Eine zentrale Aufgabe des Marketings ist es, die Präferenzen von Konsumenten zu verstehen und die Heterogenität dieser aufzudecken. Eine Reihe kritischer Entscheidungen, z.B. bei der Neuproduktentwicklung, der Marktsegmentierung und dem Targeting oder der Preisgestaltung, beruhen auf der genauen Einschätzung der Konsumentenpräferenzen. Die Marketingliteratur hat sich bisher auf die Entwicklung von Modellen und Schätzverfahren konzentriert, die es ermöglichen, die Heterogenität von Konsumentenpräferenzen aufzudecken. Konsumenten unterscheiden sich jedoch auch in der Art und Weise, wie sie Kaufentscheidungen treffen und welche verfügbaren Informationen sie nutzen. Das Ziel dieser Dissertation ist es, unser Verständnis für die Unaufmerksamkeit der Konsumenten gegenüber Produkteigenschaften bezüglich Entscheidungen zu verbessern. Es geht darum, 1) die Verbreitung einer solchen Unaufmerksamkeit in verschiedenen Kontexten zu untersuchen, 2) die Methoden, die ein solches Verhalten explizit berücksichtigen, zu untersuchen und zu erweitern, 3) potenzielle Verzerrungen in Parametern zu verstehen und 4) Implikationen für das Management abzuleiten. Die Ergebnisse aus einer umfassenden Reihe von Anwendungen legen nahe, dass Konsumenten in verschiedenen Kontexten (z.B. Produktkategorien) und Settings (z.B. von hoher oder niedriger Komplexität) eine Menge an verfügbaren Informationen bezüglich Produkteigenschaften ignorieren. Zweitens, Entscheidungsmodelle, die ein solches Verhalten explizit berücksichtigen und zusätzlich weitere Daten wie z.B. Eye-Tracking nutzen, zu einem besseren In- und Out-of-Sample-Fit führen. Drittens führt die Missachtung eines solchen Verhaltens zu Verzerrungen, deren Richtung und Größe von der Art des Merkmals (d.h., ob eine bestimmte Richtung der Präferenzen erwartet werden kann) und dem Anteil der Konsumenten, die dieses Merkmal ignorieren, abhängt. Infolgedessen kann es dazu kommen, dass Manager keine optimalen Preis- und Targeting-Entscheidungen treffen. / A central task of marketing is understanding consumer preferences and uncovering consumer heterogeneity. A range of critical decisions, e.g., new product development, market segmentation and targeting, or pricing, rest upon accurate estimation of consumer preferences. Marketing literature has mainly focused on the development of models and estimation procedures that allow uncovering heterogeneity in consumer preference. However, consumers differ not only in their tastes but also in the way they make purchase decisions and the information they use. The overall objective of this dissertation is to enhance our understanding of consumers' inattention to attributes when making choices. It aims to 1) examine the prevalence of such inattention across numerous contexts and settings, 2) investigate and extend the approaches that explicitly accommodate such behavior, 3) understand potential biases that may arise, and 4) demonstrate managerial implications when such behavior is neglected. The findings from a broad set of applications suggest that consumers ignore a substantial amount of available attribute information across various contexts (e.g., product categories) and settings (e.g., of high or low complexity). Second, we establish that choice models explicitly accounting for such behavior and, additionally, leveraging supplementary data such as eye tracking, result in better in- and out-of-sample fit. Third, neglecting such behavior leads to significant biases, the direction and the magnitude of which depend on the type of the attribute (i.e., whether a particular direction of preferences can be expected) and the share of consumers ignoring this attribute. As a result, managers may make suboptimal pricing and targeting decisions.

Die Grenzregionen rund um die Zentren Bratislava und Wien gehören zu den am schnellsten wachsenden Regionen in Europa - insbesondere die High-Tech-Industrie betreffend (www.contor-analyse.de). Ein Erfolgsfaktor für kommerziell erfolgreiche High-Tech (Start Up) Unternehmen ist die frühzeitige Identifikation von Nutzeranforderungen und Verkaufsargumenten bei Innovationen. Interdisziplinäre Teams, die technisch und kaufmännisch ausgebildete Arbeitskräfte beinhalten, stellen die Basis für unternehmerische Innovations-Erfolgsgeschichten dar. Im August 2011 ist ein Team aus Forschern der Technischen Universität Wien, der Wirtschaftsuniversität Wien, der Wirtschaftsuniversität Bratislava und des Inkubators INITS angetreten, High-Tech Unternehmen bei deren Markteintritt zu unterstützen und die universitäre Ausbildung von Interessierten an Innovationen im B2B High-Tech-Bereich zu adaptieren. Das Projekt Grenzüberschreitendes HiTECH Center wurde gestartet (Projektlaufzeit 08/2011 bis 12/2013, Förderprogramm ETC, creating the future: Programm zur grenzüberschreitenden Zusammenarbeit SLOWAKEI - ÖSTERREICH 2007-2013, www.hitechcentrum.eu). Zielsetzung war die Entwicklung einer Methodik für einen erfolgreichen Markteintritt in B2 B High-Tech-Märkten. Das Projekt wurde mit sieben Arbeitspaketen konzipiert. Arbeitspaket sechs betrifft eine Publikation der wichtigsten Lernergebnisse. Die vorliegende Arbeit stellt dieses Ergebnis dar und wurde erst durch eine Projektverlängerung bis November 2014 ermöglicht. Die Vorarbeiten zum Projekt und die erste Analysephase innerhalb der Projektlaufzeit zeigen eine Lücke an Forschungsergebnissen zum Thema "Marketing Testbed" und von vergleichbaren interdisziplinären Lehrveranstaltungen an österreichischen Universitäten. Existierende Marketing- und Innovationslehrgänge beschäftigen sich in überwiegender Zahl mit B2C Themen und sind nicht interdisziplinär. Trotz der geografischen Nähe der beiden Länder Österreich und Slowakei ist die zu geringe Transparenz der Märkte - und der damit verbundenen Chancen - derzeit eine Barriere für eine schnellere Entwicklung dieser grenzüberschreitenden Region. Weiters besteht über die Grenzen hinaus ein Mangel an interdisziplinär ausgebildetem Personal, das Marketingaufgaben der High-Tech-Anbieter effizient bearbeiten kann. Dem Projektteam stellten sich daher unter anderem folgende Fragen: Mit welcher Methodik können High-Tech Start Up Unternehmen in frühen Innovationsphasen unterstützt werden, um einen erfolgreichen Markteintritt zu schaffen? Wie stark beeinflusst die Thematik "Multidisziplinäre Kommunikation" den Prozess vom Innovationsimpuls zum Markteintritt? Wie können die Anforderungen der innovierenden High-Tech Firmen in die Universitätslehre integriert werden? Wie können interdisziplinäre Lehrformate - auch grenzüberschreitend - umgesetzt werden? Das Projektteam konnte im Rahmen der Projektlaufz eit ein erstes Regelwerk für Marketing Testbeds entwickeln und dieses Wissen bereits in wissenschaftlichen Arbeiten und ersten Implementierungen anwenden. Insgesamt wurden am Institut für Marketing Management in Wien acht Arbeiten von Studierenden fertiggestellt (davon zwei Dissertationen). An der WU Bratislava wurden 17 studentische Arbeiten abgeschlossen und sechs interdisziplinäre Projekte umgesetzt. Es fand ein intensive Wissensaustausch mit drei Synergieprojekten (INNOVMAT, DUO STARS, SMARTNET) statt und die Zwischenergebnisse des HiTECH Centrum Projekts waren die Basis für ein weiteres europäisches Projekt (Projekt REALITY, Programm ERASMUS MUNDUS). Das Hauptergebnis des Projekts liegt in der Bestätigung der Wichtigkeit der multidisziplinären Kommunikation in allen Bereichen vom Innovationsimpuls zum Markteintritt. Für eine nachhaltige Wirkung der Projektergebnisse wird die Gründung eines HiTECH Center Vereins sorgen, der sich mit den angestoßenen Forschungsthemen beschäftigt und High-Tech Start Ups in deren frühen Markteintrittsphasen unterstützt. (authors' abstract)

In der akademischen Fachliteratur existieren kaum Forschungsergebnisse zu One-to-One-Marketing, die auf Anwendungen im Einzelhandel ausgerichtet sind. Zu den Hauptgründen zählen, dass Ansätze nicht auf die Größe typischer Einzelhandelsanwendungen skalieren und dass die Datenverfügbarkeit auf Händler und Marketing-Systemanbieter beschränkt ist. Die vorliegende Dissertation entwickelt neue deskriptive, prädiktive und präskriptive Modelle für automatisiertes Target Marketing, die auf Representation Learning und Deep Learning basieren, und untersucht deren Wirksamkeit in Praxisanwendungen. Im ersten Schritt zeigt die Arbeit, dass Representation Learning in der Lage ist, skalierbar Marktstrukturen zu analysieren. Der vorgeschlagene Ansatz zur Visualisierung von Marktstrukturen ist vollständig automatisiert und existierenden Methoden überlegen. Die Arbeit entwickelt anschließend ein skalierbares, nichtparametrisches Modell, das Produktwahl auf Konsumentenebene für alle Produkte im Sortiment großer Einzelhändler vorhersagt. Das Deep Neural Network übertrifft die Vorhersagekraft existierender Benchmarks und auf Basis des Modells abgeleitete Coupons erzielen signifikant höhere Umsatzsteigerungen. Die Dissertation untersucht abschließend eine Coupon-Engine, die auf den entwickelten Modellen basiert. Der Vergleich personalisierter Werbeaktionen mit Massenmarketing belegt, dass One-to-One Marketing Einlösungsraten, Umsätze und Gewinne steigern kann. Eine Analyse der Kundenreaktionen auf personalisierte Coupons im Rahmen eines Kundenbindungsprogrammes zeigt, dass personalisiertes Marketing Systemnutzung erhöht. Dies illustriert, wie Target Marketing und Kundenbindungsprogramme effizient kombiniert werden können. Die vorliegende Dissertation ist somit sowohl für Forscher als auch für Praktiker relevant. Neben leistungsfähigeren Modellansätzen bietet diese Arbeit relevante Implikationen für effizientes Promotion-Management und One-to-One-Marketing im Einzelhandel. / Research on one-to-one marketing with a focus on retailing is scarce in academic literature. The two main reasons are that the target marketing approaches proposed by researchers do not scale to the size of typical retail applications and that data regarding one-to-one marketing remain locked within retailers and marketing solution providers. This dissertation develops new descriptive, predictive, and prescriptive marketing models for automated target marketing that are based on representation learning and deep learning and studies the models’ impact in real-life applications. First, this thesis shows that representation learning is capable of analyzing market structures at scale. The proposed approach to visualizing market structures is fully automated and superior to existing mapping methods that are based on the same input data. The thesis then proposes a scalable, nonparametric model that predicts product choice for the entire assortment of a large retailer. The deep neural network outperforms benchmark methods for predicting customer purchases. Coupon policies based on the proposed model lead to substantially higher revenue lifts than policies based on the benchmark models. The remainder of the thesis studies a real-time offer engine that is based on the proposed models. The comparison of personalized promotions to non-targeted promotions shows that one-to-one marketing increases redemption rates, revenues, and profits. A study of customer responses to personalized price promotions within the retailer’s loyalty program reveals that personalized marketing also increases loyalty program usage. This illustrates how targeted price promotions can be integrated smoothly into loyalty programs. In summary, this thesis is highly relevant for both researchers and practitioners. The new deep learning models facilitate more scalable and efficient one-to-one marketing. In addition, this research offers pertinent implications for promotion management and one-to-one marketing.