Varianten des Choice Based Conjoint (CBC)
Johannes Lüken / Dr. Heiko Schimmelpfennig
Unter den Conjoint-Verfahren ist das CBC am weitesten verbreitet. Aktuell kommt es in über 80% aller Conjoint-Analysen zur Anwendung. Der große Vorteil dieser Methode liegt in ihrer realitätsnahen und einfachen Datenerhebung. Der Befragte wird mehrfach vor die Aufgabe gestellt, aus einem Set von Angeboten jenes auszuwählen, das ihm am meisten zusagt. Eine None-Option kann es ihm zudem ermöglichen, sich gegen alle Angebote zu entscheiden. Die folgende Abbildung zeigt ein Beispiel für ein Choice-Set aus dem Automobilbereich mit 5 Merkmalen.
Realitätsnah ist eine solche Entscheidungssituation allerdings nur, wenn der tatsächliche Entscheidungsprozess weitgehend simuliert werden kann. Aufgrund der künstlichen und zeitlich begrenzten Testsituation kann dies nur eingeschränkt funktionieren. Um diese Einschränkung in Grenzen zu halten, können mithilfe von Erweiterungen des CBC Besonderheiten der Entscheidungssituation bei der Konstruktion und Präsentation der Choice-Sets berücksichtigt werden.
Daneben ist es wichtig, den Befragten nicht zu überfordern. Je nach Komplexität der Produktbeschreibungen kann ihm eine ganzheitliche Bewertung von bis zu etwa 8 Merkmalen zugemutet werden. Darüber hinaus nimmt die Differenzierungsfähigkeit so stark ab, dass die Wahlentscheidungen häufig nicht mehr ausreichend valide sind.
Partial Profiles
Im dargestellten Beispiel werden die vollen Profile gezeigt. Das heißt alle 5 im Conjoint-Modell definierten Merkmale werden dem Befragten gleichzeitig zur Bewertung vorgelegt. Falls sich die Angebote aus mehr Merkmalen zusammensetzen, als einem Befragten zuzumuten sind, steht die Partial Profile-Variante des CBC zur Verfügung. Dabei wird in jedem Choice-Set nur eine zufällige Auswahl aus den definierten Merkmalen gezeigt. Alle Angebote eines Choice-Sets werden durch dieselbe Teilmenge von Merkmalen beschrieben. Diese Teilmenge wechselt von Aufgabe zu Aufgabe. Häufig ist es sinnvoll, ausgesuchte Merkmale wie Marke oder Preis immer anzuzeigen und nur aus den verbleibenden Merkmalen zu selektieren. Der reduzierte Informationsgewinn je Choice-Set wird durch eine höhere Anzahl Befragter und/oder Aufgaben je Befragtem kompensiert.
Alternative Specific Designs
Nicht immer lassen sich alle Angebote in einer Entscheidungssituation durch dieselben Merkmale beschreiben. Wenn bei dem gezeigten Beispiel auch die Bewertung der Funktionalität des Verdecks beim Cabrio interessiert, können sich Variationen dieses Merkmals nur auf diesen Fahrzeugtyp beziehen. Bei Angeboten mit den geschlossenen Fahrzeugtypen bleibt das Merkmal außen vor. Das Auftreten eines Merkmals hängt also von den Ausprägungen eines oder mehrerer anderer Merkmale ab.
Conditional Pricing
Werden die Merkmalausprägungen völlig frei miteinander kombiniert, können unrealistische Angebote entstehen. Um solche zu verhindern, besteht die Möglichkeit, bestimmte Kombinationen von vornherein auszuschließen. Dies reduziert jedoch die Qualität des Erhebungsdesigns. Falls die Angebote aufgrund zu hoher oder zu niedriger Preise als unrealistisch erscheinen, lässt sich der Qualitätsverlust durch ein Conditional Pricing vermeiden. Die Preislevel werden in Abhängigkeit der Ausprägungen eines oder mehrerer anderer Merkmale dargestellt. Im vorliegenden Beispiel wäre es denkbar, dass unterschiedliche Preislagen verschiedener Motorisierungen berücksichtigt werden. Im Fall der 2.000 ccm-Variante lägen alle Preislevel um denselben Betrag höher als die Level der 1.500 ccm-Variante. Dementsprechend bleiben die Abstände zwischen den Preisstufen bei jeder Variante gleich. Die Unterschiede in der durchschnittlichen Höhe der Preise je Variante spiegeln sich dann in den Teilnutzenwerten der Motorisierungen wider. Höhere Preise der starken Motorisierung mindern voraussichtlich deren Teilnutzenwert. Eine nachträgliche Bereinigung um den Einfluss der Preislagen ist aber möglich.
Constant Sum
Charakteristisch am CBC ist die wahlbasierte Entscheidung (discrete choice). Allerdings kann man nicht immer von einem solchen Entscheidungsprozess ausgehen. Während dieser für einen privaten Autokäufer adäquat ist, gelten für einen Einkäufer eines Fuhrparks andere Mechanismen. Er muss überlegen, wie er seine Entscheidung „aufteilt“. Da die Anforderungen an seinen Fuhrpark möglicherweise heterogen sind und ebenfalls ein gewisses Probierverhalten eine Rolle spielt, werden für ihn unterschiedliche Modelle in Frage kommen. Je nach Anforderungen und Präferenz entscheidet er sich beispielsweise beim Kauf der nächsten 10 Fahrzeuge 5 Mal für ein Modell X, 3 Mal für ein Modell Y und 2 Mal für ein Modell Z. Ein solcher Entscheidungsprozess kann durch die Aufteilung einer festgelegten Gesamtzahl, z.B. der nächsten 10 Käufe, auf die gezeigten Angebote abgebildet werden. Der Befragte hat je Option innerhalb eines Choice-Sets eine Anzahl zwischen 0 und 10 anzugeben, wobei die Summe der einzelnen Werte der vorgegebenen Gesamtzahl 10 entsprechen muss – die Summe also konstant ist.
Dual Response None
In vielen Fällen wird beim CBC eine None-Option verwendet. Sie erlaubt es dem Befragten kundzutun, dass keines der gezeigten Angebote für ihn infrage kommt. Dies ist ein entscheidendes Kriterium, um realistische Rahmenbedingungen zu schaffen. Denn in kaum einer realen Entscheidungssituation wird man sich unmittelbar für eine von nur wenigen Optionen, wie sie in einer Auswahlaufgabe gegeben sind, entscheiden müssen. Die None-Option liefert wertvolle Informationen über die Einstiegsschwelle der Käufer und bildet somit die Grundlage für eine realistische Marktabbildung und Potenzialschätzungen. Allerdings liefern Choice-Sets, in denen die None-Option gewählt wurde, keinerlei Informationen über die Relationen der Merkmale zueinander und reduzieren die Genauigkeit der Schätzungen der Teilnutzenwerte. Beide Informationen lassen sich gewinnen, wenn anstelle der None-Option zusätzlich gefragt wird, ob das gewählte Angebot (1. Antwort) tatsächlich gekauft werden würde (2. Antwort).
Beitrag aus planung&analyse 12/2 in der Rubrik „Statistik kompakt“
Autoreninformation
Johannes Lüken war bis 2021 Leiter des Bereichs Multivariate Analysen bei IfaD.
Prof. Dr. Heiko Schimmelpfennig ist Projektleiter für Multivariate Analysen bei IfaD, Institut für angewandte Datenanalyse, sowie Professor für Betriebswirtschaftslehre an der BiTS, Business and Information Technology School, Hamburg. Er ist bei IfaD schwerpunktmäßig für die Beratung, Anwendung und Schulung dieser Verfahren verantwortlich und vertritt in der Lehre das Gebiert der Quantitativen Methoden der Wirtschaftswissenschaft.
Literatur
Chrzan, K.; Elrod, T.: Choice-Based Approach for Large Numbers of Attributes. In: Marketing News, Jg. 29/1995; Nr. 1, S. 20.
Orme, B.: Three Ways to Treat Overall Price in Conjoint Analysis. Sawtooth Research Paper Series. Sequim, 2007.
Sawtooth Software: The CBC Advanced Design Module (ADM) Technical Paper. Sawtooth Software Technical Paper Series. Sequim, 2008.
<
Share
