Modelleren van consideration sets in merkkeuzemodellen

Modelleren van consideration sets in
merkkeuzemodellen
Erjen van Nierop
In dit artikel zal ik kort uiteenzetten waar ik mij voor mijn promotieonderzoek mee
bezighoud. Mijn huidige onderzoek betreft het modelleren van consideration sets in
merkkeuzemodellen. Eerst zal ik uitleggen wat consideration sets1 zijn en waarom het
belangrijk is ze te modelleren. Vervolgens zal ik, zonder al te technisch te worden, het
gebruikte model uiteenzetten. Ten slotte volgt een toepassing op een real life panel
dataset.
Wat en waarom?
Model
Consideration sets komen voort uit de gedachte dat een
consument bij aanschaf van een product onmogelijk alle
aanwezige merken kan overwegen om te kopen. Dit is bij
veel productcategorieën duidelijk te veel van het goede.
Bedenk maar eens hoe je zelf te werk gaat bij het kopen van
bijvoorbeeld frisdrank of bier: het is gebruikelijk slechts naar
enkele merken te kijken en hier uiteindelijk uit te kiezen. Er
zijn waarschijnlijk merken die je nooit zou overwegen te
kopen. De verzameling merken (of producten) waar de consument op het moment van aankoop uit kiest, noemen we
de consideration set. Deze verzameling kan beïnvloed worden
door bekende marketinginstrumenten als reclame, displays
(kopstellingen) in de supermarkt en het adverteren in folders.
De meeste merkkeuzemodellen die in de marketingliteratuur beschreven zijn, gaan er echter van uit dat een consument alle aanwezige producten overweegt. De geschatte
modellen geven daarom vaak ten eerste niet goed het
keuzeproces weer, en ten tweede zullen effecten van marketinginstrumenten verkeerd ingeschat worden. Een voorbeeld: voor een consument die nooit zal overwegen om
Amstel Light te kopen, is de prijs ervan totaal niet van
belang. Indien de transacties van deze klant dus wel gebruikt
worden om de effecten van het marketinginstrument ‘prijs’
te schatten, zal de bijbehorende parameter (in absolute
waarde) lager uitvallen dan de werkelijke waarde. Een lage
prijs voor Amstel Light heeft bij deze consument namelijk
geen aankoop tot gevolg, dus het model zal prijs minder
effect toekennen dan het in werkelijkheid heeft op AmstelLight-klanten. Dit fenomeen zal ook in het getallenvoorbeeld aan het eind van dit artikel blijken.
Het moge dus duidelijk zijn dat het nuttig is een model te
bouwen, waar rekening gehouden wordt met consideration
sets. Het model waar we op dit moment mee bezig zijn
bestaat uit twee delen. De consideration sets worden
gemodelleerd met een multivariaat probit model. Kort
gezegd is dit een regressiemodel waarbij de te verklaren variabele alleen de waarden 0 en 1 aanneemt. Als voor een
bepaalde consument het nut van een merk voldoende hoog
is, zal hij het overwegen te kopen, wat overeenkomt met een
waarde 1 van de te verklaren variabele.
Een multivariaat probit model combineert via een covariantiestructuur meerdere 0/1-probitmodellen en staat zo
toe dat een consument meerdere alternatieven tegelijkertijd
kan kiezen. Dit is natuurlijk precies wat we nodig hebben
bij de consideration sets. Voor elk aankoopmoment van elke
consument zullen alternatieven met een voldoende hoog
nut in de verzameling terechtkomen en in aanmerking
komen voor de uiteindelijke aankoop.
Het tweede deel van het model, nodig voor het modelleren
van de uiteindelijke keuze, is een multinomiaal probit
model. Dit is een voor marketingonderzoekers vertrouwd
merkkeuzemodel, waarbij een consument uit meerdere
alternatieven slechts 1 alternatief kiest, namelijk het merk
met het hoogste nut. In dit geval moet er dan nog een
restrictie worden opgelegd dat merken die in eerste model
niet overwogen werden, niet gekozen kunnen worden.2
4 medium econometrische toepassingen
Schatting
Een probleem is dat in veel gevallen de consideration sets
niet bekend zijn. Anders gezegd: ze zijn ‘unobserved’. De
meeste scanner-datasets bevatten namelijk alleen informatie
omtrent de uiteindelijke aankoop. De uitdaging is dus om
op basis van deze gegevens toch consideration sets te kunnen
afleiden. Met de beschikbare informatie, is er op elk
aankoopmoment in feite slechts één restrictie: het uiteindelijk gekozen merk moet in de verzameling zitten. Alle
verzamelingen die hier aan voldoen, zijn op het betreffende
aankoopmoment toegestaan en onze schattingsmethode zal
hieruit de meest waarschijnlijke set selecteren. Voor de technische details van de schattingsmethode verwijs ik naar de
working paper die binnenkort op mijn homepage3 te vinden
zal zijn.
Toepassing
Het hierboven beschreven model wordt geschat op een
panel dataset met aankopen van crackers. Er zijn drie grote
merken in de dataset, namelijk Sunshine, Keebler en
Nabisco met marktaandelen van respectievelijk 7%, 7% en
54%. Alle huismerken worden samengevoegd tot “huismerk”. Het aantal huishoudens in de dataset bedraagt 73,
die in totaal 1650 aankopen verrichtten.
In het eerste modeldeel, dus voor de consideration-fase,
wordt als verklarende variabele display (kopstelling)
opgenomen. Bovendien wordt de vorige aankoop als verklarende variabele gebruikt. Veel consumenten zullen het
product dat ze de vorige keer gekocht hebben, immers weer
overwegen te kopen. In de merk-fase wordt prijs als marketinginstrument opgenomen. Beide modeldelen hebben
ook merkspecifieke constanten, die bij afwezigheid van display en vorige aankoop de keuzeaandelen zullen bepalen. De
schattingsresultaten staan in Tabel 1 en Tabel 2. In de volgende paragraaf wordt met simulatietechnieken aangetoond
wat deze parameters daadwerkelijk betekenen voor de consideration set en aankoopkans. Het eerdergenoemde
fenomeen dat bij modellen met consideration sets sterkere
prijseffecten gevonden worden, blijkt uit dit voorbeeld.
Indien namelijk een eenvoudig multinomiaal probit model
geschat wordt op deze data, resulteert dit in een prijseffect
van slechts –2. Bij ons twee-fase-model vinden we een prijseffect van maar liefst -11.8. Dit verschijnsel wordt ook wel
een ‘local price effect’ genoemd: consumenten zijn alleen
prijsgevoelig voor merken die ze overwegen te kopen. De
prijs van producten die ze niet overwegen te kopen, boeit
hen niet.
Grootte van consideration sets
In plaats van naar de (wellicht abstracte) parameterschattingen te kijken, is het interessant te kijken hoe groot de consideration sets zijn, en in welke mate de marketingvariabelen daarop invloed hebben. Daarom wordt een
gevoeligheidsanalyse uitgevoerd. In dit voorbeeld zal met de
verklarende variabelen van Nabisco geëxperimenteerd worden. Het model wordt, met de gevonden parameters, doorgesimuleerd voor allerlei waarden van de verklarende variabelen van Nabisco. De verklarende variabelen van de overige
merken worden op hun gemiddelde waarde vastgezet. We
kunnen dan zien wat er met het aantal overwogen merken
gebeurt.
In Figuur 1 zijn de gevolgen te zien. Het is meteen duidelijk
dat de meeste consideration sets grootte 1 hebben. De eerste
groep staven geeft dit weer, waarbij de meest linkse staaf van
de groep de relatieve frequentie weergeeft van een consideration-set-grootte indien er geen display is voor Nabisco en
dit merk de vorige keer niet gekocht was. Vervolgens zien we
hetzelfde indien er een display was (maar vorige keer niet
gekocht), daarnaast indien het product de vorige keer
gekocht was (maar geen display) en ten slotte indien het de
vorige keer gekocht was en er een display was.
De eerst groep staven geeft aan dat onze klanten behoorlijk
merkentrouw zijn: velen overwegen alleen het merk dat ze
kopen en letten niet op de andere merken. Te zien is vervolgens dat de vorige aankoop het meeste invloed heeft op de
grootte van de set. Indien het product de vorige keer
gekocht is, neemt het aandeel sets met grootte 1 af en zien
we aanmerkelijk meer grote consideration sets. Een display
kan ook grotere sets veroorzaken, maar in mindere mate.
Tabel 1 - Schattingsresultaten consideration set model.
Tabel 2 - Schattingsresultaten merkkeuzemodel.
Figuur 1 - Frequentieverdeling van grootte van consideration sets,
onder verschillende omstandigheden van Nabisco.
medium econometrische toepassingen 5
Figuur 2 - Aankoopkansen voor de vier merken, voor verschillende prijzen en marketingactiviteiten van Nabisco.
Aankoopkansen
Vervolgens kijken we wat de invloed is van dezelfde marketingvariabelen op de uiteindelijke aankoop. Te verwachten is
dat een display en/of vorige aankoop van Nabisco de
aankoopkans van dit merk doet toenemen en de aankoopkans van concurrerende merken doet afnemen. Hoewel deze
variabelen niet in het merkkeuzemodel zijn opgenomen,
hebben ze via de eerste fase toch inderdaad dit verwachte
effect, getuige Figuur 2. In deze figuur is voor verschillende
prijzen en marketingactiviteiten door Nabisco de aankoopkans op alle vier merken apart weergegeven. Als Nabisco
geen marketingactiviteiten ontplooit, ligt de aankoopkans
rond de 45% (zie de grafiek linksonder). Deze kans neemt
toe als er een display is, maar vooral als het product de
vorige keer ook gekocht is. Tegelijkertijd neemt de aankoopkans voor concurrerende merken af.
Uiteraard zien we een dalend effect op de aankoopkans van
Nabisco als de prijs van dit merk stijgt. De concurrenten
profiteren hiervan, in het bijzonder het huismerk. Dit effect
treedt op in combinatie met alle marketinginstrumenten.
Conclusie
Een merkkeuzemodel met consideration sets biedt meer
inzichten dan een eenvoudig model waarbij de onrealistische veronderstelling geldt dat de consument alle merken in
6 medium econometrische toepassingen
overweging neemt. Bovendien worden marketingparameters
betrouwbaarder geschat. De simulatiegrafieken bieden
goede inzichten in de invloed van marketinginstrumenten
op consideration sets en aankoopkansen.
Noten
1 Het is overigens moeilijk een goede Nederlandse term voor ‘consideration set’ te vinden (inzendingen welkom). Voor het gemak houd
ik het bij de Engelse benaming.
2 Andere modellen en formuleringen zijn ook mogelijk. Björn
Vroomen heeft bijvoorbeeld in zijn scriptie neurale netwerken
gebruikt om consideration sets te modelleren, met uitstekende resultaten.
3 Homepage: http://www.few.eur.nl/few/people/vannierop

Download Report