Preise optimieren mit Behavioral Pricing – aber wie konkret?

Im Folgenden möchten wir Antworten auf diese Fragen geben und schicken gleich voraus, dass es wie so oft, nicht den einen Ansatz gibt, der zu verfolgen ist, sondern dass verschiedene Wege zum Ziel führen. Daher teilen wir zunächst ein paar grundlegende Erkenntnisse, die übergreifende Gültigkeit haben, bevor wir anhand eines konkreten Beispiels aus der Praxis auf spezifische Fragen, Methoden und Auswertungsansätze eingehen.

Erfolgsfaktoren der Preisforschung

Behavioral Pricing basiert auf valider Preisforschung als Grundlage für geplante Preisoptimierungen. Aus unserer Erfahrung sind hierbei drei Faktoren relevant für den Erfolg:

  1. Das richtige Kundenmodell
  2. Die Untersuchung von allen relevanten Entscheidungsdimensionen
  3. Wahl der optimalen Methode

1. Das richtige Kundenmodell

Preisforschung ist Entscheidungsprozessforschung. Möchten Sie das Entscheidungsverhalten Ihrer Kunden verstehen, prognostizieren und gestalten? Dann müssen Sie das richtige Kundenmodell wählen. Dieses ist von zentraler Bedeutung, um sicherzustellen, dass das Entscheidungsverhalten, welches die Kunden in der Marktforschung zeigen, möglichst ihrem Entscheidungsverhalten in der Realität entspricht.

Die Erkenntnisse der Verhaltensökonomie zeigen nachdrücklich auf, dass Menschen vorhersagbar irrational entscheiden. Dies heisst, dass sie nicht wie der klassische Homo Oeconomicus agieren, sondern sich von Daumenregeln (Heuristiken) leiten lassen. Thaler und Sunstein nutzen hierfür das Bild des Mr. Spock von Raumschiff Enterprise, der rational und stabil wie ein Computer entscheidet – im Gegensatz zum in der Realität zumeist anzutreffenden Homer Simpson, der eher irrational und mit wechselnden Präferenzen unterwegs ist.

Sie fragen sich nun vermutlich: Warum ist das Kundenmodell so wichtig für valide Preisforschung? Ausschlaggebend ist doch vielmehr, die richtigen Fragen zu stellen und das richtige Testmaterial zu präsentieren. Unserer Erfahrung nach wird Ihnen dies jedoch nur gelingen, wenn Sie das richtige Kundenmodell anwenden. Zur Untermauerung dieser Aussage zeigen wir im Folgenden eine Reihe von verhaltensökonomischen Erkenntnissen und die zugehörigen Implikationen für die Preisforschung auf:

Abbildung 1: Verhaltensökonomische Erkenntnisse und Implikationen für Preisforschung

2. Die Untersuchung von allen relevanten Entscheidungsdimensionen

Um sowohl Input für die Ausgestaltung und Kommunikation konkreter Leistungsangebote zu generieren, als auch Erkenntnisse zum Pricing zu gewinnen, hat es sich bewährt, alle relevanten Dimensionen des Entscheidungsprofils der Kunden zu erheben. Die hieraus gewonnenen Erkenntnisse helfen auch wesentlich bei der Interpretation der noch zu diskutierenden Preisakzeptanz.

Im Einzelnen geht es um drei Dimensionen, die das Entscheidungsprofil der Kunden ausmachen:

Abbildung 2: Dimensionen Entscheidungsprofil

3. Wahl der optimalen Methode

Wie bereits erwähnt, sollte das Entscheidungsverhalten der Kunden in der Marktforschung möglichst ihrem Entscheidungsverhalten in der Realität entsprechen.

Da die Auswahl der passenden Methode nicht generisch beantwortet werden kann, möchten wir an dieser Stelle die grundsätzliche Ebene verlassen und auf ein konkretes Projektbeispiel zu sprechen kommen. Wir gehen jedoch davon aus, dass einzelne Erkenntnisse auch auf andere Branchen bzw. Produkte übertragen werden können.

Fallstudie: Preisoptimierung von Motorfahrzeugtarifen

Mit einem Prämienvolumen von knapp 6 Mrd. CHF (1) stellt die Motorfahrzeugsparte (MFZ) das grösste Segment in der Sachversicherung dar. Preisoptimierungen lohnen sich daher allein schon wegen des Anteils der Sparte am Prämienvolumen eines jeden Sachversicherers. Es gibt jedoch noch weitere Gründe, warum sie für Behavioral Pricing Ansätze ein lohnendes Anwendungsgebiet darstellt:

(1) Gebuchte Haftpflicht- plus Kaskoprämien in 2020 (Quelle: FINMA «Bericht über den Versicherungsmarkt 2020»

  1. Das intangible, auf die Zukunft gerichtete Leistungsversprechen von Versicherungen erschwert Kunden die Entscheidungsfindung. Um zu vermeiden, dass sie sich zu schnell auf den Preis fokussieren, lohnt es sich, das Entscheidungsverhalten differenzierter zu untersuchen, um Ansatzpunkte für Differenzierungen jenseits des Preises zu identifizieren (siehe Ausführungen oben zur Motivation).
  2. Die MFZ-Sparte ist weitgehend ausgereift und kann sich kaum über Innovationen bei ihren Kunden positionieren. Innovationen sind vor allem in Bezug auf Themenfelder wie E-Mobilität und autonomes Fahren zu erwarten. Je reifer jedoch eine Branche, desto grösser ist das Risiko von Preiskämpfen, die aus der Branche heraus in Ermangelung anderer, naheliegender Alternativen initiiert werden.
  3. Bei Vertriebsmitarbeitern herrscht häufig die Wahrnehmung vor, die Mehrheit der Kunden sei sehr preissensitiv. Dies steigert das Risiko, dass der Preis zu stark in den Mittelpunkt des Vertriebsansatzes rückt. Verstärkt wird dieses Risiko durch das Bestreben, Motorfahrzeugversicherungen möglichst effizient zu vertreiben, um das Verhältnis zwischen Zeiteinsatz und zu erhaltender Provision zu optimieren.

Diese Ausgangslage war uns bewusst, als wir die Anfrage zur Optimierung eines MFZ-Tarifs erhielten. Umso wichtiger war es uns, die Befragten einerseits mit einer möglichst realistischen Entscheidungssituation zu konfrontieren, andererseits den Rahmenfragebogen ausreichend ausführlich zu gestalten, um das Entscheidungsverhalten der Befragten möglichst umfassend zu erheben.

Die Schaffung einer möglichst realistischen Ausgangssituation bedeutet in diesem Fall, die Berechnung realitätsnaher Prämien auf Basis ausgewählter, tarifierungsrelevanter Merkmale. Selbst wenn man sich auf die zentralen Kriterien wie u. a. Fahrzeugalter, Neuwagenpreis, Alter/Geschlecht/Nationalität des Fahrers fokussiert, ergibt sich aufgrund der Vielzahl an Ausprägungen je Merkmal und Kombinationsmöglichkeiten sehr rasch ein komplexes Modell. Auf Basis des Inputs des Kunden haben wir daher ausserhalb unserer üblichen Befragungssoftware ein separates Tarifierungstool programmiert, welches uns ermöglichte, die Befragten mit realistischen Preisen zu konfrontieren.

Die folgende Abbildung 3 gibt einen Eindruck vom Tarifierungstool, wie es den Kunden in der Befragung präsentiert wurde.

Abbildung 3: Überblick Tarifierungstool

Um den Entscheidungsprozess der Kunden möglichst differenziert zu untersuchen, vollzogen wir den eigentlichen Preistest in mehreren Schritten, wie in der folgenden Abbildung 4 dargestellt.

Abbildung 4: Ablauf Preistest

Auf Basis der Befragungsergebnisse konnten Empfehlungen zu den folgenden Themenfeldern abgegeben werden:

Anzahl der empfohlenen Produktlinien

  1. Die Verteilung der Wahlanteile in einem realistischen Umfeld belegt den Bedarf an zwei Produktlinien für einen bedürfnisorientierten Vertriebsansatz.

Defaults

  1. Vor dem Hintergrund eines häufig geringen Produktwissens bieten sich sinnvolle Defaults an, um sowohl dem Kunden als auch dem Vertrieb die Entscheidung zu erleichtern.
  2. Die geringen Zu- oder Abwahlraten haben grundsätzlich die geplante Tarifzusammenstellung belegt.
  3. Aufgrund der vermehrten Zuwahl einzelner Leistungen und Produktlinien waren weitere Optimierungen bei der Zusammenstellung der Tarife möglich.
  4. Aufgrund des Vergleichs von ungestützt erhobener Preisakzeptanz und faktischem Produktwert gemäss Tariftool empfahlen wir einen Baustein nicht in den Default zu integrieren.

Pricing Zusatzbausteine

  1. Anhand der aktiven Zu- bzw. Abwahlraten bei den Zusatzbausteinen konnten je Baustein konkrete Preisempfehlungen ausgesprochen werden.
  2. Auf diese Weise konnte die Preisakzeptanz der Kunden – jenseits der aktuell angesetzten, technischen Preise – deutlich besser abgeschöpft werden.
  3. Die Steigerungen variierten zwischen 10% und 40% auf Ebene einzelner Bausteine.

Strategische Empfehlungen

  1. Anhand der Ergebnisse aus dem Rahmenfragebogen sowie der qualitativen Vorstudie konnten weitere, grundlegende strategische Empfehlungen für einen erfolgreichen Vertriebsansatz abgeleitet werden.
  2. Hierzu gehörte z. B. die Positionierung des Angebots über Use Cases, die den Kunden mit seinen Bedürfnissen direkter ansprechen als dies bisher bei den teilweise eher technisch dargestellten Leistungen der Fall ist.
  3. Insgesamt sollte die Positionierung des Angebots verstärkt über Leistungsaspekte erfolgen, um das Thema Preis in den richtigen Kontext zu setzen.

Fazit

Preisoptimierungen mit Behavioral Economics bauen im Kern darauf auf, dass die Kunden in der Befragung möglichst dieselben Entscheidungsregeln anwenden wie in der Realität. Dies ist eine zentrale Voraussetzung für valide Ergebnisse bei einem so sensiblen Thema wie der Ableitung von Preisempfehlungen. In Bezug auf Motorfahrzeugversicherungen erfordert dies die Modellierung realistischer Prämien als Basis für die Erhebung realitätsnaher Wahlentscheidungen. Je nach Erkenntnisinteresse können unterschiedliche Produkt- und Preismonaden zur Ableitung von Optimierungsempfehlungen getestet werden. Gerade in reifen, wettbewerbsintensiven Märkten lassen sich mit diesem Ansatz noch Spielräume zur Abschöpfung der Preisakzeptanz auf Kundenseite konkretisieren.

Dr. Patricia Lüer

Director intervista

patricia.lueer@intervista.ch
+41 31 511 39 30

Die Autorin
Dr. Patricia Lüer ist Director bei intervista. Sie hat mehr als 25 Jahre Beratungs- und Marktforschungserfahrung in verschiedensten Branchen, B2B wie B2C. Ihr Fokus liegt auf der Analyse und Gestaltung komplexer Entscheidungsprozesse auf Grundlage verhaltensökonomischer Erkenntnisse.

Download Artikel
Swiss Insights News #10

Institute Member von
SWISS INSIGHTS

www.intervista.ch

Alle SWISS INSIGHTS News finden Sie hier: SWISS INSIGHTS NEWS

Verborgene Zusammenhänge aufdecken – Strukturgleichungsmodelle in der Marktforschung

Mittwochmorgen, 10.24 Uhr: Eine neue Anfrage eines langjährigen Kunden trifft im E-Mail-Postfach ein: Er möchte untersuchen, welche Faktoren die Zufriedenheit seiner Kund:innen beeinflussen und ihre Loyalität gegenüber seiner Marke massgeblich prägen. Spannend, denken wir – und möglicherweise gar nicht so einfach zu beantworten, wie man es auf Anhieb erwarten könnte. Ein erstes Gespräch mit unserem Kunden bestätigt diesen Eindruck: Es kristallisiert sich heraus, dass die interessierenden Zusammenhänge komplex sind und anhand einfacher multivariater Analysemethoden (z. B. einer Regressionsanalyse) nur unzureichend modelliert werden können. Zudem wissen wir aus Erfahrung, dass einige der Konstrukte, die unseren Kunden interessieren – z. B. Kundenorientierung oder Corporate Social Responsibility – nicht direkt messbar sind, sondern über mehrere einzelne Fragen erhoben werden sollten. Um die vermuteten Wirkzusammenhänge adäquat abbilden und allenfalls sogar Zusammenhänge entdecken zu können, die so im Vorfeld nicht absehbar sind, bieten wir unserem Kunden ein Forschungsdesign an, das auf einem Strukturgleichungsmodell aufbaut. Doch was sind Strukturgleichungsmodelle genau und wann kommen sie sinnvollerweise zum Einsatz?

Kausale Zusammenhänge ergründen

Der Begriff «Strukturgleichungsmodell» bezeichnet ein statistisches Modell, anhand dessen sich komplexe Zusammenhänge zwischen verschiedenen Grössen (sogenannten Variablen) modellieren lassen. Ein solches Modell bietet sich insbesondere dann an, wenn eines oder mehrere der folgenden Kriterien zutreffen:

  • Es sollen kausale Wirkzusammenhänge zwischen verschiedenen Variablen untersucht werden. Man möchte also verstehen, wie Variablen inhaltlich zusammenhängen und wie sie sich gegenseitig beeinflussen.
  • Es werden nicht nur direkt beobachtbare Variablen wie z.B. Kundenzufriedenheit, die über eine Frage erhoben werden können, sondern auch nicht direkt beobachtbare (sogenannte latente) Variablen einbezogen. Letztere werden anhand von mehreren einzelnen Fragen (Items) gemessen. Beispiele für solche latente Konstrukte sind die Corporate Social Responsibility oder auch die Kundenorientierung, die beide mittels mehrerer einzelner Items (auch Treiber genannt) gemessen werden. Bei einem Strukturgleichungsmodell können also sowohl Single Items als auch Multi-Item-Messungen zum Zuge kommen.
Grafik 1: Latentes Konstrukt

  • Es besteht die Vermutung, dass einzelne Variablen oder Konstrukte nicht oder nicht nur direkt miteinander in Verbindung stehen, sondern dass auch indirekte Zusammenhänge vorliegen. Dies ist dann der Fall, wenn ein Konstrukt oder ein Treiber über mehrere verschiedene Pfade einen Effekt auf eine andere abhängige Variable hat. Ein Strukturgleichungsmodell fasst die Gesamtheit aller Effekte (direkt und indirekt) zusammen und analysiert sie als totale Wirkung (sogenannte totale Effekte). Dadurch werden Effekte sichtbar, die beispielsweise in einer klassischen Regressionsanalyse nicht entdeckt würden.
Grafik 2: Direkte, indirekte und totale Effekte

Im Falle unseres Kunden sind alle drei Punkte gegeben. Zusätzlich haben wir Grund zur Annahme, dass sich die vermuteten Wirkzusammenhänge zwischen Frauen und Männern unterscheiden, es also mit Blick auf die beiden Zielkonstrukte Kundenzufriedenheit und Loyalität bedeutsame Unterschiede zwischen den Geschlechtern gibt. Anhand von Strukturgleichungsmodellen lassen sich auch solche mutmasslichen Differenzen zwischen Subgruppen untersuchen. Dazu kann eine Multigruppen-Analyse (MGA) gerechnet werden, die prüft, ob sich die spezifizierten Wirkungspfade und Wirkungsbeziehungen zwischen verschiedenen Gruppen unterscheiden. So kann beispielsweise eruiert werden, ob die Loyalität der Frauen stärker durch bestimmte Aspekte geprägt wird als die Loyalität der Männer. Selbstverständlich ist es auch möglich, mittels einer MGA Unterschiede zwischen anderen interessierenden Gruppen – so z.B. Altersgruppen, Kundensegmenten oder auch Kunden vs. Nicht-Kunden – zu untersuchen.

Herausforderungen beim Einsatz von Strukturgleichungsmodellen

Im Falle unseres Kunden sind alle Voraussetzungen für den Einsatz eines Strukturgleichungsmodells gegeben. Doch häufig gibt es auch gute Gründe, auf ein Strukturgleichungsmodell zu verzichten:

Zum einen stellt ein Strukturgleichungsmodell höchste Ansprüche an die Datenqualität: Jedes verwendete latente Konstrukt wird durch mehrere (mindestens drei) passende Einzel-Items abgebildet. Diese müssen anhand entsprechender Modellierungen darauf geprüft werden, ob sie das Konstrukt ausreichend gut beschreiben. Die Messmodelle der einzelnen Konstrukte müssen anschliessend ebenso wie das Strukturmodell als Ganzes einer eingehenden Prüfung auf diverse Kriterien unterzogen werden. Erst wenn alle Kriterien erfüllt sind, kann ein Modell als gut bezeichnet und interpretiert werden. Erhebt man die Daten selbst oder lässt sie wie im Falle unseres Kunden durch ein mit der Materie vertrautes Befragungsinstitut erheben, so können diese Aspekte bereits in der Konzeptionsphase adressiert werden. Arbeitet man hingegen mit Sekundärdaten, so kann dies durchaus zu einer Herausforderung werden. Ein theoriebasiertes Vorgehen bei der Erarbeitung des Strukturgleichungsmodells und seiner einzelnen Komponenten ist in beiden Fällen unabdingbar.

Zum anderen ist ein Strukturgleichungsmodell auch nicht in jedem Fall die geeignetste Methode: Häufig können die interessierenden Zusammenhänge auch mit einfacheren statistischen Verfahren wie zum Beispiel einer Regressionsanalyse gut analysiert werden. Die Komplexität von Strukturgleichungsmodellen bringt mit sich, dass diese nur von Expert:innen – notabene mithilfe spezieller Software – gerechnet und interpretiert werden können. Entsprechend höher sind auch die benötigten zeitlichen und personellen Ressourcen. Im konkreten Fall sollte daher immer ausgehend von der konkreten Fragestellung und gemeinsam mit Expert:innen entschieden werden, welches Vorgehen am sinnvollsten ist.

Grafik 3: Auszug aus einem Strukturgleichungsmodell

Der Mehrwert von Strukturgleichungsmodellen

Doch zurück zu unserem Kunden: Für ihn hat sich der Entscheid, ein Strukturgleichungsmodell rechnen zu lassen, definitiv gelohnt! Dieses hat nämlich gezeigt, dass die Corporate Social Responsibility – ein latentes Konstrukt, das über zehn Einzelfragen erhoben wurde – zwar keinen direkten Effekt auf die Loyalität hat, diese über andere Konstrukte (z.B. die Verbundenheit) aber indirekt dennoch deutlich prägt. Diese Effekte hätte eine klassische Regression nicht aufdecken können, da sie keinen vollständigen Wirkungsmechanismus mit verschiedenen Wirkungspfaden auf verschiedene Konstrukte berechnen kann. Dank des Strukturgleichungsmodells konnte der Einfluss der Corporate Social Responsibility auf die Loyalität nachgewiesen werden.

Eine vertiefte Auswertung einzelner Treiber der Corporate Social Responsibility brachte zudem weitere interessante Ergebnisse zutage: So konnte aufgezeigt werden, dass die drei Einzelaspekte «Fairness gegenüber Wettbewerbern», «Fairer Arbeitgeber» und «Beitrag zum Wohl der Gesellschaft», die das Konstrukt Corporate Social Responsibility im Kern ausmachen, zwar überdurchschnittlich wichtig für die Loyalität der Befragten gegenüber dem Kunden sind, von ersteren aber bislang unterdurchschnittlich bewertet wurden. Dank dieser Analyse, die wiederum alle direkten und indirekten Effekte einbezog, kennt unser Kunde nun diejenigen Aspekte, die das grösste Verbesserungspotenzial haben. Basierend auf diesen Erkenntnissen kann er konkrete Ideen zur Steigerung der Loyalität erarbeiten und Massnahmen im Bereich Corporate Social Responsibility gezielt vorantreiben.

Einsatzmöglichkeiten von Strukturgleichungsmodellen

intervista verfügt über umfassende Erfahrung und Expertise rund um Strukturgleichungsmodelle und weitere multivariate Analysemethoden. Wir setzen Strukturgleichungsmodelle in verschiedenen Bereichen erfolgreich ein, so zum Beispiel in der Werbewirkungsforschung oder in Kundenzufriedenheits- und Imagestudien. Zusätzlich bieten sich Strukturgleichungsmodelle dann an, wenn ein allgemeines Verständnis von Wirkungsabläufen etabliert oder geprüft werden soll.

Download Artikel
Swiss Insights News #03

Dominique Richner

Senior Projektleiterin intervista
+41 31 511 39 11, dominique.richner@intervista.ch

Noemie Attiger

Senior Projektleiterin intervista
+41 31 511 39 12, noemie.attiger@intervista.ch

Mirjam Hausherr

Senior Projektleiterin intervista
+41 31 511 39 25, mirjam.hausherr@intervista.ch


Institute Member von
SWISS INSIGHTS

www.intervista.ch

Alle SWISS INSIGHTS News finden Sie hier: SWISS INSIGHTS NEWS