Tarifwahlverhalten im Business-to-Business-Bereich. Empirisch gestützte Analyse am Beispiel Mobilfunktarife

Susanne Stingel Tarifwahlverhalten im Business-to-Business-Bereich

Susanne Stingel

Tarifwahlverhalten im Business-to-BusinessBereich Empirisch gestützte Analyse am Beispiel Mobilfunktarife

Mit einem Geleitwort von Prof. Dr. Dr. h.c. Klaus Backhaus

GABLER EDITION WISSENSCHAFT

Bibliografische Information Der Deutschen Nationalbibliothek Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie; detaillierte bibliografische Daten sind im Internet über abrufbar.

Dissertation Universität Münster, 2007 D6(2008)

1. Auflage 2008 Alle Rechte vorbehalten © Betriebswirtschaftlicher Verlag Dr. Th. Gabler | GWV Fachverlage GmbH, Wiesbaden 2008 Lektorat: Frauke Schindler / Sabine Schöller Der Gabler Verlag ist ein Unternehmen von Springer Science+Business Media. www.gabler.de www.b-to-b-group.de Das Werk einschließlich aller seiner Teile ist urheberrechtlich geschützt. Jede Verwertung außerhalb der engen Grenzen des Urheberrechtsgesetzes ist ohne Zustimmung des Verlags unzulässig und strafbar. Das gilt insbesondere für Vervielfältigungen, Übersetzungen, Mikroverfilmungen und die Einspeicherung und Verarbeitung in elektronischen Systemen. Die Wiedergabe von Gebrauchsnamen, Handelsnamen, Warenbezeichnungen usw. in diesem Werk berechtigt auch ohne besondere Kennzeichnung nicht zu der Annahme, dass solche Namen im Sinne der Warenzeichen- und Markenschutz-Gesetzgebung als frei zu betrachten wären und daher von jedermann benutzt werden dürften. Umschlaggestaltung: Regine Zimmer, Dipl.-Designerin, Frankfurt/Main Gedruckt auf säurefreiem und chlorfrei gebleichtem Papier Printed in Germany ISBN 978-3-8349-1040-0

V Geleitwort Commodity-Leistungen, wie sie z. B. Telefonvermittlungsleistungen darstellen, stellen bei linearen Preisen Substitutionsgüter dar, bei denen lediglich der Anbieter mit den günstigsten Grenzkosten überleben kann. Soweit das Ergebnis der mikroökonomischen Theorie. Vor dem Hintergrund leistungsbezogener Commodities hat sich aber in der Realität eine Differenzierung im Preisbereich durchgesetzt. Bei transparenten Leistungen wird das Preisangebot intransparent gemacht. Diese Intransparenz ergibt sich dadurch, dass Käufer zwischen verschiedenen Tarifen und Tarifsystemen wählen können. Diese Wahlentscheidung ist jedoch unter Unsicherheit zu treffen, da Tarifentscheidungen immer auf zukünftiges Nutzungsverhalten, das naturgemäß unsicher ist, rekurieren. Tatsächlich lassen sich in der Realität auch sog. Tarifwahl-Biases nachweisen, die Ausdruck dafür sind, dass der Käufer nicht das seinem Nutzungsverhalten optimale Tarifangebot gewählt hat. Die Frage von TarifwahlBiases ist dabei nahezu ausschließlich für den Business-to-Consumer-Bereich untersucht worden. Tarifwahlverhaltensaussagen und Tarifwahl-Bias-Analysen liegen für den Business-to-Business-Bereich noch nicht vor. Genau auf dieses Gebiet konzentriert sich die vorliegende Dissertation mit Anwendungsbezug auf den Mobilfunk. Insgesamt lässt sich feststellen, dass die Verfasserin auf Basis eines in sich geschlossenen ökonomischen Theoriekonzeptes herausarbeitet, dass im Vergleich zum Konsumentenbereich bei organisationalen Nachfragern die Tarifentscheidung komplexer ist. Der Entscheidungsträger ist im Gegensatz zum Großteil der Fälle im Konsumgüterbereich nicht selbst der Nutzer. Vielmehr entscheidet er auf Basis der Annahme des Nutzungsverhaltens anderer. Die Verfasserin erklärt die Besonderheiten des Tarifwahlverhaltens im Business-toBusiness-Bereich aus dem Netto-Nutzen-Konzept heraus und entwickelt auf dieser Basis ihre Hypothesen, die sie dann empirisch testet. Sie zeigt in einer Literaturanalyse, dass zwar schon eine Reihe von Arbeiten zum Tarifwahlverhalten vorliegt, die sich aber fast ausnahmslos auf den Konsumgüterbereich beschränken. Basierend auf einer Befragung organisationaler Beschaffungsträger und dem tatsächlichen Nutzungsverhalten, das in Zusammenarbeit mit einem Telekommunikationsanbieter aufgrund realer Nutzungsdaten gewonnen wurde, zeigt die Verfasserin, dass sich auch im Geschäftskundenbereich Tarifwahl-Biases nachweisen lassen. Sie bleibt aber nicht bei diesem Tatbestand stehen, sondern untersucht darüber hinaus die Ursachen für diese Tarifwahlfehlentscheidungen. Obwohl durchaus Gemeinsamkeiten mit dem B-to-C-Bereich feststellbar sind, zeigt sich in wissenschaftlicher Hinsicht die Erkenntnis, dass der wesentliche Einfluss von der Beurteilung der erwarteten Kosten auf Basis der Einschätzung der erwarteten

VI Nutzung ausgeht. Es ist offenbar das durch das für den Geschäftskundenbereich typische Auseinanderfallen zwischen Nutzern und Entscheidungsträger gegebene Unsicherheitspotential, das das Tarifwahlverhalten mit Abstand am stärksten beeinflusst. Dagegen spielt der Taxametereffekt überhaupt keine Rolle. Erwartungsgemäß ist der Versicherungseffekt relevant - überraschenderweise in bestimmten Situationen auch der Bequemlichkeitseffekt -, was darauf hindeutet, dass offenbar die Einsparungspotenziale durch die richtige Tarifwahl möglicherweise von den Suchkosten für den optimalen Tarif „aufgefressen“ werden. Die Verfasserin bringt insofern einen weiteren Baustein bezüglich des Business-to-Business-Bereiches in die Diskussion um das Tarifwahlverhalten ein. Die Arbeit hebt sich wohltuend von manchen anderen Dissertationen dadurch ab, dass sich die Verfasserin für eine Dissertation relativ intensiv Gedanken über die praktischen Auswirkungen ihrer wissenschaftlichen Ergebnisse macht. Als erstes gilt es festzuhalten, dass die absoluten, relativ unbedeutenden Tarifabweichungen bei den einzelnen Kunden einen substantiellen Umsatzanteil (nahe 50 %) des betrachteten Mobilfunkanbieters ausmachen. Vor diesem Hintergrund diskutiert die Verfasserin verschiedene Strategien, die ein Mobilfunkanbieter tarifbezogen einschlagen kann. Damit hat die Arbeit nicht nur wissenschaftliche Bedeutung, sondern ist auch hochpraxisrelevant. Ich wünsche dieser Arbeit die ihr zustehende weite Verbreitung in Wissenschaft und Praxis.

Prof. Dr. Dr. h.c. Klaus Backhaus

VII Vorwort Nicht, was wir gelebt haben, ist das Leben, sondern das, was wir erinnern und wie wir es erinnern, um davon zu erzählen. Gabriel García Márquez Diese Arbeit entstand während meiner Tätigkeit als wissenschaftliche Mitarbeiterin am Betriebswirtschaftlichen Institut für Anlagen und Systemtechnologien und wurde im Januar 2008 von der Wirtschaftswissenschaftlichen Fakultät der Westfälischen Wilhelms-Universität Münster als Dissertation angenommen. Soweit das, was ich gelebt habe. An was werde ich mich erinnern? Daran, dass mich während meiner Promotionszeit etliche Personen auf unterschiedliche Weise begleitet, geprägt und unterstützt haben. Denn dies hat wesentlich zum Gelingen meiner Dissertation beigetragen. Wie werde ich mich erinnern? Glücklich und dankbar. Denn das bedeutet mir sehr viel.

Die Personen, auf die ich mich beziehe, wissen, dass ich an sie denke. Um niemanden zu vergessen, verzichte ich weitgehend auf eine namentliche Auflistung. Ich danke an dieser Stelle x meinem Doktorvater Prof. Dr. Dr. h.c. Klaus Backhaus, x meinem Zweitgutachter Prof. Dr. Manfred Krafft, x einigen Mitarbeitern meines Praxispartners, x meinen aktuellen und ehemaligen IAS-Kollegen, x meinen Freundinnen und Freunden, x meinen Eltern und meiner Schwester.

Ohne meine Familie wäre ich nicht an dem Punkt angelangt, an dem ich heute stehe. Ihnen ist daher diese Arbeit gewidmet.

Susanne Stingel

IX Inhaltsverzeichnis

Abbildungsverzeichnis………………………………………………………………….XIII Tabellenverzeichnis……………………………………………………………………...XV Abkürzungsverzeichnis………………………………………………………………...XIX 1

Mobilfunktarife als Analyseumfeld des Tarifwahlverhaltens im Business-to-Business-Bereich ....................................................................... 1 1.1 Tarifwahlverhalten von Unternehmen: Ein vernachlässigter Forschungsbereich .................................................................................... 1 1.2 Der Mobilfunkmarkt für Geschäftskunden in Deutschland ......................... 3 1.3 Zielsetzung und Gang der Arbeit ............................................................. 10

2

Die Ausgangssituation: Tarifangebot, Tarifwahl und TarifwahlBiases bei Mobilfunktarifen........................................................................... 14 2.1 Ausgestaltung des Mobilfunktarifangebots eines Anbieters..................... 14 2.1.1 Eigenschaften von Mobilfunktarifen .............................................. 14 2.1.2 Zusammensetzung von Mobilfunktarifsystemen ........................... 18 2.2 Tarifwahl und Tarifwahl-Biases eines Nachfragers.................................. 20

3

Theoretisch-konzeptionelle Analyse des Tarifwahlverhaltens bei Mobilfunktarifen im B-to-B-Bereich.............................................................. 27 3.1 Tarifwahl als Unternehmensentscheidung............................................... 27 3.1.1 Verstärkte Unsicherheit bei Tarifwahlentscheidungen von Unternehmen ................................................................................ 27 3.1.2 Bestimmung der Analyseeinheit für Tarifwahlentscheidungen von Unternehmen ................................. 28 3.2 Tarifwahl und Tarifwahl-Biases eines Entscheiders................................. 31 3.2.1 Theoretisch-konzeptionelles Modell der Mobilfunktarifwahl im B-to-B-Bereich.......................................................................... 31 3.2.1.1 Identifikation eines nutzentheoretischen Konzepts als Beurteilungsdimension der Tarife ..................................... 31 3.2.1.2 Nutzenbewertung als Grundlage der Entscheidung für einen Tarif ........................................................................ 34 3.2.2 Ursachen von Tarifwahlentscheidungen: Eine Literaturanalyse............................................................................. 41 3.2.2.1 Zusatznutzenelemente von Volumentarifen ..................... 41 3.2.2.1.1 Zusatznutzenelemente der Tarifform Flatrate .... 41 3.2.2.1.1.1 Versicherungseffekt........................41

X 3.2.2.1.1.2 Bequemlichkeitseffekt ....................43 3.2.2.1.1.3 Taxametereffekt .............................44 3.2.2.1.2 Zusatznutzenelemente der Tarifform Payper-Use.............................................................. 46 3.2.2.2 Beurteilung der Kosten und Konsequenzen für die Tarifwahl........................................................................... 47 3.2.3 Hypothesen zu den Ursachen von Tarifwahl und TarifwahlBiases im B-to-B-Bereich .............................................................. 51 4

Stand der empirischen Forschung zu Tarifwahl, TarifwahlBiases und deren Ursachen .......................................................................... 56 4.1 Empirische Erkenntnisse zur Mobilfunktarifwahl aus optionalen Volumentarifen......................................................................................... 56 4.2 Empirische Erkenntnisse zu Tarifwahl-Biases ......................................... 57 4.2.1 Methoden zur Ermittlung von Tarifwahl-Biases ............................. 57 4.2.2 Ergebnisse zu Tarifwahl-Biases .................................................... 63 4.3 Empirische Erkenntnisse zu Ursachen von Tarifwahl und Tarifwahl-Biases ...................................................................................... 69 4.3.1 Empirische Erkenntnisse zu Zusatznutzenelementen als Ursachen von Tarifwahl und Tarifwahl-Biases .............................. 69 4.3.2 Empirische Erkenntnisse zur Beurteilung der Kosten als Ursache von Tarifwahl und Tarifwahl-Biases ................................ 74 4.4 Implikationen des Forschungsstands für die empirische Analyse............ 77

5

Empirische Analyse von Tarifwahl, Tarifwahl-Biases und deren Ursachen bei der Mobilfunktarifwahl im B-to-B-Bereich ............................ 78 5.1 Zielsetzung und Konzeption der empirischen Analyse ............................ 78 5.2 Datengewinnung...................................................................................... 80 5.2.1 Erhebungsdesign .......................................................................... 80 5.2.1.1 Quasi-experimentelle Befragung ...................................... 80 5.2.1.2 Beobachtung des Nutzungsverhaltens ............................. 85 5.2.2 Erhebung und Datenbasis............................................................. 86 5.2.2.1 Durchführung und Stichprobe der quasiexperimentellen Befragung............................................... 86 5.2.2.2 Durchführung und Stichprobe der Beobachtung des Nutzungsverhaltens.......................................................... 90 5.2.2.3 Zusammenführung der Stichproben aus Befragung und Beobachtung ............................................................. 92 5.3 Tarifwahl und Tarifwahl-Biases bei der Mobilfunktarifwahl im B-to-B-Bereich ......................................................................................... 93 5.3.1 Tarifwahl aus optionalen Volumentarifen ...................................... 93

XI 5.3.2 Existenz, Bedeutung, Ausmaß und Wert von TarifwahlBiases ........................................................................................... 95 5.3.2.1 Methodik........................................................................... 95 5.3.2.2 Ergebnisse ....................................................................... 98 5.4 Ursachen von Tarifwahl und Tarifwahl-Biases bei der Mobilfunktarifwahl im B-to-B-Bereich......................................................104 5.4.1 Auswertungsmethoden ................................................................104 5.4.1.1 Auswahl geeigneter Methoden ........................................104 5.4.1.1.1 Verfahrenswahl zum Hypothesentest ...............104 5.4.1.1.2 Ausgewählte Methoden zur Validierung der Ergebnisse des Hypothesentests .....................107 5.4.1.2 Regressionsanalyse ........................................................112 5.4.1.2.1 Lineare Regression...........................................112 5.4.1.2.2 Ordinale Probit-Regression ..............................114 5.4.1.3 Kausalanalyse .................................................................121 5.4.2 Operationalisierung und Validierung der Modellvariablen ............132 5.4.2.1 Tarifwahl und Tarifwahl-Biases als abhängige Variablen .........................................................................132 5.4.2.2 Eindimensionale unabhängige Variablen ........................133 5.4.2.2.1 Einschätzungseffekt..........................................133 5.4.2.2.2 Fehleinschätzungseffekt ...................................134 5.4.2.3 Mehrdimensionale hypothetische Konstrukte als unabhängige Variablen....................................................137 5.4.2.3.1 Operationalisierung von Versicherungs-, Bequemlichkeits- und Taxametereffekt.............137 5.4.2.3.2 Konstruktvalidierung .........................................139 5.4.3 Hypothesenprüfung......................................................................142 5.4.3.1 Modell A: Ursachen der Tarifwahl bei der Mobilfunktarifwahl im B-to-B-Bereich...............................142 5.4.3.1.1 Regressionsmodell A: Ursachen der Tarifwahl ...........................................................142 5.4.3.1.2 Validierungsmodelle A: Ursachen der Tarifwahl ...........................................................145 5.4.3.1.2.1 Kreuzvalidität A ............................145 5.4.3.1.2.2 Innere Validität: Kausalmodell A ..147 5.4.3.1.3 Validitätsbeurteilung Modell A ..........................149 5.4.3.2 Modell B: Ursachen von Tarifwahl-Biases bei der Mobilfunktarifwahl im B-to-B-Bereich...............................151

XII 5.4.3.2.1 Regressionsmodell B: Ursachen von Tarifwahl-Biases ...............................................151 5.4.3.2.1.1 Gesamtmodell ..............................151 5.4.3.2.1.2 Submodelle Pay-per-Use- und Flatrate-Bias .................................152 5.4.3.2.2 Validierungsmodelle B: Ursachen von Tarifwahl-Biases ...............................................154 5.4.3.2.2.1 Kreuzvalidität B ............................154 5.4.3.2.2.2 Innere Validität: Kausalmodell B ..157 5.4.3.2.3 Validitätsbeurteilung Modell B ..........................161 5.5 Zusammenfassende kritische Würdigung der Ergebnisse......................163 6

Fazit und Ausblick ........................................................................................167 6.1 Interpretation der Untersuchungsergebnisse aus wissenschaftlicher Perspektive ...............................................................167 6.2 Implikationen für die Praxis.....................................................................172 6.3 Grenzen der Untersuchung und Ansatzpunkte für weiterführende Forschung...............................................................................................185

Anhangverzeichnis……………………………………………………………………...189 Literaturverzeichnis……………………………………………………………………..209

XIII Abbildungsverzeichnis Abb. 1-1:

Teilnehmerentwicklung und Penetration in Mobilfunknetzen ........... 4

Abb. 1-2:

Bedeutung verschiedener Faktoren bei der Entscheidung für einen Mobilfunktarif durch Geschäftskunden (Mittelwerte) .............. 8

Abb. 1-3:

Aufbau der Arbeit........................................................................... 12

Abb. 2-1:

Rechnungsbetrag, Durchschnittspreis und marginaler Preis in drei Tariftypen................................................................................ 18

Abb. 2-2:

Auszug einer beispielhaften Tarifstruktur eines Mobilfunkanbieters ........................................................................................ 19

Abb. 2-3:

Tarifwahlverhalten eines Nachfragers in einer beispielhaften Tarifstruktur.................................................................................... 22

Abb. 3-1:

Sequenzielle Tarifwahlentscheidungen im Unternehmen .............. 27

Abb. 3-2:

Erwarteter Nutzen, Netto-Nutzen und Netto-Nutzen-Differenz in zwei Tarifen ................................................................................... 38

Abb. 3-3:

Tarifwahl-Biases im Kontext des nutzentheoretischen Konzepts... 40

Abb. 3-4:

Einfluss der erwarteten Nutzungsmenge auf die Tarifwahl ............ 48

Abb. 3-5:

Erwartete Nutzung und tatsächliche Nutzung ................................ 49

Abb. 3-6:

Zusammenhang von eingeschätzter Nutzung, tatsächlicher Nutzung, Tarifwahl und Tarifwahl-Biases....................................... 50

Abb. 5-1:

Analyseebenen und Datenquellen ................................................. 78

Abb. 5-2:

Aufbau und Ablauf der empirischen Analyse ................................. 80

Abb. 5-3:

Auszug aus der Befragung: Tarifübersicht für die hypothetische Tarifwahl ........................................................................................ 83

Abb. 5-4:

Stichprobe Befragung: Unternehmensebene und –bereich der befragten Entscheider.................................................................... 87

Abb. 5-5:

Stichprobe Befragung: Kompetenz des Entscheiders bei der Entscheidung ...................................................................................... 88

Abb. 5-6:

Stichprobe Befragung: Häufigkeit der Mitarbeiterzahl der Unternehmen.......................................................................................... 89

XIV Abb. 5-7:

Stichprobe Beobachtung: Minuten monatliche Gesprächszeit (Durchschnitt) ................................................................................ 91

Abb. 5-8:

Zusammensetzung der verfügbaren Stichproben .......................... 92

Abb. 5-9:

Rangordnung der optionalen Volumentarife .................................. 93

Abb. 5-10:

Tarifwahlhäufigkeiten absolut ........................................................ 94

Abb. 5-11:

Bedeutung von Tarifwahl-Biases ..................................................100

Abb. 5-12:

Auswertungsschritte bei der Hypothesenprüfung und Validierung..........................................................................................110

Abb. 5-13:

Schritte des Vorgehensmodells zur Handhabung von Stichprobeneinflüssen bei Kausalanalysen ..........................................123

Abb. 5-14:

Kausalmodell A: Strukturkoeffizienten ..........................................148

Abb. 5-15:

Kausalmodell B: Strukturkoeffizienten ..........................................158

Abb. 5-16:

Validierungssubmodell B (Flatrate-Bias): Strukturkoeffizienten ....160

XV Tabellenverzeichnis Tab. 1-1:

Marktanteile der Mobilfunk-Netzbetreiber und Service-Provider (Stand: 1. Quartal 2007) .................................................................. 4

Tab. 1-2:

KMU-Definition des IfM .................................................................... 6

Tab. 2-1:

Systematisierung und Beispiele von Mobilfunktariftypen ............... 15

Tab. 2-2:

Tarifparameter verschiedener Mobilfunktariftypen......................... 17

Tab. 2-3:

Definitionen Tarifwahl-Bias, Flatrate-Bias und Pay-per-Use-Bias.. 23

Tab. 4-1:

Empirische Erkenntnisse zur Mobilfunktarifwahl aus optionalen Volumentarifen............................................................................... 57

Tab. 4-2:

Methoden zur Ermittlung von Tarifwahl-Biases und Anwendungsbeispiele......................................................................................... 62

Tab. 4-3:

Empirische Erkenntnisse zur Existenz und Bedeutung von Tarifwahl-Biases ............................................................................ 65

Tab. 4-4:

Empirische Erkenntnisse zum Ausmaß und Wert von TarifwahlBiases ............................................................................................ 68

Tab. 4-5:

Empirische Erkenntnisse zu Zusatznutzenelementen von Tarifen. 72

Tab. 4-6:

Empirische Erkenntnisse zum Einschätzungs- und Fehleinschätzungseffekt............................................................................ 75

Tab. 5-1:

Versionen des Fragebogens zur Einschätzung des Mobilfunknutzungsverhaltens und zur Erhebung der hypothetischen Tarifwahl ............................................................................................... 84

Tab. 5-2:

Anzahl der Probanden je Version des Fragebogens und daraus resultierende Datenbasis ............................................................... 90

Tab. 5-3:

Formeln zur Bestimmung der Rechnungsbeträge in den optionalen Tarifen.................................................................................. 96

Tab. 5-4:

Deskriptive Statistik: Durchschnittliche monatliche Mobilfunknutzung .......................................................................................... 99

Tab. 5-5:

Rechnungsbeträge in den gewählten und günstigsten Tarifen .....100

Tab. 5-6:

Deskriptive Statistik: Ausmaß von Tarifwahl-Biases .....................101

XVI Tab. 5-7:

Wert von Tarifwahl-Biases ............................................................102

Tab. 5-8:

Kritische Werte des einseitigen und zweiseitigen t-Tests .............107

Tab. 5-9:

Prüfschritte im linearen Regressionsmodell..................................114

Tab. 5-10:

Prüfschritte im ordinalen Probit-Regressionsmodell .....................121

Tab. 5-11:

Prüfschritte zur Beurteilung von Kausalmodellen .........................131

Tab. 5-12:

Deskriptive Statistik: Einschätzungseffekt.....................................134

Tab. 5-13:

Deskriptive Statistik: Fehleinschätzungseffekt ..............................135

Tab. 5-14:

Übersetzte Indikatoren der latenten Konstrukte............................139

Tab. 5-15:

Gemeinsame Faktorenanalyse: Lokale und globale Gütemaße aller Konstrukte.............................................................................140

Tab. 5-16:

Gemeinsame Faktorenanalyse: Diskriminanzvalidität ..................141

Tab. 5-17:

Regressionsmodell A: Kollinearitätsdiagnose ...............................142

Tab. 5-18:

Regressionsmodell A: Globale Modellprüfung ..............................143

Tab. 5-19:

Regressionsmodell A: Klassifikationsergebnisse und proportionale Zufallswahrscheinlichkeit ......................................................143

Tab. 5-20:

Regressionsmodell A ....................................................................144

Tab. 5-21:

Hauptstichprobe Regressionsmodell A: Globale Modellprüfung ...145

Tab. 5-22:

Hauptstichprobe Regressionsmodell A .........................................146

Tab. 5-23:

Validierungsstichprobe Regressionsmodell A: Globale Modellprüfung..........................................................................................146

Tab. 5-24:

Validierungsstichprobe Regressionsmodell A...............................147

Tab. 5-25:

Kausalmodell A: Globale Gütekriterien .........................................147

Tab. 5-26:

Kausalmodell A: Strukturkoeffizienten mit Bootstrapping .............149

Tab. 5-27:

Vergleich der Hypothesentests aus Regressions- und Validierungsmodellen A ................................................................149

Tab. 5-28:

Vergleich der standardisierten Koeffizienten und der R²-Werte aus Regressions- und Validierungsmodellen A ............................150

XVII Tab. 5-29:

Regressionsmodell B: Kollinearitätsdiagnose ...............................151

Tab. 5-30:

Regressionsmodell B ....................................................................152

Tab. 5-31:

Regressionssubmodell B (Pay-per-Use-Bias)...............................153

Tab. 5-32:

Regressionssubmodell B (Flatrate-Bias) ......................................154

Tab. 5-33:

Hauptstichprobe Regressionsmodell B .........................................154

Tab. 5-34:

Validierungsstichprobe Regressionsmodell B...............................155

Tab. 5-35:

Hauptstichprobe Regressionssubmodell B (Flatrate-Bias) ...........156

Tab. 5-36:

Validierungsstichprobe Regressionssubmodell B (Flatrate-Bias) .156

Tab. 5-37:

Kausalmodell B: Globale Gütekriterien .........................................157

Tab. 5-38:

Kausalmodell B: Strukturkoeffizienten mit Bootstrapping .............159

Tab. 5-39:

Kausalmodell B: Vergleich der Informationskriterien ....................159

Tab. 5-40:

Kausalsubmodell B (Flatrate-Bias): Strukturkoeffizienten mit Bootstrapping................................................................................161

Tab. 5-41:

Vergleich der Hypothesentests aus Regressions- und Validierungsmodellen B ................................................................161

Tab. 5-42:

Vergleich der standardisierten Koeffizienten und der R²-Werte aus Regressions- und Validierungsmodellen B ............................162

Tab. 6-1:

Deskriptiver Vergleich der Ergebnisse zu Tarifwahl und Tarifwahl-Biases im B-to-B und B-to-C ................................................168

Tab. 6-2:

Deskriptiver Vergleich des Einflusses von Kosten und Zusatznutzenelementen auf Tarifwahl und Tarifwahl-Biases im B-to-B und B-to-C ....................................................................................171

Tab. 6-3:

Gestaltungsparameter der strategischen Handlungsoptionen ......177

Tab. 6-4:

Strategische Handlungsoptionen von Mobilfunkanbietern für das Management von Tarifwahl-Biases ........................................182

XIX Abkürzungsverzeichnis Abb. ADF AIC Aufl. BE BIC bspw. bzw. BRD B-to-B B-to-C CAIC CATI CFI CLV Co. COR € db DB DEV d.f. DSL EE EK EN et al. f. ff. FE FR ggf. GLS GmbH GN H HR HS Hrsg. IfM inkl. IR

Abbildung Asymptotic Distribution Free Function Akaike’s Information Criterion Auflage Bequemlichkeitseffekt Bayesian Information Criterion beispielsweise beziehungsweise Bundesrepublik Deutschland Business-to-Business Business-to-Consumer Consistent Akaike Information Criterion Computer Assisted Telephone Interviewing Comparative Fit Index Customer Lifetime Value/ Kundenlebenswert Kompanie Korrelation Euro Stückdeckungsbeitrag/ Deckungsspanne Deckungsbeitrag Durchschnittlich erfasste Varianz Degrees of Freedom/ Freiheitsgrade Digital Subscriber Line/ breitbandige Internetverbindung Einschätzungseffekt Erwartete Kosten Erwartete Nutzung et alii folgende (Seite) fortfolgende (Seiten) Fehleinschätzungseffekt Flatrate gegebenenfalls Generalized Least Squares Gesellschaft mit beschränkter Haftung Grundnutzen Hypothese Hit Ratio Hauptstichprobe Herausgeber Institut für Mittelstandsforschung inklusive Indikatorreliabilität

XX IV K KA KG KMU Mio. Min ML MLM MMS Mrd. MWSt. n. b. NN NND n. s. OHG o. J. OLS o. V. p PPU PZW Q R² RMSEA S. $ SMS sog. SPSS SRMR STAB T Tab. TE TK TLI TN TW TWB u. u. a. u. U. ULS

Innere Validität Kosten Kausalmodell Kommanditgesellschaft Kleine und mittelständische Unternehmen Millionen Minuten Maximum Likelihood-Schätzer Robuste Variante des Maximum Likelihood-Schätzers Multimedia Messaging Service Milliarde Mehrwertsteuer nicht bestätigt Netto-Nutzen Netto-Nutzen-Differenz nicht signifikant Offene Handelsgesellschaft ohne Jahr Ordinary Least Squares/ Kleinste Quadrate-Schätzer ohne Verfasser Signifikanzniveau Pay-per-Use Proportionale Zufallswahrscheinlichkeit Quartal Bestimmtheitsmaß Root Mean Square Error of Approximation Seite US-amerikanische Dollar Short Message Service so genannte Statistical Product and Service Solutions Standardized Root Mean Square Residual Standardabweichung Tarif Tabelle Taxametereffekt Tatsächliche Kosten Tucker-Lewis Index Tatsächliche Nutzung Tarifwahl Tarifwahl-Bias und unter anderem unter Umständen Unweighted Least Squares-Schätzer

XXI v. VE vgl. VIF VS VT WLS WLSMV WRMR www z. B. ZN ZT z. T.

verworfen Versicherungseffekt vergleiche Variance Inflation Factor Validierungsstichprobe Volumentarif Weighted Least Squares-Schätzer Robuste Variante des Weighted Least Squares-Schätzers Weighted Root Mean Square Residual world wide web zum Beispiel Zusatznutzen klassischer zweiteiliger Tarif zum Teil

1

1

Mobilfunktarife als Analyseumfeld des Tarifwahlverhaltens im Business-to-Business-Bereich

1.1

Tarifwahlverhalten von Unternehmen: Ein vernachlässigter Forschungsbereich

Bei netzgebundenen Dienstleistungen wie dem öffentlichen Personennahverkehr, Strom, Telekommunikation oder Internet können Nachfrager für die gleiche Dienstleistung zwischen verschiedenen Tarifen eines Anbieters wählen. Dies ist Folge der mengenbezogenen Preisdifferenzierung,1 für die sich diese Dienstleistungen besonders eignen.2 Mengenbezogene Preisdifferenzierung wird in der Marketingwissenschaft bislang hauptsächlich aus ertragswirtschaftlicher Sicht betrachtet, bei der die Optimierung von Tarifen und Tarifstrukturen zur Maximierung des Gewinns im Zentrum des Interesses steht.3 Zentrale Annahme dieser Arbeiten ist, dass Nachfrager den für sie günstigsten Tarif wählen. Allerdings wurde in der empirischen Forschung festgestellt, dass Nachfrager häufig nicht die Tarife wählen, die für sie zum günstigsten Rechnungsbetrag führen.4 Dieses Phänomen wird als Tarifwahl-Bias bezeichnet und in einigen Forschungsarbeiten adressiert, wobei einerseits die anbieterseitige Optimierung von Tarifen,5 andererseits das Zustandekommen von Tarifwahl-Biases6 untersucht wird. Allerdings ist zu beobachten, dass sich keine dieser Arbeiten explizit mit der Tarifwahl und Tarifwahl-Biases von Unternehmen als Nachfragern auseinandersetzt.7

1 2

3

4 5 6 7

Allgemein zur Preisdifferenzierung bei Dienstleistungen vgl. Diller, H. (2008), S. 227 ff. u. Fassnacht, M. (1996). Bei mengenbezogener Preisdifferenzierung variiert der Durchschnittspreis mit der abgenommenen Menge. Üblicherweise sinkt dieser mit steigender Menge, vgl. Fassnacht, M. (2003), S. 494. Zu Implementationsformen der mengenbezogenen Preisdifferenzierung vgl. Fassnacht, M. (1996), S. 71 ff. Eigenschaften, die diese Dienstleistungen für die Eignung zur mengenbezogener Preisdifferenzierung qualifizieren, sind: Interesse der Konsumenten an der Abnahme mehrerer Mengeneinheiten, Spielraum bei der Preisgestaltung für das Unternehmen, Nichtübertragbarkeit, Nichtlagerbarkeit, rechtliche Zulässigkeit, sowie ein hoher Fixkostenanteil bei der Produktion, vgl. Skiera, B./ Spann, M. (2002), S. 692 u. Skiera, B. (1999), S. 16 ff. Zur mengenbezogenen Preisdifferenzierung bei Dienstleistungen vgl. Skiera, B. (1999). Allgemein zu Besonderheiten der Preisgestaltung bei Dienstleistungen vgl. Taher, A./ El Basha, H. (2006) u. Woratschek, H. (1998). Eng verwandt hierzu ist die wohlfahrtstheoretische Sicht der Volkswirtschaftslehre, die sich mit der Frage beschäftigt, welche Tarifstrukturen eine Steigerung der Wohlfahrt ermöglichen, vgl. Skiera, B. (1999), S. 5 f. Vgl. Kapitel 4.2. Vgl. bspw. Schulze, T. (2005). Vgl. bspw. Lambrecht, A./ Skiera, B. (2006a). Vgl. bspw. die Auflistung von Studien zu Tarifwahl-Biases in Tab. 4-3.

2 Tarifwahl und Tarifwahl-Biases von Unternehmen lassen sich als Phänomene dem Business-to-Business (B-to-B)-Marketing zuordnen.8 B-to-B-Marketing weist zwar konzeptionelle Gemeinsamkeiten zur Vermarktung an Privatpersonen, dem Business-to-Consumer (B-to-C)-Marketing, auf, die Vermarktungsprozesse unterscheiden sich jedoch grundlegend.9 So wird die Unternehmensentscheidung zwar auch von Individuen getroffen, allerdings ist der Kontext, in dem das Individuum die Entscheidung trifft, ein anderer. Denn das Individuum trifft die Entscheidung nicht für sich selbst, sondern für das Unternehmen. Dieser Kontext kann sich auf das Entscheidungsverhalten eines Individuums auswirken.10 Die bisherigen Erkenntnisse zu Tarifwahl-Biases im B-to-C-Kontext können daher nicht einfach auf Tarifwahlentscheidungen im B-to-B-Kontext übertragen werden. Aus diesem Grund erfolgt in dieser Arbeit eine Analyse des Tarifwahlverhaltens von Unternehmen unter besonderer Berücksichtigung von Tarifwahl-Biases. Dabei wird der Mobilfunk als Analyseumfeld gewählt, weil die Mobilfunktarifgestaltung, die in der Realität zu beobachten ist, geeignet ist, um Tarifwahlverhalten und Tarifwahl-Biases von Unternehmen untersuchen zu können: Mobilfunkanbieter bieten Unternehmen viele verschiedene Tarife auf Basis mengenbezogener Preisdifferenzierung an, aus denen das nachfragende Unternehmen den geeigneten Tarif auswählen kann. Das Tarifangebot ist zudem einem ständigen Wechsel unterworfen. Auf dem deutschen Markt ist bei Mobilfunktarifen eine festgelegte Vertragsdauer von 24 Monaten üblich, so dass Unternehmen in regelmäßigen Abständen neue Tarife abschließen. Außerdem sind Mobilfunkleistungen für Geschäftskunden in Deutschland ein wichtiger Markt. Einerseits erzielen Mobilfunkanbieter bedeutende Umsätze,11 andererseits ermöglicht Mobilfunk für nachfragende Unternehmen die Kommunikation zwischen Unternehmensmitgliedern, mit Kunden und mit anderen Interessengruppen. 8

9 10

11

Vermarktungsprobleme auf Industriegütermärkten werden unter verschiedenen Bezeichnungen diskutiert (bspw. B-to-B-, Industriegüter-, Investitionsgütermarketing oder industrielles Marketing) und die Bezeichnungen weitgehend synonym gebraucht, vgl. Backhaus, K./ Voeth, M. (2007), S. 5 ff. u. Backhaus, K./ Voeth, M. (2004), S. 6 f. BACKHAUS/VOETH grenzen Industriegütermarketing von B-to-B-Marketing insofern ab, als dass die Vermarktung an den Groß- und Einzelhandel ausgeschlossen wird, wenn die Leistung des Handels lediglich in der Distribution an Endkonsumenten besteht. Die Vermarktung von Mobilfunkleistungen an Geschäftskunden erfolgt im Fall von Mobilfunkdienstleistungen jedoch nicht zur Distribution an Endkunden. Für die hier vorliegenden Vermarktungsprozesse könnte daher auch die Bezeichnung Industriegütermarketing nach BACKHAUS/VOETH verwendet werden. Da allerdings häufig Vergleiche zum B-to-C-Marketing gezogen werden, wird zur Vereinheitlichung der Bezeichnungen in dieser Arbeit der Begriff B-to-B-Marketing verwendet. Für einen Überblick zu Unterschieden zwischen B-to-C- und B-to-B-Marketing vgl. Backhaus, K./ Voeth, M. (2004), S. 7 ff. Beispielsweise wird die Rolle von Marken bei Kaufentscheidungen im B-to-B und B-to-C unterschiedlich bewertet. Für den Unterschied von Markenfunktionen im Kaufprozess auf Industriegüter- und Konsumgütermärkten vgl. Backhaus, K./ Sabel, T. (2004), S. 788 ff. Vgl. Kapitel 1.2.

3 1.2

Der Mobilfunkmarkt für Geschäftskunden in Deutschland

Die wichtigsten Mobilfunkdienstleistungen bestehen in der Übermittlung von Sprachkommunikation und in der Übertragung von Daten.12 Als Anbieter von Mobilfunkdienstleistungen fungieren zum einen Netzbetreiber, die eigene Mobilfunknetze aufgebaut haben, zum anderen Service-Provider, die nicht über eigene Netze verfügen, sondern lediglich als Händler auftreten und entweder unter eigenem Namen oder unter dem Namen von Netzbetreibern Leistungen vermarkten.13 Die Bedeutung des Mobilfunkmarktes in Deutschland lässt sich anhand der Umsatzzahlen abschätzen. So verbuchten die Anbieter von Mobilfunkdienstleistungen im Jahr 2004 Gesamtumsatzerlöse in Höhe von 27,4 Mrd. €. Für das Jahr 2005 wurde von der BUNDESNETZAGENTUR ein Betrag von 28 Mrd. € prognostiziert.14 Von den Gesamtumsätzen der Netzbetreiber in Höhe von 22,1 Mrd. € im Jahr 2004 entfielen 13,2 Mrd. € auf Umsätze mit Endkunden in Form von Grundgebühren und Verbindungsgebühren für Sprachkommunikation und Datenübertragung und weitere 2,8 Mrd. € auf Umsätze mit Service-Providern, denen Übertragungsleistungen für Endkunden zur Verfügung gestellt wurden.15 Der Großteil der Umsätze der Netzbetreiber mit Endkunden wurde 2004 mit Sprachkommunikation erzielt, denn von den 13,2 Mrd. € Umsatz, der mit Endkunden erzielt wurde, entfielen lediglich 476 Mio. € auf Datendienste (ohne SMS).16 Bei den Umsätzen mit Datenübertragung werden allerdings hohe Steigerungsraten verzeichnet.17 Auf dem deutschen Mobilfunkmarkt agieren nur wenige Anbieter. Die größten Marktanteile fallen den vier Netzbetreibern T-Mobile Deutschland GmbH, Vodafone D2 GmbH, E-Plus Mobilfunk GmbH & Co. KG sowie O2 Germany GmbH & Co. OHG zu. Etwa 50 % Marktanteil ist zwischen den beiden größten Netzbetreibern T-Mobile und Vodafone aufgeteilt, etwa 25 % zwischen den beiden kleineren Netzbetreibern O2 und E-Plus, und mehrere Mobilfunk-Service-Provider teilen sich laut Statistik der Bundesnetzagentur knapp 25 % Marktanteil (vgl. Tab. 1-1). 12

13

14 15 16 17

Vgl. Gerpott, T.J. (2006b), S. 502 u. Gerpott, T.J./ Rams, W./ Schindler, A. (2001), S. 251. Endkunden umfassen hier sowohl Privat- wie auch Geschäftskunden. Vgl. Gerpott, T.J. (2006b), S. 498 u. Gerpott, T.J. (2006a), S. 133 f. Netzbetreiber werden teilweise auch als Mobilfunk-Systembetreiber oder Mobilfunk-Carrier bezeichnet. Weitere Akteure in der Mobilfunkbranche sind die Mobilfunkausrüster, die bspw. Endgeräte entwickeln, vgl. Gerpott, T.J. (2006b), S. 497. Diese werden im Rahmen der Arbeit nicht betrachtet. Vgl. Bundesnetzagentur (2005), S. 42. Aktuellere Umsatzzahlen sind nicht verfügbar. Vgl. Bundesnetzagentur (2005), S. 43. Die verbleibenden 5,3 Mrd. € entfielen auf Mobilfunk-ServiceProvider. Vgl. Bundesnetzagentur (2006), S. 73. So wurde im Jahr 2005 eine Steigerungsrate von Umsätzen mit Datenübertragung (ohne SMS) von 36 % gegenüber 2004 verzeichnet. Im Jahr 2005 betrug die Zahl der versendeten SMS 20,3 Mrd. (Steigerung gegenüber 2004: 3 %), vgl. Bundesnetzagentur (2006), S. 73.

4 Mobilfunkanbieter

Marktanteile nach Anzahl der betreuten Kunden

T-Mobile Deutschland

26,6 %

Vodafone D2

24,2 %

O2 Germany

12,5 %

E-Plus

12,4 %

Service-Provider

24,3 %

Tab. 1-1:

Marktanteile der Mobilfunk-Netzbetreiber und Service-Provider (Stand: 1. Quartal 2007)18

Diese Marktanteile beziehen sich auf die Zahl der Teilnehmer, die bei diesen Anbietern Mobilfunkverträge abgeschlossen haben. Übergreifend betrachtet lag die absolute Teilnehmerzahl im Jahr 2006 bei 85,652 Mio. Mobilfunkvertragsverhältnissen in Deutschland, im zweiten Quartal 2007 bereits bei 91,07 Mio. (vgl. Abb. 1-1). 100000

120 100

Teilnehmer in Tsd.

80000 70000

80

60000 50000

60

40000 40

30000 20000

20

Penetrationsrate in Prozent

90000

10000 0

19 90 19 91 19 92 19 93 19 94 19 95 19 96 19 97 19 98 19 99 20 00 20 01 20 02 20 03 20 04 20 05 20 Q 06 2/ 20 07

0

Teilnehmerzahl

Abb. 1-1:

Penetration

Teilnehmerentwicklung und Penetration in Mobilfunknetzen19

Die Teilnehmerzahl bezieht sich dabei auf die Zahl der Vertragsverhältnisse; ein Nutzer kann mehrere Vertragsverhältnisse unterhalten. Die Teilnehmerzahlen sind seit 1990 stetig gestiegen, so dass im Jahr 2006 zum ersten Mal eine Penetrationsrate von etwas über 100 % erreicht wurde. Somit kam im statistischen Durchschnitt auf jeden Einwohner der BRD ein Mobilfunkvertrag. Im zweiten Quartal des Jahres 2007

18 19

Quelle: Eigene Darstellung auf Basis von Daten aus Bundesnetzagentur (2007a). Quelle: Bundesnetzagentur (2007b). Q2: Zweites Quartal.

5 war die Penetrationsrate sogar schon bei rund 111 % angelangt. Hohe Wachstumsraten werden in den letzten Jahren insbesondere im Segment der MobilfunkDiscounter verzeichnet, an dem neben Mobilfunk-Service-Providern und Vertriebsmarken der Netzbetreiber auch unabhängige Discountanbieter partizipieren. Nach Start der ersten Discount-Angebote im Laufe des Jahres 2005 nutzten zum Jahresende 2005 bereits 1,7 Mio. Teilnehmer diese Angebote. Im ersten Halbjahr 2006 erhöhte sich diese Zahl auf 3,9 Mio. Teilnehmer.20 Die Teilnehmer, die Endkunden der Netzbetreiber und Service-Provider darstellen, teilen sich in Privat- und Geschäftskunden auf. Privatkunden sind dabei „Kunden, die Mobilfunkleistungen nachfragen, um ihren persönlichen Lebensalltag zu gestalten“, Geschäftskunden hingegen sind Kunden, die Mobilfunkleistungen nachfragen, um diese als „Hilfsmittel zur Koordination ihrer arbeitsteiligen, zumeist gewerblichen Leistungserstellungsprozesse [zu] verwenden, deren Ergebnisse sie wiederum ihren Kunden in der Regel gegen Entgelt offerieren.“21 Die Prozesse der Vermarktung von Leistungen an die beiden Kundengruppen lassen sich daher den unterschiedlichen Bereichen des Marketings zuordnen: Die Vermarktung von Leistungen an Privatkunden dem B-to-C-Marketing, die an Geschäftskunden dem B-to-B-Marketing. Die Bedeutung von Privat- und Geschäftskunden lässt sich nicht objektiv bestimmen, da die zuständigen staatlichen Stellen wie bspw. die Bundesnetzagentur keine entsprechenden Daten veröffentlichen.22 GERPOTT zitiert verschiedene Autoren, die die Bedeutung von Geschäftskunden für das Jahr 2003 auf 25 % bzw. 57 % der Mobilfunkumsätze in Deutschland schätzen.23 In einer anderen Arbeit beziffern GERdie durchschnittliche monatliche Mobilfunkrechnung von Privatkunden auf Basis einer Befragung auf umgerechnet rund 41 €, wobei der entsprechende Wert für Geschäftskunden in einer anderen Befragung bei umgerechnet rund 110 € liegt.24

POTT/RAMS

Auch wenn das genaue Ausmaß der Bedeutung von Geschäftskunden nicht bestimmt werden kann, so ist doch davon auszugehen, dass ein substanzieller Teil der Mobilfunkumsätze in Deutschland mit diesen Kunden erzielt wird. Innerhalb des Teilmarkts der Geschäftskunden lassen sich wiederum verschiedene Kundengruppen identifizieren.25 Ein wichtiges Unterscheidungsmerkmal von Ge-

20 21 22 23 24 25

Vgl. Bundesnetzagentur (2006), S. 70. Gerpott, T.J. (2004), S. 1240. Auskunft per E-Mail von der Bundesnetzagentur. Vgl. Gerpott, T.J. (2004), S. 1248. Vgl. Gerpott, T.J./ Rams, W. (2000a), S. 13. Für einen Überblick möglicher Segmentierungsmerkmale von Geschäftskunden in Telekommunikationsmärkten vgl. Gerpott, T.J. (2004), S. 1250 ff.

6 schäftskunden ist die Unterscheidung in kleine und mittelständische Unternehmen (KMU) und Großunternehmen.26 In Deutschland werden verschiedene Abgrenzungen verwendet, die auf der Zahl der Beschäftigten und dem jährlichen Umsatz oder der Bilanzsumme basieren.27 Nach der KMU-Definition des Instituts für Mittelstandsforschung (IfM) Bonn fallen Unternehmen mit einer Zahl von bis zu 499 Beschäftigten oder bis zu 50 Mio. € Umsatz unter die Bezeichnung KMU, alle anderen unter die Bezeichnung „große Unternehmen“ (vgl. Tab. 1-2). Unternehmensgröße

Zahl der Beschäftigten

Umsatz in €/ Jahr

Klein

”9

< 1 Mio.

Mittel

10 bis 499

1 Mio. bis unter 50 Mio.

Groß

• 500

• 50 Mio.

Tab. 1-2:

KMU-Definition des IfM28

KMUs stellen für Mobilfunkanbieter eine sehr bedeutende und gleichzeitig heterogene Kundengruppe dar. Dies ergibt sich bereits daraus, dass diese im Jahr 2005 mit ca. 3 Mio. Unternehmen 99,7 % aller deutschen Unternehmen ausmachten.29 So schätzte auch der Netzbetreiber O2 Germany Anfang 2004, dass in Deutschland 75 % der mit Geschäftskunden erzielten Umsätze auf KMUs entfallen.30 Das Geschäftskundensegment der KMUs wird daher im Rahmen dieser Arbeit gezielt betrachtet. Die Mobilfunkanbieter bieten der Kundengruppe KMU Mobilfunkdienstleistungen auf zwei unterschiedliche Arten an. Einerseits bieten die Anbieter einzelne Tarife für Geschäftskunden an. Diese Tarife sind den Tarifen, die Privatkunden angeboten werden, sehr ähnlich, werden allerdings gezielt an Geschäftskunden vermarktet und an die Bedürfnisse von Geschäftskunden angepasst. So haben bspw. alle Netzbetreiber einen eigenen Internetbereich für Geschäftskunden, in dem einzelne Tarife abgeschlossen werden können.31 Andererseits haben KMUs die Möglichkeit, Rahmenverträge mit Mobilfunkanbietern abzuschließen und Komplettlösungen für das Unternehmen erarbeiten zu lassen, die teilweise auch weitere Telekommunikationsleistun-

26 27

28 29 30 31

Vgl. Gerpott, T.J. (2004), S. 1252. Die wichtigsten Definitionen sind die des Instituts für Mittelstandsforschung in Bonn, vgl. IfM Bonn (2007a) und die der Europäischen Kommission, vgl. Generaldirektion Unternehmen und Industrie der Europäischen Kommission (2007). Quelle: IfM Bonn (2007a). Vgl. Bundesministerium für Wirtschaft und Technologie (2007), S. 17 u. IfM Bonn (2007b). Vgl. Gerpott, T.J. (2004), S. 1253. Vgl. E-Plus (2007), O2 Germany (2007), T-Mobile Deutschland (2007) u. Vodafone D2 (2007).

7 gen enthalten.32 Diese Variante ist daher wesentlich beratungsintensiver, und die Vermarktungsprozesse unterscheiden sich grundsätzlich von der Vermarktung einzelner Tarife. Allerdings werden auch innerhalb von Rahmenverträgen bzw. Komplettlösungen einzelne Mobilfunktarife vom Geschäftskunden ausgewählt. Die Auswahl eines geeigneten Tarifs für einen bestimmten Nutzer ist also auch hierbei ein für den Geschäftskunden relevantes Problem. Da die Entscheidung für einen (geeigneten) Tarif in jedem Fall getroffen werden muss, liegt das Interesse im Rahmen dieser Arbeit auf der Wahl einzelner Tarife. Mobilfunkdienstleistungen in Form von Sprachkommunikation und Datenübertragung sind homogene, hochgradig standardisierte Güter. Grundsätzlich ist daher eine hohe Markttransparenz gegeben, und Konkurrenzangebote sind für den Nachfrager gut vergleichbar.33 Die Anbieter von Mobilfunkdienstleistungen versuchen dieser Vergleichbarkeit einerseits durch Leistungsdifferenzierung zu entgehen.34 Andererseits betreiben Mobilfunkanbieter Preisdifferenzierung und entziehen sich der Vergleichbarkeit durch komplexe Tarifsysteme, die für den Nachfrager nur schwer zu überblicken sind.35 Preis- und Leistungsdifferenzierung sind eng verzahnt und führen dazu, dass sich Nachfrager häufig mit der Auswahl des geeigneten Mobilfunktarifs überfordert fühlen, da das Angebot auf dem Markt verfügbarer Tarife unübersichtlich ist.36 Die Wahl eines Tarifs ist jedoch für Anbieter und Nachfrager von wesentlicher Bedeutung, da der Tarif in Abhängigkeit von der Nutzung den Rechnungsbetrag bestimmt. Die Erfahrungen aus der Praxis und verschiedene wissenschaftliche Arbeiten haben daher auch gezeigt, dass der Preis im Mobilfunkmarkt einen strategischen Erfolgsfaktor darstellt, und dass insbesondere günstige Tarife für die Nachfrager von Bedeutung sind.37 So hat beispielsweise der Preis von Mobilfunkanschlüssen in einer Studie von GERPOTT in einem Fall eine mehr als 1,5-, in einem anderen eine 3-mal so starke Auswirkung auf die Nachfrage von Mobilfunkdiensten wie andere Produktei-

32

33 34

35 36 37

Vgl. bspw. die Rahmenverträge von Vodafone, vgl. Vodafone D2 (2007), das Mittelstandsangebot von tSystems, vgl. T-Systems (2007) sowie allgemein die Ausführungen der Bundesnetzagentur, vgl. Bundesnetzagentur (2006), S. 77. Vgl. Gerum, E./ Sjurts, I./ Stieglitz, N. (2003), S. 80 f. Beispielsweise werden Zusatzleistungen angeboten (z. B. subventionierte Endgeräte oder weitere Leistungen wie Nachrichtendienste von Vodafone live!), es wird eine unterschiedliche Taktung der Gespräche der Abrechnung zugrunde gelegt oder es werden ganz allgemein verschiedene Vertragsbedingungen formuliert. Vgl. Gerum, E./ Sjurts, I./ Stieglitz, N. (2003), S. 86. Vgl. Kindermann, H. (2006), S. 3 u. o.V. (2006). Vgl. bspw. Iyengar, R. (im Druck), S. 2, Gerum, E./ Sjurts, I./ Stieglitz, N. (2003), S. 81 u. Schön-Peterson, C. (2000), S. 4.

8 genschaften (Flächendeckungsgrad, Bedienerfreundlichkeit und Gewicht des Endgeräts).38 Im Rahmen der vorliegenden Arbeit wurde in einer Befragung von Geschäftskunden eines Mobilfunkanbieters ermittelt, wie wichtig verschiedene Faktoren bei der Entscheidung für einen Mobilfunktarif im B-to-B-Kontext sind (vgl. Abb. 1-2). 100 90

0,34 14,99

80 19,33 70

Subventioniertes Endgerät

60 Prozent

Sonstiges

19,97 50

Verbreitung des Netzes

40

Servicequalität des Anbieters

30

Preisliche Ausgestaltung des Tarifs

20

45,37

10 0

Abb. 1-2:

Bedeutung verschiedener Faktoren bei der Entscheidung für einen Mobilfunktarif durch Geschäftskunden (Mittelwerte)39

Die vier explizit aufgeführten Faktoren „Preisliche Ausgestaltung des Tarifs“, „Servicequalität des Anbieters“, „Verbreitung des Netzes“ und „Subventioniertes Endgerät“ wurden in Expertengesprächen als die wichtigsten Entscheidungsparameter bei der Mobilfunktarifwahl von Geschäftskunden identifiziert. Durch den Faktor „Sonstiges“ wurde sichergestellt, dass auch Faktoren, die nicht in der Frage angeführt wurden, genannt werden konnten.40 Die Bedeutung der Faktoren wurde durch eine Konstant-

38 39

40

Vgl. Gerpott, T.J. (1998), S. 303. Quelle: Eigene Erhebung. Datenbasis: 612 Mobilfunkentscheider. Zur Stichprobe vgl. Kapitel 5.2.2.1, zur Ausgestaltung der Frage vgl. Anhang 1. Die den Experten vorgelegten einzelnen Faktoren basierten auf den von GERPOTT/RAMS identifizierten kaufverhaltensrelevanten Einzelmerkmalen von Mobilfunkdiensten, die sich den Dimensionen Netzqualität, Preis und Kundenbetreuung zuordnen lassen, vgl. Gerpott, T.J./ Rams, W. (2000b), S. 744. Netzqualität wurde allerdings von den Experten als Faktor ausgeschlossen, da die Qualität der Netze mittlerweile als sehr ähnlich zu beurteilen sei.

9 summenskala ermittelt, bei der die Befragten 100 %-Punkte auf die Faktoren verteilen und dadurch aussagen sollten, wie bedeutsam der einzelne Faktor für die Gesamtentscheidung ist. Die Auswertung der Befragung zeigt, dass der preislichen Ausgestaltung des Tarifs mit im Mittel 45,37 % Bedeutung an der Gesamtentscheidung mit Abstand die größte Wichtigkeit bei der Entscheidung zugesprochen wird (vgl. Abb. 1-2). Die Servicequalität des Anbieters und die Verbreitung des Netzes folgen mit 19,97 % und 19,33 %, das subventionierte Endgerät mit 14,99 %. Dem Faktor „Sonstiges“ wurden im Mittel nur 0,34 % Bedeutung zugewiesen. Dies zeigt, dass die wichtigsten Faktoren erfasst wurden. Aus den Ergebnissen leitet sich ab, dass der Preis auch im B-to-B-Kontext eine wichtige Rolle bei der Entscheidung für einen Tarif spielt. Die Preis- bzw. Tarifgestaltung hat gleichzeitig wesentliche Auswirkungen auf das Verkehrsvolumen in den Mobilfunknetzen:41 Im Jahr 2005 wurden in deutschen Mobilfunknetzen rund 43 Mrd. abgehende Gesprächsminuten registriert. Die Steigerungsrate von 2004 auf 2005 betrug damit 11,5 %. Im ersten Halbjahr 2006 wurden bereits Gespräche im Umfang von 27 Mrd. Minuten geführt. Hierauf basiert eine Prognose von 57 Mrd. Gesprächsminuten für das Jahr 2006 (Steigerungsrate: 33 %). Die BUNDESNETZAGENTUR begründet diese Steigerung mit dem gefallenen Preisniveau im Mobilfunk, das einerseits auf die Einführung von Discount-Angeboten im Frühjahr 2005, andererseits auf die auf dem deutschen Markt neuartige Tarifgestaltung in Form von Flatrates, die ein Freikontingent an Gesprächszeit enthalten, zurückzuführen ist.42 Erste Tarife, die ein beschränktes Freikontingent enthielten, wurden zwar bereits ab 1999 von E-Plus unter der Bezeichnung „time&more“ auf dem deutschen Mobilfunkmarkt angeboten, die dominierenden Tarife für Geschäftskunden waren jedoch zweiteilige Tarife mit Grund- und Minutenpreis ohne Freikontingent.43 Die ersten Flatrate-Tarife, die ein unbeschränktes Freikontingent enthalten, wurden Mitte 2005 von E-Plus unter der Discount-Marke „Base“ eingeführt. T-Mobile zog im August mit den „Max-Tarifen“ nach, weitere Anbieter folgten kurz darauf.44 Das unbeschränkte Freikontingent dieser ersten Flatrate-Tarife gilt allerdings nur für Gespräche ins eigene Netz und ins deutsche Festnetz. Zusätzlich wurden zu dieser Zeit von weiteren Anbietern Tarife mit beschränktem Freikontingent auf den Markt gebracht. Seit Früh-

41 42 43 44

Zum Verkehrsvolumen im deutschen Mobilfunk vgl. Bundesnetzagentur (2006), S. 71. Vgl. Bundesnetzagentur (2006), S. 71. Vgl. o.V. (2007a). Vgl. o.V. (2007b).

10 jahr 2007 existieren mit „Base5“ und dem Tarif „free flat XL“ des Service-Providers Freenet Mobilfunktarife mit unbegrenztem Freikontingent in alle deutschen Mobilfunknetze und das deutsche Festnetz.45 Der Trend auf dem deutschen Mobilfunkmarkt scheint also in Richtung eines verstärkten Angebots von Mobilfunktarifen mit Freikontingent zu gehen. 1.3

Zielsetzung und Gang der Arbeit

Der übergeordnete Gegenstandsbereich der Arbeit besteht in der Analyse des Tarifwahlverhaltens im B-to-B-Kontext unter besonderer Berücksichtigung von TarifwahlBiases. Denn dies wurde in bisherigen Forschungsarbeiten ausschließlich im B-to-CBereich betrachtet, so dass im B-to-B-Bereich Forschungsbedarf zu diesen Themen besteht. Die Analyse wird am Beispiel von Mobilfunktarifen für Geschäftskunden durchgeführt. Bei der Analyse werden zwei Fokussierungen vorgenommen: x Aufgrund der hohen Bedeutung von KMUs werden ausschließlich Geschäftskunden aus diesem Segment betrachtet. x Da ein Trend zur Einführung von Tarifen mit einem beschränkten oder auch unbeschränkten Freikontingent zu beobachten ist, wird die Mobilfunktarifwahl aus derartigen Tarifen näher beleuchtet. Im Rahmen der Arbeit werden zwei konkrete Ziele verfolgt. Das erste Ziel besteht in der Analyse von Tarifwahl und Tarifwahl-Biases bei der Mobilfunktarifwahl von Geschäftskunden. Das zweite Ziel liegt in der Analyse der Ursachen von Tarifwahl und Tarifwahl-Biases bei der Mobilfunktarifwahl von Geschäftskunden. Diese Ziele werden im weiteren Verlauf in drei Schritten verfolgt. Den ersten Schritt stellen theoretisch-konzeptionelle Ausführungen zu Tarifwahl, Tarifwahl-Biases sowie deren Ursachen dar. Im zweiten Schritt wird ein Überblick über den Stand der empirischen Forschung zu den relevanten Gegenstandsbereichen gegeben. Als dritter Schritt wird eine eigenständige empirische Analyse durchgeführt. Der hierbei zugrunde gelegte Aufbau ist zusammenfassend in Abb. 1-3 dargestellt.

45

Vgl. o.V. (2007b). Zusätzlich zeigen aktuelle Forschungsergebnisse zu DSL-Tarifen, dass Tarifstrukturen, die Tarife mit Freikontingent enthalten, ein wirksames Instrument für Anbieter darstellen, ihren Umsatz zu maximieren, das allerdings erst wenig erforscht ist, vgl. bspw. Lambrecht, A./ Seim, K./ Skiera, B. (2007), S. 698 u. 702.

11 Nach den einführenden Abschnitten, in denen eine Forschungslücke in Bezug auf das Tarifwahlverhalten im B-to-B-Kontext identifiziert und der Mobilfunkmarkt für Geschäftskunden in Deutschland als Untersuchungsumfeld vorgestellt wurde, wird in Kapitel 2 die Ausgangssituation der Untersuchung betrachtet. Hier wird zunächst vorgestellt, welche Entscheidungsalternativen ein Mobilfunkanbieter den Nachfragern idealtypisch bietet und inwiefern die Tarifwahl des Nachfragers mit der Ausgestaltung des Angebots des Anbieters zusammenhängt. In der Literatur wurde hierfür bislang die neoklassische mikroökonomische Haushaltstheorie herangezogen, die rationale Annahmen über das Tarifwahlverhalten der Nachfrager trifft.46 Das Auftreten von Tarifwahl-Biases ist unter diesen Annahmen allerdings nicht zu erklären. Daher werden die strikten Rationalitätsannahmen für die weitere Analyse gelockert und gemäß neueren mikroökonomischen Ansätzen begrenzte Rationalität unterstellt.47 Unter dieser Annahme kann eine Analyse der Ursachen von Tarifwahl und Tarifwahl-Biases erfolgen. Im dritten Kapitel erfolgt eine theoretisch-konzeptionelle Analyse des Tarifwahlverhaltens bei der Mobilfunktarifwahl von Geschäftskunden. Zunächst wird die Mobilfunktarifwahl als Unternehmensentscheidung beleuchtet. Die Tatsache, dass es sich um Unternehmen als Nachfrager handelt, hat Auswirkungen auf die Unsicherheit, die bei Mobilfunktarifentscheidungen generell besteht. Dieser Gegenstandsbereich wird in 3.1.2 adressiert. Daran anschließend wird erörtert, welche Analyseeinheit für das Verständnis realer Unternehmensentscheidungen bei der Mobilfunktarifwahl geeignet ist. Da auch in Unternehmen Tarifwahlentscheidungen letztlich von Personen getroffen werden, wird im Anschluss an die Überlegungen zur Tarifwahl als Unternehmensentscheidung die Tarifwahl als Entscheidung eines Individuums im Unternehmen, dem „Entscheider“, näher betrachtet. Basis der Identifikation der Ursachen von Tarifwahl und Tarifwahl-Biases stellen nutzentheoretische Überlegungen dar. Als entscheidungsrelevant erweisen sich mögliche Zusatznutzenelemente von Tarifen und die Kosten. Die in einer Literaturanalyse identifizierten Zusatznutzenelemente sowie die Bewertung der Kosten werden auf ihre Relevanz als Ursache von Mobilfunktarifentscheidungen und Tarifwahl-Biases im B-to-B-Bereich überprüft, und schließlich werden Hypothesen dazu abgeleitet. Der Stand der empirischen Forschung wird in Kapitel 4 dargelegt. Da keine Arbeit spezielle Aspekte des Tarifwahlverhaltens im B-to-B-Kontext adressiert, werden Er-

46

47

Vgl. bspw. Schön-Peterson, C. (2003), S. 13 ff., Skiera, B. (1999), S. 19 f. Wilson, R.B. (1993), S. 49 ff. u. Tacke, G. (1988), S. 57 ff. Vgl. Williamson, O.E. (1985), S. 44 ff.

12 kenntnisse aus anderen Bereichen herangezogen. Zunächst werden Erkenntnisse zur für die Untersuchung relevanten Mobilfunktarifwahl aus Tarifen mit unterschiedlichem Freikontingent präsentiert. Anschließend wird dargestellt, welche Methoden bislang eingesetzt wurden, um Tarifwahl-Biases zu messen und welche inhaltlichen Erkenntnisse zu Tarifwahl-Biases erzielt wurden. Die Erkenntnisse zu den Ursachen von Tarifwahl und Tarifwahl-Biases aus anderen Bereichen werden anschließend näher dargestellt. Aus dem Forschungsstand leiten sich einige Implikationen für die eigene empirische Analyse ab. 1 Mobilfunktarife als Analyseumfeld des Tarifwahlverhaltens im Business-to-Business-Bereich 1.1 Tarifwahlverhalten von Unternehmen: Vernachlässigter Forschungsbereich 1.2 Der Mobilfunkmarkt für Geschäftskunden in Deutschland 1.3 Zielsetzung und Gang der Arbeit 2 Die Ausgangssituation: Tarifangebot, Tarifwahl und Tarifwahl-Biases bei Mobilfunktarifen 2.1Mobilfunktarifangebot

2.2 Tarifwahl und Tarifwahl-Biases

3 Theoretisch-konzeptionelle Analyse des Tarifwahlverhaltens bei Mobilfunktarifen im B-to-B-Bereich 3.1Tarifwahl als Unternehmens3.2 Tarifwahl und Tarifwahl-Biases entscheidung eines Entscheiders 4 Stand der empirischen Forschung zu Tarifwahl, Tarifwahl-Biases und deren Ursachen 4.1Empirische Erkenntnisse zur Mobilfunktarifwahl

4.2 Empirische Erkenntnisse zu Tarifwahl-Biases

4.3 Empirische Erkenntnisse zu Ursachen von Tarifwahl und Tarifwahl-Biases 4.4 Implikationen des Forschungsstands für die empirische Analyse 5 Empirische Analyse von Tarifwahl, Tarifwahl-Biases und deren Ursachen bei der Mobilfunktarifwahl im B-to-B-Bereich 5.1 Zielsetzung und Konzeption der empirischen Analyse 5.2 Datengewinnung 5.3Tarifwahl und Tarifwahl-Biases im B-to-B-Bereich

5.4 Ursachen von Tarifwahl und Tarifwahl-Biases im B-to-B-Bereich

5.5 Zusammenfassende kritische Würdigung der Ergebnisse 6 Fazit und Ausblick 6.1 Interpretation der Ergebnisse aus wissenschaftlicher Perspektive 6.2 Implikationen für die Praxis 6.3 Grenzen der Untersuchung und Ansatzpunkte für weitere Forschung

Abb. 1-3:

48

Aufbau der Arbeit48

Quelle: Eigene Darstellung. Aus Darstellungsgründen sind einige Überschriften verkürzt wiedergegeben.

13 Die empirische Analyse ist in Kapitel 5 dokumentiert. Nach Zielsetzung und Konzeption werden die Erhebungsmethoden der quasi-experimentellen Befragung von Entscheidern sowie der Beobachtung der realen Nutzung von Mobilfunknutzern sowie die verfügbare Datenbasis präsentiert. Anschließend werden die Ergebnisse der empirischen Analyse von Tarifwahl und Tarifwahl-Biases bei der Mobilfunktarifwahl im B-to-B-Bereich dargestellt. Dabei wird auch die im Rahmen der Arbeit eingesetzte Methode zur Ermittlung von Tarifwahl-Biases erläutert. Anschließend erfolgt die empirische Analyse der Ursachen von Tarifwahl und Tarifwahl-Biases bei der Mobilfunktarifwahl im B-to-B-Kontext. Hierbei werden theoretisch abgeleitete Hypothesen überprüft. Zunächst werden geeignete dependenzanalytische Verfahren zur Hypothesenprüfung ausgewählt. Im Rahmen der Ergebnisvalidierung erweisen sich die Kreuzvalidierung durch Aufteilung der verfügbaren Datensätze und die Ermittlung der inneren Validität durch die Auswertung mit einem alternativen Verfahren als geeignet. Anschließend erfolgt die Operationalisierung der Modellvariablen. Bei einigen der potenziellen Ursachen von Tarifwahl und Tarifwahl-Biases handelt es sich um mehrdimensionale hypothetische Konstrukte, so dass dort die konfirmatorische Faktorenanalyse zur Konstruktvalidierung eingesetzt wird. Schließlich erfolgt die Aufstellung und Schätzung der Regressionsmodelle für die Ursachen der Tarifwahl und die Ursachen von Tarifwahl-Biases sowie deren Validierung mittels Kreuzvalidierung und Kausalanalyse. Die Ergebnisse werden zur Validitätsbeurteilung jeweils für das Modell zu den Ursachen der Tarifwahl und für das Modell zu den Ursachen von Tarifwahl-Biases verglichen. Die Ergebnisse der empirischen Analysen werden zum Abschluss von Kapitel 5 kritisch gewürdigt. In Kapitel 6 werden die Untersuchungsergebnisse der Arbeit zunächst aus wissenschaftlicher Perspektive interpretiert, wobei auch ein deskriptiver Vergleich zu bisherigen Erkenntnissen im B-to-C-Kontext gezogen wird. Darauf aufbauend werden Implikationen für die Praxis abgeleitet, die Grenzen der Untersuchung aufgezeigt und Ansatzpunkte für weitere Forschungsbemühungen geliefert.

14 2

Die Ausgangssituation: Tarifangebot, Tarifwahl und TarifwahlBiases bei Mobilfunktarifen

2.1

Ausgestaltung des Mobilfunktarifangebots eines Anbieters

2.1.1

Eigenschaften von Mobilfunktarifen

Mobilfunkanbieter bieten Geschäftskunden in der Regel verschiedene Tarife an, die die Anbieter zu Tarifsystemen kombinieren, die auch als Tarifstrukturen bezeichnet werden.49 Ein einzelner Mobilfunktarif setzt sich aus verschiedenen Preiskomponenten zusammen, bei denen es sich um einen nutzungsunabhängigen Grundpreis und/oder einen nutzungsabhängigen Nutzungspreis handelt.50 Der Grundpreis bezieht sich dabei immer auf eine festgelegte Periode, wobei eine Periode in der Regel einem Monat entspricht.51 Außerdem werden bei Mobilfunktarifen üblicherweise längerfristige Verträge abgeschlossen, die sich über mehrere Perioden erstrecken.52 Die Tarife lassen sich verschiedenen Tarifarten zuordnen.53 Wichtige in der Praxis auftretende Tarifarten sind ein- und zweiteilige Tarife, wobei sich letztere aus zwei Komponenten, z. B. einem fixen Grundpreis und einem variablen Nutzungspreis, zusammensetzen.54 Tarife lassen sich auch dahingehend unterscheiden, ob im Grundpreis ein Freikontingent enthalten ist. Aus diesen zwei Systematisierungsdimensionen lässt sich eine Tariftypologie entwickeln, die in Tab. 2-1 dargestellt ist. Auf dem deutschen Mobilfunkmarkt für Geschäftskunden finden sich Beispiele für alle vier Tariftypen, die sich aus dieser Systematisierung ergeben. Die angeführten Beispiele beziehen sich auf ein Freikontingent für Sprachkommunikation.55

49 50

51 52

53 54 55

Vgl. Gerum, E./ Sjurts, I./ Stieglitz, N. (2003), S. 86. Vgl. Schön-Peterson, C. (2003), S. 9, Skiera, B. (1999), S. 1 u. S. 55 ff. u. Train, K.E./ Ben-Akiva, M./ Atherthon, T. (1989), S. 63. In der Praxis beträgt die übliche Dauer einer Periode einen Monat. In der Praxis beträgt die übliche Mindestvertragslaufzeit 24 Monate. Es handelt sich um ein kündbares Vertrags- oder Dauerschuldverhältnis, vgl. Kindermann, H. (2006), S. 3. Tarifarten werden auch als Tarifformen bezeichnet, vgl. Schön-Peterson, C. (2003), S. 10 u. Skiera, B. (1999), S. 53. TACKE bezeichnet Tarifarten als Preisstrukturen, vgl. Tacke, G. (1988), S. 2. Vgl. Fassnacht, M. (1996), S. 78 f. Ein Beispiel für ein Freikontingent für Datenübertragung ist der Tarif web’n’walk medium von T-Mobile, in dem 400 MB Inklusivvolumen für einen Grundpreis von 7,56 € und Datenpaketpreis von 29,41 € (ohne MWSt.) enthalten sind, vgl. T-Mobile Deutschland (2007).

15 Tarifart

Einteiliger Tarif

Zweiteiliger Tarif

Ohne Freikontingent

Tarife ohne Grundpreis (z. B. „Business Smart“ von T-Mobile)56

Tarife mit Grundpreis und nutzungsabhängigem Preis (z. B. „BusinessClassic“ von Vodafone)57

Mit Freikontingent

Tarife mit Grundpreis und unbeschränktem Freikontingent (z. B. „free Flat XL“ 58 von freenet)

Tarife mit Grundpreis und beschränktem Freikontingent (z. B. „Relax 1000 Business“ 59 von T-Mobile) Tarife ohne Grundpreis und mit Mindestumsatz (z. B. „Zehnsation Classic Pro“ von ePlus)60

Tab. 2-1:

Systematisierung und Beispiele von Mobilfunktariftypen61

Zweiteilige Tarife mit Grundpreis und nutzungsabhängigen Preisen, bei denen kein Freikontingent enthalten ist, haben lange Zeit den bedeutendsten Tariftyp für Geschäftskunden in Deutschland dargestellt.62 In den letzten Jahren haben jedoch Tarife mit Freikontingent stark an Bedeutung gewonnen.63 Tarife mit beschränktem Freikontingent werden als Volumen- oder Flatratetarife bezeichnet.64 Andere Autoren sprechen hierbei auch von dreiteiligen Tarifen.65 In diesen Tarifen ist bis zum Erreichen der Nutzungsmenge des Freikontingents für den Nachfrager lediglich der Grundpreis zu entrichten. Nach Überschreiten des Freikontingents wird jedoch zusätzlich zum Grundpreis ein Nutzungspreis fällig. Ein Extremfall des Volumentarifs ist die (reine) Flatrate (FR), die für einen Grundpreis ein unbeschränktes Freikontingent enthält und die auch als Pauschaltarif bezeichnet wird.66 Tarife ohne Grundgebühr und ohne Freikontingent können ebenfalls als Extremfall des Volumentarifs aufgefasst werden.67 Eine Bezeichnung für diese linearen Tarife ist Pay-per-Use (PPU)-

56 57

58 59

60 61 62 63

64

65 66

67

Grundpreis: 0 €, Verbindungspreis je Minute 0,25 € (ohne MWSt.), vgl. T-Mobile Deutschland (2007). Grundpreis: 20 €, Verbindungspreis je Minute zwischen 0,07 € und 0,39 € (ohne MWSt.), vgl. Vodafone D2 (2007). Grundpreis: 89 € (inkl. MWSt.), Verbindungspreis: 0 €, vgl. freenet (2007). Grundpreis: 48,95 €, Verbindungspreis: 0,25 €, Inklusivminuten: 1000 (ohne MWSt.), vgl. T-Mobile Deutschland (2007). Mindestumsatz: 8,40 €, Verbindungspreis: 0,08 € (ohne MWSt.), vgl. E-Plus (2007). Quelle: Eigene Darstellung. Vgl. Kapitel 1.2 Vgl. Kapitel 1.2. Zur steigenden internationalen Bedeutung dieses Tariftyps vgl. Iyengar, R. (im Druck), S. 2. u. Jensen, S. (2006), S. 10. In der Praxis ist die Bezeichnung Flatrate-Tarif weit verbreitet. Im Rahmen der Arbeit wird jedoch die wissenschaftliche Bezeichnung Volumentarif verwendet, vgl. Lambrecht, A. (2005), S. 13. In der englischsprachigen Literatur wird der Volumentarif auch als „block-of-time tariff“ oder „valu-pack“ bezeichnet, vgl. Mitchell, B.M./ Vogelsang, I. (1991), S. 182 f., Train, K.E. (1991), S. 192 f. u. Train, K.E./ Ben-Akiva, M./ Atherthon, T. (1989), S. 65. Ein weiterer Begriff ist “measured service”, vgl. Train, K.E./ McFadden, D.L./ Ben-Akiva, M. (1987), S. 109. Vgl. Lambrecht, A./ Seim, K./ Skiera, B. (2007), S. 698 f. u. Jensen, S. (2006), S. 11. Vgl. Skiera, B. (1999), S. 73 ff. Weitere englische Begriffe sind „buffet pricing“, „no-limit-on-quantity-pricing“, vgl. Nahata, B./ Ostaszewski, K./ Sahoo, P. (1999), S. 215. SKIERA geht nicht auf Volumentarife ein, bezeichnet jedoch lineare Tarife und Pauschaltarife als Spezialfälle zweiteiliger Tarife, vgl. Skiera, B. (1999), S. 83.

16 Tarif.68 Dem Tariftyp „Volumentarif“ wurde bisher wenig Aufmerksamkeit in der wissenschaftlichen Literatur geschenkt.69 Der allgemeine Ausdruck für den Rechnungsbetrag in den vier angeführten Tariftypen findet sich in Formel (1).70

RB i (GP , p )

(1)

GP  D ˜ p ˜ q i (GP , p )  q max i  I

Mit

RB

= Rechnungsbetrag

GP

= Grundpreis

p q q max I

= Nutzungspreis pro Einheit = Nutzungsmenge = Freikontingent = Indexmenge der Nutzer

Für Formeln (1) und (2) gilt jeweils:

D

­0 ® ¯1

für qi d q max für qi ! q max

Formel (2) stellt den Gewinn des Mobilfunkanbieters als Differenz aus Umsatz und Kosten über alle Nutzer dar. (2)

G (GP, p )

¦ >GP  D ˜ p ˜ q (GP, p)  q @  ¦ >k i

iI

max

v

˜ qi (GP, p )@  K fix

iI

Zusätzlich mit

68

69

70

G

= Gewinn des Anbieters

kv K fix

= Variable Kosten = Fixkosten

Bei linearen Tarifen besteht ein linearer Zusammenhang zwischen Erlös und Absatzmenge, vgl. Skiera, B. (1999), S. 59 ff. Auch Prepaid-Tarife gehören in diese Kategorie. Mittlerweile werden allerdings auch PrepaidTarife angeboten, bei denen der nutzungsabhängige Preis mit steigender Vorauszahlung abnimmt, die damit nicht-linear sind, vgl. bspw. O2 Germany (2007). Vgl. bspw. die fehlende Berücksichtigung bei Skiera, B. (1999). LAMBRECHT widmet sich dem Volumentarif zwar in den theoretischen Kapiteln, in der empirischen Analyse beschäftigt sie sich aber mit den Extremformen Pay-per-Use und Flatrate, vgl. Lambrecht, A. (2005). Volumentarife finden explizite Berücksichtigung in den theoretischen mikroökonomischen Analysen bei Jensen, S. (2006) u. Masuda, Y./ Whang, S. (2006), sowie bei den Analysen des Nachfragerverhaltens unter dreiteiligen Tarifen bei Lambrecht, A./ Seim, K./ Skiera, B. (2007) u. Iyengar, R. (im Druck). Formeln verallgemeinert aus Lambrecht, A. (2005), S. 17 f.

17 Drei Erlös bestimmende Tarifparameter können demnach vom Mobilfunkanbieter variiert werden: der Grundpreis GP , der Nutzungspreis p und das im Grundpreis eingeschlossene Freikontingent q max . Je nach Tariftyp sind die Tarifparameter unterschiedlich ausgestaltet (vgl. Tab. 2-2). Einteilige Tarife

Tarife ohne Freikontingent

Tarife mit Freikontingent

Tab. 2-2:

Zweiteilige Tarife

Pay-per-Use-Tarif (PPU)

Klassischer zweiteiliger Tarif (ZT)

GP = 0 p = pPPU qmax = 0

GP = GPZT p = pZT qmax = 0

Flatrate (FR)

Volumentarif (VT)

GP = GPFR p=0 qmax => ’

GP = GPVT p = pVT qmax = qmax,VT

Tarifparameter verschiedener Mobilfunktariftypen71

Der schematische Verlauf von Rechnungsbetrag, Durchschnittspreis und marginalem Preis eines Volumentarifs in Abhängigkeit von der Nachfragemenge verhält sich bis zum Überschreiten des Freikontingents q max wie die Flatrate, nach Überschreiten des Freikontingents wie der Pay-per-Use-Tarif (vgl. Abb. 2-1). Auch wird deutlich, dass es sich bei Volumentarifen um nicht-lineare Tarife handelt,72 die sich demnach der mengenbezogenen Preisdifferenzierung zuordnen lassen.73 Flatrate

Rechnungsbetrag Durchschnittspreis Marginaler Preis

Geldeinheiten

Geldeinheiten

Pay-per-Use-Tarif

Rechnungsbetrag Durchschnittspreis Marginaler Preis

GPFR

pPPU

1 Mengeneinheit

71 72

73

Nachfragemenge

1 Mengeneinheit

Nachfragemenge

Quelle: Eigene Darstellung mit inhaltlicher Anlehnung an Lambrecht, A. (2005), S. 14 ff. u. Skiera, B. (1999), S. 59 ff. Bei nicht-linearen Tarifen besteht ein nicht proportionaler Zusammenhang zwischen Erlös und Absatzmenge. Üblicherweise liegt ein sinkender Durchschnittspreis je abgesetzter Einheit vor. Zu nicht-linearen Tarifen vgl. Büschken, J. (2003), S. 523 ff., Wilson, R.B. (1993) u. Tacke, G. (1988). Vgl. Kapitel 1.1.

18 (Fortsetzung)

Geldeinheiten

Volumentarif Rechnungsbetrag Durchschnittspreis Marginaler Preis

GPVT

pVT

1 Mengeneinheit

Abb. 2-1:

2.1.2

qmax,VT

Nachfragemenge

Rechnungsbetrag, Durchschnittspreis und marginaler Preis in drei Tariftypen74

Zusammensetzung von Mobilfunktarifsystemen

Einzelne Tarife für Geschäftskunden werden vom Mobilfunkanbieter zu einem Tarifsystem gebündelt. Der Nachfrager kann daher aus mehreren so genannten optionalen Tarifen den geeigneten Tarif auswählen.75 Das Angebot optionaler Tarife hat den Vorteil, dass mit den unterschiedlichen Tarifen verschiedene Marktsegmente angesprochen werden, so dass mehr Nachfrager die angebotenen Tarife nutzen und somit im Gegensatz zum Angebot eines einzigen Tarifs eine Gewinnsteigerung für den Mobilfunkanbieter möglich ist.76 Die Tarife eines Anbieters sind in der Praxis so ausgestaltet, dass ein höherer Grundpreis einem höheren Freikontingent entspricht.77 Der Nutzungspreis nimmt gleichzeitig mit steigender Grundgebühr ab (vgl. Abb. 2-2). Bietet ein Mobilfunkanbieter verschiedene optionale Volumentarife an, so sind Pay-per-Use-Tarif und Volumentarife mit geringem Freikontingent für Personen geeignet, die wenig telefonieren, wohingegen die Flatrate und Volumentarife mit hohem Freikontingent für Personen, die viel telefonieren, geeignet sind.

74 75 76

77

Quelle: Eigene Darstellung in Anlehnung an Lambrecht, A. (2005), S. 14 ff. u. Skiera, B. (1999), S. 59 ff. Vgl. Skiera, B./ Albers, S. (2001), S. 217, Skiera, B. (1999), S. 55 u. Mitchell, B.M./ Vogelsang, I. (1991), S. 95. Vgl. Lambrecht, A. (2005), S. 18, Train, K.E. (1994), S. 256 ff., u. Murphy, M.M. (1977), S. 593 f. Die Gestaltung einer optimalen Tarifstruktur ist bei nutzungsbasierten Dienstleistungen jedoch ein komplexes Problem, vgl. Essegaier, S./ Gupta, S./ Zhang, Z.J. (2002), S. 150. Vgl. Jensen, S. (2006), S. 11.

Rechnungsbetrag

19

PPU-Tarif Volumentarif 1 Volumentarif 2 Flatrate

Nachfragemenge

Abb. 2-2:

Auszug einer beispielhaften Tarifstruktur eines Mobilfunkanbieters78

Die Tarifstruktur ist demnach so ausgestaltet, dass bei Vollausschöpfung des Freikontingents in einem Tarif mit höherem Freikontingent der durchschnittliche Preis einer Nutzungseinheit des Kontingents niedriger ist als in einem Tarif mit niedrigerem Kontingent. Durch diesen Mengenrabatt hat der Nachfrager einen Anreiz, seine Nutzungsmenge nicht zu unterschätzen, da er sonst durch die höheren Nutzungspreise bei Überschreitung des Kontingents „bestraft“ würde. Allerdings steigt bei Nichtausnutzung des Kontingents der durchschnittliche Preis, da der Grundpreis auf eine geringere Zahl von Mengeneinheiten verteilt wird. Somit hat der Nachfrager gleichfalls einen Anreiz, seine Nutzungsmenge nicht zu überschätzen. Eine möglichst genaue Abschätzung der Nutzungsmenge minimiert deshalb den Rechnungsbetrag für den Nachfrager. Gleichzeitig liefert er durch seine Einordnung in einen Tarif dem Anbieter Informationen über seine geplante Nutzungsmenge. Dies erleichtert dem Mobilfunkanbieter die Prognose der Nachfragemenge.79 Bietet der Mobilfunkanbieter optionale Tarife an, so ist es in seinem Interesse, diese Tarife und die Tarifstruktur derart zu optimieren, dass er seine Gewinne kurz- und langfristig maximiert. Insbesondere für die kurzfristige optimale Gestaltung von Tari-

78 79

Quelle: Eigene Darstellung in Anlehnung an Jensen, S. (2006), S. 11 u. Lambrecht, A. (2005), S. 19. Vgl. Lambrecht, A. (2005), S. 19.

20 fen und Tarifstrukturen sind in der Literatur Modellvorschläge entwickelt worden, die auf dem Tarifwahlverhalten der Nachfrager basieren.80 2.2

Tarifwahl und Tarifwahl-Biases eines Nachfragers

Die Tarifwahl der Nachfrager ist essenziell für die Optimierung der Tarifstruktur eines Anbieters. In den relevanten Arbeiten werden hierfür häufig mikroökonomische Grundlagen des Nutzungs- und Tarifwahlverhaltens herangezogen, die auf der neoklassischen mikroökonomischen Haushaltstheorie basieren.81 In der neoklassischen mikroökonomischen Haushaltstheorie werden einige Prämissen bzw. Annahmen gesetzt, um die Realität für die Analyse greifbar zu machen.82 Eine fundamentale Annahme dieser Ansätze ist, dass sich ein Nachfrager rational und Nutzen maximierend verhält und dass dem rational handelnden Individuum vollkommene Informationen zur Verfügung stehen. Außerdem passt das Individuum sein Nachfrageverhalten mit unendlicher Reaktionsgeschwindigkeit an Veränderungen des Angebots an.83 Von zentraler Bedeutung ist außerdem das Erste Gossen’sche Gesetz. Es besagt, dass mit steigendem Verbrauch eines Guts (oder einer Dienstleistung) der Gesamtnutzen bis zum Eintritt einer Sättigung steigt, der jeweilige Grenznutzen, also der damit verbundene Nutzenzuwachs, jedoch abnimmt.84 Das Mobilfunknutzungsverhalten eines Nachfragers in einem Tarif lässt sich nach diesen Ansätzen über die Zahlungsbereitschaftsfunktion, die Preisbereitschaftsfunktion und die Nachfragefunktion abbilden.85 Die Zahlungsbereitschaftsfunktion beschreibt, wie viel ein Nachfrager für eine bestimmte Nachfragemenge zu zahlen bereit ist, während die Preisbereitschaftsfunktion abbildet, wie viel ein Nachfrager für eine zusätzliche Mengeneinheit zu zahlen bereit ist.86 Die Nachfragefunktion stellt dar, welche Menge ein Nachfrager bei einem bestimmten Nutzungspreis nachfragt.

80

81

82 83 84 85 86

Vgl. bspw. im deutschsprachigen Raum die Dissertation von SCHULZE, der einen Optimierungsansatz für Online-Zeitungen unter Integration von Tarifwahl-Biases liefert, vgl. Schulze, T. (2005). SCHÖN-PETERSON stellt einen Modellierungsansatz zur optimalen Gestaltung optionaler multiattributiver Tarife im Telekommunikationsmarkt auf, vgl. Schön-Peterson, C. (2003). Sie geht damit weiter als SKIERA, der die Optimierung optionaler zweiteiliger Tarife modelliert, vgl. Skiera, B. (1999). Die Pionierarbeit von TACKE beschäftigt sich mit der optimalen Ausgestaltung eines Tarifs unter mengenbezogener Preisdifferenzierung, vgl. Tacke, G. (1988). Im englischsprachigen Raum vgl. bspw. Sundararajan, A. (2004) für die optimale Tarifgestaltung von Informationsgütern, Dahaher, P.J. (2002) u. Essegaier, S./ Gupta, S./ Zhang, Z.J. (2002) für die Tarifgestaltung bei nutzungs- u. abonnementbasierten Dienstleistungen. Vgl. Skiera, B. (1999), S. 19 ff. Insbesondere bei preispolitischen Fragestellungen im Marketing, bei denen Preisabsatzfunktionen eine wichtige Rolle spielen, wird häufig auf die mikroökonomische Theorie zurückgegriffen, vgl. Riepe, C. (1984), S. 12. Vgl. Herdzina, K. (2005), S. 37 f. Vgl. Herdzina, K. (2005), S. 45 ff. u. Voeth, M. (2000), S. 9. Vgl. Skiera, B. (1999), S. 19 f. u. Tacke, G. (1988), S. 57 f. Vgl. hierzu und im Folgenden ausführlich Lambrecht, A. (2005), S. 21 ff. u. Skiera, B. (1999), S. 19 ff. Die Preisbereitschaft entspricht damit der marginalen Zahlungsbereitschaft.

21 Durch die Nutzung einer Mobilfunkleistung entsteht dem Nachfrager ein Nutzen. Dieser Nutzen wird in diesem Kontext als Bruttonutzen bezeichnet.87 Andererseits entstehen dem Nachfrager beim Erwerb und der Nutzung der Mobilfunkleistung Kosten. Die Differenz zwischen dem Bruttonutzen und den mit der Nutzung verbunden Kosten wird als Nettonutzen bezeichnet.88 Es wird angenommen, dass Nachfrager diesen Nettonutzen maximieren. Der Nettonutzen wird in von der neoklassischen mikroökonomischen Haushaltstheorie geprägten Arbeiten durch die Konsumentenrente ausgedrückt, die den Geldbetrag darstellt, den der Nachfrager bereit wäre, zusätzlich für die Nutzung der Mobilfunkleistung auszugeben.89 Die Konsumentenrente bestimmt sich also anhand der Differenz der Zahlungsbereitschaft und des Rechnungsbetrags. Bei einem Tarifangebot, das lediglich einen Tarif enthält, wird angenommen, dass der Nachfrager immer die Nutzungsmenge wählen wird, bei der er die höchstmögliche Konsumentenrente erzielt. Werden mehrere optionale Tarife angeboten, dann wird davon ausgegangen, dass der Nachfrager ebenfalls seine Konsumentenrente maximiert und immer den Tarif wählt, in dem er die höchste Konsumentenrente erzielt.90 In der neoklassisch-mikroökonomisch geprägten Literatur wird die Annahme getroffen, dass der Nachfrager seinen Nutzen ausschließlich aus der Nachfragemenge bezieht und daher für alle Tarife eine einheitliche Zahlungsbereitschaftsfunktion besteht.91 Der Nachfrager, der eine wie in Abb. 2-3 dargestellte Zahlungsbereitschaftsfunktion aufweist, die auf den Grundannahmen des 1. Gossen’schen Gesetz basiert, wird also aus den angebotenen Tarifen „Volumentarif 2“ wählen, da er dort die maximale Konsumentenrente erzielt. Auf Grundlage dieser Überlegungen kann der Mobilfunkanbieter das Angebot verschiedener optionaler Tarife optimieren, sofern die Zahlungsbereitschaftsfunktionen der Nachfrager bekannt sind.92

87

88

89 90

91 92

In der bestehenden mikroökonomisch geprägten Literatur zur Preisdifferenzierung wird davon ausgegangen, dass der Bruttonutzen ausschließlich auf Basis der Nutzung der Dienstleistung entsteht, vgl. Lambrecht, A. (2005), S. 24 u. Varian, H.R. (2003), S. 249. Vgl. Skiera, B. (1999), S. 117 sowie die dort in Fußnote 117 angegebenen Quellen zur Preisgestaltung mikroökonomischen Ursprungs. Der Nettonutzen entsteht in diesen Arbeiten im Gegensatz zum in Kapitel 3.2.1.1 eingeführten Netto-Nutzen-Begriff, der von PLINKE konzipiert wurde, ausschließlich auf Basis der Nutzung der Dienstleistung. Vgl. Skiera, B. (1999), S. 35 u. die ausführliche Erläuterung zur Konsumentenrente in Mac Kenna, C.J./ Rees, R. (1992). Die Konsumentenrente lässt sich in marginale und totale Konsumentenrente differenzieren. Anforderungen bei der Bestimmung der optimalen Nachfragemenge und der Tarifwahl: 1. Die optimale Menge ist nicht negativ, 2. Die erzielte Konsumentenrente ist nicht negativ, 3. Nachfragemenge und Tarifwahl führen zur höchsten Konsumentenrente aller Tarife, 4. In keinem anderen Tarif wird bei höherer Nachfragemenge eine genauso hohe Konsumentenrente erzielt, vgl. Skiera, B. (1999), S. 43. Vgl. Lambrecht, A. (2005), S. 27. Die empirische Ermittlung von Zahlungsbereitschaften und die Schätzung von entsprechenden Funktionen stellen weitere Problembereiche dar, auf die im Rahmen dieser Arbeit nicht näher eingegangen wird. Für einen Überblick zu Methoden zur Ermittlung von Zahlungsbereitschaften vgl. bspw. Voeth, M./ Niederauer, C.

Rechnungsbetrag Zahlungsbereitschaft

22

PPU-Tarif Volumentarif 1 Volumentarif 2 Flatrate Zahlungsbereitschaftsfunktion

Maximale Konsumentenrente

Nachfragemenge bei Maximierung der Konsumentenrente

Abb. 2-3:

Nachfragemenge

Tarifwahlverhalten eines Nachfragers in einer beispielhaften Tarifstruktur93

Die Optimierung der Tarifstruktur auf Basis der Annahmen vollständiger Informationen, eines wie beschrieben „hyperrational“ handelnden Nachfragers, und der Gleichsetzung von Bruttonutzen mit der Nutzung kann jedoch in der Praxis zu Überraschungen führen. Denn die empirische Forschung zum Tarifwahlverhalten hat gezeigt, dass Nachfrager häufig nicht den für sie zur Maximierung der Konsumentenrente führenden Tarif wählen.94 In vielen Fällen entscheiden sich Nachfrager für einen Tarif, obwohl sie bei der vorliegenden Nutzungsmenge in einem anderen Tarif weniger gezahlt hätten.95 Dieses Phänomen wird als Tarifwahl-Bias bezeichnet. Bei einer Tarifstruktur, die Volumentarife enthält, können Tarifwahl-Biases nach Pay-perUse-Bias und Flatrate-Bias unterschieden werden. Dabei werden in enger Anlehnung an LAMBRECHT und LAMBRECHT/SKIERA die in Tab. 2-3 dargestellten Definitionen gewählt, nach denen die Biases nicht nur bei Wahl der Extremformen Pay-per-Use-Tarif und Flatrate vorliegen können.

93 94 95

(2007), S. 1073 ff., Roth, S. (2006), S. 19 ff., Völckner, F. (2006a), Völckner, F. (2006b) u. Sattler, H./ Nitschke, T. (2003). Zur Eignung bzw. zur situationsspezifischen Eignung einzelner Verfahren zur Ermittlung von Zahlungsbereitschaften vgl. Backhaus, K. et al. (2005) u. Sichtmann, C./ Stingel, S. (2007). Zur Bestimmung von Zahlungsbereitschaftsfunktionen vgl. Schulze, T./ Gedenk, K./ Skiera, B. (2005) u. Skiera, B. (1999), S. 21 ff. Quelle: Eigene Darstellung in Anlehnung an Lambrecht, A. (2005), S. 28. Vgl. Kapitel 4.2.2. Vgl. bspw. Mitchell, B.M./ Vogelsang, I. (1991), Hobson, M./ Spady, R.H. (1988) u. Train, K.E./ McFadden, D.L./ Ben-Akiva, M. (1987) und den Überblick über empirische Studien zu Tarifwahl-Biases in Tab. 4-3. Auch die Forschung zum Bietverhalten in Auktionen hat gezeigt, dass sich die Bieter häufig nicht hyperrational verhalten. Für einen praxisorientierten Überblick der aktuellen Auktionsforschung und dem vermeintlich „irrationalen“ Verhalten von Bietern vgl. Gaub, M. (2007), S. 112 ff.

23 Definition Tarifwahl-Bias

Ein Tarifwahl-Bias liegt vor, wenn ein Nachfrager aus einem Angebot optionaler Volumentarife einen Tarif wählt, obwohl der Rechnungsbetrag bei der vorliegenden Nachfragemenge in einem anderen Tarif niedriger wäre. Definition Flatrate-Bias

Definition Pay-per-Use-Bias

Ein Flatrate-Bias liegt vor, wenn ein Nachfrager aus einem Angebot optionaler Volumentarife einen Tarif mit höherem Grundpreis und höherem Freikontingent wählt, obwohl der Rechnungsbetrag bei der vorliegenden Nachfragemenge in einem Tarif mit geringerem Grundpreis und geringerem Freikontingent niedriger wäre.

Ein Pay-per-Use-Bias liegt vor, wenn ein Nachfrager aus einem Angebot optionaler Volumentarife einen Tarif mit geringerem Grundpreis und geringerem Freikontingent wählt, obwohl der Rechnungsbetrag bei der vorliegenden Nachfragemenge in einem Tarif mit höherem Grundpreis und höherem Freikontingent niedriger wäre.

Tab. 2-3:

Definitionen Tarifwahl-Bias, Flatrate-Bias und Pay-per-Use-Bias96

Das Auftreten von Tarifwahl-Biases ist unter den bislang getroffenen Annahmen vollkommener Informationen und unendlicher Reaktionsgeschwindigkeit nicht zu erklären, da unter diesen Annahmen Tarifwahl-Biases nicht auftreten dürften. Daher müssen die strikten Annahmen eines „hyperrational“ handelnden Nachfragers, der seine Entscheidungen unter Sicherheit trifft, gelockert werden. Es ist Ziel etlicher neuerer mikroökonomischer Ansätze, diese Annahme aufzulösen, indem ökonomisches Handeln als „rationales Handeln unter Unsicherheit“97 aufgefasst wird.98 Unsicherheit wird in der mikroökonomischen Theorie als Informationsmangel betrachtet.99 BACKHAUS/AUFDERHEIDE/SPÄTH unterscheiden „Unsicherheit“ weiter nach der Vollständigkeit des Wissens. Vollständiges Wissen liegt vor, wenn die möglichen zukünftigen Ereignisse sowie deren denkbaren Ausprägungen bekannt sind, gleichzeitig jedoch Unsicherheit darüber besteht, welche der Ausprägungen dieser Ereignisse in Zukunft eintreten werden.100 Wenn Nachfragern jedoch zukünftige Ereignisse gänzlich unbekannt sind, so wird dies als beschränkte Rationalität bezeichnet.101 Beschränkte Rationalität äußert sich darin, dass Individuen zwar beabsichtigen, sich rational (im Sinne von Nutzen maximierend im Ergebnis) zu verhalten, dass sie hierzu jedoch auf-

96

97 98 99 100 101

Quelle: Definitionen in enger Anlehnung an. Lambrecht, A./ Skiera, B. (2006a), S. 212, Lambrecht, A./ Skiera, B. (2006b), S. 589 u. Lambrecht, A. (2005), S. 31 f. Bei einem Tarif mit höherem Grundpreis und Freikontingent kann es sich um einen Volumentarif mit höherem Grundpreis und Freikontingent oder eine Flatrate handeln. Bei einem Tarif mit niedrigerem Grundpreis kann es sich um einen Pay-per-Use-Tarif oder um einen Volumentarif mit niedrigerem Grundpreis und Freikontingent handeln. Backhaus, K./ Aufderheide, D./ Späth, G.-M. (1994), S. 19. Vgl. Voeth, M. (2000), S. 16 u. Becker, G.S. (1993b), S. 167 ff. Vgl. Fritsch, M./ Wein, T./ Ewers, H.-J. (1993), S. 185 f. Vgl. Backhaus, K./ Aufderheide, D./ Späth, G.-M. (1994), S. 21. Vgl. Williamson, O.E. (1985), S. 44 ff.

24 grund unvollständiger Informationen nur im Rahmen der Grenzen der zur Verfügung stehenden Informationen in der Lage sind.102 Dadurch wird deutlich, dass mit beschränkter Rationalität nicht irrationales Verhalten gemeint ist, sondern vielmehr die Grenzen definiert werden, in deren Rahmen sich das Individuum rational verhalten kann.103 Die Diskussion der Eigenschaften von Mobilfunktarifen hat deutlich gemacht, dass Nachfrager zwei getrennte Entscheidungen zu treffen haben: Die Tarifwahl als Entscheidung über den Abschluss eines Tarifs, was als „Tarifzugang“ bezeichnet wird,104 und die Entscheidung über die Nutzungsmenge in Bezug auf Mobilfunktelefoneinheiten.105 Dies hat Auswirkungen auf die Unsicherheit über die ökonomische Vorteilhaftigkeit eines Tarifs, da beide Entscheidungen diese beeinflussen. Die Entscheidung über den Tarifzugang beeinflusst die Höhe des Grundpreises und die Entscheidung über die Nutzungsmenge die nutzungsbezogenen Kosten. Die Entscheidung über die Nutzungsmenge wird jedoch zeitlich nachgelagert getroffen, so dass von sequenziellen Entscheidungen gesprochen wird.106 Die ökonomische Vorteilhaftigkeit eines Tarifs bestimmt sich aufgrund längerer Vertragslaufzeiten außerdem über mehrere Monate oder Perioden, wobei die Zahl der Perioden in der Regel vertraglich festgelegt ist.107 Die Entscheidung über den Tarifzugang wird somit zu einem bestimmten Zeitpunkt getroffen, wohingegen die Entscheidungen über die Nutzungsmenge in einen anderen, nachgelagerten Zeitraum fallen. Konsequenz dieser sequenziellen Entscheidungen ist, dass über die Gesamtnutzungsmenge zum Zeitpunkt des Tarifzugangs Unsicherheit besteht und im Sinne der Theorie nicht nur unvollkommenes, sondern sogar unvollständiges Wissen herrscht, da die Nutzungsmenge im Zeitverlauf schwankend sein kann.108 Denn diese Schwankungen sind stochastischer Art, da sie aufgrund exogen gegebener und nicht mit Sicherheit prognostizierbarer Einflussfaktoren zustande kommen und somit zufälligen Einflüssen unterliegen.109 Damit erweist sich die Annahme beschränkter Rationalität als für die weitere Analyse geeignet.

102 103 104 105 106 107

108

109

Vgl. Voeth, M. (2000), S. 20. Vgl. Williamson, O.E. (1985), S. 45. Vgl. Büschken, J. (1997), S. 14. Vgl. Huang, C.-I. (2007), S. 2. Vgl. Büschken, J. (1997), S. 14. Diese Beschreibung von Mobilfunktarifen erfolgt anhand der von BÜSCHKEN entwickelten Systematik für sequenzielle nicht-lineare Tarife, vgl. Büschken, J. (2003), S. 529 u. Büschken, J. (1997), S. 14 ff. BÜSCHKEN unterscheidet deterministisch und stochastisch schwankende Nutzungsmengen. Im Fall von Mobilfunktarifen handelt es sich um stochastisch schwankende Nutzungsmengen, vgl. Büschken, J. (1997), S. 27. Vgl. Büschken, J. (1997), S. 35 u. S. 38.

25 Aus der Sequenzialität der Entscheidungen ergibt sich außerdem, dass der Zeitpunkt der Tarifwahl und der Zeitpunkt, zu dem Tarifwahl-Biases auftreten können, auseinanderfallen. Denn die Tarifwahl wird vor dem Beginn der ersten Nutzungsperiode getroffen, wohingegen Tarifwahl-Biases erst nach Ablauf der Nutzungsperiode festzustellen sind. Die Definitionen von Tarifwahl-Biases zeigen zudem, dass Mobilfunkanbieter beim Vorliegen von Biases einen höheren Umsatz erzielen als in Situationen, in denen keine Biases vorliegen. Der Grund liegt darin, dass ein Nachfrager beim Vorliegen eines Bias einen höheren Rechnungsbetrag entrichten muss als im Fall, dass kein Bias vorläge. Denn dann hätte der Nachfrager den Tarif gewählt, der zum niedrigsten Rechnungsbetrag führt, und somit wäre der Umsatz des Anbieters geringer. Der Anbieter hat zunächst ein Interesse an den von den Nachfragern gewählten Tarifen, da sich sein Umsatz auf Basis der gewählten Tarife bestimmt. Allerdings ist für ihn auch von Bedeutung, welcher „zusätzliche“ Umsatz aufgrund von TarifwahlBiases entsteht, weil Nachfrager möglicherweise für den Mobilfunkanbieter negative Konsequenzen aus dem Vorliegen eines Tarifwahl-Bias ziehen. Möglicherweise wechseln Nachfrager in Tarife, bei denen der Anbieter weniger Umsatz erzielt oder sie kündigen sogar ihren Vertrag mit diesem Anbieter, so dass der Umsatz mit diesem Nachfrager ganz wegfällt. Diese Gefahr sollte der Anbieter beurteilen können.110 Im Rahmen der Arbeit werden daher für verschiedene Aspekte von Tarifwahl-Biases mehrere Bestimmungsgrößen eingeführt: Die Existenz von Tarifwahl-Biases ist nachgewiesen, wenn Tarifwahl-Biases auftreten. Die Bedeutung ergibt sich aus der Häufigkeit des Auftretens von Tarifwahl-Biases im Verhältnis zu allen Tarifwahlentscheidungen. Zur Bestimmung der Umsatzwirksamkeit von Tarifwahl-Biases ist zudem von Interesse, wie hoch der Betrag ist, den ein einzelner Nachfrager zu viel bezahlt. Dies wird als Ausmaß von Tarifwahl-Biases bezeichnet. Der zusätzliche Umsatz, den ein Anbieter aus dem Vorliegen von Tarifwahl-Biases erzielt, wird als Wert von Tarifwahl-Biases bezeichnet. Das Auftreten von Tarifwahl-Biases zeigt darüber hinaus, dass sich Nachfrager nicht „hyperrational“ verhalten. Für die korrekte Prognose der Tarifwahl und die Optimierung der Tarifstruktur ist es aber essenziell, die tatsächlichen Gründe der Tarifwahl des Nachfragers zu kennen, um diese in Modellierungsansätzen integrieren zu kön-

110

REICHHELD spricht in diesem Zusammenhang von „Bad Profits“, vgl. Reichheld, F. (2006), S. 4 ff.

26 nen.111 Zudem kann ein Mobilfunkanbieter bei Kenntnis der definitiven Gründe für Tarifwahl und Tarifwahl-Biases besser abschätzen, welche Gefahren in Bezug auf Umsatzeinbußen aus dem Vorliegen von Tarifwahl-Biases entstehen, und er erhält die Möglichkeit, gegensteuernde Maßnahmen zu ergreifen. Aus diesem Grund erfolgt in Kapitel 3 eine theoriebasierte Analyse des Tarifwahlverhaltens von Geschäftskunden bei Mobilfunktarifen unter Berücksichtigung des Phänomens „Tarifwahl-Biases“ zur Identifikation von Ursachen für Tarifwahl und Tarifwahl-Biases. Bei der Analyse des Tarifwahlverhaltens von Geschäftskunden sind verschiedene grundlegende Aspekte zu berücksichtigen, da es sich um organisationale Nachfrager handelt.112

111

112

Den ersten Ansatz zur Integration von Tarifwahl-Biases in die Bestimmung optimaler Preisstrukturen liefern SCHULZE und SCHULZE/GEDENK, die optimale Preise für eine Online-Zeitung bestimmen, vgl. Schulze, T./ Gedenk, K. (2005) u. Schulze, T. (2005), S. 195. LAMBRECHT/SEIM/SKIERA integrieren ebenfalls tarifspezifische Präferenzen in ihr Tarifwahlmodell bei dreiteiligen Tarifen, vgl. Lambrecht, A./ Seim, K./ Skiera, B. (2007), S. 703. Vgl. Backhaus, K./ Voeth, M. (2007), S. 10.

27 3

Theoretisch-konzeptionelle Analyse des Tarifwahlverhaltens bei Mobilfunktarifen im B-to-B-Bereich

3.1

Tarifwahl als Unternehmensentscheidung

3.1.1

Verstärkte Unsicherheit bei Tarifwahlentscheidungen von Unternehmen

In Unternehmen erwächst bei der Entscheidung über den Tarifzugang ein weiteres entscheidungsrelevantes und unsicherheitsverstärkendes Problem. Sobald das Unternehmen aus mehr als einem Beschäftigten besteht, kann es vorkommen, dass die Entscheidung über den Tarifzugang von einer anderen Person getroffen wird als die Entscheidung über die Nutzungsmenge (vgl. Abb. 3-1).

Unternehmen

Nutzer 1

Entscheidung Tarifzugang 1 bis N

Entscheidung Nutzungsmenge 1

…

Entscheider Nutzer N Entscheidung Nutzungsmenge N Zeitpunkt 1

Zeitraum 1 bis T

N: T:

Abb. 3-1:

Beurteilung Anzahl der Nutzer Perioden Vertragsdauer

Sequenzielle Tarifwahlentscheidungen im Unternehmen113

Der nachfragende Einheit unterteilt sich demnach in zwei entscheidungsrelevante Personen oder Personengruppen: Entscheider und Nutzer, wobei der Entscheider die Entscheidung über den Tarifzugang trifft, der Nutzer die Entscheidung über die Nutzungsmenge. Der Entscheider muss bei der Tarifwahl daher möglicherweise die zukünftige Nutzung einer anderen Person beurteilen. Zudem wählt der Entscheider u. U. Tarife für mehr als einen Nutzer aus, so dass er nicht nur das Nutzungsverhalten einer Person, sondern das Verhalten mehrerer Personen beurteilen muss. Der Nutzer wiederum muss die Entscheidung über die Nutzungsmenge auf Basis eines

113

Quelle: Eigene Darstellung.

28 von einer anderen Person gewählten Tarifzugangs treffen.114 Diese Faktoren machen die Beurteilung der ökonomischen Vorteilhaftigkeit eines Tarifs für Entscheider und Nutzer komplexer, als wenn sie lediglich über den Tarifzugang für die eigene Person bzw. über die Nutzungsmenge aufgrund des selbst gewählten Tarifzugangs entscheiden müssten. Die personelle Diskrepanz zwischen Entscheider und Nutzer verstärkt damit die Unsicherheit über die ökonomische Vorteilhaftigkeit eines Tarifs, die aufgrund der zeitlichen Sequenzialität der Entscheidungen bereits vorliegt. Die Entscheidung über die Nutzungsmenge beeinflusst zwar die Höhe des Rechnungsbetrags maßgeblich, die Entscheidung über den Tarifzugang gibt jedoch die fixen Parameter vor, die den Rechnungsbetrag steuern. Daher liegt der Fokus der weiteren Überlegungen auf der Entscheidung über den Tarifzugang. 3.1.2

Bestimmung der Analyseeinheit für Tarifwahlentscheidungen von Unternehmen

Zur Bestimmung der geeigneten Analyseeinheit ist die grundsätzliche Art der Entscheidungsfindung im Unternehmen zu betrachten und dies in Zusammenhang mit den Überlegungen im vorangegangen Kapitel zu setzen.115 Ein wichtiges Charakteristikum von Unternehmensentscheidungen besteht darin, dass Entscheidungen häufig von mehr als einer Person getroffen werden.116 Dies wird als multipersonale Entscheidung bezeichnet, bei der sich mehrere Personen zu einem so genannten Buying Center zusammenschließen.117 Nicht nur die sequenziellen Entscheidungen über Tarifzugang und Nutzungsmenge werden also im Unternehmen möglicherweise durch mehrere Personen getroffen, auch an der Entscheidung über den Tarifzugang können mehrere Personen beteiligt sein. Jedes Individuum, das dem Buying Center angehört, weist ein individuelles Tarifwahlverhalten auf.118 Bei einer multipersonalen Entscheidung müssen sich die Buying Center-Mitglieder jedoch auf eine gemeinsame Entscheidung einigen. In der Literatur zur multipersonalen Kaufverhaltensforschung existieren daher zahlreiche Mo-

114

115

116 117

118

Hier ist anzumerken, dass die Entscheidung über den Tarifzugang bewusst getroffen werden muss, wohingegen die Entscheidung über die Nutzungsmenge häufig weniger bewusst getroffen wird, da für den Nutzer häufig zur Erfüllung seiner Aufgaben im Unternehmen die Notwendigkeit besteht zu telefonieren. Für eine detaillierte Darstellung der Analyseeinheiten und –ebenen sowie deren Zusammenhang im B-to-BMarketing vgl. Wilke, R./ Ritter, T. (2006). Vgl. Backhaus, K./ Voeth, M. (2004), S. 8 f. Vgl. Backhaus, K./ Voeth, M. (2007), S. 39. Dementsprechend existiert eine Vielzahl an Arbeiten, die sich mit unterschiedlichen Aspekten von Buying Centern beschäftigen. Die Bedeutung individueller Entscheidungen im B-to-B findet Ausdruck in dem Zitat: “After all, purchase decisions are not made by heartless, hyperrational machines. Purchase decisions are made by people,“ Dwyer, F.R./ Tanner, J.F. (2001), S. 100.

29 delle, die das Zustandekommen von Gruppenentscheidungen im Allgemeinen erklären und den theoretischen Hintergrund zur Abbildung von Gruppenentscheidungen liefern.119 Die meisten dieser Modelle gehen von einem zweistufigen Entscheidungsprozess aus, in dem die einzelnen Buying Center-Mitglieder zunächst individuelle Entscheidungsvorstellungen entwickeln, die dann in einem zweiten Schritt zu einer gemeinsamen Gruppenentscheidung aggregiert werden.120 Für die Aggregation spielen Einflussstrukturen im Buying Center eine wichtige Rolle.121 Allerdings ist nicht für jede Unternehmensentscheidung die Multipersonalität gleich bedeutend. Vielmehr existieren Situationen, in denen Einzelentscheidungen dominieren.122 Als Analyseeinheit kommen daher sowohl das Buying Center als auch ein Individuum potenziell in Frage. Zunächst wird daher überprüft, welche Bedeutung die Multipersonalität bei Tarifwahlentscheidungen einnimmt. Eine Vielzahl an Arbeiten setzt sich mit der Struktur und Größe von Buying Centern auseinander.123 Allerdings beschäftigt sich keine der Arbeiten explizit mit der Größe des Buying Centers bei Tarifwahlentscheidungen von KMUs im Bereich Mobilfunk, Telekommunikation oder verwandten Bereichen. Zwei Einflussfaktoren auf die Größe eines Buying Centers können für Tarifwahlentscheidungen bei KMUs objektiv bestimmt werden: die Phase im Kaufprozess und die Organisationsgröße. Bei der Entscheidung über den Zugang zu einem Mobilfunktarif lassen sich alle in der Literatur genannten Phasen eines industriellen Beschaffungsprozesses identifizieren.124 Relevant für das hier untersuchte Tarifwahlverhalten ist allerdings die Phase, in der die endgültige Entscheidung über den Tarifzugang getroffen wird.125 Die empirische Forschung hat gezeigt, dass in dieser Phase die Größe des Buying Centers am geringsten ist und häufig nur aus einer Person besteht.126

119 120

121

122 123

124

125

126

Vgl. Brinkmann, J./ Voeth, M. (2007), S. 998 f. Für einen Überblick von Ansätzen zur Erklärung multipersonaler Kaufentscheidungen vgl. Brinkmann, J. (2006), S. 10 ff. u. Büschken, J. (1994), S. 18 ff. Ein wichtiges Modell zur Erklärung des Kaufprozesses ist das Prozessmodell von CHOFFRAY/LILIEN, vgl. Backhaus, K./ Voeth, M. (2007), S. 95 ff. Vgl. Brinkmann, J. (2006), S. 22 ff. u. Voeth, M./ Brinkmann, J. (2004), S. 352 f. „Einfluss“ als Determinante von Buying Centern wird im Modell von CORFMAN/LEHMAN eingeführt, vgl. Brinkmann, J. (2006), S. 18. Individualentscheidungen dominieren bspw. bei der Lieferantenwahl, vgl. Patton, W.E. (1997), S. 120, sowie bei modifizierten Wiederholungskäufen, vgl. Patton, W.E./ Puto, C.P./ King, R.H. (1986), S. 129 ff. Vgl. bspw. empirisch Lewin, J.E./ Donthu, N. (2005), Patton, W.E. (1997), Dholakia, R.R. et al. (1993), Patton, W.E./ Puto, C.P./ King, R.H. (1986) u. Johnston, W.J./ Bonoma, T.V. (1981), konzeptionell vgl. Johnston, W.J./ Lewin, J.E. (1996). Die meisten der in diesen Arbeiten ermittelten Einflussfaktoren wie bspw. das wahrgenommene Risiko einer Entscheidung können nicht objektiv bestimmt werden und sind daher an dieser Stelle zur Bestimmung der Größe des Buying Centers ungeeignet. Für einen Überblick verschiedener Phasenansätze zur Beschreibung des Beschaffungsverhaltens vgl. Backhaus, K./ Voeth, M. (2007), S. 44 ff. Diese Phase wird bspw. von RICHTER sowie FITZGERALD als „Entscheidungsphase“, vom SPIEGEL-VERLAG als „letzte Entscheidung“ bezeichnet, vgl. Backhaus, K./ Voeth, M. (2007), S. 45. Vgl. Patton, W.E. (1997), S. 120 u. McWilliams, R.D./ Naumann, E./ Scott, S. (1992), S. 45.

30 Die Organisationsgröße ist bei KMUs mit maximal 499 Beschäftigten vergleichsweise gering. Erkenntnisse der empirischen Forschung zeigen, dass mit abnehmender Unternehmensgröße auch die Größe von Buying Centern abnimmt.127 Obwohl daher die Vermutung nahe liegt, dass Tarifwahlentscheidungen über Mobilfunktarife von einzelnen Personen oder sehr kleinen Buying Centern getroffen werden, kann dennoch keine objektive Aussage zur Größe des Buying Centers getroffen werden. Zur Ermittlung der Analyseeinheit erscheint es daher Ziel führend, eine Betrachtung der Zusammensetzung von Buying Centern bei Mobilfunktarifentscheidungen vorzunehmen, um herauszuarbeiten, wer im Buying Center für die Entscheidung verantwortlich ist. Ein bedeutendes Merkmal von Buying Centern ist, dass die in einem Buying Center zusammengeschlossenen Individuen bestimmte Rollen einnehmen.128 Eine Rolle beschreibt ein Bündel von Erwartungen, die an das Verhalten des Rollenträgers unabhängig vom Individuum geknüpft sind.129 Ein grundlegendes Rollenkonzept ist das Konzept von WEBSTER/WIND, die die Rollen „Einkäufer“, „Benutzer“, „Beeinflusser“, „Informationsselektierer“ und „Entscheider“ einführen.130 Einkäufer gehören in der Regel der Einkaufsabteilung eines Unternehmens an und wählen aufgrund ihrer formalen Autorität und Aufgabenzuordnung Lieferanten aus und tätigen Kaufabschlüsse. Benutzer sind diejenigen, die das beschaffte Gut nutzen. Beeinflusser sind formal nicht am Kaufprozess beteiligt, üben aber informell Einfluss aus. Informationsselektierer steuern den Informationsfluss im Buying Center. Entscheider sind schließlich diejenigen Personen, die über die Auftragsvergabe bestimmen. Diese Rollen sind nicht überschneidungsfrei und können in jedem Buying Center vorliegen. Allerdings haben die Rollen bei unterschiedlichen Kaufentscheidungen auch eine unterschiedliche Bedeutung. Für Mobilfunktarifentscheidungen wurde in Kapitel 3.1.1 ermittelt, dass grundsätzlich Nutzer und Personen, die über die Tarifwahl entscheiden, eine Rolle spielen. Außerdem wurde festgestellt, dass für die hier analysierte Fragestellung der Nutzer weniger relevant ist. Beeinflusser und Informationsselektierer erscheinen in diesem Grundkonzept nicht. Diese sind jedoch letztlich Personen, die den Informationsfluss zur entscheidenden Person regeln und ggf. durch Beeinflussung steuern. Die entscheidende Person kann entweder ein Entscheider oder ein Einkäufer sein, da sich für den hier vorliegenden Fall nicht ermitteln lässt,

127 128

129 130

Vgl. Wood, J. (2005), S. 271 u. Patton, W.E. (1997), S. 120. Zu Rollenkonzepten im Industriegütermarketing vgl. Backhaus, K./ Voeth, M. (2007), S. 52 ff. Rollen haben allerdings auch in anderen Bereichen eine Bedeutung, vgl. hierzu die Übersicht verschiedener Rollentypologien bei Voeth, M. (2003), S. 317. Vgl. Backhaus, K./ Voeth, M. (2007), S. 49 u. Voeth, M. (2003), S. 316. Vgl. Backhaus, K./ Voeth, M. (2007), S. 52 ff.

31 inwiefern die entscheidende Person einer bestimmten Abteilung angehört. Beide Rollen sind aber letztlich für die Auswahl eines Mobilfunktarifs und den Vertragsabschluss zuständig, wobei das Beschaffungsobjekt in diesem Fall ein Mobilfunktarif ist. Beide Rollen werden daher unter dem Begriff „Entscheider“ zusammengefasst. Diese Entscheider können unterschiedlichen Unternehmensbereichen und –ebenen angehören. Für einen Mobilfunkanbieter ist es besonders relevant zu verstehen, wie das Entscheidungsverhalten derjenigen Person ausgestaltet ist, die tatsächlich über den Abschluss eines Mobilfunktarifs entscheidet. Selbst wenn Beeinflusser oder Informationsselektierer bei der Entscheidungsfindung einen Einfluss einnehmen sollten, so ist für den Anbieter zunächst lediglich die Reaktion des Entscheiders auf diesen Einfluss von Relevanz, die sich im Entscheidungsverhalten des Entscheiders äußert. Denn diese Reaktion in Form der Tarifwahl hat einen direkten Einfluss auf den Umsatz des Anbieters. Daher wird im weiteren Verlauf der Entscheider als Analyseeinheit gewählt. Im folgenden Kapitel 3.2 wird daher das Tarifwahlverhalten von Individuen als Entscheider im Unternehmen aus ökonomischer Sicht näher beleuchtet. 3.2

Tarifwahl und Tarifwahl-Biases eines Entscheiders

3.2.1

Theoretisch-konzeptionelles Modell der Mobilfunktarifwahl im B-to-B-Bereich

3.2.1.1

Identifikation eines nutzentheoretischen Konzepts als Beurteilungsdimension der Tarife

Ein Schlüssel zur Erklärung des Tarifwahlverhaltens eines Entscheiders liegt in der Bewertung der alternativen Tarife, da hierin die Ursachen für die Tarifwahl zu suchen sind. Zur Erklärung dieser Bewertung wird in der Kaufverhaltensforschung aus ökonomischer Sicht wie bereits erläutert häufig das Konstrukt „Nutzen“ herangezogen.131 Wenn man den Überlegungen des nutzentheoretischen Kalküls folgt, lässt sich der Prozess der Tarifwahl wie folgt darstellen:132 Der Entscheider beurteilt den Nutzen,

131

132

Vgl. Kapitel 2.2. Zur Eignung des ökonomischen Ansatzes für die allgemeine Erklärung menschlichen Verhaltens vgl. Becker, G.S. (1993a), S. 1 ff. Zur Relevanz des Nutzens auch in der verhaltenswissenschaftlichen Forschung vgl. Voeth, M. (2000), S. 5 ff. u. Perrey, J. (1998), S. 15 f. Zu den verschiedenen Nutzenbegriffen und ihrem Zusammenhang vgl. Backhaus, K./ Schneider, H. (2007), S. 22 ff. Dort wird auf den Vergleich der Angebote verschiedener Anbieter abgestellt. Im hier betrachten Zusammenhang sind jedoch die verschiedenen Angebote bzw. Tarife eines Anbieters relevant.

32 der durch die Mobilfunkdienstleistung entsteht.133 Von diesem Nutzen werden dann die durch die Wahl eines bestimmten Tarifs entstehenden Kosten abgezogen. Die Differenz zwischen Nutzen und Kosten wird als Netto-Nutzen bezeichnet. Ist die Differenz positiv, so liegt ein Netto-Nutzen-Vorteil vor.134 Das Vorliegen eines NettoNutzen-Vorteils stellt die notwendige Bedingung für die Wahl eines Tarifs dar. Da dem Entscheider jedoch mehrere optionale Tarife zur Auswahl stehen, erfolgt ein Vergleich der Netto-Nutzen-Vorteile der relevanten Tarife. Die Wahl fällt dann auf den Tarif, der im Vergleich den größten Netto-Nutzen-Vorteil aufweist. Diese vergleichende Bewertung wird auch als Netto-Nutzen-Differenz bezeichnet und stellt die hinreichende Bedingung für die Tarifwahl dar.135 Als eine zentrale Annahme für die Analyse des Tarifwahlverhaltens eines Entscheiders wurde in Kapitel 2.2 die beschränkte Rationalität ermittelt. Dementsprechend unterliegt die Beurteilung der entscheidungsrelevanten Elemente „Nutzen“ und „Kosten“ dieser Beschränkung. Gleichzeitig können „Nutzen“ und „Kosten“ aber auch aus mehr als der reinen Nutzung der Mobilfunkleistung und dem dafür zu entrichtenden Preis entstehen.136 Daher ist für die Erklärung des Tarifwahlverhaltens eines Entscheiders ein für diese Situation geeignetes Nutzenkonzept zu wählen.137 BACKHAUS/PLINKE/RESE entwickeln ein nutzentheoretisches Konzept, das dazu dient,

das Zustandekommen von Markttransaktionen unter beschränkter Rationalität zu erklären, und in dem alle denkbaren Quellen von Nutzen und Kosten integriert werden können.138 Unter Nutzen wird bei BACKHAUS/PLINKE/RESE die Summe aller positiven Auswirkungen139 und unter Kosten die Summe aller negativen Auswirkungen140

133

134 135

136 137 138 139

Vgl. Plinke, W. (2000), S. 13. „Nutzen“ kann hierbei mehr beinhalten als die reine Nutzung der Mobilfunkleistung und unterscheidet sich hierdurch vom Begriff des „Bruttonutzens“ aus Kapitel 2.2.. Vgl. Plinke, W. (2000), S. 50. Zur relativen Nutzenbewertung im Rahmen der Netto-Nutzen-Differenz vgl. Plinke, W. (2000), S. 78 ff. Anstatt des Konstrukts „Nutzen“ könnte auch das im englischsprachigen Raum verbreitete Konstrukt „Value Proposition“ verwendet werden, vgl. Anderson, J.C./ Narus, J.A. (2004), S. 6 f. Als „Value“ wird bei ANDERSON/NARUS der Wert von ökonomischen, technischen, dienstleistungsbezogenen und sozialen Nutzenelementen bezeichnet, die ein Nachfrager im Austausch für den gezahlten Preis bekommt. Dieser „Value“ wird in Geldeinheiten ausgedrückt. Drei Merkmale definieren das Konzept: 1. Der Wert des Leistungsangebots wird in Geldeinheiten gemessen, 2. Ein Angebot besteht aus Value und Preis. Die Differenz aus Value und Preis entspricht damit dem Netto-Nutzen-Vorteil, 3. Für eine Wettbewerbssituation ist die Value Proposition noch zu relativieren. Die Value-Gleichung entspricht dem Konstrukt der Netto-Nutzen-Differenz, vgl. Backhaus, K./ Schneider, H. (2007), S. 24 f. u. Anderson, J.C./ Narus, J.A. (2004), S. 6. Vgl. Plinke, W. (2000), S. 13. Für eine Übersicht verschiedener nutzentheoretischer Konzepte in der neoklassischen mikroökonomischen Haushaltstheorie und in neueren mikroökonomischen Ansätzen vgl. Voeth, M. (2000), S. 7 ff. Vgl. Backhaus, K./ Plinke, W./ Rese, M. (1999) zitiert nach der Darstellung in Voeth, M. (2000), S. 20 f. „Wert des Erhaltenen und der Befreiung von Übeln“, vgl. Voeth, M. (2000), S. 20. Bereits LANCASTER geht in seiner „Commodity Characteristics Theory“ davon aus, dass der Nutzen von Gütern durch Produkteigenschaften entsteht und Nachfrager beim Güterkauf Bündel von Eigenschaften bzw. Nutzenbündel erwerben, vgl. Lancaster, K.J. (1966), S. 132 ff. VOETH zeigt, dass dies für objektiv-physische und subjektivwahrgenommene Leistungseigenschaften gleichermaßen gilt, vgl. Voeth, M. (2000), S. 14.

33 verstanden, die mit einer Transaktion – im vorliegenden Fall der Tarifwahl – verbunden sind. Da dem Entscheider bei der Bewertung von Nutzen und Kosten, die durch die Wahl eines Tarifs entstehen, nur unvollständige Informationen zur Verfügung stehen, kann der Entscheider die Bewertung nur auf Basis des vorliegenden begrenzten Informationsstandes vornehmen. Aus diesem Grund erfolgt die Bewertung nicht in Bezug auf tatsächliche Größen, sondern hinsichtlich des erwarteten Nutzens und der erwarteten Kosten.141 Im weiteren Verlauf der Arbeit wird daher unter Nutzen und Kosten stets der jeweils erwartete Wert verstanden. Die notwendige Bedingung für die Tarifwahl besteht auch nach diesem Konzept darin, dass die Differenz aus erwartetem Nutzen und erwarteten Kosten positiv sein muss. Die Integration der hinreichenden Bedingung, dass die Wahl dann auf einen Tarif fällt, wenn der Netto-Nutzen-Vorteil dieses Tarifs am größten ist, gelingt durch den so genannten „Comparison Level“.142 Hierunter verstehen BACKHAUS/PLINKE/RESE „einen Vergleichsmaßstab, der sich aus den Erfahrungen des Entscheiders in der Vergangenheit sowie aus seiner Kenntnis von Alternativen in der Entscheidungssituation ergibt […].“143 Der Comparison Level gewährleistet, dass der Netto-Nutzen alternativer Verwendungsmöglichkeiten integriert werden kann, ohne dass hierzu die Annahme vollkommenen Wissens benötigt wird.144 Denn der Comparison Level wird nicht vor dem Hintergrund vollkommener Informationen ermittelt, sondern stellt das Ergebnis der von Individuen zum Entscheidungszeitpunkt wahrgenommenen Alternativen sowie der auf unvollständigen Informationen beruhenden Bewertung dieser Alternativen dar.145 Diese Definition von Nutzen impliziert außerdem, dass eine kompensatorische, leistungsbezogene Entscheidungsregel unterstellt wird, die auch als multiattributives Nutzenmodell bezeichnet wird,146 da der erwartete Nutzen sowie die erwarten Kosten

140 141

142 143 144

145 146

„Wert des Erlittenen und Hergegebenen“, vgl. Voeth, M. (2000), S. 20. Vgl. Voeth, M. (2000), S. 20. Der Aspekt, dass unvollkommenes Wissen bei der Bewertung des Nutzens eine Rolle spiel, taucht bereits in der Theorie des Erwartungsnutzens von VON NEUMANN/MORGENSTERN auf, vgl. von Neumann, J./ Morgenstern, O. (1944). VON NEUMANN/MORGENSTERN betrachten allerdings den Fall, dass vollständiges Wissen über zukünftige Ereignisse besteht und Eintrittswahrscheinlichkeiten benannt werden können, vgl. Voeth, M. (2000), S. 18. Vgl. Voeth, M. (2000), S. 21. Backhaus, K./ Plinke, W./ Rese, M. (1999), zitiert nach Voeth, M. (2000), S. 21. Über den Comparison Level können zwei unterschiedliche Maßstäbe integriert werden: 1. Erwartungen des Individuums, die das Ergebnis von Erfahrungen mit vergleichbaren Transaktionen darstellen, 2. Der NettoNutzen alternativer Verwendungen der eingesetzten Ressourcen, vgl. Voeth, M. (2000), S. 21, Fußnote 65. Im vorliegenden Fall ist insbesondere der zweite Maßstab relevant. Vgl. Voeth, M. (2000), S. 21 f. Vgl. Backhaus, K./ Schneider, H. (2007), S. 174 u. Hoyer, W.C./ MacInnis, D.J. (2007), S. 226. In der Literatur existieren verschiedene Entscheidungsregeln oder –heuristiken von Individuen. Da auch im B-to-B Individuen die Entscheidungen treffen, ist davon auszugehen, dass diese Regeln auch hier gelten. Diese Entscheidungsregeln lassen sich danach systematisieren, ob die Individuen bei der Beurteilung leistungs- oder

34 als Summe aller positiven bzw. negativen Auswirkungen der Transaktion definiert sind.147 Diesen Entscheidungsregeln wird in der Literatur bei Kaufentscheidungen im B-to-B-Kontext die größte Bedeutung zugesprochen,148 was zusätzlich die Eignung des gewählten Nutzenkonzepts zur Erklärung des Tarifwahlverhaltens unterstreicht. 3.2.1.2

Nutzenbewertung als Grundlage der Entscheidung für einen Tarif

Die Identifikation der Ursachen der Tarifwahl kann nun über die Analyse der einzelnen Bestandteile des Netto-Nutzens und der Netto-Nutzen-Differenz bei der Tarifwahl gelingen. Auf der einen Seite des Netto-Nutzens steht die Bewertung des erwarteten Nutzens. Der erwartete Nutzen für den Entscheider kann auf verschiedenen Quellen fußen.149 Eine im Marketing etablierte Einteilung von Nutzenbestandteilen stellt die Kategorisierung von VERSHOFEN dar.150 Er unterteilt Nutzen in Grundnutzen, der direkt aus dem Produkt oder der Dienstleistung entsteht, und Zusatznutzen, der weitere Nutzenkomponenten umfasst, die über den Grundnutzen hinausgehen.151

147

148 149

150

151

eigenschaftsbezogen vorgehen. Geht das Individuum leistungsbezogen vor, so wird zunächst ein Gesamturteil über eine betrachtete Leistung gebildet, bevor die nächste Alternative im Gesamten beurteilt wird. Geht das Individuum eigenschaftsbezogen vor, so wird jede Leistungseigenschaft nacheinander über alle betrachteten Alternativen verglichen. Eine zweite Systematisierungsdimension bezieht sich auf die Frage, ob eine schlechtere Bewertung bei einer Eigenschaft durch eine bessere Bewertung bei einer anderen Eigenschaft aufgewogen werden kann oder nicht, d. h. ob die Beurteilung kompensatorisch oder nicht-kompensatorisch erfolgt. Aus den beiden Bewertungsdimensionen entstehen vier Typen von Entscheidungsregeln: Multiattributmodelle, konjunktive und disjunktive Entscheidungsmodelle, additives Abstandsmodell und lexikografisches Entscheidungsmodell, vgl. Backhaus, K./ Schneider, H. (2007), S. 174. Auch in multiattributiven Nutzenmodellen wird meist eine additive Verknüpfung der (eigenschaftsbezogenen) Nutzenbestandteile zu einem Gesamtnutzen auf Leistungsebene unterstellt., vgl. Teichert, T. (2001), S. 34. Nutzenbestandteile können hier auch gewichtet eingehen. Dieses linear-additive Nutzenmodell ist auch die Basis für das etablierte Verfahren der Conjoint-Analyse. Für einen Überblick zur Conjoint-Analyse vgl. Backhaus, K. et al. (2006), S. 557 ff. Andere multiattributive Modelle, die im Marketing eine große Tradition aufweisen, sind die multiattributiven Einstellungsmodelle, die auf dem sozialpsychologischen Ansatz von ROSENBERG basieren. Beispiele multiattributiver Einstellungsmodelle sind die Modelle von FISHBEIN und TROMMSDORFF, vgl. Kroeber-Riel, W./ Weinberg, P. (2003), S. 200 ff. Die Übergänge vom multiattributiven Einstellungsmodell zum multiattributiven Nutzenmodell sind fließend, vgl. Teichert, T. (2001), S. 35. Vgl. Dwyer, F.R./ Tanner, J.F. (2001), S. 75 ff. Für verschiedene Nutzenquellen wurden im Marketing Kategorisierungen entwickelt. Bspw. kann Nutzen formal nach Akquisitionsnutzen vs. Transaktionsnutzen, inhaltlich nach funktionalem, ökonomischem, prozessbezogenem, emotionalem und sozialem Nutzen unterschieden werden, vgl. Homburg, C./ Krohmer, H. (2006), S. 513. Für einen Überblick theoretisch-konzeptioneller Arbeiten zum Nutzenbegriff und seinen Dimensionen vgl. Beutin, N. (2000), S. 16 ff. Dies wird auch als Nutzenbegriff der „Nürnberger Schule“ bezeichnet, vgl. Ivens, B.S. (2003), S. 19 f. Viele kundennutzenbasierte Arbeiten greifen diese grundsätzliche Einteilung des Nutzens auf, wählen aber häufig andere Bezeichnungen. Für einen Überblick vgl. Beutin, N. (2000), S. 12. Nutzendimensionen, die weitgehend dem Grundnutzen entsprechen, werden auch als Minimalanforderung (Brandt, R.D. (1988)) oder Kernnutzen (Gwinner, K.P./ Gremler, D.D./ Bitner, M.J. (1998)) bezeichnet. Darüber hinausgehende Aspekte werden auch als Begeisterungsfaktoren (Bailom, F./ Casagranda, M./ Matzler, K. (1999)) oder Unterstützungsnutzen (Liu, A.H./ Leach, M.P./ Bernhardt, K.L. (2005)) bezeichnet. Eine weitere Aufteilung ist in zentrale und periphere Faktoren des Kundennutzens (Lai, A.W. (1995)). Vgl. Vershofen, W. (1959), S. 89. Vershofen spricht vom „stofflich-technischen Grundnutzen“ und vom „seelisch-geistigen Zusatznutzen“. Innerhalb des Zusatznutzens unterscheidet VERSHOFEN weitere Nutzenkompo-

35 Wird diese Nutzenkategorisierung auf die Bewertung des Nutzens bei der Wahl eines Mobilfunktarifs angewendet, so kann der erwartete Grundnutzen als erwartete Nutzung der Dienstleistung definiert werden und entsteht somit auf Leistungsebene. Damit entspricht der erwartete Grundnutzen dem Nutzen, der aus der vom Entscheider erwarteten Nutzungsmenge resultiert.152 Vereinfachend wird der Grundnutzen durch die erwartete Nutzungsmenge ausgedrückt, die exogen bestimmt wird (vgl. Formel (3)). (3)

GN j

f (q j )

qj

Mit

GN

= Erwarteter Grundnutzen

j q

= Entscheider = Erwartete Nutzungsmenge

Außerdem hat die Forschung zum Tarifwahlverhalten gezeigt, dass auch die Art bzw. der Typ eines Tarifs Nutzen verursachen kann.153 Dieser tarifspezifische Nutzen wird demnach durch die Art der Bepreisung verursacht. Als Beleg hierfür wird in anderen Arbeiten zur Tarifwahl die Existenz von Tarifwahl-Biases angeführt.154 Beispiele aus weiteren Bereichen, in denen alleine die Art der Bepreisung einen zusätzlichen Nutzen stiftet, finden sich bei der Leistungsbündelung. Der Anbieter übernimmt hier eine Integrationsfunktion, die dem Nachfrager möglicherweise einen zusätzlichen Nutzen stiftet.155 Ein anderes Beispiel liefert die Forschung zum Zahlungszeitpunkt, die ge-

152

153 154

155

nenten und entwickelt eine hierarchische Nutzenleiter, vgl. Ivens, B.S. (2003), S. 21 u. Moser, H. (1963), S. 37. Grundnutzen wird teilweise auch als Begriff für die elementaren Aspekte der Leistung eines Unternehmens verwendet, wohingegen Zusatznutzen das Angebot zusätzlicher Leistungen bezeichnet, um sich von potenziellen Wettbewerbern zu unterscheiden, vgl. Homburg, C./ Krohmer, H. (2006), S. 511 f. u. Beutin, N. (2000), S. 65. Der Grundnutzen entspricht damit dem Bruttonutzen-Begriff aus Kapitel 2.2. Dabei wird unterstellt, dass die erwartete Nutzung nicht vom gewählten Tarif beeinflusst wird. Die Annahme unveränderter Nutzungsmengen zwischen verschiedenen Tarifen ist insbesondere im B-to-B gerechtfertigt, wo in erster Linie zu beruflichen Zwecken telefoniert wird. Eine Veränderung des Telefonverhaltens aufgrund des Vorliegens eines anderen Tarifs ist eher nicht zu erwarten. Das allgemeine Preisniveau hat sich zwar als Einflussfaktor auf das Verkehrsvolumen in Mobilfunknetzen gezeigt (vgl. Kapitel 1.2), jedoch erfolgt bei Tarifsystemen wie in Kapitel 2.1.2 dargestellt, eine Anpassung aller Tarife an das Preisniveau, so dass das Verhältnis der Preise zwischen den Tarifen gleich bleibt. Gespräche mit Experten aus der Mobilfunkbranche haben außerdem ergeben, dass insgesamt (im B-to-B und B-to-C) nach der Wahl eines neuen Tarifs (insbesondere einer Flatrate) bei manchen Nutzern kurzfristig ein Anstieg der Nutzungsmenge zu beobachten ist, dass sich das Nutzungsverhalten nach kurzer Zeit aber wieder normalisiert. Vgl. Kapitel 4.3.1. Vgl. Lambrecht, A. (2005), S. 36. LAMBRECHT spricht allerdings von „tarifspezifischen Zahlungsbereitschaftsfunktionen“ und nicht von „Zusatznutzen“. Allerdings folgt aus der Existenz des Zusatznutzens eines Tarifs eine tarifspezifische Zahlungsbereitschaftsfunktion, da sich Nutzen in Zahlungsbereitschaftsfunktionen übersetzen lässt. Vgl. bspw. Jedidi, K./ Jagpal, H.S./ Manchanda, P. (2003), Stremersch, S./ Tellis, G.J. (2002) u. Naylor, G./ Frank, K.E. (2001), S. 277. Allerdings entsteht durch die Bündelung nicht automatisch ein Zusatznutzen,

36 zeigt hat, dass der Zahlungszeitpunkt einen zusätzlichen Nutzen stiften kann.156 Der tarifspezifische Nutzen geht über die (Grund-)Nutzenbewertung der Dienstleistung hinaus und kann daher als Zusatznutzen bezeichnet werden. Die Forschung hat verschiedene tarifspezifische Zusatznutzenelemente identifiziert, die je nach Tarif und Kontext unterschiedlich relevant sein können. Dies wird in Kapitel 3.2.2 und in Kapitel 3.2.3 adressiert. Der erwarte (Gesamt-)Nutzen, der durch die Wahl eines bestimmten Mobilfunktarifs entsteht,

setzt

sich

nach

dem

nutzentheoretischen

Konzept

von

BACK-

additiv aus dem vom Entscheider grundsätzlich erwarteten Grundnutzen auf Leistungsebene und den für diesen Tarif relevanten Zusatznutzenelemen-

HAUS/PLINKE/RESE

ten aufgrund der Art der Bepreisung zusammen. Formal lässt sich der erwartete Gesamtnutzen eines Tarifs wie in Formel (4) darstellen: (4)

Nt, j

qj 

¦ ZN

t ,i , j

i 1... I

Zusätzlich mit

N

= Erwarteter Gesamtnutzen

t ZN I

= Tarif = Erwartetes Zusatznutzenelement = Indexmenge der Zusatznutzenelemente

Auf der anderen Seite des Netto-Nutzens stehen die erwarteten Kosten. Die erwarteten Kosten in einem Tarif entstehen aufgrund der erwarteten Nutzung der Mobilfunkleistung. Die Kosten lassen sich nach der Formel für den Rechnungsbetrag in verschiedenen Tarifen (vgl. Formel (1) in Kapitel 2.1.1) in Abhängigkeit von der erwarteten Nutzung bestimmen. Durch die unterschiedlich ausgestalteten Parameter der Tarife können die Kosten je nach Tarif unterschiedlich hoch sein. Zur Identifikation der Ursachen der Tarifwahl werden die Kosten vereinfacht als Produkt der Nutzungsmenge und des Preises in Formel (5) dargestellt: (5)

Kt, j

q j ˜ Pt

Zusätzlich mit

156

vgl. Roth, S. (2006), S. 33. ROTH liefert eine aktuelle Übersicht zum Stand der Forschung zur Leistungsbündelung, vgl. Roth, S. (2006). Vgl. bspw. Patrick, V.M./ Park, C.W. (2006). Dies wird im Kontext des Mental Accounting diskutiert, vgl. Thaler, R.H. (1999) u. Thaler, R.H. (1985). Insgesamt werden derartige Phänomene häufig im Kontext des Behavioral Pricing untersucht, das sich insbesondere mit psychologischen Aspekten im Bereich von Preisen beschäftigt. Für einen Überblick zur Behavioral Pricing-Forschung vgl. Homburg, C./ Koschate, N. (2005a), Homburg, C./ Koschate, N. (2005b) u. Diller, H. (2008), S. 94 ff.

37

K P

= Erwartete Kosten = Preis

Die Differenz aus erwartetem Gesamtnutzen in einem Tarif und der Kosten, die in einem Tarif entstehen, ergibt den erwarteten Netto-Nutzen eines Tarifs (vgl. Formel (6)): (6)

NN t , j

ª º «q j  ¦ ZN t ,i , j »  q j ˜ Pt i 1... I ¬ ¼

>

@

Zusätzlich mit

NN

= Netto-Nutzen

Ist der Netto-Nutzen eines Tarifs positiv, so ist die notwendige Bedingung für die Tarifwahl in Form des Netto-Nutzen-Vorteils erfüllt. Die hinreichende Bedingung für die Entscheidung für einen Tarif besteht jedoch in der Identifikation des Tarifs mit dem größten Netto-Nutzen-Vorteil, der Netto-Nutzen-Differenz. Hierzu werden die NettoNutzen-Vorteile der relevanten optionalen Tarife verglichen. Am Beispiel zweier relevanter optionaler Tarife (T1 und T2), die sich hinsichtlich Grund- und Nutzungspreis sowie enthaltenem Freikontingent unterscheiden, die aber beide zu einem positiven Netto-Nutzen führen, lässt sich zeigen, wo Quellen für Unterschiede im Netto-Nutzen zwischen den Tarifen und damit die Ursachen der Tarifwahl festzustellen sind. In dem angeführten Beispiel wird unterstellt, der Nettonutzen von T1 sei größer als der Netto-Nutzen von T2 (vgl. Formel (7)). (7)

ª º ª º «q j  ¦ ZN1i , j »  q j ˜ P1 ! «q j  ¦ ZN2i , j »  q j ˜ P2 i 1...I i 1...I ¼ ¬ ¼ ¬

>

@

>

@

Für die Identifikation möglicher Ursachen der Tarifwahl wird zunächst die Nutzenseite betrachtet: Der Grundnutzen auf Leistungsebene ist in beiden Tarifen identisch. Die beiden Tarife zeichnen sich jedoch durch unterschiedliche Eigenschaften in Bezug auf Grundund Nutzungspreis sowie das enthaltene Freikontingent aus. Somit kann die Art der Bepreisung zwischen den Tarifen unterschiedlich sein und es kann vermutet werden, dass die Tarife in unterschiedlichem Maße Zusatznutzen stiften. Ein Nutzenunterschied zwischen den Tarifen kann demnach auf Nutzenseite lediglich bei den Zusatznutzenelementen von Tarifen entstehen. Auf der Kostenseite kann zwischen T1 und T2 ein Unterschied bestehen, der aufgrund der unterschiedlichen Tarifparameter (die hier durch den Preis P vereinfacht ausgedrückt sind) zustande kommt. Selbst bei gleicher erwarteter Nutzung können

38 die erwarteten Kosten unterschiedlich ausfallen, da sich Grund- und Nutzungspreise sowie Freikontingente zwischen den Tarifen unterscheiden. In diesem Beispiel wird angenommen, die Tarifparameter seien so ausgestaltet, dass in Tarif 1 bei gleicher Nutzungsmenge geringere Kosten entstehen. Dieser Sachverhalt lässt sich auch grafisch verdeutlichen (vgl. Abb. 3-2). GN: Grundnutzen ZN: Zusatznutzen K: Kosten NN: Netto-Nutzen NND: NN-Differenz T1: Tarif 1 T2: Tarif 2

Erwarteter Nutzen/ Erwartete Kosten

ZN T1

GN T1

NN T1

K T1

ZN T2

NN T2

GN T2 K T2 NND (T1)

NN T1 Tarif 1

Abb. 3-2:

Tarif 2

NN T2 Tarif 1

Tarif 2

Erwarteter Nutzen, Netto-Nutzen und Netto-Nutzen-Differenz in zwei Tarifen157

Im linken Abschnitt der Abbildung ist die Zusammensetzung des Netto-Nutzens in den Tarifen T1 und T2 dargestellt. Der aus der erwarteten Nutzung auf Leistungsebene erzielte Grundnutzen ist in T1 und T2 identisch. Die tarifspezifischen Zusatznutzenelemente führen allerdings zu einer unterschiedlichen Gesamtnutzenhöhe. Da in Tarif 1 mehr Zusatznutzen vorliegt, wird dort auch ein höherer Gesamtnutzen erzielt. Die erwarteten Kosten, die sich in Abhängigkeit der erwarteten Nutzung berechnen, sind in Tarif 2 höher als in Tarif 1, da das Vorliegen bestimmter Grund- und Nutzungspreise sowie Freikontingente unterstellt wird, die bei der erwarteten Nutzung zu höheren erwarteten Kosten in Tarif 2 führen. Aus der Differenz von Gesamtnutzen und Kosten ergibt sich der jeweilige erwartete Netto-Nutzen (Darstellung als Pfeil). Im rechten Abschnitt der Abbildung ist der Vergleich des Netto-Nutzens in den beiden Tarifen dargestellt. Dabei wird deutlich, dass der erwartete Netto-Nutzen in T1 wesentlich größer ist als der erwartete Netto-Nutzen in T2. Die erwartete Netto-

157

Quelle: Eigene Darstellung aufbauend auf der grafischen Darstellung der Nutzenkonzepte in Backhaus, K./ Schneider, H. (2007), S. 28 u. Plinke, W. (2000), S. 80.

39 Nutzen-Differenz führt demnach dazu, dass bei einer Entscheidung zwischen T1 und T2 aufgrund der Netto-Nutzenbewertung Tarif 1 gewählt wird. Es lassen sich also zwei Parameter festhalten, die die Wahl eines Tarifs beeinflussen können:

x Die erwarteten tarifspezifischen Zusatznutzenelemente, die aufgrund der Art des Tarifs entstehen,158 x sowie die erwarteten Kosten, die in Abhängigkeit von der erwarteten Nutzung der Dienstleistung entstehen. Im Rahmen der Arbeit sollen jedoch nicht nur die Ursachen der Tarifwahl, sondern vielmehr auch von Tarifwahl-Biases identifiziert werden. Hier kann gezeigt werden, dass sich auch Tarifwahl-Biases auf die als potenziell entscheidungsrelevant identifizierten Parameter „erwartete tarifspezifische Zusatznutzenelemente“ und „erwartete Kosten“ zurückführen lassen: Tarifwahl-Biases liegen vor, wenn ein Tarif gewählt wurde, obwohl die tatsächlichen Kosten (= der Rechnungsbetrag) auf Basis der tatsächlichen Nutzung in einem anderen Tarif niedriger gewesen wären.159 Als Ursachen der Tarifwahl wurden erwartete tarifspezifische Zusatznutzenelemente sowie die erwarteten Kosten identifiziert. Es zeigt sich, dass tarifspezifische Zusatznutzenelemente gleichermaßen Ursachen der Tarifwahl wie auch von Tarifwahl-Biases sein können: Durch die additive Verknüpfung der Nutzenelemente führen tarifspezifische Zusatznutzenelemente zu einer Steigerung des erwarteten Gesamtnutzens und damit zu einer Steigerung des erwarteten Netto-Nutzens. Daher kann es vorkommen, dass der Netto-Nutzen eines Tarifs größer ist als in einem anderen Tarif und die Wahl auf diesen fällt, obwohl die Kosten auf Basis der tatsächlichen Nutzung in einem anderen Tarif geringer gewesen wären, d. h. dass aufgrund von erwarteten Zusatznutzenelementen Tarifwahl-Biases zustande kommen. Diese Betrachtung zeigt auch, dass ein stärkeres Ausmaß an Zusatznutzenelementen potenziell zu einem stärkeren Ausmaß von Tarifwahl-Biases führt: Denn durch ein stärkeres Ausmaß an Zusatznutzen wird der Gesamtnutzen des Tarifs größer und möglicherweise die Differenz zwischen dem Rechnungsbetrag

158

159

Die Identifikation von Zusatznutzenelementen von Tarifen führt dazu, dass Tarifwahl-Biases in der Literatur auch als „übersteigerte Tarif-Präferenz“ bezeichnet werden, vgl. Lambrecht, A./ Skiera, B. (2006a), S. 212. Letztlich resultieren unterschiedliche Zahlungsbereitschaftsfunktionen für die gleiche Leistung in unterschiedlichen Tarifen aus dieser Feststellung, vgl. Lambrecht, A. (2005), S. 198. In der Literatur werden die in dieser Arbeit als Zusatznutzenelemente bezeichneten Ursachen von Tarifwahl und Tarifwahl-Biases jedoch nicht explizit als solche bezeichnet. Vgl. die Definition in Kapitel 2.2.

40 im gewählten Tarif und dem günstigsten Tarif größer, d. h. möglicherweise wird auch das Ausmaß des Tarifwahl-Biases größer. Abb. 3-3 verdeutlicht grafisch, wie Zusatznutzenelemente zu Tarifwahl-Biases führen können. In beiden Tarifen wird der identische Grundnutzen auf Leistungsebene erwartet, Tarif 3 erzeugt jedoch mehr Zusatznutzen. Die erwarteten Kosten sind in Tarif 3 höher als die erwarteten Kosten in Tarif 4, der Netto-Nutzen in Tarif 3 ist aber aufgrund der Zusatznutzenelemente dennoch größer. In der Folge fällt die Wahl des Kunden auf Tarif 3. In dieser Grafik wird unterstellt, dass die erwarteten Kosten dem tatsächlichen Rechnungsbetrag entsprechen. Der Vergleich der tatsächlich entstehenden Kosten zeigt, dass Tarif 3 gewählt wird, obwohl der Rechnungsbetrag in Tarif 4 niedriger wäre. Das Ausmaß des Tarifwahl-Biases ist durch den schwarzen Blockpfeil dargestellt. GN: Grundnutzen ZN: Zusatznutzen K: Kosten NN: Netto-Nutzen NND: NN-Differenz T3: Tarif 3 T4: Tarif 4 TWB: Tarifwahl-Bias

Erwarteter Nutzen/ Erwartete Kosten

ZN T3

GN T3

NN T3

K T3

TWB

ZN NN T4 T4 GN T4

K T4 NND (T3)

NN T3 Tarif 3

Tarif 4

NN T4 Tarif 3

Tarif 4

Unterstellung: Erwartete Kosten = Tatsächliche Kosten

Abb. 3-3:

Tarifwahl-Biases im Kontext des nutzentheoretischen Konzepts160

Die Analyse zeigt eine weitere Quelle für Tarifwahl-Biases in der Fehlbeurteilung der erwarteten Kosten. Unter der Annahme der begrenzten Rationalität ist es möglich, dass die erwarteten Kosten in den optionalen Tarifen nicht korrekt beurteilt werden. Dies kann dazu führen, dass auch der Netto-Nutzen und die Netto-Nutzen-Differenz falsch beurteilt werden und somit ggf. ein Tarif gewählt wird, obwohl der Rechnungs-

160

Quelle: Eigene Darstellung.

41 betrag (= die Kosten) auf Basis der tatsächlichen Nutzung im Vergleich aller optionalen Tarife nicht der niedrigste ist. Damit läge dann ein Tarifwahl-Bias vor. In der Literatur werden Zusatznutzenelemente von Tarifen angeführt, die sich auf die Extremausprägungen von Volumentarifen (Flatrate und Pay-per-Use-Tarif) beziehen. Diese können aber auch für die Volumentarife mit beschränktem Freikontingent gelten, da Volumentarife bis zum Überschreiten des Freikontingents Merkmale einer Flatrate, danach eines Pay-per-Use-Tarifs aufweisen.161 Im folgenden Kapitel werden daher alle in der Literatur angeführten Zusatznutzenelemente in die dieser Arbeit zugrundeliegenden Überlegungen auf Basis der ökonomischen Theorie eingebunden.162 Da die zweite Quelle an Ursachen von Tarifwahl und Tarifwahl-Biases in der Beurteilung und Fehlbeurteilung der erwarteten Kosten liegt, wird außerdem auf diesen Gegenstandsbereich eingegangen. 3.2.2

Ursachen von Tarifwahlentscheidungen: Eine Literaturanalyse

3.2.2.1

Zusatznutzenelemente von Volumentarifen

3.2.2.1.1

Zusatznutzenelemente der Tarifform Flatrate

3.2.2.1.1.1 Versicherungseffekt Ein Zusatznutzenelement, das sich der Tarifform Flatrate zuordnen lässt, besteht im so genannten Versicherungseffekt. Der zusätzliche Nutzen einer Flatrate, der sich in diesem Effekt ausdrückt, liegt darin, dass Schwankungen im monatlichen Rechnungsbetrag vermieden werden können.163 Dies gilt bei der Flatrate in jedem Fall, bei Abschluss eines Volumentarifs bis zur Überschreitung des im Grundpreis enthaltenen Freikontingents.164 Einen geeigneten Ansatz zur Erklärung des Versicherungseffekts liefert die Risikotheorie.165 Im Rahmen der Risikotheorie werden verschiedene Einstellungen von 161 162

163 164 165

Vgl. Kapitel 2.1.1. LAMBRECHT und LAMBRECHT/SKIERA systematisieren erstmalig die in der Literatur auftretenden Einflussfaktoren auf Tarifwahl-Biases und sprechen an etlichen Stellen von den Einflussfaktoren als „tarifspezifischen Nutzenelementen“, vgl. bspw. Lambrecht, A. (2005), S. 36. Vgl. Lambrecht, A. (2005), S. 37 f. Bei Volumentarifen ist daher auch keine vollständige Versicherung gegen Schwankungen gegeben. Die Risiko(Nutzen)-Theorie geht auf VON NEUMANN/MORGENSTERN zurück, vgl. von Neumann, J./ Morgenstern, O. (1944). Außer der Risikoaversion werden in der Literatur zwei weitere Erklärungsansätze herangezogen: Zum einen Verlustaversion, zum anderen ein Optionswert der Flatrate, vgl. Lambrecht, A. (2005), S. 37 f. Verlustaversion wird als zweiter Erklärungsansatz herangezogen, da der potenzielle Verlust durch die Wahl des ökonomisch suboptimalen Tarifs im Vergleich zum Umsatz des Unternehmens sehr klein ist. Nach der Prospect-Theorie, die von KAHNEMAN/TVERSKY entwickelt wurde, ist der negative Wert, der Verlusten im Vergleich zu einem neutralen Referenzpunkt zugerechnet wird, höher als der positive Wert, der einem Gewinn derselben Höhe zugerechnet wird Die Prospect-Theorie geht davon aus, dass die Konsequenzen einer Alter-

42 Entscheidern zum Risiko diskutiert.166 Grundsätzlich werden Risikoneutralität, Risikoaffinität sowie Risikoaversion unterschieden.167 Die Risikoaversion liefert eine Erklärung, weshalb der Versicherungseffekt ein Zusatznutzenelement eines Tarifs mit hohem Freikontingent darstellen kann: Risikoaversion liegt vor, wenn ein Nachfrager bereit ist, für den sicheren Ausgang einer unsicheren Situation eine Prämie zu entrichten, und somit einen Abschlag vom Erwartungswert des Vermögens im Falle einer unsicheren Situation in Kauf nimmt.168 Für identische Entscheidungsprobleme kann die Risikoeinstellung von Entscheider zu Entscheider unterschiedlich sein, allerdings wird davon ausgegangen, dass die meisten Individuen risikoavers sind, wenn es sich um Entscheidungen handelt, die die Zahlung von Geldbeträgen nach sich ziehen.169 Im Kontext des Tarifwahlverhaltens bedeutet dies, dass bei einem risikoaversen Entscheider, der die zukünftige (erwartete) Nutzung nicht genau vorhersagen kann, durch den nutzungsabhängigen Preisbestandteil eines Tarifs Unsicherheit über die

166 167

168

169

native und die Wahrscheinlichkeiten der Konsequenzen die Bewertung der Alternativen und damit die Entscheidung bestimmen. Dabei werden die positiven und negativen Folgen einer Entscheidung im Verglich zu einem Referenzpunkt bewertet. Konsequenzen oberhalb des Referenzpunkts werden als Gewinne, unterhalb als Verluste aufgefasst. Die Prospect-Theorie trifft außerdem spezifische Annahmen zu einem S-förmigen Verlauf der Nutzenfunktion: Für Gewinne verläuft die Funktion konkav, für Verluste konvex und die Funktion ist für Verluste steiler als für Gewinne. Dies bedeutet, dass der Nutzen eines bestimmten Gewinns kleiner ist, als der Betrag des Nutzens eines Verlusts in gleicher Höhe wie der Gewinn. Demnach schmerzt also der Verlust eines bestimmten Betrags stärker, als ein Gewinn der gleichen Höhe erfreut. Empirisch wurde gezeigt, dass Personen monetäre Verluste etwa doppelt so hoch bewerten wie gleich hohe Gewinne, vgl. Tversky, A./ Kahneman, D. (1991). Die Prospect-Theorie erklärt damit eine Abneigung bereits gegenüber kleinen Risiken. Zur Prospect-Theorie vgl. Tversky, A./ Kahneman, D. (2000) u. Kahneman, D./ Tversky, A. (1979). Zusammenfassend zur Prospect-Theorie vgl. Jungermann, H./ Pfister, H.-R./ Fischer, K. (2005), S. 220 ff. u. S. 248 ff., sowie Diller, H. (2008), S. 140 ff. Die Prospect-Theorie ist dann relevant, wenn Entscheider den bei der Wahl einer Flatrate (oder eines Volumentarifs mit einem bestimmten Freikontingent) erwarteten Vermögenszustand als Referenzpunkt sehen. Treten durch über- oder unterdurchschnittlich starke Nutzung in einem Tarif mit geringerem Freikontingent höhere oder niedrigere Rechnungsbeträge auf, als bei der Wahl des Referenztarifs, so würden diese als Verlust oder Gewinn gegenüber dem Referenzpunkt gewertet. Aufgrund der Verlustaversion bewertet der Konsument jedoch mögliche Verluste höher als Gewinne des gleichen Betrags. Durch die Wahl der Flatrate oder eines Volumentarifs mit höherem Freikontingent kann der Entscheider das Eintreten dieser Verluste vermeiden, vgl. Lambrecht, A. (2005), S. 38. Allerdings erscheint es problematisch, dass ein Entscheider den Zustand in einem noch nicht gewählten Tarif als Referenzpunkt bei der Nutzenbewertung heranzieht. Ein dritter in der Literatur angeführter Erklärungsansatz liegt im Optionswert der Flatrate oder eines Volumentarifs. Der Optionswert besteht in der Möglichkeit, bei gleichem Rechnungsbetrag eine höhere als die geplante Nutzungsmenge zu nutzen, so dass der gewählte Volumentarif die Option einer höheren Nutzungsmenge zu demselben Preis bietet. Bestünde der Optionscharakter nicht, so würde durch eine höhere Nutzungsmenge eine Schwankung im Rechungsbetrag entstehen, vgl. Lambrecht, A. (2005), S. 38 u. Kridel, D.J./ Lehman, D.E./ Weisman, D.L. (1993). Vgl. Bamberg, G./ Coenenberg, A.G. (2006), S. 95 ff., Jungermann, H./ Pfister, H.-R./ Fischer, K. (2005), S. 216 ff., Laux, H. (2005), S. 182 f., Eisenführ, F./ Weber, M. (2003), S. 222 ff. u. Meyer, R. (2000), S. 56 ff. Vgl. Jungermann, H./ Pfister, H.-R./ Fischer, K. (2005), S. 218. Diese Riskoeinstellungen führen zu unterschiedlich verlaufenden Nutzenfunktionen. Häufig werden Entscheidungsprobleme unter Unsicherheit im Kontext von Lotterien diskutiert, vgl. bspw. Jungermann, H./ Pfister, H.-R./ Fischer, K. (2005), S. 217 f. u. Eisenführ, F./ Weber, M. (2003), S. 222 f. Vgl. Jungermann, H./ Pfister, H.-R./ Fischer, K. (2005), S. 218. Die Risikoeinstellung kann mit Hilfe des Arrow-Prattschen Risikoeinstellungsmaßes quantifiziert werden, vgl. Eisenführ, F./ Weber, M. (2003), S. 225 f.

43 Höhe des monatlichen Rechnungsbetrags besteht.170 Je größer das eingeschlossene Freikontingent eines Tarifs ist, desto größer ist auch das Nutzungsintervall, in dem der Entscheider durch den Tarif gegen Schwankungen im Rechnungsbetrag abgesichert ist. Diese Entscheider wählen also eine Flatrate oder einen Volumentarif, um sich gegen das Risiko eines hohen Rechnungsbetrags in Perioden überdurchschnittlich hoher Nutzung abzusichern, und sehen in dieser Absicherung einen Zusatznutzen.171 3.2.2.1.1.2 Bequemlichkeitseffekt Ein weiteres Zusatznutzenelement der Flatrate wird im Bequemlichkeitseffekt gesehen, in dem ausdrückt wird, dass die Wahl einer Flatrate einfacher erscheint als die Wahl eines nutzungsabhängigen Tarifs.172 Eine theoretische Fundierung des Bequemlichkeitseffekts liefert die Informationsökonomik mit dem Konzept der Suchkosten.173 Es ist vorstellbar, dass Nachfrager eine Flatrate wählen, weil sie Suchkosten vermeiden wollen, die nötig wären, um alternative Tarife zu identifizieren und hinsichtlich der zu erwartenden Kosten zu überprüfen.174 Diese Nachfrager steigen somit gar nicht erst in den Bewertungsvorgang ein, da sie nicht bereit sind, zusätzliche Informationskosten auf sich zu nehmen, die durch die Suche nach alternativen Angeboten und die Berechnung der jeweiligen Rechnungsbeträge in diesen Tarifen entstehen würden. Diese Nachfrager gehen davon aus, dass die erwarteten (Mehr-)Suchkosten durch die erwarteten potenziellen Einsparungen nicht gedeckt werden. Dies kann sowohl für die erste Auswahl eines Tarifs als auch für den Wechsel zwischen Tarifen gelten. Die Vereinfachung durch die Wahl der Flatrate kann zum einen darin begründet liegen, dass ein Nachfrager bereits über Erfahrung mit dieser Tarifform verfügt.175 Zum anderen kann die Begründung darin liegen, dass die Kalkulation der Kosten in einer Flatrate vergleichsweise einfach ist, da die Kosten lediglich aus der fixen Grundgebühr bestehen, bzw. bei Volumentarifen je nach Freikontingent ein großer Teil der Kosten durch die Grundgebühr gedeckt ist.

170 171 172

173

174 175

Vgl. Lambrecht, A. (2005), S. 37. Vgl. Train, K.E. (1991), S. 212. Vgl. Lambrecht, A. (2005), S. 41 f., Train, K.E. (1991), S. 212 u. S. 294 u. Kling, J.P./ van der Ploeg, S.S. (1990) Zu Suchkosten bei der Auswahl von Produkten oder Anbietern vgl. Shapiro, C./ Varian, H.R. (1999), S. 126 f. u. Kaas, K.P. (1990), S. 542 ff. Dies kann auf die Auswahl zwischen verschiedenen Tarifen übertragen werden. Vgl. Lambrecht, A. (2005), S. 41. Ein Indiz hierfür liefert auch IYENGAR, der zeigt, dass der bislang vorliegende Tarif einen signifikanten Einfluss auf die Tarifwahl ausübt, vgl. Iyengar, R. (im Druck), S. 26.

44 Insgesamt bedeutet dies, dass ein Nachfrager, für den der Bequemlichkeitseffekt ein Zusatznutzenelement der Flatrate darstellt, durch diese Wahl Zeit spart, die für eine intensivere Suche nach dem günstigsten Vertrag erforderlich wäre, und somit Kosten der Informationsbeschaffung vermeidet. 3.2.2.1.1.3 Taxametereffekt Der Zusatznutzen einer Flatrate, der sich im Taxametereffekt manifestiert, liegt darin, dass die Mobilfunknutzung bei der Wahl einer Flatrate oder eines Volumentarifs mit hohem Freikontingent mehr genossen werden kann, da es sich bei der Grundgebühr um versunkene Kosten handelt.176 Einen Ansatz zur Erklärung des Taxametereffekts aus ökonomischer Perspektive liefert die Idee eines psychischen Zusatznutzens, die verknüpft wird mit dem Konzept der psychischen Kosten.177 Diese grundsätzlichen Konzepte werden im Rahmen des „Mental Accounting“ mit dem Zeitpunkt der Zurechnung der Kosten verbunden.178 PRELEC/LOEWENSTEIN erweitern dies zu einem „Double-Entry Mental Accounting“Konzept, das den psychischen Nutzen und die psychische Kosten sowie deren Zusammenhang weiter konkretisiert und insbesondere auf die Erklärung von Entscheidungen zwischen verschiedenen Tarifen (bzw. allgemeiner: Entscheidungen zwischen Zahlungsweisen, die entweder eine Vorauszahlung erlauben oder nicht) anwendbar macht.179 Nach dem Konzept des Mental Accounting verfügen Nachfrager über mentale Konten und Budgets und rechnen dem Nutzen eines bestimmten Guts auch die dadurch entstehenden Kosten zu.180 Sind die mentalen Konten im Haben, so entsteht psychischer Zusatznutzen in Form von „Freude“, sind sie im Soll, so entstehen psychische Kosten in Form von „Schmerzen“.181 Die Freude reduziert dabei die Kosten, die

176 177

178

179

180 181

Vgl. Lambrecht, A. (2005), S. 39 f. Vgl. Becker, G.S. (1993a), S. 6. BECKER definiert psychische Kosten als „…Kosten, die mit der Nutzung dieser Gelegenheiten verbunden sind und deren möglichen Gewinn zunichtemachen, Kosten, die möglicherweise von Außenstehenden nicht so leicht „gesehen“ werden.“ Becker, G.S. (1993a), S. 6. Vgl. Thaler, R.H. (1980). THALER argumentiert, dass sich Nachfrager häufig entgegen den Prämissen der traditionellen ökonomischen Theorie verhalten, da sie bspw. häufig auf versunkene Kosten achten, obwohl sie dies nach der traditionellen ökonomischen Theorie nicht sollten. Er erweitert daher den „traditionellen“ ökonomischen Ansatz um Erkenntnisse der kognitiven Psychologie und führt das Konzept des „Mental Accounting“ ein, vgl. Thaler, R.H. (1985), S. 201. THALER betrachtet sein Modell als „hybrid of cognitive psychology and microeconomics“, Thaler, R.H. (1985), S. 199. Vgl. Prelec, D./ Loewenstein, G. (1998), S. 4 f. u. S. 8 ff. PRELEC/LOEWENSTEIN gehen auf die traditionelle ökonomische Sichtweise von Nutzen und Kosten ein und erweitern diese um die mentalen Konten auf Basis der Überlegungen von THALER. Zwischen Konsum und Zahlung werden vom Nachfrager symbolische Verbindungen hergestellt, vgl. Prelec, D./ Loewenstein, G. (1998), S. 5. Vgl. Thaler, R.H. (1999) u. Thaler, R.H. (1985). Vgl. Prelec, D./ Loewenstein, G. (1998), S. 5.

45 Schmerzen verringern den Nutzen.182 Die Kosten werden je nach Zeitpunkt von Nutzung und Zahlung unterschiedlich zugerechnet und die mentalen Konten ermöglichen eine mentale Vorauszahlung von Kosten. Mental voraus gezahlte Kosten können zum Zeitpunkt der Nutzung keine „Schmerzen“ mehr verursachen, so dass bei mental voraus gezahlten Kosten von einem höheren Netto-Nutzen zum Nutzungszeitpunkt ausgegangen wird als wenn Zahlung und Nutzung gleichzeitig erfolgen.183 Daher wird bei im Voraus gezahlten Kosten auch ein höherer Genuss zum Nutzungszeitpunkt erwartet.184 Die nutzungsabhängigen Bestandteile des Rechnungsbetrags sind zu Periodenbeginn noch nicht bekannt, da diese von der tatsächlichen Nutzung unmittelbar beeinflusst werden. Sie werden daher dem Nutzungszeitpunkt direkt zugerechnet.185 Daraus entsteht eine enge Kopplung von Konsum und Kosten, die dazu führt, dass die bei der nutzungsabhängigen Abrechnung möglicherweise entstehenden psychischen Kosten den Nutzen zum Nutzungszeitpunkt vermindern können.186 Der nutzungsunabhängige Rechnungsbestandteil Grundgebühr fällt ohne Bezug zur Nutzung an und wird zum Zeitpunkt der Tarifwahlentscheidung oder zum Periodenbeginn mental verbucht. Die Kosten zum Zeitpunkt der Zahlung der Grundgebühr werden außerdem durch den Gedanken an die zukünftige Nutzung vermindert. Zum Nutzungszeitpunkt fallen durch das Freikontingent Grenzkosten von null an, so dass die Nutzung, für die bereits gezahlt wurde, genossen werden kann, als ob sie kostenlos wäre.187 Dies lässt sich auch mit der Idee der Selbstbindung verknüpfen,188 sofern der Nachfrager einen Nutzen von einer starken Nutzung erwartet.189 Durch den Genuss bei

182 183 184

185 186 187 188

189

Vgl. Prelec, D./ Loewenstein, G. (1998), S. 11. Vgl. Prelec, D./ Loewenstein, G. (1998), S. 10 f. Vgl. Prelec, D./ Loewenstein, G. (1998), S. 13. Gleichzeitig wird zum Zeitpunkt der Zahlung einer Grundgebühr auch von verringerten Kosten ausgegangen, da die Erwartung an den Nutzen aus der Nutzung die Kosten schmälert. Vgl. Lambrecht, A. (2005), S. 40. Vgl. Prelec, D./ Loewenstein, G. (1998), S. 11 ff. Vgl. Lambrecht, A. (2005), S. 40, Prelec, D./ Loewenstein, G. (1998), S. 4 u. S. 21. u. Thaler, R.H. (1999), S. 192. Vgl. Elster, J. (1979), S. 36. Dort wird der Mythos von Odysseus herangezogen, um Selbstbindung als ökonomische Idee zu präsentieren: “Ulysses was not fully rational, for a rational creature would not have to resort to this device; nor was he simply the passive and irrational vehicle for his changing wants and desires, for he was capable of achieving by indirect means the same end as a rational person could have realised in a direct manner. His predicament - being weak and knowing it - points to the need for a theory of imperfect rationality that has been all but neglected by philosophers and social scientists." (Hervorhebung im Original). Vgl. Ariely, D./ Wertenbroch, K. (2002), S. 219, Thaler, R.H. (1999), S. 192 f. u. Wertenbroch, K. (1998), S. 318 ff.

46 der Nutzung kann er sich möglicherweise zu einer stärkeren Nutzung motivieren und zieht somit einen zusätzlichen Nutzen aus der Tarifform Flatrate.190 3.2.2.1.2

Zusatznutzenelemente der Tarifform Pay-per-Use

Zusatznutzenelemente der Tarifform Pay-per-Use werden in der Literatur weitgehend außer Acht gelassen.191 Dies rührt vermutlich insbesondere daher, dass Pay-perUse-Biases selten auftreten, also selten eine „übersteigerte Pay-per-Use-Präferenz“ nachweisbar ist, und spricht dafür, dass dieser Tarifform vom Nachfrager nur wenige oder sogar keine Zusatznutzenbestandteile zugesprochen werden.192 An einigen Stellen werden jedoch Zusatznutzenelemente von Pay-per-Use-Tarifen thematisiert. SCHULZE bzw. SCHULZE/GEDENK führen den Flexibilitätseffekt ein, der ausdrückt, dass Nachfrager einen Wert eines Pay-per-Use-Tarifs darin sehen, bei geringerer Nutzung

als ein Freikontingent in einer bestimmten Periode bei einem nutzungsabhängigen Tarif auch nur einen niedrigeren Rechnungsbetrag zu zahlen.193 Eine theoretische Fundierung liefern sie hierfür nicht. Dieser Effekt kann jedoch als Umkehrung des Versicherungseffekts aufgefasst werden. Somit kann auch hier die Begründung über die Risikotheorie und die Einstellung zum Risiko geführt werden:194 Da Unsicherheit über die Nutzungsmenge vorliegt, besteht das Risiko, einen suboptimalen Tarif zu wählen. Insbesondere ein risikoneutraler oder risikoaffiner Entscheider hat jedoch möglicherweise im Gegensatz zum risikoaversen Entscheider kein Interesse daran, eine Risikoprämie zu entrichten, um sich gegen die Schwankungen in den Rechnungsbeträgen abzusichern und schätzt vielmehr die Flexibilität eines Tarifs ohne oder mit geringem Freikontingent, in dem die Rechnungsbeträge flexibel sind. Obwohl dies bislang in der Literatur nicht beachtet wurde, könnte auch der Bequemlichkeitseffekt ein Zusatznutzenelement der Tarifform Pay-per-Use sein. Dies könnte dann zutreffen, wenn Pay-per-Use-Tarife die gewohnte Tarifart in einem Markt oder

190

191 192 193

194

Dies wird in der Literatur auch als „Selbstdisziplinierungseffekt“ bezeichnet und als getrennter Effekt erfasst (vgl. Meyvis, T./ Xie, J. (2005), Schulze, T. (2005), S. 157 u. Schulze, T./ Gedenk, K. (2005), S. 94). Dieser Effekt soll insbesondere bei Gütern eine Rolle spielen, bei denen sich der Nachfrager einen indirekten positiven Effekt erhofft. Dies kann bspw. bei Fitnessstudios der Fall sein, die einen Effekt auf die Gesundheit haben können (vgl. Wertenbroch, K. (1998), S. 318) oder bei Zeitungsabonnements, die einen indirekten Effekt auf das Wissen haben können (vgl. Schulze, T. (2005), S. 94). Der Selbstdisziplinierungseffekt kann auch ein Zusatznutzenelement eines Pay-per-Use-Tarifs sein, wenn der Nutzer seine Nutzung zügeln möchte (vgl. Schulze, T./ Gedenk, K. (2005), S. 94). Lambrecht diskutiert den „Selbstdisziplinierungseffekt“ als Erklärung für den Überschätzungseffekt, vgl. Lambrecht, A. (2005), S. 42 f. Vgl. auch die Ausführungen bei Lambrecht, A. (2005), S. 45. Vgl. Kapitel 4.2.2 u. Lambrecht, A. (2005), S. 187. Vgl. Schulze, T./ Gedenk, K. (2005) u. Schulze, T. (2005), S. 98. Bereits TRAIN erörtert dies theoretisch als Grund für einen Pay-per-Use-Bias, vgl. Train, K.E. (1991). Vgl. Kapitel 3.2.2.1.1.1. Zur Risikoeinstellung vgl. Jungermann, H./ Pfister, H.-R./ Fischer, K. (2005), S. 216 ff.

47 für einen Nachfrager darstellen.195 Der Nachfrager möchte auch hier die Suchkosten vermeiden, die die Suche nach einem alternativen Tarif mit sich bringt. Er sieht daher einen Zusatznutzen des Pay-per-Use-Tarifs in der Entlastung beim Entscheidungsvorgang. 3.2.2.2

Beurteilung der Kosten und Konsequenzen für die Tarifwahl

In Kapitel 3.2.1.2 wurde abgeleitet, dass neben der Beurteilung des erwarteten Zusatznutzens von Tarifen eine Ursache für die Wahl eines bestimmten Tarifs in der Beurteilung der erwarteten Kosten liegt, da diese die Höhe des Netto-Nutzens beeinflussen. Für die Beurteilung der erwarteten Kosten in den optionalen Tarifen unter beschränkter Rationalität sind drei Punkte besonders relevant: Der Entscheider muss die Merkmale der relevanten optionalen Tarife erfassen, er muss die erwarteten Kosten in den alternativen Tarifen berechnen, und er muss sich der erwarteten Nutzungsmenge bewusst sein. Im Weiteren wird unterstellt, der Entscheider sei in der Lage, alle optionalen Tarife zu erfassen sowie die erwarteten Kosten in allen Tarifen zu berechnen. Daher ist die erwartete Nutzung als Einflussgröße auf die Tarifwahl aus optionalen Volumentarifen näher zu beleuchten. Die erwartete Nutzung beeinflusst indirekt über die erwarteten Kosten die Wahl des Tarifs. In einem Angebot von optionalen Volumentarifen, wie es in Kapitel 2.1.2 dargestellt und definiert wurde, schwanken die erwarteten Kosten in einem bestimmten Tarif je nach erwarteter Nutzungsmenge. Für eine bestimmte erwartete Nutzungsmenge gilt durch die definierten Eigenschaften von Mobilfunktarifsystemen jedoch, dass bei geringen erwarteten Nutzungsmengen die erwarteten Kosten im Pay-perUse-Tarif oder in Volumentarifen mit geringem Freikontingent am geringsten sind, wohingegen bei hohen erwarteten Nutzungsmengen die erwarteten Kosten in einer Flatrate oder in Volumentarifen mit hohem Freikontingent am geringsten sind.196 In Abb. 3-4 ist dargestellt, wie das Ausmaß der erwarteten Nutzungsmenge die Tarifwahl zwischen einem Pay-per-Use-Tarif, einem Volumentarif und einer Flatrate (abstrahiert von Zusatznutzenelementen) beeinflusst.

195

196

Die Tatsache, dass bislang gerade der Flatrate ein zusätzlicher Wert in Form des Bequemlichkeitseffekt zugesprochen wurde, rührt insbesondere daher, dass die ersten Arbeiten, die sich mit Ursachen von TarifwahlBiases beschäftigt haben, auf dem US-amerikanischen Markt für Telekommunikation entstanden, wo Flatrates damals den dominierenden Tarif dargestellt haben, vgl. Lambrecht, A. (2005), S. 41 u. Kapitel 4.3.1. Vgl. Kapitel 2.1.2.

48 GN: Grundnutzen K: Kosten NN: Netto-Nutzen PPU: Pay-per-Use VT: Volumentarif FR: Flatrate

Erwarteter Nutzen/ Erwartete Kosten

NN

K T1 NN GN T1 NN

GN

K

PPU

GN

K VT

GN

K FR

Hohe erwartete Nutzungsmenge: Wahl Flatrate

Abb. 3-4:

GN

K

PPU

GN

K

GN

VT

K FR

Niedrige erwartete Nutzungsmenge: Wahl Pay-per-Use-Tarif

Einfluss der erwarteten Nutzungsmenge auf die Tarifwahl197

Im linken Abschnitt von Abb. 3-4 ist eine Situation dargestellt, in der eine hohe Nutzungsmenge erwartet wird. In diesem Fall ist der Netto-Nutzen in der Flatrate am höchsten und diese wird daher gewählt. Im rechten Abschnitt ist eine Situation dargestellt, in der eine niedrigere Nutzungsmenge erwartet wird. Die erwarteten Kosten für die Flatrate bleiben gleich hoch, die erwarteten Kosten im Volumentarif und im Pay-per-Use-Tarif haben sich jedoch im Vergleich zur ersten Situation verändert. Im gewählten Beispiel entsteht bei der niedrigen erwarteten Nutzungsmenge lediglich beim Pay-per-Use-Tarif ein positiver Netto-Nutzen, so dass die Wahl auf diesen fällt. Aufgrund der in Kapitel 2.1.2 definierten Eigenschaften von Mobilfunktarifsystemen sind bei geringer erwarteter Nutzung die erwarteten Kosten in einem Tarif mit keinem oder geringem Freikontingent am geringsten. Umgekehrt sind bei hoher erwarteter Nutzung die erwarteten Kosten in einem Tarif mit hohem oder unbeschränktem Freikontingent am geringsten. Daher kann tendenziell von einem Netto-Nutzen ausgegangen werden, der mit steigender erwarteter Nutzung mit steigendem Freikontingent des Tarifs zunimmt und umgekehrt.198 Demnach beeinflusst die erwartete Mobil-

197 198

Quelle: Eigene Darstellung. Diese Aussage kann nur tendenziell getroffen werden, weil es aufgrund der additiven Verknüpfung der Nutzenbestandteile möglich ist, dass erwartete Zusatznutzenelemente eines Tarifs höhere erwartete Kosten in diesem Tarif aufwiegen. In der folgenden empirischen Analyse erfolgt eine Konzentration auf die Zusatznutzenelemente der Flatrate, so dass keine Aufhebung der Einschätzung aufgrund von Zusatznutzenelementen passieren kann, sondern lediglich eine Verstärkung des Nutzens in Richtung der Flatrate. Somit kann in dieser Arbeit die Aussage im empirischen Teil der Arbeit uneingeschränkt gelten.

49 funknutzung die Mobilfunktarifwahl tendenziell derart, dass mit steigender erwarteter Mobilfunknutzung auch das Freikontingent des gewählten Tarifs steigt, bzw. dass umgekehrt mit sinkender erwarteter Mobilfunknutzung das Freikontingent des gewählten Tarifs abnimmt.199 Die erwartete Nutzung muss aufgrund der Unsicherheit vom Entscheider eingeschätzt werden. Dies wird im Weiteren als Einschätzungseffekt bezeichnet. Aufgrund der sequenziellen Entscheidungen über die Tarifwahl und die Nutzungsmenge sowie der Unsicherheit über die tatsächliche zukünftige Nutzungsmenge erwachsen jedoch Konsequenzen für die Einschätzung und für die Tarifwahl. Dies wird in Abb. 3-5 verdeutlicht. Einschätzung Nutzung: t0 bis t1 = x min Erwartete Nutzung

t0

t1

Tarifwahl

Tatsächliche Nutzung: t0 bis t1 = y min

Unsicherheit Tatsächliche Nutzung

t1

t0

TarifwahlBias t0: Zeitpunkt Tarifwahl/ Vertragsbeginn t1: Ende erste Nutzungsperiode

Abb. 3-5:

Erwartete Nutzung und tatsächliche Nutzung200

Die Einschätzung der Nutzung ist Grundlage der Tarifwahl. Die tatsächliche Nutzung erfolgt jedoch in einem nachgelagerten Zeitraum. Dies verstärkt die Unsicherheit, und es ist möglich, dass dem Entscheider eine Fehleinschätzung der tatsächlichen Nutzung unterläuft. Aufgrund einer Fehleinschätzung kommt der Entscheider möglicherweise zu einem „falschen“ Netto-Nutzen-Urteil und wählt möglicherweise einen Tarif, der für die im nachgelagerten Zeitraum tatsächlich realisierte Nutzungsmenge nicht zum niedrigsten Rechnungsbetrag am Abschluss der Periode führt. Damit kann die Fehleinschätzung indirekt zu Tarifwahl-Biases führen. Die Fehleinschätzung kann also eine Ursache von Tarifwahl-Biases sein und wird im Weiteren als Fehleinschät-

199 200

Zur Struktur eines Angebots optionaler Volumentarife vgl. Kapitel 2.1.2. Quelle: Eigene Darstellung.

50 zungseffekt bezeichnet.201 Abb. 3-6 dient der Verdeutlichung des Zusammenhangs von erwarteter (= eingeschätzter) Nutzung, tatsächlicher Nutzung, Fehleinschätzung der Nutzung sowie Tarifwahl und Tarifwahl-Biases. Wahl des Tarifs NN Fehleinschätzung der tatsächlichen Nutzung

FE

NN

EN EK

EN EK

EN EK

PPU

VT

FR

Wahl FR

Tarifwahl-Biases EN TN

EN: Erwartete Nutzung; EK: Erwartete Kosten;

Abb. 3-6:

TN TK

TN TK

TN TK

PPU

VT

FR

TW-Bias: TK(FR) – TK (PPU)

TN: Tatsächliche Nutzung; FE: Fehleinschätzung TK: Tatsächliche Kosten; NN: Netto-Nutzen

Zusammenhang von eingeschätzter Nutzung, tatsächlicher Nutzung, Tarifwahl und Tarifwahl-Biases202

Im linken Abschnitt von Abb. 3-6 ist dargestellt, wie die Fehleinschätzung der Nutzung aus der Einschätzung und Fehleinschätzung der Nutzung resultieren kann. In diesem Fall wird die tatsächliche Nutzung nachhaltig überschätzt. Im rechten Abschnitt wird für dieses Beispiel gezeigt, dass durch die Fehleinschätzung letztlich ein Tarifwahl-Bias zustande kommt. Denn auf Basis der erwarteten Nutzung fällt die Wahl in diesem Fall auf die Flatrate, da hier der erwartete Netto-Nutzen am größten ist, der sich aus der erwarteten Nutzung und den erwarteten Kosten ergibt. Werden jedoch die im nachgelagerten Zeitraum auf Basis der tatsächlichen Nutzung entstehenden tatsächlichen Kosten in allen Tarifen verglichen, so zeigt sich, dass die tatsächlichen Kosten in der Flatrate am höchsten sind. Der Abgleich der tatsächlich entstehenden Kosten in allen Tarifen zeigt, dass die Kosten im Pay-per-Use-Tarif am geringsten gewesen wären. Die Differenz aus den tatsächlichen Kosten in der gewählten Flatrate und im günstigsten Pay-per-Use-Tarif stellt das Ausmaß des Tarif-

201

202

Vgl. auch Lambrecht, A. (2005), S. 42 u. S. 45 sowie die dort angegebenen Quellen zur Über- und Unterschätzung als Ursachen von Flatrate-Bias bzw. Pay-per-Use-Bias. Allerdings führt LAMBRECHT die Argumentation nicht über Netto-Nutzen-Urteile. Quelle: Eigene Darstellung.

51 wahl-Bias dar. Aufgrund der Überschätzung der tatsächlichen Nutzung kommt in diesem Beispiel somit indirekt ein Flatrate-Bias zustande. An diesem Beispiel wird im Abgleich mit der Darstellung in Abb. 3-4 auch deutlich, dass der Fehleinschätzungseffekt Tarifwahl-Biases derart beeinflusst, dass eine Unterschätzung der Nutzung einen Pay-per-Use-Bias nach sich ziehen kann, eine Überschätzung einen Flatrate-Bias. Denn die Wahl des Tarifs wird nach Maßgabe nutzentheoretischer Überlegungen über den erwarteten Netto-Nutzen von der erwarteten Nutzung beeinflusst. Da der erwartete Netto-Nutzen bei steigender erwarteter Nutzung tendenziell mit steigendem Freikontingent des Tarifs zunimmt, kann die Überschätzung der Nutzung zur Wahl eines Tarifs mit höherem Freikontingent führen, obwohl bei der tatsächlich realisierten Nutzung die tatsächlichen Kosten in einem Tarif mit niedrigerem Freikontingent niedriger gewesen wäre. Der gleiche Zusammenhang gilt umgekehrt für den Pay-per-Use-Bias. 3.2.3

Hypothesen zu den Ursachen von Tarifwahl und Tarifwahl-Biases im B-to-B-Bereich

Die in den vorangegangenen Kapiteln dargestellten Ursachen von Tarifwahl und Tarifwahl-Biases wurden bislang ausschließlich im B-to-C-Kontext diskutiert. Daher ist zur Ableitung von Hypothesen in Bezug auf deren Einfluss auf die Tarifwahl aus optionalen Volumentarifen und Tarifwahl-Biases zu überprüfen, ob die angeführten Ursachen auch im B-to-B-Bereich Bestand haben können. Im Hintergrund steht hierbei immer das in Kapitel 3.2.1.3 entwickelte Modell der Mobilfunktarifwahl, mit dem gezeigt wurde, dass grundsätzlich tarifspezifische Zusatznutzenelemente und die Beurteilung bzw. Fehlbeurteilung von Kosten Tarifwahl und Tarifwahl-Biases beeinflussen können. Da in der eigenen empirischen Analyse eine Konzentration auf die Zusatznutzenelemente der Flatrate erfolgt, werden für die Zusatznutzenelemente von Payper-Use-Tarifen keine Hypothesen abgeleitet. Diese Konzentration erfolgt zum einen, weil sich im Rahmen der Darstellung der empirischen Erkenntnisse zu TarifwahlBiases zeigen wird, dass Flatrate-Biases weitaus häufiger auftreten als Pay-per-UseBiases. Auch andere Autoren sprechen von einer fehlenden Relevanz des Pay-perUse-Biases.203 Häufig wird daher der Pay-per-Use-Bias nicht einmal bestimmt.204 LAMBRECHT zeigt außerdem, dass Nutzer lediglich aus Pay-per-Use-Biases Konsequenzen ziehen und Tarife wechseln, dass sie aber Flatrate-Biases offenbar akzep-

203

204

Vgl. bspw. die Ausführungen bei Lambrecht, A. (2005), S. 45. LAMBRECHT spricht beispielsweise von einer schwachen Relevanz des Pay-per-Use-Biases und dem fehlenden Zusatznutzen von Pay-per-Use-Tarifen und konzentriert sich daher ebenfalls auf Zusatznutzenelemente der Flatrate. Vgl. Tab. 4-3.

52 tieren. Sie führt dies als Beleg dafür an, dass für eine Flatrate tatsächlich eine tarifspezifische Zahlungsbereitschaft vorliegt, für einen Pay-per-Use-Tarif jedoch nicht, und somit in erster Linie die Flatrate bzw. Tarife mit hohem Freikontingent Zusatznutzenelemente aufweisen sollten.205 Die theoretisch-konzeptionelle Analyse hat bislang gezeigt, dass der grundsätzliche Entscheidungsvorgang beim Entscheider im Unternehmen identisch zum Entscheidungsvorgang einer Privatperson ist, da in beiden Fällen der Netto-Nutzen entscheidungsrelevant ist. Unterschiede können jedoch in der Bewertung der NettoNutzenbestandteile bestehen, da der Entscheider zwar die Tarifwahl trifft, die Nutzung des Tarifs aber durch eine andere Person erfolgt und die Kosten, die aus der Nutzung entstehen, vom Unternehmen getragen werden. Der Entscheider genießt somit weder direkt den Nutzen der Entscheidung in Form der Nutzung noch trägt er direkt die Kosten in Form der Zahlung von Rechnungsbeträgen. Diese Tatsache kann Auswirkungen auf die Relevanz der in der Literatur angeführten Ursachen von Tarifwahlentscheidungen auf die Mobilfunktarifwahl im B-to-B-Bereich haben. Denn diese Ursachen wurden bislang ausschließlich für den Bereich des B-to-C erörtert, wo der Entscheider in der Regel mit dem Nutzer identisch ist und der demnach Nutzen und Kosten direkt erfährt. Daher muss diese Besonderheit bei der Ableitung von Hypothesen beachtet werden. Die Einschätzung der Nutzung zur Beurteilung der Kosten ist ein wesentliches Element des entwickelten Tarifwahlmodells. Denn der erwartete Netto-Nutzen der Tarife kann nur unter Berücksichtigung der erwarteten Kosten bestimmt werden. Daher ist von einem grundsätzlichen Einfluss der Einschätzung der Nutzung auf die Tarifwahl auszugehen, da diese die erwarteten Kosten unmittelbar beeinflusst. In Kapitel 3.2.2.2 wurde begründet, dass dieser Einfluss derart ist, dass mit einer steigenden Einschätzung der Nutzung der Netto-Nutzen in Tarifen mit ebenfalls höherem Freikontingent tendenziell steigt, d. h. dass das Freikontingent des gewählten Tarifs tendenziell größer ist. Hypothese 1 besagt demnach für den Einfluss des Einschätzungseffekts auf die Tarifwahl: Hypothese 1 Der Einschätzungseffekt beeinflusst die Mobilfunktarifwahl von Geschäftskunden. Je höher die Nutzung eingeschätzt wird, desto größer ist das Freikontingent des Tarifs, der aus einem Angebot optionaler Volumentarife gewählt wird.

205

Vgl. Lambrecht, A. (2005), S. 187.

53 Ebenfalls in Kapitel 3.2.2.2 wurde gezeigt, wie eine Fehleinschätzung der Nutzung die Entstehung von Tarifwahl-Biases verursachen kann. Die in Kapitel 3.1.1 angeführte verstärkte Unsicherheit bei Tarifwahlentscheidungen im B-to-B-Bereich führt dazu, dass dieser Effekt im B-to-B-Kontext von besonderer Bedeutung ist. Diese allgemeine Aussage lässt sich nach Flatrate- und Pay-per-Use-Bias differenzieren. Daher wird für den Einfluss des Fehleinschätzungseffekts auf Tarifwahl-Biases Hypothese 2 formuliert: Hypothese 2 Der Fehleinschätzungseffekt beeinflusst Tarifwahl-Biases bei der Mobilfunktarifwahl aus einem Angebot optionaler Mobilfunktarife von Geschäftskunden. Der Überschätzungseffekt beeinflusst dabei Flatrate-Biases, der Unterschätzungseffekt Pay-perUse-Biases. Je stärker der Fehleinschätzungseffekt ausgeprägt ist, desto höher fällt auch der Tarifwahl-Bias aus. Beim Versicherungseffekt ist von Bedeutung, dass, wie in Kapitel 3.1.1 gezeigt, im Bto-B-Bereich verstärkte Unsicherheit über die Nutzung besteht. Dies erschwert die Beurteilung des Netto-Nutzens für den Entscheider und äußert sich im Einfluss des Fehleinschätzungseffekts auf Tarifwahl-Biases. Da es im Aufgabenbereich des Entscheiders liegt, den optimalen Tarif für das Unternehmen zu identifizieren, ist grundsätzlich denkbar, dass die Absicherung gegen höhere Rechnungsbeträge einen zusätzlichen Wert der Flatrate für den Entscheider im B-to-B-Kontext darstellt. Denn einerseits wird davon ausgegangen, dass Individuen grundsätzlich eher risikoavers sind, wenn Entscheidungen die Zahlung von Geldbeträgen nach sich ziehen,206 und es ist daher denkbar, dass der Entscheider selbst die Absicherung Wert schätzt. Andererseits werden im Kontext von Unternehmen aus Gründen der Planungssicherheit häufig konstante Zahlungsreihen gegenüber schwankenden Zahlungsreihen vorgezogen,207 d. h. möglicherweise sieht der Entscheider in der Absicherung gegenüber Schwankungen einen zusätzlichen Wert für das Unternehmen. Beides spricht dafür, dass der Versicherungseffekt einen Einfluss hat. In Kapitel 3.2.1.2 wurde angeführt, dass eine stärkere Ausprägung eines Zusatznutzenelements den Netto-Nutzen eines Tarifs insgesamt positiv beeinflusst und damit eine stärkere Ausprägung eines Zusatznutzenelements einer Flatrate demzufolge tendenziell zur Wahl eines Tarifs mit größerem Freikontingent führt. Eine stärkere Ausprägung des Versicherungseffekts führt demnach dazu, dass tendenziell Tarife mit höherem Freikontingent gewählt werden. Außerdem wurde in Kapitel 3.2.1.3.2 gezeigt, dass Zusatznutzenelemente 206 207

Vgl. Jungermann, H./ Pfister, H.-R./ Fischer, K. (2005), S. 218. Vgl. Coenenberg, A.G. (1999), S. 55 f.

54 sowohl Tarifwahl als auch Tarifwahl-Biases beeinflussen. Daher werden für den Einfluss des Versicherungseffekts Hypothese 3a und Hypothese 3b erwartet: Hypothese 3a Der Versicherungseffekt beeinflusst die Mobilfunktarifwahl von Geschäftskunden aus einem Angebot optionaler Volumentarife. Je stärker der Versicherungseffekt ausgeprägt ist, desto größer ist das Freikontingent des Tarifs, der aus einem Angebot optionaler Volumentarife gewählt wird. Hypothese 3b Der Versicherungseffekt beeinflusst Tarifwahl-Biases bei der Mobilfunktarifwahl von Geschäftskunden aus einem Angebot optionaler Volumentarife. Je stärker der Versicherungseffekt ausgeprägt ist, desto höher fällt auch der Tarifwahl-Bias aus. Für die Bestimmung des Einflusses des Bequemlichkeitseffekts als Zusatznutzenelement der Flatrate ist von Bedeutung, dass Flatrates und Tarife mit Freikontingent erst seit relativ kurzer Zeit verstärkt auf dem deutschen Markt angeboten werden.208 Daher ist die Flatrate vermutlich in vielen Fällen noch nicht die gewohnte Tarifform für den Entscheider. Außerdem ist es Aufgabe des Entscheiders, den optimalen Tarif für das Unternehmen zu identifizieren, so dass die einfache Kalkulation der Kosten in der Flatrate keinen zusätzlichen Wert darstellen sollte. Im B-to-B-Bereich werden zudem häufig Tarife von einem Entscheider für mehrere Nutzer gewählt. Daher kann man für diesen Fall annehmen, dass sich die Suchkosten eher amortisieren als im Bto-C-Kontext, weil die (fixen) Suchkosten für mehrere Nutzer aufgewendet werden. Ausgehend von diesen Überlegungen besagen Hypothese 4a und Hypothese 4b: Hypothese 4a Der Bequemlichkeitseffekt beeinflusst die Mobilfunktarifwahl von Geschäftskunden aus einem Angebot optionaler Volumentarife nicht. Hypothese 4b Der Bequemlichkeitseffekt beeinflusst Tarifwahl-Biases bei der Mobilfunktarifwahl von Geschäftskunden aus einem Angebot optionaler Volumentarife nicht. Beim Taxametereffekt ergibt die Bestimmung des Einflusses ebenfalls, dass dieser bei Mobilfunktarifentscheidungen im B-to-B-Bereich kein Zusatznutzenelement einer Flatrate darstellt. Denn der Taxametereffekt ist ein Effekt, der sich auf die psychi-

208

Vgl. Kapitel 1.2.

55 schen Kosten und den Genuss des Nutzers bei der Mobilfunknutzung bezieht. Entscheider und Nutzer fallen im B-to-B-Kontext häufig auseinander. Die psychischen Kosten und der Genuss des Nutzers üben vermutlich keinen Einfluss auf die Nutzenbeurteilung des Entscheiders aus. Daher werden für den Einfluss des Taxametereffekts Hypothese 5a und Hypothese 5b vermutet: Hypothese 5a Der Taxametereffekt beeinflusst die Mobilfunktarifwahl von Geschäftskunden aus einem Angebot optionaler Volumentarife nicht. Hypothese 5b Der Taxametereffekt beeinflusst Tarifwahl-Biases bei der Mobilfunktarifwahl von Geschäftskunden aus einem Angebot optionaler Volumentarife nicht. Damit zeigt sich, dass von den Zusatznutzenelementen der Flatrate lediglich beim Versicherungseffekt, der in der Unsicherheit über die Nutzung begründet liegt, von einem Einfluss auf die Tarifwahl im B-to-B-Bereich vermutet wird.209 Insgesamt legen die Überlegungen zum Netto-Nutzen nahe, dass der Einfluss von Einschätzungs- und Fehleinschätzungseffekt wesentlich stärker ist als der Einfluss der Zusatznutzenelemente. Denn die erwarteten Kosten auf Basis der Nutzung machen einen wesentlichen Teil des Netto-Nutzens bei Mobilfunktarifentscheidungen im B-to-B-Kontext aus, wohingegen Zusatznutzenelemente eines Tarifs nur einen Aufschlag zum Grundnutzen auf Leistungsebene darstellen. Der Nutzen, der auf Leistungsebene entsteht und die Kosten sind aber für den Entscheider und das Unternehmen vermutlich wesentlich bedeutsamer als mögliche Zusatznutzenelemente eines Tarifs. Die formulierten Hypothesen werden im nächsten Schritt vor dem Hintergrund des Stands der bisherigen empirischen Forschung betrachtet.

209

Da die Unsicherheit über die Nutzung im B-to-B-Bereich aufgrund der möglichen Trennung von Entscheider und Nutzer und der großen Zahl an Nutzern größer ist als im B-to-C-Bereich, könnte vermutet werden, dass der Versicherungseffekt im B-to-B-Bereich einen stärkeren Einfluss hat als im B-to-C-Bereich. Dies wird im weiteren Verlauf allerdings nicht weiter untersucht, da hierfür zum Zeitpunkt der Untersuchung keine Daten erhoben werden konnten.

56 4

Stand der empirischen Forschung zu Tarifwahl, Tarifwahl-Biases und deren Ursachen

4.1

Empirische Erkenntnisse zur Mobilfunktarifwahl aus optionalen Volumentarifen

Empirische Arbeiten, die sich allgemein mit der Wahl von Tarifen beschäftigen, sind in großer Zahl vorhanden, ebenso Arbeiten, welche die Tarifwahl im Bereich Telekommunikation oder im Mobilfunk zum Gegenstand haben.210 Gegenstand bisheriger empirischen Arbeiten zum Tarifwahlverhalten sind hauptsächlich einteilige oder „klassische“ zweiteilige Tarife ohne Freikontingent, die aus Grund- und Nutzungspreis bestehen. Bei Volumentarifen ist der Verlauf von Rechnungsbetrag, Durchschnittspreis und marginalem Preis in Abhängigkeit von der Nutzungsmenge zwar mit dem Verlauf bei ein- und „klassischen“ zweiteiligen Tarifen verwandt, aber dennoch unterschiedlich.211 Daher wird vermutet, dass sich auch das Tarifwahlverhalten unterscheidet.212 Die Ergebnisse, die sich lediglich auf einteilige oder „klassische“ zweiteilige Tarife beziehen, sind daher wenig sachdienlich. Bislang beschäftigen sich nur wenige empirische Arbeiten überhaupt mit der Tarifwahl aus einem Angebot optionaler Volumentarife mit unterschiedlichem Freikontingent.213 Die einzige Arbeit, die explizit Tarifwahlhäufigkeiten bei einer Auswahl optionaler Volumentarife im Mobilfunk angibt, ist die Arbeit von IYENGAR (vgl. Tab. 4-1). IYENGAR untersucht das Tarifwahlverhalten von Privatkunden im Bereich Mobilfunk in

den USA. Er zeigt, dass sich die Häufigkeit der Wahl eines bestimmten Tarifs bei optionalen Tarifen mit unterschiedlichen Freikontingenten zwischen den vier angebotenen Tarifen unterscheidet. Am häufigsten (41,48 %) wird in seiner Studie der Tarif mit dem geringsten Freikontingent (200 min) gewählt, danach folgt der Tarif mit dem zweithöchsten Freikontingent (35,6 %, 350 min). IYENGAR trennt bei der Auswertung nicht explizit zwischen Privat- und Geschäftskunden, und anhand seiner Ausführungen zum Datenmaterial ist nicht zu erkennen, ob sein Datensatz neben Privat- auch Geschäftskunden enthält.214 An seinem Modell wird jedoch deutlich, dass er B-to-B-

210 211 212 213

214

Vgl. bspw. Dahaher, P.J. (2002), Miravete, E.J. (2002) u. Kling, J.P./ van der Ploeg, S.S. (1990). Vgl. Abb. 2-1. Vgl. Lambrecht, A./ Seim, K./ Skiera, B. (2007), S. 698. Vgl. Iyengar, R. (im Druck), S. 3 u. Lambrecht, A./ Seim, K./ Skiera, B. (2007), S. 698. Huang, C.-I. (2007) untersucht das Nutzungsverhalten bei verschiedenen optionalen Mobilfunk-Volumentarifen in Taiwan, er macht jedoch keine Angaben zu Tarifwahlhäufigkeiten. Gerpott, T.J. (2007) untersucht die Tarifwahl aus den Tariftypen Flatrate sowie nutzungsabhängiger Tarif mit und ohne Grundgebühr. Arbeiten, in denen zumindest ein Volumentarif zur Auswahl steht sind bspw. Narayanan, S./ Chintagunta, P.K./ Miravete, E.J. (2007), Lambrecht, A./ Seim, K./ Skiera, B. (2007), Lambrecht, A. (2005), Miravete, E.J. (2003), Mitchell, B.M./ Vogelsang, I. (1991), Train, K.E. (1991) u. Train, K.E./ Ben-Akiva, M./ Atherthon, T. (1989). Vgl. Iyengar, R. (im Druck), S. 17.

57 Spezifika nicht berücksichtigt.215 Die zugrundeliegenden Nutzungsdaten wurden bei einem Mobilfunkanbieter in den USA erhoben.216 Verfasser

Kontext

Datenbasis

Nutzungsdaten von 2.270 Kunden

Untersuchungsobjekt

Tarifwahlhäufigkeiten

Mobilfunktarife

Vier optionale Volumentarife zur Auswahl, die sich in Freikontingent und Grundpreis unterscheiden. Der Nutzungspreis beträgt überall 0,4 $/min: 41,48 % wählen Tarif mit 200 min/ 30 $ 9,36 % wählen Tarif mit 300 min/ 35 $ 35,60 % wählen Tarif mit 350 min/ 40 $ 13,20 % wählen Tarif mit 500 min/ 50 $

Iyengar, R. (im Druck)

B-to-C USA

Tab. 4-1:

Empirische Erkenntnisse zur Mobilfunktarifwahl aus optionalen Volumentarifen217

Die Arbeit liefert keine Ergebnisse, die sich direkt auf die Tarifwahl im B-to-B-Bereich übertragen lassen und es lassen sich demnach auch keine Aussagen in Bezug auf die Mobilfunktarifwahl von Geschäftskunden aus optionalen Volumentarifen treffen. 4.2

Empirische Erkenntnisse zu Tarifwahl-Biases

4.2.1

Methoden zur Ermittlung von Tarifwahl-Biases

In Kapitel 2.2 wurden Tarifwahl-Biases so definiert, dass ein Bias dann vorliegt, wenn ein Nachfrager einen Tarif wählt, obwohl der Rechnungsbetrag bei der vorliegenden Nachfragemenge in einem anderen Tarif niedriger wäre. Tarifwahl-Biases wurden außerdem nach Flatrate-Bias und Pay-per-Use-Bias unterschieden. Für TarifwahlBiases wurden verschiedene Bestimmungsgrößen eingeführt: Die Existenz als Vorliegen eines Bias bei einer einzelnen Entscheidung, die Bedeutung als Häufigkeit des Vorliegens von Tarifwahl-Biases, das Ausmaß von Tarifwahl-Biases als Höhe des Betrages, den der Nachfrager zu viel bezahlt sowie der Wert von Tarifwahl-Biases als der zusätzliche Umsatz, der für einen Anbieter durch Tarifwahl-Biases entsteht. Diese Bestimmungsgrößen von Tarifwahl-Biases werden in bisherigen empirischen Forschungsarbeiten mit unterschiedlichen Methoden ermittelt. Für die Ermittlung von Tarifwahl-Biases ist neben der Tarifwahl auch die Nutzung relevant. Als Messmethoden für die Tarifwahl kommen zum einen reale Vertrags- bzw. Nutzungsdaten, zum anderen Befragungsdaten in Frage. Im Rahmen von Befragungsdaten kann die Wahl aus in der Realität vorliegenden Tarifen abgefragt werden oder aus einem eigens konstruierten Tarifsystem. Die Wahl aus einem konstruierten Tarifsystem wird im

215 216 217

Vgl. Iyengar, R. (im Druck), S. 9. Vgl. Iyengar, R. (im Druck), S. 19. Quelle: Eigene Darstellung.

58 Weiteren als quasi-experimentell bezeichnet. Nutzungsdaten weisen gegenüber der Befragung den Vorteil der größeren externen Validität auf, da es sich um tatsächliches Verhalten und nicht um geäußerte Verhaltensabsichten handelt. Auch die Nutzung kann entweder über eine Befragung oder über die Erfassung von Nutzungsdaten erhoben werden, wobei Nutzungsdaten die größere externe Validität aufweisen. Zur Messung von Tarifwahl-Biases müssen Tarifwahl und Nutzung geeignet kombiniert werden. Mit Choice-Modellen und dem Vergleich der ökonomischen Vorteilhaftigkeit alternativer Tarife stehen zwei grundsätzliche Methodengruppen zur Verfügung, die dies ermöglichen. Die erste Methodengruppe zur Messung von Tarifwahl-Biases stellen ChoiceModelle dar. Die Definition von Tarifwahl-Biases in diesen Choice-Modellen ist sehr ähnlich zu der im Rahmen der Arbeit gewählten Definition. Die Definition der Bestimmungsgrößen von Tarifwahl-Biases ist jedoch in Choice-Modellen anders als die hier gewählten Definitionen. Denn in Choice-Modellen wird unterstellt, dass Tarifwahl-Biases dann vorliegen, wenn sich ein entsprechender Parameter auf Seite der unabhängigen Variablen als signifikant erweist und damit die Tarifwahl erklärt, wohingegen die hier gewählten Definitionen auf einem Vergleich von Rechnungsbeträgen basieren. Das Ziel dieser Choice-Modelle ist es in der Regel, das Wahlverhalten von Konsumenten zwischen unterschiedlichen Tarifen zu modellieren und diese anhand empirischer Daten zu überprüfen. Zu diesem Zweck werden theoretische Modelle aufgestellt, die die Tarifwahl erklären sollen, in denen verschiedene unabhängige Parameter die abhängige Größe „Tarifwahl“ erklären. Diese Modelle werden dann auf Basis empirischer Daten geschätzt. In wiefern die erklärenden Parameter geeignet sind, die Wahl zu erklären, zeigt sich anhand des in der Schätzung ermittelten Werts und dessen Signifikanz für den Einfluss des Parameters auf die Tarifwahl. Diese Modelle basieren auf mikroökonomischen Grundlagen, und es wird angenommen, dass Nutzung und Preis die wesentlichen erklärenden Parameter sind. Zur Messung von Tarifwahl-Biases werden erklärende Parameter in die Modelle eingeführt, die teilweise als „tarifspezifischer Nutzen“ oder „tarifspezifische Präferenz“ bezeichnet werden, die dem Tarifwahl-Biases entsprechen, da sie den Aspekt der Tarifwahl erklären sollen, der sich nicht durch die „rationalen“ Parameter Nutzung und Preis (bzw. andere als relevant identifizierte Parameter) erklären lässt. Die Signifikanz der eingeführten Parameter wird als grundsätzliche Bedeutung von Tarifwahl-Biases interpretiert, weil der Parameter einen Beitrag zur Erklärung der Tarifwahl leistet.

59 Beispiele für eine derartige Ermittlung von Tarifwahl-Biases sind die Modelle von TRAIN/MCFADDEN/BEN-AKIVA und TRAIN/BEN-AKIVA/ATHERTON. Dort erfolgt die Modellierung der Bedeutung von Tarifwahl-Biases über eine tarifspezifische Konstante in Logit-Modellen, die die Präferenz der Nutzer für einen bestimmten Tarif erfasst, die nicht durch andere Parameter, wie z. B. Nutzungsmenge oder Soziodemografika, erklärt wird.218 Ein weiteres Beispiel ist die Arbeit von KLING/VAN DER PLOEG, die in ihrem Modell eine Konstante berücksichtigen, die den Flatrate-Bias misst.219 Für die Ermittlung einer Bestimmungsgröße in einem Choice-Modell, die eine ähnliche Bedeutung hat wie das hier definierte Ausmaß von Tarifwahl-Biases, haben KRIeinen Ansatz entwickelt. Sie sehen einen zusätzlichen Wert der Flatrate im „Optionswert“. Der Optionswert beschreibt die Differenz aus maximaler DEL/LEHMAN/WEISMAN

Zahlungsbereitschaft für den Zugang zu einer Dienstleistung und der erwarteten Konsumentenrente.220 Diesen Optionswert der Flatrate integrieren sie als Parameter in ihr Modell.221 Die Autoren arbeiten mit Nutzungsdaten, in denen ein Pay-per-UseTarif und eine Flatrate zur Auswahl standen, und schätzen ein Tobit-Modell der Tarifwahl. Das Ausmaß des Bias ergibt sich als der Teil der Zahlungsbereitschaft für eine Flatrate, der nicht durch den Unterschied in den Konsumentenrenten erklärt wird. Das Ergebnis ist ein Ausmaß des Tarifwahl-Biases auf aggregiertem Niveau. SCHULZE und SCHULZE/GEDENK erweitern diesen Ansatz, indem sie ein Ausmaß von

Tarifwahl-Biases als Teil der Zahlungsbereitschaft der Kunden auf individuellem Niveau bestimmen.222 Sie stellen hierzu ein binäres Logit-Modell auf, bei dem die Wahl zwischen zwei Tarifen durch die Differenz der jeweils erzielten Konsumentenrenten erklärt wird. Ein Bias wird hierbei in einer Konstante erfasst. Die Bestimmung des monetären Werts eines Bias basiert dann auf der Idee, dass in Logit-Modellen durch die Aufnahme einer in Geldeinheiten gemessenen Variablen alle Nutzenparameter in monetäre Werte transformiert werden können. Mit diesem Modell ermitteln sie auch den monetären Wert von Tarifwahl-Biases auf individuellem Niveau, indem sie Konsumentenheterogenität im Modell explizit berücksichtigen und die individuellen Urteile zu Ursachen von Tarifwahl-Biases in das Modell integrieren.223

218

219 220 221 222 223

Vgl. Train, K.E./ Ben-Akiva, M./ Atherthon, T. (1989) u. Train, K.E./ McFadden, D.L./ Ben-Akiva, M. (1987). Vgl. Kling, J.P./ van der Ploeg, S.S. (1990). Vgl. Kridel, D.J./ Lehman, D.E./ Weisman, D.L. (1993), S. 130. Vgl. Kridel, D.J./ Lehman, D.E./ Weisman, D.L. (1993), S. 138 ff. Vgl. Schulze, T./ Gedenk, K. (2005), S. 165 ff. u. Schulze, T./ Gedenk, K./ Skiera, B. (2005), S. 146. Vgl. Schulze, T. (2005), S. 161 u. Schulze, T./ Gedenk, K./ Skiera, B. (2005), S. 147.

60 Die zweite Methodengruppe beruht auf einem Vergleich der ökonomischen Vorteilhaftigkeit verschiedener Tarife. Die ökonomische Vorteilhaftigkeit wird in der Regel anhand der Rechnungsbeträge der zur Auswahl stehenden Tarife auf Basis der Nutzung bestimmt und die Definitionen der Bestimmungsgrößen von Tarifwahl-Biases sind den in dieser Arbeit gewählten Definitionen sehr ähnlich.224 In den bislang vorliegenden Arbeiten, die auf der ökonomischen Vorteilhaftigkeit basieren, werden bereits geringe Abweichungen des Rechnungsbetrags im gewählten Tarif vom günstigsten Rechnungsbetrag als Tarifwahl-Bias gewertet. Keine Arbeit definiert Abweichungsintervalle, innerhalb derer noch nicht von einem Bias gesprochen wird.225 Die Messung von Existenz und Bedeutung von Tarifwahl-Biases können durch den Abgleich des Rechnungsbetrags im gewählten Tarif mit den betreffenden Werten anderer Tarife erfolgen. Wurde nicht der Tarif mit dem geringsten Rechnungsbetrag gewählt, so liegt ein Tarifwahl-Bias vor und die Existenz ist auf individuellem Niveau nachweisbar. Der Anteil der Nutzer, bei denen ein Bias festzustellen ist, liefert ein aggregiertes Maß für die Bedeutung von Tarifwahl-Biases. Bezugsbasis kann entweder die gesamte Datenbasis sein, oder bei einem Flatrate-Bias nur der Teil, der eine Flatrate gewählt hat respektive bei einem PPU-Bias nur der Teil, der einen Pay-perUse-Tarif gewählt hat. Die Bezugsbasis ist je nach Arbeit unterschiedlich. Die Differenz aus Rechnungsbetrag im gewählten Tarif und im günstigsten Tarif gibt das Ausmaß des Tarifwahl-Bias an, das sowohl individuell als auch als durchschnittliches Ausmaß aggregiert bestimmt werden kann. Der Wert von Tarifwahl-Biases stellt die Erlössituation eines Unternehmens bei Vorliegen von Tarifwahl-Biases und ohne Biases gegenüber. Die Autoren haben hier unterschiedliche Ansätze entwickelt. LAMBRECHT berechnet und vergleicht bspw. durchschnittliche Stückdeckungsbeiträge (db) und Deckungsbeiträge (DB) in Situationen mit und ohne Tarifwahl-Biases. Sie betrachtet außerdem langfristige Auswirkungen von Biases auf den Kundenlebenswert (CLV) und berücksichtigt so dynamische Aspekte von Tarifwahl-Biases.226 NARAYANAN/CHINTAGUNTA/MIRAVETE berechnen den Wert für einen Anbieter durch eine

Simulation von Situationen, in denen die gleiche Nutzung, aber eine unterschiedliche Tarifwahl unterstellt wird. In der ersten Situation wird die gegebene Auswahl von

224

225

226

Ausnahmen sind Goettler, R.L./ Clay, K. (2007) und DellaVigna, S./ Malmendier, U. (2006), die optimale und tatsächliche Nutzungsmengen bestimmen und bei einer Abweichung von der optimalen Nutzungsmenge von einem Bias sprechen. Eine Definition derartiger Abweichungsintervalle ist jedoch insbesondere dann sinnvoll, wenn der Bias als binäre Größe aufgefasst wird, da sehr geringe Abweichungen vom günstigsten Rechnungsbetrag sonst gleich gewichtet werden wie sehr große Abweichungen. Vgl. Lambrecht, A. (2005), S. 166 ff.

61 zwei optionalen Tarifen (Pay-per-Use-Tarif und Flatrate) beibehalten und der Umsatz des Anbieters auf Basis der Tarifwahl der Nachfrager berechnet. Dies stellt aus ihrer Sicht die Situation dar, in der Tarifwahl-Biases vorliegen. In der zweiten Situation wird unterstellt, dass alle Nachfrager den Pay-per-Use-Tarif gewählt haben, und der Umsatz in dieser Situation wird berechnet. Die Differenz zum Umsatz der ersten Situation stellt den Wert des Flatrate-Bias dar. In der dritten Situation wird unterstellt, dass alle Nachfrager die Flatrate gewählt haben und der Umsatz wird berechnet. Die Differenz aus dem Umsatz in der ersten Situation und in der dritten Situation stellt nach dem Ansatz von NARAYANAN/CHINTAGUNTA/MIRAVETE den Wert des Pay-per-UseBiases dar.227 Der Grundgedanke des Vergleichs der ökonomischen Vorteilhaftigkeit liegt auch verschiedenen Arbeiten zugrunde, die ausschließlich auf Befragungsdaten basieren und bei denen keine Informationen zur Nutzungsmenge vorliegen.228 Die Autoren stellen verschiedene Tarife zur Auswahl, bei denen ein gleicher Durchschnittspreis für eine Nutzungseinheit unterstellt wird. Allein die Tatsache, dass sich der Befragte für einen der Tarife entscheidet, ist aus Sicht dieser Autoren ein Beleg für das Vorliegen eines Tarifwahl-Bias. Ausmaß und Wert von Tarifwahl-Biases können auf diese Weise nicht sinnvoll ermittelt werden. Eine weitere Messmethode für Tarifwahl-Biases, die ausschließlich auf Befragungsdaten basiert, wird von LAMBRECHT bzw. LAMBRECHT/SKIERA entwickelt. Sie konstruieren ein Tarifwahlexperiment mit zwei Tarifen (Pay-per-Use und Flatrate), in dem sie Nutzungsmengen experimentell vorgeben. Die Nutzungsmengen und Tarife sind so ausgestaltet, dass bei der Wahl der Flatrate automatisch ein Flatrate-Bias vorliegt. Über verschiedene Experimente variieren sie die Nutzungsmengen, so dass sie von jedem Befragten mehrere Tarifwahlentscheidungen vorliegen haben. Pay-per-UseBiases messen sie im Experiment nicht.229 Das Ausmaß von Tarifwahl-Biases ist durch die fixe Vorgabe von Nutzungsmenge und Preis experimentell vorgegeben, der Wert von Tarifwahl-Biases wird von den Autoren nicht berechnet. GOETTLER/CLAY legen den Gedankengang der ökonomischen Vorteilhaftigkeit einem anderen Messansatz zugrunde. Sie ermitteln die Nutzungsmenge, bei der ein Tarif zum minimalen Rechnungsbetrag führt. Sie kontrollieren dann, welchen Tarif der

Nutzer gewählt hat und sprechen von einem Bias, wenn ein Nutzer eine höhere oder

227 228 229

Vgl. Narayanan, S./ Chintagunta, P.K./ Miravete, E.J. (2007), S. 29. Vgl. Schulze, T./ Gedenk, K./ Skiera, B. (2005), Nunes, J. (2000) u. Prelec, D./ Loewenstein, G. (1998). Vgl. Lambrecht, A./ Skiera, B. (2006a), Lambrecht, A./ Skiera, B. (2006b) u. Lambrecht, A. (2005), S. 63.

62 niedrigere Nutzungsmenge als die optimale aufweist.230 Sie bestimmen daher auch nicht Ausmaß und Wert von Tarifwahl-Biases. In Tab. 4-2 sind Arbeiten angeführt, in denen die jeweiligen Methoden und Datenquellen verwendet werden. Bei einigen Arbeiten, die in den nächsten Kapiteln aufgeführt werden, liegen keine Informationen zur genauen Messmethodik vor, so dass diese hier nicht eingeordnet werden können.231 TarifwahlBiases

Befragungsdaten

Tab. 4-2:

Nutzungsdaten Kridel, D. J./ Lehman, D. E./ Weisman, D. L. (1993), Kling, J. P./ van der Ploeg, S. S. (1990), Train, K. E./ Ben-Akiva, M./ Atherthon, T. (1989), Hobson, M./ Spady, R. H. (1988), Train, K. E./ McFadden, D. L./ Ben-Akiva, M. (1987)

Existenz und Bedeutung

Ausmaß und Wert

Vergleich der ökonomischen Vorteilhaftigkeit des gewählten Tarifs mit anderen Tarifen

Choice-Modell

Schulze, T. (2005)

Befragungsdaten

Nutzungsdaten

Lambrecht, A. (2005), Schulze, T. (2005), Nunes, J. (2000), Prelec, D./ Loewenstein, G. (1998)

Lambrecht, A./ Seim, K./ Skiera, B. (2007), Goettler, R. L./ Clay, K. (2007), Narayanan, S./ Chintagunta, P. K./ Miravete, E. J. (2007), DellaVigna, S./ Malmendier, U. (2006), Lambrecht, A. (2005), Miravete, E. J. (2003), Nunes, J. (2000), Mitchell, B. M./ Vogelsang, I. (1991)

Lambrecht, A. (2005), Schulze, T. (2005)

DellaVigna, S./ Malmendier, U. (2006), Lambrecht, A. (2005), Nunes, J. (2000), Kridel, D. J./ Lehman, D. E./ Weisman, D. L. (1993)

Methoden zur Ermittlung von Tarifwahl-Biases und Anwendungsbeispiele232

In Bezug auf die Eignung der Methoden zur Messung von Existenz, Bedeutung, Ausmaß und Wert von Tarifwahl-Biases bei der Mobilfunktarifwahl im B-to-B-Kontext im Rahmen dieser Arbeit ist festzuhalten, dass die grundsätzliche Eignung der Methoden nicht von der Eignung im B-to-C-Kontext abweicht. Die im Rahmen dieser Arbeit gewählten Definitionen für die Bestimmungsgrößen von Tarifwahl-Biases legen allerdings nahe, Tarifwahl-Biases durch den Vergleich der ökonomischen Vorteilhaftigkeit der Tarife zu ermitteln. Von der Auswertung realer Tarifwahl- und Nutzungsdaten ist die größte Validität zu erwarten, da es sich um reales Verhalten und nicht lediglich um geäußerte Verhaltensabsichten handelt. Allerdings kann ein Tarifwahl-Bias nach der im Rahmen der Arbeit gewählten Definition nur bestimmt werden, wenn die Alternativen bekannt sind, die zur Wahl standen. Dies ist in quasi-

230 231

232

Vgl. Goettler, R.L./ Clay, K. (2007), S. 11. Die Arbeiten von SCHULZE und LAMBRECHT stehen stellvertretend für die aus den jeweiligen Datensätzen entstandenen Veröffentlichungen. Quelle: Eigene Darstellung.

63 experimentellen Befragungen leichter zu realisieren. Eine Kombination realer Nutzungsdaten mit einer quasi-experimentellen Tarifwahl erscheint daher zur Messung von Tarifwahl-Biases im Kontext dieser Arbeit als am besten geeignet. 4.2.2

Ergebnisse zu Tarifwahl-Biases

Die empirischen Ergebnisse zu Tarifwahl-Biases, die bisher veröffentlicht wurden, zeigen, welchen Stellenwert Tarifwahl-Biases tatsächlich einnehmen. Da wie in Kapitel 4.2.1 gezeigt, unterschiedliche Methoden zur Messung eingesetzt wurden, sind die Ergebnisse nur eingeschränkt vergleichbar. Für einen deskriptiven Überblick der empirischen Arbeiten, in denen Ergebnisse zur Existenz und/oder Bedeutung von Flatrate-Biases und Pay-per-Use-Biases (bzw. zu entsprechenden Größen in ChoiceModellen) erzielt wurden, sind die Arbeiten in Tab. 4-3 in chronologischer Reihenfolge dargestellt.233 In der Tabelle sind - neben Verfasser - verschiedene Merkmale der Studien angeführt:234 In der Spalte „Kontext“ ist angeführt, ob die Studie im B-to-BKontext oder im B-to-C-Kontext entstand sowie das Land, in dem die Daten erhoben wurden. In der Spalte „Datenbasis“ sind die Stichprobengröße und Datenquelle angegeben. In der Spalte „Untersuchungsobjekt“ sind die Dienstleistungen angeführt, für die Tarife gewählt wurden und in den letzten beiden Spalten sind die zu Existenz und/oder Bedeutung erzielten Erkenntnisse getrennt nach Flatrate-Bias und Pay-perUse-Bias dargestellt. Auf die genaue Darstellung der Messmethodik wird verzichtet, da diese zum einen für den deskriptiven Vergleich der inhaltlichen Erkenntnisse nicht von Bedeutung ist und zum anderen die grundsätzlichen Messmethoden im vorangegangen Abschnitt vorgestellt wurden.

233

234

Eine verbale Zusammenfassung der Ergebnisse der Arbeiten außer der Ergebnisse der Arbeiten von Lambrecht, A./ Seim, K./ Skiera, B. (2007), Goettler, R.L./ Clay, K. (2007), Narayanan, S./ Chintagunta, P.K./ Miravete, E.J. (2007), Lambrecht, A./ Skiera, B. (2006a), Lambrecht, A./ Skiera, B. (2006b) u. Lambrecht, A. (2005) findet sich bei Lambrecht, A. (2005), S. 32 ff. Mehrere Arbeiten basieren auf den gleichen Datensätzen: Schulze, T./ Gedenk, K. (2005) u. Schulze, T. (2005) basieren auf einem Datensatz zu einer Online-Zeitung, Lambrecht, A./ Seim, K./ Skiera, B. (2007), Lambrecht, A./ Skiera, B. (2006a), Lambrecht, A./ Skiera, B. (2006b) u. Lambrecht, A. (2005) auf einem Datensatz zu DSL-Tarifen. Narayanan, S./ Chintagunta, P.K./ Miravete, E.J. (2007) u. Miravete, E.J. (2003) basieren auf einem Datensatz zur Telekommunikation. Anmerkung: Die Datenerhebung und Auswertung im Rahmen einer Arbeit wird als Studie gezählt.

64

Verfasser

Kontext

Datenbasis

Untersuchungsobjekt

Existenz und Bedeutung FR-Biases

PPU-Biases

Train, K. E./ McFadden, D. L./ Ben-Akiva, M. (1987)

B-to-C USA

Nutzungsdaten von 2.963 Haushalten

Telekommunikation

FR-Biases

Hobson, M./ Spady, R. H. (1988)

B-to-C USA

Nutzungsdaten von 172 Haushalten

Telekommunikation

FR-Biases

Train, K. E./ Ben-Akiva, M./ Atherthon, T. (1989)

B-to-C USA

Nutzungsdaten von 520 Haushalten

Telekommunikation

FR-Biases

Kling, J. P./ van der Ploeg, S. S. (1990)

B-to-C USA

Nutzungsdaten von 1.456 Haushalten, Befragungsdaten von 860 Haushalten

Telekommunikation

FR-Biases

Mitchell, B. M./ Vogelsang, I. (1991)

B-to-C USA

Nutzungsdaten von 151.000 Haushalten

Telekommunikation

FR-Biases

Nutzungsdaten von Haushalten

Telekommunikation

65% FR-Biases bei Kunden mit FR

10 % PPU-Biases bei Kunden mit PPU-Tarif

Nutzungsdaten von 2.786 Haushalten

Telekommunikation

76% FR-Biases bei Kunden mit FR

3 % PPU-Biases bei Kunden mit PPUTarif

Befragung von 89 Individuen

ÖPNV, Verpflegung, Telekommunikation

52 % mit FRPräferenz (TK: 60 %)

28% mit PPUPräferenz (TK: 19 %)

Befragung von 100 Kunden

Lieferservice

87% FR-Biases

Befragung von 520 Studenten

Schwimmbad

40-93 % FR-Bias in Experimenten

Nutzungsdaten von 129 Kunden

Fitnessstudio

61 % FR-Biases bei Kunden mit FR

Kridel, D. J./ Lehman, D. E./ Weisman, D. L. (1993)

B-to-C USA

Prelec, D./ Loewenstein, G. (1998)

B-to-C USA

Nunes, J. (2000)

B-to-C USA

Miravete, E. J. (2003)

B-to-C USA

Nutzungsdaten von 1.542 Haushalten

Telekommunikation

6-12 % FR-Biases bei Kunden mit FR

62-67 % PPUBiases bei Kunden mit PPU-Tarif

Schulze, T. (2005), Schulze, T./ Gedenk, K. (2005)

B-to-C BRD

Befragung von 145 Nutzern

Online-Zeitung

66,5 % FR-Biases bei direkter Messung/ 62,7 % FR-Biases bei Berücksichtigung der Konsumentenrente

26,5 % PPU-Biases bei direkter Messung/ 18 % PPUBiases bei Berücksichtigung der KR

65 (Fortsetzung)

Kontext

Verfasser

Datenbasis

Untersuchungsobjekt

B-to-C BRD

Befragung von 1.078 Kunden

DSL-Tarife

B-to-C USA

Nutzungsdaten von 7.752 Mitgliedern

PPU-Biases

25-71 % FR-Biases in vier experimentellen Bedingungen 8-48 % FR-Biases je nach Berechnungsart und berücksichtigtem Zeitraum

Nutzungsdaten von 10.822 Kunden

DellaVigna, S./ Malmendier, U. (2006)

FR-Biases 18-95 % FR-Biases in vier experimentellen Bedingungen

Befragung von 241 Studenten Lambrecht, A. (2005), Lambrecht, A./ Skiera, B. (2006a), Lambrecht, A./ Skiera, B. (2006b)

Existenz und Bedeutung

0-9 % PPU-Biases je nach Berechnungsart und berücksichtigtem Zeitraum

Fitnessstudio

76-80 % FR-Biases je nach Berechnungsart Keine PPU-Biases: PPU-Tarif optimaler Tarif bei Nutzungsraten 0,67. Durchschnittliche Nutzungsrate der Nutzer mit Flatrate: 0,6

Narayanan, S./ Chintagunta, P. K./ Miravete, E. J. (2007)

B-to-C USA

Nutzungsdaten von 1.542 Haushalten

Telekommunikation

4 % FR-Biases bei Kunden mit FR

79 % PPU-Biases bei Kunden mit PPU-Tarif

DSL-Tarife

54,7 % FR-Biases bei Kunden mit Volumentarif 33,4 % FR-Biases bei Kunden mit FR Modellergebnis: Präferenz für FR ggü. VT vorhanden. Bei B-toB stärker ausgeprägt als bei B-to-C

6,9 % PPU-Biases bei Kunden mit PPU-Tarif 8,8 % PPU-Biases bei Kunden mit Volumentarif

Lambrecht, A./ Seim, K./ Skiera, B. (2007)

Tab. 4-3:

B-to-C (B-to-B) BRD

Nutzungsdaten von 11.717 Kunden, 7,6 % B-to-B-Kunden

Empirische Erkenntnisse zur Existenz und Bedeutung von Tarifwahl-Biases235

Der Überblick zeigt, dass das Phänomen Tarifwahl-Bias empirisch zum ersten Mal vor etwa 20 Jahren in den USA bei Telefontarifen beobachtet wurde. Dies liegt darin begründet, dass zu diesem Zeitpunkt die in den USA für Ortsgespräche dominierende Flatrate durch zumeist zweiteilige Tarife ergänzt wurde.236 Keine der empirischen

235 236

Quelle: Wesentlich erweiterte Darstellung aus Lambrecht, A. (2005), S. 35 u. Schulze, T. (2005), S. 91. Vgl. Train, K.E./ McFadden, D.L./ Ben-Akiva, M. (1987), S. 109.

66 Arbeiten beschäftigt sich explizit mit Tarifwahl-Biases im B-to-B-Bereich. Die Arbeit von LAMBRECHT/SEIM/SKIERA ist die einzige, die explizit einen Prozentsatz von 7,6 % Geschäftskunden in der verfügbaren Datenbasis aufweist, wobei Tarifwahl-Biases nicht getrennt nach Privat- und Geschäftskunden ausgewiesen werden. TarifwahlBiases im Bereich Mobilfunk wurden bislang ebenfalls noch nicht untersucht. Der Großteil der bisherigen Arbeiten ist in den USA entstanden und beruht auf Nutzungsdaten. Das dominierende Untersuchungsobjekt stellt bis heute die Telekommunikation dar, wobei seit der Arbeit von PRELEC/LOEWENSTEIN im Jahr 1998 auch Biases bei anderen nutzungsbasierten Dienstleistungen als Untersuchungsobjekt untersucht wurden. In Bezug auf Existenz und Bedeutung von Tarifwahl-Biases wurden zusammenfassend folgende Ergebnisse erzielt:

x In den ersten Arbeiten im Bereich Telekommunikation einschließlich der Arbeit von MITCHELL/VOGELSANG wurden ausschließlich Flatrate-Biases festgestellt, nicht jedoch Pay-per-Use-Biases. Eine Angabe zur Bedeutung erfolgt in diesen Arbeiten nicht. x Die weiteren Arbeiten im Bereich Telekommunikation von KRIDEL/LEHMAN/WEISMAN, MIRAVETE und NARAYANAN/CHINTAGUNTA/MIRAVETE stellen fest, dass zwischen 4 % und 76 % der Stichprobe einen Flatrate-Bias aufweisen, d. h. dass die Bedeutung schwankend ist. Gleichzeitig messen sie eine Bedeutung von Pay-per-Use-Biases zwischen 3 % und 79 %. PRELEC/LOEWENSTEIN stellen bei Telekommunikation eine Bedeutung des Flatrate-Bias von 60 % und des Pay-per-Use-Bias von 19 % fest. x Flatrate-Biases werden in einer größeren Zahl von Studien festgestellt als Payper-Use-Präferenz bzw. Pay-per-Use-Biases. x MIRAVETE und NARAYANAN/CHINTAGUNTA/MIRAVETE verwenden den gleichen Datensatz und stellen die mit Abstand höchste Bedeutung von Pay-per-Use-Biases fest (62 % bis 79 %). x Die Bedeutung von Flatrate-Biases schwankt zwischen 4 % und 95 %, die Bedeutung von Pay-per-Use-Biases zwischen 0 % und 79 %, bzw. zwischen 0 % und 10 % ohne die Arbeiten von MIRAVETE und NARAYANAN/CHINTAGUNTA/MIRAVETE. Über alle Studien betrachtet ist die Bedeutung von Flatrate-Biases größer als die von Pay-per-Use-Biases. x LAMBRECHT/SEIM/SKIERA stellen fest, dass die Bedeutung von Flatrate-Biases bei Kunden, die einen Volumentarif gewählt haben, mit 54,7 % höher ist als die Be-

67 deutung von Flatrate-Biases bei Kunden, die eine Flatrate gewählt haben (33,4 %).

x LAMBRECHT/SEIM/SKIERA kommen zu dem Ergebnis, dass eine Präferenz für die Flatrate gegenüber dem Volumentarif vorhanden ist. Diese Präferenz ist bei B-toB-Kunden signifikant stärker als bei B-to-C-Kunden. In der folgenden Tab. 4-4 sind die bisherigen empirischen Erkenntnisse in Bezug auf Ausmaß und Wert von Tarifwahl-Biases auf die gleiche Weise wie in Tab. 4-3 dargestellt. Die empirischen Erkenntnisse zu Ausmaß und Wert von Tarifwahl-Biases zeigen zusammenfassend:

x Das Ausmaß von Flatrate-Biases liegt zwischen 28 % und 128 % des günstigsten Tarifs. Das Ausmaß von Pay-per-Use-Biases liegt mit 44 % bis 121 % des günstigsten Tarifs in einem ähnlichen Bereich. x Der Wert von Tarifwahl-Biases ist deutlich positiv und damit für Anbieter eine Quelle zusätzlichen Umsatzes. x Langfristig führt bei LAMBRECHT und LAMBRECHT/SKIERA nur der Flatrate-Bias zu einem gesteigerten Kundenlebenswert. Verfasser

Kontext

Datenbasis

Untersuchungsobjekt

Ausmaß und Wert FR-Biases

Kridel, D. J./ Lehman, D. E./ Weisman, D. L. (1993)

B-to-C USA

Nutzungsdaten von 2.786 Haushalten

Telekommunikation

Ausmaß: im Mittel 9,49 $ = 28 % der Zahlungsbereitschaft pro Monat

Nunes, J. (2000)

B-to-C USA

Nutzungsdaten von 129 Mitgliedern

Fitnessstudio

Ausmaß im Mittel 230 $/ 38 % des günstigsten Tarifs pro Jahr Ausmaß im Mittel 4 €/ 28 % der Zahlungsbereitschaft

Schulze, T. (2005), Schulze, T./ Gedenk, K. (2005)

B-to-C BRD

Befragung von 145 Nutzern

OnlineZeitung

DellaVigna, S./ Malmendier, U. (2006)

B-to-C USA

Nutzungsdaten von 7.752 Mitgliedern

Fitnessstudio

Wert ermittelt durch optimale Preissetzung unter Berücksichtigung von Biases: ca. 15 % des DB im Vergleich zur Preissetzung ohne Berücksichtigung von Biases Ausmaß: durchschnittlich 70 % des Rechnungsbetrags/ durchschnittlich ca. 600 $ über gesamte Mitgliedschaft

PPU-Biases

68 (Fortsetzung) Verfasser

Lambrecht, A. (2005), Lambrecht, A./ Skiera, B. (2006a), Lambrecht, A./ Skiera, B. (2006b)

Kontext

Datenbasis

Untersuchungsobjekt

Ausmaß und Wert FR-Biases

Befragung von 241 Studenten

Ausmaß 13,3 % des Rechnungsbetrags des günstigsten Tarifs experimentell festgelegt

Befragung von 1.078 Kunden

Ausmaß 12,5 % des Rechnungsbetrags des günstigsten Tarifs experimentell festgelegt

B-to-C BRD

DSL-Tarife

Nutzungsdaten von 10.822 Kunden, wenige % B-to-B-Kunden

PPU-Biases

Ausmaß je nach Berechungsart 88 – 126 % des Rechnungsbetrags im günstigsten Tarif

Ausmaß je nach Berechnungsart 44 – 121 % des Rechnungsbetrags im günstigsten Tarif

Wert: kurzfristige Steigerung des durchschnittlichen db je nach Berechnungsgrundlage 141 %/ 182 %

Wert: kurzfristige Steigerung des durchschnittlichen db je nach Berechnungsgrundlage 157 %/ 283 %

Steigerung DB über alle Kunden 16 %/ 30 % je nach Berechungsgrundlage

Narayanan, S./ Chintagunta, P. K./ Miravete, E. J. (2007)

B-to-C USA

Nutzungsdaten von 1.542 Haushalten

Telekommunikation

Langfristiger Wert: Steigerung des CLV 81-145 %

Langfristiger Wert: Zwischen Reduktion des CLV um 13 % und Steigerung um 14 %

Simulierter Wert bei Abschaffung PPU: 7.145 $

Simulierter Wert bei Abschaffung der FR: 13.175 $

Tab. 4-4: Empirische Erkenntnisse zum Ausmaß und Wert von Tarifwahl-Biases237

Die dargestellten empirischen Erkenntnisse zu Existenz, Bedeutung, Ausmaß und Wert von Tarifwahl-Biases basieren überwiegend auf statischen Betrachtungen.238 Es wird bspw. nicht deutlich, ob Nachfrager Biases überhaupt wahrnehmen und ggf. Konsequenzen daraus ziehen. Erste Arbeiten berücksichtigen diese Dynamik von Tarifwahl-Biases und untersuchen das Wechselverhalten, das Konsumenten als mögliche Konsequenz aus Tarifwahl-Biases ziehen. MIRAVETE berichtet bspw., dass Konsumenten mit Tarifwahl-Bias häufig und bereits in Reaktion auf geringe Unterschiede im Rechnungsbetrag den Tarif wechseln. Er stellt außerdem fest, dass Kon-

237

238

Quelle: Zusammengeführte und wesentlich erweiterte Darstellung aus Lambrecht, A. (2005), S. 35 u. Schulze, T. (2005), S. 93. Die Schwankung im CLV bei LAMBRECHT ergibt sich durch unterschiedliche Diskontierungssätze und die Anwendung verschiedener Berechungsarten von Tarifwahl-Biases. Betrachtungszeitraum ist 20 Jahre, vgl. Lambrecht, A./ Skiera, B. (2006a), S. 221 u. Lambrecht, A. (2005), S. 184 f. Ausnahme ist die Betrachtung des CLV von LAMBRECHT und LAMBRECHT/SKIERA.

69 sumenten mit Pay-per-Use-Bias wesentlich schneller den Tarif wechseln als diejenigen mit Flatrate-Bias.239 Das Phänomen, dass Konsumenten begreifen, dass sie in einem suboptimalen Tarif sind, wird als „Learning“ bezeichnet, das langsamere Wechseln bei Vorliegen von Flatrate-Biases als „Stickiness“ von Flatrates. Auch MITOMO/OTSUKA/NAKABA, LAMBRECHT, LAMBRECHT/SKIERA, DELLAVIGNA/MALMENDIER und 240 MEYVIS/XIE berichten von diesen Phänomenen. „Learning“ und „Stickiness“ werden daher in einigen Modellen zum Tarifwahlverhalten als erklärende Parameter eingeführt.241 Die bisherigen empirischen Erkenntnisse lassen lediglich Vermutungen über die Existenz, Bedeutung, Ausmaß und Wert von Tarifwahl-Biases bei der Mobilfunktarifwahl von Geschäftskunden zu, da keine der Arbeiten Tarifwahl-Biases bei Mobilfunktarifen im B-to-B adressiert. Da Tarifwahl-Biases in allen Studien auftreten, in denen sie untersucht wurden, kann vermutet werden, dass dies auch bei der Mobilfunktarifwahl im B-to-B der Fall ist. Insgesamt stellt der Flatrate-Bias das wesentlich wichtigere Phänomen dar, und es gibt keinen Anlass zur Vermutung, dass dies im B-to-BKontext anders ausfällt. Ausmaß und Wert der Tarifwahl-Biases variieren in den Studien, so dass keine eindeutige Aussage getroffen werden kann. Es ist jedoch zu vermuten, dass Tarifwahl-Biases auch im B-to-B-Bereich den Umsatz von Mobilfunkanbietern positiv beeinflussen. 4.3

Empirische Erkenntnisse zu Ursachen von Tarifwahl und TarifwahlBiases

4.3.1

Empirische Erkenntnisse zu Zusatznutzenelementen als Ursachen von Tarifwahl und Tarifwahl-Biases

Die Darstellung der bisherigen empirischen Erkenntnisse zu den in der Literatur identifizierten Zusatznutzenelementen dient der Überprüfung der in Kapitel 3.2.3 hergeleiteten Hypothesen. Die Zusatznutzenelemente werden in bisherigen Studien in Nutzungs- sowie Befragungsdaten erhoben. Dabei werden verschiedene Methoden eingesetzt. Wird der Einfluss von Zusatznutzenelementen in Choice-Modellen erfasst, die auf Nutzungs-

239 240

241

Vgl. Miravete, E.J. (2003), S. 304 ff. Vgl. Mitomo, H./ Otsuka, T./ Nakaba, K. (2007), DellaVigna, S./ Malmendier, U. (2006) , Lambrecht, A./ Skiera, B. (2006a), S. 220, Lambrecht, A. (2005), S. 187 u. Meyvis, T./ Xie, J. (2005), S. 179. Vgl. Iyengar, R. (im Druck), S. 3, Lambrecht, A./ Seim, K./ Skiera, B. (2007), S. 702, Goettler, R.L./ Clay, K. (2007), S. 6 f., Huang, C.-I. (2007), u. Narayanan, S./ Chintagunta, P.K./ Miravete, E.J. (2007), S. 11 ff. NARAYANAN/CHINTAGUNTA/MIRAVETE modellieren gleichzeitig auch die Stickiness durch asymmetrisches Lernen.

70 daten basieren, so stellen diese wie in Kapitel 4.2.1 beschrieben einen Parameter im Modell dar, dessen Signifikanz überprüft wird. In anderen Studien werden mögliche Zusatznutzenelemente durch Befragung erhoben und der direkte Einfluss auf Tarifwahl und Tarifwahl-Biases gemessen. KLING/VAN DER PLOEG erfassen den Bequemlichkeitseffekt als Parameter, der die Trägheit erfasst, bestehende Gewohnheiten zu ändern, und ob Haushalte explizit die

unterschiedlichen Rechnungsbeträge bei Flatrate und nutzungsabhängigem Tarif verglichen haben in ihrem Choice-Modell. Sie schließen auf einen Einfluss, da der Parameter signifikant ist.242 KRIDEL/LEHMAN/WEISMAN und TRAIN/BEN-AKIVA/ATHERTON stellen in ihren Untersuchun-

gen einen Flatrate-Bias fest und führen diesen auf den Versicherungseffekt zurück. Sie trennen den Effekt jedoch nicht von anderen möglichen Einflussfaktoren, so dass zwar deutlich wird, dass ein Flatrate-Bias vorliegt, nicht jedoch, ob dieser wirklich auf den Versicherungseffekt zurückzuführen ist.243 LEE erfasst die Unsicherheit der Nachfrager über eine Befragung und stellt fest, dass

risikoaverse Konsumenten, die eine Flatrate wählen, einen größere Nachfrageunsicherheit aufweisen als risikoaverse Konsumenten, die einen nutzungsabhängigen Tarif wählen.244 Dies wird als Beleg für den Versicherungseffekt aufgefasst.245 NUNES erhebt die Risikoaversion in einer Befragung und kann keine Korrelation, d. h.

keinen Einfluss von der Risikoaversion auf die Tarifwahl feststellen.246 Auch dies wird als Messung des Versicherungseffekts interpretiert, wobei hier kein Beleg für den Einfluss des Effekts vorliegt.247 PRELEC/LOEWENSTEIN fragen Probanden, ob eine Person die Nutzung einer Dienstleis-

tung bei Zahlung einer Flatrate oder bei einem linearen Tarif mehr genießen würde. Im Durchschnitt geben 48 % der Befragten an, dass dies bei der Flatrate der Fall wäre, wobei nur 19 % meinen, dies träfe für einen linearen Tarif zu. Sie werten dies als Beleg für den Einfluss des Taxametereffekts auf die Tarifwahl.248

242 243 244 245 246 247 248

Vgl. Kling, J.P./ van der Ploeg, S.S. (1990). Vgl. Kridel, D.J./ Lehman, D.E./ Weisman, D.L. (1993) u. Train, K.E./ Ben-Akiva, M./ Atherthon, T. (1989). Vgl. Lee, M.-S. (1988). Vgl. Lambrecht, A. (2005), S. 39. Vgl. Nunes, J. (2000). Vgl. Lambrecht, A. (2005), S. 39. Vgl. Prelec, D./ Loewenstein, G. (1998).

71 Diese ersten Studien haben jeweils den Einfluss eines Zusatznutzenelements separat ermittelt.249 LAMBRECHT bzw. LAMBRECHT/SKIERA und SCHULZE bzw. SCHULZE/GEDENK sind die ersten, die den Einfluss mehrerer Zusatznutzenelemente simultan erfassen.250 Dabei erfassen SCHULZE und SCHULZE/GEDENK sowohl Zusatznutzenelemente der Tarifform Flatrate wie auch der Tarifform Pay-per-Use. Sie erheben die Effekte über Einfachfragen in einer Befragung und ermitteln den Einfluss der Effekte auf Tarifwahl und Tarifwahl-Biases, die sie ebenfalls in einer Befragung erfasst haben. Sie zeigen, dass Versicherungseffekt und Taxametereffekt Zusatznutzenelemente der Flatrate darstellen und der Flexibilitätseffekt ein Zusatznutzenelement der Tarifform Pay-per-Use. Sie zeigen auch, dass Bequemlichkeitseffekt und Selbstdisziplinierungseffekt keinen signifikanten Einfluss ausüben.251 LAMBRECHT und LAMBRECHT/SKIERA erfassen Zusatznutzenelemente der Tarifform

Flatrate. In drei getrennten Auswertungen beurteilen sie den Einfluss der Effekte auf Tarifwahl-Biases. In einer Befragung von Studenten stellen sie fest, dass Versicherungs- und Taxametereffekt den experimentell erhobenen Flatrate-Bias positiv beeinflussen, der Bequemlichkeitseffekt hingegen nicht. In der Auswertung einer Kundenbefragung und experimentell erhobenem FlatrateBias kommen LAMBRECHT/SKIERA zu der Erkenntnis, dass Versicherungs- und Taxametereffekt ebenfalls positiv auf den Flatrate-Bias wirken, der Bequemlichkeitseffekt hingegen negativ. Schließlich werten sie den Einfluss der in der Kundenbefragung erhobenen Zusatznutzenelemente auf den in Nutzungsdaten festgestellten FlatrateBias aus, den sie auf zwei Arten berechnen. Sie kommen in beiden Auswertungen zum Ergebnis, dass Versicherungs- und Taxametereffekt den Bias signifikant positiv beeinflussen, der Bequemlichkeitseffekt hingegen nicht.252 Die Ergebnisse der Studien sind in Tab. 4-5 im Überblick dargestellt.253

249

250

251 252 253

Teilweise wird jedoch der Einfluss des Grundnutzens gleichzeitig erfasst, vgl. bspw. Nunes, J. (2000), Kridel, D.J./ Lehman, D.E./ Weisman, D.L. (1993) u. Kling, J.P./ van der Ploeg, S.S. (1990). In der Arbeit von Mitomo, H./ Otsuka, T./ Nakaba, K. (2007) wird zwar auch der Einfluss zweier Effekte angegeben, es ist jedoch lediglich bekannt, dass es sich um eine Internetbefragung zu Mobilfunk- und Internetzugangstarifen handelt, und dass sich Versicherungseffekt und Taxametereffekt als ursächlich für TarifwahlBiases erweisen. Zur genauen Erhebungs- und Auswertungsmethode werden keine Angaben gemacht, d. h. es ist unbekannt, ob der Einfluss auch simultan überprüft wird.. Vgl. Schulze, T./ Gedenk, K. (2005) u. Schulze, T. (2005). Vgl. Lambrecht, A./ Skiera, B. (2006a), Lambrecht, A./ Skiera, B. (2006b) u. Lambrecht, A. (2005). Der Selbstdisziplinierungseffekt ist gesondert aufgeführt, da SCHULZE und SCHULZE/GEDENK den Effekt separat erfassen und nicht als Sonderfall des Taxametereffekts verstehen.

72

Datenquelle

Nutzungsdaten

Befragungsdaten

Nutzungsund Befragungsdaten

Gesamtbefund

Zusatznutzen Flatrate

Zusatznutzen PPU

SD

FE

SD

0

+

0

0

+

0

Verfasser

Kontext

Untersuchungsobjekt

VE

Train, K. E./ Ben-Akiva, M./ Atherthon, T. (1989)

B-to-C USA

Telekommunikation

(+)

Kling, J. P./ van der Ploeg, S. S. (1990)

B-to-C USA

Telekommunikation

Kridel, D. J./ Lehman, D. E./ Weisman, D. L. (1993)

B-to-C USA

Telekommunikation

(+)

Lee, M.-S. (1988)

B-to-C USA

Video

+

Prelec, D./ Loewenstein, G. (1998)

B-to-C USA

ÖPNV/Verpflegung/ Telekommunikation

Nunes, J. (2000)

B-to-C USA,

Lieferservice/ Schwimmbad

0

Lambrecht, A./ Skiera, B. (2006a), Lambrecht, A./ Skiera, B. (2006b), u. Lambrecht, A. (2005) (Studentenbefragung)

B-to-C BRD

DSL

+

0

+

Lambrecht, A./ Skiera, B. (2006a), Lambrecht, A./ Skiera, B. (2006b), u. Lambrecht, A. (2005) (Kundenbefragung)

B-to-C BRD

DSL

+

-

+

Schulze, T. (2005)

B-to-C BRD

Online-Zeitung

+

0

+

Gerpott, T. J. (2007)

B-to-C BRD

Mobilfunktariftypen

+

0

+

Mitomo, H./ Otsuka, T./ Nakaba, K. (2007)

B-to-C Japan

Mobilfunk/ Internetzugang

+

Lambrecht, A./ Skiera, B. (2006a), Lambrecht, A./ Skiera, B. (2006b), u. Lambrecht, A. (2005) (Kundenbefragung und Nutzungsdaten)

B-to-C BRD

DSL

+/+

0/0

+/+

?

?

+

BE

TE

+

+

+

+: Positiver Einfluss/ -: Negativer Einfluss/ 0: Kein Einfluss/ ( ): Nicht eindeutig von anderen Effekten getrennt/ ?: uneinheitliche Befunde/ VE: Versicherungseffekt/ BE: Bequemlichkeitseffekt/ TE: Taxametereffekt/ SD: Selbstdisziplinierungseffekt; FE: Flexibilitätseffekt

Tab. 4-5: Empirische Erkenntnisse zu Zusatznutzenelementen von Tarifen

73 Insgesamt wurden zu den einzelnen Zusatznutzenelementen zusammenfassend folgende Ergebnisse erzielt:

x Der Versicherungseffekt stellt in 10 von 11 Studien ein Zusatznutzenelement der Flatrate dar. x Der Bequemlichkeitseffekt stellt nur in einer von 7 Studien ein Zusatznutzenelement der Flatrate dar. In einer Studie übt er entgegen der formulierten Hypothese einen negativen Einfluss auf, in vier keinen. x Der Taxametereffekt ist in 8 von 8 Studien ein Zusatznutzenelement der Flatrate. x Der Selbstdisziplinierungseffekt ist in der bislang einzigen Studie weder ein Zusatznutzenelement der Flatrate noch des Pay-per-Use-Tarifs. x Der Flexibilitätseffekt stellt in der bislang einzigen Studie ein Zusatznutzenelement von Pay-per-Use-Tarifen dar. In Bezug auf den Einfluss der mehrfach untersuchten Zusatznutzenelemente auf Tarifwahl und Tarifwahl-Biases sind die Erkenntnisse demnach außer beim Taxametereffekt uneinheitlich. Insgesamt wird jedoch festgestellt, dass Zusatznutzenelemente grundsätzlich eine Rolle im Entscheidungsprozess spielen. Keine der Arbeiten untersucht den Einfluss der Zusatznutzenelemente auf die Tarifwahl im B-to-B-Kontext. Die Angaben in der Arbeit zu Mobilfunktarifen von MITOMO/OTSUKA/NAKABA sind zudem so unspezifisch, dass hieraus kaum Aussagen zum Einfluss der Zusatznutzenelemente auf die Mobilfunktarifwahl abgeleitet werden können.254 Die Arbeit von GERPOTT zeigt jedoch, dass von einem grundsätzlichen Ein-

fluss von Zusatznutzenelementen auf die Mobilfunktarifwahl ausgegangen werden kann.255 Insgesamt können jedoch keine Aussagen in Bezug auf die in Kapitel 3.2.3 hergeleiteten Hypothesen getroffen werden. Grundsätzlich lässt sich zur Erhebung der Zusatznutzenelemente festhalten, dass eine Befragung hierfür besser geeignet scheint als Nutzungsdaten, da es sich um intrapersonell getroffene Bewertungen der Tarifformen handelt.

254 255

Vgl. Fußnote 250. Vgl. Gerpott, T.J. (2007), S. 20.

74 4.3.2

Empirische Erkenntnisse zur Beurteilung der Kosten als Ursache von Tarifwahl und Tarifwahl-Biases

Auch die Hypothesen zum Einfluss des Einschätzungseffekts und Fehleinschätzungseffekts auf Tarifwahl und Tarifwahl-Biases werden anhand bisheriger empirischer Erkenntnisse überprüft. Die Einschätzung und Fehleinschätzung der Nutzung zur Beurteilung des Grundnutzens können mit Nutzungs- und Befragungsdaten erhoben werden. In Arbeiten, die ausschließlich auf Nutzungsdaten basieren, wird die Einschätzung der Nutzung mit der tatsächlichen Nutzung gleichgesetzt. Diese Arbeiten modellieren das Tarifwahlverhalten auf Basis mikroökonomischer Überlegungen und unterstellen, dass Nutzer ihre Nutzung kennen. In diesem Bereich ist der Bestand an empirischen Arbeiten sehr groß, so dass dieser nicht im Detail diskutiert wird. Die übereinstimmende Erkenntnis ist, dass die Einschätzung der Nutzung die Tarifwahl beeinflusst. In neueren Arbeiten werden Unter- und Überschätzung über die Integration eines oder mehrerer Unsicherheitsparameter explizit modelliert.256 Diese Arbeiten messen allerdings keinen Einfluss auf Tarifwahl-Biases. Die Verfasser zeigen jeweils, dass sich ihre Modelle gut zur Erklärung der Tarifwahl eignen, was dafür spricht, dass Unter- und Überschätzungseffekt auch ursächlich für Tarifwahl-Biases sind. Arbeiten, die eine Über- oder Unterschätzung feststellen, basieren entweder auf Befragungsdaten oder einer Kombination aus Befragungs- und Nutzungsdaten und sind in Tab. 4-6 dargestellt. NUNES operationalisiert die Überschätzung in zwei Befragungen über durchschnittlich,

minimal und maximal erwartete Nutzungsmenge und entwickelt eine „Ratio Rule“. Dazu führt er zusätzlich eine „Breakeven-Nutzungsmenge“ ein, die die Nutzungsmenge darstellt, bei der sich eine Flatrate gerade lohnt. Er bildet die Differenz aus höchster erwarteter Nutzungsmenge und der „Breakeven-Nutzungsmenge“ und setzt diese ins Verhältnis zur Differenz aus der Breakeven-Nutzungsmenge und der niedrigsten erwarteten Nutzungsmenge. Seine Befunde für den Einfluss der „Ratio Rule“ auf die Wahl einer Flatrate zeigen, dass eine hohe erwartete maximale und minimale Nutzung eher zur Wahl einer Flatrate führen, und NUNES interpretiert dies als Beleg für den Einfluss der Überschätzung auf den Flatrate-Bias.257

256

257

Vgl. bspw. Iyengar, R. (im Druck), S. 3, Lambrecht, A./ Seim, K./ Skiera, B. (2007), S. 702, Goettler, R.L./ Clay, K. (2007), S. 6 f. u. Narayanan, S./ Chintagunta, P.K./ Miravete, E.J. (2007), S. 11 ff. Vgl. Nunes, J. (2000), S. 399 u. S. 402.

75 Tarifwahl

Tarifwahl-Biases PPU-Bias

FR-Bias

Einschätzung

Unterschätzung

Überschätzung

+

(+) Einfluss auf Tarifwahl

(+) Einfluss auf Tarifwahl

Datenquelle

Verfasser

Kontext/ Untersuchungsobjekt

Nutzungsdaten

Vielzahl an Arbeiten

Häufig B-toC und Telekommunikation

unterschiedlich

Nunes, J. (2000)

B-to-C USA Lieferservice

100 Supermarktkunden

+

Nunes, J. (2000)

B-to-C USA Schwimmbad

520 Studenten

+

Lambrecht, A./ Skiera, B. (2006a), Lambrecht, A./ Skiera, B. (2006b), u. Lambrecht, A. (2005)

B-to-C BRD DSL-Tarife

241 Studenten

+

Lambrecht, A./ Skiera, B. (2006a), Lambrecht, A./ Skiera, B. (2006b), u. Lambrecht, A. (2005)

B-to-C BRD DSL-Tarife

1.078 Kunden

+

Lambrecht, A./ Skiera, B. (2006a), Lambrecht, A./ Skiera, B. (2006b), u. Lambrecht, A. (2005)

B-to-C BRD DSL-Tarife

Befragung: 1.078 Kunden, zugehörige Nutzungsdaten

DellaVigna, S./ Malmendier, U. (2006)

B-to-C USA Fitnesstudio

Befragung: 48 Mitglieder, Nutzungsdaten: 7.978 Mitglieder

Befragungsdaten

Nutzun gs- und Befragungsdaten

Gesamtbefund

Stichprobe

+

+

+

+

+

+

+: Positiver Einfluss/ -: Negativer Einfluss/ 0: Kein Einfluss/ ( ): Keine Messung der Fehleinschätzung

Tab. 4-6:

Empirische Erkenntnisse zum Einschätzungs- und Fehleinschätzungseffekt258

LAMBRECHT und LAMBRECHT/SKIERA greifen die Idee von NUNES auf und entwickeln ein

experimentelles Design zur Erfassung von Flatrate-Biases, in dem sie die minimale

258

Quelle: Eigene Darstellung.

76 und maximale Nutzungsmenge angeben. In vier Situationen je Befragtem variieren sie die Nutzungsmengen und stellen fest, dass diese einen positiven Effekt auf den Flatrate-Bias ausüben. Dies werten sie ebenfalls als Beleg für den Einfluss der Überschätzung in ihren Auswertungen, die ausschließlich auf Befragungen von Studenten oder Kunden eines DSL-Anbieters basieren.259 In einer weiteren Studie kombinieren LAMBRECHT und LAMBRECHT/SKIERA Befragungsund Nutzungsdaten zur Erfassung von Unter- und Überschätzung. Sie erfassen in einer Befragung die Einschätzung der Nutzung von Kunden eines DSL-Anbieters und gleichen diese Einschätzungsdaten mit der tatsächlichen Nutzung der befragten Kunden ab. Sie stellen fest, dass die Unterschätzung der tatsächlichen Nutzung den Pay-per-Use-Bias und die Überschätzung den Flatrate-Bias beeinflussen.260 DELLAVIGNA/MALMENDIER befragen Mitglieder eines Fitnessclubs nach ihrer Nutzung.

Sie stellen fest, dass die von den befragten Mitgliedern durchschnittlich angegebene erwartete Nutzung mehr als doppelt so hoch ist wie die tatsächliche durchschnittliche Nutzung aller Mitglieder. Sie schließen aus diesen Ergebnissen, dass die befragten Mitglieder ihre Nutzung überschätzen, und dass dies zu einem Flatrate-Bias führt.261 Insgesamt zeigt der Bestand an empirischen Arbeiten übereinstimmend, dass die Tarifwahl von der Einschätzung der Nutzung beeinflusst wird. In den Arbeiten, die die Fehleinschätzung messen, wird auch für diese übereinstimmend ein Einfluss festgestellt. Keine dieser empirischen Arbeiten liefert Erkenntnisse spezifisch für die Mobilfunknutzung im Bereich des B-to-B. Aussagen in Bezug auf die abgeleiten Hypothesen zu Einschätzung und Fehleinschätzung der Nutzung können daher nicht getroffen werden. Bezüglich der Methoden zur Messung der Fehleinschätzung ist festzuhalten, dass nur bei einem Abgleich der eingeschätzten und der tatsächlichen Nutzung die tatsächliche Fehleinschätzung gemessen wird. Dies kann nur bei einer Kombination von Befragungs- und Nutzungsdaten gewährleistet werden, was bislang nur in der Studie von LAMBRECHT und LAMBRECHT/SKIERA durch einen Abgleich auf individuellem Niveau, bei DELLAVIGNA/MALMENDIER durch einen Abgleich individueller Einschätzungen mit der aggregierten tatsächlichen Nutzung realisiert wurde.

259 260 261

Vgl. Lambrecht, A./ Skiera, B. (2006a), S. 215 ff. Lambrecht, A./ Skiera, B. (2006b), S. 600 u. S. 606 f. Lambrecht, A. (2005), S. 101 f., S. 128 f., S. 137 f. u. S. 147 f.. Vgl. Lambrecht, A./ Skiera, B. (2006a), S. 217 f. u. Lambrecht, A. (2005), S. 150 f. u. S. 153 ff. Vgl. DellaVigna, S./ Malmendier, U. (2006), S. 697.

77 4.4

Implikationen des Forschungsstands für die empirische Analyse

Die Darstellung des Standes der empirischen Forschung hat gezeigt, dass bislang keine Erkenntnisse zur Tarifwahl, Tarifwahl-Biases und zu deren Ursachen für den Bereich Mobilfunktarifwahl aus optionalen Volumentarifen im B-to-B-Bereich vorliegen. Daher ist eine eigene empirische Analyse notwendig. Zum einen wird die Mobilfunktarifwahl von Geschäftskunden aus optionalen Volumentarifen und dabei möglicherweise entstehende Tarifwahl-Biases in Form von Flatrate-Biases und Pay-per-Use-Biases analysiert. Diese Analyse hat explorativen Charakter und dient gleichzeitig der Bestimmung der abhängigen Variablen „Tarifwahl“ und „Tarifwahl-Bias“ für die Ursachenanalyse. Zum anderen werden die in Kapitel 3.2.3 abgeleiteten Hypothesen in Bezug auf den Einfluss verschiedener Ursachen auf Tarifwahl und Tarifwahl-Biases überprüft. Diese Analyse hat konfirmatorischen Charakter. Außerdem wurden aus den bislang in der empirischen Forschung eingesetzten Erhebungs- und Messmethoden für die Untersuchung besonders geeignete Methoden identifiziert:

x Tarifwahl-Biases werden durch den Abgleich des Rechnungsbetrags im gewählten Tarif mit den Rechnungsbeträgen in anderen zur Auswahl stehenden optionalen Tarifen bestimmt. x Zur Messung der Tarifwahl sind reale Vertragsdaten am besten geeignet. Da jedoch Tarifwahl-Biases gemessen werden sollen, bei denen die verfügbaren Alternativen bekannt sein müssen, sind hierfür insbesondere Methoden geeignet, die auf einer hypothetischen Tarifwahl und realen Nutzungsdaten basieren. So kann eine größtmögliche Validität von Tarifwahl-Biases erreicht werden. x Zur Erfassung des Einschätzungseffekts ist die Befragung am besten geeignet, da es sich im gewählten theoretischen Kontext um eine Beurteilung des Entscheiders handelt. Zur Erfassung des Fehleinschätzungseffekts ist ein Abgleich der eingeschätzten Nutzung mit der tatsächlichen Nutzung die wünschenswerte Methode, da nur so die tatsächliche Fehleinschätzung gemessen wird. x Die Methode, die am besten zur Erfassung der Zusatznutzenelemente geeignet ist, ist die Befragung, da es sich bei den Zusatznutzenelementen letztlich um tarifspezifische Einstellungen des Entscheiders handelt.

78 5

Empirische Analyse von Tarifwahl, Tarifwahl-Biases und deren Ursachen bei der Mobilfunktarifwahl im B-to-B-Bereich

5.1

Zielsetzung und Konzeption der empirischen Analyse

Im Mittelpunkt des fünften Kapitels der Arbeit steht die empirische Analyse der in den vorangegangenen Kapiteln herausgearbeiteten Fragestellungen zu Tarifwahl und Tarifwahl-Biases sowie deren Ursachen im Kontext des Mobilfunktarifwahlverhaltens aus optionalen Volumentarifen im B-to-B-Bereich. Die Untersuchung erfolgt wie in der Einleitung definiert am Beispiel von Nachfragern aus dem Bereich KMU. Tarifwahl, Einschätzungen des Nutzungsverhaltens sowie Versicherungs-, Bequemlichkeits- und Taxametereffekt werden im Rahmen einer Befragung von Entscheidern erhoben (vgl. Abb. 5-1). Zur Bestimmung von Tarifwahl-Biases und Fehleinschätzungseffekt wird zusätzlich das reale Mobilfunknutzungsverhalten einzelner Nutzer benötigt, das durch Beobachtung erfasst wird. Daher wurde ein Kooperationspartner aus der Mobilfunkbranche gewonnen. Geschäftskunden des Kooperationspartners konnten mit einer Befragung adressiert werden. Den Befragungsdaten werden Beobachtungsdaten zur realen Mobilfunknutzung der einzelnen Nutzer in den Unternehmen zugeordnet.262 Außerdem wurden nur solche Geschäftskunden des Kooperationspartners befragt, die tatsächlich einzelne Tarife und keine Komplettlösungen wählen.263 Unternehmen

Entscheider Bewertung Netto-Nutzen der Tarife

Beurteilungen über

Tarifwahl für

Befragung

Abb. 5-1:

262

263

264

Analyseebenen und Datenquellen

Nutzer 1

Nutzung 1

Nutzer 2

Nutzung 2

Nutzer …

Nutzung …

Nutzer N

Nutzung N

Beobachtung 264

Die Zuordnung geschah über einen Code, vgl. Anhang 1. So konnte die Anonymität der Befragung sichergestellt werden. Zum Angebot von Komplettlösungen an Geschäftskunden vgl. Kapitel 1.2. Im Rahmen dieser Arbeit erfolgt wie dort begründet eine Konzentration auf die Wahl einzelner Tarife. Quelle: Eigene Darstellung.

79 Im Rahmen der empirischen Analyse wird eine zusätzliche Fokussierung getroffen: Tarifwahl-Biases und Einschätzungs- bzw. Fehleinschätzungseffekt werden ausschließlich auf die Sprachkommunikation bezogen.265 Dies geschieht insbesondere, um die Befragung der Entscheider nicht zu komplex zu gestalten. In Kapitel 5.3 werden die Ergebnisse zur Mobilfunktarifwahl aus optionalen Volumentarifen von Geschäftskunden präsentiert. Hierzu wird eine hypothetische Tarifwahl im Rahmen einer quasi-experimentellen Befragung durchgeführt.266 Außerdem werden Tarifwahl-Biases bei der Mobilfunktarifwahl von Geschäftskunden ermittelt. Diese werden anhand von Befragungs- und Beobachtungsdaten gemessen und analysiert. Die Analysen, in denen die Hypothesen zu den Ursachen von Tarifwahl und Tarifwahl-Biases überprüft werden, werden in Kapitel 5.4 durchgeführt. Für die Analyse der kausalen Zusammenhänge werden zwei Modelle aufgestellt: „Modell A: Ursachen der Tarifwahl im B-to-B“ und „Modell B: Ursachen von Tarifwahl-Biases im B-toB“. Die Regressionsanalyse wird als für die Auswertung geeignetes dependenzanalytisches Verfahren zur Hypothesenprüfung identifiziert. Zur Auswertung der Modelle werden jeweils geeignete Verfahrensvarianten identifiziert. Die Ursachen Versicherungs-, Taxameter- und Bequemlichkeitseffekt sind hypothetische Konstrukte, die mehrdimensional in einer Befragung gemessen werden. Daher erfolgt eine Konstruktvalidierung im Rahmen der konfirmatorischen Faktorenanalyse. Eine Validierung der Ergebnisse erfolgt in zwei Schritten: Zunächst erfolgt eine Kreuzvalidierung, bei der die jeweils verfügbare Datenbasis in eine Haupt- und eine Validierungsstichprobe aufgeteilt und das Regressionsmodell für beide Teilstichproben aufgestellt wird. Anschließend werden die Daten mit der Kausalanalyse als alternativem Verfahren ausgewertet, da diese die Variabilität in den latenten Konstrukten berücksichtigt. Dies wird als „innere Validität“ bezeichnet. Für die Bewertung der Erkenntnisse zu den Hypothesen werden die Ergebnisse aus Regressions- und Validierungsmodellen herangezogen und verglichen. Aufbau und Ablauf der empirischen Analyse sind in Abb. 5-2 dargestellt. Der Abläufe der Analysen sind für Tarifwahl und Tarifwahl-Bias eng verzahnt, da auf die gleiche Datenbasis zurückgegriffen wird und ähnliche Auswertungsmethoden herangezogen werden.

265 266

Die hohe Bedeutung der Sprachkommunikation rechtfertigt dies auch inhaltlich, vgl. Kapitel 1.2. Die Befragung wird als quasi-experimentell bezeichnet, weil die zur Auswahl stehenden Tarife in einem eigens konstruierten Tarifsystem vorliegen, vgl. auch Kapitel 4.1.

80

Erhebungsdesign Kapitel 5.2 Datenerhebung

Tarifwahl und Tarifwahl-Biases bei Mobilfunktarifen im B-to-B

Operationalisierung abhängige Variablen

Kapitel 5.3

Operationalisierung unabhängige Variablen (eindimensional)

Ursachen von Tarifwahl und Tarifwahl-Biases bei Mobilfunktarifen im B-to-B

Operationalisierung und Validierung unabhängige Variablen (mehrdimensional) Kapitel 5.4 Hypothesentest Regressionsanalyse Validierung Kreuzvalidität

Abb. 5-2:

Innere Validität: Kausalanalyse

Aufbau und Ablauf der empirischen Analyse267

5.2

Datengewinnung

5.2.1

Erhebungsdesign

5.2.1.1

Quasi-experimentelle Befragung

Die Befragung von Entscheidern unterteilt sich in drei für die Analysen relevante Abschnitte: Die Tarifwahl wird im Rahmen einer quasi-experimentellen hypothetischen Tarifwahlentscheidung erfasst, für die eigens ein Tarifsystem konstruiert wurde und die gleichzeitig die Basis für die Ermittlung von Tarifwahl-Biases darstellt. Einschätzungen des Nutzungsverhaltens werden zur Messung des Einschätzungseffekts und als Grundlage für den Fehleinschätzungseffekt benötigt. Außerdem werden Einstellungen zu Mobilfunktarifen zur Ermittlung von Versicherungs-, Bequemlichkeits- und Taxametereffekt erhoben.268 Die Entscheidung für einen Tarif wird im Rahmen einer hypothetischen Tarifwahl erhoben. Aus verschiedenen Gründen ist eine hypothetische Entscheidung hierfür die geeignete Methode: Die Bestimmung eines Tarifwahl-Bias ist nur möglich, wenn alle Alternativen bekannt sind, die zur Wahl stehen. Denn nur so kann festgestellt werden, ob der günstigste Tarif gewählt wurde. Dies kann ausschließlich bei einer hypo-

267 268

Quelle: Eigene Darstellung. Zum Fragebogen vgl. Anhang 1.

81 thetischen Tarifwahl sichergestellt werden, da in einer realen Entscheidungssituation zum einen grundsätzlich sehr viele Tarife zur Auswahl stehen, zum anderen die angebotenen Tarife häufig wechseln. Außerdem erleichtern die Vereinfachungen der Realität im Rahmen der hypothetischen Tarifwahl die Analyse der relevanten Fragestellungen: Im Zentrum steht die Entscheidung für eine Tarifform, weitere Einflussfaktoren oder Mediatoren der Zusammenhänge sollen nicht analysiert werden. Außerdem wird der Aspekt der Multipersonalität nicht berücksichtigt, da Entscheidungen für einen Mobilfunktarif keine typischen multipersonalen Kaufentscheidungen darstellen und der einzelne Entscheider als geeignete Analyseeinheit identifiziert wurde.269 Die Entscheidung für einen Tarif wird im Rahmen der hypothetischen Tarifwahl daher auf zwei Dimensionen vereinfacht: Zum einen erfolgt eine Reduktion von Entscheidungskomplexität durch die Konzentration auf die Entscheidung für eine Tarifform. Zum anderen wird die Entscheidung im Rahmen der Befragung vom befragten Entscheider getroffen, so dass keine multipersonale Entscheidung vorliegt. Gleichzeitig wird sichergestellt, dass die erhobenen Einstellungen und Einschätzungen von der Person stammen, die auch die Tarifentscheidung getroffen hat, wodurch die Analyse von Kausalitäten erst sinnvoll wird.270 Eine weitere Vereinfachung erfolgt durch die ausschließliche Variation der Kosten für die Leistung Sprachkommunikation, da ausschließlich diese Leistung im Rahmen der Arbeit beachtet wird. Nachteilig an der hypothetischen Tarifwahl ist allerdings, dass es sich um eine Entscheidung handelt, die keine Konsequenzen für den Entscheider oder das Unternehmen nach sich zieht, da kein Vertrag mit einem Mobilfunkanbieter abgeschlossen wird. Hieraus können möglicherweise Validitätsdefizite entstehen. Allerdings wiegen die beschriebenen Vorteile der hypothetischen Tarifwahl die möglichen Validitätsprobleme auf, da genaugenommen gar keine Analyse des Tarifwahl-Biases möglich wäre, wie er in dieser Arbeit definiert ist, wenn die Tarifwahl nicht hypothetisch erhoben wird. Zur Durchführung der hypothetischen Tarifwahl muss eine Auswahl alternativer Tarife definiert werden. An dieses Alternativenset werden verschiedene Anforderungen gestellt. Zunächst ist es zur Bestimmung von Tarifwahl und Tarifwahl-Bias aus optionalen Volumentarifen notwendig, dass mindestens ein nutzungsabhängiger Tarif und eine Flatrate zur Auswahl stehen. Für die differenzierte Analyse von Tarifwahl und Tarifwahl-Bias sollten jedoch mehrere Tarife zur Auswahl stehen, die durch eine an-

269 270

Vgl. Kapitel 3.1.2. Insbesondere durch den möglichen Wechsel von Entscheidern im Unternehmen ist dies bei der Analyse realer Vertragsdaten nicht zu gewährleisten.

82 steigende Grundgebühr mit gleichzeitig steigendem Inklusivkontingent von 0 Minuten bis hin zur reinen Flatrate mit unlimitiertem Freikontingent und somit durch einen ansteigenden Flatrate-Charakter gekennzeichnet sind.271 Die Ausgestaltung der Grundund Nutzungspreise sollte außerdem derart sein, dass bei Vollausschöpfung des Freikontingents bei steigendem Freikontingent sinkende Durchschnittspreise über die Tarife bestehen.272 Da im Rahmen dieser Arbeit der Fokus auf der Sprachkommunikation liegt, müssen andere Parameter eines Mobilfunktarifs wie bspw. Anbieter, Taktung der Gesprächsdauer oder Kosten für SMS, MMS und Datenübertragung im Auswahlset konstant gehalten werden. Trotz dieser Vereinfachungen sollen die Tarife so realitätsnah wie möglich ausgestaltet sein. Daher orientiert sich die Ausgestaltung der Tarife in Bezug auf Preise und Inklusivminuten an zum Untersuchungszeitpunkt in der Realität anzutreffenden Tarifen.273 In Abstimmung mit Experten aus der Mobilfunkbranche wurde ein Alternativenset von fünf optionalen Volumentarifen entwickelt, das den geschilderten Anforderungen genügt. Die Machbarkeit der hypothetischen Tarifwahl für den Befragten insbesondere vor dem Hintergrund der Anzahl der Tarife, aus denen eine Auswahl zu treffen ist, wurde in Pretests überprüft. Die endgültige Ausgestaltung der Tarife ist in Abb. 5-3 dargestellt. Die Tarifwahl erfolgt in der Befragung so realitätsnah wie möglich. Der Entscheider wird in der Befragung nicht gezwungen, künstlich nur einen Tarif für alle Mitarbeiter auszuwählen, und er wird auch nicht auf Wahlentscheidungen für bestimmte Nutzertypen festgelegt. Er charakterisiert vielmehr das Mobilfunkverhalten der Mitarbeiter und wählt dementsprechend realitätsnah Tarife.274 Die Charakterisierung dient als Filterung im Fragebogen: Insgesamt bestehen für den Entscheider im Fragebogen sechs Möglichkeiten, das Mobilfunknutzungsverhalten zu beschreiben, die in sechs Versionen des Fragebogens resultieren. Unterschiede zwischen den Versionen bestehen in der Anzahl der Mitarbeiter mit beim Kooperationspartner abgeschlossenem Mobilfunktarif und in der Homogenität bzw. Heterogenität des Nutzungsverhaltens der Mitarbeiter. Je nachdem wie der Entscheider das Nutzungsverhalten der Mitarbeiter charakterisiert, muss er im weiteren Verlauf der Befragung eine bis drei hypo-

271

272 273

274

Diese Studie unterscheidet sich durch diese differenzierte Betrachtung von bislang durchgeführten Studien, die sich zumeist auf die Analyse von zwei, maximal drei Tarifen beschränken, vgl. bspw. Lambrecht, A./ Skiera, B. (2006a) und Schulze, T./ Gedenk, K. (2005). Vgl. Kapitel 2.1.2. Für eine Übersicht von zum Untersuchungszeitpunkt von Mobilfunkanbietern angeboten Volumen- und Flatrate-Tarifen vgl. Anhang 2. Vgl. Anhang 1, Frage 1a bis Frage 1g.

83 thetische Tarifwahlentscheidungen treffen (vgl. Tab. 5-1).275 Identifiziert der Befragte mehrere Gruppen mit homogenem Nutzungsverhalten innerhalb der Gruppen, aber heterogenem Verhalten zwischen den Gruppen, so muss er auch die Größe der Gruppe in Prozent der Mitarbeiter mit Mobilfunktarif angeben, um später eine Zuordnung der realen Nutzungsdaten zu ermöglichen. Auswahl eines Mobilfunktarifs: Tarifübersicht Sie werden in der Befragung gebeten, einen oder ggf. mehrere Mobilfunktarife auszuwählen. Bitte treffen Sie dabei Ihre Wahl so, als ob Sie sich tatsächlich für einen Mobilfunktarif entscheiden müssten. Bei dieser Tarifwahl stehen Ihnen ausschließlich die in der Tabelle dargestellten fünf Mobilfunktarife zur Auswahl. Diese Tarife beinhalten alle kein subventioniertes Endgerät. Unterschiede zwischen den Tarifen existieren lediglich bei der monatlichen Grundgebühr, bei den Minutenpreisen für Gespräche innerhalb Deutschlands (in alle Netze) und bei den in der Grundgebühr eingeschlossenen Inklusivminuten. In Bezug auf Auslandgespräche, SMS/MMS, Datenübertragung, Taktung sowie alle anderen Vertragsbedingungen sind die Tarife gleich ausgestaltet (hier nicht näher spezifiziert). Die angegebenen Preise sind inklusive (exklusive) Mehrwertsteuer (19%).

Tarif 1 0€

Grundgebühr (Monatlich) (Netto) Inklusivminuten (Monatlich) ins deutsche Festnetz und alle deutschen Mobilfunknetze Minutenpreis ins deutsche Festnetz und alle deutschen Mobilfunknetze (Netto)

Abb. 5-3:

Tarif 2

Tarif 3

Tarif 4

Tarif 5

29 €

39 €

59 €

89 €

(23,43 €)

(31,59 €)

(47,79 €)

(72,09 €)

200 min

400 min

900 min

Ohne Beschränkung

0,49 €

0 € bis max. 200 min; dann 0,39 €

0 € bis max. 400 min; dann 0,29 €

0 € bis max. 900 min; dann 0,19 €

(0,40 €)

(0,32 €)

(0,23 €)

(0,15 €)

0

0

Auszug aus der Befragung: Tarifübersicht für die hypothetische Tarifwahl276

Im Anschluss an die hypothetische Tarifwahl muss der Entscheider Einschätzungen zum Mobilfunknutzungsverhalten der Mitarbeiter abgeben. Die Einschätzungen beziehen sich lediglich auf die Sprachkommunikation, um die Komplexität der Befragung gering zu halten. Diese Informationen dienen der Messung von Einschätzungsund Fehleinschätzungseffekt und werden für die gleichen Personen oder Gruppen erhoben, für die auch ein Tarif gewählt wurde (vgl. Tab. 5-1). Die Einschätzung wird

275 276

Vgl. Anhang 1, Frage 2a bis Frage 2f. Quelle: Eigene Darstellung.

84 in offenen Fragen erhoben, und der Entscheider schätzt dabei ein, wie viele Minuten ein Mitarbeiter durchschnittlich im Monat mobil telefoniert. Zusätzlich werden die Einschätzung der minimalen und maximalen monatlichen Nutzung sowie der Umfang der privaten Nutzung erhoben.277 Anzahl Mitarbeiter mit Mobilfunktarif

Mobilfunknutzungsverhalten der Mitarbeiter

Gruppen mit homogenem Nutzungsverhalten

Hypothetische Tarifwahl und Einschätzung des Nutzungsverhaltens für

Typ

Version Fragebogen

1

Nicht relevant

Nicht relevant

1 Person

1

1

Sehr ähnlich

1

1 Gruppe aus allen Mitarbeitern

2

2

Person mit schwächster Nutzung

3

Nicht vorhanden

2 >1

Unterschiedlich 3

>3

Tab. 5-1:

Person mit stärkster Nutzung

4

Durchschnittsnutzer

5

Gruppe mit schwächerer Nutzung

6

Gruppe mit stärkerer Nutzung

7

Gruppe mit schwächster Nutzung

8

Gruppe mit mittlerer Nutzung

9

Gruppe mit stärkster Nutzung

10

Gruppe mit schwächster Nutzung

11

Gruppe mit stärkster Nutzung

12

Durchschnittsnutzer

13

3

4

5

6

Versionen des Fragebogens zur Einschätzung des Mobilfunknutzungsverhaltens und zur Erhebung der hypothetischen Tarifwahl278

Versicherungs-, Bequemlichkeits- und Taxametereffekt stellen hypothetische Konstrukte dar, die auf Einstellungen basieren und sich der direkten Beobachtung entziehen.279 Auch eine experimentelle Erfassung der Effekte ist nicht möglich.280 Im Rahmen einer Befragung können durch Bildung von Skalen Einstellungen erhoben werden,281 wobei mehrere in einzelnen Fragen erfasste Indikatoren zu Konstrukten zusammengefasst werden. Im Gegensatz zu der Erfassung jedes einzelnen Effekts durch nur eine Frage treten bei der Erfassung durch Mehrfachfragen geringere Messfehler auf, und es kann eine Beurteilung von Validität und Reliabilität erfolgen.282 Daher ist die mehrdimensionale Messung vorzuziehen. Die Auswahl der Indikatoren zur Erfassung der Einstellungen zur Tarifform Flatrate wird in Kapitel

277 278 279 280 281 282

Vgl. Anhang 1, Frage 3a bis Frage 3f. Quelle: Eigene Darstellung. Vgl. bspw. Aaker, D.A./ Kumar, V./ Day, G.S. (2003), S. 215. Vgl. Hildebrandt, L. (1983), S. 6 f. Vgl. Kroeber-Riel, W./ Weinberg, P. (2003), S. 189 ff. Vgl. Churchill, G.A. (1979), S. 66.

85 5.4.2.3.1 beschrieben. Um Reihenfolgeeffekte zu vermeiden, werden diese Indikatoren jedem Probanden in einer anderen zufälligen Reihenfolge präsentiert.283 Zusätzlich werden im Rahmen der Befragung Informationen zum Entscheidungsprozess bei der Mobilfunktarifwahl, Informationen zu Rolle, Position und Soziodemografika des Entscheiders sowie Kerninformationen zum Unternehmen erhoben. Die Bedeutung der Wahl der Tarifform im Vergleich zu anderen Entscheidungsparametern wird über eine Konstantsummenskala erfasst.284 Bei der Ausgestaltung der Befragung wurde darauf geachtet, mögliche Quellen eines Common Method Bias bei der Analyse von Kausalitäten gering zu halten:285 Die abhängige Variable für „Modell A: Ursachen der Tarifwahl“ wird getrennt von den Indikatoren für die hypothetischen Konstrukte im Rahmen einer hypothetischen Tarifwahl auf einer anderen Skala erhoben. Die Abfolge der Indikatoren für die latenten Konstrukte ist zufällig und bei jedem Befragten anders ausgestaltet. Zusätzlich wird die Anonymität der Befragung sichergestellt und den Befragten kommuniziert. In „Modell B: Ursachen von Tarifwahl-Biases“ ist die Gefahr eines Common Method Biases noch geringer, da die Variablen neben der Befragung auch auf der Beobachtung als zweiter Datenquelle basieren.286 5.2.1.2

Beobachtung des Nutzungsverhaltens

Für die Ermittlung von Tarifwahl-Biases und Fehleinschätzungseffekt ist neben der im Rahmen der Befragung beim Entscheider erhobenen hypothetischen Tarifwahl und der Einschätzung der Mobilfunknutzung auch das tatsächliche Mobilfunknutzungsverhalten des einzelnen Nutzers relevant. Dies lässt sich besonders valide durch Beobachtung erheben.287

283 284 285 286

287

Vgl. Anhang 1, Frage 4. Vgl. Anhang 1, Frage 5. Das theoriegeleitete Vorgehen zur Reduktion der Quellen von Common Method Biases orientiert sich an Podsakoff, P.M. et al. (2003). Vgl. Diller, H. (2006), S. 616 u. Podsakoff, P.M. et al. (2003), S. 887. Durch die Integration der Beobachtungsdaten ist in Bezug auf das Nutzungsverhalten entsteht hier auch kein so genannter Informant Bias, vgl. Ernst, H. (2001), S. 87 ff. Vgl. Aaker, D.A./ Kumar, V./ Day, G.S. (2003), S. 211 ff. u. Berekoven, L./ Eckert, W./ Ellenrieder, P. (2006), S. 149 ff. Dabei handelt es sich allerdings nicht um eine klassische wissenschaftliche Beobachtung, bei der bestimmte Parameter systematisch variiert werden, sondern um die ausschließliche Erfassung tatsächlichen Verhaltens ohne Variation von Versuchsbedingungen, vgl. Raab, G./ Unger, A./ Unger, F. (2004), S. 128.

86 Die Mobilfunknutzung wird von Mobilfunkanbietern routinemäßig erfasst, da sie diese Informationen für Abrechnungszwecke benötigen. Es handelt sich also um eine Analyse von Sekundärdaten, die beim Kooperationspartner bereits vorliegen.288 Die reale Nutzung wird zur Bestimmung von Tarifwahl-Biases und Fehleinschätzungseffekt eingesetzt.289 In Kapitel 3.2.2.2 wurde begründet, dass für die Bestimmung des Fehleinschätzungseffekts die durchschnittliche Nutzung benötigt wird. Dies ist auch das Nutzungsdatum, das beim Praxispartner vorliegt und das daher im Weiteren Verwendung findet.290 Die Erfassung der Mobilfunknutzung erfolgt auf Vertrags- bzw. Nutzerebene. Zur Bestimmung des Tarifwahl-Bias und des Fehleinschätzungseffekts ist es notwendig, dass die Zuordnung der einzelnen Nutzer zu Unternehmen bzw. zu dem aus dem Unternehmen befragten Entscheider gewährleistet ist. Daher werden sowohl die Befragung als auch die einzelnen Nutzer mit einem Code versehen, der dies ermöglicht. Die Beobachtungsdaten werden im Anschluss an die Befragung für die Unternehmen, aus denen ein Entscheider befragt werden konnte, aus der Datenbank des Kooperationspartners ausgelesen. 5.2.2

Erhebung und Datenbasis

5.2.2.1

Durchführung und Stichprobe der quasi-experimentellen Befragung

Als Methode für die Befragung von Entscheidern in den Kundenunternehmen des Kooperationspartners wurde eine CATI-Befragung gewählt.291 Diese eignet sich besonders bei großzahligen standardisierten Befragungen von Entscheidern im B-to-BBereich.292 In Pretests zeigte sich, dass außer der hypothetischen Tarifwahl alle Fragen problemlos telefonisch beantwortet werden können. Das Problem bei der hypothetischen Tarifwahl bestand in der Menge der zu übermittelnden Informationen zu den Tarifen. Damit die Entscheider nicht durch zu viel verbale Informationen überfordert werden, wurde daher die Tarifübersicht den Befragten zugefaxt (vgl. Abb. 5-3).

288

289 290 291

292

Vgl. bspw. Decker, R./ Wagner, R. (2002), S. 107. Diese Transaktionsdaten werden auch als unternehmensinterne Sekundärdaten bezeichnet, vgl. Malhotra, N.K./ Birks, D.F. (2007), S. 124. Vgl. Kapitel 5.3.2 und Kapitel 5.4.2.2.2. Diese Information wurde in nicht dokumentierten Gesprächen mit Mitarbeitern von Mobilfunkanbietern gewonnen. CATI: Computer Assisted Telephone Interviewing, vgl. Berekoven, L./ Eckert, W./ Ellenrieder, P. (2006), S. 109. Vgl. Berekoven, L./ Eckert, W./ Ellenrieder, P. (2006), S. 112, Langner, H. (2004), S. 334 u. Scheffler, H. (2000), S. 70. Internetbasierte Befragungsmethoden werden zwar immer beliebter und erfreuen sich einer steigenden Akzeptanz, die wenigen Untersuchungen zu Reliabilität und Validität von Internetbefragungen beziehen sich aber ausschließlich auf Befragungen von Endkunden. Vgl. bspw. die fehlenden Ausführungen in den bisher einzigen empirischen Vergleichen von telefonischen und Internet-basierten Befragungen von Braunsberger, K./ Wybenga, H./ Gates, R. (2007) u. Roster, C.A. et al. (2004).

87 Auf diese Weise konnte auch die hypothetische Tarifwahl telefonisch durchgeführt werden. Im B-to-B-Umfeld ist es zudem besonders wichtig, dass die Personen, die die Befragung durchführen, über Erfahrung mit der Identifikation von Entscheidern in Unternehmen sowie den besonderen Anforderungen mit der Befragung dieser Zielgruppe verfügen.293 Die Befragung wurde nach einigen Testdurchläufen im Zeitraum vom 14. April bis zum 14. Mai 2007 von einem Marktforschungsunternehmen durchgeführt. Zunächst wurde eine relevante Zielperson für die Befragung im Unternehmen durch den Interviewer identifiziert. Als Anforderung war definiert, dass es sich um einen Entscheider über die Auswahl von Mobilfunktarifen handeln muss. Nur wenn dies sichergestellt war, wurde ein Interview durchgeführt. Aus 3.112 Unternehmen, bei denen ein Kontaktversuch durch das Marktforschungsunternehmen stattfand, konnten aus 612 Unternehmen 612 Entscheider befragt werden. Dies entspricht einer Ausschöpfungsquote von rund 20 %. Die durchschnittliche Dauer eines Interviews lag bei etwa 15 Minuten. Die Stichprobe lässt sich anhand einiger Entscheider- und Unternehmenscharakteristika beschreiben.294 Unternehmensebene

Unternehmensbereich Anderes 13%

Mitarbeiter Mitarbeiter 18% 18% GeschäftsGeschäftsführung/ führung/ Vorstand Vorstand 46% 46%

Management Management 36% 36%

Produktion/ Leistungserstellung 4%

Rechnungswesen/ Controlling 35%

EDV/ IT 8% Vertrieb/ Marketing 8%

Beschaffung/ Einkauf 32%

(Basis: alle Befragte, n=612)

Abb. 5-4:

293 294 295

(Basis: ohne Geschäftsführung/ Vorstand, n=332)

Stichprobe Befragung: Unternehmensebene und –bereich der befragten Entscheider295

Vgl. Malhotra, N.K./ Birks, D.F. (2007), S. 773 f. Vgl. Anhang 1, Frage 6 bis Frage 14. Quelle: Eigene Darstellung. Die Kompetenzen wurden nach den Kompetenzen abgefragt, nach denen ein großes deutsches Marktforschungsunternehmen Aufgaben von Entscheidern differenziert.

88 Von den 612 befragten Entscheidern sind 73,4 % männlich und 26,6 % weiblich,296 das Durchschnittsalter beträgt 43 Jahre. Der Geschäftsführungs- bzw. Vorstandsebene lassen sich 46% der Befragten zuordnen (vgl. Abb. 5-4). Von den restlichen 54 % der Befragten, die sich auf die Unternehmensebenen „Management mit Führungsverantwortung“ und „Mitarbeiter ohne Führungsverantwortung“ verteilen, kommt der Großteil aus den Bereichen Rechnungswesen/Controlling (35 %) und Beschaffung/Einkauf (32 %). Zur Beurteilung der Kompetenzen der Entscheider wurde abgefragt, in welcher Kompetenz sich der Entscheider bei der Anschaffung eines Mobilfunktarifs sieht. Hier zeigt sich, dass sich 44 % als Alleinentscheider verstehen (vgl. Abb. 5-5). Unterstützer 4% Beeinflusser 7% Fachentscheider 21%

Alleinentscheider 44%

Formaler Entscheider 24%

Abb. 5-5:

Stichprobe Befragung: Kompetenz des Entscheiders bei der Entscheidung297

Weitere 24 % verstehen sich als formale Entscheider und geben Entscheidungen frei, 21 % sehen sich als Fachentscheider, da sie die Entscheidungen fachlich treffen. 7 % verstehen sich als Beeinflusser, da sie Angebote beurteilen und Empfehlungen geben, und 4 % sehen sich als Unterstützer, da sie lediglich beratend an der Entscheidung beteiligt sind. 11 % der befragten Personen, die sich als Beeinflusser oder Unterstützer bezeichnen, sind demnach nach der in der Arbeit zugrunde gelegten Definition keine Entscheider. Da jedoch durch die hypothetische Tarifwahl sichergestellt wird, dass auch diese Personen eine Entscheidung treffen, können sie für die Auswertung als Entscheider verstanden werden und müssen nicht entfernt werden. Neben Aussagen zu den Entscheidern lassen sich auch Aussagen zu den Unternehmen treffen. Die meisten der befragten Entscheider (288) stammen aus Unter-

296 297

Absolut: 449 männlich, 163 weiblich. Quelle: Eigene Darstellung, n=612.

89 nehmen, die zwischen 10 und 49 Mitarbeitern beschäftigen. Nur wenige der Unternehmen haben mehr als 500 Mitarbeiter und fallen demnach nicht mehr unter die Bezeichnung KMU nach der Definition aus Tab. 1-2 (vgl. Abb. 5-6).298 1000 und mehr

500 bis 999

250 bis 499

8

4

7

50 bis 249

97

10 bis 49

288

5 bis 9

1 bis 4

Abb. 5-6:

141

67

Stichprobe Befragung: Häufigkeit der Mitarbeiterzahl der Unternehmen299

Zur Bestimmung der Stichprobengröße für die Auswertung von Tarifwahl und Tarifwahl-Biases sowie die Ursachenanalyse ist relevant, wie viele Entscheider welche Version des Fragebogens beantwortet haben. Denn erst aus der Anzahl der Entscheider, die sich durch die Charakterisierung des Mobilfunkverhaltens der Mitarbeiter der entsprechenden Version des Fragebogens zugeordnet haben, ergibt sich die Anzahl der verfügbaren Datensätze, anhand derer Tarifwahl und Einschätzungseffekt bestimmt sowie Tarifwahl-Bias und Fehleinschätzungseffekt berechnet werden können (vgl. Tab. 5-1). Die meisten Unternehmen (389) haben mehr als einen Mobilfunktarif beim Kooperationspartner abgeschlossen, und der Entscheider charakterisiert das Mobilfunknutzungsverhalten der Mitarbeiter als ähnlich. Sie treffen damit eine Tarifwahl und eine Einschätzung des Nutzungsverhaltens (Version 2 des Fragebogens).300 Insgesamt resultieren 848 Datensätze mit unterschiedlichen Tarifwahlent-

298

299

300

Auch diese Unternehmen haben jedoch einzelne Mobilfunktarife und keine Komplettlösung beim Kooperationspartner abgeschlossen. Da dies als wesentliches Kriterium in Kapitel 1.2 definiert wurde, entstehen bei der Integration dieser Unternehmen in die Untersuchung weniger große Probleme. Außerdem ist der einzelne Entscheider die Analyseeinheit. Im grundlegenden Verhalten eines Individuums in einem Unternehmen ist kein Unterschied zwischen Unternehmen aus bis 999 Mitarbeiter und einem Unternehmen über 1000 Mitarbeiter zu erwarten. Quelle: Eigene Darstellung. Außerdem zeigt die Auswertung der abgefragten Branchenzugehörigkeit, dass die Unternehmen größtenteils dem Dienstleistungssektor angehören, vgl. Anhang 3. Durch die Filterführung im Fragebogen wurde sichergestellt, dass das Ausweichen auf eine „einfachere“ Antwortalternative (in diesem Fall nur eine Tarifwahl) nicht möglich war (vgl. Anhang 1). Zudem wurde dieses Antwortverhalten von Mitarbeitern des Kooperationspartners als realistisch eingeschätzt.

90 scheidungen und zugehörigen Einschätzungen des Mobilfunknutzungsverhaltens aus der Befragung. Anzahl Tarifwahlentscheidungen

Version des Fragebogens

Anzahl Probanden

1

61

1

61

2

389

1

389

3

31

3

93

4

88

2

176

5

30

3

90

6

13

3

39

Insgesamt

612

Tab. 5-2:

5.2.2.2

Anzahl Datensätze

848

Anzahl der Probanden je Version des Fragebogens und daraus resultierende Datenbasis301

Durchführung und Stichprobe der Beobachtung des Nutzungsverhaltens

Befragungsdaten liegen wie oben beschrieben für Entscheider aus 612 Kundenunternehmen des Kooperationspartners vor. Die Nutzungsdaten zur Sprachkommunikation werden für die Mobilfunknutzer, für die diese Unternehmen einen Vertrag mit dem Kooperationspartner abgeschlossen haben, aus der Datenbank des Kooperationspartners ausgelesen. Die erfasste durchschnittliche monatliche Mobilfunknutzung bezieht sich auf die zurückliegenden 6 Monate, da diese in der Datenbank erfasst und verfügbar ist. Sofern der Vertragsabschluss für einen Nutzer weniger als 6 Monate zurückliegt, bezieht sich der erfasste Wert auf die bisherige Gesamtdauer des Vertrages. Die Daten liegen in der Einheit „Sekunden Gesprächsdauer“ vor und werden zur weiteren Auswertung in Minuten umgerechnet. Insgesamt sind für die Unternehmen, aus denen Entscheider befragt wurden, 6.317 Mobilfunknutzer in der Datenbank angelegt. Aufgrund technischer Probleme seitens des Kooperationspartners konnten für 28 Unternehmen keine Nutzungsdaten ausgelesen werden. Außerdem werden auch Nutzer, deren Vertrag bereits abgelaufen ist, in der Datenbank angeführt. Daher wurde die Ausgangsdatei um Nutzer bereinigt, die eine durchschnittliche monatliche Mobilfunknutzung von 0 Minuten aufweisen. Nach dieser Bereinigung liegen Nutzungsdaten für 4.324 Nutzer vor, die sich auf 584 Unternehmen verteilen.

301

Quelle: Eigene Darstellung.

91 Die Anzahl der Mobilfunkverträge je Unternehmen variiert zwischen einem und 71 beim Kooperationspartner abgeschlossenen Verträgen. Knapp 50 % der Unternehmen verfügen über 6 oder weniger, 90 % der Unternehmen über 20 oder weniger beim Kooperationspartner abgeschlossene Mobilfunkverträge. Eine deskriptive Betrachtung der durchschnittlichen monatlichen Mobilfunknutzung der einzelnen Nutzer zeigt, dass das Mobilfunknutzungsverhalten sehr heterogen ist. Die Mobilfunknutzung reicht von weniger als einer Minute bis zu einem Maximalwert von über 3.500 Minuten durchschnittlicher Mobilfunknutzung pro Monat. Bei etwa 80 % der Nutzer liegt allerdings eine Nutzung von weniger als 200 Minuten im Monat vor (vgl. Abb. 5-7).

Prozent Nutzer

100 90 80 70 60 50 40 30 20 10 0 0

100

200

300

400

500

600

700

800

900

1000

Minuten Gesprächszeit (Durchschnitt/ Monat)

Abb. 5-7:

Stichprobe Beobachtung: Minuten monatliche Gesprächszeit (Durchschnitt)302

Ein Merkmal des Beobachtungsdatensatzes besteht darin, dass alle Nutzer der Unternehmen darin enthalten sind, selbst wenn der Vertrag seit einigen Monaten nicht mehr oder fast gar nicht für Sprachkommunikation genutzt wird und der Nutzer eigentlich als inaktiv zu bezeichnen ist. Es ist jedoch unmöglich, anhand der Mobilfunknutzung einen Schwellenwert zu bestimmen, ab dem ein Nutzer als inaktiv bezeichnet werden kann. Aus dieser Tatsache entsteht bei der Ermittlung von Tarifwahl-Biases und Fehleinschätzungseffekt möglicherweise ein verzerrender Effekt, auf den insbesondere bei der explorativen Analyse von Tarifwahl-Biases sowie der Ursachenanalyse von Tarifwahl-Biases geachtet werden muss. Die Problematik wird

302

Quelle: Eigene Darstellung.

92 daher bei der Bestimmung von Tarifwahl-Biases und Fehleinschätzungseffekt adressiert.303 5.2.2.3

Zusammenführung der Stichproben aus Befragung und Beobachtung

Die Analysen von Tarifwahl und Ursachen der Tarifwahl erfolgen ausschließlich auf Basis der quasi-experimentellen Befragung. Für die Analyse von Tarifwahl-Biases sowie deren Ursachen müssen jedoch die beiden Stichproben aus quasiexperimenteller Befragung und Beobachtung zusammengeführt werden. Damit im Weiteren Klarheit über die jeweils verfügbaren Stichproben besteht, erfolgt hier eine kurze Darstellung der jeweiligen Datenbasis. Der Zusammenhang der Stichproben ist in Abb. 5-8 dargestellt.

612 Unternehmen

Quasi-experimentelle Befragung: 612 Entscheider

Beobachtung: Nutzer aus 584 Unternehmen

Tarifspezifische Einstellungen: 612 Entscheider

Nutzungsverhalten: 4.324 Nutzer

Tarifwahl/Einschätzung Nutzung: Für 848 Nutzer oder Nutzergruppen

Tarifwahl-Biases/Fehleinschätzung: Für 680 Nutzer oder Nutzergruppen

Abb. 5-8:

Zusammensetzung der verfügbaren Stichproben304

Insgesamt konnte aus 612 Unternehmen je ein Entscheider befragt werden. Diese 612 Entscheider haben 612mal ihre tarifspezifischen Einstellungen geäußert und für 848 Nutzer oder Nutzergruppen Tarife ausgewählt sowie für die gleichen Nutzer oder Nutzergruppen das Nutzungsverhalten eingeschätzt. Für 584 der 612 Unternehmen konnten Beobachtungsdaten zum realen Nutzungsverhalten aller Nutzer aus der Datenbank des Kooperationspartners ausgelesen werden. Daraus resultiert eine Stichprobe von 4.324 Nutzern. Für die Ermittlung von Tarifwahl-Biases und Fehleinschätzungseffekt müssen die hypothetischen Tarifwahlentscheidungen, Einschätzungen

303

304

Zum Vorgehen der Bestimmung von Tarifwahl-Biases vgl. Kapitel 5.3.2.1. Zur Bestimmung des Fehleinschätzungseffekts vgl. Kapitel 5.4.2.2.2. Quelle: Eigene Darstellung.

93 des Nutzungsverhaltens und das reale Nutzungsverhalten geeignet kombiniert werden. Das genaue Vorgehen hierbei wird in Kapitel 5.3.2.2 und Kapitel 5.4.2.2.2 beschrieben. Nach der Verbindung der Datensätze liegen für 680 Nutzer oder Nutzergruppen Daten zu Tarifwahl-Biases und Fehleinschätzungseffekt vor. 5.3

Tarifwahl und Tarifwahl-Biases bei der Mobilfunktarifwahl im B-to-B-Bereich

5.3.1

Tarifwahl aus optionalen Volumentarifen

Zunächst ist zu klären, welchen Tarif Entscheider aus einem Angebot optionaler Volumentarife wählen. Dazu wird auf die hypothetische Tarifwahl zurückgegriffen. In der hypothetischen Tarifwahl wählen die Entscheider einen Tarif aus fünf optionalen Tarifen. Grundpreis und Freikontingent der Tarife reichen von 0 €/ 0 Minuten Freikontingent (Tarif 1) bis zu 89 €/ unbeschränktes Freikontingent (Tarif 5). Tarif 1 ist ein reiner Pay-per-Use-Tarif, Tarif 5 ein reiner Flatrate-Tarif. Die Tarife 2 bis 4 sind Volumentarife mit unterschiedlichem Freikontingent. Die Tarife lassen sich in eine geordnete Rangfolge von Tarifen mit steigendem Grundpreis und analog steigendem Freikontingent bringen. Der Durchschnittspreis für eine Nutzungsminute bei Vollausschöpfung des Freikontingents sinkt damit von Tarif 1 bis zu Tarif 5. Gleichzeitig steigt der Flatrate-Charakter der Tarife an, da ein immer größeres Freikontingent enthalten ist (vgl. Abb. 5-9). Tarif 1

Tarif 2

Tarif 3

Tarif 4

Tarif 5

Grundpreis (in €)

0

29

39

59

89

Nutzungspreis (in €)

0,49

0,39

0,29

0,19

0

Inklusivminuten

0

200

400

900

’

Durchschnittspreis (bei Vollausschöpfung)

0,49

0,145

0,0975

0,0656

gegen 0

Rangnummer des Tarifs

1

2

3

4

5 Flatrate-Charakter

Durchschnittspreis bei Vollausschöpfung

Abb. 5-9:

Rangordnung der optionalen Volumentarife305

Die Tarifwahl aus optionalen Volumentarifen bei der Mobilfunktarifwahl im B-to-BBereich kann anhand von 848 Datensätzen beurteilt werden. Alle Tarife wurden im

305

Quelle: Eigene Darstellung.

94 Rahmen der hypothetischen Tarifwahlentscheidung mehrfach gewählt, kein Tarif ist damit so unattraktiv, dass er nicht gewählt wird. Die Verteilung der hypothetischen Tarifwahlen ist ein wichtiges Beschreibungsmerkmal der Tarifwahl. Die Häufigkeitsverteilung der Tarifwahlen ist ungleichmäßig: Am häufigsten wurde Tarif 3 gewählt (31,3 % aller Tarifwahlentscheidungen; absolut: 265), der damit den Modus darstellt und im Vergleich zu den anderen Tarifen einen mittleren Flatrate-Charakter aufweist. Tarif 1, der ein Pay-per-Use-Tarif ist, wurde in lediglich 5,3 % (absolut: 45) der Entscheidungen gewählt. Die Flatrate (Tarif 5) wurde immerhin in 15,4 % der Entscheidungen gewählt (absolut: 131; vgl. Abb. 5-10). Bei einer aggregierten Betrachtung zeigt sich, dass der Median der Tarifwahl bei Tarif 3 liegt, d. h. dass in 50 % der Entscheidungen ein Tarif mit einem mittleren oder geringeren Flatrate-Charakter gewählt wird. 300 265 249

Tarifwahlhäufigkeit absolut

250

200 158 150

131

100

50

45

0 Tarif 1

Abb. 5-10:

Tarif 2

Tarif 3

Tarif 4

Tarif 5

Tarifwahlhäufigkeiten absolut306

Die Mobilfunktarifwahl im B-to-B-Kontext ist damit je Tarifwahlentscheidung unterschiedlich, die Tendenz über alle Entscheidungen geht zu der Wahl eines Tarifs mit mittlerem Flatrate-Charakter. Eindeutige Prognosen, welcher Tarif gewählt wird, können allerdings nicht getroffen werden. Ob sich bei der Mobilfunktarifwahl aus optionalen Volumentarifen im B-to-B-Bereich Tarifwahl-Biases feststellen lassen, zeigt die Analyse im folgenden Kapitel 5.3.2.

306

Quelle: Eigene Darstellung.

95 5.3.2

Existenz, Bedeutung, Ausmaß und Wert von Tarifwahl-Biases

5.3.2.1

Methodik

Für die Messung der Existenz, Bedeutung, Ausmaß und Wert von Tarifwahl-Biases im B-to-B-Bereich wurde eine Messmethodik auf Basis der hypothetischen Tarifwahl und der realen Mobilfunknutzung entwickelt.307 Ob ein Entscheider den günstigsten Tarif für einen Nutzer oder die Nutzer einer Nutzergruppe gewählt hat, lässt sich streng genommen nur anhand der zukünftigen Nutzungsmenge und zukünftigen Rechnungsbeträge beurteilen. Diese Nutzungsmenge ist jedoch nicht bekannt. Allerdings wird angenommen, dass durch die vergangenen Nutzungsmengen im Durchschnitt mehrerer Perioden eine gute Appromixation der zukünftigen Nutzungsmenge erfolgen kann.308 Diese Annahme erscheint insbesondere im B-to-B-Kontext gerechtfertigt, denn der Nutzer telefoniert in erster Linie zu geschäftlichen Zwecken. Eine Anpassung seines Telefonverhaltens aufgrund des Vorliegens eines bestimmten Tarifs ist eher nicht zu vermuten.309 Aus diesem Grund kann die vorliegende reale durchschnittliche monatliche Mobilfunknutzung zurückliegender Monate zur Bestimmung von Tarifwahl-Biases herangezogen werden. Bedeutung, Ausmaß und Wert von Tarifwahl-Biases werden in mehreren aufeinander aufbauenden Schritten bestimmt. Zunächst müssen für alle von den Entscheidern getroffenen hypothetischen Tarifwahlentscheidungen die jeweiligen Rechnungsbeträge in allen hypothetischen Tarifen berechnet werden. Die Rechnungsbeträge in Euro ergeben sich gemäß den in Tab. 5-3 dargestellten Formeln. Aus den Rechnungsbeträgen in allen Tarifen wird der Rechnungsbetrag des in der hypothetischen Tarifwahl gewählten Tarifs identifiziert. Außerdem wird der Tarif mit dem geringsten Rechnungsbetrag gesucht und mit dem Rechnungsbetrag im gewählten Tarif abgeglichen. Daraus wird das Vorliegen eines Tarifwahl-Biases für jede einzelne Tarifwahlentscheidung bestimmt. Da jede Grenzziehung, ab welcher Abweichung des

307 308 309

Vgl. Kapitel 2.2. Vgl. Lambrecht, A. (2005), S. 56 f. Gespräche mit Experten aus der Mobilfunkbranche haben ergeben, dass teilweise nach Abschluss einer Flatrate ein kurzfristiger Anstieg der Nutzung zu beobachten ist, dass sich das Nutzungsverhalten nach kurzer Zeit aber wieder normalisiert. Diese Aussagen bezogen sich allerdings auf B-to-C und B-to-B gleichermaßen. Da im Kontext dieser Arbeit nicht die kurzfristige Auswirkung der Wahl eines Tarifs auf das Nutzungsverhalten untersucht wird, ist somit die zurückliegende Nutzung gut zur Bestimmung von Tarifwahl-Biases geeignet.

96 günstigsten Rechnungsbetrags vom Rechnungsbetrag des gewählten Tarifs von einem Tarifwahl-Bias zu sprechen ist, willkürlich ist, wird darauf verzichtet.310 Rechnungsbetrag Tarif 1

Rechnungsbetrag Tarif 2

RBT 1i , j

RBT 2i , j

0,49 ˜ qi , j

Rechnungsbetrag Tarif 3

RBT 3i , j

39, wenn qi , j d 400 ­ ½ ® ¾ q sonst   ˜ 39 ( 400 ) 0 , 29 , . i, j ¯ ¿

29, wenn qi , j d 200 ­ ½ ® ¾ q sonst   ˜ 29 ( 200 ) 0 , 39 , . i , j ¯ ¿

Rechnungsbetrag Tarif 4

RBT 4i , j

59, wenn qi , j d 900 ­ ½ ® ¾ q sonst   ˜ 59 ( 900 ) 0 , 19 , . i, j ¯ ¿

Rechnungsbetrag Tarif 5

Alle mit

RBT 5i , j

RB = Rechnungsbetrag in € q = Minuten Mobilfunknutzung pro Monat i = Entscheider j = Nutzer oder Nutzergruppe

89

Formeln zur Bestimmung der Rechnungsbeträge in den optionalen Tarifen311

Tab. 5-3:

Drei Fälle von Tarifwahl-Biases sind denkbar:

x Der Rechnungsbetrag im gewählten Tarif ist gleichzeitig der geringste Rechnungsbetrag. In diesem Fall liegt kein Bias vor. Dies wird bezeichnet als Bias

0

x Der Rechnungsbetrag im gewählten Tarif ist nicht der geringste, und in einem Tarif mit niedrigerem Freikontingent und niedrigerem Grundpreis ist der geringste Rechnungsbetrag zu finden. In diesem Fall handelt es sich um einen Flatrate-Bias. Diesen bezeichnen wir als Bias

310

311

1

In der weiteren Analyse der Ursachen des Tarifwahl-Bias in „Modell B: Tarifwahl-Bias“ ist zudem nur noch das Ausmaß der Tarifwahl-Bias relevant, bei dem die Grenzziehung nicht von Bedeutung ist. Die Problematik, dass festgelegt werden muss, ab wann vom Eintreten eines Zustands gesprochen werden muss, findet sich auch in anderen Kontexten. Ein Beispiel ist das Preiswissen von Konsumenten, bei dem die Definition von Preiswissensbändern erfolgt, vgl. bspw. Vanhuele, M./ Drèze, X. (2002), S. 76 u. Dickson, P.R./ Sawyer, A.G. (1990), S. 47. Ein anderes Beispiel findet sich im Kundenmanagement, wo der Kundenstatus definiert und nach potenziellen, aktuellen und ehemaligen Kunden differenziert wird. Ab wann von einem ehemaligen Kunden gesprochen wird, ist insbesondere bei nicht-vertraglichen Leistungen schwierig zu bestimmen. Aktuelle Arbeiten zum Kundenmanagement sind bspw. Hüppelshäuser, M. (2005) bei vertraglichen und Rutsatz, U. (2004) bei nicht-vertraglichen Leistungen. Allgemein vgl. Krafft, M. (2007). Bestünde die Notwendigkeit, Grenzen für das Vorliegen eines Tarifwahl-Biases zu definieren, könnte eine Orientierung an derartigen Arbeiten erfolgen. Quelle: Eigene Darstellung.

97

x Der Rechnungsbetrag im gewählten Tarif ist nicht der geringste, und in einem Tarif mit höherem Freikontingent und höherem Grundpreis ist der geringste Rechnungsbetrag zu finden. In diesem Fall handelt es sich um einen Pay-per-Use-Bias. Diesen bezeichnen wir als Bias

1

Liegen Biases vor, so wird auf die Existenz von Tarifwahl-Biases bei der Mobilfunktarifwahl im B-to-B-Kontext geschlossen. Das tarifwahlspezifische Vorliegen eines Bias wird aggregiert, um die Bedeutung von Tarifwahl-Biases zu bestimmen. Anhand der Häufigkeit des Auftretens der drei Fälle in der Stichprobe wird die Bedeutung bestimmt. Die Bedeutung kann auch getrennt für Flatrate- und Pay-per-Use-Bias bestimmt werden. Als nächster Schritt wird das Ausmaß des Tarifwahl-Bias für jede Tarifwahlentscheidung bestimmt. Die Berechnung des Ausmaßes des Tarifwahl-Bias geschieht unterschiedlich, je nachdem welcher der drei Fälle vorliegt (vgl. Formel (8)):

(8)

TW _ Biasi , j

½ ­ 0, wenn Biasi , j 0 ° ° ® RBWi , j  RBGi , j , wenn Biasi , j 1 ¾ ° RB  RB , wenn Bias 1°¿ Wi , j i, j ¯ Gi , j

Mit

TW _ Bias RBW RBG

= Rechnungsbetrag im günstigsten Tarif

i j

= Nutzer oder Nutzergruppe

= Tarifwahl-Bias = Rechnungsbetrag im gewählten Tarif

= Entscheider

Das Ausmaß des Biases je Tarifwahl wird also als Differenz des Rechnungsbetrags im gewählten Tarif und des Rechnungsbetrags im günstigsten Tarif bestimmt. Die Skala ist für die weitere Auswertung in „Modell B: Tarifwahl-Bias“ so definiert, dass diese den Wert 0 annimmt, wenn kein Bias vorliegt, positive Werte annimmt, wenn ein Flatrate-Bias vorliegt, und negative Werte, wenn ein Pay-per-Use-Bias vorliegt. Der Betrag des Biases ist umso höher, je größer das Ausmaß des Biases ist. Das Ausmaß des Biases kann sowohl tarifwahlspezifisch wie auch durch Mittelwertbildung aggregiert über alle Tarifwahlen betrachtet werden. Der Wert von Tarifwahl-Biases ist eine aggregierte Größe und bestimmt sich aus der Differenz der Summe aller Rechnungsbeträge in den gewählten Tarifen und der Summe aller Rechnungsbeträge in den jeweils günstigsten Tarifen (vgl. Formel (9)):

98 (9)

WTWB

Zusätzlich mit

WTWB

¦

i 1,..., I j 1,..., J

RBWi , j 

¦

i 1,..., I j 1,..., J

RBGi , j

= Wert von Tarifwahl-Biases

¦

RBWi , j

= Umsatz mit den gewählten Tarifen

¦

RBGi , j

= Umsatz mit den günstigsten Tarifen

i 1,..., I j 1,..., J

i 1,..., I j 1,..., J

Der Wert von Tarifwahl-Biases stellt demzufolge den zusätzlichen Umsatz dar, den ein Mobilfunkanbieter aufgrund des Vorliegens von Tarifwahl-Biases macht, im Vergleich zu einer Situation, in der für alle Personen oder Gruppen durch den Entscheider der günstigste Tarif gewählt worden wäre. Auch der Wert des Bias kann getrennt nach Pay-per-Use- und Flatrate-Bias ermittelt werden. 5.3.2.2

Ergebnisse

Anhand der Darstellung der Methodik zur Bestimmung von Bedeutung, Ausmaß und Wert von Tarifwahl-Biases wird deutlich, dass zur Berechnung der Rechnungsbeträge in den alternativen Tarifen die reale Mobilfunknutzung benötigt wird. Zunächst muss also das reale Nutzungsverhalten aus den Beobachtungsdaten der hypothetischen Tarifwahl aus der Befragung korrekt zugeordnet werden. In 5.2.1.1 wurde erläutert, dass die Probanden für bis zu drei Personen oder Gruppen Tarifwahlentscheidungen treffen. Wird die Tarifwahl für eine Person getroffen, so ist das reale Nutzungsverhalten dieser Person relevant. Es muss also die entsprechende Person aus den Nutzungsdaten identifiziert werden. Wird die Tarifwahl für eine Gruppe getroffen, so erfolgt eine Verdichtung des Nutzungsverhaltens der einzelnen Nutzer, die dieser Gruppe angehören, durch Mittelwertbildung. Hierzu müssen die Nutzer der jeweiligen Gruppe identifiziert und zusammengefasst werden. Je nach Typ der Tarifwahl ist ein anderes Vorgehen erforderlich:312 Bei Typ 1,313 2, 5 und 13 werden alle Nutzer des Unternehmens, aus dem der Entscheider stammt, zusammengefasst und der Mittelwert über die durchschnittliche monatliche Mobilfunknutzung aller Nutzer gebildet. Zur Ermittlung der Nutzung in allen anderen Typen werden die Nutzer zunächst je Unternehmen nach aufsteigender Mobilfunknutzung sortiert. Bei Typ 3 und

312 313

Zu den Typen der Tarifwahl vgl. Tab. 5-1. Auch bei Unternehmen, bei denen der Entscheider angegeben hatte, dass nur ein Mobilfunktarif beim Kooperationspartner abgeschlossen sei, lag in einigen Unternehmen mehr als ein Mobilfunkvertrag in der Datenbank vor. Da nicht bestimmt werden kann, auf welchen Vertrag sich der Entscheider mit seinen Aussagen bezieht, erfolgt auch hier eine Mittelwertbildung.

99 4 erfolgt eine Identifikation des stärksten und schwächsten Mobilfunknutzers. Bei Typ 6 bis 12 werden die Nutzer je nach der vom Entscheider angegebenen Gruppengröße der Gruppe zugeordnet und der Mittelwert über die Nutzung der Nutzer einer Gruppe gebildet.314 Im Folgenden werden sowohl Gruppen wie auch Individuen als „Gruppe“ bezeichnet. Bei Individuen beträgt die Gruppengröße 1. Da einigen Unternehmen in der Datenbank keine Nutzer zugeordnet werden konnten,315 kann nur für 680 Gruppen anstatt für 848 Gruppen, für die Tarifwahlentscheidungen vorliegen, die reale Mobilfunknutzung bestimmt werden. Die Gruppengröße variiert zwischen 1 und 52 Nutzern. In 23,7 % der Fälle beträgt die Gruppengröße 1, rund 90 % der Fälle haben eine Gruppengröße von 13 Nutzern oder weniger, aus denen sich der Mittelwert der Nutzung berechnet.316 Die durchschnittliche reale monatliche Mobilfunknutzung der 680 Gruppen beträgt im Mittel 135,78 Minuten. An Standardabweichung und minimalem und maximalem Wert zeigt sich, dass die Nutzung breit gestreut ist (vgl. Tab. 5-4).317 Bei etwa 5 % der Gruppen liegt die durchschnittliche monatliche Nutzung unter fünf Minuten, bei knapp 2 % unter einer Minute. Durchschnittliche monatliche Mobilfunknutzung der Gruppen (in Minuten) Stichprobe

680

Mittelwert

135,78

Median

88,68

Standardabweichung

157,83

Minimum

0,08

Maximum

1251,15

Tab. 5-4:

Deskriptive Statistik: Durchschnittliche monatliche Mobilfunknutzung318

Auf Basis der Nutzungsdaten werden die Rechnungsbeträge in allen fünf alternativen Tarifen berechnet und der Rechnungsbetrag im gewählten und im günstigsten Tarif bestimmt (vgl. Tab. 5-5). Der mittlere Rechnungsbetrag in den gewählten Tarifen ist mit etwa 50 € fast doppelt so hoch wie in den günstigsten Tarifen (etwa 26 €). Die Streuung im günstigsten Tarif ist nur etwa halb so groß wie bei den gewählten Tari-

314

315 316 317

318

Die Angabe der Gruppengröße erfolgte in Prozent. Bei den Typen 3, 4 und 6 bis 12 besteht das Problem der möglichen Fehlzuordnung von Nutzern zu Gruppen. Dieses Problem kann nicht behoben werden. Vgl. Kapitel 5.2.2.2 Die Gruppen können gemeinsam ausgewertet werden, da keine signifikante Korrelation zwischen der Gruppengröße und Tarifwahl-Bias oder Fehleinschätzungseffekt besteht, vgl. Anhang 4. Die breite Streuung hat keine Auswirkungen auf Tarifwahl-Biases, da für jede tatsächlich realisierte Nutzung ein anderer Tarif zum günstigsten Rechnungsbetrag führt. Ob bei einer tatsächlich realisierten Nutzung ein Tarifwahl-Bias vorliegt, hängt davon ab, welcher Tarif in der quasi-experimentellen Tarifwahl gewählt wurde. Quelle: Eigene Darstellung.

100 fen, da bei den günstigsten Tarifen der Preis der Flatrate von 89 € die Obergrenze darstellt. Diese Zahlen weisen bereits auf die Existenz von Tarifwahl-Biases hin. Zur Bestimmung von Tarifwahl-Biases müssen die Rechnungsbeträge jedoch auf Individualniveau verglichen werden. Dabei zeigt sich, dass Tarifwahl-Biases auch bei der Mobilfunktarifwahl im B-to-B-Bereich existieren. Rechnungsbeträge im gewählten Tarif (in €)

Rechnungsbeträge im günstigsten Tarif (in €)

Stichprobe

680

680

Mittelwert

50,13

25,91

Median

39

29

Standardabweichung

26,399

13,953

Minimum

0,23

0,04

Maximum

228,28

89

Rechnungsbeträge in den gewählten und günstigsten Tarifen319

Tab. 5-5:

Das Vorliegen von Tarifwahl-Biases auf individuellem Niveau wird nun aggregiert, um die Bedeutung von Tarifwahl-Biases zu bestimmen. In Abb. 5-11 ist die Häufigkeit des Auftretens der verschiedenen Bias-Typen im Vergleich zur Anzahl der getroffenen Tarifwahlentscheidungen dargestellt. 800 700

680

Tarifwahlen absolut

600

538 493

500 400 300 200 100

45

0 TW insgesamt

Abb. 5-11:

319

TW-Bias

Bedeutung von Tarifwahl-Biases

Quelle: Eigene Darstellung.

320

PPU-Bias

FR-Bias

101 In 538 von 680 Tarifwahlentscheidungen (79,1 %) treten Tarifwahl-Biases auf, lediglich in 142 Fällen liegt kein Bias vor. Von den 538 Tarifwahl-Biases besteht die überwiegende Mehrheit aus Flatrate-Biases: In 493 Fällen (72,5 % aller Tarifwahlentscheidungen) liegt ein Flatrate-Bias vor, lediglich in 45 Fällen (6,6 %) tritt eine Payper-Use-Bias auf.321 Das Ausmaß von Tarifwahl-Biases ist in Tab. 5-6 ersichtlich. Ausmaß von Tarifwahl-Biases (in €)

Ausmaß TW-Bias insgesamt

Ausmaß TW-Bias: Betrag PPU-Bias und FR-Bias ohne Bias =0

Ausmaß FR-Bias

Ausmaß PPU-Bias

Stichprobe

680

538

493

45

Mittelwert

17,81

30,61

28,99

48,41

Median

15,78

27,45

26,97

40,63

Standardabweichung

28,334

21,863

19,215

36,766

Minimum

-169,28

0,03

0,03

1,56

Maximum

88,89

169,28

88,89

169,28

Mittleres Ausmaß in Prozent des mittleren günstigsten Rechnungsbetrags

nicht sinnvoll

118,14 %

111,89 %

186,84 %

Tab. 5-6:

Deskriptive Statistik: Ausmaß von Tarifwahl-Biases322

Bei einer gemeinsamen Betrachtung aller Tarifwahlen, so wie sie auch in „Modell B: Tarifwahl-Bias“ eingehen, beträgt der Tarifwahl-Bias im Mittel 17,81 € mit einer Standardabweichung von 28,334. Für die Betrachtung des Ausmaßes außerhalb der dependenzanalytischen Untersuchung ist jedoch die Betrachtung des Pay-per-Use-Bias als Betragswert sinnvoller, da so ein negativer Pay-per-Use-Bias einen positiven Flatrate-Bias nicht neutralisieren kann. Geht der Pay-per-Use-Bias als Betragswert ein und werden die Tarifwahlen ohne Bias ausgeschlossenen, dann beträgt das Ausmaß im Mittel 30,61 € bei einer Standardabweichung von 21,863.323 Das Ausmaß des Flatrate-Bias ist mit einem Mittelwert von 28,99 € geringer als das des Payper-Use-Bias mit 48,41 €. Auch die Streuung der Werte des Pay-per-Use-Bias ist wesentlich größer als die des Flatrate-Bias. Die Auswertung des mittleren Ausmaßes in Prozent vom durchschnittlichen Rechnungsbetrag in der Situation, in der für alle

320 321

322 323

Quelle: Eigene Darstellung. Anmerkung: Es ist Zufall, dass die Zahl der Tarifwahlen mit Pay-per-Use-Bias genau der Anzahl der Tarifwahlen entspricht, in denen Tarif 1 gewählt wurde. Die absolute Häufigkeitsverteilung der gewählten Tarife bei Vorliegen des PPU-Bias ist wie folgt: Tarif 1: 14mal; Tarif 2: 20mal; Tarif 3: 10mal; Tarif 4: einmal. Quelle: Eigene Darstellung. Anmerkung: Lediglich in 32 Fällen beträgt das Ausmaß des Bias weniger als 10 €.

102 der günstigste Tarif gewählt wurde (25,91 €, vgl. Tab. 5-5) zeigt, dass TarifwahlBiases bei gemeinsamer Betrachtung von Flatrate- und Pay-per-Use-Biases 118,14 % des Rechnungsbetrags ausmachen, bei getrennter Betrachtung FlatrateBiases 111,89 % und Pay-per-Use-Biases sogar 186 % des mittleren günstigsten Rechnungsbetrags ausmachen („Ausmaß in Prozent“). Dies spricht bereits für einen hohen Wert von Tarifwahl-Biases. Der Wert von Tarifwahl-Biases ist in Tab. 5-7 dargestellt.

Stichprobe

Nur Tarifwahlen mit PPUBias

Nur Tarifwahlen mit FRBias

Alle Tarifwahlen

45

493

680

¦

RBWi , j

4.146,73 €

25.737 €

34.091,14 €

¦

RBGi , j

1.968,46 €

11.444,88 €

17.620,75 €

14.292,12 €

16.470,39 €

i 1,..., I j 1,..., J

i 1,..., I j 1,..., J

WTWB Tab. 5-7:

2.178,27 €

Wert von Tarifwahl-Biases

324

Alleine die Flatrate-Biases der betrachteten Gruppen haben bereits einen Wert von 14.292,12 € pro Monat, die Pay-per-Use-Biases einen Wert von 2.178,27 €. Insgesamt beträgt daher der Wert aller Tarifwahl-Biases in der Stichprobe 16.470,39 €. Dies entspricht annähernd 50 % des Umsatzes, der in einem Monat mit den gewählten Tarifen gemacht wird (34.091,17 €). Bei der Ermittlung von Existenz, Bedeutung, Ausmaß und Wert von Tarifwahl-Biases kann aufgrund der in Kapitel 5.2.2.2 beschriebenen Tatsache, dass auch Nutzer mit einer sehr geringen Mobilfunknutzung im Beobachtungsdatensatz vorliegen, eine potenzielle Verzerrung entstehen.325 Möglicherweise hat der Entscheider bei der Tarifwahl diesen Nutzer als inaktiv betrachtet und nicht bei seinen Überlegungen zur Tarifwahl berücksichtigt. Dadurch ist die zur Berechnung des Tarifwahl-Bias herangezogene reale Mobilfunknutzung möglicherweise zu gering. Daraus kann folgen, dass der Pay-per-Use-Bias kleiner oder der Flatrate-Bias größer wird. Dieses Prob-

324 325

Quelle: Eigene Darstellung. Anmerkung: Bei etwa 5 % der Nutzergruppen liegt die aggregierte tatsächliche Nutzung unter 5 Minuten (vgl. Kapitel 5.3.2.2). Es könnte aufgrund des geringen Werts vermutet werden, dass Nutzer in die Berechnung der realen Nutzung für diese Gruppen eingingen, die inaktiv sind und daher vom Entscheider nicht bedacht wurden.

103 lem kann allerdings nicht beseitigt werden, da nicht festzustellen ist, an welche Nutzer der Entscheider bei der konkreten Tarifwahl tatsächlich gedacht hat. Außerdem wird der Effekt für den Großteil der Berechnungen von Tarifwahl-Biases abgeschwächt, da Mittelwerte über die Nutzung mehrerer Nutzer gebildet werden.326 Bei der Analyse der kausalen Zusammenhänge ist die Auswirkung dieses Effekts zudem weniger gravierend, da auch der Fehleinschätzungseffekt in die gleiche Richtung potenziell verzerrt wird.327 Allerdings sind die explorativen Erkenntnisse zu TarifwahlBiases mit entsprechender Vorsicht in Bezug auf die genauen Werte zu interpretieren. In Bezug auf die Existenz von Tarifwahl-Biases lässt sich zunächst feststellen, dass diese auch bei der Mobilfunktarifwahl im B-to-B-Bereich existieren. Die Bedeutung von Tarifwahl-Biases in diesem Kontext ist mit etwa 79 % aller Tarifwahlentscheidungen immens, wobei Flatrate-Biases weitaus bedeutender sind als Pay-per-UseBiases. Das mittlere Ausmaß von Tarifwahl-Biases liegt bei etwa 30 €. Das Ausmaß von Tarifwahl-Biases macht damit insgesamt rund 118 % des durchschnittlich niedrigsten Rechnungsbetrags aus, Pay-per-Use-Biases sogar rund 187 %. Der Wert von Tarifwahl-Biases macht in der vorliegenden Stichprobe annähernd 50 % des Umsatzes aus, der mit den gewählten Tarifen in einem Monat erzielt wird. Insgesamt kann der Tarifwahl-Bias bei der Mobilfunktarifwahl im B-to-B-Bereich als ein wichtiges Phänomen bezeichnet werden, wobei Flatrate-Biases aufgrund ihres häufigeren Auftretens wichtiger sind. Selbst wenn die genauen Werte aufgrund der beschriebenen potenziellen Verzerrung in Richtung Flatrate-Biases zu groß sein können, ist dennoch insgesamt davon auszugehen, dass es sich um bedeutende Phänomene handelt.

326 327

In mehr als 76 % der Fälle wird ein Mittelwert über die Nutzung gebildet. Vgl. Kapitel 5.4.2.2.2

104 5.4

Ursachen von Tarifwahl und Tarifwahl-Biases bei der Mobilfunktarifwahl im B-to-B-Bereich

5.4.1

Auswertungsmethoden

5.4.1.1

Auswahl geeigneter Methoden

5.4.1.1.1

Verfahrenswahl zum Hypothesentest

Im Mittelpunkt der Analyse der Ursachen von Tarifwahl und Tarifwahl-Biases steht die Überprüfung der in Kapitel 3.2.3 hergeleiteten Hypothesen zu den Zusammenhängen zwischen den möglichen Ursachen Versicherungs-, Bequemlichkeits-, Taxameter-, Einschätzungs- und Fehleinschätzungseffekt, die unabhängige Variablen darstellen, und den Konsequenzen Tarifwahl und Tarifwahl-Bias, die abhängige Variablen darstellen. Daher kommen strukturenprüfende multivariate Verfahren zur Dependenzanalyse in Frage, aus denen eine geeignete Auswertungsmethode zu wählen ist. Die Hypothesen werden in „Modell A: Ursachen der Tarifwahl“ und in „Modell B: Ursachen von Tarifwahl-Biases“ überprüft, die jeweils nur eine abhängige Variable aufweisen. Die wichtigste statistische Methode zur Analyse dieser Wirkungszusammenhänge ist die Regressionsanalyse, die ein sehr stabiles und leistungsfähiges Verfahren ist.328 Dies hat dazu geführt, dass Regressionsvarianten für unterschiedliche Datencharakteristika entwickelt wurden, aus denen die geeignete auszuwählen ist.329 Zum funktionalen Verlauf der Beziehungen der unabhängigen und abhängigen Variablen ist nichts Näheres bekannt oder theoretisch ableitbar, so dass ein linearer Zusammenhang unterstellt wird. Außerdem wurde überprüft, ob die hierarchische Datenstruktur, die aufgrund der mehrfachen Tarifwahl einiger Entscheider vorliegt, Berücksichtigung finden sollte: 450 der 612 Entscheider treffen nur eine Tarifwahlentscheidung,330 und weitere 106 der 848 Tarifwahlentscheidungen beziehen sich auf die gesamte Teilnehmerzahl eines Unternehmens,331 so dass bei 556 von 848 Tarifwahlentscheidungen die hierarchische Struktur nicht von Bedeutung ist.332 Insgesamt wird daher kein Mehrwert in der Berücksichtigung der Hierarchie im Modell erwar-

328 329 330 331

332

Vgl. Backhaus, K. et al. (2006), S. 9. Für einen Überblick vgl. Greene, W.H. (2003). Dies sind die Probanden, die Version 1 oder 2 des Fragebogens beantwortet haben, vgl. Tab. 5-2. Dies ist jeweils eine Tarifwahlentscheidung der Probanden, die Version 3 oder 6 des Fragebogens beantwortet haben, vgl. Tab. 5-2. Für eine ausführliche Berücksichtigung hierarchischer Kundenstrukturen bei B-to-B-Kunden im Mobilfunkbereich vgl. Tecklenburg, T. (2008).

105 tet.333 Die einzusetzende Variante der Regressionsanalyse ist daher in erster Linie anhand des Skalenniveaus der abhängigen Variable zu bestimmen. Die Tarifwahl als abhängige Variable in „Modell A: Ursachen der Tarifwahl“ wird durch den ansteigenden „Flatrate-Charakter“ der Tarife auf einer Ordinalskala erhoben. Für die Analyse ordinaler Daten wurden eigene Modellfamilien entwickelt.334 Die Auswahl eines geeigneten Regressionsverfahrens für ordinale abhängige Variable ist kein triviales Problem, da nicht nur etliche Methoden zur Verfügung stehen, sondern diese je nach inhaltlicher Interpretation des Merkmals auch unterschiedlich gut geeignet sind.335 Weit verbreitete Regressionsmodelle für die Auswertung ordinaler Daten sind die so genannten ordinalen kumulativen Regressionsmodelle. Diese Modelle gehen davon aus, dass hinter dem ordinal gemessenen Merkmal eine kontinuierliche latente Variable liegt. Die Familie der kumulativen Modelle der ordinalen Regression besteht wiederum aus verschiedenen Verfahrensvarianten.336 Die beiden gebräuchlichsten Varianten sind das kumulative ordinale logistische (oder Logit-) Regressionsmodell und das kumulative ordinale Probit-Modell. Die beiden Varianten sind sehr ähnlich und führen zu annähernd identischen Ergebnissen.337 Ob das Probit- oder Logit-Modell vorzuziehen ist, ist letztlich kaum auf Basis theoretischer Überlegungen zu motivieren.338 Einige Autoren führen jedoch an, das Logit-Modell sei bei gleichmäßiger Verteilung der abhängigen Variablen besser geeignet, wohingegen das Probit-Modell bei Verteilungen, deren mittlere Werte am häufigsten auftreten, besser

333

334

335

336

337

338

So werden auch bspw. in der Regressionsanalyse von „Modell B: Tarifwahl-Biases“ ausschließlich mit den Probanden, die nur eine Tarifwahl durchgeführt haben (Version 1 und 2 des Fragebogens) inhaltlich die gleichen Ergebnisse erzielt, wie in der Analyse aller Tarifwahlentscheidungen, vgl. Anhang 14. Vgl. bspw. Janssen, J./ Laatz, W. (2007b), S. 453 ff., O'Connell, A.A. (2006), Agresti, A. (2002), Kapitel 7.2 bis 7.4., Borooah, V.K. (2002), Menard, S. (2001), S. 97 ff., Hosmer, D.W./ Lemeshow, S. (2000), S. 288 ff., Tutz, G. (2000), Kapitel 6, Fahrmeir, L./ Hamerle, A./ Tutz, G. (1996) u. Clogg, C.C./ Shihadeh, E.S. (1994). Analysemöglichkeiten für ordinale Daten bestehen aus: 1. Ignorieren der Ordnung der Daten und Analyse mit Methoden für nominale Daten (z. B. multinominale logistische Regression, Diskriminanzanalyse); 2. Analyse mit Methoden für echte ordinale Daten (z. B. kumuliertes Logit-Modell), 3. Interpretation der Ordinalskala als grobe Repräsentation einer Intervall- oder Verhältnisskala (z. B. WLS-Regression für polychorische Korrelationen), 4. Analyse als intervall- oder verhältnisskalierte Daten (z. B. OLS-Regression), vgl. Menard, S. (2001), S. 97 f. Z. B. kumulatives logistisches Modell („proportional odds-Modell“), kumulatives Probit-Modell, kumulatives Extremwertmodell oder das kumulative lineare Modell. Die Varianten unterscheiden sich je nach zugrundeliegender Verteilungsfunktion, vgl. Gerpott, T.J./ Mahmudova, I. (2006), S. 497. Zur ordinalen Logit-Regression vgl. bspw. O'Connell, A.A. (2006). Die Koeffizienten der ordinalen Logit und Probit-Regression unterscheiden sich etwa um den Faktor 1,7, sofern die unabhängige Variable keinen hohen Standardfehler aufweist, vgl. Janssen, J./ Laatz, W. (2007b), S. 462, Liao, T.F. (1994), S. 24 u. o.V. (o.J.) . Vgl. Borooah, V.K. (2002), S. 9, Long, J.S. (1997), S. 120 u. Liao, T.F. (1994), S. 24. Die Modelle beiden Modelle wurden in unterschiedlichen Disziplinen entwickelt: Das Probit-Modell in den Sozialwissenschaften (durch MCKELVEY UND ZAVOINA (1975)) und das Logit-Modell in der Biostatistik (durch MACCULLAGH (1980), vgl. MacCullagh, P. (1980)), vgl. Powers, D.A./ Xie, Y. (2000), S. 215.

106 geeignet sei.339 Die Verteilung der Variable Tarifwahl spricht daher für den Einsatz des ordinalen Probit-Regressionsmodells.340 Die abhängige Variable in „Modell B: Tarifwahl-Bias“ liegt in Form des Ausmaßes des Tarifwahl-Bias auf metrischem Niveau vor. Daher kann hier die klassische lineare Regressionsanalyse Anwendung finden. Neben den abhängigen Variablen werden je Modell vier unabhängige Variablen aufgenommen. Die unabhängigen Variablen Einschätzungs- und Fehleinschätzungseffekt werden jeweils anhand eines Indikators gemessen bzw. bestimmt und können so ohne weitere Transformation eingesetzt werden. Bei den unabhängigen Variablen Versicherungs-, Bequemlichkeits- und Taxametereffekt handelt es sich um mehrdimensionale hypothetische Konstrukte, die auch als latente Variable oder Faktoren bezeichnet werden.341 Diese drei latenten Variablen werden im Rahmen der Arbeit entsprechend dem etablierten Vorgehen mit Hilfe der konfirmatorischen Faktorenanalyse gebildet und validiert.342 Da die Regressionsanalyse nicht mit mehrdimensionalen Konstrukten umgehen kann, muss ein geeigneter Weg gefunden werden, diese in die Regression einfließen zu lassen. In der Literatur werden drei Möglichkeiten probandenspezifischer Ersatzwerte vorgeschlagen.343 Je nach Kontext ist der Indikator mit der höchsten Indikatorreliablität, der Mittelwert aller Indikatoren des Konstrukts oder der Faktorwert als Substitut besser geeignet, wobei in der vorliegenden Studie die Faktorwerte der Konstrukte verwendet werden.344 Zur Überprüfung der Hypothesen kommt der t-Test zum Einsatz. Dabei sind je nach Hypothesentyp unterschiedliche kritische Werte zu beachten. Bei Hypothesen, die den positiven Einfluss einer Variablen unterstellen, sind die kritischen Werte des einseitigen t-Tests relevant, bei den Hypothesen, die davon ausgehen, dass eine Variable keinen Einfluss hat, sind die kritischen Werte des zweiseitigen t-Tests rele-

339 340 341 342

343 344

Vgl. Janssen, J./ Laatz, W. (2007b), S. 463 u. Bühl, A. (2006), S. 398. Vgl. die Häufigkeitsverteilung in Abb. 5-10. Vgl. Backhaus, K. et al. (2006), S. 11. Vgl. Homburg, C./ Pflesser, C. (2000a), S. 415 u. Homburg, C./ Baumgartner, H. (1995b), S. 1092. Die konfirmatorische Faktorenanalyse wird teilweise auch als Spezialfall der Strukturgleichungs- oder Kausalanalyse bezeichnet, vgl. Backhaus, K. et al. (2006), S. 330. Zum Unterschied von konfirmatorischer und explorativer Faktorenanalyse vgl. bspw. Reinecke, J. (2005), S. 134 ff. Vgl. Hair, J.F. et al. (2006), S. 153 ff. Für den Einsatz eines einzelnen Indikators spricht die Einfachheit, für Mittelwerte die Vergleich- und Replizierbarkeit von Studien und für Faktorwerte der Wunsch nach Orthogonalität (d. h. Unabhängigkeit) der Werte, vgl. Hair, J.F. et al. (2006), S. 158. Die Faktorwerte und Mittelwerte für Versicherungs-, Bequemlichkeitsund Taxametereffekt sind jeweils perfekt korreliert, so dass im Ergebnis kein Unterschied besteht, vgl. Anhang 5.

107 vant.345 Damit ergeben sich unterschiedliche kritische Werte je nach Signifikanzniveau (p) und Stichprobenumfang (vgl. Tab. 5-8).346 Signifikanzniveau p

0,05 (*)

Stichprobe

1-seitig

2-seitig

1-seitig

2-seitig

1-seitig

2-seitig

500

1,648

1,965

2,334

2,586

3,310

3,922

1000

1,646

1,962

2,33

2,581

3,3

3,906

Tab. 5-8:

0,01 (**)

0,0001 (***)

Kritische Werte des einseitigen und zweiseitigen t-Tests

347

Zur Überprüfung von Hypothesen im Rahmen des ordinalen ProbitRegressionsmodells wird die Wald-Statistik bestimmt, die sich aus dem Quadrat des Quotienten aus Koeffizient und Standardfehler einer Variablen bestimmt. Die WaldStatistik ist asymptotisch Chi-Quadrat-verteilt. Bei metrischen unabhängigen Variablen ist die Zahl der Freiheitsgrade eins.348 Bei kategorialen unabhängigen Variablen ist zusätzlich die Zahl der Variablen-Freiheitsgrade zu berücksichtigen.349 Es wird die Nullhypothese getestet, dass ein Koeffizient in der Grundgesamtheit null ist und somit keinen Einfluss auf die Trennung von Gruppen hat. Für die Überprüfung der Hypothesen zu den Ursachen der Tarifwahl wird also ein ordinales Probit-Regressionsmodell aufgestellt, für die Überprüfung der Hypothesen zu den Ursachen von Tarifwahl-Biases ein lineares Regressionsmodell. Da jedoch aufgrund einer einzigen Auswertung die Stabilität und Verlässlichkeit der Ergebnisse nicht festgestellt werden kann, werden weitere Maßnahmen ergriffen, mit denen die Validität der Ergebnisse überprüft wird, die im Folgenden vorgestellt werden. 5.4.1.1.2

Ausgewählte Methoden zur Validierung der Ergebnisse des Hypothesentests

Validität stellt ein Maß für die materielle Genauigkeit und die bestmögliche Annäherung der Datenerhebung an wahre Gegebenheiten dar.350 Validität stellt gleichzeitig das anspruchsvollste Gütekriterium dar, da die Validität Objektivität und Reliabilität voraussetzt.351

345 346 347 348 349 350 351

Zum ein- und zweiseitigen t-Test vgl. Bortz, J. (2005), S. 116 ff. Die Obergrenze der akzeptablen Irrtumswahrscheinlichkeit wird als Signifikanzniveau bezeichnet. Quelle: Eigene Darstellung in Anlehnung an Backhaus, K. et al. (2006), S. 808. Vgl. Krafft, M. (1997), S. 633. Vgl. Agresti, A. (2002), S. 11, Hosmer, D.W./ Lemeshow, S. (2000), S. 38 f. u. Tutz, G. (2000), S. 96. Vgl. Cook, T.D./ Campbell, D.T. (1979), S. 37. Vgl. Voeth, M. (2000), S. 226. Zu Objektivität, Reliabilität und Validität als Gütekriterien vgl. Berekoven, L./ Eckert, W./ Ellenrieder, P. (2006), S. 87 ff.

108 In der Literatur existiert eine Vielzahl verschiedener Validitätsbegriffe. MÜLLERHAGEDORN/SEWING/TOPOROWSKI haben daher eine Systematisierung der gängigsten Validitätsarten entwickelt.352 Sie unterscheiden auf der ersten Ebene inhaltliche Validität, Konstrukt- und Kriteriumsvalidität. Inhaltliche Validität bezieht sich allgemein auf die Plausibilität, Vollständigkeit und Angemessenheit eines Erhebungsverfahrens. Konstruktvalidität liegt vor, wenn theoriebasierte Annahmen über kausale Beziehungen mit empirischen Daten verifiziert werden.353 Grundlage der Kriteriumsvalidität bildet die Existenz eines Validierungskriteriums, mit dessen Hilfe die Güte der Datenerhebung beurteilt wird.354 Im Rahmen dieser Arbeit wird in Bezug auf die Hypothesentests die Kriteriumsvalidität überprüft. Kriteriumsvalidität kann dahingehend unterschieden werden, ob prädiktive Validität oder Übereinstimmungsvalidität vorliegt, je nachdem ob das Kriterium nachgelagert oder gleichzeitig erhoben wird. Da keine weiteren Daten erhoben werden, erfolgt eine Konzentration auf die Übereinstimmungsvalidität. Übereinstimmungsvalidität kann außerdem dahingehend differenziert werden, ob Entscheidungsverhalten in realen oder hypothetischen Märkten zur Kriterienbildung herangezogen wird.355 Da keine realen Daten zum Tarifwahlverhalten und zu den Konstrukten vorliegen können, müssen interne Kriterien gebildet werden. Zum einen erfolgt daher die Validierung der Ergebnisse mit Hilfe von zwei unabhängigen Datensätzen. Dies wird als Kreuzvalidierung bezeichnet.356 Ein Datensatz dient dabei der Modellschätzung, der zweite Datensatzes als Kriterium, anhand dessen die Validität beurteilt wird.357 Stimmen die Erkenntnisse überein, so kann von Validität der Ergebnisse ausgegangen werden.358 Der zweite Datensatz kann unabhängig erhoben oder ein Datensatz bei ausreichender Größe zufällig aufgeteilt werden. Da keine zweite Erhebung zur Verfügung steht, erfolgt eine Kreuzvalidierung, indem die

352 353 354 355 356

357 358

Vgl. Müller-Hagedorn, L./ Sewing, E./ Toporowski, W. (1993), S. 126 f. Zu dieser Kategorisierung der Validität vgl. auch Brzoska, L. (2003), S. 46 ff. Vgl. Brzoska, L. (2003), S. 48 f. Zur kriterienbezogenen Validität vgl. ausführlich Lienert, G.A./ Raatz, U. (1998), S. 220 ff. u. Carmines, E.G./ Zeller, R.A. (1979), S. 17 ff. Dies wird als interne oder externe Validität bezeichnet, vgl. Brzoska, L. (2003), S. 50. Die Methode der Kreuzvalidierung wurde im Kontext der multiplen Regression entwickelt um sicherzustellen, dass Regressionsgleichungen, die für eine Stichprobe entwickelt wurden, auch in anderen Stichproben der selben Grundgesamtheit Gültigkeit besitzen, vgl. Mosier, C.I. (1951). Vgl. Brzoska, L. (2003), S. 49 f. Zur Überprüfung der Übereinstimmung von Ergebnissen wurden Indizes entwickelt. Für Indizes, die bei der Kreuzvalidierung von Kausalanalysen zur Modellselektion eingesetzt werden vgl. Whittaker, T.A./ Stapleton, L.M. (2006), S. 296 ff. Im Rahmen von Kausalanalysen kann eine Kreuzvalidierung auch durch ein Mehrgruppenkausalmodell durchgeführt werden, bei denen Unterschiede zwischen den Gruppen inferenzstatistisch getestet werden können. Von (Kreuz-)Validität kann ausgegangen werden, wenn die Modelle invariant sind, vgl. Byrne, B.M. (2001), S. 247 ff. Für einen Überblick verschiedener Kreuzvalidierungsverfahren in Kausalanalysen vgl. MacCallum, R.C. et al. (1994).

109 zur Verfügung stehende Stichprobe zufällig in zwei Datensätze aufgeteilt wird. Dabei wird ein größerer Prozentsatz der Stichprobe als Haupt-, ein kleinerer als Validierungsstichprobe eingesetzt.359 Im Rahmen dieser Arbeit erfolgt eine Zufallsauswahl von etwa 70 % der Fälle für die Haupt-, etwa 30 % der Fälle für die Validierungsstichprobe. Die Ziehung der Zufallsstichproben erfolgt mit dem Softwarepaket SPSS. Zum anderen erfolgt eine zweite Auswertung im Rahmen einer Kausalanalyse als alternativem Auswertungsverfahren. Diese Art der Validierung wird als „Innere Validität“ bezeichnet.360 Dabei wird überprüft, inwiefern die Ergebnisse des Hauptverfahrens mit den Ergebnissen des alternativen Verfahrens übereinstimmen. Wird eine hohe Übereinstimmung erzielt, kann von Validität ausgegangen werden. Die Verfahrensgruppe der Kausalanalyse hat sich in der Marketingwissenschaft als „QuasiStandard“ bei der Analyse von Beziehungen mit latenten Variablen durchgesetzt.361 Kausalanalysen stellen eine Kombination von konfirmatorischer Faktorenanalyse und Pfadanalyse dar und ermöglichen die gleichzeitige Validierung von Messmodellen und Hypothesentests über vermutete Wirkungsstrukturen.362 Allerdings wird zunehmend kritisiert, dass die Kausalanalyse häufig zum Einsatz kommt, obwohl die Daten mit einfacheren statistischen Verfahren ausgewertet werden könnten.363 In der vorliegenden Arbeit liegt der Mehrwert der Kausalanalyse darin, dass zusätzliche Varia-

359 360

361

362

363

Eine Kreuzvalidierung durch zufällige Aufteilung des Datensatzes in Haupt- und Validierungsstichprobe wird bspw. von VÖLCKNER durchgeführt, vgl. Völckner, F. (2004), S. 9 u. Völckner, F. (2003), S. 170 f. u. S. 225 f. Vgl. Müller-Hagedorn, L./ Sewing, E./ Toporowski, W. (1993), S. 127. Eine Validierung mit einem alternativen Auswertungsverfahren wird bspw. von METZLER durchgeführt, der die Ergebnisse eines varianzbasierten Kausalmodells mit der Regressionsanalyse validiert, vgl. Metzler, P. (2006), S. 143 ff. Ein anderes Beispiel findet sich bei Anderson, die die Ergebnisse einer logistischen Regression mit den Ergebnissen einer Diskriminanzanalyse validiert, vgl. Anderson, E. (1985), S. 249. Vgl. Hildebrandt, L./ Temme, D. (2005), S. 49, Homburg, C./ Giering, A. (1996), S. 9 u. Homburg, C./ Baumgartner, H. (1995b), S. 1096. Vgl. Hildebrandt, L./ Temme, D. (2005), S. 49, Homburg, C./ Baumgartner, H. (1995b), S. 1092. u. Bagozzi, R.P./ Fornell, C. (1982), S. 38. Diese Verfahren erheben den Anspruch, „strengere Tests formalisierter Theorien zu ermöglichen als die üblichen Verfahren der bi- und multivariaten Statistik zum Test von Beziehungen“, vgl. Homburg, C./ Hildebrandt, L. (1998), S. 17. Vgl. Diller, H. (2006), S. 611 ff., Diller, H. (2004), S. 177 u. Hildebrandt, L./ Temme, D. (2005), S. 49. ALBERS/HILDEBRANDT empfehlen den Einsatz der Regressionsanalyse anstatt der Kausalanalyse bei der ausschließlichen Verwendung formativer Indikatoren, sofern die zu betrachtenden Beziehungen nicht über mehrere Pfade gehen, insbesondere aus dem Grund, dass in der Regressionsanalyse Nichtlinearitäten und Heterogenität abgebildet werden können, vgl. Albers, S./ Hildebrandt, L. (2006), S. 28 f. Für einen Überblick zu Situationen, in denen die Regressionsanalyse auch bei der Verwendung latenter Konstrukte zu empfehlen ist vgl. Gefen, D./ Straub, D.W./ Boudreau, M.-C. (2000), S. 37 f. u. S. 42. Ein Beispiel, in dem eine Regressionsanalyse trotz der Verwendung latenter Konstrukte durchgeführt wird, findet sich bei Reinartz, W./ Krafft, M./ Hoyer, W.D. (2004), S. 299.

110 bilität in den Messmodellen der latenten Konstrukte abgebildet werden kann und nicht durch den Einsatz von Ersatzvariablen „verschluckt“ wird.364 Insgesamt kann das Ausmaß der Validität beispielsweise über die Korrelation der in verschiedenen Stichproben erzielten Werte für die Koeffizienten (Kreuzvalidierung) oder der mit verschiedenen Methoden erzielten Werte (innere Validität) bestimmt werden.365 Anhand dieser Korrelationen können auch Validitätskoeffizienten berechnet werden. Da allerdings im Rahmen der vorliegenden Arbeit nicht der genaue Wert im Blickpunkt steht, sondern vielmehr der generelle Einfluss einer Variablen, wird hierauf verzichtet und lediglich ein deskriptiver Vergleich angestellt.366 Die im Rahmen dieser Arbeit durchgeführten Auswertungsschritte für Hypothesentests und Validitätsprüfungen sind überblicksartig in Abb. 5-12 dargestellt.

Hypothesentest

Validierung

Abb. 5-12:

Modell A: Ursachen der Tarifwahl

Modell B: Ursachen von Tarifwahl-Biases

Ordinales ProbitRegressionsmodell

Lineares Regressionsmodell

Kreuzvalidität: Teilung Datensatz

Innere Validität: Kausalanalyse

Kreuzvalidität: Teilung Datensatz

Innere Validität: Kausalanalyse

Auswertungsschritte bei der Hypothesenprüfung und Validierung367

Bei der Bestimmung der inneren Validität mit Hilfe der Kausalanalyse ist auch hier die geeignete Verfahrensvariante zu wählen. Zur Schätzung von Kausalmodellen stehen zwei Verfahrensgruppen zur Verfügung: die varianzerklärende368 und die kovarianzerklärende Strukturgleichungsanalyse.369 Die Kovarianzstrukturanalyse stellt

364

365 366

367 368

369

Andererseits erfolgt bei der Kausalanalyse ein Streuungsverlust durch die Aggregation der individuellen Werte in die aggregierte Kovarianzmatrix, die die Basis für die Schätzungen darstellt. Die Regressionsanalyse hingegen geht von individuellen Werten aus. Vgl. Lienert, G.A./ Raatz, U. (1998), S. 222 f. u. Carmines, E.G./ Zeller, R.A. (1979), S. 17 ff. Zudem werden auch nur Werte für wenige Koeffizienten berechnet, so dass Korrelationen nur eine geringe Aussagekraft aufweisen. Eine Möglichkeit, eine Vielzahl an Werten bzw. Koeffizienten zu erzeugen, stellt das Bootstrapping dar, bei dem zufällig eine beliebige Anzahl von Stichproben gezogen wird, für die das Modell geschätzt wird. Bootstrapping wird allerdings im Rahmen der Validierung an dieser Stelle nicht durchgeführt. Quelle: Eigene Darstellung. Varianzerklärende Strukturgleichungsanalyse wird auch als PLS-Ansatz bezeichnet und geht auf WOLD zurück, vgl. Wold, H. (1974). Als Software für PLS stehen z. B. PLS-Graph, SmartPLS, PLS-GUI und SPADPLS zur Verfügung, vgl. Homburg, C./ Klarmann, M. (2006), S. 735. Kovarianzerklärende Kausalanalyse wird teilweise auch als LISREL-Ansatz bezeichnet, vgl. Homburg, C./ Klarmann, M. (2006), S. 728. Als Software stehen z. B. LISREL, EQS, AMOS und Mplus zur Verfügung, vgl. Kline, R.B. (2005), S. 77 ff.

111 darauf ab, dass die modelltheoretische Kovarianzmatrix die empirische Kovarianzmatrix möglichst gut reproduziert.370 Die varianzerklärende Kausalanalyse zielt auf eine möglichst gute Nachbildung der tatsächlichen Datenstruktur.371 Die Verfahrensgruppen sind je nach Anwendungskontext verschieden gut geeignet, was anhand kritischer Merkmale überprüft werden kann.372 Im vorliegenden Fall ist die Stichprobengröße hinreichend groß, der Umfang des Modells ist eher klein, das Ziel der Analyse liegt nicht in der Prognose der abhängigen Variablen, und es finden ausschließlich reflektive Konstrukte Anwendung, da die drei Konstrukte reflektiv gemessen werden. Damit liegen keine Gründe vor, die gegen eine Anwendung der kovarianzerklärenden Kausalanalyse sprechen könnten. Bei der Überprüfung der inneren Validität wird daher die Kovarianzstrukturanalyse eingesetzt, der allgemein ein deutlich höheres Leistungspotenzial zugesprochen wird.373 Auch bei kovarianzbasierten Kausalanalysen ist die geeignete Verfahrensvariante auf Basis des Skalenniveaus der abhängigen Variablen zu bestimmen. Bei der metrischen abhängigen Variablen in „Modell B: Ursachen von Tarifwahl-Biases“ kommt die „traditionelle“ Kausalanalyse auf Basis der Maximum Likelihood-Schätzung zum Einsatz. Entsprechend dem Skalenniveau der Tarifwahl findet in Modell A eine Variante für ordinale Daten Anwendung. Dabei hat sich eine Variante durchgesetzt, bei der die Strukturkoeffizienten ordinalen Probit-Regressionskoeffizienten entsprechen.374 Dies spricht zusätzlich für die Verwendung der ordinalen Probit-Regression in der Hypothesenprüfung, da so ein unmittelbarer Vergleich der Ergebnisse aus Regressions- und Kausalmodell möglich ist. Die in der Arbeit eingesetzten regressions- und kausalanalytischen Verfahren werden in den folgenden Kapiteln 5.4.1.2 und 5.4.1.3 beschrieben, wobei die zur Konstruktvalidierung eingesetzte konfirmatorische Faktorenanalyse als Spezialfall der Kausalanalyse behandelt wird.

370 371 372

373 374

Vgl. Backhaus, K. et al. (2006), S. 340 ff. Vgl. Herrmann, A./ Huber, F./ Kressmann, F. (2006), S. 37, Tenenhaus, M. et al. (2005), S. 166 u. Wold, H. (1974). Vgl. Wold, H. (1982), S. 342. Für eine Übersicht zu kritischen Merkmalen sowie einen ausführlichen Vergleich der Eignung der Verfahren als Entscheidungshilfe vgl. Sabel, T. (2007), S. 149, Herrmann, A./ Huber, F./ Kressmann, F. (2006), S. 44, Homburg, C./ Klarmann, M. (2006), S. 735, Scholderer, J./ Balderjahn, I. (2006), S. 54 ff., Ringle, C.M. (2004), Gefen, D./ Straub, D.W./ Boudreau, M.-C. (2000), S. 36 ff. u. Chin, W.W./ Newsted, P.R. (1999), S. 314. Vgl. Homburg, C./ Klarmann, M. (2006), S. 734 u. Scholderer, J./ Balderjahn, I. (2006) S. 67. Vgl. Muthén, B.O./ du Toit, S.H.C./ Spisic, D. (im Druck), Xie, Y. (1989), S. 330 ff. u. Muthén, B.O. (1983).

112 5.4.1.2

Regressionsanalyse

5.4.1.2.1

Lineare Regression

Die Regressionsanalyse ist eines der wichtigsten statistischen Analyseinstrumente und wird in fast jedem Lehrbuch zur Marktforschung erläutert.375 Daher erfolgt lediglich die Darstellung ausgewählter, in der Arbeit relevanter Aspekte. Wesentliche Voraussetzung für die Anwendung der linearen Regression ist das metrische Datenniveau der abhängigen Variablen. Ist dies erfüllt, wird eine multiple lineare Regressionsfunktion gemäß Formel (10) spezifiziert.376 (10)

yi

b0  ¦ bk ˜ xi ,k  ei

(i  I ),

kK

mit

yi b0 bk xi , k ei I K

= Wert der i-ten Beobachtung für die abhängige Variable, = Konstante der Regressionsfunktion = Regressionkoeffizient = Wert der i-ten Beobachtung für die k-te unabhängige Variable, = Residualgröße der i-ten Beobachtung, = Indexmenge der Beobachtungen, = Indexmenge der unabhängigen Variablen.

Im Modell werden die Konstante b0 und die Regressionskoeffizienten bk mit der Methode der kleinsten Quadrate (OLS-Schätzung) geschätzt. Bei der Interpretation der Ergebnisse wird im Rahmen dieser Arbeit die Konstante nicht berücksichtigt. Der Einfluss einzelner unabhängiger Variablen wird anhand von Vorzeichen und Signifikanz der Regressionskoeffizienten überprüft.377 Das Ausmaß des Einflusses der unabhängigen Variablen kann nach einer Standardisierung der Koeffizienten im Vergleich beurteilt werden. Das Gewicht der Erkenntnisse hängt maßgeblich von der Güte des Regressionsmodells ab, wobei zum einen die Güte des Gesamtmodells überprüft wird, zum anderen die Erfüllung relevanter Prämissen.

375

376 377

Für eine umfangreiche Gesamtübersicht zur Regressionsanalyse vgl. bspw. Backhaus, K. et al. (2006), S. 46 ff., Hair, J.F. et al. (2006), S. 169 ff., Aaker, D.A./ Kumar, V./ Day, G.S. (2003), S. 509 ff., Greene, W.H. (2003), Skiera, B./ Albers, S. (2000), S. 205 ff. u. Draper, N.R./ Smith, H. (1998). Vgl. Skiera, B./ Albers, S. (2000), S. 207. Zur Signifikanzprüfung stehen t-Werte zur Verfügung. Signifikanzniveau p des t-Werts ” 0,05.

113 Bei der Prüfung des Gesamtmodells wird kontrolliert, ob und wie gut die abhängige Variable durch alle unabhängigen Variablen gemeinsam erklärt wird. Globale Gütekriterien sind das Bestimmtheitsmaß R² und die F-Statistik.378 Die Überprüfung der Verletzung von Annahmen des Regressionsmodells zeigt im Vorfeld, dass Linearität der Parameter und Vollständigkeit des Modells aufgrund der theoretischen Überlegungen bei der Analyse der Ursachen von Tarifwahl und Tarifwahl-Bias unterstellt werden können.379 Autokorrelation stellt hauptsächlich bei Zeitreihenanalysen ein Problem dar und wird daher nicht überprüft. Damit bleiben drei zu prüfende Prämissenverletzungen: Die Verletzung der Prämisse der Normalverteilung der Residuen kann bei kleinen Stichproben zu Ungültigkeit der Signifikanztests führen.380 Wenn die Streuung der Residuen in einer Reihe von Werten der prognostizierten abhängigen Variablen nicht konstant ist, liegt Heteroskedastizität vor. Die Residualgröße darf daher nicht von den unabhängigen Variablen und von der Reihenfolge der Beobachtungen abhängig sein. Durch Heteroskedastizität liegt möglicherweise eine ineffiziente Schätzung vor. Heteroskedastizität kann anhand einer visuellen Gegenüberstellung der Residualgrößen mit der abhängigen oder einer der unabhängigen Variablen festgestellt werden, wo kein spezifisches Muster auftreten sollte.381 Ein statistischer Test zur Aufdeckung von Heteroskedastizität ist der Goldfeld/Quandt-Test, bei dem die Stichprobenvarianzen der Residuen zweier Untergruppen der Stichprobe verglichen werden. Liegt perfekte Homoskedastizität vor, müsste das Verhältnis den Wert 1 annehmen. Bei normalverteilten Residuen folgt das Verhältnis der Varianzen der Teilstichproben der F-Verteilung und kann daher als Teststatistik verwendet werden.382 Multikollinearität liegt vor, wenn die unabhängigen Variablen untereinander linear abhängig sind, und führt zu unzuverlässigen Parameterschätzern. Hohe absolute Korrelationen zwischen den unabhängigen Variablen deuten auf Multikollinearitätsprobleme hin. Außerdem wird der Variance Inflation Factor (VIF) zur Diagnose eingesetzt.383 Zur regressionsanalytischen Auswer-

378

379 380 381 382

383

Bestimmtheitsmaß R²: Anteil der erklärten Streuung an der Gesamtstreuung. Je mehr sich R² dem Wert 1 annährt, desto besser. F-Statistik: Test für die Gültigkeit des Modells für die Grundgesamtheit. Signifikanzniveau p des F-Werts ” 0,05. Zu den Prämissen vgl. Backhaus, K. et al. (2006), S. 93. Dies ist der Fall bei Stichproben mit weniger als 40 Beobachtungen, vgl. Backhaus, K. et al. (2006), S. 93. Vgl. Skiera, B./ Albers, S. (2000), S. 229. Vgl. Backhaus, K. et al. (2006), S. 86. Der empirische F-Wert muss bei gegebenem Signifikanzniveau und Freiheitsgraden kleiner oder gleich dem theoretischen F-Wert sein, damit von Homoskedastizität ausgegangen werden kann. Der VIF soll einen Wert nahe 1 annehmen, vgl. Skiera, B./ Albers, S. (2000), S. 222. Als Grenzwert werden Werte von bis zu 20 angegeben, vgl. Greene, W.H. (2003), S. 58.

114 tung der Daten wird im Rahmen der Arbeit das Softwarepaket SPSS verwendet.384 Die Schritte zur Überprüfung der Güte des Regressionsmodells und der Ergebnisse sowie die jeweiligen Kriterien und Anforderungen sind in Tab. 5-9 zusammenfassend dargestellt. Prüfung des Gesamtmodells F-Statistik

Signifikanz ” 0,05

R²

Möglichst groß

Prämissenprüfung Prämisse

Kriterium

Normalverteilung der Residuen

Anzahl der Beobachtungen

Anzahl > 40

Visuell: Residuenplot

Kein typisches Muster

Homoskedastizität der Residuen Keine Multikollinearität zwischen den unabhängigen Variablen

Anforderung

Goldfeld/Quandt-Test

Signifikanz ” 0,05

Korrelationen

Niedrige Werte

VIF

Nahe 1, < 20

Prüfung der Koeffizienten Vorzeichen

Richtung entsprechend Hypothese

t-Wert

Signifikanz ” 0,05

Standardisierter Koeffizient

Tab. 5-9:

5.4.1.2.2

Vergleich des Einflusses

Prüfschritte im linearen Regressionsmodell385

Ordinale Probit-Regression

Die abhängige Variable in „Modell A: Tarifwahl“ kann, wie in 5.3.1 gezeigt, lediglich auf ordinalem Datenniveau gemessen werden. Damit wird die Grundvoraussetzung für die Anwendung der linearen Regression verletzt, und es muss ein alternatives Regressionsmodell für ordinal gemessene Daten Anwendung finden. Bei der Regression für ordinale abhängige Variablen wird auf Wahrscheinlichkeitsverteilungen zurückgegriffen. Die Häufigkeit des Auftretens einer Kategorie wird als Wahrscheinlichkeit und damit als Zufallsvariable interpretiert. Im Rahmen dieser Arbeit wird das kumulative Probit-Regressionsmodell eingesetzt. Die Tarifwahl wird in Kategorien erfasst, die sich aufgrund des „Flatrate-Charakters“ der Tarife in eine Reihenfolge bringen lassen. Der „Flatrate-Charakter“ ist jedoch ein an sich kontinuierliches Merkmal. Auf die gleiche Weise kann auch das Modell der ordinalen Probit-Regression aus einer latenten, nicht-beobachtbaren Variable y *

384

385

Zur linearen Regression mit SPSS vgl. Janssen, J./ Laatz, W. (2007b), S. 415 ff., Backhaus, K. et al. (2006), S. 45 ff., Brosius, F. (2006), S. 537 ff. u. Bühl, A. (2006), S. 353 ff. Zum Einsatz kam SPSS in der Version 14. Aktuelle Abkürzung SPSS: Statistical Product and Service Solutions, vgl. o.V. (2007c). Quelle: Eigene Darstellung.

115 entwickelt werden.386 Dieses Modell wird auch als Schwellenwertmodell bezeichnet.387 In diesem Modell ist die latente Variable y * metrisch und linear von den Einflussvariablen x abhängig. Durch Schwellenwerte W wird die nicht-beobachtbare Variable y * in die beobachtete ordinale Variable y überführt.388 Die beobachtbare Variable y wird anhand der geordneten Kategorien j gemessen. Diese Betrachtungsweise stellt die lineare Beziehung von y * und x anstelle der nichtlinearen Beziehung von y und x in den Mittelpunkt. Für die Schwellenwerte W gilt Formel (11): (11)

 f W 0  W 1  ...  W j

f ( j  J ),

mit

W

= Schwellenwert,

J

= Indexmenge der ordinalen Kategorien.

Für die beobachtete Variable y gilt, dass diese einer Kategorie j zugeordnet ist, wenn die latente Variable in das j -te Intervall fällt (vgl. Formel (12)): (12)

y

j , wenn W j 1  y* d W j

zusätzlich mit

y y*

= beobachtete ordinale abhängige Variable, = latente kontinuierliche abhängige Variable.

Der Erwartungswert der latenten Variablen y * wird wie im multiplen Regressionsmodell als eine lineare gewichtete Kombination der unabhängigen Prädiktoren bestimmt. Dementsprechend erfassen die so genannten Lageparameter S (S 1 ,...S k )' die Gewichte des Vektors der unabhängigen Variablen x ( x1 ,..., x k )' bei der Vorhersage der abhängigen Variablen. Zusätzlich wird angenommen, dass sich eine Residualgröße mit Erwartungswert null und einer definierten Verteilungsfunktion auf y auswirkt. Damit gilt für die lineare Beziehung von y * zu den unabhängigen Variablen x der in Formel (13) dargestellte Zusammenhang. (13) 386

387

388

y i*

(S 1 x1,1  ...  S k xi ,k )  H

x' S  H

(i  I ), (k  K )

Vgl. zu dieser Motivation der ordinalen Probit-Regression und den formalen Ausführungen im Folgenden Janssen, J./ Laatz, W. (2007a), Janssen, J./ Laatz, W. (2007b), S. 480, Gerpott, T.J./ Mahmudova, I. (2006), S. 496, Hüppelshäuser, M. (2005), S. 150 ff., Muthén, B.O. (1998-2004), S. 2 ff., Agresti, A. (2002), S. 277 ff. u. S. 283, Borooah, V.K. (2002), S. 7 ff., Powers, D.A./ Xie, Y. (2000), S. 214 ff., Tutz, G. (2000), S. 209 ff., Long, J.S. (1997), S. 114 ff. u. Fahrmeir, L./ Hamerle, A./ Tutz, G. (1996), S. 271 ff. Vgl. Gerpott, T.J./ Mahmudova, I. (2006), S. 496. Im Gegensatz zum Schwellenwertmodell geht das sequenzielle Modell davon aus, dass die Kategorien einer abhängigen Variablen nur sukzessiv erreichbar sind. Dieses Modell ist jedoch in marktgängigen Statistikprogrammen nicht implementiert. GREENE bezeichnet Modelle auf Basis dieser Motivation als index function models, vgl. Greene, W.H. (2003), S. 668. Schwellenwerte werden auf Englisch als „cut points“ oder „thresholds“ bezeichnet.

116 mit

Sk

= Lageparameter für die k-te unabhängige Variable,

xi , k H

= Wert der i-ten Beobachtung für die k-te unabhängige Variable, = Residualgröße.

K

= Indexmenge der unabhängigen Variablen,

I

= Indexmenge der Beobachtungen,

Die Lageparameter S k entsprechen den Regressionskoeffizienten in der linearen Regression und sind unabhängig von j . Die Residualgröße H ist unkorreliert mit den unabhängigen Variablen. Bei einer ordinalen Probit-Regression wird unterstellt, dass die Resiudalgröße standardnormalverteilt ist und daher H ~ N (0;1) gilt.389 Für die bedingte Wahrscheinlichkeit, dass die beobachtete Variable y in die Kategorie j oder in eine niedrigere Kategorie fällt, gilt damit das ordinale ProbitRegressionsmodell in Formel (14). (14)

P (Y d j | x)

P(Y * d W j | x)

) (W j  x' S )

mit

) P

= Verteilungsfunktion zu

N (0;1)

= Wahrscheinlichkeitsmaß

Die sogenannte Linkfunktion ist die Inverse der Verteilungsfunktion und überführt diese Beziehung in eine lineare Gleichung. Für den ordinalen Probit-Link gilt Formel (15): (15)

) 1 [ P (Y d j | x)] W j  x' S

Die Einbindung des Lageparameters S in die Gleichung erfolgt durch Subtraktion. Ein Anstieg einer Einflussvariable x führt demgemäß zu einer kleineren kumulierten Wahrscheinlichkeit P (Y d j | x) für jede Kategorie j der Variable y . Kleine kumulierte Häufigkeiten einer Verteilung bedeuten eine Verschiebung der nicht kumulierten Häufigkeitsverteilung in Richtung größerer y -Werte. Ein geschätzter positiver S Koeffizient führt also zu einem höheren y -Wert. Hat hingegen der geschätzte S Koeffizient ein negatives Vorzeichen, so werden die kumulierten Wahrscheinlichkeiten größer und der y -Wert geringer. Mit dieser Parametrisierung hat das Vorzeichen des geschätzten Lageparemeter S die gewohnte Bedeutung.390

389

390

Hierin liegt der Unterschied zum ordinalen kumulativen Logit-Modell: im Logit-Modell wird unterstellt, der Fehlerterm sei logistisch verteilt, vgl. Borooah, V.K. (2002), S. 9. Vgl. Janssen, J./ Laatz, W. (2007a), S. 6 f. U. Janssen, J./ Laatz, W. (2007b), S. 458 f. u. Agresti, A. (2002), S. 279 u. S. 283. An diesem Punkt ist Vorsicht geboten, da einzelne Softwarepakte (z.B. SAS) die

117 Im Modell zu schätzen ist der Schwellenparameter W und der Lageparameter S . Die gebräuchlichsten Verfahren zur Parameterschätzung sind die Maximum Likelihood (ML)-Schätzung und die Weighted Least Squares (WLS)-Schätzung. Die Schwellenparameter W sind Konstanten und für jede Kategorie j außer der letzten definiert. Für die Interpretation der Modellergebnisse sind sie von untergeordneter Bedeutung. Die Lageparameter S sind unabhängig von den Schwellenparametern. Als Ergebnis der Schätzung erhält man also j  1 parallel verlaufende Funktionen. Die Interpretation von Probit-Regressionskoeffizienten ist weniger intuitiv, da der Einfluss nicht linear ist.391 Die Interpretation der Lageparameter geschieht zunächst anhand von Vorzeichen und Signifikanz.392 Eine Standardisierung der Lageparameter kann auf Basis der Streuung der unabhängigen Variablen und der latenten abhängigen Variablen geschehen.393 Anhand der standardisierten Koeffizienten kann die relative Stärke der einzelnen Effekte beurteilt werden.394 Die Qualität der Ergebnisse hängt wie auch bei der linearen Regression von der globalen Modellgüte und der Erfüllung von Prämissen für die ordinale Probit-Regression ab. Das Vorgehen entspricht weitgehend dem Vorgehen bei der logistischen Regression im binären Fall, da die Diagnosestatistiken und Gütetests noch nicht für den ordinalen Fall weiterentwickelt wurden.395 Auf eine ausführliche Herleitung der Gütemaße und die Ableitung von Schwellenwerten wird daher mit dem Hinweis auf die einschlägige Literatur für den binären Fall verzichtet.396 Zur Beurteilung der globalen Modellgüte sind zunächst die Kriterien auf Basis der Likelihood zu nennen. Die Likelihood spiegelt die Wahrscheinlichkeit wider, unter den

391

392

393

394

395

396

umgekehrte Parametrisierung zugrunde legen. Auch Tutz, G. (2000), S. 219 folgt der umgekehrten Parametrisierung. Zudem stellen Gerpott, T.J./ Mahmudova, I. (2006), S. 496 den Sachverhalt verdreht dar. Im Folgenden wird der Darstellung aus dem etablierten Werk von AGRESTI gefolgt. Die Interpretation von Logit-Koeffizienten ist zwar ebenfalls schwierig, jedoch einfacher als für ProbitKoeffizienten, da Log Odds zur Verfügung stehen, vgl. Pampel, F.C. (2000), S. 19 u. S. 61. Dies ist einer der Gründe, weshalb auch im ordinalen Fall häufig die Logit-Regression vorgezogen wird, obwohl aus theoretischer Sicht beide Modelle gleich geeignet sind, vgl. Borooah, V.K. (2002), S. 9. Vgl. Pampel, F.C. (2000), S. 60. Die Koeffizienten in der ML-Schätzung werden anhand der WaldTeststatistik überprüft, die der WLS-Schätzung anhand der t-Statistik.

S s tan dardisiert

Su

STAB ( x) ; STAB ( y*) STAB ( y*)

S ²V ( x)  1 , mit STAB = Standardabweichung und V=

Varianz, vgl. Muthén, B.O. (1998-2004), S. 3 u. Pampel, F.C. (2000), S. 61. Weitere Möglichkeiten der Parameterinterpretationen bestehen in der Interpretation marginaler Effekte oder der Effekte auf vorhergesagte Wahrscheinlichkeiten, vgl. Pampel, F.C. (2000), S. 62 ff. u. Liao, T.F. (1994), S. 41 ff. Vgl. O'Connell, A.A. (2006), S. 17 ff u. S. 87 f., Borooah, V.K. (2002), S. 19 ff. u. Hosmer, D.W./ Lemeshow, S. (2000), S. 305. Zu den Gütekriterien vgl. bspw. Backhaus, K. et al. (2006), S. 445 ff., Krafft, M. (1997), S. 629 ff. u. Fahrmeir, L./ Hamerle, A./ Tutz, G. (1996), S. 279 ff. Zur Diagnose von Prämissenverletzungen vgl. ausführlich Menard, S. (2001), S. 67 ff. u. Hosmer, D.W./ Lemeshow, S. (2000), S. 167 ff.

118 gegebenen Parameterschätzungen die empirisch erhobenen Beobachtungswerte zu erhalten. Die Ȥ²-Statistik nach Pearson prüft, ob sich die beobachteten Zellenhäufigkeiten signifikant von den aufgrund des Modells berechneten Häufigkeiten unterscheiden. Weitere Prüfgröße ist die Devianz (doppelte negative logarithmierte Likelihood), die asymptotisch Chi-Quadrat-verteilt ist und bei einer perfekten Modellanpassung den Wert 0 aufweist.397 Voraussetzung für die Verwendbarkeit dieser beiden Gütekriterien ist jedoch, dass die Zahl der Kovariatenmuster deutlich geringer ist als die Zahl der Beobachtungen, d. h. es wird gefordert, dass mehrere Befragte das gleiche Antwortmuster aufweisen. Ein Antwortmuster wird als Zelle bezeichnet, und wenn eine Zelle nicht besetzt ist, wird dies als Nullhäufigkeit bezeichnet. Die Anforderung heißt demnach, dass wenige Zellen mit Nullhäufigkeiten auftreten sollen.398 Eine Teststatistik, die auch beim Auftreten vieler Zellen mit Nullhäufigkeiten eingesetzt werden kann, ist die Likelihood-Ratio-Teststatistik. Dieser Test vergleicht die Devianz des Nullmodells mit der des vollständigen Modells.399 Ist dieser Test signifikant, so ist von einem grundsätzlichen Einfluss der unabhängigen Variablen auszugehen. Außerdem kann das Modell auf Basis der Klassifikationsergebnisse beurteilt werden. Dabei wird die durch die Probit-Regression prognostizierte Zuordnung einer Beobachtung in eine Kategorie mit der zufälligen Zuordnung verglichen. Der Prozentsatz der durch das Modell erzielten korrekten Klassifikationen („Hit Ratio“, HR) soll dabei besser sein als die proportionale Zufallswahrscheinlichkeit (PZW), die Maßzahl für die zufällige korrekte Klassifikation ist.400 Die PZW im ordinalen Fall berechnet sich gemäß Formel (16):401 (16)

PZW

J

§ nj ·

j 1

©

2

¦ ¨¨ n ¸¸ ¹

Mit:

397 398 399

400

401

J

= Indexmenge der ordinalen Kategorien.

n

= Fallzahl

Vgl. Krafft, M. (1997), S. 630. Vgl. Backhaus, K. et al. (2006), S. 472. Zur Überprüfung werden die Kovariatenmuster und die abhängigen Variablenstufen gegenübergestellt. Im Nullmodell wird ausschließlich der konstante Term berücksichtigt, im vollständigen Modell werden alle erklärenden Variablen berücksichtigt. Für die Formel der proportionalen Zufallswahrscheinlichkeit im ordinalen Fall vgl. Backhaus, K. et al. (2006), S. 478. Für weitere Gütemaße auf Basis der Klassifikationsstatistik vgl. O'Connell, A.A. (2006), S. 22 ff. Vgl. Backhaus, K. et al. (2006), S. 478.

119 Weitere Kriterien zur Güteprüfung sind die Pseudo-R²-Statistiken Mc-Faddens-R², Cox und Snell-R² und Nagelkerke-R². Diese Statistiken greifen ebenfalls auf die Likelihood des Nullmodells und des vollständigen Modells zurück und quantifizieren die durch das Probit-Regressionsmodell erklärte Streuung der abhängigen Variablen. Erfolgt die Schätzung mit einem WLS-Schätzer, so wird keine Likelihood bestimmt, und die Mehrzahl der bislang angeführten Gütekriterien kann nicht verwendet werden. Jedoch kann ein R²-Wert berechnet werden, der ausdrückt, wieviel der Streuung der latenten Variable y * durch das Modell erklärt wird.402 Die Güte des ordinalen Probit-Modells hängt wie auch im linearen Fall davon ab, dass die Prämissen des Modells nicht verletzt werden.403 Zur Diagnose von Prämissenverletzungen in Logit- oder Probit-Regressionsmodellen merkt MENARD an, „using [..] regression diagnostics is more art than science.“ 404 Daher sei viel Erfahrung im Umgang mit der ordinalen Probit-Regression erforderlich. Im Rahmen dieser Arbeit werden einige ausgewählte Diagnosen durchgeführt, die von MENARD im Rahmen der Basis-Diagnose genannt werden.405 Wie auch bei der linearen Regression muss das Modell korrekt spezifiziert sein. In der vorliegenden Untersuchung wird hiervon aufgrund der theoretischen Überlegungen ausgegangen. Die unabhängigen Variablen dürfen außerdem nicht zu stark korreliert sein. Multikollinearität kann über den Umweg der linearen Regression bestimmt werden, in der der VIF bestimmt wird.406 Außerdem muss überprüft werden, ob so genannte numerische Probleme auftreten, d. h. dass bei der Gegenüberstellung der Kategorien der abhängigen Variablen und den im Datensatz vorhandenen Kovariatenmuster viele leere Zellen (also Zellen mit Nullhäufigkeiten) auftreten. Liegen viele Zellen mit Nullhäufigkeiten vor, so führt das zu hohen Standardfehlern und damit zu Unsicherheit in Bezug auf die genauen Werte der geschätzten Koeffizienten. Außerdem sind die Pearson’sche Ȥ²-Statistik und die Devianz nicht als Gütekriterien verwendbar.407 Lösungsmöglichkeiten bestehen in der Durchführung einer linearen Regression oder in der Bildung von Kategorien für die metrischen unabhängigen Variablen.408 Auf beides wird jedoch im Rahmen der

402

403

404 405 406 407 408

R²

S ²V ( x) , vgl. Muthén, B.O. (1998-2004), S. 3. S ²V ( x)  1

Die Prämissen sind annähernd identisch zu denen der ordinalen Logit-Regression. Für einen Überblick über die Diagnose von Prämissenverletzungen und mögliche Vorsichtsmaßnahmen vgl. Menard, S. (2001), S. 67 ff. u. Garson, G.D. (1998-2007). Menard, S. (2001), S. 90. Zur grundlegenden Diagnoseschritten vgl. Menard, S. (2001), S. 90. Vgl. Kapitel 5.4.1.2.1 Vgl. Menard, S. (2001), S. 79. Vgl. Menard, S. (2001), S. 79 u. Hosmer, D.W./ Lemeshow, S. (2000), S. 136 f.

120 Arbeit verzichtet, da mit der linearen Regression aufgrund der schwachen Eignung für ordinale Daten andere Fehler entstehen, und bei der Kategorisierung metrischer Daten zu viele Informationen verloren gehen. Zudem steht im Rahmen der Fragestellung auch nicht das genaue Ausmaß der Koeffizienten im Blickpunkt. Residuen dienen der Ausreißerdiagnostik und können außerdem zur Überprüfung von Verteilungsannahmen der Residuen eingesetzt werden. Residualgrößen werden anhand des Pearson-Residuums untersucht, das die standardisierte Differenz aus beobachteter und erwarteter Zellenhäufigkeit ist.409 Für große Stichproben sollte das Pearson-Residuum normalverteilt sein. Daher sollten 95% der Residuen Werte zwischen 2 und +2 einnehmen.410 Wenn ein Wert außerhalb des Intervalls liegt, so zeigt dies an, dass sich das Modell schlecht an diese spezielle Beobachtung anpasst und diese Beobachtung ggf. entfernt werden sollte.411 Anhand der Residuen kann allerdings nicht bestimmt werden, ob die Beobachtung einen starken Einfluss auf die geschätzten Koeffizienten oder die Modellanpassung hat.412 Wenn also nur wenige Fälle (ca. 10 %) außerhalb des Intervalls liegen, so werden diese im Rahmen dieser Arbeit daher nicht entfernt. Die Schritte zur Güteüberprüfung und Prüfung der Koeffizienten werden für die ordinale Probit-Regression zusammenfassend in Tab. 5-10 dargestellt. Als Software kommt für die Schätzung der ordinalen Probit-Regression das Softwarepaket SPSS zum Einsatz.413 Die Schätzung in SPSS erfolgt mit einem MLSchätzer. Soll eine Schätzung mit dem WLS-Schätzer erfolgen, bei der der beschriebene R²-Wert berechnet wird, so kann dies mit der Software Mplus geschätzt werden.414

409

410 411 412 413

414

Das Pearson-Residuum ist auch die Basis für die Pearson’sche Ȥ²-Statistik. Für den binären Fall vgl. Menard, S. (2001), S. 82 ff., Hosmer, D.W./ Lemeshow, S. (2000), S. 145 u. Long, J.S. (1997), S. 98. Für den ordinalen Fall vgl. Janssen, J./ Laatz, W. (2007b), S. 474 f. Vgl. Long, J.S. (1997), S. 99 f. Vgl. Menard, S. (2001), S. 82. Der Einfluss eines Falles kann bspw. anhand der Leverage-Statistik bestimmt werden, vgl. Long, J.S. (1997), S. 100 f. Diese ist in SPSS für den ordinalen Fall allerdings nicht implementiert. Zur ordinalen Regression mit SPSS vgl. Janssen, J./ Laatz, W. (2007b), S. 464 ff. u. Bühl, A. (2006), S. 390 ff. Weitere Programme, die ordinale Probit-Regressionsmodelle schätzen können sind bspw. SAS, LIMDEP und STATA. Version 3.11. Zum Programm vgl. http://www.statmodel.com. Das Programm geht wesentlich auf die Arbeiten von LINDA und BENGT MUTHÉN, TIHOMIR ASPAROUHOV und THUY NGUYEN zurück und ermöglicht flexible Schätzungen verschiedener Modelle mit latenten Variablen, vgl. Muthén, L.K./ Muthén, B.O. (2004), Preface.

121 Prüfung des Gesamtmodells Basis Likelihood-Funktion

Kriterium

Anforderung

Pearson’sche Ȥ²-Statistik

Signifikanz ” 0,05

Devianz

Signifikanz nahe 1

Likelihood Ratio-Test

Signifikanz ” 0,05

Cox und Snell-R²

Akzeptabel > 0,2 Gut > 0,4

Nagelkerke-R²

Akzeptabel > 0,2 Gut > 0,4 Sehr gut > 0,5

McFadden-R²

Akzeptabel > 0,2 Gut > 0,4

R² (WLS-Schätzung)

R²

Möglichst nahe 1.

Klassifikationsergebnisse

Vergleich der Hit Ratio des Regressionsmodells (HR) und der rein zufälligen Anordnung der Elemente (PZW)

HR > PZW

Pseudo-R²-Statistiken

Prämissenprüfung Prämisse

Kriterium

Anforderung

Keine Multikollinearität zwischen den unabhängigen Variablen

VIF

Nahe 1, < 20

Keine numerischen Probleme

Prozent Zellen mit Nullhäufigkeiten

Möglichst geringer Wert

Wenig Ausreißer

Pearson-Residuum der Beobachtungen

Nur wenige Residuen > |2|

Prüfung der Koeffizienten Kriterium

Anforderung

Vorzeichen

Richtung entsprechend Hypothese

Wald-Statistik (ML-Schätzung) t-Wert (WLS-Schätzung)

Signifikanz ” 0,05

Standardisierter Koeffizient

Vergleich des Werts der standardisierten Koeffizienten

Tab. 5-10:

5.4.1.3

Prüfschritte im ordinalen Probit-Regressionsmodell415

Kausalanalyse

Kausal- bzw. Strukturgleichungsmodelle bestehen aus Strukturmodellen und Messmodellen. Im Strukturmodell werden die Zusammenhänge zwischen den latenten mehrdimensionalen Konstrukten oder Faktoren und ggf. auch manifesten Variablen abgebildet. Dabei werden die abhängigen latenten Variablen eines Strukturgleichungsmodells als endogen und die unabhängigen latenten Variablen als exogen bezeichnet.416 Mathematisch stellt sich das Strukturmodell in allgemeingültiger Form wie in Formel (17) dar:

415 416

Quelle: Eigene Darstellung in teilweiser Anlehnung an Backhaus, K. et al. (2006), S. 456. Vgl. ausführlich Götz, O./ Liehr-Gobbers, K. (2004), S. 7.

122 (17)

K

mit K 5 [ % ]

= Vektor der latenten endogenen Konstrukte Matrix der Pfadkoeffizienten zwischen exogenen und endogenen Konstrukten = Vektor der latenten exogenen Konstrukte Matrix der Pfadkoeffizienten zwischen zwei endogenen Konstrukten = Vektor des Fehlerterms der latenten endogenen Variable

5[%K  ]

Die Messmodelle beschreiben die Beziehungen zwischen den jeweiligen latenten Konstrukten und deren Indikatoren. Sie lassen sich bspw. für exogene reflektive Konstrukte folgendermaßen ausdrücken (vgl. Formel (18)):417 (18) mit x ȁx Gx

x

/ x[  G x

= Vektor über die Indikatoren eines exogenen reflektiven Konstruktes = Matrix der Faktorladungen des reflektiven Konstruktes für die Indikatoren = Vektor über die Fehlerterme der Indikatoren

Die konfirmatorische Faktorenanalyse ist insofern als Spezialfall der Kausalanalyse zu verstehen, als sie lediglich Messmodelle umfasst.418 Das Leistungspotenzial der Kovarianzstrukturanalyse kann nur dann ausgeschöpft werden, wenn die Analyse mit der gebotenen Sorgfalt durchgeführt wird. Insbesondere verschiedene Eigenschaften der Daten und der Stichprobe können die Qualität der Erkenntnisse negativ beeinflussen.419 Zum einen erscheint es daher angebracht, zusätzlich zur herkömmlichen Gütebeurteilung von Mess- und Strukturmodell das von BACKHAUS/BLECHSCHMIDT/EISENBEIß vorgeschlagene Vorgehensmodell zur Reduktion stichprobenbedingter Ergebnisverzerrungen bei der Validierung von Modell A und B anzuwenden.420 Zum anderen muss bei der Parameterschätzung zwischen

417

418 419

420

Vgl. Backhaus, K. et al. (2006), S. 349 u. Bollen, K.A./ Lennox, R. (1991), S. 306. Im Rahmen dieser Arbeit werden nur reflektive Messmodelle betrachtet. Während bei einer reflektiven Messung der Fehlerterm auf Indikatorniveau modelliert wird, ist dies bei formativen Messungen auf Konstruktebene der Fall, vgl. Jarvis, C.B./ MacKenzie, S.B./ Podsakoff, P.M. (2003), S. 201 ff. Formative Konstrukte können als Linearkombination ihrer Indikatoren ausgedrückt werden, da die Indikatoren in Summe das latente Konstrukt bilden, vgl. Bollen, K.A./ Lennox, R. (1991), S. 306. Zur Diskussion um reflektive und formative Messmodelle vgl. bspw. Albers, S./ Hildebrandt, L. (2006), S. 2 ff., Eberl, M. (2006), S. 651ff., Fassott, G. (2006), Eberl, M. (2004), Götz, O./ Liehr-Gobbers, K. (2004), S. 717 ff. u. Fornell, C./ Brookstein, F.L. (1982), S. 441 f. Vgl. Kline, R.B. (2005), S. 165. Vgl. Diller, H. (2006), S. 615. WEST/FINCH/CURRAN adressieren bspw. Probleme, die aus nichtnormalverteilten und nicht-metrischen Daten entstehen, vgl. West, S.G./ Finch, J.F./ Curran, P.J. (1995), S. 56 ff. BACKHAUS/BLECHSCHMIDT/EISENBEIß gehen zusätzlich auf weitere Probleme wie Common Method Bias, Stichprobengröße und Grad der Datenheterogenität ein, vgl. Backhaus, K./ Blechschmidt, B./ Eisenbeiß, M. (2006), S. 713 f. Zu Problemen stichprobenimmanenter Heterogenität vgl. auch Krafft, M./ Litfin, T. (2002). Ein weiteres Problem ist die Möglichkeit nichtlinearer Beziehungen zwischen den Konstrukten, vgl. Scholderer, J./ Balderjahn, I./ Paulssen, M. (2006), S. 643 ff. Vgl. Backhaus, K./ Blechschmidt, B./ Eisenbeiß, M. (2006), S. 715 ff.

123 metrischen und ordinalen abhängigen Variablen unterschieden werden. Unterschiede in Kausalmodellen für metrische und ordinale abhängige Variablen müssen daher insbesondere im Rahmen von Schritt 3 berücksichtigt werden. Die fünf Ablaufschritte des Vorgehensmodells sind in Abb. 5-13 dargestellt.

Schritt 1: Theoriegeleitetes Erhebungsdesign

Schritt 2: Überprüfung der Indikatorvariablen auf multivariate Normalverteilung

Schritt 3a: Parameterschätzung für

Schritt 3b: Gütebeurteilung

• metrisch/ normalverteilte, • metrisch/ nicht normalverteilte, • ordinale abhängige Variablen.

• Reliabilität der Messmodelle • Validität der Konstrukte • Überprüfung des Gesamtmodells

Schritt 4: Überprüfung der Ergebnisstabilität

Schritt 5: Überprüfung der Datenheterogenität

Abb. 5-13:

Schritte des Vorgehensmodells zur Handhabung von Stichprobeneinflüssen bei Kausalanalysen421

Der erste Schritt bezieht sich bereits auf das Design der Erhebung, das im vorliegenden Fall theoriegeleitet entwickelt wurde und die Gefahr von Common Method Biases minimiert.422 Die in den im Folgenden beschriebenen Schritten zwei bis fünf eingesetzten Prüfkriterien und jeweiligen Anforderungen werden zum Abschluss des Kapitels in Tab. 5-11 im Überblick dargestellt. In Schritt 2 erfolgt die Überprüfung aller metrischen oder quasi-metrischen Indikatorvariablen auf univariate Normalverteilung. Dies geschieht anhand von Skewness und Kurtosis, die den Abweichungsgrad der vorliegenden Verteilung von der Normalverteilung messen.423 Außerdem wird ein Kolmogorov/Smirnov-Test auf Normalvertei-

421 422 423

Quelle: In Anlehnung an Backhaus, K./ Blechschmidt, B./ Eisenbeiß, M. (2006), S. 716. Vgl. Kapitel 5.2.1. Eine deutliche Abweichung der Werte von null zeigt die Nicht-Normalverteilung der einzelnen Variablen an. Als Schwellenwerte werden für Skewness |2| und für Kurtosis |7| angeführt, vgl. West, S.G./ Finch, J.F./ Curran, P.J. (1995), S. 74. Andere Quellen verweisen auf einen Schwellenwert von |1| für beide Werte, vgl. Muthén, B./ Kaplan, D. (1985), S. 187.

124 lung der Daten durchgeführt.424 Liegt keine univariate Normalverteilung vor, kann gleichzeitig eine multivariate Normalverteilung ausgeschlossen werden.425 Grundsätzlich ist mit der Erfüllung der Verteilungsannahme der Daten besonders vorsichtig umzugehen, wenn die Indikatoren wie im Fall von Likert-Skalen nur „quasimetrisches“ Datenniveau aufweisen.426 Bei der Parameterschätzung (Schritt 3a) müssen im Rahmen der Arbeit drei Fälle unterschieden werden: Parameterschätzung bei metrischen und normalverteilten abhängigen Variablen, bei metrischen und nicht-normalverteilten abhängigen Variablen sowie bei ordinalen abhängigen Variablen.427 Liegt bei einer metrischen abhängigen Variablen multivariate Normalverteilung vor, so wird die Schätzung der Parameter wie vielfach in der Literatur empfohlen auf Basis der Maximum Likelihood (ML)-Schätzung durchgeführt.428 Liegt keine multivariate Normalverteilung einer metrischen abhängigen Variablen vor, so wird im Allgemeinen dennoch der Einsatz des ML-Schätzers empfohlen,429 da die Modellparameter asymptotisch stabil geschätzt werden.430 Dies gilt auch bei lediglich quasi-metrischen Skalen wie bspw. Likert-Skalen, wenn diese genügend Kategorien aufweisen.431 Die im Grunde fehlerhafte Verwendung des Schätzers hat hauptsächlich Auswirkungen auf die Teststatistiken: Die Standardfehler der geschätzten Parameter werden möglicherweise unterschätzt, was dazu führen kann, dass nicht signifikante Parameter als signifikant eingestuft werden.432 Außerdem kann die Chi-Quadrat-Statistik über424

425

426 427

428 429

430

431

432

Ein Signifikanzwert von 0,05

Schritt 3a: Schätzer

Wahl Schätzer

Datenniveau abhängige Variable

ML

Plausibilität

Schätzwerte

Interpretierbare Werte

Reliabilität Messmodelle

Cronbach’sches Į

> 0,7

Indikatorreliablität

> 0,4

Konvergenz Validität Konstrukte

Schritt 3b: Gütebeurteilung Überprüfung Gesamtmodell

Faktorreliablität

MLM

Ordinal

WLSMV

> 0,6

DEV

> 0,5

COR

< 0,9

Diskriminanz

Fornell/LarckerKriterium

DEV > quadrierte Korrelation mit anderen Konstrukten

Nomologisch

R²

> 0,4

Freiheitsgrade

>1

Ȥ2/d.f.

0,9

TLI

> 0,9

Annahme Gesamtmodell

Gesamtbewertung aller Gütekriterien

Subjektive Einschätzung der Modellgüte

Nichtablehnung Hypothesen

Strukturkoeffizient

Schritt 4: Ergebnisstabilität

Bootstrapping

Schritt 5: Datenheterogenität

Vorzeichen

Bestätigung der Richtungsvermutung

t-Wert

p ” 0,05

Standardisiert

Vergleich des Einflusses

Konfidenzintervalle der Parameter

Möglichst klein, 0 nicht im Intervall

t-Wert mit Bootstrap-Standardfehler

Keine Veränderung der Signifikanz

Modellvergleich

AIC, BIC, CAIC gesättigtes und zu testendes Modell

AIC, BIC, CAIC zu testendes Modell ” gesättigtes Modell

Prüfschritt

Kriterium

Anforderung Metrisch, normalverteilt

Metrisch, nicht normalverteilt

Ordinal

Datenniveau abhängige Variable

Tab. 5-11:

477

Prüfschritte zur Beurteilung von Kausalmodellen477

Quelle: Eigene Darstellung. Zu den Kriterien und Schwellenwerten der traditionellen Gütebeurteilung im metrischen Kausalmodell vgl. auch Woisetschläger, D. (2006), S. 132 ff. sowie die dort angegebenen Quellen.

132 5.4.2

Operationalisierung und Validierung der Modellvariablen

5.4.2.1

Tarifwahl und Tarifwahl-Biases als abhängige Variablen

Die Operationalisierung der abhängigen Variable in „Modell A: Tarifwahl“ wurde bereits in 5.3.1 ausführlich erläutert. Für die weitere Analyse ist bedeutsam, dass die Tarifwahl auf einer ordinalen Skala gemessen wurde. Im Rahmen der Tarifwahl können 848 Datensätze analysiert werden. Die Häufigkeitsverteilung ähnelt eher einer Normal- als einer Gleichverteilung,478 so dass wie in 5.4.1.1 beschrieben die ordinale Probit-Regression das geeignete Auswertungsverfahren darstellt. Auch die Operationalisierung der abhängigen Variable in „Modell B: Tarifwahl-Bias“ wurde bereits in 5.3.2 ausführlich dargestellt. Es stehen verschiedene Optionen zur Analyse der Ursachen von Tarifwahl-Biases zur Verfügung. Die detaillierteste Analyse ist jedoch bei Verwendung des Ausmaßes des Biases möglich, da hierbei die Stärke der Abweichung des Rechnungsbetrags vom Rechnungsbetrag des günstigsten Tarifs berücksichtigt wird. Damit wird auch die ökonomische Auswirkung des Tarifwahl-Bias für Anbieter und Nachfrager implizit berücksichtigt.479 Das Ausmaß des Biases weist metrisches Datenniveau auf. Für die Ursachenanalyse von Tarifwahl-Biases stehen 680 Datensätze zur Verfügung.480 Die Stichprobe ist somit ausreichend groß, um für die lineare Regression normalverteilte Residuen unterstellen zu können. Die Variable selbst ist anhand von Skewness und Kurtosis gerade noch als normalverteilt anzusehen, da die Werte nur wenig über 1 liegen, anhand des Kolmogorov-Smirnov-Tests muss allerdings die Annahme normalverteilter Daten zurückgewiesen werden.481 Bei der Durchführung der Kausalanalyse zur Validierung werden daher die entsprechenden Maßnahmen aus dem in Kapitel 5.4.1.3 beschriebenen Vorgehensmodell von BACKHAUS/BLECHSCHMIDT/EISENBEIß ergriffen.

478 479 480

481

Vgl. die Häufigkeitsverteilung in Abb. 5-10. Dies wirkt sich auf die Relevanz der Ergebnisse positiv aus, vgl. Diller, H. (2006), S. 616. Die tatsächlich analysierte Fallzahl wird aufgrund fallweiser Eliminierung von Ausreißern im Rahmen des Fehleinschätzungseffekts reduziert, vgl. Kapitel 5.4.2.2.2. Vgl. Anhang 6.

133 5.4.2.2

Eindimensionale unabhängige Variablen

5.4.2.2.1

Einschätzungseffekt

Im Einschätzungseffekt drückt sich die erwartete Nutzungsmenge aus. Da es sich um die erwartete Nutzungsmenge handelt, muss der Entscheider einen Weg finden, diese zukünftige Größe zu approximieren. Die Entscheidung über den Tarifzugang wird für eine in der Vertragsdauer festgelegte Anzahl von Monaten getroffen, in denen die Nutzungsmenge schwanken kann. Daher muss auch die erwartete Nutzung über einen längeren Zeitraum bestimmt werden. Die Beurteilung der erwarteten Nutzungsmengen einzelner zukünftiger Monate ist für den Entscheider sehr schwierig. Es ist daher davon auszugehen, dass der Nachfrager die über mehrere Monate reichenden Nutzungsmengen approximiert. Die stabilste Größe, die ihm hier zur Verfügung steht, ist die durchschnittliche Nutzungsmenge eines Monats, da er so Schwankungen in der Nutzungsmenge einzelner Perioden ausgleichen kann. Außerdem wählt der Entscheider möglicherweise Tarife für mehrere andere Personen. Dabei ist es wahrscheinlich, dass er nicht die Mobilfunknutzung jedes einzelnen Nutzers beurteilt, sondern dass er aus Vereinfachungsgründen Nutzer mit ähnlichem Nutzungsverhalten zu Gruppen zusammenfasst und die Nutzung gemeinsam einschätzt. Der Einschätzungseffekt wird über eine offene Frage in der Befragung erfasst.482 Der Entscheider schätzt für die gleichen Individuen oder Gruppen, für die auch die hypothetische Tarifwahl getroffen wird, die durchschnittliche monatliche Mobilfunknutzung in Minuten ein (vgl. Tab. 5-1).483 Der Einschätzungseffekt weist metrisches Datenniveau auf. Die Entscheider schätzen die durchschnittliche monatliche Mobilfunknutzung auf im Mittel 404,26 Minuten (vgl. Tab. 5-12). Allerdings zeigen Standardabweichung sowie minimaler und maximaler Wert, dass die Einschätzung einer großen Streuung unterworfen ist. Die Überprüfung des Einschätzungseffekts auf Normalverteilung zeigt bereits anhand Skewness und Kurtosis, dass die Daten von der Normalverteilung abweichen. Der Kolmogorov/Smirnov-Test bestätigt dies.484 Daher sollten die entsprechenden Maß-

482 483

484

Vgl. Anhang 1, Frage 3a bis Frage 3f. Zusätzlich wird die Einschätzung der minimalen und der maximalen Nutzung abgefragt, die allerdings bei der Auswertung nur zu Kontrollzwecken eingesetzt wurden, indem eine Zufallsauswahl aus Minimal-, Durchschnitts- und Maximalnutzung erfolgte. Neben den inhaltlichen Gründen, die eine Auswertung des Einschätzungseffekts auf durchschnittlicher Basis nahelegen, sprechen die hohen Korrelationen zwischen der Einschätzung der minimalen, maximalen und durchschnittlichen Nutzung gegen eine Auswertung aller drei Variablen, da hohe Multikollinearität zwischen den Variablen vorliegt, vgl. Anhang 7. Vgl. Anhang 6.

134 nahmen aus dem in Kapitel 5.4.1.3 beschriebenen Vorgehensmodell von BACKHAUS/BLECHSCHMIDT/EISENBEIß ergriffen werden. Einschätzungseffekt: Durchschnittliche monatliche Mobilfunknutzung in Minuten Stichprobe

848

Mittelwert

404,26

Median

300

Standardabweichung

401,310

Minimum

20

Maximum

5.000

Tab. 5-12:

5.4.2.2.2

Deskriptive Statistik: Einschätzungseffekt485

Fehleinschätzungseffekt

Im Fehleinschätzungseffekt drückt sich aus, inwiefern ein Entscheider das tatsächliche Mobilfunknutzungsverhalten der Nutzer über- oder unterschätzt. Die Einschätzung wird als durchschnittliche monatliche Nutzung erfasst. Zur exakten Bestimmung des Fehleinschätzungseffekts müsste die zukünftige Nutzung bekannt sein. Da dies nicht der Fall ist, muss jedoch die zurückliegende tatsächliche Nutzung herangezogen werden.486 Im Fehleinschätzungseffekt werden demnach wie bei der Ermittlung von Tarifwahl-Biases Befragungs- und Beobachtungsdaten kombiniert. Der Fehleinschätzungseffekt ergibt sich aus Einschätzung und tatsächlicher durchschnittlichen monatlichen Mobilfunknutzung (vgl. Formel (22)). (22)

FEi , j

EN i , j  TN i , j

Mit

FE EN TN i j

= Fehleinschätzung = Einschätzung der durchschnittlichen monatlichen Mobilfunknutzung = Tatsächliche durchschnittliche monatliche Mobilfunknutzung = Entscheider = Nutzer oder Nutzergruppe

Die Skala wird in die gleiche Richtung wie die Skala des Tarifwahl-Bias definiert.487 Bei der Skala des Tarifwahl-Biases entsprechen negative Werte einem Pay-per-UseBias, positive Werte einem Flatrate-Bias und der Wert null keinem Bias. Analog bedeutet dies für den Fehleinschätzungseffekt:

485 486 487

Quelle: Eigene Darstellung. Vgl. Kapitel 5.3.2.1 für eine Begründung, warum dies ein akzeptables Vorgehen ist. Die Werte selbst sind jedoch nicht identisch, da sich der Tarifwahl-Bias aus der Differenz von Rechnungsbeträgen im gewählten und im günstigsten Tarif auf Basis der tatsächlichen Nutzung berechnet. Daher ist die Skala gleichlaufend aber nicht gleichlautend.

135

x Der Entscheider schätzt die Mobilfunknutzung so ein, dass diese der tatsächlichen Mobilfunknutzung entspricht. Damit liegt keine Fehleinschätzung vor; dies entspricht FE

0

x Der Entscheider schätzt die Mobilfunknutzung höher ein als die tatsächlich vorliegende Mobilfunknutzung. Damit liegt eine Überschätzung der Nutzung vor. Dies entspricht FE ! 0

x Der Entscheider schätzt die Mobilfunknutzung geringer ein als die tatsächlich vorliegende Mobilfunknutzung. Damit liegt eine Unterschätzung der Nutzung vor und dies entspricht FE  0

Durch die Definition der Skalen von Fehleinschätzungseffekt und Tarifwahlbias in die gleiche Richtung kann der Einfluss von Über- und Unterschätzung auf Pay-per-Useund Flatrate-Bias gleichzeitig im Rahmen des Tarifwahl-Biases analysiert werden. Das Datenniveau der Skala ist metrisch. Die Zuordnung der tatsächlichen Mobilfunknutzung aus den Beobachtungsdaten zur Einschätzung der Mobilfunknutzung aus den Befragungsdaten geschieht entsprechend dem in 5.3.2.2 bei der Ermittlung des Tarifwahl-Bias erläuterten Vorgehen. Die befragten Entscheider weisen im Mittel eine Fehleinschätzung der durchschnittlichen monatlichen Mobilfunknutzung von 262,47 Minuten auf, die Streuung der Werte ist insgesamt betrachtet bei einer Standardabweichung von ca. 400 Minuten groß (vgl. Tab. 5-13). Fehleinschätzungseffekt

Unterschätzungseffekt

Überschätzungseffekt

Stichprobe

680

98

582

Mittelwert (in Minuten)

262,47

-149,84

331,90

Median

162,92

-81,94

209,51

Standardabweichung

400,288

158,947

386,70

Minimum

-682,5

-682,50

0,88

Maximum

4.617,13

-0,72

4.617,13

Tab. 5-13:

488

Deskriptive Statistik: Fehleinschätzungseffekt

Quelle: Eigene Darstellung.

488

136 In 85,6 % der Fälle liegt eine Überschätzung der durchschnittlichen monatlichen Mobilfunknutzung vor, kein Entscheider schätzt die Mobilfunknutzung korrekt ein. In mehr als 80 % der Fälle liegt eine Fehleinschätzung der durchschnittlichen monatlichen Mobilfunknutzung von im Betrag mehr als 1 Stunde pro Monat vor, in nur 8 % der Fälle von weniger als 30 Minuten pro Monat. Der Betrag des mittleren Ausmaßes der Fehleinschätzung ist bei der Überschätzung mit 331,90 Minuten mehr als doppelt so hoch wie bei der Unterschätzung (149,84 Minuten). Bei der Überprüfung des Fehleinschätzungseffekts führen Skewness, Kurtosis und Kolmogorov/Smirnov-Test zur Ablehnung der Normalverteilungsannahme.489 Daher sollten bei Integration dieser Variablen in ein Kausalmodell die entsprechenden Maßnahmen aus dem Vorgehensmodell von BACKHAUS/BLECHSCHMIDT/EISENBEIß ergriffen werden. Grundsätzlich besteht auch hier das Problem, dass auch Beobachtungsdaten von Nutzern mit einer sehr geringen realen Mobilfunknutzung in die Berechnung des Fehleinschätzungseffekts eingehen und diese vom Entscheider möglicherweise als inaktive Nutzer nicht bei den Antworten in der Befragung berücksichtigt wurden.490 Dadurch kann eine Verzerrung des Fehleinschätzungseffekts zustande kommen, der die Unterschätzung potenziell kleiner und die Überschätzung größer werden lassen kann. Die gleiche Auswirkung kann bei diesen Entscheidern beim Tarifwahl-Bias auftreten, wo das Ausmaß des Pay-per-Use-Biases potenziell kleiner und das des Flatrate-Bias größer werden kann.491 Es ist jedoch nicht festzustellen, bei welchen Tarifwahlentscheidungen und Einschätzungen dies der Fall sein kann, da nicht definitiv festgestellt werden kann, welche Nutzer vom Entscheider berücksichtigt wurden und welche nicht. Da unabhängige und abhängige Variable in die gleiche Richtung verzerrt werden, ist die Auswirkung auf den kausalen Zusammenhang weniger gravierend. Dennoch erscheint es ratsam, Fälle als Ausreißer von der Analyse auszuschließen, wenn der Fehleinschätzungseffekt mehr als die dreifache Standardabweichung in positiver Richtung vom Mittelwert abweicht, da sich im Streudiagramm des Fehleinschätzungseffekts einige extreme Ausreißer identifizieren lassen. Dieses Vorgehen stellt eine Konvention zur Identifikation von Ausreißern dar.492 Da diese

489 490 491 492

Vgl. Anhang 6. Vgl. Kapitel 5.2.1.2. Vgl. Kapitel 5.3.2.2 Zu Klassen von Ausreißern und ihrer Bestimmung vgl Hair, J.F. et al. (2006), S. 73 ff. Als Standardregel hat sich durchgesetzt, Werte dann von der Analyse auszuschließen, wenn diese mehr als die dreifache Standardabweichung vom Mittelwert entfernt liegen, vgl. auch Kline, R.B. (2005), S. 51. Diese Fälle werden vollständig von der Analyse ausgeschlossen, so dass insgesamt kein Problem mit fehlenden Werten besteht. Die Schätzung mit fehlenden Werten stellt bei der Kausalanalyse einen eigenen Problembereich dar, vgl. Kline, R.B. (2005), S. 52 ff. u. Reinecke, J. (2005), S. 283 ff.

137 Fälle ganz von der Analyse ausgeschlossen werden, verbleiben 667 Datensätze für die Analyse der Ursachen von Tarifwahl-Biases. 5.4.2.3

Mehrdimensionale hypothetische Konstrukte als unabhängige Variablen

5.4.2.3.1

Operationalisierung von Versicherungs-, Bequemlichkeits- und Taxametereffekt

Zur Generierung von Indikatoren zur Messung eines hypothetischen Konstrukts besteht die Möglichkeit, auf die Ergebnisse anderer Untersuchungen zurückzugreifen, explorative Vorstudien durchzuführen, theoretische Überlegungen anzustellen oder Erfahrungen aus der Praxis zu sammeln.493 Vielfach wird allerdings empfohlen, auf bereits bewährte Operationalisierungen zurückzugreifen, um eine Überflutung mit Konstrukten zu verhindern und um die Ergebnisse verschiedener Studien besser vergleichbar zu machen.494 Referenzpunkt für die vorliegende Arbeit sind die Arbeiten von LAMBRECHT bzw. LAMBRECHT/SKIERA, die bislang als einzige mehrere Effekte simultan und mehrdimensional messen.495 Aus diesem Grund werden die von ihnen entwickelten Skalen für die reflektiven Konstrukte Versicherungs-, Bequemlichkeitsund Taxametereffekt auch im Rahmen dieser Arbeit verwendet. Die Entwicklung der Skalen bei LAMBRECHT/SKIERA erfolgte streng nach dem von HOMBURG/GIERING vorgeschlagenen Vorgehen zur Konzeptualisierung und Operationalisierung komplexer reflektiver Konstrukte und wurde anhand von zwei Datensätzen validiert.496 Die inhaltliche Beschreibung der Konstrukte sowie die Indikatoren können jedoch nicht einfach übernommen werden. Vielmehr muss eine Anpassung an den spezifischen Untersuchungskontext erfolgen, da sich die Studien von LAMBRECHT bzw. LAM-

493 494

495 496

Vgl. Homburg, C./ Giering, A. (1996), S. 12. Vgl. Diller, H. (2006), S. 612 f. u. Diller, H. (2004), S. 177. BRUNER/JAMES/HENSEL veröffentlichen aus diesem Grund bewährte Skalen in ihrem Marketing Scales Handbook, um den wiederholten Einsatz bewährter Skalen zu fördern, vgl. Bruner, G.C./ James, K.E./ Hensel, P.J. (2000). Vgl. Lambrecht, A./ Skiera, B. (2006a), Lambrecht, A./ Skiera, B. (2006b) u. Lambrecht, A. (2005). Zum Vorgehen der Bildung reflektiver Konstrukte vgl. Homburg, C./ Giering, A. (1996), S. 5 ff. LAMBRECHT/SKIERA haben einen Pool von 84 Indikatoren für die drei Konstrukte auf Basis von Literaturrecherche, verwandter Skalen und Plausibilitätsüberlegungen generiert. Diese Indikatoren wurden von Experten auf Einfachheit, Verständlichkeit, Prägnanz und inhaltliche Relevanz überprüft und 16 Indikatoren eliminiert. Die verbleibenden Indikatoren wurden in einem Pretest mit 25 Probanden getestet, hinsichtlich Skalenmittelwert und Schwierigkeitsindex beurteilt und einer ersten Prüfung durch explorative Faktorenanalyse unterzogen. Darauf aufbauend wurden 49 Indikatoren für die erste Befragung von 241 Studenten ausgewählt. Ergebnis der explorativen und konfirmatorischen Faktorenanalyse waren Konstrukte mit je vier relevanten Indikatoren für den Taxameter- und Bequemlichkeitseffekt und zwei relevante Indikatoren für den Versicherungseffekt. Die Reliabilität und Validität der drei Konstrukte wurde in einer zweiten Befragung von 1078 Kunden eines Internetproviders überprüft und bestätigt, vgl. ausführlich Lambrecht, A. (2005), S. 106 ff. u. S. 138 ff. HILDEBRANDT/TEMME schlagen weitere Maßnahmen zur Selektion von Indikatoren bei reflektiven Skalen vor, die in erster Linie die Sicherung der Inhaltsvalidität der Skalen in den Vordergrund stellen, vgl. Hildebrandt, L./ Temme, D. (2006), S. 621 ff.

138 BRECHT/SKIERA

im Gegensatz zur vorliegenden Arbeit auf DSL-Tarife im B-to-C-

Kontext beziehen. Zunächst ist daher eine angepasste Beschreibung der Effekte erforderlich:497 Ein Versicherungseffekt liegt vor, wenn ein Entscheider eine Flatrate wählt, um die Sicherheit zu haben, dass das Unternehmen jeden Monat den gleichen Betrag zahlt. Der Entscheider möchte Schwankungen in den Rechnungsbeträgen vermeiden und empfindet es als Wert, wenn die Kosten für das Unternehmen einen bekannten Fixbetrag nicht übersteigen. Ein Bequemlichkeitseffekt liegt vor, wenn ein Entscheider eine Flatrate vorzieht, weil ihm die Wahl der Flatrate einfacher erscheint als die Wahl eines anderen Tarifs. Der Entscheider scheut den Aufwand herauszufinden, welcher Tarif am günstigsten ist, da sich dieser Aufwand aus seiner Sicht nicht lohnt. Entsprechend ist es ihm auch zu viel Aufwand zu überprüfen, ob ein bereits gewählter Tarif der günstigste ist. Ein Taxametereffekt liegt vor, wenn der Entscheider beurteilt, dass die Nutzer die Nutzung mehr genießen, wenn nicht durch jede Nutzungsminute der Rechnungsbetrag ansteigt. Findet keine Messung der Nutzung statt und sind somit die nutzungsabhängigen Kosten null, beurteilt der Entscheider, dass die Nutzer mehr Spaß an der Nutzung haben und sich freier, unabhängiger und unbefangener fühlen, mobil zu telefonieren.498 Analog zu der Übersetzung fremdsprachiger Skalen erfolgte eine „Übersetzung“ der Skalen in den Kontext Mobilfunktarifwahl im B-to-B, wo es notwendig war.499 Dabei wurde darauf geachtet, dass die Übersetzung so dicht wie möglich an den Ausgangsindikatoren liegt. Zur Kontrolle erfolgte die Übersetzung durch mehrere Experten. Eine Übersicht der in der Befragung erhobenen Indikatoren findet sich in Tab. 5-14. Die Erfassung der Indikatoren erfolgt wie in den Arbeiten von LAMBRECHT bzw. LAMBRECHT/SKIERA auf einer fünfstufigen Likert-Skala, die den Grad der Zustimmung

zu einer Aussage misst.

497 498

499

Zur inhaltlichen Beschreibung der Skalen bei LAMBRECHT/SKIERA vgl. Lambrecht, A. (2005), S. 106. Alternativ wurde auch ein zweiter Taxametereffekt konzeptualisiert und erhoben, bei dem der Entscheider nicht Mitarbeiter und Kollegen beurteilt, sondern eine Selbstbeurteilung erfolgt, vgl. Anhang 1, Frage 4. Dieser Effekt ist identisch zu dem von LAMBRECHT/SKIERA erhobenen Konstrukt. Die Analyse des Faktors und auch der vergleichsweise Einsatz dieses Faktors im Kausalmodell und in der Regression zeigen annähernd identische Ergebnisse zum Taxametereffekt-Fremdeinschätzung. Im Kontext Tarifwahlentscheidung im B-to-B ist der Einsatz des Taxametereffekt-Fremdeinschätzung inhaltlich sinnvoller. Zur sog. Translation/Backtranslation-Methode, die zur Übersetzung fremdsprachiger Skalen eingesetzt wird, vgl. Eschweiler, M. (2006), S. 150. Zu möglichen Konsequenzen der Übersetzung vgl. Maghrabi, A.S./ Johnson, D.A. (1995), S. 49 u. Hulin, C.L./ Komocar, J./ Drasgow, F. (1982).

139 Indikator

Konstrukt

Nr.

Bezeichnung

Formulierung

V1

Bereitschaft, für Sicherheit mehr zu zahlen

Für die Sicherheit, dass die Mobilfunkkosten nie einen vereinbarten Betrag übersteigen, ist das Unternehmen bereit, im Durchschnitt auch etwas mehr zu bezahlen.

V2

Zufriedenheit, dass Kosten Fixbetrag nicht übersteigen

Auch wenn eine Flatrate für das Unternehmen etwas teurer wäre als ein nutzungsabhängiger Tarif, bin ich zufrieden, weil die Kosten für das Unternehmen nie den Fixbetrag übersteigen.

B1

Zeitaufwand Berechnung günstigster Tarif

So lange, wie es dauert zu berechnen, welcher Tarif günstiger ist, lohnt sich der Aufwand normalerweise nicht.

B2

Informationsaufwand zu Preisen

Es ist mir viel zu aufwändig, mich über die Preise von Mobilfunktarifen zu informieren.

B3

Einsparpotenzial vs. Aufwand bei Tarifsuche

Das Geld, das man sparen kann, wenn man einen Tarif sucht, der günstiger ist als der, den man derzeit nutzt, wiegt nicht die Zeit und den Aufwand auf.

B4

Zeitaufwand für Tarifwechsel

Solange wie es dauert, zu einem billigeren Tarif zu wechseln, lohnt sich der Aufwand nicht.

T1

Nicht über Kosten nachdenken

Die Flatrate ist toll, weil der Mitarbeiter oder der Kollege nicht über die Kosten nachdenken muss.

T2

Wenig Spaß am mobilen Telefonieren bei variablem Tarif

Der Mitarbeiter oder der Kollege hat weniger Spaß am mobilen Telefonieren, wenn mit jeder Minute die Kosten steigen.

T3

Viel Spaß am mobilen Telefonieren mit Flatrate

Nur wenn der Mitarbeiter oder der Kollege mit einer Flatrate telefoniert, hat er richtig Spaß am mobilen Telefonieren.

T4

Freiheit beim mobilen Telefonieren

Wenn der Mitarbeiter oder der Kollege eine Flatrate hat, fühlt er sich viel freier und unbefangener mobil zu telefonieren, als bei einem variablen Tarif.

Versicherungseffekt

Bequemlichkeitseffekt

Taxametereffekt

Tab. 5-14:

5.4.2.3.2

Übersetzte Indikatoren der latenten Konstrukte500

Konstruktvalidierung

Die Konstrukte Versicherungs-, Bequemlichkeits- und Taxametereffekt werden mittels konfirmatorischer Faktorenanalyse gebildet, und Reliabilität sowie Validität werden überprüft. Die Messmodelle werden zunächst einzeln, anschließend gemeinsam über alle drei Konstrukte bewertet. Der Ablauf der Validitätsprüfung erfolgt nach dem in Tab. 5-11 dargestellten Vorgehen zur Durchführung einer Kausalanalyse und den dort angegebenen kritischen Werten für die Gütekriterien. Bei der Überprüfung der Messmodelle wird jeder befragte Entscheider einmal berücksichtigt, so dass 612 Datensätze zur Konstruktbildung und –validierung zur Verfügung stehen.501 Die Prüfung der einzelnen Indikatoren auf Normalverteilung anhand von Skewness und Kurtosis ergibt für alle Indikatoren Werte unter oder nur wenig über den Betrag von 1. Es könnte daher von univariater Normalverteilung der In-

500 501

Quelle: Eigene Darstellung. Vgl. Kapitel 5.2.2.1

140 dikatoren ausgegangen werden. Auf Basis der Ergebnisse des Kolmogorov/SmirnovTests ist jedoch die Annahme der Normalverteilung zurückzuweisen.502 Aus Sorgfaltsgründen erfolgt daher die Schätzung mit dem MLM-Schätzer. Die Reliabilität der Messmodelle sowie die Konvergenzvalidität werden für die drei Konstrukte in separaten Faktorenanalysen zunächst getrennt ermittelt. Anschließend erfolgt eine gemeinsame Faktorenanalyse, bei der zusätzlich die Diskriminanzvalidität bestimmt werden kann. Die separaten Faktorenanalysen sprechen dafür, dass die von LAMBRECHT/SKIERA entwickelten und an den Untersuchungskontext angepassten Skalen für die drei Konstrukte Versicherungs-, Bequemlichkeits- und Taxametereffekt unmodifiziert in die weitere Analyse eingehen können und kein Indikator eliminiert werden muss.503 Auch die gemeinsame Faktorenanalyse zeigt, dass die Konstrukte reliabel und valide erfasst wurden (vgl. Tab. 5-15 und Tab. 5-16): Indikator

Konstrukt

Versicherungseffekt

Bequemlichkeitseffekt

Taxametereffekt

Faktorladung

Reliabilität Messmodell

Konvergenzvalidität

Indikatorreliablität

Cronbach’ sches Alpha

Faktorreliabilität

DEV

0,830

0,830

0,710

0,931

0,931

0,773

0,836

0,836

0,561

0,991

V1

0,833

0,694

V2

0,852

0,726

B1

0,918

0,843

B2

0,844

0,712

B3

0,862

0,743

B4

0,890

0,792

T1

0,795

0,632

T2

0,728

0,53

T3

0,738

0,545

T4

0,733

0,537

Globale Gütekriterien D.f.

32

TLI

Ȥ2/d.f.

1,566

RMSEA

0,030

CFI

0,994

SRMR

0,018

n=612, Schätzer: MLM

Tab. 5-15:

Gemeinsame Faktorenanalyse: Lokale und globale Gütemaße aller Konstrukte504

Die Prüfung der Messmodelle auf Reliabilität und Validität anhand der Gütekriterien zeigt:

502 503 504

Vgl. Anhang 6. Zu den Ergebnissen der separaten Faktorenanalysen vgl. Anhang 8. Quelle: Eigene Darstellung.

141

x Alle Schätzwerte sind plausibel. x Die Reliabilität der Messmodelle ist sehr gut: Das Cronbach’sche Alpha übersteigt bei allen drei Konstrukten deutlich den Grenzwert von 0,9. Die Indikatorreliabilitäten sind wesentlich höher als der erforderliche Wert von 0,4. x Die Konvergenzvalidität der Konstrukte ist gewährleistet: Die Faktorreliabilitäten liegen alle deutlich über dem Grenzwert von 0,6, die durchschnittlich erfasste Varianz über dem Wert von 0,5. x Die globalen Gütekriterien sind allesamt sehr gut erfüllt. Die Beurteilung der Diskriminanzvalidität zeigt, dass sich die Konstrukte sehr gut voneinander abgrenzen (vgl. Tab. 5-16):

x Die Korrelationen zwischen den Konstrukten sind deutlich kleiner als 0,9. x Auch das Fornell/Larcker-Kriterium ist für alle Konstrukte erfüllt. Die quadrierten Korrelationen zwischen den Faktoren sind durchweg kleiner als die durchschnittlich erfasste Varianz der einzelnen Faktoren. DEV Konstrukt 0,71 0,773 0,561

Versicherungseffekt Bequemlichkeitseffekt Taxametereffekt

Tab. 5-16:

0,71

0,773

0,561

Versicherungseffekt

Bequemlichkeitseffekt

Taxametereffekt

1

COR

1

COR²

0,333

1

0,111

1

0,738

0,194

1

COR

0,545

0,038

1

COR²

Gemeinsame Faktorenanalyse: Diskriminanzvalidität

COR COR²

505

Auf Basis dieser Ergebnisse können also die Messmodelle für Versicherungs-, Bequemlichkeits- und Taxametereffekt bei der Ursachenanalyse von Tarifwahl und Tarifwahl-Bias unmodifiziert eingesetzt werden. Die mehrdimensionalen Konstrukte fließen zum Hypothesentest in die Regressionsanalysen verdichtet ein. Als probandenspezifische Ersatzwerte werden die Faktorwerte des Konstrukts verwendet. Diese weisen je Konstrukt über alle Probanden einen Mittelwert von 0 und eine Standardabweichung von 1 auf.

505

Quelle: Eigene Darstellung.

142 5.4.3

Hypothesenprüfung

5.4.3.1

Modell A: Ursachen der Tarifwahl bei der Mobilfunktarifwahl im B-to-B-Bereich

5.4.3.1.1

Regressionsmodell A: Ursachen der Tarifwahl

Die Hypothesenprüfung in „Modell A: Tarifwahl“ wird zunächst anhand der Regressionsanalyse vorgenommen. Die ordinale Probit-Regression ergibt das in Tab. 5-20 dargestellte Regressionsmodell A. Bevor die Hypothesenprüfung durchgeführt wird, sind jedoch Modellprämissen und die Erfüllung globaler Gütekriterien zu prüfen. Bei der Prämissenprüfung ist zunächst festzustellen, dass ein hoher Prozentsatz von Zellen mit Nullhäufigkeiten auftritt (79,9 %). Dies ist insofern nicht verwunderlich, als die vier unabhängigen Variablen des Modells als metrische Größen eingehen und somit eine Vielzahl an Ausprägungskombinationsmöglichkeiten vorliegt. Dieses Problem ist mit dem vorliegenden Datensatz aufgrund der verhältnismäßig geringen Stichprobengröße für dieses Modell nicht zu lösen. Bei einer Kategorisierung der unabhängigen Variablen würden zu viele Informationen verloren gehen, da aus metrischen Daten ein geringeres Datenniveau erzeugt würde. Daher wird diese Prämissenverletzung in Kauf genommen und auf die Güteprüfung anhand der Pearson Ȥ²Statistik und der Devianz verzichtet. Multikollinearität wird über den Umweg einer linearen Regression überprüft. Die hierbei berechneten Werte für den VIF deuten bei keiner der unabhängigen Variablen auf Probleme hin. Unabhängige Variable

VIF

Versicherungseffekt

1,702

Bequemlichkeitseffekt

1,078

Taxametereffekt

1,569

Einschätzungseffekt

1,065

Tab. 5-17:

Regressionsmodell A: Kollinearitätsdiagnose506

Die Analyse der Pearson-Residuen zeigt, dass nur sehr wenige Beobachtungen außerhalb des 95 %-Konfidenzintervalls liegen.507 Die Beobachtungen, die mit Werten > |2| außerhalb des Intervalls liegen, fallen zumeist in die Gruppe mit einer beobachten Tarifwahl von Tarif 1. Ein Ausschluss von Fällen wird nicht vorgenommen.

506 507

Quelle: Eigene Darstellung. Die Residuenmatrix ist aufgrund der hohen Zahl an Kovariatenmuster sehr komplex und kann auf Anfrage bei der Verfasserin eingesehen werden.

143 Die globalen Gütekriterien, die im Rahmen dieses Modells Anwendung finden, sind in Tab. 5-18 angeführt. Die Werte für die Pseudo-R²-Werte der ML-Schätzung übersteigen alle die erforderlichen Werte. Der Likelihood Ratio-Test ist hochsignifikant. Das R² der WLS-Schätzung ist mit 91 % sehr hoch. Damit sprechen alle Kriterien für eine hohe Modellgüte in beiden Schätzungen.

ML-Schätzung

WLS-Schätzung

Tab. 5-18:

Prüfkriterium

Wert

Likelihood Ratio-Test

p < 0,0005 (Ȥ² = 1397,116; d.f. = 4)

Cox und Snell-R²

0,807

Nagelkerke-R²

0,852

McFadden-R²

0,556

R²

0,910

Regressionsmodell A: Globale Modellprüfung508

Die Beurteilung des Modells anhand der Klassifikationsergebnisse zeigt ebenfalls ein gutes Ergebnis (vgl. Tab. 5-19). Die Ergebnisse der ML- und WLS-Schätzung sind hier identisch. Die Hit Ratio ist bei einer gruppenspezifischen Betrachtung in allen Klassen außer der ersten hoch. Aussagekräftiger ist jedoch der Vergleich der proportionalen Zufallswahrscheinlichkeit mit der Hit Ratio über alle Klassen. Dabei zeigt sich, dass wie gefordert die Hit Ratio über alle Klassen mit 75,58 % deutlich höher ist als die proportionale Zufallswahrscheinlichkeit von 24,55 %.509 Beobachtete Gruppenzugehörigkeit Absolut

Prozent

Prognostizierte Gruppenzugehörigkeit TW=T1

TW=T2

TW=T3

TW=T4

Hit Ratio

PZW

TW=T5

TW = Tarif 1

45

5,3

3

42

0

0

0

6,60 %

0,28 %

TW = Tarif 2

249

29,4

1

223

25

0

0

89,55 %

8,64 %

TW = Tarif 3

265

31,3

0

36

215

14

0

81,13 %

9,79 %

TW = Tarif 4

158

18,6

0

2

27

99

30

62,66 %

3,47 %

TW = Tarif 5

131

15,4

0

0

2

28

101

77,10 %

2,37 %

Insgesamt

848

100

4

303

269

141

131

75,58 %

24,55 %

Tab. 5-19:

Regressionsmodell A: Klassifikationsergebnisse und proportionale Zufallswahrscheinlichkeit510

Die Ergebnisse der Hit Ratio der ersten Gruppe (nur 6,6 %) und die Tatsache, dass die Pearson-Residuen, die außerhalb des 95 %-Konfidenzintervalls liegen, großteils

508 509

510

Quelle: Eigene Darstellung. Die Hit Ratio über alle Klassen ist der Prozentsatz der korrekten Klassenzuordnungen, also die Summe der grau hinterlegten Diagonale in Prozent von der Gesamtfallzahl 848. Die proportionale Zufallswahrscheinlichkeit berechnet sich gemäß Formel (17) in Kapitel 5.4.1.2.2. Quelle: Eigene Darstellung.

144 ebenfalls zu dieser Gruppe gehören, sprechen dafür, dass das Modell eher schlecht zur Prognose der ersten Tarifstufe geeignet ist. Insgesamt ist das Modell aufgrund der Gesamtbeurteilung der Kriterien jedoch zur Hypothesenprüfung in Bezug auf die Ursachen der Mobilfunktarifwahl im B-to-BKontext geeignet. Denn die untersuchten Zusatznutzenelemente beziehen sich auf Flatrates und die erste Stufe ist ein Pay-per-Use-Tarif. Die Ergebnisse der MLSchätzung des ordinalen Probit-Regressionsmodells sind in Tab. 5-20 dargestellt. Die Ergebnisse für die WLS-Schätzung sind in Bezug auf die Koeffizienten und deren Signifikanz identisch. Schätzer

Schwellenparameter

Lageparameter

Tarifwahl = Tarif 1

-0,183

Tarifwahl = Tarif 2

1,956

Tarifwahl = Tarif 3

4,287

Schätzer standardisiert

WaldStatistik

Konfidenzintervall p

Untere 2,5 %

Obere 2,5 %

Tarifwahl = Tarif 4

7,275

Versicherungseffekt

0,261

0,079

21,077

0,000

0,150

0,372

Bequemlichkeitseffekt

0,164

0,049

12,137

0,000

0,072

0,256

Taxametereffekt

-0,048

-0,014

0,774

n.s.

-0,153

0,058

Einschätzungseffekt

0,010

0,931

487,779

0,000

0,009

0,011

n = 848; Schätzer: ML

Tab. 5-20:

Regressionsmodell A511

Entsprechend den Hypothesen beeinflussen der Versicherungs- und der Einschätzungseffekt die Tarifwahl positiv in dem Sinne, dass der Flatrate-Charakter des gewählten Tarifs mit der steigenden Ausprägung der Effekte steigt. Die Koeffizienten sind hochsignifikant, und die Konfidenzintervalle schließen den Wert null nicht ein. Die Hypothese, der Taxametereffekt habe keinen Einfluss, kann ebenfalls bestätigt werden. Allerdings ist der Bequemlichkeitseffekt hochsignifikant. Die Hypothese bezüglich des Bequemlichkeitseffekts, dass kein Einfluss erwartet wird, kann damit nicht bestätigt werden.

511

Quelle: Eigene Darstellung. Aus Übersichtlichkeitsgründen ist nur die Wald-Statistik der ML-Schätzung angeführt. Die Ergebnisse zur Signifikanz auf Basis der t-Werte der WLS-Schätzung sind identisch. Der unstandardisierte Schätzer des Einschätzungseffekts ist aufgrund der unterschiedlichen Skalen im Vergleich zu den anderen Effekten einnimmt sehr klein (Werte Einschätzungseffekt: [-682,5; 4.617,13]; andere Effekte: [1; 5]). Dies führt auch zu der starken Veränderung des Koeffizienten bei der Standardisierung. Der gleiche Sachverhalt gilt auch für den Fehleinschätzungseffekt und die Validierungsmodelle.

145 Der standardisierte Koeffizient des Einschätzungseffekts ist deutlich größer als die Parameter des Versicherungs- und Bequemlichkeitseffekts (0,931 gegenüber 0,079/0,049). Diese Ergebnisse werden nun in zwei Schritten auf ihre Stabilität überprüft. Zunächst wird der Datensatz aufgeteilt und es erfolgt eine Kreuzvalidierung anhand der Teilstichproben. Anschließend werden die Hypothesen mit der Kausalanalyse als alternativem Auswertungsverfahren überprüft. Die Ergebnisse werden in 5.4.3.1.3 direkt gegenübergestellt. 5.4.3.1.2

Validierungsmodelle A: Ursachen der Tarifwahl

5.4.3.1.2.1 Kreuzvalidität A Zur Validierung der Ergebnisse des Regressionsmodells wird der verfügbare Datensatz in zwei zufällig gezogene Teilstichproben aufgeteilt. Zunächst wird das ordinale Probit-Regressionsmodell mit der Hauptstichprobe geschätzt, die etwa 70 % der Fälle der Gesamtstichprobe enthält (vgl. Tab. 5-22), die zufällig gezogen wurden. Die globalen Gütekriterien weisen auf einen guten Modellfit hin (vgl. Tab. 5-21).

ML-Schätzung

WLS-Schätzung

Tab. 5-21:

Prüfkriterium

Wert

Likelihood Ratio-Test

p < 0,0005 (Ȥ² = 1023,752; d.f. = 4)

Cox und Snell-R²

0,822

Nagelkerke-R²

0,865

McFadden-R²

0,577

R²

0,944

Hauptstichprobe Regressionsmodell A: Globale Modellprüfung512

Das dazugehörige Regressionsmodell ist in Tab. 5-22 dargestellt. Die Hypothesenprüfung mit der Hauptstichprobe zeigt, dass der Versicherungseffekt und der Einschätzungseffekt gemäß den Hypothesen einen signifikant positiven Einfluss auf die Tarifwahl ausüben, d. h. dass mit steigender Ausprägung der Effekte ein steigender Flatrate-Charakter des gewählten Tarifs festzustellen ist. Allerdings übt der Bequemlichkeitseffekt entgegen der Hypothese einen signifikant positiven Einfluss auf die Tarifwahl aus. Der Taxametereffekt ist wie erwartet nicht signifikant. Ein Vergleich der standardisierten Koeffizienten zeigt, dass der Einschätzungseffekt mit einem

512

Quelle: Eigene Darstellung.

146 Wert von 0,953 bei Weitem den Versicherungs- und Bequemlichkeitseffekt dominiert (0,063 und 0,04). Schätzer

Schwellenparameter

Lageparameter

Tarifwahl = Tarif 1

-0,064

Tarifwahl = Tarif 2

2,013

Tarifwahl = Tarif 3

4,444

Konfidenzintervall

Schätzer standardisiert

WaldStatistik

p

Untere 2,5 %

Obere 2,5 %

Tarifwahl = Tarif 4

7,772

Versicherungseffekt

0,271

0,063

15,037

0,000

0,134

0,408

Bequemlichkeitseffekt

0,169

0,040

8,540

0,003

0,056

0,283

Taxametereffekt

-0,074

-0,017

1,295

n.s.

-0,200

0,053

Einschätzungseffekt

0,01

0,953

330,500

0,009

0,012

0,000

n = 593; Schätzer: ML; R² (WLS) = 0,944

Tab. 5-22:

Hauptstichprobe Regressionsmodell A513

Diese Ergebnisse werden nun mit dem Rest der Gesamtstichprobe kreuzvalidiert. Diese Validierungsstichprobe enthält die etwa 30 % der Fälle, die in der Hauptstichprobe nicht enthalten waren. Die Gesamtmodellgüte ist auch hier gut (vgl. Tab. 5-23).

ML-Schätzung

WLS-Schätzung

Tab. 5-23:

Prüfkriterium

Wert

Likelihood Ratio-Test

p < 0,0005 (Ȥ² = 410,446; d.f. = 4)

Cox und Snell-R²

0,800

Nagelkerke-R²

0,848

McFadden-R²

0,560

R²

0,944

Validierungsstichprobe Regressionsmodell A: Globale Modellprüfung514

Das Regressionsmodell der Validierungsstichprobe ist in Tab. 5-24 dargestellt. Die Ergebnisse der Validierungsstichprobe bestätigen die Erkenntnisse der Hauptstichprobe. Einschätzungseffekt und Bequemlichkeitseffekt beeinflussen weiterhin die Tarifwahl signifikant positiv, auch wenn das Signifikanzniveau des Versicherungseffekts auf 0,03 ansteigt. Auch der Bequemlichkeitseffekt bleibt signifikant, wenn auch auf 0,05-Signifikanzniveau. Der Taxametereffekt bleibt nicht signifikant. Auch an der Validierungsstichprobe zeigt sich, dass der Einschätzungseffekt mit einem standardisierten Koeffizienten von 0,959 den Versicherungs- und Bequemlichkeitseffekt dominiert (0,052 und 0,037).

513

514

Quelle: Eigene Darstellung. Aus Übersichtlichkeitsgründen sind nur die t-Werte der WLS-Schätzung angeführt. Die Ergebnisse zur Signifikanz auf Basis der Wald-Statistik der ML-Schätzung sind identisch. Quelle: Eigene Darstellung.

147 Diese Kreuzvalidierung anhand zweier unabhängiger, zufällig aus der verfügbaren Gesamtstichprobe gezogenen Datensätze zeigt, dass die Ergebnisse als valide zu bewerten sind, da die Ergebnisse aus der Hauptstichprobe in der Validierungsstichprobe bestätigt werden. Schätzer

Schwellenparameter

Lageparameter

Tarifwahl = Tarif 1

-0,465

Tarifwahl = Tarif 2

1,883

Tarifwahl = Tarif 3

4,054

Schätzer standardisiert

WaldStatistik

Konfidenzintervall p

Untere 2,5 %

Obere 2,5 %

Tarifwahl = Tarif 4

6,493

Versicherungseffekt

0,210

0,052

4,391

0,030

0,014

0,406

Bequemlichkeitseffekt

0,154

0,037

3,599

0,050

-0,005

0,314

Taxametereffekt

0,018

0,004

0,032

n.s.

-0,178

0,213

Einschätzungseffekt

0,009

0,959

154,029

0,000

0,008

0,011

n = 255; Schätzer: ML; R² (WLS) = 0,944

Tab. 5-24:

Validierungsstichprobe Regressionsmodell A515

5.4.3.1.2.2 Innere Validität: Kausalmodell A Die Ergebnisse aus „Regressionsmodell A: Tarifwahl“ werden im Rahmen der Kausalanalyse als alternativem Verfahren validiert. Dabei werden die von BACKHAUS/BLECHSCHMIDT/EISENBEIß vorgeschlagenen Schritte drei bis fünf durchlaufen. Zunächst erfolgen die Parameterschätzung und die Gütebeurteilung. Da die abhängige Variable auf ordinalem Niveau gemessen wird, erfolgt die Schätzung mit dem WLSMV-Schätzer. Die Beurteilung der Reliabilität der Messmodelle und der Validität der Konstrukte erfolgte bereits in 5.4.2.3.2. Die in ordinalen Kausalmodellen verwendbaren globalen Gütekriterien sind in Tab. 5-25 angeführt. Globale Gütekriterien D.f.

15

TLI

0,909

CFI

0,903

RMSEA

0,084

WRMR

1,475

n=848, Schätzer: WLSMV

Tab. 5-25:

515

516

Kausalmodell A: Globale Gütekriterien516

Quelle: Eigene Darstellung. Aus Übersichtlichkeitsgründen sind nur die t-Werte der WLS-Schätzung angeführt. Die Ergebnisse zur Signifikanz auf Basis der Wald-Statistik der ML-Schätzung sind identisch. Quelle: Eigene Darstellung.

148 Die Werte der inkrementellen Anpassungsmaße TLI und CFI erfüllen die definierten Anforderungen. Der RMSEA übersteigt den kritischen Wert um 0,004. Für den WRMR ist kein Schwellenwert definiert, er ist jedoch größer als 1. Insgesamt ist damit die Modellgüte moderat. Eine mögliche Ursache hierfür ist, dass auch in diesem Fall eine hohe Anzahl an Zellen mit Nullhäufigkeiten vorliegt und im Vergleich zum Regressionsmodell mehr Parameter zu schätzen sind. Da dieses Kausalmodell lediglich der Validierung dient, wird es dennoch akzeptiert, zumal TLI und CFI im akzeptablen Bereich liegen. Bei der Überprüfung der Hypothesen anhand der Strukturkoeffizienten zeigt sich, dass der Versicherungs- und der Einschätzungseffekt hochsignifikant sind. Der Einfluss des Einschätzungseffekts ist dabei mit einem standardisierten Koeffizienten von 0,948 deutlich höher als der des Versicherungseffekts mit 0,107. Auch im Kausalmodell ist der Bequemlichkeitseffekt entgegen der Hypothese auf einem 0,01-Niveau signifikant, wenn auch nur mit einem Koeffizienten von 0,042. Der Taxametereffekt ist gemäß der Hypothese nicht signifikant. V1

Versicherungseffekt

V2

** 7* 3 10 6 0, 4,1 t=

B1 B2 B3

Bequemlichkeitseffekt

B4

0,04 t=3, 2** 103

Tarifwahl T1 T2 T3

Taxametereffekt

.s.) 2 (n -0,04 34 ,7 t=-1

T4

** 8* 78 94 9,1 , 0 2 t=

Einschätzungseffekt

Abb. 5-14:

R²=0,91 n=848 Schätzer: WLSMV

Kausalmodell A: Strukturkoeffizienten517

Die Stabilität dieser Ergebnisse wird anhand der Bootstrapping-Methode mit 1.000 Ziehungen überprüft. Die in Tab. 5-26 angeführten Ergebnisse zeigen keine Veränderung der Signifikanz unter Bootstrapping. Auch die Konfidenzintervalle der unstan-

517

Quelle: Eigene Darstellung.

149 dardisierten Strukturkoeffizienten unterstreichen die erzielten Ergebnisse, da sie bei den signifikanten Koeffizienten nicht den Wert null einschließen. Zusammenhang

Strukturkoeffizient

von

t-Wert

Signifikanz

auf

Konfidenzintervall Strukturkoeffizient Untere 2,5%

Obere 2,5%

3,761

0,0005 (1-seitig)

0,169

0,536

0,107

2,860

0,01 (2-seitig)

0,034

0,180

Taxametereffekt

-0,159

-1,450

n.s. (2-seitig)

-0,373

0,056

Einschätzungseffekt

0,010

15,335

0,0005 (1-seitig)

0,008

0,011

Versicherungseffekt

0,350

Bequemlichkeitseffekt Tarifwahl

n=848; 1.000 Ziehungen; Schätzer: WLS

Tab. 5-26:

5.4.3.1.3

Kausalmodell A: Strukturkoeffizienten mit Bootstrapping518

Validitätsbeurteilung Modell A

Zur Beurteilung der Validität der Ergebnisse in Bezug auf die Ursachen der Tarifwahl ist eine direkte Gegenüberstellung der Ergebnisse der verschiedenen Berechnungen erforderlich. Dabei zeigt sich zunächst, dass die Hypothesen im Regressionsmodell A, in den Regressionsmodellen der Haupt- und Validierungsstichprobe der Kreuzvalidierung A und im Kausalmodell A zur Feststellung der inneren Validität gleichermaßen bestätigt bzw. nicht bestätigt werden (vgl. Tab. 5-27). Validierung der Ergebnisse aus Regressionsmodell A Effekt

Postulierter Einfluss

Regressionsmodell A

Kreuzvalidierung A Hauptstichprobe A

Validierungsstichprobe A

Innere Validität Kausalmodell A

H1

Einschätzungseffekt

+

b.

b.

b.

b.

H3a

Versicherungseffekt

+

b.

b.

b.

b.

H4a

Bequemlichkeitseffekt

0

v.

v.

v.

v.

H5a

Taxametereffekt

0

b.

b.

b.

b.

H: Hypothese/ +: Positiver Einfluss/ 0: Kein Einfluss/ b.: Hypothese vorläufig bestätigt/ v.: Hypothese verworfen

Tab. 5-27:

518 519

Vergleich der Hypothesentests aus Regressions- und Validierungsmodellen A519

Quelle: Eigene Darstellung. Quelle: Eigene Darstellung.

150 In allen Auswertungen sind Versicherungs- und Einschätzungseffekt signifikant ursächlich für die Tarifwahl. Bestätigt wird auch, dass der Taxametereffekt keinen Einfluss ausübt. Nicht bestätigt wird, dass der Bequemlichkeitseffekt keinen Einfluss auf die Tarifwahl ausübt, da der Einfluss des Effekts in allen Auswertungen signifikant positiv ist. Für alle Modelle kann eine ähnliche, moderate Modellgüte ermittelt werden. Diese nur moderate Güte rührt daher, dass das Problem der leeren Zellen in allen Modellen gleichermaßen besteht. Auf Koeffizientenebene zeigt der Vergleich, dass die standardisierten Koeffizienten fast identisch sind, da selbst die maximalen Differenzen der Validierungsmodelle zum Regressionsmodell marginal sind (vgl. Tab. 5-28). Der Einschätzungseffekt dominiert in allen Modellen mit standardisierten Werten zwischen 0,931 und 0,959 bei Weitem die anderen Koeffizienten. Denn die standardisierten Werte der signifikanten Koeffizienten Versicherungs- und Bequemlichkeitseffekt liegen bei 0,079 bzw. 0,049. Die Varianzerklärung der Modelle, die sich im R²Wert der WLS-Schätzung ausdrückt, ist ebenfalls ähnlich hoch und spricht für eine hohe Erklärungskraft der Modelle. Validierung der Ergebnisse aus Regressionsmodell A Regressionsmodell A

Koeffizienten

Kreuzvalidierung A Hauptstichprobe A

Validierungsstichprobe A

Innere Validität Kausalmodell A

Maximale |Differenz| zum Regressionsmodell

Versicherungseffekt

0,079

0,063

0,052

0,107

Bequemlichkeitseffekt

0,049

0,04

0,037

0,042

0,012

Taxametereffekt

-0,014

-0,017

0,004

-0,042

0,028

Einschätzungseffekt

0,931

0,953

0,959

0,948

0,028

R² (WLS)

0,910

0,944

0,944

0,910

0,034

Tab. 5-28:

0,028

Vergleich der standardisierten Koeffizienten und der R²-Werte aus Regressions- und Validierungsmodellen A520

Diese Ergebnisse zeigen, dass von hoher Übereinstimmungsvalidität der Ergebnisse ausgegangen werden kann. Sowohl die Kreuzvalidierung als auch die Überprüfung der inneren Validität führen inhaltlich zu den gleichen Aussagen sowie zu annähernd identischen Werten in Bezug auf den Einfluss der untersuchten Effekte.

520

Quelle: Eigene Darstellung.

151 5.4.3.2

Modell B: Ursachen von Tarifwahl-Biases bei der Mobilfunktarifwahl im B-to-B-Bereich

5.4.3.2.1

Regressionsmodell B: Ursachen von Tarifwahl-Biases

5.4.3.2.1.1 Gesamtmodell Die Überprüfung der Hypothesen zu den Ursachen von Tarifwahl-Biases erfolgt mit Hilfe der linearen Regression, bei der die unabhängigen Variablen Versicherungs-, Bequemlichkeits-, Taxameter- und Fehleinschätzungseffekt auf die abhängige Variable Tarifwahl-Bias regressiert werden. Die Ergebnisse der Schätzung des Regressionsmodells sind in Tab. 5-30 dargestellt. Die Qualität der Ergebnisse hängt allerdings auch im linearen Regressionsmodell von der Erfüllung der Modellprämissen ab, die daher vor der Hypothesenprüfung kontrolliert werden. Von Normalverteilung der Residuen kann aufgrund der Stichprobengröße ausgegangen werden. Die Prüfung des Streudiagramms der standardisierten geschätzten Werte der abhängigen Variable und der standardisierten Residuen auf Homoskedastizität weist nicht auf Probleme mit Heteroskedastizität hin.521 Der Goldfeld/Quandt-Test anhand von zwei zufällig gezogenen Teilstichproben zeigt ebenfalls Homoskedastizität der Residuen bei einer Irrtumswahrscheinlichkeit von 5 %, da der empirisch ermittelte F-Wert kleiner ist als der theoretische Wert.522 Auch die Prüfung der unabhängigen Variablen anhand des VIF zeigt, dass keine Probleme mit Multikollinearität auftreten, da alle Werte des VIF nahe 1 liegen (vgl. Tab. 5-29). Unabhängige Variable

VIF

Versicherungseffekt

1,709

Bequemlichkeitseffekt

1,073

Taxametereffekt

1,560

Fehleinschätzungseffekt

1,077

Tab. 5-29:

Regressionsmodell B: Kollinearitätsdiagnose523

Neben der Prämissenprüfung belegt auch die Prüfung des Gesamtmodells, dass das Regressionsmodell als prinzipiell geeignet angenommen werden kann. Durch das

521

522

Vgl. Anhang 9. Das angetroffene Muster ist kein Anzeichen für Heteroskedastizität, vgl. Draper, N.R./ Smith, H. (1998), S. 64. In jedem Plot von standardisierten Residuen und standardisierten geschätzten Werten entstehen Geraden mit negativer Steigung von 1. Diese Linien sind also kein Anzeichen für Prämissenverletzungen, vgl. auch Searle, S.R. (1988), S. 211. Zur Bestimmung des exakten theoretischen F-Werts vgl. Andreß, H.-J. (2003). Vergleich der F-Werte:

Fempirisch 523

17,8552 2 17,0740 2

1,094  Ftheoretisch (334 41

Quelle: Eigene Darstellung.

329; 333 4 1 328 )

1,2

152 Modell können 61,9 % der Gesamtstreuung der abhängigen Variablen erklärt werden. Der F-Wert belegt, dass auch in der Grundgesamtheit ein signifikanter Zusammenhang unterstellt werden kann. Somit ist von einer hohen Modellgüte auszugehen (vgl. Tab. 5-30). Gesamtmodell n = 667

Wert

R²

0,619

F-Wert

269,338

Signifikanzniveau 0

Koeffizienten Standardisierter Wert

t-Wert

Signifikanzniveau

(Konstante)

(1,570)

Versicherungseffekt

0,117

3,748

Bequemlichkeitseffekt

0,035

1,423

n.s.(2-seitig)

Taxametereffekt

-0,014

-0,469

n.s. (2-seitig)

Fehleinschätzungseffekt

0,747

30,012

0,0005 (1-seitig)

Tab. 5-30:

Regressionsmodell B

0,0005 (1-seitig)

524

Die Prüfung der Hypothesen zu den Ursachen von Tarifwahl-Biases in Regressionsmodell B zeigt: Versicherungseffekt und Fehleinschätzungseffekt üben beide einen hypothesenkonformen und hochsignifikanten, positiven Einfluss auf Tarifwahl-Biases aus. Der Fehleinschätzungseffekt dominiert dabei mit einem Wert von 0,747 für den standardisierten Regressionskoeffizienten den Versicherungseffekt mit einem Wert von 0,117. Aufgrund der Definition der Skala von Fehleinschätzungseffekt und Tarifwahl-Bias bedeutet dies, dass die Überschätzung der Nutzung einen Flatrate-Bias verursacht, die Unterschätzung einen Pay-per-Use-Bias. Anhand von zweiseitigen t-Tests können auch die Hypothesen bestätigt werden, dass die Variablen Taxametereffekt und Bequemlichkeitseffekt keinen Einfluss auf den Tarifwahl-Bias ausüben. 5.4.3.2.1.2 Submodelle Pay-per-Use- und Flatrate-Bias Bislang wurden die Ursachen von Tarifwahl-Biases gemeinsam analysiert. Da der Pay-per-Use- und der Flatrate-Bias teilweise unterschiedliche Ursachen haben können,525 werden möglicherweise durch die gemeinsame Betrachtung Ursachen verstärkt oder abgeschwächt. Daher erfolgt zusätzlich eine Betrachtung der beiden Submodelle Pay-per-Use- und Flatrate-Bias. Dazu werden die Tarifwahlen identifi-

524 525

Quelle: Eigene Darstellung. Vgl. Kapitel 3.2.2.1.

153 ziert, in denen ein Pay-per-Use-Bias (45 Fälle) oder ein Flatrate-Bias (480 Fälle) vorliegt und getrennt analysiert. Theoriebasiert wurde die Hypothese abgeleitet, dass der Fehleinschätzungseffekt den Pay-per-Use-Bias verursacht. In Bezug auf das einzige erfasste potenzielle Zusatznutzenelement von Pay-per-Use-Tarifen, den Bequemlichkeitseffekt, wurde postuliert, dass dieser Effekt die Pay-per-Use-Biases nicht beeinflussen sollte (Hypothese 7b). Diese Hypothesen bestätigen sich im in Tab. 5-31 dargestellten Regressionsmodell. Aufgrund der geringen Fallzahl sind jedoch die Ergebnisse nicht verlässlich. Zur Kontrolle wurde daher auch eine Regression auf Basis der Tarifwahlen durchgeführt, die einen Pay-per-Use- oder keine Bias aufweisen (vgl. Anhang 10). Daraus leitet sich ebenfalls ab, dass der Pay-per-Use-Bias lediglich durch den Fehleinschätzungseffekt verursacht wird. Gesamtmodell n = 45

Wert

R²

0,432

F-Wert

7,613

Signifikanzniveau 0

Koeffizienten Standardisierter Wert (Konstante)

t-Wert

Signifikanzniveau

(-17,367)

Versicherungseffekt

0,135

0,942

n.s. (2-seitig)

Bequemlichkeitseffekt

-0,163

-1,351

n.s. (2-seitig)

Taxametereffekt

0,002

0,017

n.s. (2-seitig)

Fehleinschätzungseffekt

0,602

4,945

0,005 (1-seitig)

Tab. 5-31:

Regressionssubmodell B (Pay-per-Use-Bias)526

Die Hypothesen zu den Ursachen des Flatrate-Biases sind identisch mit den Hypothesen zu den Ursachen von Tarifwahl-Biases, da es sich bei den empirisch untersuchten Zusatznutzenelementen um potenzielle Zusatznutzenelemente von Flatrates handelt. Im Regressionssubmodell der Flatrate-Biases (vgl. Tab. 5-32) bestätigt sich, dass der Versicherungseffekt und der Fehleinschätzungseffekt beide signifikant ursächlich für den Flatrate-Bias sind. Die Hypothesen hierzu können also bestätigt werden. Der Fehleinschätzungseffekt dominiert weiterhin den Versicherungseffekt. Die Hypothese, der Bequemlichkeitseffekt habe keinen Einfluss, findet jedoch keine Bestätigung. Bei dem hier einzusetzenden zweiseitigen Test ist der Bequemlichkeitseffekt mit einem Signifikanzniveau von 0,01 ursächlich für den Flatrate-Bias.

526

Quelle: Eigene Darstellung.

154 Gesamtmodell n = 480

Wert

R²

0,572

F-Wert

158,674

Signifikanzniveau 0

Koeffizienten Standardisierter Wert

t-Wert

Signifikanzniveau

(Konstante)

(12,962)

Versicherungseffekt

0,166

4,123

0,0005 (1-seitig)

Bequemlichkeitseffekt

0,112

3,541

0,01 (2-seitig)

Taxametereffekt

-0,018

-0,460

n.s. (2-seitig)

Fehleinschätzungseffekt

0,682

22,102

0,0005 (1-seitig)

Tab. 5-32:

5.4.3.2.2

Regressionssubmodell B (Flatrate-Bias)527

Validierungsmodelle B: Ursachen von Tarifwahl-Biases

5.4.3.2.2.1 Kreuzvalidität B 5.4.3.2.2.1.1 Gesamtmodell Auch das „Regressionsmodell B: Ursachen von Tarifwahl-Biases“ wird einer Kreuzvalidierung anhand von zwei zufällig aus der verfügbaren Datenbasis gezogenen Teilstichproben unterworfen. Das Modell wird zunächst für die Hauptstichprobe, die zufällig gezogen wurde und etwa 70 % der verfügbaren Datenbasis ausmacht, geschätzt (vgl. Tab. 5-33).528 Der R²-Wert und der F-Wert sprechen für eine hohe Modellgüte. Gesamtmodell n = 466

Wert

R²

0,634

F-Wert

199,545

Signifikanzniveau 0

Koeffizienten Standardisierter Wert

t-Wert

Signifikanzniveau

(Konstante)

(0,850)

Versicherungseffekt

0,099

2,739

Bequemlichkeitseffekt

0,028

0,960

n.s.(2-seitig)

Taxametereffekt

0,003

0,082

n.s. (2-seitig)

Fehleinschätzungseffekt

0,762

26,167

0,0005 (1-seitig)

Tab. 5-33:

527 528 529

Hauptstichprobe Regressionsmodell B

0,01 (1-seitig)

529

Quelle: Eigene Darstellung. Diese Stichprobe entspricht nicht der in der Validierung von Modell A verwendeten Stichprobe. Quelle: Eigene Darstellung.

155 Die Hypothesenprüfung zeigt, dass Versicherungseffekt und Fehleinschätzungseffekt gemäß den Hypothesen einen signifikant positiven Einfluss auf Tarifwahl-Biases ausüben. Bequemlichkeits- und Taxametereffekt sind gemäß den Hypothesen nicht signifikant. Der Fehleinschätzungseffekt übt mit einem standardisierten Koeffizienten von 0,762 einen weitaus stärkeren Einfluss aus als der Versicherungseffekt mit einem Parameter von 0,099. Das Modell wird anschließend für die Validierungsstichprobe, die die restlichen Fälle der Datenbasis enthält, geschätzt (vgl. Tab. 5-34). Gesamtmodell n = 201

Wert

R²

0,596

F-Wert

72,222

Signifikanzniveau 0

Koeffizienten Standardisierter Wert

t-Wert

Signifikanzniveau

(Konstante)

(2,987)

Versicherungseffekt

0,155

2,481

Bequemlichkeitseffekt

0,051

1,060

n.s.(2-seitig)

Taxametereffekt

-0,042

-0,710

n.s. (2-seitig)

0,718

14,961

0,0005 (1-seitig)

Fehleinschätzungseffekt

Tab. 5-34:

0,01 (1-seitig)

Validierungsstichprobe Regressionsmodell B530

In der Validierungsstichprobe bestätigen sich die hypothesenkonformen Ergebnisse der Hauptstichprobe: Versicherungs- und Fehleinschätzungseffekt beeinflussen den Tarifwahl-Bias signifikant positiv, Bequemlichkeits- und Taxametereffekt üben keinen Einfluss aus. Der Fehleinschätzungseffekt bleibt mit einem standardisierten Koeffizienten von 0,718 weitaus einflussreicher als der Versicherungseffekt mit 0,155. 5.4.3.2.2.1.2 Submodell Flatrate-Biases Die Kreuzvalidierung wird auch für das Submodell Flatrate-Bias durchgeführt und die Stichprobe der Fälle, in denen ein Flatrate-Bias auftritt, in Haupt- und Validierungsstichprobe aufgeteilt. Die Hauptstichprobe enthält 70 % der Fälle aus der relevanten Stichprobe, die zufällig aus der entsprechenden Datenbasis gezogen wurden (vgl. Tab. 5-35). Bei der Hypothesenprüfung wird bestätigt, dass Fehleinschätzungs- und Versicherungseffekt einen positiven Einfluss auf den Flatrate-Bias ausüben, sowie dass der Taxameteref-

530

Quelle: Eigene Darstellung.

156 fekt keinen Einfluss ausübt. Nicht bestätigt wird jedoch, dass der Bequemlichkeitseffekt keinen Einfluss ausübt. Der Fehleinschätzungseffekt dominiert den Versicherungs- und Bequemlichkeitseffekt, von denen ein weitaus schwächerer Einfluss ausgeht. Gesamtmodell n = 336

Wert

R²

0,57

F-Wert

109,647

Signifikanzniveau 0

Koeffizienten Standardisierter Wert

t-Wert

Signifikanzniveau

(Konstante)

(13,033)

Versicherungseffekt

0,123

2,564

0,01 (1-seitig)

Bequemlichkeitseffekt

0,108

2,864

0,01 (2-seitig)

Taxametereffekt

0,013

0,276

n.s. (2-seitig)

Fehleinschätzungseffekt

0,699

18,930

0,0005 (1-seitig)

Tab. 5-35:

Hauptstichprobe Regressionssubmodell B (Flatrate-Bias)531

Auch diese Ergebnisse werden mit der Validierungsstichprobe kreuzvalidiert (vgl. Tab. 5-36). Gesamtmodell n = 144

Wert

R²

0,583

F-Wert

48,612

Signifikanzniveau 0

Koeffizienten Standardisierter Wert

t-Wert

Signifikanzniveau

(Konstante)

(13,186)

Versicherungseffekt

0,271

3,615

0,0005 (1-seitig)

Bequemlichkeitseffekt

0,123

2,043

0,05 (2-seitig)

Taxametereffekt

-0,089

-1,289

n.s. (2-seitig)

Fehleinschätzungseffekt

0,627

10,963

0,0005 (1-seitig)

Tab. 5-36:

Validierungsstichprobe Regressionssubmodell B (Flatrate-Bias)532

Die Ergebnisse der Hypothesenprüfung der Validierungsstichprobe bestätigen die Ergebnisse der Hauptstichprobe: Fehleinschätzungs- und Versicherungseffekt beeinflussen den Flatrate-Bias positiv, der Taxametereffekt übt keinen Einfluss aus. Der Bequemlichkeitseffekt ist entgegen der Hypothese signifikant. Der Einfluss des Fehl-

531 532

Quelle: Eigene Darstellung. Quelle: Eigene Darstellung.

157 einschätzungseffekts ist größer als der des Versicherungs- bzw. Bequemlichkeitseffekts. 5.4.3.2.2.2 Innere Validität: Kausalmodell B 5.4.3.2.2.2.1 Gesamtmodell Die Validierung der Ergebnisse zu den Ursachen des Tarifwahl-Bias erfolgt ebenfalls im Rahmen einer Anwendung der Kausalanalyse. Die abhängige Variable „Tarifwahl-Bias“ ist metrisch, jedoch nicht normalverteilt. Die Parameterschätzung und traditionelle Gütebeurteilung erfolgen daher mit dem MLMSchätzer. Die Beurteilung der Reliabilität der Messmodelle und Validität der Konstrukte ist in Kapitel 5.4.2.3.2 dargestellt. Die globalen Gütekriterien für das „Kausalmodell B: Tarifwahl-Bias“ erfüllen allesamt die definierten Anforderungen (vgl. Tab. 5-37). Das Modell kann daher auf Basis der Beurteilung aller Gütekriterien angenommen werden. Globale Gütekriterien D.f.

46

TLI

Ȥ2/d.f.

2,125

RMSEA

0,981 0,041

CFI

0,987

SRMR

0,022

n=667, Schätzer: MLM

Tab. 5-37:

Kausalmodell B: Globale Gütekriterien533

Aufgrund der guten Modellanpassung ist eine Hypothesenprüfung mittels der Kausalanalyse möglich. Die standardisierten Strukturkoeffizienten, die dazugehörigen tWerte und Signifikanzen sowie das Bestimmtheitsmaß R² sind in Abb. 5-15 dargestellt. Durch das Gesamtmodell werden 62,4 % der Varianz des Tarifwahl-Bias erklärt. Die Hypothesen zu den Ursachen des Tarifwahl-Bias können auch im Kausalmodell bestätigt werden. Der Fehleinschätzungseffekt übt mit einem Koeffizienten von 0,739 den stärksten Einfluss auf den Tarifwahl-Bias aus, der Versicherungseffekt übt mit einem Koeffizienten von 0,166 zwar einen wesentlich schwächeren, aber dennoch hochsignifikanten Einfluss aus. Bequemlichkeitseffekt und Taxametereffekt sind nicht signifikant ursächlich für den Tarifwahl-Bias.

533

Quelle: Eigene Darstellung.

158

V1

Versicherungseffekt

V2

** 6* 2 16 1 0, 3,2 t=

B1 B2 B3

Bequemlichkeitseffekt

B4

0,02 t=1, 7 (n.s. ) 067

Tarifwahl-Bias T1 T2

Taxametereffekt

T3

.s.) 6 (n -0,05 10 ,2 1 t=-

T4

** 9* 89 73 ,3 0, 18 t=

Fehleinschätzungseffekt

Abb. 5-15:

R²=0,624 n=667 Schätzer: MLM

Kausalmodell B: Strukturkoeffizienten534

Die Stabilität dieser Erkenntnisse wird auch für dieses Modell anhand der Bootstrapping-Methode mit 1.000 Stichprobenziehungen überprüft. Dabei kann der MLMSchätzer nicht eingesetzt werden. Die Ergebnisse zum Gesamtmodell unter Verwendung des ML-Schätzers sind Anhang 11 zu entnehmen und zeigen, dass alle Gütekriterien erfüllt sind. Die Strukturkoeffizienten, die t-Werte mit und ohne Bootstrapping sowie die 95 %-Konfidenzintervalle für die unstandardisierten Strukturkoeffizienten sind in Tab. 5-38 angeführt. Die t-Werte zur Signifikanzprüfung der Strukturkoeffizienten verringern sich aufgrund des Boostrapping. Dadurch nimmt das Signifikanzniveau des Versicherungseffekts von 0,0005 auf 0,01 ab, der signifikante, positive Einfluss bleibt jedoch erhalten. Außerdem schließt das 95 %-Konfidenzintervall des Versicherungseffekts mit [1,615; 7,821] den Wert null nicht ein. Von daher kann von einem signifikanten positiven Einfluss des Versicherungseffekts ausgegangen werden. Der Fehleinschätzungseffekt bleibt trotz einer Verringerung des t-Werts auf dem 0,0005-Niveau signifikant. Das Konfidenzintervall schließt ebenfalls mit [0,059; 0,074] den Wert null nicht ein. Bequemlichkeits- und Taxametereffekt sind auch unter Bootstrapping nicht signifikant, was durch die Konfidenzintervalle, die jeweils den Wert null einschließen, bestätigt wird. Insgesamt sprechen also die Ergebnisse auch hier dafür, dass im Kausalmodell B eine verlässliche Lösung erzielt wurde.

534

Quelle: Eigene Darstellung.

159

Zusammenhang

von

auf

Versicherungseffekt Bequemlichkeitseffekt

TWBias

Taxametereffekt Fehleinschätzungseffekt

Signifikanz

Konfidenzintervall unstandardisierter Strukturkoeffizient

Bootstrapping

Bootstrapping

Untere 2,5%

Obere 2,5%

3,444

2,980

0,01 (1-seitig)

1,615

7,821

0,027

1,026

1,012

n.s. (2-seitig)

-0,579

1,817

-0,056

-1,255

-1,131

n.s. (2-seitig)

-4,959

1,331

18,099

0,0005 (1-seitig)

0,059

0,074

Strukturkoeffizient

t-Wert

unstandardisiert

standardisiert

normal

4,718

0,166

0,619 -1,814 0,066

0,739

29,124

n=667; Schätzer: ML

Tab. 5-38:

Kausalmodell B: Strukturkoeffizienten mit Bootstrapping535

Der letzte Schritt nach dem Vorgehen von BACKHAUS/BLECHSCHMIDT/EISENBEIß ist die Überprüfung der Datenheterogenität. Dazu wird für das „Kausalmodell B: TarifwahlBias“ ergänzend zum zu testenden Modell das saturierte Modell geschätzt und die Informationskriterien AIC, BIC und CAIC für beide Modelle berechnet (vgl. Tab. 5-39). Zu testendes Modell ln(n)

Saturiertes Modell 6,5027

ln(n)+1

7,5027

k

42

88

-2LL

32.359,8080

32.234,5120

AIC

32.443,8080

32.410,5120

BIC

32.632,9214

32.806,7496

CAIC

32.674,9214

32.894,7496

n=667; Schätzer: ML

Tab. 5-39:

Kausalmodell B: Vergleich der Informationskriterien536

Im Kausalmodell B übersteigt lediglich der AIC des zu testenden Modells den Wert des saturierten Modells, allerdings ist diese Differenz im Verhältnis zum Niveau der Werte gering (125 im Vergleich zu rund 32.300). Die in der Literatur favorisierten Werte für BIC und CAIC des saturierten Modells sind größer als die des zu testenden Modells. Daher kann davon ausgegangen werden, dass die Daten relativ homogen sind und die Ergebnisse nicht aufgrund nicht berücksichtiger Heterogenität instabil sind. Die Erkenntnisse zu den Hypothesen sind also in Bezug auf die Grundgesamt-

535 536

Quelle: Eigene Darstellung. Quelle: Eigene Darstellung.

160 heit als gut zu beurteilen, und die Schätzung eines Finite Mixture-Kausalmodells würde wenig zusätzlichen Erkenntnisgewinn mit sich bringen.537 5.4.3.2.2.2.2 Submodell Flatrate-Bias Für das Submodell Pay-per-Use-Bias liegt mit 45 Fällen eine deutlich zu geringe Fallzahl für eine Kausalanalyse vor. Für das Submodell Flatrate-Bias kann die Kausalanalyse zur Validierung durchgeführt werden, da mit n=480 genügend Fälle vorliegen. Die Gütekriterien sind in diesem Modell erfüllt (vgl. Anhang 12). Die Hypothesen zu Versicherungs-, Taxameter- und Fehleinschätzungseffekt werden im Modell bestätigt (vgl. Abb. 5-16). Die Hypothese, dass der Bequemlichkeitseffekt keinen Einfluss auf den Flatrate-Bias habe, bestätigt sich jedoch nicht. Der Effekt ist vielmehr auch im Kausalmodell auf einem Niveau von 0,05 signifikant. V1 V2

Versicherungseffekt ** 6* 4 23 8 0, 3,4 t=

B1 B2 B3

Bequemlichkeitseffekt

B4

0,09 t=2, 6* 468

Flatrate-Bias T1 T2 T3

Taxametereffekt

.s.) 3 (n -0,08 94 ,2 t=-1

T4

** 9* 09 67 ,4 0, 18 t=

Fehleinschätzungseffekt

Abb. 5-16:

537

538

R²=0,58 n=480 Schätzer: MLM

Validierungssubmodell B (Flatrate-Bias): Strukturkoeffizienten538

Eine Schätzung eines Zwei-Klassen-Finite Mixture-Strukturgleichungsmodells bestätigt diese Annahme: Das Entropie-Maß, das die Separation der Segmente angibt (Wertebereich im Intervall [0; 1]; zur Entropie vgl. Braun, C. (2006), S. 152), ist mit 0,991 zwar sehr gut, auch die durchschnittliche Wahrscheinlichkeit der korrekten Zuordnung zu den latenten Klassen ist mit 0,916 und 0,999 sehr hoch. Allerdings umfasst die erste Klasse lediglich 2% der Fälle, der zweiten Klasse werden 98 % der Fälle zugeordnet. Dies spricht dafür, dass die Daten sehr homogen sind. Die Strukturkoeffizienten der beiden Klassen sind außerdem in der Richtung identisch. Die erste Klasse (2% der Fälle) unterscheidet sich von der zweiten Klasse lediglich durch ein niedrigeres Niveau beim Versicherungseffekt (0,112 vs. 0,152) und ein höheres Niveau beim Fehleinschätzungseffekt (0,89 vs. 0,786). Quelle: Eigene Darstellung.

161 Dieses Bild bestätigt sich auch bei der Durchführung des Bootstrapping (vgl. Tab. 5-40), da die Signifikanzen erhalten bleiben und die Konfidenzintervalle der Strukturkoeffizienten den Anforderungen entsprechen.539 Zusammenhang

von

auf

Versicherungseffekt Bequemlichkeitseffekt

FRBias

Taxametereffekt Fehleinschätzungs-effekt

Signifikanz

Konfidenzintervall unstandardisierter Strukturkoeffizient

Bootstrapping

Bootstrapping

Untere 2,5%

Obere 2,5%

3,502

3,187

0,01 (1-seitig)

1,687

7,073

0,096

2,649

2,388

0,05 (2-seitig)

0,255

2,587

-1,78

-0,083

-1,319

-1,173

n.s. (2-seitig)

-4,753

1,193

0,044

0,679

21,862

18,681

0,0005 (1-seitig)

0,039

0,048

Strukturkoeffizient

t-Wert

unstandardisiert

standardisiert

normal

4,38

0,236

1,421

n=480; Schätzer: ML

Tab. 5-40:

5.4.3.2.3

Kausalsubmodell B (Flatrate-Bias): Strukturkoeffizienten mit Bootstrapping540

Validitätsbeurteilung Modell B

Auch für die Beurteilung der Validität der Ergebnisse zu den Ursachen von TarifwahlBiases müssen die einzelnen Berechnungen einander direkt gegenübergestellt werden (vgl. Tab. 5-41). Gesamtmodell B: Tarifwahl-Bias B i a s

Effekt

Submodell B: Flatrate-Bias

Regressionsmodell B

Validierung der Ergebnisse

HS B

VS B

Kreuzvalidierung

Validierung der Ergebnisse

IV KA B

Regressionssubmodell B

HS B

VS B

IV KA Sub

Kreuzvalidierung

H2

Fehleinschätzungseffekt

+

b.

b.

b.

b.

b.

b.

b.

b.

H3b

Versicherungseffekt

+

b.

b.

b.

b.

b.

b.

b.

b.

H4b

Bequemlichkeitseffekt

0

b.

b.

b.

b.

v.

v.

v.

v.

H5b

Taxametereffekt

0

b.

b.

b.

b.

b.

b.

b.

b.

HS: Hauptstichprobe/ VS: Validierungsstichprobe/ IV: Innere Validität/ KA: Kausalmodell +: Positiver Einfluss/ 0: Kein Einfluss/ b.: Hypothese vorläufig bestätigt/ v.: Hypothese verworfen

Tab. 5-41:

539 540 541

Vergleich der Hypothesentests aus Regressions- und Validierungsmodellen B541

Außerdem ist aufgrund der Werte der Informationskriterien nicht von unbeobachteter Datenheterogenität auszugehen, vgl. Anhang 13. Quelle: Eigene Darstellung. Quelle: Eigene Darstellung.

162 Die Gegenüberstellung zeigt, dass die Hypothesen in allen Modellen gleichermaßen bestätigt bzw. nicht bestätigt werden können. Im Gesamtmodell Tarifwahl-Bias können alle Hypothesen bezüglich der Effekte in allen Modellen bestätigt werden. Im Submodell Flatrate-Bias sind die Ergebnisse aus allen Modellen ebenfalls identisch. Hier wird jedoch widerlegt, dass der Bequemlichkeitseffekt keinen Einfluss hat. Alle Modelle zeichnen sich durch eine hohe Modellgüte aus. Die Ergebnisse sind also in dieser Hinsicht als verlässlich zu bewerten. Die Varianzerklärung der Modelle liegt zwischen 0,57 und 0,634 und spricht jeweils für eine gute Erklärungskraft der Modelle. Auf Detailebene zeigen auch die Ergebnisse zu den standardisierten Koeffizienten eine hohe Übereinstimmung, da die Differenzen klein sind (vgl. Tab. 5-42). Die maximalen Differenzen im Submodell Flatrate-Bias sind etwas größer als die maximalen Differenzen im Gesamtmodell. Dies könnte daher rühren, dass die Stichprobengröße im Submodell geringer ist. Die Varianzerklärung der verschiedenen Modelle ist ebenfalls beinahe identisch. Der Fehleinschätzungseffekt dominiert in allen Modellen mit standardisierten Koeffizienten zwischen 0,627 (Submodell B: Validierungsstichprobe) und 0,762 (Gesamtmodell B: Hauptstichprobe) über die standardisierten Koeffizienten der übrigen signifikanten Parametern, die zwischen 0,271 (Versicherungseffekt im Submodell B, Validierungsstichprobe) und 0,096 (Bequemlichkeitseffekt im Submodell B, Kausalmodell) variieren. Gesamtmodell B: Tarifwahl-Bias Koeffizienten

Regressionsmodell B

Submodell B: Flatrate-Bias

Validierung der Ergebnisse Kreuzvalidierung

IV KA

|Differenz| max. zu Regression

Regressionssubmodell B

Validierung der Ergebnisse Kreuzvalidierung

IV KA

|Differ enz| max.

HS

VS

HS

VS

VE

0,117

0,099

0,155

0,166

0,049

0,166

0,123

0,271

0,236

BE

0,035

0,028

0,051

0,027

0,016

0,112

0,108

0,123

0,096

0,046

TE

-0,014

0,003

-0,042

-0,056

0,042

-0,018

0,013

-0,089

-0,083

0,071

FE

0,747

0,762

0,718

0,739

0,029

0,682

0,699

0,627

0,679

0,055

R²

0,619

0,634

0,596

0,624

0,023

0,572

0,570

0,583

0,580

0,011

0,105

VE: Versicherungseffekt/ BE: Bequemlichkeitseffekt/ TE: Taxametereffekt/ FE: Fehleinschätzungseffekt HS: Hauptstichprobe/ VS: Validierungsstichprobe/ IV: Innere Validität/ KA: Kausalanalyse

Tab. 5-42:

Vergleich der standardisierten Koeffizienten und der R²-Werte aus Regressions- und Validierungsmodellen B542

Aus diesem deskriptiven Vergleich lässt sich ableiten, dass eine hohe Übereinstimmungsvalidität der Ergebnisse besteht. Die Kreuzvalidierung und die Überprüfung der inneren Validität anhand eines alternativen Verfahrens führen inhaltlich zu identi542

Quelle: Eigene Darstellung.

163 schen Aussagen in Bezug auf den Einfluss der Effekte. Selbst auf Koeffizientenebene ist eine große Ähnlichkeit der Werte festzustellen. 5.5

Zusammenfassende kritische Würdigung der Ergebnisse

Die Tarifwahl wurde im Rahmen einer hypothetischen Tarifwahl aus optionalen Volumentarifen erhoben. Im Ergebnis zeigt sich, dass alle Tarife von den Entscheidern gewählt werden. Am häufigsten wurde der Tarif gewählt, der einen mittleren Grundpreis und ein mittleres Freikontingent und damit einen mittleren Flatrate-Charakter im Vergleich zu den restlichen zur Auswahl stehenden Tarifen aufweist. Daher ist eine Tendenz zur Wahl eines Tarifs mit mittlerem Flatrate-Charakter festzustellen. Die potenziellen Ursachen der Tarifwahl wurden ebenfalls im Rahmen der Befragung von Entscheidern erhoben: Die Einschätzung der Mobilfunknutzung wurde eindimensional, Versicherungs-, Bequemlichkeits- und Taxametereffekt wurden mehrdimensional erhoben. Die mehrdimensionalen Konstrukte wurden mit einer konfirmatorischen Faktorenanalyse validiert. Zur Untersuchung des Einflusses der potenziellen Ursachen auf die Tarifwahl wurde ein ordinales Probit-Regressionsmodell als geeignete Methode identifiziert und aufgestellt. Mit diesem Probit-Regressionsmodell wird belegt, dass Einschätzungs- und Versicherungseffekt ursächlich für die Tarifwahl von Geschäftskunden aus optionalen Mobilfunkvolumentarifen sind, der Taxametereffekt hingegen nicht. Entgegen der formulierten Hypothese ist auch im Bequemlichkeitseffekt eine Ursache der Tarifwahl zu sehen. Im Rahmen der signifikanten Ursachen übt der Einschätzungseffekt einen weitaus stärkeren Einfluss auf die Tarifwahl aus als Versicherungs- und Bequemlichkeitseffekt. Die Validität der Erkenntnisse zu den Ursachen der Tarifwahl bei der Mobilfunktarifwahl aus optionalen Volumentarifen im B-to-B-Bereich wird mit zwei Maßnahmen bestätigt, die zur Prüfung der Übereinstimmungsvalidität eingesetzt wurden: Die Kreuzvalidierung anhand des zufällig in zwei Teilstichproben aufgeteilten Datensatzes sowie die Überprüfung der inneren Validität mit Hilfe der Kausalanalyse als alternativem Auswertungsverfahren führen dazu, dass von einer hohen Validität der Erkenntnisse ausgegangen werden kann. Zur Messung von Tarifwahl-Biases wurde eine Methodik eingesetzt, die auf dem Vergleich von Rechnungsbeträgen im gewählten und im günstigsten Tarif beruht. Datenbasis waren die hypothetischen Tarifwahlen von Entscheidern sowie Beobachtungsdaten zur realen Mobilfunknutzung der Nutzer in den Unternehmen, die auf geeignete Weise verdichtet und der betreffenden Tarifwahlentscheidung zugeordnet wurden. Zunächst zeigt sich, dass Tarifwahl-Biases bei der Entscheidung über Mobilfunktarife im B-to-B-Kontext existieren. Die Bedeutung von Tarifwahl-Biases ist sehr

164 hoch: In ca. 79 % aller Tarifwahlentscheidungen liegt ein Bias vor. Flatrate-Biases dominieren dabei eindeutig Pay-per-Use-Biases: In ca. 72 % der Entscheidungen liegen Flatrate-Biases vor, in lediglich 6,6 % der Fälle Pay-per-Use-Biases. Das Ausmaß von Tarifwahl-Biases beträgt im Mittel rund 31 € und entspricht damit ca. 118 % des mittleren günstigsten Rechnungsbetrags. Das mittlere Ausmaß von Flatrate-Biases ist mit rund 29 €/112 % geringer als das von Pay-per-Use-Biases (rund 48 €/187 %). Der Wert von Tarifwahl-Biases entspricht mit rund 16.500 € fast 50 % des monatlichen Umsatzes, der mit den gewählten Tarifen erzielt würde. Insgesamt können Tarifwahl-Biases daher in der vorliegenden Untersuchung als wichtiges Phänomen bei der Mobilfunktarifwahl im B-to-B-Bereich bezeichnet werden. Die potenziellen Ursachen von Tarifwahl-Biases in Form eines Versicherungs-, Bequemlichkeits- und Taxametereffekts entsprechen den bereits bei der Tarifwahl eingesetzten mehrdimensionalen hypothetischen Konstrukten. Der Fehleinschätzungseffekt als weitere Ursache wird durch einen Abgleich der in der Befragung eingeschätzten und der in den Beobachtungsdaten vorliegenden tatsächlichen Mobilfunknutzung gemessen, so dass die tatsächliche Fehleinschätzung der Mobilfunknutzung vorliegt. Zur Untersuchung der Ursachen von Tarifwahl-Biases wurde ein lineares Regressionsmodell aufgestellt. Die Ergebnisse des Regressionsmodells belegen bei der gemeinsamen Auswertung aller Tarifwahlentscheidungen, dass Fehleinschätzungs- und Versicherungseffekt signifikante Ursachen des Tarifwahl-Biases bei der Mobilfunktarifwahl im B-to-B-Bereich sind. Bei der Auswertung der Subgruppe der Tarifwahlentscheidungen, in denen ein Flatrate-Bias vorliegt, zeigt sich allerdings, dass neben einem Fehleinschätzungs- und Versicherungseffekt auch der Bequemlichkeitseffekt entgegen der Hypothese den Flatrate-Bias signifikant erhöht. Insgesamt dominiert bei der Auswertung aller Tarifwahlentscheidungen und bei der Auswertung der Subgruppe der Fehleinschätzungseffekt deutlich den Versicherungsbzw. Versicherungs- und Bequemlichkeitseffekt als Ursachen des Tarifwahl-Bias. Auch bei den Ergebnissen zu den Ursachen von Tarifwahl-Biases wird die Validität der Befunde mit zwei Maßnahmen überprüft. Im Rahmen einer Kreuzvalidierung anhand zweier Teilstichproben und im Rahmen einer Überprüfung der inneren Validität der Kausalanalyse als alternativem Verfahren werden inhaltlich die gleichen Ergebnisse mit annähernd identischer Erklärungskraft erzielt. Daher ist von hoher Übereinstimmungsvalidität auszugehen. Die empirische Analyse von Tarifwahl, Tarifwahl-Biases und deren Ursachen zeichnet sich durch einige bemerkenswerte Punkte aus:

x Im Rahmen der Analyse wurden Befragungs- und Beobachtungsdaten erhoben, die zur Messung von Tarifwahl-Biases und Fehleinschätzungseffekt kombiniert

165 eingesetzt wurden. Daher ist eine größtmögliche Nähe zu realem Verhalten festzustellen. Aus dem gleichen Grund ist die Gefahr eines Common Method Biases insbesondere im Modell B als sehr gering einzustufen.

x Die Varianzerklärung der Modelle ist mit rund 90 % in „Modell A: Ursachen der Tarifwahl“ und mit rund 60 % in „Modell B: Ursachen von Tarifwahl-Biases“ sehr hoch. Dies spricht einerseits dafür, dass insbesondere in Modell A der Großteil der möglichen Ursachen erfasst wurde, andererseits könnte dies auch auf das Vorliegen eines Common Method Biases hindeuten. Allerdings wurde im Rahmen der Arbeit erläutert, dass verschiedene Maßnahmen zur Reduktion von Common Method Biases ergriffen wurden. x Die inhaltlich erzielten Erkenntnisse sind als sehr valide zu beurteilen. Je Modell wurde mit zwei Maßnahmen die Übereinstimmungsvalidität überprüft. Gleichzeitig sind jedoch auch einige Punkte kritisch anzumerken:

x Auch wenn eine hohe Varianzerklärung erzielt wurde, so bleiben doch etwa 10 % bzw. 40 % nicht erklärte Restvarianz. Dies kann darauf zurückzuführen sein, dass die Modelle möglicherweise nicht vollständig sind und noch weitere Einflussfaktoren bestehen, die die verbleibende Varianz erklären können. x Der Mehrwert der Kombination von Befragungs- und Beobachtungsdaten bringt zwei Probleme mit sich: Zum einen ist in den Fällen, in denen der Entscheider für mehrere Nutzergruppen Tarifwahlentscheidungen trifft, die Zuordnung der realen Beobachtungsdaten zu den Befragungsdaten schwierig, da der Entscheider nur ungefähre Grenzen angeben kann, die wiederum bei der Zuordnung nur ungefähr durch die Prozentangaben umgesetzt werden können. Daher ist es möglich, dass sich die Angaben des Entscheiders auf etwas andere Nutzergruppen beziehen, als in den Beobachtungsdaten ermittelt wurden. Dies kann zu Ungenauigkeiten bei der Bestimmung des Tarifwahl-Biases und des Fehleinschätzungseffekts geführt haben. Allerdings beziehen sich 494 von 848 der Tarifwahlentscheidungen und Einschätzungen auf eine genau definierte Gruppe, so dass das Problem bei 58 % der Fälle nicht besteht. Zum anderen besteht das an verschiedenen Stellen adressierte Problem der inaktiven Nutzer, die in die Beobachtungsdaten einfließen, aber vom Entscheider in den Antworten nicht berücksichtigt wurden. Dadurch werden Flatrate-Biases möglicherweise zu groß und Pay-per-Use-Biases zu klein sowie die Überschätzung zu groß und die Unterschätzung zu klein. Bei der absoluten Interpretation muss dies in jedem Fall beachtet werden. Bei der Analyse der kausalen Zusammenhänge in Modell B ist das potenzielle Problem jedoch weniger gra-

166 vierend, da abhängige und unabhängige Variable in die gleiche Richtung verzerrt werden.

x Die Tatsache, dass die Tarifwahl mit einer quasi-experimentellen Wahlentscheidung durchgeführt wurde, führt dazu, dass die (externe) Validität im Sinne der Repräsentation realen Verhaltens angezweifelt werden kann. Allerdings wurde im Rahmen der Arbeit gezeigt, dass Tarifwahl-Biases nur in einer hypothetischen Tarifwahl ermittelt werden können und außerdem Störfaktoren bei der Untersuchung der Kausalitäten auf diesem Weg ausgeschlossen werden konnten. Insgesamt kann jedoch von einer hohen Qualität der Ergebnisse ausgegangen werden, so dass diese im abschließenden Kapitel 6 aus wissenschaftlicher Perspektive interpretiert, Implikationen für die Praxis sowie weitere Forschungsfelder abgeleitet werden.

167 6

Fazit und Ausblick

6.1

Interpretation der Untersuchungsergebnisse aus wissenschaftlicher Perspektive

Der Überblick über den Stand der empirischen Forschung in Kapitel 4 hat gezeigt, dass keine bisherige Forschungsarbeit die Fragen nach Tarifwahl, Tarifwahl-Biases und deren Ursachen bei der Mobilfunktarifwahl von Geschäftskunden aus optionalen Mobilfunktarifen explizit behandelt. Daher ist zunächst festzustellen, dass mit der vorliegenden empirischen Untersuchung Forschungslücken in diesen Bereichen adressiert werden. Zur Interpretation der Erkenntnisse der empirischen Analyse werden zum einen die theoretisch-konzeptionellen Erkenntnisse aus Kapitel 2 und Kapitel 3 herangezogen, zum anderen erfolgt ein deskriptiv orientierter Vergleich zum bisherigen Stand der Forschung im B-to-C-Kontext, der in Kapitel 4 dargestellt wurde. Die theoretisch-konzeptionellen Ausführungen zur Tarifwahl haben nahegelegt, dass Geschäftskunden unterschiedliche Tarife wählen. Die explorative Analyse der Tarifwahl von Geschäftskunden aus einem Angebot optionaler Mobilfunkvolumentarife zeigt, dass alle vorliegenden Tarife gewählt werden. Die allgemeine Tendenz geht jedoch zur Wahl eines Tarifs mit mittlerem Flatrate-Charakter. Dieses Ergebnis ist konform mit den Vermutungen, die theoretisch abgeleitet werden konnten. In der Studie von IYENGAR, in der die Tarifwahl aus optionalen Mobilfunkvolumentarifen im B-to-C-Bereich untersucht wird, liegt ein anderes Auswahlset vor, das u. a. keinen Pay-per-Use-Tarif und keine Flatrate aufweist. Von daher sind die Ergebnisse nur schwer vergleichbar. In der hier vorliegenden Studie wird in 50 % der Tarifwahlentscheidungen ein Tarif gewählt, der ein Freikontingent von 400 Minuten oder weniger aufweist, bei IYENGAR ein Tarif mit 300 Minuten oder weniger. Auffallend ist, dass in beiden Fällen die Tarife mit dem jeweils höchsten Freikontingent verhältnismäßig selten gewählt werden. Allgemein scheint daher sowohl im B-to-B-Kontext als auch im B-to-C-Kontext die Tendenz zur Wahl eines Tarifs mit mittlerem, beschränktem Freikontingent vorzuliegen. Aufgrund der theoretischen Ausführungen war anzunehmen, dass Tarifwahl-Biases auch im B-to-B-Kontext auftreten. Es wurde davon ausgegangen, dass FlatrateBiases eine bedeutendere Rolle spielen als Pay-per-Use-Biases. Die empirische Analyse zeigt, dass Tarifwahl-Biases bei der Mobilfunktarifwahl im B-to-B-Bereich existieren und eine hohe Bedeutung besitzen. Dabei dominieren Flatrate-Biases bei Weitem Pay-per-Use-Biases. Dies ist weitgehend konform mit den Erkenntnissen, die bei verschiedenen Untersuchungsobjekten im B-to-C-Kontext erzielt wurden. Auch dort stellen Tarifwahl-Biases bedeutende Phänomene dar, und Flatrate-Biases haben – von den Studien von MIRAVETE und NARAYANAN/CHINTAGUNTA/MIRAVETE abgese-

168 hen – eine weitaus größere Bedeutung als Pay-per-Use-Biases. In Bezug auf Ausmaß und Wert von Tarifwahl-Biases konnte in der vorliegenden Arbeit gezeigt werden, dass das Ausmaß von Tarifwahl-Biases mit im Mittel 30 € mehr als 100 % des günstigsten Tarifs ausmacht, wobei das Ausmaß von Pay-per-Use-Biases größer ist als das von Flatrate-Biases. Insgesamt zeigen die Arbeiten im B-to-C-Kontext ebenfalls, dass Tarifwahl-Biases einen substanziellen Teil der jeweiligen Bezugsgröße ausmachen. Am besten vergleichbar sind die erzielten Erkenntnisse mit den Ergebnissen von LAMBRECHT bzw. LAMBRECHT/SKIERA, die das Ausmaß auf ähnliche Weise bestimmen. Auch sie ermitteln ein Ausmaß, das über 100 % des günstigsten Rechnungsbetrags liegt. In der vorliegenden Arbeit wird ein Wert von Tarifwahl-Biases ermittelt, der fast 50 % des Umsatzes ausmacht, der in der betrachteten Periode erzielt wird. Die Erkenntnisse bisheriger Studien zum Wert sind ebenfalls nicht direkt vergleichbar, jedoch zeigen alle Arbeiten gleichermaßen einen substanziellen Wert an. Insgesamt belegen demnach die Erkenntnisse der hier durchgeführten Studie, dass Tarifwahl-Biases entsprechend den theoretisch abgeleiteten Vermutungen und den bisherigen Erkenntnissen im B-to-C-Bereich auch im B-to-B-Bereich eine wichtige Rolle spielen (vgl. Tab. 6-1).

Tarifwahl

Zusammengefasste Ergebnisse im B-to-C

(aktuelle Studie)

(vgl. Kapitel 4)

Unterschiedliche Tarife werden gewählt. Tendenz zur Wahl eines Tarifs mit mittlerem Grundpreis und Freikontingent

Unterschiedliche Tarife werden gewählt. Tendenz zur Wahl eines Tarifs mit mittlerem Grundpreis und Freikontingent

ähnlich

Deskriptiver Vergleich B-to-B/ B-to-C

Existenz

Tarifwahl-Biases existieren

Tarifwahl-Biases existieren

ähnlich

Bedeutung

Insgesamt hohe Bedeutung, Flatrate-Biases weitaus bedeutender als Pay-per-UseBiases

Insgesamt hohe Bedeutung, Flatrate-Biases weitaus bedeutender als Pay-perUse-Biases

ähnlich

Ausmaß

Mittleres Ausmaß mehr als 100 % des günstigsten Tarifs

Ausmaß substanzieller Teil der Bezugsgröße

ähnlich

Wert

Fast 50 % des monatlichen Umsatzes

Wert substanziell

ähnlich

TarifwahlBiases

Tab. 6-1:

Ergebnisse bei der Mobilfunktarifwahl im B-to-B

Deskriptiver Vergleich der Ergebnisse zu Tarifwahl und Tarifwahl-Biases im B-to-B und B-to-C543

Die Tarifwahl wurde in einem für begrenzte Rationalität geeigneten nutzentheoretischen Ansatz konzeptualisiert. Als Ursachen der Tarifwahl wurden hierbei Zusatz-

543

Quelle: Eigene Darstellung.

169 nutzenelemente von Tarifen sowie die Beurteilung der Kosten identifiziert. Daraus ergab sich, dass die Einschätzung des Nutzungsverhaltens, die der Entscheider zur Beurteilung der Kosten trifft, die Tarifwahl beeinflusst. Außerdem wurde abgeleitet, dass die Fehleinschätzung der Nutzung Tarifwahl-Biases beeinflusst. Die Ableitung von Hypothesen zu den tarifspezifischen Zusatznutzenelemente ergab, dass von den empirisch erhobenen Zusatznutzenelementen der Flatrate lediglich der Versicherungseffekt Tarifwahl und Tarifwahl-Biases beeinflussen sollte, Bequemlichkeits- und Taxametereffekt hingegen nicht. Außerdem wurde abgeleitet, dass die Tarifwahl im B-to-B-Kontext vermutlich stärker von der Beurteilung der Kosten beeinflusst wird als von der Beurteilung der Zusatznutzenelemente. Im Ergebnis zeigt sich, dass die Einschätzung und Fehleinschätzung des Nutzungsverhaltens zur Beurteilung der Kosten Tarifwahl bzw. Tarifwahl-Biases verursachen. Es zeigt sich außerdem, dass das Zusatznutzenelement Versicherungseffekt Tarifwahl und Tarifwahl-Biases beeinflusst. Gleichermaßen wird der postulierte fehlende Einfluss des Taxametereffekts bestätigt. Die Beurteilung der Kosten übt über die Einschätzung bzw. Fehleinschätzung der Nutzung einen weitaus stärkeren Einfluss aus als die Beurteilung des Zusatznutzens. Diese Ergebnisse bestätigen insofern die theoretisch abgeleiteten Hypothesen. In Bezug auf den Einfluss des Bequemlichkeitseffekts sind die Ergebnisse jedoch nicht konform zu den abgeleiteten Hypothesen: Der Bequemlichkeitseffekt übt auf die Tarifwahl einen Einfluss aus, der zwar schwach ist, aber dennoch signifikant. Außerdem verursacht der Bequemlichkeitseffekt den Tarifwahl-Bias in der Subgruppe der Entscheidungen, in denen ein Flatrate-Bias vorliegt.544 Der zusätzliche Wert eines Tarifs, der sich im Bequemlichkeitseffekt manifestiert, liegt in der Verringerung von Suchkosten. Ein Aspekt könnte nun erklären, weshalb der Bequemlichkeitseffekt trotzdem die Tarifwahl und Tarifwahl-Biases beeinflusst: Als grundsätzliche Aufgabe des Entscheiders wurde identifiziert, dass er die Kosten durch die Mobilfunktarifwahl minimieren soll. Möglicherweise sind jedoch die Kosteneinsparungen für das Unternehmen, die durch die Wahl eines einzelnen optimalen Tarifs erzielt werden könnten, nicht groß genug, als dass sie den zusätzlichen Wert der Entlastung bei der Tarifwahl für den Entscheider kompensieren. Die durchschnittliche monatliche Einsparung, die durch die Wahl des günstigsten Tarifs im Vergleich zu den durchschnittlichen Rechnungsbeträgen in den gewählten Tarifen erzielt werden könnte, liegt bei rund 30 € pro Monat und Vertrag. Die Bedeutung dieses Be544

Dies ist insbesondere vor dem Hintergrund möglicherweise durch soziale Erwünschtheit eingefärbter Antworten in der Befragung bemerkenswert. Es könnte vermutet werden, dass Entscheider eher weniger Aussagen zustimmen, die implizieren, dass sie ihrer Aufgabe der Kostenminimierung nicht nachkommen und aus Bequemlichkeit einen Tarif wählen. Tendenziell ist daher der Einfluss des Bequemlichkeitseffekts vermutlich sogar größer als in den Auswertungen ermittelt.

170 trags für das einzelne Unternehmen bzw. für den einzelnen Entscheider kann je nach Situation sehr unterschiedlich sein, da der Betrag individuell betrachtet an sich höher oder niedriger ausfallen kann, eine unterschiedliche Anzahl von Mobilfunktarifen für das Unternehmen abgeschlossen wird und außerdem das Verhältnis dieses Betrags zum Umsatz und zu anderen Kosten nicht bekannt ist. Auch die allgemeine wirtschaftliche Lage des Unternehmens spielt für die Bedeutung eine Rolle. Dennoch erscheint es naheliegend, dass ein monatlicher Betrag von etwa 30 € für ein Unternehmen kein besonders relevanter Kostenpunkt ist. Außerdem erfährt der Entscheider die direkten negativen Konsequenzen der Entscheidung in Form der Zahlung von Rechnungsbeträgen nicht selbst, da das Unternehmen den Betrag begleicht. Aus der Sicht des Entscheiders scheint möglicherweise der „persönliche“ Nutzen im Sinne der Entlastung bei der Entscheidung größer als der Nutzen für das Unternehmen im Sinne des günstigsten Tarifs. Somit lässt sich eine plausible Begründung für das Vorliegen eines Einflusses des Bequemlichkeitseffekts entgegen der formulierten Hypothese anführen. Gleichzeitig bleibt aber festzuhalten, dass der Einfluss des Bequemlichkeitseffekts im Vergleich zur Einschätzung und Fehleinschätzung der Nutzung auf die Mobilfunktarifwahl eher gering ist. Die Erkenntnisse zu den Ursachen von Tarifwahl und Tarifwahl-Biases bei der Mobilfunktarifwahl im B-to-B-Bereich erweitern insofern den Wissensbestand, als keine bisherige Arbeit diese Ursachen überhaupt spezifisch für den B-to-B-Bereich untersucht hat. Ein deskriptiver Vergleich zu bisherigen Erkenntnissen, die für den B-to-CKontext erzielt wurden, zeigt, dass sowohl Gemeinsamkeiten als auch Unterschiede festzustellen sind. In Bezug auf die Beurteilung bzw. Fehlbeurteilung der Kosten von Tarifen zeigt sich einheitlich, dass dies im B-to-B-Kontext und B-to-C-Kontext Ursachen für die Tarifwahl bzw. Tarifwahl-Biases darstellen. Bei der Beurteilung der Zusatznutzenelemente als Ursachen werden jedoch Unterschiede zwischen den beiden Bereichen offensichtlich. Einheitlich sind die Erkenntnisse zum Versicherungseffekt als Ursache im B-to-B-Kontext und im B-to-C-Kontext: Nur in einer Studie im B-to-CKontext übt der Effekt keinen Einfluss aus, in allen anderen Studien ist der Versicherungseffekt ursächlich für Tarifwahl bzw. Tarifwahl-Biases. Der Taxametereffekt hingegen, der im B-to-B-Kontext keine Ursache von Tarifwahl und Tarifwahl-Biases darstellt, ist im B-to-C-Kontext in allen Studien ein relevanter Einflussfaktor. Die Erkenntnisse zum Bequemlichkeitseffekt sind im B-to-C-Kontext nicht einheitlich: Meist übt er keinen Einfluss aus, einmal einen positiven, einmal sogar einen negativen Einfluss. Die vorliegende Arbeit hat für den B-to-B-Kontext jedoch gezeigt, dass der Effekt hier einen positiven Einfluss auf die Tarifwahl und in einer Teilgruppe auch auf Tarifwahl-Biases ausübt.

171 Zum Verhältnis der Bedeutung der Beurteilung der Kosten und des tarifspezifischen Zusatznutzens im B-to-C-Bereich wird in keiner der Arbeiten eine Aussage getroffen, im B-to-B-Bereich zeigt sich jedoch, dass die Beurteilung der Kosten eines Tarifs deutlich überwiegt. Der deskriptive Vergleich des Einflusses der Ursachen ist zusammenfassend in Tab. 6-2 dargestellt.

Kosten

Zusatznutzen

Einfluss auf Mobilfunktarifwahl und Biases im B-to-B

Zusammengefasste Erkenntnisse zum Einfluss auf Tarifwahl und -Biases im B-to-C

Deskriptiver Vergleich B-to-B/ B-to-C

Einschätzungseffekt

+

+

einheitlich

Fehleinschätzungseffekt

+

+

einheitlich

Versicherungseffekt

+

überwiegend +

einheitlich

Bequemlichkeitseffekt

(+)

überwiegend 0

unterschiedlich

Taxametereffekt

0

+

unterschiedlich

Kosten überwiegen

Keine Aussage

Kein Vergleich möglich

Verhältnis Kosten/ Zusatznutzen

+: Signifikanter positiver Einfluss/ 0: Kein Einfluss/ ( ): Einfluss zweimal vorhanden, einmal nicht.

Tab. 6-2:

Deskriptiver Vergleich des Einflusses von Kosten und Zusatznutzenelementen auf Tarifwahl und Tarifwahl-Biases im B-to-B und B-to-C545

Der deskriptive Vergleich der Erkenntnisse zu den Ursachen von Tarifwahl und Tarifwahl-Biases im B-to-B- und B-to-C-Bereich offenbart einerseits, dass Ähnlichkeiten zwischen dem individuellen Tarifwahlverhalten einer Privatperson und eines Entscheiders im Unternehmen festzustellen sind. Andererseits zeigt sich aber auch, dass beim Einfluss von Zusatznutzenelementen auf die Tarifwahl Unterschiede festzustellen sind. Besonders bemerkenswert ist der Unterschied in Bezug auf den Bequemlichkeitseffekt: Entscheider im Unternehmen scheinen Suchkosten vermeiden zu wollen, wohingegen dies bei Privatpersonen bislang nicht gezeigt wurde. Allerdings ist bei der Interpretation des Vergleichs Vorsicht geboten. Denn es ist ein Charakteristikum von individuellen Entscheidungen, dass Heterogenität vorliegen kann, die durch verschiedene Parameter (wie bspw. das Untersuchungsobjekt) verursacht werden kann, und die Untersuchung der Ursachen von Tarifwahl und TarifwahlBiases erfolgte im B-to-C-Kontext bislang nur in einer einzigen, zudem nur unzureichend dokumentierten Studie am Beispiel von Mobilfunktarifen. Die bedeutendste Erkenntnis aus wissenschaftlicher Sicht ergibt sich jedoch aus der Tatsache, dass sich gezeigt hat, dass Zusatznutzenelemente im B-to-B-Kontext zwar einen grundsätzlichen Einfluss auf die Tarifwahl aufweisen, dass der wesentliche Einfluss jedoch von der Beurteilung der erwarteten Kosten auf Basis der Einschät-

545

Quelle: Eigene Darstellung.

172 zung der erwarteten Nutzung ausgeht. Dies zeigt zunächst, dass bei der Nutzenbewertung von Tarifen der Kostenaspekt maßgeblich für die Entscheidung ist. Außerdem ist dadurch der „Fehler“, der durch die Vernachlässigung von Zusatznutzenelementen von Tarifen bspw. in Ansätzen zur Optimierung der Preisgestaltung eines Anbieters entstehen kann, eher gering. Im Gegensatz dazu hat jedoch die Unterstellung hyperrationalen Verhaltens im Sinne der perfekten Kenntnis der Nutzung und der Gleichsetzung der erwarteten Nutzung mit der tatsächlichen Nutzung in derartigen Ansätzen eine gravierende Auswirkung. Denn die Ergebnisse haben gezeigt, dass die Fehleinschätzung der Nutzung durch die Entscheider groß ist und Tarifentscheidungen häufig aufgrund von Fehlbeurteilungen der Entscheider über die erwartete Nutzung getroffen werden, so dass Tarifwahl-Biases entstehen. Daraus leitet sich ab, dass für die Modellierung von Tarifwahlverhalten und für die Optimierung der Preisgestaltung die zugrunde gelegten Annahmen angepasst werden sollten und entsprechend den neueren mikroökonomischen Ansätzen von begrenzter Rationalität ausgegangen werden sollte. Dabei bringt die explizite Integration von Unsicherheit oder eines Maßes für die Fehlbeurteilung der Nutzung in derartige Modelle einen großen Mehrwert mit sich, da so das tatsächliche Tarifwahlverhalten besser abgebildet werden kann.546 Gleichzeitig eröffnet sich hier ein Ansatzpunkt für weiterführende Forschung, der in der Analyse und Erklärung der Fehlbeurteilung der Nutzung liegt, um dies entsprechend integrieren zu können. 6.2

Implikationen für die Praxis

Implikationen der Untersuchungsergebnisse für das Management sind von zwei Seiten zu bedenken: einerseits aus Sicht der nachfragenden KMUs, andererseits aus Sicht von Mobilfunkanbietern. Aus der Perspektive eines nachfragenden Unternehmens ist zunächst festzuhalten, dass Entscheider einen Mobilfunktarif hauptsächlich auf Basis der Beurteilung der zu erwartenden Kosten auswählen. Hierbei zeigt sich, dass die Entscheider häufig eine Fehlbewertung der erwarteten Kosten von Tarifen vornehmen, die in vielen Fällen zu 546

Tarifwahl-Biases als „einmaliges Fehlverhalten“ stellt für die ökonomische Theorie wie gezeigt kein Problem dar. Denn dies kann erklärt werden, wenn die zugrunde gelegten Annahmen modifiziert werden und Unsicherheit zugelassen wird. Problematischer wäre es jedoch, wenn Tarifwahl-Biases systematisch und über einen langen Zeitraum auftreten, da sich dann der Nachfrager systematisch schaden würde. Mit derartigen Phänomenen kann die ökonomische Theorie nur schwer umgehen. Es stellt daher einen fruchtbaren Zweig für weitere Forschung dar, wie sich Tarifwahl-Biases über die Zeit entwickeln. Dies findet sich auch in den Management-Implikationen wieder, wo deutlich wird, dass längerfristige strategische Handlungsempfehlungen nur gegeben werden können, wenn mehr über die längerfristigen Konsequenzen von Tarifwahl-Biases bekannt ist.

173 Tarifwahl-Biases führt. Daher besteht bei der Wahl von Mobilfunktarifen ein durchaus substanzielles Kostensenkungspotenzial für das nachfragende Unternehmen. Dabei ergeben sich zwei aufeinander aufbauende Handlungsmöglichkeiten zur Optimierung der Tarifwahl für das nachfragende Unternehmen, mit denen die Entscheider bei der Wahl des kostengünstigsten Tarifs unterstützt werden können. Der erste Schritt besteht in der sorgfältigen Dokumentation der zurückliegenden Mobilfunknutzung der Mitarbeiter und der am Markt verfügbaren Tarife. Dies ist als Informationsinstrument zur Entscheidungsunterstützung zu verstehen, um dadurch die Fehlbewertung der erwarteten Kosten zu verringern.547 Hierfür stehen dem nachfragenden Unternehmen die Mobilfunkrechnungen vergangener Monate als Informationsquelle zur Verfügung. Die aus den Rechnungen ersichtlichen Informationen zu Rechnungsbeträgen und Nutzungsvolumina können in Controllinginformationsinstrumenten als Hilfsmittel und Entscheidungsgrundlage systematisch erfasst und dokumentiert werden. Die aktuell am Markt verfügbaren Tarife können in sorgfältigen Recherchen ermittelt und dokumentiert werden. Durch die Kombination dieser Informationen kann der jeweils optimale Tarif auf Basis der zurückliegenden Nutzung ermittelt werden. Im Internet bestehen zusätzlich bereits Mobilfunktarifrechner, die auf Basis von Nutzungsinformationen den optimalen Tarif für den Nachfrager ermitteln. Diese Tarifrechner basieren allerdings meist auf allgemeinen Angaben zum Nutzungsverhalten wie „Wenigtelefonierer“, „Normaltelefonierer“ und „Vieltelefonierer“ und berücksichtigen nicht die Besonderheiten von Tarifen im B-to-B-Bereich.548 Eine möglichst exakt optimierte Entscheidung ist daher mit diesen Seiten nicht möglich. Allgemein erscheint die Seriosität dieser Internetseiten zudem fragwürdig, da bspw. nicht publiziert wird, welche Tarife den Berechnungen genau zugrunde gelegt werden. Ein anderer Ansatz ist das Modell „TACO“, das von Skiera entwickelt wurde.549 In „TACO“ wird für verschiedene Tarife das Nutzungsprofil ermittelt, für den der Tarif im Vergleich zu den anderen Tarifen zum günstigsten Rechnungsbetrag ergibt. Allerdings ist auch in diesem Fall für die Wahl des geeigneten Tarifs die Kenntnis der Mobilfunknutzung und der verfügbaren Tarife unerlässlich. Der zweite Schritt besteht in der Entwicklung eines Prognoseinstruments für die zukünftig zu erwartende Nutzung und der Kalkulation der erwarteten Rechnungsbeträ-

547 548

549

Zur Informationsfunktion des Controllings vgl. bspw. Horváth, P. (2006), S. 315 ff., Küpper, H.-U. (2005), S. 127 ff., Peemöller, V.H. (2005), S. 44, u. Friedl, B. (2002), S. 66 ff. Vgl. bspw. MAOTEC (2007) u. teltarif.de (2007). Auch Mobilfunkanbieter bieten teilweise Tarifrechner auf ihren Internetseiten an, die sich dann aber ausschließlich auf die eigenen Tarife beziehen, vgl. bspw. E-Plus (2007). Vgl. Skiera, B. (1998).

174 ge auf Basis dieser Prognosen. Denn aus Mobilfunkrechnungen können lediglich bereits realisierte Nutzungsmengen abgeleitet werden und die Unsicherheit über die zu erwartende Nutzungsmenge bleibt bestehen. Derartige Prognosemodelle könnten anhand der Entwicklung des zurückliegenden Mobilfunknutzungsverhaltens mehrerer Monate aufgestellt werden. Außerdem könnten weitere Einflussfaktoren auf die Mobilfunknutzung in den Prognosemodellen berücksichtigt werden. Der Aufbau eines Informations- und Prognoseinstruments erfordert jedoch einen gewissen Aufwand, bei dem das nachfragende Unternehmen abzuwägen hat, ob die potenziellen Einsparungen diesen Aufwand rechtfertigen. Um dies abwägen zu können, müssten die gesamten potenziellen Einsparungen für das Unternehmen ermittelt werden. Im Rahmen der Arbeit wurde für den vorliegenden Fall ein durchschnittliches Ausmaß von Tarifwahl-Biases von ca. 30 € pro Monat und Vertrag ermittelt. Die gesamten tatsächlichen potenziellen Einsparungen für das Unternehmen müssten dem entstehenden Aufwand für den Aufbau eines Informations- und Prognoseinstruments gegenüber gestellt werden, um ermitteln zu können, inwiefern ein nachfragendes Unternehmen von einer optimierten Tarifwahl profitieren könnte. Aus der Perspektive eines Mobilfunkanbieters machen die Entscheidungen von Nachfragern in Form von Tarifwahl-Biases einen substanziellen Teil des Umsatzes aus. Da es sich bei Tarifwahl-Biases um suboptimales Nachfragerverhalten handelt, bestehen jedoch möglicherweise Risiken für den Anbieter, je nachdem welche Reaktion erkannte Tarifwahl-Biases beim Nachfrager auslösen. Vier grundsätzliche Verhaltensreaktionen auf Tarifwahl-Biases sind denkbar:

x Tarifwahl-Biases werden vom nachfragenden Unternehmen nicht bemerkt und lösen demzufolge auch keine Verhaltensreaktion aus. Der Anbieter profitiert weiterhin davon, dass der Nachfrager zu viel bezahlt. x Tarifwahl-Biases werden vom Nachfrager bemerkt, lösen aber trotzdem keine Verhaltensreaktion aus. Auch hier profitiert der Anbieter weiter. x Tarifwahl-Biases werden vom Nachfrager bemerkt und lösen einen Tarifwechsel in einen günstigeren Tarif beim gleichen Mobilfunkanbieter aus. Dies führt zu einem verringerten Umsatz mit diesem Nachfrager. x Tarifwahl-Biases werden vom Nachfrager bemerkt und lösen eine Vertragskündigung beim Mobilfunkanbieter und möglicherweise einen Wechsel zu einem Konkurrenten aus. Dies führt zu einem Komplettverlust des Umsatzes mit diesem Nachfrager.

175 Insbesondere Tarifwechsel- und Kündigungsverhalten führen zu negativen Konsequenzen für den Mobilfunkanbieter, da sich der Umsatz verringert. Insgesamt kann dabei von einem geringeren Kundenlebenswert, der alle diskontierten Gewinne mit einem Kunden über den gesamten Zeitraum berücksichtigt, den dieser Kunde des Unternehmens ist, ausgegangen werden.550 Aber auch bei Nachfragern, die einen Bias bemerken, aber keine (sofortige) Verhaltensreaktion daraus ziehen, können möglicherweise für den Anbieter negative Reaktionen ausgelöst werden, die sich bspw. in geringerer Zufriedenheit, geringerem Vertrauen oder Wechselabsichten äußern können, die letztlich als Auslöser einer verringerten Kundenbindung551 und damit von Verhaltensreaktionen fungieren können. Durch ein negatives Word-of-Mouth könnte dies sogar auf andere Nachfrager übertragen werden. Die „vorökonomischen“ Reaktionen sind vermutlich insbesondere bei einem systematischen und längerfristigen Auftreten von Tarifwahl-Biases von Bedeutung. Die Konsequenzen von Tarifwahl-Biases wurden im Rahmen der Arbeit jedoch nicht untersucht und es bleibt ungewiss, welche Reaktionen Nachfrager im B-to-B-Kontext aus Tarifwahl-Biases ziehen. Die einzige Arbeit im B-to-C-Kontext, die sich bislang ausführlich mit Konsequenzen von Tarifwahl-Biases beschäftigt, ist die Arbeit von LAMBRECHT bzw. von LAMBRECHT/SKIERA.

552

Die Autoren untersuchen, ob Nutzer von DSL-Tarifen, die einen Tarifwahl-Bias aufweisen, eine höhere Tarifwechsel- oder Kündigungswahrscheinlichkeit aufweisen als Nutzer ohne Bias. Außerdem untersuchen sie die (kurzfristige) Deckungsbeitragswirkung von Tarifwahl-Biases sowie die (langfristige) Wirkung auf den Kundenlebenswert. Sie können für die Analyse der Wechselwahrscheinlichkeiten und den darauf aufbauenden Kundenlebenswert Daten aus einem Zeitraum von zwischen drei und sechs Monaten zu Grunde legen, und sie gehen von einem Zeitraum von durchschnittlich 4,56 Monaten als Bezugsgröße aus. Die Ergebnisse zeigen, dass Nutzer mit Flatrate-Bias in diesem Zeitraum keine eindeutig höhere Wahrscheinlichkeit haben, den Tarif zu wechseln oder den Vertrag zu kündigen, als Nutzer, die keinen Tarifwahl-Bias aufweisen. Im Gegensatz dazu führt jedoch der Pay-per-Use-Bias zu einer erhöhten Tarifwechselwahrscheinlichkeit. Noch höher ist hier die Wahrscheinlichkeit, dass diese Nutzer den Vertrag mit dem Unternehmen vollständig kündigen. Außerdem zeigen sie, dass Flatrate- und Pay-per-

550 551

552

Allgemein zum Kundenlebenswert vgl. bspw. Jain, D./ Singh, S.S. (2002). Zu Determinanten der Kundenbindung vgl. bspw. Hüppelshäuser, M. (2005), S. 58 ff. HÜPPELSHÄUSER identifiziert drei Instrumente, die die Kundenbindung im Fall von Internetzugangsverträgen beeinflussen: emotionale Bindung, technisch-funktionale Bindung und ökonomische Bindung, die von verschiedenen Determinanten bestimmt werden. Bei der emotionalen Bindung sind als Determinanten Kundenzufriedenheit, Vertrauen und das Flow-Erlebnis relevant, bei der technisch-funktionalen Bindung Convenience und Individualisierung sowie bei der ökonomischen Bindung der Preis. Vgl. Lambrecht, A./ Skiera, B. (2006a), S. 217 ff. u. Lambrecht, A. (2005), S. 161 ff.

176 Use-Biases den Deckungsbeitrag des Unternehmens stark erhöhen. In der längerfristigen Betrachtung des Kundenlebenswertes, in der die Tarifwechsel- und Kündigungswahrscheinlichkeit berücksichtigt werden, kommen sie zu dem Ergebnis, dass der Flatrate-Bias auch langfristig eindeutig positive Auswirkungen für das Unternehmen hat. Der Pay-per-Use-Bias hat jedoch keine oder sogar negative Auswirkungen. Die aggregierte Betrachtung der Auswirkungen von Tarifwahl-Biases zeigt eine langfristige Steigerung des Gesamtlebenswerts aller Kunden aufgrund von TarifwahlBiases. Diese Aussagen können jedoch nicht einfach auf den B-to-B-Kontext übertragen werden. Hierfür wäre eine eigenständige Analyse notwendig. Außerdem untersuchen LAMBRECHT bzw. LAMBRECHT/SKIERA nur die direkten Verhaltensauswirkungen von Tarifwahl-Biases in einem Zeitraum von 4,56 Monaten. Die Auswirkungen auf (voröko-

nomische) Determinanten der Kundenbindung, die langfristig ebenfalls einen indirekten Einfluss auf den Kundenlebenswert ausüben können, bleiben unberücksichtigt. Derartige Auswirkungen zeigen sich zudem möglicherweise erst nach einem längeren Zeitraum, der über den von LAMBRECHT und LAMBRECHT/SKIERA betrachteten Zeitraum hinausreicht. Dennoch legen die Ergebnisse in Verbindung mit der hier durchgeführten empirischen Untersuchung nahe, dass ein Mobilfunkanbieter auch im B-toB-Bereich zumindest in einem kurzen Zeitraum Tarifwahl-Biases abschöpfen kann. Denn Tarifwahl-Biases machen für den Anbieter einen großen Teil des Umsatzes aus, für den Nachfrager stellen sie vermutlich jedoch nur einen geringen Betrag dar und möglicherweise akzeptieren Nachfrager dies kurzfristig bzw. haben häufig durch die Vertragsgestaltung im Mobilfunkbereich auch keine kurzfristige Reaktionsmöglichkeit.553 Auf Basis dieser Erkenntnisse lassen sich einige strategische Handlungsoptionen für Mobilfunkanbieter in Bezug auf das Management von Tarifwahl-Biases durch den Anbieter ableiten, die auf den kurzfristigen Wirkungen von Tarifwahl-Biases und deren Abschöpfung durch den Anbieter aufbauen. Diese Handlungsempfehlungen setzen an der Optimierung der Tarifwahl für den Nachfrager (in Bezug auf die entstehenden Kosten) beim Vorliegen von Tarifwahl-Biases an, da die empirische Studie gezeigt hat, dass Nachfrager im B-to-B-Bereich die Entscheidungen in erster Linie aufgrund der Beurteilung der Kosten treffen. Die Handlungsoptionen äußern sich da-

553

Es ist jedoch durchaus denkbar, dass Nachfrager aus dem Bereich B-to-B ein systematisches und längerfristiges Auftreten von Tarifwahl-Biases nicht akzeptieren, da der aggregierte „Verlust“ für das nachfragende Unternehmen bedeutsamer werden kann.

177 her in drei idealtypischen Gestaltungsparametern, die sich auf die Möglichkeit der Optimierung der Tarifwahl beziehen (vgl. Tab. 6-3). Der erste Parameter liegt in der Informationspolitik gegenüber den Nachfragern bezüglich der Kosten. Auf Basis der Informationen kann festgestellt werden, ob Tarifwahl-Biases vorliegen und eine Optimierung der Tarifwahl überhaupt notwendig ist. Die Anbieter haben einerseits die Möglichkeit, Nachfrager möglichst umfassend über ihre Nutzung zu informieren.554 Andererseits können Anbieter über die in anderen Tarifen entstehenden Kosten informieren.555 Der Mobilfunkanbieter kann die Informationspolitik entweder so gestalten, dass der Nachfrager möglichst umfassende Informationen erhält, oder er kann möglichst wenige Informationen über Nutzungsmengen und Kosten in anderen Tarifen geben. Dementsprechend ist das Wissen des Nachfragers über Tarifwahl-Biases eher hoch oder eher gering. Der zweite Parameter liegt in der Ausgestaltung der Wechselbarrieren zwischen den Tarifen eines Anbieters (oder auch zu Tarifen eines anderen Anbieters) bspw. durch die Vertragsgestaltung. Der Anbieter kann die Wechselbarrieren hoch halten oder keine Wechselbarrieren aufbauen und so entweder eine Optimierung der Tarifwahl zulassen oder nicht. Lässt der Anbieter die Optimierung zu, so ist seine Möglichkeit der Abschöpfung von Tarifwahl-Biases begrenzt und der Nachfrager hat die Möglichkeit, Tarifwahl-Biases zu minimieren. Der dritte Parameter besteht in der Frage, wer als Initiator eines Tarifwechsels in einen kostengünstigeren Tarif – und somit als „Tarifoptimierer“ – auftritt. Auch hier sind zwei Ausprägungen denkbar: Einerseits kann der Nachfrager den Tarifwechsel initiieren, andererseits kann der Anbieter den Wechsel in einen anderen Tarif veranlassen. Je nachdem liegt die Verantwortung für Tarifwahl-Biases und deren Minimierung beim Nachfrager oder beim Anbieter. Ausprägung Gestaltungsparameter für den Anbieter

Tab. 6-3:

554 555

556

Informationspolitik

Umfassend

Möglichst wenig

Wechselbarrieren

Hoch

Niedrig

Initiator des Tarifwechsels

Nachfrager

Anbieter

Gestaltungsparameter der strategischen Handlungsoptionen556

Die tatsächliche Information über die Nutzung ist nur bei bestehenden Kunden möglich. Bei potenziellen Neukunden kann jedoch die Kommunikation der verfolgten Informationspolitik relevant sein. Für den gewählten Tarif eines bestehenden Kunden wird dieser durch die Rechnung in jedem Fall informiert. Diese Information bezieht sich auf die Kosten in anderen optionalen Tarifen und auf potenzielle Neukunden. Die Information über Kosten kann bspw. durch die Bereitstellung von Tarifrechnern geschehen. Quelle: Eigene Darstellung.

178 Aus diesen sechs idealtypischen Ausprägungen der Gestaltungsparameter ergeben sich 8 strategische Handlungsoptionen für einen Mobilfunkanbieter, die abschließend in Tab. 6-4 im Überblick dargestellt sind.557 Aus diesen Handlungsoptionen erwachsen potenzielle kurzfristige Auswirkungen in Bezug auf den gesteigerten Umsatz durch die Abschöpfung von Tarifwahl-Biases. Außerdem kann eine (längerfristige) Auswirkung der strategischen Handlungsoptionen insbesondere auf emotionale Determinanten der Kundenbindung wie Vertrauen und Zufriedenheit der Nachfrager vermutet werden,558 da die Handlungsoptionen die Reaktionsmöglichkeiten von Nachfragern auf Tarifwahl-Biases beeinflussen und sich darin ein eher „Nachfragerfreundliches“ oder „Nachfrager-feindliches“ Verhalten des Mobilfunkanbieters äußert.559 Langfristig können sich die emotionalen Determinanten der Kundenbindung auf den Kundenlebenswert aufwirken. Dies sind jedoch lediglich Vermutungen, deren empirische Überprüfung noch aussteht. Die erste strategische Handlungsoption äußert sich darin, dass der Anbieter den Nachfrager möglichst umfassend über Nutzungsmengen und Kosten in anderen Tarifen informiert. Die Wechselbarrieren zwischen den Tarifen sind hoch und als Initiator eines Tarifwechsels tritt der Nachfrager auf. Hieraus resultieren für Nachfrager und Anbieter verschiedenen Wirkungen. Beim Nachfrager ist durch die umfassenden Informationen des Anbieters das Wissen über Tarifwahl-Biases hoch. Zur Verringerung von Tarifwahl-Biases müsste er selbst aktiv werden, durch die hohen Wechselbarrieren ist dies jedoch nicht oder nur schwer möglich. Der Anbieter zieht möglicherweise durch die Informationspolitik Nachfrager an, da er die Informationen zu optimalen Tarifen bereit stellt. Damit stellt der Anbieter den Nachfragern aber eine Lock-inFalle, da er einen Tarifwechsel nicht zulässt. Der Nachfrager trägt die Verantwortung für Tarifwahl-Biases und der Anbieter kann diese abschöpfen. Allerdings verstärkt der Anbieter durch seine umfassende Informationspolitik die Gefahr, dass die Nachfrager ggf. unzufrieden werden, da sie über ihrer suboptimalen Tarifwahl informiert werden und sich daher vom Anbieter getäuscht fühlen können. Möglicherweise sind

557

558

559

Für die Optimierung der Tarifwahl ist ein weiterer Parameter denkbar. Einerseits kann die Optimierung in Form einer „Bestpreis-Abrechnung“ erfolgen, bei der der optimalen Tarif für die zurückliegende Nutzungsmenge bestimmt wird und nach dem günstigsten Tarif abgerechnet wird. Andererseits kann die Optimierung bedeuten, dass der beste Tarif für die folgende Nutzungsperiode auf Basis der zurückliegenden Nutzung bestimmt wird und somit bei der Abrechnung der folgenden Periode u. U. nicht nach dem tatsächlich günstigsten Tarif abgerechnet wird. Diese Differenzierung wird allerdings im Weiteren nicht verfolgt. Diese Differenzierung spielt bei den Handlungsoptionen eine Rolle, bei denen eine Verringerung von Tarifwahl-Biases für den Nachfrager möglich ist. Wenn eine Bestpreis-Abrechnung erfolgt, so liegen keine Tarifwahl-Biases mehr vor, bei der ex ante-Optimierung können bei der Abrechnung noch Tarifwahl-Biases auftreten. Zu Determinanten der emotionalen Bindung als Instrument der Kundenbindung vgl. Hüppelshäuser, M. (2005), S. 60. „Nachfrager-freundlich“ bedeutet, dass der Anbieter die Reduktion von Tarifwahl-Biases für den Nachfrager unterstützt, „Nachfrager-feindlich“, dass er diesem eher entgegen wirkt.

179 daher die negativen Auswirkungen von Handlungsoption 1 auf emotionale Determinanten der Kundenbindung eher hoch. Bei der zweiten Handlungsoption wird der Nachfrager ebenfalls umfassend über Nutzungsmengen und Kosten in anderen Tarifen informiert und der Nachfrager tritt als Initiator eines Tarifwechsels auf. Allerdings sind die Wechselbarrieren in diesem Fall gering. Die Ausgestaltung der Parameter zieht nach sich, dass die Nachfrager ein großes Wissen über Tarifwahl-Biases aufweisen. Auch in diesem Fall trägt der Nachfrager die Verantwortung für Tarifwahl-Biases, durch die niedrigen Wechselbarrieren erhalten die Nachfrager jedoch die Chance, ihre möglicherweise suboptimale Tarifwahl zu korrigieren. Für den Anbieter besteht dadurch zwar immer noch die Möglichkeit, Tarifwahl-Biases abzuschöpfen, die Abschöpfung ist allerdings nicht sicher und hängt davon ab, ob die Nachfrager eine Optimierung der Tarifwahl durchführen. Insgesamt liegt die Verantwortung für Tarifwahl-Biases auch hier beim Nachfrager. Der Anbieter verhält sich bei dieser Handlungsoption eher „Nachfrager-freundlich“, überlässt allerdings die Initiative dem Nachfrager. Es ist möglich, dass diese Alternative im Vergleich zur ersten Option eine positive Auswirkung auf emotionale Determinanten der Kundenbindung ausübt, da der Anbieter „Nachfrager-freundlich“ auftritt. Die dritte Handlungsoption liegt in der möglichst umfassenden Information der Nachfrager und dem Aufbau von Wechselbarrieren zwischen den Tarifen. Außerdem tritt der Anbieter als Initiator der Tarifoptimierung auf. Dies hat zur Folge, dass das Wissen der Nachfrager über Tarifwahl-Biases groß ist, dass aber keine Optimierung der Tarifwahl und Reduktion von Tarifwahl-Biases möglich ist. Der Anbieter spielt sich in diesem Fall als Optimierer auf, kann aber aufgrund der Wechselbarrieren gar nicht optimieren und schöpft Tarifwahl-Biases weiterhin ab. Der Anbieter trägt nach außen die Verantwortung für Tarifwahl-Biases, hat sich aber durch die hohen Wechselbarrieren gegen einen „Verlust“ von Tarifwahl-Biases abgesichert. Die Konsequenzen dieser Handlungsoption sind ähnlich zu den Konsequenzen der ersten Handlungsoption, nur dass in diesem Fall der Anbieter noch zusätzlich vorgibt, die Tarifoptimierung zu unterstützen. Daher könnten sich Nachfrager hier noch stärker getäuscht fühlen als in der ersten Option und möglicherweise ist eine negative Auswirkung auf emotionale Determinanten der Kundenbindung zu erwarten. Dieses Risiko ist besonders hoch, weil der Nachfrager über Tarifwahl-Biases Bescheid weiß. Insbesondere ist negatives Word-of-Mouth zu erwarten. In der vierten Handlungsoption wird der Nachfrager umfassend informiert, die Wechselbarrieren sind niedrig und der Anbieter initiiert die Tarifoptimierung. Dies führt zu einer Minimierung von Tarifwahl-Biases für den Nachfrager und gleichzeitig hat der Anbieter keine Abschöpfungsmöglichkeit. Die Verantwortung für Tarifwahl-Biases liegt beim Anbieter. Durch das sehr „Nachfrager-freundliche“ Verhalten ist denkbar,

180 dass diese Option die emotionalen Determinanten der Kundenbindung im Vergleich zu den eher „Nachfrager-feindlichen“ Optionen positiv beeinflusst, insbesondere da der Nachfrager über sein Fehlverhalten informiert wird. Die fünfte Handlungsoption besteht aus der möglichst geringen Information der Nachfrager, dem Aufbau hoher Wechselbarrieren und der Tatsache, dass der Nachfrager als Initiator einer Tarifoptimierung auftreten muss. Dadurch ist das Wissen über Tarifwahl-Biases beim Nachfrager gering. Der Anbieter kann Tarifwahl-Biases abschöpfen und die Verantwortung für Tarifwahl-Biases liegt beim Nachfrager. Der Anbieter schottet sich hierbei so weit wie möglich ab. Kurzfristig erhält der Anbieter daher auch die Möglichkeit, Tarifwahl-Biases abzuschöpfen. Aufgrund der geringen Information ist zudem denkbar, dass dem Nachfrager nicht bewusst ist, dass Tarifwahl-Biases vorliegen und somit auch keine negativen Auswirkungen auf die emotionalen Determinanten der Kundenbindung zu erwarten sind. Allerdings ist es dennoch möglich, dass Nachfrager Tarifwahl-Biases auch hier bemerken und aufgrund des Abschottungsverhaltens des Anbieters erst recht unzufrieden werden. Die Konsequenzen in Bezug auf die Determinanten der Kundenbindung sind daher bei dieser Handlungsoption nicht eindeutig zu beurteilen. Bei der sechsten Handlungsoption erhält der Nachfrager vom Anbieter möglichst wenige Informationen, die Wechselbarrieren sind niedrig und der Nachfrager tritt als Initiator der Tarifoptimierung auf. Das Wissen über Tarifwahl-Biases ist demnach bei den Nachfragern gering, sie haben aber die Möglichkeit, Tarifwahl-Biases zu reduzieren, wenn sie sie bemerken. Der Anbieter hat daher potenziell die Möglichkeit, Tarifwahl-Biases abzuschöpfen, wobei dies von den Nachfragerreaktionen abhängt. Die Verantwortung für Tarifwahl-Biases liegt beim Nachfrager. Diese Handlungsoption ist der zweiten Handlungsoption sehr ähnlich, nur dass die Informationen in diesem Fall minimal sind. Die Optimierung der Tarifwahl ist daher für den Nachfrager schwieriger als in Option 2. Die potenziellen kurz- und langfristigen Auswirkungen entsprechen weitgehend den Auswirkungen der Option 2. Die siebte Handlungsoption liegt in der geringen Information der Nachfrager, hohen Wechselbarrieren und der Anbieter ist der Initiator eines Tarifwechsels. Diese Option ist Option 3 sehr ähnlich. Allerdings erhält der Nachfrager bei Option 7 nur wenige Informationen. Das Wissen über Tarifwahl-Biases ist beim Nachfrager demnach gering. Der Anbieter hat somit die Möglichkeit, kurzfristig Tarifwahl-Biases abzuschöpfen. Auch ist die Gefahr, dass Nachfrager Tarifwahl-Biases bemerken, eher gering. Dennoch können sich Nachfrager vom Anbieter getäuscht fühlen, falls sie TarifwahlBiases dennoch bemerken, da sich der Anbieter als Initiator der Tarifoptimierung aufspielt. Die langfristigen Auswirkungen auf die emotionalen Determinanten der Kundenbindung sind daher vermutlich eher negativ.

181 In der achten Handlungsoption wird der Nachfrager wenig informiert, die Wechselbarrieren sind niedrig und der Anbieter tritt als Initiator der Tarifoptimierung auf. Das Wissen über Tarifwahl-Biases ist dementsprechend beim Nachfrager gering. Allerdings nimmt der Anbieter die Verantwortung für Tarifwahl-Biases auf sich und optimiert diese. Der Anbieter schöpft daher Tarifwahl-Biases nicht ab. Der Unterschied zu Option 4 liegt darin, dass der Nachfrager bei Option 8 keine Informationen über sein möglicherweise suboptimales Verhalten erhält. Bei Option 4 wurde eine positive Auswirkung auf emotionale Determinanten der Kundenbindung vermutet, insbesondere da der Nachfrager über sein Fehlverhalten Bescheid weiß. Bei Option 8 ist daher ebenfalls nicht von einer negativen Auswirkung auf diese Determinanten auszugehen, wobei allerdings die positiven Effekte der Information über Tarifwahl-Biases hier nicht vorhanden sind, und der Nachfrager möglicherweise über Tarifwahl-Biases gar nicht Bescheid weiß.

Strategische Handlungsoption Nr.

1

Parameter

Ausprägung

Info

Umfassend

WB

Hoch

Initiator

Nachfrager

Wirkung Bezeichnung

Der informierte, aber gebundene Nachfrager

Anbieter

Nachfrager Wissen über TW-Biases hoch

Abschöpfung von TW-Biases

Keine Verringerung von TWBiases möglich Verantwortung für TWBiases

Anbieter stellt durch Information Lock-In-Falle für Nachfrager, keine Optimierung der Tarifwahl möglich. Kurzfristig: Abschöpfung von Tarifwahl-Biases. Langfristig: Ggf. negative Auswirkungen auf emotionale Determinanten der Kundenbindung

2

Info

Umfassend

WB

Niedrig

Initiator

Nachfrager

Der handlungsfähige, informierte Nachfrager

Wissen über TW-Biases hoch Abschöpfung TW-Biases je nach Nachfragerreaktion

Verringerung von TWBiases möglich Verantwortung für TWBiases

Anbieter informiert, aber überlässt Initiative dem Nachfrager: Optimierung der Tarifwahl möglich. Kurzfristig: Verringerte Abschöpfung von Tarifwahl-Biases. Langfristig: Ggf. positive Auswirkungen auf emotionale Determinanten der Kundenbindung. Info

3

Wissen über TW-Biases hoch

Umfassend

WB

Hoch

Initiator

Anbieter

Der NachfragerUnterstützer

Abschöpfung von TW-Biases

Keine Verringerung von TWBiases möglich

(Verantwortung für TW-Biases nur dem Anschein nach)

Anbieter spielt sich als Tarifwahl-Optimierer auf, kann aber nicht optimieren. Kurzfristig: Abschöpfung von Tarifwahl-Biases Langfristig: Ggf. negative Auswirkungen auf emotionale Determinanten der Kundenbindung.

182 (Fortsetzung)

Wirkung

Strategische Handlungsoption Nr.

4

Parameter

Ausprägung

Info

Umfassend

WB

Niedrig

Initiator

Anbieter

Bezeichnung

Anbieter

Nachfrager Wissen über TW-Biases hoch

Der Fair Player

Keine Abschöpfung von TWBiases

Minimierung von TW-Biases

Verantwortung für TW-Biases

Anbieter nimmt eine Tarifoptimierung für den Nachfrager vor, der über TW-Biases informiert ist. Kurzfristig: Keine Abschöpfung von Tarifwahl-Biases. Langfristig: Ggf. positive Auswirkungen auf emotionale Determinanten der Kundenbindung.

5

Info

Wenig

WB

Hoch

Initiator

Nachfrager

Wissen über TW-Biases gering Der Abschotter

Abschöpfung von TW-Biases

Keine Verringerung von TWBiases möglich Verantwortung für TWBiases

Anbieter schottet Informationen ab und lässt Tarifoptimierung nicht zu. Kurzfristig: Abschöpfung von Tarifwahl-Biases. Langfristig: Auswirkungen auf emotionale Determinanten der Kundenbindung fraglich. Info

6

Wissen über TW-Biases gering

Wenig

WB

Niedrig

Initiator

Nachfrager

Der autonome Nachfrager

Abschöpfung TW-Biases je nach Nachfragerreaktion

Verringerung von TWBiases möglich Verantwortung für TWBiases

Anbieter informiert wenig und überlässt Initiative dem Nachfrager: Optimierung der Tarifwahl möglich, aber schwieriger als bei Option 2. Kurzfristig: Verringerte Abschöpfung von Tarifwahl-Biases. Langfristig: Ggf. positive Auswirkungen auf emotionale Determinanten der Kundenbindung. Info

7

Wissen über TW-Biases gering

Wenig

WB

Hoch

Initiator

Anbieter

Der Verführer

Abschöpfung von TW-Biases (Verantwortung für TW-Biases nur dem Anschein nach)

Anbieter tritt als aktiver Optimierer auf, kann aber nicht optimieren. Kurzfristig: Abschöpfung von Tarifwahl-Biases Langfristig: Ggf. negative Auswirkungen auf emotionale Determinanten der Kundenbindung. Info

8

Wissen über TW-Biases gering

Wenig

WB

Niedrig

Initiator

Anbieter

Der Erlediger

Keine Abschöpfung von TWBiases

Minimierung von TW-Biases

Verantwortung für TW-Biases

Anbieter nimmt eine Tarifoptimierung für den Nachfrager vor, der über TW-Biases nicht informiert ist. Kurzfristig: Keine Abschöpfung von Tarifwahl-Biases Langfristig: Ggf. positive Auswirkungen auf emotionale Determinanten der Kundenbindung. Info: Informationspolitik; WB: Wechselbarrieren; Initiator: Initiator des Tarifwechsels

Tab. 6-4:

Strategische Handlungsoptionen von Mobilfunkanbietern für das Management von Tarifwahl-Biases

Welcher dieser acht idealtypischen strategischen Handlungsempfehlungen zum Management von Tarifwahl-Biases gefolgt werden soll, muss der einzelne Mobilfunkan-

183 bieter entscheiden. Dabei sollte insbesondere im Blickpunkt stehen, welche kurzfristigen oder langfristigen Konsequenzen von Tarifwahl-Biases für das Unternehmen von Bedeutung sind. In der kurzfristigen Betrachtung dieser Studie wurde festgestellt, dass TarifwahlBiases für ein Unternehmen als Nachfrager aus kurzfristiger Sicht vermutlich einen eher geringen Kostenpunkt darstellen, der zusätzliche Umsatz, der für einen Anbieter entsteht, jedoch bedeutsam ist. Insgesamt erscheint es daher aus kurzfristiger Perspektive empfehlenswert, Tarifwahl-Biases kurzfristig vollständig abzuschöpfen (Handlungsoption 1, 3, 5 und 7). Für die Abschöpfung sprechen auch die Erkenntnisse von LAMBRECHT und LAMBRECHT/SKIERA zur Deckungsbeitragswirkung und den nicht erhöhten Wechsel- und Kündigungswahrscheinlichkeiten im Fall von Flatrate-Biases, da Flatrate-Biases in der vorliegenden Arbeit dominieren. Allerdings ist es für die langfristige Situation des Mobilfunkanbieters vermutlich von größerer Bedeutung, dass die Kundenbindung und der Kundenlebenswert optimiert werden. Hierzu lassen sich auf Grundlage der vorhandenen Erkenntnisse nur schwer Aussagen treffen. Tendenziell kann bei den vorliegenden Handlungsoptionen jedoch bei Option 2, 4, 6 und 8 vermutet werden, dass aufgrund der niedrigen Wechselbarrieren eine positive Auswirkung auf die emotionalen Determinanten der Kundenbindung resultiert. Dies sind jedoch genau diejenigen Handlungsoptionen, in denen keine kurzfristige vollständige Abschöpfung von Tarifwahl-Biases erfolgt. Soll sowohl kurzfristig die Abschöpfung von Tarifwahl-Biases als auch langfristig die Optimierung der Kundenbindung berücksichtigt werden, so erscheinen Handlungsoption 2 und Handlungsoption 6 geeignet. In beiden Optionen hat der Nachfrager die Möglichkeit, Tarifwechsel bei niedrigen Wechselbarrieren vorzunehmen. Die Möglichkeit zur kurzfristigen Abschöpfung von Tarifwahl-Biases ist in beiden Situationen damit zumindest teilweise gegeben, da der Nachfrager erst selbst die Initiative zum Wechsel ergreifen muss. Durch die grundsätzliche Wechselmöglichkeit ist auch eine positive Auswirkung auf emotionale Determinanten der Kundenbindung in beiden Alternativen zu erwarten. In Option 2 ist der Nachfrager allerdings umfassend informiert, in Option 6 nur wenig. Option 2 spricht daher tendenziell eher für eine geringere kurzfristige Abschöpfung, dafür aber für positivere Konsequenzen für die emotionalen Determinanten der Kundenbindung im Vergleich zu Option 6. Für die Wahl einer strategischen Handlungsoption ist neben dem Nachfragerverhalten allerdings immer auch die Konkurrenz zu beachten. Denn die Angebote des Mo-

184 bilfunkanbieters werden vom Nachfrager immer auch im Vergleich zur Konkurrenz beurteilt.560 Je nachdem wie die Konkurrenz mit Tarifwahl-Biases umgeht, erscheint das Verhalten des Anbieters in einem positiven oder einem negativen Licht. Dies kann ebenso eine Auswirkung auf das Nachfragerverhalten in Bezug auf TarifwahlBiases ausüben, so dass je nach Verhalten der Konkurrenz eine andere strategische Handlungsoption angebracht erscheint. Dieser Aspekt wurde im Rahmen der Arbeit jedoch nicht beachtet. Ein weiterer wichtiger Punkt für die Wahl einer strategischen Handlungsoption ist deren Effizienz, d. h. dass der Mobilfunkanbieter auch entsprechende Gewinne erzielt, denn nur so kann der Mobilfunkanbieter einen komparativen Konkurrenzvorteil erzielen.561 Auch dieser Punkt konnte jedoch im Rahmen der Arbeit nicht betrachtet werden. Aus der allgemeinen Situation von Mobilfunkanbietern leitet sich eine weitere Handlungsempfehlung ab, die an der Tatsache ansetzt, dass Mobilfunkanbieter insbesondere durch den Aufbau von Netzkapazitäten hohe Fixkosten aufweisen.562 Die Ergebnisse der empirischen Studie zeigen, dass die Beurteilung von Zusatznutzenelementen von Tarifen als Ursache von Tarifwahl und Tarifwahl-Biases bei der Mobilfunktarifwahl im B-to-B-Kontext eine – wenn auch geringe – Rolle spielt. Dies lässt sich durch die Betonung der Zusatznutzenelemente Versicherungseffekt und Bequemlichkeitseffekt in der Kommunikation und in Verkaufsgesprächen für den Mobilfunkanbieter ausnutzen. Die Betonung der Elemente kann zwei Auswirkungen haben. Einerseits kann dadurch die Wahl eines Tarifs mit höherem Freikontingent und Grundpreis gefördert werden, so dass durch die vom Nachfrager zu entrichtenden Grundpreise ein größerer Bestandteil des Umsatzes fix und damit die Planungssicherheit für den Mobilfunkanbieter erhöht ist. Dies reduziert außerdem die Anfälligkeit des Mobilfunkanbieters gegenüber Schwankungen in der Netzauslastung.563 Diese Schwankungen können dann ein Problem darstellen, wenn aufgrund der Existenz von hohen Fixkosten und Unsicherheit über die Erlöse die Gefahr besteht, dass die Kosten nicht vollständig gedeckt werden. Die bestehenden Fixkosten des Mobilfunkanbieters (bspw. durch den Netzaufbau) können daher vor dem Hintergrund unsicherer Erlöse – wie 560 561

562 563

Vgl. Backhaus, K./ Schneider, H. (2007), S. 28 f. u. Porter, M.E. (1980). Vgl. Backhaus, K./ Schneider, H. (2007), S. 27. Charakteristikum des komparativen Konkurrenzvorteils (KKV) ist die gleichzeitige Berücksichtigung der Effektivitäts- und Effizienzdimension bei der Ausgestaltung von Marketing-Maßnahmen. Merkmale eines KKVs: Vom Nachfrager wahrgenommen und für ihn bedeutsam; für den Anbieter verteidigungsfähig und wirtschaftlich, vgl. Backhaus, K./ Schneider, H. (2007), S. 37. Vgl. Gerum, E./ Sjurts, I./ Stieglitz, N. (2003), S. 80. Schwankungen in der Netzauslastung werden hier mit Schwankungen in der Beschäftigung des Unternehmens gleichgesetzt, vgl. Backhaus, K./ Funke, S. (1996), S. 95 mit Referenz zu SCHMALENBACH, vgl. Schmalenbach, E. (1928).

185 im Fall von Pay-per-Use-Tarifen gegeben – zum Problem werden.564 Ein großer Anteil von beim Anbieter abgeschlossenen Flatrate-Tarifen reduziert dieses Risiko für den Mobilfunkanbieter. Inwiefern die Schwankungen der Netzauslastung ein Problem darstellen, kann somit nicht allgemeingültig beurteilt werden. Auch hier muss der einzelne Mobilfunkanbieter das hieraus entstehende Risiko beurteilen. Andererseits kann durch die Betonung von Versicherungseffekt und Bequemlichkeitseffekt in der Kommunikation die Akzeptanz von Tarifwahl-Biases durch den Nachfrager gefördert werden, und für den Anbieter negative Reaktionen auf Tarifwahl-Biases können möglicherweise verringert werden. Dadurch erhält der Anbieter möglicherweise die Gelegenheit, Tarifwahl-Biases über einen längeren Zeitraum abzuschöpfen und somit einen höheren Umsatz zu erzielen. Für eine Entscheidung, ob dieser Handlungsempfehlung gefolgt wird, sollte der Anbieter den Aufwand, den die Betonung der Effekte mit sich bringt, und die möglichen positiven Effekte durch die verstärkte Wahl von Tarifen mit hoher Grundgebühr und hohem Freikontingent sowie durch die mögliche bessere Akzeptanz von TarifwahlBiases durch den Nachfrager einander gegenüberstellen. Die Ergebnisse der Untersuchung haben auch gezeigt, dass sich das Nachfrageverhalten von Privat- und Geschäftskunden im Mobilfunkbereich zwar einerseits ähnelt, dass aber andererseits auch Unterschiede festzustellen sind. Erkenntnisse und Strategien aus dem B-to-C-Bereich sollten daher nicht unreflektiert auf den B-to-BBereich übertragen werden und umgekehrt, sondern vielmehr sollten Mobilfunkanbieter die Spezifika von Nachfragern bedenken und die besonderen Bedürfnisse der jeweiligen Zielgruppe gezielt adressieren. Insgesamt zeigt sich sowohl für nachfragende als auch anbietende Unternehmen, dass auf Basis der hier durchgeführten Studie keine endgültigen Handlungsanweisungen gegeben werden können, dass jedoch Handlungsoptionen aufgezeigt werden konnten, aus denen das einzelne Unternehmen die für die eigene Situation geeignet erscheinende Option auswählen kann. 6.3

Grenzen der Untersuchung und Ansatzpunkte für weiterführende Forschung

Die Ergebnisse der Untersuchung sind jedoch auch gewissen Grenzen unterworfen, die sich im Wesentlichen zwei Bereichen zuordnen lassen: Einschränkungen in der

564

Vgl. Backhaus, K./ Funke, S. (1996), S. 99.

186 quasi-experimentellen Tarifwahl sowie Beschränkungen auf eine bestimmte Untersuchungssituation. Einige Grenzen ergeben sich aus der eingesetzten Methode der quasiexperimentellen Tarifwahl, die zwar eine exakte, theoriegeleitete Analyse ermöglicht, aber auch Nachteile mit sich bringt:

x Die Tarifwahl wird lediglich in einer Befragung erhoben. Daher verbleibt eine gewisse Unsicherheit in Bezug auf das reale Tarifwahlverhalten und damit die externe Validität der gemessenen Tarifwahlentscheidungen und Tarifwahl-Biases. Im Rahmen der quasi-experimentellen Tarifwahl werden außerdem einige Vereinfachungen getroffen, die gleichzeitig Grenzen der Untersuchung markieren:

x Es wurde lediglich ein Entscheider je Unternehmen befragt. Auch wenn die theoretische Analyse und die Befragung zeigen, dass die Buying Center von KMUs bei Mobilfunktarifentscheidungen eher klein sind, so sind dennoch teilweise mehrere Personen an der Entscheidung beteiligt. Im Rahmen der Untersuchung wurde nicht betrachtet, wie diese Personen zu einer gemeinsamen Entscheidung kommen. x Die Tarifwahlentscheidung und die Einschätzungen des Nutzungsverhaltens wurden telefonisch erhoben. Die Tarifübersicht wurde den Entscheidern zwar im Vorfeld zugefaxt, und der Entscheider konnte sich auf Fragen zum Tarifwahlverhalten einstellen, dennoch ist es möglich, dass der Entscheider in einer realen Entscheidungssituation mehr Informationsquellen zum Nutzungsverhalten der Nutzer heranzieht und dadurch weniger Fehleinschätzungen zustande kommen und weniger Tarifwahl-Biases auftreten. x Das Auswahlset enthielt nur eine begrenzte Anzahl von Tarifen. In der Realität liegen weitaus mehr Tarife vor, was zum einen Tarifwahl und Tarifwahl-Biases, zum anderen den Einfluss einzelner Nutzenelemente verändern kann.565 x Im Rahmen der Untersuchung von Tarifwahl und Tarifwahl-Biases erfolgte eine Konzentration auf Sprachkommunikation, obwohl bei der Tarifwahl auch andere Mobilfunkleistungen wie insbesondere auch die Datenübertragung relevant sind.

565

Einen Hinweis auf den möglichen Einfluss der Anzahl der Tarife auf das Tarifwahlverhalten liefern ENGELMANN/BRUDLER/KANTSPERGER, die empirisch zeigen, dass die subjektiv vom Nachfrager wahrgenommene Komplexität eines Preissystems einen Einfluss auf Preisfairness, Kundenzufriedenheit und Kundenbindung ausüben, vgl. Engelmann, M./ Brudler, B./ Kantsperger, R. (2007), S. 24.

187

x Weitere Aspekte, die die Tarifwahl ebenfalls beeinflussen können (bspw. die Wahl eines Anbieters und der Einfluss von Marken), wurden im Auswahlset nicht variiert. Der zweite Bereich, der den Aussagewert dieser Studie beschränkt, ist, dass die Analyse lediglich für KMU-orientierte Mobilfunktarife durchgeführt wurde. Die Aussagen zum Tarifwahlverhalten im B-to-B-Bereich gelten daher streng genommen auch nur für diesen Teilmarkt. Außerdem wurden lediglich Kunden eines einzelnen Mobilfunkanbieters betrachtet, die sich im Verhalten möglicherweise von Kunden anderer Mobilfunkanbieter unterscheiden. Um allgemeingültige Aussagen zum Tarifwahlverhalten im B-to-B-Kontext treffen zu können, sollten Tarifwahl, Tarifwahl-Biases und deren Ursachen im B-to-B-Bereich an weiteren Untersuchungsobjekten und für andere Nachfragergruppen untersucht werden. Hierin ist gleichzeitig ein erster Ansatzpunkt für weitere Forschungsarbeiten zu sehen. Darüber hinaus wurden im Verlauf der Arbeit mehrere Bereiche identifiziert, die in der Literatur noch nicht oder nur unzureichend behandelt wurden, und die in der eigenen Arbeit nicht hinreichend betrachtet wurden, die daher Forschungsbereiche darstellen können:

x Die vorliegende Arbeit hat gezeigt, dass auch bei der Mobilfunktarifwahl im B-to-BBereich Tarifwahl-Biases bestehen und dass diese in erster Linie aufgrund von Fehleinschätzungen der Nutzung zu Stande kommen. Dies zeigt, dass die Modellierung der Tarifwahl zur Tarifgestaltung auf Basis der Annahme perfekter Kenntnis der Nutzung und damit der Hyperrationalität von Nachfragern zu unbefriedigenden Ergebnissen führen muss. Daher besteht ein wichtiger Ansatzpunkt in der Analyse der Fragestellung, wie Nachfrager zu Urteilen über ihre erwartete Nutzung kommen, wie stark mögliche Fehlbeurteilungen sind und welche Ursachen diese Fehlbeurteilungen haben. Diese Erkenntnisse können dann in Preisoptimierungsmodelle integriert werden. Dies hat sowohl im Geschäftskunden- als auch im Privatkundenbereich potenzielle Relevanz. x Forschungslücken offenbaren sich insbesondere in Bezug auf Nachfragerreaktionen auf Tarifwahl-Biases im B-to-B-Kontext. Hierbei sind insbesondere auch längerfristige Auswirkungen von Tarifwahl-Biases auf Determinanten der Kundenbindung und das Tarifwechsel- und Kündigungsverhalten relevant, da dies den Kundenlebenswert und die langfristige Erlössituation eines Unternehmens beeinflussen kann. Denn nur bei besserer Kenntnis der Reaktionen der Nachfrager auf Tarifwahl-Biases können umfassende strategische Handlungsoptionen zum Management von Tarifwahl-Biases gegeben werden.

188

x Außerdem wurden im Rahmen der Ergebnisinterpretation zwar deskriptive Vergleiche zu den Erkenntnissen zum Tarifwahlverhalten im B-to-C-Kontext gezogen, ein direkter Vergleich des Tarifwahlverhaltens im B-to-C- und im B-to-B-Kontext existiert aber noch nicht. Ein derartiger Vergleich könnte weitere Erkenntnisse zu Einstellungs- oder Verhaltensgleichheiten und –unterschieden zwischen den beiden Bereichen zu Tage fördern. x Viele der zitierten Arbeiten zu Tarifwahl-Biases sind in den USA entstanden. Es ist denkbar, dass auch Unterschiede im Tarifwahlverhalten zwischen verschiedenen Ländern existieren, die insbesondere für global agierende Mobilfunkanbieter von Relevanz sind, und die ebenfalls im Rahmen eines direkten Vergleichs aufgedeckt werden könnten. x Bei einer weiteren Erforschung von Zusatznutzenelementen könnte der Einfluss von Versicherungs- und Flexibilitätseffekt differenziert nach risikoaversen, risikoaffinen und risikoneutralen Entscheidern untersucht werden, da möglicherweise für diese drei Entscheidertypen Unterschiede bestehen können. Auf Basis der in dieser Arbeit angeführten theoretischen Überlegungen sollte der Versicherungseffekt einen stärkeren Einfluss bei risikoaversen Entscheidern aufweisen, der Flexibilitätseffekt hingegen bei risikoaffinen oder risikoneutralen Entscheidern. x Interessant könnte auch eine Analyse des Mobilfunkwahlverhaltens von Geschäftskunden insgesamt sein, wenn auch die in Kapitel 1.2 angeführte Wahl von Komplettlösungen und Rahmenverträgen mit betrachtet wird, da hierbei grundsätzliche Unterschiede zum Wahlverhalten einzelner Tarife zu vermuten sind. Diese Nennung möglicher Ansatzpunkte für weitere Forschungsarbeiten erhebt keinen Anspruch auf Vollständigkeit. Sie zeigt aber, dass die Forschung zum Tarifwahlverhalten unter der besonderen Berücksichtigung von Tarifwahl-Biases im B-to-BBereich vor etlichen ungeklärten Fragen steht, die sowohl für Wissenschaft als auch für die Praxis von großer Relevanz sind. Mit der vorliegenden Arbeit konnten trotz aller Einschränkungen einige weiße Flecken auf der Forschungslandkarte zum Tarifwahlverhalten zumindest grau eingefärbt werden.

189 Anhangverzeichnis Anhang 1 Anhang 2 Anhang 3 Anhang 4 Anhang 5 Anhang 6 Anhang 7 Anhang 8 Anhang 9 Anhang 10 Anhang 11 Anhang 12 Anhang 13 Anhang 14

Struktur der telefonischen Befragung ...................................................190 Auswahl von zum Untersuchungszeitpunkt angebotener Volumentarife (ausgewählte Merkmale) ...............................................202 Auswertung der Branchenzugehörigkeit der Unternehmen (Frage 12) ........................................................................................................204 Korrelation der tatsächlichen Gruppengröße mit Tarifwahl-Bias und Fehleinschätzungseffekt .......................................................................204 Korrelation der Faktorwerte der Konstrukte mit den jeweiligen Mittelwerten der für das Konstrukt relevanten Indikatoren....................204 Prüfung der Variablen auf Normalverteilung.........................................205 Einschätzung der minimalen, durchschnittlichen und maximalen Mobilfunknutzung: Korrelationen ..........................................................205 Separate Faktorenanalysen der Konstrukte .........................................205 Heteroskedastizitätsprüfung: Abhängige Variable: Tarifwahl-Bias .......207 Regressionssubmodell B: Tarifwahlen mit Pay-per-Use-Bias und ohne Bias..............................................................................................207 Globale Gütekriterien Kausalmodell B: Tarifwahl-Bias/ ML-Schätzer ...207 Globale Gütekriterien Kausalsubmodell B: Flatrate-Bias ......................208 Informationskriterien Kausalsubmodell B: Flatrate-Bias .......................208 Regressionsmodell B: Nur Probanden, die nur eine Tarifwahl durchgeführt haben (Version 1 und 2 des Fragebogens) .....................208

190 Anhang 1

Struktur der telefonischen Befragung

Einstiegstext Guten Tag, mein Name ist [Name Interviewer] von der [Name Marktforschungsunternehmen]. Wir führen derzeit eine Befragung im Rahmen eines wissenschaftlichen Forschungsprojekts der Universität Münster (Institut für Anlagen und Systemtechnologien; Leitung: Prof. Dr. Dr. h.c. Klaus Backhaus) durch. [Name Praxispartner] unterstützt dieses Forschungsprojekt u. a. durch die Befragung von Kunden des Unternehmens. In dem Forschungsprojekt soll herausgefunden werden, was Geschäftskunden bei der Auswahl eines Mobilfunktarifs besonders wichtig ist. Sie können bei der Beantwortung der Fragen nichts falsch machen, es gibt keine richtigen und falschen Antworten. Antworten Sie bitte spontan und ohne lange zu überlegen. Könnte ich daher bitte mit demjenigen aus Ihrem Unternehmen sprechen, der der zuständige Ansprechpartner ist, wenn es um die Entscheidungen in Bezug auf die Tarifauswahl bei Mobilfunkanbietern geht? Die Befragung dauert ca. 15 Minuten. Haben Sie im Moment oder zu einem anderen Termin Zeit für diese Befragung? Im Rahmen der Befragung sollen Sie eine Auswahl aus Mobilfunktarifen für Mitarbeiter des Unternehmens treffen. Hierzu möchte ich Ihnen gerne eine Tarifübersicht zufaxen. Ganz wichtig: Die Befragung und ihre Auswertung geschehen anonym und entsprechen den datenschutzrechtlichen Vorgaben. Alle Antworten werden von uns vertraulich behandelt. Die Untersuchungsergebnisse werden nie mit Ihrem Namen ausgewertet, sondern grundsätzlich nur in Form von zusammenfassenden Statistiken dargestellt. Block 1: Filterfragen zur Tarifwahl und Einschätzung der Mobilfunknutzung Codenummer des Unternehmens Frage 1 Liegt Ihnen die Liste der Tarifübersicht vor? Antwortalternative

Nächste Frage

Ja

Frage 1a

Nein

Zufaxen der Tarifübersicht

191 Frage 1a Für wie viele Mitarbeiter hat Ihr Unternehmen einen Mobilfunktarif mit [Name Praxispartner] abgeschlossen? Antwortalternative

Nächste Frage

Offene Frage

Anzahl = 1: Frage 2a Anzahl >1: Frage 1b

Frage 1b Wie beurteilen Sie das Telefonverhalten dieser Mitarbeiter bezüglich der Telefongespräche, die die Mitarbeiter vom Mobiltelefon zum Festnetz und anderen Mobiltelefonen innerhalb Deutschlands führen? Antwortalternative

Nächste Frage

Alle Mitarbeiter weisen ein sehr ähnliches Telefonverhalten auf:

Frage 2b

Die Mitarbeiter weisen ein unterschiedliches Telefonverhalten auf:

Frage 1c

Frage 1c Lassen sich die Mitarbeiter in Gruppen einteilen, die jeweils ein ähnliches Telefonverhalten aufweisen (bei Telefongesprächen vom Mobiltelefon zum Festnetz und anderen Mobiltelefonen innerhalb Deutschlands)? Antwortalternative

Nächste Frage

Ja

Frage 1d

Nein

Frage 2c

Frage 1d In wie viele Gruppen, die jeweils ein ähnliches Telefonverhalten aufweisen, lassen sich die Mitarbeiter einteilen? Antwortalternative

Nächste Frage

Offene Frage

Anzahl = 2: Frage 1e Anzahl =3: Frage 1f Anzahl >3: Frage 1g

Frage 1e Bitte ordnen Sie die zwei Gruppen gedanklich nach der Intensität der Mobilfunknutzung. Wie viel Prozent der Mitarbeiter ordnen Sie der Gruppe mit der schwächeren Mobilfunknutzung zu und wie viele ordnen Sie der Gruppe mit der stärkeren Mobilfunknutzung zu. Bitte sagen Sie es mir in Prozentangaben! Antwortalternative Schwächere Telefonnutzung

Offene Frage (%)

Stärkere Telefonnutzung

Offene Frage (%)

Nächste Frage Frage 2d

192 Frage 1f Bitte ordnen Sie die drei Gruppen gedanklich nach der Intensität der Mobilfunknutzung. Wie viel Prozent der Mitarbeiter ordnen Sie der Gruppe mit der schwächsten Mobilfunknutzung zu, mit einer mittleren Mobilfunknutzung zu und wie viele ordnen Sie der Gruppe mit der stärksten Mobilfunknutzung zu. Bitte sagen Sie es mir in Prozentangaben! Antwortalternative Schwächste Telefonnutzung

Offene Frage (%)

Mittlere Telefonnutzung

Offene Frage (%)

Stärkste Telefonnutzung

Offene Frage (%)

Nächste Frage

Frage 2e

Frage 1g Bitte ordnen Sie die Gruppen gedanklich nach der Intensität der Mobilfunknutzung. Wie viele Mitarbeiter ordnen Sie der Gruppe mit der schwächsten Mobilfunknutzung zu, wie viele Mitarbeiter der Gruppe mit der stärksten Mobilfunknutzung. Bitte sagen Sie es mir in Prozentangaben! Antwortalternative Schwächste Telefonnutzung

Offene Frage (%)

Stärkste Telefonnutzung

Offene Frage (%)

Nächste Frage Frage 2f

Block 2: Hypothetische Tarifwahl Zugefaxte Tarifauswahl Auswahl eines Mobilfunktarifs: Tarifübersicht

Tarif 1 Grundgebühr (Monatlich) (Netto) Inklusivminuten (Monatlich) ins deutsche Festnetz und alle deutschen Mobilfunknetze Minutenpreis ins deutsche Festnetz und alle deutschen Mobilfunknetze (Netto)

0€

Tarif 2

Tarif 3

Tarif 4

Tarif 5

29 €

39 €

59 €

89 €

(23,43 €)

(31,59 €)

(47,79 €)

(72,09 €)

200 min

400 min

900 min

Ohne Beschränkung

0,49 €

0 € bis max. 200 min; dann 0,39 €

0 € bis max. 400 min; dann 0,29 €

0 € bis max. 900 min; dann 0,19 €

(0,40 €)

(0,32 €)

(0,23 €)

(0,15 €)

0

0

Sie werden in der Befragung gebeten, einen oder ggf. mehrere Mobilfunktarife auszuwählen. Bitte treffen Sie dabei Ihre Wahl so, als ob Sie sich tatsächlich für einen Mobilfunktarif entscheiden müssten. Bei dieser Tarifwahl stehen Ihnen ausschließlich die in der Tabelle dargestellten fünf Mobilfunktarife zur Auswahl. Diese Tarife beinhalten alle kein subventioniertes Endgerät.

193 Unterschiede zwischen den Tarifen existieren lediglich bei der monatlichen Grundgebühr, bei den Minutenpreisen für Gespräche innerhalb Deutschlands (in alle Netze) und bei den in der Grundgebühr eingeschlossenen Inklusivminuten. In Bezug auf Auslandgespräche, SMS/MMS, Datenübertragung, Taktung sowie alle anderen Vertragsbedingungen sind die Tarife gleich ausgestaltet (hier nicht näher spezifiziert). Die angegebenen Preise sind inklusive (exklusive) Mehrwertsteuer (19%).

Frage 2a Bitte wählen Sie für die Person, für die Sie einen Mobilfunktarif mit [Name Praxispartner] abgeschlossen haben, einen Mobilfunk-Tarif. Welchen dieser 5 Tarife würden Sie für diese Person wählen? Bitte treffen Sie die Wahl so, als ob Sie sich tatsächlich für einen dieser Tarife entscheiden müssten. Sie brauchen mir nur die Nummer des Tarifs zu nennen!

Person

Antwortalternativen

Nächste Frage

Tarif 1 bis Tarif 5

Frage 3a

Frage 2b Bitte wählen Sie für alle Mitarbeiter, für die Sie einen Mobilfunk-Tarif mit [Name Praxispartner] abgeschlossen haben, einen Mobilfunk-Tarif. Dabei wählen Sie für alle Mitarbeiter den gleichen Tarif. Welchen dieser 5 Tarife würden Sie für alle Mitarbeiter wählen? Bitte treffen Sie die Wahl so, als ob Sie sich tatsächlich für einen dieser Tarife entscheiden müssten. Sie brauchen mir nur die Nummer des Tarifs zu nennen!

Alle Mitarbeiter eine Gruppe

Antwortalternativen

Nächste Frage

Tarif 1 bis Tarif 5

Frage 3b

Frage 2c Bitte wählen Sie für den Mitarbeiter mit der schwächsten Mobilfunknutzung, für den Mitarbeiter mit der stärksten Mobilfunknutzung und für den „Durchschnittsnutzer“, für die Sie einen Mobilfunk-Tarif mit [Name Praxispartner] abgeschlossen haben, je einen Mobilfunk-Tarif. Welchen dieser 5 Tarife würden Sie jeweils für den Mitarbeiter mit der schwächsten, der stärksten Mobilfunknutzung und für den Durchschnittsnutzer wählen? Bitte treffen Sie Ihre Wahl so, als ob Sie sich tatsächlich für je einen dieser Tarife entscheiden müssen. Sie brauchen mir nur die Nummer des Tarifs zu nennen! Antwortalternativen Mitarbeiter mit schwächster Nutzung

Tarif 1 bis Tarif 5

Mitarbeiter mit stärkster Nutzung

Tarif 1 bis Tarif 5

Durchschnittsnutzer

Tarif 1 bis Tarif 5

Nächste Frage

Frage 3c

194 Frage 2d Bitte wählen Sie für jede der zwei Nutzergruppen, für die Sie einen Mobilfunk-Tarif mit [Name Praxispartner] abgeschlossen haben, einen Mobilfunk-Tarif. Alle Mitarbeiter, die sich in einer Nutzergruppe befinden, erhalten den gleichen Tarif. Welchen Tarif würden Sie für die Gruppe der Mitarbeiter mit der schwächeren und für die Gruppe der Mitarbeiter mit der stärkeren Mobilfunknutzung wählen? Bitte treffen Sie die Wahl so, als ob Sie sich tatsächlich für je einen dieser Tarife entscheiden müssten. Sie brauchen mir nur die Nummer des Tarifs zu nennen! Antwortalternativen Gruppe mit schwächerer Nutzung

Tarif 1 bis Tarif 5

Gruppe mit stärkster Nutzung

Tarif 1 bis Tarif 5

Nächste Frage Frage 3d

Frage 2e Bitte wählen Sie für jede der drei Nutzergruppen, für die Sie einen Mobilfunk-Tarif mit [Name Praxispartner] abgeschlossen haben, einen Mobilfunk-Tarif. Alle Mitarbeiter, die sich in einer Nutzergruppe befinden, erhalten den gleichen Tarif. Welchen Tarif würden Sie für die Gruppe der Mitarbeiter mit der schwächsten, der mittleren Mobilfunknutzung und für die Gruppe der Mitarbeiter mit der stärksten Mobilfunknutzung wählen? Bitte treffen Sie die Wahl so, als ob Sie sich tatsächlich für je einen dieser Tarife entscheiden müssten. Sie brauchen mir nur die Nummer des Tarifs zu nennen! Antwortalternativen Gruppe mit schwächster Nutzung

Tarif 1 bis Tarif 5

Gruppe mit mittlerer Nutzung

Tarif 1 bis Tarif 5

Gruppe mit stärkster Nutzung

Tarif 1 bis Tarif 5

Nächste Frage

Frage 3e

Frage 2f Bitte wählen Sie für die Gruppe mit der schwächsten Mobilfunknutzung und für die Gruppe mit der stärksten Mobilfunknutzung, für die Sie einen Mobilfunk-Tarif mit [Name Praxispartner] abgeschlossen haben, je einen Mobilfunk-Tarif. Alle Mitarbeiter, die sich in einer Nutzergruppe befinden, erhalten den gleichen Tarif. Bitte wählen Sie außerdem einen Tarif für den „Durchschnittsnutzer“. Welchen dieser 5 Tarife würden Sie für die Gruppe der Mitarbeiter mit der schwächsten, für die Gruppe der Mitarbeiter mit der stärksten Mobilfunknutzung und für den Durchschnittsnutzer wählen? Bitte treffen Sie die Wahl so, als ob Sie sich tatsächlich für je einen dieser Tarife entscheiden müssten. Sie brauchen mir nur die Nummer des Tarifs zu nennen!

195 Antwortalternativen Gruppe mit schwächster Nutzung

Tarif 1 bis Tarif 5

Gruppe mit stärkster Nutzung

Tarif 1 bis Tarif 5

Durchschnittsnutzer

Tarif 1 bis Tarif 5

Nächste Frage

Frage 3f

Block 3: Einschätzung der Mobilfunknutzung Frage 3a Wie schätzen Sie die monatliche Mobilfunknutzung der Person ein, für die Sie einen Mobilfunktarif über [Name Praxispartner] gewählt haben? Bitte geben Sie die durchschnittliche Minutenzahl pro Monat an, die die Person vom Mobiltelefon zum Festnetz und zu anderen Mobiltelefonen innerhalb Deutschlands telefoniert. Bitte geben Sie außerdem die Minutenzahl an, die die Person mindesten pro Monat telefoniert und die Minutenzahl, die die Person maximal pro Monat telefoniert. Wie viel Prozent Telefonnutzung sind dabei in etwa privat? Antwortalternativen Minuten durchschnittlich/ Monat

Offene Frage

Minuten mindestens/ Monat

Offene Frage

Minuten maximal/ Monat

Offene Frage

Prozent Privatnutzung

Offene Frage

Nächste Frage

Frage 4

Frage 3b Wie schätzen Sie die monatliche Mobilfunknutzung aller Mitarbeiter ein, für die Sie einen Mobilfunktarif über [Name Praxispartner] gewählt haben (ausschließlich Telefongespräche mit dem über [Name Praxispartner] laufenden Vertrag)? Bitte geben Sie die durchschnittliche Minutenzahl pro Monat an, die ein Mitarbeiter vom Mobiltelefon zum Festnetz und zu anderen Mobiltelefonen innerhalb Deutschlands telefoniert. Bitte geben Sie außerdem die Minutenzahl an, die ein Mitarbeiter mindestens pro Monat telefoniert, und die Minutenzahl, die ein Mitarbeiter maximal pro Monat telefoniert. Wie viel Prozent Telefonnutzung sind dabei in etwa privat? Antwortalternativen Minuten durchschnittlich/ Monat

Offene Frage

Minuten mindestens/ Monat

Offene Frage

Minuten maximal/ Monat

Offene Frage

Prozent Privatnutzung

Offene Frage

Nächste Frage

Frage 4

Frage 3c Wie schätzen Sie die monatliche Mobilfunknutzung des Mitarbeiters mit der schwächsten/stärksten Mobilfunknutzung/ aller Mitarbeiter im Durchschnitt ein, für

196 den Sie einen Mobilfunktarif über [Name Praxispartner] gewählt haben (ausschließlich Telefongespräche mit dem über [Name Praxispartner] laufenden Vertrag)? Bitte geben Sie die durchschnittliche Minutenzahl pro Monat an, die der Mitarbeiter vom Mobiltelefon zum Festnetz und zu anderen Mobiltelefonen innerhalb Deutschlands telefoniert. Bitte geben Sie außerdem die Minutenzahl an, die der Mitarbeiter mindestens pro Monat telefoniert, und die Minutenzahl, die der Mitarbeiter maximal pro Monat telefoniert. Wie viel Prozent Telefonnutzung sind dabei in etwa privat? Antwortalternativen für Person Nächste Frage Schwach

Stark

Durchschnitt

Minuten durchschnittlich/ Monat

Offene Frage

Offene Frage

Offene Frage

Minuten mindestens/ Monat

Offene Frage

Offene Frage

Offene Frage

Minuten maximal/ Monat

Offene Frage

Offene Frage

Offene Frage

Prozent Privatnutzung

Offene Frage

Offene Frage

Offene Frage

Frage 4

Frage 3d Wie schätzen Sie die monatliche Mobilfunknutzung der Gruppe der Mitarbeiter mit der schwächeren/stärkeren Mobilfunknutzung ein, für die Sie einen Mobilfunktarif über [Name Praxispartner] gewählt haben (ausschließlich Telefongespräche mit dem über [Name Praxispartner] laufenden Vertrag)? Bitte geben Sie die durchschnittliche Minutenzahl pro Monat an, die ein Mitarbeiter vom Mobiltelefon zum Festnetz und zu anderen Mobiltelefonen innerhalb Deutschlands telefoniert. Bitte geben Sie außerdem die Minutenzahl an, die ein Mitarbeiter mindestens pro Monat telefoniert, und die Minutenzahl, die ein Mitarbeiter maximal pro Monat telefoniert. Wie viel Prozent Telefonnutzung sind dabei in etwa privat? Antwortalternativen für Gruppe Nächste Frage Schwächer

Stärker

Minuten durchschnittlich/ Monat

Offene Frage

Offene Frage

Minuten mindestens/ Monat

Offene Frage

Offene Frage

Minuten maximal/ Monat

Offene Frage

Offene Frage

Prozent Privatnutzung

Offene Frage

Offene Frage

Frage 4

Frage 3e Wie schätzen Sie die monatliche Mobilfunknutzung der Gruppe der Mitarbeiter mit der schwächsten/mittleren/stärksten Mobilfunknutzung ein, für die Sie einen Mobilfunktarif über [Name Praxispartner] gewählt haben (ausschließlich Telefongespräche mit dem über [Name Praxispartner] laufenden Vertrag)? Bitte geben Sie die durchschnittliche Minutenzahl pro Monat an, die ein Mitarbeiter vom Mobiltelefon zum Festnetz und zu anderen Mobiltelefonen innerhalb Deutsch-

197 lands telefoniert. Bitte geben Sie außerdem die Minutenzahl an, die ein Mitarbeiter mindestens pro Monat telefoniert, und die Minutenzahl, die ein Mitarbeiter maximal pro Monat telefoniert. Wie viel Prozent Telefonnutzung sind dabei in etwa privat? Antwortalternativen für Gruppe Nächste Frage Schwach

Mittel

Stark

Minuten durchschnittlich/ Monat

Offene Frage

Offene Frage

Offene Frage

Minuten mindestens/ Monat

Offene Frage

Offene Frage

Offene Frage

Minuten maximal/ Monat

Offene Frage

Offene Frage

Offene Frage

Prozent Privatnutzung

Offene Frage

Offene Frage

Offene Frage

Frage 4

Frage 3f Wie schätzen Sie die monatliche Mobilfunknutzung der Gruppe der Mitarbeiter mit der schwächsten/stärksten Mobilfunknutzung/ aller Mitarbeiter im Durchschnitt ein, für die Sie einen Mobilfunktarif über [Name Praxispartner] gewählt haben (ausschließlich Telefongespräche mit dem über [Name Praxispartner] laufenden Vertrag)? Bitte geben Sie die durchschnittliche Minutenzahl pro Monat an, die ein Mitarbeiter vom Mobiltelefon zum Festnetz und zu anderen Mobiltelefonen innerhalb Deutschlands telefoniert. Bitte geben Sie außerdem die Minutenzahl an, die ein Mitarbeiter mindestens pro Monat telefoniert, und die Minutenzahl, die ein Mitarbeiter maximal pro Monat telefoniert. Antwortalternativen für Gruppe Nächste Frage Schwach

Stark

Durchschnitt

Minuten durchschnittlich/ Monat

Offene Frage

Offene Frage

Offene Frage

Minuten mindestens/ Monat

Offene Frage

Offene Frage

Offene Frage

Minuten maximal/ Monat

Offene Frage

Offene Frage

Offene Frage

Prozent Privatnutzung

Offene Frage

Offene Frage

Offene Frage

Frage 4

Block 4: Einstellungen zu Mobilfunktarifen Frage 4 Bitte beantworten Sie die folgenden Fragen spontan aus Ihrer momentanen persönlichen Sicht. Es handelt sich um Aussagen in Bezug zu Mobilfunktarifen für die überwiegend geschäftliche Nutzung. Manche Fragestellungen mögen ähnlich aussehen. Gerade deshalb ist es wichtig, dass Sie JEDE Frage EINZELN beantworten, und sich keine Gedanken darüber machen, was Sie bereits vorher geantwortet haben. Bitte sagen Sie mir zu jeder Aussage, ob Sie diese vollständig zutrifft, eher zutrifft, weder zu noch nicht zutrifft, eher nicht zutrifft oder überhaupt nicht zutrifft!

198 Antwortalternativen

Nächste Frage

Indikator V1 bis TB4

Trifft vollständig zu, eher zu, weder zu noch nicht zu, eher nicht zu, überhaupt nicht zu.

Frage 5

Indikator

Aussage

V1

Für die Sicherheit, dass die Mobilfunkkosten nie einen vereinbarten Betrag übersteigen, ist das Unternehmen bereit, im Durchschnitt auch etwas mehr zu bezahlen.

V2

Auch wenn eine Flatrate für das Unternehmen etwas teurer wäre als ein nutzungsabhängiger Tarif, bin ich zufrieden, weil die Kosten für das Unternehmen nie den Fixbetrag übersteigen.

V3

Ich mag Flatrates nicht, weil das Unternehmen dann bei geringer Mobiltelefonnutzung den gleichen Betrag zahlen muss, wie bei hoher Nutzung.

V4

Selbst wenn weniger mobil telefoniert wird als geplant, bin ich mit einer Flatrate zufrieden, weil die Kosten für das Unternehmen nie über einen bestimmten Betrag steigen werden.

B1

So lange, wie es dauert zu berechnen, welcher Tarif günstiger ist, lohnt sich der Aufwand normalerweise nicht.

B2

Es ist mir viel zu aufwändig, mich über die Preise von Mobilfunktarifen zu informieren.

B3

Das Geld, das man sparen kann, wenn man einen Tarif sucht, der günstiger ist als der, den man derzeit nutzt, wiegt nicht die Zeit und den Aufwand auf.

B4

Solange wie es dauert, zu einem billigeren Tarif zu wechseln, lohnt sich der Aufwand nicht.

T1

Die Flatrate ist toll, weil der Mitarbeiter oder der Kollege nicht über die Kosten nachdenken muss.

T2

Der Mitarbeiter oder der Kollege hat weniger Spaß am mobilen Telefonieren, wenn mit jeder Minute die Kosten steigen.

T3

Nur wenn der Mitarbeiter oder der Kollege mit einer Flatrate telefoniert, hat er richtig Spaß am mobilen Telefonieren.

T4

Wenn der Mitarbeiter oder der Kollege eine Flatrate hat, fühlt er sich viel freier und unbefangener mobil zu telefonieren, als bei einem variablen Tarif.

TB1

Die Flatrate ist toll, weil ich nicht über die Kosten nachdenken muss.

TB2

Ich habe weniger Spaß am mobilen Telefonieren, wenn mit jeder Minute die Kosten steigen.

TB3

Nur wenn ich mit einer Flatrate telefoniert, habe ich richtig Spaß am mobilen Telefonieren.

TB4

Wenn ich eine Flatrate habe, fühle ich mich viel freier und unbefangener mobil zu telefonieren, als bei einem variablen Tarif.

Block 5: Bedeutung des Preises: Konstantsummenskala Frage 5 Bitte stellen Sie sich vor, Sie wählen einen neuen Mobilfunktarif für einen Mitarbeiter Ihres Unternehmens. Wie wichtig sind im Vergleich die angeführten Faktoren „Preisliche Ausgestaltung des Tarifs“, „Servicequalität des Anbieters“, „Verbreitung des Netzes“ und „Subventioniertes Endgerät“ für Ihre Entscheidung? Falls andere Faktoren aus Ihrer Sicht ebenfalls wichtig sind, können Sie diese unter „Sonstiges“ angeben. Bitte verteilen Sie insgesamt 100 % auf die Faktoren. Sie können den einzelnen Faktor mit einem Prozentwert zwischen 0 % und 100 % gewichten.

199 Antwortalternativen Preisliche Ausgestaltung des Tarifs (Grundgebühr und Minutenpreise)

Offene Frage

Servicequalität des Anbieters (z.B. Schnelligkeit der Bearbeitung von Reklamationen)

Offene Frage

Verbreitung des Netzes (Anzahl der Nutzer, die in diesem Netz telefonieren)

Offene Frage

Subventioniertes Endgerät

Offene Frage

Sonstiges und zwar…

Offene Frage

Nächste Frage

Frage 6

Block 6: Fragen zum Unternehmen und zum Entscheider Frage 6 Wie viele Mitarbeiter sind in Ihrem Gesamtunternehmen mit allen Betriebsstätten etwa beschäftigt? Antwortalternativen

Nächste Frage

1 bis 4 Mitarbeiter 5 bis 9 Mitarbeiter 10 bis 49 Mitarbeiter 50 bis 249 Mitarbeiter

Frage 7

250 bis 499 Mitarbeiter 500 bis 999 Mitarbeiter 1.000 und mehr Mitarbeiter

Frage 7 Wie wird in Ihrem Unternehmen über Mobilfunktarife entschieden? Antwortalternativen

Nächste Frage

Die Entscheidung fällt zentral an einer Stelle für das gesamte Unternehmen. Die Entscheidung fällt an verschiedene Stellen zentral für kleinere Bereiche des Unternehmens (z.B. für eine Abteilung).

Frage 8

Der einzelne Mitarbeiter entscheidet selbst über seinen Mobilfunktarif.

Frage 8 Wie beurteilen Sie Ihre Rolle bei der Entscheidung für einen Mobilfunktarif? Antwortalternativen

Nächste Frage

Ich treffe Entscheidungen allein verantwortlich – sowohl fachlich als auch formal (Alleinentscheider).

Frage 10

Ich segne Entscheidungen formal ab (Formaler Entscheider). Ich treffe Entscheidungen fachlich, die dann noch z.B. von der Geschäftsleitung freigegeben werden (Fachentscheider). Ich bin an Entscheidungen beteiligt, indem ich verschiedene Angebote beurteile und Empfehlungen gebe (Beeinflusser). Ich bin an der Entscheidung beratend beteiligt (Unterstützer).

Frage 9

200 Frage 9 Wie viele Personen sind an der Entscheidung für einen Mobilfunktarif beteiligt? Antwortalternativen

Nächste Frage

Offene Frage

Frage 10

Frage 10 Welcher Unternehmensebene ordnen Sie Ihre Position zu? Antwortalternativen

Nächste Frage

Geschäftsführung/ Vorstand

Frage 12

Management mit Führungsverantwortung Management ohne Führungsverantwortung

Frage 11

Frage 11 In welchem Unternehmensbereich sind Sie tätig? Antwortalternativen

Nächste Frage

Beschaffung/ Einkauf EDV /IT Rechnungswesen/ Controlling Vertrieb/ Marketing

Frage 12

Produktion/ Leistungserstellung Anderes

Frage 12 Zu welcher Branche gehört Ihr Unternehmen? Antwortalternative

Nächste Frage

Land- und Forstwirtschaft Fischerei und Fischzucht Bergbau und Gewinnung von Steinen und Erden Verarbeitendes Gewerbe Energie- und Wasserversorgung Baugewerbe Handel; Instandhaltung und Reparatur von Kraftfahrzeugen und Gebrauchsgütern Gastgewerbe Verkehr- und Nachrichtenübermittlung Kredit- und Versicherungsgewerbe Grundstücks- und Wohnungswesen, Vermietung beweglicher Sachen, Erbringung von Dienstleistungen für Unternehmen Öffentliche Verwaltung, Verteidigung, Sozialversicherung Erziehung und Unterricht Gesundheits-, Veterinär- und Sozialwesen Erbringung von sonstigen öffentlichen und persönlichen Dienstleistungen Private Haushalte Exterritoriale Organisationen und Körperschaften

Frage 13

201 Frage 13 Wie alt sind Sie? Antwortalternativen

Nächste Frage

Offene Frage

Frage 14

Frage 14 Geschlecht des Befragten Antwortalternativen Männlich Weiblich

Nächste Frage Ende

Tarifname

Professional Plus

Business Basic

Basix

Business Smart

eplus

Vodafone

T-Mobile

T-Mobile

0,29 0,25

0 ohne Endgerät 7,5 mit Endgerät

Mit Inklusivminuten (50)

Relax 50

Eplus (bis 28.02.2007)

Vodafone

T-Mobile

15

0,49

Mit Inklusivminuten (100)

Relax 100

Eplus (bis 28.02.2007)

Vodafone

T-Mobile

25

0,39

Active 250

Time&More 200

Mit Inklusivminuten (200)

Relax 200

O2

Eplus (bis 28.02.2007)

Vodafone

T-Mobile

40

0,31 0,39

29 ohne Endgerät 38 mit Endgerät

0,45

41,03

35

0,16

0,36

19 ohne Endgerät 28 mit Endgerät

0,45

25,65

25

Tarife mit 200 oder 250 Minuten Freikontingent (in alle deutschen Netze)

Active 100

Time&More 100

O2

0,25

0,41

10 ohne Endgerät 19 mit Endgerät

0,45

15,39

15

Tarife mit 100 Minuten Freikontingent (in alle deutschen Netze)

Active 50

Time&More 50

O2

0,3

0,35

1,95 ohne Endgerät 9,95 mit Endgerät

0,29

0,3

Nutzungspreis deutsches Festnetz/ Min in €

7,14

3 ohne Endgerät 8 mit Endgerät 7,5

Tarife mit 50 Minuten Freikontingent (in alle deutschen Netze)

Business

O2

Grundpreis in €/ Monat

0,39

0,31

0,45

0,16

0,39

0,36

0,45

0,25

0,49

0,41

0,45

0,3

0,25

0,29

0,25

0,29

0,2

Nutzungspreis netzintern/ Min in €

Auswahl von zum Untersuchungszeitpunkt angebotener Volumentarife (ausgewählte Merkmale)

Tarife ohne oder mit niedriger Grundgebühr

Anbieter

Anhang 2

0,39

0,41

0,45

0,16

0,39

0,51

0,45

0,25

0,49

0,62

0,45

0,3

0,25

0,59

0,59

0,39

0,45

Nutzungspreis andere Mobilfunknetze/ Min in €

Mit Inklusivminuten (500)

Relax 400

Eplus (bis 28.02.2007)

Vodafone

T-Mobile

60 0,26 0,29

49 ohne Endgerät 58 mit Endgerät

Relax 1000

T-Mobile

0,1 0,29

57,5 59 ohne Endgerät 68 mit Endgerät

Business Flat

Base 1

Base 2

Super Flat

Max

O2

Base

Base

Vodafone

T-Mobile

0 0 0

34,95 ohne Endgerät 44,95 mit Endgerät 35 ohne Endgerät 44 mit Endgerät

Free Flat XL

89

Quelle: Internetpräsenzen der Anbieter im Februar/März 2007.

freenet

0

0

20 ohne Endgerät 25 mit Endgerät

0

25 ohne Endgerät 35 mit Endgerät 10

0

35

Tarife mit unbeschränktem Freikontingent (in alle deutschen Netze)

Genion L

O2

Tarife mit unbeschränktem Freikontingent (in ausgewählte Netze)

Time&More 1000

Eplus (ab 01.03.2007)

0,12 0,45

92,33

0,45

Tarife mit 1000 Minuten Freikontingent (in alle deutschen Netze)

Active 500

Time&More 500

O2

Tarife mit 400 oder 500 Minuten Freikontingent (in alle deutschen Netze) 0,12

0

0

0

0

0,25

0

0

0,29

0,1

0,29

0,26

0,45

0

0,19

0,29

Eplus-Netz: 0 Andere Netze: 0,25

0,25

0,15

0,19

0,29

0,1

0,29

0,31

0,45

0,12

204 Anhang 3

Auswertung der Branchenzugehörigkeit der Unternehmen (Frage 12)

Frage 12: Zu welcher Branche gehört Ihr Unternehmen? Antwortalternative

Prozent der Befragten

Land- und Forstwirtschaft

1,5

Fischerei und Fischzucht

1,5

Bergbau und Gewinnung von Steinen und Erden

0,8

Verarbeitendes Gewerbe

15,5

Energie- und Wasserversorgung

1,8

Baugewerbe

14,5

Handel; Instandhaltung und Reparatur von Kraftfahrzeugen und Gebrauchsgütern

8,2

Gastgewerbe

0,5

Verkehr- und Nachrichtenübermittlung

7

Kredit- und Versicherungsgewerbe

1

Grundstücks- und Wohnungswesen, Vermietung beweglicher Sachen, Erbringung von Dienstleistungen für Unternehmen

4,7

Öffentliche Verwaltung, Verteidigung, Sozialversicherung

0,8

Erziehung und Unterricht

0,3

Gesundheits-, Veterinär- und Sozialwesen

5,4

Erbringung von sonstigen öffentlichen und persönlichen Dienstleistungen

35,3

Private Haushalte

0

Exterritoriale Organisationen und Körperschaften

1,1

Stichprobe: 612 Entscheider aus 612 Unternehmen.

Anhang 4

Korrelation der tatsächlichen Gruppengröße mit Tarifwahl-Bias und Fehleinschätzungseffekt

Korrelationskoeffizient nach Pearson (Signifikanz)

Gruppengröße: Anzahl der Teilnehmer, die in die Berechung eingehen

Tarifwahl-Bias: Betrag von Ausmaß des Bias

-0,010 (0,802: n. s.)

Fehleinschätzungseffekt: Betrag

0,04 (0,296: n. s.)

Anhang 5

Korrelation der Faktorwerte der Konstrukte mit den jeweiligen Mittelwerten der für das Konstrukt relevanten Indikatoren

Faktorwerte Korrelationskoeffizient nach Pearson (Signifikanz) VE Versicherungseffekt Mittelwerte

Bequemlichkeitseffekt Taxametereffekt

BE

TE

1 (0,000) 1 (0,000) 1 (0,000)

205 Anhang 6

Prüfung der Variablen auf Normalverteilung

Kolmogorov-Smirnov-Test

Variable

Skewness

Kurtosis

Statistik

d.f.

Signifikanz

Ausmaß des TarifwahlBiases

-1,191

6,098

0,199

680

0

Einschätzungseffekt

3,256

22,766

0,219

848

0

Fehleinschätzungseffekt

3,076

22,755

0,173

680

0

V1

-0,389

-0,653

0,215

612

0

V2

-0,549

-0,446

0,248

612

0

B1

0,337

-1,154

0,223

612

0

B2

0,212

-1,157

0,179

612

0

B3

-1,162

0,168

0,224

612

0

B4

0,456

-1,072

0,214

612

0

T1

-0,727

-0,167

0,249

612

0

T2

-0,693

-0,17

0,261

612

0

T3

-0,638

-0,191

0,246

612

0

T4

-0,877

0,503

0,279

612

0

Anhang 7

Einschätzung der minimalen, durchschnittlichen und maximalen Mobilfunknutzung: Korrelationen

Korrelationskoeffizient nach Pearson (Signifikanz)

Durchschnitt

Einschätzung durchschnittliche Nutzung

1

Einschätzung minimale Nutzung

0,956 (0,01)

1

Einschätzung maximale Nutzung

0,958 (0,01)

0,887 (0,01)

Anhang 8

Minimum

Maximum

1

Separate Faktorenanalysen der Konstrukte

Separate Faktorenanalyse: Lokale und globale Gütemaße Versicherungseffekt

Konstrukt

Versicherungseffekt

Indikator

Faktorladung

Reliabilität Messmodell

Konvergenzvalidität

Indikatorreliablität

Cronbach’ sches Alpha

Faktorreliabilität

DEV

0,83

0,831

0,712

V1

0,808

0,653

V2

0,878

0,771

Globale Gütekriterien D.f.

negativ

TLI

Nicht verfügbar

Ȥ2/d.f.

Nicht verfügbar

RMSEA

Nicht verfügbar

CFI

Nicht verfügbar

SRMR

Nicht verfügbar

N=612, Schätzer: MLM

206 Der Versicherungseffekt wird lediglich anhand von zwei Indikatoren operationalisiert. Dadurch liegt eine negative Zahl an Freiheitsgraden vor und das Modell ist im Rahmen einer konfirmatorischen Faktorenanalyse nicht identifizierbar. Es stehen daher lediglich ausgewählte Gütekriterien zur Verfügung, die im Rahmen einer explorativen Faktorenanalyse ermittelt werden können. Separate Faktorenanalyse: Lokale und globale Gütemaße Bequemlichkeitseffekt

Konstrukt

Bequemlichkeitseffekt

Reliabilität Messmodell

Konvergenzvalidität

Indikatorreliablität

Cronbach’ sches Alpha

Faktorreliabilität

DEV

0,931

0,932

0,773

0,996

Indikator

Faktorladung

B1

0,919

0,845

B2

0,845

0,714

B3

0,861

0,741

B4

0,89

0,792

Globale Gütekriterien D.f.

2

TLI

Ȥ /d.f.

2

2,349

RMSEA

0,047

CFI

0,999

SRMR

0,007

N=612, Schätzer: MLM

Separate Faktorenanalyse: Lokale und globale Gütemaße Taxametereffekt

Konstrukt

Taxametereffekt

Reliabilität Messmodell

Konvergenzvalidität

Indikatorreliablität

Cronbach’ sches Alpha

Faktorreliabilität

DEV

0,836

0,837

0,563

Indikator

Faktorladung

T1

0,772

0,596

T2

0,748

0,56

T3

0,746

0,557

T4

0,734

0,539

Globale Gütekriterien D.f.

2

TLI

0,997

Ȥ /d.f.

2

1,326

RMSEA

0,023

CFI

0,999

SRMR

0,01

N=612, Schätzer: MLM

207

Regression Standardisiertes Residuum

Anhang 9

Heteroskedastizitätsprüfung: Abhängige Variable: Tarifwahl-Bias

2,5

0,0

-2,5

-5,0

-7,5

-3

-2

-1

0

1

2

3

4

Regression Standardisierter geschätzter Wert

Anhang 10

Regressionssubmodell B: Tarifwahlen mit PPU-Bias und ohne Bias

Regressionssubmodell B: Pay-per-Use-Bias und kein Bias n = 187

Wert

R²

0,505

F-Wert

46,456

Signifikanzniveau 0

Koeffizienten Standardisierter Wert

t-Wert

Signifikanzniveau

-0,015

-0,244

n.s. (2-seitig)

-0,02

-0,355

n.s. (2-seitig)

Taxametereffekt

0,105

1,623

n.s. (2-seitig)

Fehleinschätzungseffekt

0,711

13,331

0,0005 (1-seitig)

(Konstante)

(-5,779)

Versicherungseffekt Bequemlichkeitseffekt

Anhang 11

Globale Gütekriterien Kausalmodell B: Tarifwahl-Bias/ ML-Schätzer

Globale Gütekriterien D.f.

46

TLI

Ȥ2/d.f.

2,723

RMSEA

0,051

CFI

0,983

SRMR

0,024

N=667, Schätzer: ML

0,976

208 Anhang 12

Globale Gütekriterien Kausalsubmodell B: Flatrate-Bias

Globale Gütekriterien D.f.

46

TLI

0,987

Ȥ2/d.f.

1,566

RMSEA

0,034

CFI

0,991

SRMR

0,02

n=480, Schätzer: MLM

Anhang 13

Informationskriterien Kausalsubmodell B: Flatrate-Bias

Zu testendes Modell

ln(n)

Saturiertes Modell 6,1738

ln(n)  1

7,1738

k

42

 2 LL AIC

22.548,846

22.455,24

22.632,846

22.631,24

88

BIC

22.808,1456

22.998,5344

CAIC

22.850,1456

23.086,5344

n=480; Schätzer: ML

Anhang 14

Regressionsmodell B: Nur Probanden, die nur eine Tarifwahl durchgeführt haben (Version 1 und 2 des Fragebogens)

Gesamtmodell n = 450

Wert

R²

0,538

F-Wert

104,64

Signifikanzniveau 0

Koeffizienten Standardisierter Wert

t-Wert

Signifikanzniveau

0,233

4,883

0,0005 (1-seitig)

0,026

0,672

n.s.(2-seitig)

Taxametereffekt

-0,013

-0,279

n.s. (2-seitig)

Fehleinschätzungseffekt

0,629

16,646

0,0005 (1-seitig)

(Konstante)

(6,943)

Versicherungseffekt Bequemlichkeitseffekt

209 Literaturverzeichnis Aaker, D.A./ Kumar, V./ Day, G.S. (2003), Marketing Research, 8. Aufl., Hoboken 2003. Agresti, A. (2002), Categorical Data Analysis, 2. Aufl., New York 2002. Albers, S./ Hildebrandt, L. (2006), Methodische Probleme bei der Erfolgsfaktorenforschung: Messfehler, formative versus reflektive Indikatoren und die Wahl des Strukturgleichungs-Modells, in: Zeitschrift für betriebswirtschaftliche Forschung, 58, Februar, 2006, S. 2-33. Anderson, E. (1985), The Salesperson as Outside Agent or Employee: A Transaction Cost Analysis, in: Marketing Science, 4, 3, 1985, S. 234-254. Anderson, J.C./ Narus, J.A. (2004), Business Market Management: Understanding, Creating, and Delivering Value, 2. Aufl., New Jersey 2004. Andreß, H.-J. (2003), F-Verteilung (http://psydok.sulb.uni-saarland.de/volltexte/2004/ 268/html/fvert.htm; Abruf: 31.07.2007). Ariely, D./ Wertenbroch, K. (2002), Procrastination, Deadlines, and Performance: Self-Control by Precommitment, in: Psychological Science, 13, 3, 2002, S. 219-224. Babakus, E./ Ferguson, C.E./ Jöreskog, K.G. (1987), The Sensitivity of Confirmatory Maximum Likelihood Factor Analysis to Violations of Measurement Scale and Distributional Assumptions, in: Journal of Marketing Research, 37, 1987, S. 72-141. Backhaus, K./ Aufderheide, D./ Späth, G.-M. (1994), Marketing für Systemtechnologien, Stuttgart 1994. Backhaus, K./ Blechschmidt, B./ Eisenbeiß, M. (2006), Der Stichprobeneinfluss bei Kausalanalysen, in: Die Betriebswirtschaft, 66, 6, 2006, S. 711-726. Backhaus, K./ Erichson, B./ Plinke, W./ Weiber, R. (2006), Multivariate Analysemethoden: Eine anwendungsorientierte Einführung, 11. Aufl., Berlin et al. 2006. Backhaus, K./ Funke, S. (1996), Auf dem Weg zur fixkostenintensiven Unternehmung?, in: Zeitschrift für betriebswirtschafliche Forschung, 48, 2, 1996, S. 95129. Backhaus, K./ Plinke, W./ Rese, M. (1999), Industrial Marketing Management, unveröffentlichtes Manuskript, Berlin/Münster 1999. Backhaus, K./ Sabel, T. (2004), Markenrelevanz auf Industriegütermärkten, in: Backhaus, K./ Voeth, M. (Hrsg.), Handbuch Industriegütermarketing, Wiesbaden 2004, S. 779-797. Backhaus, K./ Schneider, H. (2007), Strategisches Marketing, Stuttgart 2007. Backhaus, K./ Sichtmann, C./ Voeth, M./ Wilken, R. (2005), An empirical comparison of methods to measure willingness to pay by examining the hypothetical bias, in: International Journal of Market Research, 47, 5, 2005, S. 543-562.

210 Backhaus, K./ Voeth, M. (2004), Besonderheiten des Industriegütermarketing, in: Backhaus, K./ Voeth, M. (Hrsg.), Handbuch Industriegütermarketing, Wiesbaden 2004, S. 5-21. Backhaus, K./ Voeth, M. (2007), Industriegütermarketing, 8. Aufl., München 2007. Bagozzi, R.P. (1980), Causal Models in Marketing, New York 1980. Bagozzi, R.P./ Fornell, C. (1982), Theoretical Concepts, Measurements and Meaning, in: Fornell, C. (Hrsg.), A Second Generation of Multivariate Analysis, New York 1982, S. 24-38. Bagozzi, R.P./ Phillips, L.W. (1982), Representing and Testing Organizational Theories: A Holistic Construal, in: Administrative Science Quarterly, 27, 3, 1982, S. 459-489. Bailom, F./ Casagranda, M./ Matzler, K. (1999), Wertsteigernde Akquisitionsstrategien durch Benefit-Profitabilitäts-Analyse, in: Thexis, 16, 2, 1999, S. 15-19. Bamberg, G./ Coenenberg, A.G. (2006), Entscheidungslehre, 13. Aufl., München 2006. Becker, G.S. (1993a), Der ökonomische Ansatz zur Erklärung menschlichen Verhaltens, in: Becker, G.S. (Hrsg.), Der ökonomische Ansatz zur Erklärung menschlichen Verhaltens, übersetzt von Vanberg M./ Vanberg, V., 2. Aufl., Tübingen 1993a, S. 1-15. Becker, G.S. (1993b), Irrationales Verhalten, in: Becker, G.S. (Hrsg.), Der ökonomische Ansatz zur Erklärung menschlichen Verhaltens, übersetzt von Vanberg M./ Vanberg, V., Tübingen 1993b, S. 167-186. Bentler, P.M./ Chou, C.-P. (1987), Practical Issues in Structural Modeling, in: Sociological Methods & Research, 16, 1, 1987, S. 78-117. Berekoven, L./ Eckert, W./ Ellenrieder, P. (2006), Marktforschung: Methodische Grundlagen und praktische Anwendung, 11. Aufl., Wiesbaden 2006. Beutin, N. (2000), Kundennutzen in industriellen Geschäftsbeziehungen, Wiesbaden 2000. Bollen, K.A. (1989), Structural Equations with Latent Variables, New York et al. 1989. Bollen, K.A./ Lennox, R. (1991), Conventional Wisdom on Measurement: A Structural Equation Perspektive, in: Psychological Bulletin, 110, 2, 1991, S. 305314. Bollen, K.A./ Stine, R.A. (1992), Bootstrapping Goodness-of-Fit Measures in Structural Equation Models, in: Sociological Methods & Research, 21, 2, 1992, S. 205-229. Boomsma, A. (1983), On the Robustness of LISREL (Maximum Likelihood Estimation) Against Small Sample Sizes and Non-Normality, Groningen 1983. Boomsma, A./ Hoogland, J.J. (2001), The Robustness of LISREL-Modeling Revisited, in: Cudeck, R./ Du Toit, S./ Sörbom, D. (Hrsg.), Structural Equation Modeling: Present and Future, Lincolnwood 2001, S. 139-168.

211 Borooah, V.K. (2002), Logit and Probit: Ordered and Multinominal Models, Thousand Oaks 2002. Bortz, J. (2005), Statistik für Human- und Sozialwissenschaftler, 6. Aufl., Berlin et al. 2005. Bozdogan, H. (1987), Model Selection and Akaike's Information Criterion (AIC): The General Theory and its Analystical Extensions, in: Psychometrika, 52, 1987, S. 345-370. Brandt, R.D. (1988), How Service Marketers Can Identify Value-Enhancing Service Elements, in: Journal of Services Marketing, 2, 3, 1988, S. 35-41. Braun, C. (2006), Verfahren zur Länderrisikobewertung: Eine empirisch gestützte vergleichende Beurteilung, Hamburg 2006. Braunsberger, K./ Wybenga, H./ Gates, R. (2007), A Comparison of Reliability Between Telephone and Web-Based Surveys, in: Journal of Business Research, 60, 2007, S. 758-764. Brinkmann, J. (2006), Buying Center-Analyse auf Basis von Vertriebsinformationen, Wiesbaden 2006. Brinkmann, J./ Voeth, M. (2007), An Analysis of Buying Center Decisions Through the Salesforce, in: Industrial Marketing Management, 36, 2007, S. 998-1009. Brosius, F. (2006), SPSS 14, Heidelberg 2006. Browne, M.W. (1984), Asymptotic Distribution Free Methods in the Analysis of Covariance Structures, in: British Journal of Mathematical & Statistical Psychology, 37, 1984, S. 127-141. Bruner, G.C./ James, K.E./ Hensel, P.J. (2000), Marketing Scales Handbook: A Compilation of Multi-Item Measures, Volume III, Chicago 2000. Brzoska, L. (2003), Die Conjoint-Analyse als Instrument zur Prognose von Preisreaktionen: Eine theoretische und empirische Beurteilung der externen Validität, Hamburg 2003. Bühl, A. (2006), SPSS 14: Einführung in die moderne Datenanalyse, 10. Aufl., München et al. 2006. Bundesministerium für Wirtschaft und Technologie (2007), Der Mittelstand in der Bundesrepublik Deutschland: Eine volkswirtschaftliche Bestandsaufnahme. Dokumentation Nr. 561, Berlin 2007. Bundesnetzagentur (2005), Tätigkeitsbericht 2005/2005 (http://www.bundesnetz agentur.de/media/archive/4515.pdf; Abruf: 07.10.2007). Bundesnetzagentur (2006), Jahresbericht 2006 (http://www.bundesnetzagentur.de/ media/archive/9009.pdf; Abruf: 07.10.2007). Bundesnetzagentur (2007a), Teilnehmerentwicklung Mobilfunk: Marktanteile nach Kundenbetreuung (http://www.bundesnetzagentur.de/media/archive/10968. pdf; Abruf: 07.10.2007). Bundesnetzagentur (2007b), Teilnehmerentwicklung und Penetration in deutschen Mobilfunknetzen (http://www.bundesnetzagentur.de/media/archive/10967.pdf; Abruf: 07.10.2007).

212 Büschken, J. (1994), Multipersonale Kaufentscheidungen: Empirische Analyse zur Operationalisierung von Einflußbeziehungen im Buying Center, Wiesbaden 1994. Büschken, J. (1997), Sequentielle nicht-lineare Tarife: Nicht-lineare Preispolitik bei Nachfrageunsicherheit, Wiesbaden 1997. Büschken, J. (2003), Nicht-lineare Tarife, in: Diller, H./ Hermann, A. (Hrsg.), Handbuch Preispolitik: Strategien, Planung, Organisation, Umsetzung, Wiesbaden 2003, S. 522-533. Byrne, B.M. (2001), Structural Equation Modeling With AMOS: Basic Concepts, Applications and Programming, Mahwah 2001. Carmines, E.G./ Zeller, R.A. (1979), Reliability and Validity Assessment, Beverly Hills 1979. Chin, W.W./ Newsted, P.R. (1999), Structural Equation Modeling Analysis with Small Samples Using Partial Least Squares, in: Hoyle, R.H. (Hrsg.), Statistical Strategies for Small Sample Research, Thousand Oaks 1999, S. 307-342. Churchill, G.A. (1979), A Paradigm for Developing Better Measures of Marketing Constructs, in: Journal of Marketing Research, 16, 1979, S. 64-71. Clogg, C.C./ Shihadeh, E.S. (1994), Statistical Models for Ordinal Variables, Thousand Oaks 1994. Coenenberg, A.G. (1999), Kostenrechnung und Kostenanalyse, 4. Aufl., Landsberg am Lech 1999. Cook, T.D./ Campbell, D.T. (1979), Quasi-Experimentation: Design and Analysis Issues for Field Settings, Chicago 1979. Dahaher, P.J. (2002), Optimal Pricing of New Subscription Services: Analysis of a Market Experiment, in: Marketing Science, 21, 2, 2002, S. 119-138. Decker, R./ Wagner, R. (2002), Marketingforschung: Methoden und Modelle zur Bestimmung des Käuferverhaltens, München 2002. DellaVigna, S./ Malmendier, U. (2006), Paying Not to Go to the Gym, in: American Economic Review, 96, 3, 2006, S. 694-719. Dholakia, R.R./ Johnson, J.L./ Della-Britta, A.J./ Sholakia, N. (1993), DecisionMaking Time in Organizational Buying Behavior: An Investigation of its Antecedents, in: Journal of the Academy of Marketing Science, 21, 4, 1993, S. 281-292. Dickson, P.R./ Sawyer, A.G. (1990), The Price Knowledge and Search of Supermarket Shoppers, in: Journal of Marketing, 54, Juli, 1990, S. 42-53. Diller, H. (2004), Editorial: Das süße Gift der Kausalanalyse, in: Marketing Zeitschrift für Forschung und Praxis, 26, 3, 2004, S. 177. Diller, H. (2006), Probleme der Handhabung von Strukturgleichungsmodellen in der betriebswirtschaftlichen Forschung: Eine kritische Einführung, in: Die Betriebswirtschaft, 66, 6, 2006, S. 611-617. Diller, H. (2008), Preispolitik, 4. Aufl., Stuttgart 2008.

213 DiStefano, C. (2002), The Impact of Categorization With Confirmatory Factor Analysis, in: Structural Equation Modeling, 9, 3, 2002, S. 327-346. Dolan, C.V. (1994), Factor Analysis of Variables With 2, 3, 5 and 7 Response Categories: A Comparison of Categorical Variable Estimators Using Simulated Data, in: British Journal of Mathematical & Statistical Psychology, 47, 1994, S. 309-326. Draper, N.R./ Smith, H. (1998), Applied Regression Analysis, 3. Aufl., New York et al. 1998. Dwyer, F.R./ Tanner, J.F. (2001), Business Marketing: Connecting Strategy, Relationships, and Learning, New York 2001. Eberl, M. (2004), Formative und reflektive Indikatoren im Forschungprozess: Entscheidungsregeln und Dominanz des reflektiven Modells, in: Schriften zur Empirischen Forschung und Quantitiativen Unternehmensplanung, Heft 19, München 2004. Eberl, M. (2006), Formative und reflektive Konstrukte und die Wahl des Strukturgleichungsverfahrens, in: Die Betriebswirtschaft, 66, 6, 2006, S. 651-668. Eisenführ, F./ Weber, M. (2003), Rationales Entscheiden, 4. Aufl., Berlin et al. 2003. Elster, J. (1979), Ulysses and the Sirens: Studies in Rationality and Irrationality, Cambridge et al. 1979. Engelmann, M./ Brudler, B./ Kantsperger, R. (2007), Komplexität von Preissystemen und ihr Einfluss auf die Preisfairness: Eine branchenübergreifende Studie, in: Thexis, 24, 4, 2007, S. 21-26. E-Plus (2007), Geschäftskunden Professional Tarife (http://www.eplus.de/business_ tarife/0/0_0/0_0.asp; Abruf: 09.10.2007). Ernst, H. (2001), Erfolgsfaktoren neuer Produkte: Grundlagen für eine valide empirische Forschung, Wiesbaden 2001. Eschweiler, M. (2006), Externe Referenzpreise: Eine empirisch gestützte verhaltenswissenschaftliche Analyse, Wiesbaden 2006. Essegaier, S./ Gupta, S./ Zhang, Z.J. (2002), Pricing Access Services, in: Marketing Science, 21, 2, 2002, S. 139-159. Evanschitzky, H. (2003), Erfolg von Dienstleistungsnetzwerken: Ein Netzwerkmarketingansatz, Wiesbaden 2003. Fahrmeir, L./ Hamerle, A./ Tutz, G. (1996), Kategoriale und generalisierte lineare Regression, in: Fahrmeir, L./ Hamerle, A./ Tutz, G. (Hrsg.), Multivariate statistische Verfahren, Berlin et al. 1996, S. 239-301. Fassnacht, M. (1996), Preisdifferenzierung bei Dienstleistungen: Implementationsformen und Determinanten, Wiesbaden 1996. Fassnacht, M. (2003), Preisdifferenzierung, in: Diller, H./ Hermann, A. (Hrsg.), Handbuch Preispolitik: Strategien, Planung, Organisation, Umsetzung, Wiesbaden 2003, S. 464-502.

214 Fassott, G. (2006), Operationalisierung latenter Variablen in Strukturgleichungsmodellen: Eine Standortbestimmung, in: Zeitschrift für betriebswirtschaftliche Forschung, 58, Februar, 2006, S. 67-88. Finney, S./ DiStefano, C. (2006), Nonnormal and Categorical Data in Structural Equation Modeling, in: Hancock, G.R./ Mueller, R.O. (Hrsg.), Structural Equation Modeling: A Second Course, Greenwich 2006, S. 269-314. Flora, D.B./ Curran, P.J. (2004), An Empirical Evaluation of Alternative Methods of Estimation for Confirmatory Factor Analysis With Ordinal Data, in: Psychological Methods, 9, 4, 2004, S. 466-491. Fornell, C./ Brookstein, F.L. (1982), Two Structural Equation Models: LISREL an PLS Applied to Consumer Exit-Voice Theory, in: Journal of Marketing Research, 19, 11, 1982, S. 440-452. Fornell, C./ Larcker, D.F. (1981), Evaluating Structural Equation Models with Unobservable Variables and Measurement Error, in: Journal of Marketing Research, 18, 1, 1981, S. 39-50. freenet (2007), freenetMobile (http://freenetmobile.freenet.de/shop.php?action=front page&freenet_online_shop=b0b03bc3-baba37bd-b0b03bc0-baba37bd00000002-4fc8063e2cd55a924daf5bb8eef5666a; Abruf: 07.10.2007). Friedl, B. (2002), Controlling, Stuttgart 2002. Fritsch, M./ Wein, T./ Ewers, H.-J. (1993), Marktversagen und Wirtschaftspolitik, München 1993. Fritz, W. (1995), Marketing-Management und Unternehmenserfolg, 2. Aufl., Stuttgart 1995. Garson, G.D. (1998-2007), Log-Linear, Logit and Probit Models (http://www2.chass. ncsu.edu/garson/pa765/logit.htm; Abruf: 21.08.2007). Gaub, M. (2007), Ich handle, also spinn ich, in: ebay Magazin, 2007, 3, 2007, S. 112115. Gefen, D./ Straub, D.W./ Boudreau, M.-C. (2000), Structural Equation Modeling and Regression: Guidelines for Research Practice, in: Communications of the Association for Information Systems, 4, 7, 2000, S. 1-78. Generaldirektion Unternehmen und Industrie der Europäischen Kommission (2007), KMU-Definition (http://ec.europa.eu/enterprise/enterprise_policy/sme_ definition/index_de.htm; Abruf: 10.03.2007). Gensler, S. (2003), Heterogenität in der Präferenzanalyse: Ein Vergleich von hierarchischen Bayes-Modellen und Finite-Mixture-Modellen, Wiesbaden 2003. Gerpott, T.J. (1998), Wettbewerbsstrategien im Telekommunikationsmarkt, Stuttgart 1998. Gerpott, T.J. (2004), Industriegütermarketing in der Telekommunikationswirtschaft, in: Backhaus, K./ Voeth, M. (Hrsg.), Handbuch Industriegütermarketing, Wiesbaden 2004, S. 1235-1267. Gerpott, T.J. (2006a), Innovationen und Regulierung in der Telekommunikationswirtschaft: Eine Bestandsaufnahme der empirischen Forschung, in: Zeitschrift für betriebswirtschaftliche Forschung: Sonderheft, 54, 6, 2006a, S. 133-153.

215 Gerpott, T.J. (2006b), Management von Kundenzufriedenheit in der Mobilfunkbranche, in: Homburg, C. (Hrsg.), Kundenzufriedenheit: Konzepte, Methoden, Erfahrungen, Wiesbaden 2006b, S. 495-527. Gerpott, T.J. (2007), Tariftypenwahl von Privatkunden im deutschen Mobilfunkmarkt: Eine empirische Analyse zur Bedeutung von Wahrnehmungskonstrukten für die Wahl eines Tariftyps, in: Medienwirtschaft, 4, 4, 2007, S. 6-22. Gerpott, T.J./ Mahmudova, I. (2006), Ordinale Regression: Eine anwendungsorientierte Einführung, in: Wirtschaftswissenschaftliches Studium, 35, 9, 2006, S. 495-498. Gerpott, T.J./ Rams, W. (2000a), Bindung, Loyalität und Zufriedenheit von Geschäftskunden im deutschen Mobilfunkmarkt: Eine empirische Studie, in: telekom praxis, 2, 1, 2000a, S. 11-22. Gerpott, T.J./ Rams, W. (2000b), Kundenbindung, -loyalität und -zufriedenheit im deutschen Mobilfunkmarkt, in: Die Betriebswirtschaft, 60, 6, 2000b, S. 738755. Gerpott, T.J./ Rams, W./ Schindler, A. (2001), Customer Retention, Loyalty, and Satisfaction in the German Mobile Cellular Telecommunications Market, in: Telecommunications Policy, 25, 2001, S. 249-269. Gerum, E./ Sjurts, I./ Stieglitz, N. (2003), Der Mobilfunkmarkt im Umbruch: Eine innovationsökonomische und unternehmensstrategische Analyse, Wiesbaden 2003. Goettler, R.L./ Clay, K. (2007), Tariff Choice With Consumer Learning: SortingInduced Biases and Illusive Surplus (http://www2.tepper.cmu.edu/andrew/ goettler/papers/tariff-choice-sorting-induced-biases.pdf; Abruf: 20.09.2007). Götz, O./ Liehr-Gobbers, K. (2004), Analyse von Strukturgleichungsmodellen mit Hilfe der Partial-Least-Squares(PLS)-Methode, in: Die Betriebswirtschaft, 64, 6, 2004, S. 714-738. Greene, W.H. (2003), Econometric Analysis, 5. Aufl., Upper Saddle River 2003. Gwinner, K.P./ Gremler, D.D./ Bitner, M.J. (1998), Relational Benefits in Service Industries: The Customers Perspective, in: Journal of the Academy of Marketing Science, 26, 2, 1998, S. 101-114. Hair, J.F./ Black, W.C./ Babin, B.J./ Anderson, R.E./ Tatham, R.L. (2006), Multivariate Data Analysis, 6. Aufl., Upper Saddle River 2006. Herdzina, K. (2005), Einführung in die Mikroökonomik, 10. Aufl., München 2005. Herrmann, A./ Huber, F./ Kressmann, F. (2006), Varianz- und kovarianzbasierte Strukturgleichungsmodelle: Ein Leitfaden zu deren Spezifikation, Schätzung und Beurteilung, in: Zeitschrift für betriebswirtschaftliche Forschung, 58, 2, 2006, S. 34-66. Hildebrandt, L. (1983), Konfirmatorische Analysen von Modellen des Konsumentenverhaltens, Berlin 1983. Hildebrandt, L. (1984), Kausalanalytische Validierung in der Marketingforschung, in: Marketing Zeitschrift für Forschung und Praxis, 6, 1, 1984, S. 41-51.

216 Hildebrandt, L./ Görz, N. (1999), Strukturgleichungsmodelle mit latenten Variablen zur Analyse heterogener Daten, in: Quantification and Simulation of Economic Processes, 55, 1999, Hildebrandt, L./ Temme, D. (2005), Strukturgleichungsmodelle in der betriebswirtschaftlichen Forschung, in: Marion, S./ Sonntag, S. (Hrsg.), Quantitative Unternehmensführung: Denken in Austauschraten, Heidelberg 2005, S. 49-65. Hildebrandt, L./ Temme, D. (2006), Probleme der Validierung mit Strukturgleichungsmodellen, in: Die Betriebswirtschaft, 66, 6, 2006, S. 618-639. Hobson, M./ Spady, R.H. (1988), The Demand for Local Telephone Service under Optional Local Measured Service, Morristown 1988. Homburg, C./ Baumgartner, H. (1995a), Beurteilung von Kausalmodellen: Bestandsaufnahme und Anwendungsempfehlungen, in: Marketing Zeitschrift für Forschung und Praxis, 17, 3, 1995a, S. 162-176. Homburg, C./ Baumgartner, H. (1995b), Die Kausalanalyse als Instrument der Marketingforschung, in: Zeitschrift für Betriebswirtschaft, 65, 10, 1995b, S. 10911108. Homburg, C./ Giering, A. (1996), Konzeptualisierung und Operationalisierung komplexer Konstrukte: Ein Leitfaden für die Marketingforschung, in: Marketing Zeitschrift für Forschung und Praxis, 18, 1, 1996, S. 5-24. Homburg, C./ Hildebrandt, L. (1998), Die Kausalanalyse: Bestandsaufnahme, Entwicklungsrichtungen, Problemfelder, in: Hildebrandt, L./ Homburg, C. (Hrsg.), Die Kausalanalyse: Instrument der betriebswirtschaftlichen Forschung, Stuttgart 1998, S. 15-44. Homburg, C./ Klarmann, M. (2006), Die Kausalanalyse in der empirischen betriebswirtschaftlichen Forschung, in: Die Betriebswirtschaft, 66, 6, 2006, S. 727-748. Homburg, C./ Koschate, N. (2005a), Behavioral Pricing-Forschung im Überblick, Teil 1: Grundlagen, Preisaufnahme und Preisinformationsbeurteilung, in: Zeitschrift für Betriebswirtschaft, 75, 4, 2005a, S. 383-423. Homburg, C./ Koschate, N. (2005b), Behavioral Pricing-Forschung im Überblick, Teil 2: Preisinformationsspeicherung, weitere Themenfelder und zukünftige Forschungsrichtungen, in: Zeitschrift für Betriebswirtschaft, 75, 5, 2005b, S. 501-524. Homburg, C./ Krohmer, H. (2006), Marketingmanagement: Strategie, Instrumente, Umsetzung, Unternehmensführung, 2. Aufl., Wiesbaden 2006. Homburg, C./ Pflesser, C. (2000a), Konfirmatorische Faktorenanalyse, in: Herrmann, A./ Homburg, C. (Hrsg.), Marktforschung: Methoden, Anwendungen, Praxisbeispiele, 2. Aufl., Wiesbaden 2000a, S. 415-437. Homburg, C./ Pflesser, C. (2000b), A Multiple-Layer Model of Market-Oriented Organizational Culture: Measuresment Issues and Performance Outcome, in: Journal of Marketing Research, 37, 2000b, S. 449-462. Horváth, P. (2006), Controlling, 10. Aufl, München 2006. Hosmer, D.W./ Lemeshow, S. (2000), Applied Logictic Regression, 2. Aufl., New York 2000.

217 Hoyer, W.C./ MacInnis, D.J. (2007), Consumer Behavior, 4. Aufl., New York 2007. Hoyle, R.H./ Panter, A.T. (1995), Writing About Structural Equation Models, in: Hoyle, R.H. (Hrsg.), Structural Equation Modeling: Concepts, Issues, and Applications, Thousand Oaks 1995, S. 158-176. Hu, L.-T./ Bentler, P.M. (1995), Evaluating Model Fit, in: Hoyle, R.H. (Hrsg.), Structural Equation Modeling: Concepts, Issues, and Applications, Thousand Oaks 1995, S. 76-99. Hu, L.-T./ Bentler, P.M. (1999), Cutoff Criteria for Fit Indexes in Covariance Structure Analysis: Conventional Criteria Versus New Alternatives, in: Structural Equation Modeling, 6, 1999, S. 1-55. Huang, C.-I. (2007), Estimating Demand for Cellular Phone Service Under Nonlinear Pricing (http://140.112.152.2/perc/wp-content/uploads/2007/03/Estimating %20Demand%20for%20Cellular%20Phone%20Service%20under%20Nonline ar%20Pricing.pdf; Abruf: 20.09.2007). Hulin, C.L./ Komocar, J./ Drasgow, F. (1982), Applications of Item Response Theory to Analysis of Attitude Scale Translations, in: Journal of Applied Psychology, 67, 6, 1982, S. 818-825. Hüppelshäuser, M. (2005), Ertragsorientierte Kundenbindung im Rahmen des Kundenmanagements: Ein theoretischer Ansatz mit empirischer Anwendung im Bereich Internet Access, Vallendar 2005. Hutchinson, S.R./ Olmos, A. (1998), Behavior of Descriptive Fit Indexes in Confirmatory Factor Analysis Using Ordered Categorical Data, in: Structural Equation Modeling, 5, 1998, S. 344-364. IfM Bonn (2007a), Definition des Mittelstands in Deutschland (http://www.ifmbonn.org/; Abruf: 08.09.2007). IfM Bonn (2007b), Schlüsselzahlen des Mittelstands in Deutschland (http://www.ifmbonn.org/; Abruf: 08.09.2007). Ivens, B.S. (2003), Wilhelm Vershofen: Professor der Absatzwirtschaft? Ein Rückblick zu seinem 125. Geburtstag. Arbeitspapier des Lehrstuhls für Marketing an der Universität Erlangen-Nürnberg Nr. 108, Nürnberg 2003. Iyengar, R. (im Druck), A Structural Demand Analysis for Wireless Services Under Nonlinear Pricing Schemes, unter 2. Review Marketing Science (http://www.rotman.utoronto.ca/marketing/Iyengar.pdf; Abruf: 20.09.2007). Jain, D./ Singh, S.S. (2002), Customer Lifetime Value Research in Marketing: A Review and Future Directions, in: Journal of Interactive Marketing, 16, 2002, S. 34-46. Janssen, J./ Laatz, W. (2007a), Das Modell der ordinalen Regression. Ergänzung zu Janssen, J./ Laatz, W. (2007): Statistische Datenanalyse mit SPSS für Windows, 6. Aufl., Berlin et al., Kapitel 18 (http://www.hwp-hamburg.de/jans senj/spss.html; Abruf: 16.10.2007). Janssen, J./ Laatz, W. (2007b), Statistische Datenanalyse mit SPSS für Windows, 6. Aufl., Berlin et al. 2007b. Jarvis, C.B./ MacKenzie, S.B./ Podsakoff, P.M. (2003), A Critical Review of Construct Indicators and Measurement Model Misspecification in Marketing and

218 Consumer Research, in: Journal of Consumer Reseach, 30, 2, 2003, S. 199218. Jedidi, K./ Jagpal, H.S./ DeSarbo, W.S. (1997), Finite-Mixture Structural Equation Models for Response-Based Segmentation and Unobserved Heterogeneity, in: Marketing Science, 16, 1, 1997, S. 39-59. Jedidi, K./ Jagpal, H.S./ Manchanda, P. (2003), Measuring Heterogenous Reservation Prices for Product Bundles, in: Marketing Science, 22, 1, 2003, S. 107130. Jensen, S. (2006), Implementation of Competitive Nonlinear Pricing: Tariffs With Inclusive Consumption, in: Review of Economic Design, 10, 9, 2006, S. 9-29. Johnston, W.J./ Bonoma, T.V. (1981), The Buying Center: Structure and Interaction, in: Journal of Marketing, 45, Summer, 1981, S. 143-156. Johnston, W.J./ Lewin, J.E. (1996), Organizational Buying Behavior: Toward and Ingegrative Framework, in: Journal of Business Research, 35, 1996, S. 1-15. Jöreskog, K.G. (1994), On the Estimation of Polychoric Correlations and Their Asymptotic Covariance Matrix, in: Psychometrika, 59, 1994, S. 381-389. Jungermann, H./ Pfister, H.-R./ Fischer, K. (2005), Die Psychologie der Entscheidung: Eine Einführung, 2. Auflage, München 2005. Kaas, K.P. (1990), Marketing als Bewältigung von Informations- und Unsicherheitsproblemen im Markt, in: Die Betriebswirtschaft, 50, 4, 1990, S. 539-548. Kahneman, D./ Tversky, A. (1979), Prospect Theory: An Analysis of Decision Under Risk, in: Econometrica, 47, 1979, S. 263-291. Kindermann, H. (2006), Optimierung der Kundenbindung in Massenmärkten: Eine empirische Untersuchung im österreichischen Mobilfunkmarkt, Wiesbaden 2006. Kline, R.B. (2005), Principles and Practice of Structural Equation Modeling, 2. Aufl., New York 2005. Kling, J.P./ van der Ploeg, S.S. (1990), Estimating Local Elasticities with a Model of Stochastic Class of Service and Usage Choice, in: Fontenay, A./ Shugard, M.H./ Sibley, D.S. (Hrsg.), Telecommunications Demand Modelling: An Integrated View, Amsterdam et al. 1990, S. 119-136. Krafft, M. (1997), Der Ansatz der logistischen Regression, in: Zeitschrift für Betriebswirtschaft, 67, 5/6, 1997, S. 625-641. Krafft, M. (2007), Kundenbindung und Kundenwert, 2. Aufl., Heidelberg 2007. Krafft, M./ Litfin, T. (2002), Adoption innovativer Telekommunikationsdienste: Validierung der Rogers-Kriterien bei Vorliegen potenziell heterogener Gruppen, in: Zeitschrift für betriebswirtschafliche Forschung, 54, Februar, 2002, S. 64-83. Kridel, D.J./ Lehman, D.E./ Weisman, D.L. (1993), Option Value, Telecommunication Demand, and Policy, in: Information Economics and Policy, 5, 1993, S. 125-144. Kroeber-Riel, W./ Weinberg, P. (2003), Konsumentenverhalten, 8. Aufl., München 2003.

219 Küpper, H.-U. (2005), Controlling: Konzeption, Aufgaben, Instrumente, 4. Aufl., Stuttgart 2005. Lai, A.W. (1995), Consumer Values, Product Benefits, and Customer Value: A Consumption Behavior Approach, in: Advances in Consumer Research, 22, 5, 1995, S. 381-388. Lambrecht, A. (2005), Tarifwahl bei Internetzugang: Existenz, Ursachen und Konsequenzen von Tarifwahl-Biases, Wiesbaden 2005. Lambrecht, A./ Seim, K./ Skiera, B. (2007), Does Uncertainty Matter? Consumer Behavior under Three-Part Tariffs, in: Marketing Science, 26, 5, 2007, S. 698710. Lambrecht, A./ Skiera, B. (2006a), Paying Too Much and Being Happy About It: Existence, Causes, and Consequences of Tariff-Choice Biases., in: Journal of Marketing Research, 43, 2, 2006a, S. 212-223. Lambrecht, A./ Skiera, B. (2006b), Ursachen eines Flatrate-Bias: Systematisierung und Messung der Einflussfaktoren, in: Zeitschrift für betriebswirtschaftliche Forschung, 58, August, 2006b, S. 588-617. Lancaster, K.J. (1966), A New Approach of Consumer Theory, in: Journal of Political Economy, 27, 1966, S. 132-157. Langner, H. (2004), Marktforschung und Informationsbeschaffung auf Industriegütermärkten, in: Backhaus, K./ Voeth, M. (Hrsg.), Handbuch Industriegütermarketing, Wiesbaden 2004, S. 323-373. Laux, H. (2005), Entscheidungstheorie, 6. Aufl., Berlin et al. 2005. Lee, M.-S. (1988), Two-Part Pricing in a Competitive Market: An Empirical Investigation of the Video Movie Rental Case, in: Proceedings of the 1988 Summer AMA Educators' Conference, 1988, S. 195-199. Lei, M./ Lomax, R. (2005), The Effect of Varying Degrees of Nonnormality in Structural Equation Modeling, in: Structural Equation Modeling, 12, 2005, S. 1-27. Lewin, J.E./ Donthu, N. (2005), The Influence of Purchase Situation on Buying Center Structure and Involvement: a Select Meta-Analysis of Organizational Buying Behavior Research, in: Journal of Business Research, 58, 2005, S. 13811390. Liao, T.F. (1994), Interpreting Probability Models: Logit, Probit and Other Generalized Linear Models, Thousand Oaks 1994. Lienert, G.A./ Raatz, U. (1998), Testaufbau und Testanalyse, Weinheim 1998. Liu, A.H./ Leach, M.P./ Bernhardt, K.L. (2005), Examining Customer Value Perceptions of Organizational Buyers When Sourcing from Multiple Vendors, in: Journal of Business Research, 58, 5, 2005, S. 559-568. Long, J.S. (1997), Regression Models for Categorical and Limited Dependent Variables, Thousand Oaks 1997. Mac Kenna, C.J./ Rees, R. (1992), Economics: A Mathematical Introduction, Oxford 1992.

220 MacCallum, R.C./ Roznowski, M./ Mar, M./ Reith, J.V. (1994), Alternative Strategies for Cross-Validation of Covariance Structure Models, in: Multivariate Behavioral Research, 29, 1994, S. 1-32. MacCullagh, P. (1980), Regression Models for Ordinal Data, in: Journal of the Royal Statistical Society, Series B (Methodological), 42, 2, 1980, S. 109-142. Maghrabi, A.S./ Johnson, D.A. (1995), An Arabic Version of the Revised Job Descriptive Index, in: Current Psychology, 14, 1, 1995, S. 47-54. Malhotra, N.K./ Birks, D.F. (2007), Marketing Research: An Applied Approach, 3. europäische Aufl., Harlow 2007. MAOTEC (2007), Handytarife-Rechner.de (http://www.handytarife-rechner.de/; Abruf: 03.12.2007). Marsh, H.W./ Hau, K.-T./ Wen, Z. (2004), In Search of Golden Rules: Comment on Hypothesis-Testing Approaches to Setting Cutoff Values for Fit Indexes and Dangers in Overgeneralizing Hu and Bentler's (1999) Findings, in: Structural Equation Modeling, 11, 2004, S. 320-341. Maruyama, G.M. (1998), Basics of Structural Equation Modeling, Thousand Oaks 1998. Masuda, Y./ Whang, S. (2006), On the Optimality of Fixed-up-to Tariff for Telecommunications Service, in: Information Systems Research, 17, 3, 2006, S. 247253. McCutcheon, A.L. (1987), Latent Class Analysis, Newbury Park 1987. McWilliams, R.D./ Naumann, E./ Scott, S. (1992), Determining Buying Center Size, in: Industrial Marketing Management, 21, 1992, S. 43-49. Menard, S. (2001), Applied Logistic Regression Analysis, 2. Aufl., Thousand Oaks 2001. Metzler, P. (2006), Nutzenorientierte Markenführung: Die Modellierung des Wirkungsbeitrages einzelner Markenassoziationen auf das Konsumentenverhalten: Allgemeines Modell und Messansatz (http://miami.uni-muenster.de/ servlets/DocumentServlet?id=2768&XSL.H_main=A_GLOBAL&XSL.H_searchId=s earchId; Abruf: 03.10.2007). Meyer, R. (2000), Entscheidungstheorie: Ein Lehr- und Arbeitsbuch, 2. Aufl, Wiesbaden 2000. Meyvis, T./ Xie, J. (2005), Switching Between Flat and Linear Pricing Schedules: A Dynamic Advantage for Flat Rates, in: Advances in Consumer Research, 32, Special Session Summary, 2005, S. 179. Miravete, E.J. (2002), Estimating Demand for Local Telephone Service With Asymmetric Information and Optional Calling Plans, in: Review of Economic Studies, 69, 4, 2002, S. 943-971. Miravete, E.J. (2003), Choosing the Wrong Calling Plan? Ignorance and Learning, in: American Economic Review, 93, 2003, S. 297-310. Mitchell, B.M./ Vogelsang, I. (1991), Telecommunications Pricing: Theory and Practice, Cambridge 1991.

221 Mitomo, H./ Otsuka, T./ Nakaba, K. (2007), A Behavioral Economic Interpretation on the Preference for a Flat-Rate: A Case of Internet Access and Post-Paid Mobile Phone Services, 18th European Regional ITS Conference (Istanbul) (http://www.itseurope.org/ITS%20CONF/istanbul2007/downloads/paper/13.08. 2007_Mitomo%20et%20al.pdf; Abruf: 20.09.2007). Moser, H. (1963), Wilhelm Vershofens Beitrag zu einer Theorie des Verbraucherverhaltens, Berlin 1963. Mosier, C.I. (1951), Problems and Designs of Cross-Validation, in: Educational and Psychological Measurement, 11, 1951, S. 5-11. Müller-Hagedorn, L./ Sewing, E./ Toporowski, W. (1993), Zur Validität von Conjoint-Analysen, in: Zeitschrift für betriebswirtschafliche Forschung, 45, 2, 1993, S. 123-148. Murphy, M.M. (1977), Price Discrimination, Market Separation, and the Multi-Part Tariff, in: Economic Inquiry, 15, 1977, S. 587-599. Muthén, B. (2001), Latent variable mixture modeling, in: Marcoulides, G.A./ Schumacker, R.E. (Hrsg.), New Developments and Techniques in Structural Equation Modeling, London 2001, S. 1-83. Muthén, B./ Kaplan, D. (1985), A Comparison of Some Methodologies for the Factor Analysis of Non-Normal Likert Variables, in: British Journal of Mathematical & Statistical Psychology, 38, 1985, S. 171-189. Muthén, B.O. (1983), Latent Variable Structural Equation Modeling With Categorical Data, in: Journal of Econometrics, 22, 1, 1983, S. 43-65. Muthén, B.O. (1984), A General Structural Equation Model With Dichotomous, Ordered Categorical And Continuous Latnt Variable Indicators, in: Psychometrika, 49, 1, 1984, S. 115-132. Muthén, B.O. (1993), Goodness of Fit With Categorical and Other Nonnormal Variables, in: Bollen, K.A./ Long, J.S. (Hrsg.), Testing Structural Equation Models, Newbury Park 1993, S. 205-234. Muthén, B.O. (1998-2004), Mplus Technical Appendices, Los Angeles 1998-2004. Muthén, B.O./ du Toit, S.H.C./ Spisic, D. (im Druck), Robust Inference Using Weighted Least Squares and Quadratic Estimating Equations in Latent Variable Modeling With Categorical and Continuous Outcomes, in: Psychometrika, im Druck, Muthén, B.O./ Kaplan, D. (1992), A Comparison of Some Methodologies for the Factor Analysis of Non-Normal Likert Variables: A Note on the Size of the Model, in: British Journal of Mathematical & Statistical Psychology, 45, 1992, S. 19-30. Muthén, L.K./ Muthén, B.O. (2004), Mplus: Statistical Analysis With Latent Variables: User's Guide, Los Angeles 2004. Nahata, B./ Ostaszewski, K./ Sahoo, P. (1999), Buffet Pricing, in: Journal of Business, 72, 2, 1999, S. 215-228. Narayanan, S./ Chintagunta, P.K./ Miravete, E.J. (2007), The Role of Self Selection, Usage Uncertainty and Learning in the Demand for Local Telephone Service, in: Quantitative Marketing and Economics, 5, 1, 2007, S. 1-34.

222 Naylor, G./ Frank, K.E. (2001), The Effect of Price Bundling on Consumer Perceptions of Value, in: Journal of Services Marketing, 15, 4, 2001, S. 270-281. Nevitt, J./ Hancock, G.R. (2001), Performance of Bootstrapping Approaches to Model Test Statistics and Parameter Standard Error Estimation in Structural Equation Modeling, in: Structural Equation Modeling, 8, 3, 2001, S. 353-377. Nunes, J. (2000), A Cognitive Model of People's Usage Estimations, in: Journal of Marketing Research, 37, November, 2000, S. 397-409. O2 Germany (2007), Business Tarife (http://www.o2online.de/o2/business/start seite/index.html; Abruf: 09.10.2007). o.V. (2006), Mobilfunkanbieter: Verloren im Tarifdschungel (http://www.insidehandy.de/news/pdf/5122; Abruf: 07.10.2007). o.V. (2007a), E-Plus (http://de.wikipedia.org/wiki/E-plus; Abruf: 24.09.2007). o.V. (2007b), Flatrate (http://de.wikipedia.org/wiki/Flatrate; Abruf: 24.09.2007). o.V. (2007c), SPSS (http://de.wikipedia.org/wiki/SPSS; Abruf: 01.10.2007). o.V. (o.J.), Mplus Data Analysis Examples: Probit Regression (http://www.ats.ucla. edu/STAT/mplus/dae.probit.htm; Abruf: 16.08.2007). O'Connell, A.A. (2006), Logistic Regression Models for Ordinal Response Variables, Thousand Oaks (CA) 2006. Olsson, U.H./ Howell, R.D. (1999), Theoretic Fit and Empirical Fit: The Performance of Maximum Likelihood versus Generalized Least, in: Multivariate Behavioral Research, 34, 1, 1999, S. 31-58. Pampel, F.C. (2000), Logistic Regression: A Primer, Thousand Oaks 2000. Patrick, V.M./ Park, C.W. (2006), Paying Before Consuming: Examining the Robustness of Consumers' Preference for Prepayment, in: Journal of Retailing, 82, 3, 2006, S. 165-175. Patton, W.E. (1997), Individual and Joint Decision Making in Industrial Vendor Selection, in: Journal of Business Research, 38, 1997, S. 115-122. Patton, W.E./ Puto, C.P./ King, R.H. (1986), Which Buying Decisions Are Made by Individuals and Not by Groups?, in: Industrial Marketing Management, 15, 1986, S. 129-138. Peemöller, V.H. (2005), Controlling: Grundlagen und Einsatzgebiete, 5. Aufl., Herne/Berlin 2005. Perrey, J. (1998), Nutzenorientierte Marktsegmentierung: Ein integrativer Ansatz zum Zielgruppenmarketing im Verkehrsdienstleistungsbereich, Wiesbaden 1998. Plinke, W. (2000), Grundlagen des Marktprozesses, in: Kleinaltenkamp, M./ Plinke, W. (Hrsg.), Technischer Vertrieb: Grundlagen des Business-to-Business Marketing, 2. Aufl., Berlin et al. 2000, S. 3-99. Podsakoff, P.M./ MacKenzie, S.B./ Lee, J.-Y./ Podsakoff, N.P. (2003), Common Method Biases in Behavioral Research: A Critical Review of the Literature and

223 Recommended Remedies, in: Journal of Applied Psychology, 88, 5, 2003, S. 879-903. Porter, M.E. (1980), Competitive Strategy: Techniques for Analyzing Industries and Competitors, New York 1980. Potthast, M.J. (1993), Confirmatory Factor Analysis of Ordered Categorical Variables of Large Models, in: British Journal of Mathematical & Statistical Psychology, 46, 1993, S. 273-286. Powers, D.A./ Xie, Y. (2000), Statistical Methods for Categorical Data Analysis, San Diego (CA) 2000. Prelec, D./ Loewenstein, G. (1998), The Red and the Black: Mental Accounting of Savings and Debt, in: Marketing Science, 17, 1, 1998, S. 4-28. Raab, G./ Unger, A./ Unger, F. (2004), Methoden der Marketing-Forschung: Grundlagen und Praxisbeispiele, Wiesbaden 2004. Rauch, W./ Schermelleh-Engel, K./ Moosbrugger, H. (2004), Zur Leistungsfähigkeit von Bootstrapping bei der Beurteilung des Modellfits in Strukturgleichungsmodellen, Vortrag auf dem 44. Kongress der DGPs in Göttingen, 26.30. September, 2004. Reichheld, F. (2006), The Ultimate Question: Driving Good Profits and True Growth, Boston 2006. Reinartz, W./ Krafft, M./ Hoyer, W.D. (2004), The Customer Relationship Management Process: Its Measurement and Impact on Performance, in: Journal of Marketing Research, 41, Aug., 2004, S. 293-305. Reinecke, J. (2005), Strukturgleichungsmodelle in den Sozialwissenschaften, München 2005. Riepe, C. (1984), Produkteigenschaften und das Nachfrageverhalten der Konsumenten, Frankfurt am Main 1984. Rigdon, E.E./ Ferguson, C.E. (1991), The Performance of the Polychoric Correlation Coefficient and Selected Fitting Functions in Confirmatory Factor Analysis With Ordinal Data, in: Journal of Marketing Research, 28, 1991, S. 491-497. Ringle, C.M. (2004), Messung von Kausalmodellen: Ein Methodenvergleich. Industrielles Management, Arbeitspapier Nr. 14, Hamburg 2004. Roster, C.A./ Rogers, R.D./ Albaum, G./ Klein, D. (2004), A Comparison of Response Characteristics from Web and Telephone Surveys, in: International Journal of Market Research, 46, 3, 2004, S. 359-374. Roth, S. (2006), Preismanagement für Leistungsbündel, Wiesbaden 2006. Rutsatz, U. (2004), Kundenrückgewinnung durch Direktmarketing: Das Beispiel des Versandhandels, Wiesbaden 2004. Sabel, T. (2007), Wirkung der Marke bei Onlinekäufen: Eine empirisch gestützte Analyse, Hamburg 2007. Satorra, A./ Bentler, P.M. (1994), Corrections to Test Statistics ans Standard Errors on Covariance Structure Analysis, in: von Eye, A./ Clogg, C.C. (Hrsg.), Latent Variable Analysis, Thousand Oaks 1994, S. 399-419.

224 Sattler, H./ Nitschke, T. (2003), Ein empirischer Vergleich von Instrumenten zur Erhebung von Zahlungsbereitschaften, in: Zeitschrift für betriebswirtschaftliche Forschung, 55, 2003, S. 364-381. Scheffler, H. (2000), Stichprobenbildung und Datenerhebung, in: Herrmann, A./ Homburg, C. (Hrsg.), Marktforschung: Methoden, Anwendungen, Praxisbeispiele, 2. Aufl., Wiesbaden 2000, S. 59-77. Schmalenbach, E. (1928), Buchführung und Kalkulation im Fabrikgeschäft, 1928. Scholderer, J./ Balderjahn, I. (2006), Was unterscheidet harte und weiche Strukturgleichungsmodelle nun wirklich?, in: Marketing Zeitschrift für Forschung und Praxis, 28, 1, 2006, S. 57-70. Scholderer, J./ Balderjahn, I./ Paulssen, M. (2006), Kausalität, Linearität, Reliabilität: Drei Dinge, die Sie nie über Strukturgleichungsmodelle wissen wollten, in: Die Betriebswirtschaft, 66, 6, 2006, S. 640-650. Schön-Peterson, C. (2000), Preisbildung in der Telekommunikation, in: Arnold, F. (Hrsg.), Handbuch der Telekommunikation, 11.1.2.12, Köln 2000, S. 1-44. Schön-Peterson, C. (2003), Preismanagement für Telekommunikationsdienstleistungen: Modell- und methodenorientierter Ansatz zur Entscheidungsunterstützung, Wiesbaden 2003. Schulze, T. (2005), Optimale Nutzungspreise für Online-Zeitungen, Wiesbaden 2005. Schulze, T./ Gedenk, K. (2005), Biases bei der Tarifwahl und ihre Konsequenzen für die Preisgestaltung, in: Zeitschrift für Betriebswirtschaft, 75, 2, 2005, S. 157184. Schulze, T./ Gedenk, K./ Skiera, B. (2005), Segmentspezifische Schätzung von Zahlungsbereitschaftsfunktionen, in: Zeitschrift für betriebswirtschaftliche Forschung, 57, August, 2005, S. 401-422. Searle, S.R. (1988), Parallel Lines in Residual Plots, in: The American Statistician, 42, 3, 1988, S. 211. Shapiro, C./ Varian, H.R. (1999), Information Rules: A Strategic Guide to the Network Economy, Boston 1999. Sichtmann, C./ Stingel, S. (2007), Limit Conjoint Analysis and Vickrey Auction as Methods to Elicit Consumer’s Willingness-to-Pay: An Empirical Comparison, in: European Journal of Marketing, 41, 11/12, 2007, S. 1359-1374. Skiera, B. (1998), TACO: Eine neue Möglichkeit zum Vergleich von Mobilfunktarifen, in: Zeitschrift für betriebswirtschafliche Forschung, 50, 1998, S. 1029-1047. Skiera, B. (1999), Mengenbezogene Preisdifferenzierung bei Dienstleistungen, Wiesbaden 1999. Skiera, B./ Albers, S. (2000), Regressionsanalyse, in: Herrmann, A./ Homburg, C. (Hrsg.), Marktforschung: Methoden, Anwendungen, Praxisbeispiele, Wiesbaden 2000, S. 205-236. Skiera, B./ Albers, S. (2001), Tarifabhängige Nutzung, in: Albers, S./ Clement, M./ Peters, K./ Skiera, B. (Hrsg.), Marketing mit Interaktiven Medien, 3. Aufl., Frankfurt am Main 2001, S. 209-222.

225 Skiera, B./ Spann, M. (2002), Flexible Preisgestaltung im Electronic Business, in: Weiber, R. (Hrsg.), Handbuch Electronic Business, Wiesbaden 2002, S. 689707. Staack, Y. (2004), Kundenbindung im eBusiness, Frankfurt a. M. 2004. Stremersch, S./ Tellis, G.J. (2002), Strategic Bundling of Products and Prices, in: Journal of Marketing, 66, Januar, 2002, S. 55-72. Sundararajan, A. (2004), Nonlinear Pricing of Information Goods, in: Management Science, 50, 12, 2004, S. 1660-1673. Tacke, G. (1988), Nichtlineare Preisbildung: Höhere Gewinne durch Differenzierung, Wiesbaden 1988. Taher, A./ El Basha, H. (2006), Heterogeneity of Consumer Demand: Opportunities for Pricing of Services, in: Journal of Product & Brand Management, 15, 5, 2006, S. 331-340. Tecklenburg, T. (2008), Churn-Management im B-to-B-Kontext: eine empirische Analyse unter Berücksichtigung von hierarchischen Kundenstrukturen und heterogenem Kundenverhalten, Wiesbaden 2008. Teichert, T. (2001), Nutzenschätzung in Conjoint-Analysen: Theoretische Fundierung und empirische Aussagekraft, Wiesbaden 2001. teltarif.de (2007), Mobilfunk-Profilabfrage (http://www.teltarif.de/mobilfunk/standard .html; Abruf: 03.12.2007). Tenenhaus, M./ Vinzi, V.E./ Chatelin, Y.-M./ Lauro, C. (2005), PLS Path Modeling, in: Computational Statistics and Data Analysis, 48, 1, 2005, S. 159-205. Thaler, R.H. (1980), Toward a Positive Theory of Consumer Choice, in: Journal of Economic Behavior and Organization, 1, März, 1980, S. 39-60. Thaler, R.H. (1985), Mental Accounting and Consumer Choice, in: Marketing Science, 4, 1985, S. 199-214. Thaler, R.H. (1999), Mental Accounting Matters, in: Journal of Behavioral Decision Making, 12, 1999, S. 183-206. T-Mobile Deutschland (2007), Businesstarife (http://www.t-mobile.de/business/busin esstarife1/0,9946,14420-_,00.html?WT.svl=100; Abruf: 07.10.2007). Train, K.E. (1991), Optimal Regulation: The Economic Theory of Natural Monopoly, Cambridge 1991. Train, K.E. (1994), Self-Selecting Tariffs Under Pure Preferences Among Tariffs, in: Journal of Regulatory Economics, 6, 1994, S. 247-264. Train, K.E./ Ben-Akiva, M./ Atherthon, T. (1989), Consumption Patterns and SelfSelecting Tariffs, in: Review of Economic and Statistics, 1, 1, 1989, S. 62-73. Train, K.E./ McFadden, D.L./ Ben-Akiva, M. (1987), The Demand for Local Telephone Service: a Fully Disrecte Model of Residential Calling Patterns and Service Choices, in: Rand Journal of Economics, 18, 1, 1987, S. 109-123. T-Systems (2007), 08.09.2007).

Mittelstand

(http://www.mittelstand.t-systems.de;

Abruf:

226 Tutz, G. (2000), Die Analyse kategorialer Daten, München 2000. Tversky, A./ Kahneman, D. (1991), Loss Aversion in Riskless Choice: A ReferenceDependent Model, in: Quarterly Journal of Economics, 106, 4, 1991, S. 10391060. Tversky, A./ Kahneman, D. (2000), Loss Aversion in Riskless Choice: A ReferenceDependent Model, in: Kahneman, D./ Tversky, A. (Hrsg.), Choices, Values, and Frames, New York 2000, S. 143-158. Vanhuele, M./ Drèze, X. (2002), Measuring the Price Knowledge Shoppers Bring to the Store, in: Journal of Marketing, 66, Okt., 2002, S. 72-85. Varian, H.R. (2003), Intermediate Microeconomics: A Modern Approach, New York et al. 2003. Vershofen, W. (1959), Die Marktentnahme als Kernstück der Wirtschaftsforschung, Berlin et al. 1959. Vodafone D2 (2007), Businesstarife (http://www.vodafone.de/business/97069.html; Abruf: 08.09.2007). Voeth, M. (2000), Nutzenmessung in der Kaufverhaltensforschung: Die Hierarchische Individualisierte Limit Conjoint-Analyse (HILCA), Wiesbaden 2000. Voeth, M. (2003), Gruppengütermarketing, München 2003. Voeth, M./ Brinkmann, J. (2004), Abbildung multipersonaler Kaufentscheidungen, in: Backhaus, K./ Voeth, M. (Hrsg.), Handbuch Industriegütermarketing, Wiesbaden 2004, S. 349-373. Voeth, M./ Niederauer, C. (2007), Ermittlung von Preisbereitschaften und Preisabsatzfunktionen, in: Herrmann, A./ Homburg, C./ Klarmann, M. (Hrsg.), Handbuch Marktforschung, 3. Aufl., Wiesbaden 2007, S. 1073-1095. Völckner, F. (2003), Neuprodukterfolg bei kurzlebigen Konsumgütern: Eine empirische Analyse der Erfolgsfaktoren von Markentransfers, Wiesbaden 2003. Völckner, F. (2004), Wahrnehmung und Beurteilung von Markentransfers bei kurzlebigen Konsumgütern: Eine kausalanalytische Betrachtung, Research Papers on Marketing and Retailing No. 14, University of Hamburg, Hamburg 2004. Völckner, F. (2006a), An Empirical Comparison of Methods for Measuring Consumers’ Willingness to Pay, in: Marketing Letters, 17, 2, 2006a, S. 137-149. Völckner, F. (2006b), Methoden zur Messung individueller Zahlungsbereitschaften: Ein Überblick zum State of the Art, in: Journal für Betriebswirtschaft, 56, 1, 2006b, S. 33-60. von Neumann, J./ Morgenstern, O. (1944), Theory of Games and Economic Behavior, Princeton et al. 1944. Wedel, M./ Kamakura, W. (2000), Market Segmentation: Conceptual and Methodological Foundations, 2. Aufl., Boston et al. 2000. Wertenbroch, K. (1998), Consumption Self-Control by Rationing Purchase Quantities of Virtue and Vice, in: Marketing Science, 17, 4, 1998, S. 317-337.

227 West, S.G./ Finch, J.F./ Curran, P.J. (1995), Structural Equation Models With Nonnormal Variables, in: Hoyle, R.H. (Hrsg.), Structural Equation Modeling: Concepts, Issues, and Applications, Thousand Oaks 1995, S. 56-75. Whittaker, T.A./ Stapleton, L.M. (2006), The Performance of Cross-Validation Indices Used to Select Among Competing Covariance Structure Models Under Multivariate Nonnormality Conditions, in: Multivariate Behavioral Research, 41, 3, 2006, S. 295-335. Wilke, R./ Ritter, T. (2006), Levels of Analysis in Business-to-Business Marketing, in: Journal of Business-to-Business Marketing, 13, 3, 2006, S. 39-62. Williamson, O.E. (1985), The Economic Institutions of Capitalism, Firms, Markets, Relational Contracting, New York 1985. Wilson, R.B. (1993), Nonlinear Pricing, Oxford et al. 1993. Woisetschläger, D. (2006), Markenwirkung von Sponsoring: Eine Zeitreihenanalyse am Beispiel des Formel 1-Engagements eines Automobilherstellers, Wiesbaden 2006. Wold, H. (1974), Causal Flow with Latent Variables: Parting the Ways in the Light of NIPLAS Modelling, in: European Economic Review, 5, 1974, 67-86. Wold, H. (1982), Systems Under Indirect Observation Using PLS, in: Fornell, C. (Hrsg.), A Second Generation of Multivariate Analysis, New York 1982, S. 325-347. Wood, J. (2005), Organizational Configuration as an Antecedent to Buying Centers' Size and Structure, in: Journal of Business & Industrial Marketing, 20, 6, 2005, S. 263-275. Woratschek, H. (1998), Preisbestimmung von Dienstleistungen, Frankfurt am Main 1998. Xie, Y. (1989), Structural Equation Models for Ordinal Variables: An Analysis of Occupational Destination, in: Sociological Methods & Research, 17, 4, 1989, S. 325-352. Yu, C.-Y. (2002), Evaluating Cutoff Criteria of Model Fit Indices for Latent Variable Models with Binary and Continuous Outcomes, Dissertation (http://www.statmodel.com/download/Yudissertation.pdf; Abruf: 19.08.2007). Yung, Y.-F./ Bentler, P.M. (1996), Bootstrapping Techniques in Analysis of Mean and Covariance Structures, in: Marcoulides, G.A./ Schumacker, R.E. (Hrsg.), Advanced Structural Equation Modeling: Issues and Techniques, Mahwah 1996, S. 195-226. Zinnbauer, M./ Eberl, M. (2004), Die Überprüfung von Spezifikation und Güte von Strukturgleichungsmodellen: Verfahren und Anwendung, Schriften zur Empirischen Forschung und Quantitativen Unternehmensplanung, Nr. 21, München 2004.