Refine
Document Type
- Report (3)
- Doctoral thesis (1)
Has Fulltext
- yes (4)
Is part of the Bibliography
- no (4)
Language
- German (4)
Keywords
- Conjoint Measurement (4) (remove)
Institute
Machine-Learning-Verfahren in der Produktlinienoptimierung - Simulationsrechnungen und Robustheit
(2021)
Die Produktlinienoptimierung auf Basis der Conjointanalyse ist eines der wichtigsten Probleme der Marketingforschung. Das Ziel der Produktlinienoptimierung ist das Identifizieren einer optimalen Produktlinie bzgl. des Gewinns und Marktanteils. Für die Modellierung der Auswahlwahrscheinlichkeiten der Produkte unter Berücksichtigung der Konsumentenpräferenzen werden deterministische und probabilistische Entscheidungsregeln verwendet. Darauf aufbauend werden für jede Entscheidungsregel jeweils eine Gewinn- und eine Marktanteilsmaximierungszielfunktion aus der Literatur ausgewählt. Als Kombinatorisches Optimierungsproblem ist die Produktlinienoptimierung NP-hard, wodurch die Berechnung der Optima schon bei mittelgroßen Problemgrößen nicht mehr möglich ist. Aus diesem Grund sind Verfahren aus dem Machine-Learning nötig, um die Optima in angemessener Rechenzeit zu approximieren. Die verwendeten Machine-Learning-Verfahren sind Genetische Algorithmen, das Min-Max Ant-System, Particle-Swarm-Optimization und Simulated Annealing, deren Parameter in Abhängigkeit der Problemgröße adaptiv definiert werden. Durch einen neuartigen Clusteransatz können Genetische Algorithmen das deterministische Produktlinienoptimierungsproblem im Sinn der Zielfunktionswertqualität am besten lösen. Das Min-Max Ant-System mit lokaler Suche ist am besten für die deterministische Gewinnmaximierung geeignet. Für die Zielfunktionen mit probabilistischer Entscheidungsregel zeigt sich das Min-Max-System ohne lokale Suche als überlegen. Für die Untersuchung der Robustheit der hierarchischen Bayes-Schätzung wird ein realer Datensatz verwendet. Die Robustheit wird maßgeblich durch die Wahl der Entscheidungsregel beeinflusst. Die Zielfunktionen mit probabilistischer Entscheidungsregel reagieren robust auf die hierarchische Bayes-Schätzung, wohingegen die Zielfunktionen mit deterministischer Entscheidungsregel sehr sensitiv auf sich verändernde Konsumentenpräferenzen reagieren.
Die nachfolgenden Auswertungen sind Teil des DFG-geförderten Projekts ProSeBiCA an der Universität Bielefeld, das in Kooperation mit der BTU Cottbus erfolgt. Im Rahmen dieses Projekts wird ein umfassender Analyse- und Simulationsrahmen für wissenschaftliche Bibliotheken entwickelt, der auf Basis von Präferenzmessungen (mittels Conjoint-Analyse) eine fundierte Strategieplanung für die gezielte Weiterentwicklung des Dienstleistungsspektrums ermöglicht. Die hier vorgestellte dritte Untersuchung innerhalb des Projekts erfolgte mittels einer Adaptiven Conjoint Analyse (ACA) und einer Choice-Based Conjoint Analyse (CBC) an der BTU Cottbus im Zeitraum vom 03.11.2005 bis 04.01.2006. Dabei handelt es sich um eine Online- Befragung, die vor allem auf der Homepage der IKMZ Cottbus verlinkt war. Insgesamt 1127 Personen haben die Befragung komplett absolviert, 350 davon haben die CBC-Befragung ausgefüllt. Letztgenannte werden hier nicht weiter betrachtet, sondern in einem separaten Arbeitsbericht eingehend analysiert.
Primäres Ziel des DFG-geförderten ProSeBiCA-Projektes war die Entwicklung und datengestützte Überprüfung eines Analyse- und Simulationsrahmens für die systematische Entwicklung und Ausrichtung neuer Serviceangebote von wissenschaftlichen Bibliotheken auf Basis von Nutzerpräferenzmessungen mittels Conjoint-Analyse. Die Ermittlung und Überprüfung innovativer Serviceangebote auf operativer und allgemeiner Entwicklungsrichtungen auf strategischer Ebene stand dabei im Mittelpunkt der Projektarbeiten. Um die empirische Überprüfung der Nutzerpräferenzen zu ermöglichen, wurden insgesamt drei Online-Befragungen an den Universitäten Bielefeld und Cottbus durchgeführt. Dieser Arbeitsbericht präsentiert in konkreter Form die Auswertungen der demografischen Daten der drei Befragungen sowie die Analysen und Ergebnisse der Marktsimulationen und der CBC-Befragungen.
Die nachfolgenden Auswertungen sind Teil des DFG-geförderten Projekts ProSeBiCA an der Universität Bielefeld. Im Rahmen dieses Projekts wird ein umfassender Analyse- und Simulationsrahmen für wissenschaftliche Bibliotheken entwickelt, der auf Basis von Präferenzmessungen (mittels Conjoint-Analyse) eine fundierte Strategieplanung für die gezielte Weiterentwicklung des Dienstleistungsspektrums ermöglicht. Die erste Untersuchung innerhalb des Projekts erfolgt mittels einer Adaptiven Conjoint Analyse (ACA) an der Universität Bielefeld im Zeitraum vom 13.10.2004 bis 09.12.2004. Dabei handelt es sich um eine Online-Befragung, die auf der Homepage der Universitätsbibliothek Bielefeld verlinkt war. Es wurden sowohl existierende als auch neue Services aus den Bereichen „Medienbereitstellung“, „Lern- und Arbeitsraum“, „Kommunikation“ und „Zusatzangebote und Rahmenbedingungen“ von den Probanden anhand ihrer Nützlichkeit bewertet. Basis für die Erstellung des Fragebogens war eine Ideengenerierungsphase, die im Frühjahr 2004 stattfand. Als Ergebnis haben insgesamt 2120 Personen die Befragung komplett absolviert.