Skip to main content
SpringerLink
Log in

Conjointanalyse: Verbreitung und Validität kommerzieller Anwendungen im Zeitverlauf

  • Chapter
  • First Online:
Conjointanalyse

Zusammenfassung

Im vorliegenden Kapitel wird untersucht, wie sich die Verbreitung und Validität von Conjointstudien bei kommerziellen Anwendungen im Zeitraum von 1995 bis 2020 entwickelt hat. Basis der Untersuchung bilden die Beschreibungen und die anonymisierten Daten von 3.883 Conjointstudien zweier marktführender Anbieter, zu denen jeweils verschiedene Validitätsmaße berechnet werden konnten. Vorgestellt werden die Conjointstudien im Überblick sowie die Entwicklung hinsichtlich der untersuchten Produktkategorien, der Komplexität, der Erhebungsform und der eingesetzten Varianten, gerade auch im Vergleich zu anderen aktuellen Untersuchungen in den USA und Europa. Im Ergebnis zeigt sich, dass die Validität von Conjointstudien auch bei erheblicher Zunahme der Komplexität (z.B. hinsichtlich der Anzahl an Merkmalen und Ausprägungen) und der Neuartigkeit der Produkte nicht zu-, aber auch nicht abgenommen hat. Die Streuung der Validitätsmaße ist ebenfalls konstant geblieben.

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Log in via an institution

Subscribe and save

Springer+ Basic
$34.99 /Month
  • Get 10 units per month
  • Download Article/Chapter or eBook
  • 1 Unit = 1 Article or 1 Chapter
  • Cancel anytime
Subscribe now

Buy Now

Chapter
USD 29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD 79.99
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
Hardcover Book
USD 99.99
Price excludes VAT (USA)
  • Durable hardcover edition
  • Dispatched in 3 to 5 business days
  • Free shipping worldwide - see info

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Similar content being viewed by others

Literatur

  • Allenby, G.M., N. Arora und J.L. Ginter (1995). “Incorporating Prior Knowledge into the Analysis of Conjoint Studies”. In: Journal of Marketing Research 23, S. 152–162.

    Google Scholar 

  • Baier, D. (2014). “Bayesian Methods for Conjoint Analysis-Based Predictions: Do We Still Need Latent Classes?” In: German-Japanese Interchange of Data Analysis Results. Hrsg. von W. Gaul, A. Geyer-Schulz, Y. Baba und A. Okada. Heidelberg: Springer, S. 103–113.

    Google Scholar 

  • Baier, D. und W. Gaul (1995). “Classification and Representation Using Conjoint Data”. In: From Data to Knowledge. Hrsg. von W. Gaul und D. Pfeifer. Heidelberg: Springer, S. 298–307.

    Google Scholar 

  • Baier, D.,W. Gaul und M. Schader (1997). “Two-Mode Overlapping ClusteringWith Applications to Simultaneous Benefit Segmentation and Market Structuring”. In: Classification and Knowledge Organization. Hrsg. von Rüdiger Klar und Otto Opitz. Heidelberg: Springer, S. 557–566.

    Google Scholar 

  • Baier, D. und W. Polasek (2003). “Market Simulation Using Bayesian Procedures in Conjoint Analysis”. In: Exploratory Data Analysis in Empirical Research. Hrsg. von M. Schwaiger und O. Opitz. Berlin: Springer, S. 413–421.

    Google Scholar 

  • Balakrishnan, P.V. und V.S. Jacob (1996). “Genetic Algorithms for Product Design”. In: Management Science 42.8, S. 1105–1117.

    Google Scholar 

  • Berekoven, L.,W. Eckert und P. Ellenrieder (2009). Marktforschung: Methodische Grundlagen und praktische Anwendung. 12. Aufl. Wiesbaden: Gabler.

    Google Scholar 

  • Bertels, V. (2013). Informationsaufnahme- und -verarbeitungsprozesse innerhalb der Conjoint-Analyse. Hamburg: Verlag Dr. Kovac.

    Google Scholar 

  • Brusch, M. (2005). Präferenzanalyse für Dienstleistungsinnovationen mittels multimedialgestützter Conjointanalyse. Wiesbaden: Deutscher Universitäts-Verlag.

    Google Scholar 

  • Chen, Y.-C., R.-A. Shang und C.-Y. Kao (2009). “The Effects of Information Overload on Consumers’ Subjective State Towards Buying Decision in the Internet Shopping Environment”. In: Electronic Commerce Research and Applications 8.1, S. 48–58.

    Google Scholar 

  • Denstadli, J.M. (2007). Information Processing and Predictive Validity in Conjoint Experiments: The Role of Task Complexity and Individual Level Factors. Bergen.

    Google Scholar 

  • DeSarbo, W.S., V. Ramaswamy und S.H. Cohen (1995). “Market Segmentation with Choice-Based Conjoint Analysis”. In: Marketing Letters 6.2, S. 137–147.

    Google Scholar 

  • DeSarbo, W.S., M. Wedel, M. Vriens und V. Ramaswamy (1992). “Latent Class Metric Conjoint Analysis”. In: Marketing Letters 3.3, S. 273–288.

    Google Scholar 

  • Gaul, W., E. Aust und D. Baier (1995). “Gewinnorientierte Produktliniengestaltung unter Berücksichtigung des Kundennutzens”. In: Zeitschrift für Betriebswirtschaft 65, S. 835–855.

    Google Scholar 

  • Glazer, R., Steckel J.H. und R.S. Winer (1992). “Locally Rational Decision Making: The Distracting Effect of Information on Managerial Performance”. In: Management Science 38.2, S. 212–226.

    Google Scholar 

  • Green, P.E. und A.M. Krieger (1985). “Models and Heuristics for Product Line Selection”. In: Marketing Science 4.1, S. 1–19.

    Google Scholar 

  • Green, P.E. und A.M. Krieger (1988). “Choice Rules and Sensitivity Analysis in Conjoint Simulators”. In: Journal of the Academy of Marketing Science 16.1, S. 114–127.

    Google Scholar 

  • Green, P.E., A.M. Krieger und Y. Wind (2001). “Thirty Years of Conjoint Analysis – Reflections and Prospects”. In: Interfaces 31.2, Part 2, S56–S73.

    Google Scholar 

  • Green, P.E. und V. Srinivasan (1978). “Conjoint Analysis in Consumer Research – Issues and Outlook”. In: Journal of Consumer Research 5.2, S. 103–123.

    Google Scholar 

  • Hein, M., P.Kurz undW. Steiner (2020). “Analyzing the Capabilities of theHBLogit Model for Choice-Based Conjoint Analysis: A Simulation Study”. In: Journal of Business Economics 90.1, S. 1–36.

    Google Scholar 

  • Helgeson, J. und M. Ursic (1993). “Information Load, Cost/Benefit Assessment and Decision Strategy Variability”. In: Journal of the Academy of Marketing Science 21.1, S. 13–20.

    Google Scholar 

  • Jacoby, J. (1977). “Information Load and Decision Quality: Some Contested Issues”. In: Journal of Marketing Research 14.4, S. 569–573.

    Google Scholar 

  • – (1984). “Perspectives on Information Overload”. In: Journal of Consumer Research 10.4, S. 432–435.

    Google Scholar 

  • Jacoby, J., D.E. Speller und C.A. Kohn (1974). “Brand Choice Behavior as a Function of Information Load”. In: Journal of Marketing Research 11.1, S. 63–69.

    Google Scholar 

  • Johnson, R.M. (1987). “Adaptive Conjoint Analysis”. In: Proceedings of the Sawtooth Software Conference. Provo, UT: Sawtooth Software, S. 253–265.

    Google Scholar 

  • Kohli, R. und R. Sukumar (1990). “Heuristics for Product-Line Design Using Conjoint Analysis”. In: Management Science 36.12, S. 1464–1478.

    Google Scholar 

  • Kohli, Rajeev und Ramesh Krishnamurti (1987). “A Heuristic Approach to Product Design”. In: Management Science 33.12, S. 1523–1533.

    Google Scholar 

  • Kurz, P. und S. Binner (2012). “The Individual Choice Task Threshold: Need for Variable Number of Choice Tasks”. In: Proceedings of the Sawtooth Software Conference. Orlando, FL, S. 111–127.

    Google Scholar 

  • Lee, B.-K. und W.-N. Lee (2004). “The Effect of Information Overload on Consumer Choice Quality in an On-line Environment”. In: Psychology & Marketing 21.3, S. 159–183.

    Google Scholar 

  • Liechty, J., V. Ramaswamy und S.H. Cohen (2001). “Choice Menus for Mass Customization: An Experimental Approach for Analyzing Customer Demand with an Application to aWeb-Based Information Service”. In: Journal of Marketing Research 38.2, S. 183–196.

    Google Scholar 

  • Liess, F. (2012). Individualisierung von Merkmalsausprägungen innerhalb der Conjoint-Analyse. Hamburg: Dr. Kovac.

    Google Scholar 

  • Lines, R. und J.M. Denstadli (2004). “Information Overload in Conjoint Experiments”. In: International Journal of Market Research 46.3, S. 297–310.

    Google Scholar 

  • Löffler, S. und D. Baier (2015). “Bayesian Conjoint Analysis inWater Park Pricing: a New Approach Taking Varying Part Worths for Attribute Levels into Account”. In: Journal of Service Science and Management 8.1, S. 46–56.

    Google Scholar 

  • Louviere, J.J. und G. Woodworth (1983). “Design and Analysis of Simulated Consumer Choice or Allocation Experiments: An Approach Based onAggregate Data”. In: Journal of Marketing Research 20.4, S. 350–367.

    Google Scholar 

  • Lurie, N.H. und C.H. Mason (2007). “Visual Representation: Implications for Decision Making”. In: Journal of Marketing 71.1, S. 160–177.

    Google Scholar 

  • McFadden, D. (1976). “Quantal Choice Analysis: A Survey”. In: Annals of Economic and Social Measurement 5, S. 363–90.

    Google Scholar 

  • Orme, B.K. (2019). Getting Started with Conjoint Analysis. 4. Aufl. Manhattan Beach, CA: Research Publishers LLC.

    Google Scholar 

  • Rossi, P.E., G.M. Allenby und R. McCulloch (2005). Bayesian Statistics and Marketing. New York: Wiley & Sons.

    Google Scholar 

  • Sattler, H. und A. Hartmann (2008). “Commercial Use of Conjoint Analysis”. In: Operations Management in Theorie und Praxis – Band 1. Hrsg. von K. I. Höck und M. Voigt. Wiesbaden: Gabler, S. 103–119.

    Google Scholar 

  • Sawtooth Software (2014). The Adaptive Choice-Based Conjoint (ACBC) Technical Paper. Provo, UT. url: sawtoothsoftware.com/resources/technical- papers/acbc- technicalpaper.

    Google Scholar 

  • – (2019). Results of the Sawtooth Software User Survey 2019. Provo, UT. url: sawtoothsoftware.com/resources/blog/posts/results- of- the- sawtooth- software- usersurvey.

    Google Scholar 

  • Selka, S. und D. Baier (2014). “Kommerzielle Anwendung auswahlbasierter Verfahren der Conjointanalyse: Eine empirische Untersuchung zur Validitätsentwicklung”. In: Marketing ZFP 36.1, S. 54–64.

    Google Scholar 

  • Selka, S., D. Baier und P.Kurz (2014). “TheValidity of Conjoint Analysis: An Investigation of Commercial Studies overTime”. In: Data Analysis, Machine Learning and Knowledge Discovery. Hrsg. von M. Spiliopoulou, L. Schmidt-Thieme und R. Janning. Cham: Springer, S. 227–234.

    Google Scholar 

  • Steiner, W.J. (1999). Optimale Neuproduktplanung: Entscheidungsmodelle und wettbewerbsorientierte Ansätze. Wiesbaden: Gabler/DUV.

    Google Scholar 

  • Steiner, W.J. und H. Hruschka (2000). “Conjointanalyse-basierte Produkt (linien) gestaltung unter Berücksichtigung von Konkurrenzreaktionen”. In: OR Spectrum 22.1, S. 71–95.

    Google Scholar 

  • Vökler, S. und D. Baier (2014). “Solving Product Line Design Optimization Problems Using Stochastic Programming”. In: Data Analysis, Machine Learning and Knowledge Discovery. Hrsg. von M. Spiliopoulou, L. Schmidt-Thieme und R. Janning. Cham: Springer, S. 235–243.

    Google Scholar 

Download references

Author information

Authors and Affiliations

  1. Lehrstuhl für Marketing & Innovation, Universität Bayreuth, Bayreuth, Deutschland

    Daniel Baier

  2. BMS Marketing Research + Strategy GmbH, München, Deutschland

    Peter Kurz

Authors
  1. Daniel Baier
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. Peter Kurz
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Daniel Baier .

Editor information

Editors and Affiliations

  1. Lehrstuhl für Marketing & Innovation, Universität Bayreuth, Bayreuth, Bayern, Germany

    Daniel Baier

  2. Professur für ABWL, insbesondere Marketing und Unternehmensplanung, Hochschule Anhalt, Köthen, Germany

    Michael Brusch

Rights and permissions

Reprints and permissions

Copyright information

© 2021 Springer-Verlag Berlin Heidelberg

About this chapter

Check for updates. Verify currency and authenticity via CrossMark

Cite this chapter

Baier, D., Kurz, P. (2021). Conjointanalyse: Verbreitung und Validität kommerzieller Anwendungen im Zeitverlauf. In: Baier, D., Brusch, M. (eds) Conjointanalyse. Springer Gabler, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-63364-9_2

Download citation

  • DOI: https://doi.org/10.1007/978-3-662-63364-9_2

  • Published:

  • Publisher Name: Springer Gabler, Berlin, Heidelberg

  • Print ISBN: 978-3-662-63363-2

  • Online ISBN: 978-3-662-63364-9

  • eBook Packages: Business and Economics (German Language)

Publish with us

Policies and ethics

Search

Navigation