Conjoint-Analyse

Grundidee und Bedeutung

Die Conjoint-Analyse, auch Conjoint Measurement, Verbundanalyse oder Verbundmessung, ist eine multivariate Methode, die ursprünglich in der Psychologie entwickelt wurde und heute vor allem in der Marktforschung wichtig ist. Sie ist ein dekompositionelles Verfahren: Aus Gesamturteilen von Konsumenten über vollständige Alternativen, sogenannte Stimuli, werden die Präferenzstruktur und die Nutzenbeiträge einzelner Eigenschaften und Eigenschaftsausprägungen geschätzt. Ein Stimulus ist in der Praxis meist ein Produkt, das aus mehreren Produktmerkmalen mit jeweils konkreten Ausprägungen besteht.

Der Kern besteht darin, dass Befragte nicht einzelne Merkmale isoliert bewerten, sondern vollständige Produkte beurteilen, in eine Rangfolge bringen oder aus ihnen auswählen. Daraus wird anschließend berechnet, welchen relativen Beitrag eine Eigenschaft und ihre einzelnen Ausprägungen zum Gesamtnutzen leisten. Dieser Ansatz gilt als praxisnah, weil er realen Kaufentscheidungen ähnelt: Auch dort entscheiden Menschen meist über ganze Produkte, nicht über einzelne Merkmale getrennt.

Erstmals erwähnt wurde die Conjoint-Analyse 1964 in Arbeiten von Robert Luce und John Tukey. In den 1970er Jahren führten Paul E. Green und V. Seenu Srinivasan sie als Verfahren in die Marktforschung ein. Die ursprüngliche Form heißt heute traditionelle oder klassische Conjoint-Analyse beziehungsweise Profilmethode. Seit den 1980er und 1990er Jahren entstanden weitere Varianten wie die adaptive und die auswahlbasierte Conjoint-Analyse.

Beispiel und Einsatzgebiete

Ein typisches Beispiel ist die Planung eines neuen Produkts. Ein Unternehmen legt mehrere Eigenschaften fest, etwa Produktdesign, Produktname, Preis, Gütesiegel und Geldrücknahmegarantie. Wenn drei Eigenschaften je 3 Ausprägungen und zwei Eigenschaften je 2 Ausprägungen haben, ergeben sich insgesamt 3 × 3 × 3 × 2 × 2 = 108 mögliche Produkte. Beispiele wären „K2R“ in Design A zu 1,19 $, mit Gütesiegel und Geldrücknahmegarantie, oder „GLORY“ in Design B zu 1,39 $, mit Gütesiegel und ohne Geldrücknahmegarantie. Solche vollständigen Produktkombinationen werden den Konsumenten zur Beurteilung vorgelegt.

Die drei wichtigsten Einsatzgebiete sind Produktentwicklung, Preispolitik und Marktsegmentierung. In der Produktentwicklung hilft die Conjoint-Analyse bei der Einführung neuer Produkte oder beim Relaunch bestehender Produkte. Sie soll zeigen, welche Eigenschaften und Ausprägungen den größten Nutzen stiften. Dadurch können Absatzchancen verbessert und Kosten gespart werden, wenn teure, aber für Käufer irrelevante Merkmale erkannt werden.

In der Preispolitik liefert die Methode Daten für die Berechnung einer voraussichtlichen Preis-Absatz-Funktion. Durch Simulationen kann für ein gegebenes Produkt der Preis geschätzt werden, der dem Hersteller das Gewinn-Optimum bringt. In der Marktsegmentierung lassen sich erwartete Marktanteile, Reaktionen auf Markteinführungen oder Reaktionen bestimmter Zielgruppen auf Eigenschaftsänderungen abschätzen.

Traditionelle Profilmethode

Die traditionelle Profilmethode stellt jedes Produkt als vollständiges Profil seiner Eigenschaften dar. Zunächst werden Eigenschaften und Ausprägungen festgelegt. Sie sollten für Konsumenten relevant, vom Hersteller beeinflussbar und realisierbar sein. Außerdem sollten sie möglichst unabhängig sein, also so, dass der Nutzen einer Ausprägung nicht durch andere Ausprägungen verändert wird. Sie sollten in einer kompensatorischen Beziehung stehen: Ein hoher Nutzen einer Ausprägung kann einen niedrigen Nutzen einer anderen Ausprägung ausgleichen. Ausschlusskriterien, also K.-o.-Kriterien, sollen vermieden werden. Die Anzahl der Merkmale und Ausprägungen muss begrenzt bleiben, weil die Zahl möglicher Stimuli exponentiell steigt.

Der Versuchsplan legt fest, welche Stimuli bewertet werden. Die Gesamtzahl möglicher Stimuli ergibt sich als Produkt der Anzahlen der Ausprägungen aller Eigenschaften. Als Obergrenze für einen geeigneten Versuchsplan gelten 20 Stimuli. Bei wenigen Kombinationen kann ein vollständiger Versuchsplan genutzt werden, etwa bei 3 Eigenschaften mit je 2 Ausprägungen: 2 × 2 × 2 = 8 Stimuli. Bei 3 Eigenschaften mit je 3 Ausprägungen entstehen 3 × 3 × 3 = 27 Stimuli; dann sollte ein reduzierter Versuchsplan verwendet werden.

Ein reduzierter Versuchsplan kann durch Zufallsauswahl oder durch einen orthogonalen Versuchsplan entstehen. Orthogonal bedeutet hier, dass die Kombinationen so gewählt werden, dass unkorrelierte Schätzungen möglich sind. Bei exakt 3 Eigenschaften mit gleicher Zahl von Ausprägungen kann ein Lateinisches Quadrat verwendet werden; für einen 3 × 3 × 3-Plan mit 27 Stimuli entsteht so ein reduzierter Plan mit 9 Stimuli.

Bewertung, Schätzung und Modell

Für die Profilmethode werden ordinal skalierte Bewertungen benötigt, also Ranginformationen ohne zwingend messbare Abstände. Die traditionelle Vorgehensweise ist die Rangreihung: Eine Testperson ordnet alle Stimuli nach Präferenz. Fehlende oder geteilte Ränge sind möglich, sollten aber für valide Ergebnisse möglichst vermieden werden. Weil eine vollständige Rangreihung kognitiv anspruchsvoll ist, kann zuerst eine Grobeinteilung in Gruppen wie „niedrig“, „mittel“ und „hoch“ erfolgen. Gemeinsame Rating-Skalen, bei denen alle Stimuli auf einer Achse angeordnet und angepasst werden können, gelten als hilfreicher als monadische Rating-Skalen, bei denen jeder Stimulus isoliert bewertet wird.

Alternativ können Paarvergleiche oder Choicing eingesetzt werden. Beim Paarvergleich wählt die Testperson aus jedem möglichen Paar den bevorzugten Stimulus. Das bildet Präferenzen oft genauer ab, ist aber zeitaufwendig und kann zu Inkonsistenzen führen, etwa wenn A gegenüber B, B gegenüber C, aber später C gegenüber A bevorzugt wird. Beim Choicing wählt die Testperson aus 2 oder 3 Stimuli; die nächsten Auswahlsets werden aus der bisher bekannten Präferenzstruktur gebildet. Dadurch entsteht schneller eine konsistente Rangfolge.

Die Profilmethode nutzt ein additives Modell: Der Gesamtnutzen eines Stimulus ist die Summe der Teilnutzenwerte seiner Ausprägungen. Die Formel lautet: y_s = Σ_{e=1}^{E} Σ_{a=1}^{A} β_ea · d_ea. Dabei ist y_s der geschätzte Gesamtnutzenwert für Stimulus s, β_ea der Teilnutzenwert für Ausprägung a von Eigenschaft e und d_ea eine Dummy-Variable, die 1 ist, wenn diese Ausprägung beim Stimulus vorliegt, sonst 0. Häufig werden die Werte mit der KQ-Methode oder einer Regressionsanalyse geschätzt. Dabei wird der quadrierte Abstand zwischen empirischen Rangdaten r und Nutzenwerten y minimiert: min_b Σ_{s=1}^{S}(r_s − y_s)^2. Wenn man nicht von äquidistanten Rängen ausgehen möchte, kann eine monotone Varianzanalyse verwendet werden.

Nach der Schätzung werden individuelle Teilnutzenwerte normiert und aggregiert. Der jeweils geringste Teilnutzenwert einer Eigenschaft wird auf Null gesetzt. Danach werden die Teilnutzenwerte ins Verhältnis zur Summe der maximalen Teilnutzenwerte jeder Eigenschaft gesetzt. So liegen alle Teilnutzenwerte zwischen 0 und 1, der maximale Nutzen eines Stimulus beträgt für jede Testperson genau 1, und die maximalen Teilnutzenwerte zeigen die relative Wichtigkeit der Eigenschaften.

Standardverfahren

Aus der klassischen Conjoint-Analyse entstanden zahlreiche Varianten, um Schwächen zu verringern. Zwei wichtige Probleme der ursprünglichen Methode sind die begrenzte Zahl abfragbarer Merkmale und der Umstand, dass Rating- und Ranking-Fragen keinen direkten Rückschluss auf die tatsächliche Produktauswahl erlauben. Zwei verbreitete Standardverfahren sind die adaptive Conjoint-Analyse (ACA) und die auswahlbasierte Conjoint-Analyse, englisch Choice Based Conjoint Analysis, kurz CBCA oder CBC.

Die adaptive Conjoint-Analyse ist nur computergestützt durchführbar. Sie heißt adaptiv, weil die Eingaben des Probanden während des Interviews verarbeitet werden und die nächste Fragebogenseite daraus entsteht. Das Interview passt sich der individuellen Präferenzstruktur an. Eine ACA besteht aus fünf Befragungsphasen. Anders als die klassische Full-Profile-Methode lässt sie Befragte nicht vollständige Produktkombinationen aus allen Merkmalen bewerten, sondern Produkte mit nur wenigen Merkmalen. In der Praxis werden ACA-Studien meist mit 8–15 Merkmalen und jeweils etwa fünf Ausprägungen durchgeführt; theoretisch können bis zu 30 Merkmale aufgenommen werden. Problematisch ist, dass unwichtige Merkmale tendenziell überschätzt und wichtige Merkmale tendenziell unterschätzt werden können, besonders bei Preisbestimmung oder Marktsimulationen.

Die wahlbasierte Conjoint-Analyse basiert auf ökonomischer Entscheidungstheorie. Sie bildet Kaufentscheidungen realitätsnäher ab und liefert Kaufwahrscheinlichkeiten, die direkt in erwartete Deckungsbeiträge, Gewinne und Marktanteile umgerechnet werden können. Im Gegensatz zur ACA ist sie ein Full-Profile-Verfahren: Die Produkte bestehen wie in der Kaufsituation aus allen Merkmalen. Die Befragten stufen nicht ab, sondern wählen pro Befragungsseite eines der angebotenen Produkte als bevorzugt aus. Das stellt höhere Anforderungen an die Aufmerksamkeit, erlaubt aber eine genauere Bestimmung von Trade-offs zwischen Merkmalen. Die auswahlbasierte Conjoint-Analyse gilt derzeit als „goldener Standard“ der Branche. Unter dem Namen Choice Experiment wird sie auch in Bereichen wie Gesundheits- und Umweltökonomik verwendet.

Weiterentwicklungen

Die Limit-Conjoint-Analyse (LCA) erweitert traditionelle Ansätze um die Erhebung individueller Kaufbereitschaften. Zuerst werden Stimuli bewertet und gereiht. Danach trennt die Testperson kaufenswerte von nicht-kaufenswerten Alternativen, indem sie eine Limit-Card hinter den letzten noch kaufenswerten Rangplatz setzt. Die Karte kann auch vor dem ersten oder hinter dem letzten Stimulus liegen, wenn keine oder alle Stimuli kaufenswert sind. Die Limit-Card wird als Nutzennullpunkt interpretiert: Kaufenswerte Stimuli haben positive, nicht kaufenswerte negative Nutzenwerte. Dadurch können absolute Nutzenwerte statt bloßer Nutzenänderungen ermittelt werden. Die LCA verbessert die Prognose von Kaufentscheidungen, erlaubt aber nur eine geringe Anzahl von Merkmalen.

Die Hierarchische Individualisierte Limit Conjoint-Analyse (HILCA) verbindet die Idee der LCA mit einem hierarchischen Beurteilungsansatz. Sie beruht auf der Annahme, dass Menschen komplexe Informationen hierarchisieren und nacheinander verarbeiten, um kognitive Überlastung zu vermeiden. Dadurch soll eine theoretisch unbegrenzte Zahl von Merkmalen aufgenommen und die Prognose von Kaufentscheidungen verbessert werden.

Die Multi-Rule-Conjoint-Analyse (MRC) berücksichtigt mehrere psychologische Entscheidungsregeln. Sie soll nicht nur rationale, sondern auch irrationale Entscheidungen statistisch berechenbar und vorhersagbar machen. Während traditionelle Modelle Teilnutzenwerte summieren, orientiert sich ein irrationaler Entscheider etwa an Referenzwerten wie Preisnachlässen und vergleicht Angebote direkt anhand solcher Eigenschaften. Durch die Kombination statistischer Algorithmen für rationales und irrationales Verhalten soll die Vorhersagequalität steigen.

Bei der auswahlbasierten Conjoint-Analyse mit hierarchischer Bayes-Schätzung (CBCHB) werden individuelle Präferenzen mithilfe hierarchischer bayesscher Modelle geschätzt. Dieses statistische Verfahren darf nicht mit einer hierarchischen Strukturierung der Bewertungsaufgabe verwechselt werden. Wenn individuell zu wenig Information über einzelne Merkmale vorliegt, wird sie aus der Präferenzverteilung der Gesamtpopulation abgeleitet. Das führt zu robusten Ergebnissen und bildet die Heterogenität der Kunden ab. Eine neue Verfahrensvariante ist die adaptive auswahlbasierte Conjoint-Analyse (ACBCA).