Given the recent abundance of brand choice data from scanner panels market researchers have neglected the measurement and analysis of perceptions. Heterogeneity of perceptions is still a largely unexplored issue in market structure and segmentation studies. Over the last decade various parametric approaches toward modelling segmented perception-preference structures such as combined MDS and Latent Class procedures have been introduced. These methods, however, are not taylored for qualitative data describing consumers' redundant and fuzzy perceptions of brand images. A completely different method is based on topology-sensitive vector quantization (VQ) for consumers-by-brands-by-attributes data. It maps the segment-specific perceptual structures into bubble-pie-bar charts with multiple brand positions demonstrating perceptual distinctiveness or similarity. Though the analysis proceeds without any distributional assumptions it allows for significance testing. The application of exploratory and inferential data processing steps to the same data base is statistically sound and particularly attractive for market structure analysts. A brief outline of the VQ method is followed by a sample study with travel market data which proved to be particularly troublesome for conventional processing tools. (author's abstract) / Series: Report Series SFB "Adaptive Information Systems and Modelling in Economics and Management Science"

Seit den 90er Jahren ist die Wettbewerbsstruktur im europäischen Eisenbahngüterverkehr starken Veränderungen unterworfen. Die Auflösung staatlicher Monopole sowie die Öffnung nationaler Märkte implizieren einen intensivierten Wettbewerb, bieten jedoch gleichzeitig die Möglichkeit, sich über neuartige Formen der Allianzbildung Wettbewerbsvorteile zu sichern bzw. Eintrittschancen in neue Transportmärkte zu nutzen. Die Einführung wettbewerblicher Marktstrukturen im Eisenbahngüterverkehr betrifft einerseits die Schaffung gleicher Wettbewerbsvoraussetzungen im Verhältnis der Verkehrsträger untereinander (intermodal). Weiterhin steht die Einführung von Wettbewerb zwischen Eisenbahnverkehrsunternehmen im Vordergrund (intramodal). Die vorliegende Arbeit betrachtet Allianzmöglichkeiten entlang beider Dimensionen: im Mittelpunkt stehen Partnerschaften zwischen Eisenbahnverkehrsunternehmen und/oder intermodalen Partnern, die grundsätzlich auf die Gestaltung des intramodalen Wettbewerbs ausgerichtet sind. Aufgrund des Einbezugs intermodaler Partner, der vor dem Hintergrund integrierter Logistikketten immer bedeutsamer wird, gelangt die Perspektive der Beeinflussung des Wettbewerbs der Verkehrsträger untereinander mittels Allianzen ebenfalls in das Blickfeld der Untersuchung. Übergeordnetes Ziel der Arbeit stellt die Analyse des Allianzphänomens und die Systematisierung spezifischer Allianzmodelle im europäischen Eisenbahngüterverkehr vor dem Hintergrund der sich fortlaufend verändernden Marktstruktur und fortgesetzten Deregulierung dieser Branche dar. Das Hauptinteresse gilt der Allianzrelevanz in dieser Branche im allgemeinen und der Verdeutlichung branchenstrukturprägender Allianzmuster im besonderen. Betriebswirtschaftlicher Forschung in diesem Branchenumfeld soll damit ein stärkeres Gewicht beigemessen werden.

Seit den 90er Jahren ist die Wettbewerbsstruktur im europäischen Eisenbahngüterverkehr starken Veränderungen unterworfen. Die Auflösung staatlicher Monopole sowie die Öffnung nationaler Märkte implizieren einen intensivierten Wettbewerb, bieten jedoch gleichzeitig die Möglichkeit, sich über neuartige Formen der Allianzbildung Wettbewerbsvorteile zu sichern bzw. Eintrittschancen in neue Transportmärkte zu nutzen. Die Einführung wettbewerblicher Marktstrukturen im Eisenbahngüterverkehr betrifft einerseits die Schaffung gleicher Wettbewerbsvoraussetzungen im Verhältnis der Verkehrsträger untereinander (intermodal). Weiterhin steht die Einführung von Wettbewerb zwischen Eisenbahnverkehrsunternehmen im Vordergrund (intramodal). Die vorliegende Arbeit betrachtet Allianzmöglichkeiten entlang beider Dimensionen: im Mittelpunkt stehen Partnerschaften zwischen Eisenbahnverkehrsunternehmen und/oder intermodalen Partnern, die grundsätzlich auf die Gestaltung des intramodalen Wettbewerbs ausgerichtet sind. Aufgrund des Einbezugs intermodaler Partner, der vor dem Hintergrund integrierter Logistikketten immer bedeutsamer wird, gelangt die Perspektive der Beeinflussung des Wettbewerbs der Verkehrsträger untereinander mittels Allianzen ebenfalls in das Blickfeld der Untersuchung. Übergeordnetes Ziel der Arbeit stellt die Analyse des Allianzphänomens und die Systematisierung spezifischer Allianzmodelle im europäischen Eisenbahngüterverkehr vor dem Hintergrund der sich fortlaufend verändernden Marktstruktur und fortgesetzten Deregulierung dieser Branche dar. Das Hauptinteresse gilt der Allianzrelevanz in dieser Branche im allgemeinen und der Verdeutlichung branchenstrukturprägender Allianzmuster im besonderen. Betriebswirtschaftlicher Forschung in diesem Branchenumfeld soll damit ein stärkeres Gewicht beigemessen werden.

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.