreinstellung bei der Modell- und Methodenauswahl durch M.ÄRK?MAM

(standardmäßig o n e - m o d e hierarchical clustering

als Verfahren, average linkage als Konstruktionsprinzip für die Segmentierungslösung, euklidische Distanz als Maß zur Bestimmung von Unähnlichkeitsbeziehungen, Ersetzung durch Spaltenmittelwerte als Vorgehensweise zur Elimination fehlender Werte und Ellenbogenkriterium als Auswahlprinzip zur Bestimmung der Anzahl der Segmente), die der Benutzer jedoch mittels der Funktionstaste F8 (Verf) und F9 (Anz) (siehe nachfolgende Beschreibungen) modifizieren kann. Sind Segmentierungsmodell und -methode ausgewählt worden, wird die entsprechende Dendrogramm-Darstellung direkt ausgegeben, alle Informationen zur Erstellung der Lösung und das berechnete Ergebnis, u.a. auch die Segmentzuordnung, werden in der Modellbank bzw. Datenbank abgelegt. Eine Kontrolle der Qualität der Lösung des Segmentierungsmodells kann wieder mittels Gütekriterien erfolgen (Drücken der Funktionstaste F71, siehe nachfolgende Beschreibung), eine Beurteilung der Segmentzuordnung erfolgt über den entsprechenden Informationsverlust in Abhängigkeit von der Anzahl der Segmente (Drücken der Taste | F9 |, siehe nachfolgende Beschreibung). Mittels F4 (Profil) können segmentspezifische Profile der die Segmente beschreibenden Merkmale ausgegeben werden. Mittlere segmentspezifische Ausprägungen der Merkmale der Untersuchungsobjekte (in Abhängigkeit von Segmentierungsmodell und -methode sowie der Segmentzuordnung der Untersuchungsobjektc) können graphisch oder wahlweise tabellarisch dargestellt werden. Durch Drücken von F5 (Perc) kann eine segmentspezifische 'perceptual map'-Darstellung mittels Positionierungsanalyse aktiviert werden (siehe das vorherige Kapitel für ausführlichere Erläuterungen von Positionierungsfragestellungen). Hierbei erfolgt ein Rückgriff auf Wahrnehmungs- bzw. Beschreibungsmodelle. Liegen bereits berechnete Ergebnisse für solche Modelle in der Modellbank vor, so wird eine zweidimensionale graphische 'perceptual map'Darstellung für den Benutzer ausgegeben. Untersuchungsobjekte sind - wie in Kapitel 3 beschrieben - als Punkte im Beurteilungsraum dargestellt. Diejenigen Punkte, die aufgrund der Segmentzuordnungen zu Segmenten zusammengefaßte Untersuchungsobjekte repräsentieren, werden in der graphischen Darstellung zur Verdeutlichung jeweils durch eine sogenannte konvexe Hülle umrandet. Bei dieser Darstellungsform wird zu einer in der zweidimensionalen

4 SEGMENTIERUNG Darstellung vorgegebenen Menge von Punkten ein konvexes Polyeder minimaler Größe so bestimmt und in die 'perceptual map' eingezeichnet, daß alle Punkte der Menge im konvexen Polyeder, anders ausgedrückt: in der konvexen Hülle als Umrandung des konvexen Polyeders, enthalten sind. Liegen keine berechneten Ergebnisse von Wahrnehmungs- bzw. Beschreibungsmodellen vor, so wird vom Anwendungsmodul automatisch eine Aktivierung von Methoden zur Positionierung vorgenommen (Wissenswertes dazu findet man in Kapitel 3, Abschnitt 3.4 bei der Beschreibung der Funktionstaste F3 (Perc) (Aufpassen! Reihenfolgen und Zusammenhänge bei den Belegungen von Funktionstasten sind anwendungsmodulabhängig!)). Mittels F6 (Diese Funktionstaste ist aus Platzgründen in der Kommandozeile nicht aufgelistet.) ist die Aktivierung einer Interpretationshilfe möglich (siehe auch die Erläuterungen in Kapitel 3, Abschnitt 3.4, zur dortigen Funktionstaste [F5l(Interpr)). Über | F7 j (Diese Funktionstaste ist aus Platzgründen in der Kommandozeile ebenfalls nicht aufgelistet.) wird eine Gütebeurteilung der Ergebnisse des zuletzt erstellten Segmentierungsmodells mittels Punktediagramm, VAFKriterium oder kophenetischem Korrelationskoeffizienten aktiviert. Durch Drücken von F8 (Verf) kann eine Verfahrensauswahl zur Behandlung der vorliegenden Segmentierungssituation vorgenommen werden. Es können wieder - wie bei der Wahl von Verfahren zur Erstellung von Wahrnehmungs- bzw. Beschreibungsmodellen beim Anwendungsmodul 'Positionierung' auch schon erläutert wurde - vorgeschlagene Methoden entweder bestätigt werden (Drücken der Taste Return ) oder andere aus den entsprechenden Wahlmenüs ausgewählt werden (Wahl mit Cursor, Drücken der Taste Return ). Im einzelnen handelt es sich hierbei um eine Bestätigung/Wahl hinsichtlich der Vorverarbeitung der Datengrundlage (Behandlung fehlender Werte, Standardisierung der Bereiche der Merkmalsausprägungen und Bestimmung der zu reproduzierenden Unähnlichkeitsbeziehungen), hinsichtlich des angestrebten Ergebnisses (one-mode hierarchical clustering oder twomode hierarchical clustering) und hinsichtlich des Konstruktionsprinzips (single linkage, complete linkage, McQuitty, average linkage, Ward oder Flexible Strategie). Ist die gewünschte Abarbeitung ausgewählt, so werden die folgenden Berechnungen von Ergebnissen (Drücken der Taste F3 ) solange mit dieser Voreinstellung durchgeführt, bis durch erneute Aktivierung des über

4.5

Anwendungsbeispiele

103

Betätigen von F8 initiierten Vorgangs eine Änderung der Voreinstellung vorgenommen oder das Anwendungsmodul neu gestartet wird. Mittels F9 (Anz) kann über die A n z a h l der S e g m e n t e eine Beurteilung der Segmentzuordnungen selbst bei bereits erstellten Segmentierungsmodellen mittels Gütediagramm erfolgen. Bei ein-modalen Segmentierungsmodellen werden die Werte des Varianzkriteriums, bei zwei-modalen Segmentierungsmodellen die Werte des verallgemeinerten Varianzkriteriums gegen entsprechende Segmentzuordnungen auf Basis des Segmentierungsmodells bzw. gegen die Anzahl der Segmente abgetragen. Für segmentspezifische Analysen kann mit einem Wahlmenü die Anzahl der Segmente festgelegt werden oder - falls dies dem System überlassen werden soll - über die Wahlmöglichkeit 'Ellenbogenkriterium' eine automatische Bestimmung angefordert werden. Sind Segmentierungsmodelle noch nicht erstellt worden, ist nur das Wahlmenü verfügbar. Beispiele zur Bedienung des Anwendungsmoduls 'Segmentierung' findet man im folgenden Abschnitt 4.5, in dem die schon aus dem vorigen Kapitel - dort im Rahmen der Behandlung von Positionierungsaktivitäten - bekannten Anwendungssituationen nunmehr mittels Segmentierungsansätzen reanalysiert werden.

4.5

Anwendungsbeispiele

Zuerst wird das in Abschnitt 3.5.2 bereits im Rahmen der Positionierung beschriebene Anwendungsbeispiel zur Beurteilung von Cognac-Werbung wieder aufgegriffen, um zu unterstreichen, wie einfach Positionierungs- und Segmentierungsansätze im MAIZK^MAßi-System miteinander in Beziehung gesetzt werden können. Danach wird gezeigt, wie eine Segmentierungsanalyse basierend auf den Ergebnissen des in Abschnitt 3.5.1 behandelten Anwendungsbeispiels bzgl. Imagepositionierungen im Produktbereich Zigaretten durchgeführt werden kann.

4.5.1

B e u r t e i l u n g s m ö g l i c h k e i t e n bei der C o g n a c - W e r b u n g m i t t e l s Segmentierung

Wissenswertes über die Zusammenstellung der Datengrundlage (siehe Kapitel 11) und erste Auswertungsergebnisse für die Beurteilung von Cognac-Werbung mittels

104

4

SEGMENTIERUNG

Positionierungsansätzen (siehe Abschnitt 3.5.2) werden hier aufgrund der a n d e r weitig erfolgten Erläuterungen vorausgesetzt. COGNACl—Bere i of-» U^i 1 zur Anzahl der Segwente

Uerfichlederthei t 50

Rewg-Qoldaufschrift Sl Hennessy-Oa»enbegleitung Sl COLT voi si er --Pest aur ant Sl Courvoisier-Billard Sl Mart«11-Augen II Sl Mar teil-Augen I Sl Hermessij-Saeulen $2 Bisquit-Schmuck S2 Reng-Flasche S2 Bisqui t-Boer senzei tung S2 one-mode CA Objekte (average eukl.linkage) Distanz

è * ô 4 Anzahl der Segnente - Infornât ionswer lust (Uarianzkrlterim) Renu-Ooldaufschri ft HQnnessy-SaouIon Courvolslar-Rastaura Bisquit—Schnuck Harte11-Augen I

88.00

133.00 69.00 106.00

Cguruo lstai—Bi 1 lard Bisquit-floareaniMltu Martel 1-flugen II t -ftuswah 1 RETURH-Heiter F6» F7» FIO ESC Abbildung

4.6:

Dendrogramm-Darstellung Bereich

'COGNACl';

Segmentzuordnungen, ein Wahlmenü

Mahl zur Anzahl der Sequent« 1 Segnent 2 Segnente 81 3 Segnenta III 45 Segnente Segnente ü b 6 Segnente 7 Segnente 5! 91 11 9 Segnentc 81 IO Segnenta 11.1 ailJ.I.I.LM.B

eines Segmentierungsmodells

zusätzlich

sind Gütebeurteilung

die Datengrundlage

(teilweise)

im der und

eingeblendet

Abbildung 4.6 zeigt bereits einen Screen, der nach Abarbeitung einer Folge von System-Aktivierungen durch entsprechende Betätigungen der zugehörigen Funktio n s t a s t e n erscheint. Folgende Schritte sind zu Beginn durchzuführen: (1) Ausgehend

vom Start-Screen

dung 2.2) wurde F l

des MAHK2MAA/"-Systems

(siehe

Abbil-

(Anwendungswahl) betätigt und mit [Yj, Q~J als An-

wendungsmodul "Segmentierung" gewählt. (2) Nachdem der Standard-Screen des Anwendungsmoduls 'Segmentierung' auf dem Bildschirm erschienen ist, wurde F l

(Bereich) gedrückt und mit j^j,

als aktueller Bereich 'COGNACl' gewählt.

4.5

Anwendungsbeispiele

105

(3) Nach Erscheinen der aktuellen Datengrundlage 'COGNAC1' auf dem Bildschirm wurde F3 (Dendro) betätigt. Nach diesen ersten System-Aktivierungen führt MA7DC2MAAf

die Erstellung

eines Segmentierungsmodells auf Basis der vorgegebenen Datengrundlage durch. Da keine gesonderten Wünsche hinsichtlich der Modell- und Methodenauswahl durch den Bediener geäußert wurden, wurde auf die implementierte Voreinstellung bei dieser Auswahlsituation zurückgegriffen: Es handelt sich um ein ein-modales hierarchisches Clusteranalyse-Verfahren mit average-linkage als Konstruktionsprinzip für die Segmentierungslösung. Die Vorverarbeitung der Datengrundlage - einer quantitativen Datenmatrix - erfolgt dergestalt, daß fehlende Werte (falls vorhanden) mittels Ersetzung durch merkmalsweise mittlere Ausprägungen eliminiert werden. Zur Bestimmung der Unähnlichkeitsbeziehungen wird die euklidische Distanz im Merkmalsraum benutzt, die Beurteilung der Güte der Segmentzuordnung (Informationsverlust) geschieht über das Varianzkriterium, die Bestimmung der Anzahl der Segmente über das Ellenbogenkriterium ergibt den Wert 2, was auch aus dem entsprechenden Kurvenverlauf in der linken oberen Ecke von Abbildung 4.6 abzulesen ist. Die zugehörige Dendrogramm-Darstellung erscheint in der rechten oberen Ecke des nunmehr aktuellen Screens. Man erkennt eine deutliche Zweiteilung der Werbeanzeigen in 2 Segmente, die schon aufgrund der Auswertungen mittels Positionierung (siehe Abbildung 3.14) vermutet werden durfte. Die Zweiteilung ist auch an den entsprechenden Bezeichnern der Objekte ('S 1' für Segment 1 bzw. 'S2' für Segment 2) abzulesen. Um einen Uberblick über den Informationsverlust beim Ubergang zu den entsprechenden Segmentzuordnungen zu gewinnen, können die entsprechenden Gütebeurteilungen aktiviert werden: (4) Nach Ausgabe der Dendrogramm-Darstellung des Segmentierungsmodells in der rechten oberen Ecke erfolgt durch Betätigung der Funktionstaste F9 die Einblendung der Gütebeurteilung der Segmentzuordnungen für das augenblicklich aktuelle Segmentierungsmodell und ein Wahlmenü zur (eventuellen) Modifikation der Segmentzuordnung. Aus der Gütebeurteilung im linken oberen Fenster ist deutlich zu erkennen, warum das Ellenbogenkriterium eine Segmentzuordnung in zwei Segmente vorschlägt: Bei Erhöhung der Anzahl auf drei Segmente (was natürlich eine Verringerung des Informationsverlustes zur Folge hätte) würde nur eine "kleine" Reduzierung des

4

106

SEGMENTIERUNG

Informationsverlustes eintreten; die Position des "Ellenbogens" im Gütediagramm ist deutlich zu erkennen. Die klare Zweiteilung, die auch schon im Rahmen der Positionierungsanalyse zu erkennen war, wird durch die bisherigen Ergebnisse der Segmentierungsanalyse bestätigt. Aus der Dendrogramm-Darstellung des Segmentierungsmodells ist darüber hinaus abzulesen, welche Gruppe von Werbeanzeigen sich bei einem Ubergang auf drei Segmente aufspalten würde. Es handelt sich um die Sl-Gruppe, die sich in das Segment 'Remy-Goldaufschrift', 'Hennessy-Damenbegleitung' und in das Segment 'Courvoisier-Restaurant', 'Courvoisier-Billiard', 'MartellAugen II' und 'Martell-Augen I' aufteilen würde. Mittels F7 könnte nun eine Gütebeurteilung des zugrundeliegenden Segmentierungsmodells insgesamt, mittels F4 eine segmentspezifische Positionierungsanalyse erfolgen, wodurch man einerseits die Gültigkeit des Segmentierungsmodells, andererseits die inhaltliche Verschiedenheit der entsprechenden Segmente über mittlere Ausprägungen hinsichtlich der einzelnen Merkmale beurteilen lassen könnte. Die Beschreibung der Folge der System-Aktivierungen und entsprechenden Betätigungen der zugehörigen Funktionstasten, die zum in Abbildung 4.6 gezeigten Screen oder zu anderen Screens führen würde, kann - wenn man alle Aspekte ansprechen will - "länglich" und "ermüdend" wirken. Man erkennt, daß eine solche Vorgehensweise (die auch schon bei früheren Erläuterungen, wie man einen speziellen Bildschirminhalt erzeugen kann, zur Anwendung kam) ein grundsätzliches Problem beinhaltet. Ausführliche Erläuterungen, wie ein M.ÄRK?M.AA/"-Nutzer

zu

speziellen

Screens gelangen kann, sind anfangs für den ungeübten Nutzer sicher von Interesse. Da aus Platzgründen nicht jede einzelne Änderung eines Screen-Inhaltes in Form einer Abbildung angegeben werden kann, erleichtern sie das Auffinden eines speziellen System-Zustandes, der mit der entsprechenden Abbildung korrespondiert, und helfen, die dabei zur Anwendung kommende System-Logik zu verstehen. Für den geübten MAR-K^MAN-Nutzev wird die Ausgabe von Folgen von System-Aktivierungen - die er aufgrund seiner nunmehr gesammelten Erfahrungen selbst durchführen kann - bald zu einer überflüssigen (und danach langweiligen) Uberprüfung seiner eigenen Vorgehensweise verkümmern. Von jetzt ab werden deshalb Folgen von System-Aktivierungen, mit denen man erwünschte System-Zustände erzeugen kann, nur noch in Ausnahmefällen mitgeteilt. Ein gegebenenfalls nötiges Suchen nach einer Folge von Bearbeitungsschritten, die zu einem entsprechenden System-Output führen würde, ist nunmehr als

4.5

Anwendungsbeispiele

107

M a ß n a h m e , die das Vertrautsein m i t d e m S y s t e m fördern soll, durchaus gewollt. Wenn wir uns an den Ausgangspunkt erinnern, der zur Beurteilung der CognacWerbung mittels Segmentierung führte, so ist auf Abbildung 3.14 zu verweisen, wo im Rahmen einer Positionierungsanalyse für den 'COGNACl'-Datensatz mittels Wahrnehmungsmodellen auf Basis der Kruskal-MDS die Zweiteilung der Werbeanzeigen bereits sichtbar wurde. Abbildung 4.6 liefert offensichtlich vergleichbare Ergebnisse. Die Frage ist, ob es nicht sinnvoll wäre, Positionierungs- und Segmentierungsergebnisse auch inhaltlich in einer Abbildung gemeinsam darzustellen. Abbildung 4.7 zeigt eine der Möglichkeiten, wie man Positionierungs- und Segmentierungsüberlegungen in Verbindung setzen kann. Die gemäß Abbildung 4.6 durch Anwendung einer one-mode Clusteranalyse gefundene Segmentzuordnung ist hier mittels konvexer Hüllen, die die Segmente der die entsprechenden Untersuchungsobjcktc repräsentierenden Punkte graphisch veranschaulichen sollen, in die 'perceptual map'-Darstellung des bereits in Kapitel 3 beschriebenen Wahrnehmungsmodells eingezeichnet worden. Man erkennt folgendes: Die Ergebnisse des Wahrnehmungsmodells auf Basis der Kruskal-MDS-Lösung (mit dem sehr guten Kruskal Stress Wert von 0.0001) aus Abbildung 3.14 werden durch die in Abbildung 4.7 erfolgte Darstellung des Wahrnehmungsmodells auf Basis der Hauptkomponentenanalyse (in der die ersten zwei Hauptkomponenten 95.4 % der Varianz erklären) bestätigt. Die schon bei Abbildung 3.14 vermutete Segmentbildung wird durch Einbeziehung der Information aus Abbildung 4.6 in Abbildung 4.7 eindrucksvoll bestätigt. Zur weiteren Absicherung der Segmentierungsergebnisse soll nun noch ein zweites Segmentierungsmodell, bei dem andere Verfahren eingesetzt werden können, herangezogen werden. Mittels F8 (Verf) kann die Voreinstellung bzgl. der Modell- und Methodenwahl über die entsprechenden Wahlmenüs modifiziert werden: Z.B. kann ein zwei-modales hierarchisches Verfahren ohne Standardisierung der Daten und mit average linkage als Konstruktionsprinzip für die Segmentierungslösung gewählt werden. Mittels F3 (Dendro) wird für diese Modell- und Methodenwahl auf Basis des verallgemeinerten Varianzkriteriums und des Ellenbogenkriteriums (Voreinstellung!) eine Segmentzuordnung ermittelt. Abbildung 4.8 gibt im rechten oberen Fenster die Dendrogramm-Darstellung des entsprechenden Segmentierungsmodells

4

108 Seonent ierun« COGNACi-Bereicti Perce4 •otual Mao 2. Hauptkotnponente

SEGMENTIERUNG

12.3'/.

3 nichtssagend einfallslos

glaubuuerdig /

\ + w squit -Boer senzei t ung

-3

\

-1 5

\ \

1,8

\ v. \ \

.Remy-Flasch»

'

\Bi squi t -Schnuck

sympathisch

\ \

/

¿S

JS^

/ /Cs / / / x x /

.COLTvoiSIER-R«Taur an

II \ttart«ll-Aug*n I , l.Hauptkoijpononto 82.5X 1.5 / 3

_£ennessy-Damenbegl eit una/

^Hemessy-Saeul en

dauf sehr i f t

Fl-Bereich FZ-Daten F3-Dendro F4-Pro1 il F5-Perc F8-Uerf F9-ftnz FlO ESC Abbildung

4.7:

Darstellung einer 'perceptual map' im Bereich zusätzlich sind Segmentzuordnungen

'COGNAC1';

mittels konvexer

Hüllen

eingezeichnet

wieder. Auch hier ist eine deutliche Zweiteilung für die zwei-modale Lösung zu erkennen. Zusätzlich ist in dieser Darstellung bzw. dem zugrundeliegenden Segmentierungsmodell eine Zuordnung von Werbeanzeigen und Merkmalen zu den Segmenten erfolgt. Segment Sl, das u.a. die Werbeanzeigen 'Remy-Goldaufschrift' und 'Hennessy-Damenbegleitung' enthält, wird auch mit den Begriffen 'sympathisch', 'anregend' und 'glaubwürdig' in Verbindung gebracht, das Segment S2, das u.a. die Werbeanzeigen 'Hennessy-Säulen' und 'Bisquit-Schmuck' umfaßt, muß sich eine Assoziation mit Begriffen wie 'einfallslos' und 'nichtssagend' gefallen lassen. Besonders starke Beziehungen bestehen offensichtlich zwischen der Werbeanzeige 'CourvoisierRestaurant' und 'sympathisch'. Ob eine Dendrogramm-Darstellung bzw. das zugrundeliegende Segmentierungsmodell überhaupt die Unähnlichkeitsbeziehungen der Datengrundlage ohne größeren Informationsverlust reproduzieren kann, kann über eine Gütebeurteilung

4.5

109

Anwendungsbeispiele

(Drücken der Taste F7 ) überprüft werden. Das Punktediagramm mit "näherungsweise linearem" Zusammenhang, aber auch die hohen Werte des VAF-Kriteriums und des kophenentischen Korrelationskoeffizienten weisen im vorliegenden Fall auf eine gute Reproduktion der Unähnlichkeitsbeziehungen im Segmentierungsmodell hin. Seunent ieruna COBMflCl-Bere ich Buetebeurlei luna Uer schi edenhel t Distanz in Segnent ierunflsnodel 1 50 Remy-ßoldaufschrift S1 C O L T Y O I si er -Rest aur ant S1 sympathisch Sl — Mar teil-Augen I Sl1 } Mar teil-Augen II Sl •R+f +++f anregend Sl glaubuuerdig SlCourvoisier-Billard SlHennessu-Damenbegleitung SlHemessg-Saeulen S2Reny-Flasche S2ein

373936.408 375346.159 350865.669 296675.273 295986.242

?5IW7.743 1127083.902 1477949.571 1774624.844 2070611.086

Fl-Bereich F2-Daten F3-Snei F4-Kalib F5-Progn F6-Guete F7-Rnal FlO ESC

Abbildung

7.2:

Darstellung

einer mittels M.A7LK?MAN

im Bereich

'BSP4'

erstellten

Prognose

menhänge zugrunde. Mit Hilfe kalibrierter Marktanteils-, Absatz- und Gewinnmodelle konnten auf Basis der Marketing-Plandaten und aufgrund von Vermutungen über die Weiterentwicklung nichtkontrollierbarer Einflußgrößen für die Perioden 'Per.19' bis 'Per.24' Marktanteils-, Absatz-, und Gewinnprognosen erstellt werden. In den Spalten der Matrix im unteren Teil von Abbildung 7.2 sind die prognostizierten Werte für die Entwicklung des mengenmäßigen Marktanteils ('Marktant.(%)') des Produkts in einem interessierenden Segment oder in einer Produktkategorie (im folgenden durchgängig als Segment bezeichnet), für die Entwicklung der Segmentabsatzquote ('SAQ(ME/Kons.)')- d.h. der Menge an Produkten, die Konsumenten in diesem Segment durchschnittlich innerhalb der Periode kaufen - sowie für die Entwicklung des Absatzes des Produkts, des Gewinns für den Hersteller und des kumulierten Gewinns wiedergegeben. Abbildung 7.2 soll nur einen ersten Eindruck von den Möglichkeiten vermitteln, die im Rahmen des Anwendungsmoduls 'Marketing-Mix' aktivierbar sind.

7

190

MARKETING-MIX

Weitere Informationen über verwendbare Input-Daten und zur Verfügung stehende Beispiel-Daten findet man auch in Kapitel 11. Auf Wissenswertes zur benötigten Datengrundlage wird im nächsten Abschnitt 7.2 genauer eingegangen. Danach wird in Abschnitt 7.3 Grundlegendes zur verwendeten Methodik beschrieben, bevor Bedienungshinweise in Abschnitt 7.4 den Umgang mit d e m Anwendungsmodul 'Marketing-Mix' erleichtern helfen. In Abschnitt 7.5 werden Anwendungsbeispiele beschrieben, die zum Verständnis der im Anwendungsmodul

'Marketing-Mix'

realisierten CEUS-Möglichkeiten beitragen sollen und durch die das Vertrautsein mit d e m MAWC2MAJ\f-System

weiter gefördert werden soll. Die Daten, die der

Darstellung in Abbildung 7.2 zugrundeliegen (Bereich ' B S P 4 ' des MJ\ÍR.K?M.AJ\[Systems), werden in Abschnitt 7.5.1 ergänzend behandelt. Ein Ausblick in Abschnitt 7.6 vermittelt einige zusätzliche Hinweise. M a n erkennt, daß das schon früher b e n u t z t e Gliederungsschema für die Kapitel 3, 4, 5 und 6 beibehalten wurde. Unabhängig von der in diesem Buch gewählten Kapitelreihenfolge soll so zum besseren Zurechtfinden innerhalb der Kapitel beigetragen werden.

7.2

Welche Datengrundlage wird b e n ö t i g t ?

Man kann sich leicht vorstellen, daß Datengrundlagen, auf Basis derer Entscheidungen ü b e r die Marketing-Mix-Ausgestaltung zu treffen sind, sehr vielgestaltig sein können. So liegen i.d.R. Beobachtungsdaten - wie der Absatz vergangener Perioden, die Ausgaben für Werbung und für Verkaufsförderungsmaßnahmen, Informationen zur eigenen Preisgestaltung und eventuell zur Preisgestaltung der Konkurrenz - als p e r i o d i s c h e G r ö ß e n in Form von Zeitreihen aus der Vergangenheit vor. Darüber hinaus sind oft A n n a h m e n oder Kenntnisse über Wirkungszusammenhänge vorhanden, die z.T. als skalare G r ö ß e n in Situationsbeschreibungen Eingang finden können. So vermutet der verantwortliche Produkt-Manager vielleicht, daß bei einer 50prozentigen Erhöhung der Ausgaben für Verkaufsförderung bei Beibehaltung aller übrigen Einflußgrößen mit einer 10-prozentigen Marktanteilserhöhung bis zum Ende der laufenden Periode gerechnet werden kann, oder er weiß, daß die Absätze in den S o m m e r m o n a t e n immer ca. 30 % über d e m Jahresdurchschnitt liegen. Setzt man diese D a t e n jeweils zu (beeinflußbaren) Marketing-Aktivitäten bzw. (nichtkontrollierbaren) M a r k t f a k t o r e n in Beziehung, so können sich Datengrundlagen ergeben, wie sie etwa in Abbildung 7.3 für den Einfluß der Marketing-Aktivität 'Werbung'

7.2 Welche Datengrundlage

wird

Kurzbezeichnung

benötigt?

191

\ Bedeutung

\(Einheit)

periodische Größen Index der Streuwirkung des verwendeten W e r b e m e d i u m s in der aktuellen Periode Index der Wirksamkeit des verwendeten W e r b e m e d i u m s in der aktuellen Periode Ausgaben für Werbung p r o Konsument in der aktuellen Periode

Streuwirkungsindex

Wirksamkeitsindex

Ausgabenquote

(Index)

(Index)

(GE/1000Kons./Per.)

skalare Größen Streuwirkungsindex(B)

Index der Streuwirkung des (Index) verwendeten W e r b e m e d i u m s im "Normalzustand des Marktes" (Index) Index der Wirksamkeit des verwendeten W e r b e m e d i u m s im "Normalzustand des Marktes"

Wirksamkeitsindex(B)

Ausgabenquote(B)

Anteil sofortige Bekanntheit

Anteil sofortige W i r k u n g

Ausgaben für Werbung pro (GE/1000Kons./Per.) Konsument und Periode im "Normalzustand des Marktes" Anteil der wirksamen Werbung, (%) der innerhalb einer aktuellen Periode zu Bekanntheit f ü h r t Anteil der durch wirksame (%) Werbung verursachten Bekanntheit, die innerhalb einer aktuellen Periode zu einer Marktanteilsänderung führt

M a r k t a n t e i l ohne W e r b u n g

zu erwartender Marktanteil a m Ende einer Periode bei Verzicht auf Werbung M a r k t a n t e i l mit m a x . W e r b u n g zu erwartender Marktanteil a m Ende einer Periode bei maximaler Werbung Marktanteil mit E r h a l t u n g s w e r b u n g zu erwartender Marktanteil am Ende einer Periode bei Werbung unter Bezugsbedingungen Marktanteil mit 50% mehr W e r b u n g zu erwartender Marktanteil a m Ende einer Periode bei Erhöhung der Werbung u m 50% Index für wirksame W e r b u n g ( B ) Index für den Werbedruck im "Normalzustand des Marktes" Wirkungsindex(B) Index, der die W i r k u n g der Werbung im "Normalzustand des Marktes" beschreibt

Abbildung

7.3:

Beispiel

für eine Datengrundlage

mit der Marketing-Aktivität

(m%)

(m%)

(m%)

(m%)

(Index) (Index)

im 'Werbung'

Zusammenhang

7

192

MARKETING-MIX

auf den 'Marktanteil' eines interessierenden Produkts beschrieben werden. In der Spalte 'Kurzbezeichnung' sind hierbei Bezeichnungen aufgelistet worden, wie sie auch im Anwendungsmodul 'Marketing-Mix' des MA1ZK. 2 MAJ\f-Systems Verwendung finden. Zu den periodischen Größen (z.B. zum 'Streuwirkungsindex') werden jeweils auch mit nachfolgendem (B) kenntlich gemachte B e z u g s w e r t e (z.B. 'Streuwirkungsindex(B)') in die Datengrundlage mit aufgenommen, die es gestatten, Daten/Informationen über Abweichungen v o n B e z u g s w e r t e n ( b e z o g e n auf ein e n f i k t i v e n " N o r m a l z u s t a n d d e s M a r k t e s " in P e r i o d e 0) zu beschreiben. Wurde z.B. die skalare Größe 'Streuwirkungsindex(B)' mit dem Wert '1.0' und die entsprechende periodische Größe 'Streuwirkungsindex' für eine bestimmte Periode mit dem Wert '1.2' belegt, so will man damit andeuten, daß in der entsprechenden Periode die aktuelle Streuwirkung des verwendeten Werbemediums um 20% höher als der Bezugswert im "Normalzustand des Marktes" lag. Skalare Größen wie 'Anteil sofortige Bekanntheit' und 'Anteil sofortige Wirkung' erlauben es, I n f o r m a t i o n e n ü b e r v e r z ö g e r t e R e a k t i o n e n im Zusammenhang mit der Marketing-Aktivität 'Werbung' zu beschreiben. Größen wie 'Marktanteil ohne Werbung', 'Marktanteil mit max. Werbung', 'Marktanteil mit Erhaltungswerbung' und 'Marktanteil mit 50% mehr Werbung' gestatten es, I n f o r m a t i o n e n ü b e r die Stärke von R e a k t i o n e n im Zusammenhang mit der Marketing-Aktivität 'Werbung' in die Datengrundlage aufzunehmen. In der mit (Einheit) bezeichneten Spalte von Abbildung 7.3 findet man neben selbsterklärenden Bezeichnungen auch das Kürzel (m%), worunter Marktanteil in % verstanden werden soll. Im Vorgriff auf Abbildung 7.4 bedeutet das Kürzel (GE%) entsprechend Geldeinheiten in % (genauer: in Prozent des Produktpreises im "Normalzustand des Marktes"). Wie bereits angedeutet, sind typischerweise natürlich weitere Informationen im Zusammenhang mit anderen Marketing-Maßnahmen (z.B. 'Vertretereinsatz', 'Preis', 'Verkaufsförderung') oder aufgrund von Aktivitäten der Wettbewerber (z.B. 'Konkurrenz') und des Handels ('Einzelhandelsverfügbarkeit') sowie aufgrund von Umwelteinflüssen ('Trend', 'Saisonalität') zu berücksichtigen. Hier gibt Abbildung 7.4 einen Uberblick über Größen, die in Datengrundlagen im Rahmen von Auswertungen durch MARK.2MAM

Berücksichtigung finden können. Dabei wer-

den für die einzelnen periodischen und skalaren Größen jeweils Kurzbezeichnungen und Einheiten angegeben, wie sie auch im 'Marketing-Mix' verwendet werden.

MÄR.K.2MAA/"-Anwendungsmodul

7.2 Welche Datengrundlage

skalare

wird

periodische

Größen

globale Bezugsdattn

Marktanteil ( B ) Segment absatzquote(B)

Werbung

Streuwirkuri gsindex(B) Wirksamkeitsindex ( B ) A us gab enquote ( B ) Anteil sofortige Bekanntheit Anteil sofortige Wirkung Marktanteil ohne Werbung Marktanteil mit max. Werbung Marktanteil mit Erhaltungs Werbung Marktanteil mit 50% mehr Werbung Index für wirksame Werbung(B) Wirkungsindex (B) Effizienz(B) Wirksamkeitsindex(B) Ausgabenquote(B) Anteil sofortige Bekanntheit Anteil sofortige Wirkung Marktanteil ohne V.einsatz Marktanteil mit max. V.einsatz Marktanteil mit Erhaltungsv.einsatz Marktanteil mit 50% mehr V.einsatz Wirkungsindex ( B ) Prels(B) mittlerer Marktpreis(B) Radius des akzept.Preisbereichs ( a P ) Elastizität unterhalb des aP Elastizität im aP Elastizität oberhalb des aP

Vertretereinsatz (V.einsatz)

193

benötigt?

Größen

(Einheit)

Konsumenten Streuwirkungsindex W irksamkei tsinde x Ausgabenquote

(m%) ¡ME/Kons./Per.) Kons.j (Index) ¡Index) (GE/1000Kons./Per.)

Effizienz Wirksamkeitsindex Ausgabenquote

(m%) (m%) m%) (m%) (Index) Index) ¡Besuche/GE) (Index) (GE/1000Kons./Per.)

{51

(%) (%)

Index Reichweite Index Effektivität Stückkosten A usgab enquo te geförderter Anteil

(m%) (m%) (m%) (m%) ¡Index) ¡GE/ME) ¡GE/ME) ¡GE/ME) m%/GE%) ¡m%/GE%) (m%/GE%) ¡GE/ME) ¡Index) ¡Index) ¡GE/lOOOKons./Per.) (%)

Produktionskapazität

max.Produktion

¡m%) ¡m%) ¡m%) ¡m%) ¡Index) ¡ME/Per.)

Konkurrenz

Wirkungsindex Wirkungsindex Wirkungsindex Wirkungsindex Wirkungsindex V.barkeit

Preis

Verkaufsförderung (Verk.förd.)

EinzelhandelsVerfügbarkeit (V.barkeit)

Index Heichweite(B) Index Effektivität(B) Ausgabenquote(B) Substitutionsanteil rel. Marktanteils gewinn 1 .Folgeperiode rel.Marktanteilsgewinn 2.Folgeperiode rel. Marktanteils gewinn 3.Folgeperiode Marktanteil ohne Verk.förd. Marktanteil mit max. Verk.förd. Marktanteil mit Erhaltungsverk.förd. Marktanteil mit 50% mehr Verk.förd. Wirkungsindex ( B )

V.Wkeit(B) Anteil sofortiger Wirkung Marktanteil mit max. V.barkeit Marktanteil mit Erhaltungsv.barkeit Marktanteil mit 50% mehr V.barkeit Wirkungsindex ( B )

Produktqualität (P. qualität) Sortimentsgestaltung Verpackungsgestaltung Trend

Wirkungsindex ( B )

Saisonalität beobachteter

Preis

mittlerer Marktpreis

Wirkungsindex Ausgabenquote W i rkungsi nde x A usgab enquot e Wirkungsindex Ausgabenquote Wachstumsrate W i rkungsi nde x Marktanteil

Werbung V.einsatz Preis Verk.förd. P.qualität

|3)

¡Index) ¡Index) ¡Index) ¡Index) ¡Index)

%)

(%) ¡m%) ¡m%) ¡m%) Index) (Index) GE/lOOOKons./Per.) (índex) ¡GE/lOOOKons./Per.) ¡Index) ¡GE/lOOOKons./Per.) ¡Index) ¡m%)

Marktanteil

Absatz

beobachteter

(ME/Per.)

Absatz

Abbildung

7.4:

Beispiele für weitere

Datengrundlagen

7

194

MARKETING-MIX

Am Beginn der Auflistung von Datengrundlagen in Abbildung 7.4 stehen 'globale B e z u g s d a t e n ' mit der periodischen Größe 'Konsumenten', die zur Erfassung der Anzahl potentieller Konsumenten im Segment verwendet wird, und den skalaren Größen 'Marktanteil(B)' und 'Segmentabsatzquote(B)'. Am Ende der Auflistung findet man als zusätzliche periodische Größen D a t e n zum b e o b a c h t e t e n Marktanteil und D a t e n z u m beobachteten Absatz, die Vergangenheitsentwicklungen der entsprechenden Größen beschreiben. Neben diesen Datengrundlagen und den in Abbildung 7.3 bereits ausführlicher erläuterten Daten zur 'Werbung' enthält Abbildung 7.4 unter den Bezeichnungen 'Vertretereinsatz', 'Preis', 'Verkaufsförderung', 'Produktionskapazität', 'Konkurrenz', 'Einzelhandelsverfügbarkeit', 'Produktqualität', 'Sortimentsgestaltung', 'Verpackungsgestaltung', 'Trend' und 'Saisonalität' weitere skalare und periodische Größen, die im Anwendungsmodul 'Marketing-Mix' zum Einsatz gelangen können. Hierbei ist zu beachten, daß für einige periodische Größen keine Bezugswerte als zugehörige skalare Größen vorgesehen sind. In diesen Fällen ist immer von (Standard-)Bezugswerten auszugehen, die für Wirkungsindizes den Wert '1.0' annehmen. Für den im vorangegangenen Abschnitt bereits angesprochenen Bereich 'BSP4' wurde die zugehörige Datengrundlage in Abbildung 7.5 (jeweils gerundete Werte der skalaren Größen und der periodischen Größen bzgl. der ersten fünf Perioden) dargestellt. Man erkennt, daß '38.3' Millionen Konsumenten (Mio.Kons.) des Segments im "Normalzustand des Marktes" durchschnittlich '0.94' Mengeneinheiten (ME) je Konsument (Kons.) und Periode (Per.) kaufen. Von diesem Absatz von '0.94'-'38.3'='36.002' Mio.ME/Per. entfallen auf das interessierende Produkt - ebenfalls wieder im "Normalzustand des Marktes" - '3.48'% mengenmäßiger Marktanteil (m%). Aus vergangenen Perioden stehen eine Reihe weiterer interessanter Daten zur Verfügung: z.B. schwankte der Absatz in den ersten fünf Perioden zwischen '1.245' und '1.512' Mio.ME/Per.. Die Ausgabenquote im Zusammenhang mit 'Werbung' bewegte sich zwischen '0.214' und '1.958' Geldeinheiten (GE) je 1000 Konsumenten und Periode. Auf den "Normalzustand des Marktes" beziehen sich '0.432' GE/lOOOKons./Per. (Wert für die Ausgabenquote(B)). Hinweise bzgl. Streuwirkung und Wirksamkeit der Marketing-Aktivität 'Werbung', die eine Abweichung vom "Normalzustand des Marktes" andeuten würden, lagen nicht vor (Skalare und periodische Größen zeigen den konstanten Wert '1.0'.). Andere Informationen beschreiben Vermutungen zur Werberesponse: So nimmt man an, daß '80'% der Werbung innerhalb der aktuellen Periode zu Produktbekanntheit führt, aber nur '20'% der hierdurch erzielten Werbe-

7.2 Welche Datengrundlage

wird benötigt?

195

wirkung innerhalb der aktuellen Periode eine Marktanteilsveränderung hervorrufen kann.

Kurzbezeichnung der skalaren/periodischen

skal. periodische Werte bzgl. Wert Per.l\Per.2\Per.3\Per.4\

Größen

globale Bezugsdaten Marktanteil(B) Segmentabsatzquote(B) Konsumenten

3.480 0.94

Werbung Streuwirkungsindex Wirksamkeitsindex Ausgabenquote Anteil sofortige B e k a n n t h e i t A n t e i l sofortige W i r k u n g Marktanteil ohne Werbung Marktanteil mit max. Werbung Marktanteil mit Erhaltungswerbung Marktanteil m i t 50% mehr Werbung Index für wirksame Werbung(B) Wirkungsindex(B)

Per.5 (Einheit)

(m%) (ME/Kons./Per.) 38.30| 38.30| 38.30| 38.30| 38.30 [ M i o . K o n s . )

1.00 1.00 1.00 1.00 1.00 1.00 ( I n d e x ) 1.00 1.00 1.00 1.00 1.00 1.00 ( I n d e x ) 0.432 1.958 0.309 1.325 0.236 0.214 ( G E / 1 0 0 0 K o n s . / P e r . ) 80.00 (%) 20.00 (%) 1.750 (m%) 4.670 (m%) 3.480 (m%) 4.370 (m%) 1.0 (Index) (Index) 1.0

Preis Preis mittlerer Marktpreis R a d i u s des a k z e p t . P r e i s b e r e i c h s ( a P ) E l a s t i z i t ä t u n t e r h a l b des a P Elastizität im aP E l a s t i z i t ä t o b e r h a l b des a P Stückkosten

0.746 0.724 0.018 -0.40 -0.30 -0.40

0.72 0.72

0.73 0.72

0.73 0.72

0.73 0.72

0.73 ( G E / M E ) 0.72 ( G E / M E ) (GE/ME) (m%/GE%) (m%/GE%) (m%/GE%) 0.461 0.461 0.461 0.461 0.46 ( G E / M E )

Saisonalität Wirkungsindex

|

| 0.95| 0.99|

beobachteter Absatz

|

| 1.396| 1.453| 1.512| 1.435| 1 . 2 4 5 | ( M i o . M E / P e r . )

1.011 1.01 [ 1 . 0 3 | ( I n d e x )

Absatz

Abbildung

7.5:

Datengrundlage

im Bereich 'BSP4'

(ausschnittweise)

Bei Beschränkung der Werbeausgaben auf Erhaltungswerbung erwartet man ausgehend vom "Normalzustand des Marktes" und bei alleiniger Variation der Marketing-Aktivität 'Werbung' - am Periodenende '3.48'% Marktanteil, ohne Werbung nur '1.75'% Marktanteil. Bei 50%-iger Erhöhung der Werbung glaubt man, den Marktanteil auf '4.37'% erhöhen zu können, aber selbst bei maximalem Werbedruck unterstellt man, daß nicht mehr als '4.67'% Marktanteil zu erreichen sind.

7

196

MARKETING-MIX

Informationen zur Marketing-Aktivität 'Preis' sind der Abbildung 7.5 ebenfalls zu entnehmen: Bei Stückkosten von '0.46' G E / M E bewegte sich der Preis des interessierenden Produkts zwischen '0.72' und '0.73' G E / M E , während der mittlere Marktpreis (d.h. der durchschnittliche Preis, der für Produkte im Segment verlangt wird) in den betrachteten Perioden gerundet den konstanten Wert '0.72' G E / M E annahm. Auf den "Normalzustand des Marktes" bezieht sich ein Preis von '0.746' G E / M E und ein mittlerer Marktpreis von '0.724' G E / M E . Man vermutet, daß sich in einem akzeptierten Preisbereich mit einem Radius von '0.018' GE um den mittleren Marktpreis bei einer Erhöhung des Preises für das interessierende Produkt um 1% des Bezugswertes (also um 1% von '0.746' = '0.00746' GE) der Marktanteil um 0.3% verringern würde (Die Elastizität im akzeptierten Preisbereich wurde mit '-0.30' m % / G E % angegeben.). Bei höheren Preisen (Elastizität oberhalb des akzeptierten Preisbereichs) und bei niedrigeren Preisen (Elastizität unterhalb des akzeptierten Preisbereichs) wird eine höhere Elastizität von '-0.40' m % / G E % erwartet. Im Vergleich zu Abbildung 7.4 beschreiben die in Abbildung 7.5 erläuterten Daten nur einen Teil der möglichen Datengrundlagen, die man bei Marketing-MixProblemstellungen verwenden könnte. In solchen Fällen ist dann nur eine auf die vorhandene Datengrundlage eingeschränkte Analyse der interessierenden Fragen durchführbar. Insgesamt kann nun mit Informationen der hier beschriebenen Art versucht werden, eine entsprechende Marketing-Mix-Modellierung mittels M Ä R K . 2 M A N vorzunehmen. Dazu sind Kenntnisse über die in A4A7l}C2A4AAf verwendete Methodik hilfreich.

7.3

Was m u ß m a n von der M e t h o d i k wissen?

Zur Auswertung von Datengrundlagen, wie sie in Abschnitt 7.2 vorgestellt wurden, können A n s ä t z e m i t m o d u l a r e r M o d e l l s t r u k t u r eingesetzt werden. Wegen der Vielgestaltigkeit der verwendbaren Daten erhöht die Modularität die Flexibilität in bezug auf Einsatzmöglichkeiten und Anwendungssituationen. C E U S - und D e c i sion C a l c u l u s - I d e e n können sich hierbei sinnvoll ergänzen. Ein bekannter Vertreter im Rahmen der Decision-Calculus-Diskussion

ist

B R A N D A I D , ein von Little (1974, 1975) vorgestelltes a g g r e g i e r t e s R e a k t i o n s m o d e l l . Es bildet auch den Ausgangspunkt für die in M ÄRK?M AM realisier-

7.3 Was muß man von der Methodik

197

wissen?

te Methodik, die im folgenden beschrieben wird. Der Unterschied zu BRANDAID besteht z.B. in - von den Autoren als sinnvoll erachteten - Modifikationen bzgl. der verwendeten Reaktionsfunktionen und der gewählten Maße zur Beurteilung der Modellanpassung. Als Ausgangssituation findet ein Marktsystem Berücksichtigung, wie es in Abbildung 7.6 (siehe hierzu auch die Darstellung bei Little (1974), S.656) vereinfacht wiedergegeben ist.

Produktcharak-

Packungssortimentierung

Abbildung

7.6:

Schema des der Marketing-Mix-Modellierung liegenden Marktsystems

zugrunde-

Ein Hersteller eines in Frage kommenden Produktes konkurriert mit Herstellern vergleichbarer Produkte, in Abbildung 7.6 als W e t t b e w e r b e r bezeichnet, um die Gunst von Handel und Endverbrauchern in zugehörigen Marktsegmenten. In Abbildung 7.6 sind zur Darstellung von Interaktionen dieser Art beispielhaft die Begriffe E i n z e l h ä n d l e r und K o n s u m e n t sowie U m w e l t verwendet worden. Einflußmöglichkeiten

bestehen für Hersteller und Wettbewerber aufgrund einer Viel-

7

198

MARKETING-MIX

zahl von Marketing-Aktivitäten, die unter Begriffen wie P r o d u k t c h a r a k t e r i s t i ka, P r e i s , W e r b u n g , Verkaufsforderung, V e r p a c k u n g und P a c k u n g s s o r t i m e n t i e r u n g zusammengefaßt werden können. Darüber hinaus kann der Absatz im jeweiligen Segment durch die U m w e l t (Saisonalität, Trend) beeinflußt werden. Als Absatzmittler treten z.B. Einzelhändler auf, die durch den Hersteller bzw. die Wettbewerber mittels Aktivitäten wie V e r t r e t e r e i n s a t z , Verkaufsförderung und P a c k u n g s s o r t i m e n t i e r u n g umworben werden. Die Einzelhändler ihrerseits beeinflussen den Absatz des in Frage kommenden Produktes und der Produkte der Wettbewerber durch Marketing-Aktivitäten, die ebenfalls unter Begriffen wie Preis, Verkaufsförderung und Werbung subsummiert werden können. Die m o d u l a r e S t r u k t u r des Modells ergibt sich dadurch, daß bei der Abbildung eines solchen komplexen Marktsystems Reaktions- bzw. Zielgrößen wie Marktanteil oder Absatz der Produktgruppe direkt auf Einflußgrößen wie Umwelteinflüsse oder einzelne Marketing-Aktivitäten bezogen und durch einzelne S u b m o d e l l e bzw. M o d u l e über multiplikativ verknüpfbare W i r k u n g s i n d i z e s modelliert werden. Wie bei den in Abschnitt 7.2 beschriebenen Datengrundlagen, wo MarketingAktivitäten mittels periodischer Größen (wie Streuwirkungsindex, Wirksamkeitsindex oder Ausgabenquote) über Abweichungen von einem fiktiven "Normalzustand des Marktes" erfaßt wurden, werden durch das Modell die Auswirkungen auf interessierende Reaktions- bzw. Zielgrößen ebenfalls über Abweichungen vom "Normalzustand des Marktes" modelliert. Dies wird wieder durch spezifische W i r k u n g s i n dizes zum Ausdruck gebracht. So bedeutet etwa ein Wert '1.3' für Dezember beim Wirkungsindex(Saisonalität), der den Zusammenhang zwischen 'Saisonalität' (Umwelteinfluß) und 'Absatz' (Reaktions- bzw. Zielgröße) bei einem Bezugswert von '1.0' im "Normalzustand des Marktes" angibt, daß der Absatz im betrachteten Segment im Dezember 30% über dem Absatz im "Normalzustand des Marktes" liegt. Werden im "Normalzustand des Marktes" etwa '300.000' ME abgesetzt, so würde die entsprechende Umrechnung für Dezember also '390.000' M E ergeben. Einzelne Wirkungsindizes können - je nach Komplexität des zu berücksichtigenden Einflusses bzw. der vorliegenden Daten und Annahmen über Wirkungszusammenhänge - direkt (z.B. der Einfluß von 'Saisonalität' auf den 'Absatz' im Segment direkt durch Übernahme aus der in Abschnitt 7.2 beschriebenen Datengrundlage) oder als Submodell (z.B. der Einfluß von 'Werbung' auf den 'Marktanteil' durch Einbeziehung der mit der Marketing-Aktivität 'Werbung' in Beziehung stehenden Datengrundlage gemäß Abbildung 7.3) zur Modellierung herangezogen werden.

7.3 Was muß man von der Methodik

199

wissen?

Als Beispiel sei auf der Grundlage von Daten und Informationen über Wirkungsverläufe bzgl. des Einflusses von Werbung auf den Marktanteil folgender Zusammenhang vermutet, wie er in Abbildung 7.7 wiedergegeben wird (Hierbei kann die in Abbildung 7.3 beschriebene Datengrundlage Verwendung

Abbildung

7.7:

Vermuteter

Wirkungszusammenhang

und 'Marktanteil'

finden.).

zwischen

(siehe auch Abbildung

'Werbung'

7.3)

Ein Index für gegenwärtige Werbung kann aus der Höhe der Werbeausgaben (Ausgabenquote) ermittelt werden. Veränderungen in Streuwirkung und Wirksamkeit des verwendeten Werbemediums können berücksichtigt werden. Zeitliche Effekte - bedingt durch verzögerte Auswirkungen der gegenwärtigen Werbung auf Produktbekanntheit oder Marktanteilsänderung - können durch Einbeziehung von Werten der Vorperiode und Anteilswerte modelliert werden. Annahmen über Marktreaktionen (siehe hierzu die Ausführungen zu Abbildung 7.5 im vorangegangenen Abschnitt) können über sogenannte R e a k t i o n s f u n k t i o n e n mit einbezogen werden.

7

200

MARKETING-MIX

Abbildung 7.8 zeigt aus der Datengrundlage im Bereich 'BSP4' (siehe Abbildung 7.5) abgeleitete Reaktionsfunktionen. Als Beispiele wurden Funktionstypen verwendet, die - nach Ansicht der Autoren - einfach zu modellieren sind und dennoch die abzubildenden Gesetzmäßigkeiten geeignet beschreiben. So wurde zur Werberesponse die sogenannte A D B U D G - F u n k t i o n (siehe Little (1970)) parametrisiert, während zur Preisresponse - im Gegensatz zu Little (1974, 1975) die doppelt geknickte Gutenbergsche Preisabsatzfunktion (Gutenberg (1966)) in abgewandelter Form Verwendung findet. Man erkennt aus Abbildung 7.8, daß für die Darstellung dieser Reaktionsfunktionen entlang beider Koordinatenachsen (die - wie üblich - als x- und y-Achse bezeichnet werden) jeweils Indizes als Größen benutzt werden. Die entsprechenden Informationen über die Wirkungsstärke lassen sich aus solchen graphischen Aufbereitungen "auf einen Blick" ablesen.

1.5 1.23 Bezugsuert 0.75

Abbildung

7.8:

Aus der Datengrundlage Abbildung

7.5) abgeleitete

links für Werberesponse,

im Bereich

'BSP4'

(siehe

Reaktionsfunktionen; rechts für

Preisresponse

Aus der in Abbildung 7.8 links dargestellten monoton steigenden Reaktionsfunktion mit s-förmigem Verlauf zur Modellierung der Werberesponse kann man entnehmen, daß bei Erhaltungswerbung (Bezugswert ist der Wert '1.0' auf der xAchse.) der zugehörige Bezugsmarktanteil (Der Bezugswert '1.0' auf der y-Achse entspricht einem Marktanteil von '3.48'%.) erreicht wird. Bei 50% mehr Werbung (beim Wert '1.5' auf der x-Achse) werden nach der Datengrundlage '4.37'% Marktanteil erwartet (Ausgewiesen wird der Wert '1.26'='4.37'/'3.48' auf der y-Achse.). Bei maximaler Werbung ist mit dem '1.34'-fachen ('4.67'/'3.48'), ohne Werbung ungefähr mit der Hälfte ('1.75'/'3.48') des Bezugsmarktanteils zu rechnen. Aus der in Abbildung 7.8 rechts dargestellten monoton fallenden Reaktionsfunktion zur Modellierung der Preisresponse ist abzulesen, daß beim Bezugspreis

7.3 Was muß man von der Methodik

201

wissen?

(Der Bezugswert '1.0' auf der x-Achse entspricht einem Preis von '0.746' G E / M E . ) der Bezugsmarktanteil (Der Bezugswert '1.0' auf der y-Achse entspricht dem schon bekannten Marktanteil von '3.48'%.) erreicht wird. Um den mittleren Marktpreis (Gemeint ist der Wert '0.97'='0.724'/'0.746' auf der x-Achse mit der Bezeichnung 'Bw rel.m.Mpreis/Bw rel.Preis' als Abkürzung für Bezugswert relativer mittlerer Marktpreis/Bezugswert relativer Preis.) gibt es einen akzeptierten Preisbereich (mit Radius '0.018'/'0.746'='0.024'), in dem eine niedrigere Elastizität (ausgedrückt durch die Steigung der Reaktionsfunktion) als außerhalb des akzeptierten Preisbereichs beobachtet werden kann. Man erkennt an den soeben beschriebenen Beispielen die Vorteile der B e n u t z u n g v o n Indizes u n d B e z u g s w e r t e n bei der computergestützten Darstellung von Reaktionsfunktionen. Unabhängig von den Maßstäben der verwendeten Größen können so funktionale Zusammenhänge verdeutlicht werden. In Abbildung 7.9 wird die Bestimmung des Wirkungsindexes für den Einfluß von Werbe-Aktivitäten auf den Marktanteil an einem Zahlenbeispiel demonstriert. Dieser Wirkungsindex wird im folgenden - zur Unterscheidung von anderen Wirkungsindizes (siehe etwa Abbildung 7.4) - auch mit W i r k u n g s i n d e x ( W e r b u n g ) bezeichnet. Dabei ist zum Verständnis der Berechnungen die Datengrundlage in Abbildung 7.5 und der in Abbildung 7.7 dargestellte (vermutete) Wirkungszusammenhang hinzuzuziehen: Kurzbezeichnung der skalaren/periodischen

skal. Wert

Größen

Index f ü r gegenwärtige Werbung Index für wirksame Werbung Index für Werberesponse Wirkungsindex

Abbildung

7.9:

1.00 1.00

Bestimmung

periodische Werte bzgl. Per.l Per.2 Per. 3 Per. 4 4.53 3.82 1.34 1.07

des

im Bereich 'BSP4'

0.72 1.34 1.21 1.10

3.06 2.72 1.34 1.14

0.54 0.98 0.98 1.11

Per. 5

(Einheit)

0.49 0.59 0.61 1.01

(Index) (Index) (Index) (Index)

Wirkurigsindcxes(Wcrbung) (ausschnittweise)

So kann z.B. in der ersten Periode ein Wert von '4.53' ( = ('1.00'-'1.00'-'1.958')/ ('1.00'-'1.00'-'0.432')) für den Index für gegenwärtige Werbung ermittelt werden. Bei '80.0'% als Wert für die Größe 'Anteil sofortige Bekanntheit' bzw. verbleibenden

'20.0'% für nicht sofortige Bekanntheit

(bezogen

auf den

In-

dex für wirksame Werbung der Vorperiode) ergibt dies einen Wert von '3.82' (='80.0'%-'4.53'+'20.0%'-'1.00') für den Index für wirksame Werbung. Hieraus kann

7

202

MARKETING-MIX

mittels Abbildung 7.8 ein Wert für den Index für Werberesponse von '1.34' bestimmt werden. Da nur '20.0'% der Werbewirkung innerhalb der aktuellen Periode zu einer Marktanteilsänderung führen können (Das besagt der Wert von '20.0'% für den 'Anteil sofortige Wirkung' in Abbildung 7.5.) bzw. die verbleibenden '80.0'% langfristig (bezogen auf den Wirkungsindex der Vorperiode) wirken, kann ein Wert von '1.07'(='20.0'%-'1.34'+'80.0'%-'1.00') für den Wirkungsindex in der ersten Periode errechnet werden. Insgesamt können so Werte für den Wirkungsindex bzgl. aller Perioden ermittelt werden. Die Auswirkungen mehrerer solcher Einflüsse auf zugehörige

Re-

aktions- bzw. Zielgrößen werden durch multiplikative Verknüpfung von Wirkungsindizes erfaßt. Deshalb bewirkt z.B. ein Wirkungsindex(Werbung) mit Wert '1.1' für Dezember und die zusätzliche Berücksichtigung eines Wirkungsindexes(Saisonalität) im Dezember mit dem früher bereits erwähnten Wert '1.3', daß das '1.1'-'1.3' = '1.43'-fache des Bezugswertes als Reaktion auf den Absatz im betrachteten Segment für den Beispielmonat Dezember angenommen wird. Die Einbeziehung einzelner Einflüsse auf Reaktionsgrößen kann so durch Hinzun a h m e / V e r n a c h l ä s s i g u n g einzelner Wirkungsindizes im zugrundeliegenden multiplikativen Modell berücksichtigt werden. Besondere Bedeutung innerhalb der hier vorgestellten aggregierten Reaktionsbeziehungen nimmt die Modellierung von Größen wie Marktanteil, A b s a t z und G e w i n n ein, da einerseits für diese Größen i.d.R. Vergangenheitsdaten zur Uberprüfung des gewählten Modells vorliegen und andererseits solche Größen auch zur B e w e r t u n g von Handlungsalternativen herangezogen werden können. Solche - besonders interessierenden - Submodelle des zugrundeliegenden aggregierten Reaktionsmodells können als Marktanteils-, Gewinn- und A b s a t z m o d e i l e Teilaspekte der zu beschreibenden Situation modellieren helfen. Unter Einbeziehung von Wirkungsindizes der angegegebenen Art (die Abweichungen von einem fiktiven "Normalzustand des Marktes" quantifizieren) und den Werten interessierender Größen im "Normalzustand des Marktes" (die sogenannte Bezugswerte darstellen) ist eine Bestimmung der periodischen Entwicklung zu untersuchender Phänomene (im Modell) leicht möglich. So wird - unter Berücksichtigung des Wirkungsindexes(Werbung) - in Periode 1 aufgrund der Werte aus den Abbildungen 7.5 und 7.9 ein Marktanteil von '3.723'% (='1.07'-'3.48') berechnet. Für den Absatz in Periode 1 bestimmt man - unter Berücksichtigung des Einflusses von 'Saisonalität' auf den Segmentabsatz (d.h. die Segmentabsatzquote ist mit der Anzahl der Konsumenten zu multiplizieren) - '1.34' Millionen ME ('3.723'%

7.3 Was muß man von der Methodik

wissen?

203

von '38.3' Mio. • '0.94' ME), während '1.396' Millionen ME (siehe Abbildung 7.5) beobachtet wurden.. Zusätzlich kann der Einfluß des Preises auf den Marktanteil (siehe die entsprechenden Daten in Abbildung 7.5) multiplikativ als Wirkungsindex(Preis) mit einbezogen werden würde. Darüber hinaus könnte der Gewinn über Preis, Stückkosten und Ausgaben für Marketing-Aktivitäten ermittelt werden. Man erkennt: Die Modellierung der Einflußgrößen geschieht auf eine einfache, nachvollziehbare Weise, wobei M o d e l l e n t w i c k l u n g und M o d e l l k o n t r o l l e (der Wirkungsindizes bzw. Submodelle) dadurch erleichtert werden, daß die einzelnen Modellparameter, wie z.B. die skalaren Größen der Reaktionsfunktionen (u.a. Marktanteil ohne Werbung, Marktanteil mit max. Werbung) oder zeitliche Einflußgrößen (Anteil sofortige Bekanntheit), inhaltlich zugänglich sind. Nachdem als wichtig erachtete Einflüsse in die Modellierung einbezogen worden sind, kann die A n p a s s u n g s g ü t e des entwickelten M o d e l l s überprüft werden, indem m a n kontrolliert, ob das Modell in der Lage ist, aus der Vergangenheit bekannte Daten zu Absatz oder Marktanteil zu reproduzieren. Ahnlich wie in Kapitel 6 dienen auch hier wieder graphische G e g e n ü b e r s t e l l u n g e n von (mit dem Modell) p r o g n o s t i z i e r t e n und (in der Vergangenheit) b e o b a c h t e t e n W e r t e n dazu, die Modellanpassung zu bewerten. Zusätzlich können d e s k r i p t i v e Maße, wie die in Abschnitt 6.3 bereits erläuterten Begriffe erklärte V a r i a n z / B e s t i m m t h e i t s m a ß , Korrelationskoeffizient, Theil'scher U n g l e i c h h e i t s k o e f f i z i e n t und T e n d e n z w e n d e p r o g n o s e , Hinweise auf die Prognosegüte geben. Weisen die deskriptiven Maße auf eine nicht zufriedenstellende Anpassung hin, so ist bei Decision-Calculus-Ansätzen der in diesem Kapitel beschriebenen Art aufgrund der großen Parameteranzahl und der (relativ) wenigen Beobachtungsdaten folgendes Vorgehen anzuraten: Eine o b j e k t i v e P a r a m e t e r s c h ä t z u n g zur Modellkalibrierung ist i . d . R . nicht möglich. Stattdessen werden üblicherweise Personen mit entsprechender Marktkenntnis - z.B. (Produkt-)Manager - aufgefordert, die in der Datengrundlage enthaltenen Vermutungen über Wirkungszusammenhänge zu überprüfen:

• Sind bei den berücksichtigten Marketing-Aktivitäten oder Umwelteinflüssen z.B. die zeitlichen Effekte oder die Stärke der Wirkung falsch eingeschätzt worden? • Wurden wichtige Marketing-Aktivitäten oder Umwelteinflüssen nicht berücksichtigt?

204

7

MARKETING-MIX

Graphische Darstellungen von Reaktionsfunktionen

und von zeitlichen

Entwicklungen der beobachteten D a t e n , der Marketing-Plan-Daten und der bisher durch das Modell prognostizierten Wirkungsindizes unterstützen hierbei die Uberprüfung der Anpassungsgüte. Eventuell sind geeignete Änderungen bei Daten und Modellparametern vorzunehmen. Danach ist erneut zu überprüfen, ob das Modell die beobachteten Daten nun "besser" reproduziert. Man nennt diese Art einer Modellkalibrierung, bei der subjektive Einschätzungen von Marktgegebenheiten durch (Produkt-)Manager verstärkt einbezogen werden, eine subjektive Parameterschätzung. Im Anwendungsbeispiel 7.5.1 wird hierauf nochmals eingegangen. Für eine ausführlichere Diskussion von Möglichkeiten und Problemen bei subjektiver und objektiver Parameterschätzung sei z.B. auf Naert, Weverbergh (1982) bzw. Gaul, Both (1990, S.184ff) verwiesen.

7.4

W i e kann das A n w e n d u n g s m o d u l bedient werden?

Wie in den entsprechenden Abschnitten zur Handhabung der zugehörigen Anwendungsmodule der Kapitel aus Teil II werden im folgenden einige Benutzerhinweise zur Bedienung des Anwendungsmoduls 'Marketing-Mix' gegeben, in das man ausgehend vom Start-Screen des M.ÄRJC2M. AA/*-Systems durch Betätigung der Taste F l (Anwendungswahl), Auswahl von 'Marketing-Mix' mittels Cursor und Bestätigung dieser Entscheidung über die Teiste Return gelangt. Abbildung 7.10 gibt ausschnittweise die Struktur dieses Anwendungsmoduls wieder (siehe auch die Erläuterungen zu den Abbildungen 2.1, 3.7, 4.5, 5.7 und 6.4). In der D a t e n b a n k werden die in Abschnitt 7.2 bzw. in den Abbildungen 7.3 und 7.4 beschriebenen skalaren und periodischen Größen, durch die Daten und Informationen zu Wirkungszusammenhängen, Daten zum Marketing-Plan sowie zu Kenngrößen wie Absatz und Marktanteil erfaßt werden können, abgespeichert. Für den Bereich 'BSP4' wurden in Abschnitt 7.2 bereits beispielhaft wichtige Teile der Datengrundlage erläutert. Die Modellbank umfaßt die angesprochenen Marktanteils-, Absatz- und Gewinnmodelle als Submodelle des in Abschnitt 7.3 vorgestellten aggregierten Reaktionsmodells, mit denen "Was wäre wenn?"-Analysen durchgeführt werden können und zu deren Parametrisierung auf die Datenbank zurückgegriffen werden kann. In der M e t h o d e n b a n k werden die entsprechenden Modellierungshilfsmittel für die Marktanteils-, Absatz- und Gewinnmodellierung vorgehalten, die eingesetzt wer-

7.4 Wie kann das Anwendungsmodul

bedient

Benutzerschnittstelle

werden?

Methodenbank Methoden zur Marktanteils-, Absatzund Gewinn modellierung (Oecision-Caleulus-Modellierung)

Aktivierung einer Marktanteils». Abtatz- und Gewinnprognote |F3|F*|FS|

Aktivierung einer Marktanteils-, Absatz- und Gewinnprognose bei

^ ^

g e l n d e r t e m Marketing-Plan

[FS]

Aktivierung einer GOtebeudeilung von Marktanteils- und Absatzmodellen

0

Aktivierung der Oatenverwaltung

R51

Daten und Informationen zu Wirkungszusammenhlngert

Marktanteilsmodelle

Daten zum Marketing-Plan

Absatz- und Gewinnmodelle

Daten zu Absatz und Marktanteil

Modellbank

Abbildung

7.10:

Datenbank

Struktur

des Anwendungsmoduls

in MA1lK2MANr

'Marketing-Mix'

(ausschnittweise)

7

206

MARKETING-MIX

den, um aus den Daten und Informationen zu Wirkungszusammenhängen in der Datenbank Reaktionsfunktionen - evtl. unter Einbeziehung von verzögerten Wirkungen - abzuleiten. Auf Methoden zur automatischen Modellanpassung, wie sie z.B. im Rahmen der Logitmodellierung in Kapitel 6 vorgestellt wurden, kann aus den in Abschnitt 7.3 genannten Gründen nicht zugegriffen werden. Die B e n u t z e r s c h n i t t s t e l l e verfügt neben den in A4A71IC2MAN

durchgängig

bereitgestellten und schon früher erläuterten Funktionstasten zur Bereichswahl ( F l ), zur Datenein-/ausgabe ( F2 ), zur Aktivierung der Hilfestellung ( F10 ) und zum Verlassen des Anwendungsmoduls ( Esc ) über weitere Funktionstasten zur Ak tivierung von Managementhilfen (Die Funktionstastenbelegungen sind dabei - wie auch bereits in früheren Kapiteln erläutert - der Bedeutung einzelner Arbeitsschritte beim jeweils zugrundeliegenden Anwendungsmodul angepaßt.): • Mittels | F3 |(Spez) kann eine M o d e l l s p e z i f i z i e r u n g erfolgen. Als Hilfe wird zunächst ein Uberblick über die bei den Modellierungen einbeziehbaren Einflüsse und Submodelle graphisch ausgegeben. Einbeziehbar heißt in diesem Fall, daß der entsprechende Einfluß bzw. das in Frage kommende Submodell im aggregierten Reaktionsmodell berücksichtigt wird und daß die zugehörigen Daten (z.B. zur Ausgabenquote bei der Werbung) in der Datengrundlage enthalten sind. Danach erscheint - wie im Anwendungsmodul 'Auswahl' - ein Modellspezifizierungsfenster, in dem eine editierbare Tabelle mit Wahlmöglichkeiten für die Zeilenobjekte wiedergegeben wird. Soll ein Einfluß oder ein Submodell in der Modellspezifikation Berücksichtigung finden, muß eine Markierung (durch Eintragen einer '1') erfolgen. Eine Markierung kann wieder gelöscht werden (durch Eintragen von ' ', also eines fehlenden Wertes). Nach Abschluß der Modellspezifizierung kann dann das Modellspezifizierungsfenster durch Drücken der Taste Return verlassen werden. Die gewählte Modellspezifikation wird anschließend in der Modellbank abgespeichert. Über

F4 |(Kalib) kann eine Modellkalibrierung aktiviert werden. Liegen

Beobachtungsdaten zu Marktanteil und/oder Absatz vor, werden zur Uberprüfung der Modellanpassung zunächst - unter Berücksichtigung der aktuellen Modellspezifikation - entsprechende Werte unter Rückgriff auf die Methodenbank berechnet und den Beobachtungsdaten tabellarisch gegenübergestellt. Mit Hilfe deskriptiver Maße wird dann die Modellanpassung bewertet. Bei nicht zufriedenstellender Modellanpassung erscheint die Meldung 'Modell wird abgelehnt. Erklaerte Varianz ist zu gering!'. Dann ist mittels er-

7.5

Anwendungsbeispiele

207

neuter Modellspezifikation (| F3 |(Spez)) oder Veränderung der Datengrundlage (| F2 ¡(Daten)) sowie mittels erneuter Kalibrierung (| F4 |(Kalib)) nach Verbesserungen der Modellanpassung zu suchen, bis diese Meldung nicht mehr erscheint (siehe die Bemerkungen zur subjektiven Parameterschätzung in Abschnitt 7.3 oder das Anwendungsbeispiel in Abschnitt 7.5.1). Durch Betätigen von | F5 |(Progn) können M a r k t a n t e i l s - , A b s a t z - u n d G e winnprognosen

aktiviert bzw. bereits durchgeführte Prognosen abgerufen

werden. Es stehen graphische und tabellarische Ausgaben zur Verfügung (siehe Abbildung 7.2 für ein erstes Beispiel). Bei geändertem Marketing-Plan (bei mittels | F2 |(Daten) durchgeführten Änderungen) können die Auswirkungen auf die Prognosewerte ermittelt werden und zugehörige Veränderungen bei den Beurteilungen von Handlungsalternativen untersucht werden. Mittels

F6 (Guete) wird eine G ü t e b e u r t e i l u n g gestartet. Liegen Beob-

achtungsdaten aus der Vergangenheit vor, so kann durch Gegenüberstellungen von beobachteten und prognostizierten Werten die Genauigkeit bzw. Vollständigkeit der Marktanteils- und Absatzmodelle kontrolliert werden. Hierzu stehen graphische und tabellarische Ausgaben zur Verfügung. Darüber hinaus geben die Werte der verwendeten deskriptiven Beurteilungskriterien (z.B. erklärte Varianz, Korrelationskoeffizient, Theil'scher Ungleichheitskoeffizient und Tendenzwendeprognose, siehe Abschnitt 6.3 für Erläuterungen) zusätzliche Hilfe bei der Beurteilung der Anpassungsgüte. Mittels |F7~1(A nal) kann eine graphische A n a l y s e initiiert werden, bei der jeweils zwei periodische Größen gemeinsam in einem Liniendiagramm dargestellt werden können. Nach Betätigen dieser Taste wird ein Wahlmenü ausgegeben, in dem die interessierenden periodischen Größen ausgewählt werden können. Durch Drücken der Taste | Return wird jeweils die Wahl bestätigt. Weitere Hinweise zur Bedienung des Anwendungsmoduls 'Marketing-Mix' kann man den im nächsten Abschnitt beschriebenen Anwendungsbeispielen entnehmen.

7.5

Anwendungsbeispiele

Im folgenden werden zwei Anwendungsbeispiele zur Absatz-Modellierung mittels des Anwendungsmoduls 'Marketing-Mix' des MARK,2MAV-Systems

erläutert.

Es handelt sich einerseits um eine Problemstellung, die in diesem Kapitel unter

7

208

MARKETING-MIX

der Bezeichnung 'BSP4' bereits zur Motivation und Erläuterung benötigter Datengrundlagen und möglicher Marketing-Mix-Auswertungen herangezogen wurde, andererseits um eine aus der Literatur bestens bekannte Marketing-Mix-Situation, die bei der Vorstellung von BRANDAID (Little (1974, 1975)) ausführlich erörtert wurde. Die Beispiel-Daten sind im Kapitel 11 zusammenfassend dargestellt. In diesem Abschnitt wird nur auf Anwendungsaspekte im Rahmen einer subjektiven Parameterschätzung und einer Bewertung von Handlungsalternativen eingegangen.

7.5.1

S u b j e k t i v e P a r a m e t e r s c h ä t z u n g i m Bereich ' B S P 4 '

Anhand dieses Beispiels soll verdeutlicht werden, wie Absatzmodeile mit dem Anwendungsmodul 'Marketing-Mix' des A4AR.K,2A4AJ\iSystems

kalibriert werden

können. Die hierzu verwendete Datengrundlage des Bereichs 'BSP4' enthält Informationen über das Produkt eines Herstellers, mit dem er in einem fiktiven "Normalzustand des Marktes" bei einem Segment mit '38.3' Millionen potentiellen Konsumenten und einer durchschnittlichen Segmentabsatzquote von '0.94' M E pro Konsument und Periode einen mengenmäßigen Marktanteil von '3.48'% hält. Es liegen Beobachtungsdaten aus der Vergangenheit zum periodischen Absatz (bzgl. der Perioden ' P e r . l ' bis 'Per.18') und über Wirkungszusammenhänge der Einflußgröße 'Werbung' (bzgl. der Perioden 'Per.l' bis 'Per.18') vor. Für 'Preis' und 'Saisonalität' sind neben den Vergangenheitsdaten (bzgl. der Perioden ' P e r . l ' bis 'Per.18') noch zusätzliche Informationen über den zukünftig erwarteten Verlauf für diese Einflußgrößen

(bzgl. der Perioden 'Per.19' bis 'Per.24') vorhanden. Vom Start-Screen

des M.ÄRK. 2 M A/V-Systems ausgehend ist man mittels | F l l(Anwendungswahl) bereits ins interessierende Anwendungsmodul 'Marketing-Mix' gelangt und hat dort 'BSP4' nach Drücken von F l ¡(Bereich) ausgewählt. Nun soll ein Absatzmodell kalibriert werden, mit dem dann zukünftige Handlungsalternativen beurteilt werden können. Zunächst wird mittels Betätigen der Taste | F3 l(Spez) eine Modellspezifizierung aktiviert. Abbildung 7.11 gibt den Bildschirminhalt wieder. Im rechten oberen Teil des Bildschirms ist eine Ubersicht dargestellt, aus der zu erkennen ist, daß die Einflüsse 'Werbung', 'Preis' und 'Saisonalität' in das Absatzmodell einbeziehbar sind. Bzgl. 'Werbung' liegen Informationen bis zur 18.Periode vor, bzgl. 'Preis' und 'Saisonalität' hat man Werte bis zur 24.Periode. Gleichzeitig ist in der linken oberen Ecke des zugehörigen Bildschirms ein Modellspezifizierungsfenster erschienen, in dem m a n die drei Einflüsse durch Eintragen einer '1' in der entsprechenden Zeile be-

7.5

209

Anwendungsbeispiele

reits als in die Auswertung einzubeziehend kenntlich gemacht hat. Durch Betätigen der Taste [ F 4 ] ( K a l i b ) wird eine Modellkalibrierung aktiviert. Mittels Rückgriffen auf Daten-, Modell- und Methodenbank

Market irm-Mix Mode 1 l s p e z l f

BSP4-Bereich

sammelt das M Ä R K . 2 M „ 4 j V - S y s t e m In-

H j W * j f iT i q r u n g verfuegbare

ikat

Datengrundlagen

Uerbunq [I 11111111111111111 Uertretereinsatz [ ' ' Preis | Uer k auf s f oer de r ung Produktionskapazität Konk \x r enz-Uer bung Konk ur renz-Pr e i s Kontur renz-Uer kauf sf oer der ung Konk ur r enz-Uer t r et er e i nsat z Konk urrenz-Produktqual i t a e t Einzelhandel s v e r f u e g b a r k e i t Produktqual i t a e t Sortirientsgestaltung Uer pack ungsgest a l t ung

Uertretereinsatz U e r k a u f s f o e r d e rung Produkt ionskapazitaet Konkurrenz E i n z a 1 h a n d a 1 c u a r f u a g b a rk a i t Produktqualitaet Sort inentsgestalHin^ Uerpack u n g s g e s t a11ung Saisonalitaet

Trend Saisonal i t a e t

DSP4 Marktanteil(B>

FIO

Abbildung

7.11:

Modellspezifizierung

im Bereich 'BSP4':

Modellspezifizierungsfenster

3 • 48Q1 D •944 1

I |

t * •»—Fe l d w a h 1 R e t u r n

ESC

links oben ist ein

und rechts oben ein

Uberblicks-

fenster zu sehen; rechts unten sind globale Bezugsdaten fiktiven

"Normalzustand

des Marktes"

im

dargestellt

formationen für eine Modellanpassung. Prognostizierte und beobachtete Absatzzahlen für die Perioden ' P e r . l ' bis 'Per.18 1 können tabellarisch gegenübergestellt werden, der Wert eines deskriptiven Maßes zur Beurteilung der Modellanpassung (Die erklärte Varianz hat im vorliegenden Fall den Wert '69.724'%.) wird benutzt, um über den Erfolg der Modellanpassung zu entscheiden. Liegt dieser Wert unter einem von den Autoren vorgegebenen Schwellenwert, erscheint die Meldung 'Modell wird abgelehnt. Erklaerte Varianz ist zu gering!'.

210

7

MARKETING-MIX

Im vorliegenden Fall kann bei der aktuell gewählten Modellspezifikation bzw. bei aktueller Datengrundlage das Absatzmodell an die beobachteten Absatzdaten nicht angepaßt werden. Es müssen daher die Modellspezifikation oder die in den Datengrundlagen gegebenen Daten und Informationen über Wirkungszusammenhänge überprüft werden. Um sich mehr Klarheit über die aktuelle Situation bei der Modellanpassung zu verschaffen, wird mittels | F5 |(Progn) eine Prognose (der sich so ergebende Screen war bereits in Abbildung 7.2 gezeigt worden) und anschließend mittels | F6 |(Guete) eine umfangreichere Gütebeurteilung aktiviert. Prognostizierte und beobachtete Absatzzahlen werden graphisch gegenübergestellt, weitere deskriptive Maße werden - zusätzlich zur bereits bekannten Meldung, daß das Modell bei der gewählten Modellspezifikation abgelehnt wird - ausgegeben. Abbildung 7.12 gibt den so erhaltenen Bildschirminhalt wieder.

Abbildung

7.12:

Gütebeurteilung

eines Absatzmodells

im Bereich

'BSP4'

Man erkennt aus der graphischen Darstellung, daß der Absatz durch das Modell

7.5

211

Anwendungsbeispiele

in den ersten Perioden eher überbewertet und in den letzten Perioden eher unterbewertet wird. Wenn man vermutet, daß diese Fehlbewertungen aufgrund einer falschen Einschätzung des Einflusses der Größe 'Preis' auf die Größe 'Marktanteil' erfolgt sind, kann mittels | F7 |(Anal) dieser möglichen Fehlbeurteilung auf den Grund gegangen werden: Nach Betätigen der Taste erscheint ein Wahlmenü, durch das jeweils zwei periodische Größen gemeinsam in einem Liniendiagramm dargestellt werden können. Wird als erste Größe die periodisch beobachtete Größe 'Preis' (Wahlpunkt 'Marketing-Plan-Daten' und Wahlunterpunkt 'Preis'), und als zweite Größe die periodisch prognostizierte Größe Wirkungsindex(Preis) (Wahlpunkt 'Wirkungsindizes' und Wahlunterpunkt 'Preis') ausgewählt (und jeweils durch Drücken der Taste Return nach Wahl bestätigt), so ergibt sich ein Bildschirminhalt, wie er in Abbildung 7.13 zu sehen ist. Harketinq-Hix

BXP4-flereich

Dialyse

: : : : : : : : : : : : : : i i ; i i ........................... ............... ..... r

i i !

r

i.Abs. .000 14S3 .660 1512 .OOO 1433 . OOO 1245 • OOO

12 13 14 16 1« 17 18 19 2 0 21 2 2 2 3 2 4

Beobatfit uigsdat en

1-Husuahl RETURN-Heiter F&» F7^ FlO ESC Abbildung

7.13:

Analyse des Einflusses von 'Preis' auf 'Marktanteil' Bereich 'BSP4': graphische Darstellung des Preises und des

der

im

Entwicklung

Wirkungsindexes(Preis)

Man erkennt: Die Größe 'Preis' zeigt eine Wirkung, die vielleicht mit der Fehl-

7

212

MARKETING-MIX

beurteilung des Modells zusammenhängt: In den ersten Perioden 'Per.l' bis 'Per.7' nimmt der Wirkungsindex(Preis) höhere Werte, in den Perioden 'Per.8' bis 'Per.18' niedrigere Werte an. Das stützt die Vermutung, daß die Wirkungsstärke des Preises bei niedrigen bzw. bei hohen Preisen vielleicht überschätzt wird. Eine Korrektur der aktuellen Reaktionsfunktion (siehe Abbildung 7.8 rechts) könnte hier Abhilfe schaffen.

»en rjm innjnr

»n(GE/ME > TT5S5 Ò.4é3

0.95

Marketing-Hix BSP4-Bereich Paten zur Preisgestaltung Index fu »r Preisresponse l.B i 1 i i 1.25 i 1 ^^^^ i Bezugsuert ii 11 i 1 0.75 i t1 i 111.MPre is CGE/ME> tueckkos i ffTTg c Bezugsuert a.tiè i.Mpreis/6u rei. Preis Inde x relativer Preis —UO . UU" Per • Per. Q.733 O .721 0.250' Per • O .732 0.981 Per . 0.9S1 O .744 0- 1 2 Per . O .751 Per. -Uirk. inde) Par. (Index) Per, 0.761 O .741 K fl.ffi TTY5T 7TT O .731 Ö.7S7 O .757 O .731

0.463 Ö.463 Ö.4Ä3 O .463 0.463 ö .4é3 O .463

i CJ.JI1USB Per.19 Per.SÖ

(B>(GE/MEJ |»ittl.rtPreU HE> des aP O. Elast iz. untarh.das aP(nX/GEX) (K Elast iz . In jP M i rk sank eitsindex< B> Ausg. (GE/lOOOKons./Par.5 Anteil sof. BekannthaitOO Antei1 sof. Mirkung(X) n ohne Herbung n(X> «it nax, Herbung n(X > n i t Erha11 ungsuerbung « C O nit 30X Mehr Herbung Index fuer ulrksana Merbung(B) M i rkungs index

i.BAA 1 .OOO 1.900 90.OOO 90.OOO

ö.mo S.2S ö

1 .860 1.9SO l.OOO l.OOO

[Fl-Bereich F2-Daten F3-Soez F4-Kal ib FS-Pragn F6-Guete F7-Anal FlO ESC

Abbildung

7.16:

Daten und Annahmen

zum Einfluß der

Werbung auf den Marktanteil

im Bereich

1

Marketing-Aktivität 'GR00VY1'

nen Zeitreihen zur Entwicklung von Streuwirkung und Wirksamkeit des Mediums und zu entsprechenden Ausgaben angegeben werden. Neben entsprechenden Bezugswerten liegen Annahmen zu Verzögerungswirkungen bei der Werbung (Anteil sofortige Bekanntheit, Anteil sofortige Wirksamkeit) und Vermutungen zum Einfluß der Werbung auf den Marktanteil vor. MA1ZtC 2 MAAf ermittelt aus diesen Informationen eine konkave Reaktionsfunktion, wie es die Darstellung im Fenster in der linken oberen Ecke von Abbildung 7.16 zeigt, in der ein Index für wirksame Werbung in Bezug zu einem (Marktanteils-)Index für Werberesponse gesetzt wird.

216

7

MARKETING-MIX

Einen Überblick über die gesamte, verfügbare Datengrundlage erhält man, wenn m a n mittels [F3~l(Spez) eine Modellspezifizierung aktiviert. Abbildung 7.17 gibt den Bildschirminhalt nach Drücken von F3 und Wahl von 'Modifikation' wieder. Es liegen Daten und Annahmen zu den Einflüssen von Werbung, Preis, Verkaufsförderung, Trend und Saisonalität auf die Marketing-Mix-Modellierung vor. Zur weiteren Modellkalibrierung wurde bereits die Einbeziehung aller verfügbaren Daten in das Modell (durch Eintragen einer '1' in der entsprechenden Zeile des Modellspezifizierungsfensters) veranlaßt. Mart.tina-Hl» QRQQUVl-Qereich Hödel ispez if iz ierunn verfuegbare Da t eng rxy*d lagen Mode 11 soez if ik at Uerbcrtg Uertr«tereinsät z Hart r i t T t i n s a t z Preis Praia •Jerk auf si oer der ung Pr odufc t ionsk apazi t aet Uark auf» foerderung Konk ur r enz-Uer txjtg P rodukt i onskapaz i t aet Konkurrenz-Preis Konk urrenz Konkurrenz-Uerkaufsfoerderirig K o n k ix r enz-Uer t r et er ei nsat z E i nia1banda1tvarfuagbar k a i t Konk ur r enz-Pr oduk t qual i t aet Produktqualitaet Eli nzel Handel sver 4 uegbar kei t Pr oduk t qual i t aet Sort iwant»gasta1tung Sor t i nent sges t al t ung Uerpackungsgesta11 ung Uer pack ungsgest al t mg Saisonalltaat Trend Sai sonai it aet Per.12 1.ÖÖA i.Oflö Per.13 i . AAA l.ßöfl T T rrr Par.17 Par.18 Per.19 Per.20 Per.21 Per.22 Per.23

St reuwirk ungaindex< B > 14 i rk sank e i t s i ndex < B > Ausg.(B) Anta!1 sof. Bekanntheit Anteil sof. MirkungOO «(VC) oKne Uerbung 0.04Ú r» »it wax. Werbung S.èéò rt Kauf T75T KT7T nes A.AM Per. 2 23.512 ? .716 0.971 Per . 3 31.653 13 .816 3.841 Per . 4 32.912 IS.982 7.341 Per. 3 61.197 22.420 10.439 Per. 6 66 .375 24.569 12.663 14.0£4 Per. 7 £9.¿10 25.911 25.274 Per. S TO. 054 14.940 15.265 Per. 9 70.534 26.443 26.396 Per.lO 70.933 13.386 Per.11 71.300 26.733 13.477 Per.12 71.632 26.862 15.560 Fl-Bereich F2-Daten F3-Kal ifc» F4-Prinn FS-Guete FS-Hnal FlO ESC Abbildung

8.2:

Neuprodukt-Erfolgsprognose formationen

Testmarkt-In-

im Bereich 'BSP5'; links oben sind graphisch

(prognostizierten)

Entwicklungen

Wiederkäuferanteils(%) zierten) Entwicklungen

des Käuferanteils(%)

für das Neuprodukt

unten (teilweise verdeckt) kauf(kum%),

auf der Basis von

2.082 ¿.¿05 9.736 11.617 11.986 11.782 11.351 10.371 9.755 9.239 8.827 8.432

angegeben,

werden tabellarisch die

die

und des rechts

(prognosti-

von Größen wie Bekanntheit(%),

Wiederkauf(kum%)

und Kauf(%)

Erst-

dargestellt

erwarteten Rückgang in den Verkaufszahlen gewonnen werden: Aufgrund der Modellierungsannahmen werden nach 12 Perioden 26.862% der potentiellen Nachfrager im Testmarkt das Neuprodukt bereits probiert und 15.560% das Neuprodukt schon mindestens zweimal gekauft haben (Dieser Anteil umfaßt neben Nachfragern, die in der aktuellen Periode Wiederkäufe tätigen - den eigentlichen Wiederkäufern in einer aktuellen Periode (in der Einheit % bewertet) - auch solche Nachfrager, die sich nach Wiederkäufen in der Vergangenheit nicht für weitere Wiederkäufe entscheiden konnten.). Zum genannten Zeitpunkt (nach 12 Perioden) werden 71.632% Kenntnis vom

8.2 Welche Datengrundlage

wird

benötigt?

225

Neuprodukt haben und 8.432% das Neuprodukt auch tatsächlich kaufen. Weitere im Rahmen einer Neuprodukt-Erfolgsprognose interessierende diagnostische Informationen - etwa über Einflüsse der Verkaufsförderung, des Preises des Neuprodukts, über Auswirkungen von Behalten und Vergessen von Werbebotschaften sowie über Erstkauf- und Wiederkaufraten - könnten das Bild von den Erfolgschancen des Neuprodukts noch abrunden bzw. Hinweise auf kritische Problembereiche verstärken bzw. relativieren. All das bezieht sich aber auf eine Problematik, die bei Modellierungen solcher Situationen nur allzu bekannt ist: Welche Informationen können mit welchem Aufwand erhoben werden und wie wird die vorhandene Datengrundlage durch die zur Anwendung gelangten Modelle berücksichtigt bzw. weiterverarbeitet? }AATLK?M.AM

stellt zur Behandlung von Fragestellungen, die auf Basis von

Informationen aus Testmärkten nach Antworten suchen, die Anwendungsmodule 'Testmarkt 1' und 'Testmarkt 2' zur Verfügung. Wie in den bisherigen Kapiteln wird auch in diesem Kapitel im folgenden Abschnitt 8.2 zunächst auf die bereitzustellende Datengrundlage eingegangen, bevor Erläuterungen zur Methodik in Abschnitt 8.3 folgen. Die Bedienung der Anwendungsmodule wird nach in früheren Kapiteln bewährtem Muster in Abschnitt 8.4 dargestellt. Zum weiteren Vertrautwerden mit den Anwendungsmodulen dienen wieder zusätzliche Anwendungsbeispiele, die in Abschnitt 8.5 beschrieben werden.

8.2

Welche Datengrundlage wird b e n ö t i g t ?

Die Durchführung regionaler Markttests gilt bis heute aufgrund der großen Realitätsnähe als eine der zuverlässigsten Möglichkeiten, Informationen zur Erstellung einer Neuprodukt-Erfolgsprognose zu gewinnen. Im Rahmen eines Feldexperiments, das in einem regional begrenzten Teilgebiet des Gesamtmarktes mit bestimmten Repräsentanzanforderungen unter weitgehend kontrollierten Bedingungen durchgeführt wird, erfolgt i.d.R. ein probeweiser Absatz des Neuprodukts (Stoffels (1989), S.19). Begleitend zu diesem probeweisen Absatz müssen dann bei einer repräsentativen Stichprobe (potentieller) Nachfrager im Testmarkt (im folgenden kurz als B e f r a g t e bezeichnet), z.B. über ein Verbraucher-Panel oder mittels B e f r a g u n g s w e l l e n bei der ausgewählten Stichprobe, periodisch Daten zur Erfassung des Durchdringungsprozesses des Neuprodukts erhoben werden. Als günstig hat sich hierbei eine Periodenlänge entsprechend der zu erwartenden durchschnittlichen Verbrauchsdauer des jeweiligen Neuprodukts erwiesen, da Veränderungen in der Produkterfahrung

226

8

TESTMARKT

bei den Befragten sich dann in den periodischen Daten widerspiegeln. Außerdem sind eventuell (z.B. bei variierender Preisgestaltung oder Werbeintensität) entsprechende periodische Marketing-Plan-Daten aufzuzeichnen. Periodisch beobachtete T e s t m a r k t - D a t e n , wie sie in Abbildung 8.3 beispielhaft für den aus Abschnitt 8.1 bereits bekannten Bereich 'BSP5' dargestellt sind, umfassen Informationen zur Bekanntheit, zum Erstkauf, zum Wiederkauf und zum Kauf bzgl. des in Frage kommenden Neuprodukts. Kurzbezeichnung Bedeutung

Bekanntheit(%) Anteil der Betragten, die bereits Kenntnis vom Neuprodukt erlangt haben

Erstkauf(kum%) Anteil der Beiragten, die das Neuprodukt bereits mindestens einmal gekauft haben

Wiederkauf(kum%) Anteil der Betragten, die das Neuprodukt bereits mindestens zweimal gekauft haben

Wert Wert Wert Wert

6.7% 23.5% 39.6% 52.9%

2.2% 8.1% 13.8% 18.8%

0.0% 1.2% 4.2% 7.2%

in Per.l in Per. 2 in Per.3 in Per.4

Abbildung

8.3: Periodisch erhobene Testmarkt-Daten

Kauf(%) Anteil der Beiragten, die das Neuprodukt in der aktuellen Periode gekauft haben 2.2% 7.1% 9.8% 11.5%

im Bereich

'BSP5'

Man beachte dabei den Unterschied zwischen den für die ersten vier Perioden erhobenen Daten gemäß Abbildung 8.3 und den auf dieser Datengrundlage prognostizierten Entwicklungen, wie sie in Abbildung 8.2 wiedergegeben werden. Offensichtlich scheint im vorliegenden Fall die Modellanpassung gut gelungen zu sein. Hinzu kommen Marketing-Plan-Daten, wie sie - wiederum beispielhaft für den Bereich 'BSP5' - in Abbildung 8.4 wiedergegeben sind. Sie umfassen periodische Daten zur Entwicklung (potentieller) die Marktdurchdringung beeinflussender Größen wie W e r b u n g (gemessen über Gross Rating Points (GRP)) und Preis (gemessen als relativer Preisindex). Darüber hinaus sind i.d.R. weitere Kenngrößen zum Testmarkt, wie z.B. die Testmarkt-Größe (Anzahl potentieller Nachfrager im Testmarkt), zu erfassen, um eine Neuprodukt-Erfolgsprognose bzw. Hochrechnungen auf den Gesamtmarkt erstellen zu können. Da solche Teile der Datengrundlage jedoch in engem Zusammenhang mit der Methodik der Testmarkt-Modellierung stehen, werden Aussagen zur Bereitstellung bzw. Schätzung sowie zur Bedeutung hierbei benötigter Daten erst im Zusammenhang mit den entsprechenden Testmarkt-Modellen im nächsten Abschnitt 8.3 behandelt.

8.3 Was muß man von der Methodik Kurzbezeichnung Bedeutung

Wert Weri Wert Wert Wert Wert Wert Wert Wert Wert Wert Wert

Abbildung

8.3

n n n n n n n n n n n n

Per.l Per. 3 Per.3 Per.4 Per. 5 Per. 6 Per.l Per. 8 Per. 9 Per. 10 Per. 11 Per. IS

227

wissen?

relativer Preis Werbung durchschnittliche Anzahl Index, der angibt, wie sich der Preis des N e u p r o d u k t s im an Werbekontakten Verhältnis zum mittleren Preis der entsprechenden Produktkategorie entwickelt '200 600 800 1000 1000 1000 1000 200 200 200 200 200

(JHP GRP CRP (JHP GRP GHP GRP GHP GHP GHP GHP GHP

1 1 1 1 1 1 1 1 1 1 1 1

8.4: Periodische Marketing-Plan-Daten

im Bereich

'BSP5'

Was muß man von der M e t h o d i k wissen?

Für die Aufbereitung und Analyse der zuvor exemplarisch beschriebenen Datengrundlagen aus Testmärkten steht - u.a. - die Methodik der TestmarktModellierung zur Verfügung. Kennzeichen vieler hierbei Verwendung findender Testmarkt-Modelle ist, daß der Durchdringungsprozeß im Testmarkt über Wanderungsbewegungen von (potentiellen) Nachfragern zwischen verschiedenen Nachfragerklassen modelliert wird. Abbildung 8.5 gibt ein Beispiel, wie typischerweise zu berücksichtigende Nachfragerklassen (Rechtecke mit durchgezogenem Rand) und mögliche U b e r g ä n g e z w i s c h e n N a c h f r a g e r k l a s s e n (fette Pfeile) sowie M a r k e t i n g - E i n f l u ß f a k t o r e n und t y p i s c h e T e s t m a r k t - D a t e n (jeweils Rechtecke mit gestricheltem Rand) modellmäßig erfaßt werden können. Den Ausgangspunkt bildet die Klasse u n i n f o r m i e r t e r ( p o t e n t i e l l e r ) N a c h frager, die vor der Neuprodukt-Einführung im Testmarkt bzw. dem Markttest i.d.R. alle potentiellen Nachfrager des gewählten Testgebietes umfassen dürfte. Durch Marketing-Aktivitäten werden nach einiger Zeit einzelne Nachfrager Kenntnis vom Neuprodukt erlangen und damit in die B e k a n n t h e i t s k i a s s e wechseln. Nachdem Kenntnis über das Neuprodukt vorliegt, werden sich wiederum einige Nachfrager für einen Kauf des Neuprodukts entscheiden (Ubergang in die Erstkäuferklasse), während andere sich (endgültig) entschließen, das Neuprodukt nicht zu kaufen (Übergang in die Nichtkäuferklasse 1). Einige Nachfrager der Erstkäuferklasse werden nach Sammeln entsprechender Produkterfahrung das Neu-

8

228

Abbildung

8.5:

Nachfragerklassen beim (typische Sicht bei der

TESTMARKT

Neuprodukt-Einführungsprozeß Testmarkt-Modellierung)

8.3 Was muß man von der Methodik

229

wissen ?

produkt erneut kaufen (Übergang in die entsprechenden W i e d e r k ä u f e r k l a s s e n ) , während andere zu keinem weiteren Kauf mehr bereit sind (Übergang in die entsprechenden Nichtkäuferklassen). Darüber hinaus sind in Abbildung 8.5 in der linken Spalte (potentielle) Einflußfaktoren bzgl. der Übergänge von einer Nachfragerklasse in eine andere angegeben. So wird z.B. typischerweise ein Einfluß von Marketing-Aktivitäten im Zusammenhang mit W e r b u n g , M u s t e r , C o u p o n s

(eine vor allem in den USA übliche

Werbe-Maßnahme) und Verfügbarkeit auf den Übergang von Nachfragern aus der Klasse uninformierter (potentieller) Nachfrager in die Bekanntheitskiasse vermutet. T e s t m a r k t - M o d e l l e (speziell solche, die unter Namen wie z.B. SPRINTER, T R A C K E R oder NEWS bekannt geworden sind) beschreiben zeitliche Entwickl u n g e n der relativen G r ö ß e n der Nachfragerklassen (als Anteile der Nachfragerklassen an den (potentiellen) Nachfragern im Testmarkt) über d y n a m i s c h e , rekursive G l e i c h u n g s s y s t e m e (siehe z.B. Erichson (1979, 1980)) in Abhängigkeit von (zu schätzenden) Modellparametern. Auch M-AUK^MAhf greift auf (am Institut für Entscheidungstheorie und Unternehmensforschung entwickelte und als besonders geeignet erachtete) Varianten solcher Testmarkt-Modelle zur Neuprodukt-Erfolgsprognose zu. Hinweise auf die Einordnung der Testmarkt-Modelle TM1 und TM2 von MAR)C2MAN"m

die Welt

der aus der Literatur bekannten Testmarkt-Modellierungen werden in Abbildung 8.6 gegeben, wobei Verbindungen zwischen einzelnen Modellen bedeuten, daß das jeweils neuere Modell z.T. auf Gleichungssystemen des älteren Modells basiert (siehe z.B. Narasimhan, Sen (1983) bzw. Böckenholt, Gaul (1987) sowie die dort angebenenen Literaturhinweise für Beschreibungen einzelner Modelle). Das T e s t m a r k t - M o d e l l T M 1 orientiert sich an Gleichungssystemen, wie sie bereits im Testmarkt-Modell NEWS (siehe Pringle, Wilson, Brody (1982) zur formalen Darstellung von NEWS) Verwendung gefunden haben. Es benutzt dabei eine detaillierte Aufgliederung der Bekanntheitskiasse in eine Vielzahl von Unterklassen sowie eine umfangreiche Berücksichtigung von Einflußfaktoren. Die Unterklassen umfassen jeweils Nachfrager, die ihre Kenntnis über das Neuprodukt mittels Werbung oder Verkaufsförderung erhalten oder erneuert haben. Zusätzlich zu den bei NEWS bereits berücksichtigten Einflußfaktoren Werbung, Verkaufsförderung über Coupons und Muster sowie Verfügbarkeit bezieht TM1 jedoch auch den (relativen) Preis des Neuprodukts mit ein, wobei die Preiswirkung ähnlich wie beim Testmarkt-Modell T R A C K E R (formal dargestellt in Blattberg, Golanty (1978)) in

8

230

TESTMARKT

das Gleichungssystem integriert wurde. Das T e s t m a r k t - M o d e l l T M 2 weist Ähnlichkeiten zu den Grundgleichungen

Abbildung

8.6:

Einordnung

der in MARlOMAN

Modelle TM1 und

verwendeten

Testmarkt-

TM2

des Testmarkt-Modells TRACKER auf und zeichnet sich durch die Möglichkeit aus, daß ein Wechsel von Nachfragern aus der Klasse uninformierter (potentieller) Nachfrager über die Bekanntheitskiasse in die Erstkäuferklasse nicht zwingend in aufeinanderfolgenden Perioden sondern auch mit zeitlicher Verzögerung möglich ist. Bei der Modellierung von Bekanntheit ist es im Gegensatz zu T R A C K E R beim Testmarkt-Modell TM2 möglich, eine maximale Bekanntheit (geschätzter Anteil der Befragten, die bei intensivster Werbung Kenntnis vom Neuprodukt erlangen könnten) vorzugeben.

8.3 Was muß man von der Methodik wissen 7

231

Selbstverständlich können die (allgemeiner modellierten) Testmarkt-Modelle TM1 und TM2 durch Fixierungen entsprechender Modellparameter (Preiswirkung bei TM1 bzw. maximale Bekanntheit bei TM2) wieder an die Grundformen von NEWS bzw. TRACKER herangeführt werden. In Abbildung 8.5 sind Zusammenhänge zwischen Nachfragerklassen sowie die in Abschnitt 8.2 bereits angesprochenen, bei einer repräsentativen Stichprobe im Testmarkt periodisch zu erhebenden Testmarkt-Daten (siehe die rechte Spalte in Abbildung 8.5) eingezeichnet worden. Mit der Erhebung von Daten zur Bekanntheit des Neuprodukts erfolgt zusätzlich z.B. eine Schätzung der Gesamtgröße aller Nachfragerklassen (mit Ausnahme der Klasse uninformierter (potentieller) Nachfrager), mit der Erhebung von Daten zum Erstkauf kann entsprechend eine Schätzung der Entwicklung der relativen Größen der hiervon betroffenen Klassen (d.h. aller Klassen mit Ausnahme der Klasse uninformierter (potentieller) Nachfrager, der Bekanntheitsklasse und der Nichtkäuferklasse 1) durchgeführt werden. Entsprechendes gilt für die Erhebung von Daten zum Wiederkauf. Daten zum Kauf erlauben eine Schätzung der relativen Häufigkeiten des Wechselverhaltens von Nachfragern in der aktuellen Periode (z.B. bei einem Wechsel aus der Bekanntheits- in die Erstkäuferklasse oder aus der Erstkäufer- in die Wiederkäuferklasse 1). Abbildung 8.7 gibt Kurzbezeichnung, Bedeutung sowie geeignet normierte bzw. anderweitig (z.B. über gesonderte Befragungen und Expertenurteile) bestimmte Werte für wichtige Modellparameter für die Testmarkt-Modelle TM1 und TM2 wieder, wie sie für die Markttest-Situation im Bereich 'BSP5' des

M.AVX?M.AM-

Systems festgelegt wurden. Liegen periodische Informationen über die Entwicklung der relativen Größen der genannten Nachfragerklassen vor, so können die in Abbildung 8.7 mit 'o' (für optional) gekennzeichneten fehlenden Modellparameter der im

A1Z/C2A4 AV-System

berücksichtigten Testmarkt-Modelle (hier: Testmarkt-Modelle TM1 und TM2) im Rahmen einer Modellkalibrierung bzw. Modellanpassung über KleinsteQuadrate-Ansätze (Minimierung der Abweichungen zwischen prognostizierten und beobachteten Anteilswerten bei den Kalibrierungsdaten) geschätzt werden. Eine derartige Verwendung der periodisch erhobenen Testmarkt-Daten entspricht der eigentlichen Testmarkt-Modellierung bzw. dem eigentlichen Testmarkt-Einsatz der Testmarkt-Modelle (Bei Verwendung des Testmarkt-Modells NEWS spricht man bei einem solchen Einsatz von der Variante NEWS/MARKET, siehe auch Abbildung 8.1.).

8

232

Wert

bei

TESTMARKT

TMl

Kurzbezeichnung

Bedeutung

Tes tmarkt- G röße

geschätzte A n z a h l (potentieller) Nachfrager i m Testmarkt

100 000 Nachfrager

100 000 Nachfrager

mittlere Erstkaufmenge

geschätzte Neuprodukt-Menge, die bei einem Erstkauf durchschnittlich erworben wird

1 Mengeneinheit

1 Mengeneinheit

mittlere geschätzte Neuprodukt-Menge, die bei einem W i e d e r k a u f m e n g e Wiederkauf durchschnittlich erworben wird maximale geschätzter Anteil der Nachfrager, die bei Bekannt hei t intensivster Werbung mit dem Neuprodukt bekannt gemacht werden konnten

1 Mengeneinheit 75%

1 Mengeneinheit 75%

0%

0%

Bekannt hei t vor P e r i o d e 1 Vergesse quote

geschätzter Anteil der Nachfrager, die bereits vor d e m Markttest zur Bekannt hei tsklasse gehörten geschätzter Anteil der Nachfrager mit Kenntnis v o m Neuprodukt in der vorangegangenen Periode, die diese Kenntnis ohne Werbekontakt bis zum Ende der nächsten P e r i o d e verlieren würden

Vergessens-

P a r a m e t e r , der den Einfluß v o n Mund-zu-MundP r o p a g a n d a und Vergessen auf die Übergänge zwischen der Klasse uninformierter (potentieller) Nachfrager und der Bekannthei tsklasse erfaßt

koeffizient

Wert

bei

0%

o

W e r b e wirkungsko effizient

P a r a m e t e r , der den Einfluß der Werbung auf die Ubergänge zwischen der Klasse uninformierter (potentieller) Nachfrager und der Bekannthei tsklasse erfaßt

o

o

Preiswirkung

Parameter, der den Einfluß des relativen Preises auf Übergänge mit Neuprodukt-Kauf erfaßt

o

o

Erstkauf vor P e r i o d e 1

geschätzter Anteil der Nachfrager, die das Neuprodukt bereits vor d e m Markttest einmal gekauft haben

0%

0%

(Muster-) Erstkaufrate

geschätzter Anteil der Nachfrager, die das Neuprodukt kaufen, nachdem sie es über Muster kennengelernt haben (an den Nachfragern, die es über Muster kennengelernt haben)

5%

(Coupon-) Erstkaufrate

geschätzter Anteil der Nachfrager, die das Neuprodukt kaufen, nachdem sie es über Coupons kennengelernt haben (an den Nachfragern, die es über Coupons kennengelernt haben)

5%

Erstkaufrate

geschätzter Anteil der Nachfrager, die das Neuprodukt in der gleichen Periode kaufen, in der sie es kennengelernt haben (an den Nachfragern, die es in dieser Periode kennengelernt haben)

späte Erstkaufrate

Anteil der Nachfrager, die das Neuprodukt kaufen, nachdem sie es in der Vorperiode kennengelernt und nicht gekauft haben (an den Nachfragern, die es in der Vorperiode kennengelernt und nicht gekauft h a b e n )

Erstwieder-

Anteil der Nachfrager, die das Neuprodukt kaufen, nachdem sie es in der Vorperiode zum ersten Mal gekauft haben (an den Nachfragern, die es in der Vorperiode zum ersten Mal gekauft haben)

o

o

Wiederkauf vor P e r i o d e 1

Anteil der Befragten, die das Neuprodukt bereits vor dein Markttest zweimal gekauft haben

0%

0%

maximale Treuerate

geschätzter m a x . Anteil der Nachfrager, die nach mehrfach wiederholtem K a u f des Neuprodukts auch in der nächsten Periode wieder kaufen werden (an den Nachfragern, die in der Vergangenheit mehrfach wiederholt gekauft haben)

95%

95%

Treuerate

Anteil der Nachfrager, die das Neuprodukt kaufen, nachdem sie es in der Vorperiode zum zweiten Mal gekauft haben (an den Nachfragern, die es in der Vorperiode zum zweiten M a l gekauft haben)

o

o

kaufrate

Abbildung

8.7: Modellparameter TM1

im Bereich

'BSP5'

daß dieser Modellparameter geschätzt

über

o

o

Testmarkt-Modelle

und weist darauf hin,

Kleinste-Quadrate-Ansätze

werden kann; '-' bedeutet,

meter im Modell nicht vorgesehen

o

für die

und TM2 ('o' steht für "optional"

daß dieser

ist)

TMS

Modellpara-

8.4 Wie können die Anwendungsrnodule

bedient

werden?

233

Falls keine periodischen Testmarkt-Daten vorliegen bzw. eine NeuproduktErfolgsprognose bereits vor einem Markttest wünschenswert ist, kann versucht werden, die in Abbildung 8.7 mit 'o' gekennzeichneten, noch nicht ermittelten Modellparameter auf eine andere Art und Weise zu bestimmen. Hierfür bieten sich entweder gesonderte Befragungen von Konsumenten im Labor an, aus denen dann z.B. auf tatsächliche Erst- oder Erstwiederkaufraten geschlossen wird, oder es werden Modellanpassungen der Testmarkt-Modelle bei Neuprodukt-Einführungen in vergleichbaren Produktkategorien zu Vergleichen herangezogen und über entsprechende Korrekturen bei bereits spezifizierten Modellen fehlende Modellparameter für die aktuelle Testmarkt-Modellierung ermittelt. Man spricht dann eher von PreTestmarkt-Modellierung (siehe dazu das folgende Kapitel) bzw. vom Pre-TestmarktEinsatz der Testmarkt-Modelle (Bei Verwendung von NEWS handelt es sich bei einem solchen Einsatz um die Variante N E W S / P L A N N E R , siehe die Anwendungsbeispiele in Abbildung 8.1.).

8.4

W i e können die A n w e n d u n g s m o d u l e bedient werden?

Um mittels MÄRK?M.AN

Testmarkt-Modellierungen durchführen zu können,

kann auf zwei Anwendungsmodule zurückgegriffen werden. Die Anwendungsmodule 'Testmarkt 1' (auf Basis des Testmarkt-Modells TM1) und 'Testmarkt 2' (auf Basis von TM2) können auf die gleiche Datengrundlage zugreifen, so daß geschätzte Modellparameter, prognostizierte Werte und Analysen auch zu Vergleichen herangezogen werden können. Die Anwendungsmodule 'Testmarkt 1' bzw. 'Testmarkt 2' sind vom Start-Screen des MAVX}M.

AV-Systems ausgehend (siehe Kapitel 2) mittels Drücken der Taste

| F l 1 (Anwendungswahl), anschließender Auswahl von 'Testmarkt 1' bzw. 'Testmarkt 2' mittels Cursor und Drücken der Taste Return aktivierbar. Abbildung 8.8 gibt ausschnittsweise die für beide Anwendungsmodule identische Struktur wieder, wobei in formaler Ubereinstimmung mit den schon früher erläuterten Abbildungen dieser Art (siehe auch Abbildung 1.2 sowie Abbildungen 2.1, 3.7, 4.5, 5.7, 6.4 und 7.10) jedes Anwendungsmodul über die Komponenten D a t e n b a n k , M o d e l l b a n k , M e t h o d e n b a n k und B e n u t z e r s c h n i t t s t e l l e und ihr Zusammenspiel beschrieben wird. Da über Methodik und Datengrundlage in den vorausgegangenen Abschnitten bereits berichtet wurde, kann man sich bei der Beschreibung der entsprechenden Komponenten kurz fassen.

234

8

Benutzerschnittstelle

TESTMARKT

Methoden bank Methoden zur Testmarkt-Uodellierung (z.B. A n p a s s u n g von T M t bzw. TM2)

Aktivierung »iner pregne««

Neuprodukt-ErfolgsIralMrtl

Aktivierung einer Neuprodukt-Erfolgsprogno«e bei geändertem Marketing-Plan

RS]

Aktivierung einer Qütebeurteilung von Testmarkt-Modellen

[ü

Aktivierung dec Datenverwaltung

0ED

Oaten zum Marketing-Plan Für das

Tastmarkt-Modelle

Neuprodukt

Daten zu Bekanntheit. Er6t- und Wiederkäut sowie Marktanteil eines Neuprodukts im Testmarkt

Vlodellbank

Abbildung

8.8:

Datenbank

Struktur der Anwendungsmodule 2

'Testmarkt 2' in MAHK MAAf

'Testmarkt

1 ' bzw.

(ausschnittweise)

8.4 Wie können die Anwendungsmodule

bedient

235

werden?

In der D a t e n b a n k kann auf periodische Daten bzgl. Bekanntheit, Erst- und Wiederkauf sowie Marktanteil des Neuprodukts im Testmarkt und auf periodische Daten zum Marketing-Plan (siehe Abschnitt 8.2) sowie auf (geschätzte)

Modellparameter

zugegriffen

werden.

Die

gleichen

Daten

sind

selbst-

verständlich von beiden Anwendungsmodulen erreichbar, was einen Vergleich der Neuprodukt-Erfolgsprognosen unter Verwendung unterschiedlicher TestmarktModellierungsansätze erleichtert. Die M o d e l l b a n k umfaßt die in Abschnitt 8.3 angesprochenen Testmarkt-Modelle nebst zugehöriger geschätzter Modellparameter, anhand derer Neuprodukt-Erfolgsprognosen erstellt werden können. Hierbei können Testmarkt-Modellierungen auf der Basis von TM1 nur vom Anwendungsmodul 'Testmarkt 1' und TestmarktModellierungen auf Basis von TM2 nur vom Anwendungsmodul 'Testmarkt 2' aus angesprochen werden. In der M e t h o d e n b a n k sind die in Abschnitt 8.3 skizzierten Methoden zur Kalibrierung bzw. Anpassung von Testmarkt-Modellen an Beobachtungsdaten kurz als Methoden zur Testmarkt-Modellierung bezeichnet - enthalten. Hierbei werden Modellparameter solange systematisch variiert, bis die Summe der quadrierten Abweichungen zwischen den mit Hilfe des Modells prognostizierten periodischen Anteilswerten (z.B. bzgl. der Bekanntheitskiasse, der Erstkäuferklasse oder der Wiederkäuferklasse) und den entsprechenden beobachteten (in der Datenbank vorliegenden) Anteilswerten bei den Kalibrierungsdaten minimal wird (KleinsteQ u a d r a t e - A n p a s s u n g ) . Im einzelnen verwenden die Anwendungsmodule 'Testmarkt 1' und 'Testmarkt 2' z.B. Regressionsanalysen, Methoden zur nichtlinearen Optimierung mittels enumerativer Verfahren, Gradienten-Verfahren und QuasiNewton-Verfahren. Für die B e n u t z e r s c h n i t t s t e l l e der Anwendungsmodule 'Testmarkt 1' und 'Testmarkt 2' gilt, was schon in früheren Kapiteln zu dieser Thematik gesagt wurde: Neben den in MÄRK?M.ANdurchgängig

verfügbaren und in Kapitel 2 bereits

erläuterten Funktionstasten zur Bereichswahl ( F l ), zur Datenein-/ausgabe ( F2 zur Aktivierung der Hilfestellung (| F10 |) und zum Verlassen des Anwendungsmoduls ( Esc ) werden jeweils (für beide Anwendungsmodule identische) weitere Funktionstasten zur Aktivierung "von Managementhilfen angeboten, wobei die Funktionstastenbelegungen und ihre Anordnung problemabhängig festgelegt wurden: • Über

F3

(Kalib) kann jeweils eine Kalibrierung der entsprechenden

Testmarkt-Modelle erfolgen. Nach Wahl eines Schätzhorizonts (Anzahl der

8 TESTMARKT

236

Perioden der Beobachtungsdaten, die zur Kalibrierung Verwendung finden sollen) wird über eine Aktivierung der Methodenbank eine Kleinste-QuadrateAnpassung der dynamischen, rekursiven Gleichungssysteme an die entsprechenden Beobachtungsdaten gestartet. Im linken oberen Bildschirmbereich erscheint ein A u s g a b e f e n s t e r m i t g e s c h ä t z t e n M o d e l l p a r a m e t e r n . • Durch Betätigen von [ F4 |(Progn) kann nach erfolgter Modellkalibrierung eine P r o g n o s e , genauer: N e u p r o d u k t - E r f o l g s p r o g n o s e , durchgeführt werden. Prognoseergebnisse werden graphisch und tabellarisch ausgegeben. In der Graphik sind zusätzlich noch diejenigen Beobachtungsdaten kenntlich gemacht, die bei der Kalibrierung des Testmarkt-Modells berücksichtigt wurden. • Mittels | F5 l(Guete) wird eine G ü t e b e u r t e i l u n g des T e s t m a r k t - M o d e l l s aktiviert. Es werden für die Perioden, für die Beobachtungsdaten vorliegen, die entsprechenden beobachteten und prognostizierten Werte für Bekanntheit, Erstkauf, Wiederkauf und Kauf (siehe Abschnitt 8.3) graphisch gegenübergestellt. Zusätzlich erfolgt eine Berechnung und Ausgabe der entsprechenden deskriptiven Maße der Anpassungsgüte (erklärte Varianz/Bestimmtheitsmaß, Korrelationskoeffizient, Ungleichheitskoeffizient und Tendenzwende-Prognose, siehe Abschnitt 6.3 für zugehörige Erläuterungen). • | F6 l ( A n a l ) ermöglicht für A n a l y s e z w e c k e die graphische Gegenüberstellung der Entwicklung beobachteter und prognostizierter Werte für eine Reihe von Kenngrößen wie Preisentwicklung, Bekanntheit, Absatz, Erstkäufer-Absatz, Wiederkäufer-Absatz, . . . . Die Beschreibung der Bedienung der Anwendungsmodule läßt sich im Rahmen der Erläuterungen von Anwendungsbeispielen fortsetzen.

8.5

Anwendungsbeispiele

In diesem Abschnitt werden Beispiele zur Neuprodukt-Erfolgsprognose ausführlicher dargestellt. Die zugrundeliegenden Daten des ersten Beispiels sind an eine Testmarkt-Situation aus Clarke (1987) angelehnt und als Bereiche 'EQUAL1' und 'EQUAL2' im M A W O M A N - S y s t e m abgespeichert. Das zweite Anwendungsbeispiel greift den in den Abschnitten 8.1, 8.2 und 8.3 bereits behandelten (Arbeits-) Bereich 'BSP5' wieder auf und behandelt einen Vergleich von Auswertungen derselben Problemstellung, falls man die Anwendungsmodule 'Testmarkt 1' und 'Test-

8.5

237

Anwendungsbeispiele

markt 2' auf Basis derselben Datengrundlage (man siehe auch Kapitel 11 für eine Beschreibung des Bereichs 'BSP5') einsetzt.

8.5.1

Neuprodukt-Erfolgsprognose

für e i n e n kalorienarmen

Süßstoff

mittels Testmarkt-Modellierung Ende des Jahres 1981 stand eine US-Firma (G.D.Searle & Company, Chicago) vor dem Problem, eine Entscheidung bzgl. einer nationalen Einführung eines neuen, kalorienarmen Süßstoffs zu treffen. Obwohl dieses Neuprodukt (mit Namen "Equal") im Gegensatz zu anderen, bereits eingeführten, synthetischen Süßstoffen nicht auf Basis der damals aus einer Reihe von Gründen diskutierten Substanz Saccharin sondern auf Basis von Aspartame süßt und dabei im Vergleich zu Zucker mit nur | der Menge an Kalorien auskommt, die beim entsprechenden Süßvorgang mittels Zucker anfallen würde, sollte ein umfangreicher Markttest vor der nationalen Einführung helfen, die Erfolgschancen abzuschätzen und eine geeignete Marketing-Strategie für das neue Produkt zu entwickeln. Die Untersuchung wurde mit dem elektronischen Testmarkt-System "BehaviorScan" von Information Resources Inc., Chicago, durchgeführt, begann am 26.Oktober 1981 und erstreckte sich (zunächst) über 13 Perioden von je 4 Wochen Dauer bis zum 24.Oktober 1982. Als Teststädte waren Pittsfield (Massachusetts) und Marion (Indiana) ausgewählt worden, die jeweils 0.03 Prozent der US-Bevölkerung repräsentierten (ca. 180.000 potentielle Nachfrager). In Pittsfield wurde "Equal" in 12 und in Marion in 15 Geschäften angeboten. Neben einer Prognose für Umsatz und Marktanteil sollten auch Hinweise für die Gestaltung des Marketing-Mix aus der Auswertung der anfallenden Daten gewonnen werden, wozu u.a. eine Reihe unterschiedlicher Verkaufsförderungsmaßnahmen und Preisfestsetzungen eingeplant wurden. Der Preis sollte z.B. nach 9 Perioden in allen Geschäften erhöht werden; in der zweiten Periode sollte eine umfangreiche Musterund Coupon-Aktion etwa 25% der potentiellen Nachfrager des Testmarkts erreichen; in den Perioden 4 und 11 sollten umfangreiche Display-Aktionen die Werbekontakte der Nachfrager erhöhen; während des gesamten Markttests sollte eine aggressive Werbekampagne über Werbespots und Anzeigen schnell für eine hohe Bekanntheit von "Equal" sorgen. Testmarkt-Daten (Erstkäuferanteile, Wiederkäuferanteile, Käufer, . . . ) sollten periodisch über das Behavior-Scan-Haushaltspanel und (zusätzlich) über Befragungen (zur Bekanntheit, zur K a u f m e n g e , . . . ) eingeholt werden, Marketing-Plan-Daten

8

238

TESTMARKT

(Preisgestaltung, Werbekontakte, Intensität von Coupon- und Musteraktionen) aus dem Marketing-Plan übernommen werden. Die Gesamtkosten für die Durchführung des Testmarkts wurden auf ca. 550 000 US-Dollar eingeschätzt. Bereits nach fünf Perioden wurde durch die Markttest-Verantwortlichen eine Analyse erstellt, die im wesentlichen aus einer Zusammenstellung der beobachteten Testmarkt-Daten bestand, und auf Basis der so erhaltenen positiven Resultate überregional die Einführung von "Equal" gestartet. Um in diesem Abschnitt die über eine reine Datenzusammenstellung hinausreichenden Einsatzmöglichkeiten von M . Ä R K ? M A M auf Basis einer TestmarktModellierung zu verdeutlichen, sei angenommen, daß die Situation nach fünf Perioden - genauer: ein ausgewählter Teil der entsprechenden Datengrundlage, die während dieser Phase des Markttests gewonnen wurde - als Anwendungsbeispiel unter dem (Bereichs-)Namen 'EQUAL1' in das MAR-K^MAN-System eingegeben wurde. Abbildung 8.9 zeigt einen Bildschirminhalt, der nach Aufruf des M.ÄRX}M.AN-Anwendungsmoduls des MÄRK^MAN-Systems

'Testmarkt 1' (ausgehend vom Start-Screen

durch Drücken der Taste F l , Wahl des Anwendungs-

moduls 'Testmarkt 1' und Wahl des Bereichs 'EQUAL1') zu erhalten ist. Im rechten unteren Bildschirmfenster sind Informationen wiedergegeben, die innerhalb der ersten fünf Perioden entweder über Befragungen von Nachfragern oder Schätzungen der Testmarkt-Verantwortlichen zu erhalten waren (zu den einzelnen Kurzbezeichnungen und deren Bedeutung siehe man Abbildung 8.7): So werden etwa 180.000 (potentielle) Nachfrager als Größe für den Testmarkt, sowie 0% Bekanntheit, 0% Erstkauf und 0% Wiederkauf vor Beginn des Testmarkts vermutet. Als maximal erreichbare Bekanntheit von "Equal" und maximale Treuerate wurden Werte von 70% (der (potentiellen) Nachfrager) bzw. 90% (der (loyalen) Wiederkäufer) angenommen. Aus den Rücklaufquoten der durchgeführten Muster- und Coupon-Aktionen konnte auf Erstkaufwahrscheinlichkeiten von 10% (Muster) bzw. 15% (Coupon) auf Basis der so erreichten Nachfrager geschlossen werden; als mittlere Erstkaufmenge bzw. mittlere Wiederkaufmenge wurden aus den Befragungen die Werte 1.0 bzw. 1.38 Mengeneinheiten geschätzt. Darüber hinaus (Diese Informationen sind in Abbildung 8.9 nicht dargestellt.) liegen für die ersten fünf Perioden über Befragungen und aus dem Panel ermittelte periodische Testmarkt-Daten (Anteilswerte für Bekanntheit, Erstkäufer, Wiederkäufer und Käufer des Neuprodukts) sowie historische bzw. den vorgesehenen Einsatz beschreibende Marketing-Plan-Daten (Werbekontakte, Verfügbarkeit, re-

8.5

239

Anwendungsbeispiele

lativer Preis, . . . ) für die ersten fünf wie auch 15 weitere Perioden vor. Die dem Bereich 'EQUAL1' zugrundeliegende Datenvielfalt kann durch Drücken der Taste [F2~l(Daten) genauer betrachtet werden. Zur Erstellung einer Neuprodukt-Erfolgsprognose auf Basis der vorliegenden Beobachtungsdaten können nun die noch zu ermittelnden Modellparameter des dem Anwendungsmodul 'Testmarkt 1' zugrundeliegende Testmarkt-Modells TM1 (Werbewirkungskoeffizient, Preiswirkung, Erstkaufrate, Erstwiederkaufrate und Treuerate; in Abbildung 8.9 sind diese Parameter - bis auf die verdeckte Treuerate - im Fenster rechts unten mit 'o' (für optional) gekennzeichnet) mit dem A4 AiR)C2M ANSystem über eine Kalibrierung geschätzt werden (Drücken der Taste | F3 |(Kalib); Wahl des maximalen Schätzhorizonts '5 Perioden'). ITestnarkt 1 EQUALl—Bere ich ynbi^li^tz tfc? HUerbeuirkungskoef f iz ient ||P re i su i r k ung HErstkauf r a t e (X> 1 IjErstuledarkauf rata (X> jjTreuarata (Z)

Model Lkal ibrieruna

5 Perioden

1

0.951 0.9Ö4 21.166 30.212 SO.138

|Uerfuegbkt :> | Werbung |Bek .Coupon, Bek.1 Huster W.i Por. 1 1 IC».ÖOÖ| 100.000 O.OOO O.OOO Per . 2 lOO.OOO lOO.OOO 12.SOO 12.500 Per. 3 iÖfl.MÖ IM.OK 0.00Ö O.OÖÖ EQUAL1 Per. 4 iöö.ööö Per . 5 lOO.OOO Tcstnarkt-QrDes5a(Nachfrager > 180000.000 lOO. OOOI ^iltt lere Eratk auf Hange Per . 6 (ME > l.OOO Per. 7 lOO.Ô55| m i t t l e r e UladerkaufHenge (HE) | 1.380 Per. 8 loo.ooo naxinale Bekanntheit CO ] 70.ODO iòtì.MA Per. 9 Bekanntheit vor Periode 1 iW>j 0 .000 PërTnT iòò.òtìfl Dergessensauote 1Û.ÛÔÛ m 1 Per.11 lOO.OOO ^lerbeuirkungskoef f izient o| Per.12 lOO.OOO Pre isti 1 rkung Ol Per.13 lOO.OOO Erstkauf uor Perioda 1 (X> o.ooo Per.14 lOO.OOO (Muster—>Erst kauf rate (X) 1 lO.OOO Per.15 IM.000 (Counon—)Erstkaufrate i'Ai j 15.000 iöö .ÔÔÔ Per. 10 Erstkaufrate i'Aio Per.17 lOO.OOO frstuiederkaufrate (XI o lOO. gl ööol Lederkauf vor Parioda 1 (X) O.OOO ¿natu B«iicanntheit^i r s t k a u f ] [U iederki•uf 1Kauf IP^Erklaerte Varianz g> S>8.7761 99 .344 J1 93.289 1 93TÎ55| IF 1-B« reich F2-Daten F3-KalU> F4-Progn F5-Guata F6-On«l Fip ESP

:

Abbildung

8.9:

Informationen

zum Markttest

für "Equal" aus dem

nach fünf Perioden (ausschnittweise,

Bereich

rechts unten sind von Markttest-Verantwortiichen bzw. erhobene Informationen Kleinste-Quadrate-Ansätze

dargestellt, geschätzten

Testmarkt

'EQUAL1'); geschätzte

links oben die über Modellparameter

8

240

TESTMARKT

Abbildung 8.9 gibt im linken oberen Bildschirmfenster bereits entsprechende Informationen nach Durchführung der Modellkalibrierung wieder. Die im rechten unteren Fenster noch fehlenden Modellparameter wurden geschätzt und zusätzlich in den Bildschirm eingeblendet. So ergab z.B. die Kleinste-Quadrate-Anpassung unter den Annahmen des Testmarkt-Modells TM1, daß eine Erstkaufrate von 21.166% die Beobachtungsdaten bestmöglich reproduziert (d.h. es wird vermutet, daß über 20% der Nachfrager, die das Neuprodukt in der aktuellen Periode neu kennengelernt haben, sich in derselben Periode zu einem Probier- bzw. Erstkauf entscheiden). Bevor eine detaillierte Analyse dieser geschätzten Modellparameter erfolgt, soll noch die Güte der Anpassung des Testmarkt-Modells an die Beobachtungsdaten kontrolliert werden. Hierfür erfolgt zunächst die Aktivierung einer Neuprodukt-Erfolgsprognose (Drücken der Taste F4 (Progn); Wahl des maximalen Prognosehorizonts '20 Perioden') und dann die Aktivierung einer Gütebeurteilung des Testmarkt-Modells (Drücken der Taste | F5 |(Guete)). Abbildung 8.10 zeigt den Bildschirminhalt, nach-

Abbildung

8.10:

Gütebeurteilung

des Testmarkt-Modells

fünf Perioden im Bereich

'EQUAL1'

TM1 auf Basis von

8.5

241

Anwendungsbeispiele

dem diese Aktivierungen getätigt und entsprechenden Gütekriterien und graphischen Darstellungen ausgegeben wurden. Man erkennt: Die Werte der Gütekriterien, speziell die Werte beim Korrelationskoeffizienten weisen auf eine gute Anpassung des Testmarkt-Modells T M 1 an die Beobachtungsdaten hin. Darüber hinaus verdeutlicht die Graphik noch einmal visuell die gute Anpassung. Trotz dieser optimistisch stimmenden Anpassungsgüte sollte man sich aber immer in Erinnerung rufen, daß dieser Modellanpassung nur wenige Beobachtungsdaten (vier Zeitreihen mit Werten für fünf Perioden) zugrundeliegen und natürlich weiterhin alle zusätzlichen über den Markttest zu gewinnende Informationen als Korrektiv in die auf Basis dieser Daten erstellten Prognosen einzubeziehen sind (Die Vielzahl möglicher zusätzlicher Informationsquellen, z.B. Kenntnisse über das Marketing-Mix eventuell konkurrierender Hersteller, über saisonale Einflüße bzw. für die Produktkategorie typische dynamische Effekte läßt erahnen, wie schwierig sich diese Abstimmungsaufgabe gestalten kann.). Gibt es erkennbare Gründe, warum die erstellte Prognose fehlerhaft sein könnte, so kann eventuell über Szenarien-Analysen (Variation einzelner Modellparameter mittels F2 ) der Einfluß eventuell ungünstig spezifizierter Modellparameter (z.B. zu hoch oder zu niedrig angesetzte Erstkauf- oder Treueraten) auf die prognostizierten Werte ermittelt werden. Falls kein weiterer

Abstimmungsbedarf

erkennbar

ist, kann

nun

mittels

|~F6~](Analyse) eine detailliertere Analyse der Neuprodukt-Erfolgsprognose erfolgen. Abbildung 8.11 liefert im Vordergrund eine Abbildung mittels F6 graphisch dargestellter Anteilswerte der Wiederkäufer (kumuliert und nicht kumuliert). Man erkennt: Relativ schnell stabilisiert sich der Anteil der Wiederkäufer im Testmarkt auf Werte über 3% der (potentiellen) Nachfrager. Die nach wie vor ansteigenden Anteile der kumulierten Wiederkäufer weisen jedoch darauf hin, daß weiterhin einerseits immer noch neu hinzukommende Wiederkäufer für dieses Ansteigen verantwortlich sind, andererseits wegen der stagnierenden nichtkumulierten Anteilszahlen aber auch ständig andere bisherige Wiederkäufer des Neuprodukts verloren gehen (Dafür spricht auch der niedrige Wert des Modellparameters Treuerate.). Ergänzende Informationen sind über eine Betrachtung der Werte für die Absatzzahlen von "Equal" zu erhalten. Abbildung 8.12 gibt prognostizierte Werte für den Absatz von "Equal" und den Wiederkäufer-Absatz (Absatz abzüglich der durch Erstkäufer verursachten Verkäufe) wieder ( O u t p u t s dieser Art sind über das

8

242

TESTMARKT

Drücken der Funktionstaste F6 und Wahl der entsprechenden Zeitreihen erhältlich.).

12.900 10. 938

7"T•••]--••"• U ! iL

9.375

I

i 1 !

7.813 T T "

i ! !

12.500

M ; L> 1

!

1

i

J H i

; i

M M

10.938 ! ! i •9.375 : 7. B13 6. 250

6.250 688

3.125 1.563

! 1 1

/

; // / :

-

IK !

:

— —

-

; ! : : : : : :

progn.Uiederkaeufer (kureX) Per. § ~S5~4S7 P.r.ifl rrr n r Par•13 51.320 Per.14 Per.15 40.547

!

- -

3.125

;

:

i

! 1.563

: : : : : : : :

fTT T343 2.9Q4 3.095 7.030 4.979 4.073 3.663 3.841 3 .flflö

Kauf

progn.U iederki ifi.iSi TST5ST

6.602 fi.SW 8.649 9.239 9.490 10.0» Mladerkauf

6.738 4.848 4.332 5.353 4.170

—

23 .863 54.553 •Bakannthait Erstkauf

93.289

PeErklaerte Uariani (X) PsKorralat ionskoaffizlant P« U n a U l c h h a l t i k M f f l i l a n t Pe T endenz wende -P rognose Fl-Bereich F3-Daten F3-Kalib F4-Progn F5-Guete F6-final F1Q ESC Abbildung

8.11:

Prognostizierte den (potentiellen) 'EQUAL1'

Werte für die Anteile der Wiederkäufer Nachfragern

des Testmarkts

im

(Prognose auf Basis von fünf Perioden

an

Bereich im

Markttest)

Man erkennt an dieser graphischen Wiedergabe, daß relativ frühzeitig eine Absatzstabilisierung bei ca. 8.000-10.000 Mengeneinheiten im Markttest eintritt, der vor allem über Wiederkäufer erzielt wird, was auf eine gewisse Stabilisierung der Nachfrage schließen läßt. Erstkäufer machen die Spitzenwerte des Absatzes in den Perioden 4 und 11 aus und sind offensichtlich auf die weiter oben erwähnten großen Display-Aktionen in diesen Perioden zurückzuführen. Bereits mit diesen wenigen Abbildungen zeigt sich, bis zu welchem Detaillierungsgrad Informationen über die zukünftige Entwicklung interessierender Größen auf Basis einer Testmarkt-Modellierung prognostiziert werden können. Der Leser

8.5

243

Anwendungsbeispiele

sei selbst aufgefordert, sich mittels | F 6 [(Analyse) weitere graphische Gegenüberstellungen bzw. Darstellungen anderer Art zu erzeugen, die ihm weitere Einblicke in den zu e r w a r t e n d e n Durchdringungsprozeß vermitteln. D a r ü b e r hinaus erlauben Modifikationen der D a t e n g r u n d l a g e - auf Basis der Modellparameter oder auf Basis der Marketing-Plan-Daten (Drücken der Taste

F 2 , Wahl der entsprechen-

den D a t e n , A n d e r n von Werten) - , Entwicklungen u n t e r derart variierten Bedingungen zu analysieren (Stichwort: Szenarien- bzw. Sensitivitätsanalysen). Hierfür ist nach Daten-Modifikation wieder eine Prognose ( F4 (Progn)) und eine Analyse (|~F6~](Anal)) erforderlich.

Kauf

0 12 3 15 6 Kai i br i er unqsda t en progn.Absatz CMD

e

9

tut r.14 TS

4 .379 4 . 073

IO 11 12 13 14 16 16 17 18 19 2 0

M.Í95 M.-4SS 51.330

46.347

1 .343 a . 904 3 .095

progn.Uiederkaeufer-ñbsatzCMD ié.lSé ¿.¿as iè.èfil ¿.9W

3 .841 a . sce 3.4¿4

23.863 54.553 •BakannthaltErstkauf

Miadarkauf iErk l a e r t e Uarianz 150) Probanden

Silk, Urban (1978), Urban, Katz (1983)

3 Schmerzmittel, u.a., USA (80 Anwendungen) 4 Waschpulver, Nahrungsmittel, u.a., D, u.a. (Anzahl der Anwendungen unbekannt) 5 Körperpflege, Nahrungsmittel, Waschpulver, USA

Marktanteilsprognose, Diagnose, Strategieverbesserung Marktanteilsprognose, Diagnose, Strategieverbesserung

COMP Marketing-Plan, Eingangsbefragung, Kaufsimulation, Nachbefragung

Burger, Gundee, Lavidge (1981)

Marketing-Plan, TESI Eingangsbefragung, Kaufsimulation bei ca. 300 Probanden, Nachbefragung, Kaufsimulation bei >240 Probanden Marketing-Plan, LITMUS Eingangsbefragung, Kaufsimulation bei 500-600 Probanden, Nachbefragung bei >100 Probanden

Erichson (1981) (1987)

(20 Anwendungen) 6 Waschpulver, Milchprodukte, Kaffee, u.a., D, u.a. (30 Anwendungen) 7 Nahrungsmittel, D (2 Anwendungen)

Abbildung

9.1:

Marktanteilsprognose, Diagnose, Strategieverbesserung

Blackburn, Clancy (1982)

Marktanteilsprognose, Diagnose, Strategieverbesserung

Marketing-Plan, SENSOR Eingangsbefragung, Kaufsimulation bei ca. 200 Probanden, Nachbefragung bei > 5 0 Probanden

Hiibner (1982)

Marktanteilsprognose, Diagnose, StrategieVerbesserung

Marketing-Plan, SUCCESSOR Eingangsbefragung, Kaufsimulation bei ca. 500 Probanden, Nachbefragung, Kaufsimulation bei >100 Probanden

Bockenholt, Gaul (1987)

Anwendungsbeispiele

für

Pre-Testmarkt-Modellierungen

9.1

255

Motivation

untersuchte Neuprodukt unter Annahme ausreichender Bekanntheit und Verfügbarkeit (80% der (potentiellen) Nachfrager sollten langfristig Kenntnis vom Neuprodukt erlangen und 85% derjenigen Nachfrager, die Kenntnis erlangt haben, sollten das Neuprodukt auch regelmäßig kaufen können) mit einem langfristigen Marktanteil von 3.457% zu rechnen ist. Die Gewinne des Neuprodukts würden vor allem auf Kosten von 'Produktö', 'Produktl' und 'ProduktlO' sowie - eingeschränkt - auf Kosten von 'Produkt3', 'Produkte und ' P r o d u k t i l ' gehen.

P re-Tes t na rkt

1

BS

P6-Berei ch

Mode1lDroanose

Prognose

U a r l u s t e ( n X ) ¿.¿24

Produkt2

15 .257

I S . OSO

Produkt3

7.241

6.863

O .377

Produkt4

9 .860

9.303

O .336

Produkts

9.607

8.778

¿.414

£.434 4.319

0.830

Produkte

- a . OS4

Produkt?

4.3öi

Produkts

7.398

7.452

Produkte

3.235

3.233

O . 177

Ö.ÖSÖ

a.oeä

o.ooo

ProduktlO

7.93S

7.338

0.621

Produkt11

16.429

16.090

0.339

Produktiä

2.W2

2.6ÖÖ

3.4SI?

Neuprodukt

fl.flflfl -3.48?

Parwatar:

IFl-Bereich

F2-Daten

Abbildung

Bakanntheit

80.000

Uerfuegbarkeit

85.000

F3-Perc

9.2:

In A4A7Z/C2A4AAi

F6-Kalib

f-7-Pro«n F8-Guete

Neuprodukt-Erfolgsprognose

F10

ESC

im Bereich

1

'BSP6'

können zur Behandlung von Fragestellungen, die mittels

Pre-Testmarkt-Modellierungen untersucht werden können, die Anwendungsmodule 'Pre-Testmarkt 1' und 'Pre-Testmarkt 2' eingesetzt werden. In Analogie zum vorigen Kapitel (und zu den bisherigen Kapiteln) wird auch in diesem Kapitel als erstes im nächsten Abschnitt 9.2 auf die bereitzustellende Datengrundlage eingegangen. Danach erfolgen Erläuterungen zur Methodik in Abschnitt 9.3. Ein erstes Vertraut-

9

256

PRE-TESTMARKT

werden mit der Bedienung der Anwendungsmodule soll durch die in Abschnitt 9.4 gegebenen Erläuterungen erreicht werden. Denselben Zweck verfolgen auch wieder die in Abschnitt 9.5 beschriebenen Anwendungsbeispiele. Ein Ausblick in Abschnitt 9.6 beschließt das Kapitel.

9.2

Welche Datengrundlage wird benötigt?

Da bei der Pre-Testmarkt-Modellierung auf einen probeweisen Absatz des Neuprodukts in einem (regionalen) Testgebiet verzichtet wird, müssen die benötigten Daten anderweitig beschafft werden. I.d.R. werden insgesamt 200-600 Versuchspersonen (je nach verwendetem Erhebungs- bzw. Auswertungsverfahren bei der Pre-TestmarktModellierung, wie es auch die Abbildung 9.1 zeigt) zur Befragung in einem Teststudio angeworben, das oft temporär in einem Hotel oder Restaurant eingerichtet wird. Abbildung 9.3 gibt einen Eindruck von einem typischen Lageplan eines Teststudios, das neben dem Empfangsraum einen Befragungsraum für Eingangs- bzw. Nachbefragungen, einen Raum für Werbepräsentationen zur Durchführung einer Werbesimulation und einen Verkaufsraum zur Durchführung einer Kaufsimulation umfaßt (siehe z.B. Clarke (1986), S.117, für den Lageplan eines ASSESSOR-Studios). Die G e w i n n u n g einer r e p r ä s e n t a t i v e n S t i c h p r o b e von zu Befragenden erfolgt i.d.R. vor Supermärkten (Kontaktaufnahme zu Versuchspersonen bei ASSESSOR (siehe Silk, Urban (1978)) oder über Hausbesuche und Verteilung von Geschenkgutscheinen (Kontaktaufnahme bei TESI (siehe Erichson (1981)). Die Datengewinnung im Teststudio selbst gliedert sich typischerweise in mehrere Abschnitte: • Im

Rahmen

einer

Eingangsbefragung

werden

die

Versuchspersonen

zunächst mit dem Zweck der Veranstaltung vertraut gemacht und dann zu Bekanntheit und Verwendung von Produkten der relevanten Produktkategorie befragt. Aus diesen Informationen kann dann das sogenannte "evoked set" der Versuchspersonen ermittelt werden, d.h. die Menge derjenigen Produkte, die bei einer Kaufentscheidung berücksichtigt werden (zum Begriff "evoked set" siehe auch Kapitel 5, Abschnitt 5.2, bzw. Erichson (1979, 1980) für Hinweise auf die Ähnlichkeit zwischen dem Konstrukt "evoked set" (siehe Howard, Sheth (1969, S.26)) und dem Konstrukt "relevant set" (siehe Silk, Urban (1978)), das die Menge der akzeptablen Alternativen einer Person umfaßt). Anschließend erfolgt eine Erhebung von Präferenzurteilen und Beur-

9.2 Welche Datengrundlage

wird

257

benötigt?

Empfangsraum

Befragungsraum

H

Raum für Werbepräsentation

Verkaufsregal

Verkaufsraum

Abbildung

9.3:

Typischer

Lageplan

eines Teststudios

beim

Labor-Testmarkt

teilungen hinsichtlich interessierender Merkmale bzgl. der Produkte des "evoked set". Abbildung 9.4 gibt (ausschnittweise) Daten wieder, die im Rahmen einer Eingangsbefragung hätten erhoben werden können (für eine ausführlichere Beschreibung dieser Datengrundlage siehe man die Erläuterungen zum Bereich ' B S P 6 ' des AiATZK2MAV-Systems).

Die obere Beurteilungsmatrix

stellt die Ergebnisse des paarweisen Vergleichs der Produkte des "evoked set" von Versuchsperson 13 ('Produktl', 'Produkt2\ 'Produkt3\ 'Produktö' und 'Produkt7') dar. Eine '1' bedeutet wieder (wie schon in Kapitel 5 beschrieben), daß beim paarweisen Vergleich das Zeilenobjekt dem Spaltenobjekt vorgezogen wurde. Man erkennt zusätzlich (Bitte selbst überprüfen!), daß die Versuchsperson inkonsistent geantwortet hat. Darüber hinaus ist abzulesen, daß von der Versuchsperson zuletzt 'Produkt3' und in der Kaufsimulation das Neuprodukt gekauft wurde.

9

258

Daten

aus der

VP13 Produkt 1

Eingangsbefragung

Produktl

Produkts Produkts Produktß Produkt 7 letzter

Kauf 1

Daten

aus der

Produkts

1 0 1 0 1

1 1 0

Produkts

0 0 0 0

Produktß

1 0 1

Produkt 7

0 1 1 0

1

zuletzt 'Produkt3' gekauft Kaufsimulation

VP13

Abbildung

PRE-TESTMARKT

Neuprodukt gekauft

9.4: Daten aus der Eingangsbefragung für 'VP13'(Versuchspersonl3) im Bereich 'BSP6': Informationen zum paarweisen Vergleich und zum letzten Kauf eines Produktes; Daten aus der Kaufsimulation nach der Eingangsbefragung (ausschnittsweise)

• Ein erster (Werbe-)Kontakt der Versuchspersonen mit dem Neuprodukt erfolgt i.d.R. im Rahmen einer W e r b e s i m u l a t i o n mit Werbespots für die wichtigsten Produkte der Produktkategorie sowie mit einem zusätzlichen Werbespot für das Neuprodukt. • Anschließend besteht bei einer K a u f s i m u l a t i o n im Teststudio für die Versuchspersonen die Möglichkeit, Produkte der Produktkategorie zu Marktpreisen oder das Neuprodukt zum geplanten Einführungspreis zu kaufen. Die Präsentation der etablierten Produkte erfolgt hierbei mit Regalstrecken entsprechend ihrer Marktanteile. Ein vorher verteilter Geldgutschein bietet hierbei einen zusätzlichen Kaufanreiz. In Abbildung 9.4 ist das Ergebnis dieser Kaufsimulation bei Versuchsperson 13 festgehalten: Das Neuprodukt wurde gekauft. Um den Anteil an Versuchspersonen, die das Neuprodukt auch tatsächlich verwenden, zu erhöhen, wird bei einigen Pre-Testmarkt-Modellierungen (z.B. bei TESI) das Neuprodukt nach der Kaufsimulation der Versuchsperson auch bei Nichtkauf ausgehändigt. Hat sie das Neuprodukt bereits in der Kaufsimulation gekauft, erhält sie ein zweites Produkt ihrer Wahl. Hiermit ist i.d.R. die erste Phase der Erhebung von Daten bei der Pre-Testmarkt-Modellierung beendet.

9.2 Welche Datengrundlage

wird

benötigt?

259

• Zur Erfassung von Produktzufriedenheit bzw. von Wiederkaufwahrscheinlichkeiten werden diejenigen Versuchspersonen, denen das Neuprodukt verkauft oder ausgehändigt wurde, nach einem Zeitraum, der etwa der erwarteten durchschnittlichen Verbrauchsdauer des Neuprodukts entspricht, zu einer Nachbefragung entweder erneut ins Teststudio eingeladen (z.B. bei TESI) oder telefonisch interviewt (z.B. bei ASSESSOR). Erneut werden Daten, wie sie schon bei den Erläuterungen zur Eingangsbefragung beschrieben wurden - Präferenzurteile und Beurteilungen hinsichtlich interessierender Merkmale bzgl. der Produkte aus dem "evoked set" - erhoben. Nun umfaßt das "evoked set" jedoch auch das Neuprodukt. Ahnlich wie zuvor Abbildung 9.4 zeigt Abbildung 9.5 (ausschnittsweise) Daten, die nunmehr im Rahmen der Nachbefra-

Daten aus der Nachbefragung Produktl Produkt2 VP1S Produkt 1 1 Produkt2 0 1 Produkts 1 1 Produktß 0 Produkt7 1 0 Neuprodukt 1 1 Daten aus der Kauf VP IS

Abbildung

Produkts

Produktß

0 0

1 0 1

0 0 1

Produkt 7 Neuprodukt

0 1

0 1 1 1

0 0 0 0 0

1

simulation

Neuprodukt gekauft

9.5: Daten aus der Nachbefragung für 'VP13' (Versuchspersonl3) im Bereich 'BSP6': Informationen zum paarweisen Vergleich und aus der Kaufsimulation nach der Nachbefragung (ausschnittsweise)

gung bei Versuchsperson 13 hätten anfallen können. Die obere Beurteilungsmatrix stellt wieder die Ergebnisse des paarweisen Vergleichs der Produkte dar. Man erkennt: Die Beurteilungen der Versuchsperson bzgl. der paarweisen Vergleiche der etablierten Produkte sind i.w. genauso ausgefallen wie in der Eingangsbefragung. Die Probeverwendung des Neuprodukts hat lediglich beim Vergleich der Produkte 6 und 7 eine Präferenzänderung bewirkt. Dies spricht für ein stabiles Präferenzsystem der Versuchsperson. Die Antworten sind aber nach wie vor inkonsistent. Darüber hinaus kann festgestellt werden, daß das Neuprodukt allen anderen Produkten des "evoked set" vorgezogen wurde.

9

260 Kurzbezeichnung

| Bedeutung

\

PRE-TESTMARKT

Erhebungsform

bei der Eingangsbefragung erhoben: Versuchsperson nennt P r o d u k t e der Menge an Produkten der Produktkategorie, die bei einer Produktkategorie, die ihr bekannt Kaufentscheidung berücksichsind (ungestützte Bekanntheit), tigt werden oder wählt aus einer Liste der Produkte der Produktkategorie die ihr bekannten P r o d u k t e aus (gestützte Bekanntheit) letzter Kauf P r o d u k t der Produktkategorie, Versuchsperson nennt das zuletzt das bei der letzten Kaufentvon ihr gekaufte P r o d u k t des scheidung gewählt wurde "evoked set" Wahrnehmungs- Ausprägungen bzgl. vorgegeVersuchsperson beurteilt die Prod a t e n vor bener Merkmale bei den Produkte des "evoked set" bzgl. vorProbeverwendukten, die für Kaufentgegebener Merkmale d u n g des scheidungen von Interesse Neuprodukts sein könnten PräferenzBevorzugung von Produkten Versuchsperson beurteilt die Prod a t e n vor dukte des "evoked set" jeweils Probeverwenpaarweise und nennt das vorgezogene d u n g des Neuprodukts

"evoked set" vor Probeverwendung des Neuprodukts

Probekauf

bei der "evoked set" nach Probeverwendung des Neuprodukts Wahrnehmungsd a t e n nach Probeverwend u n g des Neuprodukts Präferenzd a t e n nach Probeverwend u n g des Neuprodukts

bei der Kaufsimulation erhoben: Ereignis, daß das NeuproNotieren des Ereignisses, daß die Verdukt nach erstem (Werbe-) suchsperson nach der Werbesimulation im Verkaufsraum das Neuprodukt aus K o n t a k t gekauft wird der angebotenen Menge auswählt Nachbefragung erhoben (nur bei Menge an Produkten der Produktkategorie, die bei einer Kaufentscheidung berücksichtigt werden Ausprägungen bzgl. vorgegebener Merkmale bei den Produkten, die für Kaufentscheidungen von Interesse sein könnten Bevorzugung von Produkten

Probekauf und -Verwendung): "evoked set" vor Probeverwendung des Neuprodukts plus Neuprodukt Versuchsperson beurteilt die Produkte des "evoked set" bzgl. der vorgegebenen Merkmale Versuchsperson beurteilt die Produkte des "evoked set" jeweils paarweise und nennt das vorgezogene

bei der Kaufsimulation erhoben (nur bei Probekauf und -Verwendung): Wiederkauf Ereignis, daß das NeuproNotieren des Ereignisses, daß die Verdukt nach Probeverwendung er- suchsperson im Verkaufsraum das Neuneut gekauft wird produkt (erneut) auswählt Kaufabsicht Wahrscheinlichkeit, mit der Versuchsperson äußert die Absicht, das Neuprodukt später gedas Neuprodukt erneut zu kaufen kauft wird

Abbildung

9.6 Typische Daten, die in einem Labor-Testmarkt erhoben werden (ausschnittweise)

• Wird die Nachbefragung im Teststudio durchgeführt, so kann anschließend nochmals eine Kaufsimulation durchgeführt werden; das Ergebnis der

9.3 Was muß man von der Methodik

wissen?

261

Kaufsimulation bei Versuchspersonl3 ist ebenfalls in Abbildung 9.5 dargestellt: Das Neuprodukt wurde erneut gekauft. Wurde die Nachbefragung telefonisch durchgeführt, so kann nur nach der Kaufabsicht gefragt werden.

Insgesamt umfassen Datengrundlagen aus Labor-Testmärkten eine Vielzahl an Informationen über Wahrnehmungen, Präferenzen und Auswahlentscheidungen einzelner Versuchspersonen hinsichtlich der Produkte einer Produktkategorie vor Kennenlernen des zu testenden Neuprodukts sowie entsprechende Daten nach ersten Werbekontakten und nach probeweiser Produktverwendung. Abbildung 9.6 faßt solche typischerweise in einem Labor-Testmarkt erhobenen Informationen noch einmal zusammen.

9.3

Was muß man von der Methodik wissen?

Zur Untersuchung von Informationen, die in den in Abschnitt 9.2 beschriebenen und aus Labor-Testmärkten erhobenen Datengrundlagen enthalten sind und für die Marketing-Planung verwendet werden können, lassen sich für NeuproduktErfolgsprognosen speziell für diese Situation konzipierte Pre-Testmarkt-Modelle einsetzen. Wie bei den in Kapitel 8 beschriebenen Testmarkt-Modellen wird bei den meisten hierbei Verwendung findenden Modellen der Durchdringungsprozeß über Anteilsentwicklungen verschiedener Nachfragerklassen modelliert. Viele Pre-Testmarkt-Modelle berücksichtigen im Gegensatz zu den zuvor beschriebenen Testmarkt-Modellen, daß Labor-Testmärkte - aufgrund der i.d.R. wenigen (typischerweise: zwei) Erhebungszeitpunkte - nur begrenzt Informationen zur periodischen Entwicklung der Anteile von Nachfragerklassen zur Verfügung stellen können. Die Auswertung der Informationen ist daher eher darauf ausgerichtet, langfristige Anteilswerte zu prognostizieren. Neben der bei Testmarkt-Modellen bekannten Einschränkung auf Güter des täglichen Bedarfs sind Pre-TestmarktModelle noch zusätzlich auf Neuprodukt-Einführungen in etablierten Produktkategorien zugeschnitten: Zur Modellierung wird vorausgesetzt, daß die (potentiellen) Nachfrager bereits regelmäßig (d.h. in jeder Periode einmal) Produkte aus einer (bekannten) Menge etablierter Produkte kaufen und daß Absätze des Neuprodukts i.w. nur auf Kosten von Produkten dieser Menge erfolgen.

9

262

Einflußfakt

Nachfrageklatsen beim NeuproduktEinführung sprozeß

o ren

Abbildung

9.7:

Nachfragerkiassen

beim

(typische Sicht bei der

PRE-TESTMARKT

typische Pre-TestmarktDaten (erhalten in Vorund Nachbefragung)

Neuprodukt-Einführungsprozeß Pre-Testmarkt-Modellierung)

Unter diesen Annahmen kann dann eine im Vergleich zur Testmarkt-Modellierung wesentlich vereinfachte Modellierung von Nachfragerklassen beim NeuproduktEinführungsprozeß erfolgen. Abbildung 9.7 beschreibt eine typische Darstellung der entsprechenden Zusammenhänge (man vergleiche dazu auch die für Testmarkt-Modelle erstellte Abbildung 8.5), der man folgendes entnehmen kann (Die rechte Spalte

9.3 Was muß man von der Methodik

wissen?

263

in Abbildung 9.7, die Pre-Testmarkt-Daten (Probekaufrate, (Erst-)Wiederkaufrate, Kaufabsichtsrate) zeigt, die zur Schätzung interessierender Kenngrößen (langfristiger Probekäuferanteil, Treuerate, Spätkaufrate) bei der Modellierung von PreTestmarkt-Situationen benötigt werden, wird erst später erläutert.): Es gibt wieder - wie in Abbildung 8.5 - eine K l a s s e u n i n f o r m i e r t e r (pot e n t i e l l e r ) Nachfrager, die vor der Pre-Testmarkt-Modellierung i.d.R. alle (regelmäßigen) Käufer von Produkten der zugrundeliegenden Produktkategorie umfassen dürfte. Durch Marketing-Aktivitäten können nach einiger Zeit einzelne Nachfrager Kenntnis vom Neuprodukt erlangen und damit aus dieser Klasse in die B e k a n n t h e i t s k l a s s e wechseln. Nachdem Kenntnis vom Neuprodukt vorliegt, werden sich wiederum einige Nachfrager für einen Kauf des Neuprodukts anstelle eines etablierten Produkts der Produktkategorie entscheiden. Die aus der Testmarkt-Modellierung bekannte Unterscheidung der Nachfragerklassen in Erstkäufer-, mehrere Wiederkäufer- und Nichtkäuferklassen entfällt bei der Pre-Testmarkt-Modellierung. Stattdessen werden zunächst einmal alle N a c h frager, die das N e u p r o d u k t m i n d e s t e n s e i n m a l gekauft h a b e n und somit - wenn auch unter Umständen zeitlich länger zurückliegend - zumindest einmal Produkterfahrung gesammelt haben, als P r o b e k ä u f e r , ihr erwarteter langfristiger Anteil an den (potentiellen) Nachfragern als langfristiger P r o b e k ä u f e r a n t e i l bezeichnet. Ihre (jeweils aktuelle) Zuordnung zu einer von zwei modellierten P r o b e k ä u f e r k l a s s e n orientiert sich ausschließlich am zuletzt gekauften Produkt der Produktkategorie: Probekäufer, die beim letzten Kauf das Neuprodukt gekauft haben, werden vorübergehend der K l a s s e aktuell (das N e u p r o d u k t ) kaufender P r o b e k ä u f e r zugeordnet, während Probekäufer, die beim letzten Kauf eines Produktes der Produktkategorie ein etabliertes Produkt gekauft haben, Mitglieder der K l a s s e aktuell (das N e u p r o d u k t ) nicht kaufender P r o b e k ä u f e r werden. Entsprechend orientieren sich die Ü b e r g ä n g e zwischen d i e s e n b e i d e n Klassen und das V e r b l e i b e n in d e n j e w e i l i g e n K l a s s e n - bzw. die zugehörigen Anteile derjenigen, die die Klasse wechseln bzw. nicht wechseln - bei der PreTestmarkt-Modellierung am letzten Kauf: Mitglieder der Klasse aktuell (das Neuprodukt) kaufender Probekäufer, die beim in der nächsten Periode anstehenden Kauf eines Produktes der Produktkategorie wieder das Neuprodukt kaufen, verbleiben in ihrer Klasse, während die übrigen, die ein etabliertes Produkt kaufen, in die Klasse aktuell (das Neuprodukt) nicht kaufender Probekäufer wechseln. Ande-

9

264

PRE-TESTMARKT

rerseits kann man aus der Klasse aktuell (das Neuprodukt) nicht kaufender Probekäufer wieder in die Klasse aktuell (das Neuprodukt) kaufender Probekäufer zurückkehren, wenn man beim nächsten Kauf eine diesbezügliche Entscheidung trifft. Man kann aber natürlich auch in der Klasse aktuell (das Neuprodukt) nicht kaufender Probekäufer verbleiben. Die sich hieraus ergebenden Anteilswerte werden zur Schätzung von T r e u e r a t e und Spätkaufrate verwendet. Unter längerfristigen Gesichtspunkten wird bei der Pre-Testmarkt-Modellierung - was sich auch mit einer Reihe empirischer Untersuchungen zu NeuproduktEinführungen in etablierten Produktkategorien deckt - erwartet, daß sich bereits innerhalb weniger Perioden gewisse Sättigungseffekte zeigen: Ein sogenannter langfristiger B e k a n n t h e i t s g r a d des Neuprodukts bei den (potentiellen) Nachfragern wird angenähert und kann danach nicht mehr wesentlich erhöht werden (Es werden nur noch wenige Ubergänge von der Klasse uninformierter (potentieller) Nachfrager in die Bekanntheitskiasse erwartet.). Ebenfalls wird angenommen, daß nach den diesen Betrachtungen zugrundeliegenden Perioden nur noch wenige Nachfrager für einen Probekauf des Neuprodukts in Frage kommen (Es werden nur noch wenige Ubergänge von der Bekanntheitskiasse in die Probekäuferklassen erwartet.). Unter solchen Annahmen spricht einiges dafür, daß der Probekäuferanteil an den (potentiellen) Nachfragern sich nach wenigen Perioden dem o.a. langfristigen Probekäuferanteil annähert. Nimmt man weiter an, daß die oben bereits mit Treuerate bzw. Spätkaufrate bezeichneten Kenngrößen im interessierenden Zeitraum keinen die folgenden Aussagen beeinflussenden Schwankungen unterliegen, d.h. im wesentlichen konstante Werte annehmen, so kann die Situation mit den beiden Zuständen "aktuell (das Neuprodukt) kaufend" und "aktuell (das Neuprodukt) nicht kaufend" und den entsprechenden Ubergangswahrscheinlichkeiten durch einen Markov-Prozess erster Ordnung modelliert werden, über den der langfristige Anteil der (das Neuprodukt) kaufenden Probekäufer (kurz als langfristiger W i e d e r k ä u f e r a n t e i l bezeichnet) nach der Formel

langfristiger Wiederkäuferanteil = ,—;—n ...i " {—? m r0 0 1 + bpatkautrate — ireuerate geschätzt werden kann. Abbildung 9.8 verdeutlicht, wie bei gegebener Treue- und Spätkaufrate bereits nach wenigen Perioden ein langfristiger Wiederkäuferanteil (über den Anteil der Klasse aktuell (das Neuprodukt) kaufender Probekäufer an den Probekäufern) angenähert werden kann.

9.3 Was muß man von der Methodik

265

wissen?

Anteil der Klasse aktuell Anteil der Klasse aktuell (das Neuprodukt) (das Neuprodukt) nicht kaufender Probekäufer kaufender Probekäufer an den Probekäufern an den Probekäufern Periode 1 Periode 2 Periode 3 Periode 4 Periode 5 Periode 6 Periode 7 Pertode 8 Periode 9 PeriodelO Periodell Periodel2 PeriodelS Perioden Periodel5

Abbildung

100.000% 75.000% 58.750% 48.187% 41.322% 36.859% 33.958% 32.073% 30.847% 30.051% 29.533% 29.196% 28.978% 28.836% 28.743%

0.000% 25.000% 41.250% 51.813% 58.678% 63.141% 66.042% 67.927% 69.153% 69.949% 70.467% 70.804% 71.022% 71.164% 71.257%

9.8 Entwicklung der Anteile der Klassen aktuell (das Neuprodukt) kaufender bzw. nicht kaufender Probekäufer an den Probekäufern bei einer Treuerate von 75% und einer Spätkaufrate von 10% (Gleichgewichtswerte: 28.571% bzw. 71.429%)

Schon aus Abbildung 9.7 ist zu entnehmen, wie Schätzungen für die Kenngrößen langfristiger Probekäuferanteil, Treuerate und Spätkaufrate aus Daten im LaborTestmarkt ermittelt werden können: • Als Schätzung des langfristigen Probekäuferanteils wird i.d.R. die P r o b e kaufrate, also der Anteil der Versuchspersonen verwendet, die sich nach erfolgter Werbesimulation bei der ersten Kaufsimulation für einen (Erst-)Kauf des Neuprodukts entscheiden konnten. • Der Anteil der Probekäufer, die sich auch bei der zweiten Kaufsimulation für einen Kauf des Neuprodukts entscheiden konnten, wird auch als (Erst-) W i e d e r k a u f r a t e bezeichnet und dient oft als Schätzung für die Treuerate. • Die Spätkaufrate wird häufig über den Anteil der Probekäufer geschätzt, die bei der zweiten Kaufsimulation das Neuprodukt nicht gekauft haben, aber eine Kaufabsicht für die nächste Periode (kurz mit K a u f a b s i c h t s r a t e bezeichnet) geäußert haben.

266

9

PRE-TESTMARKT

Aus Schätzungen für den langfristiger Probekäuferanteil und den langfristigen Wiederkäuferanteil kann dann bei vielen Pre-Testmarkt-Modellen auf Basis der Grundgleichung von Parfitt, Collins (1968) multiplikativ der erwartete langfristige Marktanteil des Neuprodukts in der zugrundegelegten Produktkategorie ermittelt werden. Neben solchen einfachen Möglichkeiten, Schätzungen der entsprechenden Kenngrößen und daraus eine direkte Schätzung des zu erwartenden langfristigen Marktanteils des Neuprodukts (direkt aus den Daten des Labor-Testmarkts) zu erhalten, sind natürlich komplexere Modellierungsansätze, die die umfangreiche Datengrundlage aus der kontrollierten Testumgebung des Labors auswerten und in die Pre-Testmarkt-Modellierung einbeziehen, aufgrund der sich hieraus ergebenden Möglichkeiten für Sensitivitäts- und Szenarioanalysen von besonderem Interesse. Da es sich bei diesen bereits in Abschnitt 9.2 beschriebenen Datengrundlagen um Informationen handelt, die auch schon in den Kapiteln 3, 4, 5 und 6 von Interesse waren - z.B. als Daten, mit denen die Beschreibung bzw. Wahrnehmung von Untersuchungsobjekten kodiert wird, oder als Daten, mit denen Präferenz in bezug auf Untersuchungsobjekte ausgedrückt wird, sowie als Daten, mit denen Auswahlentscheidungen spezifiziert werden - und die in den genannten Kapiteln bereits entsprechend ausgewertet wurden, stellen die dort beschriebenen Methoden - siehe etwa die Ausführungen hinsichtlich ausgewählter Methoden zur Repräsentation, zur Klassifikation, zur Identifikation, zur Präferenz-Modellierung und zur Auswahl-Modellierung - auch im Zusammenhang mit der Pre-TestmarktModellierung grundlegende Auswertungsmöglichkeiten dar. Komplexere Modellierungsansätze verwenden Kombinationen obiger Auswertungsmethoden zur Einbeziehung der erhobenen (Un-)Ähnlichkeits- oder Präferenzbeziehungen in ein formales System mit den Werten der bereits angesprochenen (Übergangs-)wahrscheinlichkeiten bzw. Auswahlentscheidungen als abhängigen Größen. Typische komplexere Pre-Testmarkt-Modelle sind hierbei die weiter oben bereits angesprochenen Modelle PERCEPTOR (siehe Urban (1975)), ASSESSOR (siehe Silk, Urban (1978), Urban, Katz, Hatch, Silk (1983) oder Blanchard, Hardin (1983)), TESI (Erichson (1981, 1987)) oder SUCCESSOR (Böckenholt, Gaul (1987)). Überblicke und Vergleiche finden sich z.B. in Robinson (1981) und Shocker, Hall (1986). Auch MÁRK?MAM verwendet am Institut für Entscheidungstheorie und Unternehmensforschung entwickelte und als besonders geeignet erachtete Varianten solcher Pre-Testmarkt-Modelle zur Neuprodukt-Erfolgsprognose auf Basis von Daten aus Labor-Testmärkten. Gesichtspunkte zur Einordnung der bei M A7Í.K,2M AN

9.3 Was muß man von der Methodik

267

wissen?

verwendeten Pre-Testmarkt-Modelle PTM1 und PTM2 enthält Abbildung 9.9, wobei die eingezeichneten Verbindungen zwischen einzelnen Modellen - wie bei der vergleichbaren Abbildung 8.6 des vorigen Kapitels - wieder bedeuten, daß das jeweils neuere Modell z.T. auf Gleichungssystemen des älteren Modells aufbaut.

PERCEPTOR (1968)

NEWS (1971)

SPRINTER (1970)

FASTRAC (1983)

Abbildung

9.9:

Einordnung der in MÄRX?M.AN markt-Modelle

PTM1 und

verwendeten

BASES (1978)

Pre-Test-

PTM2

Das Pre-Testmarkt-Modell P T M 1 benutzt Gleichungssysteme, wie sie bereits im Pre-Testmarkt-Modell ASSESSOR (zur formalen Darstellung von ASSESSOR siehe Silk, Urban (1978)) Verwendung gefunden haben, und zeichnet sich dadurch aus, daß die individuellen Präferenzstrukturen über eindimensionale Präferenz-Modelle und Auswahl-Modelle (hier: Logit-Modellierungen, siehe Kapitel 6) integriert werden, womit Aussagen über Marktanteilsverluste der etablierten

268

9

PRE-TESTMARKT

Produkte der Produktkategorie und weitere diagnostische Hilfen ermöglicht werden. Im Gegensatz zu ASSESSOR erfolgt bei PTM1 die eindimensionale PräferenzModellierung jedoch über Thurstone-Skalierungen (siehe Kapitel 5), die eine Auswertung der o.a. paarweisen Vergleichsurteile ermöglichen. Als zweite Modellkomponente kann bei PTM1 - ebenso wie bei ASSESSOR - zur Kontrolle der Prognosegüte die einfache (und daher eventuell robustere) direkte Schätzung des zu erwartenden langfristigen Marktanteils aus den Daten des Labor-Testmarkts erfolgen. Das Pre-Testmarkt-Modell PTM2 basiert auf den Grundgleichungen des Pre-Testmarkt-Modells PERCEPTOR (siehe Urban (1975)). Neben der individuellen Präferenzstruktur können auch Wahrnehmungs- und Segmentierungsmodelle integriert werden. Zusätzlich zu Aussagen über Marktanteilsverluste der etablierten Produkte der Produktkategorie sind so auch umfangreiche Sensitivitätsanalysen (z.B. Beurteilungen von Neupositionierungen) möglich. Im Gegensatz zu PERCEPTOR greift PTM2 zur Präferenz-Modellierung auf die in Kapitel 5 bereits beschriebenen Ansätze der verallgemeinerten Thurstone-Skalierung (Modell des wandernden Idealpunkts) zurück. Ebenso wie ASSESSOR bzw. PTM1 umfaßt PTM2 eine zweite Modellkomponente, die einfache direkte Schätzungen (dann aber ohne diagnostische Hilfen) zu Vergleichszwecken erlaubt. Um den Rahmen dieses Abschnitts nicht zu sprengen, werden einzelne Modellierungsschritte, die bei einer Pre-Testmarkt-Modellierung auf Basis der PreTestmarkt-Modelle PTM1 und PTM2 anfallen, zusammen mit der Bedienung der zugehörigen Anwendungsmodule des MAlZ&MAAf-Systems im nachfolgenden Abschnitt behandelt. Die Erläuterung von Anwendungsbeispielen folgt dann im Abschnitt 9.5.

9.4

W i e können die Anwendungsmodule bedient werden?

In M.ARIC2MAJ\f werden zur Pre-Testmarkt-Modellierung die Anwendungsmodule 'Pre-Testmarkt 1' (auf Basis des Pre-Testmarkt-Modells PTM1) und 'PreTestmarkt 2' (auf Basis von PTM2) zur Verfügung gestellt, von deren Benutzerschnittstellen aus die entsprechenden Neuprodukt-Erfolgsprognosen sowie Sensitivitäts- bzw. Szenarioanalysen aktiviert werden können. Die Abbildungen 9.10 und 9.11 geben ausschnittweise die Struktur dieser Anwendungsmodule wieder (zum Vergleich siehe man auch die Abbildung 8.8 des vorigen Kapitels bzw. die Abbildungen 2.1, 3.7, 4.5, 5.7, 6.4 und 7.10).

9.4 Wie können die Anwendungsmodule

Benutzerschnittstelle

bedient

269

werden?

Methodenbank

Datenbank

Abbildung 9.10:

Struktur des Anwendungsmoduls 2

in MAR.tC MASf

'Pre-Testmarkt

(ausschnittweise)

1'

9

270

Benutzerschnittstelle

PRE-TESTMARKT

Methodenbank

Datenbank

Abbildung

9.11:

Struktur

des Anwendungsmoduls

in M.AWOM.AM

'Pre-Testmarkt

(ausschnittweise)

2'

9.4 Wie können die Anwendungsmodule

bedient

werden?

271

In der D a t e n b a n k kann auf die in Abschnitt 9.2 bereits angesprochenen Daten zur Wahrnehmung bzw. Beschreibung von Produkten der Produktkategorie, auf individuelle Daten über paarweise Vergleiche von Produkten des "evoked set" vor und nach Probeverwendung des Neuprodukts sowie auf Daten zum Probekauf und zum Wiederkauf des Neuprodukts zurückgegriffen werden. Zusätzlich können (nur beim Anwendungsmodul 'Pre-Testmarkt 2') Daten zur Segmentzuordnung von Individuen abgelegt und wieder abgerufen werden. In der M o d e l l b a n k werden die eingesetzten Modelle nebst zugehöriger, benötigter Modellparameter (für die angesprochenen ein- und mehrdimensionalen Präferenzmodelle, für die Segmentierungs- und Wahrnehmungs- bzw. Beschreibungsmodelle, für die Auswahlmodelle sowie für die zugehörigen Kenngrößen erfaßt, auf Basis derer entsprechende Analysen durchgeführt bzw. entsprechende Darstellungen an den Benutzer weitergegeben werden können und zu deren Bestimmung auf die Methodenbank und die Datenbank des M.ÄR-K?M.AN-Systems

zurückgegriffen

werden kann. Die M e t h o d e n b a n k enthält die in Abschnitt 9.3 skizzierten Methoden. Dazu gehören: • M e t h o d e n zur A g g r e g a t i o n , zur B e h a n d l u n g f e h l e n d e r W e r t e u n d zur T r a n s f o r m a t i o n von Werten: segmentspezifische Aggregation paarweiser Vergleichsurteile (nur beim Anwendungsmodul 'Pre-Testmarkt 2'), zTransformation, Mittelwert-Transformation (jeweils spaltenweise), Behandlung fehlender Werte über eine Ersetzung durch Spaltenmittelwerte (ausschließlich bei quantitativen Datenmatrizen), • Methoden

zur

Repräsentation:

Hauptkomponentenanalyse,

Kruskal-

MDS, explizite Vorgabe von Beurteilungsdimensionen, • M e t h o d e n zur Klassifikation: einmodale hierarchische ClusteranalyseVerfahren (one-mode hierarchical clustering: single-linkage, complete-linkage, McQuitty, average-linkage, Ward, flexible Strategie) mit Bestimmung der Unähnlichkeitsbeziehungen (euklidische Distanz, quadrierte euklidische Distanz) und Kriterien zur Bestimmung der Segmentanzahl (nur beim Anwendungsmodul 'Pre-Testmarkt 2'), • M e t h o d e n zur Interpretation: Property Fitting, • M e t h o d e n zur P r ä f e r e n z - M o d e l l i e r u n g : Thurstone's LCJ Fall 5, externe

9

272

PRE-TESTMARKT

wandernder Idealpunkt-Analyse wahlweise mit Zugriff auf Wahrnehmungsbzw. Beschreibungsmodelle (nur beim Anwendungsmodul 'Pre-Testmarkt 2') und • M e t h o d e n zur Auswahl-Modellierung: Logit-Analyse (nur beim Anwendungsmodul 'Pre-Testmarkt 1') und Regressionsanalyse (nur beim Anwendungsmodul 'Pre-Testmarkt 2'). Im Rahmen der Benutzerschnittstelle der Anwendungsmodule 'Pre-Testmarkt 1' und 'Pre-Testmarkt 2' stehen die in MÄR.K,2MAJ\T durchgängig verfügbaren und in Kapitel 2 bereits erläuterten Funktionstasten zur Bereichswahl ( F l ), zur Datenein- /ausgabe ([F2~|), zur Aktivierung der Hilfestellung (| F10 |) und zum Verlassen der Anwendungsmodule ( Esc ) sowie folgende weitere Funktionstasten zur Aktivierung von Managementhilfen zur Verfügung: Über F3 (Perc) können (wie bereits in den Kapiteln 3, 4 und 5 erläutert, nähere Beschreibung siehe dort) 'perceptual map'-Darstellungen mittels Positionierungsanalysen auf Basis der Ahnlichkeitsbeziehungen der Produkte der Produktkategorie im Merkmalsraum unter Einsatz der in Kapitel 3 erläuterten Wahrnehmungs- bzw. Beschreibungsmodelle aktiviert werden. Entsprechende Berechnungen -

falls notwendig - erfolgen ebenso wie die

Speicherung zugehöriger Ergebnisse in der Daten- bzw. Modellbank. Zusätzlich werden zweidimensionale graphische Darstellungen ('perceptual map'Darstellungen) für den Benutzer erzeugt. Mittels F4 (Segm) (nur beim Anwendungsmodul 'Pre-Testmarkt 2') können Segmentierungsanalysen (wie bereits in Kapitel 4 erläutert, nähere Beschreibung siehe dort) aufgerufen werden. Bei den zu gruppierenden Objekten handelt es sich bei der hier zugrundeliegenden Problemstellung um Versuchspersonen, bei denen paarweise Vergleiche in der Eingangsbefragung erhoben wurden. Zur Segmentierung können vorgeschlagene Datengrundlagen bzw. Methoden bei jedem Wahlmenü entweder bestätigt werden (Drücken der Taste Return |) oder Alternativen aus den entsprechenden Wahlmenüs ausgewählt werden (Wahl mit Cursor, Drücken der Taste Return ). Im einzelnen handelt es sich hierbei um eine Bestätigung/Wahl hinsichtlich der Datengrundlage (Segmentierung auf Basis der Präferenzstruktur, Segmentierung nach haeufig gekauften Produkten oder Segmentierung nach haeufigst gekauftem Produkt), hinsichtlich der Standardisierung der Datengrundlage (keine Standardisierung

9.4 Wie können die Anwendungsmodule

bedient

werden?

273

oder z-Transformation), hinsichtlich der Berechnung der Ausprägungen der Unähnlichkeitsbeziehungen aus der Datengrundlage (euklidische Distanz oder quadrierte euklidische Distanz), hinsichtlich des Konstruktionsprinzips (single linkage, complete linkage, McQuitty, average linkage, Ward oder Flexible Strategie) und hinsichtlich des Kriteriums zur Bestimmung der Segmentanzahl. Standardmäßig sind eine Segmentierung auf Basis der Präferenzstruktur, keine Standardisierung, die quadrierte euklidische Distanz als Distanzindex, das Ward-Verfahren als Konstruktionsprinzip sowie das Ellenbogenkriterium zur Bestimmung der Anzahl der Segmente voreingestellt. Ist ein Segmentierungsmodell berechnet worden, wird die entsprechende Dendrogramm-Darstellung direkt ausgegeben, die Parameter des Segmentierungsmodells und die Segmentzuordnung werden in der Datenbank bzw. der Modellbank abgelegt. F5 (Pref) (nur beim Anwendungsmodul 'Pre-Testmarkt 2') erlaubt 'pref e r e n c e m a p ' - D a r s t e l l u n g e n m i t t e l s s e g m e n t s p e z i f i s c h e r Präferenzanalysen. Hier können neue Analysen aktiviert bzw. Ergebnisse früherer Präferenzanalysen abgerufen oder ersetzt werden. Zunächst wird versucht, auf bereits erstellte Modelle mit 'preference map'-Darstellung zuzugreifen. Sind entsprechende Modellparameter für den aktuellen Bereich in der Modellbank nicht enthalten, so aktiviert das System entsprechende Methoden aus der Methodenbank zur Parameterschätzung. Zur Erstellung eines mehrdimensionalen Präferenzmodells wird das M o d e l l des w a n d e r n d e n I d e a l p u n k t s eingesetzt und hinsichtlich eines Modells zur Darstellung der Ahnlichkeitsstruktur das aktuelle Wahrnehmungs- bzw. Beschreibungsmodell verwendet. Nach Durchführung entsprechender Parameterschätzungen kann zur Überprüfung der Modellanpassung ein M o d e l l a n p a s s u n g s t e s t aktiviert werden; anschließend wird eine A n p a s s u n g s t a b e l l e ausgegeben, in der alle angepaßten Modelle mit Likelihood-Quotienten-Test-Statistik und Gütekriterium AIC aufgeführt werden. Über F6 (Kalib) kann jeweils eine Kalibrierung der entsprechenden PreTestmarkt-Modelle durchgeführt werden: Im Anwendungsmodul 'Pre-Testmarkt 1' erfolgt eine M o d e l l a n p a s s u n g eines L o g i t - M o d e l l s über eine Maximimum-Likelihood-Schätzung (LogitAnalyse) auf Basis folgender Beobachtungsdaten: Die o.a. individuellen Werte auf den entsprechenden eindimensionalen Präferenzskalen vor Probeverwendung werden geeignet transformiert und finden als Merkmale der Entschei-

9

PRE-TESTMARKT

dungssituationen, der letzte Kauf eines Produkts der Produktkategorie als Ergebnis der zugehörigen Auswahl- bzw. Kaufentscheidung (zu den Begriffen siehe Kapitel 6) Verwendung. Bei erfolgreicher Modellanpassung erscheint im linken unteren Bildschirmbereich ein Ausgabefenster mit geschätzten Koeffizienten. Zugleich wird die Güte der Modellanpassung beurteilt, die entsprechenden Werte werden in einer Modellanpassungstabelle zusammengestellt und im rechten unteren Bildschirmbereich ausgegeben. Den Empfehlungen von Silk, Urban (1978) folgend, wonach die in Kapitel 6 zur Gütebeurteilung von Logit-Modellierungen angegebenen Kriterien (z.B. das Bestimmtheitsmaß oder eine Likelihood-Quotienten-Test-Statistik) bei einer Beurteilung von Pre-Testmarkt-Modellierungen der hier erläuterten Art nicht eingesetzt werden sollten, finden informationstheoretische Maße (siehe z.B. Hauser (1978) für eine formale Beschreibung dieser Maße und ihrer Herleitung) Verwendung: — Ausgangspunkt ist hierfür (fiktiv) eine Situation, in der bzgl. der Versuchspersonen einer Stichprobe noch keine Präferenzdaten erhoben wurden. Zu diesem Zeitpunkt sei nur bekannt, welche Marktanteile die in der Stichprobe abgefragten etablierten Produkte haben sollen. Soll vorhergesagt werden, welches Produkt eine einzelne Versuchsperson als nächstes auswählt, kann - ohne Einbeziehung weiterer Informationen - in diesem von der Informationslage her als ungünstig unterstellten Fall nur "naiv" vermutet werden, daß durch die Versuchspersonen Produkte mit Wahrscheinlichkeiten entsprechend der bekannten Marktanteile der einzelnen Produkte ausgewählt werden. Verwendet man ein Entropie-Maß, so kann diese (ungünstige) Situation beurteilt werden, die Kenngröße wird als totale Unsicherheit bezeichnet. - Durch die Erhebung von individuellen Präferenzdaten sowie die Kalibrierung von Präferenz- und Auswahlmodellen können "günstigere" Vorhersagen für das individuelle Auswahlverhalten erstellt werden, da die zuvor kalibrierten Modelle für Prognosen herangezogen werden können. Es findet eine Unsicherheitsreduktion (gegenüber der totalen Unsicherheit) statt, der entsprechende Wert kann bei Beurteilung der neuen Situation wieder mit dem schon genannten Entropie-Maß ermittelt werden. Die Differenz zwischen diesen Werten wird als "expected information" bezeichnet, den Anteil der Kenngröße "expected information" an der Kenngröße "totale Unsicherheit" nennt man erklärte Unsicherheit.

9.4 Wie können die Anwendungsmoduie

bedient

werden?

275

Die durchgeführte Modellierung wird als umso "nützlicher" angesehen, je größer dieser Anteil ist. — Daneben könnte eine Unsicherheitsreduktion auch auf Basis der beobachteten Daten bewertet werden. Die entsprechende Differenz zur totalen Unsicherheit wird mit "observed Information" bezeichnet, bei einer gelungenen Modellanpassung sollten die Werte der Kenngrößen "observed Information" und "expected information" nahe beieinander liegen. Im Anwendungsmodul 'Pre-Testmarkt 2' werden zur Kalibrierung des PreTestmarkt-Modells PTM2 M o d e l l a n p a s s u n g e n v o n R e g r e s s i o n s m o d e l len über Kleinste-Quadrate-Schätzungen auf Basis folgender Beobachtungsdaten vorgenommen: Die Abstände (die quadrierten euklidischen Distanzen) der Idealpunkte in den o.a. segmentspezifischen mehrdimensionalen Präferenzmodellen vor bzw. nach Probeverwendung des Neuproduktes finden als unabhängige, die segmentspezifische Probekaufrate bzw. die segmentspezifische Treuerate als abhängige Größen Verwendung. Bei erfolgreicher Modellanpassung erscheint im linken unteren Bildschirmbereich ein A u s g a b e f e n s t e r m i t g e s c h ä t z t e n Koeffizienten. Zugleich wird die Modellanpassung über Bestimmtheitsmaße (zum Begriff siehe z.B. Kapitel 6) beurteilt. • Durch Betätigen von | F7 |(Progn) kann nach erfolgter Modellkalibrierung eine P r o g n o s e , genauer: eine N e u p r o d u k t - E r f o l g s p r o g n o s e , aktiviert werden. Marketing-Plan-Daten (der langfristig angestrebte Bekanntheitsgrad und die langfristig angestrebte Verfügbarkeit) werden über Wahlmenüs vom Benutzer abgefragt. Zusätzlich (nur beim Anwendungsmodul 'Pre-Testmarkt 2' erforderlich; beim Anwendungsmodul 'Pre-Testmarkt 1' dient dieser Wert zur Gütebeurteilung, s.u.) wird die erwartete Spätkaufrate (siehe Abschnitt 9.3 für eine einfache Schätzung der Kaufabsichtsrate, aus der man auf die Spätkaufrate schließen kann) vom Benutzer - ebenfalls über ein Wahlmenü - angefordert. Variationen dieser Werte ermöglichen Sensitivitätsanalysen. Prognoseergebnisse werden tabellarisch ausgegeben. Insbesondere erfolgt eine Ausgabe des zu erwartenden langfristigen Marktanteils sowie der zu erwartenden Marktanteilsverluste der etablierten Produkte der Produktkategorie. • Mittels [~F8~|(Guete) wird eine G ü t e b e u r t e i l u n g d e s P r e - T e s t m a r k t - M o dells durchgeführt: Da für die Marktanteile vor Probeverwendung des Neuprodukts einfache Schätzungen vorliegen (relative Häufigkeiten der Nennungen der etablierten

9

276

PRE-TESTMARKT

Produkte als zuletzt gekaufte Produkte), kann hierüber ein graphischer Vergleich angefordert werden. Darüber hinaus liefern die in Abschnitt 9.3 angeführten direkten Schätzungen des zu erwartenden langfristigen Marktanteils aus den Daten des Labor-Testmarkts Hinweise auf Vergleichsmöglichkeiten für die NeuproduktErfolgsprognosen. "Weit" auseinanderliegende prognostizierte Marktanteile machen gesonderte Untersuchungen erforderlich. Durch F9 (Neupos) (nur beim Anwendungsmodul 'Pre-Testmarkt 2') können N e u p o s i t i o n i e r u n g e n des Neuprodukts über Sensitivitäts- und Szenarienanalysen auf der Basis von Wahrnehmungen des Neuprodukts durch die Versuchspersonen analysiert werden. Innerhalb eines gewissen Bereichs kann die Positionierung des Neuprodukts über die Lage des dem Neuprodukt entsprechenden Punktes in der 'preference map'-Darstellung variiert werden (Die Variation kann wahrgenommenen oder tatsächlich eingetretenen Änderungen der Merkmalsausprägungen entsprechen.). Anschließend erfolgt eine Prognose des Marktanteils des Neuprodukts und der Marktanteilsverluste der etablierten Produkte unter diesen variierten Bedingungen. • Mittels Shift +| F3 kann die Interpretationshilfe - wie in Kapitel 5 bereits beschrieben - aktiviert oder auch ausgeschaltet werden. Weitere Bedienungshinweise und Übungsmöglichkeiten bzgl. der Anwendungsmodule ergeben sich, wenn man die nachfolgenden Anwendungsbeispiele selbst auf dem Computer durchprobiert.

9.5

Anwendungsbeispiele

Die Beschreibung von zwei Anwendungsbeispielen zur Ermittlung von NeuproduktErfolgsprognosen für ein Neuprodukt im bundesdeutschen Kaffee-Markt mittels Einsatz der Anwendungsmodule 'Pre-Testmarkt 1' und 'Pre-Testmarkt 2' des MATUOMAN-Sysiems

soll - wie in den vorangegangenen Kapiteln - den Um-

gang mit der bereitgestellten Software erleichtern. Beiden Beispielen liegen Daten zugrunde, die in Kapitel 11 zusammenfassend dargestellt sind und in Kapitel 5 zumindest teilweise bereits im Rahmen einer Präferenzanalyse ausgewertet wurden. In diesem Abschnitt wird auf Anwendungsaspekte

9.5

Anwendungsbeispiele

277

im Rahmen einer zu beurteilenden Neuprodukt-Einführung eingegangen; auf grundlegende Auswertungsschritte, die in Kapitel 5 bereits behandelt wurden, braucht hier dementsprechend nur verwiesen zu werden.

9.5.1

Neuprodukt-Erfolgsprognose im Kaffee-Markt mittels Pre-Testmarkt-Modellierung

Bei der in Kapitel 5 ausgewerteten Datengrundlage - Assoziationsdaten und Daten zu paarweisen Vergleichen, die bei 56 Versuchspersonen zur Charakterisierung gewisser Aspekte im Kaffee-Markt erhoben worden waren - handelt es sich um einen (für die in Kapitel 5 angesprochenen Überlegungen besonders interessierenden) Ausschnitt aus einer umfangreicheren Menge an Daten, wie sie bei NeuproduktEinführungen anfallen können und in Abschnitt 9.2 als typische in Labor-Testmärkten erhebbare Informationen beschrieben wurden. Zur Erstellung einer Neuprodukt-Erfolgsprognose wurden ausgehend von dieser Datengrundlage mit Hilfe des Anwendungsmoduls 'Pre-Testmarkt 1' weitere Daten in den Bereich 'KAFFEE1' des .M.47?X2./Vi.4A/'-Systems eingegeben (Diese Eingabe wäre auch über das Anwendungsmodul 'Pre-Testmarkt 2' möglich gewesen.): Die Datengrundlage des Bereichs 'KAFFEE1' wurde durch Drücken der Taste F2 Wahl von 'Modifikation', Wahl von 'Daten zum paarweisen Vergleich' und Eingabe der Daten mit Hilfe des Daten-Editors (siehe Kapitel 2) erweitert. Auf die eingegebenen Daten kann man über Drücken der Taste [F2](Daten) und Wahl der interessierenden Datengrundlage wieder zugreifen. Abbildung 9.12 gibt bereits erste Ergebnisse einer Auswertung des hier beschriebenen Beispiels wieder: Im Bildschirm-Hintergrund ist eine 'perceptual map'Darstellung zu sehen, wie sie schon in Kapitel 5 auf Basis einer entsprechenden Datengrundlage hätte erstellt werden können (vgl. Abbildung 5.12). Im Anwendungsmodul 'Pre-Testmarkt 1' ist diese Darstellung über folgende Tastenbetätigungen erhältlich: Drücken der Taste | F3 |(Perc), Wahl von 'Hauptkomponentenanalyse' als Methode zur Repräsentation und Wahl von 'z-Transformation' als Methode zur Transformation von Werten. Da Situationen dieser Art in Kapitel 5 bereits ausführlich beschrieben wurden, erfolgen hierzu keine weiteren Ausführungen. Darüber hinaus wurde auch schon eine Modellkalibrierung des dem Anwendungsmodul zugrundeliegenden Pre-Testmarkt-Modells P T M 1 vorgenommen (Drücken der Taste [F6](Kalib)): Auf Basis der zugrundeliegenden Daten zum paarweisen Vergleich der etablierten Produkte vor Probeverwendung des Neuprodukts

9

278

PRE-TESTMARKT

wurden für jede Versuchsperson (individuelle) Präferenzwerte für die (etablierten) Produkte des (individuellen) "evoked set" auf einer (individuellen) eindimensionalen Präferenzskala ermittelt (siehe auch Kapitel 5 zu diesen Begriffen).

Abbildung

9.12:

Darstellung

des Bildschirminhalts

'Pre-Testmarkt

1'im

einer 'perceptual map'-Darstellung Pre- Test markt-Modells

beim

Bereich 'KAFFEE1'

Anwendungsmodul nach

Aktivierung

und Kalibrierung

des

PTM1

Zusätzlich erfolgte die Schätzung des entsprechenden Modellparameters eines Logit-Modells (siehe Kapitel 6), bei dem die Präferenzwerte (als unabhängige Größen bzw. Merkmale der zugrundeliegenden Entscheidungssituation) und die (individuellen) Auswahlentscheidungen (über den letzten Kauf von Produkten der Produktkategorie als Ergebnis der entsprechenden (Kauf-)Entscheidung) im Rahmen eines Maximum-Likelihood-Ansatzes benutzt wurden. Zur Beurteilung der Güte der Modellanpassung sind informationstheoretische Maße als Gütekriterien

9.5

279

Anwendungsbeispiele

im rechten unteren Bildschirmfenster angegeben worden. Die gute Übereinstimmung der Werte für die Kenngrößen "expected information" und "observed information" weist darauf hin, daß das Logit-Modell und damit das übergeordnete Pre-Testmarkt-Markt-Modell P T M 1 gut angepaßt wurde (siehe hierzu auch Abschnitt 9.4). Darüber hinaus wird (ebenfalls als Folge der Aktivierung der Modellkalibrierung mittels | F6 ](Kalib)) für diejenigen Versuchspersonen, die sich für eine Probeverwendung des Neuprodukts entscheiden konnten, eine Bestimmung der Präferenzwerte auf einer entsprechenden eindimensionalen Präferenzskala nach Probeverwendung des Neuprodukts vorgenommen. Die Datengrundlage bilden hier die Daten zum paarweisen Vergleich der etablierten Produkte nach Probeverwendung des Neuprodukts; das "evoked set" umfaßt nun zusätzlich das Neuprodukt (siehe auch die Erläuterungen zur Datengrundlage in Abschnitt 9.2). Pre-Test«arkt 1 KAFFEE1-Be reich Modelloroanose 2.Hauptko(nponentc 37.20^ unver k ennb. Arona /

hohe Qualitaet

/ Q*li

\ \ ^S extent 4 \

von Bitterst. befreit reizar»

ft Schonkaff e e \ P ^ »nteoffeiniert Fl-Bareich F2-Daten F3-Perc F4-Srai l-b-Pret F6-Kalib F7-Progn F8-Guete

Abbildung

9.15:

Mehrdimensionales

Präferenz-Modell

im Bereich

F9-Neu»o

'KAFFEE1'

mit 'Segment«' bezeichnet) und - falls dem Segment aufgrund der Segmentierungsergebnisse auch Probekäufer zugeordnet waren - ein I d e a l p u n k t nach P r o b e v e r w e n d u n g des N e u p r o d u k t s (jeweils mit 'P(Segmenti)' - diese Notation steht hier für Probekäufer des Segments i - bezeichnet). Zusammengehörende Idealpunk-

284

9

PRE-TESTMARKT

te sind jeweils durch Linien verbunden, die die soeben beschriebenen Änderungen bei den entsprechenden Segmenten verdeutlichen sollen. Bei Interpretationen dieser Änderungen ist zu beachten, daß Idealpunkte nach Probeverwendung nur den Probekäufer-Anteil der entsprechenden Segmente repräsentieren, während die Nicht-Probekäufer weiterhin durch den alten Idealpunkt wiedergegeben werden. Die Kreisfläche der Idealpunkte repräsentiert die relative Größe der Segmente bzw. die relative Anzahl der Probekäufer der jeweiligen Segmente. Man erkennt: Nach Probeverwendung des Neuprodukts haben die Probekäufer in den einzelnen Segmenten z.T. sehr unterschiedlich reagiert. Während sich die Probekäufer in den Segmenten 'Segment3', 'Segmentl' und 'Segment4' durch das Neuprodukt eher in ihrer Bevorzugung schonender oder milder Produkte bestätigt fühlen, stößt das Neuprodukt bei den Probekäufern in 'Segmentö' offensichtlich auf Zustimmung, der Idealpunkt wurde in Richtung auf das Neuprodukt verschoben. Die Idealvorstellungen der Probekäufer in 'Segment2' wurden ebenfalls revidiert, jedoch nicht unbedingt zu einem Vorteil für das Neuprodukt. Nach diesen vorgelagerten Auswertungsschritten kann nun die Aktivierung der eigentlichen Modellkalibrierung durch Drücken der Taste | F6 |(Kalib) erfolgen. Segmentspezifische Probekaufraten bzw. segmentspezifische Treueraten (ermittelt über direkte Schätzungen aus den segmentierten Daten zum Probekauf bzw. zum (Erst-)Wiederkauf, wie es in Abschnitt 9.3 bereits beschrieben wurde) werden in Abhängigkeit von den Entfernungen der segmentspezifischen Idealpunkte von der Lage des Neuprodukts mit Hilfe eines Regressionsmodells berechnet. Abbildung 9.16 gibt bereits geschätzte Modellparameter und Gütebeurteilungen der Modellanpassung wieder. Im linken unteren Bildschirmfenster sind die entsprechenden Koeffizienten für die Modellierung der Probekaufrate und der Treuerate wiedergegeben. Neben einem konstanten Effekt ist hierbei die Entfernung der Lage des Neuprodukts vom segmentspezifischen Idealpunkt (hier: quadrierte euklidische Distanz) berücksichtigt worden. Im rechten unteren Bildschirmfenster sind Gütebeurteilungen wiedergegeben. Die hohen Werte des Bestimmtheitsmaßes (94.906% bzw. 93.079%) weisen auf eine zufriedenstellende Anpassung hin. Im linken oberen Bildschirmfenster sind graphisch prognostizierte und beobachtete segmentspezifische Probekaufraten gegenübergestellt, wobei die Größe der einzelnen Kreise die Größe des zugehörigen Segments repräsentiert. Neben der guten Modellanpassung erkennt man in Abbildung 9.16, daß es Segmente mit hohen Probekaufraten (ca. 50%-60% der Versuchspersonen konnten sich für einen Probekauf entscheiden) und Segmente mit nur geringen Probekaufraten (mit Werten um ca. 15%) gibt.

9.5

Anwendungsbeispiele

Pre-Twtharfct prowi. 75t

2

285

KBFFEEl-Bar-aich

Probckaufrate

I

V

.

)

Hödel lkalibr i.nrng 3

7

.

2

F3-Paten

Abbildung

.

^kein« Hischmg

46 «0 Probekaufrate

F3-P«rc F 4 - I w i

9.16:

/

guttr CeschMack

... b ... oo [

Fl-Baraich

'

h« Oualltaat

O C

30 beob.

0

Kalibrierung

1. H a u p t k o m p o n e n t e

75

F5-Pr«f

F6-Kalib

F7-Proan

im Anwendungsmodul

F8-Guete

'Pre-Testmarkt

41.3BX.

F9-Meuno

2'

Aufgrund der zufriedenstellenden Modellanpassung kann nun eine NeuproduktErfolgsprognose aktiviert werden (Drücken der Taste F7 (Progn), Eingabe von Parametern gemäß der Abarbeitungsreihenfolge, wie sie bereits im vorangegangenen Abschnitt beschrieben wurde.), die dann - wie weiter oben ebenfalls beschrieben wieder mittels einer Gütebeurteilung überprüft werden kann. In Abbildung 9.17 sind die entsprechenden Bildschirminhalte zu sehen. Ahnlich wie es im vorangegangenen Abschnitt für das Anwendungsmodul 'Pre-Testmarkt 1' bereits beschrieben wurde, ist ein Bildschirmfenster mit den prognostizierten Marktanteilsverlusten der etablierten Produkte wiedergegeben worden. Darüber hinaus sind im (darüberliegenden) Bildschirmfenster wieder Marktanteilsprognosen auf Basis von PTM2Schätzungen und auf Basis direkter Schätzungen gegenübergestellt. Hierbei ist zu beachten, daß nun die ausgewählte Spätkaufrate von 20% sowohl bei der direkten Schätzung als auch bei der PTM2-Schätzung Eingang findet. Man erkennt: Erneut liegen die Schätzungen für den Marktanteil (die Werte

9

286

PRE-TESTMARKT

3.874% bzw. 3.443%) nahe beeinander. Ein langfristiger Marktanteil des Neuprodukts von 3% bis 4% ist zu erwarten. Auch die im vorangegangenen Abschnitt prognostizierten höheren Verluste der etablierten Produkte 'J Kroenung' und 'E Gala N r . l ' werden bestätigt. Prc-Testnarkt 2 KM-hbhl-Bereich Buetebeurtei luna 37.20X progn . Probekaufrate 75-

pO

He Oualltaet

!

;

b

[

i

i

1

i

°

0

guter 6eschnack

rkeine

Mischung

1. Hauptkomponente 41.36X 30 46 60 75 beob. Probekaufrate (Vi) Prognose Erstkaufrate < V.} n->Erst kauf r a t e m Erstkauf |H lederkauf |Kauf

beob . Bekanntheit Per. 1 55.ÜÖO Per. £ M .fcoo Per. i Per. 4 Sä.Mo

ft.IÓtì

13.ÒÓÓ 18.am

lFl-6ereich FS-baten F3-Kalib Fl-4>r~~ « - f t . - * . F6-

.O . û . ô .O

O ô ô O

O û ô O

2 0 0 . 0 0 0

l.OOO

P e r . 1 1

2 0 0 . 0 0 0

l . a o o

P e r . 1 2

2 0 0 . 0 0 0

l.OOO

F 5 - G u e t e

Bildschirminhalt

FB-flnal

F 1 0

zu ausgewählten

MP(Marketing-Plan)-Daten

ESC

1

periodischen

im Bereich

'BSP5'

Zusätzlich liegen Daten zum Marketing-Plan für die ersten vier Perioden des Markttests und für weitere acht Perioden vor, Abbildung 11.8 zeigt hier kodierte Werte bzgl. Werbung und relativem Preis, ebenfalls als Darstellung mittels

11

332 MA7l/C2MAAi-Screen,

BEISPIEL-DATEN

jetzt allerdings im Anwendungsmodul 'Testmarkt 2', in

dem der Bereich 'BSP5' auch analysiert werden kann. Mit Informationen dieser Art können nun Testmarkt-Modellierungen in Angriff genommen werden. Auswertungsmöglichkeiten der Datengrundlage des Bereichs 'BSP5' werden in Kapitel 8 (Testmarkt) beschrieben.

11.1.5

Der Bereich 'BSP6'

Die Datengrundlage dieses Bereichs beschreibt Ergebnisse einer D a t e n g e w i n n u n g i m T e s t s t u d i o (siehe Kapitel 9 zur ausführlicheren Erläuterung zugehöriger Begriffe).

IPre-TestHarle t

1

BSP£-Bereich

S t ichprobwisroatM auswertbare U e r s u c h i i M r i o n a n auswertbare Probekaeufer auswertbare Miederkaeufer

UPI

uorhei

Produkt! Produfc t 2 Produkt 3 Produkt*

Daten uefaar

oaarueise

Ueraleiche

und z u n

Kauf

1

J SC1 " 5 1r 11L i

•

P r o P r o P r o P r o P r o P r o Pro P r o P r o P r o P r o P r o Neu

—r

Ö

Produkts Produktl Produkt? Produkts Produkts

r

Ö

r

~ f f

—c

~ g

r

r

o

5

r

P r o d u k t lO Prodi* t l l ProdJll.ÖÖ ö 750 2elle i.öö i 139,73S 408.OO Zel le 5 1 .oo o.oo 61 .OO 825.OO o .oo Zalla 6 1 . oo o.oo 1 .oo 287,.oo 1638.OO Zel la 7 1 . oo 1 .oo o .oo 233 .oo 858.OO Zelle 8 1 . Oü l.OO i .oo 382 .oo 1033.OO Fl-Bereich F2-Daten F3-ipez F4-Kalib F5-Proqn FG-Guete F7-Onal FlO ESC Abbildung

11.25:

BildschirminhaJt

bzgl. Daten zur Akzeptanz

im Bereich

'TELECOM1'

11.2.5

Der Bereich 'OMEGA1'

Im folgenden wird eine D a t e n g r u n d l a g e z u m K a u f v e r h a l t e n in e i n e m fikt i v e n M a r k t beschrieben. Sie ist unter dem Namen 'OMEGA1' im

MATIK,2

11.2 Beispiel-Daten M.AN-System

mit

Praxis-Bezug

351

abgespeichert und als vom Anwendungsmodul 'Auswahl' aus er-

zeugbarer Bildschirminhalt in Abbildung 11.26 dargestellt. Auf Ähnlichkeiten zur Datengrundlage des Bereichs 'BSP3' sei explizit hingewiesen. Auswahl

OMEQfll-Bereieh

Daten z u r flitsuah 1 / z u n Kauf

OMEOftl Preisl Uerbl Uerbl.up Preis2 PRODUKT1 PRODUKT2 Per. 1 ö.iö i.öö Per. 2 124.00 0.79 0.79 731.OO Per . 3 O.BS O.IO O.IO O .69 7 6 . OO 968.OO Par. 4 0.79 O.IO O.IO O .69 126.OO 1 0 7 0 . 0 0 2.00 Per. 3 O .89 O.IO O .79 89 .OO 666.OO Per. 6 0.89 2 .OO 2 .OO 2 3 6 .OO O .79 583.OO ö.iö s.öö Per. 7 0.S9 0.« 640. 00 039.00 ö.iö Per. 6 0.69 ö.iö 0.75 155.00 025.00 0.69 Per. 9 O .50 O.IO O .79 223.OO 973.OO O .79 2 .OO 2 2 a .OO Per.lO 0.30 O .79 851.OO Per.11 O .79 2.00 O .99 447 .OO 2 .OO 533.OO Per.12 0.79 O.SO O .99 211.OO 2.00 644.OO Ö.5Ö Per.13 0.69 B.SO 0.99 101.00 775.OO i.öö Per.14 Ö.5Ö 139.00 Ö.Ö9 0.99 672.00 O .89 1 .OO Per.15 1 .OO 0.89 Per.16 O .89 O.IO l.OO 0.89 2 .OO Per.17 O .89 O.IO 0.99 Per.IS O .89 O.IO O .99 2 .OO F l - B e r e i c h F Z - D a t e n F 3 - S p g z F 4 - K a l i b F 5 - P r o a n F6-G«jete F 7 - f t n a l F l O ESC

Abbildung

11.26:

Bildschirminhalt Marketing-Mix

bzgl. Daten zu Absatzentwicklung im Bereich

und

'OMEGA1'

Um einen Einblick in Wirkungszusammenhänge beim Absatz seines Produktes zu gewinnen, hat ein Hersteller historische Daten zur Absatzentwicklung seines Produktes sowie aggregierte Absätze der Produkte der Konkurrenz nebst Daten zu seinen Marketing-Maßnahmen (Preis, Werbung) und denen der Konkurrenz (Preis) zusammengestellt. Die entsprechenden (z.T. historischen) Zeitreihen für • den Absatz des eigenen Produktes bis zur aktuellen Periode 14 (in 1000 Mengeneinheiten; abgekürzt als 'PRODUKT1'), • den Absatz der wichtigsten Konkurrenzprodukte bis zur aktuellen Periode 14 (in 1000 Mengeneinheiten; abgekürzt als 'PRODUKT2'),

11

352

BEISPIEL-DATEN

• den durchschnittlichen Marktpreis des eigenen Produktes für die zurückliegenden Perioden nebst Vorgaben für die Perioden 15 bis 18 (in Geldeinheiten pro Mengeneinheit; 'Preisl'), • den durchschnittlichen Marktpreis der wichtigsten Konkurrenten für die zurückliegenden Perioden nebst Vorgaben für die Perioden 15 bis 18 (in Geldeinheiten pro Mengeneinheit; 'Preis2'), • die Werbeausgaben für die zurückliegenden Perioden nebst Vorgaben für die Perioden 15 bis 18 (in Geldeinheiten pro 1000 Konsumenten; 'Werbl') und • die Werbeausgaben in der jeweiligen Vorperiode (in Geldeinheiten pro 1000 Konsumenten; 'Werb.vp') wurden ins MÄR.K.2MASf-SystC2M.AJ\f-Sys\,em

adaptiert und abgespeichert worden. Abbildung 11.27 gibt

einen Uberblick über die in 'GROOVY1' verfügbaren Daten und Informationen zu Wirkungszusammenhängen. Benutzt wurden die in Kapitel 7 eingeführten Kurzbezeichnungen (siehe auch Abbildung 7.4, wo weitere Datengrundlagen aufgelistet sind, die im Anwendungsmodul 'Marketing-Mix' ausgewertet werden können). Gegenüber der ursprünglichen Datengrundlage wurden Verfremdungen durchgeführt. Durch Bildschirminhalte, wie sie im Anwendungsmodul 'Marketing-Mix' abgerufen werden können, sind ausgewählte (Teil-)Datenmengen von ' G R O O V Y l ' in den Abbildungen 11.28 und 11.29 teilweise dargestellt. "Groovy" (der Name ist ein Pseudonym) ist ein in seiner Produktgruppe (Segment) etablierter Sirup - ein Produkt, dessen Absatzzahlen im Zeitraum 1966-1968 erhebliche Schwankungen aufwiesen. Zur Entwicklung einer geeigneten MarketingStrategie bzw. zur Uberprüfung des zur Zeit gewählten Marketing-Plans wurden, wie der Literaturvorlage zu entnehmen ist, historische Daten bzgl. der angenommenen Einflußfaktoren - Werbung, Preis, Verkaufsförderung, Saisonalität und Trend

11.2 Beispiel-Daten

mit

353

Praxis-Bezug

- gesammelt und in ein aggregiertes Reaktionsmodell (BRANDAID) eingebracht (siehe Little (1974, 1975)). Der Idee des Decision Calculus folgend, wurden diese Einflußfaktoren - soweit möglich - als Indizes bzgl. geeignet gewählter Bezugswerte dargestellt. So ist z.B. die Saisonalität - unter ceteris paribus Annahme bzgl. anderer Einflußfaktoren - als direkter Index aus historischen Daten ermittelt worden. skalare

periodische

Größen

globale Bezugsdaten

Marktanteil(B) Segmentabsatzquote(B)

Werbung

Streuwirkungsindex(B) Wirksamkeitsindex(B) Ausgabenquote(B) Anteil sofortige Bekanntheit Anteil sofortige W i r k u n g M a r k t a n t e i l ohne Werbung M a r k t a n t e i l m i t m a x . Werbung M a r k t a n t e i l m i t Erhaltungswerbung M a r k t a n t e i l m i t 50% mehr Werbung Index für wirksame Werbung(B) Wirkungsindex(B)

Preis

Verkaufsförderung (Verk.förd.)

Trend Saisonalität beobachteter Absatz

Abbildung

Größen (Einheit)

(m%) (ME/Kons./Per.) (Kons.) Konsumenten Streuwirkungsindex (Index) Wirksamkeitsindex (Index) Ausgabenquote (GE/1000Kons./Per.) (%)

(%)

(m%) (m%) (m%) (m%) (Index) (Index) Preis(B) Preis (GE/ME) (GE/ME) mittlerer Marktpreis(B) Radius des akzept.Preisbereichs ( a P ) (GE/ME) Elastizität unterhalb des a P (m%/GE%) Elastizität im a P mittlerer Marktpreis ( m % / G E % ) Elastizität oberhalb des a P (m%/GE%) (GE/ME) Index Reichweite(B) (Index) Index Reichweite Index Effektivität(B) Index Effektivität (Index) Ausgabenquote(B) A usgabenquote Stückkosten (GE/1000Kons./Per.) (%) Substitutionsanteil geförderter Anteil rel. M a r k t a n teilsgewinn 1. Folgeperiode (%) (%) rel.Marktanteilsgewinn 2.Folgeperiode (%) rel.Marktanteilsgewinn 3.Folgeperiode M a r k t a n t e i l ohne Verk.förd. (m%) M a r k t a n t e i l mit m a x . Verk.förd. (m%) M a r k t a n t e i l mit Erhaltungsverk.förd. (m%) M a r k t a n t e i l mit 50% mehr Verk.förd. (m%) Wirkungsindex(B) (Index) Wirkungsindex(B) Wachstumsrate (%) Wirkungsindex (Index) Absatz (ME/Per.)

11.27:

Überblick über die im Bereich 'GR00VY1' gefaßten Daten (Ausschnitt mit M.AHX?M.AN

zusammen-

aus den gemäß Abbildung

bearbeitbaren

Datengrundlagen)

7.4

354

11

BEISPIEL-DATEN

Bzgl. anderer komplexer Einflußfaktoren, wie z.B. Preis oder Werbung, wurden ebenfalls historische Daten gesammelt, z.B. Daten zur Werbequote, zum durchschnittlichen Preis oder zum mittleren Marktpreis. Auswirkungen einzelner Einflußfaktoren

auf den Marktanteilsindex wurden - wieder unter ceteris paribus An-

nahme - mittels geeignet gewählter Responsefunktionen subjektiv geschätzt. Mit dem kalibrierten Modell konnten schließlich verschiedene Marketingstrategien analysiert werden und eine geeignete für das Folgejahr - nach Zielkriterien wie Umsatzoder Gewinnmaximierung - ausgewählt werden. harket inq-H ix

GRQQUVl-Bereich Daten zur Werbung

Wt»r tiuiic) Streuu irkungs index H i rksänke i t s index Ausg. i.flfifl Per. i l.flÖfl l.ÖÖÖ 2.ÖÖÖ Per. 2 i.ööö 1 .ooo 1.930 Per. 3 l.OOO 1 .ooo Per. » l.OOO 1.930 Per. S l.OOO 1.300 l.OOO Per. 6 1 .ooo l.OOO 1.610 Per. ? 1 .ou i.flöö 1.3Ô0 l.ÖÖÖ Per. 6 i.ööö 1.22Ö Per. 9 1 .ooo l.OOO l.SOO Per.IO 1 .ooo l.OOO 1.220 Par.11 1 .ooo l.OOO 1. OSO Per.13 1 .ooo l.OOO 0.940 Per.15 l.ÖÖÖ l.ÖÖÖ l.lBd i.ööö Per.14 1.ÛÔÔ i.ä4ö Per.15 1 .ooo l.OOO 1.220 Per.16 1 .ooo 1 .080 1 .OOO Per.17 1 .ooo 1.130 l.OOO Per.18 1 .ooo l.OOO 1 .570 Werbung Per.19 Per.SO S t reuu irkungsindex < B > Per.21 U i rksankei t s index CB> 1 .OOO Par.22 1.900 Ausg.CB) (GE/lOOOKons./Per.) Par.23 Anteil &of. BakannthaltC/) 90.000 Per.24 Antei 1 sof. HirkungOt) 90.000 Per.25 n(X) ohne Hprbung o.ego Per.SS n h i t mx . Uerbung S.S50 Per.27 n(X> nit Erhaltung5yerbung 1.860 Per.28 nOO Mit soy. Hahr Werbung 1.9SO Par.29 Index fuar ulrksana Harbung(B) l.OOO Per.30 UirkungsindeK(B) l.OOO Fl-Bereich F3-Daten F3-Spez F4-Kalib F5-Proqn F6-Guete F7-Anal F1Q ESC Abbildung

11.28:

BildscbiTminha.lt Markt-Reaktionen

bzgl. Daten zu Werbeausgaben im Bereich

und

'GR00VY1'

Als Beispiel-Daten für das MÄR.K}M.AV-System wurden periodische Daten (eine Periode entspricht einem Monat) für 30 Perioden und zugehörige Bezugswerte ausgewählt, wobei die hier verwendeten Daten der Demonstration empirischer Marktmodellierung dienen und keinen Anspruch auf Ubereinstimmung mit konkreten Marktgegebenheiten erheben.

11.2 Beispiel-Daten Market ina-H ix

mit

355

Praxis-Bezug

OROOUVl-Bereich

Paten zur- Preisgestaltung

lUl-lU Preis(OE/ME)

niltl.HPreis(GE^ME> S tueckkofiten (GE/ME > 1.782 1.790 1 .774 1.782 1.766 1.774 1.758 1.734 1 .822 1.838 1.838 1.838 l.esa 1.838 1.893 1.870 1.870 1.878 1.878 1.870 1.900 1.902

Per. 2 Per . 3 Per. 4 Par. 3 Per. 6 Per. 7 Per. 8 Per. 9 Per.IO Per.11 Per.13 Per.13 Per.14 Per.15 Per.ie Per.17 Per.18 Per.19 Per.2D Per.21 Per.22 Per.23 Per.34 Per.25

1.888 1.880 1 .880 1.8SO I.88O 1.888 1.868 1.880 1.880 1.880 1.880 1.888 1.888 1.880 1.880 1.880 1.880 1.888 1.888 1 .880 1.8BO 1.880

1.288 1.200 1.200 1.200 1.200 1.208 1.200 1.200 1.200 1.200 1.200 1.200 1.200 1.200 1.200 1.200 1.200 1.200 1.200 1.200 1.200 1.200

P r e i s t nittl.HPreis IGE/WEl Radius des aP Elast iz. unterh.des iP(n//GEX) Elast lz. In aP < n/£SGE>! > Elast iz. oberh. des aPf-'üoitviaxe gleich zwei Anwendungsmodule bereitgestellt, die sich mit solchen Problemstellungen beschäftigen. Dies gilt auch für Kapitel 9, in dem ebenfalls zwei Anwendungsmodule - diesmal für die Neuprodukt-Einführung unter Pre-Testmarkt-Bedingungen beschrieben werden. Mit Pre-Testmarkt-Ansätzen kann man vor bzw. ohne Test-

12

376

SCHLUSSBEMERKUNGEN

markt-Aktivitäten zu Informationen gelangen, die die Unsicherheit im Vorfeld eier Neuprodukt-Einführung reduzieren helfen sollen. Die CEUS-Möglichkeiten des MAR-fC2A4 «4jV-Systems können hier - auch im Vergleich zu den zuvor angesprochenen Testmarkt-Ansätzen - einen Eindruck davon vermitteln, welche Datengrundlagen benötigt werden, welche Modellierungsbemühungen durch die neuere Forschung in diesem Bereich gestützt werden und welche Anwendungssituationen bei Neuprodukt-Einführungen behandelt werden können. K a p i t e l 10 ist der Bewertung von Unternehmensaktivitäten aus einer eher globalen Unternehmenssicht gewidmet. Denn all die in den vorausgehenden Kapiteln bereitgestellten CEUS-Kenntnisse, mit denen Hilfestellungen für die Beurteilung und Umsetzung von schwerpunktmäßig eher auf Produktebene angesiedelten Unternehmensmaßnahmen gegeben werden, sind natürlich auch vor dem Hintergrund zu sehen, daß man entsprechende Abschätzungen auf Unternehmensebene vornehmen möchte. Ein bekanntes Hilfsmittel hierfür ist die Portfolio-Analyse. Mit den erlangten Vorkenntnissen zur Positionierung und Segmentierung ist es nunmehr einfach, die Vorgehensweise bei Portfolio-Analysen zu bewerten und die Outputs der bekanntesten, in M A H f C 2 M A N implementierten Portfolio-Modelle nebst einem neuen Ansatz mittels sogenanntem multidimensionalem Portfolio zu vergleichen. Der letzte Teil I V des Buches kann unter dem Gesichtspunkt Schlußbemerkungen oder Beginn eigner c o m p u t e r g e s t ü t z t e r Behandlung individueller Problemstellungen als Ende oder als Neuanfang der Beschäftigung mit CEUS-Problemstellungen im Rahmen der zugrundeliegenden

M.A1ZK,2MAN-Sc>il-

ware verstanden werden. Zunächst erfolgt in Kapitel 11 eine Ubersicht über die im MATZK. 2 A i AA/"-System bereitgestellten Beispiel-Daten. Hierzu ist ein eignes Kapitel vorgesehen worden, um - da die benutzen Datengrundlagen in unterschiedlichen Situationen verwendet werden - Wiederholungen oder das Einschieben von den Textzusammenhang störenden Datenbeschreibungen in den vorausgehenden Kapiteln zu vermeiden. Schließlich erfolgen in Kapitel 12, in dem wir uns augenblicklich befinden, Hinweise zur Behandlung individueller Problemstellungen und Schlußbemerkungen. Die Frage, was sonst noch in einem System wie MA1ZK.2AiASf sollte, müssen letztlich die Leser dieses Buches und die Nutzer von

integriert sein MAHK.2MAJ\f

- wie vorher schon die Autoren - für sich beantworten. Natürlich ist es unrealistisch,

12.2 Zusammenfassung

und

377

Ausblick

jedem Vorschlag oder Hinweis auf Ausgestaltung von MA1UC2MANRechnung

tra-

gen zu wollen. Die Autoren wären aber froh, wenn man dem Buch nach Abwägung der früher angesprochenen Zielsetzungen genügend Anregungen für eine computerbasierte Entscheidungsunterstützung in den Bereichen Marktforschung und Marketing und für individuelle Lösungen eigner Problemstellungen entnehmen kann. Offensichtliche Ansatzpunkte für Erweiterungsaspekte der

A4ARIC2MAAi-

Software liefern natürlich bereits die Kapitelstrukturierungen der Kapitel 3 bis 10. Hier ist es ein Leichtes, zunächst zusätzliche Wünsche zur Berücksichtigung weiterer Datengrundlagen zur Bearbeitung mittels M . Ä R K ? M . A N zu artikulieren. Als nächstes kann man die Aufnahme weiterer Modelle und algorithmischer Varianten in die Methodik-Abschnitte der jeweiligen Kapitel diskutieren. Dabei muß berücksichtigt werden, daß zwischen zu verarbeitenden Datengrundlagen und einsetzbaren Modellen und Methoden vielfältige Zusammenhänge hergestellt werden können. Abbildung 12.7 gibt hier ausschnittsweise Folgen von möglichen Abarbeitungsschritten wieder, wie sie bereits jetzt mit der MAH-K^M ,4jV-Software gemäß augenblicklichem Implementationsstand im Anwendungsmodul 'Präferenz' durchgeführt werden können (man siehe auch Baier, Gaul (1990) für ausführlichere Beschreibungen im Zusammenhang mit wissensorientierten Aspekten). In Abbildung 12.7 sind Daten, wie sie im Rahmen von Primärforschungsaktivitäten erhoben werden oder als Sekundärinformationen zur Verfügung stehen können, sowie Daten, wie sie durch Weiterverarbeitung im MÄRK?M.Abf-System entstehen können, durch Rechtecke abgebildet worden. Ellipsenartige U m r a n d u n g e n markieren Modelle und Methoden, durch deren Anwendung auf zugehörige Input-Daten neue Output-Daten erzeugt werden können, wie sie zur schon angesprochenen Weiterverarbeitung innerhalb der M. AlZtC2MAJ\f-Logik

oder zur Beschrei-

bung interessierender Anwendungssituationen benötigt werden. So erkennt man in Abbildung 12.7, daß z.B. der Einsatz der unter dem Namen T h u r s t o n e ' s LCJ Fall 5 in Kapitel 5 beschriebenen Methodik von unterschiedlichen Input-Daten (individuelle bzw. segmentspezifische oder durch eine die gesamte Individuenmenge umfassende Aggregation erzeugte Ergebnisse bei paarweisen Vergleichen) ausgehen kann, um daraus dann entsprechend unterschiedliche (vom Input anhängige) OutputDaten zur Präferenz von Untersuchungsobjekten bereitzustellen. Daneben können in vielen Fällen unterschiedliche Verfahren (durch mehrfache ellipsenartige Gebilde angedeutet) eingesetzt werden, die zu unterschiedlichen Output-Daten (durch mehrfache Rechtecke angedeutet) führen können, wodurch die Beschreibungsvielfalt f ü r interessierende Anwendungssituationen beträchtlich erhöht werden kann.

12

378

Abbildung

12.7:

SCHLUSSBEMERKUNGEN

Folgen von möglichen Abarbeitungsschritten Anwendungsmodul

'Präferenz'

im

(ausschnittweise)

12.2 Zusammenfassung

und

379

Ausblick

Schließlich können teilweise unterschiedliche Folgen von Abarbeitungsschritten in Betracht gezogen werden, wodurch sich die Analysemöglichkeiten der mit

MA1ZK2

M A M zu untersuchenden Anwendungsbeispiele wiederum erweitern lassen. Durch Vergleich mit den Bedienungsmöglichkeiten beim Anwendungsmodul 'Präferenz' kann der Leser selbst überprüfen, welcher Ausschnitt aus den Abarbeitungsschritten bei der Präferenzmodellierung in Abbildung 12.7 wiedergegeben wird. Für die anderen Kapitel lassen sich natürlich ähnliche Abbildungen erzeugen - eine Aufgabe, die wir dem interessierten Anwender von M Ä R X ? M A N - überlassen wollen. Den Autoren erscheint Abbildung 12.7 als Ausgangspunkt für Überlegungen, was sonst m a n in einem System wie MAHK,2MAJ\f

integriert wissen möchte, gut ge-

eignet, weil damit gleichzeitig ein Eindruck davon vermittelt wird, was alles schon an CEUS-Überlegungen in M ARK.2MAÁÍ

12.3

enthalten ist.

Literaturverzeichnis

Baier,D., Gaul,W. (1990): Computer-Assisted Market Research and Marketing Enriched by Capabilities of Knowledge-Based Systems, in: New Ways in Marketing and Market Research, EMAC/ESOMAR Symposium, Athens, 139-160. Doll,J., Mendler,W., Orth,B. (1989): Frauenzeitschriften: Inhalte, Image, Präferenz und Nutzung, Marketing ZFP, 11, 41-50. Gaul,W., Both,M. (1990): Computergestütztes Marketing, Springer, Berlin Heidelberg New York. Lindgens,M. (1982): Der Markt der Frauenzeitschriften in der Bundesrepublik. Eine Bestandsaufnahme und Analyse der Entwicklungstendenzen, Media Perspektiven, 5, 336-348.

Index Absatzmodel1, 29, 202 Absatzmodellierung, 29 Absatzprognose, 30, 207 Abschätzung von Wirkungszusammenhängen, 119 ADBUDG-Funktion, 200 A.D.Little (ADL), 301, 306 agglomeratives Verfahren, 96 Aggregation, 29 aggregiertes Reaktionsmodell, 196 Ahnlichkeitsbeziehung, 93 AIC (Akaike Information Criterion), 128 AID/Tree-Analysis, 17 Aktivierungswunsch, 30 Akzeptanz, 13, 49 Akzeptanzanalyse, 166 Akzeptanzproblematik, 363 Analyse latenter Klassen, 16 Analysezwecke, 236 angebotsorientierte Strategie, 56 Annahme eines normalverteilten Nutzens, 126

Anpassungstabelle, 273 Anpassungstest, 17 Ansätze mit modularer Modellstruktur, 196 Anwendungsbeispiel, 72, 103, 136, 165, 207, 236, 276, 307 Anwendungsmodul, 30, 31, 34, 35, 68, 98, 131, 161, 233, 268, 303, 321 Anwendungssituation für Auswahlmodellierungen, 151 Anwendungssituation für Marketing-MixModellierungen, 186 Anwendungssituation für Portfolio-Analysen, 292 Anwendungssituation für Positionierungsanalysen, 56 Anwendungssituation für Präferenzanalysen, 119 Anwendungssituation für Pre-TestmarktModellierungen, 253 Anwendungssituation für Segmentierungsanalysen, 87 Anwendungssituation für Testmarkt-Modellierungen, 223 Arbeitsbereich (—• Bereich) ASSESSOR, 254 Auffinden eines speziellen System-Zustandes, 106 Ausgabefenster, 236, 274

Ausgangsspezifikation, 163 Auswahl, 150 Auswahl- bzw. Kaufalternative, 156 Auswahl-Menü, 34 Auswahlentscheidung, 150 Auswahlmodell, 28 Auswahlmodellierung, 29, 150, 182 Auswertung der neuen Datengrundlage, 368 automatische Modellanpassung, 161, 164 average linkage-Verfahren, 96 AYER, 222 Befragter, 225 Befragungswelle, 225 Behandlung fehlender Werte, 29, 301 Behandlung individueller Problemstellungen, 319 Beispiel-Daten, 321 Bekanntheit, 226, 231 Bekanntheitsgrad, 264 Bekanntheitskiasse, 227, 263 Bekanntheitsmodell, 28 Bekanntheitsmodellierung, 29 Bekanntheitsprognose, 30 Benutzerschnittstelle, 7, 27, 30, 70, 100, 133, 163, 206, 235, 272, 305 beobachtete Auswahlwahrscheinlichkeit, 153, 155 Bereich, 32, 35, 40, 321, 322 Bereitstellung von CEUS, 181 Beschränkung, 371 Beschreibungsmodell, 28, 58 Bestimmtheitsmaß, 160 Betriebssystem, 32 Beurteilungsdimension, 51, 66 Beurteilungsraum, 65, 67 Bewertungsdimension, 292 Bezugswert, 192, 201 BMDP, 11 Boston Consulting Group (BCG), 300, 305 Box-Jenkins, 17 Branchenattraktivität, 301 BRANDAID, 196 BSPm, 322 BSP1, 323 BSP2, 323 BSP3, 324 BSP4, 326 BSP5, 329 BSP6, 332

382

BSP7, 334 CALLPLAN, 10, 11 Cash Cow, 295 CEUS (Computerbasierte EntscheidungsUnterStützung), 3, 83, 372 CEUS-Aktivität, 38 CEUS-Angebot, 10 CEUS-System, 5, 6, 25, 55 CEUS-System MARK.2MAN, 118 Clusteranalyse, 16, 17, 95 COGNAC1, 346 COMP, 254 complete linkage-Verfahren, 96 Coupons, 229 DANEX (Data ANalysis EXpert), 10, 11, 18 Datenanalyse, 65 Datenbank, 5, 26, 27, 68, 98, 131, 163, 204, 235, 271, 305 Datenbanksystem, 11 Datengrundlage, 61, 93, 124, 156, 190, 225, 256, 296 Datenmanagement, 51 Datenmanagement-Komponente, 5 Datenverwaltung, 30, 42 Decision-Calculus-Ansatz, 185 Dendrogramm, 89, 95, 100 DESIGNOR, 254 Directional-Policy-Matrix (DPM), 301, 306 Diskriminanzanalyse, 17 Dog, 295 Druckausgabe, 37, 39 DSS(Decision Support System)-Konzept, 13 Dual Scaling, 16 eindimensionale Präferenzanalyse, 142 eindimensionales Präferenzmodell, 134 einfaktorieller Ansatz, 301 Eingabe einer neuen Datengrundlage, 366 Eingangsbefragung, 256 Einzelhandelsverfügbarkeit, 193 Einzelhändler, 197 Einzelprogramm, 11 ELEKTRO 1, 359 ELEKTR02, 359 Ellenbogenkriterium, 97 Entropie-Maß, 274 Entscheidung, 18 Entscheidungssituation, 8 EQUAL1, 355 EQUAL2, 355 erklärte Unsicherheit, 275 erklärte Varianz, 160

Erstkauf, 226, 231 Erstkäuferklasse, 227 Erwartungshorizont, 5, 7 evoked set, 125, 256 expected information, 274 Expertensystem, 7, 11, 12 explizite Vorgabe, 66 exponentielles Glätten, 17 EXPRESS, 11 externe Analyse, 131, 144 externe Wandernder Idealpunkt-Analyse, 135, 144 externe Wandernder Vektor-Analyse, 135 F-Test, 17 Fälle des LCJ (Law of Comparative Judgement), 127 Faktorenanalyse, 17 FCS-EPS, 11 fehlender Wert, 65, 95 Flut von Daten/Informationen, 50, 51 Funktionstaste, 38, 45, 70, 74, 100, 105, 106, 133, 163 Funktionstastenbelegung, 35, 43, 366 GE-Ansatz, 301 Gegenüberstellung von Beobachtungs- und Prognosedaten, 165 Gewichtung, 301, 306 Gewinnmodell, 29, 202 Gewinnprognose, 30, 207 Gewinnung einer repräsentativen Stichprobe, 256 globale Bezugsdaten, 194 graphische Analyse, 207 GROOVYl, 352 Größe der Segmente, 122 Grundauszählung, 17 Gütebeurteilung, 71, 102, 135, 160, 165, 170, 207, 236, 275 Gütekriterium, 66, 96, 97 Gütekriterium AIC (Akaike Information Criterion), 160 Gutenbergsche Preisabsatzfunktion, 200 Handlungsalternative, 186, 213 Haupteffekt, 159 Hauptkomponentenanalyse, 67 Hauptspeicherbedarf, 32 Hersteller, 197 hierarchische Methode, 95 hierarchisches Segmentierungsmodell, 89, 95 Hilfestellung, 30, 35, 37, 45, 137

383

Index

Idealpunkt, 122 Idealpunkt vor Probeverwendung des Neuprodukts, 2 8 3 Idealvektor, 129 I M S L , 10, 11 Index, 2 0 1

L I T M U S , 254 Logit-Modellierung, 158 loglineares Modell, 17 Löschen des Screeninhalts, 37 L O T U S 123, 11

individuelle Problemstellung, 363 inforraationsorientierter Ansatz, 12, 14 informationstheoretisches Maß, 274 Informationsverlust, 65 I N F P L A N , 11

M A I S (MArketing Information S y s t e m ) , 7 Management-Hilfe, 2, 372 Manager, 5, 186 M A N O V A , 17

inkonsistentes Verhalten, 126

Installation des AlATZfC2A4A/S-Systems,

32

interdisziplinäre Anstrengung, 16 Interpretation, 29 Interpretationshilfe, 71, 102, 135, 276 Intransitivität beim Beurteilungsvorgang, 125 J A Z Z , 11 K A F F E E 1 , 335 Kalibrierung, 2 3 5 , 273 Kauf, 2 2 6 , 231 Kaufabsichtsrate, 265 Kaufentscheidung, 150 Kaufsimulation, 258 Kaufverhaltensmodellierung, 16 Kausalmodell, 17 K I (Künstliche Intelligenz), 12, 13 Klassifikation, 29

Marktwachstum-Marktanteil-Portfolio, 2 9 4 , 301 Maximum-Likelihood-Ansatz, 127 Maximum-Likelihood-Schätzung, 164 McKinsey ( M c K ) , 3 0 1 , 306 McQuitty-Verfahren, 96 M D S (Multidimensionale Skalierung), 16, 17 mehrdimensionales Präferenzmodell, 122,

Kleinste-Quadrate-Anpassung, 235 Kommandozeile, 34 Konkurrenz, 193 Konstruktionsprinzip für die Segmentierungslösung, 96 K o n s u m e n t , 197 Konsumententypologie, 89 Kontingenztafel, 17 konvexe Hülle, 101 Kopfzeile, 35 kophenetischer Korrelationskoeffizient, 96 Korrektur fehlerhafter Eingaben, 368 Korrelation der Bewertungsvorgänge, 129 Korrelationsanalyse, 17 Korrelationskoeffizient, 71, 161 Korrespondenzanalyse, 16 Kreuztabelle, 17 K r u s k a l - M D S , 66 L a b o r - T e s t m a r k t , 2 5 2 , 257 Lebenszyklusstadium, 301 Likelihood-Quotienten-Test-Statistik, 160

X.4-K£2A