Marketing Glossar

2.413 Fachbegriffe aus 22 Bereichen des Online Marketings

Conjoint-Analyse

Definition: Die Conjoint-Analyse (von englisch „considered jointly" – gemeinsam betrachtet) ist ein quantitatives Marktforschungsverfahren, das den relativen Nutzenbeitrag einzelner Produktmerkmale (Attribute) und ihrer jeweiligen Ausprägungen misst, indem Probanden vollständige Produktalternativen – bestehend aus Kombinationen mehrerer Merkmale – bewerten oder auswählen und dabei implizit Präferenzen und Zahlungsbereitschaften offenbaren. Die methodischen Grundlagen legten der Mathematiker R. Duncan Luce und der Statistiker John W. Tukey 1964 in ihrem Artikel „Simultaneous Conjoint Measurement: A New Type of Fundamental Measurement" im Journal of Mathematical Psychology; die ersten Marketinganwendungen wurden ab den frühen 1970er-Jahren von Paul Green und Vithala Rao entwickelt und in Publikationen in der Zeitschrift Journal of Marketing Research dokumentiert. Green und Srinivasan (1978) veröffentlichten im Journal of Consumer Research einen richtungsweisenden Überblick, der die Conjoint-Analyse als Standardmethode in der kommerziellen Marktforschung etablierte. Kernprinzip ist der erzwungene Trade-off: Anders als bei direkten Wichtigkeitsbewertungen (bei denen Befragte tendenziell alles als wichtig bewerten) müssen Probanden bei der Conjoint-Analyse zwischen realistischen Produktalternativen wählen und offenbaren dabei implizit, welche Merkmale sie bereit sind zu opfern, um bei anderen zu gewinnen. Ein Pkw-Käufer, der zwischen einem sparsamen Basismodell und einem PS-starken, aber teuren Fahrzeug wählt, gibt durch seine Wahl Auskunft über die relative Wichtigkeit von Verbrauch, Leistung und Preis.

Erläuterung

Die Conjoint-Analyse hat sich in den letzten Jahrzehnten zu einem breit gefächerten Methoden-Cluster entwickelt, dessen bekannteste Varianten Choice-Based Conjoint (CBC), traditionelle Conjoint (Full-Profile-Methode), Adaptive Conjoint Analysis (ACA) und Menu-Based Conjoint (MBC) sind. Bei der Choice-Based Conjoint (CBC), heute die verbreitetste Variante, wählen Probanden aus Sets von typischerweise drei bis fünf Produktalternativen die bevorzugte Option oder geben an, keine kaufen zu wollen (No-Choice-Option). Die Auswertung erfolgt mittels multinomialer Logit-Modelle oder Hierarchical Bayes Estimation (HB), die individuelle Part-Worth-Nutzenwerte (Teilnutzenwerte) für jede Merkmalsausprägung schätzen. Hierarchical Bayes, seit den späten 1990er-Jahren in der Conjoint-Forschung etabliert, ermöglicht auch bei kleineren Stichproben robuste individuelle Schätzungen und hat die ältere Aggregate-Logit-Methode weitgehend verdrängt. Die Adaptive Conjoint Analysis (ACA), entwickelt von Richard Johnson und ursprünglich von Sawtooth Software kommerzialisiert, passt die präsentierten Konzepte dynamisch an die bisherigen Antworten des Befragten an und reduziert so die Befragungslänge erheblich. Besonders verbreitet ist die Conjoint-Analyse in folgenden Anwendungsfeldern: erstens Produktkonfiguration und Feature-Priorisierung (welche Funktionen einer App oder eines Produkts sind für die Zielgruppe kaufentscheidend?), zweitens Preisoptimierung (implizite Messung der Zahlungsbereitschaft ohne direkte Preisfrage – die bekanntermaßen zu überhöhten Antworten führt), drittens Marktsegmentierung nach Nutzenpräferenzen (benefit-based segmentation), viertens Marktsimulationen (Simulation von Marktanteilen bei verschiedenen Produktkonfigurationen und Wettbewerbsszenarien) und fünftens Packaging- und Kommunikationsgestaltung. Die führende Software für Conjoint-Analysen ist Sawtooth Software (CBC/HB, ACA, MaxDiff), das seit 1983 am Markt ist und von nahezu allen professionellen Marktforschungsinstituten weltweit eingesetzt wird. Qualtrics, SPSS und R (Pakete conjoint, mlogit, bayesm) bieten ebenfalls Conjoint-Funktionalitäten. Typische Stichprobengrößen liegen bei CBC-Studien zwischen 200 und 400 Befragten pro Segment, wobei Hierarchical-Bayes-Schätzung auch mit kleineren Stichproben robuste Ergebnisse liefert.

Wichtige Varianten der Conjoint-Analyse

Anwendungsfelder im Marketing

Praxistipp: Begrenzen Sie die Anzahl der Attribute auf maximal sechs bis acht und die Anzahl der Ausprägungen je Attribut auf drei bis fünf, um kognitive Überlastung der Befragten und statistische Instabilität zu vermeiden. Formulieren Sie Attributausprägungen stets auf einer realistischen, am Markt tatsächlich vorhandenen Bandbreite – zu extreme Ausprägungen verzerren die Nutzenwerte. Integrieren Sie immer eine realistische Preisspanne als Attribut, um Zahlungsbereitschaften zu schätzen, und validieren Sie Marktsimulationsergebnisse gegen bekannte historische Marktanteilsdaten, bevor Sie strategische Entscheidungen darauf aufbauen.