Trends in der Anwendung von Markenwahlmodellen
- Art: Diplomarbeit
- Autor: Nadine Knispel
- Abgabedatum: Januar 2004
- Umfang: 70 Seiten
- Dateigröße: 448,1 KB
- Note: 1,7
- Institution / Hochschule: Humboldt-Universität zu Berlin Deutschland
- ISBN (eBook): 978-3-8324-4070-1
-
ISBN (Paperback) :
978-3-8324-4070-1 P - ISBN (CD) :978-3-8324-4070-1 CD
- Sprache: Deutsch
- Prämierung:
- Arbeit zitieren: Knispel, Nadine Januar 2004: Trends in der Anwendung von Markenwahlmodellen, Hamburg: Diplomica Verlag
- Schlagworte: discrete choice models, random utility models, Logit-Modell, Finite Mixture, Bayesianische Prozedur
In den Warenkorb
74,00 €
Diplomarbeit von Nadine Knispel
Einleitung:
Seit Jahrzehnten sind Forscher aus den unterschiedlichsten Fachbereichen wie Marketing, Ingenieurswesen oder Psychologie an der Analyse und der Vorhersage der Produkt- respektive Markenauswahl von Individuen interessiert. Im Zentrum der Aufmerksamkeit steht dabei die Untersuchung von Faktoren, die das Wahlverhalten beeinflussen können. So haben demographische Variablen, psychologische Konstrukte, Heterogenität in den Präferenzen von Individuen oder persönliche Erfahrungen von Konsumenten signifikante Auswirkungen auf die Wahl einer bestimmten Marke. Im Marketing ist besonders die Untersuchung des Einflusses von Faktoren wie Preisänderungen oder anderer verkaufsfördernder Maßnahmen auf das Verhalten von Konsumenten wichtig. Dadurch wird die Wirkung dieser Marketing-Mix-Elemente transparenter und sie können zukünftig effektiver und effizienter in der Preis- und Produktpolitik eingesetzt werden.
Eine Marke definiert sich, als die Kombination von Eigenschaften eines Produktes oder einer Dienstleistung zur Differenzierung gegenüber Produkten und Dienstleistungen der Konkurrenten (Gabler, 1993, S. 2188). Die Marke entsteht dabei aus der Farb- und Formgebung eines Produktes und dem Produkt- oder Firmennamen. Die Bildung einer Marke entsteht durch Werbung und durch einen hohen Bekanntheitsgrad des Produktes beziehungsweise der Dienstleistung. Vorteile der Markenbildung sind für den Hersteller ein bestimmtes Prestige, die Erlangung von akquisitorischem Potenzial und eine stärkere Position gegenüber dem Handel sowie der Konkurrenz. Für den Konsumenten liegen die Vor-teile in der Qualitätsgarantie, der guten Verfügbarkeit und dem bedarfsgerechten Einkauf aufgrund der guten Produktidentifikation (Wöhe, 1996).
Anbieter setzen die entstandenen Markenartikel als absatzpolitisches Instrument ein, bürgen für eine gewisse Qualität und hoffen, den Konsumenten zum Wiederkauf und zur Markentreue zu bewegen. Markenpolitik, die hauptsächlich an qualitätsbewusste und prestigebewusste Nachfrager gerichtet ist, bezieht sich hauptsächlich auf sogenannte Herstellermarken. Neben diesen Marken existieren sogenannte Handelsmarken, wie ALDI-Produkte, mit dem Ziel, die preisbewussten Konsumenten anzusprechen (Wöhe, 1996). Für diese Marken wird weitaus weniger Werbung betrieben als für Herstellermarken. Die wichtigsten Instrumente der Markenpolitik sind die Verpackungspolitik und die Werbung (Wöhe, 1996, S. 652ff.). Diese Steuerung des Erscheinungsbildes sowie die Förderung des Bekanntheitsgrades dienen der Bildung einer positiven Verbindung für den Konsumenten mit einer bestimmten Marke. Nur diese positive Verbindung führt letztendlich zu einer Verkaufsteigerung des Produktes.
Der umfassende Kaufentscheidungsprozess eines Individuums kann angelehnt an Lilien, Kotler & Moorthy (1992) und Hruschka (1996) in folgende fünf Stufen aufgegliedert werden:
1. Problemerkennung.
2. Informationssuche.
3. Alternativenbewertung.
4. Kaufentscheidung.
5. Nachkaufverhalten.
Dieser Prozess beginnt bei dem Erkennen eines Bedürfnisses, geht weiter über die Suche nach möglichen Alternativen und deren Bewertungen, die dann zu einem möglichen Kauf einer bestimmten Marke beziehungsweise eines Produktes führt und endet mit den Rückschlüssen, die ein Individuum aus dem Kauf zieht. Die beobachtbare beziehungsweise messbare Wahl einer bestimmten Marke, die in dieser Arbeit im Fokus steht, erfolgt in der vierten Phase.
Als theoretische Basis für die Analyse der Wahl einer Marke haben sich Markenwahlmodelle verschiedenster Art herausgebildet. Eine wichtige und vielversprechende Form sind diskrete Entscheidungsmodelle, in denen ein Individuum zwischen sich gegenseitig ausschließenden Alternativen eine Wahl trifft. Diese Modelle - mit dem Ziel der Vorhersage von Entscheidungen - basieren auf dem auf Thurstone (1927) zurückgehenden Modell des zufälligen Nutzens. Einen besonderen Beitrag für die Anwendung und Entwicklung der diskreten Entscheidungsmodelle leistet die Studie von Guadagni & Little (1983), die zu einem Durchbruch in der Anwendung von diskreten Entscheidungsmodellen, insbesondere der des Logit-Modells, führte. Entscheidend sind ebenfalls die Arbeiten des Nobelpreis-trägers Daniel McFadden, die in vielen Untersuchungsbereichen der Markenwahlmodelle die Forschung kontinuierlich beeinflussen.
Inhaltsverzeichnis:
| Abbildungsverzeichnis | IV | |
| Tabellenverzeichnis | V | |
| 1. | Einleitung | 1 |
| 1.1 | Einführung in die Problemstellung | 1 |
| 1.2 | Ziel und Aufbau der Arbeit | 3 |
| 2. | Theoretische Einordnung der Markenwahlmodelle | 4 |
| 2.1 | Einordnung in den entscheidungstheoretischen Kontext | 4 |
| 2.1.1 | Fundamentale Theorien der Wahlmodelle | 4 |
| 2.1.2 | Erstellung einer Typologie basierend auf den Entscheidungsansätzen | 6 |
| 2.2 | Einteilung der Markenwahlmodelle anhand des Responseverhaltens von Nachfragern | 8 |
| 2.2.1 | Stochastische Modelle | 8 |
| 2.2.2 | Aggregierte Modelle | 9 |
| 2.2.3 | Disaggregierte Modelle | 10 |
| 3. | Logit-Modelle – Eine Detaillierte Untersuchung über eine Gruppe der disaggregierten Wahlmodelle | 11 |
| 3.1 | Charakteristika der Logit-Modelle | 11 |
| 3.2 | Spezifische Logit-Modelle | 12 |
| 3.2.1 | Binäres Logit-Modell | 12 |
| 3.2.2 | Multinomiales Logit-Modell | 14 |
| 3.2.3 | Konditionales Logit-Modell | 15 |
| 3.2.4 | „Nested“ Logit-Modell | 15 |
| 3.2.5 | Gemischtes Logit-Modell | 16 |
| 3.3 | Bewertung und Kritik der Logit-Modelle | 18 |
| 4. | Statistisch mathematische Weiterentwicklungen für die Anwendung von Markenwahlmodellen | 20 |
| 4.1 | Schätzprozeduren mit Simulation | 20 |
| 4.1.1 | Klassische Prozeduren | 21 |
| 4.1.2 | Bayesianische Prozedur | 23 |
| 4.1.3 | Vergleich von Klassischer versus Bayesianischer Prozedur | 26 |
| 4.2 | Methoden zur Ziehungen von Werten aus einer Verteilung | 28 |
| 4.2.1 | Monte-Carlo-Methoden | 28 |
| 4.2.2 | Quasi-Monte-Carlo Methoden | 29 |
| 4.3 | Kombinieren von Daten aus offenbartem und angegebenem Wahlverhalten | 31 |
| 5. | Integration verschiedener Aspekte des Verhaltensprozesses in Markenwahlmodelle | 33 |
| 5.1 | Modellierung der Heterogenität in den Konsumentenpräferenzen | 35 |
| 5.1.1 | „Finite Mixture“ Ansatz | 36 |
| 5.1.2 | Erweiterungen des „Finite Mixture“ Ansatzes und alternative Darstellungsformen der Präferenzheterogenität | 39 |
| 5.2 | Berücksichtigung von Dynamik im Wahlverhalten | 41 |
| 5.2.1 | Einfluss der Vergangenheit auf die Gegenwart | 42 |
| 5.2.2 | Betrachtung der Entscheidung eines vorausschauenden Konsumenten | 43 |
| 5.3 | Berücksichtigung des Kaufs von Marken verschiedener Kategorien | 45 |
| 5.4 | Erweiterung um Latente Variablen | 48 |
| 5.5 | Weitere Modellverbesserungen | 50 |
| 6. | Zusammenfassung und Implikationen | 51 |
| Literaturverzeichnis | 55 | |
| Abbildungsverzeichnis | ||
| 2.1 | Modell der zufälligen Nutzen (angelehnt an Walker & Ben-Akiva, 2002) | |
| 2.2 | Einteilung der Markenwahlmodelle (angelehnt an Corstjens & Gautschi, 1983) | |
| 5.1 | Der Entscheidungsprozess (McFadden, 2001; Ben-Akiva et al., 2002a) | |
| 5.2 | Modellierungsformen der Geschmacksheterogenität zwischen Individuen | |
| 5.3 | Auswirkung einer Preispromotion im Modell mit und ohne Berücksichtigung des Einflusses vergangener Käufe auf heutige Entscheidungen (in Anlehnung an Seetharaman, 2003) | |
| 5.4 | Latente Variablen im Modell des zufälligen Nutzens (angelehnt an Ben-Akiva et al., 2002b) |
Die einfachste und am häufigsten angewandte Form, Ziehungen vorzunehmen, ist das zufällige Ziehen von Werten. Dieses erfolgt unabhängig davon, welche Verteilung betrachtet wird. Simulation ist nur computergestützt anwendbar und folglich ist auch das Ziehen rechnergestützt. Es ist somit nicht wirklich zufällig und wird deshalb als pseudo-zufällig bezeichnet (Train, 2003). Als Standard für die Durchführung dieser Ziehungen haben sich die Methode des Gibbs-Sampling und der Metropolis-Hastings-Algorithmus durchgesetzt (McFadden, 2001). Die in Abschnitt 4.1 für das gemischte Logit beschriebene Methode des Gibbs-Sampling (Casella & George, 1992) eignet sich besonders für multinomiale Verteilungen, da sich das Ziehen im multinomialen Fall aus einer gemeinsamen Verteilung als -29- [...]
Beide Verfahren nutzen das Konzept der Konvergenz, um die relevanten statistischen Werte zu bestimmen. Während die klassische Methode die Annäherung zu einem Maximum nutzt, nähert sich in der bayesianischen Prozedur ein Prozess den Ziehungen aus einer Verteilung an. Allerdings können in kleinen Samples die Prozeduren unterschiedliche Ergebnisse aufgrund der unterschiedlichen Betrachtung des Faktors "Unsicherheit" im Modell liefern. Bei größeren Stichproben führen beide Prozeduren zu annähernd dem gleichen Ergebnis (Huber & Train, 2001). Somit kann der Forscher die für ihn komfortabelste Prozedur wählen (Train, 2003). Wichtig ist für den Analysten die Form der Interpretation der Schätzer. Ein Modell kann zum Beispiel mit einer bayesianischen Prozedur geschätzt und in klassischer Tradition interpretiert werden. Dieser Umstand zeigt wieder die Vorteil- [...]
zufällig spezifiziert, so verdoppelt sich bei hierarchischem Bayes die Länge der Berechnung im Gegensatz zum klassischen Ansatz. Erfolgt anstatt der Annahme einer Normalverteilung die einer lognormalen, erweist sich im klassischen Verfahren die Lokalisierung eines Maximums als relativ schwierig (Train, 2003). Nach dem Durchlaufen mehrerer Iterationen tritt häufig keine Verbesserung der Werte ein und die Startwerte müssen für eine erfolgreiche Anwendung nahe dem Maximum gewählt werden. Bei der Anwendung der bayesianische Methode muss hingegen kein Maximum entdeckt werden. Allerdings arbeitet diese Prozedur relativ langsam, wenn Verteilungen wie uniform oder triangular spezifiziert werden. Das klassische Verfahren arbeitet in gleicher Zeit wie bei Annahme einer Normalverteilung (Train, 2001). Die Unterschiede im Zeitbedarf bei Anwendung des simulierten Maximum-Likelihood-Schätzers und des simulierten Mittelwertes der posterior Verteilung bei jeweiliger Spezifizierung in einem gemischten Logit-Modell, fasst Tabelle 5.1 zusammen. [...]
In den Warenkorb
74,00 €
Link zur Arbeit:
http://www.diplom.de/ean/9783832440701
Arbeit zitieren:
Knispel, Nadine Januar 2004: Trends in der Anwendung von Markenwahlmodellen, Hamburg: Diplomica Verlag
Schlagworte:
discrete choice models, random utility models, Logit-Modell, Finite Mixture, Bayesianische Prozedur



