2.1 Einleitung

🧠 Wissenschaftlich:
Die Einleitung beschreibt den konzeptionellen Rahmen der Choice-Based Conjoint-Analyse (CBC), eine Methode zur Messung individueller Präferenzen auf Basis hypothetischer Wahlentscheidungen. CBC basiert auf der Annahme des Random Utility Models (RUM), wonach Personen diejenige Option aus einem Set wählen, die ihnen den höchsten Gesamtnutzen stiftet.

💼 Praktisch:
In der Einleitung wird dem Leser verdeutlicht, warum eine Conjointanalyse für die Hotellerie sinnvoll ist: Unternehmen erkennen, welche Angebotsmerkmale (z. B. Frühstück oder Stornierungsoption) kaufentscheidend sind und wo sich Investitionen in Ausstattung oder Service besonders lohnen.

Im Rahmen eines Marktforschungsprojekts wurde das Entscheidungsverhalten potenzieller Hotelgäste untersucht. Ziel war es, die Zahlungsbereitschaft für verschiedene Leistungsmerkmale zu analysieren und die Wirkung dieser Merkmale auf die Marktanteile vorherzusagen.

2.2 Modellschätzung

🧠 Wissenschaftlich:
Hier wird mittels einer Multinomialen Logit-Regression geschätzt, wie stark jedes einzelne Attribut (z. B. „Buffetfrühstück“) den Nutzen beeinflusst. Die Regressionskoeffizienten geben die relativen Präferenzgewichte an. Die Schätzung basiert auf der Maximum-Likelihood-Methode.

💼 Praktisch:
Der Abschnitt liefert die rechnerische Grundlage dafür, welche Merkmale besonders beliebt sind. Das Management sieht so, ob sich z. B. Investitionen in Wellnessbereiche oder flexible Stornierungen aus Kundensicht lohnen.

## 
## Call:
## mlogit(formula = choice ~ 0 + location + stars + breakfast + 
##     cancellation + wellness + price_num, data = cbc.mlogit, method = "nr")
## 
## Frequencies of alternatives:choice
##     1     2     3 
## 0.319 0.341 0.340 
## 
## nr method
## 4 iterations, 0h:0m:0s 
## g'(-H)^-1g = 2.97E-05 
## successive function values within tolerance limits 
## 
## Coefficients :
##                         Estimate  Std. Error z-value  Pr(>|z|)    
## locationsuburb       -0.19108677  0.06732601 -2.8382  0.004536 ** 
## locationcountryside  -0.49398846  0.06987124 -7.0700 1.549e-12 ***
## stars4                0.18467822  0.07048383  2.6202  0.008789 ** 
## stars5                0.34330153  0.06942116  4.9452 7.607e-07 ***
## breakfastcontinental  0.28655972  0.06952905  4.1214 3.765e-05 ***
## breakfastbuffet       0.41304904  0.06884418  5.9998 1.976e-09 ***
## cancellationflexible  0.45449342  0.05613686  8.0962 6.661e-16 ***
## wellnessyes           0.03905585  0.05588219  0.6989  0.484617    
## price_num             0.00426160  0.00086385  4.9333 8.086e-07 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Log-Likelihood: -2094.7

Die geschätzten Koeffizienten geben an, wie stark sich der Nutzen verändert, wenn die entsprechende Merkmalsausprägung gegenüber der Referenzkategorie gewählt wird.

Ein positiver Wert bedeutet: diese Ausprägung erhöht den Nutzen (und damit die Wahlwahrscheinlichkeit), ein negativer Wert: sie verringert den Nutzen.

Die Einheiten sind in Logit-Skala (logarithmierter Odds-Ratio), daher ist die direkte Interpretation nicht intuitiv – aber Vergleichbarkeit zwischen Attributen ist gegeben.

2.3 Koeffizientenplot

🧠 Wissenschaftlich:
Die grafische Darstellung der Regressionskoeffizienten zeigt die geschätzten Nutzenwerte mit Konfidenzintervallen. So lässt sich visuell bewerten, welche Merkmale signifikant sind und wie stark sie den Entscheidungsnutzen beeinflussen.

💼 Praktisch:
Der Plot macht auf einen Blick sichtbar, welche Merkmale von Gästen bevorzugt werden. Das Hotelmanagement kann daraus direkt strategische Prioritäten ableiten, z. B. ob 5 Sterne oder ein Buffet entscheidender sind.

2.4 Zahlungsbereitschaft (WTP)

🧠 Wissenschaftlich:
Die Zahlungsbereitschaft (Willingness to Pay) wird durch die Ratio aus Attribut-Koeffizient und dem negativen Preis-Koeffizienten berechnet. So lassen sich implizite monetäre Bewertungen für qualitative Merkmale bestimmen.

💼 Praktisch:
Für die Praxis besonders wertvoll: Der Hotelanbieter erfährt, wie viel Kunden bereit sind, für bestimmte Upgrades (z. B. Frühstücksoptionen oder Wellnessangebote) mehr zu zahlen. Das erleichtert Preisstrategie und Angebotsbündelung.

2.5 Sensitivitätsanalyse

🧠 Wissenschaftlich:
Durch systematische Variation einzelner Attributsausprägungen im Vergleich zu Wettbewerbsprofilen lässt sich abschätzen, wie sich die Wahlwahrscheinlichkeit verändert – eine Methode zur isolierten Effekterkennung im Marktumfeld.

💼 Praktisch:
Diese Analyse zeigt, wie sich Marktanteile verschieben, wenn einzelne Angebotsmerkmale geändert werden. Für Produktmanager ist dies ein Tool zur Simulation von Wettbewerbsvorteilen oder Angebotsanpassungen.

2.6 Marktanteilsprognose

🧠 Wissenschaftlich:
Basierend auf den geschätzten Nutzenwerten werden die Wahrscheinlichkeiten berechnet, mit der eine bestimmte Angebotskombination gewählt wird. Die Prognose aggregiert diese Wahrscheinlichkeiten über ein hypothetisches Marktset.

💼 Praktisch:
Hoteliers erhalten hier eine Vorschau darauf, welches Angebot am Markt voraussichtlich den größten Erfolg haben wird – eine wichtige Entscheidungsgrundlage für Sortimentsplanung oder Positionierung.

App zur Simulation von marktanteilen

2.7 Fazit

🧠 Wissenschaftlich:
Das Fazit zieht die methodische und empirische Bilanz der Conjointanalyse und verweist auf die Validität, Generalisierbarkeit und Anwendungsgrenzen der Methode.

💼 Praktisch:
Für Praktiker werden hier die wichtigsten Erkenntnisse zusammengefasst. Es wird deutlich, welche Angebotsmerkmale besonders wertvoll sind – und wie diese strategisch genutzt werden können.

Die Ergebnisse zeigen deutlich, welche Leistungsmerkmale für Hotelgäste besonders wichtig sind…