Behavioural Economics Schnelles Denken und langsames Denken in der Markt- und Sozialforschung?

Von Elke Himmelsbach, Research Director bei TNS Infratest Sozialforschung, und Dr. Andreas Unterreitmeier, Director Innovation & Product Development bei TNS Infratest

Wer wissen will, wie sich Menschen in bestimmten Entscheidungssituationen verhalten und welche Faktoren darauf Einfluss haben, der führt eine empirische Untersuchung durch. Mit Hilfe von Befragungen und Beobachtungen der jeweiligen Zielgruppen werden systematisch Informationen gesammelt und analysiert – mit dem Ziel, möglichst konkrete und realitätsnahe Zustandsbeschreibungen, Prognosen und Handlungsempfehlungen zu geben. 

Die moderne Verhaltensforschung (Behavioural Economics) hat dazu viele neue Erkenntnisse aus verschiedenen Disziplinen, wie der kognitiven Psychologie, den Neurowissenschaften und der Sozialpsychologie gebündelt und dabei zu einer Art Kreuzvalidierung beigetragen. Besonders lohnenswert für die Forschungspraxis ist dabei ein zentrales Leitmotiv, das Daniel Kahneman sowohl in der Wirtschaft als auch in Politik und Wissenschaft salonfähig gemacht hat, und zwar die (grobe) Einteilung menschlichen Denkens und Entscheidens entlang der Differenzierung von „System 1 und System 2“(1): 

Wann verwenden wir langsames Denken – also System 2 – mit bewusstem Abwägen basierend auf unseren Einstellungen und sozialen Normen? Und wann entscheiden wir eher unbewusst und schnell (System 1) – beeinflusst durch unsere Gewohnheiten, Emotionen, die aktuelle Situation sowie dem unwiderstehlichen Bedürfnis nach Kohärenz? Wie lassen sich diese unterschiedlichen Denkweisen bei empirischen Untersuchungen berücksichtigen?

Im Folgenden stellen wir Ihnen zwei erprobte Ansätze von TNS Infratest vor, bei denen die Erkenntnisse aus der Verhaltensforschung (Behavioural Economics) in der quantitativen Markt- und Sozialforschung umgesetzt werden: 

A. Randomisierte Verhaltensexperimente mit einem Beispiel aus der Sozialforschung

B. Adaptives Choice-Modelling für Preis- und Produktoptimierung in der Marktforschung

Experimentelles Design am Beispiel des Kreditkartenmarktes aus der Verbraucherschutz-Perspektive

Erinnern Sie sich daran, als Sie das letzte Mal in einem Kaufhaus an der Kasse standen? In der Regel haben Sie die Wahl zwischen verschiedenen Zahlungsmitteln. Wie treffen Sie hier Ihre Entscheidung? Ist das eine bewusste Auswahl (System 2) – oder eher eine Routinesache, bei der Sie gar nicht lang nachdenken (System 1)? Welche Faktoren beeinflussen diese Verbraucherentscheidungen? Und welche Maßnahmen können in diesem Umfeld Verbraucherverhalten wirksam verändern? 

Unsere Aufgabe bei diesem Projekt für die Europäische Kommission war es, diese Fragen zu beantworten und dabei zu prüfen, welche Maßnahmen dazu beitragen können, ein kostenbewusstes Verbraucherverhalten zu fördern.(2)

Wie sind wir hier vorgegangen? 

Wir beginnen solche Projekte mit der Aufstellung der zu testenden Hypothesen, d.h. mit einer vorläufigen Skizzierung des Entscheidungsprozesses nach einer ideal-typischen Struktur. 

In einem zweiten Schritt versuchen wir das Modell noch näher an die Realität heranzuführen, indem wir das ergänzen, was die neuere Verhaltensforschung uns über „eingeschränkte Rationalität“ gelehrt hat, und zwar durch folgende Überlegungen: 

a) KONTEXT: Welche verschiedenen Einkaufsszenarien sind zu unterscheiden, z.B. Online- vs. Offline-Einkäufe mit unterschiedlichen Zahlungsbeträgen? 

b) INDIVIDUELLES RELEVANT SET: Welche Segmentierung der Befragten ist erforderlich, um die Gestaltung der Auswahlsituation möglichst realitätsnah abzubilden, z.B. Teilnehmer mit unterschiedlichem Kredit- und Debitkartenbesitz sowie die Erfahrung mit Online-Shopping? 

c) STATE OF MIND: Welche Gewohnheiten, Vorkenntnisse oder Vorurteile können den oben gezeigten Entscheidungsprozess verzerren, z.B. der durchschnittliche Bargeldbetrag, den ein Verbraucher (in der Regel) mit sich führt? 

d) HEURISTIKEN: Welche Automatismen bzw. gedanklichen Abkürzungen sind zu berücksichtigen, um möglichst realistische Aussagen zu erhalten, z.B. Selbstüberschätzung bei der Angabe von Verhaltensabsichten? 

Wir haben eine Onlinebefragung unter Einsatz laborähnlicher Experimente durchgeführt mit insgesamt 10.000 Karteninhabern in 10 Europäischen Ländern. Die Studie startete zunächst mit einigen Fragen über das Einkaufs- und Zahlungsverhalten, bevor dann die Entscheidungsexperimente vorgestellt wurden. Die Experimente haben verschiedene Zahlungssituationen abgedeckt, die uns ermöglichen, das Entscheidungsverhalten der Konsumenten unter kontrollierten Bedingungen zu beobachten. 

Im Unterschied zu einer direkten Befragung zur Verhaltensabsicht zielt das experimentelle Design auf die indirekte Beobachtung eines Entscheidungsprozesses u.a. mit Hilfe von Projektionstechniken und Erhebung von Paradaten, die neben einer Befragung miterfasst werden (z.B. Zeitmessungen, Klickverhalten, Beobachtungen der Interviewer). Dadurch lässt sich das Verbraucherverhalten meist ohne unerwünschte kognitive Verzerrungen beobachten, so dass auch typische Gewohnheiten und Heuristiken des realen Entscheidungsprozesses abgebildet werden. 

Eine Möglichkeit, den bei Befragungen häufig anzutreffenden Selbstüberschätzungsbias zu reduzieren, ist das sogenannte Framing des Entscheidungsexperiments mit Erinnerungen an individuelle Gewohnheiten. Denn gerade bei der Wahl des Zahlungsmittels hat sich gezeigt, dass es sich um einen stark habitualisierten Entscheidungsprozess handelt. 

In unserer Studie zeigte sich dies beispielsweise dadurch, dass diverse Gewohnheiten die Aufmerksamkeit der Verbraucher für einfache Kommunikationsmaßnahmen stark beeinträchtigten. Nur wenn eine Kostendifferenzierung nach unterschiedlichen Bezahlmethoden auch für die Konsumenten direkt greifbar ist  – wie bei Rabatten und Aufschlägen – konnten wir auch eine substanzielle Verhaltensänderung beobachten. 

Besonders offenkundig wird der Vorteil des experimentellen Designs (mit Triangulation von Beobachtung und Befragung) gegenüber einer klassischen Befragung, wenn man die Frage nach der Effektivität von Maßnahmen untersucht. Basiert die Antwort hierauf lediglich auf „stated preferences“, also Verhaltensabsichten, dann hätten wir in o.g. Studie die Rabattierung empfehlen müssen, weil Rabatte von Konsumenten gegenüber Aufschlägen bevorzugt werden. Basiert die Antwort jedoch auf Regressionsanalysen zum beobachteten Verhalten, dann erhält man zusätzliche Hinweise. So z.B. die Tatsache, dass Aufschläge weit effektiver als Rabatte sind, um das Konsumentenverhalten im Hinblick auf Kostenbewusstsein zu ändern. Darin spiegelt sich eine weitere mächtige Heuristik – die Verlustangst – wieder. Sie besagt, dass Menschen einen größeren Aufwand betreiben (und ihr Verhalten ändern), um einen Verlust zu vermeiden – als um einen äquivalenten Gewinn zu sichern. 

In Kombination mit einem fundierten Hintergrundwissen zur Verhaltensökonomie ermöglicht das experimentelle Design die Erklärung von Markt- und Verhaltensanomalien bzw. beantwortet die Frage, warum welche Probleme vorhanden sind und welche Politikmaßnahmen/-konzepte greifen. Für jede Aufgabenstellung wird das Studiendesign individuell entwickelt. Ziel ist dabei jeweils eine hohe externe und ökologische (3) Validität der Experimente. Die Vorteile von randomisierten Labor- und Feldexperimenten sind zum einen die wissenschaftliche Akzeptanz für die Evaluation von Politikprogrammen und Kommunikationskonzepten, die Kausalitätsüberprüfung durch multivariate Verfahren und – bei entsprechender Aufbereitung – die leichte Verständlichkeit und Nachvollziehbarkeit der Ergebnisse auch für Laien. 

Es gibt allerdings auch Fragestellungen, die ein anspruchsvolleres Design als „Randomised Control Trials“ erfordern. Bei der Suche nach der optimalen Preis-Produktgestaltung in einem dynamischen Wettbewerbsumfeld sind Entscheidungsexperimente mit Choice Models geeigneter. Wie auch diese Verfahren in Einklang mit der Behavioural Economics Theory gebracht werden können wird im folgenden Kapitel erläutert. 

Behavioural Economics bei Pricing und Produktoptimierung in der Marktforschung

Wenn es darum geht, wie Preise für neue Produkte ermittelt werden können, so sollte die zentrale Frage sein: Wie hoch ist der Preis, den die Konsumenten bereit sind für mein Produkt zu zahlen? Doch auch heute orientieren sich viele Hersteller noch an ihren Produktionskosten zuzüglich eines Gewinnaufschlags oder an den Preisen der Wettbewerber im Markt, die ein vermeintlich vergleichbares Produkt anbieten. 

Wenn ein Unternehmen durch seine Produkte für die Konsumenten einen tatsächlichen Mehrwert schafft, so werden die Käufer auch bereit sein, für diese Produkte einen höheren Preis zu bezahlen als für vergleichbare Konkurrenzprodukte. Value Based Pricing – also eine wertorientierte Preisfindung – hat daher das Ziel, die wahre Zahlungsbereitschaft (Willingness to Pay) der Konsumenten zu ermitteln. Eine weitere, wichtige Größe in diesem Zusammenhang ist die Preiselastizität. Diese zeigt auf, wie die Nachfrager (also die Kunden) auf Preisänderungen reagieren. Denn wenn die Konsumenten die eigenen Produkte gegenüber der Konkurrenz stark präferieren, so bleiben sie auch bei steigenden Preisen treu – zumindest bis zu einem gewissen Grad. Eine hohe Preiselastizität sagt aus, dass die Nachfrager sehr sensibel auf Preiserhöhungen reagieren und bei steigenden Preisen nicht mehr kaufen oder zum Wettbewerb wechseln. Eine geringe Preiselastizität bedeutet, dass sich die Nachfrage bei Preisänderungen nur wenig verändert. Abhängig von der Zielsetzung des Unternehmens (z.B. Gewinnmaximierung oder Gewinnung von Marktanteilen) kann mithilfe der Preiselastizitäten der optimale Preis auf dem Markt bestimmt werden.

Der Herausforderung, Produkte wertorientiert zu bepreisen und optimale Preise zu ermitteln, werden am besten Prognosemodelle auf der Grundlage von Discrete Choice Models (DCM) gerecht.(4) Diese sind vielfach validiert und äußerst leistungsfähig, um reales Entscheidungsverhalten im Wettbewerbskontext abzubilden und Preise von Produkten unter Berücksichtigung ihrer Wertwahrnehmung zu optimieren. Darüber hinaus können DCM auch für die Produktoptimierung eingesetzt werden. Insbesondere für komplexe Produkte (z.B. technische Produkte, Mobilfunktarife oder Finanzdienstleistungen) lassen sich durch Discrete Choice Models die Produkteigenschaften ermitteln, die für die Kunden besonders „wert-voll“ sind und für die Kunden dementsprechend bereit sind, einen Mehrwert zu bezahlen. DCM helfen also dabei, Markt- und Kundenanforderungen zu identifizieren, Produktfeatures zu priorisieren und Overengineering zu vermeiden.

Bei der Analyse von Kaufentscheidungen sind aber nicht nur Preise und Produkteigenschaften relevant. In unserer langjährigen Pricing-Erfahrung zeigt sich beispielswiese immer wieder, dass der Einfluss des Preises und damit auch das Abwanderungsrisiko tendenziell von den Befragten stark überschätzt werden, wenn sie direkt nach ihrer Verhaltensabsicht gefragt werden – ohne zuvor den Blick auf die Rahmenbedingungen und auf die möglichen Einflussfaktoren für ihre Kaufentscheidung zu richten. Und genau hier definiert Behavioural Economics für realitätsnahe und evidenzbasierte Preisforschung einen großen Mehrwert: Konsumenten handeln nicht immer objektiv rational nach dem Prinzip des „Homo Oeconomicus“. Daher muss die Validität von Kaufentscheidungsmodellen, die ausschließlich auf dieser Annahme beruhen, zu Recht in Frage gestellt werden. Behavioural Economics lehrt uns eine Menge darüber, wie auch der Kontext die Kaufentscheidungsprozesse in der realen Welt beeinflusst – im Gegensatz zur (zu) simplistischen Theorie des rationalen Verbrauchers. Wir berücksichtigen daher auch den individuellen (subjektiven) und den situativen Kontext, um Kaufentscheidungen von Konsumenten valide zu messen, zu simulieren und zu prognostizieren. Hierfür sind zwei Faktoren ausschlaggebend: „State of Mind“ und „individuelles Relevant Set“.

Um dem State of Mind Rechnung zu tragen, müssen sich die Befragten in die typische Situation ihrer Kaufentscheidung hineinversetzen können. Hierfür verwenden wir sogenannte Landscape Fragen. Das sind standardisierte Fragen-Sets, die für verschiedene Produktkategorien spezifisch entwickelt und getestet wurden und die es den Befragten ermöglichen, sich die wesentlichen Aspekte und Gewohnheiten ihrer Kaufsituation zu vergegenwärtigen. Im Bereich Konsumgüter werden dabei unter anderem verschiedene Fragen nach der Markenwahrnehmung, der Preiskenntnis, den Einkaufsgewohnheiten, dem Involvement in die Kategorie und dem Interesse an neuen Produktalternativen gestellt, bevor die Probanden ihre eigentliche Aufgabe von Kaufentscheidungen anhand von Auswahlszenarien (Choice Tasks) ausführen.

Meist sind dabei jedoch von vornherein nicht alle Auswahlalternativen (z.B. Marken) für den Befragten relevant. Aus diesem Grund haben wir einen adaptiven Choice Modelling Algorithmus entwickelt, der den Schwerpunkt der Befragung auf das individuelle Relevant Set legt. Dabei werden sowohl individuelle Faktoren (Markenprädisposition, Einkaufsgewohnheiten), wie auch situative Faktoren (Distribution, Einkaufsort und -anlass) für die Zusammenstellung der Auswahlszenarien berücksichtigt. Die angebotenen Auswahloptionen sind dadurch für den Befragten relevanter und das Choice Model bildet somit eine weitaus realistischere Kaufsituation für den Befragten ab. Außerdem lernt der adaptive Algorithmus während des Interviews in Echtzeit aus den gegebenen Antworten, wodurch die Schätzgenauigkeit der individuellen Präferenzen erhöht und die gezeigten Auswahloptionen immer besser an die Bedürfnisse der Befragten angepasst werden können. Die Beschränkung auf circa zehn bis maximal zwölf Tasks stellt sicher, dass die Aufmerksamkeit und die Entscheidungsfähigkeit der Befragten nicht überstrapaziert werden. Durch das adaptive Choice Modelling werden die Antworten der Probanden realistischer, sie sind stärker in die Aufgabe involviert und die Datenqualität nimmt zu, während gleichzeitig die Interviewzeiten verkürzt werden.

Die Berücksichtigung des Kontext in den Choice Models durch Landscape Fragen und individuelles Relevant Set stellt sicher, dass der Befragte im jeweils typischen Entscheidungsmodus für die entsprechende Kategorie ist. So wird bei Low Involvement Kategorien ein schnelles Denken im Sinne von System 1-Kaufentscheidungen reproduziert, das durch Automatismen und Heuristiken geprägt ist. Eine Über-Rationalisierung der Kaufentscheidung im Vergleich zur Realität wird dadurch verhindert. Bei High Involvement Kategorien werden dagegen mehr Informationen für die Kaufentscheidung zur Verfügung gestellt. Dies fördert ein „System 2-Denken“ mit bewussten Abwägungen und reflektierten Kaufentscheidungen. 

Ein weiterer Vorteil von Choice Models ist, dass die Ergebnisse für Simulationen verwendet werden können, was bei klassischen Experimenten nicht möglich ist. „Was wäre Wenn“-Simulationen liefern klare Antworten und verlässliche Entscheidungsgrundlagen auf komplexe Fragen. Sie zeigen inkrementelle Wachstumschancen auf, indem zukünftige Wettbewerbsszenarien definiert und Auswirkungen von Preisänderungen und Produktvariationen analysiert werden. Für weitergehende Analysen steht außerdem eine Vielzahl von Auswertungsmodulen zur Verfügung, wie z.B. Kreuz-Preis-Elastizitäten, Willingness-to-Pay Analysen und Deckungsbeitragsbetrachtungen. Auch hierbei spielt Behavioural Economics eine wichtige Rolle: Denn je besser die individuellen und situativen Kontextfaktoren in der Befragung berücksichtigt werden und je näher das Interview einer realen Kaufsituation kommt, desto präziser sind auch die Ergebnisse der Simulationen. Kalibrierungen der Resultate, das heißt eine Anpassung der Ergebnisse an die Realität durch Einbeziehung von weiteren unternehmensinternen und -externen Daten sowie subjektiver Interpretationen der Forscher, können dadurch stark reduziert werden.

Fazit

Was kann also die Markt- und Sozialforschung von der Verhaltensökonomie lernen? 

Beide vorgestellten Ansätze bieten Wege zu ganzheitlicheren und realistischeren Studien. Sie erlauben die Untersuchung von Entscheidungen, die sowohl das schnelle Denken von System 1 als auch das langsame Denken von System 2 induzieren. 

Das ist auch notwendig – denn, machen wir uns nichts vor – keine Kaufentscheidung wird zu 100% auf die eine oder die andere Art getroffen. Deshalb bildet weder ein rein rational denkender „Homo Oeconomicus“ die Realität ab, noch ein „Homo Ignoratus“, der sein Bewusstsein ganz ausschaltet. Die Berücksichtigung beider Denkweisen, der bewussten und der unbewussten Faktoren, erfordert in der Regel mehr Expertenwissen und „Maßarbeit“ sowohl im Setup einer Studie, als auch in der Analyse und Interpretation. Der Lohn sind jedoch realitätsnähere Untersuchungen, präzisere Erkenntnisse und effektivere Handlungsempfehlungen. 

(1) Daniel Kahneman (2012): Schnelles Denken, langsames Denken
6 Minuten Interview: https://www.youtube.com/watch?v=PirFrDVRBo4
30 Minuten „2 systems of the mind“: https://www.youtube.com/watch?v=k4hqvMYBB1c

(2) Die Studie wurde auf der EUnudge Conference am 30. September 2013 in Brüssel vorgestellt: https://storify.com/eu_consumer/eunudge-applying-behavioural-insights-to-policy-m
Der Endbericht wurde im Februar 2015 von der Europäischen Kommission (GD Wettbewerb) veröffentlicht: http://ec.europa.eu/competition/sectors/financial_services/payments_en.html 

(3) Während die externe Validität eines Testergebnisses oder eines anderen Befundes (Prädiktor) in der Regel als Voraussageleistung, d.h. als statistische Korrelation mit dem in einer anderen Situation erhobenen Befund beschrieben wird, ist unter dem Gesichtspunkt der ökologischen Validität vor allem die grundsätzliche Frage nach der Übertragbarkeit auf den Alltag und die Lebenswelt zu stellen. 

(4) Zwar können auch Methoden der direkten Preisbefragung zur Preisfindung eingesetzt werden, wie zum Beispiel das „Price Sensitivity Meter“ (PSM oder auch „Van Westendorp Methode“) oder die „Gabor-Granger-Methode“. Diese Verfahren sind jedoch mit dem Nachteil verbunden, die Wettbewerbssituation im Markt außer Acht zu lassen und zudem deutlich weniger belastbare und genaue Ergebnisse zu generieren. Sie sind daher nur bei sehr einfachen Wettbewerbssituationen einsetzbar.