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:
Für die Hotellerie kann eine passend angelegte CBC-Studie zeigen, welche Angebotsmerkmale Kunden gegeneinander abwägen. Im folgenden Lehrbeispiel werden solche Zusammenhänge an fiktiven Daten demonstriert. Wirtschaftliche Investitionsentscheidungen benötigen zusätzlich Informationen über Kosten, Nachfrage und tatsächliches Kaufverhalten.

Das Beispiel zeigt anhand simulierter Wahlentscheidungen, wie Teilnutzenwerte, modellbasierte Zahlungsbereitschaften und Auswahlanteile für hypothetische Hotelangebote berechnet werden. Die Simulation enthält unterschiedliche individuelle Präferenzen; geschätzt wird anschließend ein gemeinsames multinomiales Logitmodell. Dieses vereinfachte Modell bildet die simulierte Heterogenität nicht vollständig ab.

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.

Die hier ausgegebenen Standardfehler und Konfidenzintervalle beruhen auf dem vereinfachten gemeinsamen Logitmodell. Wiederholte Entscheidungen derselben Personen und unbeobachtete Präferenzunterschiede können dessen Annahmen verletzen. Für eine eigene empirische Untersuchung sind beispielsweise nach Personen gruppierte robuste Standardfehler oder ein geeignetes Modell für Präferenzheterogenität zu prüfen.

💼 Praktisch:
Im simulierten Beispiel lässt sich nachvollziehen, wie die Merkmale mit der Wahl eines Angebots zusammenhängen. Bei echten Daten wären dies Anhaltspunkte für die Angebotsgestaltung. Ob sich eine Investition lohnt, lässt sich aus den Nutzenkoeffizienten allein nicht ableiten.

## 
## Call:
## mlogit(formula = choice ~ 0 + location + stars + breakfast + 
##     cancellation + wellness + price_num, data = cbc.mlogit, method = "nr")
## 
## Frequencies of alternatives:choice
##      1      2      3 
## 0.3355 0.3280 0.3365 
## 
## nr method
## 7 iterations, 0h:0m:0s 
## g'(-H)^-1g = 1.8E-05 
## successive function values within tolerance limits 
## 
## Coefficients :
##                        Estimate Std. Error  z-value  Pr(>|z|)    
## locationsuburb       -0.3457528  0.1023575  -3.3779 0.0007304 ***
## locationcountryside  -0.7408907  0.1071215  -6.9164 4.634e-12 ***
## stars4                0.3726481  0.1081834   3.4446 0.0005719 ***
## stars5                0.8704526  0.1090322   7.9834 1.332e-15 ***
## breakfastcontinental  0.3626182  0.1031895   3.5141 0.0004412 ***
## breakfastbuffet       0.7495646  0.1040359   7.2049 5.811e-13 ***
## cancellationflexible  0.7259542  0.0861123   8.4303 < 2.2e-16 ***
## wellnessyes          -0.5146388  0.0858087  -5.9975 2.004e-09 ***
## price_num            -0.0777558  0.0028824 -26.9757 < 2.2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Log-Likelihood: -947.41

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 Koeffizienten liegen auf der Nutzen- beziehungsweise Logit-Skala. Für zwei Alternativen verändert ein Merkmal deren Log-Odds im Modell. Größenvergleiche hängen von Kodierung und Einheit ab: Ein Preisunterschied von einem Euro ist kein vollständiger Wechsel einer kategorialen Merkmalsausprägung.

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 zeigt die im Lehrbeispiel geschätzten Präferenzgewichte und ihre Unsicherheit. Die Abbildung beschreibt die Simulation; sie begründet keine strategischen Prioritäten für reale Hotels.

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:
Im Lehrbeispiel werden modellbasierte Preisäquivalente für Upgrades berechnet. Bei realen Studien hängt ihre Interpretation von einem geeigneten Preisparameter und dem Gültigkeitsbereich des Modells ab. Unsicherheit, hypothetische Befragungssituation und Kosten sind zusätzlich zu berücksichtigen; die Balken zeigen hier Punktschätzungen ohne Konfidenzintervalle.

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 die modellbasierten Auswahlanteile innerhalb des festgelegten Wettbewerbssets verändern, wenn jeweils ein Merkmal angepasst wird. Die Änderungen sind Szenariorechnungen und keine beobachteten Veränderungen am Markt.

2.6 Modellbasierte Auswahlanteile

🧠 Wissenschaftlich:
Aus den geschätzten Nutzenwerten werden Auswahlwahrscheinlichkeiten für sechs hypothetische Hotelangebote berechnet. Sie summieren sich innerhalb dieses Auswahlsets zu eins. Der Code verwendet das gemeinsame Logitmodell und aggregiert keine individuellen Modellschätzungen. Werden Angebote ergänzt oder entfernt, ändern sich auch die Anteile; das multinomiale Logitmodell setzt dabei die Unabhängigkeit irrelevanter Alternativen (IIA) voraus.

💼 Praktisch:
Die Szenariorechnung vergleicht Angebote unter festgelegten Annahmen. Für eine Prognose realer Marktanteile wären unter anderem ein realistisches Wettbewerbsset, die Nichtwahloption und eine Prüfung an tatsächlichen Marktdaten erforderlich.

App zur Simulation von Auswahlanteilen

2.7 Fazit

🧠 Wissenschaftlich:
Die Simulation veranschaulicht die Schritte vom CBC-Datensatz zur Modellschätzung und zu Szenariorechnungen. Sie liefert keinen Nachweis der externen Validität oder Generalisierbarkeit auf reale Hotelgäste.

💼 Praktisch:
Bei einer eigenen Studie müssen Stichprobe, Auswahlaufgaben und Modell zum Entscheidungsproblem passen. Die Übertragung auf Preis- und Angebotsentscheidungen setzt eine Bewertung der Unsicherheit sowie zusätzliche Markt- und Kostendaten voraus.

Die Ergebnisse zeigen, wie die festgelegten Simulationsannahmen in geschätzte Teilnutzenwerte und Auswahlanteile übersetzt werden. Die berechneten Zahlungsbereitschaften beziehen sich auf dieses Modell. Aus ihnen lässt sich nicht schließen, welche Merkmale reale Hotelgäste bevorzugen oder welche Marktanteile tatsächlich erreicht würden.