Sie sind auf Seite 1von 22

Z Betriebswirtsch (2010) 80:617–638

DOI 10.1007/s11573-010-0367-1
FORSCHUNG

Entscheidungsunterstützung unter
Berücksichtigung der Anforderungen von
Entscheidungsträgern am Beispiel der Gestaltung
von optionalen Girokonto-Tarifen

Sönke Albers • Sonja Gensler • Jörg van de Bergh

Zusammenfassung: Entscheidungsunterstützungsmodelle müssen nicht nur relevante Problema-


spekte umfassen, sondern auch besonderen Anforderungen von Seiten der Entscheidungsträger ge-
nügen, wenn diese in der Praxis implementiert werden sollen. So fordern Entscheidungsträger, in die
Auswahl der Lösung aktiv involviert zu sein. Dies erlaubt ihnen, auch nicht modellierte Aspekte in
die Entscheidungsfindung einfließen zu lassen. Weiterhin sind Entscheidungsträger von dem Risiko
einer Lösung betroffen und wollen Risiken gemäß ihrer eigenen und meist nicht formal erfassbaren
Risikonutzenfunktion gegen erwartete Zielverbesserungen abwägen. Bei der Tarifgestaltung von
Finanzdienstleistungen bieten sich optionale, zweiteilige Tarife an, um die Zahlungsbereitschaft der
Kunden abzuschöpfen. Das resultierende Entscheidungsmodell stellt eine komplexe kombinatori-
sche Programmierungsaufgabe dar, für die algorithmische Heuristiken vorgeschlagen worden sind.
Jedoch berücksichtigen diese nicht die besonderen Anforderungen von Seiten der Entscheidungs-
träger. Für eine den Anforderungen seitens des Entscheidungsträgers genügende Entscheidungsun-
terstützung ist es besser, Lösungen auf Basis einer inhaltlich motivierten Heuristik zu suchen. In

Eingegangen: 29.05.2008 / Online publiziert: 20.04.2010


© Gabler-Verlag 2010

Prof. Dr. Dr. h.c. S. Albers ()


Lehrstuhl für Innovation, Neue Medien und Marketing,
Christian-Albrechts-Universität zu Kiel, Westring 425, 24118 Kiel, Deutschland
E-Mail: albers@bwl.uni-kiel.de
Dr. S. Gensler
Assistant Professor of Marketing, Rijksuniversiteit Groningen, Postbus 800,
9700 AV Groningen, Niederlande
E-Mail: s.gensler@rug.nl
J. van de Bergh
Freier Berater, Strukturen & Menschen – Organisations- und Personalmanagement,
Seestraße 12, 24159 Kiel, Deutschland
E-Mail: joerg@vandebergh.de
618 S. Albers et al.

unserem Fall geht diese davon aus, dass beim Vorliegen von gut unterscheidbaren Segmenten eine
gute Lösung darin besteht, für jedes Segment genau ein Produkt anzubieten, das dessen Präferenzen
möglichst gut entspricht. Voraussetzung für den Einsatz einer solchen Heuristik ist die empirische
Erhebung von segmentspezifischen Präferenzen. Hierfür wird eine individualisierte Choice-Based-
Conjoint-Analyse eingesetzt.

Schlüsselwörter: Entscheidungsunterstützung · Heuristik · Choice-Based-Conjoint-Analyse ·


Preisdifferenzierung

JEL Classification: M31

1 Einleitung

Das quantitativ orientierte Marketing hat in den letzten Jahrzehnten eine Vielzahl von Ent-
scheidungsmodellen hervorgebracht, mit denen für bestimmte Marketingprobleme opti-
male Lösungen bestimmt werden können (s. z. B. die Übersicht in Wierenga 2008). Eher
selten werden diese konkret angewendet und fast gar nicht wird dargestellt, wie darauf
aufbauend Entscheidungsträger in der Praxis ihre Entscheidungen getroffen haben. Aller-
dings werden Wissenschaftler erst dann in der Lage sein, mit ihren Modellen konkrete
Entscheidungen zu unterstützen, wenn sie die Anforderungen von Entscheidungsträgern,
also seine Implementierungsanforderungen, berücksichtigen (Shugan 2004). An dem Bei-
spiel der Gestaltung von optionalen Girokonto-Tarifen soll deshalb für einen konkreten
Fall abgeleitet werden, worin solche Implementierungsanforderungen bestehen können
und welche Auswirkungen sie auf die Entscheidungsunterstützung haben.
Wie auch bei anderen Dienstleistungen, die eine kontinuierliche Nutzung mit sich
bringen (z. B. Telekommunikations- oder Versorgungsdienste), soll bei dem Basisprodukt
von Retailbanken, dem Girokonto, der erzielte Deckungsbeitrag durch eine angemessene
Preisgestaltung erhöht werden. Da die Präferenzen der Kunden hinsichtlich der Produk-
teigenschaften (z. B. Zugangskanäle) meist heterogen sind, ist das Angebot mehrerer Pro-
dukte sinnvoll. Dies führt zu einer Preisdifferenzierung zweiten Grades, da die Kunden
selbst entscheiden, welches Produkt sie wählen (Selbstselektion).
Als Formen der Preisdifferenzierung sind hier vor allem die mengen- und leistungs-
bezogene Preisdifferenzierung relevant: Die Kunden können die Produkte unterschiedlich
intensiv nutzen und haben unterschiedliche Präferenzen hinsichtlich der Leistungskom-
ponenten der Produkte. Skiera (1999, S. 317) konnte für kontinuierlich genutzte Produkte
bzw. Dienstleistungen zeigen, dass das Anbieten eines zweiteiligen Tarifs zu einer signi-
fikanten Steigerung des Gewinns gegenüber dem Anbieten eines Pauschaltarifs führt. Da
sich die Kunden hinsichtlich der Nutzung des Girokontos unterscheiden, erscheint ein
zweiteiliger Tarif mit einer fixen und einer nutzungsabhängigen Komponente sinnvoll.
Darüber hinaus unterscheiden sich die Kunden darin, welche Produkteigenschaften – wie
beispielsweise die Verfügbarkeit einer Kreditkarte – ihnen wichtig sind, so dass außer-
dem eine leistungsbezogene Preisdifferenzierung in Form von optionalen Tarifen sinnvoll
erscheint.
Das resultierende Problem besitzt Ähnlichkeit zu dem in der einschlägigen Literatur
betrachteten Problem der optimalen Produktliniengestaltung (z. B. Kohli u. Sukumar 1990;
Gaul et al. 1995; Aust 1996). Hier besteht das Ziel darin, durch mehrere Produktvarianten
Entscheidungsunterstützung unter Berücksichtigung der … 619

Kunden mit unterschiedlichen Präferenzen so zu erreichen, dass die Zahlungsbereitschaft


möglichst gut abgeschöpft wird und der Gewinn beziehungsweise Deckungsbeitrag maxi-
miert wird. Dafür sind in der theoretisch geprägten Literatur komplexe Algorithmen vorge-
schlagen worden (z. B. Kraus u.Yano 2003; Nichols et al. 2005), die immer das Ziel haben,
gemäß der gewählten Zielfunktion die eine beste Lösung zu finden. Entscheidungsträger
möchten aber häufig in die Entscheidungsfindung aktiv involviert sein, um so das Problem
im Detail zu verstehen und auch nicht modellierte Aspekte in die Entscheidungsfindung
einfließen lassen zu können (Shugan 2004). Dies impliziert, dass Entscheidungsträger
nicht nur eine, sondern eine Vielzahl von potenziell geeigneten Lösungen präsentiert be-
kommen wollen. Dies erlaubt es Entscheidungsträgern, beispielsweise auch Risiken, die
mit der Implementierung einer Lösung verbunden sind, gemäß ihrer eigenen und meist
nicht formal erfassbaren Risikonutzenfunktion gegen erwartete Zielverbesserungen abzu-
wägen (z. B. Stam et al. 1992). Es gilt deshalb Lösungsstrategien zu diskutieren, bei denen
der Entscheidungsträger eine informierte Entscheidung treffen kann.
Für das hier betrachtete Entscheidungsproblem wird im Rahmen dieses Beitrags eine
Vorgehensweise vorgeschlagen, die einem Entscheidungsträger die Möglichkeit gibt, aus
einer Menge guter Lösungen ein Menü optionaler zweiteiliger Tarife für Girokonten zu
entwickeln, das zu einer möglichst hohen Steigerung des Deckungsbeitrags führt. Hierfür
wurde zunächst eine empirische Untersuchung durchgeführt, in deren Rahmen 363 Kunden
einer Retailbank nach ihren Präferenzen zu Leistungskomponenten und Preisen befragt
wurden. Hierfür wurde das Standardverfahren der Choice-Based-Conjoint-Analyse (im
Folgenden CBC-Analyse) eingesetzt. Da sich die Kunden hinsichtlich der individuellen
Intensität der Nutzung des Produkts unterscheiden, ist ein pro Befragtem individualisiertes
Design zu entwickeln, bei dem die zu bewertenden Alternativen für jeden Befragten nur
solche optionalen Tarife enthalten, die zu dem jeweiligen Nutzungsprofil passen. Darüber
hinaus gilt es, die Heterogenität zwischen den Kunden zu berücksichtigen. Wir nutzen ein
Latent-Class-Modell, um segmentspezifische Präferenzen zu ermitteln, da die vorgeschla-
gene Heuristik darauf aufbaut, dass gute Lösungen aus jeweils einem auf ein Segment
zugeschnittenen Tarif bestehen.
Wir tragen mit dieser Untersuchung in mehrfacher Hinsicht zu den Erkenntnissen
der Entscheidungsfindung bei: 1) Wir zeigen für einen konkreten Entscheidungsfall, wel-
che Implementierungsanforderungen bei der Entscheidungsfindung berücksichtigt werden
müssen. Dazu gehört zum einen, dass der Entscheidungsträger nicht nur eine beste Lö-
sung, sondern eine Menge von das Ziel nachhaltig verbessernden Lösungen verlangt, um
auch nicht modellierte Aspekte in die Entscheidungsfindung einfließen lassen zu kön-
nen. Zum anderen sind Entscheidungsträger von dem Risiko einer Lösung betroffen und
wollen Risiken gemäß ihrer eigenen und meist nicht formal erfassbaren Risikonutzenfunk-
tion gegen erwartete Zielverbesserungen abwägen. 2) Da das Entscheidungsproblem unter
Berücksichtigung der Anforderungen der Entscheidungsträger zu komplex ist, um ein ex-
aktes Optimum bestimmen zu können, verwenden wir eine Heuristik, welche die Struktur
des Entscheidungsproblems ausnutzt, um gute Lösungen zu generieren. 3) Wir zeigen,
wie diese Heuristik im Rahmen einer realen Entscheidungsunterstützung eingesetzt wer-
den kann und zu guten Ergebnissen gelangt. Eine solche auf einen Praxisfall bezogene
Forschung liefert Erkenntnisse, wie sich Praktiker einem Entscheidungsproblem nähern,
welche Information für sie relevant oder irrelevant ist und wie sie sich eine Entscheidungs-
620 S. Albers et al.

unterstützung wünschen, was für die Lösung ähnlich gelagerter Fälle von Bedeutung ist
(Shugan 2004).
Der Aufsatz ist wie folgt aufgebaut. Zunächst wird ein Überblick über die relevante
Literatur gegeben. Im Anschluss daran wird das Design der empirischen Studie vorgestellt,
bevor dann die Ergebnisse dargestellt werden. Darauf aufbauend wird das Auffinden guter
Lösungsalternativen auf der Basis einer Heuristik gezeigt und es werden die Auswirkungen
dieser Alternativen auf die Zielkriterien bewertet. Der Aufsatz schließt mit einem Fazit.

2 Relevante Literatur

Die Unterstützung der Entscheidung für ein Menü optionaler Tarife umfasst folgende
Schritte:
1. Empirische Erfassung der Präferenzen der Kunden für verschiedene Eigenschaften des
Produkts oder der Dienstleistung (hier: Girokonto),
2. Umfassende Bewertung möglicher Alternativen unter Berücksichtigung der Anforde-
rungen des Entscheidungsträgers,
3. Auswahl guter Lösungen, die bei der Entscheidungsfindung des Entscheidungsträgers
herangezogen werden.
Empirische Erfassung der Präferenzen der Kunden. Zur Erfassung der Präferenzen von
Konsumenten wird heutzutage meist die CBC-Analyse eingesetzt (Sawtooth Software
2007), auch wenn die Überlegenheit gegenüber der traditionellen Conjoint-Analyse nicht
eindeutig belegt ist (Moore 2004). Jedoch wird es als vorteilhaft angesehen, dass bei der
CBC-Analyse explizit eine probabilistische Entscheidungsregel zugrunde gelegt. Zudem
wird die Auswahlsituation als realitätsnah eingestuft (Carson et al. 1994; Haaijer et al.
2001). Darüber hinaus erlaubt die CBC-Analyse in einfacher Weise, über eine Nicht-
Wahl-Option das Risiko der Kundenabwanderung zu berücksichtigen (Steiner u. Hruschka
2002; Chen u. Hausman 2000). So kann vermieden werden, dass optionale Tarife bei der
Entscheidungsfindung berücksichtigt werden, die zu zahlreichen Kundenabwanderungen
führen werden.
Für die Ausgestaltung der jeweils zur Wahl stehenden Alternativen sind unterschiedli-
che Kriterien und Vorgehensweisen vorgeschlagen worden (z. B. Street et al. 2005). Diese
gehen davon aus, dass sich die Entscheidungssituation für alle Konsumenten gleich dar-
stellt. Diese Annahme ist aber kritisch, wenn Konsumenten ein Produkt unterschiedlich
intensiv nutzen und die Nutzung für den Konsumenten mit Kosten verbunden ist. Dominan-
te Alternativen sind dann in herkömmlichen experimentellen Designs sehr wahrscheinlich.
Das Vorliegen dominanter Alternativen führt dazu, dass relativ weniger Informationen zur
Schätzung der Präferenzen gewonnen werden. So ist ein individualisiertes Design erfor-
derlich, das die individuelle Nutzungsintensität des Produkts berücksichtigt. Jedoch sind
in der Literatur bislang keine experimentellen Designs vorgeschlagen worden, welche die
Nutzungsintensität einbeziehen.
Eine erfolgreiche Produkt- und Preisdifferenzierung setzt voraus, dass die Kunden
heterogene Präferenzen besitzen. Aus diesem Grund sind segmentspezifische oder indi-
viduelle Parameterwerte zu schätzen. Für die segmentspezifische Schätzung bieten sich
Latent-Class-Modelle (z. B. DeSarbo et al. 1995) an. Die a-posteriori Wahrscheinlich-
Entscheidungsunterstützung unter Berücksichtigung der … 621

keiten der Segmentzugehörigkeit können dann zur Bestimmung individueller Parame-


terwerte herangezogen werden. Die Schätzung der Parameter erfolgt mittels Maximum-
Likelihood-Verfahren. Alternativ können auch direkt individuelle Parameterwerte mit-
tels Maximum-Simulated-Likelihood-Verfahren oder Bayesianischer Verfahren (Huber u.
Train 2001) geschätzt werden. Andrews et al. (2002) zeigen, dass Bayesianische Verfahren
und Latent-Class-Modelle hinsichtlich der Fähigkeit, Nutzenparameter aufzudecken, und
der Prognosevalidität vergleichbar sind. Eine Kombination beider Ansätze ist möglich, um
Heterogenität in den Segmenten zu erlauben (Lenk u. DeSarbo 2000; Otter et al. 2004).
So bietet sich für die Schätzung der Präferenzfunktionen eine Vielzahl von Verfahren an.
Wenn das primäre Ziel der Anwendung in der Entscheidungsunterstützung liegt, dann
kommt es darauf an, dass die Ergebnisse für den Entscheidungsträger leicht nachzuvoll-
ziehen und zu interpretieren sind. Zudem ist es wichtig, dass die Ergebnisse in einfacher
Weise in konkrete Maßnahmen umgesetzt werden können. Aus diesem Grund erscheint
bei dem betrachteten Entscheidungsproblem eine segmentspezifische Schätzung mit Hilfe
eines Latent-Class Modells sinnvoll.

Umfassende Bewertung möglicher Alternativen. Nach Schätzung der Präferenzfunktionen


gilt es, die Alternativen hinsichtlich ihrer Auswahlwahrscheinlichkeit zu bewerten. Das
heißt, wie viele Kunden werden einen zweiteiligen Tarif wählen, wenn dieser angeboten
wird. Um die Auswahlwahrscheinlichkeit zu bestimmen, können verschiedene Annahmen
getroffen werden. 1) Der Kunde wählt jenes Produkt mit einer Auswahlwahrscheinlichkeit
von 100 %, das ihm den höchsten Nutzen stiftet, wenn der Nutzen dieses Produkts höher
ist als jener der Nicht-Wahl-Option (First-Choice-Regel). Diese Annahme liegt zahlrei-
chen Modellen zur Entscheidungsunterstützung zugrunde (z. B. Green u. Krieger 1985;
Aust 1996). 2) Der Kunde wählt jedes Produkt nur mit einer gewissen Wahrscheinlich-
keit, die proportional zu dem exponentiellen Nutzen eines Produkts ist (Logit-Regel).
Diese Annahme liegt der CBC-Analyse zugrunde und es hat sich gezeigt, dass die Anwen-
dung der Logit-Regel zu stabileren Ergebnissen bei der Simulation von Wahlanteilen führt
(Carson et al. 1994; Haaijer et al. 2001). Im Vergleich zur First-Choice-Regel sind die
Auswahlwahrscheinlichkeiten weniger extrem. Dies ist wichtig, da Entscheidungsträger
in der Regel skeptisch gegenüber Lösungen sind, die für bestimmte Szenarien extreme
Ausprägungen des Zielfunktionswertes (hier z. B. Marktanteil) annehmen können.

Auswahl guter Lösungen. Für das Problem der Lösungsfindung ist die Literatur zur mengen-
und leistungsbezogenen Preisdifferenzierung relevant. Zudem kann ein Problem der Preis-
bündelung vorliegen, wenn Komponenten des betrachteten Produkts auch separat erwor-
ben werden können (z. B. Kreditkarte). Diese implizit vorliegende gemischte Bündelung
kann aber als leistungsbezogene Preisdifferenzierung begriffen werden (Tellis u. Stre-
mersch 2002; Olderog u. Skiera 2000).
Skiera (1999) zeigt, dass bei einer mengenbezogenen Preisdifferenzierung ein zwei-
teiliger Tarif zu einem höheren Gewinn führt als ein linearer Tarif oder Pauschaltarif. Dies
gilt auch bei einer vom Preis unabhängigen nachgefragten Menge. So sollten bei der Ge-
nerierung von Lösungen für das Entscheidungsproblem zweiteilige Tarife berücksichtigt
werden. Außerdem demonstriert Skiera (1999), dass wenige optionale Tarife ausreichen,
um den Gewinn zu maximieren. Es werden daher so viele optionale Tarife betrachtet wie
Segmente vorliegen.
622 S. Albers et al.

Die Literatur zur leistungsbezogenen Preisdifferenzierung schlägt zur Gestaltung eines


einzelnen Tarifs den Einsatz eines Choice-Simulators vor (z. B. Albers u. Brockhoff 1985;
Green u. Krieger 1988; Bauer et al. 1994). Eine Simulation eines einzelnen Tarifs kann bei
einer überschaubaren Anzahl an möglichen Kombinationen von Eigenschaftsausprägun-
gen mit vollständiger Enumeration in Tabellenkalkulationssoftware wie Microsoft Excel®
vergleichsweise einfach gelöst werden. Sollen jedoch mehrere, optionale Tarife angeboten
werden, so ist häufig eine vollständige Enumeration nicht mehr mit einem vertretbaren
Aufwand möglich. Sind beispielsweise 1000 unterschiedliche Produkte denkbar, so erge-
ben sich bei dem Angebot von drei unterschiedlichen optionalen Tarifen fast eine Milliarde
(997.002.000) mögliche Kombinationen der Tarife. Angesichts der Tatsache, dass für je-
de mögliche Eigenschaftskombination die individuellen Präferenzen von einigen Hundert
Kunden zu evaluieren sind, stellt dies ein außerordentlich komplexes kombinatorisches
Optimierungsproblem dar.
Mit entsprechenden Problemen beschäftigt sich grundsätzlich auch die Literatur zur
Produktliniengestaltung. Eine exakte Lösung des Entscheidungsproblems ist allerdings
nur bei wenig komplexen Problemen möglich. Meist werden daher Heuristiken vorge-
schlagen, um die Lösung zu ermitteln. Dazu gehören Varianten der Greedy Heuristik
(Green u. Krieger 1985; Gaul et al. 1995; Dobson u. Kalish 1993), die Reduktion auf
ein p-median Problem (McBride u. Zufryden 1988), eine Relaxation auf ein nichtlinea-
res Programm (Chen u. Hausman 2000), Simulated Annealing (Kraus u. Yano 2003) und
Genetische Algorithmen (Nichols et al. 2005). Die beiden letzten Verfahren zeichnen sich
dadurch aus, dass sie für das resultierende gemischt-ganzzahlige Optimierungsproblem
eine algorithmische Heuristik vorschlagen. Lediglich Aust (1996, S. 132) bietet eine an
der Problemstruktur inhaltlich ausgerichtete Heuristik an. Er schlägt vor, die Präferenz-
funktionen nicht nur an das beobachtete Wahlverhalten anzupassen, sondern mit Hilfe
von Nebenbedingungen zu berücksichtigen, dass die bereits im Markt befindlichen Pro-
dukte Idealprodukte von bestimmten Segmenten darstellen. Dadurch vereinfacht sich das
Problem der Bestimmung einer guten Produktlinie, weil man nur noch für die restlichen
identifizierten Segmente zusätzliche Produkte anbieten müsste. Das Management ging
nicht davon aus, dass mit dem bisherigen, für alle Kunden gleichermaßen geltenden, Tarif
die Präferenzen eines Segments gut abgebildet werden. Eine simultane Schätzung der Prä-
ferenzfunktionen unter den beschriebenen Nebenbedingungen und die Bestimmung von
optionalen Tarifen konnten daher auf Basis dieses Ansatzes nicht erfolgen.
Die Vorschläge für die Bestimmung optimaler Produktlinien sind theoretisch wertvoll,
allerdings werden dabei meist die spezifischen Anforderungen des Entscheidungsträgers
vernachlässigt. So verfolgen Entscheidungsträger häufig mehrere Ziele gleichzeitig (vgl.
bspw. Stam et al. 1992), z. B. einen hohen Deckungsbeitrag genauso wie einen hohen
Marktanteil und beides bei möglichst geringem Risiko der Kundenabwanderung. Dabei
bestehen häufig komplexe Trade-Off-Entscheidungen zwischen den Zielen, die nicht ge-
eignet in einen funktionalen Zusammenhang gebracht werden können (Eliashberg et al.
2009). Zudem möchten Entscheidungsträger nicht nur eine beste Lösung, sondern eine
Menge guter Lösungen präsentiert bekommen, um auch nicht-modellierte Aspekte (z. B.
Innovationsgrad eines Tarifs) einfließen lassen zu können. So werden die vorgeschlagenen
modell-basierten Lösungen nicht 1:1 implementiert, sondern Adjustierungen vorgenom-
men (zu einem ähnlichen Vorgehen vgl. Franses 2008). Darüber hinaus zeigen Blattberg
Entscheidungsunterstützung unter Berücksichtigung der … 623

u. Hoch (1990), dass eine Kombination von Modell-Empfehlungen und Expertenurteilen


immer zu besseren Lösungen führt als eine isolierte Betrachtung. Dies bestätigen auch
zahlreiche andere Studien (z. B. Hoch u. Schkade 1996; Lodish et al. 1988). Eine zu-
sätzliche Anforderung ist, dass die eingesetzten Verfahren einfach nachvollziehbar sein
sollten, damit Entscheidungsträger intuitiv die Qualität der generierten Lösungen beurtei-
len können. So ist es auch wichtig, dass möglichst Standardsoftware eingesetzt wird, zu der
bereits einschlägige Erfahrungen vorliegen, oder vergleichsweise leicht nachvollziehbare
Excel-Berechnungen angeboten werden. Wir schlagen daher eine alternative heuristische
Vorgehensweise vor. Diese ist nicht algorithmisch orientiert, sondern orientiert sich an
intuitiv einsichtigen Strukturen guter Lösungen, da diese für einen Entscheidungsträger in
den Auswirkungen leichter nachvollziehbar sind.
Auch wenn das Problem der Ableitung optionaler zweiteiliger Tarife für Girokonten
einige Besonderheiten aufweist, ist es doch konzeptionell ähnlich zu allen Problemen,
bei denen Unternehmen Dienstleistungen zur kontinuierlichen Nutzung anbieten. Dies ist
prinzipiell bei der Tarifgestaltung von Energieversorgern bezüglich Strom, Wasser und
Heizung, aber auch bei Entsorgungsunternehmen der Fall. Relevant ist es ebenso bei der
Preisgestaltung von (vor allem elektronischen) Unterhaltungs- und Informationsdiensten.
So ist die hier vorgeschlagene Vorgehensweise nicht nur für die Tarifgestaltung bei Giro-
konten, sondern für viele Bereiche des Dienstleistungssektors relevant.

3 Empirische Untersuchung

3.1 Design der empirischen Untersuchung

Im Rahmen der empirischen Untersuchung wurden Kunden einer Retailbank hinsichtlich


ihrer Präferenzen für einzelne Eigenschaften eines Girokontos befragt. Zudem wurden
Fragen bezüglich der generellen Zufriedenheit mit dem heutigen Preis des Girokontos
gestellt. Insgesamt wurden 2400 Kunden einer Retailbank angeschrieben und es konnten
363 ausgefüllte Fragebogen für die weitere Analyse verwendet werden. Dies entspricht
einer Antwortquote von 15,1 %. Da es sich um eine schriftliche Befragung durch einen per
Post zugesendeten Fragebogen ohne Ankündigung oder Nachfassaktion und ohne Anreiz
handelte, ist diese Antwortquote als gut zu beurteilen (Malhotra u. Birks 2007, S. 279).
Die Erfassung der Präferenzen der Kunden erfolgte mit Hilfe der CBC-Analyse. Bei der
CBC-Analyse wählen die Kunden annahmegemäß aus einem Set von alternativen Produk-
ten jenes aus, das ihnen den höchsten Nutzen stiftet. Hier werden den Kunden 3 alternative
Girokonten vorgelegt und darüber hinaus wird eine Nicht-Wahl-Option berücksichtigt, so
dass sich ein Set aus 4 Alternativen zusammensetzt.
Die Auswahl der Nicht-Wahl-Option kann in zweierlei Hinsicht interpretiert werden:
Zum einen kann sie ausdrücken, dass der Kunde das heute genutzte Girokonto bevorzugt.
Zum anderen kann sie als Wahl des Angebots eines Wettbewerbers interpretiert werden
(Jedidi u. Kohli 1996). Eine explizite Berücksichtigung von Angeboten der Wettbewerber
ist hier nicht durchführbar, da es aufgrund der Vielzahl an Alternativen nicht möglich
ist, die für einen Kunden relevanten Alternativen (Consideration Set) zu bestimmen. So
erlaubt die Nicht-Wahl-Option die Berücksichtung von Angeboten der Wettbewerber, ohne
explizite Annahmen bezüglich der Consideration Sets der Kunden treffen zu müssen.
624 S. Albers et al.

Tab. 1: Eigenschaften und Ausprägungen im Rahmen der CBC-Analyse


Grundpreis Nutzungspreis Nutzungspreis Online-Banking Telefon-Banking Kreditkarte
beleglos beleghaft
1,00 € 0,00 € 0,00 € Nicht inkl. Nicht inkl. Nicht inkl.
4,00 € 0,10 € 0,50 € 0,40 € 0,60 € 1,70 €
8,00 € 0,20 € 1,00 € 0,80 € 1,20 € 2,10 €
11,50 € 0,30 € 1,50 € 1,00 € 2,00 € 2,50 €

Zur Beschreibung der alternativen Girokonten in einem Set ist es erforderlich, Eigen-
schaften und Ausprägungen festzulegen, die für ein Girokonto relevant sind und von der
Bank beeinflusst werden können. Sowohl die Eigenschaften als auch deren Ausprägungen
wurden auf der Basis von Experteninterviews mit den Managern der betrachteten Retail-
bank ermittelt, wobei sich diese wiederum auf Kundenbefragungen und Kundengespräche
beziehen. Damit ist sichergestellt, dass die Eigenschaften relevant und ihre Ausprägun-
gen realistisch sind (Haaijer u. Wedel 2001). Da die Möglichkeiten einer mengen- und
leistungsbezogenen Preisdifferenzierung betrachtet werden, ist zunächst der monatliche
Grundpreis als Eigenschaft eines Girokontos (Eigenschaft 1) zu nennen, der pauschal für
das Konto gezahlt werden muss, unabhängig von der Anzahl und der Art der getätigten
Transaktionen. Darüber hinaus ist der Nutzungspreis für beleglose und beleghafte Trans-
aktionen (Eigenschaften 2 und 3) zu berücksichtigen. Dieser Nutzungspreis ist die zweite
Komponente des zweiteiligen Tarifs und stellt zudem eine leistungsbezogene Preisdif-
ferenzierung dar, da hinsichtlich des Zugangskanals differenziert wird. Zudem kann ein
Girokonto dahingehend differenziert werden, ob es den Zugang zum Online-Banking
(Eigenschaft 4) und Telefon-Banking (Eigenschaft 5) sowie die Verfügbarkeit einer Kre-
ditkarte (Eigenschaft 6) beinhaltet.
Für jede der 6 Eigenschaften werden 4 Ausprägungen berücksichtigt (s. Tab. 1), wobei
bei der Kodierung der Eigenschaftsausprägungen das Teilnutzenwert-Modell zugrunde
gelegt wird.
Die Ausprägungen der Eigenschaften Online-Banking, Telefon-Banking und Kredit-
karte sind mit Preisen versehen, da diese Leistungen nicht kostenlos angeboten werden sol-
len. Auf Wunsch der kooperierenden Retailbank wurden hier zum Teil nicht-äquidistante
Preisabstände gewählt. Zudem weisen die Eigenschaften unterschiedliche Bandbreiten
auf. Diese Vorgehensweise wird hier aber als unproblematisch angesehen, da Ohler et al.
(2000) zeigen, dass in Logit-Modellen die geschätzten Parameter durch unterschiedliche
Bandbreiten der Eigenschaften nicht beeinflusst werden. Zudem werden in dieser Studie
die Preise der einzelnen Eigenschaften Grundpreis, Zugangswege (Online-Banking und
Telefon-Banking) sowie Kreditkarte nicht gesondert ausgewiesen, sondern lediglich der
Gesamtpreis für das jeweilige Nutzungspaket. Dies reduziert die Komplexität der Ent-
scheidungssituation für den Kunden und ermöglicht eine übersichtliche Darstellung der
einzelnen Produktalternativen in einem Choice-Set. Zudem wird in der Praxis bei dem
Angebot eines Girokontos der Tarif auch in dieser Weise kommuniziert, so dass diese
Vorgehensweise die Realitätsnähe erhöht.
In einem nächsten Schritt gilt es, die Sets mit 4 Alternativen zu generieren, die den Kun-
den vorgelegt werden. Insgesamt werden jedem Kunden 8 Sets vorgelegt und die Kunden
Entscheidungsunterstützung unter Berücksichtigung der … 625

Geldeinheiten
Tarif 1 Tarif 2

Tarif 3

0 M1 M* Menge

Abb. 1: Alternative Tarife für Girokonten in einem Choice Set

werden aufgefordert, jeweils eine Auswahlentscheidung zu treffen. Um sicher zu stellen,


dass den Kunden realistische Angebote zur Wahl gestellt werden und um dominante Al-
ternativen zu vermeiden, werden individuelle Sets entwickelt, die auf den tatsächlichen
Transaktionsmengen der Kunden basieren. Die Information über die Transaktionsmengen
wurde von der Retailbank zur Verfügung gestellt. Aus Gründen der Anonymität ist es
allerdings nicht möglich, auf die individuellen Transaktionsmengen der befragten Kun-
den zurückzugreifen. Stattdessen werden drei Transaktionsmengenklassen angegeben. Die
Transaktionsmengenklassen geben den Mittelwert der Anzahl der beleghaften und beleg-
losen Buchungen in der jeweiligen Klasse an. So ist es dann möglich, den zu erwartenden
Rechnungsbetrag grob zu ermitteln. Den Kunden sollen Sets vorgelegt werden, bei de-
nen die Alternativen einen ähnlich hohen Rechnungsbetrag aufweisen, so dass dominante
und unrealistische Angebote vermieden werden, aus denen keine Informationen bezüg-
lich der Präferenzen eines Kunden extrahiert werden können. Abbildung 1 verdeutlicht
diese Idee.
Beispielhaft sind 3 alternative Tarife für Girokonten eines Sets grafisch dargestellt.
Bei einer tatsächlichen Transaktionsmenge M* des Kunden ergibt sich für alle drei Tarife
ein ungefähr gleich hoher Rechungsbetrag. Der Kunde trifft nun die Entscheidung, ob
er eher einen niedrigen Grundpreis (Tarif 1), einen niedrigen Nutzungspreis (Tarif 3)
oder den mittleren Tarif (Tarif 2) wählt. Wenn keine Berücksichtigung der tatsächlichen
Transaktionsmenge erfolgen würde, könnte es sein, dass diese alternativen Tarife auch
einem Kunden mit der Transaktionsmenge M1 vorgelegt werden. Dessen Wahl würde auf
Tarif 1 fallen, da es sich aus seiner Sicht hierbei um eine dominante Alternative handelt.
Dieses Vorgehen ist bei den bisher in der einschlägigen Literatur bekannten Metho-
den zur Erstellung effizienter Designs im Rahmen der CBC-Analyse nicht berücksichtigt
worden (z. B. Street et al. 2005; Toubia et al. 2004). Hier werden daher die Alternativen
eines Sets generiert, indem die Auswahl der Eigenschaftsausprägungen nach dem Zufalls-
626 S. Albers et al.

prinzip erfolgt. Dabei wird geprüft, ob für die vorliegende Transaktionsmengenklasse und
den daraus resultierenden Rechnungsbetrag dominante Alternativen vorliegen, um diese
von der Befragung auszuschließen. Man könnte hier vermuten, dass die Befragten ein-
fach nur für ihre Transaktionsmengen den besten Tarif auswählen und es sich somit um
eine einfache Rechenaufgabe handelt. Dem ist aber nicht so, denn die vorgelegten Choice
Sets unterscheiden sich hinsichtlich der angebotenen Zugangskanäle und der Verfügbar-
keit einer Kreditkarte. So handelt es sich um eine echte Auswahlentscheidung gemäß den
Präferenzen eines Konsumenten. Darüber hinaus kennen die Befragten in der Regel ih-
re Transaktionsmengen nicht genau, zumal diese auch über das Jahr hinweg schwanken
können. Es sei auch darauf hingewiesen, dass darauf verzichtet wird, eventuelle Interakti-
onseffekte zwischen den Nutzungspreisen und den Zugangskanälen zu schätzen. Sie hätten
zu einem wesentlich umfangreicheren Befragungsdesign geführt, was den Befragten nicht
zugemutet werden konnte. Unter prognostischen Gesichtspunkten ist es ohnehin meist
ausreichend, lediglich die Haupteffekte zu schätzen (Louviere et al. 2000, S. 89). Zudem
zeigen andere Studien, dass signifikante Interaktionseffekte bei aggregiert geschätzten
Modellen häufig durch nicht-berücksichtigte Heterogenität zwischen den Konsumenten
verursacht werden (Orme u. Heft 1999). So ist die Vernachlässigung von Interaktionsef-
fekten hier nicht als wesentliche Einschränkung zu sehen.

3.2 Ergebnisse der empirischen Untersuchung

Um Angebote mit einer mengen- und leistungsbezogenen Preisdifferenzierung gestalten


zu können, ist eine disaggregierte Schätzung der Präferenzen der Kunden erforderlich. Wir
nutzen ein Latent-Class-Modell, um segmentspezifische Parameter zu schätzen. Auf Basis
der geschätzten a-posteriori Wahrscheinlichkeiten der Segmentzugehörigkeiten können
dann individuelle Nutzenparameter ermittelt und bei der Ermittlung der optionalen Tarife
berücksichtigt werden.
Es ergibt sich eine 3-Segment-Lösung, wobei die Gütemaße für das Modell in Tab. 2
aufgeführt sind.
Wie die geringe Spanne des logarithmierten Likelihood-Werts (Spanne ln (L1 )) über
10 Wiederholungen der Schätzung hinweg zeigt, sind die Ergebnisse stabil. Die Verbes-
serung gegenüber dem Nullmodell (Max ln (L1 )) liegt im akzeptablen Bereich. Zudem
weist sowohl das Informationskriterium CAIC ein Minimum als auch die Entropie ein
Maximum bei der 3-Segment-Lösung auf. Die Entropie ist mit einem Wert von 0,83 als
gut zu beurteilen. Dies bedeutet, dass die Kunden den Segmenten relativ eindeutig zuge-
ordnet werden können. Darüber hinaus verfolgt die hier betrachtete Retailbank das Ziel,

Tab. 2: Gütemaße für die Latent-Class-CBC-Modelle


Segmente Max ln(L1 ) Spanne ln(L1 ) bei 10 Percent Certainty CAIC Entropie
Wiederholungen Criterion
1 −3407,39 0,00 0,15 6985,1
2 −3162,34 8,90 0,21 6674,2 0,80
3 −3036,54 0,00 0,24 6601,9 0,83
4 −2960,88 29,64 0,26 6629,9 0,79
5 −2899,91 17,73 0,27 6687,2 0,81
Entscheidungsunterstützung unter Berücksichtigung der … 627

Tab. 3: Normierte Nutzenparameter der 3-Segment Lösung


Segment A Segment B Segment C
Größe des Segments 54,5 % 24,1 % 21,3 %
Grundpreis 1,00 € 52 (1,89) 80 (41,87) 109 (2,65)
4,00 € −33 (−1,32) 75 (42,74) 37 (0,98)
8,00 € −113 (−4,26) 65 (35,18) −85 (−2,16)
11,50 € 93 (1,25) −220 (−42,12) −61 (−0,54)
Nutzungspreis beleglos 0,00 € 53 (5,70) 0 (0,32) 95 (6,85)
0,10 € −20 (−2,24) 0 (−0,55) 46 (3,48)
0,20 € −10 (−1,22) 0 (−0,66) −48 (−4,13)
0,30 € −24 (−2,48) 0 (0,73) −93 (−6,53)
Nutzungspreis beleghaft 0,00 € −113 (−1,51) 213 (40,97) −2 (−0,01)
0,50 € 61 (2,32) −70 (−38,06) 3 (0,08)
1,00 € 37 (1,40) −70 (−38,53) 18 (0,47)
1,50 € 16 (0,59) −74 (−39,88) −19 (−0,49)
Online-Banking Nein 18 (2,99) 1 (2,38) −49 (−5,67)
0,40 € 9 (1,05) 0 (0,76) 21 (1,57)
0,80 € −14 (−1,67) −1 (−1,15) 45 (3,56)
1,00 € −13 (−1,36) −1 (−1,16) −16 (−1,14)
Telefon-Banking Nein 54 (9,44) 3 (8,56) −2 (−0,29)
0,60 € 0 (0,05) 1 (1,78) 4 (0,30)
1,20 € −21 (−2,40) −1 (−1,19) 3 (0,22)
2,00 € −34 (−3,45) −4 (−5,66) −5 (−0,31)
Kreditkarte Nein 9 (1,54) 2 (4,17) −44 (−5,33)
1,80 € 8 (1,30) 1 (2,20) 26 (2,96)
2,10 € −1 (−0,23) −2 (−4,27) 34 (4,07)
2,50 € −15 (−2,40) −1 (−1,94) −15 (−1,67)
Nicht-Wahl-Option 172 (25,18) 4 (8,22) 3 (0,28)
t-Werte in Klammern

relativ wenige Produktvarianten anzubieten. Daher wird eine geringe Zahl an Segmenten
angestrebt und die 3-Segment-Lösung erscheint adäquat.
Für eine bessere Vergleichbarkeit über die Segmente hinweg sind die Nutzenwerte
normiert worden. Dazu wurden für jedes Segment die durchschnittlichen Spannweiten der
Nutzenwerte innerhalb der Eigenschaften auf 100 normiert (s. Tab. 3). Die Augenschein-
Validität kann aufgrund der Plausibilität der geschätzten Parameter beurteilt werden (Skie-
ra u. Gensler 2002; Teichert 2000). Plausibel ist, wenn die Nutzenparameter des Grund-
preises und der Nutzungspreise von der niedrigsten zur höchsten Ausprägung geringer
werden, da mit ansteigender Ausprägung ein höherer Preis verbunden ist. Dies kann bei
der Mehrzahl der Eigenschaften und Segmente bestätigt werden (s. Tab. 3). In jenen Fällen,
in denen sich eine Abweichung zeigt, zum Beispiel bei der Eigenschaft Grundpreis bei
Segment A, ist der abweichende Wert nicht signifikant. Ausnahmen sind die geschätzten
Nutzenparameter für die Eigenschaft Kreditkarte bei den Segmenten B und C. Dies mag
628 S. Albers et al.

darin begründet liegen, dass für das Segment B (C) die Bereitstellung des Services relativ
unwichtig (wichtig) ist. Segment B hat kein Interesse, eine Kreditkarte zu nutzen und
besitzt daher auch keine Zahlungsbereitschaft hierfür. Segment C hingegen besitzt eine
gewisse Zahlungsbereitschaft für eine Kreditkarte. Erst bei einem relativ hohem Preis von
2,50 € ist kein Interesse mehr vorhanden. Für die Nutzung der Kreditkarte möchten die
Kunden des Segments C somit einen günstigen Preis.
Bei der Betrachtung der Nutzenparameter für die Nicht-Wahl-Option fällt insbesondere
Segment A mit einem sehr hohen und auch hoch signifikanten Wert auf. Die Kunden des
Segments A sind offenbar stark abwanderungsgefährdet. Um diese Kunden zu binden,
sollte ein Girokonto gestaltet werden, dessen Tarif den Kunden einen höheren Nutzen
stiftet als die Nicht-Wahl-Option. Die Frage nach der generellen Zufriedenheit mit dem
heutigen Preis für das Girokonto zeigt zudem, dass die Kunden des Segments A eine
geringere Zufriedenheit aufweisen (37,2 % sind zufrieden) als die Kunden der beiden
anderen Segmente (38,2 % (Segment B) bzw. 52,1 % (Segment C)).
Die Gefahr der Kundenabwanderung ist bei den Segmenten B und C als geringer einzu-
stufen. Die Kunden des Segments B sind bereit, einen höheren Grundpreis zu akzeptieren,
wobei sie aber Wert auf einen beleghaften Nutzungspreis von 0,00 € legen. Zudem ist
auffällig, dass die Nutzenwerte für Ausprägungen des beleglosen Nutzungspreises alle bei
Null liegen und nicht signifikant sind. Offenbar gehören die Kunden des Segments B zu
den Filialkunden, für welche die unterschiedlichen Zugangskanäle nicht von Bedeutung
sind. Auch wird die Verfügbarkeit einer Kreditkarte nicht hoch eingeschätzt. Dies fügt sich
in das Bild, dass es sich bei diesem Segment um traditionelle Kunden handelt, für welche
die Filiale die Retailbank repräsentiert.
Segment C ist offenbar preisbewusst, aber nicht so sehr wie Segment A. Die Nut-
zenwerte für die ersten drei Ausprägungen des Grundpreises liegen deutlich über denen
des Segments A, sinken aber stärker als bei Segment B. Beim Grundpreis werden also
durchaus auch 4,00 € oder sogar mehr akzeptiert, wenn dafür der Nutzungspreis niedrig
ausfällt.
Zusammenfassend lässt sich festhalten, dass Segment A – mit 54,5 % das größte
Segment – Kunden zusammenfasst, die sehr preissensibel und abwanderungsgefährdet
erscheinen. Der Preis ist für dieses Segment das dominierende Kriterium bei der Wahl eines
Tarifs für ein Girokonto. Segment C, mit 21,3 % relativer Größe das kleinste Segment, ist
preisbewusst, erwartet aber auch gewisse Leistungen bei einem Girokonto und ist bereit,
für diese Leistungen auch zu zahlen. Im Segment B – mit 24,3 % relativer Größe nur
leicht größer als Segment C – finden sich Kunden wieder, welche die Filiale sehr schätzen
und diese auch nutzen. Daher ist ein beleghafter Nutzungspreis von 0,00 € sehr wichtig
und es wird dafür ein höherer Grundpreis akzeptiert. Für alle drei Segmente gilt, dass der
Zugang über das Telefon-Banking wenig interessant ist und keinen signifikanten Nutzen
stiftet. Segment A lehnt dies sogar eher ab. Auch der Online-Zugang zum Girokonto und
eine Kreditkarte stiften beim überwiegenden Teil der Kunden keinen wesentlichen Nutzen.
Lediglich Segment C zieht einen Nutzen aus diesen Leistungsmerkmalen, Segment B und
A sind hier indifferent. Dies mag überraschen, doch Gespräche mit den Managern der
Retailbank haben ergeben, dass die Kunden insgesamt eher zu den traditionellen Kunden
zu zählen sind.
Entscheidungsunterstützung unter Berücksichtigung der … 629

4 Ermittlung möglichst guter optionaler Tarife

Die geschätzten Nutzenparameter stellen Präferenzen für einzelne Ausprägungen eines Ta-
rifs für ein Girokonto dar und können in einem Choice-Simulationsmodell genutzt werden,
um Deckungsbeiträge für Tarife zu prognostizieren. Die segmentspezifisch geschätzten
Nutzenparameter bilden aber lediglich den durchschnittlichen Kunden eines Segments ab.
Um die Heterogenität der Kunden innerhalb eines Segments zu berücksichtigen, können in-
dividuelle Nutzenparameter ermittelt werden. Hierfür werden für jeden befragten Kunden
die segmentspezifischen Nutzenparameter mit den individuellen Wahrscheinlichkeiten der
Segmentzugehörigkeit multipliziert. Die individuellen Nutzenparameter sind folglich ein
gewichteter Mittelwert der geschätzten segmentspezifischen Nutzenparameter (Gensler
2003, S. 127). Die Ermittlung individueller Nutzenparameter ist sinnvoll, da die Optimie-
rung auf Basis der segmentspezifischen Nutzenparameter Kannibalisierungseffekte nur
eingeschränkt abbilden kann. Die Ableitung deckungsbeitragsoptimaler, optionaler Tari-
fe erfolgt daher auf Basis der individuellen Nutzenparameter. Jedoch ist insgesamt nicht
zu erwarten, dass die Berücksichtigung individueller Nutzenparameter zu wesentlich an-
deren Ergebnissen führt, da die Wahrscheinlichkeiten der Segmentzugehörigkeiten nahe
1 liegen. Andernfalls wäre eine individuelle Schätzung der Nutzenparameter angeraten.
Das zugrunde gelegte Teilnutzenwert-Modell zur Kodierung der Eigenschaftsausprä-
gungen hat den Vorteil, dass beliebige nichtlineare Verläufe für den Nutzen einer Eigen-
schaft abgebildet werden können. Allerdings kann zwischen den diskreten Ausprägungen
nur linear approximiert werden. Dies führt bei einer Optimierung der optionalen Tarife
dazu, dass nur Randlösungen (Kombinationen der diskreten Eigenschaftsausprägungen)
optimal sind. Insofern besteht hier die Aufgabe darin, die beste Kombination von diskreten
Eigenschaftsausprägungen zu finden. Es ist nicht das Ziel, individualisierte Angebote für
Tarife von Girokonten anzubieten. Vielmehr sollen einige wenige optionale Tarife ange-
boten werden.
In dem hier betrachteten Problem beträgt die Anzahl der möglichen Kombinationen
von Eigenschaftsausprägungen für einen Tarif 46 = 4096 (6 Eigenschaften mit jeweils 4
Ausprägungen). Davon werden allerdings viele Kombinationen von anderen dominiert,
so verbleiben 2500 relevante Tarife, die jeweils für die drei Segmente getrennt evaluiert
werden. Wollte man alle Kombinationen der etwa 2500 Tarife bewerten, dann müssten
25003 = 16,625 Mrd. Alternativen für jeweils 363 Personen evaluiert werden, was nicht
in vernünftiger Zeit durchgeführt werden kann. Daher wird die inhaltliche Struktur des
Problems herangezogen, um heuristisch eine Auswahl guter Lösungen zu generieren, aus
denen dann das Management unter Berücksichtigung weiterer Gesichtspunkte eine Ent-
scheidung treffen kann.
Ausgangspunkt der Heuristik ist die schon bei Aust (1996) geäußerte Überlegung,
dass es vorteilhaft ist, so viele alternative Produkte anzubieten, wie es einigermaßen gut
unterscheidbare Segmente gibt. Ein Angebot von weniger Produkten ist riskant, da nicht
bediente Segmente abwanderungsgefährdet sind. Ist anzunehmen, dass die Segmente hin-
reichend unterschiedlich sind, dann sollte ein optimales Menü von optionalen Tarifen aus
Tarifen bestehen, die den Präferenzen der Segmente jeweils gut entsprechen. Diese Tarife
können in Form von Ranglisten dargestellt werden, die mit Tabellenkalkulationssoftware
wie Microsoft Excel® erstellt werden können. Aus den jeweils Top-Alternativen pro Seg-
630 S. Albers et al.

ment lassen sich dann Kombinationen bilden, bei denen lediglich zu prüfen ist, wie gut sie
über die Segmente ausdifferenziert sind und Kannibalisierungseffekte vermieden werden
können. Auf diese Weise erhält das Management, wie gewünscht, eine ganze Reihe von
Alternativen, die es nicht nur nach dem erzielbaren Deckungsbeitrag, sondern auch nach
dem Marktanteil, der Kannibalisierung und dem Risiko der Kundenabwanderung sowie
sonstigen nicht-modellierten Gesichtspunkten (ähnlich z. B. Stam et al. 1992; Eliashberg
et al. 2009) beurteilen kann.

4.1 Bewertung der alternativen Tarife

In den ersten drei Schritten der vorgeschlagenen Vorgehensweise wird mit Hilfe voll-
ständiger Enumeration die individuelle Wahlwahrscheinlichkeit für jeden der 2500 Tarife
bestimmt (s. 1. Schritt bis 3. Schritt).
1. Schritt: Berechnung der individuellen Nutzenparameter:

βhki = gis · bhks (h ∈ H, k ∈ K, i ∈ I) (1)
s∈S

β0i = gis · b0s (i ∈ I) (2)
s∈S

NONE_indi = gis · NONE_segs (i ∈ I) (3)
s∈S

mit
βhki : Nutzenparameter für die k-te Ausprägung der h-ten Eigenschaft beim
i-ten Kunden,
gis : Wahrscheinlichkeit der Zugehörigkeit des i-ten Kunden zum s-ten
Segment,
bhks : Nutzenparameter für die k-te Ausprägung der h-ten Eigenschaft beim
s-ten Segment,
β0i : Konstante für den i-ten Kunden,
b0s : Konstante für das s-te Segment,
NONE_indi : Nutzenparameter des i-ten Kunden für die Nicht-Wahl-Option,
NONE_segs : Nutzenparameter des s-ten Segments für die Nicht-Wahl-Option.

2. Schritt: Berechnung des Nutzens uij des j-ten Tarifs für den i-ten befragten Kunden:

uij = β0i + βhki · xjhk (i ∈ I, j ∈ J) (4)
h∈H k∈K

mit
xjhk : Effekt-kodierte Variable, die ausdrückt, ob der j-te Tarif für die h-te Eigenschaft
die k-te Ausprägung aufweist.
Entscheidungsunterstützung unter Berücksichtigung der … 631

3. Schritt: Bestimmung der individuellen Wahlwahrscheinlichkeit pij für den j-ten Tarif
für den i-ten Kunden:
exp(uij )
pij = (i ∈ I, j ∈ J) (5)
exp(uij ) + exp (NONE_indi )

Danach ist dann in einem 4. Schritt für jeden Tarif der Deckungsbeitrag zu berechnen. Hier-
bei wird aus Vereinfachungsgründen unterstellt, dass die Transaktionsmenge der Kunden
bei einem Girokonto nicht vom Preis abhängt, da nicht zu erwarten ist, dass insgesamt
mehr Transaktionen getätigt werden, nur weil sie kostengünstiger geworden sind. Hierfür
wird die Angabe der Transaktionsmengenklasse verwendet und approximativ zur Berech-
nung der Erlöse ejb (nb ) herangezogen. Die Angaben bezüglich der variablen Kosten kjb (nb )
stammen aus einer internen Studie des zuständigen Verbands der Retailbank.
4. Schritt: Berechnung des erwarteten Deckungsbeitrags E[DBj ] für den j-ten Tarif aus
den Transaktionsmengen nb pro Transaktionsmengenklasse b:
    
E DBj = pij · ejb (nb ) − kjb (nb ) ( j ∈ J) (6)
i∈I b∈B

mit
ejb : Erlöse für den j-ten Tarif in der b-ten Transaktionsmengenklasse,
kjb : Transaktionskosten für den j-ten Tarif in der b-ten Transaktionsmengenklasse.

4.2 Auswahl eines möglichst guten Tarif-Menüs

Auf der Basis dieser Schritte ist es möglich, eine segmentspezifische Sortierung der Ta-
rife gemäß dem erwarteten Deckungsbeitrag in Form einer Rangliste vorzunehmen. In
unserer Anwendung wollte das Management aber auch explizit die Risiken der Entschei-
dungsalternativen berücksichtigen, wobei das Risiko der Kundenabwanderung im Fokus
stand. Aus diesem Grund wird der derzeitig angebotene Tarif für ein Girokonto ebenfalls
gemäß den ersten vier Schritten evaluiert. Die resultierende Wahlwahrscheinlichkeit von
65,5 % dient im Folgenden als Benchmark. So wollte das Management der Retailbank
die Entwicklung von Tarifen vermeiden, die zwar einerseits einen hohen Deckungsbei-
trag generieren, aber nur eine geringe Wahlwahrscheinlichkeit besitzen. Denn dies könnte
zu einer Abwanderung von Kunden führen, was das Potenzial für zukünftige, zusätzliche
Bankgeschäfte einschränken würde oder aber die öffentliche Meinung würde solche Tarife
nicht akzeptieren. Insofern werden nur solche Tarife in die Rangliste aufgenommen, deren
Wahlwahrscheinlichkeiten als notwendige Bedingung größer als 52,4 % sind, so dass der
Benchmark-Wert von 65,5 % nicht mehr als 20 % unterschritten wird. Als hinreichende
Bedingung wird die Höhe der erwarteten Deckungsbeiträge herangezogen.
Sollen nun unterschiedliche Tarife zu einem Menü von optionalen Tarifen kombiniert
werden, so ändern sich die bisherigen Wahlwahrscheinlichkeiten und Deckungsbeiträge
entsprechend. Es muss berücksichtigt werden, dass die einzelnen optionalen Tarife, wenn
der Kunde überhaupt das Menü akzeptiert, mit einer gewissen Wahrscheinlichkeit gewählt
werden. Diese ergeben sich gemäß dem 5. Schritt:
632 S. Albers et al.

5. Schritt: Ermittlung der Wahlwahrscheinlichkeiten des i-ten Kunden für den j-ten optio-
nalen Tarif im m-ten Menü:
exp(uij )
vijm =  (i ∈ I, j ∈ Am , m ∈ M) (7)
exp(uij' )
j'∈Am

mit
vijm : Wahlwahrscheinlichkeit für den j-ten Tarif im m-ten Menü für den i-ten Kunden,
Am : Indexmenge der Tarife im m-ten Menü.
Die Wahrscheinlichkeit, dass ein Kunde das Menü überhaupt wählt, errechnet sich nach:
6. Schritt: Wahlwahrscheinlichkeit des m-ten Menüs für den i-ten Kunden

exp(uij ) · vijm
j∈Am
wim =  (i ∈ I, m ∈ M) (8)
exp(uij ) · vijm + exp (NONE_indi )
j∈Am

mit
wim : Wahlwahrscheinlichkeit für das m-te Menü für den i-ten Kunden.
Soll das optimale Menü von optionalen Tarifen bestimmt werden, so müssen solche Tarife
ausgewählt werden, die bezüglich dieser Wahlwahrscheinlichkeiten und der resultierenden
Deckungsbeiträge zu einem maximalen erwarteten Deckungsbeitrag führen.
Es wurden daher dem Management für jedes Segment die 20 nach dem Deckungs-
beitrag besten Tarife vorgelegt. Dies ermöglichte dem Management, verschiedene Kom-
binationen von Tarifen auf den vorderen Plätzen der ermittelten Ranglisten daraufhin zu
untersuchen, inwieweit sie sich voneinander unterscheiden. Damit kann der Manager die
eigentliche Auswahl des für das Unternehmen am besten geeigneten Menüs von optiona-
len Tarifen selbst vornehmen und behält damit auch die Kontrolle über weitere nicht in der
Optimierung abgebildete Gesichtspunkte (Eliashberg et al. 2009). So kann beispielsweise
der Innovationsgrad der Tarife ein weiteres Kriterium bei der Entscheidungsfindung sein.
Sind die entwickelten Tarife sehr innovativ, kann das Management befürchten, dass die
Kunden die neuen Tarife nicht akzeptieren und zu den Wettbewerbern abwandern. Der
Prozess des Kombinierens von 3 optionalen Tarifen für die einzelnen Segmente wurde
durch die Berechnung des Kannibalisierungsgrads der Tarife untereinander und der Wahr-
scheinlichkeit des Abwanderns von Kunden durch die Tabellenkalkulationssoftware Excel
unterstützt.
Tabelle 4 zeigt ein Angebot an optionalen Tarifen, das die hier betrachteten Kriterien
(Steigerung des Deckungsbeitrags, geringe Kundenabwanderung und Kannibalisierung)
insgesamt gut erfüllt. Tarif A setzt sich aus einem Grundpreis von 1,00 € und Nutzungsprei-
sen von 0,20 € und 0,50 € zusammen. Hingegen basiert der Tarif B auf einem Grundpreis
von 13,50 €, der sich aus den Ausprägungen 8,00 € für den Grundpreis und 1,00 € für
Online-Banking, 2,00 € für Telefon-Banking sowie 2,50 € für die Kreditkarte ergibt. Der
Tarif C basiert wie A auf einem Grundpreis von 1,00 €, bei C kommen aber 0,80 € für
Online-Banking, 0,60 € für Telefon-Banking und 2,10 € für die Kreditkarte hinzu, also
insgesamt 4,50 €.
Entscheidungsunterstützung unter Berücksichtigung der … 633

Tab. 4: Als am besten geeignet identifiziertes Menü optionaler Tarife


Tarif A Tarif B Tarif C
Grundpreis 1,00 € 13,50 € 4,50 €
Nutzungspreis beleglos 0,20 € 0,00 € 0,10 €
Nutzungspreis beleghaft 0,50 € 0,00 € 1,00 €
Zugangskanal Geschäftsstelle Zusätzlich Online Zusätzlich Online-
und SB-Geräte Banking und Telefon- Banking und Telefon-
Banking Banking
Kreditkarte Nicht inklusive Inklusive Inklusive

Tab. 5: Ergebnismatrix der Wahlwahrscheinlichkeiten für das am besten geeignete Menü


Segment A (%) Segment B (%) Segment C (%)
Tarif A 81,2 0,0 3,0
Tarif B 8,8 100,0 18,3
Tarif C 10,1 0,0 78,7
Gesamt 54,3 100 92,8

Auf den ersten Blick entsprechen die Tarife gut den Präferenzen der einzelnen Segmente (s.
Tab. 3). Tarif A ist ein sehr günstiger Tarif, der keine weiteren Leistungsmerkmale aufweist.
Über den allgemeinen Nutzungspreis von 0,20 € wird trotzdem ein gewisser Erlös erzielt.
Tarif B ist ein Pauschaltarif mit einem hohen Grundpreis. Dieser Tarif enthält den für
die Teilnehmer des Segmentes B so wichtigen beleghaften Nutzungspreis von 0,00 €.
Tarif C schließlich enthält bei einem niedrigeren Grundpreis alle Zugangswege und auch
eine Kreditkarte. Im Gegensatz zu Tarif B sind aber die einzelnen Buchungen mit 0,10 €
beziehungsweise bei beleghafter Abwicklung sogar mit 1,00 € bepreist.
Allerdings ist ein Grundpreis von 13,50 € im Vergleich zu den jetzigen Preisen selbst
bei Berücksichtigung der hier enthaltenen Kreditkarte mehr als doppelt so hoch. Auch
der Abstand zu Tarif C ist sehr groß. Deshalb wurde zusätzlich ein alternatives Menü von
Tarifkombinationen untersucht. Dabei wird einzig der Grundpreis des Tarifs B auf 9,50 €
(beziehungsweise von der Ausprägung 8,00 € auf die Ausprägung 4,00 €) gesenkt.
Für beide Menüs von Tarifkombinationen wird nun das Wahlverhalten der befragten
Kunden simuliert. In Tab. 5 und Tab. 6 sind die Ergebnisse jeweils in Form einer Matrix
dargestellt. In der Matrix sind, getrennt nach den Segmenten, die Wahlwahrscheinlichkei-
ten der befragten Kunden für die drei Tarife aufgeführt, sowie in der untersten Zeile die
Wahrscheinlichkeit, überhaupt einen Tarif aus dem Menü zu wählen. Zur Veranschauli-

Tab. 6: Ergebnismatrix der Wahlwahrscheinlichkeiten für das alternative Menü


Segment A (%) Segment B (%) Segment C (%)
Tarif A 79,6 0,0 2,6
Tarif B 10,6 100 30,1
Tarif C 9,8 0,0 67,3
Gesamt 54,5 100 92,6
634 S. Albers et al.

chung sei hier der Idealfall illustriert. Bei perfekter Differenzierung sollten der Tarif A nur
von den Mitgliedern des Segments A, Tarif B von Mitgliedern des Segments B und Tarif
C ausschließlich von den Mitgliedern des Segments C gewählt werden. Dann wären die
Hauptdiagonale der Matrix mit den Werten 1 und die Nebendiagonalen mit den Werten 0
besetzt.
Tabelle 5 zeigt eine sehr gute differenzierende Wirkung der drei Tarife. Lediglich einige
wenige Kunden der Segmente A und C halten einen anderen als den ihnen zugedachten
Tarif für attraktiver. Trotz des sehr hohen Grundpreises für den Tarif B ist dieser für alle
Teilnehmer des Segments B attraktiver als die anderen beiden Tarife. Zudem wird dieser
Tarif von allen Kunden der Nicht-Wahl-Option vorgezogen, das heißt, alle Teilnehmer aus
dem Segment B können gebunden werden.
Auch Tab. 6 zeigt eine gute differenzierende Wirkung. An den Ergebnissen für Segment
B ändert sich aufgrund der Preissenkung nichts. Allerdings zieht Tarif B nun mehr Kunden
der Segmente A und C an und verschlechtert so leicht die differenzierende Wirkung. Die
Wahrscheinlichkeiten, überhaupt einen Tarif aus einem Menü zu wählen, verändern sich
nur unwesentlich (vergleiche dazu die Zeilen Gesamt in Tab. 5 und 6). Verglichen mit dem
Benchmark von 65,5 % kann davon ausgegangen werden, dass bei beiden Menüs von Tarif-
kombinationen sämtliche befragten Kunden der Segmente B und C als Kunden gebunden
bleiben. Für Segment A liegt die Wahlwahrscheinlichkeit mit 54,3 % bzw. 54,5 % unterhalb
des Benchmarks, so dass bei den Kunden des Segments A mit Kundenabwanderungen zu
rechnen ist.
Das laut Heuristik beste Menü an optionalen Tarifen verspricht rechnerisch eine Stei-
gerung des Deckungsbeitrags um +661 %, wohingegen das modifizierte Menü nur eine
Steigerung des Deckungsbeitrags um +358 % erwarten lässt. Es zeigt sich somit deutlich
die Auswirkung einer schlechteren Differenzierung zwischen den Segmenten. Der Tarif B
wird für einige befragte Kunden des Segments C interessanter.
Jedoch ist die Schätzung der Nutzenparameter mit Unsicherheit behaftet, so dass kaum
zu erwarten ist, dass die aus einer Choice-Simulation resultierende beste Lösung in ih-
rer Wirkung uneingeschränkt eintritt. Insofern muss jede Entscheidungsunterstützung so
ausgestaltet werden, dass Alternativen präsentiert werden, aus denen ausgewählt wer-
den kann. Es ist deshalb durchaus üblich, dass „beste“ Lösungen tatsächlich gar nicht
vollständig implementiert werden (Eliashberg et al. 2009). In unserem Fall hat sich die
Retailbank für zwei optionale Tarife (abgesehen von Sondertarifen für bestimmte Kun-
dengruppen) entschieden. Damit würde die Bank nach unseren Berechnungen nur eine
Deckungsbeitragssteigerung von +156 % realisieren. Jedoch wurde dieses Menü von op-
tionalen Tarifen vom Management als deutlich risikoärmer empfunden. Nach Aussagen
des zuständigen Vorstandsmitglieds der Retailbank hat die Art der Entscheidungsunter-
stützung wesentlich dazu beigetragen, das Problem besser zu verstehen, zu strukturieren
und Entscheidungsalternativen zu generieren: „Im Entscheidungsfeld der produktstrate-
gischen Überlegungen zwischen Kunde, Wettbewerb und Kosten lag unser Fokus auf der
Produktoptimierung aus Kundensicht. Die vorliegende wissenschaftlich fundierte Analyse
der Präferenzen und Zahlungsbereitschaft unserer Kunden war daher eine maßgebliche
Unterstützung für unseren Entscheidungsprozess. Wir haben uns für eine Zwei-Konten-
Strategie entschieden: ein umfangreiches Leistungspaket mit integrierter Kreditkarte als
echter Mehrwert zu einem monatlichen Pauschalpreis, als Alternativprodukt ein Konto
Entscheidungsunterstützung unter Berücksichtigung der … 635

mit monatlichem Grundpreis und Einzelbepreisung der Dienstleistungen. Insbesondere


das Pauschalpreismodell wurde sowohl im Neugeschäft als auch bei den Bestandskun-
den gut angenommen. Im Ergebnis konnten wir unsere Erträge nicht nur stabilisieren,
sondern deutlich steigern.“ Da neben der Einführung dieser Zwei-Kontenstrategie auch
noch weitere Aktivitäten (z. B. Konkurrenzmaßnahmen) das Ergebnis beeinflussen, kann
der eingetretene Deckungsbeitragszuwachs aufgrund der Einführung der optionalen Tarife
nicht genau quantifiziert werden.

5 Fazit

Eine Retailbank, die ihren Deckungsbeitrag durch die Einführung eines Menüs von zwei-
teiligen Tarifen für das Girokonto steigern möchte, steht vor einem komplexen Entschei-
dungsproblem. Während man in der Wissenschaft meist nach einem Verfahren sucht, mit
dem man die eine beste Lösung bestimmen kann, haben wir die Erfahrung gemacht, dass
Entscheidungsträger sich eine andere Art der Entscheidungsunterstützung wünschen. Sie
ist davon geprägt, eine informierte Entscheidung treffen zu können, bei der Entscheidungs-
träger nicht mit einer besten Lösung konfrontiert werden, sondern aktiv in den Prozess
der Generierung von Lösungsalternativen eingebunden sind (Shugan 2004). Dies stärkt
zum einen ihr Vertrauen in die generierten Lösungen und schlussendlich in die gefällte
Entscheidung. Zudem können so unterschiedliche Ziele berücksichtigt werden, ohne dass
explizit eine Gewichtung erfolgen muss. So behält der Entscheidungsträger die Kontrolle
über den Prozess der Entscheidungsfindung. Zudem wird es möglich, nicht-modellierte,
meist strategische Aspekte implizit abzubilden. Schließlich bevorzugen Entscheidungs-
träger einfache Verfahren, deren Logik gut nachzuvollziehen ist, um auch intuitiv über
mögliche Alternativen diskutieren zu können.
Unter diesen Bedingungen sind Ansätze, die zunächst das Entscheidungsproblem in
der Struktur eines mathematischen Programmierungsmodells formulieren und für dieses
dann die eine beste Lösung bestimmen, weniger für die konkrete Entscheidungsunterstüt-
zung hilfreich. Vielmehr empfehlen sich Heuristiken, die gute Lösungen aus der inhalt-
lichen Struktur des Problems ableiten. Aus diesem Grund wurde in diesem Aufsatz eine
Heuristik vorgeschlagen, die sich an der inhaltlichen Struktur des Entscheidungsproblems
orientiert. Sie sieht vor, die Kunden nach ihren Präferenzen in Segmente einzuteilen und
dann für diese Segmente jeweils das beste Produkt anzubieten. Dies ist umso vorteilhaf-
ter, je stärker sich die Präferenzsegmente unterscheiden, was in unserer Anwendung der
Fall war. Unter diesen Umständen reicht die Generierung einer nach dem Zielkriterium
(hier: Deckungsbeitrag) sortierten Rangliste von Produktvorschlägen aus. Die Aufgabe
der Kombination der Tarife zu einem Menü bleibt dann beim Entscheidungsträger, der
auf diese Weise auch weitere Ziele wie geringe Kannibalisierung der Tarife untereinander
und das Risiko der Kundenabwanderung gegeneinander abwägen kann. Damit eine solche
Vorgehensweise erfolgreich ist, muss der Entscheidungsträger ausreichend Kenntnis von
der konkreten Entscheidungssituation besitzen (Bucklin et al. 1998). Weitere Vorausset-
zung für eine solche Entscheidungsunterstützung war eine segmentspezifische Schätzung
der Präferenzen der Konsumenten mit Hilfe der Choice-Based-Conjoint-Analyse. Hier
musste lediglich aufgrund der Tatsache, dass sich die befragten Kunden hinsichtlich ih-
rer Transaktionsmengen unterscheiden und sich daher unterschiedliche Auswahlprobleme
636 S. Albers et al.

stellen, ein individualisiertes Design für das Erheben der Präferenzen der Konsumenten
entwickelt und eingesetzt werden.
Interessant war zu sehen, dass der Entscheidungsträger in der betrachteten Retailbank
nicht die nach dem Deckungsbeitrag beste Lösung gewählt hat. Vielmehr hat er aus den
Alternativen eine Lösung ausgewählt, die ihm bezüglich der potenziellen Kundenabwan-
derungen risikoärmer erschien und zugleich leichter zu kommunizieren war. Dabei sind
Entscheidungsträger häufig schon zufrieden, wenn sie damit nennenswerte Ergebniszu-
wächse erzielen können, auch wenn es noch bessere Lösungen gegeben hätte, die allerdings
auch risikoreicher gewesen wären. So ist festzuhalten, dass bei Einbeziehung des Entschei-
dungsträgers nicht immer die vermeintlich beste Lösung gewählt wird. Anders steht aber
zu vermuten, dass die Lösung aufgrund von Bedenken gar nicht implementiert wird und
somit keine Verbesserung des Ergebnisses erzielt wird.
Auch wenn hier nur exemplarisch die Vorgehensweise für die Tarifgestaltung von Gi-
rokonten dargestellt wurde, so lassen sich die Erkenntnisse auch auf ähnlich gelagerte
Probleme übertragen. In inhaltlicher Hinsicht trifft das auf alle Dienstleistungen zu, die
unterschiedlich häufig und hinsichtlich der Leistungskomponenten unterschiedlich genutzt
werden, was zum Beispiel für Angebote von Energieversorgungs- oder Entsorgungsun-
ternehmen, aber auch von elektronischen Unterhaltungs- und Informationsdiensten gilt.
Sicher verlangt eine Anwendung in einem anderen Bereich Anpassungen bei der konkreten
Vorgehensweise, jedoch bleibt die grundlegende Vorgehensweise gleich. In methodischer
Hinsicht ist deutlich geworden, dass konkrete Entscheidungsunterstützung nicht unbedingt
durch die Entwicklung komplexer Entscheidungsmodelle gefördert wird. Vielmehr gilt es,
dem Entscheidungsträger ein möglichst breites Spektrum unterschiedlicher Lösungen an-
zubieten, aus dem er nach verschiedenen Zielgrößen auswählen kann.

Literatur

Albers S, Brockhoff K (1985) Die Gültigkeit der Ergebnisse eines Testmarktsimulators bei unter-
schiedlichen Daten und Auswertungsmethoden. Z Betriebswirtschaftliche Forsch 37:197–217
Andrews R, Ainslie A, Currim I (2002) An empirical comparison of logit choice models with discrete
versus continuous representations of heterogeneity. J Mark Res 39:479–487
Aust E (1996) Simultane Conjointanalyse, Benefitsegmentierung, Produktlinien- und Preisgestal-
tung. Lang, Frankfurt a.M.
Bauer HH, Herrmann A, Mengen A (1994) Eine Methode zur gewinnmaximalen Produktgestaltung
auf der Basis des Conjoint Measurement. Z Betriebswirtschaft 64:81–94
Blattberg R, Hoch S (1990) Database models and managerial intuition: 50 % model and 50 %
manager. Manage Sci 36:887–899
Bucklin R, Lehmann D, Little J (1998) From decision support to decision automation: a 2020 vision.
Mark Lett 9:235–246
Carson RT, Louviere J, Anderson D, Arabie P, Bunch D, Hensher D, Johnson R, Kuhfeld W, Steinberg
D, Swait J, Timmermans H, Wiley J (1994) Experimental analysis of choice. Mark Lett 5:351–
368
Chen KD, Hausman WH (2000) Technical note: mathematical properties of the optimal product line
selection problem using choice-based conjoint analysis. Manage Sci 46:327–332
DeSarbo WS, Ramaswamy V, Cohen SH (1995) Market segmentation with choice-based conjoint
analysis. Mark Lett 6:137–147
Dobson G, Kalish S (1993) Heuristics for pricing and positioning a product line using conjoint and
cost data. Manage Sci 39:160–175
Entscheidungsunterstützung unter Berücksichtigung der … 637

Eliashberg J, Swami S, Weinberg C, Wierenga B (2009) Evolutionary approach to the development


of decision support systems in the movie industry. Decis Support Syst 47:1–12
Franses PH (2008) Merging models and experts. Int J Forecasting 24:31–33
Gaul W, Aust E, Baier D (1995) Gewinnorientierte Produktliniengestaltung unter Berücksichtigung
des Kundennutzens. Z Betriebswirtschaft 65:835–855
Gensler S (2003) Heterogenität in der Präferenzanalyse. Deutscher Universitäts-Verlag, Wiesbaden
Green PE, Krieger AM (1985) Models and heuristics for product line selection. Marketing Sci 4:1–19
Green PE, Krieger AM (1988) Choice rules and sensitivity analysis in conjoint simulators. J Acad
Mark Sci 16:114–127
Haaijer R, Wedel M (2001) Conjoint choice experiments: general characteristics and alternative
model specifications. In: Gustafsson A, Herrmann A, Huber F (Hrsg) Conjoint measurement –
methods and applications. Springer, Berlin, S 345–386
Haaijer R, Kamakura WA, Wedel M (2001) The ,No-Choice‘ alternative to conjoint choice experi-
ments. Int J Mark Res 43:93–106
Hoch S, Schkade D (1996) A psychological approach to decision support systems. Manage Sci
42:51–64
Huber J, Train K (2001) On the similarity of classical and Bayesian estimates of individual mean
partworths. Mark Lett 12:259–269
Jedidi K, Kohli R (1996) Consideration sets in conjoint analysis. J Marketing Res 33:364–372
Kohli R, Sukumar R (1990) Heuristics for product-line design using conjoint analysis. Manage Sci
36:1464–1478
Kraus UG,Yano CA (2003) Product line selection and pricing under a share-of-surplus choice model.
Eur J Oper Res 150:653–671
Lenk PJ, DeSarbo WS (2000) Bayesian inference for finite mixtures of generalized linear models
with random effects. Psychometrika 61:93–119
Lodish L, Curtis E, Ness M, Simpson K (1988) Sales force sizing and deployment using a decision
calculus model at syntex laboratories. Interfaces 18:5–20
Louviere JJ, Hensher DA, Swait JD (2000) Stated choice methods. Cambridge University Press,
Cambridge
Malhotra N, Birks D (2007) Marketing research – an applied approach, 3. Aufl. FT Prentice Hall,
Essex
McBride R, Zufryden F (1988) An integer programming approach to the optimal product line selec-
tion problem. Marketing Sci 7:126–140
Moore W (2004) A cross-validity comparison of rating-based and choice-based conjoint analysis
models. Int J Res Mark 21:299–312
Nichols ZB, Venkataraman MA, Ernstberger KW (2005) Product line selection and pricing analysis:
impact of genetic relaxations. Math Comput Model 42(2005):1397–1410
Ohler T, Le A, Louviere J, Swait J (2000) Attribute range effects in binary response tasks. Mark Lett
11:249–260
Olderog T, Skiera B (2000) The benefits of bundling strategies. Schmalenbach Bus Rev 1:137–160
Orme B, Heft M (1999) Predicting actual sales with CBC: how capturing heterogeneity impro-
ves results. Sawtooth Software Research Paper Series. www.sawtoothsoftware.com/download/
techpap/predict.pdf. Zugegriffen: 17. März 2008
Otter T, Tüchler R, Frühwirth-Schnatter S (2004) Capturing consumer heterogeneity in metric con-
joint analysis using Bayesian mixture models. Int J Res Mark 21:285–297
Sawtooth Software (2007) customer survey results. http://www.sawtoothsoft-ware.com/education/
ss/ss27.shtml#ss27survey. Zugegriffen: 6. Juli 2009
Shugan SM (2004) Editorial: consulting, research, and consulting research. Marketing Sci 23:173–
179
Skiera B (1999) Mengenbezogene Preisdifferenzierung bei Dienstleistungen. Gabler, Wiesbaden
Skiera B, Gensler S (2002) Berechnung von Nutzenfunktionen und Marktsimulationen mit Hilfe
der Conjoint-Analyse Teil II. Wirtschaftswissenschaftliches Stud 31:258–263
638 S. Albers et al.

Stam A, Joachimsthaler EA, Gardiner LR (1992) Interactive multiple objective decision support for
sales force sizing and deployment. Decis Sci 23:445–466
Steiner W, Hruschka H (2002) Produktliniengestaltung mit Genetischen Algorithmen. Z Betriebs-
wirtschaftliche Forsch 54:575–601
Street DJ, Burgess L, Louviere JJ (2005) Quick and easy choice sets: constructing optimal and nearly
optimal stated choice experiments. Int J Res Mark 22:459–470
Teichert T (2000) Das Latent-Class Verfahren zur Segmentierung von wahlbasierten Conjoint-Daten.
Mark ZFP 22:227–239
Tellis G, Stremersch S (2002) Strategic bundling of products and prices: a new synthesis for marke-
ting. J Mark 66:55–72
Toubia O, Hauser JR, Simester DI (2004) Polyhedral methods for adaptive choicebased conjoint
analysis. J Mark Res 41:116−131
Wierenga B (2008) Handbook of marketing decision models. Springer, New York

Decision support tool taking managers’ implementation conditions


into account—the case of developing optional tariffs for checking accounts

Abstract: Quantitative decision models are used only if managers’ implementation conditions are
met. Decision makers want tools that offer a set of good solutions so that they can evaluate different
solutions according to various objectives without being forced to make their trade-offs explicit in
a functional form. This also allows taking into account strategic aspects that cannot be modeled
otherwise. In such situations, heuristics are needed which derive solutions from the structure and not
so much from the mathematical properties. We present such a decision support tool for the problem
of determining a menu of optional tariffs for checking accounts. The heuristic is based on the idea
that for reasonably separable preferences across segments it is the best to offer for each segment
the most preferred product. We use latent class choice-based conjoint analysis to estimate customer
preferences and develop a customized choice-based conjoint design to take differences in individual
demand into account. The proposed heuristic was used to support an actual decision problem for
which the profit contribution has been increased substantially without having faced a considerable
loss of customers.

Keywords: Decision support · Heuristics · Choice-based conjoint analysis · Pricing