Es ist ein offenes Geheimnis in der Branche: Conjoint-Analyse-Softwares liefern oft seltsame Ergebnisse, die die Analysten dazu veranlassen, Datensets und Analyse-Parameter zu optimieren, damit die Ergebnisse plausibel erscheinen. Nur das ist kein Verfahren, das zu korrekten Ergebnissen führt. Dieses Phänomen ist ein deutliches Zeichen dafür, dass mit den heutigen Conjoint-Analyse-Ansätzen noch immer etwas nicht stimmt.
Das Problem bei der Conjoint-Analyse
Es wurden viele fortschrittliche Conjoint-Analyse-Ansätze entwickelt: Es gibt ACA („Advanced Conjoint Analysis“, die partielle Feature-Profile ermöglicht), CBC („Choice Based Conjoint“, das statt Präferenz nun eine Wahlentscheidung abfragt) oder CSC („Constant Sum Conjoint“, das eine Verteilung der Auswahl ermöglicht).
Das Grundprinzip von Conjoint ist es, mehrere Auswahlexperimente durchzuführen, wobei die Beweggründe (d. h. die Produkt-Features) je Abfrage geändert werden. Aus praktischen Gründen ist es nicht möglich, alle denkbaren Feature-Kombinationen bei einem Befragten zu bemessen. Und hier entsteht das Problem, wenn die Fallzahl nicht extrem groß angelegt sind. Genau dies ist aus ökonomischen Beweggründen fast immer der Fall.
Ein Beispiel macht es klar
Stellen Sie sich eine Studie vor, bei der die aktuellen Konsumenten einer Lebensmittelmarke sich mit größerer Wahrscheinlichkeit für diese Marke entscheiden, einfach weil sie sie bereits probiert haben. Nur das Feature „hat es bereits probiert“ ist nicht Teil des Conjoint-Experiments. Sind die Features randomisiert, wird es Features oder Feature-Kombinationen mit einem höheren Anteil an Personen geben, die das Produkt bereits probiert haben.
Nachdem die aktuellen Konsumenten das Produkt auch ziemlich wahrscheinlich kaufen würden, wird die Conjoint-Analyse „denken“, dass die Features mit die den aktuellen Konsumenten mehr gezeigt wurden von einer höherer Bedeutung sind als dies tatsächlich der Fall ist. Das Problem ist weder durch Quotierung noch durch andere Vorabmaßnahmen lösbar, denn meist kennen wir nicht alle „Störfaktoren“ vorab.
Warum eine Lösung des Conjoint-Analyse-Problems so wichtig wäre
Wäre es möglich, alle beeinflussenden Faktoren eines Conjoint in Betracht zu ziehen, hätten Marktforscher mehrere Vorteile:
- Erstens, würde es das Vertrauen in die Gültigkeit der Ergebnisse stark erhöhen. Es gäbe mehr Vertrauen darauf, dass die abgeleiteten Empfehlungen funktionieren.
- Eine Analyse aller relevanten Faktoren würde ein holistisches Bild des Entscheidungsprozesses ermöglichen. Es würde sich nicht nur auf die Auswahlentscheidung fokussieren, sondern auch die Wirkung von Produkt-Features und Preisen auf das Markenimage sowie die Markenbekanntheit, -erwägung, -loyalität oder -empfehlung bemessen. Denn all diese Variablen wären Teil des Modells.
- Und letztlich wäre eine solche Studie eine einheitliche Quelle für die verschiedensten Informationsbedürfnisse. Sie könnte zur Markenpositionierung und Segmentierung dienen und bei Fragen zur Customer Journey nützlich sein.
Die Lösung: Holistische Conjoint-Analyse
Für eine Holistische Conjoint-Analyse müssen wir mehrere Informationselemente einholen:
- Mehrere Auswahlaufgaben pro Befragtem mit randomisierten Feature-Profilen
- Das Markenimage und die Einstellung dazu
- Daten über das eigentliche Interesse wie Kaufabsicht, Bereitschaft zur Informationseinholung, Markenerwägung
- Daten zu den Befragten, darunter Demografien, ihre Situation und Geschichte. Sind sie bereits Kunden? Sind sie auf der Suche nach Schnäppchen? Sind sie sich über die Kosten im Klaren? All die Dinge, die sich auf das gewünschte Ergebnis auswirken können.
Die alles entscheidende Frage ist: „Wie können wir herausfinden, welche Veränderungen das Ergebnis verbessern könnten?“ Bei konventionellen Methoden ist das Problem, dass sie auf die Parameter eines bekannten Modells hin konstruiert sind.
Was es jedoch braucht, ist eine Methode, die anhand der Daten ein zuvor unbekanntes Modell erstellt, ein Modell, das indirekte Kausalwirkungen miteinschließt und Nichtlinearität oder die unbekannten interaktiven Zusammenhänge nicht vernachlässigt. Genau das ist die Stärke des „Universelle Struktural Structure Modeling“, das die NEUSRELTM Software bietet.
Die gute Nachricht: Die holistische Conjoint-Analyse ist erwiesen, verlässlich, erprobt und getestet
Wir haben dutzende Studien über die Gültigkeit von holistischen versus konventionellen Conjoint-Analysen verglichen und festgestellt, dass der Wert der Gültigkeit, was die Erklärungskraft betrifft, zwischen 25 % und 85 % angestiegen ist. Die Ergebnisse zeigen typischerweise eine höhere Plausibilität und ermöglichen perfekte Empfehlungen hinsichtlich der Preisgestaltung und Produktoptimierung, die natürlich zur Positionierungs-, Segmentierungs- und Marketingstrategie-Beratung passen, da sie aus einer einzigen Datenquelle und einem einzigen Kausalmodell stammen.
p.s. Weiterführendes zu NEUSREL und die Universelle Strukturmodelierung finden Sie hier.