Marktforschung - 3.2 � Differenzierung und Positionierung by g4lLQMnZ

VIEWS: 0 PAGES: 81

									        Marktforschung
        - 3.2 – Differenzierung und Positionierung


Prof. Dr. Thorsten Teichert • Universität Hamburg • Arbeitsbereich Marketing und Innovation

von-Melle-Park 5 • Raum 3078 (Sekretariat) • 20146 Hamburg
Tel: (040) 42838 4643 • Fax: (040) 42838 5250
           Gliederung Kapitel 3.1


 3.1 Methoden zur Nutzenschätzung
       3.1.1 Modelltheoretische Basis
             3.1.1.1 Definition und Grundlagen
             3.1.1.2 Spezifikation eines Nutzenmodells
             3.1.1.3 Nutzenschätzungen und -interpretation
       3.1.2. Vorgehensweise bei der traditionellen Conjoint Analyse
             3.1.2.1 Bestimmung des Experimentalraumes
             3.1.2.2 Gestaltung eines experimentellen Designs
             3.1.2.3 Ermittlung von Nutzenparametern
             3.1.2.4 Transformation von Nutzen- in Wahlurteile und Marktanteile
       3.1.3 Fallbeispiele
       3.1.4 Wahlbasierte Conjoint Analyse  Aus letzer VL!




Arbeitsbereich Marketing und Innovation             13.02.2012                    2
           Vertiefende Verfahren
           Choice-based Conjoint Analyse



 Grundidee: Ermittlung von Nutzenfunktionen auf der Basis von
  Auswahlentscheidungen
        Auswahlentscheidungen der Konsumenten werden modelliert
        Es wird von einem probabilistischen Nutzenbegriff ausgegangen
 Nutzen setzt sich aus einer deterministischen und einer
  probabilistischenKomponente zusammen
        Konsumenten maximieren ihren Nutzen
        Präferenzen der Konsumenten sind direkt aus dem beobachtbaren
         Auswahlverhalten ermittelbar
 Nutzenwerte bringen Änderung des Auswahlverhaltens und nicht
  der Gesamtnutzenwerte zum Ausdruck
        Nicht-Kauf Alternative kann berücksichtigt werden




Arbeitsbereich Marketing und Innovation         13.02.2012               3
           Choice-Based-Conjoint Analyse



 Wahlurteile dienen als abhängige Variable
 Verknüpfung der Conjoint Analyse mit Theorie der diskreten
  Wahlmodellen durch Louviere & Woodworth (1983)


     Vorteile                             Nachteile


      Höherer Realitätsbezug              Komplexeres Datenerhebungsdesign
      Möglichkeit der Berücksichtigung    Informationsverlust durch
       einer Nicht-Kauf-Option              Auswahlentscheidungen
      Willkürliche Auswahl des            Nicht-Kauf-Option als Weg des
       Transformationsmodells wird          geringsten Widerstandes
       vermieden                           Überforderung der Probanden




Arbeitsbereich Marketing und Innovation           13.02.2012                   4
           Choice-Based Conjoint
           Beispielhaftes Choice Set




Arbeitsbereich Marketing und Innovation   13.02.2012   5
                Choice-Based Conjoint
                2S experimentelles Designs



 S Stimuli eines fraktionell-faktoriellen Designs fließen als binäre Effekte in
  einem 2S experimentellen Design ein, welches die Wahlsets bestimmt.
 Da keine Interaktionseffekte zwischen Stimuli zu erwarten sind, kann ein
  reduziertes orthogonales Haupteffekte-Design verwendet werden
 Beispiel eines 24-1 Designs mit 4 Stimuli (i, j, k, l) und 8 Choice Sets




    Quelle: Teichert, 2000



   Arbeitsbereich Marketing und Innovation      13.02.2012                   6
             Choice-Based-Conjoint
             Zyklische experimentelle Designs


  S Stimuli eines fraktionell-faktoriellen Designs werden auf S
   Auswahlsets verteilt
  Weitere Stimuli je Auswahlset werden durch zyklische Variation der
   Ausprägungen generiert.
  Die maximale Anzahl der Produktprofile pro Auswahlset
   ist somit auf die Anzahl der Ausprägungsstufen beschränkt


  Beispiel eines zyklischen Designs mit 4 Choice Sets:




 Quelle: Teichert, 2000


Arbeitsbereich Marketing und Innovation     13.02.2012             7
             Choice-Based Conjoint
             MSN experimentelles Designs


 Generierung von Auswahlsets in einem einstufigen Prozess.
 Bei gleicher Anzahl von Ausprägungen M aller N Attribute
  wird ein MSN Design mit S Produkten je Set generiert.
 Beispiel eines 22*3-3 Haupteffekte-Designs mit 8 Choice Sets




 Quelle: Teichert, 2000



Arbeitsbereich Marketing und Innovation    13.02.2012         8
           Choice-Based Conjoint
           Ermittlung von Teilnutzenwerten

 Anwendung von Logit oder Probit Modellen
        Annahme der Präferenzhomogenität
        Problem der IIA


 Weiterentwicklungen
        Random-Parameter Modelle
        Latent-Class Modelle
        Hierarchische Bayes Modelle




Arbeitsbereich Marketing und Innovation     13.02.2012   9
              Beispiel:
              CBC mit Excel-Tool (Marketing Engineering)



                                                    Getroffene                   Unabhängige/ Erklärende
                                                 Wahlentscheidung                       Variablen
                  Anzahl der                         (ja/nein)
             Wahlentscheidungen je                                                      Relevante
                    Person                                                       Produkteigenschaften für
                                                                                    Kaufentscheidung
                                            Kaufentscheidun
                                                   g:
     Personen-ID                                0=nein
                                                 1=ja


                                                                                                    Relevante
                                                                                                  Ausprägungen




                                                                                                  Experiment.
                                                                                                    Design

www.mktgeng.com


  Arbeitsbereich Marketing und Innovation                           13.02.2012                          10
           Auswertung mit Logit-Modell




Arbeitsbereich Marketing und Innovation   13.02.2012   11
            Ergebnisse


Nutzen=-0.327-3.97*SITUATION+3.67*NAME+2.83*SYMBOL
                                                        Änderung der Odds
                                                         (p(y=1)/p(y=0))
t-Statistik zeigt Signifikanz.
  Höhe der t-Statistik zeigt
  Relevanz der jeweiligen
         Variable für
     Wahlentscheidung


 Höhe der Parameter zeigt
     Einflusstendenz




 Arbeitsbereich Marketing und Innovation   13.02.2012                       12
           Gliederung Kapitel 3


 3 Angewandte Marktforschungsmethoden
        3.1 Methoden zur Nutzenschätzung
        3.2 Differenzierung und Positionierung
               3.2.1 Grundlagen
                      3.2.1.1 Einführendes Beispiel
                      3.2.1.2 Distanzmodelle
               3.2.2 Multidimensionale Skalierung
               3.2.3 Repertory Grid
        3.3 Methoden zur Datenverdichtung
        3.4 Verfahren zur Segmentierung




Arbeitsbereich Marketing und Innovation                13.02.2012   13
           Ziele


 Lernziele
        Grundverständnis von Methoden der Marktdifferenzierung und -Positionierung
        Wissen über Grundlagen von Distanz- und Ähnlichkeitsmaßen
        Verständnis über Einsatzmöglichkeiten von Repertory Grids


 Befähigungen
        Einsatz der MDS als Methode zur Marktsegmentierung
        Nutzung des Repertory Grids zum Aufdecken relevanter Attribute bei der
         Segmentierung und Positionierung
        Bewertung alternativer Positionierungsmöglichkeiten auf Basis der MDS


 Relevanz
        Bewertung von Objektähnlichkeiten mittels Distanzmodelle
         als Basis für MDS und Clusteranalyse
        Marktsegmentierung als Standardinstrument der Marktforschung
        Verbreiteter Einsatz von MDS und Repertory Grid bei Positionierungsanalysen




Arbeitsbereich Marketing und Innovation               13.02.2012                       14
           Gliederung Kapitel 3


 3 Angewandte Marktforschungsmethoden
        3.2 Differenzierung und Positionierung
               3.2.1 Grundlagen
                      3.2.1.1 Einführung und Beispiel
                      3.2.1.2 Distanzmodelle
               3.2.2 Multidimensionale Skalierung
               3.2.3 Repertory Grid




Arbeitsbereich Marketing und Innovation                  13.02.2012   15
           Definitionen


 Differentiation:
       Creation of tangible or intangible differences on one or two key dimensions
        between a focal product and its main competitors.

 Positioning:
       Strategies to ensure that key differences between the focal product and its
        competitors occupy a distinct position in the minds of customers.

 Mapping:
       Techniques (using customer-data) that enable managers to develop
        differentiation and positioning strategies by visualizing the competitive
        structure of markets as perceived by customers.




                                                           Quelle:Lilien, Rangaswamy (1998), S. 95


Arbeitsbereich Marketing und Innovation            13.02.2012                                 16
               Produktpositionierung
               Anwendung von Mapping Techniken



                               Mapping Techniques in Marketing
                                Mapping Techniken im Marketing




                                                                         Joint Space
                   Perceptual                Preference                     Maps
                                                                       (includes perception
                     Maps                       Maps                       & preference)



                     Similarity-                                           External preference
                                              Ideal-point model
                     based methods                                         analysis
                                              (unfolding model)

                     Attribute-based          Vector model
                     methods                                               Simple “joint space
                                                                           maps” using
Quelle:Lilien, Rangaswamy (2004), S. 128                                   modified perceptual
                                                                           mapping methods
   Arbeitsbereich Marketing und Innovation                13.02.2012                          17
           Basic Approaches of Gap Mapping


 Unknown attributes
      Customer needs are difficult to verbalize, creative input is needed
      Similarities based gap mapping
             Holistic similarity judgments
             Retrieve Data Structure by empirical research methods,
              e.g: Multidimensional Scaling (MDS) and Repertory Grid Technique
             Interpret similarity-based dimensions
 Many attributes known
      Large set of possibly relevant customer needs
      Customer needs can be described and measured accurately
      Attribute based gap mapping
             Identify customer needs
             Customer ratings of attributes
             Sort attributes into underlying needs, e.g. by factor analysis




Arbeitsbereich Marketing und Innovation                   13.02.2012             18
               Positionierung mit Perceptual Maps
               (Nur Produkte)




           Old Milwaukee
                                                           •
                                                         Budweiser
                    •                                                                  Beck’s   •
                    Meister Brau                                                            • Heineken
                            •                           Miller   •
                                                                            •
                                                •                      Coors
                                              Stroh’s

                                                                                       • Michelob
                                                           •                        Coors
                                                         Miller
                                                         Lite
                                                                                •   Light
                                         •
                                     Old
                                Milwaukee Light
Quelle:Lilien, Rangaswamy (2004), S. 120ff.

   Arbeitsbereich Marketing und Innovation                     13.02.2012                           19
               Positionierung mit Perceptual Maps
               (Nur die Attribute)


                                                     Heavy                      Popular
                                      Full Bodied          Heavy                with Men



                                                                            Special
                                                                           Occasions
                               Blue Collar                                                 Dining Out Premium
     Good Value

          Budget                                                                       Premium

                                                                                                   Popular
                                              Pale Color                                            with
                                                                                                   Women
                  On a
                 Budget                                       Light        Less Filling
Quelle:Lilien, Rangaswamy (2004), S. 120ff.
                                                      Light
   Arbeitsbereich Marketing und Innovation                         13.02.2012                          20
               Positionierung mit Perceptual Maps
               (Produkte & Attribute)


                                                        Heavy                       Popular
                                                             Heavy                  with Men
           Old Milwaukee
                                      Full Bodied
                                                                  •
                                                                 Budweiser
                    •                                                                          Beck’s   •
                    Meister Brau                                                Special             • Heineken
                            •                                   Miller   •     Occasions
     Good Value
                                Blue Collar
                                                                                 •             Dining Out Premium
                                                •                              Coors
          Budget                              Stroh’s                                      Premium
                                                                                               • Michelob
                                                                   •                      Coors             Popular
                                                Pale Color
                                                                 Miller
                                                                 Lite
                                                                                      •   Light              with

                  On a
                                         •                                                                  Women
                                     Old
                 Budget         Milwaukee Light                  Light         Less Filling
Quelle:Lilien, Rangaswamy (2004), S. 120ff.
                                                        Light
   Arbeitsbereich Marketing und Innovation                             13.02.2012                               21
           Gliederung Kapitel 3


 3 Angewandte Marktforschungsmethoden
        3.2 Differenzierung und Positionierung
               3.2.1 Grundlagen
                      3.2.1.1 Einführung und Beispiel
                      3.2.1.2 Distanzmodelle
               3.2.2 Multidimensionale Skalierung
               3.2.3 Repertory Grid




Arbeitsbereich Marketing und Innovation                  13.02.2012   22
           Distanzmodelle
           Einführung


 Definition: Distanzfunktionen und Ähnlichkeitsmaße beschreiben
  den Grad der Übereinstimmung von Vektoren
        In typischen Anwendungen stellen die Vektoren Folgen von
         Messwerten dar.
 Beispiel: Hörer einer Vorlesung
        Merkmale            Alter         Geschlecht    Wohnort     Semester     Studienfach Studiengang
         Objekte
            1                22           männlich     Hamburg          5          BWL             Bachelor
            2                25           männlich      Lübeck          10         Mathe            Master
            3                21           weiblich     Hamburg          4          VWL             Bachelor
            4                28           männlich     Hamburg          13         BWL              Doktor
            5                24           männlich       Kiel           8          BWL              Master


      Merkmal k                     Ausprägungsmenge Ak
      • Alter                       Menge der natürlichen Zahlen                 Distanz: Unterschied
      • Geschlecht                  {männlich, weiblich}                         zwischen je zwei Objekten
      • Wohnort                     Menge aller Orte                             anhand eines oder
      • Semester                    Menge der natürlichen Zahlen                 mehrerer Merkmale
      • Studienfach                 {BWL, VWL, Mathematik, Informatik,...}
      • Studiengang                 {Bachelor, Master, Doktor}
                                                                                           Quelle: Bankhofer 2002/2003

Arbeitsbereich Marketing und Innovation                             13.02.2012                                   23
           Distanzmodelle
           Grundlagen


 Grundsätzlich lassen sich folgende Merkmalstypen unterscheiden:
        Quantitative Merkmale: Alle Ausprägungen des Merkmals werden auf intuitive
         Weise durch reelle Zahlen benannt.
        Qualitative Merkmale: Die Ausprägungen des Merkmals werden intuitiv durch
         Worte oder Begriffe wiedergegeben (nominal/ordinal).


 Für die Datenanalyse ist es oft von Vorteil, qualitative Merkmale zu
  quantifizieren
        Durch Anwendung von Skalen
        Durch Codierung


 Ein Distanzindex zwischen zwei Objekten i und j hat folgende
  Eigenschaften:
        d(i,i) = 0                       [Reflexivität]
        d(i,j) = d(j,i)                  [Symmetrie]
        d(i,j) ≥ 0                       [Nichtnegativität]
        d(i,j)+d(i,k)≥d(i,k)             [Dreiecksungleichung]
                                                                               Quelle: Bankhofer 2002/2003

Arbeitsbereich Marketing und Innovation                           13.02.2012                         24
           Distanzmodelle
           Grundlagen: Distanzmatrizen


 Distanzmatrizen sind die Zusammenfassung aller paarweisen Distanzen

                                                         d 11          d 1n 
                                                                            
                                D        d 
                                             ij nn                        
                                                        d              d nn 
                                                         n1                 
 Eigenschaften von Distanzmatrizen:
        Quadratisch
        Symmetrisch
        Enthalten in den Hauptdiagonalen nur Nullen
 Somit müssen nur ½ • n • (n-1) Distanzen berechnet werden,
  und zwar
                                           d1,2  d(1,n) 
                                                               
                                                             
                                                    dn  1,n 
                                                               
                                                                                 Quelle: Bankhofer 2002/2003

Arbeitsbereich Marketing und Innovation                          13.02.2012                            25
           Distanzmodelle
           Grundlagen: Qualitative Merkmale


 Qualitative Merkmale:


        Nominalskaliert: Unterscheidung nach Gleichheit oder Ungleichheit
               Dichotom = nur zwei Ausprägungen des Merkmals (z.B. Geschlecht)
               Polytom = mehrere Ausprägungen (z.B. Wohnort)
               Distanzindex:

                                      0 für f a ik   f a jk 
                         d k i, j                                         (c  0)
                                      c für f a ik   f a jk 
                                                                  ,
                                                       

        Ordinalskaliert: vollständige Anordnung der Ausprägungen möglich
               Distanzindex:


                                          d k i, j  f(a ik )  f(ajk )

                                                                                        Quelle: Bankhofer 2002/2003

Arbeitsbereich Marketing und Innovation                              13.02.2012                               26
           Distanzmodelle
           Beispiel: Nominalskalierte Merkmale


 Beispiel: Hörer einer Vorlesung (Geschlecht: nominalskaliert)

        Merkmale           Alter          Geschlecht   Wohnort       Semester     Studienfach Studiengang
         Objekte
            1               22            männlich     Hamburg         5              BWL          Bachelor
            2               25            männlich      Lübeck         10             Mathe         Master
            3               21            weiblich     Hamburg         4              VWL          Bachelor
            4               28            männlich     Hamburg         13             BWL           Doktor
            5               24            männlich       Kiel          8              BWL           Master




                                                                        2         3      4        5
       f(männlich)                 =0                            1      0         1      0        0
                                                DGeschl =
                                                                 2                1      0        0
       f(weiblich)                 =1
                                                                 3                       1        1
                                                                 4                                0




                                                                                              Quelle: Bankhofer 2002/2003

Arbeitsbereich Marketing und Innovation                              13.02.2012                                     27
           Wiederholung
           Nominale Maße


 Ähnlichkeit von zwei Personen A und B auf der Basis von
  bspw. 15 binären Merkmalen
        A: 0 0 1 0 1 1 1 0 1 0 0 1 1 0 1
        B: 0 1 1 0 1 0 0 1 0 0 1 1 0 1 0

                                                        Person B
                                                  1                   0
           Person A                       1     a=3                  c=5
                                          0     b=4                  d=3

                                                        a
 Tanimoto-Koeffizient:                       Sij 
                                                      abc
                                                          ad
 Simple-Matching-Koeffizient:                SMCij 
                                                        abcd
                                                                           Quelle: Bortz 2004, S. 567


Arbeitsbereich Marketing und Innovation                 13.02.2012                                      28
           Distanzmodelle
           Beispiel: Ordinalskalierte Merkmale


 Beispiel: Hörer einer Vorlesung (Studiengang: ordinalskaliert)

        Merkmale           Alter          Geschlecht   Wohnort       Semester     Studienfach Studiengang
         Objekte
            1               22            männlich     Hamburg         5              BWL          Bachelor
            2               25            männlich      Lübeck         10             Mathe         Master
            3               21            weiblich     Hamburg         4              VWL          Bachelor
            4               28            männlich     Hamburg         13             BWL           Doktor
            5               24            männlich       Kiel          8              BWL           Master




                                                                        2         3      4        5
       f(Bachelor)                 =1
                                                                 1      1         0      2        1
                                                DSgang =
       f(Master)                   =2                            2                1      1        0
                                                                 3                       2        1
       f(Doktor)                   =3                            4                                1




                                                                                              Quelle: Bankhofer 2002/2003

Arbeitsbereich Marketing und Innovation                              13.02.2012                                     29
           Distanzmodelle
           Grundlagen: Quantitative Merkmale


 Quantitative Merkmale:
        Intervallskaliert: Vergleich von Abständen ohne natürlichen Nullpunkt
         (z.B. Temperatur)
        Verhältnisskaliert: Vergleich von Abständen mit natürlichem Nullpunkt
         (z.B. Längen, Preise)
        Absolutskaliert: Existenz einer natürlichen Maßeinheit (z.B.
         Stückzahlen)


 Jeder Distanzindex einer quantitativen Skala hat die Form:

            d k i, j   k  f(a ik )  f(a jk )       (  k  0 und p  IN)
                                                     p



        γk ermöglicht eine merkmalspezifische lineare Gewichtung.
        p ermöglicht eine hohe Gewichtung großer Differenzen in
         Merkmalsausprägungen

                                                                         Quelle: Bankhofer 2002/2003

Arbeitsbereich Marketing und Innovation                  13.02.2012                            30
           Distanzmodelle
           Beispiel: Verhältnisskalierte Merkmale


 Beispiel: Hörer einer Vorlesung (Alter: verhältnisskaliert)

        Merkmale           Alter           Geschlecht           Wohnort   Semester          Studienfach Studiengang
         Objekte
            1                 22           männlich         Hamburg          5                  BWL            Bachelor
            2                 25           männlich          Lübeck          10                 Mathe           Master
            3                 21           weiblich         Hamburg          4                  VWL            Bachelor
            4                 28           männlich         Hamburg          13                 BWL             Doktor
            5                 24           männlich           Kiel           8                  BWL             Master




       DAlter =           2        3          4         5             DAlter =          2         3        4         5
                 1            3        1          6         2                1              9       1       36         4
                 2                     4          3         1                2                     16        9         1
                 3                                7         3                3                              49         9
                 4                                          4                4                                        16


                              =1; p=1                                                          =1; p=2

                                                                                                        Quelle: Bankhofer 2002/2003

Arbeitsbereich Marketing und Innovation                                    13.02.2012                                         31
           Distanzmodelle
           Aggregation von Distanzen


 Idee der Distanzaggregation: Jeder Objektvektor ai kann als
  Punkt im m-dimensionalen Raum dargestellt werden.
 Qualitative Merkmale:
        Ungewichtete Aggregation der merkmalsspezifischen Distanzen:
                            m                                               0     für aik  a jk
               d(i, j)   dk (i, j)             mit            dk (i, j)  
                           k 1                                             c  0 für aik  a jk
        Gewichtete Aggregation der merkmalsspezifischen Distanzen:
               (+) gewichtet Merkmale mit vielen Merkmalsausprägungen stärker als
                solche mit wenigen
               (-) ist in der Berechnung problematisch, da Ak theoretisch alle möglichen
                Ausprägungen beinhaltet.

                                                                m
                                                        1
                                      d(i,j)    m              A     k    d k (i,j)
                                                 A
                                                 k 1
                                                            k
                                                                k 1


                                                                                            Quelle: Bankhofer 2002/2003

Arbeitsbereich Marketing und Innovation                                     13.02.2012                            32
               Distanzmodelle
               Beispiel: Aggregation von Distanzen


    Beispiel: Hörer einer Vorlesung

                     Wohnort                       Studienfach
           Hamburg   Lübeck     Kiel        BWL       Mathe          VWL                                 Wohnort    Studienfach
Objekte
   2         nein      ja       nein        nein         ja          nein
                                                                                              Objekte
                                                                                                  2       Lübeck       Mathe
   3          ja      nein      nein        nein        nein          ja                          3      Hamburg       VWL




    Bei Aggregation der Distanzen ergibt sich der Distanzindex
                                                                   m
                                                          1
                                       d(i, j)     m              A       k    d k (i, j)
                                                   A
                                                   k 1
                                                               k
                                                                   k 1




          mit c* = 1 und |A1| = |A2| = 3:
          Ungewichtet: d(2,3) = 1 + 1 = 2
          Gewichtet:   d(2,3) = (3•1 + 3•1) / (3+3) = 1

          * Wert bei „ja“
                                                                                                            Quelle: Bankhofer 2002/2003

  Arbeitsbereich Marketing und Innovation                                          13.02.2012                                     33
           Distanzmodelle
           Messansätze von Distanzen


 3 verschiedene Distanzmodelle:

                                                                                           1
                                                                               2
                                                                                               2
                                                       D pq     e pj  eqj  
                                                                    n
1. Euklidische Metrik: Distanz zweier
   Punkte nach kürzester Entfernung
   zueinander beschrieben                                      j 1             
       “Luftlinien-Distanz”

2. City-Block-Metrik: Distanz zweier                            n
   Punkte als Summe der absoluten                      D pq   e pj  eqj
   Abstände zwischen den Punkten                               j 1

       “Taxifahrt-Distanz”

3. Minkowski-Metrik:
                                                                                              1
   Verallgemeinerung der beiden                                                p
                                                                                                  p
                                                       D pq     e pj  eqj  
                                                                    n
   obigen Metriken
                                                               j 1             
                                                                Quelle: Bankhofer 2002/2003

Arbeitsbereich Marketing und Innovation   13.02.2012                                  34
           Distanzmodelle
           Gewichtete Distanzaggregation


 Quantitative Merkmale:
        Gewichtete Distanzaggregation resultiert in:
                                                             1
                                         m
                                                            p
                              d  i,j     k a ik  a jk  ,
                                                             p
                                                                   yk  0, p  N
                                          k 1              

            = gewichtete Lp-Distanz von i und j

                                                                                 m
        City-Block-Distanz: p = 1:                                di, j    k aik  a jk
                                                                               k 1

                                                                                     m
                                                                   di, j        k aik  a jk
                                                                                                    2
        Euklidische Distanz: p = 2:
                                                                                 k 1


        Tschebyscheff Distanz für p → :
                                                                   di, j  max  k aik  a jk
                                                                                     k


                                                                                           Quelle: Bankhofer 2002/2003

Arbeitsbereich Marketing und Innovation                             13.02.2012                                   35
             Distanzmodelle
             Gewichtete Distanzaggregation


 Beispiel: Hörer einer Vorlesung (Alter, Semesteranzahl)

        L1    2     3     4      5        L2 2      3   4    5
         1    8     2     14     5         1 34    2 100 13
         2          10    6      3         2       52 18 5
         3                16     7         3           130 25
         4                       9         4                41


       L     2     3      4      5
        1     5     1      8      3
        2           6      3      2
        3                  9      4
        4                         5




Arbeitsbereich Marketing und Innovation             13.02.2012   Quelle: Bankhofer 2002/2003   36
           Distanzmodelle
           Aggregation von Distanzen


 Problematische Eigenschaften der Lp-Distanz:
        Sind zwei Merkmale k und l hoch korreliert, dann liefern beide
         Merkmale etwa die gleiche Information bzgl. der Ähnlichkeit der
         Objekte.
               Dieselbe Information wird „mehrfach“ berücksichtigt.
        Merkmale mit großer Streuung (d.h. Varianz) besitzen bei der
         Aggregation ein höheres Gewicht.

               Generelle Abhilfe: die Mahalanobis-Distanz

                                             skl a ik  a jk a il  a jl 
                                          m     m
                        d(i, j)          
                                          k 1 l1

    Matrixschreibweise:                  a   i  a j  S 1 a i  a j 
                                                       T



                                               skl = Inverse der Kovarianz der Merkmale k und l
                                               S-1 = Inverse der Kovarianzmatrix

                                                                                Quelle: Bankhofer 2002/2003

Arbeitsbereich Marketing und Innovation                        13.02.2012                             37
           Distanzmodelle
           Mahalonobis-Distanz


 Wirkungsweise der Mahalanobis-Distanz:


        Sind zwei Merkmale k und l hoch korreliert, dann liefern beide
         Merkmale etwa die gleiche Information bzgl. der Ähnlichkeit der
         Objekte. Die Mahalanobis-Distanz versieht in diesem Fall den Beitrag
         der beiden Merkmale
                                          a   ik    a jk a il  a jl 
           mit einem niedrigeren Gewicht skl.


        Sind die Merkmale paarweise unkorreliert, d.h. skl = 0 für k  l , dann
         werden Merkmale mit großer Varianz bei der Berechnung von d(i,j)
         weniger stark berücksichtigt, da gilt:


                     d(i, j)   skk a ik  a jk                  a ik  a jk  2
                                    m                         m
                                                       2           1
                                   k 1                      k 1 skk


                                                                                         Quelle: Bankhofer 2002/2003

Arbeitsbereich Marketing und Innovation                           13.02.2012                                   38
           Distanzmodelle
           Distanzaggregation gemischtskalierter Merkmale


 Möglichkeiten der Aggregation von Distanzen gemischter Merkmale
       1. Merkmale mit höherem Skalenniveau werden in Merkmale mit
          niedrigerem Skalenniveau umgewandelt
               Beispiel: Transformation von verhältnisskalierten Merkmalen in
                nominalskalierte Merkmale durch Mediandichotomisierung
                 Informationsverlust!


       2. Berechnung je eines Distanzmaßes für nominal-, ordinal- und verhält-
          nisskalierte Merkmale  Bestimmung einer gemeinsamen Distanz
                                                                 g = relativer Anteil der Anzahl der
              dij  g  d  g  d  g  d
                          N        N
                                  ij
                                          O    O
                                              ij
                                                   V   V
                                                       ij
                                                                 Merkmale einer Skalierungsart an
                                                                 der Gesamtanzahl der Merkmale



       3. Bei Clusteranalysen: getrennte Analysen für die Merkmalsgruppen mit
          einheitlichem Skalenniveau  Vergleich der einzelnen Lösungen
               Gütemaße: Kappa-Maß, Rand-Index


                                                                             Quelle: Bortz 2004, S. 570ff.


Arbeitsbereich Marketing und Innovation                     13.02.2012                                       39
           Distanzmodelle
           Distanzaggregation gemischtskalierter Merkmale


 Fortsetzung: Aggregation von Distanzen gemischter Merkmale
       4. Linear Homogene Aggregation
                Sei A = (aik)nxm eine gemischte Datenmatrix und d1, ... , dm seien die
                 Distanzindizes der Merkmale  dann ergeben sich für k > 0 folgende
                 Distanzindizes (optional):
                  m                                    m
                                                                  d k (i, j)
   (1) d(i, j)   α k d k (i, j)         (2) d(i, j)   α k                                (3) d(i, j)  max d k (i, j)
                 k 1                                  k 1     max d k (i, j)                                       k
                                                                    i,j

                Beispiel:

          Geschlecht (1)                          Studienfach (2)                                     Studiengang (3)
     D1    2     3      4    5               D2    2    3       4         5                      D3       2    3         4   5
     1     0     1      0    0               1     2    1       0         0                      1        1    0         0   1
     2           1      0    0               2          2       2         2                      2             1         1   2
     3                  1    1               3                  1         1                      3                       0   1
     4                       0               4                            0                      4                           1


                                                                              2     3      4          5
                  (1=1          2=1/2           3=1/2)            1        1.5   1.5     0     0.5
                                                                     2              2.5    1.5     2
                                                                     3                     1.5     2
                                                                     4                            0.5
                                                                                                              Quelle: Bankhofer 2002/2003

Arbeitsbereich Marketing und Innovation                                       13.02.2012                                            40
           Distanzmodelle
           Distanzaggregation gemischtskalierter Merkmale



 Fortsetzung: Aggregation von Distanzen gemischter Merkmale
       5. Aggregation mit Entscheidungsregeln
                Sei A = (aik)nxm eine gemischte Datenmatrix und d1, ... , dm seien die
                 Distanzindizes der Merkmale  dann ergibt sich für k > 0 folgender
                 aggregierter Distanzindex:
                     m
       d(i, j)   αk (u, v) : u  v, d k (u, v)  d k (i, j)               (Rangordnungsindex)
                     k 1

                Beispiel:

          Geschlecht (1)                        Studienfach (2)                            Studiengang (3)
     D1    2     3          4   5          D2    2   3   4       5                    D3       2    3      4      5
     1     0     1          0   0          1     2   1   0       0                    1        1    0      0      1
     2           1          0   0          2         2   2       2                    2             1      1      2
     3                      1   1          3             1       1                    3                    0      1
     4                          0          4                     0                    4                           1


                                                                     2    3       4        5
                  (1=1             2=1   3=1)             1       9    9       0     3
                                                             2           15       9    15
                                                             3                    9    12
                                                             4                          3
                                                                                                   Quelle: Bankhofer 2002/2003

Arbeitsbereich Marketing und Innovation                              13.02.2012                                          41
           Gliederung Kapitel 3


 3 Angewandte Marktforschungsmethoden
        3.2 Differenzierung und Positionierung
               3.2.1 Grundlagen
                      3.2.1.1 Einführung und Beispiel
                      3.2.1.2 Distanzmodelle
               3.2.2 Multidimensionale Skalierung
               3.2.3 Repertory Grid




Arbeitsbereich Marketing und Innovation                  13.02.2012   42
           Multidimensionale Skalierung
           Grundlagen


     Grundidee:                                           Methoden unterscheiden sich …
           Identifizierung von unbekannten                     … in der Art der Inputdaten
            Positionen von Objekten im                           (Rangreihung, Ankerpunktmethode,
            Wahrnehmungsraum der Konsumenten                     Ratingverfahren)
           Interpretation von Distanzen im                     … in den Transformationsalgorithmen
            Wahrnehmungsraum als Ähnlichkeit                     (Wahl des Distanzmodells)
            zwischen Produkten
           Operationalisierung der Distanz durch
            Messung von subjektiven                        Beispielhafte Fragestellungen:
            Wahrnehmungen                                       Welche Marktposition nehmen
                                                                 verschiedene Produkte ein?
                                                                 (Positionierung)
     Zielsetzung:                                              Inwieweit entspricht das eigene Produkt
           Anordnung der Objekte in einem                       den Idealvorstellungen der
            möglichst niedrig dimensionierten                    Konsumenten?
            Raum, so dass die relative Lage der sich            Welches Image haben die
            ergebenden Punkte (Objekte) die                      wirtschaftswissenschaftlichen
            Ähnlichkeit der Objekte angemessen                   Fachbereiche der UHH?
            beschreibt.
               U.U. bessere Aufdeckung von
                Gruppierungen (Kontrolle einer
                Klassifikation)
               Durch Interpretation der Achsen evtl.
                Aufschluss über den Grund der Lage
                bestimmter Objekte


Arbeitsbereich Marketing und Innovation                          13.02.2012                            43
            Multidimensionale Skalierung
            Beispiel



Entfernungen




                                             Düsseldorf

                                                          Flensburg
     (km)




                                                                      Feiburg
                    Aachen

                             Berlin

                                      Bonn                                                     Flensburg
  Aachen            --
   Berlin         635        --                                                                      Berlin

   Bonn            96 596             --
 Düsseldorf        80 559 69                  --                                  Düsseldorf

 Flensburg        623 449 591 540                          --
                                                                                Aachen
  Freiburg        475 802 404 467 909                                 --

                                                                                      Bonn




                                                                                        Freiburg



 Arbeitsbereich Marketing und Innovation                                        13.02.2012                    44
           Multidimensionale Skalierung
           Vorgehensweise


 Vorgehensweise




Arbeitsbereich Marketing und Innovation   13.02.2012   45
           Multidimensionale Skalierung
           Vorgehensweise

1. Erfassung von Ähnlichkeiten




                                                       Quelle: Sattler 2004 (3), S. 19

Arbeitsbereich Marketing und Innovation   13.02.2012                                     46
           Multidimensionale Skalierung
           Vorgehensweise


2. Aggregation von Personen
       Ziel: interpersonell geteilter Wahrnehmungsraum für Objekte


       Problem: Verarbeitung multipler Ähnlichkeitsurteile
       Lösungsansätze:
              Bildung mittlerer Werte für die Gesamtheit der beurteilenden Personen
              Bildung kleinerer homogener Gruppen mit Hilfe der Cluster-Analyse
              Direkte Berechnung eines Wahrnehmungsraumes auf Basis multipler
               Urteile


3. Wahl des Distanzmodells
       Siehe 3.2.2 Distanzmodelle
       Häufig verwendete Distanzmodelle
              Euklidische Metrik
              City-Block-Metrik
              Minkowski-Metrik

                                                                     Quelle: Backhaus 2003, S. 613ff.

Arbeitsbereich Marketing und Innovation                 13.02.2012                                      47
           Multidimensionale Skalierung
           Vorgehensweise


4. Ermittlung der Konfiguration
       Transformation der Ähnlichkeitsurteile für Alternativen i und j in
        Distanzen dij
       Rangfolge der Ähnlichkeiten und der Distanzen sollte möglichst gleich
        sein (schwache Monotoniebedingung uij > ukl  dij  dkl)
       Gesucht ist eine Repräsentation der K Objekte im Repräsentations-
        raum Rq derart, dass die Monotoniebedingung möglichst wenig
        verletzt wird.
       Liegen Verletzungen/Abweichungen der Monotoniebedingung vor, so
        sind diese zu quantifizieren ( Gütemaß der Repräsentation).




                                                               Quellen: Backhaus 2003, S. 613ff.
                                                                        Bankhofer 2002/2003
Arbeitsbereich Marketing und Innovation           13.02.2012                                       48
            Das Verfahren von Kruskal:
            Monotone Anpassung

 Die Monotoniebedingung (M) ist erfüllt, falls die Verbindung durch die
  Punkte eine stückweise lineare, monoton wachsende Funktion ergibt.
 Eine Verletzung der Monotoniebedingung kann durch Mittelung beseitigt
  werden


 Grafische Darstellung der monotonen Anpassung:

            2    3            
                              d   
 D= 1       3    4                                                   Die Repräsentation ist umso
        2        5            5                                      besser, je geringer der
                                                                     Unterschied zwischen den
            2    3
                              4                                      monoton angepassten
 D= 1       4    3                                                   Distanzen und Lp-Distanzen
                              3                                      ist ( Bewertung von X,
       2         5
                                                                     Stress).

         2 3
   = 1 3.5 3.5
      2      5                                                   d
                                            3     4    5
                                          (1,2) (1,3) (2,3)                Quelle: Bankhofer 2002/2003
Arbeitsbereich Marketing und Innovation                       13.02.2012                                 49
           Das Verfahren von Kruskal:
           Grundlagen der Gütebeurteilung

 Bewertung der Repräsentation X:
        Ein Maß, das die Abweichung der monoton angepassten Distanzen δ
         und der Lp-Distanzen misst, heisst Stress b0(X), bzw. Rohstress, und
         ist wie folgt definiert:
                                           (Rohstress)
                                                                      
                                          Stress : b0 X    di, j  δi, j
                                                               ˆ  2
                                                                                             
                                                               i j
        Durch die monotone Anpassung/Mittelung wird der
         Monotoniebedingung genügt und zugleich die quadratische
                           ˆ
         Abweichung zu den d -Werten, also der Stress, so klein wie möglich.
        Für b0(X) = 0 liegt keine Verletzung der Monotoniebedingung vor 
         global optimale Repräsentation
        Der maximale Stress bmax(X) ergibt sich, wenn die d -Werte im         ˆ
         Vergleich zu den empirischen d-Werten in entgegen gesetzter Richtung
         angeordnet sind:
                                 di, j  di' , j'   di, j  di' , j' 
                                                         ˆ         ˆ

                                                         δi, j              di, j d i, j
                                                                           2       ˆ
                                                                     n(n  1) i j
                                                                        ˆ        
                                                         bmax X    di, j  d
                                                                                    2
                                                                                             
                                                                          i j
                                                                                     Quelle: Bankhofer 2002/2003
Arbeitsbereich Marketing und Innovation                      13.02.2012                                            50
            Das Verfahren von Kruskal:
            Gütebeurteilung

   Normierter STRESS:
                                                             (d  dˆ )        ij              ij
                                                                                                     2


                                               STRESS1 
                                                            i       j

                                                              d                      ij
                                                                                            2            dij   = Distanz i,j


Normierter Stress : bnorm X   0
                                 b (X)                              i       j
                                                                                                         d     = Mittelwert von dij
                                                                                                         ˆ
                                bmax (X)                     (d               ij
                                                                                        ˆ
                                                                                       dij )2           d ij = Disparitäten
                                               STRESS 2 
                                                            i       j

                                                             (d
                                                                i       j
                                                                                 ij    d )2


         Hohe STRESS-Werte bedeuten eine schlechte Anpassung der
          Distanzen an Ähnlichkeiten
         Kruskal bezeichnet eine Repräsentation als
                sehr gut                     bnorm  [0.00; 0.05]
                gut                          bnorm  (0.05; 0.10]
                zufriedenstellend            bnorm  (0.10; 0.15]
                ausreichend                  bnorm  (0.15; 0.20]
                nicht zufriedenstellend      bnorm  (0.20; 1.00]
         Dies sind allerdings nur Erfahrungswerte.
                                                                    Quellen: Bankhofer 2002/2003
                                                                             Backhaus 2003, S. 613ff.
 Arbeitsbereich Marketing und Innovation           13.02.2012                                                             51
           Multidimensionale Skalierung
           Vorgehensweise


5. Anzahl der Dimensionen des Wahrnehmungsraumes
       Trade-off zwischen:
              Geringem STRESS
              Guter Interpretierbarkeit
       Deshalb:
              Häufig 2 Dimensionen, da
               visuell gut verständlich


6. Interpretation der Dimensionen
       Probleme:
              Rotationsproblem:
                 Die Achsen des Wahrnehmungsraumes sind künstliche Achsen, die
                   nicht ohne Weiteres interpretiert werden können
                 Bei der Euklidischen Metrik sind die Achsen des Wahrnehmungsraumes
                   beliebig rotierbar
              Benennungsproblem:
                 Durch Regression der Objektausprägungen bezüglich der
                   Einzeleigenschaften kann die Achseninterpretation vereinfacht werden


                                                                    Quelle: Sattler 2004 (3), S. 25
Arbeitsbereich Marketing und Innovation                13.02.2012                                     52
           Multidimensionale Skalierung
           Vorgehensweise


7. Güte der Lösung
        Die Güte der Anpassung einer MDS-Lösung muss in Bezug auf die
         Zielsetzung der MDS bestimmt werden.
               Deskriptive MDS: MDS als Mittel zur Datenreduktion bzw. -beschreibung
                 Skalierungsprozedur erzeugt Ergebnisse, die die Ausgangsdaten
                reproduzieren und die globalen Anpassungskriterien genügen
                   „interne Gültigkeit“ ist durch statistische Signifikanztests überprüfbar.
               Erklärende MDS: MDS als Modell und direktes Mittel zur Theorienbildung
                über Urteilsprozesse, Wahrnehmungsorganisation, Präferenzstrukturen etc.
                   Prüfung der „externen Gültigkeit“ einer MDS-Lösung problematisch
        Methodenvergleich
               Die Ergebnisse sollten invariant gegenüber der zu ihrer Erhebung
                verwendeten Methode sein.
               Anpassungsgüte der Skalierung: Prüfung über eine euklidische
                Distanzfunktion.
        Außerdem: Problem der inhaltlich-psychologischen Interpretation der
         metrischen Repräsentation der skalierten Ähnlichkeitsdaten.

                                                                         Quelle: Zwisler, 1998
Arbeitsbereich Marketing und Innovation                     13.02.2012                           53
           Multidimensionale Skalierung
           Vorgehensweise


8. Einbindung von Idealwerten
      Ermittlung der Idealwerte (externe Datenerhebung)
      1. Präferenzermittlung für die einzelnen Objekte
         (z.B. durch Ranking oder Rating)
      2. Wahl des Nutzenmodells
              Vektormodell: „Je mehr, desto besser“




              Idealpunktmodell: „Es gibt eine optimale Ausprägung“




                                                                      Quelle: Backhaus 2003, S. 613ff.

Arbeitsbereich Marketing und Innovation                13.02.2012                                        54
           Multidimensionale Skalierung
           Vorgehensweise


8. Ermittlung von Idealwerten (Fortsetzung)
       3. Rechnerische Durchführung (hier beim Idealpunkt-Modell)
               Präferenzregression:
                               R
                 yk  a   br  xrk  bR 1  qk     yk:     geschätzter Präferenzwert einer
                                                              Person bezüglich Objekt k
                              r 1
                                                      xrk:    Koordinate von Objekt k auf
                                   R                          Dimension r (r = 1…R)

                 mit    qk   xrk (k = 1…K)
                                2                     a, br: zu schätzende Parameter
                                 r 1
                                                      x1


               Koordinaten des Idealpunktes:

                         br
                 xr 
                  *
                                          (r = 1…R)
                        2bR 1

                                                                                                    x2

                                                                         Quelle: Backhaus 2003, S. 613ff.

Arbeitsbereich Marketing und Innovation                    13.02.2012                                       55
           Multidimensionale Skalierung
           Anwendungsbeispiel


 Wodka
        Ausgangssituation:
               Ziel ist die Bestimmung der Zielgruppe, die von dem neuen Produkt
                angesprochen werden soll und somit als relevant bezeichnet werden kann
               Deshalb: Erforschung des Wahrnehmungsraums des relevanten Marktes
                dieser Zielgruppe  genaue Abgrenzung des Marktes notwendig


        Zielsetzung der MDS:
               graphische Abbildung der auf dem relevanten Markt wahrgenommenen
                Unähnlichkeiten
               Positionierungsempfehlungen auf Basis der erhaltenen Konfiguration


        Forschungsfragen:
               Wie sieht der Wahrnehmungsraum der Konsumenten aus?
               Wo liegt der Idealpunkt?
               Gibt es relevante Marktnischen?


Arbeitsbereich Marketing und Innovation                 13.02.2012                       56
           Multidimensionale Skalierung
           Anwendungsbeispiel


 Erhebung von Ähnlichkeiten durch Paarvergleiche
        Benutzung von Ratingskalen
        Likert-ähnliche Skalen mit 7 Kategorien
        Bewertung der Produkte bzgl. der wichtigsten Eigenschaften




Arbeitsbereich Marketing und Innovation            13.02.2012         57
           Multidimensionale Skalierung
           Anwendungsbeispiel


 Beispiel einer vollständig ausgefüllten Ähnlichkeitsmatrix




Arbeitsbereich Marketing und Innovation   13.02.2012           58
           Multidimensionale Skalierung
           Anwendungsbeispiel


 Positionierungsmappe




Arbeitsbereich Marketing und Innovation   13.02.2012   59
           Multidimensionale Skalierung
           Anwendungsbeispiel


 Zusatzfragen zur Ermittlung des Idealpunktes




Arbeitsbereich Marketing und Innovation   13.02.2012   60
           Multidimensionale Skalierung
           Anwendungsbeispiel

                                           Schwierige Interpretation der
                                           Konfiguration: ermittelte Ränge
 Integration des Idealpunktes             werden durch Idealpunkt nicht
                                           adäquat wiedergegeben  keine
                                           ausreichende Aussagekraft in
                                           dieser Konfiguration.

                                           Fazit: es gibt in dieser Konfigu-
                                           ration keinen Idealpunkt.




Arbeitsbereich Marketing und Innovation   13.02.2012                           61
           Multidimensionale Skalierung
           Anwendungsbeispiel


 Zusatzfragen zur Ermittlung von Idealvektoren auf Attributebene




Arbeitsbereich Marketing und Innovation   13.02.2012                62
           Multidimensionale Skalierung
           Anwendungsbeispiel


 Integration der Eigenschaftsvektoren

 3 Segmente:
 a) Havana Club, Bacardi & Pitu  „Joie de Vivre“
 b) Sierra Tequila & Campari  „Exotik“                           R2=48
 c) Gordon‘s Gin & Absolut Wodka  „Cold Classics“                        R2=0,64



 Nicht segmentierbar:
 • Jägermeister                                                                       R2=0,36
 • Jack Daniel‘s
 • Absinth                         R2=0,04




                                                                                    R2=0,415




                                          R2=0,1
                                                                      R2=0,75
  STRESS1: 0,1233
   „zufriedenstellend“

Arbeitsbereich Marketing und Innovation              13.02.2012                      63
           Multidimensionale Skalierung
           Anwendungsbeispiel


 Interpretation und Handlungsimplikationen
        kein Idealpunkt: keine konkrete Aussage möglich, wie das neu zu
         platzierende Produkt aussehen müsste und wo es platziert werden
         könnte
        drei gefundene Segmente: Gordon’s Gin und Absolut Wodka sehr
         ähnlich??  Rohdaten zeigen, dass Ähnlichkeit eher gering  Nähe
         wird durch die Unähnlichkeit zu den anderen Produkten erklärbar


        mögliche Marktnische: evtl. zwischen den drei gefundenen
         Segmenten
               auch denkbar: Ansiedelung in entgegengesetzter Richtung des Mix-Vektors
                (in Richtung Absinth) hin zu den harten pur getrunkenen Spirituosen




Arbeitsbereich Marketing und Innovation                13.02.2012                     64
           Multidimensionale Skalierung
           Anwendungsbeispiel


 Positionierungsmöglichkeiten
                                                       R2=48

                                                                R2=0,64




                                          1                                 R2=0,36




       R2=0,04




                             2
                                                                          R2=0,415




              R2=0,1

                                                               R2=0,75




Arbeitsbereich Marketing und Innovation   13.02.2012                           65
           Gliederung Kapitel 3


 3 Angewandte Marktforschungsmethoden
        3.2 Differenzierung und Positionierung
               3.2.1 Grundlagen
                      3.2.1.1 Einführung und Beispiel
                      3.2.1.2 Distanzmodelle
               3.2.2 Multidimensionale Skalierung
               3.2.3 Repertory Grid




Arbeitsbereich Marketing und Innovation                  13.02.2012   66
                Grundlagen zum Repertory Grid


    Das Repertory-Grid ist eine etablierte Technik aus der Psychologie zur
     Quantifizierung von Konsumenteneinstellungen, Gefühlen und
     Wahrnehmungen.
             Ziel der Methode: Aufdeckung der Wahrnehmungswelt eines Individuums in
              einem spezifischen Kontext
             Ein “Grid” kann als kognitive Mappe verstanden werden, welche einen Ausschnitt
              der speziellen Vorstellungswelt eines Individuums darstellt.


    Features eines “Grids”
             Objekte: In der Regel andere Personen/Plätze, Ideen oder Produkte/Marken
             Attribute: Merkmale, welche die Person zur Beschreibung und Differenzierung
              des Objektes von anderen Objekten nutzt. Hierbei ist es wichtig, dass die
              Merkmale als bipolar interpretiert werden (positive and negative ends).
             Verknüpfungsmechanismus: Relationen von Objekten und Attributen




Quelle: Easterby-Smith et al (1996), S. 3


  Arbeitsbereich Marketing und Innovation                  13.02.2012                       67
           Schritte eines Repertory Grids


1. Definition des Fokus vom zu erstellenden Grid (dies sollte spezifischer Natur
   sein).
2. Auswahl der Objekte, welche das “Grid” bilden sollen (diese sollten aus dem
   gleichen Themengebiet gewählt werden)
      Definition eines “Pools”
      Elizitierung durch Diskussion
3. Generierung von Attributen
      Elizitierung durch Triaden- oder Dyadenvergleiche
4. Erläuterung der Attribute
      Methode: Laddering (Means-Ends-Chain)
5. Verknüpfung der Attribute mit den Objekten
   (Bewertung der Objekte in der Repertory Grid Matrix)
      Skalenvarianten: Dichotom, Rating, Ranking
6. Analyse der Daten des Repertory Grids
      Dichotom: Matching Score
      Rating: Korrelations- oder Faktoren-Analyse

                                                                  Quelle: Easterby-Smith et al (1996), S. 5


Arbeitsbereich Marketing und Innovation              13.02.2012                                    68
           Beispiel: Durch welche Attribute
           unterscheiden sich verschiedene Marken?

Auswahl von drei Karten (Bezeichnet als Triade):

Frage 1.) Welche beiden dieser drei Marken sind sich ähnlich und worin
unterscheiden sie sich von der dritten Marke?
Frage 2.) Was sind die Gründe (Attribute) für diesen Unterschied ?“


                                          ähnlich
                  BMW                                               Volvo


                                           unähnlich




                                          Lada

Arbeitsbereich Marketing und Innovation                13.02.2012           69
               Komplettierte Repertory Grid Matrix

                          Jedes Objekt wurde mit () oder () bewertet, basierend
                     auf der Bewertung ob diese Personen den Skill aufweist oder nicht.


                Attribute aus den
               Triadenvergleichen                                                   Objekte



                        BMW               VW   Volvo   Seat      Lada      Skoda



Hohe Qualität                                                                 Niedrige Qualität



    Sicher                                                                      Nicht sicher



 Hochpreisig                                                                   Niedrigpreisig



   sportlich                                                                   Nicht sportlich




Arbeitsbereich Marketing und Innovation                       13.02.2012                             70
              Komplettierte Repertory Grid Matrix II


Es werden Scores zwischen 1 and 5 vergeben. Die linke Seite eines Pols
stellt einen niedrigen Score dar, die rechte Seite (Kontrastpol) einen
hohen Score.

     Konzept             BMW              VW   Volvo   Seat       Lada     Skoda   Gegenpol



   Economical             5               4     4       3          2        2       Costly



   Comfortable            1               4     2       4          5        5        Basic



     Sportly              1               3     2       4          5        5       Family



      Cheap               5               3     3       2          1        1      Expensive



       Fast               1               2     1       4          5        5        Slow




Arbeitsbereich Marketing und Innovation                       13.02.2012                       71
           Analyse des Repertory Grids


 „Matching score“ (Häufigkeit von  und  = Ähnlichkeit oder
  Unähnlichkeit)
        Zwischen 2 Spalten: Ein hoher Score repräsentiert eine positive Assoziation der
         zwei Objekten, ein niedriger Score repräsentiert negative Assoziationen.
        Summe der Zeile: Matching-Score zeigt, wie ähnlich oder unähnlich zwei Objekte
         sind.

 Anstelle einer dichotomen Bewertung: Bewertung der Objekte auf
  einem metrischen Skalenniveau
        Rating-Skala (i.e. 1..10 als Extremwerte der Pole) oder
        Ranking-Skala innerhalb eines Attributes (hier: 1..6)


 „Höher“-skalierte Daten erlauben eine Analyse mit Hilfe der
  Korrelations- oder Faktorenanalyse  Siehe Praxisbeispiel
  Easterby-Smith et al. (1996)




Arbeitsbereich Marketing und Innovation                13.02.2012                          72
           Komplexe Anwendung des Rep-Grid


 Praxisbeispiel aus: Easterby-Smith, Thorpe, R. and Holman, D.
  (1996): Using repertory grids in management, Journal of
  European Industrial Training, 20/3




Arbeitsbereich Marketing und Innovation   13.02.2012              73
            Anwendung des Repertory Grids



 Kognitionsmappen:                        Cognitive Map for a change management process
  (Cognitive Mappings)
      Aufdeckung komplexer
       Probleme und
       Zusammenhänge
      Aufzeigen von
       Beziehungen zwischen
       Konstrukten
      Zeigen Zusammenhänge:
             Individuell und integriert
             ganzheitlich
      Implikation: Zeigen
       Praxisimplikationen auf



                                                              Quelle: Easterby-Smith et al., 1996

 Arbeitsbereich Marketing und Innovation                 13.02.2012                           74
            Anwendung des Repertory Grids


 Cluster Analyse
      Zeigen die statistische             Dendrogram relating to the skills needed by students
       Ähnlichkeit zwischen
       Attributen auf
      Interpretationsaufgabe: In
       welchem Zusammenhang
       stehen die Konstrukte?
      Probleme:
             Verschiedene Cluster-
              Lösungen
             Mathematische Korrelation
              aber keine inhaltliche
              Interdependenz
             Keine Beziehung zwischen
              Konstrukten und Elementen




                                                               Quelle: Easterby-Smith et al., 1996

 Arbeitsbereich Marketing und Innovation                 13.02.2012                               75
           Anwendung des Repertory Grids


 Spatial Analysis
  (Hauptkomponentenanalyse)
      Zeigen Beziehungen zwischen:
             Konstrukten
             Elementen
             Elementen und Konstrukten
      Nahe beieinander liegende
       Konstrukte werden als ähnlich
       wahrgenommen




Arbeitsbereich Marketing und Innovation   13.02.2012   76
           Daten-Input der
           Hauptkomponentenanalyse

 Input-Daten: Korrelationsdaten mit metrischen Bewertungen

                                                              Personen




                                                              Bewertung
                                                              der Objekte




Arbeitsbereich Marketing und Innovation      13.02.2012              77
           Enstehung der zwei-Dimensionen


Korrelation zwischen Konstrukt und Komponente:




     Lösung: unrotiert; Rotation verbessert die Anpassungsgüte




Arbeitsbereich Marketing und Innovation               13.02.2012   78
           Zusammenfassung Repertory Grid (1/2)


 Das Repertory Grid is eine Methode zur Generierung von
  Wahrnehmungswelten von Personen hinsichtlich deren
  Einstellungen und Wahrnehmungen
 Die Matrizen müssen nicht für alle Probanden gleich sein
        Problem der Faktorenanalyse: Syntese der Input-Daten-Matrix


 Empfehlungen:
        Auswahl der Objekte: Liste sollte homogen, repräsentativ und so kurz wie
         möglich gehalten werden.
        Auswahl der Attribute: Elizitierung durch Triaden- oder Dyadenvergleiche
        Zur Operationalisierung der Attribute: Anwednung der Laddering-Technik
         (Warum-Fragen zur Druchdringung der hierarchischen Struktur, Wie-Fragen
         zur Spezifizierung der Konstrukte)




Arbeitsbereich Marketing und Innovation               13.02.2012                    79
           Zusammenfassung Repertory Grid (2/2)


Einsatz im Marketing:
 Wie werden Produkte wahrgenommen?
        Mit Hilfe des Repertory Grids lassen sich die relevanten
         Dimensionen zur Unterscheidung von Produkten ermitteln
        Grundlage für die Interpretation der MDS
 Wie lassen sich Produkte positionieren?
        Kombination mit der MDS  Ermittlung relevanter Konstrukte
         und anschließende Positionierung im Wahrnehmungsraum der
         Konsumenten




Arbeitsbereich Marketing und Innovation    13.02.2012               80
           Beispielhafte Verständnisfragen zum Kap.
           3.2

1. Stellen Sie bitte das Vorgehen der Multidimensionalen Skalierung
   im Überblick dar.
2. Wie lassen sich Distanzen zwischen den betrachteten Objekten in
   einer MDS messen?
3. Unterscheiden Sie verschiedene Distanzmaße.
4. Was wird unter dem STRESS-Maß bei einer MDS verstanden?
5. Wozu lässt sich ein Repertory Grid zur Positionierung von
   Produkten einsetzen?




Arbeitsbereich Marketing und Innovation   13.02.2012                  81

								
To top