Marken- und Produktpositionierung - TU Berlin
Marken- und Produktpositionierung - TU Berlin
Marken- und Produktpositionierung - TU Berlin
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
Die indirekte Datenerhebung ist schwieriger, zeitaufwändiger <strong>und</strong> teurer: Die auf Ähnlichkeitsdaten<br />
(oder anderen vergleichenden Urteilen) basierenden Verfahren erfordern den Vergleich von<br />
mindestens sieben <strong>Marken</strong>. Abgesehen von dem Zeit- <strong>und</strong> Kostenaufwand übersteigt diese Anzahl<br />
der <strong>Marken</strong> oftmals das Consideration Set der Befragten. Es werden dann <strong>Marken</strong> bewertet, die<br />
subjektiv gar nicht relevant sind. Ein weiteres Problem der dekompositionellen Verfahren liegt in<br />
der Interpretation der Dimensionen. Das kann jedoch durch zusätzliche kompositionelle Verfahren<br />
(siehe 2.3.2, MDS mit Property Fitting) überw<strong>und</strong>en werden.<br />
Faktorenanalyse <br />
Multidimensionale<br />
Skalierung<br />
Conjoint-<br />
Analyse<br />
Verfahren Input Datenniveau Vorteile Nachteile<br />
komponierend Eigenschaftsbeurteilungen<br />
dekomponieren<br />
d<br />
dekomponieren<br />
d<br />
Ähnlichkeits-,<br />
Präferenz-,<br />
Verwechsl.-,<br />
Substituierbrk.daten<br />
mindestens<br />
quasi<br />
Intervallniveau<br />
mindestens<br />
binäres<br />
Ordinalniveau<br />
Rangwerte mindestens<br />
Ordinalniveau<br />
Tabelle 1: Vergleich wichtiger Statistikmethoden für die Positionierung<br />
3. Positionierungsmodelle<br />
• einfach in der<br />
Anwendung<br />
• Dimensionen<br />
interpretiert<br />
• kein Detailwissen<br />
über <strong>Marken</strong><br />
erforderlich<br />
• wie menschl.<br />
Wahrnehmung<br />
• auch fiktive<br />
<strong>Marken</strong> zu<br />
beurteilen, daher<br />
innovationsgeneigt<br />
• vorheriges Wissen<br />
über die <strong>Marken</strong> <strong>und</strong><br />
Eigenschaften<br />
erforderlich<br />
• mindestens sieben<br />
<strong>Marken</strong><br />
• Wissen über die<br />
Eigenschaften<br />
notwendig<br />
• unrealistische<br />
<strong>Marken</strong> möglich<br />
Bevor einige ausgewählte Modelle vorgestellt werden, soll ein kurzer Überblick über größere<br />
Etappen in der Geschichte der Positionierungsmodelle gegeben werden. Die ersten Modelle<br />
basierten auf Cluster-, Diskriminanz- <strong>und</strong> Faktorenanalysen. Heute nehmen Positionierungsmodelle<br />
auf Basis der Multidimensionalen Skalierung <strong>und</strong> der Conjoint-Analyse die wichtigste Stellung ein.<br />
Die Entwicklung begann Anfang der 70er Jahre mit einer Vielzahl neuer MDS-Algorithmen.<br />
Typische Vertreter sind INDSCAL, COSPA, KYST, MULTISCAL <strong>und</strong> ALSCAL. Einer der ersten<br />
Conjoint-Algorithmen für derartige Anwendungen war ZIPMAP.<br />
Als prominenten Vertreter der ersten Modellgeneration stellen wir PERCEPTOR von URBAN<br />
(1975) dar (3.1). Aus den ersten Ansätzen ergaben sich zwei gr<strong>und</strong>sätzliche Diskussionspunkte: Die<br />
Annahmen bei der Berechnung der Kaufwahrscheinlichkeiten <strong>und</strong> die Gewinnmaximierung bei der<br />
Suche nach der optimalen <strong>Marken</strong>position. Diese Diskussion wurde in mehreren neuen Modellen<br />
17