Als Vermarkter und Marktforscher versuchen wir ständig, das Verhalten der Verbraucher zu verstehen, damit wir Produkte und Dienstleistungen besser auf ihre Bedürfnisse abstimmen können. Daher ist ein gründliches Verständnis der Art und Weise, wie Menschen Entscheidungen treffen, von entscheidender Bedeutung, um sich gegen die Konkurrenz durchzusetzen. Eine Möglichkeit, zu verstehen, wie Verbraucher Entscheidungen treffen, besteht darin, die komplexe Realität der menschlichen Entscheidungsfindung mithilfe eines Modells nachzubilden, das die wichtigsten Entscheidungsfaktoren erfasst.
Das Random-Utility-Modell (RUM) ist das am häufigsten verwendete Conjoint-Modell, bei dem die Verbraucher auf der Grundlage einer Kombination von Produktmerkmalen das Produkt auswählen, das ihnen den besten Wert (d. h. Nutzen) bietet.
Ein alternatives und weniger bekanntes Modell ist das Random Regret Modeling (RRM), das davon ausgeht, dass die Verbraucher nicht das optimale Produkt wählen, sondern versuchen, das potenzielle Bedauern über den Verzicht auf bestimmte Produkteigenschaften zu minimieren.
Beide Ansätze haben ihre Vor- und Nachteile, und jeder ist in unterschiedlichen Marktsituationen mehr oder weniger geeignet. In dem Bemühen, die Vorhersagekraft von Conjoint-Ergebnissen zu verbessern, verglichen und kombinierten unsere Forscher das Nutzenmodell und das Bedauernsmodell anhand einer Fallstudie über den Kauf von Tablet-Geräten und stellten sich die Frage: Würde ein Hybridmodell zu realistischeren Ergebnissen führen? Dieser Artikel wurde später in der Zeitschrift Asia Research veröffentlicht.
"Um diese Frage zu beantworten, haben die Forscher von SKIM eine Studie durchgeführt, in der sie das Entscheidungsverhalten von Verbrauchern beim Kauf von Tablets untersucht haben. Das Nutzwert-, das Bedauerns- und das Hybridmodell wurden auf denselben Datensatz angewandt, um zu ermitteln, welches Modell am besten zu den Daten passt und welches Modell die höchste "Trefferquote" aufweist - ein Maß für die Vorhersagegenauigkeit.
Bei der Überprüfung der Ergebnisse der drei verschiedenen Modelle stellten wir fest, dass der Unterschied zwischen dem Hybridmodell und dem Nutzwertmodell sowohl hinsichtlich der Datenanpassung als auch der Vorhersagekraft eher gering war. Nur das reine Bedauernsmodell war weniger effektiv. Darüber hinaus lag die durchschnittliche Korrelation zwischen den drei Methoden bei 0,95. Mit anderen Worten: Keines der Modelle übertraf die anderen in dieser Hinsicht deutlich.
Obwohl die Genauigkeit der Vorhersage der Wahlmöglichkeiten ähnlich war, waren die vorhergesagten Anteile für hypothetische Szenarien in den Simulationsmodellen, die auf jedem Ansatz basieren, nicht gleich. Eine genauere Betrachtung zeigt, dass es große Unterschiede bei den vorhergesagten Anteilen gibt.
In dem nachstehenden Beispielszenario sagen alle drei Methoden begrenzte Anteile für Produkt 2 voraus. Bei Verwendung des Nutzenmodells schneidet Produkt 1 jedoch eindeutig besser ab als Produkt 3. Bei Verwendung des Bedauernsmodells schneidet Produkt 3 besser ab. Der hybride Ansatz sagt voraus, dass die Produkte 1 und 3 ähnlich abschneiden werden. Daher können dieselben Daten möglicherweise zu unterschiedlichen Empfehlungen führen.
Was die statistische Vorhersagekraft betrifft, so schneidet das am häufigsten verwendete Nutzwertmodell nach wie vor gut ab.
Als vereinfachtes Modell für komplexes Entscheidungsverhalten ist es immer noch ein solides und zuverlässiges Instrument. Allerdings neigt das Nutzenmodell dazu, das "rationale" nutzenmaximierende Entscheidungsverhalten der Verbraucher zu überschätzen, was zu verzerrten Erkenntnissen führen kann.
Wann immer möglich, ist es wahrscheinlicher, dass ein hybrider Ansatz sowohl das nutzenmaximierende als auch das bedauernsminimierende Entscheidungsverhalten korrekt berücksichtigt, um eine zuverlässigere Vorhersage der Wahl zu ermöglichen. Schließlich besteht das Ziel der Modellierung darin, den komplexen Prozess der Entscheidungsfindung in der realen Welt genauer abzubilden.
Erfahren Sie, wie eine etablierte Biermarke ihre Preis- und Vertriebsstrategien optimierte, um auf einem afrikanischen Markt ein zweistelliges Wachstum zu erzielen.
Wie Erkenntnisse über Patientenpräferenzen dazu beitrugen, den Wert der Prävention von Infektionskrankheiten über die klinischen Ergebnisse hinaus aufzuzeigen.
Ein dynamisches Prognosemodell half einem Kunden aus dem Gesundheitswesen dabei, Entscheidungen hinsichtlich Markteinführung, Preisgestaltung und Marktzugang mit größerer Sicherheit zu treffen.
Erfahren Sie, wie E.ON Next mithilfe von Erkenntnissen aus der Verhaltensforschung eine stärkere Markendifferenzierung jenseits des Preises erreicht hat.