Eine neue Klasse hybrider Innovationsdiffusionsmodelle

Abstract

Die vorliegende Arbeit befasst sich mit Innovationsdiffusionsmodellen und deren Anwendung in der Marketingpraxis. Sie hat zwei Ziele: Einen Überblick über existierende Innovationsmodelle zu schaffen und ein neues besseres Modell zu entwickeln. Es wird ein neuer Klassifizierungsansatz vorgeschlagen, mit dessen Hilfe ein strukturierter Überblick über die vorhandenen zahlreichen Innovationsdiffusionsmodelle möglich wird. Die Klassifizierung beruht auf den Annahmen in den Innovationsdiffusionsmodellen. Dies erlaubt im Gegensatz zu den bekannten Klassifizierungen (z.B. von Roberts/Lattin (2000)) die Bildung von disjunkten Modellklassen. Anhand der neuen Klassifizierung werden die prominenten Modelle, wie z.B. Bass-Modell (1969) bzw. Kalish-Modell (1985) eingeordnet und ihre Vor- und Nachteile aufgezeigt. Dieser Ansatz erleichtert eine Entscheidung für das beste zu verwendende Modell, wenn bekannt ist, welche Daten (Absatzdaten, Daten über Konsumenten etc.) zur Verfügung stehen und/oder welches Ziel (Absatzprognose, Preisbestimmung) verfolgt wird. Im zweiten Teil der Arbeit wird ein neues hybrides Innovationsdiffusionsmodell – das Information-Disicion-Evaluation-Modell (IED-Modell) – vorgestellt. Das IED-Modell besitzt zahlreiche Vorteile gegenüber existierenden Innovationsdiffusionsmodellen. Die Struktur des IED-Modells ist sehr allgemein so, dass das IED-Modell als eine Modellklasse bezeichnet werden könnte. Werden die Annahmen des IED-Modells genau definiert (z.B. über die Anzahl der Wettbewerbsprodukte usw.), erhält es eine explizite Form, die prominenten Innovationsdiffusionsmodellen ähnlich oder vollkommen identisch sein kann (für die Erstellung einer expliziten Form des IED-Modells siehe www.ied-modell.de). Ein solcher allgemeiner Modellierungsansatz des IED-Modells ist neu für die Innovationsdiffusionsforschung. Das IED-Modell und dessen Annahmen werden mittels Monte-Carlo-Simulationen analysiert. Beim empirischen Test an realen Daten wird das IED-Modell mit vier renommierten Innovationsdiffusionsmodellen verglichen. Laut diesem Vergleich ist das Anpassungsvermögen des IED-Modells im Durchschnitt besser als das der vier Vergleichsmodelle. Bei drei- und zehnmonatlichen Prognosen zeigte das IED-Modell eine sehr gute Vorhersagefähigkeit.

This work assesses innovation diffusion models and their application in marketing management. Its two principal aims are: (1) to give an overview of existing innovation diffusion models and (2) to develop a new and improved model. A new classification approach is proposed. The classification methodology bases on typical assumptions made in innovation diffusion models. Unlike prior classifications, e.g. Roberts/Lattin (2000), this approach allows for disjunctive classes. By means of this classification renowned models like Bass Model (1969) or Kalish Model (1985) are categorized, and their advantages and disadvantages are analyzed. This helps decide which model should be used depending on data availability (sales data, consumer data etc.) and the overall goal of a model investigation (sales forecast, pricing etc.). In the second part of this work the new hybrid innovation diffusion model – Innovation-Decision-Evaluation model (IED model) – is described. The model has several advantages compared with existing models. The structure of the IED Model is non-specific so that the IED model can be described as a distinct model class. When assumptions of the IED model are specified (e.g. number of competitive products) the model gets an explicit form which can be similar or even identical to other innovation diffusion models (for the design of an explicit model form see also www.ied-modell.de). Such a generalized modeling approach in IED modelling is new in innovation diffusion research. The IED model and its assumptions are analysed with Monte Carlo simulations. Its results are also empirically tested and compared with four renowned innovation diffusion models. The comparison reveals that the IED model has the best average fit and good forecast goodness.