Login

Nonkompensatorisches Conjoint

Greedoid-Algorithmen zur Schätzung lexikographischer Heuristiken

Marktforscher und Unternehmen wollen die Entscheidungsprozesse von Konsumenten besser verstehen. Um diese Frage zu beantworten, versuchen neuere Varianten der Conjoint-Analyse, den Befragungsverlauf an den üblichen Entscheidungsprozess von Konsumenten anzupassen. HILCA, eine unserer Entwicklungen, ist ein Schritt in diese Richtung. Trotzdem liegt vielen Conjoint-Verfahren meist noch das klassische additive Nutzenwertmodell  zugrunde. Gleichzeitig gibt es vermehrt Hinweise darauf, dass Personen oft mentale Abkürzungen (Heuristiken) verwenden, wenn sie Entscheidungen treffen, und Informationen nicht gewichten und aufaddieren. Dazu zählen unter anderem lexikographische Heuristiken, wie zum Beispiel Elimination by Aspects (Tversky, 1972). Diese verarbeiten Eigenschaften sequenziell, eine nach der anderen, und treffen Entscheidungen sobald eine der Eigenschaften einen Unterschied zwischen den beiden Optionen aufweist. Daher sind sie nicht-kompensatorisch: eine Option, die in dieser überprüften Eigenschaft unterlegen ist, kann dies nicht durch andere attraktive Eigenschaften kompensieren, die erst später in der Suchreihenfolge bewertet werden würden. 

Wie können wir lexikographische Heuristiken identifizieren, die von Konsumenten möglicherweise angewendet werden? Forschung dazu baut oft darauf, die Informationssuche zu beobachten, zum Beispiel durch Eye-Tracking oder Mouse-Tracking. Jedoch können die Ergebnisse mehrdeutig sein und sich nicht problemlos in mathematische Modelle übersetzen lassen. Andererseits birgt die Ableitung lexikographischer Heuristiken von Entscheidungsdaten das Risiko einer kombinatorischen Explosion, wenn die Anzahl der Aspekte sehr groß ist. Yee, Dahan, Hauser and Orlin (2007) haben eine Lösung für dieses Problem vorgeschlagen. Sie nutzen Greedoid-Algorithmen, um lexikographische Heuristiken aus Conjoint-Daten abzuleiten. Für eine gegebene Präferenzrangliste von Produkten kann der Greedoid-Algorithmus die Reihenfolge der Aspekte finden, welche die Hierarchie am besten repliziert. Kombinatorische Explosion wird durch sequentielles Vorgehen vermieden, ausgehend von kleinen Sets an Aspekten und der Berechnung ihrer optimalen Reihenfolge, hin zu größeren Sets.. Weil die optimale Reihenfolge für kleinere Sets gespeichert wird, muss der Algorithmus nicht alle möglichen Reihenfolgen für das große Set prüfen, sondern nur den besten letzten Aspekte in der Reiehnfolge finden. Dieser Algorithmus kann auf Daten aus verschiedenen Arten der Conjoint-Anaalyse angewendet werden (Rangfolgen, Ratings, Entscheidungen).

In einer Onlinestudie mit einer Rating- und einer Rankingaufgabe haben wir die Vorhersagegenauigkeit des Greedoid-Vorgehens mit der Standard-Conjoint-Analyse verglichen. Das mit Hilfe der Greedoid-Algorithmen ermittelte lexikographische Modell konnte die Ranking-Daten besser vorhersagen als die Rating-Daten, aber insgesamt erreichte es schlechtere Vorhersagegenauigkeiten als das kompensatorische Modell der Conjoint-Analyse. Jedoch wurden die Entscheidungen einer signifikanten Teilstichprobe besser durch das lexikographische Modell vorhergesagt. Daraus schließen wir, dass der neue Algorithmus die Standardvorgehensweise zwar nicht ersetzen wird, aber neue Erkenntnisse zu situationellen und individuellen Unterschieden in Entscheidungsprozessen liefern kann.  

 

Kooperationspartner:

Prof. John R. Hauser (MIT)

 

Publikationen:

Dieckmann, A., Dippold, K., & Dietrich, H.. (2009). Compensatory versus noncompensatory models for predicting consumer preferences. Judgment and Decision Making. 4(3). 200-213.

Hauser, J.R., Toubia, O., Evgeniou, T., Befurt, R., Dzyabura, D. (2010) Disjunctions of Conjunctions, Cognitive Simplicity, and Consideration Sets. Journal of Marketing Research. 47(3), 485-496.