Conjoint-Analysen
von Jasmin BRESLEIN (Herausgeber: Helmut Kammerzelt/Harald Wimmer)
Der Blog “Markt- und Mediaforschung” des Studiengangs Media- und Kommunikationsberatung der FH St. Pölten stellt in regelmäßigen Abständen Seminararbeiten zur Diskussion, die zu ausgewählten und spezifischen Themenbereichen der Markt- und Mediaforschung verfasst wurden.
1 Ein erster Überblick
Die Conjoint-Analyse ist eine multivariate Methode und hatte ihre ersten Einsätze in der Psychologie der 60iger-Jahre des vorigen Jahrhunderts. In die Marketing-Literatur fand die sie durch Green und Rao Anfang der 70er Jahre[1] ihren Einzug. Die Bezeichnung „Conjoint-Analyse“ stammt aus dem Englischen und setzt sich aus den beiden Wörtern „CONsidered“ und „JOINTly“ zusammen, was übersetzt „ganzheitlich betrachtet“ bedeutet. In der Literatur wird sie auch als „Conjoint Measurement“, „konjunkte Analyse“ oder „Verbundmessung“ bezeichnet[2]. Die Conjoint-Analyse gilt als eine der am häufigsten eingesetzten Analysemethoden zur Eruierung von Kundenpräferenzen. Mithilfe der Conjoint-Analyse wird untersucht, inwiefern einzelne Merkmale oder Merkmalskombinationen eines bestimmten Produktes von den KonsumentInnen bevorzugt werden. Dies erfolgt indem aus Auskünften von KundInnen darauf geschlossen wird, welchen Beitrag die einzelnen Produkteigenschaften auf die Gesamtbewertung des Produktes leisten.
2 Exkurs: Multivariate Methoden
Mithilfe von multivariaten Verfahren werden in der multivariaten Statistik mehrere (Zufalls-)variablen gleichzeitig untersucht und ihr Zusammenhang quantitativ analysiert, um diesen zu beschreiben, zu erklären oder um Prognosen abzuleiten. Verfahren bei denen jede Variable einzeln analysiert wird, nennt man univariate Analyse. Ein Spezialfall sind die bivariaten Analysemethoden, bei denen lediglich zwei Variablen betrachtet werden.
Bezüglich der multivariaten Analysemethoden gibt es Weiter- und Neuentwicklungen, was unter anderem auf die Entwicklung immer besserer und benutzerfreundlicherer Analyseprogramme zurückzuführen ist[3].
Es gibt zahlreiche unterschiedliche multivariate Methoden, die grob unterteilt werden können in die
- grundlegenden Verfahren und die
- fortgeschrittenen Verfahren.
Zu den grundlegenden Verfahren zählen unter anderen die lineare Regressionsanalyse, die Varianzanalyse, die Diskriminanzanalyse und die Faktorenanalyse. Auch die traditionelle Conjoint-Analyse ist den grundlegenden Verfahren zuzuordnen. Zu den fortgeschrittenen Verfahren gehören die nichtlineare Regressionsanalyse, die Strukturgleichungsanalyse, neuronale Netze und die auswahlbasierte Conjoint-Analyse.
Eine andere Unterteilungsmöglichkeit ist die Differenzierung der multivariaten Methoden nach anwendungsbezogenen Fragestellungen. So lassen sich die Methoden unterscheiden in
- strukturentdeckende und
- strukturprüfende Verfahren.
Strukturprüfende Verfahren sind die multivariaten Verfahren, deren primäres Ziel die Überprüfung von Zusammenhängen zwischen Variablen ist. Dabei geht es vordergründig um die kausale Abhängigkeit zwischen der interessierenden Variable und einer oder mehrerer abhängiger Variablen. Es sind bereits Vorstellungen über die Zusammenhänge einzelner Variablen vorhanden, und diese sollen mithilfe der multivariaten strukturprüfenden Verfahren überprüft werden. Hierzu zählen die lineare und nichtlineare Regressionsanalyse, die Diskriminanzanalyse oder auch die Conjoint-Analyse.
Dagegen beschäftigen sich strukturentdeckende Verfahren mit der Entdeckung von Zusammenhängen zwischen Variablen oder zwischen Objekten. Bei diesen Verfahren sind noch keine Kenntnisse über Zusammenhänge zwischen den Variablen vorhanden, diese sollen erst durch den Einsatz des jeweiligen Verfahrens erhoben werden. Verfahren, die hierzu zählen sind die unter anderem die Faktorenanalyse, die Clusteranalyse oder auch die neuronalen Netze[4].
3 Conjoint-Analyse im Detail
Die Conjoint-Analyse beschäftigt sich mit der Erhebung von Kundenpräferenzen. Es soll erhoben werden, wie sich der Gesamtnutzen eines Produktes auf die einzelnen Eigenschaftsbestandteile (Attribute) herunterbrechen lässt[5]. Somit ist die Conjoint-Analyse ein dekompositionelles Verfahren, da über die Bewertung des gesamten Produktes auf die Bedeutung einzelner Eigenschaften rückgeschlossen wird. Die Conjoint-Analyse ist ein flexibles Instrument und in vielen Anwendungsbereichen einsetzbar (z.B. bei der Analyse des Marktpotenzials elektronischer Zahlungssysteme im Internet)[6],[7].
Basis für die Anwendungsmöglichkeit der Conjoint-Analyse ist, dass das Produkt bzw. die Dienstleistung sich aus mehreren Produkteigenschaften zusammensetzen. Sind die Konsumentenpräferenzen erst einmal ermittelt, kann dies maßgeblichen Einfluss auf die Produkt- und Preispolitik der Marke oder des Unternehmens haben. So ermöglicht solch eine Präferenzorientierung, dass den KonsumtenInnen nur Produkte oder Dienstleistungen angeboten werden, für die diese auch bereit sind zu zahlen. Das Verfahren wird unter anderem auch beim Target Costing, der Marktsegmentierung, für die Bewertung von Markennamen oder für die Entwicklung von Anreizsystemen eingesetzt[8]. Diese Einsatzgebiete sind nur Beispiele in denen die Conjoint-Analyse zur Anwendung kommt. Es wird aber deutlich, dass die unterschiedlichen Anwendungsbereiche unterschiedliche Varianten der Conjoint-Analyse nötig machen. Im Folgenden wird ein Überblick über die verschiedenen Ansätze der Conjoint-Analyse gegeben.
3.1 Ansätze der Conjoint-Analyse
Kompositionelle Methoden zeichnen sich durch die Grundüberlegung aus, dass sich ein Produkt oder eine Dienstleistung aus unterschiedlichen Eigenschaften mit unterschiedlichen Ausprägungen zusammensetzt und durch das Addieren der einzelnen Werte der Attribute ein Gesamtwert ermittelt werden kann.
Bei dekompositionellen Methoden ist der Ablauf genau umgekehrt: hier wird das gesamte Produkt bzw. die Dienstleistung als ein Bündel von Eigenschaften und deren unterschiedlichen Ausprägungen verstanden, die von den befragten ProbandInnen bewertet werden. Letztendlich werden die Produktbewertungen dann auf die einzelnen Eigenschaften „dekomprimiert“. Bei den hybriden Verfahren ist der Ablauf so, dass im kompositionellen Teil zuerst Teilnutzenwerte der Eigenschaften erhoben und dann im dekompositionellen Teil weiter analysiert werden. Folgende Abbildung 1 soll zum besseren Verständnis der Unterscheidung von kompositionellen und dekompositionellen dienen:
So lassen sich also die Ansätze der Conjoint-Analyse wie folgt unterteilen[9]:
| Kompositionell | – Self-Explicated-Modelle |
| Dekompositionell | – Traditionelle Conjoint-Analyse (TCA)
– Choice-Based-Conjoint-Analyse (CBC) – Hierarchische Conjoint-Analyse – Limit-Conjoint-Analyse |
| Hybrid | – Adaptive Conjoint-Analyse |
Im Folgenden wird jede Methode im Detail betrachtet und anhand konkreter Beispiele erläutert.
3.2 Conjoint-Analyse-Methoden im Detail
a) Kompositionelle Ansätze
Die Self-Explicated-Modelle stellen die einfachste Form bei der Messung von Präferenzen dar[10]. Üblicherweise ist der Ablauf so, dass zuerst die Befragten aufgefordert werden, für jede Produkteigenschaft (z.B. Marke, Preis, Qualität) die beste und schlechteste Ausprägung auszuwählen. Die zur Auswahl stehenden Eigenschaftsausprägungen wurden bereits im Vorfeld festgelegt. Anschließend weisen die ProbandInnen jeder Eigenschaft ein Präferenzgewicht zu. In weiterer Folge werden dann über eine gewichtet-additive Aggregationsregel der Gesamtnutzen für ein Produkt oder eine Dienstleistung ermittelt, indem die Bewertungen der einzelnen Eigenschaften mit den jeweiligen Gewichten multipliziert und über alle Eigenschaften addiert werden. Ein wesentlicher Vorteil von Self-Explicated-Modellen ist die einfache Durchführung. Ein Nachteil dieser Form ist allerdings die Wahrscheinlichkeit, dass sog. Bandbreiten-Effekte auftreten[11]. Als Bandbreite wird die Differenz zwischen kleinster und größter Eigenschaftsausprägung bezeichnet, welche die Wichtigkeit einer Eigenschaft bestimmt. So sollte beispielsweise die Bedeutung der Eigenschaft „Preis“ zunehmen, wenn große Preisunterschiede zwischen verschiedenen Stimuli auftreten. Bei den Self-Explicated-Modellen konnte festgestellt werden, dass die Bandbreite bei der Ermittlung der Eigenschaftsgewichte von den ProbandInnen oftmals vernachlässigt wird[12].
b) Dekompositionelle Ansätze
Bei der traditionellen Conjoint-Analyse (TCA) müssen die Befragten für die vorgelegten Stimuli eine Rangreihenfolge erstellen. Abhängig davon wie detailliert und umfangreich die Untersuchung konzipiert ist und wie viele Eigenschaften bewertet werden sollen, ist hier ein vollständiges oder ein reduziertes Design möglich. Bei einer Teilauswahl besteht das Ziel darin, diejenigen Stimuli auszuwählen, mit der die Haupteffekte unabhängig voneinander geschätzt werden können. Es muss beachtet werden, dass je mehr Stimuli die Befragten in eine Rangreihe bringen müssen, die Ungenauigkeiten zunehmen, da es für die ProbandInnen immer schwieriger wird, die Stimuli sinnvoll zu reihen. Allerdings werden oft vollständige Designs gewählt, da durch viele Stimuli ein detailliertes und realitätsnahes Abbild der Wirklichkeit angestrebt wird[13]. Die traditionelle Conjoint Analyse macht dann Sinn, wenn es sich um eine Untersuchung im Rahmen einer Neuproduktgestaltung handelt, da dadurch herausgefunden werden kann, wie das „optimale Produkt“ bzw. die „perfekte Dienstleistung“ aussehen und über welche Eigenschaften sie idealerweise verfügen sollen.
Beispiel: Ein Hersteller von Marmelade plant die Neueinführung eines Produktes, das sich in den Eigenschaften Verpackung und Kalorien von den Konkurrenzprodukten abheben soll. Als Eigenschaftsausprägungen werden betrachtet:
- Kalorien: viel / wenig
- Verpackung: Glas / Plastik
Bei zwei Eigenschaften mit jeweils zwei Ausprägungen sind insgesamt vier fiktive Produkte möglich:
| Marmelade I | Marmelade II | Marmelade III | Marmelade IV |
| viel Kalorien
Glas-Behälter | viel Kalorien
Plastik-Behälter | wenig Kalorien
Glas-Behälter | wenig Kalorien
Plastik-Behälter |
Diese vier fiktiven Marmeladen-Produkte sollen von den ProbandInnen beurteilt und in eine Rangfolge gebracht werden. Mithilfe von Computeranimationen könnten die unterschiedlichen Verpackungsformen auch bildlich dargestellt werden, um sich nicht auf die Vorstellungskraft der jeweiligen Befragten verlassen zu müssen. So könnte sich dann letztendlich beispielsweise diese Rangordnung ergeben:
| Rang | Marmelade | Eigenschaftsausprägung |
| 1 | III | wenig Kalorien | Glas-Behälter |
| 2 | I | viel Kalorien | Glas-Behälter |
| 3 | IV | wenig Kalorien | Plastik-Behälter |
| 4 | II | viel Kalorien | Plastik-Behälter |
Diese Rangreihung bildet die Basis für die Ableitung von Teilnutzenwerten für einzelne Eigenschaftsausprägungen.
Im Gegensatz zu der traditionellen Conjoint-Analyse müssen bei der Choice-Based-Conjoint Analyse (CBC) die ProbandInnen keine Rankings oder Ratings abgeben. Wie der Name schon sagt, handelt es sich hier um eine wahlbasierte Methode, d.h. die ProbandInnen bekommen eine Auswahl an Stimuli vorgelegt (sog. Choice Sets, diese bestehen zumeist aus 3 bis 5 Stimuli), woraus der Befragte dann jeweils nur ein Produktkonzept auswählen kann. Die CBC zeichnet sich durch eine hohe Realitätsnähe aus, da auch im Handel fertige Produkte und Dienstleistungen angeboten werden und eine individuelle Zusammenstellung der Produkt- bzw. Dienstleistungseigenschaften nicht die Regel ist.
Beispiel: „Für welche der untenstehenden Marmeladen-Sorten würden Sie sich am ehesten entscheiden?“ Wählen Sie das entsprechende Angebot aus.
| Sorte I | Sorte II | Sorte III | Sorte IV |
| Wenig Kalorien
Fruchtig Glas-Behälter 1,50 € | Viel Kalorien
Sauer Plastik-Behälter 1,30 € | Viel Kalorien
Fruchtig Glas-Behälter 3 € | Wenig Kalorien
Sauer Plastik-Behälter 1 € |
Eine CBC kann entweder als „forced choice“ konzipiert sein, d.h. die ProbandInnen müssen sich für ein „choice set“ entscheiden, oder auch als „no-choice“- Option ausgelegt sein. Hier muss keine Entscheidung getroffen werden, wenn keine der Auswahlmöglichkeiten gewählt werden möchte. Um die Nutzenwerte der einzelnen Eigenschaftsausprägungen ermitteln zu können, werden die Antworten von mehreren Befragten zusammengefasst und darauf dann die aggregierten Nutzenwerte geschätzt[14].
Bei der hierarchischen Conjoint-Analyse geht man von komplexen Entscheidungssituationen für die ProbandInnen aus (z.B. Präferenz für ein neuartiges Auto), daher werden zuerst die zur Stimuli-Beschreibung vorliegenden Produkteigenschaften zu übergeordneten Entscheidungskonstrukten verdichtet (z.B. Ausstattung, Fahreigenschaft) und in weiterer Folge diese Stimuli hinsichtlich dieser übergeordneter Konstrukte bewertet[15]. Außerdem wird angenommen, dass sich die Präferenzen der ProbandInnen hierarchisch und in derselben Weise zusammensetzen, sodass ein funktionaler Zusammenhang zwischen den Entscheidungsebenen gebildet werden kann.
Bei der Limit-Conjoint-Analyse werden nicht nur die Präferenzen, sondern auch die Kaufbereitschaft der ProbandInnen abgefragt. Die ProbandInnen werden gebeten, eine Reihenfolge der Präferenzeigenschaften festzulegen, um in weiterer Folge innerhalb dieser Reihenfolge anzugeben, bis zu welchem Rangplatz sie bereit wären, das Produkt oder die Dienstleistung zu kaufen[16].
c) Hybride Ansätze
Bei der Adaptiven Conjoint-Analyse werden die ProbandInnen im kompositionellen Teil interaktiv und mit Unterstützung eines PCs zuallererst über die Relevanz und Wichtigkeit aller Eigenschaften des Produktes bzw. der Dienstleistung und deren Ausprägungen befragt und im darauffolgenden dekompositionellen Teil dann die Stimuli beurteilt[17]. Ein Ablauf könnte beispielsweise wie folgt aussehen: Zunächst stellt sich der/die Befragte mithilfe bestimmter Attribute und Eigenschaften das „ideale Produkt“ zusammen. Danach werden mögliche Produkte vorgestellt, die dem idealen Produkt ähneln. Der/die Befragte gibt an, welche von diesen mögliche Alternativen sind und welche abgelehnt werden. Außerdem werden Mindestanforderungen bzw. Ausschlusskriterien festgelegt, d.h. die minimalen Voraussetzungen, die der/die jeweilige Befragte hat. Mit jedem Schritt und jeder Angabe der Befragten werden somit die Produktkombinationen realistischer. Im letzten Schritt können dann je nach Bedarf auch noch die Kaufwahrscheinlichkeiten abgefragt werden.
d) Weitere Conjoint-Analyse-Verfahren
Neben den hier aufgezählten und erläuterten Verfahren gibt es noch weitere Formen der Conjoint-Analyse, da sie je nach Anwendungsfall leicht abgeändert werden können.
4 Vor- und Nachteile der Conjoint-Analyse
Jedes der vorgestellten Verfahren hat seine Vor- und Nachteile. Im Folgenden sollen die relevantesten Stärken und Schwächen der jeweiligen Methode kurz angeführt werden[18].
| Vorteile | Nachteile | |
| Self-Explicated-
Modelle | + geringe kognitive Anforderungen
+ einfache und erweiterte Möglichkeiten der Datenerhebung (z.B. über Telefon) + Möglichkeit einer großen Anzahl an Produkteigenschaften | – geringer Realitätsbezug zu Kaufentscheidungen
– Gefahr von sozial erwünschten Antworten (z.B. hinsichtlich prestigeträchtiger Marken/Preise) – Bandbreiten-Effekte |
| Traditionelle Conjoint-Analyse | + einfache Umsetzung
+ keine Spezialsoftware notwendig + Ranking & Rating möglich | – kognitive Belastung für ProbandInnen steigt schnell an |
| Choice-Based-Conjoint-Analyse
| + weit verbreitet (42% der Analysten nutzen diese Methode)
+ hohe Validität + liefert genaue Ergebnisse + beste Methode zur Ermittlung der Preiselastizität | – geringer Informationsgehalt pro choice set
– Befragte neigen zu vereinfachtem Entscheidungsverhalten |
| Hierarchische Conjoint-Analyse | + besitzt die gleichen Vorteile wie die traditionelle Conjoint-Analyse
+ kann gleichzeitig mehrere Merkmale berücksichtigen + hohe Realitätsnähe | – großer Aufwand
– Adaptive Conjoint-Analyse einfacher – hohe Anzahl an Conjoint-Designs nötig – hohe kognitive Belastung der ProbandInnen |
| Limit-Conjoint-Analyse | besitzt die gleichen Vor- & Nachteile wie die traditionelle Conjoint-Analyse, da sie auf dieser aufbaut[19] | |
| Adaptive Conjoint-Analyse | + mehr Abwechslung für den Probanden / die Probandin
+ mehr Attribute & Ausprägungen der Attribute möglich + unsinnige Produktkombinationen werden von vornherein ausgeschlossen
| – teilweise realitätsfern
– längere Befragungsdauer |
5 Conjoint-Analyse in der Praxis
Die Conjoint-Analyse kann dann zum Einsatz kommen, wenn es beispielsweise um folgende Fragestellungen geht:
- Wie wichtig sind die einzelnen Produkt-Merkmale (Attribute) für eine Kaufentscheidung?
- Wie hoch ist der Teilnutzen der einzelnen Ausprägungen dieser Merkmale bzw. welchen Beitrag leisten diese für die Präferenzbildung?
- Welche Kombinationen der Merkmale und Ausprägungen bringen den höchsten Gesamtnutzen?
- Wie sieht das optimale Produkt aus?
- Welchen Preis darf das Produkt haben?
- Wie hoch sind die Kaufwahrscheinlichkeiten für mögliche Produkte?
So kann die Conjoint-Analyse in der Praxis beispielsweise für die Schätzung von Zahlungsbereitschaftsintervallen[20], im Innovationsmarketing[21] oder auch zur Erhebung der Arbeitgeberattraktivität eines Unternehmens[22] herangezogen werden.
Literaturverzeichnis:
Albers Sönke, Grassmann Oliver (2005): Handbuch Technologie- & Innovationsmanagement – Strategie – Umsetzung – Controlling. Wiesbaden: Betriebswirtschaftlicher Verlag Dr. Th. Gabler/GWV Fachverlage, 1. Auflage
Albers Sönke, Klapper Daniel, Konradt Udo, Walter Achim, Wolf Joachim (2009): Methodik der empirischen Forschung. Wiesbaden: Springer Fachmedien, 3. Auflage
Backhaus Klaus, Erichson Bernd, Plinke Wulff, Weiber Rolf (2015): Multivariate Analysemethoden. Berlin Heidelberg: Springer Gabler Verlag, 14. Auflage
Baumgarth Carsten (2014): Markenpolitik. Wiesbaden: Springer Fachmedien, 4. Auflage
Heger Günther, Schmeisser Wilhelm (2007): Beiträge zum Innvotionsmarketing. München: Rainer Hampp Verlag, Band 4
Kaltenborn Tim, Fiedler Harald, Lanwehr Ralf, Melles Torsten (2013): Conjoint-Analyse – Sozialwissenschaftliche Forschungsmethoden. München: Rainer Hampp Verlag, Band 7
Kuß Alfred (2012): Marktforschung. Wiesbaden: Springer Fachmedien, 4. Auflage
Liehr Marcus (2005): Die Adoption von Kritische-Masse-Systeme – Das Problem der individuellen Kritischen Masse. Wiesbaden: Deutcher Universitäts-Verlag/GWV Fachverlage GmbH, 1. Auflage
Scheidegger Nicole, Müller Andrea (2015): Arbeitgeberattraktivität im Drei-Ländervergleich: Adaptive Conjoint-Analyse der Job-Präferenzen bei Fachkräften. Beitrag im Heft Wirtschaftspsychologie. Heft 3
Schlereth Christian, Skiera Bernd (2009): Schätzung von Zahlungsbereitschaftsintervallen mit der Choice-Based-Conjoint-Analyse. Beitrag in der Zeitschrift für betriebswirtschaftliche Forschung
Schlittgen Rainer (2009): Multivariate Statistik. München: Oldenbourg Wissenschaftsverlag, 1. Auflage
Skiera Bernd, Gensler Sonja (o.J.): Berechnung von Nutzenfunktionen und Marktsimulationen mit Hilfe der Conjoint-Analyse (Teil I). Frankfurt am Main: o. Verlag
Abbildungsverzeichnis
Abbildung 1: Unterscheidung von dekompostionellen und kompostionellen Verfahren. Abbildung angelehnt an Skiera Bernd, Gensler Sonja (o.J.): Berechnung von Nutzenfunktionen und Marktsimulationen mit Hilfe der Conjoint-Analyse (Teil I). Frankfurt am Main: o. Verlag, S. 2
[1] vgl. Albers Sönke, Klapper Daniel, Konradt Udo, Walter Achim, Wolf Joachim (2009): Methodik der empirischen Forschung. Wiesbaden: Springer Fachmedien, S. 283
[2] vgl. Backhaus Klaus, Erichson Bernd, Plinke Wulff, Weiber Rolf (2015): Multivariate Analysemethoden. Berlin Heidelberg: Springer Gabler Verlag, S. 518.
[3] vgl. Backhaus, Erichson, Plinke, Weiber (2015), S.8.
[4] vgl. Backhaus, Erichson, Plinke, Weiber (2015), S. 13-15.
[5] vgl. Schlittgen Rainer (2009): Multivariate Statistik. München: Oldenbourg Wissenschaftsverlag, S. 227
[6] vgl. Teichert (2000), S. 506 ff, zit. n. Albers, Klapper, Konradt, Walter, Wolf (2009), S. 283
[7] vgl. Schlittgen (2009), S. 227
[8] vgl. Teichert (2000), S. 506 ff, zit. n. Albers, Klapper, Konradt, Walter, Wolf (2009), S. 283
[9] vgl. Albers, Klapper, Konradt, Walter, Wolf (2009), S. 284
[10] vgl. Srinivasan (1988) zit. n. Sattler (2009), S. 157 zit. n. Albers, Klapper, Konradt, Walter, Wolf (2009), S. 284
[11] vgl. Sattler, Gedenk, Hensel-Börner (2002), S. 954 und S. 958 ff zit. n. Albers, Klapper, Konradt, Walter, Wolf (2009), S. 285
[12] vgl. Albers, Klapper, Konradt, Walter, Wolf (2009), S. 285
[13] vgl. Kaltenborn Tim, Fiedler Harald, Lanwehr Ralf, Melles Torsten (2013): Conjoint-Analyse – Sozialwissenschaftliche Forschungsmethoden. München: Rainer Hampp Verlag, S. 8
[14] vgl. Kaltenborn, Fiedler, Lanwehr, Melles (2013), S. 14-15
15 vgl. Skiera und Gensler (2002b), S. 262f, zit. n. Sattler (2006), S.159 zit. n. Albers, Klapper, Konradt, Walter, Wolf (2009), S. 286
[16] vgl. Albers, Klapper, Konradt, Walter, Wolf (2009), S. 286
[17] vgl. Hartmann, Sattler (2002), S. 4 zit. n. Albers, Klapper, Konradt, Walter, Wolf (2009), S. 287
[18] vgl. Albers Sönke, Grassmann Oliver (2005): Handbuch Technologie- & Innovationsmanagement – Strategie – Umsetzung – Controlling. Wiesbaden: Betriebswirtschaftlicher Verlag Dr. Th. Gab-ler/GWV Fachverlage, S. 372
[19] vgl. Liehr Marcus (2005): Die Adoption von Kritische-Masse-Systeme – Das Problem der individuellen Kritischen Masse. Wiesbaden: Deutcher Universitäts-Verlag/GWV Fachverlage GmbH, S. 143
[20] vgl. Schlereth Christian, Skiera Bernd (2009): Schätzung von Zahlungsbereitschaftsintervallen mit der Choice-Based-Conjoint-Analyse. Beitrag in der Zeitschrift für betriebswirtschaftliche Forschung
[21] vgl. Heger Günther, Schmeisser Wilhelm (2007): Beiträge zum Innovationsmarketing. München: Rainer Hampp Verlag, Band 4
[22] vgl. Scheidegger Nicole, Müller Andrea (2015): Arbeitgeberattraktivität im Drei-Ländervergleich: Adaptive Conjoint-Analyse der Job-Präferenzen bei Fachkräften. Beitrag im Heft Wirtschaftspsychologie. Heft 3
